aboutsummaryrefslogtreecommitdiffstats
path: root/buch/chapters/10-vektorenmatrizen/linear.tex
blob: 23d16a80decdeb695e758602505b2d48087753b9 (plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
%
% linear.tex
%
% (c) 2021 Prof Dr Andreas Müller, OST Ostschweizer Fachhochschule
%
\section{Lineare Algebra
\label{buch:grundlagen:section:linearealgebra}}
\rhead{Lineare Algebra}
In diesem Abschnitt tragen wir die bekannten Resultate der linearen
Algebra zusammen.
Meistens lernt man diese zuerst für Vektoren und Gleichungssyteme mit
reellen Variablen.
In der linearen Algebra werden aber nur die arithmetischen
Grundoperationen verwendet, es gibt also keinen Grund, warum sich
die Theorie nicht über einem beliebigen Zahlenkörper entwickeln
lassen sollte.
Die in Kapitel~\ref{buch:chapter:endliche-koerper} untersuchten
endlichen Körper sind zum Beispiel besser geeignet für Anwendungen in
der Kryptographie oder für die diskrete schnelle Fourier-Transformation.
Daher geht es in diesem Abschnitt weniger darum alles herzuleiten,
sondern vor allem darum, die Konzepte in Erinnerung zu rufen und
so zu formulieren, dass offensichtlich wird, dass alles mit einem
beliebigen Zahlkörper $\Bbbk$ funktioniert.

%
% Vektoren
%
\subsection{Vektoren
\label{buch:grundlagen:subsection:vektoren}}
Koordinatensysteme haben ermöglicht, Punkte als Zahlenpaare zu beschreiben.
Dies ermöglicht, geometrische Eigenschaften als Gleichungen auszudrücken,
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 
Streckungsfaktoren benötigt, mit denen alle Komponenten eines Vektors
multipliziert werden können.
Sie heissen auch {\em Skalare} und liegen in $\Bbbk$.

\subsubsection{Zeilen- und Spaltenvektoren}
Vektoren sind Tupel von Elementen aus $\Bbbk$.

\begin{definition}
Ein $n$-dimensionaler {\em Spaltenvektor} ist ein $n$-Tupel von Zahlen aus
$\Bbbk$ geschrieben als
\[
v = \begin{pmatrix} v_1\\v_2\\\vdots\\v_n\end{pmatrix}
\in \Bbbk^n.
\]
Ein $m$-dimensionaler {\em Zeilenvektor} wird geschrieben als
\[
u = \begin{pmatrix}u_1&u_2&\dots&u_m\end{pmatrix} \in \Bbbk^m.
\]
\end{definition}

Für Vektoren gleicher Dimension sind zwei Rechenoperationen definiert.
Die {\em Addition von Vektoren} $a,a\in\Bbbk^n$  und die Multiplikation
eines Vektors mit einem Skalar $\lambda\in\Bbbk$ erfolgt elementweise:
\[
a+b
=
\begin{pmatrix}a_1\\\vdots\\a_n\end{pmatrix}
+
\begin{pmatrix}b_1\\\vdots\\b_n\end{pmatrix}
=
\begin{pmatrix}a_1+b_1\\\vdots\\a_n+b_n\end{pmatrix},
\qquad
\lambda a
=
\lambda
\begin{pmatrix}a_1\\\vdots\\a_n\end{pmatrix}
=
\begin{pmatrix}\lambda a_1\\\vdots\\\lambda a_n\end{pmatrix}.
\]
Die üblichen Rechenregeln sind erfüllt, nämlich 
\begin{equation}
\begin{aligned}
&\text{Kommutativität:}
&
a+b&=b+a
&&
&&\forall a,b\in V
\\
&\text{Assoziativgesetze:}
&
(a+b)+c&=a+(b+c)
&
(\lambda\mu)a&=\lambda(\mu a)
&&\forall a,b,c\in V,\; \lambda,\mu\in\Bbbk
\\
&\text{Distributivgesetze:}
&
\lambda(a+b)&=\lambda a + \lambda b
&
(\lambda+\mu)a&=\lambda a + \mu a
&&\forall a,b\in V,\; \lambda,\mu\in\Bbbk.
\\
\end{aligned}
\label{buch:vektoren-und-matrizen:eqn:vrgesetze}
\end{equation}
Diese Gesetze drücken aus, dass man mit Vektoren so rechnen kann, wie man
das in der Algebra gelernt hat, mit der einzigen Einschränkung, dass
man Skalare immer links von Vektoren schreiben muss.
Die Distributivgesetze zum Beispiel sagen, dass man Ausmultipilizieren
oder Ausklammern kann genauso wie in Ausdrücken, die nur Zahlen enthalten.

