Sie sind auf Seite 1von 12

Lineare Algebra: Zusammenfassung

Silvio Bischof

1 Rechnen mit Matrizen......................................................................................................................................................................2


1.1 Rechenregeln...............................................................................................................................................................................2
1.2 Rechnen mit Matrizen..................................................................................................................................................................2
1.2.1 Addition / Subtraktion......................................................................................................................................................2
1.2.2 Multiplikation..................................................................................................................................................................2
1.2.3 Transponierte...................................................................................................................................................................2
1.2.4 Inverse einer Matrix.........................................................................................................................................................2
1.2.5 Orthogonale Matrix..........................................................................................................................................................2
1.2.6 LR-Zerlegung...................................................................................................................................................................3
2 Determinanten..................................................................................................................................................................................3
2.1 Berechnung von Determinanten...................................................................................................................................................3
2.2 Rechenregeln...............................................................................................................................................................................4
2.3 Folgerungen.................................................................................................................................................................................4
3 Vektorrume.....................................................................................................................................................................................4
3.1 Unterrume..................................................................................................................................................................................4
3.1.1 Spezielle Vektorrume......................................................................................................................................................5
3.2 Normierte Vektorrume...............................................................................................................................................................5
3.3 Das Skalarprodukt.......................................................................................................................................................................5
3.3.1 Das Schmidt'sche Orthogonalisierungsverfahren.............................................................................................................5
4 Ausgleichsrechnung..........................................................................................................................................................................6
4.1 Normalengleichung.....................................................................................................................................................................6
4.2 QR-Zerlegung..............................................................................................................................................................................6
5 Lineare Abbildungen........................................................................................................................................................................6
5.1 Koordinatentransformation..........................................................................................................................................................7
5.2 Orthogonale, Lngen- und Flchentreue Abbildungen.................................................................................................................7
5.3 Norm einer Matrix.......................................................................................................................................................................7
5.4 Abbildungsgleichungen...............................................................................................................................................................8
5.4.1 Abbildungsgleichungen in der Ebene...............................................................................................................................8
5.4.1.1 Spezielle Affinitten................................................................................................................................................8
5.4.1.2 Spezielle hnlichkeitsabbildungen.........................................................................................................................8
5.4.1.3 Spezielle Kongruenzabbildungen............................................................................................................................8
5.4.2 Abbildungsgleichungen im Raum....................................................................................................................................8
6 Das Eigenwertproblem.....................................................................................................................................................................9
6.1 Das Eigenwertproblem symmetrischer Matrizen.........................................................................................................................9
6.2 Die Kondition einer Matrix..........................................................................................................................................................9
7 Lineare Differentialgleichungssysteme.........................................................................................................................................10
7.1 Systeme erster Ordnung.............................................................................................................................................................10
7.2 Systeme zweiter Ordnung..........................................................................................................................................................10
8 Singulrwertzerlegung...................................................................................................................................................................10
9 Matlab-Befehle...............................................................................................................................................................................10
10 Sachverzeichnis.............................................................................................................................................................................11

D-ITET HS 2010

17.08.11

1/12

Lineare Algebra: Zusammenfassung


1

Silvio Bischof

Rechnen mit Matrizen

1.1

Rechenregeln

AB =
1.2

B A A BC =

A BC AB C

A BC A B C

AC BC

Rechnen mit Matrizen

1.2.1 Addition / Subtraktion


Jeder Koeffizient der beiden Matrizen werden addiert / subtrahiert. Die Matrizen mssen dieselbe Form haben.

Bsp.

3 1 0
1 2 0
4 3 0

=
2 2 1
0 1 1
2 1 2

1.2.2 Multiplikation
Multipliziert man eine Matrix mit einer Variablen , dann wird jeder Koeffizient der Matrix mit multipliziert. Eine k n Matrix multipliziert mit einer nm -Matrix ergibt eine k m -Matrix (Bem. die linke Matrix muss gleich viele Spalten haben
wie die rechte Zeilen). Es werden alle Zeilen der Rechtsmatrix mit den Spalten der Linksmatrix multipliziert.

Bsp.

1 1
0 0
3 1 0
2 5
2 1
1 2
2 1 =
2 2 1
2 3 5 0
2 1 1 2

2334=24

BT AT

1.2.3 Transponierte
T


1 2 3
1 4 7
4 5 6 = 2 5 8
7 8 9
3 6 9

AT

A B

AT BT

AB

Def. Eine Matrix heisst symmetrisch, wenn AT = A


1.2.4 Inverse einer Matrix
Sie wird mithilfe der Adjunkte und der Determinanten gebildet:

A=

a b
,
c d

A =
1

adj A=

1
adj A
det A

d c
d
b
=
b a
c a

1
d
b
ad bc c a

fr 22 Matrizen

Oder mit Gauss: AI n bis I nA


1

Bem. Die Inverse wird fr n2 meistens nicht mehr gebildet, da der Aufwand zu gross ist. Falls die Matrix symmetrisch ist, gilt
1
T
1
T =T , andernfalls wird oftmals substituiert z=T y .
Reglen:

