Lineáris algebra
A lineáris algebra (beleértve a vektor algebrát is ) a matematika olyan ága, amely vektortérekkel foglalkozik, és lineáris térképeket alkalmaz közöttük. Ez magában foglalja különösen a lineáris egyenletrendszerek és mátrixok figyelembevételét .
A vektorterek és azok lineáris leképezése fontos eszköz a matematika számos területén. A tiszta matematikán kívül az alkalmazások megtalálhatók a természettudományokban , az informatikában és a közgazdaságtanban (például az optimalizálásban ).
A lineáris algebra két konkrét követelményből merült fel: egyrészt a lineáris egyenletrendszerek megoldása, másrészt a geometriai objektumok matematikai leírása, az úgynevezett analitikai geometria ( ezért nevezik egyes szerzők a lineáris algebrát lineáris geometria ).
történelem
Az algebra kezdetei és így maga a kifejezés is a lehető legmesszebbmenőkig nyúlik vissza a perzsa korezmás matematikushoz , csillagászhoz , geográfushoz és Al-Khwarizmi polihisztorhoz , akinek műveit arab nyelvre kellett fordítania az iráni iszlamizáció és így tovább név „al-jabr” jött. Az algebra kifejezés ebből származik.
Míg az algebra kifejlesztése az ókori Egyiptomban kezdődött, a lineáris algebra mint önálló részterület fejlesztése csak a 17. században kezdődött a determináns elméletével . Ennek az elméletnek a kidolgozását Gottfried Wilhelm Leibniz és Seki Takakazu önállóan kezdték meg . 1750-ben Gabriel Cramer közzétette a róla elnevezett Cramer- szabályt . Ez volt az első alkalom, hogy sok lineáris egyenletrendszer megoldási képlete volt birtokában.
A modern lineáris algebra története 1843 és 1844 évekre nyúlik vissza. 1843-ban William Rowan Hamilton (akitől a vektor kifejezés származik) komplex számok bővítését tervezte meg a kvaternerekkel . 1844-ben Hermann Graßmann kiadta Die lineale expansion theory című könyvét . Arthur Cayley ezután az egyik legalapvetőbb algebrai ötletet mutatta be 1857-ben a mátrixokkal.
A 20. századtól kezdve az emberek többsége a vektortér fogalmával foglalkozott . Különösen August Ferdinand Möbius , Constantin Carathéodory és Hermann Weyl matematikusok végezték ennek előkészítését. Például azt találták, hogy a végesdimenziós vektorterek közötti lineáris leképezéseket mátrixokkal lehet leírni. Ezen ismeretek alapján Stefan Banach volt az első, aki axiomatikus definíciót adott a valós vektorterek számára.
Lineáris egyenletrendszerek
A lineáris egyenletrendszer a típusú egyenletek kombinációja
Az ilyen egyenletrendszereket sok mindennapi kérdés kapja meg, például:
- Milyen arányban kell összekevernie egy 30% -os oldatot (megfelel ) és egy 60% -os oldatot (megfelel ), hogy 40% -os oldatot kapjon?
A lineáris algebra alapvető absztrakciós lépése a bal oldal megértése az ismeretlenek függvényében (ebben az esetben a megfelelő megoldások halmaza):
Ezután az oldatot az egyenletrendszert válik a probléma: Keress egy ilyen , hogy
vonatkozik. Az felülírás csak formalizmus annak érdekében, hogy egyszerre több számmal is foglalkozni lehessen.
Ahelyett, hogy egyszerűen felírná a releváns számokat téglalap alakban, és az objektumot mátrixnak nevezné :
Láthatja, hogy a függvény speciális tulajdonságokkal rendelkezik, ez egy lineáris leképezés . Ha van megoldás az egyenletrendszerre és megoldás az egyenletrendszerre , akkor az van
megoldása . Azt is megírhatja a formában . Ha tovább is minden valós szám , akkor van ; van
- .
Analitikai geometria
A lineáris algebra másik eredete a 2- és 3-dimenziós (euklideszi) tér aritmetikai leírásában található, más néven "vizuális tér". Koordináta-rendszer segítségével a tér pontjai számhármasokkal írhatók le. Az elmozdulás leképezési típusa a vektor fogalmához vezet , amely jelzi az elmozdulás irányát és nagyságát. Számos fizikai mennyiségnek , például erőknek mindig van ilyen irányú aspektusa.