Man beachte, dass es im allgemeinen kein Produkt von Vektoren gibt.
Das aus der Vektorgeometrie bekannte Vektorprodukt ist eine Spezialität
des dreidimensionalen Raumes, es gibt keine Entsprechung dafür in anderen
Dimensionen.

\subsubsection{Standardbasisvektoren}
In $\Bbbk^n$ findet man eine Menge von speziellen Vektoren, durch die
man alle anderen Vektoren ausdrücken kann.
Mit den sogenannten {\em Standardbasisvektoren}
\[
e_1=\begin{pmatrix}1\\0\\\vdots\\0\end{pmatrix},
e_2=\begin{pmatrix}0\\1\\\vdots\\0\end{pmatrix},
\dots,
e_n=\begin{pmatrix}0\\0\\\vdots\\1\end{pmatrix}
\]
kann der Vektor $a\in\Bbbk^n$ als
\[
a
=
\begin{pmatrix}a_1\\a_2\\\vdots\\a_n\end{pmatrix}
=
a_1 \begin{pmatrix}1\\0\\\vdots\\0\end{pmatrix}
+
a_2 \begin{pmatrix}0\\1\\\vdots\\0\end{pmatrix}
+
\dots
+
a_n \begin{pmatrix}0\\0\\\vdots\\1\end{pmatrix}
=
a_1e_1+a_2e_2+\dots+a_ne_n
\]
ausgedrückt werden.

\subsubsection{Vektorraum}
Die Rechnungen, die man gemäss der Rechengesetze
\eqref{buch:vektoren-und-matrizen:eqn:vrgesetze}
anstellen kann, verlangen nicht, dass Elemente $a$ und $b$, mit denen man
da rechnet, Zeilen- oder Spaltenvektoren sind.
Jede Art von mathematischem Objekt, mit dem man so rechen kann,
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 
$\lambda\in \Bbbk$, heisst ein {\em $\Bbbk$-Vektorraum} oder {\em Vektorraum
über $\Bbbk$} (oder
einfach nur {\em Vektorraum}, wenn $\Bbbk$ aus dem Kontext klar sind),
wenn die Rechenregeln~\eqref{buch:vektoren-und-matrizen:eqn:vrgesetze}
gelten
\end{definition}

Die Mengen von Spaltenvektoren $\Bbbk^n$ sind ganz offensichtlich
Vektorräume.
Die in Kapitel~\ref{buch:chapter:polynome} studierten Mengen von
Polynomen mit Koeffizienten in $\Bbbk$ sind ebenfalls Vektorräume.

\begin{beispiel}
Die Zahlenmenge $\mathbb{C}$ ist ein $\mathbb{R}$-Vektorraum.
Elemente von $\mathbb{C}$ können addiert und mit reellen Zahlen
multipliziert werden.
Die Rechenregeln für die komplexen Zahlen umfassen auch alle Regeln
\eqref{buch:vektoren-und-matrizen:eqn:vrgesetze}, also ist
$\mathbb{C}$ ein Vektorraum über $\mathbb{R}$.
\end{beispiel}

\begin{beispiel}
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:
\[
(f+g)(x) = f(x) + g(x)
\qquad\text{und}\qquad
(\lambda f)(x) = \lambda f(x).
\]
Dies reicht aber noch nicht ganz, denn $f+g$ und $\lambda f$ müssen
ausserdem auch {\em stetige} Funktionen sein.
Das dem so ist, lernt man in der Analysis.
Die Vektorraum-Rechenregeln
\eqref{buch:vektoren-und-matrizen:eqn:vrgesetze} sind ebenfalls erfüllt.
\end{beispiel}

Die Beispiele zeigen, dass der Begriff des Vektorraums die algebraischen
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.
Im folgenden werden wir alle Aussagen für einen Vektorraum $V$ formulieren,
wenn wir die Darstellung als Tupel $\Bbbk^n$ nicht brauchen.

