Title | Lineare-Algebra - Zusammenfassung Lineare Algebra |
---|---|
Author | Ramtin Babaei |
Course | Lineare Algebra |
Institution | Karlsruher Institut für Technologie |
Pages | 2 |
File Size | 127.5 KB |
File Type | |
Total Downloads | 34 |
Total Views | 161 |
Lineares Gleichungssystem LGS Ax b kurz mit A Gleichungen und n LGS ist genau dann wenn: rg(A) des LGS hat dim(ker A) n rg(A) frei kann Spuren von Katzen Humorallergiker Angaben ohne kxk steht R und LGS hat eine Lsg. wenn det A 0 homogene LGS: hat stets die triviale und Vielfache der von sind wieder...
4
2.6 Lineares Gleichungssystem LGS
*
ei
Lineare Algebra
L¨ o sbarkeitskriterium: Ein LGS (A|b) ist genau dann l¨ osbar, wenn: rg(A) = rg(A|b) Die L¨ ahlbare osung des LGS (A|b) hat dim(ker A) = n − rg(A) frei w¨ Parameter.
* kann nicht üf Spur r Humor en von aller gi Kat ker zengeei entg hnet alten alle Angaben ohne Gewehr
1 Allgemeines |x + y| ≤ |x| + |y | |hx, yi| ≤ kxk · ky k
Dreiecksungleichung Cauchy-Schwarz-Ungleichung: K steht f¨ ur R und C
Das LGS hat eine Lsg. wenn det A 6= 0 → ∃A −1 Das homogene LGS: (A|0) hat stets die triviale L¨ osung 0 Summen und Vielfache der L¨osungen von (A|0) sind wieder L¨ osungen. 2.7 Determinante von A ∈ Kn×n : det(A) = |A|
2 Matrizen Die Matrix A = (aij ) ∈ K Spalten mit Index j .
m×n
hat m Zeilen mit Index i und n
2.1 Allgemeine Rechenregeln Merke: Zeile vor Spalte! (Multiplikation, Indexreihenfolge, etc.) 1) A + 0 = A 3) A + B = B + A 5) (A + B) + C = A + (B + C)
2) 1 · A = A 4) A · B 6= B · A (im Allg.) 6) λ(A + B) = λA + λB
Multiplikation von A ∈ Km×r und B ∈ Kr×n : AB ∈ Km×n 2.2 Elementare Zeilenumformungen (EZF) (gilt a¨quiv. f¨ur Spalten)
i=1
• |A| =
j=1
• det
λ1 • 0
A C
n P
.
.
(−1)
i+j
·aij ·|A ij |
Entwicklung n. j-ter Spalte
(−1)i+j · aij · |A ij |
.
• A = B·C
0 D
Entwicklung n. i-ter Zeile
A B = det(A) · det(D ) = det 0 D λ1 0 ∗ . = λ1 · . . . · λn = . . λ ∗ λ
n
n
⇒
|A| = |B| · |C|
• Hat A zwei gleiche Zeilen/Spalten ⇒ |A| = 0
• det(λA) = λn det(A )
• Multiplikation einer Zeile mit λ 6= 0
• Addition des λ-fachen der Zeile z i zur Zeile z j
• Ist A invertierbar, so gilt: det(A
−1
) = (det(A ))
A = (aij ) ∈ Km×n gilt: A ⊤ = (aji) ∈ Kn×m Regeln: (A + B)⊤ = A ⊤ + B⊤ ( A · B) ⊤ = B ⊤ · A ⊤ (λA)⊤ = λA ⊤ (A ⊤ )⊤ = A A ∈ Kn×n ist symmetrisch, falls A = A ⊤ (⇒ diagbar) A ∈ Kn×n ist schiefsymmetrisch, falls A = −A ⊤ A ∈ Kn×n ist orthogonal (Spalten-/Zeilenvektoren=ONB), falls: ⊤
−1
AA = En ⇔ A = A ⇔ ⊤ A ∈ Cn×n ist hermitesch, falls A = A 2.4 Inverse Matrix von A ∈ K
det A = ±1 (kmplx. konj. u. transp.)