Mivel vektorok is leírható a tripletek a számok , az elválasztás közötti vektorok és pontok elmosódott: egy pont pozíciójának megfelelő vektorba , amely pontokat az eredetét a koordináták .
A klasszikus geometriában figyelembe vett térképezési típusok közül sok, például a tengelyek körüli forgások az origón keresztül vagy a reflexiók a origón keresztüli síkon, a lineáris leképezés osztályába tartoznak , amelyet már fentebb említettünk.
Vektorterek és lineáris algebra
A vektortér fogalma a fenti példák absztrakciójaként merül fel: A vektortér egy halmaz, amelynek elemeit vektoroknak nevezzük, a
- vektorok összeadása
- a vektorok szorzata egy rögzített test elemeivel , az úgynevezett skaláris szorzás (külső szorzás).
Ennek az összeadásnak és a skaláris szorzásnak még teljesítenie kell néhány egyszerű tulajdonságot, amelyek a vizuális tér vektoraira is vonatkoznak.
Mondhatnánk, hogy a vektorterek pontosan definiáltak, így lineáris leképezésekről lehet beszélni közöttük.
Bizonyos szempontból a vektortér fogalma már túl általános a lineáris algebra számára. Minden vektortérhez dimenzió rendelhető, például a síknak van dimenziója , a vizuális térnek pedig dimenziója van . De vannak olyan vektorterek, amelyek méretei nem végesek, ami azt jelenti, hogy az ismert tulajdonságok közül sok elvész. Nagyon sikeresnek bizonyult azonban a végtelen dimenziós vektorterek további topológiai struktúrával való felszerelése ; a topológiai vektorterek vizsgálata a funkcionális elemzés tárgya .
(A cikk további része a véges dimenziók esetével foglalkozik.)
Fontos mondatok és eredmények
Minden vektortérnek van legalább egy alapja . A vektortér minden két bázisának azonos számú eleme van; csak ezért van értelme egy vektortér dimenziójáról beszélni. Az alterek összesítése és átlaga esetén a valódi dimenzióképlet és a tényezőterek dimenziói képlet .
Minden lineáris leképezést egyedileg definiálunk a képek alapján történő megadásával . A homomorfizmus-tétel és a rang- tétel a lineáris leképezésekre vonatkozik . A lineáris leképezéseket mátrixokkal lehet ábrázolni a rögzített alapokhoz viszonyítva . A lineáris képek egymás utáni végrehajtása megfelel reprezentációs mátrixuk szorzásának .
Egy lineáris egyenletrendszer a , és megoldható, ha, és csak akkor, ha a helyezés az a mátrix megegyezik a rangot a kiterjesztett együttható mátrix . Ebben az esetben a megoldás halmaza a rendszer egy affin altér az a dimenzió . A nem túl nagy egyenletrendszerek esetében a rangsorolás és a megoldási tér kiszámítása elvégezhető a Gauss-eliminációs módszerrel.
A véges dimenziós vektortér lineáris leképezése (azaz endomorfizmusa ) már megfordítható, ha az injektív vagy surjektív. Ismét ez a helyzet akkor és csak akkor, ha annak meghatározója nem egyenlő nullával. Ebből következik, hogy az endomorfizmus sajátértékei pontosan a jellegzetes polinom nullái . Egy másik fontos megállapítás a jellegzetes polinomról a Cayley-Hamilton tétel .
Az endomorfizmus (vagy egy négyzetmátrix) akkor és csak akkor lehet diagonalizálható, ha a jellegzetes polinom lineáris tényezőkre bomlik, és mindegyik sajátérték esetén algebrai sokszorossága megegyezik a geometriai sokasággal, azaz a sajátérték nulla sorrendjével a jellegzetes polinomban egyenlő a kapcsolódó eigenspace dimenziójával . Ezzel egyenértékű a vektortér alapja, amely a lineáris leképezés sajátvektoraiból áll. Az entomorfizmusok, amelyeknek jellegzetes polinomját lineáris tényezőkre bontjuk, továbbra is trigonalizálhatók , így háromszög mátrix képviselhetik őket . Valamivel mélyebb eredmény, hogy az ábrázoló mátrix akár jordán normál formába is hozható .
