Vektorrum. enote Generalisering af begrebet vektor

Størrelse: px
Starte visningen fra side:

Download "Vektorrum. enote Generalisering af begrebet vektor"

Transkript

1 enote 7 1 enote 7 Vektorrum I denne enote opstilles en generel teori for mængder, for hvilke der er defineret addition og multiplikation med skalar, og som opfylder de samme regneregler som geometriske vektorer i planen og rummet. Det vises, hvordan man ved hjælp af begreberne basis og koordinater kan forenkle og standardisere løsningen af opgaver, der er fælles for alle disse mængder, som kaldes vektorrum. Kendskab til enote 6 om geometriske vektorer er en fordel, og der forudsættes kendskab til løsningsmængder for lineære ligningssystemer, se enote 2, til elementær matrixalgebra og til et par vigtige resultater angående determinanter. Version Karsten Schmidt 7.1 Generalisering af begrebet vektor Begrebet vektor kommer fra plan- og rumgeometrien, hvor det betegner et sammenhørende par af en længde og en retning. Vektorer kan repræsenteres af orienterede linjestykker, hvorefter det er muligt at definere to geometriske regneoperationer: addition af vektorer og multiplikation af vektorer med tal (skalarer). Til brug ved lidt mere sammensatte regneoperationer beviser man otte regneregler, se sætning 6.13 i enote 6, der handler om de to indførte regneoperationer. I mange andre mængder af matematiske objekter har man ligeledes brug for at definere addition af objekter samt multiplikation af et objekt med en skalar. Det er talrummene R n og C n og matrixmængderne R m n gode eksempler på, se enote?? henholdsvis enote??. Det bemærkelsesværdige er, at de regneregler for addition og multiplikation med skalar, som det er muligt at bevise inden for hver af disse mængder, er de samme som de regneregler, der gælder for geometriske vektorer i planen og rummet! Man siger derfor: Lad os lave én teori, der gælder for alle de mængder, hvor der kan defineres addition og multiplikation med skalar, og hvor de otte regneregler kendt fra geometrien gælder.

2 enote GENERALISERING AF BEGREBET VEKTOR 2 Man foretager hermed en generalisering af læren om geometriske vektorer, og enhver mængde, der omfattes af teoriens betingelser, kaldes et vektorrum. I enote 6 om de geometriske vektorer er det demonstreret, hvordan man kan indføre en basis for vektorerne, hvorefter alle vektorer i det pågældende rum er bestemt ved deres koordinater med hensyn til denne basis. Fordelen er, at man derved kan erstatte geometrisk vektorregning med regning med vektorernes koordinater. Det viser sig, at det også er muligt at overføre begreberne vedrørende basis og koordinater til mange andre mængder af matematiske objekter, hvor også addition af objekter og multiplikation med skalar gælder. Når vi i det følgende undersøger vektorrum abstrakt, betyder det, at vi ser på hvilke begreber, sætninger og metoder, der er en følge af de fælles regneregler, idet vi ser bort fra den konkrete betydning, som addition og multiplikation med skalar har i de mængder af konkrete objekter, hvor de er indført. Man får derved generelle metoder gældende for enhver mængde af den ovennævnte art. Når man i en bestemt arbejdsopgave er tilbage i et konkret vektorrum, må man fortolke, hvad de opnåede resultater betyder i denne særlige sammenhæng. Fremgangsmåden kaldes den aksiomatiske metode. Med henblik på alt dette fremlægger vi nu den abstrakte definition af vektorrum.

3 enote GENERALISERING AF BEGREBET VEKTOR 3 Definition 7.1 Vektorrum Lad L betegne R eller C, og lad V være en mængde af matematiske elementer, hvori der er defineret de to regneoperationer I. addition, der ud fra to elementer a og b i V danner summen a + b, som også tilhører V, samt II. multiplikation med skalar, der ud fra ethvert a V og enhver skalar k L danner et produkt ka eller ak, som også tilhører V. V kaldes et vektorrum, og elementerne i V kaldes vektorer, hvis de følgende otte regneregler er opfyldt: 1. a + b = b + a Addition er kommutativ 2. (a + b) + c = a + (b + c) Addition er associativ 3. a + 0 = a I V findes 0, som er neutral mht. addition 4. a + ( a) = 0 Til ethvert a V findes et modsat objekt a V 5. k 1 (k 2 a) = (k 1 k 2 )a Multiplikation med skalarer er associativ } 6. (k 1 + k 2 )a = k 1 a + k 2 a De distributive regler gælder 7. k 1 (a + b) = k 1 a + k 1 b 8. 1a = a Skalaren 1 er neutral i produkt med vektorer Hvis L i definition 7.1 står for R, taler man om V som et vektorrum over de reelle tal. Det betyder, at skalaren k kun kan være et vilkårligt reelt tal. Tilsvarende taler man om V som et vektorrum over de komplekse tal, hvis L står for C, hvor k er et vilkårligt komplekst tal. Kravene I og II i definition 7.1 om, at resultatet af addition og af multiplikation med skalar selv skal være et element i V, kaldes for stabilitetskravene. V skal således være stabil med hensyn til de to regnearter. Mængden af geometriske vektorer i planen og mængden af geometriske vektorer i rummet er naturligvis de mest oplagte eksempler på vektorrum, da de otte regneregler i definition 7.1 er opstillet ud fra netop geometriske vektorer i disse rum. Men lad os alligevel lige se efter, om stabilitetskravene gælder. Er summen af to vektorer i planen selv en vektor i planen? Og er en vektor i planen ganget med et tal selv en vektor i planen? Ud fra definitionen på de to regnearter (se definition 6.2 og definition 6.3 i enote 6) er svaret oplagt ja, og derfor er mængden af

4 enote GENERALISERING AF BEGREBET VEKTOR 4 vektorer i planen et vektorrum. På samme måde ses, at mængden af vektorer i rummet er et vektorrum. Sætning 7.2 Entydighed af 0-vektor og modsat vektor For ethvert vektorrum V gælder: 1. V indeholder kun ét neutralt element med hensyn til addition. 2. Enhver vektor a V har kun ét modsat element. Bevis Første del Lad 0 1 og 0 2 være to elementer i V, der begge er neutrale med hensyn til addition. Der gælder da: 0 1 = = = 0 2, hvor vi har udnyttet, at addition er kommutativ. Der findes altså kun én 0-vektor neutral for addition: 0. Anden del Lad a 1, a 2 V være to modsatte elementer for a V. Der gælder da: a 1 = a = a 1 + (a + a 2 ) = (a + a 1 ) + a 2 = 0 + a 2 = a 2, hvor vi har udnyttet, at addition er både kommutativ og associativ. Der findes altså for a kun én modsat vektor, a. Definition 7.3 Subtraktion Lad V være et vektorrum, og lad a, b V. Ved differensen a b forstås vektoren a b = a + ( b). (7-1) Opgave 7.4 Bevis, at ( 1)a = a.

5 enote GENERALISERING AF BEGREBET VEKTOR 5 Opgave 7.5 Nul-reglen Bevis, at følgende variant af nul-reglen gælder i ethvert vektorrum: ka = 0 k = 0 eller a = 0. (7-2) Eksempel 7.6 Matricer som vektorer For to vilkårlige naturlige tal m og n er R m n (det vil sige mængden af reelle (m n)-matricer) et vektorrum. Ligeledes er C m n (det vil sige mængden af komplekse (m n)-matricer) et vektorrum. Betragt for eksempel R 2 3. Hvis vi lægger to matricer af denne type sammen, får vi en ny matrix af samme type, og hvis vi ganger en (2 3)-matrix med et tal, får vi også en ny (2 3)-matrix (se definition??). Dermed er stabilitetskravene opfyldt. At R 2 3 desuden opfylder de otte regneregler, fremgår af sætning??. Opgave 7.7 Gør rede for, at der for ethvert naturligt tal n gælder, at talrummet L n er et vektorrum. Husk også at tænke over tilfældet n = 1! I de følgende to eksempler skal vi se, at den geometrisk inspirerede vektorrumsteori overraskende nok kan bringes i spil på velkendte mængder af funktioner. Matematikhistorikere har i den forbindelse talt om den matematiske analyses geometrisering! Eksempel 7.8 Polynomier som vektorer Mængden af polynomier P : R R af højst n te grad betegnes P n (R). Et element P i P n (R) er altså givet ved P(x) = a 0 + a 1 x + + a n x n, (7-3) hvor koefficienterne a 0, a 1,, a n er vilkårlige reelle tal. Vis, at P n (R) er et vektorrum. Stabilitetskravene I og II fra definition 7.1 skal først og fremmest være opfyldt og derudover også de otte regneregler. Addition af to polynomier i P n (R) defineres ved parvis addition af koefficienter, der hører til led af samme grad. Multiplikation af et polynomium i P n (R) med et tal k defineres som multiplikation af hver af koefficienterne med k. Som eksempel på disse to regneoperationer

6 enote GENERALISERING AF BEGREBET VEKTOR 6 ser vi på to polynomier fra P 3 (R) (altså to polynomier af højst tredje grad): og P(x) = 1 2x + x 3 = 1 2x + 0x 2 + 1x 3 Q(x) = 2 + 2x 4x 2 = 2 + 2x 4x 2 + 0x 3. Ved summen af P og Q forstår vi polynomiet R = P + Q bestemt ved R(x) = (1 + 2) + ( 2 + 2)x + (0 4)x 2 + (1 + 0)x 3 = 3 4x 2 + x 3, og ved multiplikation af P med skalaren k = 3 forstår vi polynomiet S = 3P bestemt ved S(x) = (3 1) + (3 ( 2))x + (3 0)x 2 + (3 1)x 3 = 3 6x + 3x 3. Vi vil nu argumentere for, at P n (R) med de indførte regneoperationer er et vektorrum! At P n (R) overholder stabilitetskravene, følger, som eksemplerne herover antyder, af, at summen af to polynomier af højst n te grad selv er et polynomium af højst n te grad og, at multiplikation af et polynomium af højst n te grad med et reelt tal igen giver et polynomium af højst n te grad. Betingelserne 1, 2 og 5 til 8 i definition 7.1 er opfyldt, fordi samme regneregler gælder for de udregninger på polynomiernes koefficienter, som regneoperationerne er defineret ved. Endelig er betingelse 3 og 4 opfyldt, idet polynomiet P(x) = 0 + 0x + 0x n = 0 udfylder rollen som nulvektor, og idet den modsatte vektor til P(x) P n (R) er givet ved polynomiet P(x) = a 0 a 1 x a n x n. På samme måde kan det vises, at også mængden af polynomier P : C C af højst n te grad, som betegnes P n (C), er et vektorrum. Opgave 7.9 Gør rede for, at P(R), det vil sige mængden af alle reelle polynomier, er et vektorrum.

7 enote LINEARKOMBINATIONER OG UDSPÆNDINGER 7 Eksempel 7.10 Kontinuerte funktioner som vektorer Mængden af kontinuerte reelle funktioner defineret på R betegnes C 0 (R). Additionen m = f + g af to funktioner f og g i C 0 (R) indføres ved m(x) = ( f + g)(x) = f (x) + g(x) for ethvert x R, og multiplikationen n = k f af f med et reelt tal k ved n(x) = (k f )(x) = k f (x) for ethvert x R. Argumenter for, at C 0 (R) med de indførte regneoperationer er et vektorrum. Da m = f + g og n = k f er kontinuerte (ifølge grundlæggende teori for kontinuerte funktioner), ser vi, at C 0 (R) opfylder de to stabilitetskrav. Endvidere findes der en funktion, der udfylder rollen som nulvektor, nemlig nulfunktionen, det vil sige den funktion, som antager værdien 0 for alle x R. Samtidig findes den modsatte vektor til den kontinuerte reelle funktion f ved vektoren ( 1) f = f, som for alle x R har værdien f (x). Herefter er det let at indse, at C 0 (R) med de indførte regneoperationer opfylder alle 8 betingelser i definition 7.1, og at C 0 (R) dermed er et vektorrum. 7.2 Linearkombinationer og udspændinger En pointe ved regneregler som u + v = v + u og (u + v) + w = u + (v + w) fra definition 7.1 er, at man udelader parenteser, når man skal addere en række vektorer, da det ingen betydning har for den resulterende vektor, i hvilken rækkefølge man har lagt vektorerne sammen parvist. Dette er baggrunden for linearkombinationer, hvor et sæt af vektorer er multipliceret med skalarer og derefter opskrevet som en sum.