n×n
• Vertauschen von Zeilen/Spalten ¨andert Vorzeichen von |A|
• Zeile/Spalte mit λ multiplizieren, |A| um Faktor λ gr¨ oßer
• Addition des λ-fachen der Zeile X zur Zeile Y ¨andert |A| nicht a12 a22
> 0 ∧ . . . ∧ det(A) > 0
Vereinfachung ur Spezialfall A ∈ K2×2 f¨ a b ⇒ det(A ) = |A| = ad − bc c d
(Wenn eine der Aussagen gilt, gelten alle anderen)
∨
rg(A ) = n
Berechnen von A −1 nach Gauß: E ZF −→ (En |A −1 ) ⇒ (A|En ) d −b b −1 1 = ad−bc −c a d m×n
(N0-Zeilen = Nicht-Null-Zeilen)
Bringe A auf ZSF Rang (Zeilrang) rg(A): Anzahl N0-Zeilen Zeilenraum ZA : Erzeugnis der Zeilen, Basis(ZA ) = { N0-Zeilen } Kern: ker(A) = {x ∈ Kn | Ax = 0} Dimensionsformel: rg(A) + dim(ker(A)) = n Bringe A auf Spaltenstufenform (transponieren, ZSF) Spaltenrang: Anzahl der N0-Spalten Spaltenraum SA : Erzeugnis der Spalten, Basis(SA ) = { N0-Spalten } Bild = Spaltenraum: Erzeugnis der Spalten
Homepage: www.latex4ei.de - Fehler bitte sofort melden.
1) A ist invertierbar 3) Kern(A) = 0 5) det(A) 6= 0
2) rg(A) = n 4) dim(SA ) = dim(ZA ) = n 6) Zeilen/Spalten von A linear unabh¨ angig
• Spalten bilden ONB
Spatprodukt [a, b, c] := ha × b, ci = det(a, b, c) = b Volumen des Spates. [a, b, c] > 0 ⇔ a, b, c bilden Rechtssystem [a, b, c] = 0 ⇔ {a, b, c} linear abh¨ angig
4 Vektorr¨ aume (VR) Eine nichtleere Menge V mit zwei Verkn¨upfungen + und · heißt K Vektorraum uber ¨ dem K¨orper K. Bedingung (u, v, w ∈ V λ, µ ∈ R) λv ∈ V
2. u + (v + w) = (u + v) + w
3 Vektoren
3.1 Skalarprodukt hv, wi : V × V → R
7. (λ + µ)v = λv + µv 8. (λµ)v = λ(µv)
c2 = v2 − hv2 , b1 i · b1
1. Basis von U bestimmen 2. Normiere Basis {b1 , b2 , b3 , . . .} von U
3. vU = hv, b1 i b1 + hv, b2 i b2 + . . . 4. v ⊥ = v − vU U 5. Abstand von v zu U = vU ⊥
5 Norm
4.1 Untervektorraum (UVR) U ⊂ V (u, v ∈ U
λ ∈ R)
1. N (v) ≥ 0 und N (v) = 0 ⇔ v = 0 2. N (λv) = |λ| N (v)
(0 ∈ U )
3. N (v + w) ≤ N (v) + N (w)
3. λu ∈ U
Allgemeine l-Norm Nl eines Vektors v = (v1 , . . . , vn ) ∈ Rn !1 n l X l |vi | Nl (v) =