A1 A= I n
1
1
A ist invertierbar und A1 = A
1
I n ist Invertierbar und I n = I n
1
AB ist invertierbar und AB =B1 A1
T
T
T 1
A ist invertierbar und A = A1

Bem. Ist eine mn -Matrix invertierbar, ist das Gleichungssystem Ax=b fr jedes b lsbar und das Gleichungssystem Ax=0
hat nur die triviale Lsung x=0 .
1.2.5 Orthogonale Matrix

A A= A A = I n
Skalarprodukt zweier Spalten =0
AT = A1 =orthogonal x= AT b fr Gleichungssysteme
AB ist orthogonal, wenn A , B orthogonal sind
A quadratisch, invertierbar, regulr
det A= i =1 : Lngentreue
Ax , Ay = x , y : Winkeltreue

D-ITET HS 2010

17.08.11

2/12

Lineare Algebra: Zusammenfassung

Silvio Bischof

1.2.6 LR-Zerlegung
Beispiel zum lsen eines Gleichungssystem mit Hilfe von LR-Zerlegung:
2x1
6x1
2x 1




x2
x2
7x 2

=
=
=

3x 3
10x 3
8x 3

4
1
25

Gauss:

2 1 3
1 10
3 6
1 2
7
8

2 1 3
0 4 1
2 0 8
5

2 1 3
0 4 1
0
0 3

Anstelle der Nullen speichern wir die Quotienten I kl und erhalten R und L:

2 1 3
3 4 1
1 2 3

2 1 3
R= 0
4 1 ,
0
0
3

L=

1
0 0
3
1 0
1 2 1

Es gilt

2
1 3
LR= A= 6
1
10
2 7 8

Bem. Falls das Endschema mit Zeilen vertauschen resultierte, muss man eine weitere, sogenannte Permutationsmatrix einbauen.
Die Permutationsmatrix entsteht wenn man wie beim Ausgangsschema auch bei der Einheitsmatrix I n die Zeilen vertauscht. Die
Beziehung zwischen den Matrizen wird:
LR= PA
Das Gleichungssystem wird schliesslich folgendermassen gelst:
Ax=b PAx=Pb LRx= Pb Lc= Pb
(a) LR-Zerlegung von A: Bestimme mit dem Gaussverfahren Matrizen L , R und P , so dass LR= PA .
(b) Vorwrtseinsetzen: Lse Lc= Pb nach c auf.
(c) Rckwrtseinsetzen: Bestimme die Lsungsmenge des Gleichungssystems Rx=c
Beispiel:
Lc=b
c1
3c1
c 1 
Rx=c
2x 1 

c2
2c2

c3

x2
4x 2




3x 3
x3
3x 3

=
=
=
=
=
=

4
1
25
4
13
3

c1
c2
c3

=
=
=

4
13
3

2
x= 3
1

Bem. Dieses Verfahren sollte man bei verschiedenen rechten Seiten anwenden.
2

Determinanten

2.1
Berechnung von Determinanten
Mittels Rekursion:

a
b
c

d
e
f

g
h
i

ef ihbdf gi cde gh

a ei  fg b di fg c dheg

Satz von Sarrus: Hauptdiagonalen multipliziert und addiert, Nebendiagonalen multipliziert und subtrahiert:

a
b
c

d
e
f

g
h
i

D-ITET HS 2010

a
b
c

d
e
f

aeidhc gbf ceg  fhaibd

17.08.11

3/12

Lineare Algebra: Zusammenfassung


2.2

Silvio Bischof

Rechenregeln

det (A)
det ( AB)
det ( A T )
det ( A)
1
det A
det A

=
=
=
=
=
=

mdet (A) ,
det (A)det ( B) = det (BA)
det (A)
(1) Anzahl Zeilenvertauschungen det ( R)
1
(det A)
1

m : Anzahl Zeilen (pro Zeile )


fr beliebige m times n-Matrizen
fr quadratische Matrizen
fr nn Matrizen
falls nn -Matrix invertierbar
falls Aorthogonal

Hat die Matrix eine Nullstelle oder sind zwei Zeilen identisch gilt det A=0 .
Vertauscht man 2 Zeilen einer Matrix, so ndert die Determinante ihr Vorzeichen (dasselbe gilt fr Spalten bei quadr.
Matrizen).
Im Gauss-Verfahren ndert sich die Determinante nur durch das Vorzeichen beim Zeilenvertauschen, d.h. Es kann zu einer
Zeile ein beliebiges Veilfaches einer anderen Zeile addiert werden.

2.3
Folgerungen
Fr jede nn -Matrix sind folgende Aussagen quivalent:
(a) Die Matrix A ist invertierbar, regulr
(b) det A0
(c) Im Gauss-Endschema ist r=n
Aussagen ber Lsungsmengen:

det A=0

das homogene Gleichungssystem hat unendlich viele Lsungen.

das inhomogene Gleichungssystem hat keine oder unendlich viele Lsungen.