8 enote LINEARKOMBINATIONER OG UDSPÆNDINGER 8 Definition 7.11 Linearkombination Når der i et vektorrum V er givet p vektorer v 1, v 2,..., v p, og der er valgt vilkårlige skalarer k 1, k 2,..., k p, så kaldes summen k 1 v 1 + k 2 v k p v p en linearkombination af de p givne vektorer. Hvis alle koefficienterne k 1,..., k p er lig med 0, kaldes linearkombinationen uegentlig, men hvis blot én af dem er forskellig fra 0, er den egentlig. I definition 7.11 omtales blot en enkelt linearkombination. Udregnes den, fås en resulterende vektor i samme rum. I mange sammenhænge har det interesse at se på den samlede mængde af mulige linearkombinationer af givne vektorer. Mængden kaldes for udspændingen af vektorerne, da en sådan mængde indeholder samtlige vektorer, som kan dannes ved linearkombinationer af de givne vektorer. Betragt for eksempel den plan i rummet, som går gennem origo og indeholder stedvektorerne for to ikke parallelle vektorer u og v, se figur 7.1. Planen kan betragtes som udspændingen af de to vektorer, idet stedvektoren OP= k 1 u + k 2 v gennemløber alle punkter P i planen, når k 1 og k 2 antager alle tænkelige reelle værdier. Vha. af disse to vektorer kan alle andre punkter (eller vektorer) i denne plan altså bestemmes. O v R u P Q Figur 7.1: u og v udspænder en plan i rummet

9 enote LINEÆR AFHÆNGIGHED OG LINEÆR UAFHÆNGIGHED 9 Definition 7.12 Udspænding og span Ved udspændingen af et givet sæt vektorer v 1, v 2,..., v p i et vektorrum V forstås den samlede mængde af alle tænkelige linearkombinationer af vektorerne. Udspændingen af de p vektorer skrives kort som span{v 1, v 2,..., v p }, eller i tilfælde af uendeligt mange basisvektorer som span{v 1, v 2,...}. Eksempel 7.13 Linearkombination og span Vi betragter i vektorrummet R 2 3 de tre matricer/vektorer A = [ ] 1 0 3, B = [ ] og C = Et eksempel på en linearkombination af de tre vektorer er 2A + 0 B + ( 1)C = [ ] (7-4) [ ] (7-5) Vi har dermed [ ] span{a, B, C}. (7-6) Lineær afhængighed og lineær uafhængighed To geometriske vektorer u og v er lineært afhængige, hvis de er parallelle, det vil sige, hvis der findes et tal k, så v = ku. Mere generelt er et vilkårligt sæt af vektorer lineært afhængigt, hvis en af vektorerne er en linearkombination af de øvrige. Dette begreb ønsker vi at overføre til vektorrumsteorien, se den følgende definition.

10 enote LINEÆR AFHÆNGIGHED OG LINEÆR UAFHÆNGIGHED 10 Definition 7.14 Lineær afhængighed og uafhængighed Et sæt bestående af p vektorer (v 1, v 2,..., v p ) i et vektorrum V er lineært afhængigt, hvis mindst én af vektorerne kan skrives som en linearkombination af de øvrige, altså hvis for eksempel v 1 = k 2 v 2 + k 3 v k p v p. Hvis ingen af vektorerne kan skrives som en linearkombination af de øvrige, kaldes sættet lineært uafhængigt. Hvis vektorsættet kun består af en enkelt vektor, kaldes sættet lineært afhængigt, hvis det består af 0-vektoren, og ellers lineært uafhængigt. Eksempel 7.15 Lineær afhængighed Ethvert vektorsæt, som indeholder nul-vektoren, er lineært afhængigt! Betragt for eksempel sættet (u, v, 0, w). Her kan nul-vektoren jo helt trivielt skrives som en linearkombination af de tre andre vektorer i sættet: 0 = 0u + 0v + 0w. Eksempel 7.16 Lineær afhængighed Betragt i vektorrummet R 2 3 de tre matricer/vektorer A = [ ] 1 0 3, B = [ ] og C = C kan skrives som en linearkombination af A og B, da der gælder, at C = 3A 2B. [ ] (7-7) Derfor er A, B og C lineært afhængige. Hvis man som her kan finde blot ét eksempel på en linearkombination, så er sættet altså lineært afhængigt. Derimod er sættet bestående af A og B lineært uafhængigt, da de to vektorer ikke er parallelle, idet der tydeligvis ikke findes et tal k således, at B = ka. Ligeså med sættene (A, C) og (B, C). Når man skal undersøge, om et sæt af vektorer er lineært afhængigt, opstår ved brug af definition 7.14 spørgsmålet om, hvilken af sættets vektorer der evt. er en linearkombina-

11 enote LINEÆR AFHÆNGIGHED OG LINEÆR UAFHÆNGIGHED 11 tion af de øvrige. Hvor skal undersøgelsen starte? Dilemmaet kan undgås, hvis man i stedet for definitionen bruger den følgende sætning: Sætning 7.17 Lineær afhængighed og uafhængighed At et vektorsæt (v 1, v 2,..., v p ) i et vektorrum V er lineært afhængigt, er ensbetydende med, at nul-vektoren kan skrives som en egentlig linearkombination af vektorerne. Der skal altså findes skalarer k 1, k 2,..., k p, som ikke alle er lig med 0 (kaldet nul-løsningen), der opfylder k 1 v 1 + k 2 v k p v p = 0. (7-8). I modsat fald altså hvis nul-løsningen er den eneste løsning er vektorerne lineært uafhængige. Bevis Antag, at (v 1, v 2,..., v p ) er lineært afhængigt. Så kan en af dem skrives som en linearkombination af de øvrige. For eksempel er Men dette er ensbetydende med, at v 1 = k 2 v 2 + k 3 v k p v p. (7-9) v 1 k 2 v 2 k 3 v 3 k p v p = 0, (7-10) hvorved nul-vektoren er skrevet som en linearkombination af vektorsættet, hvor mindst én af koefficienterne k 2, k 3,..., k p ikke er 0, da vi jo har koefficienten 1 til v 1. Antag omvendt, at nul-vektoren er skrevet som en egentlig linearkombination af vektorsættet, hvor for eksempel koefficienten k 1 til v 1 er forskellig fra 0. Så har vi k 1 v 1 + k 2 v k p v p = 0 v 1 = ( 1) k 2 k 1 v ( 1) k p k 1 v p. (7-11) Hermed er v 1 skrevet som en egentlig linearkombination af de øvrige vektorer, og beviset er fuldført.

12 enote BASIS OG DIMENSION FOR ET VEKTORRUM 12 Eksempel 7.18 Lineær afhængighed I talrummet R 4 er der givet vektorerne a = (1, 3, 0, 2), b = ( 1, 9, 0, 4) og c = (2, 0, 0, 1). Da der gælder: 3a b 2c = 0, er nul-vektoren skrevet som en egentlig linearkombination af de tre vektorer. De er derfor lineært afhængige. 7.4 Basis og dimension for et vektorrum En afgørende begrundelse for at indføre en basis i et vektorrum er, at alle vektorer i vektorrummet derefter kan beskrives ved hjælp af koordinater. I et senere afsnit vises det, hvordan man kan forenkle og standardisere regneopgaver med vektorer, når man benytter koordinater. Men i dette afsnit vil vi diskutere de krav, man må stille til en basis, og undersøge de teoretiske konsekvenser af kravene. En basis for et vektorrum består af et vist antal vektorer opskrevet i en bestemt rækkefølge. En afgørende opgave for basisvektorerne er at udspænde hele vektorrummet. Men mere præcist ønsker vi dette job udført af så få vektorer som muligt. I så fald viser det sig nemlig, at alle vektorer i vektorrummet på entydig vis kan skrives som en linearkombination af basisvektorerne. Og det er netop koefficienterne i den entydige linearkombination vi vil bruge som koordinater. Lad os tage udgangspunkt i nogle karakteristiske egenskaber ved baser for de geometriske vektorer i planen. v a 3 O a 2 a 1 Figur 7.2: Koordinatsystem i planen med basis (a 1, a 2 ) Betragt vektorsættet (a 1, a 2, a 3 ) på figur 7.2. Ingen tvivl om at enhver anden vektor i planen kan skrives som en linearkombination af de tre vektorer. Men linearkombinatio-

13 enote BASIS OG DIMENSION FOR ET VEKTORRUM 13 nen er ikke entydig. For eksempel kan en bestemt vektor v skrives på disse to måder: v = 2a 1 + 3a 2 1a 3 v = 1a 1 + 2a 2 + 0a 3. Dermed kan vi ikke bruge koefficienterne som koordinater, for hvilke af de to ligninger skal vi da bruge? Problemet er, at a-vektorerne er lineært afhængige af hinanden; for eksempel er a 3 = a 1 a 2. Men hvis vi fjerner én af dem, for eksempel a 3, er sættet lineært uafhængigt, og der er så kun én mulig skrivemåde: v = 1a 1 + 2a 2. Dermed er koefficienterne unikke og kan bruges som et unikt koordinatsæt (1, 2). Vi kan opsummere de karakteristiske egenskaber for en basis for de geometriske vektorer i planen således: 1. Enhver basis skal bestå af lineært uafhængige vektorer, 2. enhver basis skal indeholde netop to vektorer, og 3. ethvert sæt bestående af to lineært uafhængige vektorer er en basis. Egenskab nr. 2 herover fortæller, at der kræves netop to vektorer til en basis for planen. Hvis der nemlig er flere end to, så er de lineært afhængige, og hvis der er færre end to, udspænder de ikke hele vektorrummet. Disse egenskaber lader sig overføre til alle andre vektorrum. Det tager vi hul på nu, og vi starter med den generelle definition af en basis. Definition 7.19 Basis Ved en basis for et vektorrum V forstås en mængde (v 1, v 2,..., v n ) af vektorer fra V, som opfylder: 1. (v 1, v 2,..., v n ) udspænder V. 2. (v 1, v 2,..., v n ) er lineært uafhængigt. Her bør vi stoppe op og sørge for, at definition 7.19 faktisk opfylder vores entydighedskrav til en basis. Dette fastslås i den følgende sætning.

