0% fanden dieses Dokument nützlich (0 Abstimmungen)

11 Ansichten221 Seiten

Skript LAI

Das Dokument ist ein Skript zur Vorlesung 'Lineare Algebra I', das die Theorie linearer Gleichungssysteme, Vektorräume und lineare Abbildungen behandelt. Es umfasst grundlegende mathematische Konzepte wie Mengen, Gruppen, Ringe und Körper, sowie die Anwendung von Matrizen und die Untersuchung von Eigenwerten und -vektoren. Der Inhalt ist in mehrere Kapitel gegliedert, die von den Grundlagen bis zu komplexeren Themen wie der Jordanschen Normalform reichen.

Hochgeladen von

robert kuhfeldt

Wir nehmen die Rechte an Inhalten ernst. Wenn Sie vermuten, dass dies Ihr Inhalt ist, beanspruchen Sie ihn hier.

Verfügbare Formate

Als PDF, TXT herunterladen oder online auf Scribd lesen

0% fanden dieses Dokument nützlich (0 Abstimmungen)

11 Ansichten221 Seiten

Skript LAI

Hochgeladen von

robert kuhfeldt

Wir nehmen die Rechte an Inhalten ernst. Wenn Sie vermuten, dass dies Ihr Inhalt ist, beanspruchen Sie ihn hier.

Verfügbare Formate

Als PDF, TXT herunterladen oder online auf Scribd lesen

Skript zur Vorlesung Lineare Algebra I“

”
Alexander Schmitt

Berlin, Wintersemester 2013/2014

1
i
Inhalt

Inhalt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

I Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . 1
I.1 (2 × 2)-Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . 1
I.2 (m × n)-Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . 8
I.3 Zeilenumformungen von Matrizen . . . . . . . . . . . . . . . . . . . 14
I.4 Das Gaußsche Lösungsverfahren . . . . . . . . . . . . . . . . . . . 19

II Grundbegriffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
II.1 Mengen und Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . 31
II.2 Gruppen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
II.3 Ringe und Körper . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.4 Äquivalenzrelationen . . . . . . . . . . . . . . . . . . . . . . . . . . 52

III Vektorräume und lineare Abbildungen . . . . . . . . . . . . . . . . . 59

III.1 Vektorräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
III.2 Erzeugendensysteme . . . . . . . . . . . . . . . . . . . . . . . . . . 63
III.3 Linear unabhängige Teilmengen . . . . . . . . . . . . . . . . . . . . 66
III.4 Basen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
III.5 Lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
III.6 Quotientenvektorräume . . . . . . . . . . . . . . . . . . . . . . . . . 94

IV Matrizenrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
IV.1 Das Matrixprodukt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
IV.2 Dualräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
IV.3 Die symmetrische Gruppe . . . . . . . . . . . . . . . . . . . . . . . 123
IV.4 Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

i
Vorwort

V Eigenwerte und -vektoren . . . . . . . . . . . . . . . . . . . . . . . . . 155

V.1 Äquivalenzrelationen auf Matrizen . . . . . . . . . . . . . . . . . . . 155
V.2 Polynome . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
V.3 Charakteristische Polynome . . . . . . . . . . . . . . . . . . . . . . 166
V.4 Diagonalisierbare Endomorphismen . . . . . . . . . . . . . . . . . 173
V.5 Der Satz von Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . 178
V.6 Trigonalisierbare Endomorphismen . . . . . . . . . . . . . . . . . . 184
V.7 Nilpotente Endomorphismen . . . . . . . . . . . . . . . . . . . . . . 186
V.8 Die Jordansche Normalform . . . . . . . . . . . . . . . . . . . . . . 195

Literaturhinweise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209

ii
Einleitung

Der vorliegende Text ist ein Skript zur Vorlesung Lineare Algebra I“, die ich an
”
der Universität Essen im Sommersemester 2004 und an der Freien Universität
Berlin im Wintersemester 2013/2014 gehalten habe. Das Skript enthält die
Theorie linearer Gleichungssysteme, endlichdimensionaler Vektorräume und
linearer Abbildung bis hin zum Satz über die Jordansche Normalform.
Wir beginnen mit dem Lösungsverfahren linearer Gleichungssysteme nach
Gauß. Dies vermittelt zum einen ein Gefühl für die Objekte, mit denen wir uns
später beschäftigen werden, zum anderen wirft es einige grundlegende Fra-
gen auf, die bei der weiteren Entwicklung der Theorie beantwortet werden. Der
Gauß-Algorithmus wird uns als unerlässliches Hilfsmittel für explizite Berech-
nungen während der gesamten Vorlesung begleiten.
Das zweite Kapitel beschäftigt sich mit den Grundbegriffen der Mathematik.
Wir gehen kurz auf die Mengenlehre ein. Insbesondere weisen wir darauf hin,
dass alle Konzepte, mit denen wir uns in der Mathematik beschäftigen werden,
mit Hilfe von Mengen definiert werden (müssen). Wir reden weiter über Grup-
pen, Ringe und Körper. Ohne Gruppen und Körper können wir nicht einmal
den Begriff des Vektorraums erklären. Auch Ringe treten im späteren Verlauf
als Polyomringe, Matrizenringe usw. auf. Ein weiterer zentraler Begriff ist der
der Äquivalenzrelation. Er wird zum Beispiel bei der Konstruktion von Quoti-
entenvektorräumen benötigt.
Kapitel drei ist der Entwicklung der Grundlagen der Linearen Algebra ge-
widmet. Die Lineare Algebra trifft Aussagen über Vektorräume und lineare Ab-
bildungen zwischen ihnen. Daher werden diese Begriff eingeführt, an verschie-
denen Beispielen illustriert und ihre fundamentalen Eigenschaften studiert.
Oftmals werden wir uns auf endlichdimensionale Vektorräume beschränken. In
der Tat werden an vielen Stellen Basen benutzt werden. Basen für unendlichdi-
mensionale Vektorräume sind in den meisten Fällen nutzlos. (Es gibt natürlich
Ausnahmen.) Im Unendlichdimensionalen sollte man auch unendliche Linear-
kombinationen zulassen. Dazu muss man Lineare Algebra und Analysis mit-

iii
Vorwort

einander verbinden. Dies geschieht in der linearen Funktionalanalysis.

Das vierte Kapitel erklärt, wie man mit Matrizen arbeiten kann. Matrizen
sind zunächst ein Hilfsmittel, um explizit mit linearen Abbildungen zu rech-
nen. Die Verknüofung von linearen Abbildungen, die sich elegant definieren
und untersuchen lässt, ergibt eine sehr interessante mathematische Opera-
tion, das Produkt zweier Matrizen. Nun lassen sich die Techniken aus dem
ersten Kapitel in die Theorie der Matrizen übertragen und führen zu nützlichen
Anwendungen. Als weiteren beeindruckenden Formalismus besprechen wir die
Theorie der Determinanten quadratischer Matrizen. In diesem Zusammenhang
müssen wir uns auch zum ersten Mal gründlich mit der symmetrischen Grup-
pe auseinandersetzen.
In den ersten vier Kapiteln werden sehr viele Begriffe eingeführt. Die be-
wiesenen Sätze sind dabei meist recht elementar und intuitiv leicht greifbar.
Im fünften Kapitel werden wir ein tiefer liegendes Problem untersuchen, und
zwar die Klassifikation quadratischer Matrizen bis auf Ähnlichkeit. Ein äquiva-
lentes Problem ist, zu einem gegebenen Endomorphismus eines endlichdimen-
sionalen Vektorraums eine Basis zu finden, bzgl. der die darstellende Matrix
besonders einfach ist. Das soll nicht nur bedeuten, dass sie schön anzusehen
ist, sie soll uns auch möglichst viel über die Struktur des Endomorphismus
verraten. Um das Problem zu lösen, haben wir also zu überlegen, wie wir die
Struktur eines Endomorphismus überhaupt beschreiben möchten. Die zentra-
len Begriffe sind hier diejenigen des Eigenvektors und -werts. Eigenvektoren
geben Richtungen im betrachteten Vektorraum an, die invariant unter dem
gegebenen Endomorphismus sind. Eigenvektoren und -werte gibt es im Allge-
meinen nur, wenn der zugrundeliegende Körper algebraisch abgeschlossen ist.
An dieser Stelle gehen zum ersten Mal die Eigenschaften des Grundkörpers we-
sentlich in die Theorie ein. Dies ist ein Indiz für die Schwierigkeit des gestellten
Problems. In speziellen Situation besitzen Endomorphismen nicht genügend
Eigenvektoren. Um diese Situationen zu begreifen, muss man sogenannte nil-
potente Endomorphismen betrachten. Unsere Bemühungen gipfeln schließlich
im Satz über die Jordansche Normalform.
Ich danke Frau Anna Wißdorf und Herrn Ángel Muñoz für die Durchsicht
des Manuskripts und zahlreiche Korrekturen. Die biographischen Angaben zu
den MathematikerInnen stammen aus W IKIPEDIA. Das Skript basiert haupt-
sächlich auf dem Buch [6]. Weitere Standardwerke sind [2] und [3]. Das Buch
[1] enthält verschiedene Anwendungen der Linearen Algebra.

Alexander Schmitt
Berlin, im April 2014

iv
I
Lineare Gleichungssysteme

Lineare Gleichungssysteme treten in vielen Bereichen der Mathematik, Natur-

und Wirtschaftswissenschaften auf. Daher benötigt man zunächst ein effekti-
ves Verfahren, um solche Gleichungssysteme zu lösen. Dieses Verfahren wird
durch den sogenannten Gauß1-Algorithmus bereitgestellt. Da es sich dabei um
ein sehr konkretes Verfahren handelt, bietet es sich an, die Vorlesung damit
zu eröffnen. Wir werden sehen, dass bereits dieses Verfahren natürliche Frage-
stellungen theoretischer Art aufwirft (s. Problem I.4.6). Diese Probleme mögen
als eine Motivation dienen, den abstrakten und umfangreichen Begriffsapparat
der Linearen Algebra zu entwickeln. Diese Arbeit wird in Kapitel II begonnen.
Es wird sich im weiteren Verlauf der Vorlesung herausstellen, dass der Gauß-
Algorithmus an vielen Stellen das Verfahren ist, das konkrete Berechnungen
möglich macht.

I.1 (2 × 2)-Gleichungssysteme
In diesem Abschnitt untersuchen wir den einfachsten Fall linearer Gleichungs-
systeme, an dem schon einige Phänomene studiert werden können. Zunächst
müssen wir den Zahlbereich fixieren, in dem wir rechnen wollen. Dies muss
ein sogenannter Körper K sein. Die formale Definition eines Körpers werden
wir erst in Kapitel II, Definition II.3.1, kennenlernen. An dieser Stelle gehen wir
davon aus, dass der Leser zumindest mit dem Körper Q der rationalen Zahlen
und dem Körper R der reellen Zahlen vertraut ist. Vielleicht ist dem einen oder
1
Johann Carl Friedrich Gauß (1777 - 1855), deutscher Mathematiker, Astronom und Phy-
siker

1
Kapitel I. Lineare Gleichungssysteme

anderen auch schon der Körper C der komplexen Zahlen begegnet, in dem man
die Wurzel aus −1 ziehen kann.
Wir fixieren nun den Körper K, also z.B. K = Q oder K = R. Wir benötigen
auch das folgende Objekt:

2 s
K := s, t ∈ K .
t

Den Raum R2 mag man sich als die vor einem ausgebreitete, sich ins Unendli-
che erstreckende Papierebene vorstellen und die Zahlen s, t als die Koordinaten
eines Punkts in der Ebene (s. Abbildung I.1).

s
t × t

s
Abbildung I.1: Koordinaten im R2 .

Wir betrachten das Gleichungssystem

a·x+b·y = e
(I.1)
c · x + d · y = f.

Dabei sind die Elemente a, b, c, d, e und f aus dem Körper K, also beispiels-
weise reelle Zahlen, und x und y sind Unbestimmte. Die Lösungsmenge des
Gleichungssystems (I.1) ist

s a·s+b·t = e
L := ∈ K2 .
t c·s+d·t = f

Wir wollen nun allgemeine Aussagen über die Struktur von L gewinnen. Dazu
unterscheiden wir verschiedene Fälle.

Fall 0: a = b = c = d = 0. — Dann gibt es offenbar zwei Möglichkeiten. Entwe-

6 0 oder f 6= 0 und L = ∅,2 d.h. es gibt keine
der gilt e = f = 0 und L = K2 oder e =
Lösung.
2
Das Symbol ∅“ steht für die leere Menge (s. Beispiel II.1.1, i).
”

2
I.1. (2 × 2)-Gleichungssysteme

Jetzt setzen wir voraus, dass mindestens eine der Zahlen a, b, c, d von
Null verschieden ist. Nach etwaiger Vertauschung der beiden Zeilen des Glei-
chungssystems und/oder nach Umbenennung der Unbestimmten x in y und
der Unbestimmten y in x können wir annehmen, dass a 6= 0 gilt.
Bemerkung I.1.1. Das Vertauschen der beiden Zeilen des Gleichungssystems
ändert die Lösungsmenge offenbar nicht. Für die Lösungsmenge L′ des Glei-
chungssystems, das durch Umbenennung der Variablen aus (I.1) entsteht, gilt

′ s 2 t
L = ∈K ∈L .
t s
Nun können wir in (I.1) das (c/a)-Fache der ersten Gleichung von der zwei-
ten Gleichung abziehen und erhalten das Gleichungssystem

a · x +b·y = e

bc ec (I.2)
d− ·y = f− .
a a
Man überlegt sich leicht, dass die Lösungsmenge des Gleichungssystems (I.2)
mit der Lösungsmenge des Gleichungssystems (I.1) übereinstimmt. Wegen a 6=
0 ist die zweite Gleichung in (I.2) äquivalent zu der Gleichung

(ad − bc) · y = af − ec. (I.3)

Definition I.1.2. Ein Zahlenschema

a b
M :=
c d

bezeichnen wir als (2 × 2)-Matrix. Die Determinante von M ist die Zahl

det(M) := δ(a, b, c, d) := ad − bc.

Damit lässt sich Gleichung (I.3) schreiben als

δ(a, b, c, d) · y = δ(a, e, c, f). (I.4)

Bemerkung I.1.3. Auch wenn a = 0 gilt, können wir c-mal die erste Gleichung
in (I.1) von a-mal der zweiten Gleichung abziehen und die gültige Gleichung

δ(a, b, c, d) · y = δ(a, e, c, f)

erhalten. Ebenso errechnet man

δ(a, b, c, d) · x = −δ(b, e, d, f).

Wir unterscheiden nun zwei weitere Fälle.

3
Kapitel I. Lineare Gleichungssysteme

Fall A: δ(a,b,c,d) 6= 0. — In diesem Fall berechnet man

δ(a, e, c, f) δ(b, e, d, f)
y= und x = − .
δ(a, b, c, d) δ(a, b, c, d)

Das Gleichungssystem besitzt also genau eine Lösung,

s0
L= .
t0

Fall B: δ(a,b,c,d) = 0. — Auf Grund von Bemerkung I.1.3 gilt L = ∅, falls3

δ(a, e, c, f) 6= 0 oder δ(b, e, d, f) 6= 0. Gilt jedoch δ(a, e, c, f) = 0, dann ist (I.3) für
alle y = t ∈ K erfüllt, und aus der ersten Gleichung in (I.2) ergibt sich

e b
x= − · t,
a a
also e
a − ab
L= +t· t∈K .
0 1

Für K = R ist die Lösungsmenge also eine Gerade in R2 (s. Abbildung 1.2).

L
b

−a
× 1

b
e
a
0

Abbildung I.2: Die Lösungsmenge im Fall B.

3
Die Bedingungen δ(a, e, c, f) = 0 und δ(b, e, d, f) = 0 sind nicht unabhängig. Gilt δ(a, e, c, f) =
af − ce = 0, so folgt wegen δ(a, b, c, d) = ad − bc = 0 auch

0 = b · (af − ce) − e · (ad − bc) = abf − ade = a · (bf − de) = a · δ(b, e, d, f).

Mit a 6= 0 ergibt sich δ(b, e, d, f) = 0. Ebenso schließt man von δ(a, b, c, d) = 0 = δ(b, e, d, f) auf
δ(a, e, c, f) = 0.

4
I.1. (2 × 2)-Gleichungssysteme

Bemerkung I.1.4. Dem Gleichungssystem (I.1) hatten wir die Matrix

a b
c d

zugeordnet. Der Vertauschung der beiden Gleichungen entspricht auf Matri-

zenniveau die Umformung

a b c d
.
c d a b

Man beachte

δ(a, b, c, d) = ad − bc = −(cb − da) = −δ(c, d, a, b).

Der Umbenennung der Variablen entspricht die Operation

a b b a
.
c d d c

Dabei gilt
δ(a, b, c, d) = ad − bc = −(bc − ad) = −δ(b, a, d, c).
Die Bedingung δ(a, b, c, d) = 0“ ist also invariant unter Vertauschung der Glei-
”
chungen und Umbenennung der Unbestimmten. Dasselbe gilt für die Bedin-
gung δ(a, e, c, f) = 0 = δ(b, e, d, f)“.
”
Bemerkung I.1.5. Das Gleichungssystem (I.1) und seine Lösungen haben auch
eine geometrische Bedeutung. Es seien a, b und e Elemente der Körpers K. Wir
schauen uns die Gleichung
a·x+b·y =e
an. Die zugehörige Lösungsmenge ist

s
G1 := ∈ K2 a · s + b · t = e .
t

Gilt a = b = e = 0, so finden wir G1 = K2 . Falls a = b = 0 und e 6= 0, dann

folgt G1 = ∅. In allen anderen Fällen ist G1 eine Gerade in K2 . Für das Folgende
beschränken wir uns auf diesen Fall. Weiter seien c, d, f ∈ K. Wir nehmen c 6= 0
oder d 6= 0 an. Dann ist die Lösungsmenge

s
G2 := ∈ K2 c · s + d · t = f
t
der Gleichung
c·x+d·y=f

5
Kapitel I. Lineare Gleichungssysteme

ebenfalls eine Gerade in K2 .

Für die Lösungsmenge von (I.1) gilt

L = G1 ∩ G2 ,

d.h. sie bildet den Durchschnitt der beiden Geraden. Zwei Geraden können
gleich sein, verschieden und parallel, oder sie haben genau einen Schnittpunkt
(s. Abbildung I.3). Wir überlassen es der Leserin bzw. dem Leser die verschie-
denen Fälle den verschiedenen Fällen in der vorangegangen Diskussion zuzu-
ordnen.

5 · x + 7 · y = 10
8·x=5

5

x0 = 8 , L = {x0 }
b 55
56

Abbildung I.3: Der Schnitt zweier nicht paralleler Geraden.

Zusammenfassung. — Aus unseren Überlegungen erhalten wir folgende Aus-

sagen über die Struktur der Lösungsmenge eines (2 × 2)-Gleichungssystems.

Fall Bedingung an die Koeffizienten Gestalt von L

A δ(a, b, c, d) 6= 0 Ein Punkt
B δ(a, b, c, d) = 0; δ(a, e, c, f) = 0 und δ(b, e, d, f) = 0; Gerade in K2
ein Koeffizient a, b, c, d ungleich null
B δ(a, b, c, d) = 0; δ(a, e, c, f) 6= 0 oder δ(b, e, d, f) 6= 0 Leer
0 a=b=c=d=e=f=0 K2
0 a = b = c = d = 0; e 6= 0 oder f 6= 0 Leer

Die obige Tabelle stellt einen Zusammenhang zwischen den Ausgangsdaten des
Gleichungssytems und der Gestalt der Lösungsmenge her. Gilt e = f = 0, dann
sprechen wir von einem homogenen Gleichungssystem. Man beachte, dass ein
homogenes Gleichungssystem immer die triviale Lösung“ 00 besitzt. Für ho-
”
mogene Gleichungssysteme ist der Zusammenhang zwischen den Koeffizienten
a, b, c und d und der Gestalt der Lösungsmenge noch einprägsamer.

6
I.1. (2 × 2)-Gleichungssysteme

Fall Bedingung an die Koeffizienten Gestalt von L

A δ(a, b, c, d) 6= 0 L = 00
0
B δ(a, b, c, d) = 0; ein Koeff. a, b, c, d nicht null Gerade in K2 durch 0
0 a=b=c=d=0 K2

Legt man den anschaulichen Dimensionsbegriff zu Grunde, nach dem K2 zwei-

dimensional, eine Gerade im K2 eindimensional und ein Punkt nulldimensional
ist, dann kann man diese Tabelle wie folgt interpretieren: Gilt δ(a, b, c, d) 6= 0, so
enthält das Gleichungssystem (I.1) zwei unabhängige Bedinungen (vgl. Aufgabe
I.1.6), so dass die Dimension des Lösungsraumes L gegenüber der Dimension
von K2 um zwei vermindert ist. Im Fall B haben wir nur eine unabhängige Be-
dingung, so dass die Dimension von L um eins niedriger ist als die von K2 . Im
Fall 0 haben wir natürlich gar keine Bedingung.
Schließlich wollen wir noch festhalten, dass das Studium linearer Glei-
chungssysteme zwei Aspekte hat: Zum Einen den praktischen Aspekt“ der
”
expliziten Bestimmung der Lösungsmenge, zum Anderen den theoretischen
”
Aspekt“ der Beschreibung der Struktur der Lösungsmenge in Abhängigkeit
der Koeffizienten (z.B. Zusammenhang zwischen Anzahl der gestellten Bedin-
gungen und der Dimension des Lösungsraumes). Im nächsten Abschnitt wer-
den wir uns mit beliebigen Gleichungssystemen beschäftigen. Der praktische
Aspekt ist dabei der Gauß-Algorithmus, während sich der theoretische Aspekt
wesentlich umfangreicher gestaltet und die Einführung einer sehr formalen
Sprache notwendig macht.
Aufgabe I.1.6.
Es seien K ein Körper und

a b
, a, b, c, d ∈ K,
c d

eine (2×2)-Matrix. Zeigen Sie, dass die folgenden Bedingungen äquivalent sind.

1. δ(a, b, c, d) = 0.

2. Es gibt eine Zahl λ ∈ K, so dass c = λ · a und d = λ · b oder a = λ · c und

b = λ · d.

3. Es gibt eine Zahl λ ∈ K, so dass b = λ · a und d = λ · c oder a = λ · b und

c = λ · d.

a
Was bedeutet die dritte Bedingung geometrisch für die 2-Tupel und
c
b
in K2 ?
d

7
Kapitel I. Lineare Gleichungssysteme

Aufgabe I.1.7.
Gegeben seien Elemente λ, e, f ∈ R. Wir betrachten das (2×2)-Gleichungssystem
−x + (λ − 2) · y = e
(2 − λ) · x + y = f.
Bestimmen Sie alle λ ∈ K, für die das Gleichungssystem eindeutig lösbar ist.
Unter welchen Bedingungen an λ, e und f besitzt das Gleichungssystem keine
Lösung bzw. eine Schar von Lösungen?
Aufgabe I.1.8.
Überprüfen Sie mit dem Determinantenkriterium die Lösbarkeit der folgenden
(2 × 2)-Gleichungssysteme und geben Sie die Lösungsmenge an.
3·x + y = 7 3·x − y = 7
a) , b) ,
−6 · x + 2 · y = −14 −6 · x + 2 · y = −14

3·x − y = 7
c) .
−6 · x + 2 · y = 14

I.2 (m × n)-Gleichungssysteme
Wir arbeiten wiederum über dem Körper K.
Definitionen I.2.1. i)
  

 s1 

n  ..  s , ..., s ∈ K .
K :=  .  1 n

 

sn
 
s1
 
Ein Element  ...  aus Kn heißt n-Tupel oder auch Spaltenvektor. Das Nulltu-
sn
pel oder der Nullvektor ist das Element
 
0
 .. 
0 := 0m :=  .  .
0

ii) (Addition von n-Tupeln) Für zwei n-Tupel aus Kn ist die Summe erklärt
durch      
s1 t1 s1 + t1
 ..   ..   .. 
 .  +  .  :=  . .
sn tn sn + tn

8
I.2. (m × n)-Gleichungssysteme

iii) (Skalarmultiplikation) Für ein Element a ∈ K und ein n-Tupel ist das
Produkt gegeben als
     
s1 s1 a · s1
     
a  ...  := a ·  ...  :=  ...  .
sn sn a · sn

iv) Ein lineares (m × n)-Gleichungssystem besteht aus m Gleichungen

a11 · x1 + a12 · x2 + · · · + a1n · xn = b1

a21 · x1 + a22 · x2 + · · · + a2n · xn = b2
.. .. .. ..
. . . .
am1 · x1 + am2 · x2 + · · · + amn · xn = bm

in den Unbestimmten x1 ,...,xn . Die Koeffizienten aij , i = 1, ..., m, j = 1, ..., n, sowie

b1 ,...,bm gehören dabei dem Körper K an. Die Koeffizienten tragen wir in eine
sogenannte (m × n)-Matrix
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A := (aij) i=1,...,m :=  .. .
. .
. 
j=1,...,n  . . . 
am1 am2 · · · amn

ein und die Elemente b1 ,...,bm in das m-Tupel

 
b1
 
b :=  ...  .
bm

Falls b = 0m gilt, nennen wir das Gleichungssystem homogen, ansonsten inho-

mogen. Die Lösungsmenge ist
 
   a11 · s1 + a12 · s2 + · · · + a1n · sn = b1 

 s 

 1
a21 · s1 + a22 · s2 + · · · + a2n · sn = b2 
 
L(A, b) :=  ...  ∈ Kn .. .. .. .. .

 . . . . 


 sn 

am1 · s1 + am2 · s2 + · · · + amn · sn = bm

Beispiel I.2.2. Die Skalarmultiplikation und die Addition von Vektoren kann
man sich im R2 und R3 leicht veranschaulichen. Die Summe erhält man wie
in Abbildung I.4. Die Skalarmultiplikation mit einem Element a ∈ K ist geome-
trisch die zentrische Streckung (mit Zentrum 0 um den Faktor a (s. Abbildung
I.5).

9
Kapitel I. Lineare Gleichungssysteme

4 21
3 1 21
b
4 12
= 1
+ 3 12

b
1 12
3 12

3

b
1

Abbildung I.4: Addition von Vektoren im R2 .

3 1 21
−2
4
= 2· 2 4
b

−4
−2

=2·
5
2 1 −1 1 −2
· 2 12
b b
2
= 2 4 1 5
1 12 = 2
· 1 1

−2 2
1
b
1

Abbildung I.5: Skalarmultiplikation im R2 .

   
s1 s′1
   ..  ∈ Kn sind genau dann
Bemerkungen I.2.3. i) Zwei n-Tupel  ...  ,  . 
sn s′n
′
gleich, wenn si = si , i = 1, ..., n, gilt.
ii) Offenbar gilt immer
0n ∈ L(A, 0m ).

iii) Zur Eingewöhnung werden wir Elemente aus Kn durch fett gedruckte
Buchstaben kenntlich machen, z.B. s ∈ Kn . Diese Gewohnheit werden wir aber
mit der Zeit wieder ablegen.
iv) Der Raum Kn ist der Prototyp eines endlichdimensionalen K-Vektorrau-
ms. Die in K gültigen Rechenregeln implizieren dabei gewisse Rechenregeln, die
in Aufgabe I.2.10 besprochen werden.

10
I.2. (m × n)-Gleichungssysteme

Die Lösungsmengen homogener Gleichungssysteme weisen eine zusätzliche

Struktur auf.

Lemma I.2.4. Für die Lösungsmenge L(A, 0) eines homogenen linearen Glei-
chungssystems gilt:

• 0 ∈ L(A, 0),

• s, t ∈ L(A, 0) =⇒ s + t ∈ L(A, 0) und

• s ∈ L(A, 0), a ∈ K =⇒ a · s ∈ L(A, 0).

Beweis. Der einfache Beweis wird dem Leser als Übungsaufgabe überlassen.
Die notwendigen Beweistechniken werden im Beweis von Lemma I.2.7 bespro-
chen.

Die Lösungsmenge eines homogenen Gleichungssystems erbt also vom Kn

die zusätzlichen Strukturen Addition“ und Skalarmultiplikation“. Wir definie-
” ”
ren allgemeiner.

Definition I.2.5. Eine Teilmenge U ⊆ Kn wird linearer Teilraum oder Unterraum

genannt, wenn die folgenden Bedingungen erfüllt sind:

• 0n ∈ U,

• s, t ∈ U =⇒ s + t ∈ U und

• s ∈ U, a ∈ K =⇒ a · s ∈ U.

Beispiele I.2.6. i) Offensichtlich sind {0} und Kn lineare Teilräume von Kn.
ii) Nach Lemma I.2.4 ist die Lösungsmenge eines homogenen linearen (m ×
n)-Gleichungssystems ein linearer Unterraum von Kn .
iii) Für K2 sind die linearen Unterräume {0}, K2 sowie die Geraden durch 00
(s. Aufgabe I.2.11). Im K3 sind {0}, K3 , die Geraden durch 03 sowie die Ebenen,
die 03 enthalten, die linearen Teilräume.
Das folgende Resultat erlaubt ein besseres Verständnis der Lösungsmengen
inhomogener Gleichungssysteme.

Lemma I.2.7. Es sei s0 ∈ L(A, b). Dann gilt

L(A, b) = s0 + L(A, 0m ) = s0 + t ∈ Kn | t ∈ L(A, 0m ) .

Man erhält also sämtliche Lösungen eines inhomogenen Gleichungssystems, in-

dem man zu einer speziellen Lösung des inhomogenen Systems alle Lösungen
des zugehörigen homogenen Gleichungssystems addiert.

11
Kapitel I. Lineare Gleichungssysteme

Beweis. Es sei  
a1j
 a2j 
 
vj :=  .. 
 . 
amj

die j-te Spalte der Matrix A = (aij ) i=1,...,m , j = 1, ..., n. Unter Benutzung der Addi-
j=1,...,n
tion und der Skalarmultiplikation erhalten wir folgende Charakterisierung für
die Elemente der Lösungsmenge:
 
s1
 .. 
s =  .  ∈ L(A, b) ⇐⇒ s1 · v1 + · · · + sn · vn = b . (I.5)
sn
 
s01
 
Die gegebene spezielle Lösung sei s0 =  ... . Wir zeigen zunächst L(A, b) ⊆
s0n
 
s1
0  .. 
s + L(A, 0). Es sei s =  .  ∈ L(A, b). Es gelten die Gleichungen
sn

s1 · v1 + · · · + sn · vn = b
s01 · v1 + · · · + s0n · vn = b.

Daraus ergibt sich

(s1 − s01 ) · v1 + · · · + (sn − s0n ) · vn = 0.

In der Tat ist ja die i-te Komponente des Vektors auf der linken Seite

(s1 − s01 )ai1 + · · · + (sn − s0n )ain = (ai1s1 + · · · + ain sn ) − (ai1 s01 + · · · + ain s0n ) = bi − bi = 0,

i = 1, ..., m. Somit gilt

 
s1 − s01
 .. 
t :=  .  ∈ L(A, 0)
0
sn − sn

und
s = s0 + t ∈ s0 + L(A, 0).

12
I.2. (m × n)-Gleichungssysteme

 
t1
 
Es bleibt s0 + L(A, 0) ⊆ L(A, b) zu zeigen. Dazu sei t =  ...  ∈ L(A, 0). Es sind
tn
also die beiden Gleichungen

s01 · v1 + · · · + s0n · vn = b
t 1 · v1 + · · · + t n · vn = 0

erfüllt. Daher gilt auch

(s01 + t1) · v1 + · · · + (s0n + tn) · vn = b.

Wie bereits in (I.5) beobachtet wurde, ist dies gleichbedeutend mit der Tatsache,
dass s0 + t ∈ L(A, b).
Beispiel I.2.8. Man beachte, dass für b 6= 0 niemals 0 ∈ L(A, b) gelten kann. Für
eine (m × 3)-Matrix A und einen Vektor b 6= 0mist  die Lösungsmenge L(A, b)
0
also entweder a) leer oder b) ein Punkt ungleich  0  oder c) eine Gerade bzw.
0
 
0
d) Ebene, die  0  nicht enthält. Im Fall b) - d) wird L(A, b) durch Parallelver-
0
schiebung entlang einer speziellen Lösung s0 ∈ L(A, b) aus L(A, 0m ) erhalten.
Aufgabe I.2.9.
Es seien die beiden 2-Tupel

k m
, ∈ K2
l n

gegeben,
und es gelte δ(k, m, l, n) 6= 0. Zeigen Sie, dass es für jedes 2-Tupel
v
∈ K2 eindeutig bestimmte Zahlen s1 , s2 ∈ K mit
w

k m v
s1 · + s2 · = gibt.
l n w

Aufgabe I.2.10.
Zeigen Sie, dass für die Addition und die Skalarmultiplikation auf Kn die fol-
genden Gesetze gelten. (Sie dürfen gerne K = Q oder K = R voraussetzen.)
1. s + s′ = s′ + s für alle s, s′ ∈ Kn (Kommutativgesetz);
2. 0 + s = s für alle s ∈ Kn (Null ist Neutralelement);

13
Kapitel I. Lineare Gleichungssysteme

3. s + (−s) = 0 für alle s ∈ Kn , −s := (−1) · s (−s ist das inverse Element zu s);
4. s + (s′ + s′′ ) = (s + s′ ) + s′′ für alle s, s′, s′′ ∈ Kn (Assoziativgesetz der Addition);
5. 1 · s = s für alle s ∈ Kn ;
6. (a + a′ ) · s = a · s + a′ · s für alle a, a′ ∈ K, s ∈ Kn (Erstes Distributivgesetz);
7. a · (s + s′ ) = a · s + a · s′ für alle a ∈ K, s, s′ ∈ Kn (Zweites Distributivgesetz);
8. (a · a′ ) · s = a · (a′ · s) für alle a, a′ ∈ K, s ∈ Kn (Assoziativgesetz der Skalar-
multiplikation).
Aufgabe I.2.11.
a) Gegeben seien v1 , ..., vl ∈ Kn. Die lineare Hülle von v1 , ..., vl ist gegeben als

h v1 , ..., vl i := a1 · v1 + · · · + al · vl a1 , ..., al ∈ K ⊆ Kn .

Zeigen Sie, dass h v1 , ..., vl i ein linearer Unterraum von Kn ist.

b) Bestimmen Sie die linearen Unterräume von K2 .
Aufgabe I.2.12.
Entwickeln Sie für Gleichungssysteme in drei Unbestimmten mit ein, zwei, oder
drei Gleichungen eine geometrische Anschauung wie in Bemerkung I.1.5. Fer-
tigen Sie Skizzen für die Lösungsmengen der Gleichungssysteme an, die aus
einer, zwei oder allen drei der folgenden Gleichungen

x + 2·y − z = 0
6·x − 3·y − z = 0
2·x + y − z = 6

bestehen, an.

I.3 Zeilenumformungen von Matrizen

Definition I.3.1. Gegeben sei eine (p × q)-Matrix
 
c11 c12 · · · c1q
 c21 c22 · · · c2q 
 
C =  .. .. ..  .
 . . ··· . 
cp1 cp2 · · · cpq

Wir betrachten die Zeilenumformungen vom Typ:

(ZI) Addition eines Vielfachen einer Zeile zu einer anderen Zeile;

14
I.3. Zeilenumformungen von Matrizen

(ZII) Vertauschung zweier Zeilen;

(ZIII) Multiplikation einer Zeile mit einem Element a ∈ K∗ := K \ {0}.

Beispiele I.3.2. i) In der Matrix

 
0 −1 2 −3
 5 7 −11 14 
C := 
 8

0 −5 2 
−1 −2 4 −5

addieren wir fünfmal die vierte Zeile zur zweiten. Wir erhalten die Matrix
 
0 −1 2 −3
 0 −3 9 −11 
C′ := 
 8
.
0 −5 2 
−1 −2 4 −5

ii) In der Matrix  

12 −9 18
 7 11 −13 
D := 


8 0 17 
−12 −21 4
vertauschen wir die vierte und die zweite Zeile. Wir erhalten
 
12 −9 18
 −12 −21 4 
D′ := 

.
8 0 17 
7 11 −13

iii) In der Matrix

12 −21 42 −9 18
E :=
8 0 17 11 −13
multilplizieren wir die erste Zeile mit 1/3. Es ergibt sich die Matrix

′ 4 −7 14 −3 6
E := .
8 0 17 11 −13

Mit den oben angegebenen Zeilenumformungen lässt sich eine gegebene Ma-
trix C vereinfachen.

15
Kapitel I. Lineare Gleichungssysteme

Satz I.3.3. i) Durch wiederholte Anwendung von Zeilenoperationen vom Typ (ZI)
und (ZII) kann man eine gegebene Matrix C in eine Matrix D der Gestalt

∗
 
0 0 d1j1 ∗ ∗
 
 0 0 0 d2j2 ∗ ∗

∗

 
 



0 


 0 0 drjr 
 
 
 
0
überführen. Genauer gesagt besitzt die Matrix D die folgenden Eigenschaften: Es
gibt eine ganze Zahl r mit 0 ≤ r ≤ p, q sowie Indizes 1 ≤ j1 < j2 < · · · < jr ≤ q, so
dass gilt

a) diji 6= 0, i = 1, ..., r;

b) dij = 0 für i = 1, ..., r und 1 ≤ j < ji ;

c) dij = 0 für alle i > r und j = 1, ..., q.

ii) Erlaubt man auch Zeilenoperationen vom Typ (ZIII), dann kann man zusätz-
lich diji = 1, i = 1, ..., r, annehmen.

Definition I.3.4. Wir sagen, dass sich eine Matrix D in Zeilenstufenform befin-
det, wenn sie die in Satz I.3.3, i), angegebenen Eigenschaften aufweist.

Bemerkung I.3.5. Addiert man in der Matrix D das (−d1j2 /d2j2 )-Fache der zwei-
ten Zeile zur ersten Zeile, das (−d2j3 /d3j3 )-Fache der dritten zur zweiten, das
(−d1j3 /d3j3 )-Fache der dritten zur ersten usw., dann kann man zusätzlich noch
di′ ji = 0 für i = 1, ..., r und 1 ≤ i′ < i erreichen, d.h. über den Einträgen diji ,
i = 1, ..., r, an den Stufen stehen nur Nullen.

Beweis von Satz I.3.3. Zunächst bemerken wir, dass Teil ii) sofort aus Teil i)
folgt. Man muss nur die ersten r-Zeilen der Matrix D noch mit dem entspre-
chenden Faktor multiplizieren.
Zu i). Falls alle Koeffizienten von C gleich null sind, dann ist r = 0 und C hat
bereits die entsprechende Form. Ansonsten sei j1 der kleinste unter den Indizes
j, so dass die j-te Spalte ein von Null verschiedenes Element enthält. Es sei etwa
cij1 6= 0. Wir vertauschen die erste und i-te Zeile von C.4 Die resultierende Matrix
4
Falls i = 1, bedeutet dies, nichts an der Matrix zu ändern.

16
I.3. Zeilenumformungen von Matrizen

C′ hat folgende Form:

6= 0
 
0 0 d1j1 d1(j1 +1) d1q
 c′2j1 c′2(j1 +1) c′2q 
 
 
C =
′


 0 c′pj1 c′p(j1 +1) ′
cpq
.




Nun addiere man das (−c′ij1 /d1j1 )-Fache der ersten Zeile zur i-ten Zeile, und
zwar für i = 2, ..., p. Man erhält
 
0 0 d1j1 d1(j1 +1) d1q
 ′′
c′′2q 
 0 c2(j1+1) 
 
C′′ = 


 0 ′′
0 cp(j1+1) c′′pq
.




Es sei j2 der kleinste der Indizes j, für die es einen Index i ≥ 2 mit c′′ij 6= 0 gibt.
Wie man der Form von C′′ entnimmt, muss j2 > j1 gelten. Es gelte etwa c′′i′ j2 6= 0
mit 2 ≤ i′ ≤ p. Man vertausche nun in der Matrix C′′ die zweite mit der i′ -ten
Zeile. Das Ergebnis ist die Matrix
 
0 0 d1j1 d1q
 0 0 0 d2j2 d2q 
 
 ′′′ c′′′ ′′′ 
C =
′′′ c3j2 3(j2 +1) c3q  .


 0 ′′′ c′′′
cpj2 p(j2 +1) ′′′
cpq




Jetzt können wir das (−c′′′

ij2 /d2j2 )-Fache der ersten Zeile zu der i-ten Zeile addie-
ren. Dabei durchlaufe i die Werte 3, ..., p. Dies führt zu der Matrix
 
0 0 d1j1 d1q
 0 0 0 d2j2 d2q 
 
 ′′′′ ′′′′ 
C =
′′′′ 0 c 3(j2 +1) c 3q  .


 0 ′′′′
0 cp(j2 +1) c′′′′
pq




So fortfahrend erhält man schließlich die geforderte Matrix D.

Sobald man einige Beispiele gerechnet hat, wird einem das obige Verfahren
sofort verständlich.

17
Kapitel I. Lineare Gleichungssysteme

Beispiel I.3.6.
   
0 −1 5 3 1 4 5 −15 −11 −3
 0 2 −10 −7 −4   0 2 −10 −7 −4 
  −I←→III
−−−→  
 4 5 −15 −11 −3   0 −1 5 3 1 
2 1 0 −1 0 2 1 0 −1 0
 
4 5 −15 −11 −3
IV− 21 ·I  0 2 −10 −7 −4 
−−−− →   0

−1 5 3 1 
0 −1, 5 7, 5 4, 5 1, 5
 
4 5 −15 −11 −3
III+ 21 ·II  0 2 −10 −7 −4 
−−−− →   0 0

IV+ 34 ·II 0 −0, 5 −1 
0 0 0 −0, 75 −1, 5
 
4 5 −15 −11 −3
IV−1,5·III  0 2 −10 −7 −4 
−−−−−→   0 0
.
0 −0, 5 −1 
0 0 0 0 0
Diese Matrix kann noch auf die Form
 
1 1, 25 −3, 75 −2, 75 −0, 75
 0 1 −5 −3, 5 −2 
 
 0 0 0 1 2 
0 0 0 0 0
gebracht werden. Eine andere Möglichkeit ist
   
0 −1 5 3 1 2 1 0 −1 0
 0 2 −10 −7 −4   0 2 −10 −7 −4 
  −I←→IV
− − − →  
 4 5 −15 −11 −3   4 5 −15 −11 −3 
2 1 0 −1 0 0 −1 5 3 1
 
2 1 0 −1 0
III−2·I  0 2 −10 −7 −4 
−−−→   0

3 −15 −9 −3 
0 −1 5 3 1
 
2 1 0 −1 0
III− 32 ·II  0 2 −10 −7 −4 
−−−− →   0 0

IV+ 12 ·II 0 1, 5 3 
0 0 0 −0, 5 −1
 
2 1 0 −1 0
IV+ 1 ·III  0 2 −10 −7 −4 
−−−3−→   0 0
.
0 1, 5 3 
0 0 0 0 0

18
I.4. Das Gaußsche Lösungsverfahren

Diese Matrix kann noch in die Matrix

 
1 0, 5 0 −0, 5 0
 0 1 −5 −3, 5 −2 
 
 0 0 0 1 2 
0 0 0 0 0

umgeformt werden. Die Zeilenstufenform einer Matrix ist also keineswegs ein-
deutig bestimmt. Man beachte auch, dass der zweite Weg eine augenscheinlich
einfachere Matrix liefert, denn sie enthält mehr Nullen.
Bemerkung I.3.7. Man könnte die Mehrdeutigkeit im Algorithmus in Satz I.3.3,
i), die sich durch die Wahl einer Zeile, in der ein Eintrag in der entsprechenden
Spalte nicht null ist, ergibt, vermeiden, indem man immer die erste solche Zeile
nimmt. Dann zeigt das obige Beispiel, dass sich die Zeilenstufenform ändert,
wenn man in der ursprünglichen Matrix Zeilen vertauscht (oder gar andere
Zeilenoperationen durchführt). Diese Modifikation des Algorithmus löst damit
nicht die prinzipiellen Fragen, die in Problem I.4.6 aufgeworfen werden.