(b) det A0

das homogene Gleichungssystem hat nur die triviale Lsung x=0 .

das inhomogene Gleichungssystem hat eine genau eine eindeutige Lsung.

(a)

Sei A eine mm -Matrix, B eine mn -Matrix, C eine nn -Matrix und sei M die durch

M=

A
0

B
C

gegebene mn mn -Matrix, dann gilt: det M = det A det B . (Merke: det M =det M T )

Vektorrume
Die Elemente eines Vektorraums heien Vektoren. Sie knnen addiert oder mit Skalaren multipliziert werden, das Ergebnis ist
wieder ein Vektor desselben Vektorraums.

3.1
Unterrume
Def. Eine nichtleere Teilmenge U eines Vektorraumes V heisst Unterraum von V , falls folgende zwei Bedingungen erfllt
sind:
(a) Mit a ,bU ist auch abU
(b) Mit aU , a eine Zahl, ist auch aU
(c)

U 1 U 2 , U 1 U 2 sind Unterr-ume von V

Seien U und W Unterrume von V , dann gilt: dim U W =dim U dimW dim U W
T

Bsp. U ={ x , y x , y ,2x y 4 x , y } . Zeige, dass U ein Unterraum ist

a1
b1
a
b
3 a 1
3 b 1
a=
,b=
a3
b3
2a 1 a3
2b1 b 3

D-ITET HS 2010

a1

a
3 a1
a=
a3
2a 1a 3

mit

x= a1
y= a 3

17.08.11

a1 b1
a
3 b3  a 1 b 1
ab=
a3 b3
2 a 1 b 1  a3 b3

mit

x= a1 b1
y=a3 b3

4/12

Lineare Algebra: Zusammenfassung

Silvio Bischof

3.1.1 Spezielle Vektorrume


Sei A eine mn -Matrix. Man betrachte das lineare Gleichungssystem Ax=b , r beschreibt den Rang. Es gilt fr A wenn
r n : linear abhngig

nr : nicht erzeugend

r =n : linear unabhngig

r =m : erzeugend

r =m=n : Basis ( n=dim A )

Falls m=n ist muss folgende Fallunterscheidung gemacht werden:

Bsp.
(1)

(2)

3.2

n
m

[ ][ ] [ ]
x =b

det A0 : Basis
det A=0 : linear abhngig, nicht erzeugend

[
[

3 4 1
2
2
1
1
4 1

1 1
3
0
2 1
2 4
2 2 4 1
1 3 1
2
2 1

[ ]
] [
1
4 1
0 6
3
0
0 6

m=r Erzeugend, Basis


n=r

1 1
3
0
2
1
0 2 4 2 8 1 mgliche Basis:
0 0
0
4
8
1

1 1
0
2 4 2
1 3
2

Normierte Vektorrume

Normen in 3 :

3.3

x2 x 21 x 22 x 23 = x , x
x max x 1,x 2,x 3

euklidischer Norm:
Maximumnorm:
L p -Normen:

xp x 1p x 2p x 3p

Das Skalarprodukt

Skalarprodukt: x , y x T y , x , y , x , y x Ty , x , y
Winkel zwischen zwei Vektoren: cos=

a , b
ab

Fr ein Skalarprodukt im Vektorraum V muss gelten:


(S1) Das Skalarprodukt ist linear im zweiten Faktor, d.h. es gilt
i x , y 1 y 2 = x , y1 x , y 2 fr alle x , y 1 , y 2V ;
ii x , y = x , y
fr alle x , yV ,
(S2) Das Skalarprodukt ist symmetrisch, d.h. es gilt
x , y= y , x fr alle x , yV
(S3) Das Skalarprodukt ist positiv definit, d.h. es gilt
i x , x0
fr alle x V
ii x , x=0 x=0
b

Skalarprodukt in C [a ,b] :

f t g t dt
a

Def. Eine Basis aus paarweise orthogonalen Einheitsvektoren heisst orthonormale Basis.
3.3.1 Das Schmidt'sche Orthogonalisierungsverfahren
Gegeben seien drei Vektoren a 1 ,a 2 und a 3
1

1. Schritt: e =

a 1

2. Schritt: c2 a2a 2 , e1 e 1
1
e2= 2 c 2
c
3
3
3
1
1
3
2 2
3. Schritt: c a  a ,e e a ,e e
1
e3= 3 c3
c
Die Vektoren e 1 ,e 2 ,e 3 bilden eine orthonormale Eigenbasis.

