Mathematische Grundlagen WS 2023

4. Lineare Algebra -- Teil 3

Michael Hagmann
17. November 2023
Universität Heidelberg, Institut für Computerlinguistik
Agenda

1/100
Determinante
Lösbarkeit von LGS

! ! !
a b x e
=
c d y f

Lösen nach x: Lösen nach y:

( (
ax + by =e ax + by =e
cx + dy =f cx + dy =f
( (
adx + bdy = de acx + bcy = ce
bcx + bdy = bf acx + ady = af
⃝
I - ⃝:
II (ad − bc)x = de − bf ⃝
II - ⃝:
I (ad − bc)y = af − ce

falls ad − bc ̸= 0 falls ad − bc ̸= 0

de − bf df − ce
x= y=
ad − bc ad − bc
2/100
Determinante: Definition (rekursiv)

Def. Determinante (2 × 2 Matrix)

!
a11 a12
Ist A = eine 2 × 2 Matrix, dann heißt
a21 a22

a11 a12
det(A) = = a11 a22 − a21 a12
a21 a22

die Determinante von A.

Bsp. Bem.
• nur für quadratische Matrizen definiert.
1 2  
=1·4−2·3 • für 1 × 1 Matrix A = a11 :
3 4
=4−6
det(A) = a11 = a11
= −2
• det(A) ∈ R 3/100
Laplace'scher Entwicklungssatz

Laplace'scher Entwicklungssatz
Mit dem Laplace'schen Entwicklungssatz kann man die Determinante
einer n × n-Matrix A ``nach einer Zeile oder Spalte entwickeln''.

det(A) = (−1)1+j · a1j · det(D1j ) + · · · + (−1)n+j · anj · det(Dnj )

X
n
= (−1)i+j · aij · det(Dij ) (Entwicklung nach der j-ten Spalte)
i=1

det(A) = (−1)i+1 · ai1 · det(Dii ) + · · · + (−1)i+n · ain · det(Din )

X
n
= (−1)i+j · aij · det(Dij ) (Entwicklung nach der i-ten Zeile)
j=1

wobei det(Dij ) die Unterdeterminante, die als Determinante derjenigen

Untermatrix Dij berechnet wird, die durch Streichen der i-ten Zeile und
j-ten Spalte entsteht.
4/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
4 5 6 =
7 8 9

5/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
5 6 2 3 2 3
4 5 6 = (−1)
1+1
·1· + (−1)2+1 · 4 · + (−1)3+1 · 7 ·
8 9 8 9 5 6
7 8 9

5/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
5 6 2 3 2 3
4 5 6 = (−1)
1+1
·1· + (−1)2+1 · 4 · + (−1)3+1 · 7 ·
8 9 8 9 5 6
7 8 9
= 1 · (5 · 9 − 6 · 8) − 4 · (2 · 9 − 3 · 8) + 7 · (2 · 6 − 3 · 5)
=0

5/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
5 6 2 3 2 3
4 5 6 = (−1)
1+1
·1· + (−1)2+1 · 4 · + (−1)3+1 · 7 ·
8 9 8 9 5 6
7 8 9
= 1 · (5 · 9 − 6 · 8) − 4 · (2 · 9 − 3 · 8) + 7 · (2 · 6 − 3 · 5)
=0

• Entwicklung nach 2. Zeile:

1 2 3
4 5 6 =
7 8 9

5/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
5 6 2 3 2 3
4 5 6 = (−1)
1+1
·1· + (−1)2+1 · 4 · + (−1)3+1 · 7 ·
8 9 8 9 5 6
7 8 9
= 1 · (5 · 9 − 6 · 8) − 4 · (2 · 9 − 3 · 8) + 7 · (2 · 6 − 3 · 5)
=0

• Entwicklung nach 2. Zeile:

