Wir verallgemeinern jetzt den Begriff bilinear zu multilinear. Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante.

Größe: px
Ab Seite anzeigen:

Download "Wir verallgemeinern jetzt den Begriff bilinear zu multilinear. Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante."

Transkript

1 Determinanten Wir verallgemeinern jetzt den Begriff bilinear zu multilinear Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante 361 Definition (alternierend, symmetrisch, schiefsymmetrisch) Seien V und V K Vektorräume, n N, f: V n V, dann heißt f multilinear : f(v,, v i 1,, v i+1,, v ) Hom K (V, V ), alternierend : [ i k: v i = v k f(v,, v ) = ], symmetrisch : π S n : f(v,, v ) = f(v π(),, v π() ), schiefsymmetrisch : f(v,, v ) = sgn(π)f(v π(),, v π() ) 362 Beispiele i) Für n = 2 ist zb f: K 2 K 2 K, (( x x 1 ), ( y y 1 )) x y 1 x 1 y bilinear, alternierend und schiefsymmetrisch Falls char(k) 2 ist, ist f nicht symmetrisch ii) Bei char(k) = 2 fallen die Begriffe symmetrisch und schiefsymmetrisch zusammen iii) Ein für die Anwendungen in der euklidischen Geometrie und Physik sehr wichtiges Beispiel ist (für n = 2) das sogenannte Kreuzprodukt im R 3 : : R 3 R 3 R 3, x x 1, y y 1 x 1y 2 x 2 y 1 x 2 y x y 2 =: x y, x 2 y 2 x y 1 x 1 y es ist bilinear und schiefsymmetrisch 363 Hilfssatz i) Jede alternierende multilineare Abbildung ist schiefsymmetrisch ii) Bei char(k) 2 sind die multilinearen schiefsymmetrischen Abbildungen alternierend Beweis:

2 36 DETERMINANTEN 119 i) f: V n V sei alternierend und multilinear, i n, dann gilt: = f(, v i 1, v i + v i+1, v i + v i+1, v i+2, ) = f(v,, v ) + f(, v i 1, v i+1, v i, v i+2, ) Für die Transposition τ := (i, i + 1) gilt also f(v,, v ) = sgn(τ)f(v τ(),, v τ() ) Da diese Transpositionen aber S n erzeugen, und sgn ein Homormophismus ist, folgt daraus die Behauptung ii) ist klar Von besonderer Bedeutung sind für uns nun gewisse Multilinearformen, also der Fall V = K, und dabei wiederum der Fall n := dim K (V ) 364 Definition (Determinantenformen) Ist n := dim K V N, dann heißt : V n K Determinantenform auf V, kurz: DF (V ), wenn multilinear und alternierend ist Nach 363 sind Determinantenformen also auch schiefsymmetrisch 365 Beispiele : V n K, (v,, v ) K heißt die triviale Determinantenform auf V 362 i) ist eine nicht triviale Determinantenform, 362 iii) ist multilinear, alternierend und schiefsymmetrisch, aber keine Determinantenform, da weder n = 3 noch der Bildraum gleich K ist 366 Hilfssatz Ist DF (V ) und V = K b,, b, dann gilt für v i = ν= v ν,ib ν V : (v,, v ) = (b,, b ) sgn(π)v π(), v π(), = (b,, b ) sgn(π)v,π() v,π() Beweis: Wegen der Multilinearität von folgt zunächst: (v,, v ) = v ϕ(), v ϕ(), (b ϕ(),, b ϕ() ) ϕ:n n Da alternierend ist, ergibt das einmal (v,, v ) = v π(), v π(), (b π(),, b π() ), und weil alternierende Multilinearformen schiefsymmetrisch sind auch noch = (b,, b ) sgn(π)v π(), v π(),,