4.2 Basis (Jeder VR und jeder UVR besitzt eine Basis!) Eine Teilmenge B ⊂ V heißt Basis von V , wenn gilt: • span(B) = V , B erzeugt V
• N1 (v) =
Pn
i=1
i=1
qP
|vi |
4.3 Dimension
• N2 (v) =
achtigkeit von B n = dim(V ) = |B| = M¨ Mehr als n Vektoren aus V sind stets linear abh¨ angig. F¨ur jeden UVR U ⊂ V gilt: dim(U ) ≤ dim(V )
• N∞ (v) = max{|vi |}
v = λ1 b1 + · · · + λn bn ⇒ Gauß
b1 b2 b3 | v
Linear Unabh¨angig: Vektoren heißen linear unabh¨ angig, wenn aus: λ1 v1 + · · · + λn vn = 0 folgt, dass λ1 = · · · = λn = 0
Lineare Algebra von Lukas Kompatscher ([email protected])
(Dreiecksungleichung)
5.1 Vektornorm
Jeder Vektor v ∈ Kn kann als Linearkombination einer Basis B = {b1 , . . . , bn } ⊂ Kn dargestellt werden
Skalarprodukt bzgl. sym., quadr. und positiv definiter Matrix A ∈ Kn×n hv, wiA = v ⊤ Aw
c
3. b3 = kc3 k mit c3 = v3 − hv3 , b1 i · b1 − hv3 , b2 i · b2 3 Orthogonale Projektion auf UVR Gegeben: Vektorraum V ∈ Rn , v ∈ V , Untervektorraum U ⊂ V
Eine Abbildung N : V → R eines reellen oder komplexen Vektorraums V heißt Norm auf V , falls ∀v, w ∈ V und ∀λ ∈ R gilt:
4.4 Linearkombination
Kanonisches Skalarprodukt hv, wi = v ⊤ w = v1 w1 + · · · + vn wn
(Vektor mit vielen 0en oder 1en)
3. L¨ osungsvektor ose das LGS A ⊤ Ax = A ⊤ v und erhalte den L¨ x = (λ1 , . . . , λr )⊤ 4. vU = λ1 b1 + · · · + λr br
6. λ(v + w) = λv + λw
1. Linear: hu, v + wi = hu, vi + hu, w i ∧ hu, λv i = λhu, vi hv, v i = 0 ⇔ v = 0
v
1. b1 = kv1 k 1 c 2. b2 = kc2 k mit 2
1. Basis {b1 , . . . , br } von U bestimmen 2. Setze A = b1 b2 . . . br ∈ Rn×r
4. v ′ ∈ V : v + v ′ = 0
3. Positiv definit: hv, v i ≥ 0
2. Symmetrisch: hv, wi = hw, vi
• Zeilen bilden ONB • kAvk = kv k
Orthonormalisierungsvefahren einer Basis {v1 , . . . , vn } nach GramSchmidt
Alternative Methode
3. 0 ∈ V : v + 0 = v
• B ist linear unabh¨ angig
Ein Vektor ist ein n-Tupel reeller oder komplexer Zahlen, also ein Element aus dem Kn .