1 2 3
2 3 1 3 1 2
4 5 6 = (−1)
2+1
·4· + (−1)2+2 · 5 · + (−1)2+3 · 6 ·
8 9 7 9 7 8
7 8 9

5/100
Determinante einer 3 × 3 Matrix: Beispiel

• Entwicklung nach 1. Spalte:

1 2 3
5 6 2 3 2 3
4 5 6 = (−1)
1+1
·1· + (−1)2+1 · 4 · + (−1)3+1 · 7 ·
8 9 8 9 5 6
7 8 9
= 1 · (5 · 9 − 6 · 8) − 4 · (2 · 9 − 3 · 8) + 7 · (2 · 6 − 3 · 5)
=0

• Entwicklung nach 2. Zeile:

1 2 3
2 3 1 3 1 2
4 5 6 = (−1)
2+1
·4· + (−1)2+2 · 5 · + (−1)2+3 · 6 ·
8 9 7 9 7 8
7 8 9
= −4 · (2 · 9 − 3 · 8) + 5 · (1 · 9 − 3 · 7) − 6 · (1 · 8 − 2 · 7)
=0

5/100
Eigenschaften der Determinante I

Seien A, B n × n-Matrizen, x ∈ Rn und α ∈ R. Dann gilt:

• det(1) = 1
• det(A⊤ ) = det(A)
• det(A−1 ) = 1
det(A)

• det(AB) = det(A) det(B)

• det(αA) = αn det(A)
• Seien v1 , . . . , vn die Spalten - bzw. Zeilenvektoren von A, dann gilt:
det((v1 , . . . , vi ⊕ x, . . . , vn )) = det(A) + det((v1 , . . . , vi−1 , x, vi+1 , . . . , vn ))
det((v1 , . . . , α ⊙ vi , . . . , vn )) = α det(A)

6/100
Eigenschaften der Determinante II

• Ist A nicht invertierbar, dann gilt det(A) = 0.

• Besteht eine Zeile (oder Spalte) von A ausschließlich aus Nullen,
dann gilt det(A) = 0.
• Sind die Zeilen- oder Spaltenvektoren einer Matrix A linear
abhängig, dann gilt det(A) = 0.
• Sind die Zeilen- und Spaltenvektoren einer Matrix A linear
unabhängig, dann gilt det(A) ̸= 0.
• Vertauscht man zwei Spalten (Zeilen) einer Matrix so ändert die
Determinante ihr Vorzeichen.
• Addition eines Vielfachen einer Spalte (Zeile) zu einer anderen
Spalte (Zeile) ändert die Determinante nicht.

7/100
Regel von Sarrus

Regel von Sarrus

a11 a12 a13 + + +
det(A) = a21 a22 a23 a11 a12 a13 a11 a12
a31 a32 a33
a21 a22 a23 a21 a22
= a11 a22 a33 + a12 a23 a31 + a13 a21 a32
− a31 a22 a13 − a32 a23 a11 − a33 a21 a12 a31 a32 a33 a31 a32
− − −

Bsp.

2 1 −1 2 · 2 · 2 + 1 · 1 · (−1) + (−1) · 1 · 1 2 1 −1 2 1
1 2 1 = 1 2 1 1 2
−1 1 2 −(−1) · 2 · (−1) − 1 · 1 · 2 − 2 · 1 · 1
−1 1 2 −1 1
= 8 − 1 − 1 − 2 − 2 − 2 = −2

• nur für 3 × 3 Matrizen gültig! 8/100

Eigenwerte, Eigenvektoren
Wiederholung: Lineare Transformation

Lineare Transformation:
! ! !
1 4 1 9
=
1 −2 2 −3

9/100
Wiederholung: Lineare Transformation

Lineare Transformation:
! ! !
Q. 1 Gibt es spezielle Fälle, wo der
1 4 1 9
= Zielvektor ein Vielfaches des
1 −2 2 −3
Ausgangsvektors ist?
Q. 2 Und der Skalierungsfaktor in den
Fällen?