I.4 Das Gaußsche Lösungsverfahren

Gegeben seien eine (m × n)-Matrix
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
A =  .. .. .. 
 . . ··· . 
am1 am2 · · · amn

sowie  
b1
 
b =  ...  ∈ Km .
bm
Gesucht ist die Lösungsmenge L(A, b). Zu ihrer Bestimmung gehe man wie folgt
vor. Zunächst bilde man die erweiterte Koeffizientenmatrix
 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
 
M := A b :=  .. .. .. ..  .
 . . ··· . . 
am1 am2 · · · amn bm

Die Matrix M ist also die (m × (n + 1))-Matrix, die aus A entsteht, indem man b
als (n + 1)-te Spalte hinzufügt.

19
Kapitel I. Lineare Gleichungssysteme

Lemma I.4.1. Es sei M = (A|b) wie oben, und die Matrix M′ = (A′ |b′ ) gehe aus
M durch eine Zeilenoperation vom Typ (ZI), (ZII) oder (ZIII) hervor. Dann gilt

L(A, b) = L(A′ , b′).

Beweis. Für Zeilenoperationen vom Typ (ZII) und (ZIII) ist die Aussage klar. Im
Fall einer Zeilenoperation vom Typ (ZI) sei s ∈ L(A, b). Wir wollen zeigen, dass
auch s ∈ L(A′ , b′ ) gilt. Es gehe M′ aus M durch Addition des a-Fachen der
i-ten Zeile zur j-ten hervor, a ∈ K∗ . Die durch M bzw. M′ definierten (m × n)-
Gleichungssysteme unterscheiden sich nur in der j-ten Gleichung. Wir müssen
also lediglich die Gültigkeit der Gleichung

a′j1 · s1 + · · · + a′jn · sn = b′j

überprüfen. Nach Definition lautet diese Gleichnung

(aj1 + aai1 ) · s1 + · · · + (ajn + aain ) · sn = bj + abi .

Diese gilt offensichtlich, da s ∈ L(A, b)

aai1 · s1 + · · · + aain · sn = abi ,

aj1 · s1 + · · · + ajn · sn = bj

beinhaltet. Damit ist L(A, b) ⊆ L(A′ , b′) nachgewiesen. Da man M aus M′ eben-
falls durch eine Zeilenoperation vom Typ (ZI), nämlich die Addition des (−a)-
Fachen der i-ten Zeile zur j-ten, erhalten kann, folgt auch L(A′ , b′ ) ⊆ L(A, b).

Man führe nun an der Matrix M sukzessiv Zeilenoperationen vom Typ (ZI),
(ZII) und (ZIII) aus, bis man eine Matrix M′ = (A′ |b′ ) erhält, in der sich A′ in
Zeilenstufenform befindet (s. Satz I.3.3), i.e.

∗
 ′ 
0 0 a1j1 ∗ ∗ b′1
 ′ 
 0 0 0 a2j2 ∗ ∗ 

M =
′




 0
0 ′
0 arjr
∗ b′r 




.
 
 b′r+1 
 


0 bm′



Es folgt.

20
I.4. Das Gaußsche Lösungsverfahren

Satz I.4.2. i) Das durch A und b definierte Gleichungssystem ist genau dann
lösbar, d.h. L(A, b) 6= ∅, wenn

b′r+1 = · · · = b′m = 0 (I.6)

gilt.
ii) Wenn (I.6) erfüllt ist, dann erhält man jede Lösung
 
s1
 
s =  ...  ∈ L(A, b) = L(A′ , b′ )
sn

auf folgende Weise: Für die Einträge sj mit j ∈ { 1, ..., n } \ { j1, ..., jr } (d.h. j ∈ { 1, ..., n }
aber j ∈/ { j1 , ..., jr }) wähle man beliebige Elemente aus K, und sj1 ,...,sjr bestimme
man rekursiv:

a)
1 ′
Xn
sjr := ′ · br − a′rj · sj .
arjr j=j +1 r

b) Sind die sji für i > i0 bestimmt, dann ist

1 n
X
sji0 := · b′i0 − a′i0 j · sj .
a′i0 ji j=ji0 +1
0

Beweis. Wir bemerken zunächst, dass die Gleichheit L(A, b) = L(A′ , b′ ) eine
Konsequenz von Lemma I.4.1 ist. Damit ist die Notwendigkeit der Bedingung
(I.6) evident. Ist umgekehrt (I.6) erfüllt, dann liefert das in ii) beschriebene Ver-
fahren tatsächlich Lösungen. Somit ist i) bewiesen. Da schließlich jede Lösung
s ∈ L(A′ , b′) offenbar der angegebenen Rekursionsvorschrift genügen muss, ist
auch ii) nachgewiesen.

Auch hier sagt ein Beispiel wieder mehr als tausend Worte.
Beispiel I.4.3. Es seien
     
0 −1 5 3 1 2 2
 0 2 −10 −7 −4   −14   −14 
A := 
 4
, b :=  
 −6  , c :=  
 −5  .
5 −15 −11 −3 
2 1 0 −1 0 0 0

21
Kapitel I. Lineare Gleichungssysteme

Wir können die durch A und b bzw. A und c definierten Gleichungssysteme

gleichzeitig behandeln, indem wir die Matrix M := (A|b|c) umformen:

 
0 −1 5 3 1 2 2
 0 2 −10 −7 −4 −14 −14 
 
 4 5 −15 −11 −3 −6 −5 
2 1 0 −1 0 0 0
 
2 1 0 −1 0 0 0
I←→IV  0 2 −10 −7 −4 −14 −14 
−→  
 4 5 −15 −11 −3 −6 −5 
0 −1 5 3 1 2 2
 
2 1 0 −1 0 0 0
III−2·I  0 2 −10 −7 −4 −14 −14 
−→  
 0 3 −15 −9 −3 −6 −5 
0 −1 5 3 1 2 2
 
2 1 0 −1 0 0 0
III− 32 ·II & IV+ 12 ·II  0 2 −10 −7 −4 −14 −14 
−→  
 0 0 0 1, 5 3 15 16 
0 0 0 −0, 5 −1 −5 −5
 
2 1 0 −1 0 0 0
IV+ 13 ·III  0 2 −10 −7 −4 −14 −14 
−→  .
 0 0 0 1, 5 3 15 16 
1
0 0 0 0 0 0 3

Wir erkennen sofort, dass L(A, c) =   Jetzt bestimmen wir L(A, 0). Nach
∅ gilt.
s1
 s2 
 
Satz I.4.2 erhalten wir eine Lösung   s3
, indem wir zunächst s3 und s5 frei

 s4 
s5
wählen, z.B. s3 := t ∈ R und s5 := u ∈ R. Aus der vierten Gleichnung ergibt sich
1, 5s4 +3u = 0, d.h. s4 = −2u. Die zweite Gleichung wird zu 2s2 −10t +14u−4u = 0,
und wir erhalten s2 = 5t − 5u. Schließlich ergibt die erste Gleichung 2s1 + 5t −
5u + 2u = 0 und somit s1 = −2, 5t + 1, 5u. Also
     5   3 
s1 −2, 5t + 1, 5u −2 2
 s2   5t − 5u   5   −5 
       
 s3 = t  = t ·  1  +u ·  0 ,
       
 s4   − 2u   0   −2 
s5 u 0 1

22
I.4. Das Gaußsche Lösungsverfahren

i.e.      

 − 25 3
2 



   −5  


 5    
L(A, 0) = t · 
 1  + u ·  0  t, u ∈ R .
  

    −2  


 0 

 
0 1
Um L(A, b) zu ermitteln, müssen wir nach Lemma I.2.7 noch eine spezielle
Lösung s0 ∈ L(A, b) suchen. Dazu setzen wir s03 = s05 = 0. Der Rekursionsvor-
schrift entnehmen wir s04 = 10, 2s02 − 70 = −14, i.e. s02 = 28, 2s01 + 28 − 10 = 0, d.h.
s01 = −9. Folglich gilt
     5   3  
−9 
 −9 − 2 2 

 28  
   5   −5  

    28      
      
L(A, b) =  0  + L(A, 0) =  0  + t ·  1  + u ·  0  t, u ∈ R . 
 10   
  10 


 0   −2  


 
0 0 0 1
Wir geben jetzt eine weitere Version von Satz I.4.2 an, die für die Entwick-
lung der Theorie vorteilhaft ist.
Satz I.4.4. Es seien A := (aij) i=1,...,m eine (m × n)-Matrix und
j=1,...,n


b1
 
b :=  ...  ∈ Km .
bm
Gemäß Satz I.3.3 und Bemerkung I.3.5 überführe man die erweiterte Koeffizien-
tenmatrix M = (A|b) durch Zeilenoperationen vom Typ (ZI), (ZII) und (ZIII) in eine
Matrix M′ = (A′ |b′ ) der Form
j1 -te Spalte j2 -te Spalte jr -te Spalte

∗
 
0 0 1∗ ∗ 0 ∗ ∗ 0 ∗ ∗ 0 b′1
 
 0 0 0 1 ∗ ∗ 0 ∗ ∗ 0 





 0
0
0 1
0 ∗ b′r 




.
 
 b′r+1 
 


0 bm′



Für j ∈ { 1, ..., n } \ { j1 , ..., jr } setze man

i(j) := max i = 1, ..., r | ji < j

23
Kapitel I. Lineare Gleichungssysteme
 
0
 ..

 
.
 
 0 
 
 −a′1j  j1 -ter Eintrag
 
 0 
 .. 
 
 . 
 
 0 
 
 −a′2j  j2 -ter Eintrag
 . 
j
v = .. 

 −a′  ji(j) -ter Eintrag
 i(j)j 
 
 0 
 .. 
 . 
 
 0 
 
 1  j-ter Eintrag
 
 0 
 
 . 
 .. 
0
Abbildung I.6: Der Vektor vj .

und definiere  
vj1
 
vj =  ...  ∈ Kn
vjn
durch 
 −a′ij , k = ji , i = 1, ..., i(j)
j
vk := 1, k = j (s. Abbildung 1.5) .

0, sonst

i) Es sei b′ = b = 0. Zu jeder Lösung s ∈ L(A, 0) gibt es eindeutig bestimmte

Zahlen tj , j ∈ { 1, ..., n } \ { j1 , ..., jr }, mit
X
s= t j · vj . (I.7)
j∈{ 1,...,n }\{ j1 ,...,jr }

Sind umgekehrt Zahlen tj , j ∈ { 1, ..., n } \ { j1 , ..., jr }, gegeben und ist s durch (I.7)
definiert, dann gilt s ∈ L(A, 0).
ii) Es gelte b′r+1 = · · · = b′m = 0. Man definiere
 
s01
 
s0 =  ...  ∈ Kn
s0n

24
I.4. Das Gaußsche Lösungsverfahren

durch
b′i , j = ji , i = 1, ..., r
s0j := .
0, sonst
Dann gibt es zu jeder Lösung s ∈ L(A, b) eindeutig bestimmte Zahlen tj , j ∈
{ 1, ..., n } \ { j1 , ..., jr }, mit
X
s = s0 + t j · vj . (I.8)
j∈{ 1,...,n }\{ j1 ,...,jr }

Falls umgekehrt Zahlen tj , j ∈ { 1, ..., n } \ { j1 , ..., jr }, gegeben sind und s durch (I.8)
definiert wird, so folgt s ∈ L(A, b).

Beweis. Wir erinnern daran, dass nach Lemma I.4.1 L(A, 0) = L(A′ , 0) und
L(A, b) = L(A′ , b′) gilt.
Zu i). Es gilt vj ∈ L(A′ , 0) = L(A, 0), j ∈ { 1, ..., n } \ { j1 , ..., jr }. Da L(A, 0) ein
linearer Teilraum von Kn ist (Lemma I.2.4), ist jedes Element, das durch (I.7)
definiert wird, eine Lösung des durchA definierten
 homogenen Gleichungssys-
s1
 .. 
tems. Für eine gegebene Lösung s =  .  ∈ L(A, 0) definieren wir
sn
X
s′ = sj · vj .
j∈{ 1,...,n }\{ j1 ,...,jr }

Dann gilt s, s′ ∈ L(A, 0) und sj = s′j für j ∈ { 1, ..., n } \ { j1, ..., jr }. Die Rekursionsfor-
mel aus Satz I.4.2 impliziert daher, dass sj = s′j für alle j gelten muss. Damit ist
jede Lösung von der behaupteten Gestalt. Besteht schließlich eine Darstellung
(I.7), dann muss tj = sj , j ∈ { 1, ..., n } \ { j1, ..., jr }, gelten, so dass die Eindeutigkeit
einer solchen Darstellung folgt.
Zu ii). Nach Konstruktion gilt s0 ∈ L(A′ , b′ ) = L(A, b). Die Behauptung folgt
sofort aus der Tatsache L(A, b) = s0 + L(A, 0) (s. Lemma I.2.7).

Folgerung I.4.5. i) Es sei n > m, d.h. es gebe mehr Unbekannte als Gleichun-
gen,5 dann besitzt das durch die Matrix A definierte homogene lineare Glei-
chungssystem eine nichttriviale Lösung s (i.e. s 6= 0).
ii) Es sei m = n. Falls das durch die Matrix A definierte homogene lineare
Gleichungssystem nur die triviale Lösung s = 0 besitzt, dann ist für jedes b ∈ Km
das durch A und b definierte lineare Gleichungssystem eindeutig lösbar, d.h.
L(A, b) = {s0 }.
5
Man sagt, das Gleichungssytem ist unterbestimmt

25
Kapitel I. Lineare Gleichungssysteme

Beweis. Zu i). Es gilt r ≤ m < n. Daher exisitiert ein Index j ∈ { 1, ..., n }\{ j1, ..., jr },
und vj ist eine nichttriviale Lösung.
Zu ii). Aus der Annahme L(A, 0) = {0} und i) folgt r = m = n, also
 
1 b′1
′
M =

 1 0
b′2 

..  .

0 1 b′m
. 

Dies beinhaltet offensichtlich

 

 b′1 
′ ′  .. 
L(A, b) = L(A , b ) =  . 

 
b′m

und damit die Behauptung.

Satz I.4.4 suggeriert, dass die Dimension von L(A, 0) genau n − r beträgt.
Wir formulieren daher folgende Fragestellungen.
Problem I.4.6. i) Ist es möglich, jeder (m × n)-Matrix A eine Zahl r zuzuord-
nen, die invariant unter Zeilenoperationen vom Typ (ZI), (ZII) und (ZIII) ist, und
jedem linearen Unterraum U von Kn eine Zahl d, so dass
• für eine Matrix in Zeilenstufenform r die Anzahl der Stufen ist und
• d(L(A, 0)) = n − r gilt?
Dies würde wie im Fall der (2 × 2)-Gleichungssysteme den erwarteten Zusam-
menhang zwischen der Anzahl r der durch A gestellten Bedingungen und der
Dimension des Lösungsraumes liefern.
ii) Es sei U ⊆ Kn ein linearer Teilraum. Gibt es eine geeignete (m × n)-Matrix
A, für die U = L(A, 0) gilt?
Aufgabe I.4.7.
Es seien folgende Vektoren in Q4 gegeben:
         
1 −1 0 1 3
 1   1   −3   0   
v1 :=     , v3 :=     und b :=  6  .
 2  , v2 :=  −1   1  , v4 :=  −1   5 
−1 2 −2 −1 −1
Bestimmen Sie alle Elemente
 
s1
 s2 
s=  4
 s3  ∈ Q ,
s4

26
I.4. Das Gaußsche Lösungsverfahren

für die
s1 · v1 + s2 · v2 + s3 · v3 + s4 · v4 = b
gilt.
Aufgabe I.4.8.
a) Bestimmen Sie die Lösungsmengen der folgenden Gleichungssysteme über
Q.
x2 − x3 = 2
x1 − 2x2 − x3 = 1
(i) , (ii) x1 + x2 = 5 ,
−2x2 + 4x2 + 2x3 = 2
x1 + x3 = 0
x1 + 2x2 − 3x3 = 2
x1 + 4x2 + x3 = 4
(iii) .
x1 + 52 x2 − 2x3 = 52
x1 + 3x2 − x3 = 3
b) Es seien
1 −2 −1 1 1
(i) A := , b := ;
−2 4 2 1 2
   
2 4 0 2 4 10
 1 1 −1 3 2   4 
   
(ii) A := 
 0 3 3 −6 0 ,
 b := 
 3 .

 1 2 0 1 2   5 
2 6 2 −2 4 12
Berechnen Sie L(A, 0) und L(A, b) in den angegebenen Fällen und schreiben
Sie L(A, b) = s0 + L(A, 0) für geeignetes s0 ∈ L(A, b).
c) Gegeben seien folgende 3-Tupel im R3 :
       
1 1 1 1
v1 =  
2 , v2 =  
0 , v3 =  2  und b =  0 .
−1 −2 −3 1
Bestimmen Sie reelle Zahlen s1 , s2 und s3 mit
s1 · v1 + s2 · v2 + s3 · v3 = b.
Aufgabe I.4.9.
Es seien K = Q und
   
1 2 0 3 0
 2 3 1 6   0 
A := 
 −1
, bu,v :=  
 u .
2 1 2 
4 −2 1 3 v
Welche Bedingungen müssen u und v erfüllen, damit L(A, bu,v ) 6= ∅ gilt? Be-
rechnen Sie L(A, b5,−9 ).

27
Kapitel I. Lineare Gleichungssysteme

Aufgabe I.4.10.
In der Vorlesung wurden die Zeilenoperationen von Typ (ZI), (ZII) und (ZIII) an-
gegeben. In Analogie definiert man die Spaltenoperationen vom Typ
(SI): Addition eines Vielfachen einer Spalte zu einer anderen Spalte.
(SII): Vertauschung zweier Spalten.
(SIII): Multiplikation einer Spalte mit einem Element a ∈ K∗ .
a) Illustrieren Sie die Spaltenoperationen vom Typ (SI), (SII) und (SIII) an jeweils
einem Beispiel.
b) Zeigen Sie, dass man eine (m × n)-Matrix A = (aij) i=1,...,m durch Zeilenopera-
j=1,...,n
tionen vom Typ (ZI), (ZII), (ZIII) und Spaltenoperationen vom Typ (SII) in eine
Matrix der Gestalt
 
1 0 ··· ··· 0
 0 1 0 ··· 0 
 
 .. .. .. . . 
 . 0 . . . ∗ 
 . . . .. 
 .. .. . . . 0 
A =
′
 0 0 ··· 0 1


 
 0 ··· ··· ··· 0 
 
 . . . . . 
.
 . . . .
. .
. . . 0 
0 ··· ··· ··· 0

überführen kann. Entwickeln Sie aus dieser Beobachtung ein Lösungsverfah-

ren für lineare Gleichungssysteme und testen Sie es für
   
0 −1 5 3 1 2
 0 2 −10 −7 −4   −14 
A := 
 4
 und b :=  
 −6  .
5 −15 −11 −3 
2 1 0 −1 0 0

(Spaltenvertauschungen können die Lösungsmenge ändern! Wie?)

c) Zeigen Sie: Lässt man zusätzlich auch Spaltenoperationen vom Typ (SI) zu,
dann kann man
 
1 0 ··· ··· 0
 0 1 0 ··· 0 
 
 .. .. .. . . 
 . 0 . . . 0 
 . . . .. 
 .. .. . . . 0 
A =
′
 0 0 ··· 0 1


 
 0 ··· ··· ··· 0 
 
 . . . . . 
 .. .. .. .. .. 0 
0 ··· ··· ··· 0

28
I.4. Das Gaußsche Lösungsverfahren

erreichen.
d) Zeigen Sie, dass man eine Zeilenoperation vom Typ (ZII) durch eine gewisse
Folge von Zeilenoperationen vom Typ (ZI) und (ZIII) erhalten kann.
Aufgabe I.4.11.
Die Kirchhoffschen6 Regeln für ein elektrisches Gleichstromnetzwerk lauten:

• 1. Kirchhoffsche Regel (Knotenregel): In einem Knotenpunkt des Netz-

werks ist die Summe der zufließenden Ströme gleich der Summe der ab-
fließenden Ströme.

• 2. Kirchhoffsche Regel (Maschenregel): Die Summe aller Teilspannun-

gen in einer Masche des Netzwerks ist null.7

Man betrachte das Netzwerk:

Berechnem Sie die Stromstärken in diesem Netzwerk im Fall, dass die Span-
nungsquelle 36V hat und die Widerstände die Werte R1 = 200Ω, R2 = 400Ω,
R3 = 300Ω und R4 = 200Ω.

6
Gustav Robert Kirchhoff (1824 - 1887), deutscher Physiker.
7
Man beachte, dass Spannung, Widerstand und Stromstärke über die Ohmsche Gleichung
U = R · I verbunden sind. (Georg Simon Ohm (1789 - 1854), deutscher Physiker.)

29
II
Grundbegriffe

In diesem Kapitel entwickeln wir die abstrakte Sprache, in der die Lineare Al-
gebra und weite Teile der Mathematik formuliert werden. Der Leser sollte sich
möglichst früh an diese Sprache gewöhnen.

II.1 Mengen und Abbildungen

Die Theorie der Mengen und Abbildungen bildet das Fundament der Mathema-
tik. Alle Objekte, die wir betrachten werden, sind zunächst einmal Mengen. Auf
diesen Mengen werden mit Hilfe von Abbildungen zwischen Mengen zusätzli-
che Strukturen wie die einer Gruppe, eines Körpers oder eines Vektorraums
erklärt. Es mag daher besonders störend erscheinen, dass gerade die präzise
Formulierung der Mengenlehre große Probleme bereitet.
Im Jahre 1895 schlug Cantor1 folgende Definition“ für den Mengenbegriff
”
vor: Unter einer Menge“ verstehen wir jede Zusammenfassung M von bestimm-
” ”
ten wohlunterschiedenen Objekten m unserer Anschauung oder unseres Den-
kens (welche Elemente von M genannt werden) zu einem Ganzen.“
Natürlich ist dies keine mathematische Definition. Von einer mathemati-
schen Definition verlangen wir, dass sie neue Begriffe unter Verwendung uns
bereits bekannter mathematischer Konzepte einführt. Anschauung“, Denken“
” ”
oder auch Zusammenfassung“ sind sicherlich keine solchen Konzepte. Es ist
”
aber auch klar, dass wir mit dieser Forderung an eine Definition die Grund-
bausteine der Mathematik, also z.B. Mengen, gar nicht definieren können. (Ir-
gendwo muss man schließlich einmal anfangen!) Man kann sich bloß, wie mit
1
Georg Ferdinand Ludwig Philipp Cantor (1845 - 1918), deutscher Mathematiker.

31
Kapitel II. Grundbegriffe

Cantors Definition, einige Charakteristika der Mengen klarmachen. Der Aus-

weg aus dieser verfahrenen Situation ist die axiomatische Mengenlehre. Hier
versucht man nicht, den Begriff Menge“ zu definieren, sondern legt lediglich
”
die Spielregeln (d.h. die Axiome) für Mengen fest. (Eines dieser Axiome besagt
z.B., dass überhaupt eine Menge existiert.) Die in den Axiomen formulierten
Eigenschaften nimmt man dann als wahre Tatsachen an und baut die Mathe-
matik darauf auf. In der Vorlesung gehen wir einen ähnlichen Weg, allerdings in
wesentlich naiverer Form. Wir gehen von einigen uns bekannten Mengen wie
den Mengen der natürlichen, ganzen oder rationalen Zahlen aus und geben
einige Vorschriften an, mit denen man aus gegebenen Mengen neue konstruie-
ren kann. Dem Leser, der sich für den axiomatischen Aufbau der Mengenlehre
interessiert, sei empfohlen, sich zunächst, etwa durch die Vorlesung Linea-
”
re Algebra“, an die Sprache der Mathematik zu gewöhnen und sich in einem
späteren Semester an die Mengenlehre zu wagen. Einen guten ersten Eindruck
vermittelt dann das Buch [4]. Einige weitere Angaben sind auch in [8], Ab-
schnitt 1.2, enthalten.
Mengen setzen sich aus ihren Elementen zusammen, und wir schreiben
kurz x ∈ M“ für x ist Element der Menge M“. Mengen sind in folgendem Sinne
” ”
durch ihre Elemente bestimmt:
Extensionalitätsaxiom. Zwei Mengen A und B sind genau dann gleich, wenn
sie dieselben Elemente besitzen, d.h.

A = B ⇐⇒ ∀x : x ∈ A ⇐⇒ x ∈ B .

Die Formel auf der rechten Seite wird dabei wie folgt gelesen: Für alle x (∀x)
”
gilt: x ist Element von A genau dann, wenn (⇐⇒) x Element von B ist.“ Ohne
dieses Axiom könnten wir mit Mengen überhaupt nicht arbeiten. Da wir aber
Mengen nicht definieren können, haben wir auch keine Möglichkeit, die ge-
nannte Eigenschaft zu beweisen. Wir müssen sie daher als eine unserer Spiel-
regeln akzeptieren. Gängige Beispiele für Mengen sind:
Beispiele II.1.1. i) Die leere Menge ∅ ist die Menge, die kein einziges Element
enthält (∀x : x ∈
/ ∅). Nach dem Extensionalitätsaxiom ist sie die einzige Menge
mit dieser Eigenschaft.
ii) Die Menge der natürlichen Zahlen ist die Menge

N= 0, 1, 2, 3, ... .

iii) Weitere bekannte Mengen sind die Mengen Z, Q und R der ganzen, ratio-
nalen bzw. reellen Zahlen.
Definition II.1.2. Es seien A und B Mengen. Wir sagen, A ist Teilmenge (oder
auch Untermenge) von B, wenn jedes Element von A auch Element von B ist.

32
II.1. Mengen und Abbildungen

Formal:
∀x : x ∈ A =⇒ x ∈ B.
Schreibweise. A ⊆ B. Falls klar ist, dass A 6= B, schreiben wir auch A ⊂ B oder
A ( B.
Bemerkung II.1.3. Zum Beweis der Gleichheit zweier Mengen benutzt man oft
die folgende Eigenschaft:

A = B ⇐⇒ A ⊆ B ∧ B ⊆ A).

Dabei steht ∧“ für und“.

” ”
Beispiel II.1.4. Es gilt z.B. N ⊂ Z ⊂ Q ⊂ R.

Konstruktion neuer Mengen. — Um mit Hilfe des obigen Beispielvorrats wei-

tere Mengen konstruieren zu können, geben wir in den folgenden Definitionen
einige Vorschriften an, die dies ermöglichen. Man beachte, dass wir dabei still-
schweigend annehmen, dass diese Bildungsvorschriften in der Tat wieder Men-
gen liefern.
Definitionen II.1.5. i) (Aufzählende Form). Endliche Mengen kann man durch
die Aufzählung ihrer Elemente angeben, z.B.

A := 1, 2, 3, 5, 223 und B := 13, ∅, N .

ii) (Komprehension). Es seien A eine Menge und E eine Eigenschaft,2 die

Elemente der Menge A haben können. Dann kann man die Menge

x x ∈ A und x hat E = x ∈ A x hat E

bilden.
Bemerkungen und Beispiele II.1.6. i) Bei der aufzählenden Form kommt es nicht
auf die Reihenfolge an. Außerdem sind Wiederholungen erlaubt:

1, 3, 5 = 5, 1, 3 = 5, 3, 1 ,
2
Um ganz präzise zu sein, müssten wir auch erklären, was Eigenschaft“ bedeutet. Prinzipi-
”
ell müssten solche Eigenschaften in der Sprache der Logik formuliert werden. Dort verwendet
man Formeln, die aus den logischen Symbolen ∧, ∨, ¬, ..., den Quantoren ∀, ∃, Buchstaben
und, im Fall der Mengenlehre, dem Symbol ∈ nach gewissen Regeln aufgebaut sind (s. [12],
Kapitel 1). Die Eigenschaften sind dann von der Form, dass eine gewisse Formel wahr ist. Wir
werden im Folgenden Eigenschaften weniger formal beschreiben. Im Laufe des Kurses sollte
aber deutlich werden, dass sich die Eigenschaften, die wir benutzen, präzise formalisieren“
”
lassen.

33
Kapitel II. Grundbegriffe

7, 7, 8, 8, 8 = 7, 8 = 7, 8, 7, 7, 8, 8 .
Diese Beobachtung ist eine Folge des Extensionalitätsaxioms.
ii) Mit Hilfe der Komprehension lassen sich z.B. folgende Mengen bilden:

a) x ∈ N x ist gerade = 0, 2, 4, 6, ... .

b) x ∈ N x ist Primzahl = 2, 3, 5, 7, 11, 13, ... .

c) R>0 := x∈R x>0 .

d) Für jede Menge A gilt: ∅ = x ∈ A x 6= x .

Definitionen II.1.7. Es seien A und B Mengen.

i) Die Vereinigung der Mengen A und B ist die Menge

A ∪ B := x x∈A∨x∈B .
(Dabei wird ∨“ als oder“ gelesen.)
” ”
ii) Der Durchschnitt der Mengen A und B ist die Menge

A ∩ B := x x∈A∧x∈B .
iii) Die Differenz von A und B ist die Menge

A \ B := x x ∈A∧x∈
/B .

Beispiel II.1.8. Es gilt z.B. Z \ N = { x ∈ Z x < 0 }.

Lemma II.1.9. Für die Operationen ∪“ und ∩“ gelten die Distributivgesetze,
” ”
d.h. für drei Mengen A, B und C hat man:
a) A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).
b) A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C).
Beweis. Die fundamentalen Eigenschaften der Mengenoperationen sind oft-
mals nur Gegenstücke einfacher Gesetzmäßigkeiten der Logik. Die Logik ist
normalerweiser fest in uns eingebaut“ und muss lediglich ein wenig trainiert
”
werden. Als Beispiel geben wir den Beweis von a) an. Es gilt:
x ∈ A ∪ (B ∩ C) ⇐⇒ x ∈ A ∨ (x ∈ B ∧ x ∈ C)
⇐⇒ (x ∈ A ∨ x ∈ B) ∧ (x ∈ A ∨ x ∈ C)
⇐⇒ (x ∈ A ∪ B) ∧ (x ∈ A ∪ C)
⇐⇒ x ∈ (A ∪ B) ∩ (A ∪ C).
Nach dem Extensionalitätsaxiom II.1 sind A ∪ (B ∩ C) und (A ∪ B) ∩ (A ∪ C)
gleich.

34
II.1. Mengen und Abbildungen

Definition II.1.10. Es seien A und B Mengen. Das kartesische3 Produkt von A

und B ist die Menge

A × B := (x, y) x ∈ A ∧ y ∈ B .

Ein Element (x, y) ∈ A × B heißt ein geordnetes Paar.

Bemerkung II.1.11. Die charakteristische Eigenschaft der geordneten Paare ist:

(x1 , y1 ) = (x2 , y2) ⇐⇒ x1 = x2 ∧ y1 = y2 .

Definition II.1.12. Es sei A eine Menge. Die Potenzmenge von A ist die Menge

P(A) := B B⊆A .

Beispiele II.1.13. i) Für jede Menge A gilt ∅ ∈ P(A) und A ∈ P(A).

ii) P { 0, 1 } = ∅, {0}, {1}, { 0, 1 } .

Aufgabe II.1.14.
a) Es seien A, B und C Mengen. Beweisen Sie die Distributivgesetze für den
Durchschnitt und die Vereinigung:

A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C),
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).

b) A und B seien Mengen. Zeigen Sie, dass folgende Aussagen äquivalent sind:

i) A ⊆ B.

ii) A ∪ B = B.

iii) A ∩ B = A.

c) Es seien A und B Mengen. Die Menge

A △ B := (A \ B) ∪ (B \ A)

heißt die symmetrische Mengendifferenz von A und B. Beweisen Sie:

A △ B = (A ∪ B) \ (A ∩ B).
3
Nach René Descartes (1596 - 1650), französischer Philosoph, Mathematiker und Natur-
wissenschaftler.

35
Kapitel II. Grundbegriffe

d) Es sei Ω eine feste Menge. Für eine Teilmenge A ⊆ Ω ist das Komplement von
A (in Ω) die Differenz A := Ω \ A. Beweisen Sie für Teilmengen A, B ⊂ Ω die De
Morganschen4 Gesetze

A ∪ B = A ∩ B, A∩B = A∪B

sowie
A = A.
Aufgabe II.1.15.
Es sei A = { x1 , ..., xn } eine endliche Menge mit genau n Elementen. Man schreibt
auch #A = n. Beweisen Sie für die Potenzmenge P(A) von A

#P(A) = 2n .

(Hinweis. Verwenden Sie vollständige Induktion.)

Zum Prinzip der vollständigen Induktion: Eines der Peano-Axiome (s. [8],
Definition 1.3.1, i) für die natürlichen Zahlen sagt aus, dass eine Teilmenge
A ⊆ N der natürlichen Zahlen, für die

0 ∈ A und n ∈ A =⇒ n + 1 ∈ A)

gilt, bereits die Menge der natürlichen Zahlen selbst ist, i.e. A = N. Darauf be-
ruht das Prinzip der vollständigen Induktion: Es sei A(n), n ∈ N, eine Familie
von Aussagen, hier A(n)= Die Potenzmenge einer Menge mit genau n Elemen-
”
ten hat genau 2n Elemente“. Nach dem genannten Peano-Axiom ist A(n) genau
dann für alle natürlichen Zahlen n wahr, wenn gilt 1. A(0) ist wahr (Induktions-
anfang) und 2. Ist A(n) wahr, dann ist auch A(n + 1) wahr (Induktionsschritt).
(Dazu betrachte man die Menge A := { n ∈ N | A(n) ist wahr }.)

Abbildungen. — Um im Weiteren komplexere Objekte5 als Mengen einführen

zu können, benötigen wir Abbildungen zwischen Mengen.

Definitionen II.1.16. Es seien A und B Mengen.

i) Eine Abbildung von A nach B ist eine Vorschrift f, die jedem Element x ∈ A
(genau) ein Element y ∈ B zuordnet. Dabei nennt man y das Bild von x (unter
der Abbildung f).
Bezeichnung. a) y = f(x).
b) f : A −→ B
x 7−→ f(x).
4
Augustus De Morgan (1806 - 1871), englischer Mathematiker.
5
Die Objekte sind streng genommen nur scheinbar komplexer als Mengen, weil alle Objekte,
die wir in der Mathematik betrachten, letztendlich Menge sein müssen. Wir stellen uns aber
z.B. eine Gruppe als Menge mit Zusatzstruktur vor. Die Zusatzstruktur ist die Multiplikation.

36
II.1. Mengen und Abbildungen

ii) Es seien A und B Mengen und f : A −→ B eine Abbildung von A nach B.

Für eine Teilmenge C ⊆ B nennt man die Menge

f−1 (C) := x ∈ A f(x) ∈ C

das Urbild von C (unter f). Ein Element x ∈ f−1 ({y}), y ∈ B, nennt man auch ein
Urbild von y.
Schreibweise. f−1 (y) := f−1 {y} , y ∈ B.
iii) Für eine Teilmenge D ⊆ A heißt die Menge

f(D) := y ∈ B ∃x ∈ D : y = f(x) = f(x) x ∈ D

das Bild von D (unter f). (Das Symbol ∃“ wird es existiert“ oder es gibt“ gele-
” ” ”
sen.)
Speziell. Die Menge Im(f) := Bild(f) := f(A) bezeichnet man als das Bild von f.

Bemerkungen II.1.17. i) Man beachte, dass zwei Abbildungen f, g : A −→ B ge-

nau dann gleich sind, wenn f(x) = g(x) für alle x ∈ A gilt.
ii) Man mag einwenden, dass die Definition von Abbildung ebenfalls keine
mathematisch korrekte Definition ist, da wir nicht wissen, was eine Vorschrift“
”
sein soll. Dies lässt sich aber mit den uns bekannten Begriffen leicht beheben.
Für eine Abbildung f : A −→ B können wir nämlich den Graphen

Γf := (x, y) ∈ A × B y = f(x)

betrachten. Diese Teilmenge erfüllt die folgenden zwei Bedingungen:

a) ∀x ∈ A∃y ∈ B : (x, y) ∈ Γf .
b) ∀(x1 , y1 ), (x2, y2 ) ∈ Γf : x1 = x2 =⇒ y1 = y2 .
Benutzen wir das Symbol ∃!“ ( Es existiert/gibt genau ein“), dann können wir
” ”
a) und b) zusammenfassen in

∀x ∈ A∃!y ∈ B : (x, y) ∈ Γf . (II.1)

Wenn wir nun umgekehrt eine Teilmenge Γ ⊆ A × B vorgeben, für die Bedingung
(II.1) erfüllt ist, dann definieren wir

f : A −→ B
x 7−→ y, so dass (x, y) ∈ Γ .

Damit kann man eine Abbildung formal als eine Teilmenge Γ von A × B, für die
(II.1) gilt, einführen. Die in i) vermerkte Eigenschaft wird somit zum Spezialfall
des Extensionalitätsaxioms.

37
Kapitel II. Grundbegriffe

Definition II.1.18. Es seien A und B Mengen. Wir setzen

Abb(A, B) := f : A −→ B | f ist Abbildung .

In der Sichtweise von Bemerkung II.1.17, ii), können wir die Menge Abb(A,
B) mit Hilfe der Komprehension (Definition II.1.5, ii) als Teilmenge der Potenz-
menge P(A × B) (Definition II.1.12) von A × B definieren.
Beispiele II.1.19. i) Es sei A eine Menge. Die identische Abbildung (oder Iden-
tität) auf A ist die Abbildung
IdA : A −→ A
x 7−→ x.
Dabei ist
ΓIdA = (x, x) ∈ A × A x ∈ A
die Diagonale in A × A.
ii) Es seien A und B Mengen und y0 ∈ B. Damit definiert man die konstante
Abbildung
ky0 : A −→ B
x 7−→ y0 .
Offenbar gilt Bild(f) = {y0 }, und für eine Teilmenge C ⊆ B hat man
A, y0 ∈ C
f−1 (C) = .
∅, y0 ∈
/C
iii) Für eine Zahl m ∈ N ist die Multiplikation mit m gegeben durch:
µm : N −→ N
x 7−→ m · x.
Für m 6= 0 ist Bild(µm ) die Menge der durch m teilbaren Zahlen.
Definition II.1.20. Es seien A eine Menge und I eine Menge, die wir als Index-
menge auffassen wollen. Eine (durch I indizierte) Familie von Elementen aus A
ist eine Abbildung f : I −→ A, i 7−→ ai , die man gewöhnlicherweise in der Form
(ai )i∈I , notiert.6 Anstatt A kann man auch die Potenzmenge P(A) wählen. Eine
Familie Ai , i ∈ I, mit Ai ∈ P(A), i.e. Ai ⊆ A, ist dann eine (durch I indizierte)
Familie von Teilmengen von A.
Schreibweise. Eine Familie von Teilmengen schreibt man auch in der Form
(Ai )i∈I .
6
Diese Notation ist insbesondere für Folgen in der Analysis gebräuchlich (s. [8], Definition
2.1.1).

38
II.1. Mengen und Abbildungen

Eigenschaften von Abbildungen. — In der folgenden Definition formulieren

wir einige wichtige Eigenschaften, die Abbildungen haben können und die in
der Vorlesung wiederholt von Bedeutung sein werden.

Definitionen II.1.21. Es seien A und B Mengen, und f : A −→ B sei eine Abbil-

dung von A nach B.
i) Die Abbildung f heißt surjektiv, wenn f(A) = B gilt, d.h. wenn für jedes
Element y ∈ B ein Element x ∈ A existiert mit y = f(x).
ii) Man nennt f injektiv, wenn für alle x1 , x2 ∈ A mit f(x1 ) = f(x2 ) bereits
x1 = x2 folgt.
iii) Die Abbildung f ist bijektiv, wenn sie sowohl injektiv als auch surjektiv
ist.

Beispiele II.1.22. i) Für endliche Mengen A = { x1 , ..., xm } und B = { y1 , ..., yn }

kann man sich eine Abbildung f : A −→ B als eine Ansammlung von Pfeilen
vorstellen, die von Elementen von A ausgehen und in Elementen von B enden.
Die Definition von Abbildung verlangt, dass von jedem Element von A genau
ein Pfeil ausgeht. Die Bedingung surjektiv“ bedeutet, dass in jedem Element
”
von B mindestens ein Pfeil ankommt, die Bedingung injektiv“, dass höchstens
”
ein Pfeil ankommt, und bijektiv“, dass genau ein Pfeil ankommt (vgl. Abbildung
”
II.1).
ii) Die Abbildung IdA : A −→ A ist für jede Menge A bijektiv.
iii) Die Abbildung µ1 : N −→ N ist die identische Abbildung. Für m > 1 ist µm
injektiv, denn für natürliche Zahlen n1 , n2 ist µm (n1 ) = m · n1 = m · n2 = µm (n2 )
gleichbedeutend mit der Tatsache, dass m · (n1 − n2 ) = m · n1 − m · n2 = 0. Da
m 6= 0, muss n1 − n2 = 0 und damit n1 = n2 gelten. Die Abbildung µm ist für
m > 1 nicht surjektiv, denn 1 ∈ / µm (N).
iv) Die Abbildung f : R −→ R, x 7−→ x3 − 4x2 + 5x − 2 = (x − 1)2 (x − 2), ist nach
dem Zwischenwertsatz der Analysis ([8], Folgerung 3.5.2) surjektiv. Sie ist aber
nicht injektiv, da z.B. f(1) = 0 = f(2) gilt (s. Abbildung II.2).

Definition II.1.23. Es seien A, B und C Mengen und f : A −→ B und g : B −→ C

Abbildungen. Die Verknüpfung oder Komposition von f mit g ist die Abbildung

g ◦ f : A −→ C

x 7−→ g f(x) .

Vorsicht. Bei der Verknüpfung von Abbildungen müssen wir ausnahmsweise

von rechts nach links lesen: In g ◦ f wird zuerst f und dann g ausgeführt.

Beispiele II.1.24. i) Es seien A eine Menge und f : A −→ A eine Abbildung. Dann

gilt f ◦ IdA = f = IdA ◦f.

39
Kapitel II. Grundbegriffe

b y1 x1 b

x1 b b y1
b y2 x2 b

x2 b b y2
b y3 x3 b

x3 b b y3
b y4 x4 b

A B
B A
Injektiv aber nicht surjektiv. Surjektiv aber nicht injektiv.

x1 b b y1
x1 b b y1
x2 b b y2
x2 b b y2
x3 b b y3
x3 b b y3
x4 b b y4
A B
A B
Bijektiv. Weder surjektiv noch injektiv.