D-ITET HS 2010

17.08.11

5/12

Lineare Algebra: Zusammenfassung


4

Silvio Bischof

Ausgleichsrechnung

4.1

Normalengleichung

Axc= r , r minimal A T Ax= A T c


Bsp. x , y , z seien verschiedene Distanzen, folgende Messwerte sind vorhanden:
x
x
x







y
z
y z
z

280
390
400
210
118

=
=
=
=
=

r1
r2
r3
r4
r5

280
390
x
y  400 =r
210
z

118
=x
1
1
1
0

0
1
0
1

0
0
1
1

=A

=c

3 1 1
T
Lse AT Ax= AT c : A A= 1 2 1 ,
1 1 3

1070
T
A c= 600
728

x
285.16
x= y = 100.33
z
114.17

Merke: Vektor c muss gleich viele Zeilen wie Matrix A Spalten haben.
4.2

QR-Zerlegung

QT Ax QT c=Q T r s , Q : orthogonale mm -Matrix , s minimal

A=QR mit R=

R0
0

, A : mn-Matrix mit mn ,

Rxd =s

R 0 :nn-Rechtsdreiecksmatrix mit mnn -Nullmatrix


R=Q T A , d =Q T c

transformierte Fehlergleichung mit

Nun wird dieses Gleichungssystem R0 x=d 0 gelst, wobei man die Zeilen n1 abschneiden kann.
Bsp. Lse folgendes Ausgleichsproblem:
4x
7x
4x

y
y
4y





9
12
15

=
=
=

r1
4
1
r 2 mit gegebenem Q= 7
9
4
r3

1
4
8

4 1
9
A= 7 1 , c= 12
4 4
15

8
4
1

4
7
4 4 1
4
7
4 9
1
1
1 4
8 7 1 x  1 4
8 12 =
9
y 9
8
4
1
4
4
8
4
1
15

1
9

81 27
0 27
0 0

s
x  1 180 = 1
s2
63
y 9
9
s3

9 3 x
= 20
0 3 y
7

13
9
7
y=
3
x=

Lineare Abbildungen
Def. Bei einer linearen Abbildung vom Vektorraum V muss gelten:
i
ii

F x y= F x F y
F x = F x

Fr alle x , y V
Fr alle Zahlen und alle x V

Def. Sei F : x V n y= Ax V m eine lineare Abbildung:


Kern A {x V nAx =0}
m
n
Bild A { yV Es gibt ein x V , so dass y=Ax }

Lsungsmenge des homogenen Gleichungssystems Ax =0


Lsungsmenge des Gleichungssystems Ax= y

Es gilt:
dim Kern A=nr , dim Bild A=dim Bild A T =dim Bild R=r
n
dim Kern Adim Bild A= nr r =n=dim V

D-ITET HS 2010

17.08.11

6/12

Lineare Algebra: Zusammenfassung

Silvio Bischof

Bsp. Gegeben sei Matrix A . Besimme Basen fr Kern A und Bild A

2
A= 4
2

1
0
1

1
1
1

0
3
0

Gauss

2
0
0

1
2
0

1
3
0

{ }

3/ 4
1/ 4
setze x 4 = , x 3 = L= 3/2 3/2 ,
0
1
1
0

0
3
0

{ }

3
1
6
6
Kern A=span
,
0
4
4
0

, dim Kern A=2 dim Bild A=ndim Kern A=2

{ }

2 1
fr Bild 2 linear unabhngige Spaltenvektoren: z.B. Bild A=span 4 , 0
2 1

5.1

Koordinatentransformation

x=Ty ,

xV

T : Matrix fr die gilt t i=Tei ,t i : neue Basis, y : neuer Koordinatenvektor


F

x ' V

T
n
y W
G

y ' W

F T =T G
G =T 1 F T

*s. 6 Das Eigenwertproblem

G : yW y ' T

1

ATyW

Bsp. Betrachten Sie die folgende lineare Abbildung F von 2 in sich.

()

x= x 1
x2

( )

x ' = x1 + x 2
x 2 x 1

a) Interpretieren Sie diese Abbildung geometrisch


b) Durch welche Matrix A wird F beschrieben?

Lsung: Es handelt sich um eine Drehsteckung:


a) x' 2 = x1 x 2 2 x 2  x 1 2= 2 x 21 x 22 = 2 x2 Streckung um Faktor 2
2
2
x ' , x x'2=2 x x 1 x 2
1

=
Drehung um (um den Ursprung im Uhrzeigersinn)
cos=
2=
x ' x
4

2
2 x2
2

b)

F e = F
2

F e =F

1 = 1 a1
0
1
0 = 1 a
1
1

A= a , a =

1 1
1 1

5.2
Orthogonale, Lngen- und Flchentreue Abbildungen
Orthogonale Abbildung: Winkel bleiben erhalten:
x ' , y ' = Ax , Ay = x , y
x' =Ax=x
Lngentreue Abbildung: Lngen bleiben erhalten:
det A=1
Flchentreue Abbildung: Flche bleibt erhalten:
5.3
Norm einer Matrix
Der Norm einer Matrix soll angeben, um welchen Faktor sich die Norm eines Vektors x maximal verndert.