9/100
Wiederholung: Lineare Transformation

Lineare Transformation:
! ! !
Q. 1 Gibt es spezielle Fälle, wo der
1 4 1 9
= Zielvektor ein Vielfaches des
1 −2 2 −3
Ausgangsvektors ist?
Q. 2 Und der Skalierungsfaktor in den
Fällen?
! ! ! !
1 4 4 8 4
= =2
1 −2 1 2 1
! ! ! !
1 4 1 −3 1
= = −3
1 −2 −1 3 −1

9/100
Wiederholung: Lineare Transformation

Lineare Transformation:
! ! !
Q. 1 Gibt es spezielle Fälle, wo der
1 4 1 9
= Zielvektor ein Vielfaches des
1 −2 2 −3
Ausgangsvektors ist?
Q. 2 Und der Skalierungsfaktor in den
Fällen?
! ! ! !
1 4 4 8 4
= =2
1 −2 1 2 1
! ! ! !
1 4 1 −3 1
= = −3
1 −2 −1 3 −1

Ax = λx
9/100
Eigenwerte und Eigenvektoren: Definition

Def. Eigenwerte und Eigenvektoren

Ein n-dimensionaler Vektor x ̸= 0, der bei Anwendung der n × n
Matrix A auf sein λ-faches übergeht, heißt Eigenvektor von A zum
Eigenwert λ:
Ax = λx

10/100
Eigenwerte und Eigenvektoren: Definition

Def. Eigenwerte und Eigenvektoren

Ein n-dimensionaler Vektor x ̸= 0, der bei Anwendung der n × n
Matrix A auf sein λ-faches übergeht, heißt Eigenvektor von A zum
Eigenwert λ:
Ax = λx

Überlegung
Angenommen: (A − λ1)x = 0 sei eindeutig lösbar
⇒ B := (A − λ1) ist invertierbar, also
Bx = 0
−1
B Bx = 0
1x = 0
x=0 Wiederspruch!
10/100
⇒ det(A − λ1) = 0.
Eigenwerte und Eigenvektoren: Definition

Def. Eigenwerte und Eigenvektoren

Ein n-dimensionaler Vektor x ̸= 0, der bei Anwendung der n × n
Matrix A auf sein λ-faches übergeht, heißt Eigenvektor von A zum
Eigenwert λ:
Ax = λx

Eigenwerte und Eigenvektoren finden

⃝
1 det(A − λ1) = 0 (Charakteristisches Polynom) lösen

⇒ Eigenwerte: λ1 , . . . , λn

⃝
2 Löse (A − λi 1)x = 0 für jedes λi

⇒ Der zu λi gehörige Eigenvektoren xi

10/100
Eigenwerte und Eigenvektoren: Beispiel
!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2

Eigenwerte bestimmen: det(A − λ1) = 0

1−λ 4
det(A − λ1) =
1 −2 − λ
= (1 − λ)(−2 − λ) − 4
= λ2 + λ − 6
= (λ + 3)(λ − 2)

⇒(λ + 3)(λ − 2) = 0
⇒λ1 = −3 ∧ λ2 = 2

11/100
Eigenwerte und Eigenvektoren: Beispiel

!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2

Eigenvektoren bestimmen: (A − λi 1)x = 0 für jedes λi

12/100
Eigenwerte und Eigenvektoren: Beispiel
!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2

Eigenvektoren bestimmen: (A − λi 1)x = 0 für jedes λi

Setze λ1 = −3 in (A − λ1 1) = 0 ein:
! ! !
1 − (−3) 4 x1 0
=
1 −2 − (−3) x2 0

4x + 4x = 0
1 2
⇔ ⇔ x1 = −x2
 x1 + x2 = 0
! !
x1 −α
Setzen x2 = α ∈ R \ {0} ⇒ =
x2 α
!
−1
Zu λ1 = −3 gehöriger Eigenvektorraum {α | α ∈ R \ {0}}.
1

