7 Die Determinante einer Matrix



Ähnliche Dokumente
Leitfaden Lineare Algebra: Determinanten

2 Die Darstellung linearer Abbildungen durch Matrizen

4 Vorlesung: Matrix und Determinante

Eigenwerte und Eigenvektoren von Matrizen

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

Kapitel 15. Lösung linearer Gleichungssysteme

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Lineare Gleichungssysteme

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

Lösungen zum 3. Aufgabenblatt

3.3 Eigenwerte und Eigenräume, Diagonalisierung

Musterlösungen zur Linearen Algebra II Blatt 5

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

Lineare Gleichungssysteme

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

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester gehalten von Harald Baum

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

Im Jahr t = 0 hat eine Stadt Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Lineare Algebra und analytische Geometrie II (Unterrichtsfach)

6.2 Perfekte Sicherheit

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

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.

Vorlesung bzw. 23. Januar Determinanten 1. Cramersche Regel

Determinanten. I. Permutationen

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse Lösung 10 Punkte

Beispiel vor dem Beweis:

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Grundbegriffe der Informatik

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

3. LINEARE GLEICHUNGSSYSTEME

Lineare Gleichungssysteme

Beispiel Zusammengesetzte Zufallsvariablen

Einführung in die Algebra

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

Teil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.

Lineare Algebra - alles was man wissen muß

7 Rechnen mit Polynomen

a n auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:

Informationsblatt Induktionsbeweis

Determinanten. I. Permutationen

Der Zwei-Quadrate-Satz von Fermat

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

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

Absolute Stetigkeit von Maßen

Linearen Gleichungssysteme Anwendungsaufgaben

Analysis I für Studierende der Ingenieurwissenschaften

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

Simplex-Umformung für Dummies

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Theoretische Grundlagen der Informatik WS 09/10

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

Repetitionsaufgaben Wurzelgleichungen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x y = x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,

36 2 Lineare Algebra

Primzahlen und RSA-Verschlüsselung

Also kann nur A ist roter Südler und B ist grüner Nordler gelten.

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

1.9 Eigenwerte und Eigenvektoren

TECHNISCHE UNIVERSITÄT MÜNCHEN

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Professionelle Seminare im Bereich MS-Office

0, v 6 = , v 4 = span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )

3. Grundlagen der Linearen Programmierung

Lineare Gleichungssysteme

8. Quadratische Reste. Reziprozitätsgesetz

1 Mathematische Grundlagen

Prozentrechnung. Wir können nun eine Formel für die Berechnung des Prozentwertes aufstellen:

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Bestimmung einer ersten

1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.

Zeichen bei Zahlen entschlüsseln

Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen

Approximation durch Taylorpolynome

W-Rechnung und Statistik für Ingenieure Übung 11

Second Steps in eport 2.0 So ordern Sie Credits und Berichte

Korrelation (II) Korrelation und Kausalität

Bevor lineare Gleichungen gelöst werden, ein paar wichtige Begriffe, die im Zusammenhang von linearen Gleichungen oft auftauchen.

LANGFRISTIGE HAUSAUFGABE (LINEARE GLEICHUNGSSYSTEME)

Quadratische Gleichungen

Einrichtung HBCI mit PIN/TAN in VR-NetWorld-Software

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)

Fit für die Prüfung Elektrotechnik Effektives Lernen mit Beispielen und ausführlichen Lösungen

Rekursionen. Georg Anegg 25. November Methoden und Techniken an Beispielen erklärt

Lichtbrechung an Linsen

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )

Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: a 11 a 12 a a 1n a 21 a 22. det. a nn.

11. Das RSA Verfahren und andere Verfahren

Definition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Das sogenannte Beamen ist auch in EEP möglich ohne das Zusatzprogramm Beamer. Zwar etwas umständlicher aber es funktioniert

Wir gehen aus von euklidischen Anschauungsraum bzw. von der euklidischen Zeichenebene. Parallele Geraden schneiden einander nicht.