A* sup
n

x V , x 0

{ }

Ax*
= sup {Ax* }
x*
x =1

Fr eine quadratische Matrix A gilt:


Fr eine orthogonale Matrix Q gilt:

Fr eine symmetrische Matrix gilt:


Bsp. Maximumnorm

{ }
n

A=max

a ,
ij

j =1

D-ITET HS 2010

1
A= 1
0

0
3
3

A2 = maximaler Eigenwert von A T A


Q2 =1
A2 =max i
i

2
1
1

3
5 A=5
4

17.08.11

7/12

Lineare Algebra: Zusammenfassung


5.4

Silvio Bischof

Abbildungsgleichungen

5.4.1 Abbildungsgleichungen in der Ebene


x x ' =A x +
v

bzw.

( xy)( xy '' )=( aa

1
2

(
(

)
)

A= cos
sin

sin
cos

cos
sin

sin
cos

A=

b1
b2

)( ) ( )
x + v1
y
v2

positiv-orientierte Rotation um den Winkel um den Ursprung


negativ-orientierte Rotation um den Winkel um den Ursprung

5.4.1.1 Spezielle Affinitten

( xy'' )=(10 bb )
( xy'' )=(10 b0 )
( xy'' )=(10 1b )
1

Affinitt mit x-Achse als Fixpunktgerade

Affinitt senkrecht zur x-Achse

2
1

Affinitt parallel zur x-Achse (Scherung)

5.4.1.2 Spezielle hnlichkeitsabbildungen

( xy'' )=(k0 0k)( xy)


( xy'' )=(k0 0k)( xy)+(1k )( zz )
1

Streckung mit Zentrum (0 , 0) und Faktor k


Streckung mit Zentrum ( z1 , z2 ) und Faktor k

5.4.1.3 Spezielle Kongruenzabbildungen

( xy'' )=( xy)+(vv )


( xy'' )=(sincos22 sincos22 )( xy)
x
( xy'' )=(sincos sin
cos )( y )

()

Translation um den Vektor v1


v2

1
2

Spiegelung an der Geraden y= xtan


Rotation um (0 ,0) um Winkel
Drehung um den Ursprung

5.4.2 Abbildungsgleichungen im Raum

( )(
)( )
)( )
( )(
)( )
( )(
( ) ( )( )
( ) ( )( )
( ) ( )( )
1
x'
y' = 0
z'
0

0
cos
sin

cos
x'
0
y' =
z'
sin
cos
x'
y ' = sin
0
z'
0
x'
y' = 0
0
z'

0
1
0

0
sin
cos

x
y
z

Rotation um e1 (x-Achse) um den Winkel

sin
0
cos

x
y
z

Rotation um e2 (y-Achse) um den Winkel

x
y
z

Rotation um e3 (z-Achse) um den Winkel

sin
cos
0

0
0
1

0 0
1 0
0 1

x
y
z

Normalprojektion auf die yzEbene

1 0 0
x'
y' = 0 0 0
0 0 1
z'

x
y
z

Normalprojektion auf die xzEbene

1 0 0
x'
y' = 0 1 0
0 0 0
z'

x
y
z

Normalprojektion auf die xyEbene

D-ITET HS 2010

17.08.11

8/12

Lineare Algebra: Zusammenfassung


6

Silvio Bischof

Das Eigenwertproblem
Def.
n

Eine Zahl heisst Eigenwert der Matrix A , falls es einen Vektor x gibt, x0 , so dass Ax= x gilt.
n

Jeder Vektor x , x0 , fr den Ax= x gilt, heisst Eigenvektor der Matrix A zum Eigenwert .
det A I n = P A =0 Berechnung von mit charakteristischem Polynom
A I n x=0
Berechnung des Eigenvektors x
n

Merke: Ax= x ,

A x= x

Def.

Ist k -facher Eigenwert von A , bezeichnet k die algebraische Vielfachheit von .


Die Eigenvektoren spannen einen Eigenraum ( E )von A zum Eigenwert auf. Die Dimension dieses Unterraumes E
nennt man geometrische Vielfachheit von .

Ist die Summe der geometrischen Vielfachheiten einer nn -Matrix gleich n , wird durch die Eigenvektoren eine
Eigenbasis aufgespannt.
quivalente Aussagen zu jeder quadratischen Matrix A :

Die Matrix A ist halbeinfach (fr jeden Eigenwert ist die geom. gleich der algebraischen Vielfachheit).
Die Matrix A besitzt eine Eigenbasis
1
Die Matrix A ist diagonalisierbar (Es gibt eine regulre Matrix T (Eigenvektoren), so dass T AT =diag 1 , , n ).

Bsp.