A vektor terek, amelyen van is egy skalár termék , a norma használják meghatározásához. Ezekben a skaláris termékterekben mindig léteznek ortonormális bázisok , amelyeket például a Gram-Schmidt ortonormalizációs módszerrel lehet felépíteni. A vetítési tétel szerint ezekben a terekben a legjobb közelítést ortogonális vetítéssel lehet meghatározni egy alvektor-térből .
A skaláris termékterekben az endomorfizmusok átlósíthatóságát illetően felmerül a kérdés, hogy létezik- e sajátvektorokból származó ortonormális alap . Ennek központi eredménye a spektrumtétel . Különösen a következő áll fenn valós esetben: Minden szimmetrikus mátrixhoz tartozik egy ortogonális mátrix , tehát egy átlós mátrix. Ezt az eredményt másodfokú alakokra alkalmazva megkapjuk a főtengely-transzformáció elvét .
A bilinear és sesquilinear ábrázolhatók rögzített választott bázisok mátrixaival is. A bilináris forma szimmetrikus és pozitív határozott , azaz skaláris szorzat, csak akkor, ha az ábrázoló mátrixa szimmetrikus és pozitív határozott. Egy szimmetrikus mátrix akkor és akkor pozitív, ha összes sajátértéke pozitív. Általában Sylvester törvénye a tehetetlenség vonatkozik szimmetrikus bilineáris formák és Hermitian sesquilinear formák , amely kimondja, hogy a számos pozitív és negatív sajátértékei a képviselő mátrixok nem függ a választott alapján.
Vektorok és mátrixok
A végesdimenziós terek vektorait komponenseikkel leírhatjuk, amelyek (az alkalmazástól függően) oszlopvektorként
vagy vonal vektor
írandó. Gyakran a vonalvektorokat T felső indexgel jelölik átültetni , mint pl .
Az irodalomban a vektorokat különböző módon különböztetik meg a többi mennyiségtől: kisbetűket, félkövéren kisbetűket, aláhúzott kisbetűket, fölött nyíllal ellátott kisbetűket vagy kis Fraktur betűket használnak. Ez a cikk kisbetűket használ.
A mátrixot számok „rács” jelöli. Itt egy négy sorból és három oszlopból álló mátrix:
A mátrixokat többnyire nagybetűvel jelöljük.
Oszlopvektorok esetén a vektor egyes elemeit általában index jelöli: A vektor fent megadott második eleme ez lenne . A sorvektorokban időnként egy kitevőt használnak, amikor arra kell vigyázni, hogy van-e vektor indexelés vagy kitevő : A fenti példánál kb . A mátrix elemeket két index jelzi. Az elemeket kisbetűvel ábrázoljuk: a harmadik oszlop második sorában található elem (a „második sor harmadik oszlopában” helyett, mert ez megkönnyíti az olvasást).
Ezeknek a szerkezeteknek az általánosított fogalma a tenzor , a skalárok nulladik rendű tenzorok, a vektorok első rendű tenzorok, a mátrixok másodrendű tenzorok. Az -rendû tenzort egy -dimenziós számkocka képviselheti .
Gyakran szükség van a mátrixok speciális alakra hozatalára elemi vonaltranszformációk vagy alapváltozások segítségével . Különösen fontos a háromszög alakú , az átlós és a jordániai normál alak .
Endomorfizmusok és négyzetmátrixok
Lineáris leképezés megjelenítésekor - a Mátrix alatt leírtak szerint - a véges dimenziós vektortér saját magára történő lineáris leképezésének speciális esete van (úgynevezett endomorfizmus ). Ugyanez az alap használható az eredeti kép- és képkoordinátákhoz, és négyzetmátrixot kapunk úgy, hogy a lineáris leképezés alkalmazása megfeleljen a bal szorzásnak . A és függőség kifejezésére a helyesírást, például vagy használják . Ennek a leképezésnek a kétszeri egymás utáni végrehajtása megfelel az stb. Szorzásnak, és az összes polinomiális kifejezés (a hatványok többszörösének összegével ) a vektortér lineáris leképezésének tekinthető.