Abbildung II.1: Die Eigenschaften von Abbildungen.

ii) Es sei A = { 1, 2, 3 }. Wir definieren die (bijektiven) Abbildungen f : A −→ A,

1 7−→ 1, 2 7−→ 3, 3 7−→ 2, und g : A −→ A, 1 7−→ 2, 2 7−→ 1, 3 7−→ 3. Dann erhalten
wir

g ◦ f : A −→ A, 1 7−→ 2, 2 7−→ 3, 3 7−→ 1,

f ◦ g : A −→ A, 1 7−→ 3, 2 7−→ 1, 3 7−→ 2.

Insbesondere erkennen wir f ◦ g 6= g ◦ f.

Satz II.1.25. i) Es sei f : A −→ B eine bijektive Abbildung zwischen den Mengen

A und B. Dann gibt es genau eine Abbildung g : B −→ A mit

g ◦ f = IdA und f ◦ g = IdB . (II.2)

ii) Für Mengen A, B, C und D und Abbildungen f : A −→ B, g : B −→ C und

h : C −→ D gilt:
(h ◦ g) ◦ f = h ◦ (g ◦ f).

40
II.1. Mengen und Abbildungen

0 1 x 2 3

–1

–2

Abbildung II.2: Der Graph der Funktion x 7−→ x3 − 4x2 + 5x − 2.

Definition II.1.26. In Teil i) des Satzes setzen wir f−1 := g. Man nennt f−1 die
Umkehrabbildung oder inverse Abbildung von f. Auf Grund von Teil ii) schreiben
wir h ◦ g ◦ f := h ◦ (g ◦ f) (s. Abbildung II.3).

g◦f
f g h
A B C D

h◦g
Abbildung II.3: Das Assoziativgesetz für Abbildungen.

Beweis von Satz II.1.25. Zu i). Es sei Γf ⊆ A × B der Graph von f (s. Bemerkung
II.1.17, ii). Man setze

Γ := (y, x) ∈ B × A (x, y) ∈ Γf .

a) Es sei y ∈ B. Da f surjektiv ist, existiert ein x ∈ A mit y = f(x) oder, anders

gesagt, (x, y) ∈ Γf . Für jedes y ∈ B existiert also ein x ∈ A, so dass (y, x) ∈ Γ .
b) Es seien y ∈ B und x1 , x2 ∈ A gegeben, so dass (y, x1), (y, x2) ∈ Γ . Nach
Definition gilt (x1 , y), (x2, y) ∈ Γf . Insbesondere gilt f(x1 ) = y = f(x2 ). Weil f injektiv
ist, folgt x1 = x2 .

41
Kapitel II. Grundbegriffe

Damit definiert Γ gemäß Bemerkung II.1.17, ii), eine Abbildung g : B −→ A

mit Γg = Γ . Eigenschaft (II.2) ist dabei sofort klar.
Die Eindeutigkeit sieht man folgendermaßen ein: Es seien g : B −→ A und
g : A −→ B zwei Abbildungen mit f ◦ g = IdB = f ◦ g ′ . Wir zeigen die Gleichheit
′

mit Bemerkung II.1.17, i). Es sei y ∈ B. Aus

f g(y) = (f ◦ g)(y) = IdB (y) = y = IdB (y) = (f ◦ g ′ )(y) = f g ′ (y)

folgt g(y) = g ′ (y), denn f ist injektiv.

Zu ii). Für ein Element x ∈ A erhält man:

(h ◦ g) ◦ f (x) = (h ◦ g) f(x) = h g f(x) = h (g ◦ f)(x) = h ◦ (g ◦ f) (x).

Nach Bemerkung II.1.17, i), gilt daher (h ◦ g) ◦ f = h ◦ (g ◦ f).

Aufgabe II.1.27.
a) Es seien A und B zwei endliche Mengen und f : A −→ B eine Abbildung.
Überprüfen Sie:

i) Ist f injektiv, dann gilt #A ≤ #B.

ii) Wenn f surjektiv ist, dann gilt #A ≥ #B.

iii) Gilt #A = #B und ist f surjektiv (injektiv), dann ist f auch injektiv (surjek-
tiv).

b) Es seien A, B und C Mengen und f : A −→ B und g : B −→ C Abbildungen.

Zeigen Sie:

i) Wenn g ◦ f surjektiv ist, dann ist g surjektiv.

ii) Wenn g ◦ f injektiv ist, dann ist f injektiv.

Schließen Sie, dass eine Abbildung f : A −→ B genau dann bijektiv ist, wenn es
eine Abbildung f−1 : B −→ A mit f−1 ◦ f = IdA und f ◦ f−1 = IdB gibt.
Aufgabe II.1.28.
a) Geben Sie eine injektive Abbildung f : N −→ N an, für die N \ f(N) unendlich
viele Elemente hat.
b) Geben Sie eine surjektive Abbildung f : N −→ N an, so dass #f−1 ({n}) = 1 für
alle n ≥ 1 und f−1 ({0}) unendlich viele Elemente enthält.
c) Geben Sie ein Beispiel für Mengen A, B, C und Abbildungen f : A −→ B,
g : B −→ C an, in dem g ◦ f bijektiv ist, aber f nicht surjektiv und g nicht injektiv.

42
II.2. Gruppen

II.2 Gruppen
Bemerkung II.2.1. Es sei A eine Menge. Wir betrachten7

S(A) := f : A −→ A f ist bijektiv .

Die Abbildung

◦ : S(A) × S(A) −→ S(A)

(f, g) 7−→ f ◦ g

genügt den folgenden Gesetzmäßigkeiten:

i) Für alle f, g, h ∈ S(A) gilt nach Satz II.1.25, ii), (f ◦ g) ◦ h = f ◦ (g ◦ h).

ii) Für das Element IdA ∈ S(A) und alle f ∈ S(A) gilt IdA ◦f = f.

iii) Für alle f ∈ S(A) existiert nach Satz II.1.25, i), die Abbildung f−1 ∈ S(A) mit
f−1 ◦ f = IdA .

iv) Hat die Menge A mindestens drei Elemente, so gibt es Elemente f, g ∈ S(A)
mit f ◦ g 6= g ◦ f (vgl. Beispiel II.1.24, ii).

Man vergleiche diese Eigenschaften mit den gängigen Rechenregeln für Z und
die Abbildung + : Z × Z −→ Z, (x, y) 7−→ x + y:

i) Für alle x, y, z ∈ Z gilt (x + y) + z = x + (y + z).

ii) Für die Zahl 0 ∈ Z und alle x ∈ Z gilt 0 + x = x.

iii) Für alle x ∈ Z existiert die Zahl −x ∈ Z mit −x + x = 0.

iv) Für je zwei ganze Zahlen x, y gilt allerdings x + y = y + x.

Die anscheinend so verschiedenen Quadrupel (S(A), ◦, IdA , −1) und (Z, +, 0, −)

genügen beide den Rechenregeln i) - iii), unterscheiden sich jedoch deutlich in
Punkt iv). Es ist eine wichtige Erkenntnis, dass die Eigenschaften i) - iii) eine
fundamentale Struktur in der Mathematik definieren, nämlich die der Gruppe.

Definition II.2.2. Eine Gruppe ist ein Paar (G, ⋆), das aus einer Menge G und
einer Abbildung ⋆ : G × G −→ G besteht, so dass folgende Bedingungen erfüllt
sind:

i) (Assoziativgesetz). Für je drei Elemente x, y, z ∈ G gilt (x ⋆ y) ⋆ z = x ⋆ (y ⋆ z).

7
Die Bildung der Menge S(A) erfolgt mit Hilfe der Komprehension (Definition II.1.5, ii) als
Teilmenge von Abb(A, A) (s. Definition II.1.18).

43
Kapitel II. Grundbegriffe

ii) (Existenz eines Neutralelements). Es gibt ein Element e ∈ G, so dass e⋆x = x

für alle x ∈ G gilt.

iii) (Existenz eines inversen Elements). Zu jedem Element x ∈ G existiert ein

Element x′ ∈ G mit x′ ⋆ x = e.

Gilt zusätzlich noch

iv) (Kommutativgesetz). x ⋆ y = y ⋆ x für alle x, y ∈ G,

dann nennt man die Gruppe G abelsch oder kommutativ.

Schreibweise. I.A. schreibt man nur die Gruppe G“ anstatt die Gruppe (G, ⋆)“.
” ”
Üblicherweise schreibt man das Gruppengesetz ⋆“ als Multiplikation, d.h. xy“
” ”
oder x · y“ anstatt x ⋆ y“. In abelschen Gruppen ist auch die additive Notation
” ”
x + y“ gebräuchlich.
”
Beispiele II.2.3. i) (Z, +) ist eine abelsche Gruppe.
ii) (Q∗ := Q \ {0}, ·) und (R∗ := R \ {0}, ·) sind abelsche Gruppen.
iii) (R>0 , ·) ist eine abelsche Gruppe.
iv) Für jede Menge A ist (S(A), ◦) eine Gruppe, die allerdings nicht abelsch
ist, wenn A mindestens drei verschiedene Elemente enthält.
v) Es seien K ein Körper und n ≥ 1 eine natürliche Zahl. Dann ist die Menge
Kn zusammen mit der Addition aus Definition I.2.1, i) und ii), eine abelsche
Gruppe. Das wurde in Aufgabe I.2.10 gezeigt.
vi) (Z, ·) und (N, +) erfüllen die Gesetze i), ii) und iv), jedoch nicht Gesetz iii).
Der Vorteil des abstrakten Gruppenbegriffs ist die Möglichkeit, allgemeine
Sätze über Gruppen zu beweisen, die in jeder Gruppe gelten, also insbeson-
dere in (S(A), ◦) und (Z, +), anstatt jedesmal, wenn man eine Struktur (G, ⋆),
die die Axiome i) - iii) erfüllt, antrifft, dieselben Eigenschaften aufs Neue zu
verifizieren. Mit dem Begriff der Gruppe hat man die wesentlichen Merkmale
herauskristallisiert und abstrahiert.

Satz II.2.4. Es sei (G, ⋆) eine Gruppe. Dann sind auch folgende Eigenschaften
erfüllt:
i) Für jedes x ∈ G gilt x ⋆ e = x.
ii) Es sei e′ ∈ G, so dass e′ ⋆ x = x für alle x ∈ G gilt. Dann folgt e′ = e.
iii) Für jedes x ∈ G und jedes x′ ∈ G mit x′ ⋆ x = e gilt auch x ⋆ x′ = e.
iv) Es seien x, x′ und x′′ ∈ G, so dass x′ ⋆ x = e = x′′ ⋆ x. Dann folgt x′ = x′′ .

Definitionen II.2.5. i) Das Element e ist das Neutralelement von G.

ii) Es sei x ∈ G. Das Element x ′ ∈ G mit x ′ ⋆ x = e ist das zu x inverse Element.
Schreibweise. x−1 := x′ .

44
II.2. Gruppen

Beweis von Satz II.2.4. Wir beginnen mit iii). Wir wissen, dass es ein Element
x′′ ∈ G mit x′′ ⋆ x′ = e gibt. Damit ergibt sich:

x ⋆ x′ = e ⋆ (x ⋆ x′ ) = (x′′ ⋆ x′ ) ⋆ (x ⋆ x′ ) = x′′ ⋆ x′ ⋆ (x ⋆ x′ ) =

= x′′ ⋆ (x′ ⋆ x) ⋆ x′ = x′′ ⋆ e ⋆ x′ = x′′ ⋆ x′ = e.

Teil i) sieht man jetzt wie folgt:

x ⋆ e = x ⋆ (x′ ⋆ x) = (x ⋆ x′ ) ⋆ x = e ⋆ x = x.

Aus i) folgt
e′ = e′ ⋆ e = e.
Schließlich erhält man iv) auf folgende Weise:

x′ = x′ ⋆ e = x′ ⋆ (x ⋆ x′′ ) = (x′ ⋆ x) ⋆ x′′ = e ⋆ x′′ = x′′ .

Dabei wurde für die zweite Gleichung die bereits gewonnene Erkenntnis iii)
sinngemäß auf x′′ angewandt.

Bemerkungen und Beispiele II.2.6. i) Man kann noch auf weitere Eigenschaften
schließen. Z.B. folgt aus der Tatsache iii) x⋆x−1 = e zusammen mit iv) (x−1 )−1 = x.
ii) Ohne irgendwelche Extraüberlegungen anstellen zu müssen, ergibt sich
aus rein formalen Gründen, dass es zu einer bijektiven Abbildung f : A −→ A
genau eine inverse Abbildung f−1 : A −→ A gibt. Auch sieht man, dass die
Identität durch die Eigenschaft IdA ◦f = f = f◦IdA für alle f ∈ S(A) ausgezeichnet
ist.
iii) Für eine endliche Gruppe G = { x1 , ..., xm } kann man das Gruppengesetz
durch eine sogenannte Verknüpfungstabelle angeben, in der man alle mögli-
chen Produkte xi ⋆ xj , i = 1, ..., m, j = 1, ..., m, einträgt:

⋆ x1 x2 ··· xm
x1 x1 ⋆ x1 x1 ⋆ x2 · · · x1 ⋆ xm
x2 x2 ⋆ x1 x2 ⋆ x2 · · · x2 ⋆ xm .
.. .. .. .. ..
. . . . .
xm xm ⋆ x1 xm ⋆ x2 · · · xm ⋆ xm

Benutzen wir die Bezeichnungen aus Aufgabe II.2.10, so stehen in der i-ten
Zeile die Elemente Lxi (x), x ∈ G, und in der j-ten Spalte die Elemente Rxj (x),
x ∈ G. Die Bijektivität der Abbildungen Lxi und Rxj sagt daher aus, dass in
der i-ten Zeile bzw. j-ten Spalte jedes Element von G genau einmal vorkommt.
Damit kann man bereits alle Gruppen mit wenigen Elementen bestimmen.

45
Kapitel II. Grundbegriffe

Für G = { e, a, b } folgt aus der Eigenschaft des Neutralements, dass die Ver-
knüpfungstabelle wie folgt ausssieht:

⋆ e a b
e e a b
.
a a ?1 ?2
b b ? ?

Das Element ?1 muss b sein, da andernfalls ?2 = b gälte und somit b in der

dritten Spalte zweimal vorkommen müsste. Damit füllt man die Verknüpfungs-
tabelle auf zu
⋆ e a b
e e a b
.
a a b e
b b e a
Durch diese Tabelle wird in der Tat eine Gruppe definiert (Übung).
Für G = { e, a, b, c } erhält man zunächst

⋆ e a b c
e e a b c
a a ?1 ? ? .
b b ? ? ?
c c ? ? ?

Für ?1 können wir e, b oder c wählen. Nehmen wir einmal ?1 = e. Es ergibt sich

⋆ e a b c
e e a b c
a a e c b .
b b c ?2 ?
c c b ? ?

Für ?2 = e bzw. ?2 = a erhalten wir

⋆ e a b c ⋆ e a b c
e e a b c e e a b c
a a e c b bzw. a a e c b .
b b c e a b b c a e
c c b a e c c b e a

Man kann überprüfen, dass durch beide Verknüpfungstafeln Gruppen definiert

werden. (Es muss nur das Assoziativgesetz überprüft werden, da die Existenz
des Neutralelements und der inversen Elemente sofort abgelesen werden kann.)

46
II.2. Gruppen

In der ersten Gruppe gilt x ⋆ x = e für jedes Element x ∈ G. Diese Gruppe nennt
man die Kleinsche8 Vierergruppe. In der zweiten Gruppe gilt b1 = b, b2 = a,
b3 = c und b4 = e. Jedes Element ist also eine Potenz von b. Diese Gruppe heißt
die zyklische Gruppe der Ordnung 4. Die beiden Gruppen sind offenbar grund-
legend verschieden. Für die restlichen Wahlmöglichkeiten für ?1 und ?2 erhält
man nach geeigneter Umbenennung von a, b und c wieder die zweite Tabelle.
Es gibt also in einem gewissen Sinne genau zwei Gruppen mit vier Elementen.
Die Behandlung von Gruppen mit mindestens fünf Elementen ist bereits kom-
plexer, da man hier durch das Assoziativgesetz zusätzliche Einschränkungen
erhält, die sehr unübersichtlich werden.

Untergruppen. — In der Theorie der linearen Gleichungssysteme haben uns

die Eigenschaften der Lösungsmengen homogener Gleichungssysteme zum Be-
griff des linearen Teilraums geführt (s. Definition I.2.5). Für Gruppen ist das
entsprechende Konzept in der folgenden Definition enthalten.

Definition II.2.7. Es sei G eine Gruppe. Eine Teilmenge H ⊆ G wird Untergrup-

pe von G genannt, wenn sie folgende Eigenschaften hat:

a) e ∈ H;

b) Für alle x ∈ H gilt auch x−1 ∈ H;

c) Für alle x, y ∈ H hat man ebenfalls xy ∈ H.

Bemerkungen und Beispiele II.2.8. i) Auf Grund von Eigenschaft c) hat man die
Abbildung

· : H × H −→ H
(x, y) 7−→ xy.

Aus a) und b) folgt sofort, dass H mit dieser Multiplikation selber zur Gruppe
wird.
ii) Man kann a) - c) umformulieren, und zwar ist H ⊆ G genau dann eine
Untergruppe, wenn A) H 6= ∅ und B) xy−1 ∈ H aus x ∈ H und y ∈ H folgt. Dies
sei dem Leser als Übung überlassen.
iii) Für jede Gruppe G sind {e} und G Untergruppen.
iv) Sind H und H′ Untergruppen von G, dann ist auch H∩H′ eine Untergruppe
von G (Übung).
v) Es seien K ein Körper, m, n ≥ 1 natürliche Zahlen und A eine (m × n)-
Matrix mit Einträgen in K. Dann ist L(A, 0) eine Untergruppe von (Kn , +) (s.
Lemma I.2.4).
8
Felix Christian Klein (1849 - 1925), deutscher Mathematiker.

47
Kapitel II. Grundbegriffe

vi) Für m ∈ N setzen wir

mZ := m · Z := a ∈ Z ∃k ∈ Z : a = km = 0, ±m, ±2m, ±3m, ... .

Man überprüft, dass mZ eine Untergruppe von (Z, +) ist. In der Tat sind alle
Untergruppen von Z von dieser Form, wie der folgende Satz zeigen wird.
Satz II.2.9. Es sei H ⊆ Z eine Untergruppe. Dann gibt es eine natürliche Zahl m,
so dass H = mZ.
Beweis. Wenn H = {0}, dann ist die Aussage mit m = 0 richtig. Ansonsten sei
H \ {0} 6= ∅. Da mit jedem Element x ∈ H auch −x in H liegt, folgt H>0 := { h ∈
H | h > 0 } 6= ∅. Es sei m das kleinste Element von H>0 (s. [8], Satz 1.3.22).
Wir behaupten H = mZ. Da H eine Untergruppe von Z ist, gilt auf jeden Fall
schon einmal mZ ⊆ H. Zu einem beliebigen Element h ∈ H können wir ein
Element k ∈ Z und ein Element 0 ≤ r < m finden, so dass h = k · m + r (Division
mit Rest; [9], Satz I.1.1). Da h ∈ H und k · m ∈ H, gehört auch das Element
r = h − k · m der Untergruppe H an. Nun ist r ≥ 0. Auf der anderen Seite ist
m das kleinste Element von H>0 , so dass wegen r < m nur r = 0 gelten kann.
Damit ist h = k · m ∈ mZ nachgewiesen.
Aufgabe II.2.10.
Es seien (G, ⋆) eine Gruppe und y ∈ G. Wir betrachten die Linkstranslation um
y
Ly : G −→ G
x 7−→ y ⋆ x
sowie die Rechtstranslation um y
Ry : G −→ G
x 7−→ x ⋆ y.
Zeigen Sie, dass Ly und Ry bijektiv sind, und geben Sie die inversen Abbildun-
gen an.

II.3 Ringe und Körper

Definitionen II.3.1. i) Ein Ring ist ein Tripel (R, ⊕, ⊙), das aus einer Menge R
sowie Abbildungen
⊕: R × R −→ R (Addition)
(x, y) 7−→ x ⊕ y
und
⊙: R × R −→ R (Multiplikation)
(x, y) 7−→ x ⊙ y

48
II.3. Ringe und Körper

besteht, so dass es zwei Elemente O 6= 1 gibt und gilt:

a) (R, ⊕) ist eine abelsche Gruppe mit Neutralelement O.

b) Für alle x, y, z ∈ R gilt x ⊙ (y ⊙ z) = (x ⊙ y) ⊙ z.

c) Für jedes Element x ∈ R gilt 1 ⊙ x = x = x ⊙ 1.

d) Es gelten die Distributivgesetze

x ⊙ (y ⊕ z) = x ⊙ y ⊕ x ⊙ z,
(x ⊕ y) ⊙ z = x ⊙ z ⊕ y ⊙ z

für alle x, y, z ∈ R.

Ist außerdem

e) x ⊙ y = y ⊙ x für alle x, y ∈ R

erfüllt, so nennt man R einen kommutativen Ring.

Schreibweise. Üblicherweise werden wir Addition bzw. Multiplikation in einem
Ring einfach als +“ bzw. ·“ schreiben und 0“ bzw. 1“ anstatt O“ und 1“.
” ” ” ” ” ”
ii) Ein Körper ist ein Ring (K, ⊕, ⊙), in dem zusätzlich gilt:

a) (Nullteilerfreiheit). Für alle x, y ∈ K∗ := K \ {O} gilt x ⊙ y 6= O.

b) (K∗ , ⊙) mit der (nach a) existierenden) Verknüpfung

⊙ : K∗ × K∗ −→ K∗
(x, y) 7−→ x ⊙ y

ist eine abelsche Gruppe.

Bemerkungen II.3.2. i) In c) müssen wir 1 ⊙ x = x = x ⊙ 1 fordern, da wir nicht

den Trick aus der Theorie der Gruppen anwenden können (s. Satz II.2.4, i), der
ja die Existenz von Inversen voraussetzt, die aber für die Multiplikation ⊙“ im
”
Allgemeinen nicht gewährleistet ist.
ii) Lässt man die Möglichkeit O = 1 zu, dann erhält man den Nullring {O},
indem alle Gesetze wie oben gelten.
iii) In einem Ring gilt 0 · x = 0 für jedes Element x ∈ R. In der Tat hat man
0 · x = (0 + 0) · x = 0 · x + 0 · x. Addiert man −(0 · x) auf beiden Seiten, folgt die
Behauptung.

49
Kapitel II. Grundbegriffe

Beispiele II.3.3. i) (Z, +, ·) ist ein kommutativer Ring aber kein Körper. Zwar
erfüllt Z die zusätzliche Eigenschaft a) aber nicht b), denn z.B. 2 besitzt kein
multiplikatives Inverses.
ii) (Q, +, ·) und (R, +, ·) sind Körper.
iii) Der kleinst mögliche Ring hat zwei Elemente; F2 := { 0, 1 }. Die einzig mögli-
chen Verknüpfungstabellen für Addition und Multiplikation sind:
+ 0 1 · 0 1
0 0 1 und 0 0 0 .
1 1 0 1 0 1
Man kann überprüfen, dass (F2 , +, ·) ein Körper ist. In ihm gilt die (auf den
ersten Blick befremdliche) Regel 1 + 1 = 0.
Bemerkung II.3.4. Man erkennt an Punkt iii) des obigen Beispiels, wie nütz-
lich eine abstrakte Begriffsbildung ist. Obwohl sich die Objekte (Q, +, ·) und
(F2 , +, ·) stark unterscheiden (Q hat z.B. unendlich viele Elemente, F2 nur zwei),
gehorchen sie denselben fundamentalen Gesetzmäßigkeiten. Indem wir also
die Theorie nur unter Verwendung der Körperaxiome entwickeln, erhalten wir
Aussagen, die für alle Körper, also insbesondere Q, R und F2 , Gültigkeit haben.
Dies trifft z.B. auf den Gauß-Algorithmus zu. Wollen wir ein Gleichungssystem
über F2 lösen, so liefert er auch hier das Verfahren. In Abschnitt II.4 werden wir
noch weitere endliche Körper kennenlernen. Endliche Körper mögen zunächst
als Spielerei erscheinen, doch spielen sie in vielen mathematischen Gebieten,
z.B. der Zahlentheorie und der algebraischen Geometrie, und auch in Anwen-
dungen, z.B. der Kodierungstheorie (s. [7], Kapitel 12), eine wichtige Rolle.
Aufgabe II.3.5.
a) Zeigen Sie, dass (R2 , +, ·) mit

+ : R2 ×
R2 −→ R
2

s u s+u
, 7−→
t v t+v
und
2
R2 −→ R
· : R ×
2

s u su − tv
, 7−→
t v sv + tu
ein Körper ist. Es sei 1 das Neutralelement der Multiplikation. Zeigen Sie, dass
es ein Element i gibt mit i2 = −1. Man nennt den eben erhaltenen Körper den
Körper der komplexen Zahlen und bezeichnet ihn mit C. Man schreibt

s
= s + i · t.
t

50
II.3. Ringe und Körper

b) Es sei F = { 0, 1, x, y } eine Menge mit genau vier Elementen. Wir nehmen an,
es gäbe Verknüpfungen +, · : F × F −→ F, so dass (F, +, ·) ein Körper ist. Stellen
Sie unter Verwendung der Körperaxiome zunächst die Verknüpfungstafel für
die Multiplikation und dann diejenige für die Addition auf.
Aufgabe II.3.6.
a) Die Abbildung

: C −→ C
z = x + i · y 7−→ z := x − i · y

wird Konjugation genannt. Zeigen Sie:

i) Es gilt genau dann z ∈ R, wenn z = z.

ii) Für alle z, z′ ∈ C hat man z + z′ = z + z′ .

iii) Für alle z, z′ ∈ C hat man z · z′ = z · z′ .

iv) Für jedes Element z ∈ C∗ gilt

z
z−1 = .
z·z

b) Schreiben Sie folgende komplexe Zahlen in der Form s + i · t:

√ 1 + 5i
i)(5 − 7i) · (1, 5 + 12i); ii)(2 − 3i)4 ; iii)( 3 + 0, 5i)−1; iv) .
2 − 7i

c) Zeigen Sie durch explizite Rechnungen, dass für jede komplexe Zahl z eine
komplexe Zahl w mit w2 = z existiert.
Aufgabe II.3.7.
a) Es sei K ein Körper. Gegeben seien f, g ∈ Abb(N, K) (s. Definition II.1.18). Wir
schreiben f(i) = ai , g(i) = bi , i ∈ N, und definieren

f ⊕ g : N −→ K
k 7−→ f(k) + g(k) = ak + bk .

sowie

f ⊙ g : N −→ K
X
k 7−→ ai · bj .
i,j∈N:i+j=k

51
Kapitel II. Grundbegriffe

Zeigen Sie, dass (Abb(N, K), ⊕, ⊙) ein kommutativer Ring ist.9

b) Wir setzen

Abb′ (N, K) := f ∈ Abb(N, K) f(i) = 0 für alle bis auf endlich viele i ∈ N .

Zeigen Sie, dass Abb′ (N, K) ein Unterring10 von K[[t]] ist. Kommt Ihnen der Ring
(Abb′ (N, K), +, ⊙) bekannt vor?

II.4 Äquivalenzrelationen
Definitionen II.4.1. i) Es sei A eine Menge. Eine Teilmenge R ⊆ A × A wird eine
Relation genannt.
Schreibweise. x ∼R y :⇐⇒ (x, y) ∈ R, x, y ∈ A.
ii) Eine Relation R ⊆ A × A ist eine Äquivalenzrelation, wenn sie die folgenden
drei Bedingungen erfüllt.
a) (Reflexivität). Für jedes x ∈ A gilt (x, x) ∈ R (x ∼R x).

b) (Symmetrie). Für alle x, y ∈ A gilt: (x, y) ∈ R =⇒ (y, x) ∈ R (x ∼R y =⇒ y ∼R x).

c) (Transitivität). Für alle x, y, z ∈ A hat man: (x, y) ∈ R ∧(y, z) ∈ R =⇒ (x, z) ∈ R

(x ∼R y ∧ y ∼R z =⇒ x ∼R z).
iii) Es seien R ⊆ A × A eine Äquivalenzrelation und x ∈ A. Die Äquivalenz-
klasse von x ist die Menge

[x] := [x]R := y ∈ A y ∼R x .

Die Menge der Äquivalenzklassen ist gegeben durch

A/R := A/ ∼R := [x]R x ∈ A ⊆ P(A).

Eine Teilmenge S ⊂ A ist ein vollständiges Repräsentantensystem für R, wenn

gilt:
∀M ∈ A/R ∃!x ∈ S : x ∈ M.
9
Man nennt diesen Ring den Ring der formalen Potenzreihen (über K) und bezeichnet ihn mit
K[[t]], t eine Unbestimmte. Ein Element f : N −→ K, i 7−→ ai , wird dann in der Form

X
∞
f= ai · ti
i=0

geschrieben.
10
Überlegen Sie sich, was damit gemeint ist.

52
II.4. Äquivalenzrelationen

Beispiele II.4.2. i) Es sei R := ∆A = { (x, x) ∈ (A × A) | x ∈ A }. Dies ist eine Äqui-

valenzrelation, und es gilt x ∼R y ⇐⇒ x = y. Für jedes x ∈ A hat man demnach
[x]R = {x}.11
ii) Die Menge R = A × A ist auch eine Äquivalenzrelation auf A. Hier gilt für
alle x, y ∈ A die Relation x ∼R y und folglich [x]R = A für alle x ∈ A.12
Eigenschaften II.4.3. i) Für jedes Element M ∈ A/R gilt M 6= ∅.
ii) Für jedes Element x ∈ A gibt es ein M ∈ A/R mit x ∈ M.
iii) Für Elemente M, M′ ∈ A/R gilt entweder a) M = M′ oder b) M ∩ M′ = ∅.
Beweis. Zu i). Nach Definition gibt es ein x ∈ A, so dass M = [x]R . Auf Grund
der Reflexivität von R gilt x ∼R x, i.e. x ∈ [x]R = M und somit M 6= ∅.
Zu ii). Wie wir schon gesehen haben, gilt x ∈ [x]R .
Zu iii). Es seien M = [x]R und M′ = [x′ ]R für geeignete x, x′ ∈ A. Wir nehmen
an, dass M ∩ M′ 6= ∅. Es sei z ∈ M ∩ M′ . Wir werden [x]R ⊆ [x′ ]R zeigen. Da wir die
Rollen von x und x′ offenbar vertauschen können, folgt ebenso [x′ ]R ⊆ [x]R und
daher [x]R = [x′ ]R (Bemerkung II.1.3). Es sei also y ∈ [x]R , d.h. y ∼R x. Ferner gilt
z ∈ [x]R , i.e. z ∼R x, und wegen der Symmetrieeigenschaft hat man auch x ∼R z.
Die Transitivität von R liefert y ∼R z. Weiterhin haben wir z ∈ [x′ ]R , also z ∼R x′ .
Wiederum ergibt sich aus der Transitivität y ∼R x′ und somit, wie gewünscht,
y ∈ [x′ ]R .
Schreibweise. Es seien A eine Menge, und Ai , i ∈ I,Feine Familie von S
Teilmen-
gen von A (s. Beispiel II.1.19, iv). Man schreibt A = Ai , wenn a) A = Ai und
i∈I i∈I
b) Ai ∩ Aj = ∅ für alle i 6= j ∈ I gilt, und spricht von einer disjunkten Vereinigung.
Mit dieser Schreibweise ergibt sich aus II.4.3
G
A= M.
M∈A/R

Beispiel II.4.4. Auf der Menge

M := { 0, 1, 2, 3 } × { 0, 1, 2, 3 }

betrachten wir die Relation13

∀(a, b), (a ′, b ′) ∈ M : (a, b) ∼ (a ′, b ′) :⇐⇒ a + b′ = a′ + b .

Es ist leicht nachzuprüfen, dass ∼“ eine Äquivalenzrelation auf M ist (vgl. Auf-
”
gabe II.4.11). In Abbildung II.4 haben wir die zugehörigen Äquivalenzklassen
farbig markiert. Ein vollständiges Repräsentatensystem wäre z.B. die Menge
11
Nach Axiom a) ist dies die feinste Äquivalenzrelation.
12
Dies ist die gröbste Äquivalenzrelation.
13
Wir verwenden die Addition auf den natürlichen Zahlen.

53
Kapitel II. Grundbegriffe

 

 (0, 0), (0, 1), (0, 2), (0, 3), 

 
(1, 0), (1, 1), (1, 2), (1, 3),
M=

 (2, 0), (2, 1), (2, 2), (2, 3), 

 
(3, 0), (3, 1), (3, 2), (3, 3)

Abbildung II.4: Die Äquivalenzklassen der Relation ∼“

”

(3, 0), (2, 0), (1, 0), (0, 0), (0, 1), (0, 2), (0, 3)

oder auch
(3, 0), (3, 1), (3, 2), (3, 3), (2, 3), (1, 3), (0, 3) .

Faktorgruppen. — Es seien G eine Gruppe und H ⊆ G eine Untergruppe. Wir

definieren
RH := (x, xh) ∈ G × G x ∈ G, h ∈ H .
Schreibweise. x ∼H y“ anstatt x ∼RH y“.
” ”
Lemma II.4.5. Die Relation RH ist eine Äquivalenzrelation.
Beweis. Nach Definition gilt x ∼H y für x, y ∈ G genau dann, wenn es ein Ele-
ment h ∈ H mit y = xh gibt. Wir überprüfen die Axiome aus Definition II.4.1.
Zu a). Für jedes x ∈ G gilt x = x · e. Weil e ein Element von H ist, folgt x ∼R x.
Zu b). Für x, y ∈ G mit x ∼H y findet man ein Element h ∈ H, so dass y = xh.
Damit erhält man x = yh−1 . Nun ist h−1 auch in H enthalten, so das y ∼H x gilt.
Zu c). Für x, y, z ∈ G mit x ∼H y und y ∼H z seien h, j ∈ H so, dass y = xh und
z = yj. Zusammen ergibt sich z = (xh)j = x(hj). Das Element hj liegt in H, und
wir schließen x ∼H z.
Schreibweise. xH := [x]H := [x]RH = { xh | h ∈ H}; G/H := G/RH = { xH | x ∈ G }.
Satz II.4.6. Es seien G eine abelsche Gruppe und H ⊆ G eine Untergruppe.
Dann wird auf G/H durch

· : G/H × G/H −→ G/H

[x], [y] 7−→ [xy]

die Struktur einer Gruppe definiert.

Beweis. Wir müssen zeigen, dass die Abbildung ·“ wohldefiniert ist, d.h. dass
”
die angegebene Abbildungsvorschrift überhaupt Sinn macht. Für M, M′ ∈ G/H
wird das Produkt M · M′ durch die Auswahl sogenannter Repräsentanten x ∈ M
und y ∈ M′ definiert. Es ist deshalb nachzuweisen, dass das Ergebnis M · M′

54
II.4. Äquivalenzrelationen

nicht von der Auswahl dieser Repräsentanten abhängt. In unserem Fall ist also
zu überprüfen, dass für x, x′ , y, y′ ∈ G mit [x] = [x′ ] und [y] = [y′ ] auch [xy] = [x′ y′ ]
gilt. Unter der angegebenen Annahme finden wir Elemente h, j ∈ H mit x′ = xh
und y′ = yj. Wir schließen
G abelsch
x′ y′ = (xh)(yj) = x(hy)j = x(yh)j = (xy)(hj).
Wegen hj ∈ H folgt [x′ y′ ] = [xy]. Das Neutralelement in G/H ist [e], das inverse
Element von [x] ∈ G/H ist [x−1 ]. Das Assoziativgesetz ist offenkundig erfüllt.
Bemerkungen und Beispiele II.4.7. i) Die Bedingung, dass G abelsch ist, ging
ganz wesentlich in unseren Beweis ein. Falls G nicht abelsch ist, dann muss H
ein sogenannter Normalteiler sein. Dies bedeutet, dass für jedes y ∈ G und je-
des h ∈ H ein Element h′ ∈ H mit hy = yh′ existiert. Unter dieser Voraussetzung
funktioniert obiger Beweis fast genauso (s. [9], Satz II.9.4).
ii) Für m > 1, G = Z und H = mZ, erhalten wir die Gruppe Z/mZ mit der
Addition [x] + [y] = [x + y]. Wir können die Multiplikation durch
· : Z/mZ × Z/mZ −→ Z/mZ
([x], [y]) 7−→ [xy]
erklären. Wie im obigen Beweis verifiziert man, dass ·“ wohldefiniert ist und
”
dass (Z/mZ, +, ·) sogar ein Ring ist (vgl [9], Beispiel III.1.3, vii).
Wir behaupten, dass die Menge { 0, ..., m − 1 } ein vollständiges Repräsenta-
tensystem ist. Für x, y ∈ { 0, ..., m−1 } gilt −m < x−y < m, so dass m die Differenz
x − y nicht teilen kann und x und y verschiedene Äquivalenzklassen repräsen-
tieren. Nun sei k ∈ Z. Auf Grund der Division mit Rest ([9], Satz I.1.1) gibt es
eine ganze Zahl l ∈ Z und eine Zahl r ∈ { 0, ..., m−1 } mit k = l· m+r. Offenbar gilt
[k] = [r], d.h. die Äquivalenzklasse von k wird durch das Element r ∈ { 0, ..., m−1 }
repräsentiert.
Falls m keine Primzahl ist, finden wir natürliche Zahlen 1 < s < m und
1 < t < m mit m = st. Dabei gilt [s] 6= [0] und [t] 6= 0 in Z/mZ, aber [s][t] = [st] =
[m] = [0]. In diesem Fall ist also Axiom a) für einen Körper aus Definition II.3.1,
ii), verletzt.
Satz II.4.8. Ist p ∈ N eine Primzahl, dann ist Fp := Z/pZ mit den oben eingeführ-
ten Verknüpfungen ein Körper.
Beweis. Schritt 1. Es seien x, y ∈ Fp \ {0}. Wir können Zahlen 0 < a < p und
0 < b < p mit x = [a] und y = [b] finden. Falls xy = [a][b] = [ab] = 0 gälte, folgte,
dass p die Zahl ab teilt. Weil p aber eine Primzahl ist, kann dies nur passieren,
wenn p schon a oder b teilt ([9], Satz I.4.5). Wegen 0 < a < p bzw. 0 < b < p ist
dies nicht möglich, so dass tatsächlich xy = [ab] 6= 0 gilt.
Schritt 2. Wir müssen die Existenz multiplikativer Inverser beweisen. Wir
beginnen mit der

55
Kapitel II. Grundbegriffe

Behauptung. Es sei 0 < a < p. Dann gibt es ganze Zahlen k und l mit ak + pl = 1.

Diese Behauptung sieht man wie folgt ein. Die Menge

H := aZ + pZ = x ∈ Z ∃k, l ∈ Z : x = ak + pl

ist eine Untergruppe von Z, die a und p enthält. Durch Satz II.2.9 wissen wir,
dass es ein m > 0 gibt, so dass H = mZ. Insbesondere gibt es ganze Zahlen s, t
mit A) p = ms und B) a = mt. Aus A) folgt m = 1 oder m = p und wegen B) und
0 < a < p muss m = 1 zutreffen, also H = Z. Daher gibt es Zahlen k, l ∈ Z mit
1 = ak + pl. X
Ein Element x ∈ Fp \{0} schreiben wir wieder in der Form x = [a] mit 0 < a < p.
Gemäß der Behauptung wählen wir k, l ∈ Z mit ak + pl = 1. Wir sehen

[pl]=[0]
[a][k] = [ak] = [ak] + [pl] = [ak + pl] = [1],

so dass y := [k] das zu x = [a] multiplikative Inverse ist.

Aufgabe II.4.9.
Wir kehren nun die Beobachtungen aus Eigenschaft II.4.3 um. Es seien M eine
Menge, I eine Indezmenge und (Mi )i∈I eine Familie von nichtleeren Teilmengen
von M, so dass G
M= Mi .
i∈I

Auf M führen wir folgende Relation ein:

∀m, m ′ ∈ M : m ∼ m′ :⇐⇒ ∃i ∈ I : m ∈ Mi ∧ m ′ ∈ Mi .

a) Zeigen Sie, dass ∼“ eine Äquivalenzrelation auf M ist.

”
b) Weisen Sie nach, dass die Äquivalenzklassen von ∼“ gerade die Teilmengen
”
Mi , i ∈ I, sind.
Aufgabe II.4.10.
Es seien A, B Mengen und f : A −→ B eine Abbildung. Auf A wird die Relation
∼ “ vermöge
” f
∀a, a ′ ∈ A : a ∼f a ′ :⇐⇒ f(a) = f(a ′)
erklärt. Weisen Sie nach, dass ∼f“ eine Äquivalenzrelation ist.
”
Aufgabe II.4.11.
Für zwei Elemente (m1 , n1 ) ∈ N × N und (m2 , n2 ) ∈ N × N schreiben wir

(m1 , n1 ) ∼ (m2 , n2 ) :⇐⇒ m1 + n2 = m2 + n1 .

56
II.4. Äquivalenzrelationen

a) Zeigen Sie, dass ∼“ eine Äquivalenzrelation auf N × N definiert.

”
b) Es sei Z := (N × N)/ ∼. Zeigen Sie, dass die Abbildungen

⊕ : Z × Z −→ Z,
([m1 , n1 ], [m2, n2 ]) 7−→ [m1 + m2 , n1 + n2 ]

und

⊙ : Z × Z −→ Z
([m1 , n1 ], [m2, n2 ]) 7−→ [m1 m2 + n1 n2 , m1 n2 + m2 n1 ]

wohldefiniert sind.
c) Zeigen Sie, dass (Z, ⊕, ⊙) ein Ring ist. Zu welchem Ihnen bekannten Ring ist
er isomorph? Geben Sie einen Isomorphismus an. (Für zwei Ringe R und R′ ist
ein Isomorphismus eine bijektive Abbildung ϕ : R −→ R′ , so dass i) ϕ(1) = 1 und
für alle x, y ∈ R ii) ϕ(x + y) = ϕ(x) + ϕ(y) und iii) ϕ(xy) = ϕ(x)ϕ(y) gilt.)
Aufgabe II.4.12.
a) Stellen Sie die Verknüpfungstafel für die multiplikative Gruppe von F11 auf.
b) Bestimmen Sie für p ∈ { 23, 53, 89 } die ganze Zahl x ∈ { 0, ..., p − 1 }, für die

13 · x ≡ 1 mod p

gilt.
c) Bestimmen Sie jeweils die ganze Zahl x ∈ Z mit den geforderten Eigenschaf-
ten:

• 53 ≡ x mod 3, 0 ≤ x ≤ 2,

• 45 ≡ x mod 5, 0 ≤ x ≤ 4,

• 117 ≡ x mod 7, 0 ≤ x ≤ 6,

• 911 ≡ x mod 11, 0 ≤ x ≤ 10,

• 212 ≡ x mod 13, 0 ≤ x ≤ 12.

d) Stellen Sie anhand von Teil c) eine Vermutung für eine allgemeine Gesetz-
mäßigkeit auf und benutzen Sie diese, um die ganze Zahl x ∈ { 0, ..., 10 } zu
bestimmen, die 6123 ≡ x mod 11 erfüllt.