• Orthogonalsystem, wenn ∀v, w ∈ B : v ⊥ w
• Orthogonalbasis, wenn B Orthogonalsystem und Basis von V
• Orthonormalsystem, wenn B Orthogonalssystem u. ∀v ∈ B : kvk = 1
• A −1 = A ⊤ • det A = ±1
a × b ⊥ a, b (falls a × b = 0 ⇔ a, b linear abh¨angig) a × b = −b × a ka × bk = kak · kbk · sin (∡(a, b)) = b Fl¨ache des Parallelogramms Graßmann-Identit¨at: a × (b × c) ≡ b · (a · c) − c · (a · b)
2. u + v ∈ U
B ⊂ V heißt
• Orthonormalbasis(ONB), wenn B Orthonormalsystem u. Basis von V ist
3.2 Kreuzprodukt (Vektorprodukt) a2 b3 − a3 b2 a × b = a3 b1 − a1 b3 a, b ∈ R3 a1 b2 − a2 b1
1. U 6= ∅
4.5 Orthogonalit¨at
Matrix A heißt orthogonal, wenn A ⊤ A = En
9. 1v = v
¨ 2.8 Aquivalente Aussagen f¨ ur A ∈ Kn×n
(A ⊤ )−1 = (A −1 )⊤ A ∈ Kn×n ist invertierbar, falls: det(A ) 6= 0
hv,ai
v = va + v ⊥ mit va = ha,ai · a und va⊥ = v − va a ha,bi ha,bi cos φ = kakkbk φ = arccos kakkbk
Winkel
5. v + w = w + v
A=
F¨ur die inverse Matrix A −1 von A gilt: A −1 A = En (A −1 )−1 = A (AB)−1 = B−1 A −1
2.5 Rang einer Matrix A ∈ K
Umformung Determinante
Positiv definite Matrix a11 det(a11 ) > 0 ∧ det a21
1 ´ Skalarprodukt Polynome hp(x), q(x)i = p(x)q(x) dx 0 q p 2 + . . . + a2 Norm von Vektoren kak = ha, ai = a12 + a2 n Orthogonalit¨ at ha, bi = 0 ⇔ a ⊥ b Orthogonale Zerlegung eine Vektors v angs l¨ a:
1. v + w ∈ V −1
• det(AB) = det(A) det(B) = det(B) det(A ) = det(BA )
2.3 Transponieren
⊤
n P
• |A| =
• det(A) = det(A ⊤ )
A ∈ Km×n hat m Zeilen z i ∈ Kn • Vertauschen von Zeilen
AA −1 = En a 2x2-Matrix: c
Das LGS Ax = b kurz (A|b) mit A ∈ Km×n , x ∈ Kn , b ∈ Km hat m Gleichungen und n Unbekannte.
n i=1
vi2
1-Norm (l1 -Norm)
euklidische Norm (l2 -Norm) Maximumsnorm (l∞ -Norm)
ange 1 bzgl. der Normen N1 , N2 und N∞ Vektoren aus Rn mit der L¨ Frobeniusnorm der Matrix V = Rm×n v u m X n uX m×n a2 N :R → R mit N (A) = t i=1 j=1
ij
Stand: 11. Juli 2016
1
5.2 Induzierte Matrixnorm auf Rn×n
6.3 Transformationsmatrix
8 Schurzerlegung
Eigenschaften:
Gegeben: Basen B = (v1 , . . . , vn ) und B ′ = (v1′ , . . . , v′n ) ∈ V Darstellung der Elemente aus B ′ in der Basis B : vj′ = a1j v1 + a2j v2 + · · · + anj vn mit aij als Koeffizienten des
Zu jeder quadratische Matrix A ∈ Rn×n mit einem in Linearfaktoren zerfallendem charakteristischem Polynom pA (λ) gibt es eine orthogonale Matrix Q ∈ Rn×n , Q−1 = Q⊤ , mit
• vertr¨ aglich mit Vektornorm: kAvkV = kA k kvkV • submultiplikativ: kABk ≤ kAk kBk
Vektors vj′ bzgl. der Basis B
• kEn k = 1
⇒ Transformationsmatix
ur jeden Eigenwert λ von A • |λ| ≤ kAk f¨
kvkV =1
Wichtige induzierte Matrixnormen auf A = (aij ) ∈ Rn×n
• T B ′ = B−1 B′ B
• Falls B Standardbasis ⇒ Matrix B = E und B′ B −1 B′ = BT B′ • TB = TB ′ B
T E′ B
{|a1i | + · · · + |ani |}
• v ∈ V einen Eigenvektor von A zum Eigenwert λ ∈ R und
ist die betragsm¨aßig maximale Zeilensumme. 2
• Die Spektralnorm induziert durch die l -Norm √ ⊤ kA k2 = max{ λ|λ ist Eigenwert von A A } ist die Wurzel aus dem gr¨ oßten Eigenwert von A ⊤ A .