14 enote BASIS OG DIMENSION FOR ET VEKTORRUM 14 Sætning 7.20 Entydighedssætningen Hvis der i et vektorrum V er givet en basis, kan enhver vektor i V skrives som en unik linearkombination af basisvektorerne. Bevis Vi giver idéen i beviset ved at se på et vektorrum V, som har en basis bestående af tre basisvektorer (a, b, c), og antager, at v er en vilkårlig vektor i V, som på to måder kan skrives som en linearkombination af basisvektorerne. Vi kan da opstille to de ligninger v = k 1 a + k 2 b + k 3 c v = k 4 a + k 5 b + k 6 c. (7-12) Ved at trække den nederste ligning i (7-12) fra den øverste opnår vi ligningen 0 = (k 1 k 4 )a + (k 2 k 5 )b + (k 3 k 6 )c. (7-13) Da a, b og c er lineært uafhængige, kan nul-vektoren kun skrives som en uegentlig linearkombination af dem. Derfor er hver af koefficienterne i (7-13) lig med 0, hvilket medfører, at k 1 = k 4, k 2 = k 5 og k 3 = k 6. Men så er de to måder, som v har været skrevet som linearkombination af basisvektorerne på, i virkeligheden den samme, og der findes dermed kun én måde! Dette ræsonnement lader sig umiddelbart udvide til en basis, som består af et vilkårligt antal basisvektorer. Vi vender nu tilbage til det faktum, at enhver basis for de geometriske vektorer i planen altid indeholder to lineært uafhængige vektorer, og at der tilsvarende for geometriske vektorer i rummet gælder, at en basis må bestå af tre lineært uafhængige vektorer. Det viser sig, at det faste antal basisvektorer er en egenskab ved alle vektorrum, der har en basis, og dette gør det muligt at tale om dimensionen af et vektorrum. For at bevise, at egenskaben findes, får vi brug for følgende hjælpesætning. Hjælpesætning 7.21 Hvis et vektorrum V har en basis bestående af n basisvektorer, så vil ethvert sæt fra V, som indeholder mere end n vektorer, være lineært afhængigt.

15 enote BASIS OG DIMENSION FOR ET VEKTORRUM 15 Bevis Vi viser idéen i beviset ved at betragte et vektorrum V, som har en basis af to vektorer (a, b), og undersøger tre vilkårlige vektorer c, d og e fra V. Vi viser, at de tre vektorer nødvendigvis må være lineært afhængige. Da (a, b) er en basis for V, kan vi opstille de tre ligninger c = c 1 a + c 2 b d = d 1 a + d 2 b e = e 1 a + e 2 b. Betragt endvidere nul-vektoren opskrevet ved følgende linearkombination: (7-14) x 1 c + x 2 d + x 3 e = 0. (7-15) Ved indsættelse af (7-14) i (7-15) er linearkombinationen ensbetydende med (x 1 c 1 + x 2 d 1 + x 3 e 1 )a + (x 1 c 2 + x 2 d 2 + x 3 e 2 )b = 0. (7-16) Da nul-vektoren kun kan opnås som en linearkombination af a og b, hvis hver af koefficienterne er lig med 0, er (7-16) ensbetydende med følgende ligningssystem: c 1 x 1 + d 1 x 2 + e 1 x 3 = 0 c 2 x 1 + d 2 x 2 + e 2 x 3 = 0. (7-17) Dette er et homogent lineært ligningssystem, hvor antallet af ligninger er mindre end antallet af ubekendte. Ligningssystemet har derfor uendeligt mange løsninger, hvilket betyder, at (7-16) ikke kun er opnåelig under betingelsen af x 1 = 0, x 2 = 0 og x 3 = 0 men også har andre løsninger. Dermed er det vist, at sættet (c, d, e) er lineært afhængigt. Generelt: Antag nu at basen for V består af n vektorer, og at der gives m vektorer fra V, hvor m > n. Ved at følge samme fremgangsmåde som ovenfor opstår der et homogent lineært ligningssystem bestående af n ligninger med m ubekendte som, fordi m > n, ligeledes har uendeligt mange løsninger. Derved er det vist, at de m vektorer er lineært afhængige. Og så er vi klar til at fremsætte den følgende vigtige sætning. Sætning 7.22 Antal af basisvektorer Hvis et vektorrum V har en basis bestående af n basisvektorer, så vil enhver basis for V ligeledes bestå af n basisvektorer.

16 enote BASIS OG DIMENSION FOR ET VEKTORRUM 16 Bevis Antag, at V har to baser med forskelligt antal basisvektorer. Vi kalder basen med færrest basisvektorer for a og den med flest for b. Ifølge hjælpesætning 7.21 må b-basisvektorerne være lineært afhængige, og dette er i modstrid med, at de udgør en basis. Antagelsen om, at V kan have to baser med forskelligt antal basisvektorer, må derfor være forkert. At antallet af basisvektorer ifølge sætning 7.22 er en egenskab ved vektorrum, motiverer indførelsen af begrebet dimension. Definition 7.23 Dimension Ved dimensionen af et vektorrum V, som har en basis b, forstås antallet af basisvektorer i b. Hvis dette antal er n, siger man, at V er n-dimensionalt og skriver dim(v) = n. (7-18) Eksempel 7.24 Dimension af geometriske vektorrum Heldigvis bekræfter definition 7.23 en intuitiv fornemmelse af, at mængden af geometriske vektorer i planen har dimensionen to, og at mængden af geometriske vektorer i rummet har dimensionen tre! Eksempel 7.25 Standardbasis for talrum En vilkårlig vektor v = (a, b, c, d) i R 4 eller i C 4 (det vil sige i L 4 ) kan på oplagt måde skrives som en linearkombination af fire særlige vektorer i L 4 : v = a (1, 0, 0, 0) + b (0, 1, 0, 0) + c (0, 0, 1, 0) + d (0, 0, 0, 1). (7-19) Vi sætter e 1 = (1, 0, 0, 0), e 2 = (0, 1, 0, 0), e 3 = (0, 0, 1, 0) og e 4 = (0, 0, 0, 1) og konstaterer ved hjælp af (7-19), at e-sættet (e 1, e 2, e 3, e 4 ) udspænder L 4. Da det endvidere ses, at ingen af vektorerne i sættet kan skrives som en linearkombination af de øvrige, er sættet lineært uafhængigt, og (e 1, e 2, e 3, e 4 ) er dermed en basis for L 4. Denne særlige basis kaldes en standardbasis for L 4. Da antallet af basisvektorer i standard e-basen er fire, er dim(l 4 ) = 4. Dette kan umiddelbart generaliseres til L n. For ethvert n er e-sættet (e 1, e 2,..., e n ), hvor e 1 = (1, 0, 0,..., 0), e 2 = (0, 1, 0,..., 0),..., e n = (0, 0, 0,..., 1), en basis for L n. Denne særlige basis kaldes en standardbasis for L n. Det bemærkes, at dim(l n ) = n.

17 enote BASIS OG DIMENSION FOR ET VEKTORRUM 17 Eksempel 7.26 Standardbasis for matrix-rum Ved standardbasen for vektorrummet R 2 3 eller C 2 3 forstås matrixsættet ([ ] [ ] [ ] [ ] [ ] [ ]) ,,,,, På samme måde defineres en standardbasis for et vilkårligt matrixrum R m n vilkårligt matrixrum C m n. (7-20) og for et Opgave 7.27 Gør rede for, at det matrixsæt, der i eksempel 7.26 omtales som standardbasis for R 2 3, faktisk er en basis for dette vektorrum. I det følgende eksempel og den efterfølgende sætning betragter vi igen en mængde af funktioner, nemlig mængden af polynomier. Systematikken i polynomier gør os i stand til at definere en særlig basis en såkaldt monomiebasis for netop dem. Eksempel 7.28 Monomiebasis for polynomiumsrum I vektorrummet P 2 (R) af reelle polynomier af højst anden grad er vektorsættet (1, x, x 2 ) en basis. Det ses på følgende måde: 1. Ethvert polynomium P(x) P 2 (R) kan skrives på formen P(x) = a a 1 x + a 2 x 2, det vil sige som en linearkombination af de tre vektorer i sættet. 2. Vektorsættet (1, x, x 2 ) er lineært uafhængigt, idet ligningen a a 1 x + a 2 x 2 = 0 ifølge identitetssætningen for polynomier (se enote 30, sætning 30.15) kun er opfyldt, hvis alle koefficienterne a 0, a 1 og a 2 er lig med 0 for ethvert x. Sættet (1, x, x 2 ) kaldes monomiebasen for P 2 (R), og da sættet består af tre basisvektorer, gælder der: dim(p 2 (R)) = 3.

18 enote BASIS OG DIMENSION FOR ET VEKTORRUM 18 Definition 7.29 Monomiebasis for polynomiumsrum Lad P n (R) betegne vektorrummet af reelle polynomier af højst grad n. For ethvert n er sættet (1, x, x 2,..., x n ) en basis for P n (R) og kaldes monomiebasen for P n (R). Bemærk, at der gælder: dim(p n (R)) = n + 1. (7-21) Begrebet monomiebasis udtrykker, at basen i sig selv kun indeholder polynomier med ét led (altså hver basisvektor i basen består af et polynomium med kun ét led). I mængden af plane geometriske vektorer kan man vælge ethvert par af to lineært uafhængige vektorer som basis. Tilsvarende udgør i rummet ethvert sæt af tre lineært uafhængige vektorer en basis. Vi slutter afsnittet af med en videreførsel af dette til generelle n-dimensionale vektorrum. Sætning 7.30 Tilstrækkelige betingelser for basis I et n-dimensionalt vektorrum V udgør et vilkårligt sæt af n lineært uafhængige vektorer fra V en basis for V. Bevis Da V er forudsat n-dimensionalt, må det have en basis bestående af n basisvektorer. Lad a- sættet (a 1, a 2,, a n ) være et vilkårligt lineært uafhængigt sæt af n vektorer fra V. Sættet er da en basis for V, hvis det udspænder V. Antag, at dette ikke er tilfældet, og lad v være en vektor i V, som ikke tilhører span{a 1, a 2,..., a n }. Så må (v, a 1, a 2,..., a n ) være lineært uafhængigt, men dette er i modstrid med sætning 7.21, da der er n + 1 vektorer i sættet. Derfor er antagelsen om, at a-sættet ikke udspænder V, forkert, og det må derfor være en basis for V. Opgave 7.31 I rummet er der givet to geometriske vektorer a = (1, 2, 1) og b = (2, 2, 0). Bestem en vektor c således, at sættet (a, b, c) er en basis for mængden af rumvektorer.

