KAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.

Ähnliche Dokumente
6 Eigenwerte und Eigenvektoren

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Lineare Abbildungen und Darstellungsmatrizen

Eigenwerte und Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung

5. Übung zur Linearen Algebra II -

Proseminar Lineare Algebra II, SS 11. Blatt

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II 6. Übungsblatt

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Lineare Algebra und analytische Geometrie I

Musterlösungen zur Linearen Algebra II Übungsklausur

Eigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)

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

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

4 Eigenwerte und Eigenvektoren

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.

Lineare Algebra und analytische Geometrie II

3.3 Das charakteristische Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Lineare Algebra: Determinanten und Eigenwerte

Lineare Algebra II. Inhalt und Begriffe. Lineare Algebra II p. 1

Lineare Algebra II 8. Übungsblatt

Kapitel 11. Bilinearformen über beliebigen Bilinearformen

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

Klausur Lineare Algebra I & II

11 Normalformen von Matrizen

45 Eigenwerte und Eigenvektoren

MC-Serie 11: Eigenwerte

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

6 Hauptachsentransformation

Lineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Lineare Algebra II 12. Übungsblatt

Leitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

4 Lineare Abbildungen Basisdarstellungen

Lineare Schieberegisterfolgen

1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von

Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

6 Symmetrische Matrizen und quadratische Formen

von F bezüglich B eine obere Dreiecksmatrix ist, dh λ λ n x

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar.

Erweiterte Koordinaten

Kapitel 5. Endomorphismen von Vektorräumen. 5.3 Nilpotente Endomorphismen

Musterlösungen zur Linearen Algebra II Blatt 5

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra

Ringe. Kapitel Einheiten

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

Übungen zu Lineare Algebra und Geometrie 1

Kapitel 5. Endomorphismen von Vektorräumen. 5.4 Die jordansche Normalform

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung

Lineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin:

(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F.

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Lineare Algebra II 5. Übungsblatt

Trigonalisierung einer Matrix Version ( )

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.

Klausurvorbereitungsblatt Lineare Algebra

6 Symmetrische Matrizen und quadratische Formen

Stichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016

Einführung in die Algebra

Übungen zu Lineare Algebra und Geometrie für LAK

9 Vektorräume mit Skalarprodukt

Lineare Algebra Weihnachtszettel

Rückblick auf die letzte Vorlesung

Übungen zur Linearen Algebra 1

Sesqui- und Bilinearformen

Diagonalisieren. Nikolai Nowaczyk Lars Wallenborn

Mathematik für Informatiker II

Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops

Vektorräume. Kapitel Definition und Beispiele

Skript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels

Lineare Algebra 2 SS Übungsaufgaben 1.

Lineare Abbildungen. i=0 c ix i n. K n K m

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

Lineare Algebra II. Prof. Dr. Peter Müller

Lineare Algebra II. Sommersemester Wolfgang Ebeling

Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 4

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß

Copyright, Page 1 of 5 Die Determinante

i) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.

5 Lineare Abbildungen

3.6 Eigenwerte und Eigenvektoren

Musterlösung Klausur zur Linearen Algebra II

Definition 1.2. Eine kontinuierliche Gruppe mit einer endlichen Menge an Parametern heißt endliche kontinuierliche Gruppe. x cosξ sinξ y sinξ cosξ

Lineare Algebra I Zusammenfassung

Mat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1

40 Lokale Extrema und Taylor-Formel

Euklidische und unitäre Vektorräume

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG

Übungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr.

Transkript:

KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix und die Matrizen A,B,C,D Blöcke von X. Analog kann man Matrizen mit beliebig vielen Blöcken definieren, sofern die entsprechenden Größen der Matrizen zusammenpassen. Satz 8.2 (Produkt von Blockmatrizen). Es seien ( ) ( A B X = K (m 1+m 2 ) (n 1 +n 2 ) K L und Y = C D M N Blockmatrizen mit ) K (n 1+n 2 ) (p 1 +p 2 ) und dann ist A K m 1 n 1,B K m 1 n 2,C K m 2 n 1,D K m 2 n 2 K K n 1 p 1,L K n 1 p 2,M K n 2 p 1,N K n 2 p 2. XY = ( AK +BM AL+BN CK +DM CL+DN ) K (m 1+m 2 ) (p 1 +p 2 ). Satz 8.3 (Eigenschaften von quadratischen oberen Dreiecksblockmatrizen). Es sei ( ) A B X = K n n 0 C eine quadratische Blockmatrix mit Blöcken und Dann gilt: A K n 1 n 1,B K n 1 n 2,C K n 2 n 2 0 = 0... 0.. 0... 0 K n 2 n 1. a) X ist invertierbar, genau dann wenn A und C invertierbar sind. 34

