aboutsummaryrefslogtreecommitdiffstats
path: root/buch/chapters/10-vektorenmatrizen/linear.tex
blob: 26dfcec54bcab01d3f1e721896da31d18cb992a4 (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
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
1351
1352
1353
1354
1355
1356
1357
1358
1359
1360
1361
1362
1363
1364
1365
1366
1367
1368
1369
1370
1371
1372
1373
1374
1375
1376
1377
1378
1379
1380
1381
1382
1383
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399
1400
1401
1402
1403
1404
1405
1406
1407
1408
1409
1410
1411
1412
1413
1414
1415
1416
1417
1418
1419
1420
1421
1422
1423
1424
1425
1426
1427
1428
1429
1430
1431
1432
1433
1434
1435
1436
1437
1438
1439
1440
1441
1442
1443
1444
1445
1446
1447
1448
1449
1450
1451
1452
1453
1454
1455
1456
1457
1458
1459
1460
1461
1462
1463
1464
1465
1466
1467
1468
1469
1470
1471
1472
1473
1474
1475
1476
1477
1478
1479
1480
1481
1482
1483
1484
1485
1486
1487
1488
1489
1490
1491
1492
1493
1494
1495
1496
1497
1498
1499
1500
1501
1502
1503
1504
1505
1506
1507
1508
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530
1531
1532
1533
1534
1535
1536
1537
1538
1539
1540
1541
1542
1543
1544
1545
1546
1547
1548
1549
1550
1551
1552
1553
1554
1555
1556
1557
1558
1559
1560
1561
1562
1563
1564
1565
1566
1567
1568
1569
1570
1571
1572
1573
1574
1575
1576
1577
1578
1579
1580
1581
1582
1583
1584
1585
1586
1587
1588
1589
1590
1591
1592
1593
1594
1595
1596
1597
1598
1599
1600
%
% 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 Gleichungssysteme 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, der Codierungstheorie 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.
Das bedeutet aber nur, dass man mit den Koordinaten rechnen kann,
mit den Punkten selbst 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 zudem 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 $\Bbbk$.
\index{Vektor}%

\begin{definition}
Ein $n$-dimensionaler {\em Spaltenvektor} ist ein $n$-Tupel von Zahlen aus
\index{Spaltenvektor}%
$\Bbbk$ 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
\index{Zeilenvektor}%
\[
u = \begin{pmatrix}u_1&u_2&\dots&u_m\end{pmatrix} \in \Bbbk^m.
\]
\end{definition}

Für Vektoren gleicher Dimension sind zwei Rechenoperationen definiert.
Die {\em Addition von Vektoren} $a,b\in\Bbbk^n$  und die Multiplikation
\index{Addition von Vektoren}%
eines Vektors mit einem Skalar $\lambda\in\Bbbk$ erfolgen 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}
\index{Kommutativgesetz}%
\index{Assoziativgesetz}%
\index{Distributivgesetz}%
\begin{aligned}
&\text{Kommutativität:}
&
a+b&=b+a
&&
&&\forall a,b\in \Bbbk^n
\\
&\text{Assoziativgesetze:}
&
(a+b)+c&=a+(b+c)
&
(\lambda\mu)a&=\lambda(\mu a)
&&\forall a,b,c\in \Bbbk^n,\; \lambda,\mu\in\Bbbk
\\
&\text{Distributivgesetze:}
&
\lambda(a+b)&=\lambda a + \lambda b
&
(\lambda+\mu)a&=\lambda a + \mu a
&&\forall a,b\in \Bbbk^n,\; \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}
\index{Standardbasisvektor}%
In $\Bbbk^n$ findet man die folgenden 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.
Dies ist ein Speziallfall des Begriffs der Linearkombination, der
weiter unten in
Definition~\ref{buch:vektoren-und-matrizen:def:linearkombination}
eingeführt wird.

\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 sind,
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
\index{Vektorraum}%
\index{k-Vektorraum@$\Bbbk$-Vektorraum}%
\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.
\index{C als R-Vektorraum@$\mathbb{C}$ als $\mathbb{R}$-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.
\index{stetige Funktionen}%
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 einer grossen Zahl sehr verschiedenartiger mathematischer
Objekte beschreiben kann.
Alle Erkenntnisse, die man ausschliesslich aus Vektorraumeigenschaften
gewonnen hat, sind auf alle diese Objekte übertragbar.
Im Folgenden werden wir danach streben, Aussagen für einen 
abstrakten Vektorraum $V$ zu formulieren,
wenn wir die Darstellung als Tupel in $\Bbbk^n$ nicht brauchen.

\subsubsection{Gleichungssysteme in Vektorform}
Die Vektorraum-Operationen erlauben nun auch, lineare Gleichungssysteme
\index{lineares Gleichungssytem}%
\index{Gleichungssytem, lineares}%
\index{Vektorform}%
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 linke Seite der Gleichung rechts in~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}
\index{Linearkombination}%
ist, wie man sagt, eine Linearkombination der Spaltenvektoren.