12/100
Eigenwerte und Eigenvektoren: Beispiel
!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2

Eigenvektoren bestimmen: (A − λi 1)x = 0 für jedes λi

Setze λ2 = 2 in (A − λ2 1) = 0 ein:

! ! !
1−2 4 x1 0
=
1 −2 − 2 x2 0

−x + 4x = 0
1 2
⇔ ⇔ x1 = 4x2
 x1 − 4x2 = 0
! !
x1 4α
Setzen x2 = α ∈ R \ {0} ⇒ =
x2 α
!
4
Zu λ2 = 2 gehöriger Eigenvektorraum {α | α ∈ R \ {0}}.
1
12/100
Diagonalisierung
Diagonalisierung: Definition

Def. Diagonalisierbarkeit
Eine n × n-Matrix A heißt diagonalisierbar, wenn es eine invertierbare
n × n-Matrix P gibt, so dass gilt

A = PDP−1 (bzw. D = P−1 DAP)

wobei D eine Diagonalmatrix ist.

• Eine quadratische Matrix D, deren Elemente dij mit i ̸= j alle gleich Null
sind, heißt Diagonalmatrix.
 
d1 0 ··· 0
 .. .. 
0 d2 . .
 
D=  = diag(d1 , d2 , . . . , dn )
 .. .. .. 
 . . . 0
0 ··· 0 dn

13/100
Diagonalisierung: Matrixpotenz Ak := AA . . . A

Ak = (PDP−1 )k
= (PDP−1 )(PDP−1 )(PDP−1 ) . . . (PDP−1 )
= PD(P−1 P)D(P−1 P))D(P−1 . . . P−1 )DP
= PDk P−1

 
dk1 0 ··· 0
 .. .. 
0 dk2 . .
 
Dk =  k k k
 = diag(d1 , d2 , . . . , dn )
 .. .. .. 
 . . . 0
0 ··· 0 dkn

14/100
Diagonalisierung: Satz

Satz
Hat A n linear unabhängige Eigenvektoren x1 , x2 , · · · , xn , so ist A
diagonalisierbar mit P = (x1 x2 · · · xn ) und gilt:

A = P diag(λ1 , λ2 , . . . , λn )P−1

wobei λi der zu xi gehörige Eigenwert ist.

15/100
Diagonalisierung: Satz

Satz
Hat A n linear unabhängige Eigenvektoren x1 , x2 , · · · , xn , so ist A
diagonalisierbar mit P = (x1 x2 · · · xn ) und gilt:

A = P diag(λ1 , λ2 , . . . , λn )P−1

wobei λi der zu xi gehörige Eigenwert ist.

Satz
Seien x1 , x2 , · · · , xn Eigenvektoren von A zu n verschiedenen
Eigenwerten λ1 , λ2 , · · · , λn . Dann sind x1 , x2 , · · · , xn linear
unabhängig.

15/100
Diagonalisierung: Beispiel I

!
A=
1 4 Eigenwerte: λ1 = −3 ∧ λ2 = 2
1 −2
Eigenvektoren: x1 = ( −1
1 ) ∧ x2 = ( 41 )

⇒ Vorraussetzungen für die beiden Sätze erfüllt.

A lässt sich wie folgt diagonalisieren:

! ! ! !
  −1 4 1 −1 1 λ1 0 −3 0
P = x1 , x2 = ⇒ P−1 = ∧D= =
1 1 5 4 1 0 λ2 0 2

! ! !
−1 1 −1 1 −3 0 −1 4
A = PDP =
5 4 1 0 2 1 1

16/100
Diagonalisierung: Beispiel II

 
0 0 1 Eigenwerte: λ1,2 = −1 (Doppelter Eigenwert)
 
A = 0 1 0
λ3 = 1
1 0 0

⇒ Vorraussetzungen für den zweiten Satz nicht erfüllt. Was nun?