\subsubsection{Gleichungssysteme in Vektorform}
Die Vektorraum-Operationen erlauben nun auch, lineare Gleichungssysteme
in {\em Vektorform} zu schreiben:
\index{Vektorform eines Gleichungssystems}%
\begin{equation}
\left.
\begin{linsys}{4}
a_{11} x_1 &+& \dots &+& a_{1n}x_n &=& b_1\\
\vdots     & & \ddots& & \vdots    & & \vdots \\
a_{m1} x_1 &+& \dots &+& a_{1n}x_n &=& b_m\\
\end{linsys}
\quad
\right\}
\qquad
\Rightarrow
\qquad
x_1
\begin{pmatrix}a_{11}\\\vdots\\a_{m1} \end{pmatrix}
+
\dots
+
x_n
\begin{pmatrix}a_{1n}\\\vdots\\a_{mn} \end{pmatrix}
=
\begin{pmatrix}b_1\\\vdots\\b_m\end{pmatrix}
\label{buch:vektoren-und-matrizen:eqn:vektorform}
\end{equation}
Die rechte Seite von~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}
ist eine Linearkombination der Spaltenvektoren.

\begin{definition}
Eine Linearkombination der Vektoren $v_1,\dots,v_n\in V$ ist ein Ausdruck
der Form
\[
v
=
\lambda_1v_1+\dots + \lambda_n v_n
\]
mit $\lambda_1,\dots,\lambda_n\in \Bbbk$.
\end{definition}

Die Menge aller Vektoren, die sich als Linearkombinationen einer gegebenen
Menge ausdrücken lässt, heisst der aufgespannte Raum.

\begin{definition}
\index{aufgespannter Raum}%
Sind $a_1,\dots,a_n\in V$ Vektoren, dann heisst die Menge
\[
\langle a_1,\dots,a_n\rangle
=
\{x_1a_1+\dots+x_na_n\;|\; x_1,\dots,x_n\in\Bbbk\}
\]
aller Vektoren, die sich durch Linearkombination aus den Vektoren
$a_1,\dots,a_n$ gewinnen lassen, der von $a_1,\dots,a_n$
aufgespannte Raum.
\end{definition}

\subsubsection{Lineare Abhängigkeit}
Die Gleichung~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}
drückt aus, dass sich der Vektor $b$ auf der rechten Seite als
Linearkombination der Spaltenvektoren ausdrücken lässt.
Oft ist eine solche Darstellung auf nur eine Art und Weise.
Betrachten wir daher jetzt den Fall, dass es zwei verschiedene
Linearkombinationen der Vektoren $a_1,\dots,a_n$ gibt, die beide den
Vektor $b$ ergeben.
Deren Differenz ist
\begin{equation}
\left.
\begin{linsys}{4}
x_1 a_1 &+& \dots &+& x_n a_n &=& b \\
x_1'a_1 &+& \dots &+& x_n'a_n &=& b \\
\end{linsys}
\quad\right\}
\qquad
\Rightarrow
\qquad
(\underbrace{x_1-x_1'}_{\lambda_1}) a_1
+
\dots
+
(\underbrace{x_n-x_n'}_{\lambda_n}) a_n
=
0.
\label{buch:vektoren-und-matrizen:eqn:linabhkomb}
\end{equation}
Die Frage, ob ein Gleichungssystem genau eine Lösung hat, hängt also
damit zusammen, ob es Zahlen $\lambda_1,\dots,\lambda_n$ gibt, für
die die Gleichung~\label{buch:vektoren-und-matrizen:eqn:linabhkomb}
erfüllt ist.

\begin{definition}
Die Vektoren $a_1,\dots,a_n$ heissen linear abhängig, wenn es Zahlen
$\lambda_1,\dots,\lambda_n\in\Bbbk$ gibt, die nicht alle $0$ sind, so dass
\begin{equation}
\lambda_1a_1+\dots+\lambda_na_n = 0.
\label{buch:vektoren-und-matrizen:eqn:linabhdef}
\end{equation}
Die Vektoren heissen linear abhängig, wenn aus
\eqref{buch:vektoren-und-matrizen:eqn:linabhdef}
folgt, dass alle $\lambda_1,\dots,\lambda_n=0$ sind.
\end{definition}

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 
ist der Koeffizient $\lambda_k\ne 0$, dann kann man nach $a_k$ auflösen:
\[
a_k = -\frac{1}{\lambda_k}(\lambda_1a_1+\dots+\widehat{\lambda_ka_k}+\dots+\lambda_na_n).
\]
Darin bedeutet der Hut, dass der entsprechende Term weggelassen werden
muss.
Da dies für jeden von $0$ verschiedenen Koeffizienten möglich ist,
sagt man eben nicht, $a_k$ ist linear abhängig von den anderen, sondern
man sagt $a_1,\dots,a_n$ sind (untereinander) linear abhängig.

