Die Menge aller Permutationen heisst symmetrische GruppeSn.
Definition
Eine Permutation, welche nur zwei Elemente vertauscht, heisst Transposition.
Satz
Jede Permutation kann als Produkt (Hintereinanderschaltung von Abbildungen) von Transpositionen geschrieben werden.
Bemerkung
Die Darstellung einer Permutation als Produkt von Transpositionen ist nicht eindeutig. Aber die Anzahl benötigter Transpositionen ist eindeutigerweise entweder gerade oder ungerade.
Definition
Ist p∈Sn, so nennt man jedes Paar i,j∈{1,...,n} mit
i<jaberp(i)>p(j),
einen Fehlstand von p.
Beispiel 1
Gegeben:
p=[122331]
Gesucht: Fehlstände von p
Lösung anzeigenLösung ausblenden
Es gibt insgesamt zwei Fehlstände, nämlich
1<3,aber2>1,und2<3,aber3>1.
Definition
Das Signum einer Permutation ist definiert als
sign(p)=(−1)k={1,falls p eine gerade Anzahl k von Fehlsta¨nden hat−1,falls p eine ungerade Anzahl k von Fehlsta¨nden hat.
Definition
Man nennt p∈Sn:
gerade, falls sign(p)=+1,
ungerade, falls sign(p)=−1.
Determinanten
Definition
Die Determinante ist eine Abbildung:
det:En×nA→E↦det(A)=p∈Sn∑sign(p)⋅i=1∏naip(i)
Bemerkung
In der obigen Definition summieren wir über n! Summanden.
Es wird das folgende Muster bei der Regel von Sarrus angewendet:
+adg−+beh−+cfi−adgbeh
Bemerkung
Für eine n×n-Matrix kann man die Determinante über die Definition mit Permutationen berechnen, aber ist sehr ineffizient (Aufwand proportional zu n!).
Satz
Sei A die Zeilenstufenform von A (d.h. A ist eine obere/untere Dreiecksmatrix), welche man durch den Gauss-Algorithmus aus A berechnet hat. Sei k∈N0 die Anzahl ausgeführter Zeilenvertauschungen:
⇒det(A)=(−1)k⋅det(A)=(−1)ki=1∏nAii,wobei i=1∏nAii das Produkt der Diagonaleintra¨ge ist.
Satz
Laplace’scher Entwicklungssatz
Sei A∈En×n und Aij′∈E(n−1)×(n−1) die Streichmatrix ohne i-te Zeile und j-te Spalte.
⇒Entwicklung nach der i-ten Zeile: det(A)=j=1∑n(−1)i+j⋅aij⋅det(Aij′)⇒Entwicklung nach der j-ten Spalte: det(A)=i=1∑n(−1)i+j⋅aij⋅det(Aij′).
Zu jedem Element akl einer n×n-Matrix A werde die (n−1)×(n−1)-Untermatrix A[k,l] definiert durch Streichen der Zeile k und der Kolonne l von A. Der Kofaktorκkl von akl ist dann die Zahl:
κkl:=(−1)k+l det(A[k,l]).
Eigenwerte und Eigenvektoren
Sei in diesem Abschnitt V ein Vektorraum über E, dim(V)=n<∞, A∈En×n.
Definition
λ∈E heisst Eigenwert (EW) von A⇔∃v∈V∖{0}:Av=λv.
v∈V∖{0} heisst dann Eigenvektor (EV) von A zum Eigenwert λ.
Eλ(A)={v∈V∣Av=λv} heisst Eigenraum von A zum Eigenwert λ.
σ(A):={λ∣λ Eigenwerte von A} heisst Spektrum von A.
Bemerkung
Eλ(A)= ker(A−λ𝟙) ist ein nichttrivialer Untervektorraum von V, d.h. es gilt:
{0}⊊Eλ(A)(echt gro¨sser als nur der Nullraum)
Bemerkung
Diese Definition lässt sich analog für eine lineare Abbildung F:V→V führen. Es gilt:
⇔λ ist ein Eigenwert von F,v ist ein Eigenvektor von Fλ ist ein Eigenwert von A,v ist ein Eigenvektor von A,wobei A die Abbildungsmatrix von F bezeichnet.
BemerkungHerleitung des charakteristischen Polynoms χ_A
Betrachte
Av=λv⇔Av−λv=0⇔(A−λ𝟙)v=0(1)
v=0 löst (1), aber v=0 ist als Eigenvektor nicht zugelassen. Wir fordern mehr Lösungen, d.h. ∞ viele Lösungen (da ein LGS immer 0,1 oder ∞ viele Lösungen hat). Gemäss dem Satz aus der Erinnerung können wir dies erreichen, indem wir det(A−λ𝟙)=!0 setzen, weil
det(A−λ𝟙)=0⇔SatzA−λ𝟙 singula¨r⇒(A−λ𝟙)v=0 hat ∞ viele Lo¨sungen, da v=0 nicht zugelassen ist.
λ ist ein Eigenwert von A⇔λ ist eine Nullstelle (NST) des charakteristischen Polynoms χA(λ).