\begin{definition}
\label{buch:vektoren-und-matrizen:def:linearkombination}
Eine {\em 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
\[
\langle a_1,\dots,a_n\rangle
=
\{x_1a_1+\dots+x_na_n \mid x_1,\dots,x_n\in\Bbbk\}
\]
aller Vektoren, die sich durch Linearkombination aus den Vektoren
$a_1,\dots,a_n$ gewinnen lassen, der von $a_1,\dots,a_n$
{\em 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 möglich.
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~\eqref{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 {\em linear abhängig}, wenn aus
\eqref{buch:vektoren-und-matrizen:eqn:linabhdef}
folgt, dass alle $\lambda_1=0,\dots,\lambda_n=0$ 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 immer 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
$\mathcal{B}=\{a_1,\dots,a_n\}\subset V$,
mit der sich jeder Vektor von $V$ linear kombinieren lässt,
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
\index{Unterraum}%
$U$ 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 einer Matrix}
\begin{definition}
Eine {\em $m\times n$-Matrix} $A$ (über $\Bbbk$) ist ein 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 $a_{i\!j}\in\Bbbk$.
Die Menge aller $m\times n$-Matrizen wird mit
\[
M_{m\times n}(\Bbbk)
=
M_{m,n}(\Bbbk)
=
\{ A \mid \text{$A$ ist eine $m\times n$-Matrix}\}.
\]
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 $n$-dimensio\-nalen Zeilenvektoren
$u\in\Bbbk^n$ sind $1\times n$-Matrizen $v\in M_{1\times n}(\Bbbk)$.
Eine $m\times n$-Matrix $A$ mit den Koeffizienten $a_{i\!j}$ 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 einen 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
wie~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}
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}
\label{buch:vektoren-und-matrizen:def:matrixmultiplikation}
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 $m\times l$-Matrix $C=AB\in M_{m\times l}(\Bbbk)$ mit den
Koeffizienten
\begin{equation}
c_{i\!j} = \sum_{k=1}^n a_{ik} b_{k\!j}.
\label{buch:vektoren-und-matrizen:eqn:matrixmultiplikation}
\end{equation}
\end{definition}

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

\subsubsection{Einheitsmatrix}
Welche $m\times m$-Matrix $I\in M_{m}(\Bbbk)$ hat die Eigenschaft, dass
$IA=A$ für jede beliebige Matrix $A\in M_{m\times n}(\Bbbk)$?
Wir bezeichnen die Einträge von $I$ mit $\delta_{i\!j}$.
Die Bedingung $IA=A$ bedeutet
\[
a_{i\!j} = \delta_{i1}a_{1j} + \dots + \delta_{im}a_{mj}.
\]
Da auf der linken Seite nur $a_{i\!j}$ vorkommt, müssen
auf der rechten Seite alle Terme
verschwinden ausser dem Term mit $a_{i\!j}$, dessen
Koeffizient $\delta_{ii}=1$ sein muss.
Die Koeffizienten sind daher
\[
\delta_{i\!j}
=
\begin{cases}
1&\qquad i=j\\
0&\qquad\text{sonst.}
\end{cases}
\]
Die Zahlen $\delta_{i\!j}$ heissen auch das {\em Kronecker-Symbol} oder
{\em Kronecker-Delta}.
\index{Kronecker-$\delta$}%
\index{Kronecker-Symbol}%
Die Matrix $I$ hat die Einträge $\delta_{i\!j}$ und heisst die
{\em Einheitsmatrix}
\index{Einheitsmatrix}%
\[
I
=
\begin{pmatrix}
1     &0     &\dots &0     \\
0     &1     &\dots &0     \\[-2pt]
\vdots&\vdots&\ddots&\vdots\\
0     &0     &\dots &1
\end{pmatrix}.
\]

\subsubsection{Transponierte Matrix}
\index{transponierte Matrix}%
\index{Matrix, transponiert}%
Die zu einer $m\times n$-Matrix $A$ {\em transponierte} Matrix ist die
$n\times m$-Matrix
\[
A^t=\begin{pmatrix}
a_{11}&a_{21}&\dots&a_{m1}\\
a_{12}&a_{22}&\dots&a_{m2}\\
\vdots&\vdots&\ddots&\vdots\\
a_{1n}&a_{2n}&\dots&a_{mn}
\end{pmatrix}.
\]
Sie entsteht aus der Matrix $A$ durch Vertauschung von Zeilen und Spalten.
Aus der Definition~\ref{buch:vektoren-und-matrizen:def:matrixmultiplikation}
folgt unmittelbar die Rechenregel $(AB)^t = B^tA^t$.

Eine Matrix $A$ heisst {\em symmetrisch}, wenn $A^t=A$ ist, sie heisst
{\em antisymmetrisch}, wenn $A^t=-A$ gilt.
\index{symmetrische Matrix}%
\index{antisymmetrische Matrix}%
%
% 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{equation}
\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}
\label{buch:grundlagen:eqn:homogenessystem}
\end{equation}
nur die Nulllösung haben kann.
Das Gleichungssystem $Ax=b$ ist also genau dann eindeutig lösbar, wenn
das Gleichungssystem $Ax=0$ mit gleichen Koeffizienten 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.
\index{inhomogenes Gleichungssystem}%

Ein homogenes Gleichungssytem $Ax=0$ hat immer mindestens die
Lösung $x=0$, man nennt sie auch die {\em triviale} Lösung.
\index{triviale Lösung}%
Eine Lösung $x\ne 0$ heisst auch eine nichttriviale Lösung.
Die Lösungen eines inhomogenen Gleichungssystem $Ax=b$ ist also nur dann
eindeutig, wenn das zugehörige homogene Gleichungssystem eine nichttriviale
Lösung hat.