57
III
Vektorräume und lineare
Abbildungen

Dieses Kapitel führt die Gegenstände der Linearen Algebra ein, nämlich Vek-
torräume und lineare Abbildungen. Der zugehörige Formalismus und die fun-
damentalen Eigenschaften werden ausführlich besprochen.

III.1 Vektorräume
Definition III.1.1. Es sei K ein Körper. Ein Vektorraum über K oder auch ein
K-Vektorraum ist eine Menge V zusammen mit Abbildungen

+: V × V −→ V (Addition)
(v, w) 7−→ v + w,
·: K × V −→ V (Skalarmultiplikation)
(λ, v) 7−→ λ · v,

so dass folgende Axiome erfüllt sind:

(A) (V, +) ist eine abelsche Gruppe.

Schreibweise. 0 sei das Neutralelement, −v sei das inverse Element zu
v ∈ V.

(S1) ∀κ, λ ∈ K, ∀v ∈ V: (κ · λ) · v = κ · (λ · v). (Assoziativgesetz der Skalarmultipli-

kation.)

59
Kapitel III. Vektorräume und lineare Abbildungen

(S2) ∀v ∈ V : 1 · v = v.
(S3) ∀κ, λ ∈ K, ∀v ∈ V: (κ + λ) · v = κ · v + λ · v.
(S4) ∀λ ∈ K, ∀v, w ∈ V: λ · (v + w) = λ · v + λ · w.
((S3) und (S4) sind die Distributivgesetze der Skalarmultiplikation.)
Schreibweise. Wir werden wieder einfach von einem Vektorraum V“ anstatt
”
von einem Vektorraum (V, +, ·)“ sprechen.
”
Vereinbarung. Für das Folgende wird ein Körper K fixiert.
Bemerkungen und Beispiele III.1.2. i) Nach Übung I.2.10 ist Kn ein K-Vektor-
raum. Im Hinblick auf Anwendungen bei linearen Gleichungssystemen ist er
die Hauptmotivation für die obige Definition. Es wird sich aber zeigen, dass die
Struktur eines Vektorraums auch in vielen anderen Zusammenhängen natür-
lich in Erscheinung tritt und daher wieder in voller Allgemeinheit untersucht
werden sollte.
ii) Es seien A eine Menge und Abb(A, K) die Menge aller Abbildungen von A
in den Körper K. Für zwei Abbildungen f, g ∈ Abb(A, K) definieren wir

f + g : A −→ K
x 7−→ f(x) + g(x).

Für ein Element λ ∈ K und eine Abbildung f ∈ Abb(A, K) definieren wir

λ · f : A −→ K
x 7−→ λ · f(x).

Mit diesen Operationen wird Abb(A, K) zu einem K-Vektorraum (s. Aufgabe

III.1.8). Die Axiome sind einfache Folgerungen aus den Gesetzmäßigkeiten im
Körper K. Um z.B. zu überprüfen, dass für alle λ ∈ K und alle f, g ∈ Abb(A, K)

λ · (f + g) = λ · f + λ · g

gilt, müssen wir nach Bemerkung II.1.17, i),

∀x ∈ A : λ · (f(x) + g(x)) = λ · f(x) + λ · g(x)

nachweisen. Dies ist aber offensichtlich eine direkte Konsequenz aus dem Dis-
tributivgesetz im Körper K.
Dieses Beispiel können wir spezialisieren. Für die Menge A := { 1, ..., m } ×
{ 1, ..., n } schreiben wir

f : A −→ K
(i, j) 7−→ aij

60
III.1. Vektorräume

in der Form (aij) i=1,...,m , also als (m × n)-Matrix. Damit definieren wir
j=1,...,n

Mat(m, n; K) := Abb(A, K),

den Vektorraum der (m × n)-Matrizen. Falls m = n, so schreiben wir
Mat(n; K) := Mat(n, n; K).
iii) Der Körper R kann als Vektorraum über dem Körper Q der rationalen
Zahlen aufgefasst werden.
Lemma III.1.3. In einem K-Vektorraum V gelten u.A. die folgenden Rechenre-
geln:
i) ∀v ∈ V : 0 · v = 0.1
ii) ∀v ∈ V : (−1) · v = −v.
iii) ∀λ ∈ K : λ · 0 = 0.2
Beweis. Für i) benutzen wir denselben Trick wie bei Ringen. Es gilt
(S4)
0 · v = (0 + 0) · v = 0 · v + 0 · v.
Auf beiden Seiten addieren wir das zu 0·v in (V, +) inverse Element und erhalten
die Behauptung. Für ii) gehen wir wie folgt vor:
i) (S4) (S2)
0 = 0 · v = 1 + (−1) · v = 1 · v + (−1) · v = v + (−1) · v.
Punkt iii) kann man genauso wie i) zeigen.
Definition III.1.4. Es sei V ein K-Vektorraum. Eine Teilmenge W ⊆ V ist ein
Untervektorraum oder linearer Teilraum von V, wenn gilt:
a) 0 ∈ W.
b) ∀v, w ∈ W: v + w ∈ W.
c) ∀λ ∈ K, ∀v ∈ W : λ · v ∈ W.
Bemerkungen III.1.5. i) Aus c) und Lemma III.1.3, ii), folgt, dass für jedes v ∈
W auch −v ∈ W gilt. Daher ist W eine Untergruppe von (V, +) im Sinne von
Definition II.2.7. Insbesondere induziert die Addition eine Abbildung + : W ×
W −→ W. Auf Grund von c) können wir auch · : K × W −→ W, (λ, v) 7−→ λ · v,
bilden. Dabei ist λ · v die Skalarmultiplikation in V. Mit diesen Abbildungen
erhält W selber die Struktur eines K-Vektorraums.
ii) Eine Teilmenge W ⊆ V ist genau dann ein Untervektorraum, wenn gilt:
1
Dabei ist links die Null in K und rechts die in V gemeint.
2
Hier ist auf beiden Seiten die Null in V gemeint.

61
Kapitel III. Vektorräume und lineare Abbildungen

α) W 6= ∅.
β) ∀κ, λ ∈ K, ∀v, w ∈ W : κ · v + λ · w ∈ W.
Der einfache Beweis wird dem Leser als Übungsaufgabe überlassen.
Beispiele III.1.6. i) Für jeden Vektorraum V sind {0} und V lineare Teilräume.
ii) Für A ∈ Mat(m, n; K) ist L(A, 0) nach Lemma I.2.4 ein linearer Teilraum
von Kn .
iii) Wenn Wi , i ∈ I, eine Familie von Untervektorräumen von V ist, so ist ihr
Durchschnitt3 \
U := Wi
i∈I

ebenfalls ein Untervektorraum von V. Zu a). Da 0 ∈ Wi für alle i ∈ I, liegt 0 auch

in U. Zu b). Es seien v, w ∈ U. Dies bedeutet v, w ∈ Wi für alle i ∈ I. Da Wi ein
Untervektorraum von V ist, gilt ebenfalls v + w ∈ Wi , i ∈ I. Daher haben wir
v + w ∈ U. Zu c). Für λ ∈ K und v ∈ U hat man v ∈ Wi und damit λ · v ∈ Wi für
alle i ∈ I, so dass λ · v ∈ U.
iv) Es seien A eine Menge und B ⊆ A eine Teilmenge. Wir definieren

W := f ∈ Abb(A, K) ∀x ∈ B : f(x) = 0 .

Dies ist ein linearer Teilraum von Abb(A, K). Wir wenden dazu das Kriterium
ii) aus Bemerkung III.1.5 an. Zu α). Offenbar liegt 0 : A −→ K, x 7−→ 0, in W.
Deshalb gilt W 6= ∅. Für κ, λ ∈ K, zwei Abbildungen f, g ∈ W und x ∈ B gilt:

κ · f + λ · g (x) = κ · f(x) + λ · g(x) = κ · 0 + λ · 0 = 0.

Daher liegt κ · f + λ · g ebenfalls in W.

Aufgabe III.1.7.
a) Es seien K ein Körper, V ein K-Vektorraum und W, W ′ ⊆ V zwei lineare Un-
terräume von V. Zeigen Sie, dass W ∪ W ′ genau dann ein linearer Unterraum
von V ist, wenn W ⊆ W ′ oder W ′ ⊆ W gilt.
b) Es sei K ein Körper mit nur endlich vielen Elementen (z.B. F2 ). Zeigen Sie,
dass Kn für jedes n ≥ 2 Vereinigung von endlich vielen echten Teilräumen
ist. (Dabei heißt echt“, dass der entsprechende Teilraum nicht ganz Kn ist.)
”
Erläutern Sie, warum für einen Körper mit unendlich vielen Elementen K2 nicht
die Vereinigung von endlich vielen echten Teilräumen sein kann.
3
Als Menge ist dieser Durchschnitt vermöge Komprehension durch
\
Wi := v ∈ V ∀i ∈ I : v ∈ Wi
i∈I

gegeben.

62
III.2. Erzeugendensysteme

Aufgabe III.1.8.
Es seien M eine Menge, V ein Vektorraum über dem Körper K und Abb(M, V) die
Menge der Abbildungen von M nach V. Zeigen Sie, dass Abb(M, V) zusammen
mit den Abbildungen

+ : Abb(M, V) × Abb(M, V) −→ Abb(M, V)

(f, g) 7−→ f + g

und

· : K × Abb(M, V) −→ Abb(M, V)
(λ, f) 7−→ λ · f

ein K-Vektorraum ist.

Aufgabe III.1.9.
Gegeben seien zwei K-Vektorräume V und W. Wir definieren folgende Abbildun-
gen

· : K × (V × W) −→ V × W

λ, (v, w) 7−→ (λv, λw)

und

+ : (V × W) × (V × W) −→ V × W

(v, w), (v′, w′) 7−→ (v + v′ , w + w′ ).

Überprüfen Sie, dass durch diese Abbildungen auf V × W die Stuktur eines K-
Vektorraumes eingeführt wird. Der so erhaltene Vektorraum heißt die direkte
Summe von V und W und wird mit V ⊕ W bezeichnet.

III.2 Erzeugendensysteme
In diesem und dem folgenden Abschnitt führen wir die zentralen Begriffe ein,
die es uns gestatten, die Struktur eines Vektorraums zu untersuchen und
adäquat zu beschreiben.
Sprech- und Schreibweise. i) Es seien I und A Mengen und xi , i ∈ I, eine durch
I indizierte Familie von Elementen von A. Wir sagen, fast alle Elemente xi haben
Eigenschaft E, wenn für alle bis auf endlich viele Indizes i ∈ I das Element xi
die Eigenschaft E hat:

# i ∈ I | xi hat Eigenschaft E nicht < ∞.

63
Kapitel III. Vektorräume und lineare Abbildungen

ii) Es seien V ein K-Vektorraum und vi , i ∈ I, eine durch I indizierte Familie

von Elementen aus V, die fast alle null sind. Dann setzen wir
X X
vi := vi .
i∈I i∈I:vi 6=0

Die rechte Seite ist als Summe von nur endlich vielen Elementen wohldefiniert.
Definitionen III.2.1. i) Es seien v1 , ..., vm Elemente des K-Vektorraums V. Ei-
ne Linearkombination von v1 , ..., vm ist ein Element v ∈ V, zu dem es Zahlen
λ1 , ..., λm ∈ K mit
v = λ1 · v1 + · · · + λm · vm
gibt.
ii) Es sei M ⊆ V eine beliebige Teilmenge von V. Die lineare Hülle oder das
lineare Erzeugnis von M ist die Menge

hMi := v ∈ V v ist Linearkombination v. endlich vielen Elementen aus M

X
= λv · v λv ∈ K, v ∈ M, fast alle null .
v∈M

Vereinbarungen. h∅i := {0}; h v1 , ..., vm i := h{ v1 , ..., vm }i.

Spezialfall. Es sei Wi , i ∈ I, eine Familie von linearen Teilräumen von V. Dann
heißt4
X D[ E
Wi := Wi
i∈I i∈I
X
= wi wi ∈ Wi , i ∈ I, fast alle null
i∈I

die Summe der Unterräume Wi , i ∈ I. Falls für alle Familien wi ∈ Wi , i ∈ I, die

fast alle null sind, X
wi = 0 =⇒ ∀i ∈ I : wi = 0
i∈I

gilt, dann sprechen wir von der direkten Summe der Wi , i ∈ I, und schreiben
M X
Wi := Wi .
i∈I i∈I
4
Als Menge kann diese Vereinigung durch
[
Wi := v ∈ V ∃i ∈ I : v ∈ Wi
i∈I

beschrieben werden und ist daher durch Anwendung der Komprehension definiert.

64
III.2. Erzeugendensysteme

iii) Eine Teilmenge M ⊆ V heißt ein Erzeugendensystem von V, wenn

hMi = V
gilt.
Die zentralen Eigenschaften der linearen Hülle werden in Aufgabe III.2.4
besprochen.
Beispiele III.2.2. i) V ist trivialerweise ein Erzeugendensystem für den K-Vektor-
raum V.
ii) Eine Menge ac , db ist genau dann ein Erzeugendensystem für K2 , wenn
δ(a, b, c, d) 6= 0 gilt (s. Aufgabe I.2.9).
iii)
*  1   −2  +   s  
 
 3  ,  −5  =  t  s, t ∈ R .
 
0 0 0
iv) Wir setzen  
0
 .. 
 . 
 
 0 
 
ei :=  1  ∈ Kn,
 
 0 
 . 
 .. 
0
1 der i-te Eintrag, i = 1, ..., n. Dann gilt
 
s1
 
∀s =  ...  ∈ Kn : s = s1 · e1 + · · · + sn · en ,
sn
so dass h e1, ..., en i = Kn.

Zusammenhang mit linearen Gleichungssystemen. — Es seien

 
a1j
 
vj :=  ...  ∈ Km , j = 1, ..., n.
amj
Wir definieren
 
a11 · · · a1n
 ..  ∈ Mat(m, n; K)
A := (v1 | · · · |vn ) :=  ... . 
am1 · · · amn

65
Kapitel III. Vektorräume und lineare Abbildungen

als die (m × n)-Matrix mit den Spalten v1 , ..., vn. Mit (I.5) sieht man, dass gilt:
b ∈ h v1 , ..., vn i ⇐⇒ L(A, b) 6= ∅. (III.1)
Umgekehrt seien A ∈ Mat(m, n; K) und v1 , ..., vn ∈ Km die Spalten der Matrix A.
Dann hat man
h v1 , ..., vn i = b ∈ Km | L(A, b) 6= ∅ .
Folgerung III.2.3. Wenn { v1 , ..., vn } ein Erzeugendensystem für Km ist, dann gilt
n ≥ m.
Beweis. Wir nehmen an, es sei n < m. Mit dem Gauß-Algorithmus überführen
wir die Matrix A in eine Matrix A′ in Zeilenstufenform. Die Matrix A′ hat r ≤ n <
m Stufen, so dass die letzte Zeile von A′ eine Nullzeile ist. Für b′ := em gilt da-
her L(A′ , b′) = ∅. Nun können wir die an A durchgeführten Zeilenoperationen
wieder rückgängig machen, d.h. wir können die erweiterte Koeffizientenma-
trix (A′ |b′ ) durch Zeilenoperationen in eine Matrix der Form (A|b) mit b ∈ Km
überführen. Es gilt
Lemma I.4.1
L(A, b) = L(A′ , b′) = ∅,
so dass nach (III.1) b 6∈ h v1 , ..., vn i. Dies befindet sich im Widerspruch zu unserer
Annahme.
Aufgabe III.2.4.
Es seien V ein K-Vektorraum und M, M′ Teilmengen von V. Überprüfen Sie die
folgenden Eigenschaften der linearen Hülle.
a) hMi ist ein linearer Teilraum von V, der M enthält.
b) Ein linearer Unterraum U ⊆ V, der M enthält, enthält auch die lineare
Hülle hMi. (Somit ist hMi der kleinste“ lineare Teilraum von V, der M
”
enthält.)
c) Es gilt \
hMi = U.
U⊆V UR:
M⊆U

d) Gilt M ⊆ M′ , dann gilt auch hMi ⊆ hM′ i.

III.3 Linear unabhängige Teilmengen

Für eine Teilmenge M eines Vektorraums V haben wir den Unterraum hMi ⊆ V
aller Linearkombinationen von Elementen aus M eingeführt. Nun wollen wir
diejenigen Teilmengen M hervorheben, für die sich jedes Element v ∈ hMi in
eindeutiger Weise als Linearkombination von Elementen aus M schreiben
lässt.

66
III.3. Linear unabhängige Teilmengen

Definition III.3.1. Es sei V ein K-Vektorraum. Eine Teilmenge M ⊆ V heißt

linear unabhängig oder frei, wenn für jede Familie λx , x ∈ M, von Elementen
aus K, die fast alle null sind, aus
X
λx · x = 0
x∈M

bereits
∀x ∈ M : λx = 0
folgt.
Eine Teilmenge M ⊆ V heißt linear abhängig, wenn sie nicht linear un-
abhängig ist.
Bemerkung III.3.2. Für jede Teilmenge M ⊆ V gilt
X
0= 0 · x ∈ hMi.
x∈M

Wenn M linear unabhängig ist, ist dies bereits die einzige Möglichkeit, 0 als
Linearkombination von Elementen aus M zu schreiben. Es ist leicht einzusehen
(vgl. Lemma III.4.2), dass für jedes Element v ∈ hMi die Koeffizienten λx ∈ K,
x ∈ M, mit X
v= λx · x
x∈M
eindeutig bestimmt sind.
Beispiele III.3.3. i) Die leere Menge ∅ ( V ist linear unabhängig.
ii) Es sei v ∈ V. Die Menge {v} ⊆ V ist genau dann linear unabhängig, wenn
v 6= 0. Für v = 0 und 1 ∈ K gilt 1 · v = 0, so dass {v} linear abhängig ist. Es sei
umgekehrt α ∈ K∗ gegeben, so dass α · v = 0. Dann gilt
v = 1 · v = (α−1 · α) · v = α−1 · (α · v) = α−1 · 0 = 0.
iii) Es seien ei ∈ Kn die in Beispiel III.2.2, iv), definierten Vektoren, i = 1, ..., n.
Die Menge { e1 , ..., en } ist linear unabhängig (vgl. Teil v).
iv) Auch der Begriff der linearen Unabhängigkeit lässt sich im Zusammen-
hang mit linearen Gleichungssystemen verstehen. Dazu betrachten wir Vekto-
ren  
a1j
 
vj :=  ...  ∈ Km , j = 1, ..., n,
amj
und definieren die zugehörige Matrix
 
a11 · · · a1n
 ..  .
A := (v1 | · · · |vn ) =  ... . 
am1 · · · amn

67
Kapitel III. Vektorräume und lineare Abbildungen

Es folgt
v1 , ..., vn ist linear unabhängig ⇐⇒ L(A, 0) = {0}.
Als interessante Beobachtung ergibt sich aus Folgerung I.4.5, i), dass { v1 , ..., vn }
für n > m linear abhängig ist.
v) Es sei M eine Menge. Für x ∈ M definieren wir die Abbildung
ex : M −→ K
1, y = x
y 7−→ .
0, sonst
Die Menge { ex | x ∈ M } ⊆ Abb(M, K) (vgl. Beispiel III.1.2, ii) ist linear unabhän-
gig. Dazu sei λx , x ∈ M, eine Familie von Elementen aus K, die fast alle null
sind. Für alle y ∈ M gilt X
λx · ex (y) = λy . (III.2)
x∈M
Damit ist die Aussage evident.
Falls M unendlich viele Elemente enthält, ist { ex | x ∈ M } kein Erzeugenden-
system. Die konstante Abbildung
k1 : M −→ K
x 7−→ 1
liegt dann nicht in der linearen Hülle h ex | x ∈ M i. Dies folgt aus (III.2).
vi) Es seien M ⊆ V eine linear unabhängige Teilmenge und M′ ⊆ M. Dann
ist auch M′ linear unabhängig.
vii) Es seien M ⊆ V eine linear abhängige Teilmenge und M ⊆ M′ . Dann ist
M′ ebenfalls linear abhängig.
Aufgabe III.3.4.
Stellen Sie fest, ob die folgenden Mengen von Vektoren im jeweiligen Rn linear
unabhängig
 sind.
    
1 −2 1
 −1   0   3 
a) v1 :=      
 5  , v2 :=  −1  und v3 :=  4 .
2 1 2
     
1 −3 −4
b) v1 :=  2  , v2 :=  5  und v3 :=  0 .
−4 0 −3

III.4 Basen
Definition III.4.1. Es sei V ein K-Vektorraum. Eine Teilmenge B ⊆ V wird
Basis genannt, wenn sie sowohl eine linear unabhängige Teilmenge als auch
ein Erzeugendensystem ist.

68
III.4. Basen

Den wahren Nutzen des Begriffs einer Basis zeigt das folgende Resultat auf.

Lemma III.4.2. Eine Teilmenge B ⊆ V ist genau dann eine Basis, wenn es zu
jedem Vektor v ∈ V eindeutig bestimmte Zahlen λb ∈ K, b ∈ B, gibt, die fast alle
null sind, so dass X
v= λb · b. (III.3)
b∈B

Beweis. Nehmen wir zunächst an, die Teilmenge B habe die genannten Eigen-
schaften. Dann ist B offenbar ein Erzeugendensystem für V. Es seien λb ∈ K,
b ∈ B, fast alle null, mit X X
λb · b = 0 = 0·b
b∈B b∈B

gegeben. Aus der Eindeutigkeit der λb in (III.3) folgt λb = 0 für alle b ∈ B, so dass
B auch linear unabhängig ist.
Es sei umgekehrt B eine Basis für V. Dann ist B ein Erzeugendensystem.
Jeder Vektor v ∈ V besitzt daher eine Darstellung wie in (III.3). Es bleibt, die
Eindeutigkeit der Koeffizienten λb ∈ K, b ∈ B, zu überprüfen. Dazu seien v ∈ V
und λb ∈ K und λ′b ∈ K, b ∈ B, zwei Sätze von Zahlen, so dass
X X
λb · b = v = λ′b · b.
b∈B b∈B

Wir erhalten
X X X
0 =v−v= λb · b − λ′b · b = (λb − λ′b ) · b.
b∈B b∈B b∈B

Da B linear unabhängig ist, folgt λb − λ′b = 0, i.e. λb = λ′b für alle b ∈ B.

Beispiele III.4.3. i) Es sei M ⊆ V eine linear unabhängige Teilmenge. Dann ist

M eine Basis für hMi.
ii) Wenn B eine Basis für Kn ist, dann gilt #B = n. Denn B ist ein Erzeu-
gendensystem, so dass #B ≥ n nach Folgerung III.2.3. Nach Beispiel III.3.3,
iv), folgt #B ≤ n aus der linearen Unabhängigkeit von B. Man beachte, dass
{ e1 , ..., en } eine Basis für Kn ist. Allgemeiner gilt (Folgerung I.4.5, ii):

v1 , ..., vn ist eine Basis für Kn ⇐⇒ L(A, 0) = {0}, A := (v1 | · · · |vn ).

iii) Für jede Matrix A ∈ Mat(m, n; K) liefert der Gauß-Algorithmus eine Basis
für den Lösungsraum L(A, 0) (s. Satz I.4.2, ii), und I.4.4).
iv) Es sei M eine endliche Menge. Aus Beispiel III.3.3, v), folgt leicht, dass
{ ex | x ∈ M } eine Basis für Abb(M, K) ist. Dies können wir insbesondere auf

69
Kapitel III. Vektorräume und lineare Abbildungen

M = { 1, ..., m }×{ 1, ..., n } anwenden (vgl. Beispiel III.1.2, ii). Für (i, j) ∈ M erhalten
wir in Matrix-Schreibweise
j-te Spalte
 
0





0 0
..
.
0 




 0 · · · 0 1 0 · · · · · · · · · 0  i-te Zeile
 
 0 
Eij := e(i,j) = .
 .. 

0 0
 . 
 . 
 .. 
 
 . 
 .. 
0
Somit ist { Eij | i = 1, ..., m, j = 1, ..., n } eine Basis für Mat(m, n; K).
Der folgende Satz enthält weitere Charakterisierungen für Basen.
Satz III.4.4. Es seien V ein K-Vektorraum und B ⊆ V eine Teilmenge. Dann sind
die folgenden Eigenschaften äquivalent.
i) B ist eine Basis für V.
ii) B ist ein minimales Erzeugendensystem für V, d.h. für jede echte Teilmenge
B′ ( B gilt hB′ i ( V.
iii) B ist eine maximale linear unabhängige Teilmenge, d.h. jede Menge B′ , die
B echt enthält (i.e. B ( B′ ), ist linear abhängig.
Beweis. Wir zeigen zunächst die Implikation i)=⇒iii)“. Nach Definition einer
”
Basis ist B linear unabhängig. Es sei nun B ( B′ . Wir wählen ein Element
v0 ∈ B′ \ B. Da B eine Basis ist, finden wir Elemente λb ∈ K, b ∈ B, die fast alle
null sind, so dass X
v0 = λb · b.
b∈B
′
Wir definieren nun für x ∈ B

 1, x = v0
κx := −λx , x ∈ B .

0, sonst

Die Elemente κx ∈ K, x ∈ B′ , sind fast alle null, und es gilt

X X X
κx · x = v0 + (−λb ) · b = v0 − λb · b = v0 − v0 = 0.
x∈B′ b∈B b∈B

70
III.4. Basen

Da κv0 6= 0, zeigt dies, dass B′ linear abhängig ist.

Wir kommen nun zum Beweis von iii)=⇒ii)“. Als erstes wird nachgewiesen,
”
dass B ein Erzeugendensystem ist. Wenn das nicht so wäre, dann gäbe es ein
Element v0 ∈ V \ hBi. Wir behaupten, dass in diesem Fall die Menge B′ := B ∪ {v0 }
immer noch linear unabhängig wäre. Dies stünde aber im Widerspruch zu der
Maximalität von B. Betrachten wir also eine Relation
X
λ0 · v0 + λb · b = 0. (III.4)
b∈B
P
Wenn λ0 = 0 ist, dann gilt λb · b = 0 und daher λb = 0 für alle b ∈ B, denn B
b∈B
ist linear unabhängig. Falls λ0 6= 0, dann ergibt (III.4)
X
v0 = (−λ−1
0 · λb ) · b,
b∈B

d.h. v0 ∈ hBi. Das steht im Widerspruch zu unserer Annahme, so dass B′ in der

Tat linear unabhängig ist.
Es bleibt noch zu überprüfen, dass B ein minimales Erzeugendensystem
ist. Es sei andernfalls B′ ( B eine Teilmenge, die noch erzeugend ist. Es sei
v0 ∈ B \ B′ . Da B′ erzeugend ist, gibt es Zahlen λb ∈ K, b ∈ B′ , fast alle null, so
dass X
v0 = λb · b.
b∈B′

Definieren wir für b ∈ B 

 −1, b = v0
κb := λb , b ∈ B′ ,

0, sonst
dann erhalten wir X
κb · b = v0 − v0 = 0.
b∈B

Dies widerspricht der linearen Unabhängigkeit von B.

Zu guter Letzt wird ii)=⇒i)“ gezeigt. Offenbar ist B ein Erzeugendensystem.
”
Wir betrachten eine Relation X
λb · b = 0.
b∈B

Es sei v0 ∈ B, so dass λv0 6= 0. Dann gilt also

X
v0 = (−λ−1
v0 · λb ) · b,
b∈B\{v0 }

d.h. v0 ∈ hB \ {v0 }i und damit B ⊆ hB \ {v0 }i und schließlich

hBi ⊆ hB \ {v0 }i ( V. (III.5)

71
Kapitel III. Vektorräume und lineare Abbildungen

Im letzten Schritt gilt die strikte Ungleichung, weil B ein minimales Erzeugen-
densystem ist. Relation (III.5) kann offensichtlich nicht wahr sein.
Folgerung III.4.5. Es sei V ein K-Vektorraum. Wenn es ein Erzeugendensystem
M für V gibt, das nur endlich viele Elemente enthält, dann besitzt V eine Basis.
Beweis. Wir entfernen solange Elemente aus M, bis wir ein minimales Erzeu-
gendensystem und damit nach Satz III.4.4 eine Basis erhalten.
Formal ist dies eine vollständige Induktion über n := #M. Für n = 0 gilt
V = {0}, und ∅ ist eine Basis. Für den Schluß n n+1“ gehen wir folgenderma-
”
ßen vor. Wenn M ein minimales Erzeugendensystem ist, dann ist M nach Satz
III.4.4 bereits eine Basis. Ansonsten gibt es ein v0 ∈ M, so dass M′ := M \ {v0 }
ein Erzeugendensystem mit n Elementen ist. Nach Induktionsvoraussetzung
besitzt V dann eine Basis.
Satz III.4.6. Es sei V ein K-Vektorraum. Wenn V eine endliche Basis B besitzt,
dann ist jede andere Basis B′ von V ebenfalls endlich, und es gilt

#B′ = #B.

Dieser Satz bildet die Grundlage für den Dimensionsbegriff für endlichdi-
mensionale Vektorräume:
Definition III.4.7. Ein Vektorraum V heißt endlichdimensional, wenn es eine
Basis B für V mit endlich vielen Elementen gibt.
Schreibweise. DimK (V) < ∞.
In diesem Fall wird
DimK (V) := #B
die Dimension von V genannt, B eine Basis von V.
Ist V nicht endlichdimensional, so sagt man, V ist unendlichdimensional,
und schreibt DimK (V) = ∞.
Man beachte, dass Satz III.4.6 garantiert, dass die Begriffe endlichdimen-
”
sional“ und Dimension“ sinnvoll sind.
”
Beispiel III.4.8. DimK (Kn ) = n; DimK Mat(m, n; K) = m · n.
Bevor wir uns dem Beweis von Satz III.4.6 widmen können, benötigen wir
noch einige Vorbereitungen.
Lemma III.4.9 (Austauschlemma).
P Es seien V ein K-Vektorraum, B = { b1, ..., bn }
eine Basis für V und w = λb · b ∈ V \ {0}. Falls λb′ 6= 0 für das Element b′ ∈ B
b∈B
gilt, dann ist
B′ := B \ {b′ } ∪ {w}
ebenfalls eine Basis für V.

72
III.4. Basen

Der Vektor b′ kann also gegen den Vektor w ausgetauscht“ werden.

”
Beweis. Indem wir gegebenenfalls neu nummerieren, können wir b′ = b1 an-
nehmen. Wir schreiben w = λ1 · b1 + λ2 · b2 + · · · + λn · bn mit λ1 6= 0.
Wir zeigen nun, dass B′ = { w, b2, ..., bn } ein Erzeugendensystem ist. Es reicht
zu zeigen, dass b1 in h w, b2, ..., bn i liegt. Das ist richtig, weil

b1 = λ−1 −1 −1
1 · w + (−λ1 · λ2 ) · b2 + · · · + (−λ1 · λn ) · bn

gilt.
Als nächstes betrachten wir eine Linearkombination

0 = κ1 · w + κ2 · b2 + · · · + κn · bn
= κ1 · (λ1 · b1 + λ2 · b2 + · · · + λn · bn ) + κ2 · b2 + · · · + κn · bn
= (κ1 · λ1 ) · b1 + (κ1 · λ2 + κ2 ) · b2 + · · · + (κ1 · λn + κn ) · bn .

Da B linear unabhängig ist, folgt

κ1 · λ1 = κ1 · λ2 + κ2 = · · · = κ1 · λn + κn = 0.

Aus λ1 6= 0 folgt κ1 = 0 und daraus κ2 = · · · = κn = 0. Somit ist B′ als linear

unabhängig nachgewiesen.

Satz III.4.10 (Steinitzscher5 Austauschsatz). Es seien V ein K-Vektorraum, B =

{ b1, ..., bm } eine Basis für V und F ⊆ V eine linear unabhängige Teilmenge. Dann
gilt:

i) F hat höchstens m Elemente.

e ⊆ B mit m − #F Elementen, so dass
ii) Es gibt eine Teilmenge B
e∪F
B′ := B

eine Basis von V ist, die m Elemente enthält.

Beweis. Es sei A(n), n ∈ N, die folgende Aussage:

Für jeden K-Vektorraum V, jede linear unabhängige Teilmenge F ⊆ V mit n
Elementen und jede Basis B = { b1 , ..., bm } mit m ≥ n Elementen gibt es eine
Teilmenge Be ⊆ B mit m − n Elementen, so dass

e∪F
B′ := B

eine Basis von V ist, die m Elemente enthält.

5
Ernst Steinitz (1871 - 1928), deutscher Mathematiker.

73
Kapitel III. Vektorräume und lineare Abbildungen

Wir beweisen die Gültigkeit von A(n) für alle n ∈ N durch vollständige In-
duktion. Für n = 0 muss F = ∅ gelten, und wir können B e = B wählen. Offenbar
′
ist dann B = B ∪ ∅ = B eine Basis mit m Elementen. Jetzt schließen wir von
A(n) auf A(n + 1). Für V, F und B wie in der Annahme suchen wir uns ein Ele-
ment v0 ∈ F aus und setzen F′ := F \ {v0 }. Nach Induktionsvoraussetzung gibt es
eine Teilmenge B ⊆ B mit m − n Elementen, so dass B′′ = B ∪ F′ eine Basis von V
mit m Elementen ist. Da F linear unabhängig ist, gilt v0 6∈ hF′ i. Schreiben wir
X
v0 = λb · b,
b∈B

dann existiert folglich ein Element b0 ∈ B mit λb0 6= 0. Nach dem Austauschlem-
ma III.4.9 ist
e∪F
B′ := (B \ {b0 }) ∪ F′ ∪ {v0 } = B
| {z }
e
=:B

e = #B − 1 = m − n − 1 = m − (n + 1), und wegen

eine Basis für V. Offenbar gilt #B
e ∩ F = ∅ gilt #B′ = #B
B e + #F = m.
Nun können wir i) beweisen. Die linear unabhängige Teilmenge F habe min-
destens m + 1 Elemente. Daher können wir eine Teilmenge F′ ( F mit genau
m Elementen auswählen. Aus A(m) folgt, dass F′ eine Basis ist. Nach Satz
III.4.4 ist F′ eine maximale linear unabhängige Teilmenge. Daher muss F li-
near abhängig sein, im Widerspruch zur Annahme. Teil ii) folgt schließlich aus
i) und A(n), n := #F.

Beweis von Satz III.4.6. Es seien B und B′ zwei Basen von V. Da B′ eine linear
unabhängige Teilmenge von V ist, impliziert Satz III.4.10, i), #B′ ≤ #B. Ebenso
können wir die Basis B′ zu Grunde legen und #B ≤ #B′ für die linear unabhängi-
ge Teilmenge B schließen.

Folgerung III.4.11. Es seien V ein endlichdimensionaler K-Vektorraum und W ⊆

V ein Unterraum. Dann ist auch W endlichdimensional mit DimK (W) ≤ DimK (V).

Beweis. Nach Satz III.4.10, i), hat jede linear unabhängige Teilmenge von W
höchstens DimK (V) Elemente. Es sei F ⊆ W eine linear unabhängige Teilmenge
mit der maximalen Anzahl von Elementen. Dann ist F offenkundig eine maxi-
male linear unabhängige Teilmenge von W und somit eine Basis. Also ist W
endlichdimensional und DimK (W) = #F ≤ DimK (V).

Zeilen- und Spaltenrang von Matrizen. — Mit Hilfe des Dimensionsbegriffs

können wir nun die in Problem I.4.6, i), gesuchte Invariante von Matrizen er-
klären.

74
III.4. Basen

Definitionen III.4.12. i) Der Vektorraum der Zeilenvektoren ist

ZKn := Mat(1, n; K) = (s1 · · · sn ) | si ∈ K, i = 1, ..., n .

ii) Es seien  
a11 · · · a1n
 ..  ∈ Mat(m, n; K)
A =  ... . 
am1 · · · amn
eine (m × n)-Matrix,  
a1j
 
vj :=  ...  ∈ Km
amj
die j-te Spalte von A, j = 1, ..., n, und

zi = (ai1 · · · ain ) ∈ ZKn

die i-te Zeile, i = 1, ..., m. Die Zahl

S-Rg(A) := DimK h v1 , ..., vn i

ist der Spaltenrang von A und die Zahl

Z-Rg(A) := DimK h z1, ..., zm i

der Zeilenrang.
Beispiel III.4.13. Es sei A eine Matrix in Zeilenstufenform wie in Satz I.3.3, i),
beschrieben. Dann gilt
S-Rg(A) = r = Z-Rg(A).
Satz III.4.14. Es seien A, A ′ ∈ Mat(m, n; K) zwei (m × n)-Matrizen.
i) Die Matrix A ′ gehe aus der Matrix A durch eine Zeilenoperation vom Typ
(ZI), (ZII) oder (ZIII) (s. Definition I.3.1) hervor. Dann gilt

Z-Rg(A ′ ) = Z-Rg(A).

ii) Falls die Matrix A ′ aus der Matrix A durch eine Spaltenoperation vom Typ
(SI), (SII) oder (SIII) (s. Aufgabe I.4.10) hervorgeht, so gilt

S-Rg(A ′ ) = S-Rg(A).

Beweis. Der Beweis wird der Leserin bzw. dem Leser als Übungsaufgabe über-
lassen (Aufgabe III.4.21).

75
Kapitel III. Vektorräume und lineare Abbildungen

Folgerung III.4.15. Für jede Matrix A ∈ Mat(m, n; K) gilt

Z-Rg(A) + DimK L(A, 0) = n.

Bemerkung III.4.16. Mit dem Zeilenrang haben wir die in Problem I.4.6, i), ge-
suchte Invariante gefunden.
Beispiel III.4.13 suggeriert das folgende
Problem III.4.17. Gilt S-Rg(A) = Z-Rg(A) für jede Matrix A?
Die Frage lautet also, ob Zeilenumformungen den Spaltenrang einer Matrix
ändern können. Sie lässt sich elegant mit Hilfe der Theorie linearer Abbildun-
gen beantworten, der wir uns im nächsten Abschnitt widmen möchten.
Aufgabe III.4.18.
Bestimmen Sie die Dimension der linearen Hülle der folgenden Zeilenvektoren
im ZK4 :

v1 := (1, −3, 7, −1), v2 := (2, 0, −4, 3), v3 := (2, 6, −22, 8) und v4 := (3, 3, −15, 7).

Aufgabe III.4.19.
Geben Sie eine Basis für Abb′ (N, K) (s. Aufgabe II.3.7, b) an.
Aufgabe III.4.20.
Gegeben seien zwei endlichdimensionale K-Vektorräume V und W der Dimensi-
on m bzw. n. Welche Dimension hat der Vektorraum V ⊕ W aus Aufgabe III.1.9?
Aufgabe III.4.21.
Zeigen Sie: Es seien A, A′ ∈ Mat(m, n; K). Dabei gehe A′ aus A durch eine Folge
von Zeilenoperationen vom Typ (ZI)-(ZIII) (bzw. Spaltenoperationen vom Typ
(SI)-(SIII)) hervor. Dann folgt

Z-Rg(A′ ) = Z-Rg(A) bzw. S-Rg(A′ ) = S-Rg(A) .

III.5 Lineare Abbildungen

Vektorräume sind Mengen, die mit den Zusatzstrukturen Addition“ und Ska-
” ”
larmultiplikation“ ausgestattet sind. Die Theorie der Vektorräume wird durch
diejenigen Abbildungen, die diese Zusatzstrukturen respektieren, entscheidend
bereichert.

Definition III.5.1. Es seien V und W zwei K-Vektorräume. Eine Abbildung

f : V −→ W ist eine lineare Abbildung oder ein (Vektorraum-)Homomorphismus,
wenn sie folgende Eigenschaften aufweist:

• ∀λ ∈ K∀v ∈ V: f(λ · v) = λ · f(v),

76
III.5. Lineare Abbildungen

• ∀v, v ′ ∈ V: f(v + v ′ ) = f(v) + f(v ′ ).

Beobachtung III.5.2. Es seien V, W zwei K-Vektorräume und f : V −→ W eine

lineare Abbildung. Dann gilt f(0) = 0.

Beweis. Es sei v ∈ V. Dann hat man nach Lemma III.1.3, i),

f(0) = f(0 · v) = 0 · f(v) = 0.

Dies zeigt die Behauptung.

Beispiele III.5.3. i) Für jeden K-Vektorraum V ist IdV : V −→ V eine lineare Ab-
bildung.
ii) Es seien V, W zwei K-Vektorräume. Dann ist 0 : V −→ W, v 7−→ 0, eine
lineare Abbildung.
iii) Es seien V ein K-Vektorraum und α ∈ K. Die zugehörige Homothetie ist
die Abbildung

hα : V −→ V
v 7−→ α · v.

Mit Hilfe der Vektorraum-Axiome (Definition III.1.1) überprüfen wir, dass hα

eine lineare Abbildung ist:

• Für λ ∈ K und v ∈ V haben wir

hα (λ · v) = α · (λ · v) = (α · λ) · v = (λ · α) · v = λ · (α · v) = λ · hα (v).

• Für v, v ′ ∈ V gilt

hα (v + v ′ ) = α · (v + v ′ ) = α · v + α · v ′ = hα (v) + hα (v ′ ).

Eigenschaften III.5.4. Es seien V, W zwei K-Vektorräume und f : V −→ W eine

lineare Abbildung.
i) Für jeden linearen Teilraum U ⊆ V von V ist f(U) ⊆ W ein linearer Teilraum
von W. Insbesondere ist Bild(f) ein linearer Teilraum von W.
ii) Es sei U ⊆ W ein linearer Teilraum von W. Dann ist f−1 (U) ⊆ V ein linearer
Teilraum von V.
iii) Für jede Teilmenge M ⊆ V gilt

f hMi = f(M) .

Beweis. Teil i) folgt aus Teil iii). (Man wähle etwa M := U.)
ii) Wir überprüfen die Axiome aus Definition III.1.4:

77
Kapitel III. Vektorräume und lineare Abbildungen

• Nach Beobachtung III.5.2 gilt f(0) = 0 ∈ U, so dass 0 ∈ f−1 (U).