Skript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis

Transkript:

7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) = 1. Damit schreibt sich det A in der Form det A = sign(id) a 1,id(1) a 2,id(2) + sign(τ)a 1,τ(1)a 2,τ(2) Allgemein definiert man für A = (a ij )ij = 1,..., n(n 2) det A := π S n sign(π)a 1,π(1) a 2,π(2)... a n,π(n) Für n = 1 setzt man det(a 11 ) = a 11 Im Fall n = 3 gilt die Regel von Sarrus: a 11 a 12 a 13 a 11 a 12 a 21 a 22 a 23 a 21 a 22 a 31 a 32 a 33 a 31 a 32 + + + det A = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31 a 11 a 23 a 32 a 12 a 21 a 33 Für n 4 ist die Definition für die konkrete Berechnung von det A nicht besonders geeignet. Wir suchen daher Eigenschaften der Determinante, welche ihre Berechnung erleichtern. Dazu fassen wir det A auf als Funktion ihrer Zeilen 1

v 1 = (a 11, a 12,..., a 1n ) v 2 = (a 21, a 22,..., a 2n ). v n = (a n1, a n2,..., a nn ) und setzen det(v 1,..., v n ) := det A. Die Determinante ist somit eine Funktion in n variablen 1 n Matrizen v 1,..., v n V = M(1 n, K): det : V n K, (v 1,..., v n ) det(v 1,..., v n ) (7.1) Satz: (Charakteristische Eigenschaften der Determinante) a) Die Funktion det hat folgende Eigenschaften: (D1) ( Linearität in den Zeilen). Für jedes i {1,..., n} gilt det(v 1,..., v i 1, v i + v i, v i+1,..., v n ) = = det(v 1,..., v i,..., v n ) + det(v 1,..., v i 1, v i, v i+1,..., v n ) = = det(v 1,..., v i 1, λv i, v i+1,..., v n ) = λ det(v 1,..., v n ) (D2) Ist v i = v j für ein Paar i j, so ist det (v1,...,v n ) = 0 (D3) det E n = 1 b) det ist die einzige Funktion V n K, welche die Eigenschaften (D1), (D2), (D3) besitzt. Beweis: a) (D1) für i = 1: Sei v 1 = (a 11,..., a 1n), also v 1 + v 1 = (a 11 + a 11, a 12 + a 12,..., a 1n + a 1n), λv 1 = (λa 11, λa 12,..., λa 1n ) det(v 1 + v 1, v 2,..., v n ) = π S n sign(π)(a 1,π(1) + a 1,π(1))a 2,π(2)... a n,π(n) = 2

= π S n sign(π)a 1,π(1) a 2,π(2)... a n,π(n) + π S n sign(π)a 1,π(1)a 2,π(2)... a n,π(n) = = det(v 1, v 2,..., v n ) + det(v 1, v 2,..., v n ) det(λv 1, v 2,..., v n ) = π S n sign(π)(λa 1π(1) )... a n,π(n) = = λ π S n sign(π)a 1,π(1)... a n,π(n) = λ det(v 1,..., v n ) (D2) für i = 1, j = 2 : v 1 = v 2, d.h. a 1j = a 2j für j = 1,..., n. Sei τ = (12). Dann ist S n = A n A n τ und ( ) sign(πτ) = sign(π)sign(τ) = 1 ( 1) = 1 für alle π A n det(v 1,..., v n ) = = V or sign(π)a 1π(1) a 2π(2)... a nπ(n) = π S n = π S n sign(π)a 2π(1) a 2π(2)... a nπ(n) = ( ) = a 2π(1) a 2π(2) a 3π(3)... a nπ(n) a 2π(τ(1)) a 2π(τ(2)) a 3π(3)... a nπ(n) = π A n π A n = a 2π(1) a 2π(2) a 3π(3)... a nπ(n) a 2π(2) a 2π(1) a 3π(3)... a nπ(n) = 0 π A n π A n { 1 falls i = j (D3) E n = (δ ij ), wobei δ ij = ; also ist 0 falls i j { 1 falls π = id δ 1π(1)... δ nπ(n) = ; ferner ist sign(id) = 1. 0 falls π id Es folgt det E n = sign(π)δ 11 δ 22... δ nn = 1. (7.2) Lemma: Sei d : V n K eine Funktion mit den Eigenschaften (D1), (D2), (D3). Setze d(a) := d(v 1,..., v n ), wenn v 1,..., v n die Zeilen von A sind. Dann gilt: a) d(a) = 0, falls Rang A < n 3