BemerkungMitternachtsformel (auswendig)
ax2+bx+c⇒x1,2=0=2a−b±b2−4ac
BemerkungBerechnung von Eigenwerten und Eigenvektoren
Gegeben: A∈En×n
(falls F:V→V lineare Abbildung gegeben ist, finde zuerst die Abbildungsmatrix A)
Gesucht: σ(A) (d.h. ∀ Eigenwerte von A), Eλ(A) mit ∀λ∈σ(A)
1) Berechne χA(λ)= det(A−λ𝟙)
2) Setze χA(λ)=!0:
⇒n Nullstellen λ1,...,λn⇒σ(A)={λ1,...,λn}
Bemerkung.λ1,...,λn sind nicht zwingend verschieden, sondern mit Nullstellenvielfachheit gezählt.
3) Für jeden verschiedenen Eigenwert λk bestimme die Basis von Eλk(A)= ker(A−λk𝟙) mit Hilfe von der Gauss-Elimination.
4) Die Menge der Eigenvektoren ist
k⋃(Eλk(A)∖{0})
(Wir vereinigen alle Eigenräume minus den Nullvektor)
Beispiel 3
Gegeben:
A=140230325
Gesucht: Eigenwerte, Eigenvektoren von A
Lösung anzeigenLösung ausblenden
1)
χA(λ)=det(A−λ𝟙)=det(1−λ)402(3−λ)032(5−λ)=(1−λ)(3−λ)(5−λ)−(5−λ)⋅4⋅2=(5−λ)[(1−λ)(3−λ)−4⋅2]=(5−λ)[3−3λ−λ+λ2−8]=(5−λ)[λ2−4λ−5]=(5−λ)(λ−5)(λ+1)(allenfalls mit Hilfe der Mitternachtsformel)=−(λ−5)(λ−5)(λ+1)=−(λ−5)2(λ+1)
2)
χA(λ)⇔−(λ−5)2(λ+1)⇒λ1λ3⇒σ(A)=!0=0=λ2=5(Spa¨ter: algebraische Vielfachheit von 5 ist 2)=−1={5,−1}
Es wäre mathematisch unpräzis in Beispiel 3 zu sagen: "Die Eigenvektoren sind (1,2,0)T und (1,−1,0)T".
Denn es gibt ∞ viele Eigenvektoren.
Sei zum Beispiel v ein Eigenvektor von A zum Eigenwert λ, d.h. Av=λv⇒c⋅v ist ein Eigenvektor von A zu λ für alle c∈E∖{0}, da auch A(cv)=λ(cv) gilt.
Meist genügt es trotzdem, einen Basisvektor v∈Eλ(A)∖{0} als "repräsentativen Eigenvektor" zu nehmen.
Spektralzerlegung, Diagonalisierbarkeit
Definition
Sei λ ein Eigenwert von A∈En×n.
Algebraische Vielfachheit von λ:
aλ:="Nullstellenvielfachheit von λ in χA(λ)"
Geometrische Vielfachheit:
gλ:=dim(Eλ(A))=dim(ker(A−λ𝟙))=n−rang(A−λ𝟙)
Definition
A heisst diagonalisierbar (es existiert eine Spektralzerlegung)
⇔∃V∈En×n,Λ∈En×n, mit V regula¨r, Λ diagonal, so dass A=VΛV−1
Man sagt auch: "A ist ähnlich zu einer Diagonalmatrix".
Satz
A ist diagonalisierbar
⇔ Die Eigenvektoren von A bilden eine Basis von V⇔ Für alle Eigenwerte λ von A gilt gλ=aλ.
Bemerkung
Eine Diagonalisierung ist ein Basiswechsel mit Transformationsmatrizen V und V−1.
Satz
Bei Ähnlichkeitstransformation bleibt erhalten:
Eigenwerte und deren algebraische und geometrische Vielfachheit
wobei ihr die Inverse V−1 mit dem üblichen Rezept berechnet.
4) Test: A=VΛV−1✓
Bemerkung
Komplexwertige Nullstellen des charakteristischen Polynoms mit reellen Koeffizienten treten immer paarweise auf, und zwar ist mit λ∈C auch λ eine Nullstelle. Somit muss eine orthogonale Matrix von ungerader Dimension mindestens einen reellen Eigenwert ±1 besitzen.
Definition
Definition.
Die Summe der Diagonalelemente von A∈En×n nennt man Spur von A:
spur(A):=i=1∑naii=a11+...+ann.
Lemma 9.6
Eine (quadratische) Matrix A ist genau dann singulär, wenn sie 0 als Eigenwert hat:
A singula¨r⇔0∈σ(A).
Satz 9.11
Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
Korollar 9.12
Sind die n Eigenwerte von F:V→V (mit n=dim(V)) verschieden, so gibt es eine Basis von Eigenvektoren und die entsprechende Abbildungsmatrix ist diagonal.
Satz 9.15
Ist A∈Cn×n hermitesch, so gilt:
Alle Eigenwerte λ1,...,λn sind reell.
Die Eigenvektoren zu verschiedenen Eigenwerten sind paarweise orthogonal in Cn.
Es gibt eine orthonormale Basis des Cn aus Eigenvektoren u1,...,un von A.
Für die unitäre Matrix U:=(u1,...,un) gilt: UHAU=Λ=diag(λ1,...,λn).