{ } { }
{ } { }

2 1 1

1 1
, = span 0 , 1
A= 1 2 1 , 1 ,2 =1 , 3 =4 E 1=

1 1 2

1
0

2 1
1
0
=4: A4I 3 x= 1 2 1 x= 0
0
1
1 2

1 1 1
T = 0
1 1
1
0 1

Gauss

1
1
E 4 = 1 = span 1
1
1

Alg. =geom. Vielfachheit=2

Alg. =geom. Vielfachheit=1

1 0 0
ist eine Eigenbasis zu Afr die gilt T 1 AT =D = 0 1 0
0 0 4

Aufgabenstellung: Berechnung von y= A k x


(1)
(2)
(3)
(4)

Lse das Eigenwertproblem von A T , D ( T orthonormale Basis T aus dem Beispiel)


Lse das lineare Gleichungssystem Tz= x nach z auf
Berechne D k und setze D k z
Berechne y=T

Fr Eigenvektoren mit komplexen Eigenwerten gilt v 1= x v 2 = x


6.1
Das Eigenwertproblem symmetrischer Matrizen
A Sei eine reelle, symmetrische Matrix, dann gilt:

Alle Eigenwerte sind reell.

Die Eigenvektoren zu verschiedenen Eigenwerten stehen senkrecht aufeinander.


A Ist halbeinfach (alg. Vielfachheit = geom. Vielfachheit).

Es gibt eine orthonormale Basis zu A (s. 3.3.1 Das Schmidt'sche Orthogonalisierungsverfahren).


A ist diagonalisierbar: D=T 1 AT .

Bem. Fr symmetrische Matrizen gilt T 1 =T T


A=TDT 1 , A n=T D n T 1 ,

D=diag i , T =v 1 v n , v : Eigenvektoren

6.2
Die Kondition einer Matrix
Die Kondition beschreibt die max. Fehlerverstrkung bei nummerischen Berechnungen.

A=A A =
1

max

A=

min

D-ITET HS 2010

max
,
min

: Eigenwerte von AA

fr Asymmetrisch

17.08.11

9/12

Lineare Algebra: Zusammenfassung


7

Silvio Bischof

Lineare Differentialgleichungssysteme

7.1

Systeme erster Ordnung

x t = Ax t , x 0= x 0
t 1
t n
x t =Tx t =c 1 e u cn e u
Tc= x 0
1

A : reelle, halbeinfache nn -Matrix (Koeffizientenmatrix) , x 0 : Anfangsbedingung


allgemeine Lsung der DGL mit Eigenbasis T
Lsung mit Anfangsbedingung

Bsp. 2-Dimensionales AWP


y1 t =3y1 t 4y 2 t , y 1 0=6
3 4
4
1
2
A=
mit 1=6 , 2 =
1, u = 4 , u =
1 T =
3 2
3
y2 t=3y1 t 2y 2 t , y 2 0=1
3
1
6t 4
t
1
y t =c 1 e
c 2 e
, allgemeine Lsung des Systems
3
1
y 0
c =1
y t =4 e 6t 2e t
Tc= 1
= 6 1
1
6t
t
1
y 2 0
c 2 =
2
y 2 t =3 e
2e

1
1

7.2

Systeme zweiter Ordnung

y t = Ay t , y 0= y 0 , y t =Tx t x t =T 1 ATx t =Dx t


a1 cos 1 t b 1 sin 2 t
x t =
mit i =
i y t =Tx t , T : Eigenbasis

a n cos n t bn sin n t

a1
1 b1
y 0=Tx 0=T , y 0=T x 0=T
an
n b n
Bsp. 2-Dimensionales AWP

y1 t =
6y 1 t 4y 2 t , y 1 0=3 , y 1 0=0

6
4
1
2
1
2
A=
mit 1 =
2 , 2 =
8 , u = 1 ,u =
2 T =
2
4
1
1
y2 t =2y1 t
4y 2 t ,
y 2 0=0 , y2 0=0
1
1

y t=Tx t= a 1 cos 2t b1 sin 2t


2a 2 cos 8t
2b 2 sin 8t ,
a1 cos 2 t b1 sin 2t a2 cos 8t b1 sin 8t

Ta= y1 0 = 3 a1 =1 , Tb= y 1 0 = 0
0
0
y 2 0
a2 =
1
y 2 0
8

allgemeine Lsung des Systems

b 1 =0 y t = cos 2 t2cos 8t
b 2 =0
cos 2 t
cos 8t

Singulrwertzerlegung
Sei A eine mn -Matrix mit Rang r und A=USV T .