3 12 insgesamt also die erste der behaupteten Gleichungen Schließlich gilt, wegen der Kommutativität von K, v π(), v π(), = v,π 1 () v,π 1 (), so daß mit sgn(π) = sgn(π 1 ) auch die zweite der behaupteten Gleichungen folgt, denn π π 1 ist eine Bijektion auf jeder Gruppe, insbesondere also auch auf S n 367 Folgerungen i) Jede Determinantenform DF (V ) ist durch den Wert (b,, b ) auf irgendeiner Basisfolge B von V vollständig bestimmt ii) Nichttriviale Determinantenformen sind Vielfache voneinander iii) Zu jeder Basisfolge B von V (b,, b ) = 1 gibt es höchstens ein DF (V ) mit Daß es zu jeder Basisfolge B := (b,, b ) von V genau eine Determinantenform mit (b,, b ) = 1 gibt, folgt damit aus 368 Hilfssatz Die Gleichung B (, v ν,i b ν, ) := sgn(π)v π(), v π(), ν= definiert eine nicht triviale Determinantenform B auf V Für diese gilt B (b,, b ) = 1 Beweis: Die Abbildung B ist offensichtlich multilinear, sie ist auch alternierend: Sei i k und v i = v k Für die Transposition τ := (ik) S n gilt dann zunächst einmal die folgende Zerlegung von S n in Rechtsnebenklassen der alternierenden Gruppe A n = {π S n sgn(π) = 1} : Damit ergibt sich, wegen v i = v k, = S n = A n A n τ B (v,, v ) = B (v τ(),, v τ() ) = sgn(π)v π(),τ() v π(),τ() ρ A n (sgn(ρ)v ρ(),τ() v ρ(),τ() + sgn(ρτ)v ρτ(),τ() v ρτ(),τ() )

4 36 DETERMINANTEN 121 = ρ A n (sgn(ρ)v ρ(), v ρ(), sgn(ρ)v ρ(), v ρ(), ) Jeder dieser Summanden ist aber, ganz unabhängig von char(k), gleich Null Die Gleichung B (b,, b ) = 1 folgt unmittelbar aus der Definition von B Insgesamt ist damit folgendes bewiesen: 369 Folgerung Ist B = (b,, b ) Basisfolge für V, dann gilt i) Die eindeutig bestimmte Determinantenform B mit B (b,, b ) = 1 wird definiert durch B (, v ν,i b ν, ) := sgn(π)v π(), v π(), = ν= sgn(π)v,π() v,π() ii) Jede andere Determinantenform DF (V ) ist Vielfache von B : (v,, v ) = (b,, b ) B (v,, v ) Es soll nun gezeigt werden, wie mit Hilfe einer Determinantenform DF (V ) einem Endomorphismus f End K (V ) ein Skalar, die sogenannte Determinante det(f) von f zugeordnet werden kann, die sehr nützliche Eigenschaften hat 361 Hilfssatz DF (V ) sei nicht trivial, f End K (V ), dann gilt: i) f (v,, v ) := (f(v ),, f(v )) definiert eine Determinantenform f ii) Der Faktor κ f aus f = κ f ist unabhängig von der Wahl der (nicht trivialen) Determinantenform Beweis: i) ist klar ii) Sei = λ, λ, dann folgt aus (b,, b ) = λ (b,, b ) die linke Seite der folgenden Sequenz von Gleichungen: f (b,, b ) = λ f (b,, b ) = λ κ f (b,, b ) = κ f (b,, b ), also gilt auch für : f = κ f

5 Definition (die Determinante eines Endomorphismus) Der Faktor det(f) := f (b,, b ) (b,, b ), B irgendeine Basisfolge von V, irgendeine nicht triviale Determinantenfolge auf V, f End K (V ), heißt die Determinante von f End K (V ) Für diese Zahl gilt also die Gleichung: 3612 det(f) = f 3613 Satz Für f, g End K (V ), n := dim K (V ), κ K gilt: i) f = κ id V = det(f) = κ n, ii) f Aut K (V ) det(f), iii) det(g f) = det(g) det(f) = det(f g), iv) f Aut K (V ) = det(f 1 ) = det(f) 1, v) V = V V 1, f i := f V i, f i (V i ) V i, i =, 1 = det(f) = det(f ) det(f 1 ) Beweis: Sei DF (V ) nicht trivial, B = (b,, b ) eine Basisfolge i) Wegen f = f = κ id V gilt (f(b ),, f(b )) = (κb,, κb ) = κ n (b,, b ) ii) Es ist f Aut K (V ) (f(b, ),, f(b )) Basisfolge iii) Wir haben (f(b ),, f(b )) = det(f) (b,, b ) det(f) det(g f) (b,, b ) = (g(f(b )),, g(f(b )) = det(g) (f(b ),, f(b )) = det(g) det(f) (b,, b ) iv) f Aut K (V ) impliziert f 1 Aut K (V ), die Determinanten dieser beiden Abbildungen sind also, nach ii), von Null verschieden, und wir können wie folgt schließen: 1 = i) det(f f 1 ) = iii) det(f) det(f 1 ) Hieraus folgt det(f) = det(f 1 ) 1

6 36 DETERMINANTEN 123 v) Für g := f id V1 : v = v +v 1 f (v )+v 1 und die entsprechend definierte Abbildung g 1 := id V f 1 gilt f = g g 1, also, nach iii): det(f) = det(g ) det(g 1 ), so daß det(f i ) = det(g i ) zu zeigen bleibt Wir wählen hierzu eine an die direkte Zerlegung V = V V 1 angepaßte Basisfolge B : V = K b,, b r 1, V 1 = K b r,, b, V = K b,, b r, falls V 1, andernfalls ist nichts zu zeigen Hiermit definieren wir (v,, v r 1 ) := B (v,, v r 1, b r,, b ), eine offenbar nicht triviale Determinantenform auf V Für sie gilt det(f ) (b,, b r 1 ) = (f(b ),, f(b r 1 )) = B (f(b ),, f(b r 1 ), b r,, b ) = B (g (b ),, g (b )) = det(g ) B (b,, b ) = det(g ) (b,, b r 1 ), also det(f ) = det(g ) Analog folgt det(f 1 ) = det(g 1 ) Mit Hilfe der Determinante eines Endomorphismus kann nun eine Determinante für jede quadratische Matrix definiert werden Dies geschieht so, daß für jede Basisfolge B von V gilt: det(a) = det(f), falls A = M(B, f, B) Sei deshalb A = (a ik ) = M(B, f, B) K n n Dann gilt det(f) B (b,, b ) = B (f(b ),, f(b )) = B (, a ik b i, ) = sgn(π)a π(), a π(), i= Wir sehen, daß dieser Ausdruck nicht von B und der hierzu passend zu wählenden Abbildung f abhängt, definieren deshalb wie folgt: 3614 Definition (die Determinante einer Matrix) Ist A = (a ik ) K n n, dann sei det(a) := sgn(π) i= a π(i),i = sgn(π) i= a i,π(i) die Determinante der Matrix A 3615 Beispiele

7 124 i) det(a ) = a, ( ) a a ii) det 1 = a a 1 a a 11 a 1 a 1, 11 iii) det a a 1 a 2 a 1 a 11 a 12 = a a 11 a 22 a 1 a 1 a 22 + a 2 a 11 a 2 a 2 a 21 a 22 a a 21 a 12 + a 1 a 21 a 2 + a 2 a 1 a Folgerungen Sind A, B K n n, κ K, dann gilt: i) Ist B Basisfolge, f End K (V ), A = M(B, f, B), so ist ii) det(κ E n ) = κ n, det(f) = det(a) iii) A ist genau dann invertierbar, wenn det(a), iv) Die Abbildung einer Matrix auf ihre Determinante ist ein Homomorphismus (ein Monoidhomomorphismus auf dem Ring K n n der n-reihigen Matrizen, ein Gruppenhomomorphismus auf der Gruppe GL n (K) der invertierbaren n-reihigen Matrizen): v) Ist B invertierbar, dann gilt det(a B) = det(a) det(b) = det(b A), det(bab 1 ) = det(a), dh die Determinante ist invariant unter der Transformation A BAB 1 vi) A ist invertierbar = det(a 1 ) = det(a) 1, vii) det(a) = det( t A) (Die Punkte i) bis v) folgen umnittelbar aus 3613, der sechste Punkt ergibt sich aus ν a π(ν),ν = ν a ν,π 1 (ν)) Für die konkrete Berechnung der Determinante einer Matrix A verwendet man zweckmäßigerweise nicht die oben angegebene explizite Formel, da diese aus n! Summanden besteht Vielmehr geht man in der Regel zu einer Matrix A über, die dieselbe Determinante besitzt, bei der aber sichtlich weniger Summanden zu berechnen sind, da die anderen verschwinden Die möglichen Umformungen ergeben sich aus 3616 mit der Tatsache, daß Determinantenformen multilinear und alternierend sind:

8 36 DETERMINANTEN Satz Die Determinante det(a) ist multilinear, alternierend und schiefsymmetrisch in den Zeilen und in den Spalten von A Es gilt also insbesondere: i) Das Vertauschen zweier Zeilen oder Spalten ändert am Wert der Determinante nur das Vorzeichen ii) Entsteht A aus A durch Multiplizieren einer Zeile oder einer Spalte mit κ, dann gilt det(a ) = κ det(a) iii) Addition eines Vielfachen einer Zeile (Spalte) zu einer anderen (!) Zeile (Spalte) ändert den Wert der Determinante nicht iv) Ist der Rang von A kleiner als die Zeilenzahl, dann gilt det(a) = 3618 Beispiele i) det a a, a = det a, = a a, folgt unmittelbar aus der (wichtigen) Bemerkung, daß jeder Summand i a π(i),i aus jeder Zeile und Spalte von A genau ein Element enthält, bei oberen oder unteren Dreiecksmatrizen ist also maximal ein einziger Summand (der zu π = id) von Null verschieden ii) Die Vandermondesche Determinante: Für paarweise verschiedene κ i K gilt κ κ 1 κ κ 1 κ κ κ κ det 2 κ 2 1 κ 2 = det κ 2 1 κ κ 1 κ 2 κ κ, κ κ 1 κ κ 1 κ κ n 2 1 κ κ κ n 2 da man von der (i + 1) ten Zeile das κ fache der i ten Zeile abziehen kann, ohne daß sich die Determinante ändert Benutzt man jetzt die explizite Formel, so sieht man, daß (wegen der Nullen in der ersten Spalte) gilt = det κ 1 κ κ 2 κ κ κ κ 2 1 κ κ 1 κ 2 2 κ κ 2 κ 2 n κ κ κ 1 κ κ n 2 1 κ 2 κ κ n 2 2 κ κ κ n κ 1 κ 2 κ = (κ 1 κ )(κ 2 κ ) (κ κ ) det, κ n 2 1 κ n 2 2 κ n 2

9 126 so daß per Induktion nach n folgt: κ κ 1 κ det = κ κ 1 κ denn det ( 1 ) = 1 i<j (κ j κ i ), Zur Vorbereitung eines Satzes über die rekursive Berechnung von Determinanten definieren wir 3619 Definition (Cofaktoren) Sei A = (a ik ) K n n und a i der i-te Zeilenvektor, a k der k-te Spaltenvektor dieser Matrix Wir definieren mit Hilfe der Basisfolge E = (e,, e ) aus den Einheitsvektoren den Cofaktor von a ik durch Cof(a ik ) := det(a ik ), wobei A ik aus A durch Ersetzen der i ten Zeile durch den Einheitsvektor e k und der k-ten Spalte durch den Einheitsvektor e i entsteht: A ik = 1 Es ist leicht einzusehen, daß diese Zahl auch mit Hilfe der Basisfolge E aus den Einheitsvektoren beschrieben werden kann, dh daß gilt 362 Bemerkung Die Cofaktoren lassen sich wie folgt auch mit Hilfe der Determinantenform E ausdrücken: Cof(a ik ) = det(a ik ) = E (a,, a i 1, e k, a i+1,, a ) = E (a,, a k 1, e i, a k+1,, a ) Weiterhin sei die adjungierte Matrix zu A definiert durch Ad(A) := t (Cof(a ik ))

10 36 DETERMINANTEN Satz A Ad(A) = det(a) E n Beweis: (A Ad(A)) ik = a iν Cof(a kν ) ν = E (a,, a k 1, ν a iν e ν, a k+1,, a )) = E (a,, a k 1, a i, a k+1,, a )) = δ ik det(a) 3622 Folgerung Ist A invertierbar, dann gilt A 1 = Ad(A) det(a) 3623 Beispiel ( ) ( ) ( ) det det A := Ad(A) = t (Cof(a 3 4 ik )) = t 4 3 ( ) ( ) 2 1 det det 1 1 ( ) ( ) = t = A 1 = 1 ( ) ( ) = /2 1/2 Als Anwendung auf lineare Gleichungssysteme mit regulärer, dh invertierbarer Koeffizientenmatrix A ergibt sich 3624 Die Cramersche Regel Ist A K n n invertierbar, dann gilt für die Komponenten x i der eindeutig bestimmten Lösung von Ax = b : a a,i 1 b 1 a,i+1 a, 1 x i = det(a) det a, a,i 1 b n a,i+1 a, Beweis: Aus x = A 1 b = 1 det(a) Ad(A) b ergibt sich x i = also die Behauptung 1 det(a) ( ν Cof(a νi b ν )) = E(a,, a i 1, b, a i+1,, a ), det(a) Weiter erhalten wir jetzt die angekündigte Rekursionsformel

11 Der Laplacesche Entwicklungssatz Ist A K n n, dann gilt, für jedes i, k n : det(a) = ν ( 1) i+ν a iν det(a iν) = ν ( 1) ν+k a νk det(a νk), dh man kann det(a) sowohl nach der i ten Zeile als auch nach der k ten Spalte entwickeln A ik bezeichnet dabei die (n 1) (n 1)-Matrix, die man aus A durch Streichen von i-ter Zeile und k-ter Spalte erhält Beweis: Es gilt offenbar det(a) = E (a,, a ) = a νk E (a,, a k 1, e ν, a k+1,, a ) ν a νk Cof(a kν ) = a νk det(a νk ) ν ν Entsprechendes gilt für die Entwicklung nach der i ten Zeile Schließlich gilt noch, wegen der Schiefsymmetrie der Determinante, det(a ik ) = ( 1) i+k det(a ik)

Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n.

Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n. 1 Die Determinante Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n. a) Ein Fehlstand von π ist ein Paar (i, j) mit 1 i < j n und π(i)

Mehr

Die Determinante einer Matrix

Die Determinante einer Matrix Chr.Nelius, Lineare Algebra II (SS 2005) 6 Die Determinante einer Matrix Wir betrachten im folgenden Determinantenformen auf dem Vektorraum V = K n. Eine solche Form ist eine Abbildung von n Spaltenvektoren

Mehr

4.2 Die adjungierte Abbildung

4.2 Die adjungierte Abbildung 4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,

Mehr

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

Mehr

Kapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24

Kapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt

Mehr

Determinanten. I. Permutationen

Determinanten. I. Permutationen Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch

Mehr

2.5 Smith-Normalform für Matrizen über Euklidischen Ringen

2.5 Smith-Normalform für Matrizen über Euklidischen Ringen 2.5. SMITH-NORMALFORM FÜR MATRIZEN ÜBER EUKLIDISCHEN RINGEN73 2.5 Smith-Normalform für Matrizen über Euklidischen Ringen Bemerkung 2.74. Sei K ein Körper und A K n m, b K n 1. Das lineare Gleichungssystem

Mehr

Determinanten. I. Permutationen

Determinanten. I. Permutationen Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch

Mehr

3.7 Eigenwerte und Eigenvektoren

3.7 Eigenwerte und Eigenvektoren 3.7. EIGENWERTE UND EIGENVEKTOREN 123 3.7 Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben,

Mehr

Mathematik für Physiker, Informatiker und Ingenieure

Mathematik für Physiker, Informatiker und Ingenieure Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de

Mehr

5 Lineare Gleichungssysteme und Determinanten

5 Lineare Gleichungssysteme und Determinanten 5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von

Mehr

4 Determinanten. 4.1 Eigenschaften der Determinante. ME Lineare Algebra HT

4 Determinanten. 4.1 Eigenschaften der Determinante. ME Lineare Algebra HT ME Lineare Algebra HT 2008 86 4 Determinanten 4. Eigenschaften der Determinante Anstatt die Determinante als eine Funktion IC n n IC durch eine explizite Formel zu definieren, bringen wir zunächst eine

Mehr

Lineare Algebra I Zusammenfassung

Lineare Algebra I Zusammenfassung Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition

Mehr

Determinante. Die Determinante. einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden.

Determinante. Die Determinante. einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden. Determinante Die Determinante det A = det(a 1,..., a n ) einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden. Multilineariät: det(..., αa j + βb j,...) = α det(...,

Mehr

3.9 Elementarmatrizen

3.9 Elementarmatrizen 90 Kapitel III: Vektorräume und Lineare Abbildungen 3.9 Elementarmatrizen Definition 9.1 Unter einer Elementarmatrix verstehen wir eine Matrix die aus einer n n-einheitsmatrix E n durch eine einzige elementare

Mehr

7 Determinanten. D ist alternierend g.d.w. für alle i j gilt:

7 Determinanten. D ist alternierend g.d.w. für alle i j gilt: 7 Determinanten Im folgenden betrachten wir quadratische Matrizen Wir schreiben dabei eine n n Matrix A (über dem Körper K) primär als Zeilenvektor, dessen Elemente die Spalten von A sind; also A = (a

Mehr

5.2 Rechnen mit Matrizen

5.2 Rechnen mit Matrizen 52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A

Mehr

Tutorium: Analysis und Lineare Algebra

Tutorium: Analysis und Lineare Algebra Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14.5.218 (Teil 2) 9. Mai 218 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 218 Steven Köhler 9. Mai 218 3 c 218

Mehr

6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66

6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten 6.1 Symmetrische Gruppe Definition: Eine bijektive Abbildung von einer Menge X auf sich selbst heisst eine Permutation von X. Satz-Definition:

Mehr

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 7 Was die Menschen verbin, ist nicht der Glaube, sondern der Zweifel Peter Ustinow Universelle Eigenschaft der

Mehr

36 2 Lineare Algebra

36 2 Lineare Algebra 6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so

Mehr

7 Determinanten. f i : Mat n n (K) K. j=1 ( 1)i+j a ij D(A ij )

7 Determinanten. f i : Mat n n (K) K. j=1 ( 1)i+j a ij D(A ij ) 7 Determinanten Im folgenden betrachten wir quadratische Matrizen. Wir schreiben dabei eine n n Matrix A (über dem Körper K) primär als Zeilenvektor, dessen Elemente die Spalten von A sind; also A = (a

Mehr

Determinanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.

Determinanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y. Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls

Mehr

In allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.

In allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle. Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:

Mehr

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6 Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................

Mehr

Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten

Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 44 8. Lineare Algebra: 2. Determinanten Ein einführendes

Mehr

4. Übungsblatt zur Mathematik II für Inf, WInf

4. Übungsblatt zur Mathematik II für Inf, WInf Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

a 1 a 1 A = a n . det = λ det a i

a 1 a 1 A = a n . det = λ det a i 49 Determinanten Für gegebene Vektoren a 1,,a n K n, betrachte die Matrix deren Zeilenvektoren a 1,,a n sind, also A = Ab sofort benutzen wir diese bequeme Schreibweise Definition Sei M : K n K }{{ n K

Mehr

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

mit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"

mit Skalarprodukt aus i-tem Zeilenvektor und j-tem Spaltenvektor Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"

Mehr

Wir stellen uns das Ziel, wesentliche Information über. Determinanten haben auch eine geometrische Bedeutung: Volumenbestimmung eines Parallelepipeds

Wir stellen uns das Ziel, wesentliche Information über. Determinanten haben auch eine geometrische Bedeutung: Volumenbestimmung eines Parallelepipeds 39 Determinanten 391 Motivation Wir stellen uns das Ziel, wesentliche Information über die Invertierbarkeit einer n n-matrix das Lösungsverhalten zugehöriger linearer Gleichungssysteme möglichst kompakt

Mehr

Determinanten. Kapitel Permutationen

Determinanten. Kapitel Permutationen Kapitel 5 Determinanten 51 Permutationen Die Permutationen einer Menge M, d h die bijektiven Abbildungen von M auf M, bilden bekanntlich eine Gruppe S(M) Im Folgenden benötigen wir nur die Permutationen

Mehr

Lineare Algebra I Lösungsvorschlag

Lineare Algebra I Lösungsvorschlag Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und

Mehr

Lineare Algebra: Determinanten und Eigenwerte

Lineare Algebra: Determinanten und Eigenwerte : und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b

Mehr

Kapitel IV. Determinanten

Kapitel IV. Determinanten Inhalt der Vorlesung LAAG I Prof Dr Arno Fehm TU Dresden WS2017/18 Kapitel IV Determinanten In diesem ganzen Kapitel sei K ein Körper und R ein kommutativer Ring mit Einselement 1 Das Vorzeichen einer

Mehr

Kapitel 4. Multilineare Algebra. 4.1 Determinantenfunktionen

Kapitel 4. Multilineare Algebra. 4.1 Determinantenfunktionen 92 Kapitel 4 Multilineare Algebra 4. Determinantenfunktionen Wir fixieren wieder einen Körper K, etwa IR oder C. Aus dem Vorkurs kennen wir das Spatprodukt dreier Vektoren des IR 3 v 3 v 2 λ v Sind v,

Mehr

6.2 Rechnen mit Matrizen

6.2 Rechnen mit Matrizen 62 Rechnen mit Matrizen 62 Rechnen mit Matrizen 103 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

3.5 Duale Vektorräume und Abbildungen

3.5 Duale Vektorräume und Abbildungen 3.5. DUALE VEKTORRÄUME UND ABBILDUNGEN 103 3.5 Duale Vektorräume und Abbildungen Wir wollen im Folgenden auch geometrische Zusammenhänge mathematisch beschreiben und beginnen deshalb jetzt mit der Einführung

Mehr

Determinanten - II. Falls n = 1, gibt es offenbar nur die identische Permutation, und für eine 1 1 Matrix A = (a) gilt det A = a.

Determinanten - II. Falls n = 1, gibt es offenbar nur die identische Permutation, und für eine 1 1 Matrix A = (a) gilt det A = a. Determinanten - II. Berechnung von Determinanten Wir erinnern, dass für A M(n n; K) gilt : det A = σ S n signσ a σ() a 2σ(2)...a nσ(n). Falls n =, gibt es offenbar nur die identische Permutation, und für

Mehr

5.2 Rechnen mit Matrizen

5.2 Rechnen mit Matrizen 52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 95 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

Kapitel 17. Determinanten

Kapitel 17. Determinanten Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n

Mehr

a 21 a 22 a 21 a 22 = a 11a 22 a 21 a 12. Nun zur Denition und Berechnung von n n-determinanten: ( ) a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 A =

a 21 a 22 a 21 a 22 = a 11a 22 a 21 a 12. Nun zur Denition und Berechnung von n n-determinanten: ( ) a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 A = 3 Determinanten Man bestimmt Determinanten nur von quadratischen Matrizen Wir werden die Berechnung von Determinanten rekursiv durchfuhren, dh wir denieren wie man eine 2 2-Determinante berechnet und fuhren

Mehr

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema: Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag

Mehr

14 Determinanten. 70 II. Lineare Gleichungssysteme. a b c d

14 Determinanten. 70 II. Lineare Gleichungssysteme. a b c d 70 II. Lineare Gleichungssysteme 14 Determinanten Aufgabe: Zeigen Sie, daß die Regularität einer quadratischen Matrix stabil gegen kleine Störungen ist: Es sei A K n n regulär. Finden Sie δ > 0, so daß

Mehr

)=(2 1 ( 2) 2) ( ) = 12 (Blockmatrix-Regel) Jede Zeile passend mit 1. Zeile addieren. Zeilentausch, 2. Zeile

)=(2 1 ( 2) 2) ( ) = 12 (Blockmatrix-Regel) Jede Zeile passend mit 1. Zeile addieren. Zeilentausch, 2. Zeile Lineare Algebra Prof. Dr. R. Dahlhaus Dr. S. Richter, N. Phandoidaen Wintersemester 28/29 3. Präsenzblatt Lösungen Aufgabe P49 (erechnung von Determinanten). Sei n 2 N, n 2. Gegeben seien folgende Matrizen

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte und Diagonalisierung Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende

Mehr

5.4 Basis, Lineare Abhängigkeit

5.4 Basis, Lineare Abhängigkeit die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)

Mehr

$Id: det.tex,v /01/13 14:27:14 hk Exp $ 8.2 Definition und Grundeigenschaften der Determinante D 2. oder A = D r

$Id: det.tex,v /01/13 14:27:14 hk Exp $ 8.2 Definition und Grundeigenschaften der Determinante D 2. oder A = D r $Id: dettex,v 126 2017/01/13 14:27:14 hk Exp $ 8 Determinanten 82 Definition und Grundeigenschaften der Determinante In der letzten Sitzung haben wir die Determinante einer allgemeinen n n-matrix definiert

Mehr

LINEARE ALGEBRA II. FÜR PHYSIKER

LINEARE ALGEBRA II. FÜR PHYSIKER LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders

Mehr

Definition Sei R ein kommutativer Ring mit multiplikativ neutralem Element 1. Eine Abbildung D : R (n,n) R heißt n-linear, wenn gilt

Definition Sei R ein kommutativer Ring mit multiplikativ neutralem Element 1. Eine Abbildung D : R (n,n) R heißt n-linear, wenn gilt Kapitel 5 Determinanten 51 Definition und Existenz Definition 511 Sei R ein kommutativer Ring mit multiplikativ neutralem Element 1 Eine Abbildung D : R (n,n) R heißt n-linear, wenn gilt [D1] D ist linear

Mehr

Ferienkurs Mathematik für Physiker I Skript Teil 3 ( )

Ferienkurs Mathematik für Physiker I Skript Teil 3 ( ) Ferienkurs Mathematik für Physiker I WS 2016/17 Ferienkurs Mathematik für Physiker I Skript Teil 3 (29032017) 1 Lineare Gleichungssysteme Oft hat man es in der Physik mit unbekannten Größen zu tun, für

Mehr

Heinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,

Heinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche, Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat

Mehr

Aufgaben zur linearen Algebra und analytischen Geometrie I

Aufgaben zur linearen Algebra und analytischen Geometrie I Aufgaben zur linearen Algebra und analytischen Geometrie I Es werden folgende Themen behandelt:. Formale und logische Grundlagen 2. Algebraische Grundlagen 3. Vektorräume und LGS 4. Homomorphismen und

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

3 Lineare Algebra Vektorräume

3 Lineare Algebra Vektorräume 3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +

Mehr

Lineare Algebra Weihnachtszettel

Lineare Algebra Weihnachtszettel Lineare Algebra Weihnachtszettel 0..08 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet

Mehr

1 Transponieren, Diagonal- und Dreiecksmatrizen

1 Transponieren, Diagonal- und Dreiecksmatrizen Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix

Mehr

Lineare Gleichungssysteme und Matrizen

Lineare Gleichungssysteme und Matrizen Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg.

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg. Übungsaufgaben 13. Übung: Woche vom 23. 1.-27. 1. 2017 (Lin.Alg. II): Heft Ü 3: 1.1.3; 1.1.7 (a,b); 1.1.8; 1.1.11; 3.4.3 (b); 1.3.3 (c); 1.2.3 (b,d); Hinweis 1: 3. Test (Integration, analyt. Geom.) ist

Mehr

, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.

, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }. 154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =

Mehr

BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2

BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2 Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Mathematik I. Vorlesung 14. Rang von Matrizen

Mathematik I. Vorlesung 14. Rang von Matrizen Prof Dr H Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 14 Rang von Matrizen Definition 141 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von den Spalten

Mehr

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Klausur: voraussichtlich Mittwoch,

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Klausur: voraussichtlich Mittwoch, Lineare Algebra I - 2. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Klausur: voraussichtlich Mittwoch, 4.2. 4:3 Uhr, A3 A 2 Mat(n, n; K) Dann ist 7 A : Mat(n, ; K)! Mat(n, ; K) b! A b ein Endomorphismus.

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

Wir lernen nun einen ganz wichtigen Ring kennen, den Polynomring: γ i = α j β k.

Wir lernen nun einen ganz wichtigen Ring kennen, den Polynomring: γ i = α j β k. 2.4 Polynomringe Wir lernen nun einen ganz wichtigen Ring kennen, den Polynomring: Definition 2.56. Sei R ein kommutativer Ring mit 1 (in den meisten Fällen wird R ein Körper sein). Wir betrachten die

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung 43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder

Mehr

Serie 8: Fakultativer Online-Test

Serie 8: Fakultativer Online-Test Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung

Mehr

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V. Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.3 Ergänzungen

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.3 Ergänzungen Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 83 Ergänzungen wwwmathethzch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas

Mehr

3 Matrizenrechnung. 3. November

3 Matrizenrechnung. 3. November 3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige

Mehr

Mathematik für Anwender I

Mathematik für Anwender I Prof Dr H Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 11 Rang von Matrizen Definition 111 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von

Mehr

3 Matrizen und Lineare Gleichungssysteme

3 Matrizen und Lineare Gleichungssysteme 3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

4 Letzte Themen der linearen Algebra

4 Letzte Themen der linearen Algebra 4 Letzte Themen der linearen Algebra 4.1 Ergänzungen zum Matrizenkalkül Sind A, B Matrizen über Ã, für die das Produkt AB erklärt ist, so gilt (AB) T = B T A T. Mit C = AB gilt c ij = k a ik b kj c T ij

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

3 Determinanten, Eigenwerte, Normalformen

3 Determinanten, Eigenwerte, Normalformen Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses

Mehr

Kapitel 3 Lineare Algebra

Kapitel 3 Lineare Algebra Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Invertierung von Matrizen und Multilinearformen

TECHNISCHE UNIVERSITÄT MÜNCHEN. Invertierung von Matrizen und Multilinearformen TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof Dr Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 2006/07 en Blatt 3 2902007 Invertierung von Matrizen und Multilinearformen Zentralübungsaufgaben

Mehr

7 Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme Gauß-Algorithmus Anwendungen Determinanten

7 Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme Gauß-Algorithmus Anwendungen Determinanten 7 Lineare Gleichungssysteme und Determinanten Lineare Gleichungssysteme Gauß-Algorithmus Anwendungen Determinanten 7.1 Dreiecks- und Diagonalmatrizen Linke untere bzw. rechte obere Dreiecksmatrizen sind

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse

Mehr

a a a a a a a a a a a a a a a

a a a a a a a a a a a a a a a 7 Lineare lgebra 7.1 Matrizen a a a k a a a a a a a a a a a a a 11 12 1 1n 21 22 2k 2n i1 i2 in m1 m2 mk mn i-te Zeile m Zeilen n Spalten k-te Spalte a : Matrixelement i 1,2,...,m k 1,2,...,n i: Zeilenindex

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Arbeitsblatt 16 Die Pausenaufgabe Aufgabe 161 Zeige, dass zu einem K-Vektorraum V mit Dualraum V die Auswertungsabbildung

Mehr

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom

K. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch

Mehr

IV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen

IV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit

Mehr

2.9. DER DUALRAUM 115

2.9. DER DUALRAUM 115 2.9. DER DUALRAUM 115 Abbildungsmatrizen und die duale Abbildung Seien nun V und W endlich-dimensionale K-Vektorräume. Wir fixieren Basen b 1,..., b n von V und c 1,...,c m von W. Seien X 1,..., X n und

Mehr

Klausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.

Klausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren

Mehr

10.2 Linearkombinationen

10.2 Linearkombinationen 147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)

Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) 1 Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 14: Vektorräume und lineare Abbildungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 6. Oktober 2009) Vektorräume

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit

Mehr