• Es seien λ ∈ K und v ∈ f−1 (U). Dann hat man f(λ · v) = λ · f(v) ∈ λ · U ⊆ U, so
dass λ · v ∈ f−1 (U).
• Es seien v, v ′ ∈ f−1 (U). Wir haben f(v + v ′ ) = f(v) + f(v ′ ) ∈ U + U ⊆ U, und es
folgt v + v ′ ∈ f−1 (U).
iii) Für M = ∅ haben wir f(∅) = ∅. Nach Vereinbarung in Definition III.2.1,
ii), gilt h∅i = {0}. Die Behauptung lautet in diesem Fall f({0}) = {0} und folgt aus
Beobachtung III.5.2.
Für das Folgende dürfen wir M 6= ∅ voraussetzen. Wir zeigen zunächst
f(hMi) ⊆ hf(M)i. Es sei v ∈ hMi. Dann existieren s ≥ 1, λ1 , ..., λs ∈ K und
v1 , ..., vs ∈ M, so dass v = λ1 · v1 + · · · + λs · vs . Wir berechnen
f(v) = f(λ1 · v1 + · · · + λs · vs ) = λ1 · f(v1 ) + · · · + λs · f(vs ) ∈ f(v1 ), ..., f(vs) .
Weiter gilt
f(v1 ), ..., f(vs) ⊆ h f(w), w ∈ M i = f(M) .
Die Inklusion f(hMi) ⊇ hf(M)i beweisen wir auf folgende Weise: Für einen
Vektor w ∈ hf(M)i existieren λ1 , ..., λt, w1 , ..., wt ∈ f(M) mit w = λ1 · w1 + · · · + λt · wt
sowie v1 , ..., vt ∈ M mit f(vi ) = wi , i = 1, ..., t. Für v := λ1 · v1 + · · · + λt · vt ∈ hMi
finden wir
f(v) = f(λ1 · v1 + · · · + λt · vt ) = λ1 · f(v1 ) + · · · + λt · f(vt ) = λ1 · w1 + · · · + λt · wt = w,
i.e. w ∈ f(hMi).
Definition III.5.5. Es seien V, W zwei K-Vektorräume und f : V −→ W eine
lineare Abbildung. Die Teilmenge

Ker(f) := f−1 (0) = v ∈ V | f(v) = 0
heißt der Kern von f.
Bemerkung III.5.6. Nach Eigenschaft III.5.4, ii), ist Ker(f) ein linearer Teilraum
von V.
Lemma III.5.7. Es seien V, W zwei K-Vektorräume und f : V −→ W eine lineare
Abbildung. Dann ist f genau dann injektiv, wenn Ker(f) = {0} gilt.
Beweis. Die Abbildung f sei injektiv. Nach Beobachtung III.5.2 gilt 0 ∈ Ker(f)
und daher Ker(f) = {0}. Jetzt setzen wir Ker(f) = {0} voraus. Es seien v, v ′ ∈ V
mit f(v) = f(v ′ ). Dann gilt
0 = f(v) − f(v ′ ) = f(v − v ′ ).
Wir schließen v − v ′ = 0, also v = v ′ .

78
III.5. Lineare Abbildungen

Satz III.5.8. Es seien V, W zwei K-Vektorräume und f : V −→ W eine bijektive

lineare Abbildung. Dann ist auch die Umkehrabbildung6 f−1 : W −→ V linear.

Beweis. Schritt 1. Es seien w ∈ W, λ ∈ K und v := f−1 (w). Da f linear ist, gilt

λ · w = λ · f(v) = f(λ · v). Darauf wenden wir f−1 an und finden

f−1 (λ · w) = f−1 f(λ · v) = (f−1 ◦ f)(λ · v) = IdV (λ · v) = λ · v = λ · f−1 (w).

Schritt 2. Es seien w, w ′ ∈ W, v := f−1 (w) und v ′ = f−1 (w ′ ). Es gilt w + w ′ =

f(v) + f(v ′ ) = f(v + v ′ ), denn f ist linear. Wir schließen

f−1 (w + w ′ ) = v + v ′ = f−1 (w) + f−1 (w ′ ).

Damit ist alles gezeigt.

Bemerkung III.5.9. Eine lineare Abbildung f : V −→ W ist genau dann bijektiv,

wenn eine lineare Abbildung g : W −→ V existiert, so dass g ◦ f = IdV und
f ◦ g = IdW .

Definition III.5.10. Es seien V, W zwei K-Vektorräume und f : V −→ W eine

bijektive lineare Abbildung. Man nennt f einen (linearen) Isomorphismus.

Matrizen und lineare Abbildungen. — Lineare Abbildungen zwischen Km

und Kn lassen sich elegant mit Matrizen beschreiben. Hier treffen wir auf Be-
kannte aus Kapitel I.

Definition III.5.11. Es sei

 
a11 · · · a1n
 .. 
A :=  ... . 
am1 · · · amn

eine (m × n)-Matrix. Wir setzen

f : Kn −→ Km
A   
s1 t1 n
X
 ..   . 
 .  7−→  ..  , ti := aij · sj , j = 1, ..., m.
sn tm j=1

Bemerkung III.5.12. Es ist leicht zu überprüfen, dass fA eine lineare Abbildung

ist (s. Aufgabe III.5.44).
6
s. Definition II.1.26

79
Kapitel III. Vektorräume und lineare Abbildungen

Definition III.5.13. Es sei I eine Menge. Das Kronecker7-Delta auf der Menge I
ist die Abbildung
δ : I × I −→ { 0, 1 }
1, i = j
(i, j) 7−→ δij := .
6 j
0, i =
Bemerkung III.5.14. Wir können { 0, 1 } als Teilmenge des Körpers K auffassen
und somit δ als Abbildung von I nach K.
Beispiele III.5.15. i) Es sei n ≥ 1 eine natürliche Zahl. Das Kronecker-Delta auf
der Menge I = { 1, ..., n } ist die sogenannte Einheitsmatrix En ∈ Mat(n; K);
 
1
  0
En =  .
10
Wir haben fEn = IdKn .
ii) Für  
1 −1 0 2
 2 1 3 −1 
A=
 1
 ∈ Mat(4; R)
1 0 1 
−1 3 −1 −1
gilt    
1 1
 2   −3 
fA    
 −2  =  4  .
1 6
Satz III.5.16. Es gilt
DimK Bild(fA ) = S-Rg(A).
Beweis. Es sei  
a1j
 
vj =  ...  ∈ Km
amj
die j-te Spalte von A, j = 1, ..., n. Die Abbildungsvorschrift zeigt
fA (ej ) = vj , j = 1, ..., n. (III.6)
Mit Eigenschaft III.5.4, iii), finden wir

fA (Kn) = fA h e1 , ..., en i = f(e1 ), ..., f(en) = h v1 , ..., vn i.
Die Dimension des rechten Vektorraums ist nach Definition III.4.12, ii), der
Spaltenrang von A.
7
Leopold Kronecker (1823 - 1891), deutscher Mathematiker.

80
III.5. Lineare Abbildungen

Dieser Zusammenhang motiviert, eine entsprechende Invariante für lineare

Abbildungen einzuführen.

Definition III.5.17. Es seien V, W endlichdimensionale K-Vektorräume und

f : V −→ W eine lineare Abbildung. Die Zahl

Rg(f) := DimK Bild(f)

heißt der Rang von f.

Bemerkung III.5.18. Es besteht ein enger Zusammenhang zwischen den oben

eingeführten linearen Abbildungen und linearen Gleichungssystemen. Genau-
er gilt

Bild(fA ) = b ∈ Kn | L(A, b) 6= ∅ und Ker(fA ) = L(A, 0).
Beispiel III.5.19. Es sei α ∈ [0, 2π). Die Drehung Dα : R2 −→ R2 um den Winkel α
ist eine lineare Abbildung. Wie man Abbildung III.1 entnimmt, gilt

cos(α) − sin(α)
Dα (e1 ) = und Dα (e2 ) = .
sin(α) cos(α) Dα (e2 )

| {z } e2

Dα (e1 )
cos(α)
| {z }
sin(α)

α
| {z } e | {z }
1
cos(α) − sin(α)

Abbildung III.1: Drehungen als lineare Abbildungen

Für die Matrix

cos(α) − sin(α)
A :=
sin(α) cos(α)
gilt
D α = fA .

Lineare Abbildungen und Basen. — Mit Hilfe von Basen kann man lineare
Abbildungen zwischen endlichdimensionalen K-Vektorräumen explizit und ef-
fizient beschreiben. Mit dieser Beschreibung werden wir hier beginnen und sie
ausführlich in Kapitel IV entwickeln.

81
Kapitel III. Vektorräume und lineare Abbildungen

Definition III.5.20. Es seien V, W zwei K-Vektorräume. Man setzt

HomK (V, W) := f : V −→ W f ist linear .

In Aufgabe III.5.47 werden Abbildungen

+ : HomK (V, W) × HomK (V, W) −→ HomK (V, W)

(f, g) 7−→ f + g

und

· : K × HomK (V, W) −→ HomK (V, W)

(λ, f) 7−→ λ · f

definiert, so dass (HomK (V, W), +, ·) ein K-Vektorraum ist.

Satz III.5.21. Es seien V, W zwei K-Vektorräume und B ⊆ V eine Basis für V.

Dann ist

ΨB : HomK (V, W) −→ Abb(B, W)

f|B : B −→ W
f 7−→
b 7−→ f(b)

ein linearer Isomorphismus.

Die Injektivität besagt, dass eine lineare Abbildung durch ihre Werte auf
den Basisvektoren eindeutig bestimmt ist. Die Surjektivität besagt, dass man
für beliebige vorgeschriebene Werte der Basisvektoren eine lineare Abbildung
von V nach W finden kann, die auf den Basisvektoren die vorgeschriebenen
Werte annimmt.

Beweis von Satz III.5.21. Die Linearität der angegebenen Abbildung folgt direkt
aus der Definition der Vektorraum-Strukturen auf HomK (V, W) und Abb(B, W)
(s. Aufgabe III.1.8 und III.5.47).
P Vektor v ∈ V existieren eindeutig bestimmte Zahlen λb , b ∈ B, so
Zu jedem
dass v = λb · b. Für eine lineare Abbildung f : V −→ W gilt
b∈B

X
f(v) = λb · f(b).
b∈B

Diese Formel zeigt, wie man f(v) aus den Werten f(b), b ∈ B, von f auf den
Basisvektoren berechnet. Es folgt die Injektivität.

82
III.5. Lineare Abbildungen

Es sei fe: B −→ W eine mengentheoretische Abbildung. Wir definieren eine

Abbildung f : V −→ W auf folgende Weise: PZu v ∈ V seien λb ∈ K, b ∈ B, die
eindeutig bestimmten Zahlen, für die v = λb · b gilt. Damit setzen wir
b∈B

X
f(v) = e
λb · f(b).
b∈B

Man vergewissert sich leicht, dass f linear ist und f|B = fe erfüllt (s. Aufgabe
III.5.48).

Folgerung III.5.22. Es seien m, n ∈ N natürliche Zahlen und f : Kn −→ Km eine

lineare Abbildung. Dann gibt es genau eine (m × n)-Matrix A ∈ Mat(m, n; K), so
dass
f = fA .

Beweis. Es sei { ej | j = 1, ..., n } die Standardbasis von Kn . Wir schreiben

 
a1j
 
f(ej) =  ...  ∈ Km , j = 1, ..., n,
amj

und definieren  
a11 · · · a1n
 ..  ∈ Mat(m, n; K).
A :=  ... . 
am1 · · · amn
Die Abbildungen f und fA sind linear, und nach Konstruktion gilt f(ej ) = fA (ej ),
j = 1, ..., n. Die Injektivitätsaussage in Satz III.5.21 impliziert f = fA . Die Eindeu-
tigkeit ergibt sich, da fA (ej ) gerade die j-te Spalte der Matrix A ist, j = 1, ..., n.

Der Endomorphismenring und die allgemeine lineare Gruppe eines Vektor-

raums. — In Abschnitt II.2 haben wir gesehen, dass die bijektiven Selbstab-
bildungen einer Menge bzgl. Verknüpfung eine Gruppe bilden. Dasselbe gilt für
die bijektiven linearen Selbstabbildungen eines Vektorraums. Bevor wir darauf
eingehen, werden wir erklären, dass die Menge aller linearen Selbstabbildun-
gen eines Vektorraums ebenfalls eine interessante algebraische Struktur trägt.

Satz III.5.23. Es seien U, V, W K-Vektorräume und f : U −→ V und g : V −→ W

Abbildungen. Wenn f und g linear sind, dann ist auch die Verknüpfung g◦f : U −→
W linear.

Beweis. Es seien λ ∈ K und u, u ′ ∈ U.

83
Kapitel III. Vektorräume und lineare Abbildungen

′ ′

• Nach Definition gilt (g ◦ f)(u + u ) = g f(u + u ) . Da f linear ist, haben wir
′ ′
g f(u + u ) = g f(u) + f(u ) . Die Linearität von g ergibt g f(u) + f(u ′) =
g f(u) + g f(u ′ ) = (g ◦ f)(u) + (g ◦ f)(u ′).

• Analog erhalten wir (g ◦ f)(λ · u) = g f(λ · u) = g λ · f(u) = λ · g f(u) =
λ · (g ◦ f)(u).

Somit ist g ◦ f eine lineare Abbildung.

Satz III.5.24. Es seien U, V, W, X Vektorräume über dem Körper K, f, f ′ ∈ HomK (U,

V), g, g ′ ∈ HomK (V, W), h ∈ HomK (W, X) und λ ∈ K. Dann hat man folgende Iden-
titäten:
i) g ◦ (f + f ′ ) = g ◦ f + g ◦ f ′ , (g + g ′ ) ◦ f = g ◦ f + g ′ ◦ f.
ii) g ◦ (λ · f) = (λ · g) ◦ f = λ · (g ◦ f).
iii) (h ◦ g) ◦ f = h ◦ (g ◦ f).

Beweis. i) Für u ∈ U berechnen wir:

g ◦ (f + f ′ ) (u) = g (f + f ′ )(u)

= g f(u) + f ′ (u)

= g f(u) + g f ′ (u)
= (g ◦ f)(u) + (g ◦ f ′ )(u)
= (g ◦ f + g ◦ f ′ )(u),
′

(g + g ) ◦ f (u) = (g + g ′) f(u)

= g f(u) + g ′ f(u)
= (g ◦ f)(u) + (g ′ ◦ f)(u)
= (g ◦ f + g ′ ◦ f)(u).

In den Zwischenschritten haben wir die Definition der Summe von Abbildun-
gen und die Linearität der beteiligten Abbildungen verwendet. Die Behauptung
ergibt sich, weil zwei Abbildungen von U nach W genau dann gleich sind, wenn
sie auf allen Vektoren u ∈ U dieselben Werte annehmen (Bemerkung II.1.17, i).
ii) Es sei u ∈ U. Wir haben

λ · (g ◦ f) (u) = λ · (g ◦ f)(u) = λ · g f(u) = (λ · g) f(u) = (λ · g) ◦ f (u).

Damit ergibt sich die erste Gleichung. Aus der Linearität von g folgt weiter

g ◦ (λ · f) (u) = g (λ · f)(u) = g λ · f(u) = λ · g f(u) = λ · (g ◦ f)(u) ,

und man erhält die zweite Gleichung. Der dritte Teil wurde bereits in Satz
II.1.25, ii), bewiesen.

84
III.5. Lineare Abbildungen

Definition III.5.25. Es sei V ein K-Vektorraum. Eine lineare Abbildung f : V −→

V wird auch Endomorphismus von V genannt.
Schreibweise. Entsprechend setzt man EndK (V) := HomK (V, V).
In Aufgabe III.1.8 und III.5.47 haben wir die Operation
+ : EndK (V) × EndK (V) −→ EndK (V)
(f, g) 7−→ f + g
erklärt. Nach Satz III.5.23 ist auch die Operation
◦ : EndK (V) × EndK (V) −→ EndK (V)
(f, g) 7−→ f ◦ g
definiert.
Folgerung III.5.26. Es sei V ein Vektorraum, so dass DimK (V) ≥ 1.8 Dann ist
(EndK (V), +, ◦) ein Ring. Das neutrale Element der Addition ist die Nullabbildung
0 : V −→ V, v 7−→ 0, und dasjenige der Multiplikation die identische Abbildung
IdV .
Beweis. Schritt 1. Das Tripel (EndK (V), +) ist eine abelsche Gruppe mit Neu-
tralelement 0. Dies wurde bereits in Aufgabe III.5.47 nachgewiesen.
Schritt 2. Wir wissen ebenfalls (Beispiel II.1.24, i), Satz II.1.25, ii), dass für
f, g, h ∈ EndK (V) gilt:
f ◦ IdV = f = IdV ◦ f,
(f ◦ g) ◦ h = f ◦ (g ◦ h).
Da DimK (V) ≥ 1, also V 6= {0}, angenommen wurde, gilt 0 6= IdV .
Schritt 3. Die Distributivgesetze sind in Satz III.5.24, i), enthalten.
Bemerkung III.5.27. Für den Nullvektorraum V = {0} gilt 0 = IdV , und es ergibt
sich der Nullring EndK (V) = {0} (vgl. Bemerkung II.3.2, ii), den wir in Definition
II.3.1, i), ausgeschlossen hatten.
Beispiel III.5.28. Es gelte DimK (V) = 1. Dann ist (s. Beispiel III.5.3, iii)
ϕ : K −→ EndK (V)
α 7−→ hα
ein Isomorphismus (vgl. Aufgabe II.4.11, c), d.h. eine bijektive Abbildung, so
dass
ϕ(α + α ′) = ϕ(α) + ϕ(α ′ ),
ϕ(α · α ′) = ϕ(α) ◦ ϕ(α ′), α, α ′ ∈ K,
ϕ(1) = IdV .
8
Der Vektorraum V darf auch unendlichdimensional sein.

85
Kapitel III. Vektorräume und lineare Abbildungen

Satz III.5.29. Es sei V ein Vektorraum über K, Dann ist

GL(V) := f ∈ S(V) | f ist linear

= f ∈ EndK (V) | f ist bijektiv

= f ∈ EndK (V) | ∃g ∈ EndK (V) : f ◦ g = IdV = g ◦ f

eine Untergruppe von S(V).9

Definition III.5.30. Die Gruppe GL(V) aus dem Satz ist die allgemeine lineare
Gruppe des Vektorraums V.

Beweis von Satz III.5.29. Wir überprüfen die Axiome aus Definition II.2.7. Das
neutrale Element der Gruppe S(V) ist die Identität. Es ist eine lineare Abbil-
dung, gehört also GL(V) an. Für eine bijektive lineare Abbildung f ∈ GL(V),
ist die Umkehrabbildung f−1 nach Satz III.5.8 ebenfalls linear, i.e. f−1 ∈ GL(V).
Schließlich seien f, g ∈ GL(V). Die Verknüpfung f ◦ g ist nach Satz III.5.23 eben-
falls linear. Da sie auch bijektiv ist, gilt f ◦ g ∈ GL(V).

Definition III.5.31. Es sei V ein endlichdimensionaler K-Vektorraum der Di-

mension n. Eine durchnummerierte Basis von V ist eine Basis B von V zusam-
men mit einer bijektiven Abbildung β : { 1, ..., n } −→ B. Mit bi := β(i), i = 1, ..., n,
werden wir eine durchnummerierte Basis einfach in der Form B = { b1, ..., bn }
schreiben.

Satz III.5.32. i) Es seien V ein endlichdimensionaler K-Vektorraum und B =

{ b1 , ..., bn } eine durchnummerierte Basis von V. Dann gibt es genau einen linearen
Isomorphismus
ΦB : V −→ Kn
mit
ΦB (bi ) = ei , i = 1, ..., n.

ii) Seien umgekehrt V ein K-Vektorraum und Φ : V −→ Kn ein linearer Isomor-

phismus. Dann ist

BΦ := Φ−1 (e1 ), ..., Φ−1(en )
eine durchnummerierte Basis von V.
iii) In den Bezeichnungen von i) und ii) gilt:

BΦB = B und ΦBΦ = Φ.

9
Die Gruppe S(V) wurde in Bemerkung II.2.1 eingeführt.

86
III.5. Lineare Abbildungen

Beweis. i) Nach Satz III.5.21 gibt es genau eine lineare Abbildung ΦB : V −→ Kn

mit ΦB (bi ) = ei , i = 1, ..., n. Es ist zu überprüfen, dass ΦB bijektiv ist. Für die
Surjektivität verwenden wir Eigenschaft III.5.4, iii). Es gilt

Bild(ΦB ) = ΦB (V) = ΦB hBi = ΦB (B) = ΦB (b1), ..., ΦB(bn ) = h e1 , ..., en i = Kn .
Zum Nachweis der Injektivität verwenden wir das Kriterium aus Lemma III.5.7.
P
n
Es sei v = λi · bi ein Vektor aus dem Kern von ΦB . Dann gilt
i=1

n
! n n
X X X
0 = ΦB λi · b i = λi · ΦB (bi ) = λi · e i .
i=1 i=1 i=1

Es folgt λ1 = · · · = λn = 0 und damit v = 0.

ii) Wir zeigen zunächst, dass BΦ ein Erzeugendensystem ist. Dazu verwenden
wir den linearen Isomorphismus Φ−1 : Kn −→ V. Wie zuvor sehen wir
D E
hBΦ i = Φ−1 { e1 , ..., en } = Φ−1 h e1 , ..., en i = Φ−1 (Kn ) = V.

Jetzt widmen wir uns der linearen Unabhängigkeit von BΦ . Es seien λ1 , ..., λn ∈
K, so dass
Xn
0= λi · Φ−1 (ei ).
i=1

Auf diese Identität wenden wir Φ an und erhalten

n
! n n
X X X
0 = Φ(0) = Φ λi · Φ−1 (ei ) = λi · Φ Φ−1 (ei ) = λi · e i .
i=1 i=1 i=1

Es folgt wiederum λ1 = · · · = λn = 0. Die Behauptungen in Teil iii) ergeben sich

unmittelbar aus den Definitionen.
Definition III.5.33. Es seien V, W zwei K-Vektorräume. Wir sagen, V und W
sind isomorph, wenn es einen linearen Isomorphismus Φ : V −→ W gibt.
Schreibweise. V =∼ W.

Folgerung III.5.34. Es seien V und W zwei endlichdimensionale K-Vektorräume.

Dann sind V und W genau dann isomorph, wenn
DimK (V) = DimK (W).
Somit ist ein n-dimensionaler K-Vektorraum zum Vektorraum Kn isomorph.
Hier schließt sich ein Kreis: Wir haben in Definition I.2.1 mit dem Vektor-
raum Kn begonnen, um Lösungsmengen linearer Gleichungssysteme definie-
ren zu können. Ausgehend von den Eigenschaften dieses Vektorraums (Aufga-
be I.2.10) haben wir das abstrakte Konzept des Vektorraums eingeführt. Nun

87
Kapitel III. Vektorräume und lineare Abbildungen

stellt sich heraus, dass jeder abstrakte“ endlichdimensionale Vektorraum im

”
Wesentlichen ein Kn ist. Trotzdem hat sich der große Aufwand gelohnt. Ein Vek-
torraum besitzt nur selten eine ausgezeichnete Basis. (Man betrachte etwa die
in Abschnitt III.6 konstruierten Quotientenvektorräume.) Daher empfiehlt es
sich, die Theorie soweit wie möglich ohne die Verwendung von Basen zu entwi-
ckeln, d.h. ohne die Vektorräume mit Kn zu identifizieren. Auf der anderen Seite
käme man kaum auf die Idee, für Kn eine andere Basis als die Standardbasis
zu wählen. Dennoch wird sich in Kapitel IV und V zeigen, dass die geschick-
te Wahl einer Basis sich oftmals auszeichnet. Daher ist es wichtig, über einen
Formalismus zu verfügen, mit dem man diese Wahl angemessen beschreiben
kann.

Lineare Komplemente. — Eine Variante von Satz III.4.10, ii), führt zu einem
weiteren Verfahren, mit dem man einen Vektorraum in kleinere Bestandteile
zerlegen kann.

Definition III.5.35. Es seien V ein K-Vektorraum und U ⊆ V ein linearer Teil-

raum. Ein linearer Teilraum U ′ ⊆ V ist ein lineares Komplement zu U in V,
wenn
V = U ⊕ U′
gilt.

Nach Definition III.2.1, ii), bedeutet die Bedingung V = U ⊕ U ′ , dass

V = U + U′ = u + u ′ | u ∈ U, u ′ ∈ U ′ }

und
U ∩ U ′ = {0},
also dass sich jeder Vektor aus V in eindeutiger Weise als Summe eines Vektors
aus U und eines Vektors aus U ′ darstellen lässt.

Lemma III.5.36. Es seien V ein endlichdimensionaler K-Vektorraum, U ⊆ V ein

linearer Teilraum und U ′ ⊆ V ein lineares Komplement zu U. Dann gilt:

DimK (V) = DimK (U) + DimK (U ′ ).

Beweis. Die Vektorräume U und U ′ sind ebenfalls endlichdimensional (Folge-

rung III.4.11). Wir wählen eine Basis B für U und eine Basis B ′ für U ′ . Wir
behaupten, dass B ∪ B ′ eine Basis für V ist. Zunächst zeigen wir, dass die Men-
ge B ∪ B ′ den Vektorraum V erzeugt. Es sei v ∈ V. Es existieren Vektoren u ∈ U

88
III.5. Lineare Abbildungen

u ′ ∈ U ′ mit v = u +Pu ′ . Weiter gibt es λb ∈ K, b ∈ B, und µb ′ ∈ K, b ′ ∈ B ′ , mit

und P
u= λb · b und u ′ = µb ′ · b ′ . Es folgt
b∈B b ′ ∈B ′

X X
v= λb · b + µb ′ · b ′ ∈ hB ∪ B ′ i.
b∈B b ′ ∈B ′

Weiter seien λb ∈ K, b ∈ B, und µb ′ ∈ K, b ′ ∈ B ′ , so dass

X X
λb · b + µb ′ · b ′ = 0.
b∈B b ′ ∈B ′

Es folgt, dass X X
λb · b = − µb ′ · b ′ .
b ′ ∈B ′
|b∈B {z } | {z }
=:u∈U =:u ′ ∈U ′

Somit gilt u, u ′ ∈ U ∩ U ′ , d.h. u = u ′ = 0. Da B eine Basis von U ist, haben wir

λb = 0, b ∈ B. Ebenso folgt, dass µb ′ = 0, b ′ ∈ B ′ . Wir haben nachgewiesen, dass
die Menge B ∪ B ′ linear unabängig ist.

Bemerkungen und Beispiele III.5.37. i) Es sei V ein K-Vektorraum. Für U = {0}

ist U ′ = V das einzige lineare Komplement, und für U = V ist U ′ = {0} das
einzige.
ii) Wir betrachten den unendlichdimensionalen K-Vektorraum V := Abb(N,
K) (s. Aufgabe II.3.7 und Beispiel III.1.2, ii) und definieren

U := f ∈ Abb(N, K) ∀n ∈ N ungerade : f(n) = 0 ,

U ′ := f ∈ Abb(N, K) ∀n ∈ N gerade : f(n) = 0 .

Dann gilt
V = U ⊕ U ′.
Man beachte, dass sowohl U als auch U ′ unendlichdimensional ist.
iii) Lineare Komplemente sind
nicht eindeutig bestimmt.
Es sei z.B. U :=
1 2 ′ a a
0
⊆ K . Dann ist U := b für jeden Vektor b mit b 6= 0 ein lineares
Komplement.

Satz III.5.38. Es seien V ein endlichdimensionaler K-Vektorraum und U ⊆ V

ein linearer Teilraum. Dann existiert ein lineares Komplement U ′ ⊆ V zu U.

Beweis. Es sei F eine Basis für U. Dann können wir nach Satz III.4.10, ii), eine
Teilmenge F ′ ⊆ V finden, so dass F ∪ F ′ eine Basis von V ist. Man überprüft
mühelos, dass U ′ := hF ′i ein lineares Komplement zu U ist.

89
Kapitel III. Vektorräume und lineare Abbildungen

Als kleine Anwendung notieren wir:

Lemma III.5.39. Es seien V, W zwei K-Vektorräume, f : V −→ W eine lineare

Abbildung, und U ′ ⊆ V ein lineares Komplement zu Ker(f). Dann ist

f|U ′ : U ′ −→ Bild(f)
u ′ 7−→ f(u ′ )

ein linearer Isomorphismus.

Beweis. Die Abbildung f|U ′ ist offenbar linear. Sei w ∈ Bild(f). Es gibt also einen
Vektor v ∈ V mit f(v) = w. Ferner existieren Elemente u ∈ Ker(f) und u ′ ∈ U ′ mit
v = u + u ′ . Wir finden

w = f(v) = f(u + u ′ ) = f(u) + f(u ′ ) = f(u ′ ) = f|U ′ (u ′ ).

Dies zeigt, dass f|U ′ surjektiv ist. Jetzt sei u ′ ∈ Ker(f|U ′ ). Also f(u ′) = f|U ′ (u ′ ) = 0,
so dass u ′ ∈ Ker(f) ∩ U ′ = {0}. Nach Lemma III.5.7 ist f|U ′ injektiv.

Die Dimensionsformel für lineare Abbildungen. — Die Dimension des Bilds

und des Kerns einer linearen Abbildung sind über die folgende Formel mitein-
ander verbunden. Damit kann man z.B. die in Problem III.4.17 gestellte Frage
beantworten.

Satz III.5.40 (Dimensionsformel für lineare Abbildungen). Es seien V, W Vek-

torräume über K und f : V −→ W eine lineare Abbildung. Der Vektorraum V sei
endlichdimensional. Dann gilt

DimK Ker(f) + DimK Bild(f) = DimK (V).

Beweis. Wir wählen gemäß Satz III.5.38 ein lineares Komplement U ′ zum Un-
terraum Ker(f) von V. Dann gilt:

• DimK Ker(f) + DimK (U ′ ) = DimK (V) (Lemma III.5.36);

• Der Unterraum U ′ ist isomorph zu Bild(f) (Lemma III.5.39), so dass insbe-

sondere DimK (U ′ ) = DimK Bild(f) .

Diese beiden Tatsachen ergeben zusammen die Behauptung des Satzes.

Folgerung III.5.41. Gegeben seien endlichdimensionale K-Vektorräume V, W

und eine lineare Abbildung f : V −→ W.
i) Falls f injektiv ist, dann ergibt sich DimK (V) ≤ DimK (W).
ii) Falls f surjektiv ist, dann folgt DimK (V) ≥ DimK (W).
iii) Gilt DimK (V) = DimK (W), so sind folgende Aussagen äquivalent:

90
III.5. Lineare Abbildungen

a) Die Abbildung f is ein linearer Isomorphismus.

b) Die Abbildung f ist injektiv.
c) Die Abbildung f ist surjektiv.
iv) Es seien m, n ≥ 1 natürliche Zahlen und A eine (m × n)-Matrix. Dann gilt

S-Rg(A) = Z-Rg(A).
∼ Bild(f) (Lemma III.5.39). Da Bild(f) ⊆
Beweis. i) Hier gilt Ker(f) = {0} und V =
W ein linearer Teilraum ist (Eigenschaft III.5.4, i), haben wir DimK (Bild(f)) ≤
DimK (W) nach Folgerung III.4.11.
ii) Es gilt W = Bild(f), so dass aus der Dimensionsformel

DimK (W) = DimK (V) − DimK Ker(f) ≤ DimK (V)

folgt.
iii) Ein Isomorphismus ist nach Definition bijektiv, d.h. sowohl injektiv als
auch surjektiv. Somit sind die Implikationen a)=⇒b)“ und a)=⇒c)“ offensicht-
” ”
lich. Für b)=⇒a)“ beobachten wir, dass die Voraussetzung und die Dimensi-
”
onsformel wegen Ker(f) = {0}

DimK Bild(f) = DimK (V) = DimK (W)

ergeben. Da Bild(f) ein linearer Teilraum von W ist, impliziert die Gleichung
DimK (Bild(f)) = DimK (W), dass Bild(f) = W. Es bleibt c)=⇒a)“ nachzuweisen.
”
Hier besagen die Voraussetzungen

DimK Bild(f) = DimK (W) = DimK (V).

Die Dimensionsformel zeigt DimK (Ker(f)) = 0, d.h. Ker(f) = {0}. Nach Lemma
III.5.7 ist f injektiv.
iv) Es gilt S-Rg(A) = DimK (Bild(fA )). Nach der Dimensionsformel für fA hat
man
DimK Bild(fA ) = DimK (Kn) − DimK Ker(fA) .
Wegen Ker(fA ) = L(A, 0) (Bemerkung III.5.18) lautet die Behauptung also

Z-Rg(A) = n − DimK L(A, 0)

und ist nach Folgerung III.4.15 wahr.

Definition III.5.42. Es seien m, n ≥ 1 natürliche Zahlen und A eine (m × n)-

Matrix. Die Zahl
Rg(A) := S-Rg(A)
ist der Rang der Matrix A.

91
Kapitel III. Vektorräume und lineare Abbildungen

Aufgabe III.5.43.
a) Es seien M eine Menge, V ein K-Vektorraum und x ∈ M. Zeigen Sie, dass die
so genannte Auswertungsabbildung

evx : Abb(M, V) −→ V
f 7−→ f(x)

linear ist.
b) Es seien M und N Mengen, und V und W seien K-Vektorräume. Ferner seien
eine Abbildung ϕ : M −→ N und eine lineare Abbildung ψ : V −→ W gegeben.
Zeigen Sie, dass es sich bei den Abbildungen

ϕ∗ : Abb(N, V) −→ Abb(M, V)
f 7−→ f ◦ ϕ

und

ψ∗ : Abb(M, V) −→ Abb(M, W)
f 7−→ ψ ◦ f

um lineare Abbildungen handelt. Benutzen Sie eine Abbildung vom Typ ϕ∗ , um

einen linearen Isomorphismus zwischen den Vektorräumen Mat(m, n; K) und
Km·n herzustellen.
Aufgabe III.5.44.
Es seien A ∈ Mat(m, n; K) eine (m × n)-Matrix und fA : Kn −→ Km die in Definition
III.5.11 definierte zugehörige Abbildung. Rechnen Sie nach, dass fA eine lineare
Abbildung ist.
Aufgabe III.5.45.
Wir betrachten eine lineare Abbildung fA : K3 −→ K3 , K := F7 . Berechnen Sie
Ker(fA), f−1 ({v}) und f−1 (hvi) zu den Daten
   
1 1 1 1
A :=  
−2 −1 −1 , v :=  1 .
2 −1 6 7

Aufgabe III.5.46.
Gegeben seien folgende Vektoren im R4 :
       
1 −2 3 −5
 5   −7   11   
v1 :=       , v4 :=  −14  .
 −1  , v2 :=  3  , v3 :=  −6   12 
−1 3 −3 6

92
III.5. Lineare Abbildungen

Gibt es eine lineare Abbildung f : R4 −→ R3 mit

       
1 1 0 4
f(v1 ) =  3  , f(v2 ) =  −1  , f(v3 ) =  0  und f(v4 ) =  8  ?
1 0 1 0

Aufgabe III.5.47.
Zeigen Sie, dass HomK (V, W) ein linearer Teilraum von Abb(V, W) ist (s. Aufgabe
III.1.8).
Aufgabe III.5.48.
e
P⊆ V eine Basis und f : B −→ W
Es seien V, W Vektorräume über dem Körper K, B
10
eine mengentheoretische Abbildung. Für v = λb · b definieren wir
b∈B
X
f(v) := e
λb · f(b).
b∈B

Erläutern Sie, warum dieser Ausdruck wohldefiniert ist, und weisen Sie nach.
dass

f : V −→ W
v 7−→ f(v)

eine lineare Abbildung ist, die f|B = fe erfüllt.

Aufgabe III.5.49.
Es sei V ein K-Vektorraum, und U, U′ seien Unterräume von V. Gemäß Aufgabe
III.1.9 können wir die direkte Summe U ⊕ U′ der Vektorräume U und U′ bilden
und, wie in Definition III.2.1, ii), beschrieben, die Summe U + U′ in V. Geben
Sie eine natürliche“ lineare Abbildung f : U ⊕ U′ −→ V mit Bild(f) = U + U′ an.
”
Zeigen Sie, dass f genau dann ein Isomorphismus ist, wenn V = U ⊕ U′ (im
Sinne von Definition III.2.1, ii), gilt.11 Bestimmen Sie allgemeiner den Kern von
f und leiten Sie die Dimensionsformel für Unterräume

DimK (U + U′ ) = DimK (U) + DimK (U′ ) − DimK (U ∩ U′ )

aus der Dimensionsformel für lineare Abbildungen ab.

Aufgabe III.5.50.
Gegeben seien die Unterräume
* 1   2 + * 0   1 +
U :=  0  ,  3  , U ′ :=  1  ,  1 
−1 1 1 −2
10
Wie üblich müssen fast alle Koeffizienten λb ∈ K, b ∈ B, null sein.
11
Die Doppelbezeichnung für zwei an sich verschiedene Objekte ist also gerechtfertigt.

93
Kapitel III. Vektorräume und lineare Abbildungen

von R3 . Berechnen Sie eine Basis für U ∩ U ′ , und bestimmen Sie die Summe
U + U ′ ⊆ R3 als Unterraum. Ermitteln Sie schließlich ein lineares Komplement
zu U ∩ U ′ in U + U ′ .

III.6 Quotientenvektorräume
Definition III.6.1. Es seien V ein K-Vektorraum und U ⊆ V ein linearer Teil-
raum. Für Vektoren v, v ′ ∈ V schreiben wir

v ∼U v ′ :⇐⇒ v ′ − v ∈ U.

Falls v ∼U v ′ , dann sind v, v ′ kongruent modulo U.

Bemerkungen III.6.2. i) Nach Lemma II.4.5 ist ∼U“ eine Äquivalenzrelation. Die
”
Äquivalenzklassen sind von der Form

[v]U = v + U = v + u | u ∈ U , v ∈ V.

ii) Es gilt genau dann v ∼U v ′ , wenn es einen Vektor u ∈ U mit v ′ = v + u gibt,

v, v ′ ∈ V.

Satz III.6.3. Es seien V ein K-Vektorraum, U ⊆ V ein linearer Teilraum und

W := V/U die Menge der Äquivalenzklassen bzgl. der Äquivalenzrelation ∼U“.
”
i) Die Abbildungen

+: W × W −→ W

[v]U , [v ′ ]U 7−→ [v + v ′ ]U ,
·: K × W −→ W

λ, [v]U 7−→ [λ · v]U

sind wohldefiniert und definieren auf W die Struktur eines K-Vektorraums.

ii) Die Zuordnung

π : V −→ W
v 7−→ [v]U

ist eine surjektive lineare Abbildung mit

Ker(π) = U.

Falls V endlichdimensional ist, so gilt

DimK (W) = DimK (V) − DimK (U).

94
III.6. Quotientenvektorräume

Beweis. i) Wir wissen bereits, dass +“ wohldefiniert ist und (W, +) eine abel-
”
sche Gruppe (Satz II.4.6). Es ist nun die Wohldefiniertheit von ·“ zu verifizieren.
”
Dazu seien λ ∈ K, v ∈ V, u ∈ U und v ′ = v + u. Wir wollen

[λ · v ′ ]U = [λ · v]U

zeigen. Dazu berechnen wir

λ · v ′ − λ · v = λ · (v ′ − v) = λ · u.

Das Element λ · u gehört zu U, denn U ist ein linearer Teilraum. Die Gültigkeit
der verbleidenden Axiome (S1) - (S4) ist angesichts der Definition von +“ und
”
·“ eine unmittelbare Konsequenz der Gültigkeit der entsprechenden Axiome im
”
Vektorraum V.
ii) Die Linearität und die Surjektivität von π sind offensichtlich. Es sei u ∈ U.
Dann gilt 0 − u = −u ∈ U, so dass u ∼U 0 und [u]U = [0]U . Dies zeigt u ∈ Ker(π).
Sei umgekehrt v ∈ Ker(π). Dies bedeutet

[v]U = π(v) = 0 = [0]U ,

so dass 0 ∼U v, also v = v − 0 ∈ U.

Wir können jetzt endlich Problem I.4.6, ii), lösen:

Folgerung III.6.4. Es seien n ≥ 1 eine natürliche Zahl und U ⊆ Kn ein linearer

Teilraum. Dann existieren eine natürliche Zahl m ∈ { 1, ..., n } und eine (m × n)-
Matrix A mit
U = L(A, 0).

Beweis. Wir wählen eine durchnummerierte Basis B für den K-Vektorraum

W := Kn/U und definieren mit den Bezeichnungen aus Satz III.5.32 und III.6.3
die lineare Abbildung

π Φ
g : Kn −→ W −→
B
Km , m := #B.

Es gibt eine (m × n)-Matrix A, so dass g = fA (Folgerung III.5.22). Nun erkennen

wir mit Satz III.6.3, ii), und Bemerkung III.5.18

U = Ker(π) = Ker(g) = Ker(fA ) = L(A, 0).

Die Gleichheit der Kerne ergibt sich aus der Tatsache, dass ΦB ein Isomorphis-
mus ist.

95
Kapitel III. Vektorräume und lineare Abbildungen

Satz III.6.5 (Homomorphiesatz). Es seien V, W Vektorräume über dem Körper

K und f : V −→ W eine lineare Abbildung. Dann ist die Abbildung
f : V/Ker(f) −→ Bild(f)
[v] 7−→ f(v)
wohldefiniert und ein linearer Isomorphismus.
Beweis. Wir zeigen, dass f wohldefiniert ist. Es seien v ∈ V, u ∈ Ker(f) und
v ′ = v + u. Wir finden
f(v ′ ) = f(v + u) = f(v) + f(u) = f(v) + 0 = f(v).
Die Linearität ergibt sich folgendermaßen: Es seien λ ∈ K und v, v ′ ∈ V. Dann
haben wir

f [v] + [v ′ ] = f [v + v ′ ] = f(v + v ′ ) = f(v) + f(v ′ ) = f [v] + f [v ′ ]
und ebenso
f λ · [v] = f [λ · v] = f(λ · v) = λ · f(v) = λ · f [v] .
Schließlich ist zu zeigen, dass f bijektiv ist. Sei w ∈ Bild(f). Dann existiert ein
Vektor v ∈ V mit f(v) = w, und wir finden

f [v] = f(v) = w.