S
, wenn mn
S= 0
S 0 , wenn nm
9

Matlab-Befehle
Befehl
Matrix
Einheitsmatrix
Inverse
Transponierte
LR-Zerlegung
Gleichungss. lsen ( Ax=b )
Determinante
QR-Zerlegung
Orthonormiere Basis
Diagonalenmatrix
Eigenwerte
Skalarprodukt
Vektorprodukt
Singulrwertzerlegung
Singulrwerte

D-ITET HS 2010

1) s 1 =A2 , s1 s 2 sr 0 ,
2) s i sind die Eigenwerte von A T A , wenn mn bzw. von AAT , wenn mn ist

Matlab
A[1 2; 3 4]
eye(A)
B=A^(-1), inv(A)
A'
[L,R,P]=lu(A)
x=A\b
det(A)
[Q,R]=qr(A)
orth(A)
diag(A)
[T,D]=eig(A)
a'*b, dot(a,b)
cross(a,b)
[U,S,V]=svd(A)
diag(S)

Befehl
Dimension
Kern
Rang
Modulo
Rest
Norm (eukl.)
Kondition
Spur
Exponentialf.
2-er-Potenz
Logarithmus
Trigonometrie
1. x Spalte und erste y Zeile
Wurzel

17.08.11

Matlab
ndims(A)
null(A)
rank(A)
mod(3,2)
Rem(3,2)
norm(a)
cond(A)
trace(A)
exp(x)
pow2(x)
log(x), log2(x)
sin(x), cos(x)
asin(x), acos(x)
R0=R[1:y,1:x]
sqrt(x)

10/12

Lineare Algebra: Zusammenfassung

Silvio Bischof

10 Sachverzeichnis
Begriff
Definition
hnliche Matrizen
Algebraische
Vielfachheit
Basis
Bild

Charakteristisches
Polynom
Diagonalisierbarkeit
Diagonalmatrix

Matrizen A , B sind hnlich wenn gilt A=T BT A , B haben dieselben Eigenwerte. Matrizen
Ist k -facher Eigenwert von A , bezeichnet k die algebraische Vielfachheit von . Eigenwertsproblem
Falls die Vektoren eines Erzeugendensystems linear unabhngig sind, nennt man das
Erzeugendensystem eine Basis.
Die Menge aller Bildvektoren y V m heisst Bild einer Matrix A
m
n
Bild A { yV Es gibt ein x V ,so dass y=Ax } , dies entspricht der Lsungsmenge
eines inhomogenen Gleichungssystems ( y Bild A ).
det 0 dim Bild =0 , det=0 dim Bild n
Das Bild ist immer der Vektorraum aufgespannt durch die einzelnen Spaltenvektoren der
Matrix (Anzahl Spaltenvektoren dimBild A ).
Das Polynom det A I n heisst charakteristisches Polynom der Matrix A.Es wird mit
P A bezeichnet.
Es existiert eine regulre Matrix T , so dass TAT 1 eine Diagonalmatrix ist. Die Matrix
muss halbeinfach (algebraische = geometrische Vielfachheit) sein.
Alle Koeffizienten, die nicht auf der Diagonalen liegen, sind gleich null:
5 0 0
D= 0 9 0 = diag 5 ,9 , 4
0 0 4
Besitzt der Vektorraum V {0} eine Basis b1 ,b 2 ,, b n , so schreibt man n=dimV

Dimension eines
Vektorraumes
Eigenbasis
Eigenvektor

Einheitsmatrix

Thema
1

Vektorrume
Lineare
Abbildungen

Eigenwerte
Matrizen
Matrizen

Vektorrume

Ist die Summe der geometrischen Vielfachheiten einer nn -Matrix gleich n , wird
Eigenvektoren
durch die Eigenvektoren eine Eigenbasis aufgespannt ( u1 u n ).
Ein Eigenvektor ist ein vom Nullvektor verschiedener Vektor, dessen Richtung durch die Eigenvertsproblem
Abbildung nicht verndert wird. Ein Eigenvektor wird also nur gestreckt, und man
bezeichnet den Streckungsfaktor als Eigenwert der Abbildung.
Alle diagonalen Koeffizienten sind 1, alle anderen 0:
Matrizen
1 0 0
I 3= 0 1 0
0 0 1
Kann jeder Vektor b eines Vektorraumes V als Linearkombination der Vektoren
Vektorrume
a 1 , a2 ,, ak von V dargestellt werden, so nennt man diese Vektoren a 1 , a2 ,, ak ein
Erzeugendensystem des Vektorraumes V .
Die Eigenvektoren spannen einen Eigenraum ( E )von einer Matrix A zum Eigenwert Eigenwertsproblem
auf. Die Dimension dieses Unterraumes E nennt man geometrische Vielfachheit von
.
Eine Drehung um einen bestimmten Winkel :
Lineare
1
0
0
cos 0 sin
cos
sin 0 Abbildungen
R x = 0 cos sin R y =
R z = sin cos 0
0
1
0
0 sin
cos
sin 0 cos
0
0
1
Eine Matrix ist halbeinfach, wenn ihre algebraische Vielfachheit der geometrischen
Matrizen
entspricht.
Ein lineares Gleichungssystem heisst homogen, falls alle rechten Seiten gleich null sind Lineare
Gleichungssysteme
(besitzt immer die triviale Lsung x 1== x n=0 . Es gilt:

Ein hom. Gl. System hat genau dann nichttriviale Lsungen, wenn r n bzw.
det =0 ist.
n
Matrizen
T
T
2
Q I n 2 uu , mit u u=
ui =1 . Die Householder-Matrix ist orthogonal.