b) Geht B aus A durch elementare Zeilenumformungen vom Typ I hervor, so ist d(a) = d(b). c) Entsteht B aus A durch Vertauschung von 2 Zeilen, so ist d) Für eine obere Dreiecksmatrix gilt d(a) = d(b) b 11. 0.. d....... = b 11... b nn (Produkt der Diagonalelemente) 0... 0 b nn Beweis von 7.1 b) mit Hilfe des Lemmas: Sei d eine Funktion mit den Eigenschaften (D1), (D2) und (D3). Die Aussagen von (7.2) gelten nun für d und für det. 1. Fall: Ist Rang A < n, so ist nach 7.2 a) det A = 0 = d(a). 2. Fall: Sei Rang A = n. Nach I.3.4 geht A durch elementare Zeilenumformungen vom Typ I und II über in eine obere Dreiecksmatrix b 11 B =... mit b 11... b nn 0 0 b nn Sind darunter genau k Zeilenvertauschungen, so folgt aus 7.2 c), d) d(a) = ( 1) k d(b) = ( 1) k b 11... b nn ; ebenso det A = ( 1) k det B = ( 1) k b 11... b nn. Der Beweis von 7.1 b) zeigt auch, wie man det A berechnen kann. (7.3) Verfahren zur Berechnung der Determinante einer Matrix 4

(i) Forme A elementar um auf obere Dreiecksgestalt, und zwar allein durch Zeilenumformungen vom Typ I und II. Erhalte b 11 B =... 0 b nn Sei k die Zahl der dabei vorgenommenen Vertauschungen. (ii) det A = ( 1) k b 11... b nn Beispiel: 0 1 4 A = 1 2 1 II 1 2 1 0 1 4 I 1 2 1 0 1 4 I 1 2 1 0 1 4 = B; k = 1 1 1 2 1 1 2 0 1 3 0 0 1 Also ist det A = det B = 1 1 ( 1) = 1. Berechnung von det A m.h. der Regel von Sarrus: 0 1 4 0 1 1 2 1 1 2 1 1 2 1 1 Beweis des Lemmas: det A = 0 1 4 ( 8) 0 2 = 1 a) Sei etwa v 1 = λ 2 v 2 +... + λ n v n. Es folgt d(v 1, v 2,..., v n ) (D1) = λ 2 d(v 2, v 2,..., v n ) + λ 3 d(v 3, v 2, v 3,..., v n ) +... + λ n d(v n, v 2,..., v n ) (D2) = 0 b) Sei etwa B = (v 1 + λv 2, v 2,..., v n ) : d(b) (D1) = d(v 1,..., v n ) + λd(v 2, v 2,..., v n ) (D2) = d(v 1,..., v n ) = d(a) c) Sei etwa B = (v 2, v 1, v 3,..., v n ) : 0 (D2) = d(v 1 + v 2, v 1 + v 2, v 3,..., v n ) (D1) = d(v 1, v 1 + v 2, v 3,..., v n ) + +d(v 2, v 1 +v 2, v 3,..., v n ) (D1) = d(v 1, v 1, v 3,..., v n )+ d(v 1, v 2, v 3,..., v n )+ + d(v 2, v 1, v 3,..., v n ) + d(v 2, v 2, v 3,..., v n ) (D2) = d(v 1, v 2, v 3,..., v n ) + + d(v 2, v 1, v 3,..., v n ) = d(a) + d(b) und d(a) = d(b) 5