Megfordíthatatlanság
A számok számítási szabályához hasonlóan a négyzetmátrix zeroth ereje az átlós mátrix ( egységmátrix ), az átlón lévőkkel és amelyben az összes fennmaradó elem nulla, megfelel az egyes vektorok önmagának feltérképezésének A négyzetmátrix negatív teljesítményeit csak akkor lehet kiszámítani, ha az által megadott lineáris leképezés invertálható, vagyis nincs két különböző vektor és egyazon vektorhoz leképezve . Más szavakkal, van egy invertálható mátrixod, amely mindig követi a lineáris rendszert, így csak a megoldás lehet. Egy invertálható mátrix van egy inverz mátrixot a .
Meghatározó tényezők
A determináns egy olyan speciális függvény, amely számot rendel egy négyzetmátrixhoz. Ez a szám információt ad a mátrix egyes tulajdonságairól. Például fel lehet használni annak azonosítására, hogy egy mátrix megfordítható-e. Egy másik fontos alkalmazás a jellegzetes polinom és így a mátrix sajátértékeinek kiszámítása .
A determinánsok kiszámításához vannak zárt képletek, például Laplace tágulási tétele vagy Leibniz képlete . Ezek a képletek azonban inkább elméleti értéket képviselnek, mivel erőfeszítéseik erőteljesen nőnek nagyobb mátrixokkal. A gyakorlatban a determinánsok kiszámításának legegyszerűbb módja a Gauss-algoritmus használata a mátrix átalakítására felső vagy alsó háromszög alakúra; a determináns ekkor egyszerűen a fő átlós elemek szorzata .
példa
A fenti kifejezéseket a Fibonacci-szekvencia által motivált példával kell tisztázni.
Hatásszámítás átlósítással
A Fibonacci rekurzívan leíró egyenletek , valamint a , ami egyet jelent a
és
- ,
amelyből iterációval a nem rekurzív képletet
következik, amelyben egy mátrix hetedik ereje következik be.
Egy ilyen mátrix magatartását hatványozáskor nem könnyű meglátni; másrészt a diagonális mátrix hetedik teljesítményét egyszerűen úgy számolják, hogy az egyes átlós bejegyzéseket a hatványra emelik. Ha van invertálható mátrix , így annak átlós formája van, akkor a hatványozása az egyenlet szerint átlós mátrix hatványozására redukálható ( ennek az egyenletnek a bal oldala ekkor az átlós mátrix -nak a hatványa). Általában, a viselkedését (a hatványozást, hanem más műveletek) lehet több könnyen felismerhető által diagonalizing mátrix.
Ha az ember megérti a lineáris leképezés mátrixát , akkor az átalakulási mátrix az alapváltoztatási mátrix egy másik bázishoz , vagyis (amikor az identitás- leképezés minden vektort magához térképez). Akkor mégpedig .
A fenti példában olyan transzformációs mátrix található, amely
egy átlós mátrix, amelyben az aranyarány bekövetkezik. Ebből végül megkapjuk Binet képletét :
Sajátértékek
Hogyan juthat el a mátrixtól a számig ? Az ember azonnal felismeri az átlós mátrixból
- ,
ami azt jelenti, hogy egy vektor egyenlő a nullával, ha az átlós mátrixot szorozzuk komponensenként szorozva: (pontosabban összehasonlítható a -facht) . Ezen tulajdonság miatt a számot a mátrix sajátértékének nevezzük ( sajátvektorral ). Átlós mátrixok esetén a sajátértékek megegyeznek az átlós bejegyzésekkel.
de az eredeti mátrix sajátértéke is (sajátvektorral , mert ), a sajátértékek változatlanok maradnak, amikor a mátrix átalakul. A mátrix átlós alakja a sajátértékekből adódik, és a sajátértékek megtalálásához meg kell vizsgálni, hogy a lineáris egyenletrendszer mely számokra rendelkezik nullától eltérő megoldással (vagy más szavakkal, a mátrix nem megfordítható).
A keresett számok pontosan azok, amelyek nullává teszik a mátrix determinánsát . Ez determináns egy polinomiális expressziót (az úgynevezett karakterisztikus polinomja a ); a fent említett 2 × 2 mátrix esetében ez adja meg a másodfokú egyenletet a két megoldással és . A kapcsolódó sajátvektorok a lineáris egyenletrendszerek megoldásai, vagy ezek alkotják az átalakulási mátrix oszlopait .