19 enote VEKTORREGNING VED HJÆLP AF KOORDINATER 19 Opgave 7.32 Betragt i det 4-dimensionale vektorrum R 2 2 vektorerne A = [ ] 1 1, B = 1 0 [ ] 1 1 og C = 0 1 [ ] 1 0. (7-22) 1 1 Gør rede for, at (A, B, C) er et lineært uafhængigt sæt, og supplér sættet op med en (2 2)- matrix D således, at (A, B, C, D) er en basis for R Vektorregning ved hjælp af koordinater Koordinater hænger snævert sammen med begrebet basis. Når der i et endeligt dimensionalt (ikke-uendeligt) vektorrum er valgt en basis, kan enhver vektor i vektorrummet beskrives ved hjælp af dens koordinater med hensyn til den valgte basis. Vi får hermed et særdeles praktisk alternativ til regneoperationerne addition og multiplikation med skalar, som de oprindeligt er defineret ud fra det konkrete vektorrums anatomi. I stedet for at udføre disse særligt definerede regneoperationer, kan vi blot gennemføre taludregninger med de koordinater, der svarer til den valgte basis. Det viser sig endda, at vi kan forenkle og standardisere løsningen af typiske opgaver, som er fælles for alle vektorrum. Men først giver vi en formel indføring af koordinater med hensyn til en valgt basis. Definition 7.33 Koordinater mht. given basis I et n-dimensionalt vektorrum V er der givet basen a = (a 1, a 2,..., a n ) samt en vektor x. Vi betragter den unikke linearkombination af basisvektorerne, som x ifølge sætning 7.20 kan opskrives ved: x = x 1 a 1 + x 2 a x n a n. (7-23) Koefficienterne x 1, x 2,..., x n i (7-23) kaldes x s koordinater med hensyn til basen a, eller kortere: x s a-koordinater, og de samles i en koordinatvektor med følgende skrivemåde: x 1 x 2 ax =.. (7-24) x n

20 enote VEKTORREGNING VED HJÆLP AF KOORDINATER 20 Eksempel 7.34 Koordinater mht. en ny basis I talrummet R 3 er der givet en basis a ved ( (0, 0, 1), (1, 2, 0), (1, 1, 1) ). Endvidere er der givet vektoren v = (7, 2, 6). Da der gælder ser vi, at 2 (0, 0, 1) + 3 (1, 2, 0) + 4 (1, 1, 1) = (7, 2, 6), 2 av = 3. 4 Vektoren, som i det sædvanlige koordinatsystem har koordinatsættet (7, 2, 6), har dermed a-koordinaterne (2, 3, 4). For at kunne jonglere med mange vektorers koordinater i diverse regneopgaver får vi brug for følgende vigtige sætning. Sætning 7.35 Koordinatsætningen I et vektorrum V er der givet to vektorer u og v samt et reelt tal k. Der er endvidere valgt en basis a. Koordinaterne for en vektorsum fås ved at lægge koordinaterne for vektorerne sammen, og koordinaterne for en vektor ganget med et tal er vektorens koordinater ganget med tallet: 1. a (u + v) = a u + a v. 2. a (ku) = k a u. Bevis Se beviset for den tilsvarende sætning 6.40 for geometriske vektorer i rummet. Beviset for det generelle tilfælde fås som en simpel udvidelse. Vi udfører nu et eksempel på vektorregning ved hjælp af koordinater. Eksemplet er ikke specielt matematisk interessant, men vi gennemfører det detaljeret for at demonstrere teknikken i sætning 7.35.

21 enote OM BRUG AF KOORDINATMATRICER 21 Eksempel 7.36 Vektorregning ved hjælp af koordinater Der er givet tre polynomier i vektorrummet P 2 (R): R(x) = 2 3x x 2, S(x) = 1 x + 3x 2 og T(x) = x + 2x 2. Bestem polynomiet P(x) = 2R(x) S(x) + 3T(x). Vi løser opgaven ved hjælp af koordinaterne for polynomierne med hensyn til monomiebasen for P 2 (R). mp(x) = m ( 2R(x) S(x) + 3T(x) ) = m (2R(x)) + m ( S(x)) + m (3T(x)) = 2 m R(x) m S(x) + 3 m T(x) = = Nu oversætter vi tilbage fra den fundne koordinatvektor til det ønskede polynomium: P(x) = 3 2x + x Husk, at selvom et objekt (en vektor, en funktion osv.) i et rum beskrives ved to forskellige baser i to forskellige situationer, så er det stadig det samme objekt placeret det samme sted i rummet. Man er nemlig fri til at skifte fra basis til basis når som helst for at gøre en udregning lettere det ændrer ikke på objektet men kun på referencerammen, som koordinaterne fastsættes ud fra. 7.6 Om brug af koordinatmatricer Når man giver sig i kast med opgaver om vektorer og benytter sig af deres koordinater med hensyn til en given basis, fører det meget ofte til, at man opstiller et lineært ligningssystem og løser opgaven ved hjælp af matrixregning. En bestemt type matrix påkalder sig særlig opmærksomhed, nemlig den, der fremkommer, når man sætter nogle vektorers koordinatsøjler sammen til en koordinatmatrix: Forklaring 7.37 Koordinatmatrix for vektorsæt Hvis der i et n-dimensionalt vektorrum V findes en basis a, og der er givet et sæt af

22 enote OM BRUG AF KOORDINATMATRICER 22 m nummererede vektorer, så opstår sættets a-koordinatmatrix ved, at man i en given rækkefølge sætter de m vektorers a-koordinatsøjler sammen til en (n m)-matrix. Tag for eksempel et sæt bestående af tre vektorer i R 2 : ( (1, 2), (3, 4), (5, 6) ). Sættets koordinatmatrix med hensyn til standard e-basen for R 2 er 2 3-matricen [ ] Vi vil nu vise, hvordan koordinatmatricer opstår, via en række eksempler, som vi for afvekslingens skyld tager fra forskellige vektorrum. Metoderne lader sig umiddelbart bruge på andre typer af vektorrum, og efter hvert eksempel gengiver vi metoden i en koncentreret og generel form. Det er vigtigt for din samlede forståelse af vektorrumsteorien, at du selv øver dig i og indser, hvordan koordinatmatricer faktisk opstår, når man er i gang med typiske opgaver Afgør, om en vektor er linearkombination af andre vektorer Eksempel 7.38 Der er i R 4 givet fire vektorer, a 1 = (1, 1, 1, 1) a 2 = (1, 0, 0, 1) a 3 = (2, 3, 1, 4) b = (2, 2, 0, 1) (7-25) Undersøg, om b er en linearkombination af a 1, a 2 og a 3. Vi skal undersøge, om der findes x 1, x 2, x 3 R således, at x 1 a 1 + x 2 a 2 + x 3 a 3 = b. (7-26) Ved hjælp af sætning 7.35 kan vi omskrive (7-26) til e-koordinatvektorligningen x x x = 2 0,

23 enote OM BRUG AF KOORDINATMATRICER 23 som er ensbetydende med det lineære ligningssystem x 1 + x 2 + 2x 3 = 2 x 1 + 3x 3 = 2 x 1 + x 3 = 0 x 1 + x 2 + 4x 3 = 1. Vi opstiller ligningssystemets totalmatrix og angiver (uden mellemregninger) dens trappeform: T = trap(t) = (7-27) Af (7-27) ses det, at rangen af ligningssystemets koefficientmatrix er 3, mens rangen af totalmatricen er 4. Den sidste ligning er en inkonsistent ligning, og ligningssystemet har derfor ingen løsninger. Dette medfører, at (7-26) ikke kan løses. Vi konkluderer, at b / span{a 1, a 2, a 3 }. Metode 7.39 Linearkombination Man kan afgøre, om en given vektor b, er en linearkombination af andre vektorer a 1, a 2,..., a p, ved at løse det lineære ligningssystem, hvis totalmatrix er identisk med koordinatmatricen for (a 1, a 2,..., a p, b ) med hensyn til en given basis. Generelt kan der være ingen, én eller uendeligt mange måder, hvorpå vektoren kan skrives som linearkombinationer af de øvrige Om vektorer er lineært afhængige Eksempel 7.40 Vi betragter i vektorrummet R 2 3 de tre matricer A = [ ] 1 0 3, B = [ ] og C = Undersøg, om de tre matricer er lineært afhængige. [ ] (7-28) 0 0 4

24 enote OM BRUG AF KOORDINATMATRICER 24 Vi benytter sætning 7.17 og forsøger at finde tre reelle tal x 1, x 2 og x 3, som ikke alle er lig med 0, men som opfylder x 1 A + x 2 B + x 3 C = [ ] (7-29) Ved hjælp af sætning 7.35 kan vi omskrive (7-29) til e-koordinatvektorligningen x 1 + x x 0 3 = Da hvert element i en matrix ved rækkeoperationer kun påvirker det tilsvarende element på samme plads i de andre matricer (se rækkeoperationerne nedenfor), gør det ikke noget, at vi har opstillet matricer som søjlevektorer her. Vi kan ændre det tilbage igen efterfølgende. Dette er ensbetydende med det homogene lineære ligningssystem, hvis totalmatrix her opstilles sammen med dens trappeform (mellemregninger udelades): T = trap(t) =. (7-30) Af (7-30) ses, at såvel ligningssystemets koefficientmatrix som dets totalmatrix har rangen 2, og da antallet af ubekendte er større, nemlig 3, konkluderer vi, at ligningen (7-29) har uendeligt mange løsninger, jævnfør sætning Derfor er de tre matricer lineært afhængige. For eksempel kan man af trap(t) udlede, at 3A + 2B + C = [ ]

25 enote OM BRUG AF KOORDINATMATRICER 25 Metode 7.41 Lineær afhængighed eller uafhængighed Man kan afgøre, om vektorerne v 1, v 2,..., v p er lineært afhængige, ved at løse det homogene lineære ligningssystem, hvis totalmatrix er identisk med koordinatmatricen for (v 1, v 2,..., v p, 0) med hensyn til en given basis. Da ligningssystemet er homogent, er der én løsning eller uendeligt mange løsninger. Hvis rangen af koordinatmatricen er lig med antal ubekendte p, er der én løsning, og denne løsning må være nul-løsningen. I så fald er de p vektorer derfor lineært uafhængige. Hvis rangen af koordinatmatricen er mindre end p, er der uendeligt mange løsninger. I så fald findes der andre løsninger end nulløsningen, og de p vektorer er derfor lineært afhængige Om et sæt af vektorer er en basis I et n-dimensionalt vektorrum kræves der n basisvektorer, ifølge sætning Når man bliver spurgt, om et forelagt sæt af vektorer kan være en basis, kan man straks slutte, at dette ikke er tilfældet, hvis antallet af vektorer i sættet er større end eller mindre end n. Da vil sættet nemlig være hhv. afhængigt eller ikke tilstrækkeligt til at udspænde rummet. Men hvis der er n vektorer i sættet, behøver man ifølge sætning 7.30 kun at undersøge, om sættet er lineært uafhængigt, og her har vi allerede metode 7.41 at gå frem efter. Vi kan dog på en interessant måde videreudvikle metoden, idet vi kan bringe determinanten af vektorsættets koordinatmatrix i spil! Eksempel 7.42 Lad os for eksempel undersøge om polynomierne P 1 (x) = 1 + 2x 2, P 2 (x) = 2 x + x 2 og P 3 (x) = 2x + x 2 udgør en basis for P 2 (R). Da dim(p 2 (R)) = 3, er antallet af polynomier i orden. For at undersøge, om de også er lineært uafhængige, benytter vi deres koordinatvektorer med hensyn til monomiebasen og opstiller ligningen x 1 P 1 (x) + x 2 P 2 (x) + x 3 P 3 (x) = x x x 3 2 = 0,

26 enote OM BRUG AF KOORDINATMATRICER 26 som, hvis sættet er lineært uafhængigt, kun har løsningen x 1 = x 2 = x 3 = 0, altså nulløsningen. Ligningen er ensbetydende med et homogent lineært ligningssystem bestående af 3 ligninger med 3 ubekendte. Systemets koefficientmatrix og totalmatrix er A = og T = Som for ethvert homogent lineært ligningssystem består totalmatricens højreside af lutter 0 er. Derfor er det på forhånd givet, at ρ(a) = ρ(t), og at der er løsninger. Der er én løsning netop, når ρ(a) er lig med antallet af ubekendte, det vil sige 3. Og denne løsning må da være nul-løsningen x 1 = x 2 = x 3 = 0, idet L hom altid indeholder nul-løsningen. Her kan vi udnytte, at A er en kvadratisk matrix og dermed har en determinant. A har fuld rang netop, når den er regulær, altså når det(a) = 0. Ved udregning ses det, at det(a) = 5. Derfor er matricen regulær, altså har fuld rang, og der findes kun nulløsningen, hvorfor sættet er lineært uafhængigt. Vi konkluderer, at ( P1 (x), P 2 (x), P 3 (x) ) udgør en basis for P 2 (R). Metode 7.43 Bevis for basis Når man i et n-dimensionalt vektorrum V skal afgøre, om et vektorsæt bestående af n vektorer (v 1, v 2,..., v n ) er en basis for V, behøver man blot undersøge, om sættet er lineært uafhængigt. En særlig mulighed for at undersøge dette opstår, når vektorsættets koordinatmatrix er en kvadratisk (n n)-matrix. Sættet udgør da en basis for V netop, når determinanten af sættets koordinatmatrix med hensyn til en basis a er forskellig fra 0, kort sagt: (v 1, v 2,..., v n ) er en basis det ([ av 1 a v 2 av n ]) = 0. (7-31) At finde de nye koordinater når der skiftes basis Et teknisk problem af afgørende betydning for videregående brug af lineær algebra, er at kunne udregne nye koordinater for en vektor, når der vælges ny basis. I den sammenhæng får en såkaldt basisskiftematrix en vigtig rolle. Det smarte i en basisskiftematrix blev kort illustreret i eksempel Vi demonstrerer nu i de næste to eksempler, hvordan basisskiftematricer opstår.