Damit gilt w ∈ Bild(f). Diese Überlegung liefert die Surjektivität von f. Für
die Injektivität zeigen wir, dass der Kern trivial ist. Sei v ∈ V ein Element mit
f([v]) = 0. Wegen f(v) = f([v]) gilt v ∈ Ker(f) und deshalb [v] = 0.
Dieser Satz gibt einen ersten Eindruck davon, wie Quotientenvektorräume
auf natürliche Weise auftreten. In der Linearen Algebra kann man anstatt mit
Quotientenvektorräumen oft auch mit linearen Komplementen arbeiten (vgl.
Aufgabe III.6.7). Wir haben in Beispiel III.5.37, iii), gesehen, dass lineare Kom-
plemente im Allgemeinen nicht eindeutig bestimmt sind. Dagegen ist die Kon-
struktion des Quotientenvektorraums kanonisch, d.h. sie hängt nicht von zu-
sätzlichen Wahlen ab. Die Konstruktion des Quotientenvektorraums funktio-
niert auch im unendlichdimensionalen Kontext problemlos. Dagegen erfordert
der Beweis der Existenz eines linearen Komplements in dieser Situation das
Auswahlaxiom. Man beachte weiter, dass für einen K-Vektorraum V, einen li-
nearen Teilraum U ⊂ V und ein lineares Komplement U ′ von U die induzierte
Abbildung π|U ′ : U ′ −→ V/U ein Isomorphismus ist. Man kann den Quotienten-
vektorraum also als intrinsische Version des linearen Komplements ansehen.
Allerdings ist der Quotientenvektorraum kein linearer Teilraum des ursprüng-
lichen Vektorraums. Schließlich sei darauf hingewiesen, dass in anderen Si-
tuationen, wie etwa der Gruppentheorie, Komplemente im Allgemeinen nicht

96
III.6. Quotientenvektorräume

existieren und man somit auf die Konstruktion etwa von Faktorgruppen (vgl.
Satz II.4.6) angewiesen ist. Für eine Diskussion von Quotientenvektorräumen
mit Blick auf kategorielle“ Konzepte verweisen wir auf [2], Kapitel II.
”
Aufgabe III.6.6.
a) Es seien v1 , ..., vs ∈ Kn und U := h v1 , ..., vs i ⊆ Kn . Entwickeln Sie mit Hilfe der
obigen Ergebnisse einen Algorithmus zum Auffinden einer (m × n)-Matrix A,
für die
L(A, 0) = U
gilt. Hierbei ist m = n − DimK (U).
Hinweis. Geben Sie zunächst ein Verfahren an, dass aus den Vektoren v1 , ..., vs
eine Basis für U auswählt.
b) Bestimmen Sie mit dem Verfahren aus a) eine Matrix A, für die
       
1 −1 3 4, 5
*  2   2   −2   1 +
       
L(A, 0) =        
 3  ,  −3  ,  9  ,  13, 5  ⊆ R
5

 4   4   −4   2 
5 −5 15 23, 5

gilt.
Aufgabe III.6.7.
Beweisen Sie Folgerung III.6.4 mit Hilfe von linearen Komplementen anstatt
mit Quotientenvektorräumen.
Aufgabe III.6.8.
Es seien V, W zwei K-Vektorräume, f : V −→ W eine lineare Abbildung, U ⊆ V
ein linearer Teilraum und π : V −→ V/U die Projektion aus Satz III.6.3, ii).
a) Beweisen Sie, dass es genau dann eine lineare Abbildung f : V/U −→ W mit

f=f◦π

gibt,12 wenn
U ⊆ Ker(f)
12
Man kann sich diese Bedingung mit dem Diagramm

f
V W
π
∃f
V/U

veranschaulichen“ (vgl. Definition IV.1.21, iii).

”

97
Kapitel III. Vektorräume und lineare Abbildungen

gilt. Überprüfen Sie auch, dass f in diesem Fall eindeutig bestimmt ist.
b) Weisen Sie nach, dass im Fall U ⊆ Ker(f) die Gleichung

Ker(f) = Ker(f)/U

erfüllt ist. Erläutern Sie dazu auch kurz, inwiefern Ker(f)/U ein Unterraum von
V/U ist.
Zeigen Sie weiter
Bild(f) = Bild(f).
Aufgabe III.6.9.
Es seien V, W endlichdimensionale K-Vektorräume und f : V −→ W eine lineare
Abbildung. Der Vektorraum

Koker(f) := W/Bild(f)

wird als Kokern von f angesprochen.

a) Beweisen Sie, dass die Abbildung f genau dann surjektiv ist, wenn Koker(f) =
{0} gilt.
b) Zeigen Sie, dass folgende Dimensionsformel gilt:

DimK V/Ker(f) + DimK Koker(f) = DimK (W).

Aufgabe III.6.10.
Wir betrachten die Abbildung fA : R3 −→ R4 zu der Matrix
 
1 0 1
 2 −1 3 
A := 
 0
 ∈ Mat(4, 3; R).
−1 1 
4 −2 6

Bestimmen Sie Ker(f), Bild(f), und geben Sie eine Basis für Koker(f) an.

98
IV
Matrizenrechnung

Im vorangegangenen Kapitel haben wir die Grundbegriffe der Linearen Alge-

bra eingeführt. Dies sind Vektorräume und lineare Abbildungen zwischen Vek-
torräumen. Neben dem abstrakten Begriffsapparat und den theoretischen Aus-
sagen spielen explizite Berechnungen eine große Rolle. Dazu verwendet man
Matrizen. Wir haben bereits gesehen, wie man für gegebene natürliche Zahlen
m, n ≥ 1 lineare Abbildungen von Kn nach Km mit Hilfe von Matrizen beschrei-
ben kann, und verschiedene abstrakte Begriffe der Linearen Algebra mit Kon-
zepten aus der Theorie linearer Gleichungssysteme verglichen. Die Beschrei-
bung linearer Abbildungen durch Matrizen lässt sich auf endlichdimensionale
Vektorräume zusammen mit einer durchnummerierten Basis ausdehnen. Ge-
schickte Wahlen von Basen führen zu besonders einfachen Matrizen, an denen
man die wichtigsten Daten der linearen Abbildung wie Kern, Bild und Rang
sofort ablesen kann. Dies kann man auch anwenden, wenn die beteiligten Vek-
torräume von der Form Kn sind, d.h. es kann sinnvoll sein, auch mit anderen
Basen als der Standardbasis zu arbeiten. In den Beweisen spielen die Resulta-
te zu Zeilen- und Spaltenumformungen aus dem ersten Kapitel eine wichtige
Rolle. Wir werden dazu Zeilen- und Spaltenumformungen durch das Matrix-
produkt beschreiben. Schließlich werden wir die Theorie der Determinanten
entwickeln, der wir bereits im ersten Kapitel für (2 × 2)-Matrizen begegnet sind.
Sie wird für das folgende Kapitel unverzichtbar sein.

99
Kapitel IV. Matrizenrechnung

IV.1 Das Matrixprodukt

Beobachtung IV.1.1. Es seien m, n ≥ 1 natürliche Zahlen. Dann ist die Abbil-
dung
Ψm,n : Mat(m, n; K) −→ HomK (Kn , Km)
A 7−→ fA
ein linearer Isomorphismus.
Beweis. In Folgerung III.5.22 wurde bereits nachgewiesen, dass Ψm,n eine bi-
jektive Abbildung ist. Wir müssen somit noch überprüfen, dass Ψm,n linear ist.
Dazu erinnern wir an folgende Tatsachen:
• Zwei lineare Abbildungen f, g : Kn −→ Km sind genau dann gleich, wenn
f(ej ) = g(ej) für j = 1, ..., n gilt (Satz III.5.21).
• Für eine Matrix A ∈ Mat(m, n; K) stimmt f(ej) mit der j-ten Spalte von A
überein, j = 1, ..., n (s. Definition III.5.11).
Es seien A = (aij) i=1,...,m , B = (bij) i=1,...,m ∈ Mat(m, n; K) Matrizen und λ ∈ K eine
j=1,...,n j=1,...,n
Zahl. Dann ist die j-te Spalte der Matriz A + B durch
 
a1j + b1j
 .. 
 . 
amj + bmj
gegeben und die j-te Spalte von λ · A durch
 
λ · a1j
 .. 
 .  , j = 1, ..., n.
λ · amj
Für j ∈ { 1, ..., n } folgt also
     
a1j + b1j a1j b1j
 ..   ..  +  ..  = f (e ) + f (e )
fA+B (ej) =  . = .   .  A j B j
amj + bmj amj bmj
und    
λ · a1j a1j
 ..   ..  = λ · f (e ).
fλ·A (ej ) =  . =λ· .  A j
λ · amj amj
Auf Grund der oben genannten Eigenschaften sind fA+B und fA + fB bzw. fλ·A
und λ · fA identisch.

100
IV.1. Das Matrixprodukt

Definition IV.1.2. Es seien l, m, n ≥ 1 natürliche Zahlen und A ∈ Mat(l, m; K),

B ∈ Mat(m, n; K) Matrizen. Das Produkt von A und B ist die Matrix
A · B := Ψ−1
l,n (fA ◦ fB ) ∈ Mat(l, n; K).

Bemerkungen IV.1.3. i) Das Matrixprodukt ist durch die Eigenschaft fA·B = fA ◦fB
charakterisiert.
ii) Man beachte, dass das Matrixprodukt nur definiert ist, wenn die Anzahl
der Spalten von A mit der Anzahl der Zeilen von B übereinstimmt.
Wir wollen jetzt eine explizite Formel für das Produkt zweier Matrizen erar-
beiten. In der Situation von Definition IV.1.2 seien
A = (aij) i=1,...,l und B = (bjk ) j=1,...,m .
j=1,...,m k=1,...,n

Behauptung. Es sei
A · B = (cik ) i=1,...,l .
k=1,...n

Dann gilt
m
X
cik = aij · bjk , i = 1, ..., l, k = 1, ..., n. (IV.1)
j=1

Beweis. Für k ∈ { 1, ..., n } hat man

     
c1k b1k m m a1j
 ..   ..  X X  ..  .
 .  = f (e
A·B k ) = f f
A B k(e ) = f A .  = b jk · f (e
A j ) = bjk ·  . 
clk bmk j=1 j=1 alj
Daraus liest man die behauptete Formel ab.
Bemerkung IV.1.4. Es seien i ∈ { 1, ..., l } und k ∈ { 1, ..., n }. Um das Element cik
in der Produktmatrix A · B zu ermitteln, benötigt man die i-te Zeile der Matrix
A und die k-te Spalte der Matrix B. Wir multiplizieren komponentenweise, d.h.
den ersten Eintrag der Zeile mit dem ersten Eintrag der Spalte, den zweiten
Eintrag der Zeile mit dem zweiten Eintrag der Spalte usw., und summieren
dann auf. Für den Anfang mag die Schreibweise die Berechnung in Abbildung
IV.1 vereinfachen.
Beispiel IV.1.5. Wir berechnen das Produkt einer (3×3)-Matrix und einer (3×2)-
Matrix mit rationalen Koeffizienten:
     
−1 0 3 2 3 (−1 · 2 + 0 · 1 + 3 · 3) (−1 · 3 + 0 · 5 + 3 · 1)
 2 −4 1  ·  1 5  =  (2 · 2 − 4 · 1 + 1 · 3) (2 · 3 − 4 · 5 + 1 · 1) 
1 5 0 3 1 (1 · 2 + 5 · 1 + 0 · 3) (1 · 3 + 5 · 5 + 0 · 1)
 
7 0
=  3 −13  .
7 28

101
Kapitel IV. Matrizenrechnung

k-te Spalte

· B
b11 b1k b1n

bm1 bmk bmn

a11 a1m

i-te Zeile
A A·B
ai1

al1
aim

alm
cik =
P
m

j=1
aij · bjk

Abbildung IV.1: Zum Matrixprodukt

Satz IV.1.6. Es seien l, m, n, p ≥ 1 natürliche Zahlen, A, A ′ ∈ Mat(l, m; K), B, B ′ ∈

Mat(m, n; K), C ∈ Mat(n, p; K) Matrizen und λ ∈ K. Dann gelten folgende Rechen-
regeln:
i) A · (B + B ′ ) = A · B + A · B ′ , (A + A ′ ) · B = A · B + A ′ · B.
ii) A · (λ · B) = (λ · A) · B = λ · (A · B).
iii) (A · B) · C = A · (B · C).
Beweis. Diese Regeln ergeben sich unmittelbar aus den entsprechenden Re-
geln für Abbildungen (s. Satz III.5.24). Für iii) beobachten wir z.B.

f(A·B)·C = fA·B ◦ fC = (fA ◦ fB ) ◦ fC = fA ◦ (fB ◦ fC ) = fA ◦ fB·C = fA·(B·C) .

Zusammen mit Beobachtung IV.1.1 folgt die behauptete Gleichheit.

Folgerung IV.1.7. Das Tupel (Mat(n; K), +, ·) ist ein Ring mit Einselement En .
Beispiel IV.1.8. Wir setzen

0 1 1 0
A= und B =
0 0 0 0

und berechnen
0 1 1 0 0 0
A·B= · = ,
0 0 0 0 0 0

102
IV.1. Das Matrixprodukt

1 0 0 1 0 1
B·A = · = .
0 0 0 0 0 0
Insbesondere hat der Ring Mat(n; K) Nullteiler.

Zeilen- und Spaltenoperation. — Die in Definition I.3.1 und Aufgabe I.4.10

eingeführten Zeilen- und Spaltenumformungen lassen sich mit Hilfe von Ma-
trixprodukten beschreiben.
Definitionen IV.1.9. Es sei n ≥ 1 eine natürliche Zahl.
i) Für Indizes k, l ∈ { 1, ..., n } mit k 6= l und eine Zahl λ ∈ K sei die (n × n)-
Matrix Qkl (λ) = (qij ) i=1,...,n (s. Abbildung IV.2) definiert durch
j=1,...,n

 1, i = j
qij := λ, i = k ∧ j = l , i, j = 1, ..., n.

0, sonst

l-te Spalte
↓
 1 |

..
 . | 
 
 ..
. 
 | 
 − − − 1 − − λ − − − − − −  ← k-te Zeile
 .. 
 . | 
 
 .. 
 . | 
 1 
Qkl (λ) :=  
 ..
. 
 | 
 .. 
 | . 
 
 ..
. 
 | 
 .. 
 | . 
 .. 
| .
| 1

Abbildung IV.2: Die Elementarmatrix Qkl (λ)

ii) Für Indizes 1 ≤ k < l ≤ n sei die (n×n)-Matrix Pkl = (pij) i=1,...,n (s. Abbildung
j=1,...,n
IV.3) gegeben durch


 1, i = j ∧ i 6∈ { k, l }

1, i = k ∧ j = l
pij := , i, j = 1, ..., n.

 1, i = l ∧ j = k

0, sonst

103
Kapitel IV. Matrizenrechnung

 
1 | |
 .. 
 . | | 
 
 1 | | 
 
 − − − 0 − − − 1 − − −  ← k-te Zeile
 
 | 1 | 
 . 
Pkl := 
 | . . | 

 | 1 | 
 
 − − − 1 − − − 0 − − −  ← l-te Zeile
 
 | | 1 
 
 . 
 | | .. 
| | 1
↑ ↑
k-te Spalte l-te Spalte

Abbildung IV.3: Die Elementarmatrix Pkl

iii) Für einen Index k ∈ { 1, ..., n } und eine Zahl λ ∈ K \ {0} sei Sk (λ) = (sij ) i=1,...,n
j=1,...,n
die (n × n)-Matrix (s. Abbildung IV.4) mit

 λ, i = j = k
sij := 1, i = j 6= k , i, j = 1, ..., n.

0, sonst

k-te Spalte
↓
 
1 |
 .. 
 . | 
 
 1 | 
 
Sk (λ) :=  − − − λ − − −  ← k-te Zeile
 
 | 1 
 . 
 | .. 
| 1

Abbildung IV.4: Die Elementarmatrix Sk (λ)

iv) Eine Matrix A ∈ Mat(n; K) nennt sich Elementarmatrix, wenn sie eine der
Gestalten aus Teil i) - iii) annimmt.

104
IV.1. Das Matrixprodukt

Satz IV.1.10. Es seien m, n ≥ 1, A ∈ Mat(m, n; K) eine (m × n)-Matrix und λ ∈ K.

i) Für 1 ≤ k 6= l ≤ m seien A(1) die Matrix, die aus A entsteht, wenn man das
λ-Fache der l-ten Zeile zur k-ten addiert, A(2) die Matrix, die man erhält, indem
man in A die k-te und die l-te Zeile vertauscht, und A(3) diejenige, die sich aus A
durch Multiplikation der k-ten Zeile mit λ ergibt. Dann hat man folgende Formeln1

A(1) = Qkl (λ) · A, A(2) = Pkl · A und A(3) = Sk (λ) · A.

ii) Es seien 1 ≤ k 6= l ≤ n, A(1) die Matrix, die aus A entsteht, wenn man das
λ-Fache der k-ten Spalte zur l-ten addiert, A(2) diejenige, die man erhält, indem
man in A die k-te und die l-te Spalte vertauscht, und A(3) die Matrix, die sich
aus A durch Multiplikation der k-ten Spalte mit λ ergibt. Dann hat man folgende
Formeln
A(1) = A · Qkl (λ), A(2) = A · Pkl und A(3) = A · Sk (λ).

Beweis. Das ergibt sich durch direktes Nachrechnen.

Folgerung IV.1.11. Es sei A ∈ Mat(m, n; K) eine (m×n)-Matrix vom Rang r. Dann

existieren natürliche Zahlen s, t ∈ N und Elementarmatrizen B1 , ..., Bs ∈ Mat(m; K)
und C1 , ..., Ct ∈ Mat(n; K), so dass

Er 0
B1 · · · · · Bs · A · C1 · · · · · Ct = .
0 0

Beweis. Das ergibt sich aus dem vorangehenden Satz und Aufgabe I.4.10.

Beispiele IV.1.12. i) Die folgenden Matrizen mit Einträgen im Körper Q illustrie-

ren, wie Zeilen- bzw. Spaltenoperationen vom Typ (ZI) bzw. (SI) durch Links-
bzw. Rechtsmultiplikation mit einer Elementarmatrix vom Typ Qkl (λ) realisiert
werden können:

1 λ 1 −2 7 0 1 − λ −2 + 5λ 7 2λ
· = ,
0 1 −1 5 0 2 −1 5 0 2
   
1 0 2   1 0 2
 1  1 0 0  1+λ
 1 1   1 1 
 −1 −1 · λ 1 0  =  .
0   −1 − λ −1 0 
0 0 1
2 0 −2 2 0 −2
1
Hier sind für Qkl (λ), Pkl und Sk (λ) die entsprechenden (m × m)-Matrizen einzusetzen.

105
Kapitel IV. Matrizenrechnung

ii) Die Vertauschung zweier Zeilen bzw. Spalten erhält man durch Links-
bzw. Rechtsmultiplikation mit einer Matrix vom Typ Pij :

0 1 1 −2 7 0 −1 5 0 2
· = ,
1 0 −1 5 0 2 1 −2 7 0
 
1 0 0 0
1 −2 7 0  0 0 0 1  1 0 7 −2
·
 0 0 1 0  =
 .
−1 5 0 2 −1 2 0 5
0 1 0 0

iii) Mit Hilfe von Elementarmatrizen vom Typ Sk (λ) kann man Zeilen- bzw.
Spaltenoperationen vom Typ (ZIII) bzw. (SIII) beschreiben:
     
1 0 0 −1 0 3 −1 0 3
 0 λ 0  ·  2 −4 1  =  λ · 2 −λ · 4 λ · 1  ,
0 0 1 1 5 0 1 5 0
     
−1 0 3 1 0 0 −1 0 3·λ
 2 −4 1  ·  0 1 0  =  2 −4 1 · λ  .
1 5 0 0 0 λ 1 5 0

Invertierbare Matrizen. — In Beobachtung IV.1.1 haben wir gesehen, wie li-

neare Abbildungen von Kn nach Kn mit (n × n)-Matrizen beschrieben werden
können. Matrizen, die zu Isomorphismen führen, verdienen besondere Beach-
tung.

Lemma IV.1.13. Es seien n ≥ 1 eine natürliche Zahl und A ∈ Mat(n; K) eine

(n × n)-Matrix. Dann sind folgende Bedingungen äquivalent:

i) Die lineare Abbildung fA : Kn −→ Kn ist ein Isomorphismus.

ii) Es gibt eine (n × n)-Matrix B mit A · B = En = B · A.

iii) Die Matrix hat Rang Rg(A) = n.

Beweis. i)=⇒ii)“. Wenn fA ein Isomorphismus ist, dann gibt es eine lineare
”
Abbildung g : Kn −→ Kn mit g ◦ f = IdKn = f ◦ g sowie eine (n × n)-Matrix B ∈
Mat(n; K) mit g = fB . Mit der Injektivität der Abbildung Ψn,n (s. Beobachtung
IV.1.1) folgert man aus
fB·A = fB ◦ fA = IdKn = fEn ,
dass B · A = En . Die Gleichung A · B = En erhält man genauso.
ii)=⇒i)“. Es gilt
”
fA ◦ fB = fA·B = fEn = IdKn und fB ◦ fA = fB·A = fEn = IdKn .

106
IV.1. Das Matrixprodukt

Damit ist fA nach Bemerkung III.5.9 bijektiv und somit ein Isomorphismus
(Definition III.5.10).
i)⇐⇒iii)“. Nach Folgerung III.5.41, iii), ist fA genau dann ein Isomorphis-
”
mus, wenn fA surjektiv ist. Letzteres ist äquivalent zu Bild(fA) = Kn und somit
zu DimK (Bild(fA )) = n. Die Dimension des Bilds von fA ist gerade der Rang von
A (Definition III.4.12, ii), und III.5.42).

Definition IV.1.14. Eine (n × n)-Matrix A ∈ Mat(n; K) ist invertierbar, wenn es

eine (n × n)-Matrix B ∈ Mat(n; K) mit

A · B = En = B · A

gibt. Die Matrix B heißt dann die zu A inverse Matrix.

Schreibweise. A−1 := B.

Bemerkung IV.1.15. Die inverse Matrix ist eindeutig bestimmt: Es seien A, B,

B ′ ∈ Mat(n; K) Matrizen mit A · B = En = B ′ · A. Dann gilt B ′ = B ′ · En = B ′ · (A · B) =
(B ′ · A) · B = En · B = B.

a b
Beispiele IV.1.16. i) Es seien A = eine (2 × 2)-Matrix und Det(A) :=
c d
δ(a, b, c, d) die Determinante von A (Definition I.1.2). Mit Aufgabe I.1.6 und Lem-
ma IV.1.13 schließt man, dass A genau dann invertierbar ist, wenn Det(A) 6= 0.
In diesem Fall hat man

−1 1 d −b
A = · .
Det(A) −c a

ii) Die Elementarmatrizen aus Definition IV.1.9 sind invertierbar, und für
die inversen Matrizen gelten die Formeln

Qkl (λ)−1 = Qkl (−λ), k, l ∈ { 1, ..., n }, k 6= l, λ ∈ K,

−1
Pkl = Pkl , 1 ≤ k < l ≤ n,
−1 −1
Sk (λ) = Sk (λ ), k ∈ { 1, ..., n }, λ ∈ K.

Satz IV.1.17. Es seien n ≥ 1 eine natürliche Zahl und A ∈ Mat(n; K) eine inver-
tierbare (n × n)-Matrix.
i) Es gibt eine natürliche Zahl u ≥ 1 und Elementarmatrizen D1, ..., Du, so dass

A = D1 · · · · · Du .

ii) Die Matrix A kann durch eine Folge von Zeilenoperationen vom Typ (ZI),
(ZII) und (ZIII) in die Einheitsmatrix überführt werden.

107
Kapitel IV. Matrizenrechnung

Beweis. i) Eine invertierbare Matrix hat Rang n (Lemma IV.1.13). Nach Folge-
rung IV.1.11 gibt es natürliche Zahlen s, t ≥ 0 und Elementarmatrizen B1 , ..., Bs,
C1 , ..., Ct mit
B1 · · · · · Bs · A · C1 · · · · · Ct = En .
Es ergibt sich
A = B−1 −1 −1 −1
s · · · · · B1 · Ct · · · · · C1 .
ii) Aus der gerade bewiesenen Darstellung von A leiten wir
C1 · · · · · Ct · B1 · · · · · Bs · A = En
ab. Da die Linksmultiplikation mit einer Elementarmatrix einer Zeilenoperation
entspricht, ergibt sich die Behauptung.

Berechnung der inversen Matrix. — Teil i) des Satzes zeigt uns auch, wie wir
die inverse Matrix ermitteln können. Dazu seien n ≥ 1 eine natürliche Zahl und
A ∈ Mat(n; K) eine invertierbare (n × n)-Matrix. Wir bilden die (n × 2n)-Matrix
M := (A|En )
und führen sukzessiv Zeilenoperationen vom Typ (ZI) - (ZIII) aus, so dass A in
die Einheitsmatrix überführt wird. Das Ergebnis sei
M ′ = (En |B).
Dann gilt
B = A−1 .
Beispiel IV.1.18. Wir führen dieses Verfahren für eine (3 × 3)-Matrix mit ratio-
nalen Koeffizienten vor:
Zeilenoperation  
0 1 −4 1 0 0
 1 2 −1 0 1 0 
 1 1 2 0 0 1 
1 2 −1 0 1 0
I ↔ II  0 1 −4 1 0 0 
 1 1 2 0 0 1 
1 2 −1 0 1 0
III − I  0 1 −4 1 0 0 
0 −1 3 0 −1 1 
1 2 −1 0 1 0
III + II  0 1 −4 1 0 0 
 0 0 −1 1 −1 1 
1 2 −1 0 1 0
(−1) · III  0 1 −4 1 0 0 
0 0 1 −1 1 −1

108
IV.1. Das Matrixprodukt

 
1 0 7 −2 1 0
I − 2 · II  0 1 −4 1 0 0 
0 0 1 −1 1 −1 
1 0 0 5 −6 7
I − 7 · III  0 1 −4 1 0 0 
0 0 1 −1 1 −1 
1 0 0 5 −6 7
II + 4 · III  0 1 0 −3 4 −4 
0 0 1 −1 1 −1 .
Zur Probe berechnen wir:
     
0 1 −4 5 −6 7 1 0 0
 1 2 −1  ·  −3 4 −4  =  0 1 0  .
1 1 2 −1 1 −1 0 0 1

Die allgemeine lineare Gruppe. — In Definition III.5.30 haben wir die all-
gemeine lineare Gruppe eines Vektorraums eingeführt. Wir können jetzt die
entsprechende Gruppe für Matrizen definieren. Es sei n ≥ 1 eine natürliche
Zahl. Man definiere

GLn (K) := A ∈ Mat(n; K) | A ist invertierbar .

Es ist leicht zu sehen (vgl. Aufgabe IV.1.33), dass

∀A, B ∈ GLn (K) : A · B ∈ GLn (K).

Somit ist die Multiplikation

· : GLn (K) × GLn (K) −→ GLn (K)

(A, B) 7−→ A · B

erklärt. Mit Hilfe von Satz IV.1.6, iii), sieht man ein:
Satz IV.1.19. Die Menge GLn (K) zusammen mit dem Matrixprodukt ist eine Grup-
pe.
Definition IV.1.20. Die Gruppe GLn (K) wird als allgemeine lineare Gruppe be-
zeichnet.

Darstellungsmatrizen. — Ein n-dimensionaler K-Vektorraum zusammen mit

einer durchnummerierten Basis kann auf kanonische Weise mit Kn zusammen
mit der Standardbasis identizifiert werden (Satz III.5.32, i). Mit dieser Beobach-
tung lässt sich die Beschreibung linearer Abbildungen durch Matrizen ausdeh-
nen.

109
Kapitel IV. Matrizenrechnung

Definitionen IV.1.21. i) Es seien V, W zwei endlichdimensionale K-Vektorräu-

me, B = { b1 , ..., bn } eine durchnummerierte Basis für V, C = { c1, ..., cm } eine
für W und f : V −→ W eine lineare Abbildung. Die eindeutig bestimmte (m ×
n)-Matrix A, für die, in den Bezeichnungen von Definition III.5.11 und Satz
III.5.32, i), die Gleichung
fA = ΦC ◦ f ◦ Φ−1
B

gilt, ist die Darstellungsmatrix für f bzgl. der durchnummerierten Basen B und
C.
Schreibweise. MBC (f) := A.
ii) Es seien V, W, B, C wie in Teil i). Zusätzlich sei eine (m × n)-Matrix A
gegeben. Die lineare Abbildung

LBC (A) := Φ−1

C ◦ f A ◦ ΦB

ist die zu A bzgl. B und C assoziierte lineare Abbildung.

iii) Es seien A, B, C, D Mengen und f : A −→ B, g : B −→ D, h : A −→ C, l : C −→
D Abbildungen. Das Diagramm
f
A B
h g
l
C D
ist kommutativ, wenn die Bedingung

g◦f = l◦h

erfüllt ist.
Bemerkungen IV.1.22. i) Die Matrix MBC (f) ist durch die Bedingung, dass das
Diagramm
f
V W
ΦB ΦC
fMB (f)
C
Kn Km
kommutieren soll, festgelegt.
ii) Entsprechend ist die lineare Abbildung LBC (A) durch das kommutative
Diagramm
LB
C (A)
V W
ΦB ΦC
fA
Kn Km
bestimmt.

110
IV.1. Das Matrixprodukt

iii) Es seien V, W endlichdimensionale K-Vektorräume, B = { b1, ..., bn } bzw.

C = { c1 , ..., cm } durchnummerierte Basen für V bzw. W und A ∈ Mat(m, n; K)
eine (m × n)-Matrix. Dann findet man

Rg LBC (A) = S-Rg(A).

Dazu betrachte man das kommutative Diagramm

LB
C (A)
V W
ΦB ΦC .
fA
Kn Km

Da ΦB und ΦC Isomorphismen sind, hat man

DimK Bild LBC (A) = DimK (fA ) = S-Rg(A).

Die letzte Gleichung haben wir bereits in Satz III.5.16 beobachtet.

Beobachtung IV.1.23. Es seien V, W, B, C und f wie in Definition IV.1.21, i). Die

Zahlen aij, i = 1, ..., m, j = 1, ..., n, werden durch die Formeln
m
X
f(bj) = aij · ci , j = 1, ..., n,
i=1

ermittelt. Dann gilt

MBC (f) = (aij ) i=1,...,m .
j=1,...,n

Beweis. Mit Satz III.5.32, i), und Definition IV.1.21, i), ergibt sich für einen
Index j ∈ { 1, ..., n }:

(ΦC ◦ f ◦ Φ−1 −1
B )(ej ) = (ΦC ◦ f) ΦB (ej ) = (ΦC ◦ f)(bj ) = ΦC f(bj )
Xm Xm
= ΦC aij · ci = aij · ΦC (ci )
i=1 i=1
 
m
X a1j
 
= aij · ei =  ...  .
i=1 amj

Daran lässt sich die Behauptung ablesen.

Diese Beobachtung liefert ein Berechnungsverfahren für die Darstellungs-
matrix.

111
Kapitel IV. Matrizenrechnung

Beobachtung IV.1.24. Es seien V, W, B, C und f wie in Definition IV.1.21, i), und

A = (aij) i=1,...,m eine (m × n)-Matrix. Dann ist die lineare Abbildung LBC (A) durch
j=1,...,n
die Bedingung
m
X
B
LC (A)(bj) = aij · ci , j = 1, ..., n,
i=1
festgelegt.
Beweis. Diese einfache Verifikation überlassen wir der Leserin bzw. dem Leser
als Übung.
Satz IV.1.25. Es seien V, W, B, C und f wie in Definition IV.1.21, i). Dann sind
die Abbildungen
MBC : HomK (V, W) −→ Mat(m, n; K)
f 7−→ MBC (f)
und
LBC : Mat(m, n; K) −→ HomK (V, W)
A 7−→ LBC (A)
zueinander inverse lineare Isomorphismen.
Ferner gilt
∀f, g ∈ EndK (V) : MBB (f ◦ g) = MBB (f) · MBB (g)
und
∀A, D ∈ Mat(n; K) : LBB (A · D) = LBB (A) ◦ LBB (D).
Beweis. Dass die angegebenen Abbildungen zueinander invers sind, kann man
sich mit Hilfe der in Bemerkung IV.1.22, i) und ii), angegebenen Diagramme
verdeutlichen. Formal argumentieren wir folgendermaßen: Für eine lineare Ab-
bildung f : V −→ W ist LBC (MBC (f)) die lineare Abbildung
Φ−1
C ◦fMB
C (f)
◦ΦB = Φ−1 −1 −1 −1
C ◦(ΦC ◦f◦ΦB )◦ΦB = (ΦC ◦ΦC )◦f◦(ΦB ◦ΦB ) = IdW ◦f◦IdV = f.

Sei umgekehrt eine (m × n)-Matrix A ∈ Mat(m, n; K) gegeben. Dann ermitteln

wir MBC (LBC (A)) durch
fMBC (LBC (A)) = ΦC ◦ LBC (A) ◦ Φ−1 −1 −1
B = ΦC ◦ (ΦC ◦ fA ◦ ΦB ) ◦ ΦB = fA .

Aus der Injektivitätsaussage in Beobachtung IV.1.1 folgt MBC (LBC (A)) = A.

Wir überprüfen, dass MBC linear ist. Es seien f, g : V −→ W lineare Abbildun-
gen. Wir haben
fMBC (f+g) = ΦC ◦ (f + g) ◦ Φ−1 −1 −1
B = ΦC ◦ (f ◦ ΦB + g ◦ ΦB ) =

= ΦC ◦ f ◦ Φ−1 −1
B + ΦC ◦ g ◦ ΦB = fMB
C (f)
+ fMBC (g) = fMBC (f)+MBC (g) .

112
IV.1. Das Matrixprodukt

Hier haben wir zunächst die Distributivgesetze aus Satz III.5.24 verwendet.
Im letzten Schritt haben wir die Linearität von Ψm,n benutzt (s. Beobachtung
IV.1.1). Die Injektivitätsaussage in dieser Beobachtung zeigt MBC (f+g) = MBC (f)+
MBC (g). Entsprechend weist man nach, dass MBC (λ · f) = λ · MBC (f) für λ ∈ K und
f ∈ HomK (V, W) gilt.
Für die Überprüfung der Linearität von LBC kann man analog vorgehen. Man
kann aber auch benutzen, dass LBC als Umkehrabbildung einer linearen Abbil-
dung linear ist (Satz III.5.8).
Schließlich gilt nach Definition IV.1.21, i):

fMBB (f◦g) = ΦB ◦ f ◦ g ◦ Φ−1 −1 −1

B = ΦB ◦ f ◦ (ΦB ◦ ΦB ) ◦ g ◦ ΦB =

= (ΦB ◦ f ◦ Φ−1 −1
B ) ◦ (ΦB ◦ g ◦ ΦB ) = fMB
B (f)
◦ fMBB (g) = fMBB (f)·MBB (g) .

Die letzte Gleichung folgt dabei aus Bemerkung IV.1.3, i). Für LBB geht man
analog vor.

Transformationsverhalten der Darstellungsmatrix unter Basiswechsel. —

Die Darstellungsmatrix einer linearen Abbildung hängt von den gewählten Ba-
sen ab. Wir können den Zusammenhang der Darstellungsmatrizen einer linea-
ren Abbildung zu verschiedenen Wahlen der Basen jedoch genau beschreiben.

Definition IV.1.26. Es seien V ein endlichdimensionaler K-Vektorraum und

B = { b1, ..., bn }, B ′ = { b1′ , ..., bn′ } zwei durchnummerierte Basen von V. In der
Notation von Satz III.5.32, i), setzen wir

TBB′ := ΦB ′ ◦ Φ−1 n n
B : K −→ K ,

und SBB ′ ∈ Mat(n; K) sei die eindeutig bestimmte (n × n)-Matrix mit

fSB ′ = TBB′ .
B

Bemerkung IV.1.27. In der Notation von Definition IV.1.21, i), ist SBB ′ die Dar-
stellungsmatrix der Identität bzgl. der Basen B und B ′ .

Eigenschaften IV.1.28. Es seien V ein K-Vektorraum und B, B ′ , B ′′ drei durch-

nummerierte Basen von V. Es gelten die Formeln:
′
i) TBB′′ ◦ TBB′ = TBB′′ .
′
ii) TBB = (TBB′ )−1 .

Beweis. i) Hier berechnen wir

′
TBB′′ ◦ TBB′ = (ΦB ′′ ◦ Φ−1 −1 −1 −1
B ′ ) ◦ (ΦB ′ ◦ ΦB ) = ΦB ′′ ◦ (ΦB ′ ◦ ΦB ′ ) ◦ ΦB =
= ΦB ′′ ◦ IdKn ◦ Φ−1 −1 B
B = ΦB ′′ ◦ ΦB = TB ′ .

113
Kapitel IV. Matrizenrechnung

ii) In diesem Fall erhalten wir

′
(TBB′ )−1 = (ΦB ′ ◦ Φ−1
B )
−1
= (Φ−1
B )
−1
◦ Φ−1 −1 B
B ′ = ΦB ◦ ΦB ′ = TB .

Dies ist die behauptete Gleichung.

Satz IV.1.29. Es seien V, W endlichdimensionale K-Vektorräume, B, B ′ durch-

nummerierte Basen von V, C, C ′ durchnummerierte Basen von W und f : V −→ W
eine lineare Abbildung. Dann sind die Darstellungsmatrizen von f bzgl. B und C
und bzgl. B ′ und C ′ durch die Transformationsformel
′ ′
MBC ′ (f) = SCC ′ · MBC (f) · (SBB ′ )−1 = SCC ′ · MBC (f) · SBB

verbunden.

Beweis. Vermöge Satz IV.1.25 lässt sich diese Aussage über Matrizen in eine
Aussage über lineare Abbildungen übersetzen. Dazu berechnen wir
′
ΦC ′ ◦ f ◦ Φ−1 −1 −1 −1 C −1 B
B ′ = (ΦC ′ ◦ ΦC ) ◦ (ΦC ◦ f ◦ ΦB ) ◦ (ΦB ◦ ΦB ′ ) = TC ′ ◦ (ΦC ◦ f ◦ ΦB ) ◦ TB .

Dies entspricht der Formel

′ ′
MBC ′ (f) = SCC ′ · MBC (f) · SBB .

Dazu wende man wie angekündigt Satz IV.1.25 an.

Folgerung IV.1.30. Es seien V, W Vektorräume über dem Körper K und f : V −→

W eine lineare Abbildung. Dann existieren durchnummerierte Basen B bzw. C
von V bzw. W, so dass
B Er 0
MC (f) = .
0 0
Dabei ist r der Rang der Abbildung f, d.h. die Dimension des Bilds von f (Defini-
tion III.5.17).

Beweis. Es seien B ′ bzw. C ′ durchnummerierte Basen für V bzw. W. Gemäß

Folgerung IV.1.11 existieren invertierbare Matrizen S ∈ GLm (K) und T ∈ GLn (K),
so dass
B′ Er 0
S · MC ′ (f) · T = . (IV.2)
0 0
Dabei seien m = #C ′ = DimK (W) und n = #B ′ = DimK (V).
Mit
Φ := fT −1 ◦ ΦB ′ , Ψ := fS ◦ ΦC ′ und g := fS ◦ fMB ′′ (f) ◦ fT
C

114
IV.1. Das Matrixprodukt

kommutiert das Diagramm

f
V W
ΦB ′ ΦC ′
f ′
MB ′ (f)
Φ Kn
C
Km Ψ .
fT −1 fS
g
Kn Km
Es existieren durchnummerierte Basen B bzw. C von V bzw. W, so dass Φ = ΦB
und Ψ = ΦC (Satz III.5.32, ii). Dementsprechend gilt

g = fMBC (f) .

Ferner entnehmen wir dem Diagramm

g = ΦC ◦ f ◦ Φ−1 −1 −1
B = fS ◦ (ΦC ′ ◦ f ◦ ΦB ′ ) ◦ (fT −1 ) .

Dazu gehört die Gleichung

′ ′
MBC (f) = S · MBC ′ (f) · (T −1 )−1 = S · MBC ′ (f) · T

von Matrizen. Mit (IV.2) ergibt sich die Behauptung.

Beispiel IV.1.31. Es seien V = Q3 , W = Q2 , B = { e1 , e2, e3 },
     
 1 1 1 
B′ =  0  ,  1  ,  1  ,
 
0 0 1

0 1
′
C = { e1, e2 }, C = , . Die Abbildung Φ−1 3 3
B ′ : Q −→ Q erfüllt
−1 0
     
1 1 1
e1 7−→  
0 , e2 7−→  1  und e3 7−→  1 .
0 0 1
Weiter gilt ΦB = IdQ3 . Damit haben wir
 
1 1 1
′
SBB =  0 1 1 .
0 0 1
Eine analoge Betrachtung liefert

′ 0 1
SCC = .
−1 0

115
Kapitel IV. Matrizenrechnung

Es folgt
−1
0 1 0 −1
SCC ′ = = .
−1 0 1 0
Es seien
1 3 2
A :=
0 1 2
und fA : Q3 −→ Q2 die zugehörige lineare Abbildung. Dann haben wir MBC (fA ) = A
und
′ ′
MBC ′ (fA ) = SCC ′ · MBC (fA ) · SBB
 
1 1 1
0 −1 1 3 2
= · · 0 1 1 
1 0 0 1 2
0 0 1
 
1 1 1
0 −1 −2 
= · 0 1 1 
1 3 2
0 0 1

0 −1 −3
= .
1 4 6
 
1
B′   1
Die Matrix MC ′ (fA ) gibt an, dass der Vektor 0 unter fA auf abgebildet
0
  0
1
wird,  1  auf
0
0 1 4
− +4· =
−1 0 1
 
1
und  1  auf
1
0 1 6
−3 · +6· = .
−1 0 3
In der Tat gilt
   
1 1
1 3 2   1 1 3 2   4
· 0 = , · 1 =
0 1 2 0 0 1 2 1
0 0
und  
1
1 3 2   6
· 1 = .
0 1 2 3
1

116
IV.1. Das Matrixprodukt

Aufgabe IV.1.32.
Es seien A = (aij ) i=1,...,l ∈ Mat(l, m; K), B = (bjk ) j=1,...,m ∈ Mat(m, n; K) und A · B =
j=1,...,m k=1,...,n
(cik ) i=1,...,l ∈ Mat(l, n; K) mit
k=1,...,n

m
X
cik := aij · bjk , i = 1, ..., l, k = 1, ..., n. (IV.3)
j=1

Benutzen Sie die Formel (IV.3), um die folgenden Regeln für das Matrix-Produkt
zu überprüfen. Für alle A, A′ ∈ Mat(l, m; K), alle B, B′ ∈ Mat(m, n; K), alle C ∈
Mat(n, p; K) und alle λ ∈ K gilt:

1. A · (B + B′ ) = A · B + A · B′ ,

2. (A + A′ ) · B = A · B + A′ · B,

3. A · (λ · B) = (λ · A) · B = λ · (A · B) und

4. (A · B) · C = A · (B · C).

Aufgabe IV.1.33.
Es sei (R, +, ·) ein nicht notwendigerweise kommutativer Ring (s. Definition
II.3.1, i). Ein Element r ∈ R ist eine Einheit, wenn es ein Element s ∈ R mit

r·s =1=s·r

gibt.2 Wir setzen

R⋆ := r ∈ R | r ist eine Einheit .
a) Zeigen Sie, dass
∀r, s ∈ R⋆ : r · s ∈ R⋆ .
b) Nach Teil a) ist die Multiplikation

· : R⋆ × R⋆ −→ R⋆
(r, s) 7−→ r · s

definiert. Überprüfen Sie, dass (R⋆ , ·) eine Gruppe ist.

Aufgabe IV.1.34.
Es sei n ≥ 1 eine natürliche Zahl. Gegeben seien zwei Matrizen A, B ∈ Mat(n; K).
Zeigen Sie: Wenn A·B invertierbar ist, dann ist sowohl A als auch B invertierbar.
2
Vorsicht. Wenn der Ring R nicht kommutativ ist, folgt aus r · s = 1 nicht unbedingt s · r = 1.