[ ]

Erzeugendensystem

Geometrische
Vielfachheit
Givens-Rotation

Halbeinfach
Homogen

Householdermatrix

i=1

Inverse
Kern

D-ITET HS 2010

Matrizen
Eine nn -Matrix X, bei der AX = I n gilt. Falls eine Matrix eine Inverse hat, dann
heisst die Matrix invertierbar oder regulr, anderfalls singulr.
Die Menge aller Vektoren, welche auf null abgebildet werden, heisst Kern der Matrix A: Lineare
Abbildungen
Kern A {x V nAx =0} , dies entspricht der Lsungsmenge eines homogenen
Gleichungssystems ( y Kern A )
det 0 dim Kern=0 , det =0 dim Kern 0

17.08.11

11/12

Lineare Algebra: Zusammenfassung


Linksdreiecksmatrix

Silvio Bischof

Matrizen
Alle Koeffizienten rechts oben sind gleich null: L ij =0 fr i j . Bsp.
2 0 0
L= 4 1 0
1 4 7
Jedes Element einer Matrix ist Null
Matrizen
T
Eine nn -Matrix A heisst orthogonal, falls A A= I n gilt (Norm der Spaltenvekoren Matrizen
ist =1 und das Skalarprodukt =0 ). Wenn A und B orthogonale Matrizen sind, gilt
folgendes:
1
T

A ist invertierbar und A = A


1
A ist orthogonal

AB ist orthogonal

I n ist orthogonal

Bem. Gleichungssysteme mit orthogonalen Matrizen lassen sich leicht berechnen:


x= AT b
Eine Basis aus paarweise orthogonalen Einheitsvektoren (Lnge 1). Diese lassen sich mit Skalarprodukt
dem Schmidtschen Orthogonalisierungsverfahren (3.3.1) finden.
Einheitsmatrix, bei der die Zeilen beim Gauss Verfahren vertauscht wurden. Bei der LR- Matrizen
Zerlegung (s. 1.2.4) gilt: LR= PA
Der erste Koeffizient jeder Zeile im Gauss'schen Endschema. Die Zeile / Spalte, in der das Lineare
Pivot steht, heisst Pivot-Zeile / -Spalte
Gleichungssysteme

[ ]

Nullmatrix
Orthogonale Matrix

Orthonormale Basis
Permutationsmatrix
Pivot

Quadratische Matrix

Eine nn -Matrix
Eine quadr. Matrix heisst einfach, wenn jeder Eigenwert die algebraische Vielfachheit 1
hat, halbeinfach, wenn fr jeden Eigenwert die geometrische gleich der algebraischen
Vielfachheit ist.
Rang
Die Anzahl nicht-Nullzeilen im Hauptteil eines Endschemas. Es gilt:
r 0 , r m , r n

Es gibt nr freie Parameter

Ein lineares Gleichungssystem besitzt genau dann mindestens eine Lsung,


wenn
r =m oder r m und c i =0 ,i=r1 , ,m

Die Lsung eines linearen Gleichungssystems falls sie existiert ist genau
dann eindeutig, wenn r =n ist.
Es gilt rang AT =rang A ,
Rang B1 A=Rang A , Rang AB 2 =Rang A fr B 1 ,2 : regulre, quadratische Matrix
Rechtsdreiecksmatrix Alle Koeffizienten links unten sind gleich null: Rij=0 fr i j . Bsp:
1 3 1
R= 0 2 4
0 0 3
regulre Marix
Eine invertierbare Matrix heisst regulr. Das Gleichungssystem Ax=0 mit der regulren
Matrix A hat nur die triviale Lsung und die Determinante det A0 .
singulre Matrix
Eine nichtinvertierbare Matrix heisst singulr. Es gilt det A=0
Spaltenvektor
Eine m1 -Matrix
Spur
Die Spur einer Matrix ist die Summe derer Diagonalelemente.
Standardbasis
Basis, welche aus den Einheitsvektoren e 0 , e 1 ,, e n besteht
symmetrisch
Eine Matrix A ist symmetrisch, falls AT = A gilt
T
Transponierte
Spalten und Zeilen einer Matrix werden vertauscht ( A ij = A ji ):
T
3 1
3 2 5
= 2 4
1 4 6
5 6
Volumen
Fr linear unabhngige Vektoren gilt:
Vol nn a1 ,, a n =det a 1 a n
Zeilenvektor
Eine 1n -Matrix

Matrizen,
Eigenwertsproblem

Lineare
Gleichungssystem,
Matrizen

Matrizen

[ ]

D-ITET HS 2010

Matrizen
Matrizen
Matrizen
Matrizen
Matrizen
Matrizen
Matrizen

[ ]

17.08.11

Lineare
Abbildungen
Matrizen

12/12