\subsubsection{Gauss-Algorithmus}
Der Gauss-Algorithmus oder genauer Gausssche Eliminationsalgorithmus
löst ein lineares Gleichungssystem der
\index{Gauss-Algorithmus}%
\index{Gausscher Eliminationsalgorithmus}%
Form~\eqref{buch:vektoren-und-matrizen:eqn:vektorform}.
Die Koeffizienten werden dazu in das Tableau
\[
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
a_{11}&\dots &a_{1n}&b_1   \\[-2pt]
\vdots&\ddots&\vdots&\vdots\\
a_{m1}&\dots &a_{mn}&b_m   \\
\hline
\end{tabular}
\]
eingetragen.
Die vertikale Linie erinnert an die Position des Gleichheitszeichens.
Das Tableau beinhaltet alle Informationen zur Durchführung des Algorithmus.
Der Algorithmus ist 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
Spalte $j$ ausgewählt, das Element $a_{i\!j}$ heisst das {\em Pivotelement}.
\index{Pivotelement}%
Die {\em Pivotdivision}
\index{Pivotdivision}
\[
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
a_{11}&\dots &a_{1j}&\dots &a_{1n}&b_1   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{i1}&\dots &{\color{red}a_{i\!j}}&\dots &a_{in}&b_i   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{m1}&\dots &a_{mj}&\dots &a_{mn}&b_m   \\
\hline
\end{tabular}
\rightarrow
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
a_{11}&\dots &a_{1j}&\dots &a_{1n}&b_1   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
{\color{red}\frac{a_{i1}}{a_{i\!j}}}&\dots &{\color{red}1}&\dots &{\color{red}\frac{a_{in}}{a_{i\!j}}}&{\color{red}\frac{b_i}{a_{i\!j}}}\\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{m1}&\dots &a_{mj}&\dots &a_{mn}&b_m   \\
\hline
\end{tabular}
\]
stellt sicher, dass das Pivot-Element zu $1$ wird.
\index{Pivotdivision}
Dies ist gleichbedeutend mit der Auflösung der Gleichung $i$ noch der
Variablen $x_j$.
Mit der {\em Zeilensubtraktion} auf Zeile $k>i$ können die Einträge in der
\index{Zeilenoperation}%
Spalte $j$ zu Null gemacht werden.
Dazu wird das $a_{k\!j}$-fache der Zeile $i$ von Zeile $k$ subtrahiert:
\[
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{i1}&\dots &{\color{red}1}&\dots &a_{in}&b_i   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{k1}&\dots &a_{k\!j}&\dots &a_{kn}&b_m   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
\hline
\end{tabular}
\rightarrow
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
a_{i1}&\dots &{\color{red}1}&\dots &a_{in}&b_i   \\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
{\color{blue}a_{k1}-a_{k\!j}a_{i1}}&\dots &{\color{blue}0}&\dots &{\color{blue}a_{kn}-a_{k\!j}a_{in}}&{\color{blue}b_m-a_{k\!j}b_{n}}\\[-2pt]
\vdots&      &\vdots&\ddots&\vdots&\vdots\\
\hline
\end{tabular}
\]
Typischerweise werden nach jeder Pivotdivision mehrer Zeilensubtraktionen
durchgeführt um alle anderen Elemente der Pivotspalte ausser dem
Pivotelement zu $0$ zu machen.
Beide Operationen können in einem Durchgang durchgeführt werden.

Die beiden Operationen Pivotdivision und Zeilensubtraktion werden jetzt
kombiniert, um im linken Teil des Tableaus möglichst viele Nullen und
Einsen zu erzeugen.
Dabei kann es nötig werden, Zeilen zu vertauschen, um ein von $0$
verschiedenes Pivotelement zu finden.
Im Idealfall wird ein Tableau der Form
\[
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
     1&     0&\dots &     0&u_1   \\
     0&     1&\dots &     0&u_2   \\[-2pt]
\vdots&\vdots&\ddots&\vdots&\vdots\\
     0&     0&\dots &     1&u_m   \\
\hline
\end{tabular}
\]
erreicht, was natürlich nur für $m=n$ möglich ist.
Interpretiert man die Zeilen dieses Tableaus wieder als Gleichungen,
dann liefert die Zeile $i$ den Wert $x_i=u_i$ für die Variable
mit Nummer $i$.
Der Lösungsvektor kann also in der Spalte ganz rechts abgelesen werden.

\begin{figure}
\centering
\includegraphics[width=\textwidth]{chapters/10-vektorenmatrizen/images/rref.pdf}
\caption{Zweckmässiger Ablauf der Berechnung des Gauss-Algorithmus.
Falls in einer Spalte kein weiteres von $0$ verschiedenes Pivotelement
zur Verfügung steht, wird die Zeile übersprungen.
Weisse Felder enthalten $0$, dunkelgraue $1$.
Die roten Kreise bezeichnen Pivot-Elemente, die blauen Felder,
die mit einer Zeilensubtraktion zu $0$ gemacht werden sollen.
\label{buch:grundlagen:fig:gaussalgorithmus}}
\end{figure}
Die effizienteste Strategie für die Verwendung der beiden Operationen
ist in Abbildung~\ref{buch:grundlagen:fig:gaussalgorithmus} dargestellt.
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
rechts nach links genutzt, um mit Zeilensubtraktionen auch die
Spalten über den Pivotelemnten frei zu räumen.
\index{Rückwärtseinsetzen}%
Wenn in einer Spalte kein von $0$ verschiedenes Element als Pivotelement
zur Verfügung steht, wird diese Spalte übersprungen.
Die so erzeugte Tableau-Form heisst auch die {\em reduzierte Zeilenstufenform}
({\em reduced row echelon form}, RREF).
\index{reduzierte Zeilenstufenform}%
\index{reduced row echelon form}%

Da der Ablauf des Gauss-Algorithmus vollständig von den Koeffizienten der
Matrix $A$ bestimmt ist, kann er gleichzeitig für mehrere Spalten auf der
rechten Seite oder ganz ohne rechte Seite durchgeführt werden.