27 enote OM BRUG AF KOORDINATMATRICER 27 Eksempel 7.44 Dannelse af basisskiftematrix I et 3-dimensionalt vektorrum V er der givet en basis a. Der vælges nu en ny basis b, som er bestemt ved sine basisvektorers a-koordinater: ab 1 = 1, a b 2 = 0 og a b 3 = Bestem a-koordinaterne for en vektor v, som er givet ved b-koordinater således: Udtrykket (7-32) svarer til vektorligningen bv = 5. (7-32) 4 1 v = 5b 1 4b 2 1b 3. Vi omsætter ligningen til en a-koordinatvektorligning og løser den: av = 5 a b 1 4 a b 2 1 a b 3 = = = Vi har undervejs i løsningen til eksempel 7.44 trukket vektorerne ud til et matrixvektorprodukt. Bemærk to ting: (3 3)-matricen, der indgår i dette produkt, er koordinatmatricen for b-basisvektorerne med hensyn til basen a (altså matricen består af b-basens a-koordinater). Den vektor, der indgår i produktet, er den oprindelige vektor v (altså i de oprindelige b-koordinater). Koordinatmatricen spiller en vigtig rolle, da vi åbenbart kan finde de nye koordinater for en vektor ved at gange koordinatmatricen med vektoren i de originale koordinater! Matricen får således vektoren til at skifte fra ét sæt koordinater til et andet og får derfor betegnelsen basisskiftematrix. Den tildeles symbolet a M b. Koordinatskifterelationen kan da skrives på denne bekvemme måde: av = a M b b v. (7-33)

28 enote OM BRUG AF KOORDINATMATRICER 28 En huskeregel er, at den basis, der er noteret på venstre side af en vektor eller matrix, er den basis, som vektorens eller matricens egne koordinater er angivet i. Det gælder for både a v og b v samt for a M b, som jo netop består af b- basisvektorerne i a-koordinater. Eksempel 7.45 Brug af basisskiftematrix Fortsæt med det i eksempel 7.44 angivne og fundne, og bestem b-koordinaterne for en vektor u givet ved a-koordinater således: 1 au = 2. (7-34) 3 Da a M b som fundet i eksempel 7.44 er en koordinatmatrix for en basis, ved vi, at den er regulær og dermed har en invers matrix. Vi kan derfor benytte koordinatskifterelationen (7-33) således: au = a M b b u am b 1 a u = a M b 1 a M b b u 1 bu = a M b a u bu = = 4, hvor a M b 1 a M b = E, som er neutral i udtrykket og forsvinder. Det ses i eksemplet, at den inverse basisskiftematrix løser opgaven med at skifte den anden vej! I dette tilfælde skiftes der netop fra a-koordinater til b-koordinater. Erfaringerne samles i den følgende metode.

29 enote UNDERRUM 29 Metode 7.46 Koordinatskifte ved basisskifte Når der i et vektorrum er givet en basis a, og når en ny basis b kendes ud fra dens basisvektorers a-koordinater, opstilles basisskiftematricen a M b som er identisk med a-koordinatmatricen for b-basisvektorerne. 1. Hvis b-koordinaterne for en vektor v er kendte, kan dens a-koordinater findes ved matrix-vektorproduktet: av = a M b b v. 2. Hvis det omvendt er a-koordinaterne for v som er kendte, kan dens b- koordinater findes ved matrix-vektorproduktet: bv = a M b 1 a v. Kort sagt er den basisskiftematrix, der oversætter a-koordinater til b- koordinater, den inverse til den basisskiftematrix, der oversætter b-koordinater til a-koordinater: bm a = ( a M b ) 1. Bemærk, hvordan en basisskiftematrix fra basis a til samme basis a naturligvis blot er enhedsmatricen, da der ikke skal ændres noget: am a = [ a a 1 a a 2 aa n ] = = E n n, hvor a a 1 i sine egne koordinater selvfølgelig blot har koordinatsættet (1, 0,..., 0) og tilsvarende for de andre søjler. 7.7 Underrum Ofte kommer man ud for, at en delmængde af et vektorrum i sig selv er et vektorrum. På figur 7.3 ses to stedvektorer OP og OQ, som udspænder planen F :

30 enote UNDERRUM 30 P F Q O Figur 7.3: En plan (2D) fortolket som et underrum i rummet (3D) Da span{ OP, OQ} kan betragtes som et selvstændigt (2-dimensionalt) vektorrum, omtales det som et underrum i det (3-dimensionale) vektorrum af stedvektorer i rummet. Definition 7.47 Underrum En delmængde U af et vektorrum V kaldes et underrum i V, hvis det med de nedarvede regneoperationer fra V i sig selv er et vektorrum. I ethvert vektorrum V kan man straks udpege to underrum: 1. V er selv et underrum i V. 2. Mængden { 0 } er et underrum i V. Disse underrum kaldes de trivielle underrum i V. Når man skal tjekke om en delmængde er et underrum, behøver man kun at undersøge, om stabilitetskravene er opfyldte. Det fremgår af følgende sætning.

31 enote UNDERRUM 31 Sætning 7.48 Tilstrækkelige betingelser for underrum En delmængde U af et vektorrum V er et underrum i V, hvis U er stabil med hensyn til addition og multiplikation med skalar. Det betyder: 1. Summen af to vektorer fra U tilhører også U : u 1, u 2 U u 1 + u 2 U. 2. Produktet af en vektor i U med en skalar tilhører også U : k L, u U ku U. Bevis Da U opfylder de to stabilitetskrav i definition 7.1, mangler vi blot at argumentere for, at U også overholder de otte regneregler i definitionen. Men dette er klart, da alle vektorer i U også er vektorer i V, hvor de gælder. Eksempel 7.49 Basis for et underrum Vi betragter en delmængde M 1 af R 2 2, som består af alle matricer af typen [ a b b a ], (7-35) hvor a og b er vilkårlige reelle tal. Vi prøver at lægge to matricer af typen (7-35) sammen, [ ] og ganger én af typen (7-35) med en skalar, 3 [ ] = [ ] 4 6, 6 4 [ ] [ ] = I begge tilfælde er den resulterende matrix af typen (7-35). Det vises nemt (hvilket overlades til læseren), at det samme ville være tilfældet for summen af to vilkårlige matricer af denne type, og for produktet af en vilkårlig skalar med en vilkårlig matrix af denne type. M 1 opfylder derfor stabilitetskravene for et vektorrum. Det følger derfor af sætning 7.48, at M 1 er et underrum i R 2 2.

32 enote UNDERRUM 32 Bemærk endvidere, at M 1 udspændes af to lineært uafhængige (2 2)-matricer, idet [ a b b a ] = a [ ] b 0 1 [ ] Derfor er M 1 et 2-dimensionalt underrum i R 2 2, og en mulig basis for M 1 er givet ved ([ ], [ ]) Eksempel 7.50 Delmængde, som ikke er et underrum Delmængden M 2 af R 2 2 består af alle matricer af typen [ ] a b, (7-36) a b 0 hvor a og b er vilkårlige reelle tal. Vi prøver at lægge to matricer af typen (7-36) sammen, [ ] [ og vi ganger én af typen (7-35) med en skalar, 3 ] = [ ] 3 5, 8 0 [ ] [ ] = I ingen af tilfældene er den resulterende matrix af typen (7-36). M 2 er derfor ikke et underrum i R Om udspændinger som underrum Sætning 7.51 Udspændinger er underrum For vilkårlige vektorer a 1, a 2,..., a p i et vektorrum V er span{a 1, a 2,..., a p } et underrum i V.

33 enote UNDERRUM 33 Bevis Stabilitetskravene er opfyldt, fordi 1. summen af to linearkombinationer af de p vektorer selv er en linearkombination af dem, og fordi 2. en linearkombination af de p vektorer ganget med en skalar selv er en linearkombination af dem. Resten følger af sætning Løsningsmængden L hom for et homogent lineært ligningssystem med n ubekendte er altid et underrum i talrummet R n, og dimensionen af underrummet er det samme som antallet af frie parametre i L hom. Det viser vi et eksempel på nedenfor. Eksempel 7.52 L hom er et underrum Det følgende homogene lineære ligningssystem af 3 ligninger med 5 ubekendte x x 3 11 x 5 = 0 x x 5 = 0 x 4 + x 5 = 0 har løsningmængden (mellemregninger udelades): x x x 3 = t t 2 0 x x hvor t 1, t 2 R. (7-37) Vi ser her, at L hom er en udspænding af to vektorer i R 5. Den er da ifølge sætning 7.51 et underrum i R 5. Da de to vektorer endvidere klart er lineært uafhængige, er L hom et 2-dimensionalt underrum i R 5, som vi kan give basen ( ( 2, 0, 1, 0, 0), (11, 4, 0, 1, 1) ). Igennem det følgende eksempel vil vi udarbejde en metode for, hvordan man kan skaffe en basis for et underrum, som udspændes af et antal givne vektorer i et vektorrum.

34 enote UNDERRUM 34 Eksempel 7.53 Betragt i R 3 de fire vektorer v 1 = (1, 2, 1), v 2 = (3, 0, 1), v 3 = ( 1, 4, 3) og v 4 = (8, 2, 4). Bestem en basis for underrummet U = span {v 1, v 2, v 3, v 4 }. Lad b = (b 1, b 2, b 3 ) være en vilkårlig vektor, som tilhører U. Vi har dermed forudsat, at den følgende vektorligning har en løsning: x 1 v 1 + x 2 v 2 + x 3 v 3 + x 4 v 4 = b. (7-38) Ved indsættelse af koordinatvektorerne for de fem vektorer i (7-38) ses det, at (7-38) er ækvivalent med et inhomogent lineært ligningssystem, som har totalmatricen: b c 1 T = b 2 trap(t) = c 2. (7-39) b c 1 står for det tal, som b 1 er blevet omformet til efter de rækkeoperationer, der har ført til trap(t). Tilsvarende med c 2. Bemærk, at da rangen af koefficientmatricen viser sig at være 2 med en nul-række nederst, skal b 3 efter rækkeoperationerne være omformet til 0. Ellers ville vi have en inkonsistent ligning, og (x 1, x 2, x 3, x 4 ) ville ikke kunne være en løsning som forudsat. Det er dog især de ledende 1-taller i trap(t), vi skal være opmærksomme på! De viser nemlig, at v 1 og v 2 udspænder hele U, og at v 1 og v 2 er lineært uafhængige af hinanden (de afhænger af v 3 og v 4 men ikke af hinanden). Begge disse observationer kan vi overbevise os om ved igen at betragte ligningen (7-38). For det første Antag, at vi kun havde spurgt, om v 1 og v 2 udspænder hele U. Så skulle vi have udeladt leddene med v 3 og v 4 fra (7-38), og så havde vi haft 1 0 c 1 trap(t 2 ) = 0 1 c Denne trappeform viser, at x 1 v 1 + x 2 v 2 = c 1 v 1 + c 2 v 2 = b. Da c 1 og c 2 kan antage ethvert reelt tal, kan v 1 og v 2 dermed beskrive samtlige vektorer af formen b, dvs. alle vektorer i rummet U. De to vektorer alene udspænder derfor hele U.