Lineare Unabhängigkeit der Eigenvektoren untersuchen.

Falls diese gegebe ist können wir den ersten Satz anwenden, falls nicht ist
die Matrix nicht diagonalisierbar!

17/100
Diagonalisierung: Beispiel II

Lineare Unabhängigkeit der Eigenvektoren untersuchen.

Schritt 1: Eigenvektoren bestimmen. Für λ1,2 = −1:

    
0 − (−1) 0 1 x1 0
    
 0 1 − (−1) 0   x2  =  0 
1 0 0 − (−1) x3 0


 x1
 + x3 = 0
⇔ 2x2 = 0 ⇔ x3 = −x1 ∧ x2 = 0



x1 + x3 =0
   
x1 α
   
Setzen x1 = α ∈ R \ {0} ⇒ x2  =  0 
x3 −α
 
1
 
Zu λ1,2 = −1 gehöriger Eigenvektorraum {α  0  | α ∈ R \ {0}}
−1
18/100
Diagonalisierung: Beispiel II

Lineare Unabhängigkeit der Eigenvektoren untersuchen.

Schritt 2: Eigenvektoren bestimmen. Für λ3 = 1:

    
0−1 0 1 x1 0
    
 0 1−1 0   x2  =  0 
1 0 0−1 x3 0


−x1
 + x3 = 0
⇔ 0x2 = 0 ⇔ x3 = x1 ∧ x2 = beliebig



x1 − x3 =0
     
x1 α1 0
     
Setzen x1 = α1 ∈ R \ {0} und x2 = α2 ∈ R \ {0} ⇒ x2  =  0  + α2 
x3 −α1 0
   
1 0
   
Zu λ3 gehöriger Eigenvektorraum {α1 0 + α2 1 | α1 , α2 ∈ R \ {0}}
1 0 19/100
Diagonalisierung: Beispiel II

Lineare Unabhängigkeit der Eigenvektoren untersuchen.

 
1
 
Zu λ1,2 = −1 gehöriger Eigenvektorraum {α  0  | α ∈ R \ {0}}
−1
Zu λ
3 = 1 gehöriger
  Eigenvektorraum
1 0
   
{α1 0 + α2 1 | α1 , α2 ∈ R \ {0}}
1 0

     
1 1 0
     
 0  , 0 , 1 sind linear unabhängig.
−1 1 0

⇒ A ist gemäß dem ersten Satz diagonalisierbar.

20/100
Diagonalisierung: Beispiel II

 
0 0 1 Eigenwerte: λ1,2 = −1 (Doppelter Eigenwert)
 
A = 0 1 0
λ3 = 1
1 0 0

⇒ Vorraussetzungen für den ersten Satz erfüllt.

A lässt sich diagonalisieren. Die notwendigen Matrizen sind:

   
  1 1 0 1 0 −1
  −1 1 
P = x1 , x2 , x3 =  0 0 1  ⇒ P = 1 0 1 
2
−1 1 0 0 2 0
   
λ1,2 0 0 −1 0 0
   
D= 0 λ3 0   0
= 1 0
0 0 λ3 0 0 1

21/100
Diagonalisierung: Beispiel III

!
−3 −1 Eigenwerte: λ1,2 = −2 (Doppellösung)
A=
1 −1

⇒ Vorraussetzungen für zweiten Satz nicht erfüllt.

Eigenvektoren bestimmen. Für λ1,2 = −2

! ! !
−3 − (−2) −1 x1 0
=
1 −1 − (−2) x2 0

−x − x = 0
1 2
⇔ ⇒ x2 = −x1
 x1 + x2 = 0
! !
x1 α
Setzen x1 = α ∈ R \ {0} ⇒ =
x2 −α
!
1
Eigenvektorraum {α | α ∈ R \ {0}} ⇒ Nicht diagonalisierbar!
−1
22/100