\subsubsection{Lösungsmenge}
\index{Lösungsmenge}%
Die Spalten, in denen im Laufe des Gauss-Algorithmus kein Pivotelement
gefunden werden kann, gehören zu Variablen, nach denen sich das
Gleichungssystem nicht auflösen lässt.
Diese Variablen sind daher nicht bestimmt, sie können beliebig gewählt
werden.
Alle anderen Variablen sind durch diese frei wählbaren Variablen
bestimmt.

Für ein Gleichungssystem $Ax=b$ mit Schlusstableau
\index{Schlusstableau}%
\begin{equation}
\begin{tabular}{|>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}>{$}c<{$}|>{$}c<{$}|}
\hline
   x_1&   x_2&\dots &x_{j_i-1}&{\color{darkgreen}x_{j_1}}&x_{j_1+1}&\dots &x_{j_2-1}&{\color{darkgreen}x_{j_2}}&\dots&{\color{darkgreen}x_{j_k}}& \\
\hline
     1&     0&\dots &        0&c_{1j_1}   &     0&\dots &     0&c_{1j_2}     &\dots &c_{1j_k}     &d_1      \\
     0&     1&\dots &        0&c_{2j_1}   &     0&\dots &     0&c_{2j_2}     &\dots &c_{1j_k}     &d_2      \\[-2pt]
\vdots&\vdots&\ddots&\vdots   &\vdots     &\vdots&\ddots&\vdots&\vdots       &\ddots&\vdots       &\vdots   \\
     0&     0&\dots &        1&c_{i_1,j_1}&     0&\dots &     0&c_{i_1,j_2}  &\dots &c_{i_1j_k}   &d_{i_1}  \\
     0&     0&\dots &        0&          0&     1&\dots &     0&c_{i_1+1,j_2}&\dots &c_{i_1+1,j_k}&d_{i_1+1}\\[-2pt]
\vdots&\vdots&\ddots&\vdots   &\vdots     &\vdots&\vdots&\vdots&\vdots       &\ddots&\vdots       &\vdots   \\
     0&     0&\dots &        0&          0&     0&\dots &     1&c_{i_2,j_2}  &\dots &c_{i_2j_k}   &d_{i_2}  \\
     0&     0&\dots &        0&          0&     0&\dots &     0&            0&\dots &c_{i_2+1,j_k}&d_{i_2+1}\\[-2pt]
\vdots&\vdots&\ddots&\vdots   &\vdots     &\vdots&\ddots&\vdots&\vdots       &\ddots&\vdots       &\vdots   \\
     0&     0&\dots &        0&          0&     0&\dots &     0&            0&\dots &            0&d_{m}    \\
\hline
\end{tabular}
\end{equation}
mit den $k$ frei wählbaren Variablen
$x_{j_1}, x_{j_2},\dots, x_{j_k}$ kann die Lösungsmenge als
\[
\mathbb{L}
=
\left\{
\left.
\begin{pmatrix}
x_1\\
x_2\\
\vdots\\
{\color{darkgreen}x_{i_1}}\\
x_{i_1+1}\\
\vdots\\
{\color{darkgreen}x_{i_2}}\\
x_{i_2+1}\\
\vdots\\
x_m
\end{pmatrix}
=
\begin{pmatrix}
d_1\\
d_2\\
\vdots\\
d_{i_1}\\
d_{i_1+1}\\
\vdots\\
d_{i_2}\\
d_{i_2+1}\\
\vdots\\
d_{m}
\end{pmatrix}
+
{\color{darkgreen}x_{j_1}}
\begin{pmatrix}
-c_{1j_1}\\
-c_{2j_1}\\
\vdots\\
-c_{i_1,j_1}\\
{\color{darkgreen}1}\\
\vdots\\
0\\
0\\
\vdots\\
0\\
\end{pmatrix}
+
{\color{darkgreen}x_{j_1}}
\begin{pmatrix}
-c_{1j_2}\\
-c_{2j_2}\\
\vdots\\
-c_{j_1,j_2}\\
-c_{j_1+1,j_2}\\
\vdots\\
-c_{i_2,j_2}\\
{\color{darkgreen}1}\\
\vdots\\
0\\
\end{pmatrix}
+
\dots
+
{\color{darkgreen}x_{j_k}}
\begin{pmatrix}
-c_{1j_k}\\
-c_{2j_k}\\
\vdots\\
-c_{j_1,j_k}\\
-c_{j_1+1,j_k}\\
\vdots\\
-c_{i_2,j_k}\\
-c_{i_2+1,j_k}\\
\vdots\\
0\\
\end{pmatrix}
\;
\right|
{\color{darkgreen}x_{i_1}},{\color{darkgreen}x_{i_2}},\dots,{\color{darkgreen}x_{i_k}}\in\Bbbk
\right\}
\]
geschrieben werden.
Insbesondere ist die Lösungsmenge $k$-dimensional.

\subsubsection{Inverse Matrix}
Zu jeder quadratischen Matrix $A\in M_n(\Bbbk)$ kann man versuchen, die
Gleichungen
\[
Ac_1 = e_1,\quad Ac_2 = e_2, \quad\dots, \quad Ac_n = e_n
\]
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 Gauss-Algorithmus 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 $c_{i\!j}$.

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, wenn die Vektoren $c_i$ als Spalten einer Matrix $C$ 
interpretiert 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 $AA^{-1}=I$ gilt,
daraus folgt aber noch nicht, dass auch $A^{-1}A=I$ ist.
Diese Eigenschaft kann man jedoch wie folgt erhalten.
Sei $C$ die inverse Matrix von $A$, also $AC=I$.
Sei weiter $D$ die inverse Matrix von $C$, also $CD=I$.
Dann ist zunächst $A=AI=A(CD)=(AC)D=ID=D$ und weiter
$CA=CD=I$.
Mit der Bezeichnung $C=A^{-1}$ erhalten wir also auch $A^{-1}A=I$.