b 11 d) Ist b kk = 0 für ein k, so sind die ersten k Spalten von B =... 0 b nn linear abhängig, also Rang B < n und d(b) = 0 = b 11... b nn. Im Fall b 11 0,..., b nn 0 geht B durch elementare Umformungen b 11 0 b 11 e t 1 vom Typ I über in D =... =. und es folgt 0 b nn b nn e t n d(b) = b) d(d) = d(b 11 e t 1,..., b nn e t n) (D1) = b 11... b nn d(e n ) (D3) = b 11... b nn (7.4) Satz: det AB = det A det B Beweis: Ist Rang B < n, so ist auch Rang AB (5.3) Rang B n und daher det AB = 0 = det A det B nach 7.2 a). Ist Rang B = n, so ist det B 0 nach (7.2) und (5.4) f). Setze δ = det B und betrachte die Funktion d(v 1,..., v n ) := 1 det AB, wenn δ A die Matrix mit den Zeilen v 1,..., v n ist. Behauptung: d hat die Eigenschaften (D1), (D2), (D3). Ist dies gezeigt, so folgt aus 7.1 b: det A = d(v 1,..., v n ) = det AB det B. Beweis der Zwischenbehauptung: Nach 4 sind v 1 B,..., v n B die Zeilen von AB, also d(v 1,..., v n ) = 1 δ det(v 1B,..., v n B). (D1) : d(v 1 + v 1, v 2,..., v n ) = 1 δ det(v 1B + v 1B, v 2 B,..., v n B) (D1) = = 1 δ det(v 1B, v 2 B,..., v n B) + 1 δ det(v 1B, v 2 B,..., v n B) = = d(v 1,..., v n ) + d(v 1, v 2,..., v n ) d(λv 1, v 2,..., v n ) = 1 δ det((λv 1)B, v 2 B,..., v n B) (D1) = = 1 δ λ det(v 1B, v 2 B,..., v n B) = λ d(v 1,..., v n ) (D2) d(v 2, v 2, v 3,..., v n ) = 1 det(v δ 2B, v 2 B, v 3 B,..., v n B) (D2) = 0 (D3) d(e n ) = 1 det B det(e nb) = 1 6

(7.5) Satz: det A = det A t Beweis: A t = B = (b ij ) i,j=1,...,n mit b ij = a ji für i, j = 1,..., n. Zeige zunächst gewisse Aussagen über Permutationen π S n (1) Die Mengen M = {a π 1 (1),1,..., a π 1 (n),n} und N = {a 1,π(1),..., a nπ(n) } sind gleich. (2) sign(π) = sign(π 1 ) (3) Die Abbildung ϕ : S n S n, π π 1 = σ ist bijektiv. Beweis: (3) Wegen (π 1 ) 1 = π ist ϕ ϕ = id. (2) 1 = sign(id) = sign(ππ 1 ) = sign(π) sign(π 1 ) und beide Zahlen sind ±1. (1) Zeige M N: Sei a π 1 (j),j M. Setze k := π 1 (j) π(k) = π(π 1 (j)) = j; also ist a π 1 (j),j = a k,π(k) N. Analog zeigt man, dass N M. Also ist M = N. Aus (1), (2) und (3) folgt nun det A = (1) sign(π)a 1π(1)... a nπ(n) = sign(π)a π 1 (1),1... a n 1 (n),n π S n π S n (2) = sign(π 1 )a π 1 (1),1... a π 1 (n),n = sign(σ)a σ(1),1... a σ(n),n = π S n σ S n = σ S n sign(σ)b 1σ(1)... b nσ(n) = det B Analog zu elementaren Zeilenumformungen sind elementare Spaltenumformungen vom Typ I und Typ II erklärt. Wegen det A = det A t und da die Spalten von A die Zeilen von A t sind, gelten für Spalten entsprechende Aussagen wie für Zeilen. Wir fassen die wichtigsten Regeln für das Rechnen mit Determinanten zusammen: (7.6) Regel: 7

a) det E n = 1 (D3) b) det(λa) = λ n det A (D1) c) det AB = det A det B (7.4) d) Bei elementaren Zeilen- bzw. Spaltenumformungen vom Typ I ändert sich die Determinante nicht. e) Bei Vertauschung von zwei Zeilen bzw. Spalten ändert sich nur das Vorzeichen der Determinante. f) Genau dann ist A invertierbar, wenn det A 0 (7.2 und 5.4). In diesem Fall ist det(a 1 ) = (det A) 1 (a) und c)) g) det A = det A t a 11 h) det... = a 11... a nn 0 a nn (7.7) Satz: Seien B M(r r, K), C M((n r) (n r), K) und D M(r (n r), K). Dann gilt für die Matrix ( ) B D A = : det A = det B det C 0 C Beweis: B geht durch Zeilenumformungen vom Typ I und II über in eine Matrix b 11 B =... ; sind dabei k 1 Zeilenvertauschungen 0 b rr vorgenommen worden, so ist det B = ( 1) k 1 b 11... b 1r. Entsprechend kann C in eine Matrix C = c 11... übergeführt 0 c n r,n r werden, bei k 2 Zeilenvertauschungen, und es ist det C = ( 1) k 2 c 11... c n r,n r. 8