\subsubsection{Basis}
Ein lineares Gleichungssystem fragt danach, ob und wie ein Vektor $b$ als
Linearkombination der Vektoren $a_1,\dots,a_n$ ausgedrückt werden kann.
Wenn dies eindeutig möglich ist, dann haben die Vektoren $a_1,\dots,a_n$
offenbar eine besondere Bedeutung.

\begin{definition}
\index{Basis}%
\index{Dimension}%
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 
{\em Dimension} von $V$.
\end{definition}

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 
Skalaren immer noch möglich ist.

\begin{definition}
Eine Teilmenge $U\subset V$ heisst ein {\em Unterraum} von $V$, wenn
$U$ selbst ein $\Bbbk$-Vektorraum ist, also
\[
\begin{aligned}
a,b&\in U &&\Rightarrow &a+b&\in U
\\
a&\in U, \lambda\in\Bbbk &&\Rightarrow & \lambda a&\in U
\end{aligned}
\]
gilt.
\end{definition}

%
% Matrizen
%
\subsection{Matrizen
\label{buch:grundlagen:subsection:matrizen}}
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.

\subsubsection{Definition}
\begin{definition}
Eine $m\times n$-Matrix $A$ (über $\Bbbk$) ist rechteckiges Schema
\index{Matrix}%
\[
A
=
\begin{pmatrix}
a_{11}&a_{12}&\dots &a_{1n}\\
a_{21}&a_{22}&\dots &a_{2n}\\
\vdots&\vdots&\ddots&\vdots\\
a_{m1}&a_{m2}&\dots &a_{mn}\\
\end{pmatrix}
\]
mit $a_{ij}\in\Bbbk$.
Die Menge aller $m\times n$-Matrizen wird mit
\[
M_{m\times n}(\Bbbk) = \{ A\;|\; \text{$A$ ist eine $m\times n$-Matrix}\}.
\]
Falls $m=n$ gilt, heisst die Matrix $A$ auch {\em quadratisch}
\index{quadratische Matrix}%
Man kürzt die Menge der quadratischen Matrizen als 
$M_n(\Bbbk) = M_{n\times n}(\Bbbk)$ ab.
\end{definition}

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 
den $n$ Spaltenvektoren
\[
a_1 = \begin{pmatrix} a_{11} \\ a_{21} \\ \vdots \\ a_{m1} \end{pmatrix},\quad
a_2 = \begin{pmatrix} a_{12} \\ a_{22} \\ \vdots \\ a_{m2} \end{pmatrix},\dots,
a_n = \begin{pmatrix} a_{1n} \\ a_{2n} \\ \vdots \\ a_{mn} \end{pmatrix}.
\]
Sie besteht auch aus den $m$ Zeilenvektoren
\[
\begin{pmatrix} a_{k1} & a_{k2} & \dots & a_{kn} \end{pmatrix}
\]
mit $k=1,\dots,m$.

\subsubsection{Addition und Multiplikation mit Skalaren}
Die $m\times n$-Matrizen $M_{m\times n}(\Bbbk)$ bilden eine Vektorraum,
die Addition von Matrizen und die Multiplikation wird wie folgt definiert.

\begin{definition}
Sind $A,B\in M_{m\times n}(\Bbbk)$ und $\lambda\in\Bbbk$, dann setzt man
\[
A+B
=
\begin{pmatrix}
a_{11}+b_{11}&a_{12}+b_{12}&\dots &a_{1n}+b_{1n}\\
a_{21}+b_{21}&a_{22}+b_{22}&\dots &a_{2n}+b_{2n}\\
\vdots       &\vdots       &\ddots&\vdots       \\
a_{m1}+b_{m1}&a_{m2}+b_{m2}&\dots &a_{mn}+b_{mn}
\end{pmatrix}
\qquad\text{und}\qquad
\lambda A
=
\begin{pmatrix}
\lambda a_{11}&\lambda a_{12}&\dots &\lambda a_{1n}\\
\lambda a_{21}&\lambda a_{22}&\dots &\lambda a_{2n}\\
\vdots        &\vdots        &\ddots&\vdots        \\
\lambda a_{m1}&\lambda a_{m2}&\dots &\lambda a_{mn}
\end{pmatrix}.
\]
\end{definition}

\subsubsection{Multiplikation}
Will man ein lineares Gleichungssystem mit Hilfe der Matrix $A$ der
Koeffizienten schreiben, bekommt es die Form $Ax=b$, wobei der Vektor
der rechten Seiten ist, und $x$ ein Vektor von unbekannten Zahlen.
Dies ist jedoch nur sinnvoll, wenn das Produkt $Ax$ sinnvoll definiert
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
Koeffizienten
\begin{equation}
c_{ij} = \sum_{k=1}^n a_{ik} b_{kj}.
\label{buch:vektoren-unbd-matrizen:eqn:matrixmultiplikation}
\end{equation}
\end{definition}

Die Koeffizienten $a_{ik}$ kommen aus der Zeile $i$ von $A$, die Koeffizienten
$b_{kj}$ stehen in der Spalte $j$ von $B$, die Multiplikationsregel
\eqref{buch:vektoren-unbd-matrizen:eqn:matrixmultiplikation}
besagt also, dass das Element $c_{ij}$ entsteht als das Produkt
der Zeile $i$ von $A$ mit der Spalte $j$ von $C$.