117
Kapitel IV. Matrizenrechnung

Aufgabe IV.1.35.
a) Bestimmen Sie Elementarmatrizen B1 , ..., Bs ∈ Mat(4; Q) und C1 , ..., Ct ∈ Mat(5;
Q), für die
ERg(A) 0
B1 · · · · · Bs · A · C1 · · · · · Ct =
0 0
gilt. Dabei sei  
0 2 8 −5 3
 −2 3 7 − 132 3 
A := 
 2 −3 −6 11
2 
1 .
2
− 2
1 −1 − 32 2 0
b) Zeigen Sie, dass die reelle Matrix
 1

0 2
−2 0
 −2 0 1 − 27 
A := 
 2 −1

4 − 12 
−4 1 −3 −2

invertierbar ist, bestimmen Sie A−1 , und schreiben Sie A als Produkt von Ele-
mentarmatrizen.
Aufgabe IV.1.36.
Es sei K := F5 . Wir definieren
       
0 1 −1 3
 1   −1   −1   8 
b1 :=   
 2  , b2 :=  −3  ,
 b3 := 
 0 
 und b4 := 
 12 


−1 0 2 −10

sowie      
1 0 −2
c1 :=  −1  , c2 :=  1  und c3 :=  1  .
0 2 0
a) Schreiben Sie die Vektoren b1 , b2, b3, b4 , c1, c2 und c3 mit Einträgen der Form
a, 0 ≤ a < 5, und zeigen Sie, dass B = { b1, b2 , b3, b4 } und C = { c1, c2 , c3 } durch-
nummerierte Basen für K4 bzw. K3 sind.
b) Es sei  
1 3 0 2
A :=  0 4 2 1  .
2 0 4 3
Berechnen Sie MBC (fA ). Schreiben Sie die Koeffizienten dabei wieder in der Form
a, 0 ≤ a < 5.

118
IV.2. Dualräume

IV.2 Dualräume
Definitionen IV.2.1. i) Es sei V ein K-Vektorraum. Dann nennt man den K-
Vektorraum
V ∨ := HomK (V, K)
den Dualraum von V.
ii) Es seien V, W Vektorräume über dem Körper K und f : V −→ W eine lineare
Abbildung. Die Abbildung

ft : W ∨ −→ V ∨
l 7−→ l ◦ f

heißt die zu f duale oder transponierte Abbildung .

Lemma IV.2.2. i) Es seien V, W zwei K-Vektorräume und f : V −→ W eine lineare
Abbildung. Dann ist die transponierte Abbildung ft : W ∨ −→ V ∨ ebenfalls linear.
ii) Für K-Vektorräume U, V, W und lineare Abbildungen f : U −→ V, g : V −→ W
gilt
(g ◦ f)t = ft ◦ gt .
iii) Für K-Vektorräume und einen linearen Isomorphismus f : V −→ W hat
man
(ft )−1 = (f−1 )t .
Beweis. i) Es seien λ ∈ K und l, l ′ : W −→ K lineare Abbildungen. Man überprüft
leicht (vgl. Beweis von Satz III.5.24)

(λ · l) ◦ f = λ · (l ◦ f) und (l + l ′ ) ◦ f = l ◦ f + l ′ ◦ f.

ii) Für l : W −→ K gilt

(g ◦ f)t (l) = l ◦ (g ◦ f) = (l ◦ g) ◦ f = ft (l ◦ g) = ft gt (l) = (ft ◦ gt )(l).

iii) Offenbar hat man die Formel IdtV = IdV ∨ . Somit findet man mit ii)

IdV ∨ = (IdV )t = (f ◦ f−1 )t = (f−1 )t ◦ ft .

Daraus ergibt sich die Behauptung.

Es seien V ein endlichdimensionaler K-Vektorraum und B = { b1, ..., bn } eine
durchnummerierte Basis für V. Nach Satz III.5.21 ist

ψ : V ∨ −→ Abb(B, K)
l|B : B −→ K
l 7−→
b 7−→ l(b)

119
Kapitel IV. Matrizenrechnung

ein linearer Isomorphismus. Weiter bilden die Abbildungen

fi : B −→ K
1, b = bi
b 7−→ , i = 1, ..., n,
0, sonst

nach Beispiel III.4.3, iv), eine Basis für Abb(B, K). Somit ist Bt = { b1 , ..., bn } mit
bi := ψ−1 (fi ), i = 1, ..., n, eine durchnummerierte Basis für V ∨ .
Bemerkung IV.2.3. Die Basis Bt = { b1 , ..., bn } ist durch die Bedingung

bi (bj ) = δij , i, j = 1, ..., n,

charakterisiert.

Definitionen IV.2.4. i) Die Basis Bt von V ∨ ist die zu B duale Basis von V ∨ .
ii) Es sei A = (aij ) i=1,...,m ∈ Mat(m, n; K) eine (m × n)-Matrix. Die Matrix
j=1,...,n

At = (aji ) j=1,...,n ∈ Mat(n, m; K)

i=1,...,m

ist die transponierte Matrix von A.

Beispiele IV.2.5. i) Für jede Matrix A hat man (At )t = A.

ii) Für  
1 0 −2
A =  7 5 −13 
−2 1 3
ergibt sich
 
1 7 −2
At =  0 5 1 .
−2 −13 3
iii) Die transponierte Matrix von

−1 2 5 0
A=
2 7 −10 8

ist  
−1 2
 2 7 
At =  
 5 −10  .
0 8

120
IV.2. Dualräume

Satz IV.2.6. Es seien V, W endlichdimensionale K-Vektorräume, B bzw. C durch-

nummerierte Basen von V bzw. W und Bt bzw. Ct die dazu dualen durchnumme-
rierten Basen von V ∨ bzw. W ∨ . Dann gilt
t t
MCBt (ft ) = MBC (f)

für jede lineare Abbildung f : V −→ W.

Beweis. Es sei MBC (f) = (aij) i=1,...,m . Für j = 1, ..., m und i = 1, ..., n berechnen wir
j=1,...,n

m
! m
X X
t j j j
f (c )(bi ) = c f(bi ) = c aki · ck = aki · cj (ck ) = aji .
k=1 k=1

Somit erkennen wir

n
X
ft (cj) = ajk · bk .
k=1

Ct
Damit ist die j-te Spalte von M (ft ) durch
Bt
 
aj1
 .. 
 . 
ajn

gegeben, und wir erhalten die Behauptung.

Folgerung IV.2.7. i) Für natürliche Zahlen l, m, n ≥ 1 und Matrizen A ∈ Mat(l, m;

K), B ∈ Mat(m, n; K) hat man

(A · B)t = Bt · At .

ii) Für eine natürliche Zahl n ≥ 1 und eine invertierbare Matrix A ∈ Mat(n; K)
gilt die Formel
(At )−1 = (A−1 )t .

Eine weitere, interessante Anwendung von Satz IV.2.6 verbindet Eigenschaf-

ten einer linearen Abbildung und ihrer dualen. Der Rang einer Abbildung wur-
de dabei in Definition III.5.17 eingeführt.

Satz IV.2.8. Für endlichdimensionale K-Vektorräume V, W und eine lineare Ab-

bildung f : V −→ W hat man
Rg(ft ) = Rg(f).

121
Kapitel IV. Matrizenrechnung

Beweis. Wir wenden Folgerung IV.1.30 an. Es gibt durchnummerierte Basen B

bzw. C von V bzw. W, so dass

B Er 0
MC (f) = .
0 0

Wie in Beispiel III.4.13 sieht man

Rg(f) = r.

Weiter zeigt Satz IV.2.63

t t Er 0
MCBt (ft ) = MBC (f) = .
0 0

Hieran liest man Rg(ft ) = r ab.

Bemerkung IV.2.9. Die Behauptung des Satzes ist äquivalent dazu, dass für
natürliche Zahlen m, n ≥ 1 und eine (m × n)-Matrix A ∈ Mat(m, n; K)

S-Rg(A) = S-Rg(At ) = Z-Rg(A)

gilt. Damit haben wir einen weiteren Beweis für Folgerung III.5.41, iv), gefun-
den. Umgekehrt können wir den obigen Satz auch aus dieser Folgerung ablei-
ten.
Aufgabe IV.2.10.
a) Zeigen Sie, dass die Vektoren
     
−4 0, 5 1
b1 :=  2, 5  , b2 :=  0  und b3 :=  2 
−1 4 0

eine Basis B′ für R3 bilden.

b) Es seien B = { e1 , e2, e3 } bzw. und C = {1} die Standardbasen für R3 bzw.
∨
R. Es sei B′ t = { b1, b2, b3 } die zu B′ duale Basis von R3 . Bestimmen Sie die
Darstellungsmatrizen MBC (bi ), i = 1, 2, 3.
Aufgabe IV.2.11.
Es sei V ein nicht notwendigerweise endlichdimensionaler K-Vektorraum. Wir
definieren
∨
Φ : V −→ V ∨
ϕv : V ∨ −→ K
v 7−→ .
l 7−→ l(v)
t
3
Falls DimK (V) 6= DimK (W), haben die Matrizen MB C t
C (f) und MBt (f ) nicht dasselbe Format.

122
IV.3. Die symmetrische Gruppe

a) Zeigen Sie, dass Φ eine lineare Abbildung ist.

b) Beweisen Sie, dass Φ ein Isomorphismus ist, falls V endlichdimensional ist.
c) Es sei V := Abb ′ (N, R) (s. Aufgabe II.3.7). Weisen Sie nach, dass es genau
einen linearen Isomorphismus

Ψ : Abb(N, R) −→ V ∨

gibt, so dass

∀i ∈ N∀(an )n∈N ∈ Abb(N, R) : Ψ (an )n∈N (ei ) = ai .

Dabei ist ei wie in Beispiel III.3.3, v), definiert, i ∈ N.

d) In den Bezeichnungen von c) sei weiter f = (fi )i∈N die Folge mit fi = 1, i ∈ N.
Zeigen Sie, dass die Teilmenge F := {f} ∪ { ei | i ∈ N } linear unabhängig ist.
e) Nehmen Sie an, es gebe eine Basis B, die die Teilmenge F aus Teil d) enthält.4
Schließen Sie, dass unter dieser Voraussetzung die Abbildung Φ für den Vek-
torraum V = Abb ′ (N, R) injektiv aber nicht surjektiv ist.

IV.3 Die symmetrische Gruppe

Definition IV.3.1. Es seien n ≥ 1 eine natürliche Zahl und A := { 1, ..., n }. Die
Gruppe
Sn := S(A) := σ : A −→ A σ ist bijektiv

heißt die symmetrische Gruppe von A. Ein Element σ ∈ Sn wird als Permutation
bezeichnet.
Schreibweise. Eine Permutation σ ∈ Sn wird in der Form

1 2 ··· n
σ(1) σ(2) · · · σ(n)

aufgeschrieben.

Die Definition von S(A) ist in Bemerkung II.2.1 enthalten.

Beispiele IV.3.2. i) Die Permutation σ : { 1, 2, 3 } −→ { 1, 2, 3 }, 1 7−→ 1, 2 7−→ 3,
3 7−→ 2, wird durch
1 2 3
1 3 2
dargestellt.
4
Die Existenz einer solchen Basis lässt sich mit dem Zornschen Lemma ([10], S. 13) bewei-
sen. (Max August Zorn (1906 - 1993), US-amerikanischer Mathematiker deutscher Abstam-
mung)

123
Kapitel IV. Matrizenrechnung

ii) Beispiel II.1.24, ii), wird nun in folgender Form geschrieben:

1 2 3 1 2 3 1 2 3
· = ,
2 1 3 1 3 2 2 3 1

1 2 3 1 2 3 1 2 3
· = .
1 3 2 2 1 3 3 1 2
Definitionen IV.3.3. i) Es seien 1 ≤ i < j ≤ n natürliche Zahlen. Die Permuta-
tion τij ∈ Sn mit 
 j, k = i
τij (k) = i, k = j

k, sonst
heißt die Transposition von i und j.
ii) Ein Permutation σ ∈ Sn ist eine Transposition, wenn es Indizes 1 ≤ i < j ≤
n mit σ = τij gibt.
Bemerkungen und Beispiele IV.3.4. i) In der in Definition IV.3.1 eingeführten
Schreibweise sieht eine Transposition folgendermaßen aus:

1 2 ··· i− 1 i i+ 1 ··· j− 1 j j +1 ··· n
τij = , 1 ≤ i < j ≤ n.
1 2 ··· i− 1 j i+ 1 ··· j− 1 i j +1 ··· n
So hat man z.B.
1 2 3 4
τ13 = ∈ S4 .
3 2 1 4
ii) Für eine Transposition τ ∈ Sn gilt τ2 = e := Id{ 1,...,n } , so dass τ−1 = τ.
Lemma IV.3.5. i) Die symmetrische Gruppe Sn ist genau dann abelsch, wenn
n ∈ { 1, 2 }.
ii) Die Gruppe Sn umfasst n! Elemente, n ≥ 1.
Beweis. i) Dass Sn für n ≥ 3 nicht abelsch ist haben wir bereits in Bemerkung
II.2.1 vermerkt. Für n = 1 bzw. n = 2 hat Sn ein bzw. zwei Elemente und ist
daher abelsch.
ii) Die Aussage wird induktiv bewiesen. Für n = 1 und n = 2 ist sie richtig.
Nun nehmen wir an, die Aussage sei für die natürliche Zahl n bekannt. Wir
betrachten die Teilmengen

Fi := σ ∈ Sn+1 | σ(n + 1) = i , i = 1, ..., n + 1.
Offensichtlich gilt
n+1
G n+1
X
Sn+1 = Fi , so dass #Sn+1 = #Fi .
i=1 i=1

Damit müssen wir noch zeigen:

124
IV.3. Die symmetrische Gruppe

Behauptung. #Fi = n!, i = 1, ..., n + 1.

Es gilt sicherlich #Fn+1 = #Sn , d.h. nach Induktionsvoraussetzung ist die
Aussage für i = n + 1 erfüllt. Die Abbildung
Lσ : Sn+1 −→ Sn+1
ρ 7−→ σ · ρ
ist für jede Permutation σ ∈ Sn+1 bijektiv (Aufgabe II.2.10), und für 1 ≤ i < j ≤
n + 1 bildet Lτij die Menge Fi auf Fj und die Menge Fj auf Fi ab. Wir folgern
#F1 = · · · = #Fn+1 = n!,
und alles ist bewiesen.
Satz IV.3.6. Es sei n ≥ 2 eine natürliche Zahl. Jede Permutation σ ∈ Sn lässt
sich als Produkt von höchstens n − 1 Transpositionen schreiben, d.h. es gibt eine
natürliche Zahl 0 ≤ k ≤ n − 1 und Transpositionen τ1 , ..., τk, für die
σ = τ1 · · · · · τk
gilt.5
Im Beweis verwenden wir strukturerhaltende“ Abbildungen zwischen Grup-
”
pen.6
Definition IV.3.7. Es seien G, H Gruppen. Eine Abbildung f : G −→ H ist ein
(Gruppen-)Homomorphismus, wenn sie
∀x, y ∈ G : f(x · y) = f(x) · f(y)
erfüllt.7
Beispiele IV.3.8. i) Es seien V, W Vektorräume über dem Körper K und f : V −→
W eine lineare Abbildung. Dann ist f ein Homomorphismus zwischen den ent-
sprechenden additiven Gruppen (V, +) und (W, +).
ii) Es sei n ≥ 1 eine natürliche Zahl. Dann ist
ιn : Sn −→ Sn+1

1 ··· n 1 ··· n n+1
7−→
σ(1) · · · σ(n) σ(1) · · · σ(n) n + 1
ein injektiver Gruppenhomomorphismus (Übung). In den Bezeichnungen des
Beweises von Lemma IV.3.5, ii), bildet ιn die Gruppe Sn bijektiv auf Fn+1 ab.
5
Das Produkt von null Transpositionen ist definitionsgemäß die Identität.
6
Man erinnere sich, dass das entsprechende Konzept für Vektorräume dasjenige der linea-
ren Abbildung (s. Definition III.5.1) ist.
7
Dabei ist auf der linken Seite der Gleichung die Multiplikation in G und auf der rechten
Seite diejenige in H gemeint.

125
Kapitel IV. Matrizenrechnung

Beobachtung IV.3.9. Es seien G, H Gruppen und f : G −→ H ein Gruppenhomo-

morphismus. Dann gilt:
i) f(e) = e;
ii) ∀x ∈ G: f(x−1 ) = f(x)−1 .

Beweis. i) Wir haben f(e) = f(e · e) = f(e) · f(e). Durch Multiplikation dieser
Gleichung mit f(e)−1 gelangen wir zu e = f(e).
ii) Hier beobachten wir e = f(e) = f(x · x−1 ) = f(x) · f(x−1 ), x ∈ G.

Beweis von Satz IV.3.6. Wir beweisen die Aussage durch Induktion über n. In
S2 gibt es lediglich die Transposition τ12 und die Identität, welche Produkt von
0 Transpositionen ist.
Im Induktionsschritt n −→ n + 1 verwenden wir den Homomorphismus ιn
aus Beispiel IV.3.8, ii). Er bildet Transpositionen auf Transpositionen ab:

∀1 ≤ i < j ≤ n : ιn (τij ) = τij .

Nun sei σ ∈ Sn+1 eine Permutation. Gilt σ(n + 1) = n + 1, so lässt sich σ

nach Induktionsvoraussetzung als Produkt von höchstens n − 1 Transpositio-
nen schreiben. Andernfalls betrachten wir σ ′ := τσ(n+1)n+1 · σ. Diese Permutation
erfüllt σ ′ (n + 1) = n + 1. Es gibt daher eine natürliche Zahl k ∈ { 0, ..., n − 1 } und
Transpositionen τ1 , ..., τk, so dass

τσ(n+1)n+1 · σ = σ ′ = τ1 · · · · · τk .

Aus dieser Gleichung folgt

σ = τσ(n+1)n+1 · τσ(n+1)n+1 · σ = τσ(n+1)σ · τ1 · · · · · τk .

Damit ist alles gezeigt.

Bemerkungen und Beispiele IV.3.10. i) Wir wenden das Verfahren aus dem Be-
weis auf die Permutation

1 2 3 4
σ= ∈ S4
2 4 3 1

an. Demnach bilden wir zuerst

′ 1 2 3 4 1 2 3 4
σ = τ14 ◦ = = τ12 .
2 4 3 1 2 1 3 4

Es folgt
σ = τ14 ◦ τ12 .

126
IV.3. Die symmetrische Gruppe

Zur Probe berechnen wir

1 2 3 4 1 2 3 4 1 2 3 4
· = .
4 2 3 1 2 1 3 4 2 4 3 1

ii) Die Darstellung als Produkt von Transpositionen ist nicht eindeutig. Wir
können ein gegebenes Produkt von Transpositionen z.B. mit τ12 · τ12 multiplizie-
ren, ohne das Ergebnis zu ändern. Es gibt aber auch kompliziertere Phänome-
ne. In S4 gilt z.B.

1 2 3 4 1 2 3 4 1 2 3 4
τ12 ◦ τ23 ◦ τ12 = · ·
2 1 3 4 1 3 2 4 2 1 3 4

1 2 3 4 1 2 3 4
= ·
2 1 3 4 3 1 2 4

1 2 3 4
= = τ13 .
3 2 1 4

iii) Es seien V ein endlichdimensionaler K-Vektorraum und B = { b1 , ..., bn }

eine durchnummerierte Basis von V. Durch

ϕ : Sn −→ S(B)
σ 7−→ (bi 7−→ bσ(i) , i = 1, ..., n)

ist ein bijektiver Gruppenhomomorphismus gegeben. Da B ⊂ V, können wir

SB als Teilmenge von Abb(B, V) auffassen. Wenden wir schließlich Ψ−1
B aus Satz
III.5.21 an, so erhalten wir eine Abbildung

e B : Sn −→ EndK (V)
ϕ
σ 7−→ FBσ .

Nach Konstruktion ist die lineare Abbildung FBσ : V −→ V durch die Bedingung

∀i ∈ { 1, ..., n } : FBσ (bi ) = bσ(i)

charakterisiert. Man verifiziert nun:

• Für jede Permutation σ ∈ Sn ist FBσ ein linearer Isomorphismus.

• Die resultierende Abbildung

ϕB : Sn −→ GL(V)
σ 7−→ FBσ

ist ein injektiver Gruppenhomomorphismus.

127
Kapitel IV. Matrizenrechnung

Mit Satz IV.1.25 erhält man als direkte Folgerung:

Die Abbildung

ψB : Sn −→ GLn (K)
σ 7−→ MBB (FBσ )

ist ein injektiver Gruppenhomomorphismus.

Man berechnet (in der Notation von Definition IV.3.1)

∀1 ≤ i < j ≤ n : ψB (τij ) = Pij .

Satz IV.3.6 zeigt, dass ψB durch diese Bedingung eindeutig bestimmt ist. Es
folgt, dass ψB nicht von V oder B abhängt. Die symmetrische Gruppe lässt sich
somit als Untergruppe der allgemeinen linearen Gruppe auffassen.
Schreibt man eine Permutation als Produkt von Transpositionen, dann ist
zwar die Anzahl der auftretenden Transpositionen nicht wohldefiniert, wohl
aber deren Parität.8 Das wird sich in Beobachtung IV.3.17 aus den allgemeinen
Eigenschaften der Vorzeichenabbildung ergeben.

Definitionen IV.3.11. Es seien n ≥ 2 eine natürliche Zahl und σ ∈ Sn eine

Permutation.
i) Das Vorzeichen von σ ist definiert als
Y σ(j) − σ(i)
Sign(σ) = .
1≤i<j≤n
j−i

ii) Ein Fehlstand von σ ist ein Paar (i, j) mit 1 ≤ i < j ≤ n und σ(i) > σ(j).

Bemerkungen IV.3.12. i) Es seien n ≥ 2, ∆ = { (i, i) | i ∈ { 1, ..., n } } ⊂ { 1, ..., n } ×

{ 1, ..., n } die Diagonale und

M := { 1, ..., n } × { 1, ..., n } \ ∆.

Dann ist

σ(2) : M −→ M

(i, j) 7−→ σ(i), σ(j)

eine Bijektion. Weiter ist durch

(i, j) ∼ (i ′ , j ′) :⇐⇒ (i = i ′ ∧ j = j ′ ) ∨ (i = j ′ ∧ j = i ′ )
8
Die Parität einer natürlichen Zahl ist deren Eigenschaft, gerade oder ungerade zu sein.

128
IV.3. Die symmetrische Gruppe

eine Äquivalenzrelation gegeben. Die Äquivalenzklassen sind von der Form

{ (i, j), (j, i) }, (i, j) ∈ M. Es ist klar, dass das Bild einer Äquivalenzklasse unter
σ(2) wieder eine Äquivalenzklasse ist. Da

R := (i, j) ∈ M | i < j

ein vollständiges Repräsentantensystem für diese Äquivalenzrelation ist, ist

auch σ(2) (R) eins. Diese langwierige Diskussion zeigt, dass
Y Y
σ(j) − σ(i) = (j − i)
1≤i<j≤n 1≤i<j≤n

und somit
Sign(σ) ∈ {±1}.
ii) Zusammen mit der Verknüpfung
· 1 −1
1 1 −1
−1 −1 1
bildet die Menge {±1} eine Gruppe.
Lemma IV.3.13. Es seien n ≥ 2 eine natürliche Zahl, σ ∈ Sn eine Permutation
und
m := # (i, j) ∈ { 1, ..., n } × { 1, ..., n } (i, j) ist Fehlstand von σ
die Anzahl der Fehlstände von σ. Dann gilt
Sign(σ) = (−1)m .
Beweis. Wir berechnen
Y σ(j) − σ(i) Y σ(j) − σ(i)
= (−1)m ·
1≤i<j≤n
j−i 1≤i<j≤n
j−i
Y
σ(j) − σ(i)
1≤i<j≤n
= (−1)m · Y = (−1)m .
(j − i)
i≤i<j≤n

Bei der letzten Umformung haben wir Bemerkung IV.3.12, i), verwandt.
Satz IV.3.14. Es sei n ≥ 2 eine natürliche Zahl. Dann ist die Abbildung
Sign : Sn −→ {±1}
σ 7−→ Sign(σ)
ein Gruppenhomomorphismus.

129
Kapitel IV. Matrizenrechnung

Beweis. Für Permutationen σ, σ ′ ∈ Sn erhalten wir

Y σ σ ′ (j) − σ σ ′ (i)
′
Sign(σ · σ ) = =
1≤i<j≤n
j−i

Y σ σ ′ (j) − σ σ ′ (i) Y σ ′ (j) − σ ′ (i)
= ′ (j) − σ ′ (i)
· .
1≤i<j≤n
σ 1≤i<j≤n
j − i

Das zweite Produkt ergibt nach Definition IV.3.11, i), Sign(σ ′ ). Die Gleichung

Y σ σ ′ (j) − σ σ ′ (i) Y σ(j) − σ(i)
= = Sign(σ)
1≤i<j≤n
σ ′ (j) − σ ′ (i) 1≤i<j≤n
j−i

ergibt sich wieder aus Bemerkung IV.3.12, i).

Satz IV.3.15. Es seien n ≥ 2 eine natürliche Zahl und τ ∈ Sn eine Transposition.
Dann gilt
Sign(τ) = −1.
Beweis. Für die Transposition τ12 folgt das sofort aus Lemma IV.3.13. Für 1 ≤
i < j ≤ n wählen wir eine Permutation σ ∈ Sn mit σ(1) = i und σ(2) = j. Man
überprüft
τij = σ · τ12 · σ−1 .
Mit Satz IV.3.14 folgt
Sign(τij ) = Sign(σ) · Sign(τ12 ) · Sign(σ−1 ) = (−1) · Sign(σ) · Sign(σ−1 ) =
= (−1) · Sign(σ · σ−1 ) = (−1) · Sign(e) = −1.
Damit ist alles gezeigt.
Definitionen IV.3.16. Es sei n ≥ 2 eine natürliche Zahl.
i) Eine Permutation σ ∈ Sn heißt gerade bzw. ungerade, wenn Sign(σ) = 1
bzw. Sign(σ) = −1.
ii) Wir setzen

An := σ ∈ Sn | σ gerade und Un := σ ∈ Sn | σ ungerade .
Beobachtung IV.3.17. Es seien n ≥ 2 eine natürliche Zahl, τ1 , ..., τk ∈ Sn Trans-
positionen und σ = τ1 · · · · · τk . Dann ist σ genau dann gerade bzw. ungerade,
wenn k gerade bzw. ungerade ist.
Beweis. Nach Satz IV.3.14 und IV.3.15 gilt
Sign(σ) = (−1)k .
Dies impliziert die Behauptung.

130
IV.3. Die symmetrische Gruppe

Lemma IV.3.18. Es sei n ≥ 2 eine natürliche Zahl. Dann ist An eine Untergruppe
von Sn mit n!/2 Elementen.
Beweis. Die Identität e ∈ Sn ist offenbar eine gerade Permutation. Es sei σ ∈
An . Mit Beobachtung IV.3.9, ii), und Satz IV.3.14 berechnen wir Sign(σ−1 ) =
Sign(σ)−1 = 1−1 = 1. Es folgt σ−1 ∈ An . Schließlich seien σ, σ ′ ∈ An zwei gerade
Permutationen. Wir haben Sign(σ · σ ′ ) = Sign(σ) · Sign(σ ′ ) = 1 · 1 = 1, so dass
σ · σ ′ ∈ An .
Nach Definition gilt
Sn = An ⊔ Un ,
so dass insbesondere
n! = #Sn = #An + #Un .
Es sei τ := τ12 . Nach Aufgabe II.2.10 ist die Abbildung
Lτ : Sn −→ Sn
σ 7−→ τ ◦ σ
bijektiv. Sie bildet An auf Un ab. Folglich gilt
#Sn
#An = #Un = ,
2
und der zweite Teil der Behauptung ist ebenfalls bewiesen.
Nach Bemerkung II.2.8, i), ist An selber eine Gruppe.
Definition IV.3.19. Es sei n ≥ 2 eine natürliche Zahl. Die Gruppe An wird
alternierende Gruppe genannt.
Beobachtung IV.3.20. Die alternierende Gruppe An ist genau dann abelsch,
wenn n ∈ { 2, 3 }.
Beweis. Die Gruppe A2 umfasst lediglich ein Element und ist damit trivialer-
weise abelsch. Nach Lemma IV.3.18 gilt #A3 = 3. Die Betrachtungen in Be-
merkung II.2.6, iii), zeigen, dass jede Gruppe mit drei Elementen abelsch ist.
Schließlich sei n ≥ 4. Der in Beispiel IV.3.8, ii), betrachtete injektive Gruppen-
homomorphismus
ιn : Sn −→ Sn+1
bildet An nach An+1 ab. Es genügt daher nachzuweisen, dass A4 nicht abelsch
ist. Die Elemente

1 2 3 4 1 2 3
1 2 3 4 4
= · ,
2 3 1 4 1 3 2
2 1 3 4 4

1 2 3 4 1 2 3 4 1 2 3 4
= ·
1 3 4 2 1 3 2 4 1 2 4 3

131
Kapitel IV. Matrizenrechnung

sind als Produkte von jeweils zwei Transpositionen gerade, d.h. in A4 enthalten.
Wir haben

1 2 3 4 1 2 3 4 1 2 3 4
· = ,
2 3 1 4 1 3 4 2 2 1 4 3

1 2 3 4 1 2 3 4 1 2 3 4
· = .
1 3 4 2 2 3 1 4 3 4 1 2

Die beiden angegebenen Elemente kommutieren also nicht miteinander.

Aufgabe IV.3.21.
a) Berechnen Sie die Produkte σ21 , σ22 , σ1 σ2 und σ2 σ1 für

1 2 3 4 5 6 7 1 2 3 4 5 6 7
σ1 := und σ2 := .
2 1 3 7 6 5 4 1 3 2 5 6 4 7

b) Stellen Sie die Permutation

1 2 3 4 5 6
5 4 6 3 2 1

als Produkt von Transpositionen dar.

IV.4 Determinanten
Bereits in Abschnitt I.1 haben wir mit der Determinante einer (2 × 2)-Matrix
gearbeitet. Jetzt möchten wir das analoge Konzept für (n × n)-Matrizen für be-
liebige natürliche Zahlen n ≥ 1 entwickeln.
Schreibweise. Es seien

zi = ( ai1 · · · ain ) ∈ ZKn , i = 1, ..., n,

Zeilenvektoren. Dann sei

   
z1 a11 · · · a1n
 ..   .. ..  ∈ Mat(n; K)
 . = . . 
zn an1 · · · ann

die (n × n)-Matrix mit den Zeilen z1 , ..., zn.

Definitionen IV.4.1. Es sei n ≥ 1 eine natürliche Zahl.
i) Eine Abbildung
Det : Mat(n; K) −→ K
ist eine Determinantenabbildung, wenn sie folgende Eigenschaften aufweist:

132
IV.4. Determinanten

1. Für j ∈ { 1, ..., n } ist Det linear in der j-ten Zeile, d.h. für λ ∈ K und
Zeilenvektoren z1 , ..., zn, zj′, zj′′ ∈ ZKn hat man:
   
z1 z1
 ..   .. 
 .   . 
   
 zj−1   zj−1 
   
a) Det   
 λ · zj  = λ · Det  zj ;

 zj+1   zj+1 
   
 ..   .. 
 .   . 
zn zn
     
z1 z1 z1
 ..   ..   .. 
 .   .   . 
     
 zj−1   zj−1   zj−1 
 ′     

b) Det  zj + zj  = Det  zj  + Det 
′′   ′ 
 zj′′ 
.
 zj+1   zj+1   zj+1 
     
 ..   ..   .. 
 .   .   . 
zn zn zn

2. Die Abbildung Det ist alternierend, d.h. hat A ∈ Mat(n; K) zwei identische
Zeilen, dann folgt Det(A) = 0.

3. Die Abbildung Det ist normiert, d.h. Det(En ) = 1.

ii) Es seien Det : Mat(n; K) −→ K eine Determinantenabbildung und A ∈

Mat(n; K) eine (n × n)-Matrix. Dann heißt die Zahl Det(A) ∈ K die Determinante
von A.

Die folgenden Betrachtungen werden zeigen, dass man ausgehend von den
obigen Axiomen die Determinante jeder Matrix berechnen kann. Daraus folgt
erst einmal, dass es höchstens eine Determinantenabbildung gibt. Später (Satz
IV.4.6) werden wir nachweisen, dass eine Determinantenabbildung existiert.

Satz IV.4.2. Es seien n ≥ 1 eine natürliche Zahl und Det : Mat(n; K) −→ K eine
Determinantenabbildung. Gegeben seien Zeilenvektoren zi = ( ai1 · · · ain ) ∈
ZKn , i = 1, ..., n, und damit die (n × n)-Matrix
 
z1
 
A =  ...  .
zn

133
Kapitel IV. Matrizenrechnung

i) Zeilenoperationen vom Typ (ZI) ändern die Determinante nicht, d.h. für ge-
gebene Indizes 1 ≤ i 6= j ≤ n und eine Zahl λ ∈ K gilt
 
z1
 .. 
 . 
 
 zj−1 
 

Det(A) = Det  zj + λ · zi .

 zj+1 
 
 .. 
 . 
zn

ii) Bei Zeilenvertauschungen ändert sich das Vorzeichen der Determinante,

d.h. für Indizes 1 ≤ i < j ≤ n hat man
 
z1
 .. 
 . 
 
 zi−1 
 
 zj 
 
 zi+1 
 
 
Det(A) = −Det  ...  .
 
 zj−1 
 
 zi 
 
 zj+1 
 
 .. 
 . 
zn

iii) Gibt es einen Index i ∈ { 1, ..., n } mit zi = 0, so folgt Det(A) = 0.

Beweis. i) Hier berechnet man mit Eigenschaft 1) und 2) aus Definition IV.4.1:
     
z1 z1 z1
 ..   ..   .. 
 .   .   . 
     
 zj−1   ..   zj−1 
  .  

Det  zj + λ · zi  = Det  
 + Det  =
 
 ..   λ · zi 
 zj+1   .   zj+1 
   ..   
 ..     .. 
 .  .  . 
zn zn zn

134
IV.4. Determinanten


z1
 .. 
 . 
 
 zj−1 
 
= Det(A) + λ · Det 
 z i
 = Det(A).

 zj+1 
 
 .. 
 . 
zn
| {z }
=0, Det alternierend

iii) Wir wählen einen Index j 6= i und wenden Teil i) an:

   
z1 z1
 ..   .. 
 .   . 
   
 zi−1   zi−1 
   
Det 
 0  = Det 
  zj  .
 zi+1   zi+1 
   
 ..   .. 
 .   . 
zn zn

Die Determinante auf der rechten Seite verschwindet, weil die Matrix zwei iden-
tische Zeilen hat (Definition IV.4.1, 2).
ii) Mit Teil iii) und den Eigenschaften 1) und 2) aus Definition IV.4.1 finden
wir

     
z1 z1 z1
 ..   ..   .. 
 .   .   . 
     
 zi−1    zi−1    zi−1 
   
 zi + zj   zi   zj 
     
 zi+1    zi+1    zi+1 
   
 ..   ..   .. 
0 = Det  .  = Det  .  + Det  . =
     
 zj−1   zj−1   zj−1 
     
 zi + zj   zi + zj   zi + zj 
     
 zj+1    zj+1    zj+1 
   
 ..   ..   .. 
 .   .   . 
zn zn zn

135
Kapitel IV. Matrizenrechnung

       
z1 z1 z1 z1
 ..   ..   ..   .. 
 .   .   .   . 
       
 zi−1   zi−1   zi−1   zi−1 
       
 zi   zi    zj    zj 
     
 zi+1   zi+1   zi+1   zi+1 
       
 ..   ..   ..   ..  .
= Det  .  + Det  .  +Det  .  + Det  . 
       
 zj−1   zj−1   zj−1   zj−1 
       
 zi   zj    zi    zj 
     
 zj+1   zj+1   zj+1   zj+1 
       
 ..   ..   ..   .. 
 .   .   .   . 
zn zn zn zn
| {z } | {z } | {z }
=0 =Det(A) =0

Daraus folgt die Behauptung.

Mit diesem Satz können wir die Determinanten der Elementarmatrizen be-
stimmen.
Beispiel IV.4.3. Es seien 1 ≤ i 6= j ≤ n Indizes und λ ∈ K eine Zahl. In den
Bezeichnungen von Definition IV.1.9 ergibt sich mit Satz IV.4.2

a) Det Qij (λ) = Det(En ) = 1,
b) Det(Pij) = −Det(En ) = −1,
c) Det Si (λ) = λ · Det(En ) = λ.

Dieses Beispiel kombinieren wir mit den Ergebnissen zu Elementarmatrizen

aus Satz IV.1.10 und der folgenden Diskussion.

Satz IV.4.4. Es sei n ≥ 1 eine natürliche Zahl.

i) Für eine Determinantenabbildung Det : Mat(n; K) −→ K und eine (n × n)-
Matrix A ∈ Mat(n; K) sind folgende Bedingungen äquivalent:

a) Det(A) = 0,

b) Rg(A) < n.

ii) Für eine Determinantenabbildung Det : Mat(n; K) −→ K und (n×n)-Matrizen

A, B ∈ Mat(n; K) ist die Gleichung

Det(A · B) = Det(A) · Det(B)

erfüllt.

Beweis. Wir beginnnen mit dem Beweis der folgenden

136
IV.4. Determinanten

Behauptung. Für eine Determinantenabbildung Det : Mat(n; K) −→ K, eine (n ×

n)-Matrix A ∈ Mat(n; K) und eine Elementarmatrix T gilt

Det(T · A) = Det(T ) · Det(A).

Wir verwenden den Zusammenhang zwischen Zeilenoperationen und Multi-

plikation mit Elementarmatrizen (Satz IV.1.10), Definition IV.4.1, 1), Satz IV.4.2
und Beispiel IV.4.3.
Für Indizes i 6= j ∈ { 1, ..., n } und λ ∈ K gilt

Det Qij (λ) · A = Det(A) = Det Qij(λ) · Det(A).

Für Indizes i 6= j ∈ { 1, ..., n } hat man

Det(Pij · A) = −Det(A) = Det(Pij ) · Det(A).

Für einen Index i ∈ { 1, ..., n } und λ ∈ K finden wir

Det Si (λ) · A = λ · Det(A) = Det Si (λ) · Det(A).

Jetzt beweisen wir Teil i). Wir betrachten zunächst eine (n × n)-Matrix A mit
Rg(A) < n. Nach Satz I.3.3 und IV.1.10 gibt es Elementarmatrizen C1 , ..., Ck ∈
Mat(n; K), so dass sich die Matrix

A ′ = C1 · · · · · Ck · A

in Zeilenstufenform befindet. Dabei ist r = Rg(A ′) = Rg(A) (Beispiel III.4.13 und

Satz III.4.14) die Anzahl der Stufen. Wegen r < n enthält A ′ eine Nullzeile. Satz
IV.4.2, iii), besagt Det(A ′ ) = 0. Mit der Behauptung finden wir

0 = Det(A ′ ) = Det(C1 ) · · · · · Det(Ck ) ·Det(A).

| {z }
6=0, Beispiel IV.4.3

Nun widmen wir uns dem Fall einer (n×n)-Matrix A mit Rg(A) = n. Hier gibt
es Elementarmatrizen D1, ..., Du ∈ Mat(n; K) mit A = D1 · · · · · Du (Satz IV.1.17, i),
und die Behauptung liefert

Det(A) = Det(D1 ) · · · · · Det(Du ) 6= 0.

ii) Wenn A Rang n hat, dann wählen wir Elementarmatrizen D1 , ..., Du ∈

Mat(n; K) mit A = D1 · · · ·· Du und berechnen unter Verwendung der Behauptung

Det(A · B) = Det(D1 · · · · · Du · B) = Det(D1 ) · · · · · Det(Du ) ·Det(B).

| {z }
=Det(A)

Gilt Rg(A) < n, dann haben wir auch Rg(A · B) < n (Warum?). Mit i) folgt 0 =
Det(A · B) = 0 · Det(B) = Det(A) · Det(B).

137
Kapitel IV. Matrizenrechnung

Folgerung IV.4.5. Es seien n ≥ 1 eine natürliche Zahl.

i) Es gibt höchstens eine Determinantenabbildung Det : Mat(n; K) −→ K.
ii) Für eine Determinantenabbildung Det : Mat(n; K) −→ K gilt

GLn (K) = A ∈ Mat(n; K) | Det(A) 6= 0 ,

und
Det : GLn (K) −→ K \ {0}
ist ein Gruppenhomomorphismus.

Beweis. Die obigen Betrachtungen beinhalten, dass eine Determinantenabbil-

dung durch ihre Werte auf den Elementarmatrizen bestimmt ist. Diese haben
wir in Beispiel IV.4.3 ermittelt. Dies zeigt Teil i). Teil ii) folgt unmittelbar aus
Satz IV.4.4.

Jetzt beschäftigen wir uns mit der Existenz von Determinantenabbildungen.

Satz IV.4.6. Es sei n ≥ 1 eine natürliche Zahl. Durch die Leibnizformel9

Mat(n; K) −→ K
X
A = (aij ) i=1,...,n 7−→ Sign(σ) · a1σ(1) · · · · · anσ(n)
j=1,...,n
σ∈Sn

ist eine Determinantenabbildung definiert.

Beweis. Wir verifizieren die Axiome aus Definition IV.4.1, i). Wir beginnnen mit
1, a). Es seien i ∈ { 1, ..., n } ein Index und λ ∈ K eine Zahl. Wir finden
 
z1
 .. 
 . 
 
 zi−1 
  X
Det  λ · z 
i  = Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · (λ · aiσ(i) ) · ai+1σ(i+1) · · · · · anσ(n)
 zi+1  σ∈Sn
 
 .. 
 . 
zn
X
= λ · Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n)
σ∈Sn
X
= λ· Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n)
σ∈Sn
= λ · Det(A).
9
Gottfried Wilhelm Leibniz (1646 - 1716), deutscher Philosoph, Mathematiker uvm.

138
IV.4. Determinanten

Für 1, b), seien i ∈ { 1, ..., n }, zi = ( ai1 · · · ain ), zi′ = ( ai1′ · · · ain ′

), zi′′ =
′′ ′′ ′ ′′ ′ ′′
( ai1 · · · ain ), Zeilenvektoren, so dass zi = zi + zi , d.h. aij = aij + aij , j = 1, ..., n.
Mit der Leibniz-Formel berechnen wir
 
z1
 
Det  ... 
zn
X
= Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n)
σ∈Sn
X
′ ′′
= Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · (aiσ(i) + aiσ(i) ) · ai+1σ(i+1) · · · · · anσ(n)
σ∈Sn
X
′
= Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n) +
σ∈Sn

′′
+Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n)
!
X
′
= Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n) +
σ∈Sn
!
X
′′
+ Sign(σ) · a1σ(1) · · · · · ai−1σ(i−1) · aiσ(i) · ai+1σ(i+1) · · · · · anσ(n)
σ∈Sn
   
z1 z1
 ..   .. 
 .   . 
   
 zi−1   zi−1 
 ′   
= Det  zi  + Det 
 
 zi′′ 
.
 zi+1   zi+1 
   
 ..   .. 
 .   . 
zn zn zn

2) Es seien 1 ≤ i < j ≤ n Indizes, so dass die i-te und j-te Zeile überein-
stimmen, d.h. aik = ajk , k = 1, ..., n. Man beachte, dass in den Bezeichnungen
von Definition IV.3.16, ii), Un = An · τij gilt. Wie im Beweis von Lemma IV.3.18
schreiben wir
Sn = An ⊔ Un = An ⊔ An · τij .
Dabei haben wir An · τij = { σ · τij | σ ∈ An } gesetzt. Man beachte, dass Sign(σ) = 1
und Sign(σ · τij ) = −1 = −Sign(σ) für jede Permutation σ ∈ An gilt. Wir erhalten
X
Sign(σ) · a1σ(1) · · · · · anσ(n)
σ∈Sn

139
Kapitel IV. Matrizenrechnung

X X
= Sign(σ) · a1σ(1) · · · · · anσ(n) + Sign(σ · τij ) · a1σ(τij (1)) · · · · · anσ(τij (n))
σ∈An σ∈An
X
= a1σ(1) · · · · · anσ(n) − a1σ(τij (1)) · · · · · anσ(τij (n)) .
σ∈An
| {z }
=:Dσ

Für l 6∈ { i, j } gilt alσ(τij (l)) = alσ(l) . Weiter haben wir

aiσ(τij (i)) = aiσ(j) = ajσ(j) ,

ajσ(τij (j)) = ajσ(i) = aiσ(i) .