Führe an den ersten r Zeilen von A die gleichen Umformungen durch wie bei B und erhalte bei k 1 Zeilenvertauschungen ( ) B A D = mit det A = ( 1) k 1 det A. 0 C Führe an den letzten n r Zeilen von A die gleichen Umformungen durch wie bei C und erhalte b 11. ( ).. B A D b = 0 C = rr c mit det A = ( 1) k 2 det A = 11... 0 c n r,n r = ( 1) k 2 b 11... b rrc 11... c n r,n r. Es folgt det A = ( 1) k 1 det A = ( 1) k 1 ( 1) k 2 b 11... b rrc 11... c n r,n r = det B det C Wir wollen noch eine weitere Methode zur Berechnung von Determinanten kennen lernen. Sei A = (a ij ) M(n n, K). Wir bezeichnen mit A ij die (n 1) (n 1) Matrix, welche aus A entsteht, indem man die i te Zeile und die j te Spalte streicht. a 11...a 1j... a 1n... A ij = a i1...a ij... a in... a n1...a nj... a nn (7.8) Regel: a) Entwicklung nach der 1. Zeile: det A = a 11 det A 11 a 12 det A 12 +... + ( 1) n+1 a 1n det A 1n b) Entwicklung nach der 1. Spalte: det A = a 11 det A 11 a 21 det A 21 +... + ( 1) n+1 a n1 det A n1 9

c) Allgemeiner gilt für i, j {1,..., n}: det A = det A = n ( 1) i+j a ij det A ij (Enwicklung nach i ter Zeile) j=1 n ( 1) i+j a ij det A ij (Enwicklung nach j ter Spalte) i=1 Beweis von a) (b) und c) analog): a 11 0... 0 det A (D1) a 21 = det. A 11 +det 7.6e) a n1 0 a 12 0... 0 a 22. a n2 +...+det 0... 0 a 1n a 2n A 1n. a 11 0... 0 a 12 0... 0 a 1n 0... 0 a 21 = det. A 11 det a 22. A 12 +.. a 2n.+( 1)n+1 det. A 1n 7.7 = 7.5 a n1 a n2 a 11 det A 11 a 12 det A 12 +... + ( 1) n+1 a 1n det A 1n 0 1 4 Beispiel A = 1 2 1. Enwickle nach der 1. Zeile. 1 1 2 det A = 0 det ( ) 2 1 1 det 1 2 ( ) 1 1 + ( 4) det 1 2 = (2 + 1) + ( 4) (1 2) = 3 + 4 = 1 a nn ( ) 1 2 1 1 a nn (7.9) Die Cramersche Regel: Sei A GL n (K) und b K n. A j sei die Matrix, die aus A durch Streichen der j ten Spalte entsteht. Dann ist x 1 = ( 1) n 1 det(a 1 b) det A, x 2 = ( 1) n 2 det(a 2 b) det A,..., x n = det(a n b) det A die eindeutige Lösung des linearen Gleichungssystems Ax = b. 10

Beweis: Es ist zu zeigen, dass ( ) a i1 + a i2 x 2 +... + a in x n b i = 0 für alle i = 1,..., n Betrachte dazu die (n + 1) (n + 1) Matrix ( ) ai1 a à = i2... a in b i A b Da à zwei gleiche Zeilen hat ist det à = 0. Entwicklung von det à nach der 1. Zeile ergibt a i1 det(a 1 b) a i2 det(a 2 b)+...+( 1) n 1 a in det(a n b)+( 1) n b i det A = 0 Multiplikation mit ( 1)n 1 det A ergibt ( ). 11