diff options
author | Nunigan <michael.schmid2@ost.ch> | 2021-07-27 22:01:05 +0200 |
---|---|---|
committer | Nunigan <michael.schmid2@ost.ch> | 2021-07-27 22:01:05 +0200 |
commit | 3875ac2b8df9145a66e9f6fcf34e77eb3bc2d072 (patch) | |
tree | b5113260e190dfc7a94e4298bf6eb5ae21c08344 /buch/chapters/10-vektorenmatrizen | |
parent | Merge pull request #50 from paschost/patch-1 (diff) | |
download | SeminarMatrizen-3875ac2b8df9145a66e9f6fcf34e77eb3bc2d072.tar.gz SeminarMatrizen-3875ac2b8df9145a66e9f6fcf34e77eb3bc2d072.zip |
added first part of paper and code
Diffstat (limited to '')
-rwxr-xr-x[-rw-r--r--] | buch/chapters/10-vektorenmatrizen/linear.tex | 91 |
1 files changed, 43 insertions, 48 deletions
diff --git a/buch/chapters/10-vektorenmatrizen/linear.tex b/buch/chapters/10-vektorenmatrizen/linear.tex index e368364..3ad51f1 100644..100755 --- a/buch/chapters/10-vektorenmatrizen/linear.tex +++ b/buch/chapters/10-vektorenmatrizen/linear.tex @@ -33,7 +33,7 @@ aber mit Punkten kann man trotzdem noch nicht rechnen. Ein Vektor fasst die Koordinaten eines Punktes in einem Objekt zusammen, mit dem man auch rechnen und zum Beispiel Parallelverschiebungen algebraisieren kann. -Um auch Streckungen ausdrücken zu können, wird auch eine Menge von +Um auch Streckungen ausdrücken zu können, wird auch eine Menge von Streckungsfaktoren benötigt, mit denen alle Komponenten eines Vektors multipliziert werden können. Sie heissen auch {\em Skalare} und liegen in $\Bbbk$. @@ -73,7 +73,7 @@ a+b = \begin{pmatrix}\lambda a_1\\\vdots\\\lambda a_n\end{pmatrix}. \] -Die üblichen Rechenregeln sind erfüllt, nämlich +Die üblichen Rechenregeln sind erfüllt, nämlich \begin{equation} \begin{aligned} &\text{Kommutativität:} @@ -149,7 +149,7 @@ kann als (abstrakter) Vektor betrachtet werden. \begin{definition} Eine Menge $V$ von Objekten, auf der zwei Operationen definiert, nämlich die Addition, geschrieben $a+b$ für $a,b\in V$ und die -Multiplikation mit Skalaren, geschrieben $\lambda a$ für $a\in V$ und +Multiplikation mit Skalaren, geschrieben $\lambda a$ für $a\in V$ und $\lambda\in \Bbbk$, heisst ein {\em $\Bbbk$-Vektorraum} oder {\em Vektorraum über $\Bbbk$} (oder einfach nur {\em Vektorraum}, wenn $\Bbbk$ aus dem Kontext klar sind), @@ -172,7 +172,7 @@ $\mathbb{C}$ ein Vektorraum über $\mathbb{R}$. \end{beispiel} \begin{beispiel} -Die Menge $C([a,b])$ der stetigen Funktionen $[a,b]\to\mathbb{Re}$ +Die Menge $C([a,b])$ der stetigen Funktionen $[a,b]\to\mathbb{Re}$ bildet ein Vektorraum. Funktionen können addiert und mit reellen Zahlen multipliziert werden: \[ @@ -188,7 +188,7 @@ Die Vektorraum-Rechenregeln \end{beispiel} Die Beispiele zeigen, dass der Begriff des Vektorraums die algebraischen -Eigenschaften eine grosse Zahl sehr verschiedenartiger mathematischer +Eigenschaften eine grosse Zahl sehr verschiedenartiger mathematischer Objekte beschreiben kann. Alle Erkenntnisse, die man ausschliesslich aus Vekotorraumeigenschaften gewonnen hat, sind auf alle diese Objekte übertragbar. @@ -300,7 +300,7 @@ folgt, dass alle $\lambda_1,\dots,\lambda_n=0$ sind. Lineare Abhängigkeit der Vektoren $a_1,\dots,a_n$ bedeutet auch, dass man einzelne der Vektoren durch andere ausdrücken kann. Hat man nämlich eine -Linearkombination~\eqref{buch:vektoren-und-matrizen:eqn:linabhdef} und +Linearkombination~\eqref{buch:vektoren-und-matrizen:eqn:linabhdef} und ist der Koeffizient $\lambda_k\ne 0$, dann kann man nach $a_k$ auflösen: \[ a_k = -\frac{1}{\lambda_k}(\lambda_1a_1+\dots+\widehat{\lambda_ka_k}+\dots+\lambda_na_n). @@ -323,7 +323,7 @@ offenbar eine besondere Bedeutung. Eine linear unabhängig Menge von Vektoren $\mathcal{B}=\{a_1,\dots,a_n\}\subset V$ heisst {\em Basis} von $V$. -Die maximale Anzahl linear unabhängiger Vektoren in $V$ heisst +Die maximale Anzahl linear unabhängiger Vektoren in $V$ heisst {\em Dimension} von $V$. \end{definition} @@ -331,7 +331,7 @@ Die Standardbasisvektoren bilden eine Basis von $V=\Bbbk^n$. \subsubsection{Unterräume} Die Mengen $\langle a_1,\dots,a_n\rangle$ sind Teilmengen -von $V$, in denen die Addition von Vektoren und die Multiplikation mit +von $V$, in denen die Addition von Vektoren und die Multiplikation mit Skalaren immer noch möglich ist. \begin{definition} @@ -352,7 +352,7 @@ gilt. % \subsection{Matrizen \label{buch:grundlagen:subsection:matrizen}} -Die Koeffizienten eines linearen Gleichungssystems finden in einem +Die Koeffizienten eines linearen Gleichungssystems finden in einem Zeilen- oder Spaltenvektor nicht Platz. Wir erweitern das Konzept daher in einer Art, dass Zeilen- und Spaltenvektoren Spezialfälle sind. @@ -378,14 +378,14 @@ M_{m\times n}(\Bbbk) = \{ A\;|\; \text{$A$ ist eine $m\times n$-Matrix}\}. \] Falls $m=n$ gilt, heisst die Matrix $A$ auch {\em quadratisch} \index{quadratische Matrix}% -Man kürzt die Menge der quadratischen Matrizen als +Man kürzt die Menge der quadratischen Matrizen als $M_n(\Bbbk) = M_{n\times n}(\Bbbk)$ ab. \end{definition} -Die $m$-dimensionalen Spaltenvektoren $v\in \Bbbk^m$ sind $m\times 1$-Matrizen +Die $m$-dimensionalen Spaltenvektoren $v\in \Bbbk^m$ sind $m\times 1$-Matrizen $v\in M_{n\times 1}(\Bbbk)$, die $n$-dimensionalen Zeilenvetoren $u\in\Bbbk^n$ sind $1\times n$-Matrizen $v\in M_{1\times n}(\Bbbk)$. -Eine $m\times n$-Matrix $A$ mit den Koeffizienten $a_{ij}$ besteht aus +Eine $m\times n$-Matrix $A$ mit den Koeffizienten $a_{ij}$ besteht aus den $n$ Spaltenvektoren \[ a_1 = \begin{pmatrix} a_{11} \\ a_{21} \\ \vdots \\ a_{m1} \end{pmatrix},\quad @@ -435,7 +435,7 @@ werden kann. \begin{definition} Eine $m\times n$-Matrix $A\in M_{m\times n}(\Bbbk)$ und eine $n\times l$-Matrix $B\in M_{n\times l}(\Bbbk)$ haben als Produkt -eine $n\times l$-Matrix $C=AB\in M_{n\times l}(\Bbbk)$ mit den +eine $m\times l$-Matrix $C=AB\in M_{m\times l}(\Bbbk)$ mit den Koeffizienten \begin{equation} c_{ij} = \sum_{k=1}^n a_{ik} b_{kj}. @@ -483,7 +483,7 @@ I 1 &0 &\dots &0 \\ 0 &1 &\dots &0 \\[-2pt] \vdots&\vdots&\ddots&\vdots\\ -0 &0 &\dots &1 +0 &0 &\dots &1 \end{pmatrix}. \] @@ -521,10 +521,10 @@ Ein Gleichungssystem mit $0$ auf der rechten Seite ist also bereits ausreichend um zu entscheiden, ob die Lösung eindeutig ist. Ein Gleichungssystem mit rechter Seite $0$ heisst {\em homogen}. \index{homogenes Gleichungssystem}% -Zu jedem {\em inhomogenen} Gleichungssystem $Ax=b$ mit $b\ne 0$ +Zu jedem {\em inhomogenen} Gleichungssystem $Ax=b$ mit $b\ne 0$ ist $Ax=0$ das zugehörige homogene Gleichungssystem. -Ein homogenes Gleichungssytem $Ax=0$ hat immer mindestens die +Ein homogenes Gleichungssytem $Ax=0$ hat immer mindestens die Lösung $x=0$, man nennt sie auch die {\em triviale} Lösung. Eine Lösung $x\ne 0$ heisst auch eine nichttriviale Lösung. Die Lösungen eines inhomgenen Gleichungssystem $Ax=b$ ist also nur dann @@ -535,7 +535,7 @@ Lösung hat. Der Gauss-Algorithmus oder genauer Gausssche Eliminations-Algorithmus löst ein lineare Gleichungssystem der Form~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}. -Die Koeffizienten werden dazu in das Tableau +Die Koeffizienten werden dazu in das Tableau \[ \begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|} \hline @@ -552,7 +552,7 @@ Der Algorithmus is so gestaltet, dass er nicht mehr Speicher als das Tableau benötigt, alle Schritte operieren direkt auf den Daten des Tableaus. -In jedem Schritt des Algorithmus wird zunächst eine Zeile $i$ und +In jedem Schritt des Algorithmus wird zunächst eine Zeile $i$ und Spalte $j$ ausgewählt, das Elemente $a_{ij}$ heisst das Pivotelement. \index{Pivotelement}% Die {\em Pivotdivision} @@ -646,7 +646,7 @@ In der Phase der {\em Vorwärtsreduktion} werden Pivotelemente von links nach rechts möglichst auf der Diagonale gewählt und mit Zeilensubtraktionen die darunterliegenden Spalten freigeräumt. \index{Vorwärtsreduktion}% -Während des Rückwärtseinsetzens werden die gleichen Pivotelemente von +Während des Rückwärtseinsetzens werden die gleichen Pivotelemente von rechts nach links genutzt, um mit Zeilensubtraktionen auch die Spalten über den Pivotelemnten frei zu räumen. \index{Rückwärtseinsetzen}% @@ -800,7 +800,7 @@ $x = b_1c_1+b_2c_2+\dots+b_nc_n$ konstruieren. Tatsächlich gilt \begin{align*} Ax -&= +&= A( b_1c_1+b_2c_2+\dots+b_nc_n) \\ &= @@ -851,10 +851,10 @@ für eine Gleichungssystem mit quadratischer Koeffizientenmatrix $A$ heisst die Determinante $\det(A)$ der Matrix $A$. \end{definition} -Aus den Regeln für die Durchführung des Gauss-Algorithmus kann man die +Aus den Regeln für die Durchführung des Gauss-Algorithmus kann man die folgenden Regeln für die Determinante ableiten. Wir stellen die Eigenschaften hier nur zusammen, detaillierte Herleitungen -kann man in jedem Kurs zur linearen Algebra finden, zum Beispiel im +kann man in jedem Kurs zur linearen Algebra finden, zum Beispiel im Kapitel~2 des Skripts \cite{buch:linalg}. \begin{enumerate} \item @@ -877,11 +877,11 @@ wird auch der Wert der Determinanten mit $\lambda$ multipliziert. \item \label{buch:linear:determinante:asymetrisch} Die Determinante ist eine lineare Funktion der Zeilen von $A$. -Zusammen mit der Eigeschaft~\ref{buch:linear:determinante:vorzeichen} +Zusammen mit der Eigeschaft~\ref{buch:linear:determinante:vorzeichen} folgt, dass die Determinante eine antisymmetrische lineare Funktion der Zeilen ist. \item -Die Determinante ist durch die Eigenschaften +Die Determinante ist durch die Eigenschaften \ref{buch:linear:determinante:einheitsmatrix} und \ref{buch:linear:determinante:asymetrisch} @@ -895,7 +895,7 @@ Die Determinante der $n\times n$-Matrix $A$ kann mit der Formel = \sum_{i=1}^n (-1)^{i+j} a_{ij} \cdot \det(A_{ij}) \end{equation} -wobei die $(n-1)\times(n-1)$-Matrix $A_{ij}$ die Matrix $A$ ist, aus der +wobei die $(n-1)\times(n-1)$-Matrix $A_{ij}$ die Matrix $A$ ist, aus der man Zeile $i$ und Spalte $j$ entfernt hat. $A_{ij}$ heisst ein {\em Minor} der Matrix $A$. \index{Minor einer Matrix}% @@ -949,7 +949,7 @@ der rechten Seiten ersetzt worden ist. \end{satz} Die Cramersche Formel ist besonders nützlich, wenn die Abhängigkeit -einer Lösungsvariablen von den Einträgen der Koeffizientenmatrix +einer Lösungsvariablen von den Einträgen der Koeffizientenmatrix untersucht werden soll. Für die Details der Herleitung sei wieder auf \cite{buch:linalg} verwiesen. @@ -993,7 +993,7 @@ heisst die {\em Adjunkte} $\operatorname{adj}A$ von $A$. \end{satz} Der Satz~\ref{buch:linalg:inverse:adjoint} liefert eine algebraische -Formel für die Elemente der inversen Matrix. +Formel für die Elemente der inversen Matrix. Für kleine Matrizen wie im nachfolgenden Beispiel ist die Formel~\eqref{buch:linalg:inverse:formel} oft einfachter anzuwenden. Besonders einfach wird die Formel für eine $2\times 2$-Matrix, @@ -1035,7 +1035,7 @@ Die Adjunkte ist \begin{pmatrix*}[r] \det A_{11} & -\det A_{21} & \det A_{31} \\ -\det A_{12} & \det A_{22} & -\det A_{32} \\ - \det A_{13} & -\det A_{23} & \det A_{33} + \det A_{13} & -\det A_{23} & \det A_{33} \end{pmatrix*} \intertext{und damit ist die inverse Matrix} A^{-1} @@ -1084,7 +1084,7 @@ A^{-1} \end{pmatrix}. \label{buch:vektoren-und-matrizen:abeispiel:eqn2} \end{equation} -für die Inverse einer Matrix der Form +für die Inverse einer Matrix der Form \eqref{buch:vektoren-und-matrizen:abeispiel:eqn1}. \end{beispiel} @@ -1118,7 +1118,7 @@ Eine Abbildung $f\colon V\to U$ zwischen Vektorräumen $V$ und $U$ heisst linear, wenn \[ \begin{aligned} -f(v+w) &= f(v) + f(w)&&\forall v,w\in V +f(v+w) &= f(v) + f(w)&&\forall v,w\in V \\ f(\lambda v) &= \lambda f(v) &&\forall v\in V,\lambda \in \Bbbk \end{aligned} @@ -1129,16 +1129,16 @@ gilt. Lineare Abbildungen sind in der Mathematik sehr verbreitet. \begin{beispiel} -Sie $V=C^1([a,b])$ die Menge der stetig differenzierbaren Funktionen +Sie $V=C^1([a,b])$ die Menge der stetig differenzierbaren Funktionen auf dem Intervall $[a,b]$ und $U=C([a,b])$ die Menge der -stetigen Funktion aif $[a,b]$. +stetigen Funktion aif $[a,b]$. Die Ableitung $\frac{d}{dx}$ macht aus einer Funktion $f(x)$ die Ableitung $f'(x)$. -Die Rechenregeln für die Ableitung stellen sicher, dass +Die Rechenregeln für die Ableitung stellen sicher, dass \[ \frac{d}{dx} \colon -C^1([a,b]) \to C([a,b]) +C^1([a,b]) \to C([a,b]) : f \mapsto f' \] @@ -1157,7 +1157,7 @@ eine lineare Abbildung. \end{beispiel} \subsubsection{Matrix} -Um mit linearen Abbildungen rechnen zu können, ist eine Darstellung +Um mit linearen Abbildungen rechnen zu können, ist eine Darstellung mit Hilfe von Matrizen nötig. Sei also $\mathcal{B}=\{b_1,\dots,b_n\}$ eine Basis von $V$ und $\mathcal{C} = \{ c_1,\dots,c_m\}$ eine Basis von $U$. @@ -1165,12 +1165,12 @@ Das Bild des Basisvektors $b_i$ kann als Linearkombination der Vektoren $c_1,\dots,c_m$ dargestellt werden. Wir verwenden die Bezeichnung \[ -f(b_i) +f(b_i) = a_{1i} c_1 + \dots + a_{mi} c_m. \] Die lineare Abbildung $f$ bildet den Vektor $x$ mit Koordinaten -$x_1,\dots,x_n$ ab auf +$x_1,\dots,x_n$ ab auf \begin{align*} f(x) &= @@ -1193,7 +1193,7 @@ x_n(a_{1n} c_1 + \dots + a_{mn} c_m) + ( a_{m1} x_1 + \dots + a_{mn} x_n ) c_m \end{align*} -Die Koordinaten von $f(x)$ in der Basis $\mathcal{C}$ in $U$ sind +Die Koordinaten von $f(x)$ in der Basis $\mathcal{C}$ in $U$ sind also gegeben durch das Matrizenprodukt $Ax$, wenn $x$ der Spaltenvektor aus den Koordinaten in der Basis $\mathcal{B}$ in $V$ ist. @@ -1231,7 +1231,7 @@ b_{m1}x_1&+& \dots &+&b_{mn}x_n&=&b_{m1}'x_1'&+& \dots &+&b_{mn}'x_n' \end{linsys} \] Dieses Gleichungssystem kann man mit Hilfe eines Gauss-Tableaus lösen. -Wir schreiben die zugehörigen Variablen +Wir schreiben die zugehörigen Variablen \[ \renewcommand{\arraystretch}{1.1} \begin{tabular}{|>{$}c<{$} >{$}c<{$} >{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}|} @@ -1277,7 +1277,7 @@ Für zwei Vektoren $u$ und $w$ in $U$ gibt es daher Vektoren $a=g(u)$ und $b=g(w)$ in $V$ derart, dass $f(a)=u$ und $f(b)=w$. Weil $f$ linear ist, folgt daraus $f(a+b)=u+w$ und $f(\lambda a)=\lambda a$ für jedes $\lambda\in\Bbbk$. -Damit kann man jetzt +Damit kann man jetzt \begin{align*} g(u+w)&=g(f(a)+f(b)) = g(f(a+b)) = a+b = g(u)+g(w) \\ @@ -1315,7 +1315,7 @@ Der Kern oder Nullraum der Matrix $A$ ist die Menge \] \end{definition} -Der Kern ist ein Unterraum, denn für zwei Vektoren $u,w\in \ker f$ +Der Kern ist ein Unterraum, denn für zwei Vektoren $u,w\in \ker f$ \[ \begin{aligned} f(u+v)&=f(u) + f(v) = 0+0 = 0 &&\Rightarrow& u+v&\in\ker f\\ @@ -1331,7 +1331,7 @@ Wir definieren daher das Bild einer linearen Abbildung oder Matrix. \begin{definition} Ist $f\colon V\to U$ eine lineare Abbildung dann ist das Bild von $f$ -der Unterraum +der Unterraum \[ \operatorname{im}f = \{ f(v)\;|\;v\in V\} \subset U \] @@ -1375,7 +1375,7 @@ $\operatorname{def}A=\dim\ker A$. \end{definition} Da der Kern mit Hilfe des Gauss-Algorithmus bestimmt werden kann, -können Rang und Defekt aus dem Schlusstableau +können Rang und Defekt aus dem Schlusstableau eines homogenen Gleichungssystems mit $A$ als Koeffizientenmatrix abgelesen werden. @@ -1391,8 +1391,3 @@ n-\operatorname{def}A. \subsubsection{Quotient} TODO: $\operatorname{im} A \simeq \Bbbk^m/\ker A$ - - - - - |