• λ ∈ R einen Eigenwert von A zum Eigenvektor v ∈ V Ist λ ein Eigenwert von A, so nennt man den Untervektorraum
• EigA (λ) = {v ∈ Rn |Av = λv} den Eigenraum von A zum Eigenwert λ und • dim(EigA (λ)) die geometrische Vielfachheit des Eigenwerts λ
• geo(λ) = dim(EigA (λ)) Diagonalisieren von Matrizen A ist diag.bar falls eine invertierbar Matrix B existiert, sodass
6 Lineare Abbildungen Abbildung f : V → W ist linear, wenn
−1
D=B AB ⇔ A = BDB und D eine Diagonalmatrix ist.
1. f (0) = 0 2. f (a + b) = f (a) + f (b) 3. f (λa) = λf (a) ⇒ Abbildung als Matrix darstellbar Injektiv, wenn aus f (x1 ) = f (x2 ) ⇒ x1 = x2 Surjektiv: ∀y ∈ W ∃x ∈ V : f (x) = y (Alle Werte aus W werden angenommen.) Bijektiv(Eineindeutig): f ist injektiv und surjektiv ⇒ f umkehrbar.
−1
• Eine Matrix ist genau dann diagonalisierbar wenn alg(λ) = geo(λ) f¨ ur jeden Eigenwert λ von A gilt. • Jede Matrix A ∈ Rn×n mit n verschiedenen Eigenwerten ist diagonalisierbar. • Eine symmetrische Matrix hat nur reelle Eigenwerte und ist diagonalisierbar. • Die Determinante einer Matrix ist gleich dem Produkt der Eigenwerte: det(A) = λ1 . . . λn
6.1 Koordinatenvektor bez¨ uglich einer Basis B
7.1 Rezept: Diagonalisieren
B = (b1 , . . . , bn ) geordnete Basis des Vektorraums V , so kann jeder Vektor v ∈ V als Linearkombination bzgl. B dargestellt werden: v = λ1 b1 + · · · + λn bn , wobei λ1 , . . . , λn ∈ R (⇒ Gauß) ⇒ vB = (λ1 , . . . , λn )⊤ ist der Koordinatenvektor bzgl. Basis B
Gegeben: A ∈ Rn×n 1. Bestimme das charakteristische Polynom von A pA (λ) = det(A − λEn ) 2. Charakteristische Polynom pA in Linearfaktoren zerlegen. ν
6.2 Darstellungsmatrix ...
f(en )
Allgemein f : V → W mit V, W Vektorr¨ aume B = (b1 , . . . , bn ) ist eine Basis von V ist eine Basis von W C = (c1 , . . . , cm ) | | | C ⇒ A = M (f )B f (b2 )C ··· f (bn )C = f (b1 )C | | | ist die Darstellungsmatrix von f bzgl. B und C . ”In der j-ten Spalte der Abbildungsmatrix stehen die Koordinaten des Bildes f (bj ) bzgl. der Basis C = (c1 , . . . , cm )” Eigenschaften von f mit Hilfe von A • f injektiv, wenn ker(A) = {0}
• f surjektiv, wenn Bild(A) = Rm • f bijektiv, wenn A invertierbar
Homepage: www.latex4ei.de - Fehler bitte sofort melden.
.
.
Gegeben: A ∈ Rn×n Teil I
ν
pA (λ) = (λ1 − λ) 1 . . . (λr − λ) r Es gilt ν1 + · · · + νr = n λ1 , . . . , λr sind die Eigenwerte mit algebraischer Vielfachheit alg(λi ) = νi Ist pA nicht vollst¨ andig in Linearfaktoren zerlegbar ⇒ A nicht diagonalisierbar! 3. Bestimme zu jeden Eigenwert λi den Eigenraum Vi Vi = ker(A − λi En ) = span(Bi )
2. Bestimme einen Eigenvektor v mit Norm kvk = 1 zum Eigenwert λ1 von A 1 anze v zu einer ONB des Rn ⇒ orthogonale Matrix B1 = 3. Erg¨ v v2 ... vn
4. Berechne
⊤ B 1 A 1 B1 =
λ1 0
∗ A2
(n−1)×(n−1)
mit A 2 ∈ R
(A − λi En )vi = 0
D=B
−1
AB ⇔ A = BDB
−1
. . . 0
. σm
σ
S = 0 . . . 0
...