Die Eigenschaften der Matrizenmultiplikation stellen 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 $A^{-1}A=I$ ganz allgemein gezeigt.

\subsubsection{Determinante}
Ein Gleichungssystem mit $n$ Gleichungen und $n$ Unbekannten ist genau
dann lösbar, wenn sich der Gauss-Algorithmus bis zum Ende durchführen lässt.
Das ist gleichbedeutend damit, dass keines der Pivot-Elemente verschwindet.
Das Produkt der Pivot-Elemente ist also eine aus der Koeffizientenmatrix
$A$ berechnete Kennzahl, die zu entscheiden erlaubt, ob ein Gleichungssystem
lösbar ist.

\begin{definition}
\label{buch:linear:determinate:def}
Das Produkt der Pivot-Elemente bei der Durchführung des Gauss-Algorithmus
für eine Gleichungssystem mit quadratischer Koeffizientenmatrix $A$
heisst die {\em Determinante} $\det(A)$ der Matrix $A$.
\index{Determinante}%
\end{definition}

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
Kapitel~2 des Skripts \cite{buch:linalg}.
\begin{enumerate}
\item
\label{buch:linear:determinante:einheitsmatrix}
Die Determinante der Einheitsmatrix ist $\det(I)=1$.
\item
Sind zwei Zeilen einer Matrix gleich, dann tritt beim Gauss-Algorithmus
eine Nullzeile auf, die Matrix kann also nicht regulär sein und die
Determinante ist $0$.
\item
\label{buch:linear:determinante:vorzeichen}
Vertauscht man zwei Zeilen einer Matrix, dann kehrt das Vorzeichen der
Determinante.
\item
Addiert man ein Vielfaches einer Zeile der Matrix zu einer anderen Zeile,
dann ändert der Wert der Determinanten nicht.
\item
Wird eine Zeile der Matrix mit einer Zahl $\lambda$ multipliziert, dann
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 Eigenschaft~\ref{buch:linear:determinante:vorzeichen}
folgt, dass die Determinante eine antisymmetrische lineare Funktion
der Zeilen ist.
\item
Die Determinante ist durch die Eigenschaften
\ref{buch:linear:determinante:einheitsmatrix}
und
\ref{buch:linear:determinante:asymetrisch}
eindeutig bestimmt.
\item
Der Entwicklungssatz von Laplace:
\index{Entwicklungssatz Laplace}%
Die Determinante der $n\times n$-Matrix $A$ kann mit der Formel
\begin{equation}
\det(A)
=
\sum_{i=1}^n (-1)^{i+j} a_{i\!j} \cdot \det(A_{i\!j})
\end{equation}
berechnet werden,
wobei die $(n-1)\times(n-1)$-Matrix $A_{i\!j}$ die Matrix $A$ ist, aus der
man Zeile $i$ und Spalte $j$ entfernt hat.
$A_{i\!j}$ heisst ein {\em Minor} der Matrix $A$.
\label{buch:linear:def:minor}
\index{Minor einer Matrix}%
\end{enumerate}

Die bekannte Formel $\det\begin{pmatrix}a&b\\c&d\end{pmatrix}=ad-bc$
ist ein Spezialfall des Entwicklungssatzes von Laplace.
Auch für $3\times 3$-Matrizen ist eine übersichtliche Form möglich,
die als die Sarrus-Formel bekannt ist.
\index{Sarrus-Formel}%

\begin{satz}[Sarrus]
\label{buch:linear:determinate:sarrus}
Die Determinante einer $3\times 3$-Matrix ist
\[
\left|\begin{matrix}
a&b&c\\
d&e&f\\
g&h&i
\end{matrix}\right|
=
aei + bfg + cdh - ceg - bdi - afh.
\]
\end{satz}

\subsubsection{Die Regel von Cramer}
Die Determinanten ermöglicht auch, eine Formel für die Lösung eines
Gleichungssystems zu geben.
Dies ist bekannt als die {\em Regel von Cramer}.
\index{Cramer, Regel von}%
\index{Cramersche Regel}%
\index{Regel von Cramer}%

\begin{satz}
\label{buch:linear:determinante:cramer}
Die Lösung $x_k$ eines $n\times n$-Gleichungssystem $Ax=b$ mit
Koeffizientenmatrix $A$ und rechter Seite $b$ hat die Lösungen
\begin{equation}
x_k
=
\frac{
\left|\begin{matrix}
a_{11}&a_{12}&\dots &b_1   &\dots &a_{1n}\\
a_{21}&a_{22}&\dots &b_2   &\dots &a_{2n}\\
\vdots&\vdots&\ddots&\vdots&\vdots&\vdots\\
a_{n1}&a_{n2}&\dots &b_n   &\dots &a_{nn}
\end{matrix}\right|
}{
\det(A),
}
\end{equation}
wobei im Zähler die Spalte $k$ der Matrix $A$ durch den Vektor $b$
der rechten Seiten ersetzt worden ist.
\end{satz}

Die Cramersche Formel ist besonders nützlich, wenn die Abhängigkeit
einer Lösungsvariablen von den Einträgen der Koeffizientenmatrix
untersucht werden soll.
Für die Details der Herleitung sei wieder auf \cite{buch:linalg}
verwiesen.

