Die Treppennormalform

Ähnliche Dokumente
Mathematische Strukturen

Beispiel vor dem Beweis:

7 Die Determinante einer Matrix

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

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

3.3 Eigenwerte und Eigenräume, Diagonalisierung

Leitfaden Lineare Algebra: Determinanten

Lineare Abbildungen und Darstellungsmatrizen

Mathematik II Frühjahrssemester 2013

Lösung (die Geraden laufen parallel) oder unendlich viele Lösungen.

Vektorräume und Rang einer Matrix

Kapitel 17. Determinanten

Vorlesung bzw. 23. Januar Determinanten 1. Cramersche Regel

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

Lineare Gleichungssysteme

Lineare Algebra I: Eine Landkarte

2.2 Kern und Bild; Basiswechsel

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

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

Kap 5: Rang, Koordinatentransformationen

4.4. Rang und Inversion einer Matrix

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

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

2 Die Darstellung linearer Abbildungen durch Matrizen

Kapitel 15. Lösung linearer Gleichungssysteme

Lineare Algebra I Klausur. Klausur - Musterlösung

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

Anwendungen der Linearen Algebra

1 Rechnen mit 2 2 Matrizen

Musterlösungen zur Linearen Algebra II Blatt 5

Der Rang einer Matrix A. Beispiel

4 Lineare Algebra (Teil 2): Quadratische Matrizen

Spezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/

Musterlösung zur Klausur Lineare Algebra II für Lehramt

Serie 10: Inverse Matrix und Determinante

4 Vorlesung: Matrix und Determinante

Lösungen zum 3. Aufgabenblatt

Grammatiken. Einführung

Kapitel 12. Lineare Abbildungen und Matrizen

Kapitel III. Lineare Abbildungen

Kapitel V. Determinanten

WS 2009/10. Diskrete Strukturen

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen

2. Repräsentationen von Graphen in Computern

Lineare Algebra - alles was man wissen muß

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Das Kryptosystem von McEliece. auf der Basis von linearen Codes

Algorithmus zur Berechnung der Jordannormalform

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

Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen

Lineare Gleichungssysteme

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Lineare Gleichungssysteme

9.2 Invertierbare Matrizen

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008

Algorithmen II Vorlesung am

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen

Matrizen, Determinanten, lineare Gleichungssysteme

Surjektive, injektive und bijektive Funktionen.

2.1 Codes: einige Grundbegriffe

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

Kapitel 3. Natürliche Zahlen und vollständige Induktion

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

MC-Serie 11: Eigenwerte

Das QZ-Verfahren. vorgelegt von Janina Gnutzmann. Erstgutachter: Prof. Dr. Steffen Börm Zweitgutachter: Dipl.-Math.

Lineare Abhängigkeit

) in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a 1. b 2. ) und b = ( b 1

Kleiner Satz von Fermat

y x x y ( 2x 3y + z x + z

A Matrix-Algebra. A.1 Definition und elementare Operationen

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7

Jürgen Hausen Lineare Algebra I

Funktionale Programmierung Übung 01. Dozent: mein Dozent Tutor: mein Tutor Studenten: person1 und person2 tt. mm. jjjj

KAPITEL 0. Einführung

FORD RANGER Ranger_2013.5_Cover_V2.indd 1 12/02/ :59

FORD RANGER _Ranger_2015.5_COVER_V2.indd /08/ :39:54

FORD RANGER _Ranger_2015.5_COVER_V2.indd /08/ :39:54

Lineare Algebra II 5. Übungsblatt

Musterlösung Klausur zur Linearen Algebra II

Mathematische Grundlagen der Computerlinguistik

Lineare Algebra 1. Roger Burkhardt

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

Statistische Methoden

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren

Vorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)

Abschnitt: Determinanten

6. Rechnen mit Matrizen.

Transkript:

Die Treppennormalform Lineare Algebra I Kapitel 3 1. Mai 211

Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/~holtz Email: holtz@math.tu-berlin.de Assistent: Sadegh Jokar, MA 373, Sprechstunden Donnerstag 12-14 Tutoren: Kolleck, Loewe, Neumerkel, Zieschang Ankündigung: 4. Aufgabe steht im Internet Zwei Webseiten: Holtz Lehre Lineare Algebra und die ISIS-Seite: https://www.isis.tu-berlin.de/ Fragen? Studentische Studienfachberatung, MA 847 Telefon: (3) 314-2197 Email: studber@math.tu-berlin.de

Die Treppennormalform Hauptsatz 1. Sei K ein Körper, A K n,m. Dann gibt es Elementarmatrizen T 1,..., T t K n,n, so dass T t T 1 A in Treppennormalform 1 1. 1... 1 ist. Insbesondere, falls n = m und A invertierbar ist, so ist T t T 1 A = I, d.h., A 1 = T t T 1 oder A = T 1 1 Tt 1.

Satz zur Eindeutigkeit der TNF Satz 2. Es sei K ein Körper und A, B K n,m in Treppennormalform. Falls es eine invertierbare Matrix Z K n,n mit A = ZB gibt, so gilt A = B, d.h., die Treppennormalform ist invariant unter Multiplikation mit nichtsingulären Matrizen von links.

Satz zur Eindeutigkeit der TNF Satz 2. Es sei K ein Körper und A, B K n,m in Treppennormalform. Falls es eine invertierbare Matrix Z K n,n mit A = ZB gibt, so gilt A = B, d.h., die Treppennormalform ist invariant unter Multiplikation mit nichtsingulären Matrizen von links. Beweis. Es seien a i, b i, i = 1,..., m, die Spalten von A, B. Weiterhin seien (1, j 1 ),..., (s, j s ) die Pivotpositionen von B. Wir zeigen mit vollständiger Induktion über r, 1 r s: Es gilt [ ] Ir Z =, Z n r wobei Z n r invertierbar ist, und die ersten j r+1 1 Spalten von A und B stimmen überein. (Wir setzen j s+1 := m + 1.)

Beweis I.A.: Es gilt b k = für 1 k j 1 1. Da A = Z B, gilt auch a k =, 1 k j 1 1. Weiter ist b j1 = [1,,..., ] T, und da Z invertierbar ist, ist auch a j1. Da A in TNF ist, folgt, dass auch a j1 = [1,,..., ] T. Weiterhin folgt, dass Z = 1. Z n 1. Damit ist auch a k = b k, k = j 1 + 1,..., j 2 1.

Beweis I.A.: Es gilt b k = für 1 k j 1 1. Da A = Z B, gilt auch a k =, 1 k j 1 1. Weiter ist b j1 = [1,,..., ] T, und da Z invertierbar ist, ist auch a j1. Da A in TNF ist, folgt, dass auch a j1 = [1,,..., ] T. Weiterhin folgt, dass Z = 1. Z n 1. Damit ist auch a k = b k, k = j 1 + 1,..., j 2 1. I.V.: Die Aussage gelte für ein r, 1 r s 1.

Beweis I.A.: Es gilt b k = für 1 k j 1 1. Da A = Z B, gilt auch a k =, 1 k j 1 1. Weiter ist b j1 = [1,,..., ] T, und da Z invertierbar ist, ist auch a j1. Da A in TNF ist, folgt, dass auch a j1 = [1,,..., ] T. Weiterhin folgt, dass Z = 1. Z n 1. Damit ist auch a k = b k, k = j 1 + 1,..., j 2 1. I.V.: Die Aussage gelte für ein r, 1 r s 1. I.S.: Wir betrachten die Pivotposition (r + 1, j r+1 ). Da B in TNF ist, folgt

b jr+1 =... 1... r + 1. Wegen a jr+1 = Zb jr+1 und der Invertierbarkeit von Z n r folgt wie in der Induktionsannahme a jr+1 = b jr+1 und Z = 1... 1 1 Z n (r+1) r 1 n r 1 r 1 n r 1, und die ersten j r+2 1 Spalten von A und B sind gleich.

Eindeutigkeit der TNF Korollar. Für A K n,m gelten: (1) Es gibt genau eine Matrix C K n,m in TNF, in die sich A durch elementary Zeilenoperationen überführen lässt.

Eindeutigkeit der TNF Korollar. Für A K n,m gelten: (1) Es gibt genau eine Matrix C K n,m in TNF, in die sich A durch elementary Zeilenoperationen überführen lässt. (2) Ist M GL n (K), so ist C auch die TNF von MA, d.h. die TNF ist invariant unter Linksmultiplikation mit invertierbaren Matrizen.

Eindeutigkeit der TNF Korollar. Für A K n,m gelten: (1) Es gibt genau eine Matrix C K n,m in TNF, in die sich A durch elementary Zeilenoperationen überführen lässt. (2) Ist M GL n (K), so ist C auch die TNF von MA, d.h. die TNF ist invariant unter Linksmultiplikation mit invertierbaren Matrizen. Beweis. (1) Sind S 1 A = C 1 und S 2 A = C 2, wobei C 1, C 2 in TNF und S 1, S 2 invertierbar sind, dann gilt C 1 = (S 1 S 1 2 )C 2. Aus Satz 2 folgt nun C 1 = C 2.

Eindeutigkeit der TNF Korollar. Für A K n,m gelten: (1) Es gibt genau eine Matrix C K n,m in TNF, in die sich A durch elementary Zeilenoperationen überführen lässt. (2) Ist M GL n (K), so ist C auch die TNF von MA, d.h. die TNF ist invariant unter Linksmultiplikation mit invertierbaren Matrizen. Beweis. (1) Sind S 1 A = C 1 und S 2 A = C 2, wobei C 1, C 2 in TNF und S 1, S 2 invertierbar sind, dann gilt C 1 = (S 1 S 1 2 )C 2. Aus Satz 2 folgt nun C 1 = C 2. (2) Ist M GL n (K) und S 3 (MA) = C 3 in TNF, do folgt mit S 1 A = C 1, dass C 3 = (S 3 MS 1 1 )C 1. Satz 2 zeigt C 3 = C 1.

Rang Definition. Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet.

Rang Definition. Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang 1. Rang(A) min{m, n}.

Rang Definition. Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang 1. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n.

Rang Definition. Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang 1. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n. 3. Ist A = BC, so gilt Rang(A) Rang(B).

Rang Definition. Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang 1. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n. 3. Ist A = BC, so gilt Rang(A) Rang(B). Beweis. Sei Q GL n (K), so dass QB in TNF ist. Dann QA = QBC. In der Matrix QBC sind höchstens die ersten Rang(B) Zeilen von Null verscheiden. Die TNF von QA ist gleich der TNF von A. Somit können in der TNF von A ebenfalls höchstens die ersten Rang(B) Zeilen von Null verscheiden sein. Also Rang(A) Rang(B).

Weitere Eigenschaften von Rang 4. Es gibt Matrizen Q GL n (K) und Z GL m (K) mit [ ] Ir QAZ = genau dann wenn Rang(A) = r.

Weitere Eigenschaften von Rang 4. Es gibt Matrizen Q GL n (K) und Z GL m (K) mit [ ] Ir QAZ = genau dann wenn Rang(A) = r. Beweis. Ist Rang(A) = r =, dann ist A =. Sonst gibt es Q GL n (K) so dass QA in TNF ist. Es gibt dann eine Permutationsmatrix P K n,n, so dass PA T Q T = [ Ir V wobei V K m r,r. Nehmen wir nun [ Ir Y = V Es folgt YPA T Q T = Mit Z = P T Y T ergibt sich das Resultat. I m r [ Ir ], ]. ].