b) Falls X invertierbar ist, gilt ( X 1 A 1 A 1 BC 1 ) = 0 C 1 c) e) d) det(x) = det(a) det(c) χ X = χ A χ C Spektrum(X) = Spektrum(A) Spektrum(C) Korollar 8.4. Für obere Dreiecksmatrizen D = (d i,j ) i,j=1,...,n mit d i,j = 0 falls i > j gilt a) det(d) = n i=1 d i,i b) Spektrum(D) = {d 1,1,...,d n,n }.

2. Invariante Unterräume Definition 8.5. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Einen Unterraum U von V nennt man eine f-invarianten Unterraum, falls f(u) U. Ist A K n n so nennt man einen Unterraum U K n einen A- invarianten Unterraum, falls AU := {Au u U} U. Definition 8.6. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Ist x V, so nennt man den Unterraum Z x (f) := span{x,f(x),f 2 (x),...} V den zyklischen Unterraum von f bezüglich x V. Bemerkung: Jeder zyklische Unterraum von f ist f-invariant. Definition 8.7. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Ist λ K ein Eigenwert von f, so nennt man Eig λ (f) = Kern(λ id f) = {x V f(x) = λx} den Eigenraum von f zum Eigenwert λ. Bemerkung: Jeder Eigenraum von f ist f-invariant. Satz 8.8. Sind λ 1 und λ 2 zwei unterschiedliche Eigenwerte eines Endomorphismus f : V V, so ist Eig λ1 (f) Eig λ2 (f) = {0}. Definition 8.9. Es sei V ein endlich dimensionaler Vektorraum. Und f : V V ein Endomorphismus. Nach Satz 7.8 und 7.16 lässt sich das charakteristische Polynom χ f in der Form χ f (t) = (λ 1 t) a 1...(λ k t) a k q(x) zerlegen, wobei λ 1,...,λ k die verschiedenen Eigenwerte von f sind und q ein Polynom ohne Nullstellen ist. a) Die Zahl a i nennt man algebraische Vielfachheit des Eigenwerts λ i. b) Die Zahl dimeig λi (f) nennt man geometrische Vielfachheit des Eigenwertes λ i. Satz 8.10. Es sei V ein endlich dimensionaler Vektorraum. Für jeden endomorphismus f : V V gilt: Die geometrische Vielfachheit eines Eigenwertes ist kleiner oder gleich der algebraischen Vielfachheit. Lemma 8.11. Es sei V ein endlich dimensionaler Vektorraum. Ist λ ein Eigenwert eines Endomorphismus f : V V und Eig λ (f) der zugehörige Eigenraum. Für die Abbildung f : Eig λ (f) Eig λ (f), x f(x) gilt: a) χ f = (t λ) g mit g = dimeig λ (f) b) χ f ist ein Teiler von χ f.

3. Diagonalisierbarkeit Definition 8.12. Es sei V ein endlich dimensionaler Vektorraum. Einen Endomorphismus f : V V nennt man diagonalisierbar, falls es eine Basis B von V gibt, so dass die Darstellungsmatrix von f bezüglich B eine Diagonalmatrix ist. Eine quadratische Matrix A K n n nennt man diagonalsierbar, falls sie ähnlich zu einer Diagonalmatrix ist. Satz 8.13. Es sei V ein endlichdimensionaler Vektorraum. Ein Endomorphismus f : V V ist genau dann diagonalisierbar, wenn die Darstellungsmatrix von f bezüglich irgendeiner Basis diagonalisierbar ist. Satz 8.14. Es sei V ein endlich dimensionaler Vektorraum. Ein Endomorphismus f : V V ist genau dann diagonalisierbar, wenn V eine Basis bestehend aus Eigenvektoren von f besitzt. Eine Matrix A K n n ist genau dann diagonalsierbar, wenn K n eine Basis aus Eigenvektoren von A besitzt. Korollar 8.15. Es sei V ein Vektorraumm der Dimension n N. Zu einem Endomorphismus f : V V bezeichne λ 1,...,λ k K die verschiedenen Eigenwerte, Eig λ1 (f),...,eig λk (f) die entsprechenden Eigenräume und g 1,...,g k die entsprechenden geometrischen Vielfachheiten. a) Äquivalent sind: (i) f ist diagonalisierbar (ii) Eig λ1 (f)+ +Eig λk (f) = V (iii) k j=1 g j = dim(v) b) Hat f n verschiedene Eigenwerte, dann ist f diagonalisierbar. c) Ist f diagonalisierbar, so ist für jeden Eigenwert die algebraische Vilefachheit gleich der geometrischen Vielfachheit.

4. Nilpotente Endomorphismen Definition 8.16. Es sei V ein Vektorraum. Einen Endomorphismus f : V V nennt man nilpotent, falls es ein k N gibt, so dass f k die Nullabbildung ist. Eine Matrix A K n n nennt man nilpotent, wann es ein k N gibt, so dass A k = 0 ist. Lemma 8.17. Ist der Endomorphismus f : V V nilpotent, so ist 0 der einzige Eigenwert von f. Satz 8.18. Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Dann sind äquivalent: a) f ist nilpotent b) Das Minimalpolynom von f ist ein Monom c) Es gibt eine Basis von V bezüglich derer die Darstellungsmatrix von f eine oberer Dreiecksmatrix ist deren Diagonalelemente alle 0 sind. Lemma 8.19. Es seien A,B K n n Matrizen welche AB = BA erfüllen. Es gilt: a) (A+B) n = n k=0 ( ) n A k B n k. k b) Ist B nilpotent, so ist auch AB nilpotent. c) Sind A und B nilpotent, so ist auch A+B nilpotent. Satz 8.20. Es sei K ein Körper mit unendlich vielen Elementen. Es seien A,N K n n, N nilpotent und AN = NA, dann gilt χ A = χ A+N.

5. Das Lemma von Bezout (für Polynome) Definition 8.21. Es seien p und q Polynome mit Koeffizienten aus einem Körper K. a) p ist ein Teiler von q, falls es ein r K[x] gibt, so dass pr = q ist. In diesem Fall sagt man auch q ist ein Vielfaches von p. b) p und q heißen teilerfremnd, fall aus r teilt p und r teilt q folgt, dass r konstant ist. c) p heißt irreduzibel, wenn aus p = qr folgt, dass q oder r konstant ist. Lemma 8.22. Ist p K[x] irreduzibel und teilt p das Produkt fg für f,g K[x], so teilt p mindestens eines der beiden Polynome f,g. Satz 8.23. Jedes nichtkonstante normierte Polynom p K[x] kann auf (bis auf Reihenfolge) eindeutige Weise als Produkt normierter irreduzibler Polynome dargestellt werden. Definition 8.24. Es seien p,q K[x] Polynome mit p 0 und q 0. Das Polynom t heißt größter gemeinsame Teiler ( ggt(p,q)) von p und q, falls jeder andere gemeinsame Teiler von p und q ein Teiler von t ist. Lemma 8.25 (Bezout). Sind f,g K[x] teilerfremnd, so gibt es q 1,q 2 K[x], so dass fq 1 +gq 2 = 1 ist.

6. Zerlegung in f invariante Unterräume Lemma 8.26. Es sei V ein Vektorraum und f : V V ein Endomorphismus. a) Für jedes Polynom p K[x] ist Bild(p(f)) und Kern(p(f)) f- invariant. b) Sind p und q Polynome und ist p ein Teiler von q, so ist Kern(p(f)) Kern(q(f)). Satz 8.27. Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Das Minimalpolynom m f sei das Produkt zweier normierter, nichtkonstanter, teilerfremnden Polynome r und s. dann gilt: a) Die Unterräume U := Bild(r(f)) und W := Bild(s(f)) sind beide f-invariant. b) Es gilt V = U W. c) Es gilt U = Kern(s(f)) und W = Kern(r(f)) Satz 8.28. Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Weiter sei m f = p a 1 1 pa 2 2...pa k k eine Zerlegung des Minimalpolynoms in normierte, irreduzible paarweise verschiedene Faktoren p 1. a) As gilt: V = Kern(p 1 (f) a 1 ) Kern(p 2 (f) a 2 ) Kern(p k (f) a k ). b) Es gibt eine Basis von V, so dass die Darstellungsmatrix von f bezüglich dieser Basis eine Blockmatrix mit Blöcken A 1 K d 1 d 1,..., A k K d k d k mit d i = dimkern(p i (f) a i ) ist. Korollar 8.29. a) Es sei dim(v) = n < und f : V V ein Endomorphismus. Es seien q 1,q 2,...q k die irreduziblen normierten nichtkonstanten Faktoren des Minimalpolynoms m f, also m f = q a 1 1...q a k k mit a 1,...,a k N. Dann gibt es eine Basis von V bezüglich derer die Darstellungsmatrix von f eine Blockdiagonalmatrix, mit quadratischen Blöcken A 1,A 2,...A k ist. Hier bei ist A i K d i d i mit d i = dimkern(q 1 (f) a 1 ). b) Es sei A K n n. Es seien q 1,q 2,...q k die irreduziblen normierten nichtkonstanten Faktoren des Minimalpolynoms m f, also m f = q a 1 1...q a k k mit a 1,...,a k N. Dann gibt es ein T GL n (K) und eine Blockdiagonalmatrix, so dass A = TBT 1 ist. Für die quadratischen Blöcke A i K d i d i gilt d i = dimkern(q 1 (A) a 1 ).