\subsubsection{Die inverse Matrix mit Hilfe der Determinanten}
Die inverse Matrix löst ein quadratisches Gleichungssystem $Ax=b$ mit
Hilfe der Formel $x=A^{-1}b$.
Man kann daher auch erwarten, dass sich die inverse Matrix dank
der Cramerschen Regel mit Hilfe von Determinanten ausdrücken lässt.
Tatsächlich gilt der folgende Satz.

\begin{satz}
\label{buch:linalg:inverse:adjunkte}
Die Inverse der $n\times n$-Matrix $A$ ist gegeben durch
\index{Formel für die inverse Matrix}%
\index{inverse Matrix, Formel für}%
\begin{equation}
%(A^{-1})_{i\!j}
A^{-1}
=
\frac{1}{\det(A)}
\begin{pmatrix}
\phantom{(-1)^{1+1}}\det(A_{11}) & \phantom{()^{1+1}}-\det(A_{21}) & \dots & (-1)^{i+1}\det(A_{i1}) & \dots
	& (-1)^{1+n} \det(A_{n1}) \\
\phantom{()^{1+1}}-\det(A_{12}) & \phantom{(-1)^{1+1}}\det(A_{22}) & \dots & (-1)^{i+2}\det(A_{i2}) & \dots
	& (-1)^{2+n} \det(A_{n2}) \\
\vdots & \vdots & \ddots & \vdots & \ddots & \vdots \\
(-1)^{1+j}\det(A_{1j}) & (-1)^{2+j}\det(A_{2j}) & \dots
	& (-1)^{i+j} \det(A_{ij})
	& \dots & (-1)^{j+n} \det(A_{nj}) \\
\vdots & \vdots & \ddots & \vdots & \ddots & \vdots \\
(-1)^{1+n}\det(A_{1n}) & (-1)^{2+n}\det(A_{2n}) & \dots
	& (-1)^{i+n}\det(A_{in})
	& \dots & \phantom{(-1)^{n+n}}\det(A_{nn})
\end{pmatrix}
\label{buch:linalg:inverse:formel}
\end{equation}
Die Transponierte der Matrix auf der rechten Seite (ohne den Vorfaktor
$1/\det(A)$)
heisst die {\em Adjunkte} $\operatorname{adj}A$ von $A$.
\index{Adjunkte}%
Die Matrixelemente sind $(A^{-1})_{ji} = (-1)^{i+j}\det A_{ij}/\det A$.
\end{satz}

Der Satz~\ref{buch:linalg:inverse:adjunkte} liefert eine algebraische
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,
wo man
\[
\begin{pmatrix}
a&b\\c&d
\end{pmatrix}^{-1}
=
\frac{1}{ad-bc}\begin{pmatrix}
d&-b\\
-c&a
\end{pmatrix}
\]
erhält.

\begin{beispiel}
Die Matrix
\begin{equation}
A=\begin{pmatrix}
1&a&a\\
a&1&a\\
a&a&1
\end{pmatrix}
\label{buch:vektoren-und-matrizen:abeispiel:eqn1}
\end{equation}
ist mit Hilfe von Determinanten besonders einfach zu invertieren.
Die Determinante von $A$ ist nach der Sarrus-Formel
Satz~\ref{buch:linear:determinate:sarrus}
\[
\operatorname{det}A
=
1 + 2a^3  - 3a^2.
\]
Die Adjunkte ist
\begin{align*}
(\operatorname{adj}A)^t
&=
%\frac{1}{\det{A}}
\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}
\end{pmatrix*}
\intertext{und damit ist die inverse Matrix}
A^{-1}
&=
\frac{1}{2a^3-3a^2+1}
\renewcommand\arraystretch{1.1}
\begin{pmatrix*}[r]
\left|\begin{matrix}1&a\\a&1\end{matrix}\right|
&
-\left|\begin{matrix}a&a\\a&1\end{matrix}\right|
&
\left|\begin{matrix}a&a\\1&a\end{matrix}\right|
\\[10pt]
-\left|\begin{matrix}a&a\\a&1\end{matrix}\right|
&
\left|\begin{matrix}1&a\\a&1\end{matrix}\right|
&
-\left|\begin{matrix}1&a\\a&a\end{matrix}\right|
\\[10pt]
\left|\begin{matrix}a&1\\a&a\end{matrix}\right|
&
-\left|\begin{matrix}1&a\\a&a\end{matrix}\right|
&
\left|\begin{matrix}1&a\\a&1\end{matrix}\right|
\end{pmatrix*}
\\
&=
\frac{1}{2a^3-3a^2+1}
\begin{pmatrix}
1-a^2 & a^2-a & a^2-a\\
a^2-a & 1-a^2 & a^2-a\\
a^2-a & a^2-a & 1-a^2
\end{pmatrix}.
\end{align*}
Mit $1-a^2=(1+a)(1-a)$ und $a^2-a=a(a-1)$ kann man dies noch etwas
vereinfachen, indem man den gemeinsamen Faktor $1-a$ ausklammert.
Man erhält so die Form
\begin{equation}
A^{-1}
=
\frac{1-a}{2a^3-3a^2+1}
\begin{pmatrix}
1+a &  -a &  -a \\
 -a & 1+a &  -a \\
 -a &  -a & 1+a
\end{pmatrix}.
\label{buch:vektoren-und-matrizen:abeispiel:eqn2}
\end{equation}
für die Inverse einer Matrix der Form
\eqref{buch:vektoren-und-matrizen:abeispiel:eqn1}.
\end{beispiel}

\subsubsection{Produktregel für die Determinante}
Aus der Charakterisierung der Determinanten kann man auch ableiten,
dass  die Produktregel 
\index{Produktregel}%
\[
\det (AB) = \det(A) \cdot \det(B)
\]
gilt.
Daraus folgt auch, dass $\det(A^{-1})=\det(A)^{-1}$
(Details in \cite{buch:linalg}).