Lineære Afbildninger. enote 8. 8.1 Om afbildninger

Lineære Afbildninger. enote 8. 8.1 Om afbildninger enote 8 enote 8 Lineære Afbildninger Denne enote undersøger afbildninger mellem vektorrum af en bestemt type, nemlig lineære afbildninger Det vises, at kernen og billedrummet for lineære afbildninger er

Læs mere

Egenværdier og egenvektorer

Egenværdier og egenvektorer enote 9 enote 9 Egenværdier og egenvektorer Denne note indfører begreberne egenværdier og egenvektorer for lineære afbildninger i vilkårlige generelle vektorrum og går derefter i dybden med egenværdier

Læs mere

DesignMat Uge 1 Gensyn med forårets stof

DesignMat Uge 1 Gensyn med forårets stof DesignMat Uge 1 Gensyn med forårets stof Preben Alsholm Efterår 2010 1 Hovedpunkter fra forårets pensum 11 Taylorpolynomium Taylorpolynomium Det n te Taylorpolynomium for f med udviklingspunkt x 0 : P

Læs mere

Uge 6 Store Dag. Opgaver til OPGAVER 1. Opgave 1 Udregning af determinant. Håndregning Der er givet matricen A =

Uge 6 Store Dag. Opgaver til OPGAVER 1. Opgave 1 Udregning af determinant. Håndregning Der er givet matricen A = OPGAVER Opgaver til Uge 6 Store Dag Opgave Udregning af determinant. Håndregning 0 Der er givet matricen A = 0 2 2 4 0 0. 2 0 a) Udregn det(a) ved opløsning efter en selvvalgt række eller søjle. b) Omform

Læs mere

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2 Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket

Læs mere

Lineære ligningssystemer

Lineære ligningssystemer enote 2 1 enote 2 Lineære ligningssystemer Denne enote handler om lineære ligningssystemer, om metoder til at beskrive dem og løse dem, og om hvordan man kan få overblik over løsningsmængdernes struktur.

Læs mere

Geometriske vektorer. enote En geometrisk vektor

Geometriske vektorer. enote En geometrisk vektor enote 6 1 enote 6 Geometriske vektorer Formålet med denne note er at give en introduktion til geometriske vektorer i planen og rummet, som sigter mod at introducere en række af de metoder, der gør sig

Læs mere

Chapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning

Chapter 3. Modulpakke 3: Egenværdier. 3.1 Indledning Chapter 3 Modulpakke 3: Egenværdier 3.1 Indledning En vektor v har som bekendt både størrelse og retning. Hvis man ganger vektoren fra højre på en kvadratisk matrix A bliver resultatet en ny vektor. Hvis

Læs mere

Kursusgang 3 Matrixalgebra Repetition

Kursusgang 3 Matrixalgebra Repetition Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem

Læs mere

Matricer og Matrixalgebra

Matricer og Matrixalgebra enote 3 1 enote 3 Matricer og Matrixalgebra Denne enote introducerer matricer og regneoperationer for matricer og udvikler hertil hørende regneregler Noten kan læses uden andet grundlag end gymnasiet,

Læs mere

Kvadratiske matricer. enote Kvadratiske matricer

Kvadratiske matricer. enote Kvadratiske matricer enote enote Kvadratiske matricer I denne enote undersøges grundlæggende egenskaber ved mængden af kvadratiske matricer herunder indførelse af en invers matrix for visse kvadratiske matricer. Det forudsættes,

Læs mere

Figur. To ligninger i to ubekendte. Definition Ved m lineære ligninger med n ubekendte forstås. Definition 6.4 Givet ligningssystemet

Figur. To ligninger i to ubekendte. Definition Ved m lineære ligninger med n ubekendte forstås. Definition 6.4 Givet ligningssystemet Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer smængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen Enten-eller

Læs mere

Lineære ligningssystemer og Gauss-elimination

Lineære ligningssystemer og Gauss-elimination Lineære ligningssystemer og Gauss-elimination Preben Alsholm 18 februar 008 1 Lineære ligningssystemer og Gauss-elimination 11 Et eksempel Et eksempel 100g mælk Komælk Fåremælk Gedemælk Protein g 6g 8g

Læs mere

Oversigt [LA] 1, 2, 3, [S] 9.1-3

Oversigt [LA] 1, 2, 3, [S] 9.1-3 Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Koordinatvektorer, talpar, taltripler og n-tupler Linearkombination Underrum og Span Test linearkombination Lineær uafhængighed Standard vektorer Basis

Læs mere

Matricer og lineære ligningssystemer

Matricer og lineære ligningssystemer Matricer og lineære ligningssystemer Grete Ridder Ebbesen Virum Gymnasium Indhold 1 Matricer 11 Grundlæggende begreber 1 Regning med matricer 3 13 Kvadratiske matricer og determinant 9 14 Invers matrix

Læs mere

Matematik og FormLineære ligningssystemer

Matematik og FormLineære ligningssystemer Matematik og Form Lineære ligningssystemer Institut for Matematiske Fag Aalborg Universitet 2014 Ligningssystemer og matricer Til et ligningssystem svarer der en totalmatrix [A b] bestående af koefficientmatrix

Læs mere

Lineær Algebra. Lars Hesselholt og Nathalie Wahl

Lineær Algebra. Lars Hesselholt og Nathalie Wahl Lineær Algebra Lars Hesselholt og Nathalie Wahl Oktober 2016 Forord Denne bog er beregnet til et første kursus i lineær algebra, men vi har lagt vægt på at fremstille dette materiale på en sådan måde,

Læs mere

Modulpakke 3: Lineære Ligningssystemer

Modulpakke 3: Lineære Ligningssystemer Chapter 1 Modulpakke 3: Lineære Ligningssystemer 1.1 Indledning - typer af ligningesystemer og løsninger Den lineære ligning 2x=3 kan løses umiddelbart ved at dividere med 2 på begge sider, så vi får:

Læs mere

Lineære 1. ordens differentialligningssystemer

Lineære 1. ordens differentialligningssystemer enote enote Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses enoten er i forlængelse af enote, der beskriver lineære

Læs mere

Matrx-vektor produkt Mikkel H. Brynildsen Lineær Algebra

Matrx-vektor produkt Mikkel H. Brynildsen Lineær Algebra Matrx-vektor produkt [ ] 1 2 3 1 0 2 1 10 4 Rotationsmatrix Sæt A θ = [ ] cosθ sinθ sinθ cosθ At gange vektor v R 2 med A θ svarer til at rotere vektor v med vinkelen θ til vektor w: [ ][ ] [ ] [ ] cosθ

Læs mere

Matematik og Form 3. Rækkereduktion til reduceret echelonfo. Rang og nullitet

Matematik og Form 3. Rækkereduktion til reduceret echelonfo. Rang og nullitet Matematik og Form 3. Rækkereduktion til reduceret echelonform Rang og nullitet Institut for Matematiske Fag Aalborg Universitet 11.2.2013 Reduktion til (reduceret) echelonmatrix Et eksempel Et ligningssystem

Læs mere

3.1 Baser og dimension

3.1 Baser og dimension SEKTION 3 BASER OG DIMENSION 3 Baser og dimension Definition 3 Lad V være et F-vektorrum Hvis V = {0}, så har V dimension 0 2 Hvis V har en basis bestående af n vektorer, så har V dimension n 3 Hvis V

Læs mere

Lineær Algebra - Beviser

Lineær Algebra - Beviser Lineær Algebra - Beviser Mads Friis 8 oktober 213 1 Lineære afbildninger Jeg vil i denne note forsøge at give et indblik i, hvor kraftfuldt et værktøj matrix-algebra kan være i analyse af lineære funktioner

Læs mere

Tidligere Eksamensopgaver MM505 Lineær Algebra

Tidligere Eksamensopgaver MM505 Lineær Algebra Institut for Matematik og Datalogi Syddansk Universitet Tidligere Eksamensopgaver MM55 Lineær Algebra Indhold Typisk forside.................. 2 Juni 27.................... 3 Oktober 27..................

Læs mere

Lineære 1. ordens differentialligningssystemer

Lineære 1. ordens differentialligningssystemer enote enote Lineære ordens differentialligningssystemer Denne enote beskriver ordens differentialligningssystemer og viser, hvordan de kan løses enoten er i forlængelse af enote, der beskriver lineære

Læs mere

DesignMat Uge 11 Vektorrum

DesignMat Uge 11 Vektorrum DesignMat Uge Vektorrum Preben Alsholm Forår 200 Vektorrum. Definition af vektorrum Definition af vektorrum Lad L betegne R eller C. Lad V være en ikke-tom mængde udstyret med en addition + og en multiplikation

Læs mere

Modulpakke 3: Lineære Ligningssystemer

Modulpakke 3: Lineære Ligningssystemer Chapter 4 Modulpakke 3: Lineære Ligningssystemer 4. Homogene systemer I teknikken møder man meget ofte modeller der leder til systemer af koblede differentialligninger. Et eksempel på et sådant system

Læs mere

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers

Læs mere

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Matrix multiplikation Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse

Læs mere

DesignMat Uge 11. Vektorrum

DesignMat Uge 11. Vektorrum DesignMat Uge 11 (fortsat) Forår 2010 Lad L betegne R eller C. Lad V være en ikke-tom mængde udstyret med en addition + og en multiplikation med skalar. (fortsat) Lad L betegne R eller C. Lad V være en

Læs mere

Noter om Komplekse Vektorrum, Funktionsrum og Differentialligninger LinAlg 2004/05-Version af 16. Dec.

Noter om Komplekse Vektorrum, Funktionsrum og Differentialligninger LinAlg 2004/05-Version af 16. Dec. Noter om Komplekse Vektorrum, Funktionsrum og Differentialligninger LinAlg 2004/05-Version af 16. Dec. 1 Komplekse vektorrum I defininitionen af vektorrum i Afsnit 4.1 i Niels Vigand Pedersen Lineær Algebra

Læs mere

Oversigt [LA] 6, 7, 8

Oversigt [LA] 6, 7, 8 Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer Løsningsmængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen

Læs mere

Oversigt [LA] 3, 4, 5

Oversigt [LA] 3, 4, 5 Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers

Læs mere

DesignMat Lineære ligningssystemer og Gauss-elimination

DesignMat Lineære ligningssystemer og Gauss-elimination DesignMat Lineære ligningssystemer og Gauss-elimination Preben Alsholm Uge Forår 010 1 Lineære ligningssystemer og Gauss-elimination 11 Om talrummet R n Om talsæt bestående af n tal R n er blot mængden

Læs mere

Hilbert rum. Chapter 3. 3.1 Indre produkt rum

Hilbert rum. Chapter 3. 3.1 Indre produkt rum Chapter 3 Hilbert rum 3.1 Indre produkt rum I det følgende skal vi gøre brug af komplekse såvel som reelle vektorrum. Idet L betegner enten R eller C minder vi om, at et vektorrum over L er en mængde E

Læs mere

To ligninger i to ubekendte

To ligninger i to ubekendte Oversigt [LA] 6, 7 Nøgleord og begreber Løs ligninger Eliminer ubekendte Rækkereduktion Reduceret matrix Enten-eller princippet Test ligningssystem Rækkeoperationsmatricer Beregn invers matrix Calculus

Læs mere

Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM02)

Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM02) SYDDANSK UNIVERSITET ODENSE UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Vejledende besvarelse MATEMATIK B (MM2) Fredag d. 2. januar 22 kl. 9. 3. 4 timer med alle sædvanlige skriftlige

Læs mere

Matematik for økonomer 3. semester

Matematik for økonomer 3. semester Matematik for økonomer 3. semester cand.oecon. studiet, 3. semester Planchesæt 2 - Forelæsning 3 Esben Høg Aalborg Universitet 10. september 2009 Institut for Matematiske Fag Aalborg Universitet Esben

Læs mere

Oversigt [LA] 1, 2, 3, [S] 9.1-3

Oversigt [LA] 1, 2, 3, [S] 9.1-3 Oversigt [LA] 1, 2, 3, [S] 9.1-3 Nøgleord og begreber Talpar, taltripler og n-tupler Linearkombination og span Test linearkombination Hvad er en matrix Matrix multiplikation Test matrix multiplikation

Læs mere

Lineær algebra: Spænd. Lineær (u)afhængighed

Lineær algebra: Spænd. Lineær (u)afhængighed Lineær algebra: Spænd. Lineær (u)afhængighed Institut for Matematiske Fag Aalborg Universitet 2011 Linearkombinationer. Spænd Definition Givet et antal vektorer a 1,..., a p R n. En vektor v = c 1 a 1

Læs mere

Lineær Algebra, kursusgang

Lineær Algebra, kursusgang Lineær Algebra, 2014 12. kursusgang Lisbeth Fajstrup Institut for Matematiske Fag Aalborg Universitet LinAlg November 2014 Om miniprojekt 2 Kirchoffs love. Opstil lineære ligningssystemer og løs dem. 0-1-matricer.