Mit diesen Formeln erkennen wir, dass Dσ = 0, σ ∈ An .

iii) Es gilt En = (δij ) i=1,...,n (Beispiel III.5.15, i). Für eine Permutation σ ∈ Sn ist
j=1,...,n
das Produkt δ1σ(1) · · · · · δnσ(n) genau dann ungleich null, wenn i = σ(i), i = 1, ..., n,
also wenn σ = e. In diesem Fall hat das Produkt den Wert 1.

Beispiele IV.4.7. i) Es sei n = 2. Wir haben S2 = { e, τ12 }. Damit ergibt die Leib-
nizformel
a11 a12
Det = a11 · a22 − a12 · a21 .
a21 a22
Dies ist die Formel, die wir bereits in Definition I.1.2 erklärt hatten.
ii) Für n = 3 schreiben wir gemäß Definition IV.3.16 S3 = A3 ⊔ U3 . Dabei gilt
U3 = τ12 · A3 . Wir haben

1 2 3 1 2 3 1 2 3
A3 = , , ,
1 2 3 2 3 1 3 1 2

1 2 3 1 2 3 1 2 3
U3 = τ12 · A3 = , , .
2 1 3 1 3 2 3 2 1

Die Leibnizformel ergibt

 
a11 a12 a13
Det  a21 a22 a23  = a11 · a22 · a33 + a12 · a23 · a31 + a13 · a21 · a32 −
a31 a32 a33
−a12 · a21 · a33 − a11 · a23 · a32 − a13 · a22 · a31 .

Diese Formel kann man sich mit der Regel von Sarrus10 merken: Gegeben eine
(3 × 3)-Matrix  
a11 a12 a13
A =  a21 a22 a23  ,
a31 a32 a33
10
Pierre Frédéric Sarrus (1798 - 1861), französischer Mathematiker.

140
IV.4. Determinanten

so füge man die ersten beiden Spalten an,

a11 a12 a13 a11 a12
a21 a22 a23 a21 a22 ,
a31 a32 a33 a31 a32

summiere die Produkte über die Diagonalen von links oben nach rechts unten
und subtrahiere die Produkte über die Diagonalen von links unten nach rechts
oben. Das Ergebnis ist die Determinante von A.
Für  
1 −1 0
A= 2 1 3 
0 −2 1
bildet man also
1 −1 0 1 −1
2 1 3 2 1
0 −2 1 0 −2
und erhält
Det(A) = 1 − (−6) − (−2) = 9.

Für n ≥ 4 gibt es leider keine einfachen Merkregeln mehr.

Beobachtung IV.4.8. Es sei n ≥ 1 eine natürliche Zahl. Für jede (n × n)-Matrix

A ∈ Mat(n; K) gilt
Det(At ) = Det(A).

Beweis. Es seien A = (aij ) i=1,...,n und At = (atij) i=1,...,n . Nach Definition IV.2.4, ii),
j=1,...,n j=1,...,n
gilt atij = aji , i, j = 1, ..., n. Die Leibnizformel liefert
X
Det(At ) = Sign(σ) · aσ(1)1 · · · · · aσ(n)n
σ∈Sn
X
= Sign(σ) · a1σ−1 (1) · · · · · anσ−1 (n)
σ∈Sn
X
= Sign(σ−1 ) · a1σ−1 (1) · · · · · anσ−1 (n)
σ∈Sn
X
= Sign(σ−1 ) · a1σ−1 (1) · · · · · anσ−1 (n)
σ−1 ∈Sn
= Det(A).

In der dritten Zeile haben wir die Formel Sign(σ−1 ) = Sign(σ) angewandt.

141
Kapitel IV. Matrizenrechnung

Bemerkungen IV.4.9. i) Diese Beobachtung lässt sich auch folgendermaßen be-

weisen: Falls Rg(A) < n, so gilt nach Folgerung III.5.41, iv), ebenfalls Rg(At ) <
n, und Satz IV.4.4, i), zeigt Det(At ) = 0 = Det(A).
Mit Beispiel IV.4.3 erkennt man weiter, dass die Aussage für jede Elemen-
tarmatrix stimmt.
Wenn schließlich Rg(A) = n gilt, dann existieren nach Satz IV.1.17, i), eine
natürliche Zahl u ≥ 1 und Elementarmatrizen D1 , ..., Du, so dass

A = D1 · · · · · Du ,

und wir finden mit Folgerung IV.2.7, i), und Satz IV.4.4, ii),

Det(At ) = Det(Dtu · · · · · Dt1 ) = Det(Dtu ) · · · · · Det(Dt1) = Det(Du ) · · · · · Det(D1 )

= Det(D1) · · · · · Det(Du ) = Det(A).

ii) Aus der Beobachtung folgt, dass eine Determinantenabbildung auch li-
near in jeder Spalte ist. Ferner impliziert das Verschwinden der Determinante
für Matrizen, deren Rang nicht maximal ist, dass eine Matrix mit zwei identi-
schen Spalten Determinante Null hat. Man hätte die Determinantenabbildung
auch über diese beiden Eigenschaften und Det(En ) = 1, n ≥ 1, charakterisieren
können.
Die Eigenschaften der Determinanten gestatten es uns, auch Determinan-
ten für Endomorphismen zu definieren.

Lemma IV.4.10. Es seien V ein endlichdimensionaler K-Vektorraum, f : V −→ V

ein Endomorphismus und B, B ′ zwei durchnummerierte Basen von V. Dann gilt
′
Det MBB (f) = Det MBB ′ (f) .

Beweis. Nach Satz IV.1.29 und Eigenschaft IV.1.28, ii), existiert eine invertier-
bare Matrix S ∈ GLn (K), so dass
′
MBB ′ (f) = S · MBB (f) · S−1 .

Deshalb gilt
′
Det MBB ′ (f) = Det S · MBB (f) · S−1 = Det(S) · Det MBB (f) · Det(S−1 ) =

= Det(S) · Det(S−1 ) · Det MBB (f) = Det(S · S−1 ) · Det MBB (f) =

= Det(En ) · Det MBB (f) = Det MBB (f) ,

und das Lemma ist bewiesen.

Mit diesem Lemma wird folgende Definition sinnvoll:

142
IV.4. Determinanten

Definition IV.4.11. Es seien V ein endlichdimensionaler K-Vektorraum und

f : V −→ V ein Endomorphismus. Man wähle eine durchnummerierte Basis von
V und setze
Det(f) := Det MBB (f) .
Diese Zahl ist die Determinante von f.
Eigenschaften IV.4.12. Es sei V ein endlichdimensionaler K-Vektorraum.
i) Die Abbildung

Det : GL(V) −→ K
f 7−→ Det(f)

ist ein Gruppenhomomorphismus.

ii) Es sei f : V −→ V ein Endomorphismus. Die folgenden Aussagen sind äqui-
valent:
• f ist ein Isomorphismus.
• Det(f) 6= 0.
Beweis. Das ergibt sich mit Folgerung IV.4.5, ii), und Lemma IV.1.13.

Die komplementäre Matrix. — Jeder Matrix kann eine sogenannte komple-

mentäre Matrix zugewiesen werden. Für invertierbare Matrizen ist dies bis auf
einen Faktor die inverse Matrix.
Definitionen IV.4.13. i) Es sei A = (aij ) i=1,...,n ∈ Mat(n; K) eine (n × n)-Matrix.
j=1,...,n
Für Indizes i, j ∈ { 1, ..., n } sei
 
a11 · · · a1j−1 0 a1j+1 ··· ··· a1n
 .. .. .. .. .. 
 . . . . . 
 
 ai−11 · · · ai−1j−1 0 ai−1j+1 ··· ··· ai−1n 
 
 0 ··· 0 1 0 ··· ··· 0 
Aij =  ai+11 · · · ai+1j−1 0 ai+1j+1 ··· ···

ai+1n  ,
 . .. .. .. .. 
 .. . . . . 
 
 . . . .. .. 
 .. .. .. . . 
an1 · · · anj−1 0 anj+1 ··· ··· ann
′
d.h. in der Matrix Aij = (akl ) k=1,...,n gilt
l=1,...,n

 0, (k = i ∧ l 6= j) ∨ (l = j ∧ k 6= i)
′
akl = 1, k=i∧l=j , k, l = 1, ..., n.

akl , sonst

143
Kapitel IV. Matrizenrechnung

e = (e
ii) Die Matrix A aij ) i=1,...,n ∈ Mat(n; K) mit11
j=1,...,n

eij = Det(Aji )
a

heißt die zu A komplementäre Matrix.

e ihre komple-
Satz IV.4.14. Es seien A ∈ Mat(n; K) eine (n × n)-Matrix und A
mentäre Matrix. Dann gilt
e =A
A·A e · A = Det(A) · En .

Beweis. Es seien zk := ( ak1 · · · akn ) die k-te Zeile von A, k = 1, ..., n, el :=

( 0 · · · 0 1 0 · · · 0 ) der Zeilenvektor, bei dem die Eins an der l-ten Stelle
steht, l = 1, ..., n, und i, j ∈ { 1, ..., n } Indizes. Wir bilden die Matrix
 
z1
 .. 
 . 
 
 zi−1 
 
Aij′ = 
 e j
.

 zi+1 
 
 .. 
 . 
zn

Die Matrix Aij in Definition IV.4.13, i), geht aus Aij′ durch Zeilenoperationen von
Typ (ZI) hervor. Nach Satz IV.4.2, i), gilt

Det(Aij ) = Det(Aij′ ).

e = (aij ) i=1,...,n . Mit (IV.1) und Definition IV.4.13, i), haben wir
Es sei A · A
j=1,...,n

n
X n
X n
X
′
aij = ekj =
aik · a aik · Det(Ajk ) = aik · Det(Ajk )=
k=1 k=1 k=1
 
z1  
 ..  z1
 .   .. 
   . 
 z   
 n i−1   zi−1 
 P   
= Det 
 k=1 aik · ek
 = Det 
  zi   = δij · Det(A), i, j = 1, ..., n.
   zi+1 
 zi+1   
   .. 
 ..   . 
 . 
zn
zn
11
Man beachte die Reihenfolge der Indizes auf der rechten Seite.

144
IV.4. Determinanten

e · A = Det(A) · En nachrechnen. Wir argumentieren aber

Ebenso könnten wir A
folgendermaßen: In Definition IV.4.13 gilt offenbar

ft = A
A e t. (IV.4)

Damit berechnen wir

e
A·A e · A)t t = (At · A
= (A ft )t = (Det(At )·En )t = (Det(A)·En )t = Det(A)·En .
e t )t = (At · A

Bei diesen Umformungen haben wir Folgerung IV.2.7, i), (IV.4) und das bereits
Bewiesene für die Matrix At benutzt.

Definition IV.4.15. Es sei A = (aij) i=1,...,n ∈ Mat(n; K) eine (n × n)-Matrix. Für

j=1,...,n
Indizes i, j ∈ { 1, ..., n } sei
 
a11 · · · a1j−1 a1j+1 ··· ··· a1n
 .. .. .. .. 
 . . . . 
 
 ai−11 · · · ai−1j−1 ai−1j+1 · · · · · · ai−1n 
 
Sij (A) =  a
 i+11
· · · ai+1j−1 ai+1j+1 · · · · · · ai+1n  ∈ Mat(n − 1; K),
 ... .. .. .. 
 . . . 
 . . . .. 
 .. .. .. . 
an1 · · · anj−1 anj+1 · · · · · · ann

d.h. entsteht aus A durch Streichung der i-ten Zeile und j-ten Spalte.

Lemma IV.4.16. Es sei A = (aij ) i=1,...,n ∈ Mat(n; K) eine (n×n)-Matrix. Für Indizes
j=1,...,n
i, j ∈ { 1, ..., n } gilt in den Bezeichnungen von Definition IV.4.13, i), und IV.4.15:

Det(Aij ) = (−1)i+j · Det Sij (A) .

Beweis. Wir erinnern daran, dass die Vertauschung der k-ten und l-ten Zeile
bzw. Spalte in einer (n × n)-Matrix A durch Links- bzw. Rechtsmultiplikation
mit der Matrix Pkl gegeben ist (s. Satz IV.1.10), 1 ≤ k < l ≤ n. Folglich ändert
die Determinante bei jeder Zeilen- oder Spaltenvertauschung das Vorzeichen
(Beispiel IV.4.3 und Satz IV.4.4, ii). Nun formen wir die Matrix
 
0
 .. 
Aij′

= Sij(A) . 
 = (aij′ ) i=1,...,n .
 0  j=1,...,n

0 ··· 0 1

145
Kapitel IV. Matrizenrechnung

Die Matrix Aij geht aus Aij′ durch (n − i) Zeilenvertauschungen und (n − j)

Spaltenvertauschungen hervor. Demnach haben wir
X
Det(Aij ) = (−1)n−i+n−j · ′
Sign(σ) · a1σ(1) ′
· · · · · anσ(n)
σ∈Sn
X
i+j ′ ′
= (−1) · Sign(σ) · a1σ(1) · · · · · anσ(n)
σ∈Sn :σ(n)=n
′ =1
ann X
= (−1)i+j · ′
Sign(σ) · a1σ(1) ′
· · · · · an−1σ(n−1)
σ∈Sn−1

= (−1)i+j · Det Sij (A) .

Dies ist die Behauptung des Lemmas.

Laplace-Entwicklung von Determinanten. — Aus Satz IV.4.14 ergibt sich

eine Berechnungsmethode für Determinanten, die einfacher anzuwenden ist
als die Leibnizformel.

Satz IV.4.17. Es sei A = (aij) i=1,...,n ∈ Mat(n; K) eine (n × n)-Matrix.

j=1,...,n
i) Es sei i ∈ { 1, ..., n } der Index einer Zeile. Es gilt
n
X
Det(A) = (−1)i+j · aij · Det Sij (A) .
j=1

Man spricht von Laplace12-Entwicklung nach der i-ten Zeile.

ii) Es sei j ∈ { 1, ..., n } ein Spaltenindex. Es gilt
n
X
Det(A) = (−1)i+j · aij · Det Sij (A) .
i=1

Dies ist die Laplace-Entwicklung nach der j-ten Spalte.

Beweis. i) Es seien A e = (e e =
aij) i=1,...,n die zu A komplementäre Matrix und A · A
j=1,...,n
(aij′ ) i=1,...,n . Dann gilt nach Satz IV.4.14, (IV.1) und Lemma IV.4.16:
j=1,...,n

n
X n
X n
X
Det(A) = aii′ = eji =
aij · a aij · Det(Aij) = (−1)i+j · aij · Det Sij (A) .
j=1 j=1 j=1

Teil ii) wird genauso bewiesen.

12
Pierre-Simon (Marquis de) Laplace (1749 - 1827), französischer Mathematiker, Physiker
und Astronom.

146
IV.4. Determinanten

Bemerkung IV.4.18. Die Vorzeichen für die Entwicklung kann man sich als
Schachbrett“ merken, z.B. für eine (5 × 5)-Matrix:
”
 
+ − + − +
 − + − + − 
 
 + − + − + .
 
 − + − + − 
+ − + − +
Beispiele IV.4.19. i) Wir bestimmen die Determinante der Matrix
 
2 −2 3
A :=  4 1 2  ∈ Mat(3; Q)
1 5 1
durch Entwicklung nach der zweiten Zeile:

−2 3 2 3 2 −2
Det(A) = −4 · Det + Det − 2 · Det
5 1 1 1 1 5
= −4 · (−2 − 15) + (2 − 3) − 2 · (10 + 2) = 68 − 1 − 24 = 43.
Wir überprüfen das Ergebnis mit der Regel von Sarrus (Beispiel IV.4.7, ii). Dazu
bilden wir
2 −2 3 2 −2
4 1 2 4 1
1 5 1 1 5
und erhalten
Det(A) = 2 − 4 + 60 − 3 − 20 + 8 = 43.
ii) Wir möchten die Determinante der Matrix
 
4 7 −1 2
 2 0 3 −1 
B := 
 −1 0
 ∈ Mat(4; Q)
5 2 
0 1 −4 1
berechnen. Dazu entwickeln wir nach der zweiten Spalte:
   
2 3 −1 4 −1 2
Det(B) = −7 · Det  −1 5 2  + Det  2 3 −1  .
0 −4 1 −1 5 2
Die auftretenden Determinanten von (3 × 3)-Matrizen ermitteln wir wiederum
mit der Regel von Sarrus: Mit
2 3 −1 2 3
−1 5 2 −1 5
0 −4 1 0 −4

147
Kapitel IV. Matrizenrechnung

finden wir  
2 3 −1
Det  −1 5 2  = 10 − 4 + 16 + 3 = 25
0 −4 1
und mit
4 −1 2 4 −1
2 3 −1 2 3
−1 5 2 −1 5
 
4 −1 2
Det  2 3 −1  = 24 − 1 + 20 + 6 + 20 + 4 = 73.
−1 5 2
Zusammengenommen ergibt sich

Det(B) = −7 · 25 + 73 = −102.

Bemerkungen IV.4.20. i) Mit Hilfe der Laplace-Entwicklung kann man die De-
terminante auch rekursiv einführen. Man beginnt mit

Det : Mat(1; K) −→ K
(a) 7−→ a

und definiert die Determinante einer ((n + 1) × (n + 1))-Matrix mittels Laplace-

Entwicklung nach der letzten Zeile durch Determinanten von (n × n)-Matrizen,
n ≥ 1. Man kann sich durch einen einfachen Induktionsbeweis vergewissern,
dass man auch auf diese Weise die Leibnizformel erhält. Bei der Laplace-Ent-
wicklung wird im Gegensatz zur Leibnizformel geklammert. Die Leserin bzw.
der Leser möge sich das am Beispiel von (3 × 3)-Matrizen vor Augen führen.
ii) Den Aufwand für ein Rechenverfahren misst man mit der Anzahl der
durchgeführten Gleitkommaoperationen. Dies sind Additionen oder Multipli-
kationen. Die Multiplikation mit −1 wird nicht gezählt. Bei der Leibnizformel
müssen n! − 1 Additionen und n! · (n − 1) Multiplikationen ausgeführt wer-
den, insgesamt also n · n! − 1 Gleitkommaoperationen. Durch die Klamme-
rung bei der Laplace-Entwicklung reduziert sich der Rechnenaufwand etwas
auf 2 · n! − 1 Gleitkommaoperationen. Für den Gauß-Algorithmus (s. Aufgabe
IV.4.30) werden allerdings nur (n3 +Terme niederer Ordnung) Gleitkommaope-
rationen benötigt. Das ist somit die effizienteste Berechnungsmethode. Für eine
ausführlichere Diskussion verweisen wir auf [5].

Die Cramerschen Regeln. — Satz IV.4.14 beinhaltet zwei bekannte Regeln

für die Inversion einer Matrix und die Lösung gewisser Gleichungssysteme.
Diese Regeln sind rechenaufwändig aber für gewisse theoretische Erwägungen
wertvoll.

148
IV.4. Determinanten

Lemma IV.4.21 (Cramersche13 Regel für die Matrixinversion). Gegeben sei eine
invertierbare (n × n)-Matrix A ∈ GLn (K). Dann gilt in den Bezeichnungen von
Definition IV.4.13 und IV.4.15:
!
Det(Aji ) (−1)i+j · Det Sji (A)
A−1 = = .
Det(A) i=1,...,n Det(A) i=1,...,n
j=1,...,n
j=1,...,n

Beweis. Das ergibt sich unmittelbar aus Satz IV.4.14.

Beispiel IV.4.22. Wir berechnen die Inverse der Matrix

 
1 −2 0
A :=  1 0 −3  ∈ Mat(n; Q)
−1 2 5

mit der Cramerschen Regel. Dazu ermitteln wir zunächst die Koeffizienten der
e = (e
komplementären Matrix A aij) i=1,...,3 :
j=1,...,3

 
1 0 0
0 −3
e11 =
a Det  0 0 −3  = Det = 6,
2 5
 0 2 5 
0 −2 0
−2 0
e12 =
a Det  1 0 0  = −Det = 10,
2 5
 0 2 5 
0 −2 0
−2 0
e13 =
a Det  0 0 −3  = Det = 6,
0 −3
 1 0 0 
0 1 0
  = −Det 1 −3
e21 =
a Det 1 0 −3 = −2,
−1 5
−1 0 5 
1 0 0
1 0
e22 =
a Det  0 1 0  = Det = 5,
−1 5
 −1 0 5 
1 0 0
  = 1 0
e23 =
a Det 1 0 −3 −Det = 3,
1 −3
 0 1 0 
0 0 1
1 0
e31 =
a Det  1 0 0  = Det = 2,
−1 2
−1 2 0
13
Gabriel Cramer (1704 - 1752), Genfer Mathematiker.

149
Kapitel IV. Matrizenrechnung

 
1 −2 0
  1 −2
e32
a = Det 0 0 1 = −Det = 0,
−1 2
−1 2 0 
1 −2 0
  1 −2
e33
a = Det 1 0 0 = Det = 2.
1 0
0 0 1
Ferner gilt Det(A) = 10, so dass
 
6 10 6
1 
A−1 = · −2 5 3  .
10
2 0 2

Wenden wir uns nun der Cramerschen Regel für Gleichungssysteme zu. Es
seien A ∈ GLn (K) eine invertierbare (n×n)-Matrix und b ∈ Kn . Das Gleichungs-
system
 
s1
 
A ·  ...  = b
sn
hat genau eine Lösung, und zwar
 
s1
 ..  −1
 .  = A · b. (IV.5)
sn

Definition
 IV.4.23.
 Es seien A = (aij ) ∈ GLn (K) eine invertierbare (n×n)-Matrix
b1
 .. 
und b =  .  ∈ Kn ein Vektor. Für i = 1, ..., n setzen wir
bn
 
a11 · · · a1i−1 b1 a1i+1 · · · a1n
 ..  ,
Bi =  ... ..
.
..
.
..
. . 
an1 · · · ani−1 bn ani+1 · · · ann

d.h. wir ersetzen die i-te Spalte von A durch den Vektor b.

Lemma IV.4.24 (Cramersche Regel für lineare Gleichungssysteme). In Glei-

chung (IV.5) gilt
Det(Bi )
si = , i = 1, ..., n.
Det(A)

150
IV.4. Determinanten

Beweis. Mit der Cramerschen Regel für die Berechnung der inversen Matrix
(Lemma IV.4.21) und der Formel für das Matrixprodukt (IV.1) folgt aus (IV.5)
n
X Det(Aji )
si = · bj , i = 1, ..., n.
j=1
Det(A)

Mit Lemma IV.4.16 wird daraus

n
X (−1)i+j · Det Sji (A)
si = · bj , i = 1, ..., n.
j=1
Det(A)

Auf der anderen Seite ergibt die Laplace-Entwicklung der Determinante von Bi
nach der i-ten Spalte (Satz IV.4.17, ii)
n
X
Det(Bi ) = (−1)i+j · bj · Det Sji (A) , i = 1, ..., n.
j=1

Vergleicht man diese Formeln, so gelangt man zum gewünschten Ergebnis.

Beispiel IV.4.25. Gegeben seien
   
−1 2 − i 0 3 − 2i
A :=  i 0 −i  ∈ Mat(3; C), b :=  0  ∈ C3 ,
1 + 3i i 0 1 + 5i

und gesucht ist die Lösungsmenge L(A, b). Zunächst wird die Determinante
von A mit der Regel von Sarrus (Beispiel IV.4.7, ii) bestimmt:
−1 2 − i 0 −1 2 − i
i 0 −i i 0 ,
1 + 3i i 0 1 + 3i i
also

Det(A) = (2 − i)(−i)(1 + 3i) − (−1)(−i)i = (2 − i)(3 − i) + 1 = 6 − 1 − 2i − 3i + 1 = 6 − 5i.

Jetzt stellen wir die in der Cramerschen Regel benötigten Hilfsmatrizen“ auf
”
und berechnen deren Determinanten ebenfalls mit der Sarrus-Regel:
 
3 − 2i 2 − i 0 3 − 2i 2 − i 0 3 − 2i 2 − i
B1 =  0 0 −i  , 0 0 −i 0 0 ,
1 + 5i i 0 1 + 5i i 0 1 + 5i i

Det(B1 ) = (2 − i)(−i)(1 + 5i) − i(−i)(3 − 2i) = (2 − i)(5 − i) − (3 − 2i)

= 10 − 1 − 2i − 5i − 3 + 2i = 6 − 5i;

151
Kapitel IV. Matrizenrechnung

 
−1 3 − 2i 0 −1 3 − 2i 0 −1 3 − 2i
B2 :=  i 0 −i  , i 0 −i i 0 ,
1 + 3i 1 + 5i 0 1 + 3i 1 + 5i 0 1 + 3i 1 + 5i

Det(B2 ) = (3 − 2i)(−i)(1 + 3i) − (−1)(−i)(1 + 5i) = (3 − 2i)(3 − i) + 5 − i

= 9 − 2 − 3i − 6i + 5 − i = 12 − 10i;
 
−1 2 − i 3 − 2i −1 2 − i 3 − 2i −1 2 − i
B3 =  i 0 0  , i 0 0 i 0 ,
1 + 3i i 1 + 5i 1 + 3i i 1 + 5i 1 + 3i i

Det(B3 ) = (3 − 2i)i2 − (2 − i)i(1 + 5i)

= 2i − 3 − (2 − i)(−5 + i) = 2i − 3 + 10 − 1 − 2i − 5i = 6 − 5i.

Schließlich ergibt sich  

 1 
L(A, b) =  2  .
 
1
Aufgabe IV.4.26.
Berechnen Sie die Determinanten der Matrizen
   
−1 2, 5 4 3 14 2
−1 7
,  0, 5 5 −2  und  0 7 10  .
0, 25 5
4 0 12 8 2 4
Dabei seien die ersten beiden Matrizen über R und die dritte über F17 definiert.
Im letzten Fall ist das Ergebnis wieder in der Form a mit 0 ≤ a < 17 anzugeben.
Aufgabe IV.4.27.
Berechnen Sie die Determinanten der folgenden über R definierten Matrizen:
   
1 −2 0 5 0 5 1 −6
 −3 7 2 −11   1 −12 
a)   und b)  −1 12 .
 2 2 0 −6   2 −21 0 19 
−1 14 2 3 −11 1 −1 11

Aufgabe IV.4.28.
a) Eine (n × n)-Matrix A = (aij) i=1,...,n mit aij = 0 für i > j nennt man obere
j=1,...,n
Dreiecksmatrix. Eine obere Dreiecksmatrix hat also die Form
 
a11 a12 · · · a1n
 0 a22 · · · a2n 
 
A =  .. . . . . ..  .
 . . . . 
0 · · · 0 ann

152
IV.4. Determinanten

Beweisen Sie
Det(A) = a11 · · · · · ann .
b) Es seien λ1 , ..., λn ∈ K. Beweisen Sie die Gleichung
 
1 1 ··· 1
 λ1 λ2 · · · λn 
  Y
 2
λ22 · · · λ2n 
Det  λ1 = (λj − λi ).
 .. .. .. 
 . . .  i<j
n−1 n−1 n−1
λ1 λ2 · · · λn

Diese Determinante wird als Vandermonde 14 -Determinante bezeichnet.

Aufgabe IV.4.29.
a) Bestimmen Sie die inverse Matrix der reellen Matrix
 
0 1 −4
 1 2 −1 
1 1 2

mit der Cramerschen Regel.

b) Lösen Sie folgende Gleichungssysteme mit der Cramerschen Regel.
i) (K = C). √
(2 − 2i)x1 + √ 3x2 = 2i .
−ix1 + (2 + 2i)x2 = −5
ii) (K = R).
−x1 + 3x2 − 2x3 = −44
2x2 − x3 = −23 .
4x1 + 7x3 = 113
Aufgabe IV.4.30.
Entwickeln Sie mit dem Gauß-Algorithmus eine Berechnungsmethode für De-
terminanten, und bestimmen Sie die Determinante der reellen Matrix
 
5 8 9 8 5
 −5 4 −3 2 −1 
 
 10 12 9 4 1 
 
 10 8 −3 −2 3 
35 8 18 10 3

mit diesem Verfahren.

14
Alexandre-Théophile Vandermonde (1735 - 1796), französischer Musiker, Mathematiker
und Chemiker.

153
V
Eigenwerte und -vektoren

In diesem Kapitel werden wir zunächst die Begriffe des Eigenwertes und des
Eigenvektors einführen. Diese Begriffe spielen auch in den Anwendungen eine
große Rolle. An dieser Stelle sei etwa die Quantenmechanik erwähnt, in der
man grob gesprochen mit Eigenwerten und -vektoren eines linearen Operators
auf einem Hilbertraum quantenmechanische Systeme beschreibt. Hierbei wird
mit unendlichdimensionalen Vektorräumen gearbeitet. In der Vorlesung wollen
wir Eigenwerte und -vektoren dazu benutzen, die Struktur eines Endomor-
phismus f eines endlichdimensionalen K-Vektorraums V zu analysieren. Die
Ergebnisse der Analyse werden durch die Jordansche Normalform zusammen-
gefasst.
Generalvoraussetzung. Alle Vektorräume, die wir betrachten, haben mindes-
tens die Dimension 1.

V.1 Äquivalenzrelationen auf Matrizen

Definition V.1.1. Es seien m ≥ 1 und n ≥ 1 natürliche Zahlen. Zwei Matrizen
A, B ∈ Mat(m, n; K) heißen äquivalent, wenn es Matrizen S ∈ GLm (K) und T ∈
GLn (K) gibt, so dass
B = S · A · T −1 .
Schreibweise. A ∼ B.

Bemerkung V.1.2. Bei der Relation ∼“ handelt es sich in der Tat um eine Äqui-
”
valenzrelation. Für A ∈ Mat(m, n; K) gilt offenkundig A = Em · A · En = Em · A · En−1 .
Da Em ∈ GLm (K) und En ∈ GLn (K), folgt A ∼ A. Es seien A, B ∈ Mat(m, n; K) und

155
Kapitel V. Eigenwerte und -vektoren

A ∼ B. Man wähle Matrizen S ∈ GLm (K) und T ∈ GLn (K) mit B = S · A · T −1 . Wir
erhalten A = (S−1 ) · B · (T −1 )−1 . Es gilt S−1 ∈ GLm (K) und T −1 ∈ GLn (K), so dass wir
B ∼ A schließen. Zu guter Letzt seien A, B, C ∈ Mat(m, n; K) mit A ∼ B und B ∼ C
gegeben. Es gibt also Matrizen S, U ∈ GLm (K) und T, V ∈ GLn (K) mit B = S · A · T −1
und C = U · B · V −1 . Zusammengenommen ergibt sich

C = U · (S · A · T −1 ) · V −1 = (U · S) · A · (T −1 · V −1 ) = (U · S) · A · (V · T )−1 .

Nun gilt U · S ∈ GLm (K) und V · T ∈ GLn (K), so dass A ∼ C folgt.

Der Hintergrund für diese Begriffsbildung ist folgender: Gegeben seien end-
lichdimensionale K-Vektorräume V und W sowie eine lineare Abbildung f : V −→
W. Gesucht sind durchnummerierte Basen B und C für V bzw. W, so dass die
darstellende Matrix
MBC (f)
eine möglichst einfache Gestalt hat. Dieses Problem wurde in Folgerung IV.1.30
gelöst. Man beachte, dass für durchnummerierte Basen B und B′ von V bzw. C
und C′ von W der Zusammenhang
′
−1
MBC′ (f) = MCC′ (IdW ) · MBC (f) · MBB′ (IdV ) gilt.

Dabei hat man MCC′ (IdW ) ∈ GLm (K) und MBB′ (IdV ) ∈ GLn (K). Damit ist die natürli-
che Motivation für den Äquivalenzbegriff von Matrizen gegeben, und Folgerung
IV.1.30 kann umformuliert werden in:
Satz V.1.3. Eine (m × n)-Matrix A vom Rang r ist äquivalent zu der Matrix

Er 0
.
0 0
Insbesondere sind zwei Matrizen A und B genau dann äquivalent, wenn sie den-
selben Rang haben.
Definition V.1.4. Zwei Matrizen A, B ∈ Mat(n; K) nennt man ähnlich, wenn es
eine Matrix S ∈ GLn (K) mit
B = S · A · S−1
gibt.
Schreibweise. A ≈ B.
Bemerkung V.1.5. Wie in Bemerkung V.1.2 sieht man, dass es sich bei der
Relation ≈“ wirklich um eine Äquivalenzrelation handelt.
”
Der Hintergrund für dieses Problem lässt sich wie folgt verstehen: Wir be-
trachten einen endlichdimensionalen K-Vektorraum V und einen Endomor-
phismus f : V −→ V.

156
V.1. Äquivalenzrelationen auf Matrizen

Problem V.1.6. Diesmal suchen wir eine durchnummerierte Basis B von V, für
die die Matrix
MB (f) := MBB (f)
möglichst einfach wird.
Für zwei durchnummerierte Basen B und B′ von V besteht der Zusammen-
hang
−1
MB′ (f) = MBB′ (idV ) · MB (f) · MBB′ (idV ) .

Es gilt dabei MBB′ (idV ) ∈ GLn (K). Damit ist die Herkunft des Begriffs Ähnlich-
”
keit“ geklärt. Es wird sich herausstellen, dass die Lösung des gerade gestell-
ten Problems wesentlich komplizierter ist als die des Äquivalenzproblems von
Matrizen. Um es zu lösen, muss man eine detaillierte Analyse der Struktur
des Endomorphismus f durchführen. Dies führt uns endlich einmal ein biß-
chen weg von linearen Gleichungssystemen und dem Gauß-Algorithmus (auch
wenn wir ihn wieder einsetzen) und zeigt, dass die Lineare Algebra keine reine
Hilfswissenschaft ist, sondern auch interessante Fragestellungen in sich birgt.
Definitionen V.1.7. i) Es seien V ein K-Vektorraum und f : V −→ V ein Endo-
morphismus. Eine Zahl λ ∈ K wird Eigenwert von f genannt, wenn es einen
Vektor v ∈ V \ {0} gibt, so dass
f(v) = λ · v.
Der Vektor v heißt dann Eigenvektor von f (zum Eigenwert λ).
ii) Es seien n ≥ 1 eine natürliche Zahl und A eine (n × n)-Matrix. Man nennt
eine Zahl λ ∈ K einen Eigenwert der Matrix A, wenn es einen Vektor v ∈ Kn \ {0}
mit
A·v=λ·v
gibt. Der Vektor v heißt Eigenvektor von A (zum Eigenwert λ).
iii) In der Situation von i) bzw. ii) setzen wir

Eig(f, λ) := v ∈ V | f(v) = λ · v = Ker(f − λ · IdV )
bzw. Eig(A, λ) := v ∈ Kn | A · v = λ · v = L(A − λ · En , 0).
Man spricht dabei von dem Eigenraum von f bzw. A (zum Eigenwert λ).
Bemerkungen V.1.8. i) Die Eigenräume Eig(f, λ) bzw. Eig(A, λ) sind lineare Teil-
räume von V bzw. Kn.
ii) Man muss sich den Eigenraum E := Eig(f, λ) des Endomorphismus f als
Teilraum von V vorstellen, der dadurch ausgezeichnet ist, dass E invariant ist,
d.h. f(E) ⊆ E, und dass f auf E besonders einfach operiert, nämlich durch Mul-
tiplikation mit dem Skalar λ. Das anschließende Lemma gibt bereits präzisere
Hinweise darauf, wie Eigenvektoren bei der Lösung von Problem V.1.6 hilfreich
sein können.

157
Kapitel V. Eigenwerte und -vektoren

iii) Die Zahl 0 kommt offenbar genau dann als Eigenwert von f vor, wenn f
nicht injektiv ist. Der Eigenraum zum Eigenwert 0 ist nichts anderes als der
Kern der Abbildung f.

Lemma V.1.9. Es seien V ein endlichdimensionaler K-Vektorraum und f : V −→ V

ein Endomorphismus. Dann sind folgende Bedingungen äquivalent:

a) Es gibt eine durchnummerierte Basis B von V, so dass

 
λ1 0 ··· 0
 .. . 
 0 λ2 . .. 
MB (f) =  .. .. .. .
 . . . 0 
0 · · · 0 λn

b) Es gibt eine durchnummerierte Basis B von V, die nur aus Eigenvektoren

von V besteht.

Beweis. a) =⇒ b). Es sei B = { b1 , ..., bn }. Aus der Definition der darstellenden

Matrix folgt f(bi ) = λi · bi , i = 1, ..., n.
b) =⇒ a). Es seien B = { b1, ..., bn } und λ1 , ..., λn ∈ K, so dass bi ein Eigenvektor
zum Eigenwert λi ist, i = 1, ..., n. Die Darstellungsmatrix bezüglich dieser Basis
hat offensichtlich die in a) angegebene Gestalt.

Definitionen V.1.10. i) Eine Matrix A = (aij ) i=1,...,n heißt Diagonalmatrix, wenn

j=1,...,n
aij = 0 für alle 1 ≤ i 6= j ≤ n gilt.
Schreibweise. A := Diag(a11, ..., ann).
ii) Ein Endomorphismus f : V −→ V des endlichdimensionalen K-Vektor-
raums V heißt diagonalisierbar oder halbeinfach, wenn es eine durchnumme-
rierte Basis B von V gibt, für die MB (f) eine Diagonalmatrix ist.
iii) Eine Matrix A ∈ Mat(n; K) heißt diagonalisierbar, wenn sie einer Diago-
nalmatrix ähnlich ist.

2 3 1
Beispiel V.1.11. Es sei A := ∈ Mat(2; R). Dann ist ein Eigenvektor
0 1 0
−3
zum Eigenwert 2 und einer zum Eigenwert 1. Damit ist A diagonalisier-
1
bar. Es gilt
1 3 2 3 1 −3 2 0
· · = .
0 1 0 1 0 1 0 1
Man beachte, dass −1
1 −3 1 3
= .
0 1 0 1

158
V.2. Polynome

2

1
=A·
−3
−3
0
1
0
5

3
1
=A · 1 1 1
=A· 1
1
0

Abbildung V.1: Die Abbildung fA .

1 −3
Die Vektoren und definieren die ausgezeichneten Richtungen in
0 1
R2 , auf denen Multiplikation mit A als Multiplikation mit 2 bzw. 1 wirkt. Die
anderen Richtungen sind nicht invariant, d.h. für
* + * +
1 −3
v∈/ ∪
0 1

gilt A · v ∈
/ hvi (vgl. Abbildung 5.1).
Aufgabe V.1.12.
Beweisen Sie durch vollständige Induktion über n: Gegeben seien ein Vektor-
raum V und ein Endomorphismus f : V −→ V sowie n verschiedene Eigenwerte
λ1 ,...,λn ∈ K von f mit Eigenvektoren vi ∈ V \ {0}, i.e. f(vi ) = λi · vi , i = 1, ..., n. Dann
ist { v1 , ..., vn } eine linear unabhängige Teilmenge von V.

V.2 Polynome
Wir erinnern zunächst an den Ring aus Aufgabe II.3.7, ii). Es sei

R := Abb′ (N, K) := p : N −→ K p(n) 6= 0 nur für endlich viele n ∈ N .

Auf R definieren die folgenden Operationen die Struktur eines K-Vektorraums:

λ · p : N −→ K, n 7−→ λ · p(n), λ ∈ K, p ∈ R,
p + q : N −→ K, n 7−→ p(n) + q(n), p, q ∈ R.
Die Multiplikation, mit der R zum Ring wird, ist wie folgt erklärt:
X
p · q : N −→ K, n 7−→ p(k) · q(l), p, q ∈ R.
k,l∈N
k+l=n

159
Kapitel V. Eigenwerte und -vektoren

Die Elemente
ej : N −→ K
1, n = j ,
n 7−→
0, sonst
j ∈ N, bilden eine Basis für den K-Vektorraum R. Offenbar haben wir die Regel

ei · ej = ei+j , i, j ∈ N.

Wir setzen t := e1 , t0 := 1 = e0 . Dann gilt tj = ej für alle j ∈ N.

Schreibweise. Wir können p ∈ R mit p(j) = 0 für alle j > n also auf eindeutige
Weise in der Form

p(t) := p = an tn + an−1 tn−1 + · · · + a1 t + a0

mit aj ∈ K, j = 0, ..., n, schreiben. Wir nennen p(t) ein Polynom in der Unbestimm-
ten t. Die Schreibweise p(t) hebt die Unbestimmte t hervor und ist nicht mit
dem Wert von p an einer natürlichen Zahl zu verwechseln. Ferner setzen wir
K[t] := R und sprechen von dem Polynomring in der Unbestimmten t.
Beispiel V.2.1. Wir berechnen eine Summe und ein Produkt von Polynomen:

(t5 + 4t2 + 3t) + (2t7 − 5t4 + 3t2 + t − 1) = 2t7 + t5 − 5t4 + 7t2 + 4t − 1;

(t2 + 3t + 2) · (2t + 1) = 2t3 + 7t2 + 7t + 2.

Definition V.2.2. Es sei p = an tn + an−1 tn−1 + · · · + a1 t + a0 . Der Grad von p ist

definiert als

−∞, a0 = · · · = an = 0
Grad(p) := .
max{ j | aj 6= 0 }, sonst

Lemma V.2.3. Für zwei Polynome p, q ∈ K[t] gilt:1

a) Grad(p + q) ≤ max{ Grad(p), Grad(q) }.

b) Grad(p · q) = Grad(p) + Grad(q).

1
Dabei gelten folgende Rechenregeln für −∞:
• ∀n ∈ N: −∞ < n,

• ∀n ∈ N: −∞ + n = −∞,

• −∞ + (−∞) = −∞.

160
V.2. Polynome

Beweis. Es seien
p = an t n + · · · + a1 t + a0
q = bm t m + · · · + b1 t + b0
mit an 6= 0 und bm 6= 0, so dass Grad(p) = n und Grad(q) = m. Wir können
sicherlich m ≤ n voraussetzen.
Zu a). Wir erhalten p + q = an tn + · · · + am+1 tm+1 + (am + bm )tm + · · · + (a1 + b1 )t +
(a0 + b0 ). Damit gilt Grad(p + q) ≤ n. Wir weisen darauf hin, dass <“ genau
”
dann auftritt, wenn m = n und am + bm = 0 gilt.
Zu b). Es gilt p · q = an bm tn+m + · · · + (a0 b1 + a1 b0 )t + a0 b0 . Da an bm 6= 0, gilt
Grad(p · q) = m + n.
Satz V.2.4 (Division mit Rest). Es seien p, q ