Cramersche Regel. Satz 2.26

Ähnliche Dokumente
Cramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...

5 Lineare Gleichungssysteme und Determinanten

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten

Lineare Gleichungssysteme und Matrizen

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR

Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)

1 Matrizenrechnung zweiter Teil

LR Zerlegung. Michael Sagraloff

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Matrizenrechnung. 3. November

Lineare Algebra und analytische Geometrie I

9 Determinanten. ax = b, so ist dies genau dann lösbar, wenn a 6= 0gilt. Daher definiert man als Determinante

37 Gauß-Algorithmus und lineare Gleichungssysteme

Kapitel 2: Lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

Lineare Algebra I (WS 12/13)

1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen

05. Lineare Gleichungssysteme

3 Lineare Algebra Vektorräume

Lineare Gleichungssysteme: direkte Verfahren

8.2 Invertierbare Matrizen

Lineare Gleichungssysteme, LR-Zerlegung

4 Lineare Abbildungen und Matrizen

Lineare Algebra I (WS 12/13)

36 2 Lineare Algebra

1 Transponieren, Diagonal- und Dreiecksmatrizen

In diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen.

Besteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)

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

Copyright, Page 1 of 5 Die Determinante

Lineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching

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)

3 Determinanten, Eigenwerte, Normalformen

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

Multiplikationen und Divisionen Hauptarbeit des Algorithmus liegt somit in der Berechnung der LR-Zerlegung. (n 1)n(2n 1) 6. = n3 3 n2.

Mathematik für Naturwissenschaftler II SS 2010

Lineare Programmierung

Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix

Determinanten. I. Permutationen

9.2 Invertierbare Matrizen

Ecken des Zuordnungsproblems

Spezielle Matrixformen

4 Vorlesung: Matrix und Determinante

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

Lineare Algebra 1. Roger Burkhardt

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Matrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.

Kapitel 16. Invertierbare Matrizen

( ) Lineare Gleichungssysteme

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Vektoren und Matrizen

, c d. f + e + d. ae + bg a f + bh. ce + dg c f + dh

Lineare Gleichungssysteme - Grundlagen

Direkte Verfahren für Lineare Gleichungssysteme

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

Serie 8: Fakultativer Online-Test

Basistext Determinanten

3 Matrizen und Lineare Gleichungssysteme

Lineare Algebra. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching

(Allgemeine) Vektorräume (Teschl/Teschl 9)

Matrizen - I. Sei K ein Körper. Ein rechteckiges Schema A = wobei a ij K heißt Matrix bzw. eine m n Matrix (mit Elementen aus K).

Hilfsblätter Lineare Algebra

Lineare Algebra. Teil III. Inhaltsangabe

9 Lineare Gleichungssysteme

7 Matrizen über R und C

Lineare Gleichungssysteme

Chr.Nelius : Lineare Algebra II (SS 2005) 1. Wir wollen hier eine Beschreibung des Gauß-Algorithmus mit Hilfe der sog. Elementarmatrizen vornehmen.

Matrizen und Determinanten

Vorlesung bzw. 23. Januar Determinanten 1. Cramersche Regel

Direkte Verfahren zur Lösung linearer Gleichungssysteme

Serie 10: Inverse Matrix und Determinante

Bundeswehrfachschule München

Linear Systems and Least Squares

Erweiterungen der LR-Zerlegung

17. Das Gauß-Verfahren

3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit

Lineare Gleichungssysteme

Lineare Gleichungssysteme

täglich einmal Scilab!

Lösbarkeit linearer Gleichungssysteme

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten

Matrizen Matrizen

Vektorräume und Rang einer Matrix

Lineare Algebra I Zusammenfassung

Ausgewählte Lösungen zu den Übungsblättern 4-5

2.5 Gauß-Jordan-Verfahren

Kapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49

Kapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49

Kapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;

Matrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I

2 Matrizenrechnung und Lineare Gleichungssysteme

Rechenaufwand der LR- und LDL T - Zerlegung

Kapitel III. Matrizen und lineare Gleichungssysteme. Inhalt: 10. Matrizen 11. Lineare Gleichungssysteme 12. Der Gauß-Algorithmus

3 Systeme linearer Gleichungen

Einheitsmatrix E = , Nullmatrix O = c c Diagonalmatrix diag(c 1, c 2,..., c n ) = Rang

Geometrische Deutung linearer Abbildungen

TEIL II LINEARE ALGEBRA

Lineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching

Transkript:

ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor b ersetzt wird Dann gilt für die eindeutige Lösung x =(x j ) R n des Gleichungssystems Ax = b x j = det(a j) det(a) Peter ecker (H-RS) Operations Research I Sommersemester 5 9 / 98

eispiel 7 Wir betrachten das LGS aus eispiel 3 (a) Die Determinate det(a) = 6 haben wir bereits in eispiel berechnet det(a )=det 3 A =+ 6++ = @ det(a )=det det(a 3 )=det@ Daraus folgt @ 6 3 3 3 3 6 3 3 A =9 3 6+9+3 6=6 A = 6+ + 6 + 8 =6 x = 6 =, x = 6 6 =, x 3 = 6 6 = Peter ecker (H-RS) Operations Research I Sommersemester 5 93 / 98

eispiel 8 Java-Methode zur Lösung von LGS der Größe 3 3, siehe Homepage Peter ecker (H-RS) Operations Research I Sommersemester 5 94 / 98

Gaußsches Eliminationsverfahren eispiel 9 4x + x + x 3 = x + 6x + x 3 = 4 x + x + 8x 3 = =) () () (3) 4 () =) (3) () 4x + x + x 3 = 5x + x 3 = 3 x + 3 4 x 3 = 4x + x + x 3 = 5x + x 3 = 3 77 x 3 = 5 Peter ecker (H-RS) Operations Research I Sommersemester 5 95 / 98

Fortsetzung eispiel Daraus ergibt sich x 3 = 77 x = 5 (3 77 )=46 77 x = 46 ( 4 77 77 )=5 77 Peter ecker (H-RS) Operations Research I Sommersemester 5 96 / 98

Pivotisierung Für a, b R mit a groß und b klein ist die erechnung von a b schlecht konditioniert, dh ein Rundungsfehler bei der Darstellung von b wird verstärkt Deshalb: Pivotisierung durch Zeilenvertauschung Für die verbleibenden Zeilen sucht man in der zu bearbeitenden Spalte nach dem betragsgrößten Element (Pivotelement) und führt eine Zeilenvertauschung durch Die Zeile, die das Pivotelement enthält, heißt Pivotzeile emerkung: In eispiel 9 war keine Pivotisierung erforderlich Peter ecker (H-RS) Operations Research I Sommersemester 5 97 / 98

Gaußscher Algorithmus Äquivalente Umformungen eines LGS: Addition des Vielfachen einer Zeile (Gleichung) zu einer anderen, Vertauschung von Zeilen (Gleichungen), Multiplikation einer Zeile (Gleichung) mit einer Zahl ungleich null emerkung: Wir wollen mit dem Gaußschen Algorithmus auch r(a) bzwr(a b) bestimmen Deshalb schränken wir A nicht weiter ein, insbesondere sind auch Nullspalten und nicht-quadratische Matrizen zugelassen Peter ecker (H-RS) Operations Research I Sommersemester 5 98 / 98

Algorithmus 3 Initialisiere den Zeilenzähler k = Suche nach der ersten Spalte j mit (a kj,,a mj ) 6= und tausche die Pivotzeile mit der k-ten Zeile Anschließend ist a kj das Kopfelement der k-ten Zeile 3 Für i = k +,,m: Durch a i := a i a ij a kj a k Nullen unter dem Kopfelement a kj erzeugen 4 Falls k < m, dannk := k +und weiter mit Ansonsten weiter mit 5 5 Dividiere alle Nicht-Null-Zeilen durch deren Kopfelement Peter ecker (H-RS) Operations Research I Sommersemester 5 99 / 98

Zeilen-Stufen-Form @ # b # b # b 3 # b r b r+ b m A # Kopfelement, beliebige Zahlen r(a) =r(a b) =r gdw b r+ = = b m = Peter ecker (H-RS) Operations Research I Sommersemester 5 / 98

eispiel 3 Wir betrachten das LGS x + 4x 8x 3 + 6x 4 + x 5 = 4 x + x 3x 3 + 6x 4 + x 5 = 6 x + x x 3 + 7x 4 + x 5 = 9 3x + 6x 6x 3 + x 4 + 3x 5 = 7 Mit dem Gaußschen Algorithmus ergibt sich 4 8 6 4 3 6 6 @ 7 9 A =) @ 3 6 6 3 7 4 8 6 4 3 4 4 7 6 A Peter ecker (H-RS) Operations Research I Sommersemester 5 / 98

Fortsetzung eispiel =) @ 4 8 6 4 3 4 6 6 3 A =) @ 4 8 6 4 3 4 - Die eingerahmten Elemente sind die Kopfelemente Nicht-Kopfspalten sind die Spalten und 5, so dass wir x = s und x 5 = t als freie Parameter wählen Damit ergibt sich A x 4 x 5 =, x 4 = ( t) = t x 3 +3x 4 + x 5 =4, x 3 =4 3( t) t = 5 +t Peter ecker (H-RS) Operations Research I Sommersemester 5 / 98

Fortsetzung eispiel x +4x 8x 3 +6x 4 +x 5 =4 also x = @ s + t s 5 +t t t, x = (4 4s + + 6t 3+6t t) = A = @ s + t 5 A + s @ A + t @ A s, t R Peter ecker (H-RS) Operations Research I Sommersemester 5 3 / 98

Gaußscher Algorithmus für reguläre Matrizen Für eine quadratische Matrix A R n n mit det(a) 6= (eine sogenannte reguläre Matrix) entsteht beim Gaußalgorithmus ein Dreiecksschema @ a, a, a,n a,n b a, a,n a,n b a 3,n a 3,n b 3 a n,n b n mit a k,k 6=für k =,,n Daraus ergeben sich die Lösungen A x k = b k P n j=k+ a k,jx j a k,k für k = n,, Peter ecker (H-RS) Operations Research I Sommersemester 5 4 / 98

LR-Zerlegung Die beiden Operationen (a) Addition des Vielfachen einer Zeile zu einer anderen und (b) Vertauschung von Zeilen entsprechen der Multiplikation von A mit sogenannten Elementarmatrizen Alle Elementarmatrizen von Operation (a) zusammen ergeben eine untere Dreiecksmatrix L, das Ergebnis ist eine obere Dreiecksmatrix R In diesem Fall gilt daher L A = R bzw A = LR Dies ist die sogenannte LR-Zerlegung Peter ecker (H-RS) Operations Research I Sommersemester 5 5 / 98

LR-Zerlegung mit Pivotisierung Nutzt man zusätzlich Pivotisierung, kann dies durch eine Matrix P ausgedrückt werden Es gilt dann L PA = R bzw PA = LR Hierbei gilt det(l) =det(l )= det(p) =± det(r) = Q n i= r i,i womit det(a) einfach berechnet werden kann Peter ecker (H-RS) Operations Research I Sommersemester 5 6 / 98

Elementarmatrizen Definition 3 Die Elementarmatrix R k,l ( ) =(r ij ) R n n mit k 6= l ist definiert durch: 8 < für i = j r ij = für i = k und j = l : sonst eispiel 33 R, ( )= @ A, R 3, ( 4 )= @ 4 A Peter ecker (H-RS) Operations Research I Sommersemester 5 7 / 98

Wirkungsweise: R k,l ( ) A addiert das -fache der l-ten Zeile zu Zeile k A R k,l ( ) addiertdas -fache der k-ten Spalte zu Spalte l Eigenschaften: det(r k,l ( )) = Das Matrixprodukt von Elementarmatrizen R k,l ( ) mitk > l ist eine untere Dreiecksmatrix mit en auf der Hauptdiagonale Die Matrix L für die Zerlegung L A = R ensteht durch die Multiplikation von Elemantarmatrizen mit k, l und gemäß Gaußschem Algorithmus Es gilt (R k,l ( )) = R k,l ( ) Damit lässt sich die Matrix L sehr leicht bestimmen Peter ecker (H-RS) Operations Research I Sommersemester 5 8 / 98

eispiel 34 Zerlegung der Koe zientenmatrix A von eispiel 9: 4 4 R 3, ( ) R 3,( 4 ) R,( ) @ 6 A = @ 5 A 77 8 4 4, @ A @ 6 A = @ 5 A 77 5 8 Die linke Matrix ist die Matrix L der Zerlegung, die rechte Matrix die Matrix R Wegen det(l ) = folgt auch det(a) = ny i= r i,i =4 5 77 = 54 Peter ecker (H-RS) Operations Research I Sommersemester 5 9 / 98

Fortsetzung eispiel Weiterhin ergibt sich 4 A = @ 6 8 A = R, ( ) R 3,( 4 ) R 3,( ) @ = @ 4 {z } L 4 A @ 5 77 A {z } R 4 5 77 A emerkung: L muss nicht berechnet werden, sondern ergibt sich indirekt aus den beim Gauß-Algorithmus angewendeten Operationen negativer -Wert an Position k, l Peter ecker (H-RS) Operations Research I Sommersemester 5 / 98

Zusammenfassung Zusammenfassung Vektorraum als asisstruktur für erechnungen estimmung der Lösbarkeit von LGS mit Hilfe von r(a) bzwr(a b) Determinante und ramersche Regel für sehr kleine, eindeutig lösbare LGS Allgemeiner Lösungsalgorithmus: Gaußscher-Algorithmus LR-Zerlegung als Spezialfall des Gaußschen-Algorithmus für reguläre Matrizen Peter ecker (H-RS) Operations Research I Sommersemester 5 / 98