\subsubsection{Einheitsmatrix}
Welche $m\times m$-Matrix $E\in M_{m}(\Bbbk)$ hat die Eigenschaft, dass
$EA=A$ für jede beliebige Matrix $A\in M_{m\times n}(\Bbbk)$.
Wir bezeichnen die Koeffizienten von $E$ mit $\delta_{ij}$.
Die Bedingung $EA=A$ bedeutet
\[
a_{ij} = \delta_{i1}a_{1j} + \dots + \delta_{im}a_{mj},
\]
Da auf der linken Seite nur $a_{ij}$ vorkommt, müssen alle Terme auf der
rechten Seite verschwinden ausser dem Term mit $a_{ij}$, dessen
Koeffizient $\delta_{ii}=1$ sein muss.
Die Koeffizienten sind daher
\[
\delta_{ij}
=
\begin{cases}
1&\qquad i=j\\
0&\qquad\text{sonst}
\end{cases}
\]
Die Zahlen $\delta_{ij}$ heissen auch das {\em Kronecker-Symbol} oder
{\em Kronecker-Delta}.
\index{Kronecker-$\delta$}%
\index{Kronecker-Symbol}%
Die Matrix $E$ hat die Einträge $\delta_{ij}$ und heisst die
{\em Einheitsmatrix}
\index{Einheitsmatrix}%
\[
E
=
\begin{pmatrix}
1     &0     &\dots &0     \\
0     &1     &\dots &0     \\
\vdots&\vdots&\ddots&\vdots\\
0     &0     &\dots &1  
\end{pmatrix}.
\]


%
% Gleichungssysteme
%
\subsection{Gleichungssysteme
\label{buch:grundlagen:subsection:gleichungssyteme}}
Lineare Gleichungssysteme haben wir bereits in Vektorform geschrieben.
Matrizen wurden eingeführt, um sie noch kompakter in der Matrixform
$Ax=b$ zu schreiben.
In diesem Abschnitt sollen die bekannten Resultate über die Lösung
von linearen Gleichungssytemen zusammengetragen werden.

\subsubsection{Eindeutige Lösung}
Mit Hilfe der Vektorform eines linearen Gleichungssystems wurde
gezeigt, dass die Lösung genau dann eindeutig ist, wenn die Spaltenvektoren
der Koeffizientenmatrix linear unabhängig sind.
Dies bedeutet, dass das Gleichungssystem
\[
\begin{linsys}{3}
a_{11}x_1 &+& \dots &+& a_{1n}x_n &=& 0      \\
\vdots    & & \ddots& & \vdots    & & \vdots \\
a_{m1}x_1 &+& \dots &+& a_{mn}x_n &=& 0
\end{linsys}
\]
eine nichttriviale Lösung haben muss.
Das Gleichungssystem $Ax=b$ ist also genau dann eindeutig lösbar, wenn
das homogene Gleichungssystem $Ax=0$ nur die Nulllösung hat.

\subsubsection{Inhomogene und homogene Gleichungssysteme}
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 $b\ne 0$ 
ist $Ax=0$ das zugehörige homogene Gleichungssystem.

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
eindeutig, wenn das zugehörige homogene Gleichungssystem eine nichttriviale
Lösung hat.

\subsubsection{Gauss-Algorithmus}


\subsubsection{Inverse Matrix}
Zu jeder quadratischen Matrix $A\in M_n(\Bbbk)$ kann man versuchen, die
Gleichungen
\[
Ac_1 = e_1,\quad Ac_2 = e_2, \dots, Ac_n = e_n
\]
mit den Standardbasisvektoren $e_i$ als rechten Seiten zu lösen, wobei
die $c_i$ Vektoren in $\Bbbk^n$ sind.
Diese Vektoren kann man mit Hilfe des Gaussalgorithmus finden:
\[
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
a_{11}&a_{12}&\dots &a_{1n}&1     &0     &\dots &0     \\
a_{21}&a_{22}&\dots &a_{2n}&0     &1     &\dots &0     \\
\vdots&\vdots&\ddots&\vdots&\vdots&\vdots&\ddots&\vdots\\
a_{n1}&a_{n2}&\dots &a_{nn}&0     &0     &\dots &1     \\
\hline
\end{tabular}
\rightarrow
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
1     &0     &\dots &0     &c_{11}&c_{12}&\dots &c_{1n}\\
0     &1     &\dots &0     &c_{21}&c_{22}&\dots &c_{2n}\\
\vdots&\vdots&\ddots&\vdots&\vdots&\vdots&\ddots&\vdots\\
0     &0     &\dots &1     &c_{n1}&c_{n2}&\dots &c_{nn}\\
\hline
\end{tabular}
\]
Die Vektoren $c_k$ sind die Spaltenvektoren der Matrix $C$ mit den
Einträgen $c_{ij}$.

Mit den Vektoren $c_k$ können jetzt beliebige inhomogene Gleichungssysteme
$Ax=b$ gelöst werden.
Da $b = b_1e_1 + b_2e_2 + \dots + b_ne_n$, kann man die Lösung $x$ als
$x = b_1c_1+b_2c_2+\dots+b_nc_n$ konstruieren.
Tatsächlich gilt
\begin{align*}
Ax
&= 
A( b_1c_1+b_2c_2+\dots+b_nc_n)
\\
&=
b_1Ac_1 + b_2Cc_2 + \dots + b_nAc_n
\\
&=
b_1e_1 + b_2e_2 + \dots + b_ne_n
=
b.
\end{align*}
Die Linearkombination $x=b_1c_1+\dots+b_nc_n$ kann in Vektorform als $x=Cb$
geschrieben werden.

Die Konstruktion von $C$ bedeutet auch, dass $AC=E$, daher heisst $C$ auch
die zu $A$ {\em inverse Matrix}.
\index{inverse Matrix}
Sie wird auch $C=A^{-1}$ geschrieben.

Die Definition der inversen Matrix stellt sicher, dass $AA^{-1}=E$ gilt,
daraus folgt aber noch nicht, dass auch $A^{-1}A=E$ ist.
Die Eigenschaften der Matrizenmultiplikation stellen jedoch sicher,
dass die Menge der invertierbaren Matrizen eine Struktur bilden,
die man Gruppe nennt, die in Abschnitt~\ref{buch:grundlagen:subsection:gruppen}
genauer untersucht wird.
In diesem Zusammenhang wird dann auf
Seite~\pageref{buch:vektorenmatrizen:satz:gruppenregeln}
die Eigenschaft $A^{-1}A=E$ ganz allgemein gezeigt.

\subsubsection{Determinante}

%
% Lineare Abbildungen
%
\subsection{Lineare Abbildungen
\label{buch:grundlagen:subsection:lineare-abbildungen}}
Der besondere Nutzen der Matrizen ist, dass sie auch lineare Abbildungen
zwischen Vektorräumen beschreiben können.
In diesem Abschnitt werden lineare Abbildungen abstrakt definiert
und die Darstellung als Matrix mit Hilfe einer Basis eingeführt.


\subsubsection{Definition}
Eine lineare Abbildung zwischen Vektorräumen muss so gestaltet sein,
dass die Operationen des Vektorraums erhalten bleiben.
Dies wird von der folgenden Definition erreicht.

\begin{definition}
Eine Abbildung $f\colon V\to U$ zwischen Vektorräumen $V$ und $U$
heisst linear, wenn
\[
\begin{aligned}
f(v+w) &= f(v) + f(w)&&\forall v,w\in V 
\\
f(\lambda v) &= \lambda f(v) &&\forall v\in V,\lambda \in \Bbbk
\end{aligned}
\]
gilt.
\end{definition}

Lineare Abbildungen sind in der Mathematik sehr verbreitet.

\begin{beispiel}
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 $[a,b]$. 
Die Ableitung $\frac{d}{dx}$ macht aus einer Funktion $f(x)$ die
Ableitung $f'(x)$.
Die Rechenregeln für die Ableitung stellen sicher, dass 
\[
\frac{d}{dx}
\colon
C^1([a,b]) \to  C([a,b]) 
:
f \mapsto f'
\]
eine lineare Abbildung ist.
\end{beispiel}

\begin{beispiel}
Sei $V$ die Menge der Riemann-integrierbaren Funktionen auf dem
Intervall $[a,b]$ und $U=\mathbb{R}$.
Das bestimmte Integral
\[
\int_a^b \;\colon V \to U : f \mapsto \int_a^b f(x)\,dx
\]
ist nach den bekannten Rechenregeln für bestimmte Integrale
eine lineare Abbildung.
\end{beispiel}

\subsubsection{Matrix}
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 $U$.
Das Bild des Basisvektors $b_i$ kann als Linearkombination der
Vektoren $c_1,\dots,c_m$ dargestellt werden.
Wir verwenden die Bezeichnung
\[
f(b_i) 
=
a_{1i} c_1 + \dots + a_{mi} c_m.
\]
Die lineare Abbildung $f$ bildet den Vektor $x$ mit Koordinaten
$x_1,\dots,x_n$ ab auf 
\begin{align*}
f(x)
&=
f(x_1b_1  + \dots x_nb_n)
\\
&=
x_1 f(b_1) + \dots x_nf(b_n)
\\
&=
x_1(a_{11} c_1 + \dots + a_{m1} c_m)
+
\dots
+
x_n(a_{1n} c_1 + \dots + a_{mn} c_m)
\\
&=
( a_{11} x_1 + \dots + a_{1n} x_n ) c_1
+
\dots
+
( 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 
also gegeben durch das Matrizenprodukt $Ax$, wenn $x$ der Spaltenvektor
aus den Koordinaten in der Basis $\mathcal{B}$ in $V$ ist.

Die Matrix einer linearen Abbildung macht Aussagen über eine lineare
Abbilung der Rechnung zugänglich.
Allerdings hängt die Matrix einer linearen Abbildung von der Wahl der
Basis ab.
Gleichzeitig ist dies eine Chance, durch Wahl einer geeigneten Basis
kann man eine Matrix in eine Form bringen, die zur Lösung eines
Problems optimal geeignet ist.

\subsubsection{Basiswechsel}
In einem Vektorraum $V$ seien zwei Basen $\mathcal{B}=\{b_1,\dots,b_n\}$
und $\mathcal{B}'=\{b_1',\dots,b_n'\}$ gegeben.
Ein Vektor $v\in V$ kann in beiden beiden Basen dargestellt werden.
Wir bezeichnen mit dem Spaltenvektor $x$ die Koordinaten von $v$ in der
Basis $\mathcal{B}$ und mit dem Spaltenvektor $x'$ die Koordinaten
in der Basisi $\mathcal{B}'$.
Um die Koordinaten umzurechnen, muss man die Gleichung
\begin{equation}
x_1b_1 + \dots + x_nb_n = x_1'b_1' + \dots + x_n'b_n'
\label{buch:vektoren-und-matrizen:eqn:basiswechselgleichung}
\end{equation}
lösen.

Stellt man sich die Vektoren $b_i$ und $b_j'$ als $m$-dimensionale
Spaltenvektoren vor mit $m\ge n$, dann bekommt
\eqref{buch:vektoren-und-matrizen:eqn:basiswechselgleichung}
die Form eines Gleichungssystems
\[
\begin{linsys}{6}
b_{11}x_1&+& \dots &+&b_{1n}x_n&=&b_{11}'x_1'&+& \dots &+&b_{1n}'x_n'\\
\vdots   & & \ddots& &\vdots   & &\vdots     & & \ddots& &\vdots     \\
b_{m1}x_1&+& \dots &+&b_{mn}x_n&=&b_{m1}'x_1'&+& \dots &+&b_{mn}'x_n'
\end{linsys}
\]
Dieses Gleichungssystem kann man mit Hilfe eines Gauss-Tableaus lösen.
Wir schreiben die zugehörigen Variablen 
\[
\renewcommand{\arraystretch}{1.1}
\begin{tabular}{|>{$}c<{$} >{$}c<{$} >{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
x_1&\dots&x_n&x_1'&\dots&x_n'\\
\hline
b_{11}&\dots &b_{1n}&b_{11}'&\dots &v_{1n}'\\
\vdots&\ddots&\vdots&\vdots &\ddots&\vdots \\
b_{n1}&\dots &b_{nn}&b_{n1}'&\dots &v_{nn}'\\
\hline
b_{n+1,1}&\dots &b_{n+1,n}&b_{n+1,1}'&\dots &v_{n+1,n}'\\
\vdots&\ddots&\vdots&\vdots &\ddots&\vdots \\
b_{m1}&\dots &b_{mn}&b_{m1}'&\dots &v_{mn}'\\
\hline
\end{tabular}
\rightarrow
\begin{tabular}{|>{$}c<{$} >{$}c<{$} >{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
x_1&\dots&x_n&x_1'&\dots&x_n'\\
\hline
1     &\dots &0     &t_{11}             &\dots              &t_{1n}        \\
\vdots&\ddots&\vdots&\vdots             &\ddots             &\vdots        \\
0     &\dots &1     &t_{n1}             &\dots              &t_{nn}        \\
\hline
0     &\dots &0     &{\color{red}0}     &{\color{red}\dots} &{\color{red}0}\\
\vdots&\ddots&\vdots&{\color{red}\vdots}&{\color{red}\ddots}&{\color{red}\vdots}\\
0     &\dots &0     &{\color{red}0}     &{\color{red}\dots} &{\color{red}0}\\
\hline
\end{tabular}
\]
Das rechte untere Teiltableau enthält lauter Nullen genau dann, wenn jeder
Vektor in $V$ sich in beiden Mengen $\mathcal{B}$ und $\mathcal{B}'$
ausdrücken lässt.
Dies folgt aber aus der Tatsache, dass $\mathcal{B}$ und $\mathcal{B}'$
beide Basen sind, also insbesondere den gleichen Raum aufspannen.
Die $n\times n$-Matrix $T$ mit Komponenten $t_{ij}$ rechnet Koordinaten
in der Basis $\mathcal{B}'$ um in Koordinaten in der Basis $\mathcal{B}$.

\subsubsection{Umkehrabbbildung}
Sei $f$ eine umkehrbare lineare Abbildung $U\to V$ und $g\colon V\to U$.
die zugehörige Umkehrabbildung.
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 
\begin{align*}
g(u+w)&=g(f(a)+f(b)) = g(f(a+b)) = a+b = g(u)+g(w)
\\
g(\lambda u) &= g(\lambda f(a))=g(f(\lambda a)) = \lambda a = \lambda g(u)
\end{align*}
berechnen, was zeigt, dass auch $g$ eine lineare Abbildung ist.
Hat $f$ in geeignet gewählten Basen die Matrix $F$, dann hat die
Umkehrabbildung $g=f^{-1}$ die Matrix $G=F^{-1}$.
Da auch $f(g(y))=y$ gilt für jeden Vektor $y\in V$ folgt, dass $FF^{-1}=E$
und $F^{-1}F=E$.

\subsubsection{Kern und Bild}
Für die Eindeutigkeit der Lösung eines linearen Gleichungssytems
ist entscheidend, ob das zugehörige homogene Gleichungssystem $Ax=0$
eine nichttriviale Lösung hat.
Seine Lösungmenge spielt also eine besondere Rolle, was rechtfertigt,
ihr einen Namen zu geben.

\begin{definition}
\index{Kern}%
Ist $f$ eine lineare Abbildung $U\to V$, dann heisst die Menge
\[
\ker f
=
\{x\in U\;|\; f(x)=0\}
\]
der {\em Kern} oder {\em Nullraum} der linearen Abbildung $f$.
Ist $A \in M_{m\times n}(\Bbbk)$ Matrix, dann gehört dazu eine lineare
Abbildung $f\colon\Bbbk^n\to\Bbbk^m$.
Der Kern oder Nullraum der Matrix $A$ ist die Menge
\[
\ker A
=
\{ x\in\Bbbk^m \;|\; Ax=0\}.
\]
\end{definition}

Der Kern ist ein Unterraum, denn für zwei Vektoren $u,w\in \ker f$ 
\[
\begin{aligned}
f(u+v)&=f(u) + f(v) = 0+0 = 0 &&\Rightarrow& u+v&\in\ker f\\
f(\lambda u)&=\lambda f(u) = \lambda\cdot 0=0&&\Rightarrow& \lambda u&\in\ker f
\end{aligned}
\]
gilt.

Ob ein Gleichungssystem $Ax=b$ überhaupt eine Lösung hat, hängt davon,
ob der Vektor $b$ als Bild der durch $A$ beschriebenen linearen Abbildung
$\Bbbk^n \to \Bbbk^m$ enthalten ist.
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 
\[
\operatorname{im}f = \{ f(v)\;|\;v\in V\} \subset U
\]
von $U$.
Das Bild einer $m\times n$-Matrix $A$ ist die Menge
\[
\operatorname{im}A = \{ Av \;|\; v\in\Bbbk^n\} \subset \Bbbk^m.
\]
\end{definition}

Zwei Vektoren $a,b\in\operatorname{im}$ haben Urbilder $u,w\in V$ mit
$f(u)=a$ und $f(w)=b$.
Für Summe und Multiplikation mit Skalaren folgt
\[
\begin{aligned}
a+b&= f(u)+f(v)=f(u+v) &&\Rightarrow a+b\in\operatorname{im}f\\
\lambda a&=\lambda f(u) = f(\lambda u) &&\Rightarrow \lambda a&\in\operatorname{im}f,
\end{aligned}
\]
also ist auch das Bild $\operatorname{im}f$ ein Unterraum von $U$.
Das Bild der Matrix $A$ ist der Unterraum
\[
\{ x_1f(b_1) + \dots x_n f(b_n) | x_i\in\Bbbk\}
=
\langle f(b_1),\dots,f(b_n)\rangle
=
\langle a_1,\dots,a_n\rangle
\]
von $\Bbbk^m$, aufgespannt von den Spaltenvektoren $a_i$ von $A$.