Beruflich Dokumente
Kultur Dokumente
Folien 4
Folien 4
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
falls ad − bc ̸= 0 falls ad − bc ̸= 0
de − bf df − ce
x= y=
ad − bc ad − bc
2/100
Determinante: Definition (rekursiv)
a11 a12
det(A) = = a11 a22 − a21 a12
a21 a22
Laplace'scher Entwicklungssatz
Mit dem Laplace'schen Entwicklungssatz kann man die Determinante
einer n × n-Matrix A ``nach einer Zeile oder Spalte entwickeln''.
1 2 3
4 5 6 =
7 8 9
5/100
Determinante einer 3 × 3 Matrix: Beispiel
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
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
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
1 2 3
4 5 6 =
7 8 9
5/100
Determinante einer 3 × 3 Matrix: Beispiel
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
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
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
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
• det(1) = 1
• det(A⊤ ) = det(A)
• det(A−1 ) = 1
det(A)
6/100
Eigenschaften der Determinante II
7/100
Regel von Sarrus
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
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
10/100
Eigenwerte und Eigenvektoren: Definition
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
⃝
1 det(A − λ1) = 0 (Charakteristisches Polynom) lösen
⇒ Eigenwerte: λ1 , . . . , λn
⃝
2 Löse (A − λi 1)x = 0 für jedes λi
10/100
Eigenwerte und Eigenvektoren: Beispiel
!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2
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
12/100
Eigenwerte und Eigenvektoren: Beispiel
!
1 4
Bsp. Eigenwerte und Eigenvektoren zur Matrix A = .
1 −2
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
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
• 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
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
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 )
! ! !
−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
Falls diese gegebe ist können wir den ersten Satz anwenden, falls nicht ist
die Matrix nicht diagonalisierbar!
17/100
Diagonalisierung: Beispiel II
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
20/100
Diagonalisierung: Beispiel II
0 0 1 Eigenwerte: λ1,2 = −1 (Doppelter Eigenwert)
A = 0 1 0
λ3 = 1
1 0 0
21/100
Diagonalisierung: Beispiel III
!
−3 −1 Eigenwerte: λ1,2 = −2 (Doppellösung)
A=
1 −1