%
% 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 $\Bbbk$-Vektorräumen muss so gestaltet sein,
dass die Operationen des Vektorraums erhalten bleiben.
Dies wird von der folgenden Definition erreicht.

\begin{definition}
\index{lineare Abbildung}%
Eine Abbildung $f\colon V\to U$ zwischen Vektorräumen $V$ und $U$
heisst {\em 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 weit verbreitet, wie die
folgenden Beispiele zeigen.

\begin{beispiel}
Sei $V=C^1([a,b])$ die Menge der stetig differenzierbaren Funktionen
auf dem Intervall $[a,b]$ und $U=C([a,b])$ die Menge der
stetigen Funktion auf $[a,b]$.
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 $A$ heisst die Matrix der linearen Abbildung $f$ in
den Basen $\mathcal{B}$ bzw.~$\mathcal{C}$.
\index{Matrix einer linearen Abbildung}%

Die Matrix einer linearen Abbildung macht Aussagen über eine lineare
Abbildung der rechnerischen Untersuchung 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 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 Basis $\mathcal{B}'$.
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 mit $m\ge n$ vor, 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 in die Kopfzeile der Tableaus.
Die Durchführung des Gauss-Algorithmus liefert
\[
\renewcommand{\arraystretch}{1.1}
\begin{tabular}{|>{$}c<{$} >{$}c<{$} >{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
x_1&\dots&x_n&x_1'&\dots&x_n'\\
\hline
b_{11}&\dots &b_{1n}&b_{11}'&\dots &v_{1n}'\\
\vdots&\ddots&\vdots&\vdots &\ddots&\vdots \\
b_{n1}&\dots &b_{nn}&b_{n1}'&\dots &v_{nn}'\\
\hline
b_{n+1,1}&\dots &b_{n+1,n}&b_{n+1,1}'&\dots &v_{n+1,n}'\\
\vdots&\ddots&\vdots&\vdots &\ddots&\vdots \\
b_{m1}&\dots &b_{mn}&b_{m1}'&\dots &v_{mn}'\\
\hline
\end{tabular}
\rightarrow
\begin{tabular}{|>{$}c<{$} >{$}c<{$} >{$}c<{$}|>{$}c<{$}>{$}c<{$}>{$}c<{$}|}
\hline
x_1&\dots&x_n&x_1'&\dots&x_n'\\
\hline
1     &\dots &0     &t_{11}             &\dots              &t_{1n}        \\
\vdots&\ddots&\vdots&\vdots             &\ddots             &\vdots        \\
0     &\dots &1     &t_{n1}             &\dots              &t_{nn}        \\
\hline
0     &\dots &0     &{\color{red}0}     &{\color{red}\dots} &{\color{red}0}\\
\vdots&\ddots&\vdots&{\color{red}\vdots}&{\color{red}\ddots}&{\color{red}\vdots}\\
0     &\dots &0     &{\color{red}0}     &{\color{red}\dots} &{\color{red}0}\\
\hline
\end{tabular}
\]
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 $t_{i\!j}$ rechnet Koordinaten
in der Basis $\mathcal{B}'$ um in Koordinaten in der Basis $\mathcal{B}$.

\subsubsection{Basiswechselformel für die Matrix einer linearen Abbildung}
Die Matrix einer linearen Abbildung $f\colon U\to V$ ist abhängig von den
in $U$ bzw.~$V$ gewählten Basen $\mathcal{B}$ bzw.~$\mathcal{C}$.
Wechselt man die Basis und verwendet in $U$ die Basis $\mathcal{B}'$ und
in $V$ die Basis $\mathcal{C}'$, dann gibt es Matrizen
$T_U$ und $T_V$, die die Koordinaten in $U$ bzw.~$V$ von der gestrichenen
Basis in die ungestrichene umzurechnen gestattet.
Ist $A$ die Matrix von $A$ in den Basen $\mathcal{B}$ und $\mathcal{C}$,
dann ist die Matrix der gleichen linearen Abbildung in den Basen $\mathcal{B}'$
und $\mathcal{C}'$ gegeben durch die Matrix
\begin{equation}
A' = T_VAT_U^{-1}.
\label{buch:vektoren-und-matrizen:eqn:basiswechselabb}
\end{equation}

\subsubsection{Umkehrabbbildung}
Sei $f$ eine umkehrbare lineare Abbildung $f\colon U\to V$ und
$g\colon V\to U$ die zugehörige Umkehrabbildung.
\index{Umkehrabbildung}%
Für zwei Vektoren $u$ und $w$ in $U$ setzen wir $a=g(u)\in V$
und $b=g(w)\in V$.
Da $g$ die Umkehrabbildung von $f$ ist, folgt $f(a)=u$ 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
\[
\ker f
=
\{x\in U \mid f(x)=0\}
\]
der {\em Kern} oder {\em Nullraum} der linearen Abbildung $f$.
\index{Kern}%
\index{Nullraum}%
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
\[
\ker A
=
\{ x\in\Bbbk^n \mid Ax=0\}.
\]
\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
$\Bbbk^n \to \Bbbk^m$ dargestellt werden kann.
Wir definieren daher das Bild einer linearen Abbildung oder Matrix
wie folgt.

\begin{definition}
Ist $f\colon V\to U$ eine lineare Abbildung dann ist das {\em Bild} von $f$
der Unterraum
\[
\operatorname{im}f = \{ f(v)  \mid v\in V\} \subset U
\]
von $U$.
Das {\em Bild} einer $m\times n$-Matrix $A$ ist die Menge
\[
\operatorname{im}A = \{ Av \mid v\in\Bbbk^n\} \subset \Bbbk^m.
\]
\end{definition}
\index{Bild}%