7. Die Jordan Normalform I Satz 8.30. Es sei K ein Körper mit unendlich vielen Elementen, V ein endlich dimensionaler Vektorraum über K und f ein Endomorphismus mit linear zerfallendem charakteristischem Polynom k χ f (x) = (x λ j ) m j. j=1 Die λ j K sind hierbei die verschiedenen Eigenwerte von f (die m j also die algebraischen Vielfachheiten) Dann gibt es eine Basis von V, so dass die Darstellungsmatrix von f eine Blockdiagonalmatrix A 1 A 2... Ak mit A j = λ j E + N j K m j m j und N j nilpotent ist für die alle Einträge n l,s mit l s Null sind. Korollar 8.31. Es sei K ein Körper mit unendlich vielen Elementen und A K n n. Dann sind äquivalent: (i) Das charakteristische Polynom von A zerfällt linear (ii) A ist ähnlich zu einer oberen Dreiecksmatrix Lemma 8.32. Es seien M K p p und N K q q nilpotent. Dann gibt es zu jedem C K p q genau ein X K p q, so dass X = MX XN +C.

8. Die Jordan Normnalform II Satz 8.33. Es sei K ein Körper mit unendlich vielen Elementen, V ein Endlichdimensionaler Vektorraum und f : V V ein Endomorphismus. das Charakteristische Polynom von f sei linear zerfallend, d.h. χ f (x) = k (x λ j ) m j, λ i λ j falls i j. j=1 Dann gibt es eine Basis von f, so dass die Darstellungsmatrix von f Blockdiagonalmatrix A 1 A 2 A =, A j K m j m j... Ak ist. Jeder Block A j korrespondiert zum Eigenwert λ j und hat wieder Blockdiagonalgesatlt B j,1 B j,2..., B j,i K d i d i Bj,gj mit Blöcken der Form λ 1 0 ( ) λ 1...... (λ),,... 0 0 λ... 1 Kd i d i. λ Lemma 8.34. Ist V ein endlich dimensionaler Vektorraum, und ist f : V V ein nilpotenter Endomorphismus, so gibt es zyklische Unterräume Z x1 (f),...,z xk (f), so dass V = Z x1 (f) Z xk (f). Lemma 8.35. Ist V ein endlich dimensionaler Vektorraum, f : V V ein Endomorphismus, und V zyklisch (also V = Z x (f) für ein x V). Dann gibt es eine Basis von V, so dass die Darstellungsmatrix von V die Form 0 1 0 0... 0... 1 0 hat. Bemerkung: Haben A K n n und à Kn n die selbe Jordan Normalform (bis auf Vertauschung der Blöcke) so sind A und à ähnlich zueinander.

9. Die Jordan Normalform III Satz 8.36. Es sei K ein Körper mit unendlich vielen Elementen. a) Es sei V ein endlich dimensionaler Vektorraum über K und f : V V ein Endomorphismus mit charakteristischem Polynom χ f (t) = k j=1 (t λ j) m j. Die Jordan Normalform von f ist bis auf Vertauschung der Blöcke eindeutig. b) Sind A K n n und à Kn n ähnlich und haben A wie à jeweils ein charakteristisches Polynom welches in lineare Faktoren zerfällt, dann haben sie bis auf Vertauschung der Blöcke die selbe Jordan Normalform. Bemerkung: Mit den Bezeichungen aus Satz 8.33 folgt: a) g i (also die Anzahl der Blöcke B j i) ist die geometrische Vielfachheit. b) Ist m f (x) = k j=1 (x λ j) s j das Minimalpolynom von f, so ist s j = max{d 1,...,d gj }.