Læs mere

Teoretiske Øvelsesopgaver:

Teoretiske Øvelsesopgaver: Teoretiske Øvelsesopgaver: TØ-Opgave 1 Subtraktion division i legemer: Er subtraktion division med elementer 0 i legemer veldefinerede, eller kan et element b have mere end ét modsat element -b eller mere

Læs mere

Lineær algebra 1. kursusgang

Lineær algebra 1. kursusgang Lineær algebra 1. kursusgang Eksempel, anvendelse To kendte punkter A og B på en linie, to ukendte punkter x 1 og x 2. A x 1 x 2 B Observationer af afstande: fra A til x 1 : b 1 fra x 1 til x 2 : b 2 fra

Læs mere

Lineær Algebra F08, MØ

Lineær Algebra F08, MØ Lineær Algebra F08, MØ Vejledende besvarelser af udvalgte opgaver fra Ugeseddel 3 og 4 Ansvarsfraskrivelse: Den følgende vejledning er kun vejledende. Opgaverne kommer i vilkårlig rækkefølge. Visse steder

Læs mere

Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016

Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 2016 Besvarelser til Lineær Algebra med Anvendelser Ordinær Eksamen 206 Mikkel Findinge http://findinge.com/ Bemærk, at der kan være sneget sig fejl ind. Kontakt mig endelig, hvis du skulle falde over en sådan.

Læs mere

Forelæsningsnoter til. Lineær Algebra. Niels Vigand Pedersen. Udgivet af. Asmus L. Schmidt. Københavns Universitet Matematisk Afdeling

Forelæsningsnoter til. Lineær Algebra. Niels Vigand Pedersen. Udgivet af. Asmus L. Schmidt. Københavns Universitet Matematisk Afdeling Forelæsningsnoter til Lineær Algebra Niels Vigand Pedersen Udgivet af Asmus L Schmidt Københavns Universitet Matematisk Afdeling August Revideret 9 ii udgave, oktober 9 Forord Gennem en særlig aftale varetages

Læs mere

Lineær algebra: Matrixmultiplikation. Regulære og singulære

Lineær algebra: Matrixmultiplikation. Regulære og singulære Lineær algebra: Matrixmultiplikation. Regulære og singulære matricer Institut for Matematiske Fag Aalborg Universitet 2011 Matrixmultiplikation Definition Definition A = [a ij ], B = [b ij ]: AB = C =

Læs mere

Københavns Universitet, Det naturvidenskabelige Fakultet. Afleveringsopgave 3

Københavns Universitet, Det naturvidenskabelige Fakultet. Afleveringsopgave 3 Københavns Universitet, Det naturvidenskabelige Fakultet 1 Lineær Algebra (LinAlg) Afleveringsopgave 3 Eventuelle besvarelser laves i grupper af 2-3 personer og afleveres i to eksemplarer med 3 udfyldte

Læs mere

De rigtige reelle tal

De rigtige reelle tal De rigtige reelle tal Frank Villa 17. januar 2014 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion

Læs mere

Lineær Algebra, TØ, hold MA3

Lineær Algebra, TØ, hold MA3 Lineær Algebra, TØ, hold MA3 Lad mig allerførst (igen) bemærke at et vi siger: En matrix, matricen, matricer, matricerne. Og i sammensætninger: matrix- fx matrixmultiplikation. Injektivitet og surjektivitet

Læs mere

Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni 2000 og Juni 2001.

Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni 2000 og Juni 2001. Løsninger til udvalgte Eksamensopgaver i Lineær Algebra Juni og Juni. Preben Alsholm 9. november 9 Juni Opgave 3 f : P (R) R 3 er givet ved f (P (x)) P () a + P () b, hvor a (,, ) og b (, 3, ). Vi viser,

Læs mere

Lineære differentialligningers karakter og lineære 1. ordens differentialligninger

Lineære differentialligningers karakter og lineære 1. ordens differentialligninger enote 11 1 enote 11 Lineære differentialligningers karakter og lineære 1. ordens differentialligninger I denne note introduceres lineære differentialligninger, som er en speciel (og bekvem) form for differentialligninger.

Læs mere

DesignMat Uge 2. Preben Alsholm. Efterår Lineære afbildninger. Preben Alsholm. Lineære afbildninger. Eksempel 2 på lineær.

DesignMat Uge 2. Preben Alsholm. Efterår Lineære afbildninger. Preben Alsholm. Lineære afbildninger. Eksempel 2 på lineær. er DesignMat Uge 2 er er lineær lineær lineær lineære er I smatrix lineære er II smatrix I smatrix II Efterår 2010 Lad V og W være vektorrum over samme skalarlegeme L (altså enten R eller C for begge).

Læs mere

Matematik og Form: Matrixmultiplikation. Regulære og singu

Matematik og Form: Matrixmultiplikation. Regulære og singu Matematik og Form: Matrixmultiplikation. Regulære og singulære matricer Institut for Matematiske Fag Aalborg Universitet 2012 Matrixmultiplikation Definition Definition A = [a ij ], B = [b ij ]: AB = C

Læs mere

9.1 Egenværdier og egenvektorer

9.1 Egenværdier og egenvektorer SEKTION 9.1 EGENVÆRDIER OG EGENVEKTORER 9.1 Egenværdier og egenvektorer Definition 9.1.1 1. Lad V være et F-vektorrum; og lad T : V V være en lineær transformation. λ F er en egenværdi for T, hvis der

Læs mere

Forslag til hjemmeopgaver, som forbereder arbejdet med de nye emner den pågældende kursusgang, men primært er baseret på gymnasiepensum:

Forslag til hjemmeopgaver, som forbereder arbejdet med de nye emner den pågældende kursusgang, men primært er baseret på gymnasiepensum: Forslag til hjemmeopgaver, som forbereder arbejdet med de ne emner den pågældende kursusgang, men primært er baseret på gmnasiepensum: Ordinær kursusgang : Introduktion til vektorer og matricer. Regning

Læs mere

Kursusgang 3 Matrixalgebra Repetition

Kursusgang 3 Matrixalgebra Repetition Kursusgang 3 Repetition - froberg@math.aau.dk http://people.math.aau.dk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 16. september 2008 1/19 Betingelser for nonsingularitet af en Matrix

Læs mere

Oversigt [LA] 11, 12, 13

Oversigt [LA] 11, 12, 13 Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar

Læs mere

DesignMat. Preben Alsholm. September Egenværdier og Egenvektorer. Preben Alsholm. Egenværdier og Egenvektorer

DesignMat. Preben Alsholm. September Egenværdier og Egenvektorer. Preben Alsholm. Egenværdier og Egenvektorer DesignMat September 2008 fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum over L (enten R eller C). fortsat Eksempel : et Eksempel 4 () af I II uden I Lad V være et vektorrum

Læs mere

DesignMat Uge 11 Lineære afbildninger

DesignMat Uge 11 Lineære afbildninger DesignMat Uge Lineære afbildninger Preben Alsholm Forår 008 Lineære afbildninger. Definition Definition Lad V og W være vektorrum over samme skalarlegeme L (altså enten R eller C for begge). Afbildningen

Læs mere

Lineær Algebra eksamen, noter

Lineær Algebra eksamen, noter Lineær Algebra eksamen, noter Stig Døssing, 20094584 June 6, 2011 1 Emne 1: Løsninger og least squares - Løsning, ligningssystem RREF (ERO) løsninger Bevis at RREF matrix findes Løsninger til system (0,

Læs mere

Omskrivningsregler. Frank Nasser. 10. december 2011

Omskrivningsregler. Frank Nasser. 10. december 2011 Omskrivningsregler Frank Nasser 10. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion

Læs mere

Nøgleord og begreber

Nøgleord og begreber Oversigt [LA] 9 Nøgleord og begreber Helt simple determinanter Determinant defineret Effektive regneregler Genkend determinant nul Test determinant nul Produktreglen Inversreglen Test inversregel og produktregel

Læs mere

Matematisk modellering og numeriske metoder. Lektion 5

Matematisk modellering og numeriske metoder. Lektion 5 Matematisk modellering og numeriske metoder Lektion 5 Morten Grud Rasmussen 19. september, 2013 1 Euler-Cauchy-ligninger [Bogens afsnit 2.5, side 71] 1.1 De tre typer af Euler-Cauchy-ligninger Efter at

Læs mere

Ølopgaver i lineær algebra

Ølopgaver i lineær algebra Ølopgaver i lineær algebra 30. maj, 2010 En stor del af de fænomener, vi observerer, er af lineær natur. De naturlige matematiske objekter i beskrivelsen heraf bliver vektorrum rum hvor man kan lægge elementer

Læs mere

Sylvesters kriterium. Nej, ikke mit kriterium. Sætning 9. Rasmus Sylvester Bryder

Sylvesters kriterium. Nej, ikke mit kriterium. Sætning 9. Rasmus Sylvester Bryder Sætning 9 Sylvesters kriterium Nej, ikke mit kriterium Rasmus Sylvester Bryder Inspireret af en statistikers manglende råd om hvornår en kvadratisk matrix er positivt definit uden at skulle ud i at bestemme

Læs mere

LinAlgDat 2014/2015 Google s page rank

LinAlgDat 2014/2015 Google s page rank LinAlgDat 4/5 Google s page rank Resumé Vi viser hvordan lineære ligninger naturligt optræder i forbindelse med en simpel udgave af Google s algoritme for at vise de mest interessante links først i en

Læs mere

Nøgleord og begreber Ortogonalt komplement Tømrerprincippet. [LA] 13 Ortogonal projektion

Nøgleord og begreber Ortogonalt komplement Tømrerprincippet. [LA] 13 Ortogonal projektion Oversigt [LA] 11, 12, 13 Nøgleord og begreber Ortogonalt komplement Tømrerprincippet Ortogonal projektion Projektion på 1 vektor Projektion på basis Kortest afstand August 2002, opgave 6 Tømrermester Januar

Læs mere

Module 1: Lineære modeller og lineær algebra

Module 1: Lineære modeller og lineær algebra Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........