Átlósíthatóság
Az, hogy egy mátrix átlósítható-e, az alkalmazott számtartománytól függ. nem lehet átlósítani például a racionális számok fölött , mert a sajátértékek és az irracionális számok. Az átlósíthatóság a számtartománytól függetlenül is kudarcot vallhat, ha nincs „elég” sajátérték; így van a Jordan alakmátrix is
csak a sajátérték (a másodfokú egyenlet megoldásaként ), és nem átlósítható. Kellően nagy számtartomány mellett (például a komplex számok fölött ) azonban minden mátrix átlósítható vagy transzformálható jordán normál alakúra .
Mivel egy mátrix transzformációja megfelel a lineáris leképezés alapjának változásának, ez az utolsó állítás azt jelenti, hogy egy kellően nagy számtartományú lineáris leképezéshez mindig lehet választani egy "egyszerű módon" leképezett bázist: Átlósodás esetén minden alapvektor többszörösévé válik (ezért sajátvektor); a Jordan forma esetében önmagának többszörösének, plusz esetleg az előző bázisvektornak. A lineáris leképezés ezen elmélete olyan testekre is általánosítható, amelyek nem „elég nagyok”; bennük a jordán forma mellett más normális formákat is figyelembe kell venni (például a Frobenius normális alak ).
irodalom
- Howard Anton: Lineáris algebra. Spectrum Academic Publishing, Heidelberg, ISBN 978-3-827-40324-7 .
- Albrecht Beutelspacher: Lineáris algebra. Vieweg-Verlag, ISBN 978-3-658-02412-3 .
- Siegfried Bosch: Lineáris algebra. Springer tankönyv, ISBN 978-3-540-76437-3 .
- Egbert Brieskorn: Lineáris algebra és analitikai geometria. 1. kötet, Vieweg-Verlag, 2012, ISBN 978-3-322-83175-0 .
- Egbert Brieskorn: Lineáris algebra és analitikai geometria. 2. kötet, Vieweg-Verlag, 1985, ISBN 978-3-528-08562-9 .
- Theodor Bröcker: Lineáris algebra és analitikai geometria. Birkhäuser Verlag, ISBN 978-3-764-37144-9 .
- Gerd Fischer: Lineáris algebra. Vieweg-Verlag, ISBN 978-3-658-03944-8 .
- Günter Gramlich: Lineáris algebra. Carl Hanser Verlag, ISBN 978-3-446-44140-8 .
- Günter Gramlich: A lineáris algebra alkalmazásai. Carl Hanser Verlag, ISBN 978-3-446-22655-5 .
- Klaus Jänich: Lineáris algebra. Springer tankönyv, ISBN 978-3-540-75501-2 .
- Hans-Joachim Kowalsky: Lineáris algebra. de Gruyter tankönyv, ISBN 978-3-110-17963-7 .
- Burkhard Lenze: A lineáris algebra alapismeretei. Springer-Vieweg, 2020, ISBN 978-3-658-29968-2 .
- Jörg Liesen és Volker Mehrmann: Lineáris algebra. Springer Spectrum, 2015, ISBN 978-3-658-06610-9
- Falko Lorenz: Lineáris algebra. 2 kötet, BI / Spectrum, 2003, ISBN 3-8274-1406-7 .
- Gilbert Strang: Lineáris algebra. Springer tankönyv, ISBN 978-0-980-23277-6 .
- Shafarevich Igor, Remizov Alexey: Lineáris algebra és geometria. Springer, 2012, ISBN 978-3-642-30993-9 .
web Linkek
- Irodalom a lineáris algebráról a Német Nemzeti Könyvtár katalógusában
- Linkkatalógus az algebra témában a curlie.org (korábban DMOZ ) címen
- MIT OpenCourseWare : 34 video lecke a lineáris algebráról Gilbert Strang professzor által ; 1999-ben rögzítették.
- 17 fejezet lineáris algebra itt: mathproject.de német és angol nyelven.
- Matematika online tanfolyam - rövid órák lineáris algebra témák széles skálájáról.
Egyéni bizonyíték
- ^ John Stillwell: Matematika és története . Springer, New York, NY 2010, ISBN 978-1-4419-6052-8 , pp. 88-89 , doi : 10.1007 / 978-1-4419-6053-5_6 .
- ^ Heinz-Wilhelm Alten : Az algebra 4000 éve. Történelem, kultúrák, emberek . Springer, Berlin és mtsai. 2003, ISBN 3-540-43554-9 , pp. 335-339 .