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

\subsubsection{Rang und Defekt}
Die Dimensionen von Bild und Kern sind wichtige Kennzahlen einer Matrix.
\begin{definition}
Sei $A$ eine Matrix $A\in M_{m\times n}(\Bbbk)$.
Der {\em Rang} der Matrix $A$ ist die Dimension des Bildraumes von $A$:
$\operatorname{rank}A=\dim\operatorname{im} A$.
\index{Rang einer Matrix}%
\index{rank@$\operatorname{rank}A$}%
Der {\em Defekt} $\operatorname{def}A$ der Matrix $A$ ist die Dimension
des Kernes von $A$:
$\operatorname{def}A=\dim\ker A$.
\index{Defekt einer Matrix}%
\end{definition}

Da der Kern mit Hilfe des Gauss-Algorithmus bestimmt werden kann,
können Rang und Defekt aus dem Schlusstableau
eines homogenen Gleichungssystems mit $A$ als Koeffizientenmatrix
abgelesen werden.

\begin{satz}
Ist $A\in M_{m\times n}(\Bbbk)$ eine $m\times n$-Matrix,
dann gilt
\[
\operatorname{rank}A
=
n-\operatorname{def}A.
\]
\end{satz}

\begin{proof}[Beweis]
Der Defekt der Matrix $A$ ist die Dimension des Kernes, also die
Dimension des Lösungsraumes des homogenen Gleichungssystems mit
Koeffizientenmatrix $A$.
Dies ist auch die Anzahl der frei wählbaren Variablen nach
der Durchführung des Gaussalgorithmus
Die behauptete Beziehung kann man jetzt unmittelbar aus dem
Schlusstableau
\begin{center}
\begin{tikzpicture}[>=latex,thick,scale=0.5]
\draw (0,0) rectangle (8,7);
\draw (0,3) -- (8,3);
\draw (4,0) -- (4,7);
\node at (0.5,6.5) {$1$};
\node at (2,5.25) {$\ddots$};
\node at (3.5,3.5) {$1$};

\node at (4.5,6.5) {$*$};
\node at (4.5,3.5) {$*$};
\node at (7.5,6.5) {$*$};
\node at (7.5,3.5) {$*$};
\node at (4.5,5.25) {$\vdots$};
\node at (7.5,5.25) {$\vdots$};
\node at (6,3.5) {$\cdots$};
\node at (6,6.5) {$\cdots$};
\node at (6,5.25) {$\ddots$};

\node at (2,1.5) {$0$};
\node at (6,1.5) {$0$};

\draw[<->] (-0.3,7) -- (-0.3,3);
\node at (-0.3,5) [left] {$\operatorname{rank}A$};
\draw[<->] (4,7.3) -- (8,7.3);
\node at (6,7.3) [above] {$\operatorname{def}A\mathstrut$};
\node at (2,7.3) [above] {$n-\operatorname{def}A\mathstrut$};
\draw[<->] (0,7.3) -- (4,7.3);
\draw[<->] (0,-0.3) -- (8,-0.3);
\node at (4,-0.3) [below] {$n$};
\end{tikzpicture}
\end{center}
ablesen.
\end{proof}

\subsubsection{Gauss-Algorithmus und Basiswechsel}
Die Zeilenoperationen des Gauss-Algorithmus können durch Multiplikation
mit Matrizen der Form
\[
\begin{pmatrix}
1&      & &                        & & &      & \\
 &\ddots& &                        & & &      & \\
 &      &1&                        & & &      & \\
 &      & &{\color{red}1}          & & &      & \\
 &      & &{\color{blue}-a_{i+1,i}}&1& &      & \\
 &      & &{\color{blue}-a_{i+2,i}}& &1&      & \\
 &      & &\vdots                  & & &\ddots& \\
 &      & &{\color{blue}-a_{n,i}}  & & &      &1
\end{pmatrix}
\]
ausgedrückt werden.
Diese Matrizen sind alle invertiertbar.
Man kann die Zeilenoperationen also als ein Basiswechsel im Bildraum
verstehen.

\subsubsection{Quotient}
Ist $U\subset V$ ein Unterraum, dann kann man einen neuen Vektorraum
$V/U$ bilden, dessen Vektoren Äquivalenzklassen von Vektoren aus $V$
sind, die sich nur um einen Vektor aus $U$ unterscheiden.
Wir können solche Vektoren als $v+U$ schreiben. 
Diese abstrakte Definition des Quotienten kann im Falle 
des Quotienten $\Bbbk^n / \ker A$ mit Hilfe des
Gauss-Algorithmus wesentlich anschaulicher realisiert werden,
wie im folgenden Abschnitt gezeigt wird.

\subsubsection{Realisierung des Quotienten}
Der Quotient besteht aus den Vektoren, die ``übrig'' bleiben, wenn man die
Vektoren im Kern mit $0$ identifiziert.
Man kann ihn sich als das Bild vorstellen.

Etwas konkreter erlaubt der Gauss-Algorithmus,
für das Bild $\operatorname{im}A$ eine Basis zu finden.
Aus dem Schlusstableau lässt sich zunächst eine Basis des Kernes
ablesen, dies sind die ``grünen'' Spalten.
Die Pivotspalten bilden dagegen eine Basis für den Bildraum
nach dem im vorangegangenen Abschnitt angesprochenen Basiswechsel.

Die Pivotspalten beschreiben Vektoren, die durch die Abbildung {\em nicht}
zu $0$ gemacht werden.
Wendet man $A$ auf die Standardbasisvektoren ab, die zu den 
Pivospalten gehören, erhält man also eine Basis für das Bild
von $A$.