.
.
0
σn ∈ Rm×n 0 . . . 0
.
...
...
m>n
5. Falls r anze u1 , . . . , ur zu einer ONB, bzw. zu < m erg¨ U = u1 ... um orthogonal.
6. A = U SV ⊤
10 Lineare Differentialgleichungen Gegeben: x ˙ = Ax mit x = x(t) ∈ Rn und A ∈ Rn×n A ist diagonal, diagonalisierbar oder ein Jordanblock. Allgemeine L¨osung
5. Setze Q1 = B1
tA
x(t) = e
Teil II (wiederhole (n − 1) mal)
x0 mit x0 = x(0)
10.1 Exponentialfunktion von Matrizen
1. A 2 ist gegeben 2. Bestimme einen Eigenvektor v zum Eigenwert λ2 von A 2 3. Erg¨ anze v zu einer ONB des Rn−1 ⇒ orthogonale Matrix B2 = v v2 ... vn−1
A
e
=
∞ X Ak
k=0
k!
⊤ B2 A 2 B2
λ2 = 0
1 5. Setze Q2 = Q1 0
∗ A3 0 B2
(n−2)(n−2)
mit A 3 ∈ R
Setze Q = Qn−1 . Es gilt Q−1 = Q⊤ und die lautet λ1 ... ⊤ . Q AQ = R = . . 0
Schurzerlegung von A ∗ . . . λn
Bei der Singul¨arwertzerlegung wird eine beliebige Matrix A ∈ Rm×n als Produkt dreier Matrizen U , S und V geschrieben A = U SV m×m
m×n
tA
e
mit U ∈ R ,S ∈R und V ∈ R . U und V sind orthogonal, S ist eine Diagonalmatrix.
+
A+B
A3 3!
+ ... A B
=e e
tD
= Ve
V
λ t λ t −1 = V diag e 1 , . . . , e n V
−1
a1 1 0 a2 1 A = 0 0 0 a 3 0 1 a1 0 + Aufteilen von A in A = D + N = 0 a2 0 0 ⇒e
n×n
2!
Diagonalisierbare Matrix A ∈ Rn×n mit den Eigenwerten λ1 , . . . , λn und den Eigenvektoren v1 , . . . , vn mit V = v1 ... vn : A = V DV −1
At
⊤
A2
Diagonalmatrix A ∈ Rn×n ea1 t ... 0 . . tA a t a t . e = . . . = diag e 1 , . . . , e n . . . an t 0 ... e
Jordanblock A =
9 Singul¨ arwertzerlegung
=I+A+
AB = BA ⇒ e
4. Berechne
9.1 Rezept: Singul¨ arwertzerlegung
dim(Vi ) = geo(λi ) geometr. Vielfachheit des Eigenwerts λi . ur ein i, ist A nicht diagonalisierbar! Gilt geo(λi ) 6= alg(λi ) f¨ 4. B = (v1 . . . vn ) setzt sich aus den Eigenvektoren zusammen. D = diag(λ1 , . . . , λn ) ist die Diagonalmatrix der Eigenwerte.
.
j = 1, . . . , min{m, n} 0 . m×n ∈R m λr+1 = · · · = λn = 0 mit r ≤ n
2. Bestimme eine ONB des Rn aus den Eigenvektoren vj und erhalte V = v1 ... vn ∈ Rn×n
Lineare Algebra von Lukas Kompatscher ([email protected])
Stand: 11. Juli 2016
2...