Læs mere

Egenskaber ved Krydsproduktet

Egenskaber ved Krydsproduktet Egenskaber ved Krydsproduktet Frank Nasser 23. december 2011 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold

Læs mere

Oversigt [LA] 6, 7, 8

Oversigt [LA] 6, 7, 8 Oversigt [LA] 6, 7, 8 Nøgleord og begreber Lineære ligningssystemer Løsningsmængdens struktur Test løsningsmængde Rækkereduktion Reduceret matrix Test ligningssystem Rækkeoperationsmatricer Rangformlen

Læs mere

Matematik A. Studentereksamen. Forberedelsesmateriale. Digital eksamensopgave med adgang til internettet

Matematik A. Studentereksamen. Forberedelsesmateriale. Digital eksamensopgave med adgang til internettet Matematik A Studentereksamen Digital eksamensopgave med adgang til internettet Forberedelsesmateriale frs-matn/a-270420 Onsdag den 27. april 20 Forberedelsesmateriale til stx-a-net MATEMATIK Der skal afsættes

Læs mere

Hvad er matematik? C, i-bog ISBN 978 87 7066 499 8

Hvad er matematik? C, i-bog ISBN 978 87 7066 499 8 Et af de helt store videnskabelige projekter i 1700-tallets Danmark var kortlægningen af Danmark. Projektet blev varetaget af Det Kongelige Danske Videnskabernes Selskab og løb over en periode på et halvt

Læs mere

Eksempel 9.1. Areal = (a 1 + b 1 )(a 2 + b 2 ) a 1 a 2 b 1 b 2 2a 2 b 1 = a 1 b 2 a 2 b 1 a 1 a 2 = b 1 b 2

Eksempel 9.1. Areal = (a 1 + b 1 )(a 2 + b 2 ) a 1 a 2 b 1 b 2 2a 2 b 1 = a 1 b 2 a 2 b 1 a 1 a 2 = b 1 b 2 Oversigt [LA] 9 Nøgleord og begreber Helt simple determinanter Determinant defineret Effektive regneregler Genkend determinant nul Test determinant nul Produktreglen Inversreglen Test inversregel og produktregel

Læs mere

Indhold. 5. Vektorrum og matricer Koordinattransformationer

Indhold. 5. Vektorrum og matricer Koordinattransformationer Indhold Lineære afbildninger og matricer Talrummene R n, C n Matricer 8 3 Lineære afbildninger 4 Matrix algebra 8 5 Invers matrix 6 6 Transponeret og adjungeret matrix 9 Række- og søjleoperationer Lineære

Læs mere

De fire elementers kostbare spejl

De fire elementers kostbare spejl Projekt.6 Lineær algebra moderne og klassisk kinesisk De fire elementers kostbare spejl "Som bekendt anses matematikken for at være en meget vigtig videnskab. Denne bog om matematik vil derfor være af

Læs mere

Vi indleder med at minde om at ( a) = a gælder i enhver gruppe.

Vi indleder med at minde om at ( a) = a gælder i enhver gruppe. 0.1: Ringe 1. Definition: Ring En algebraisk struktur (R, +,, 0,, 1) kaldes en ring hvis (R, +,, 0) er en kommutativ gruppe og (R,, 1) er en monoide og hvis er såvel venstre som højredistributiv mht +.

Læs mere

2010 Matematik 2A hold 4 : Prøveeksamen juni 2010

2010 Matematik 2A hold 4 : Prøveeksamen juni 2010 1 of 7 31-05-2010 13:18 2010 Matematik 2A hold 4 : Prøveeksamen juni 2010 Welcome Jens Mohr Mortensen [ My Profile ] View Details View Grade Help Quit & Save Feedback: Details Report [PRINT] 2010 Matematik

Læs mere

Komplekse tal. Mikkel Stouby Petersen 27. februar 2013

Komplekse tal. Mikkel Stouby Petersen 27. februar 2013 Komplekse tal Mikkel Stouby Petersen 27. februar 2013 1 Motivationen Historien om de komplekse tal er i virkeligheden historien om at fjerne forhindringerne og gøre det umulige muligt. For at se det, vil

Læs mere

Symmetriske matricer. enote Skalarprodukt

Symmetriske matricer. enote Skalarprodukt enote 19 1 enote 19 Symmetriske matricer I denne enote vil vi beskæftige os med et af de mest benyttede resultater fra lineær algebra den såkaldte spektralsætning for symmetriske matricer. Den siger kort

Læs mere

LINALG JULENØD 2013 SUNE PRECHT REEH

LINALG JULENØD 2013 SUNE PRECHT REEH LINALG JULENØD 203 SUNE PRECHT REEH Resumé I denne julenød skal vi se på lineær algebra for heltallene Z Hvad går stadig godt? og hvad går galt? I de reelle tal R kan vi for ethvert a 0 altid finde R som

Læs mere

1 Om funktioner. 1.1 Hvad er en funktion?

1 Om funktioner. 1.1 Hvad er en funktion? 1 Om funktioner 1.1 Hvad er en funktion? Man lærer allerede om funktioner i folkeskolen, hvor funktioner typisk bliver introduceret som maskiner, der tager et tal ind, og spytter et tal ud. Dette er også

Læs mere

Vektorer og lineær regression. Peter Harremoës Niels Brock

Vektorer og lineær regression. Peter Harremoës Niels Brock Vektorer og lineær regression Peter Harremoës Niels Brock April 2013 1 Planproduktet Vi har set, at man kan gange en vektor med et tal. Et oplagt spørgsmål er, om man også kan gange to vektorer med hinanden.

Læs mere

Eksempler Determinanten af en kvadratisk matrix. Calculus Uge

Eksempler Determinanten af en kvadratisk matrix. Calculus Uge Oversigt [LA] 8 Her skal du lære om 1. Helt simple determinanter 2. En udvidelse der vil noget 3. Effektive regneregler 4. Genkend determinant nul 5. Produktreglen 6. Inversreglen 7. Potensreglen 8. Entydig

Læs mere

Komplekse tal og algebraens fundamentalsætning.

Komplekse tal og algebraens fundamentalsætning. Komplekse tal og algebraens fundamentalsætning. Michael Knudsen 10. oktober 2005 1 Ligningsløsning Lad N = {0,1,2,...} betegne mængden af de naturlige tal og betragt ligningen ax + b = 0, a,b N,a 0. Findes

Læs mere

Afstande, skæringer og vinkler i rummet

Afstande, skæringer og vinkler i rummet Afstande, skæringer og vinkler i rummet Frank Villa 2. maj 202 c 2008-20. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold

Læs mere

(Prøve)eksamen i Lineær Algebra

(Prøve)eksamen i Lineær Algebra (Prøve)eksamen i Lineær Algebra Maj 016 Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Nærværende eksamenssæt består af 10 nummererede sider med ialt

Læs mere

M A T E M A T I K. # e z. # a. # e x. # e y A U E R B A C H M I K E. a z. a x

M A T E M A T I K. # e z. # a. # e x. # e y A U E R B A C H M I K E. a z. a x M A T E M A T I K B A M I K E A U E R B A C H WWW.MATHEMATICUS.DK z a z # e z # a a x # e x ay # e y y x Matematik B A. udgave, 206 Disse noter er skrevet til matematikundervisning på stx og kan frit anvendes

Læs mere

VEKTORGEOMETRI del 1 Vektorregning Parameterfremstillinger Produkter af vektorer

VEKTORGEOMETRI del 1 Vektorregning Parameterfremstillinger Produkter af vektorer VEKTORGEOMETRI del 1 Vektorregning Parameterfremstillinger Produkter af vektorer x-klasserne Gammel Hellerup Gymnasium 1 Indhold REPETITION OG KOORDINATER... REGNING MED VEKTORER... 8 STEDVEKTOR... 1 VEKTOR

Læs mere

1 Vektorrum. MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier

1 Vektorrum. MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier MATEMATIK 3 LINEÆR ALGEBRA 6. oktober 2016 Miniprojekt: Lineær algebra på polynomier Grupperne forventes at regne en mængde af opgaver, som tilsammen dækker 100 point. De små opgaver giver hver 5 point,

Læs mere

Polynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6

Polynomier. Indhold. Georg Mohr-Konkurrencen. 1 Polynomier 2. 2 Polynomiumsdivision 4. 3 Algebraens fundamentalsætning og rødder 6 Indhold 1 Polynomier 2 Polynomier 2 Polynomiumsdivision 4 3 Algebraens fundamentalsætning og rødder 6 4 Koefficienter 8 5 Polynomier med heltallige koefficienter 9 6 Mere om polynomier med heltallige koefficienter

Læs mere

Algebra - Teori og problemløsning

Algebra - Teori og problemløsning Algebra - Teori og problemløsning, januar 05, Kirsten Rosenkilde. Algebra - Teori og problemløsning Kapitel -3 giver en grundlæggende introduktion til at omskrive udtryk, faktorisere og løse ligningssystemer.

Læs mere

Lineær Algebra. Differentialligninger

Lineær Algebra. Differentialligninger Lineær Algebra og Differentialligninger til Calculus 1 og 2 Århus 2005 Anders Kock og Holger Andreas Nielsen Indhold 1 Koordinatvektorer........................ 1 2 Matricer..............................

Læs mere

6.1 Reelle Indre Produkter

6.1 Reelle Indre Produkter SEKTION 6.1 REELLE INDRE PRODUKTER 6.1 Reelle Indre Produkter Definition 6.1.1 Et indre produkt på et reelt vektorrum V er en funktion, : V V R således at, for alle x, y V, I x, x 0 med lighed x = 0, II

Læs mere

Eksamen i Lineær Algebra

Eksamen i Lineær Algebra To find the English version of the exam, please read from the other end Eksamen i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet & Det Sundhedsvidenskabelige Fakultet Fredag

Læs mere

Oversigt [LA] 3, 4, 5

Oversigt [LA] 3, 4, 5 Oversigt [LA] 3, 4, 5 Nøgleord og begreber Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers matrix Matrix potens Lineære ligningssystemer Løsningsmængdens

Læs mere

Prøveeksamen A i Lineær Algebra

Prøveeksamen A i Lineær Algebra Prøveeksamen A i Lineær Algebra Første Studieår ved Det Teknisk-Naturvidenskabelige Fakultet og Det Sundhedsvidenskabelige Fakultet Der må gøres brug af bøger, noter mv Der må ikke benyttes lommeregner,

Læs mere

Lineære 2. ordens differentialligninger med konstante koefficienter

Lineære 2. ordens differentialligninger med konstante koefficienter enote 13 1 enote 13 Lineære 2. ordens differentialligninger med konstante koefficienter I forlængelse af enote 11 og enote 12 om differentialligninger, kommer nu denne enote omkring 2. ordens differentialligninger.

Læs mere

DesignMat Kvadratiske matricer, invers matrix, determinant

DesignMat Kvadratiske matricer, invers matrix, determinant DesignMat Kvadratiske matricer, invers matrix, determinant Preben Alsholm Uge 5 Forår 010 1 Kvadratiske matricer, invers matrix, determinant 1.1 Invers matrix I Invers matrix I Definition. En n n-matrix

Læs mere

Nøgleord og begreber. Definition 15.1 Den lineære 1. ordens differentialligning er

Nøgleord og begreber. Definition 15.1 Den lineære 1. ordens differentialligning er Oversigt [S] 7.3, 7.4, 7.5, 7.6; [LA] 15, 16, 17 Nøgleord og begreber 1. ordens lineær ligning Løsningsmetode August 2002, opgave 7 1. ordens lineært system Løsning ved egenvektor Lille opgave Stor opgave

Læs mere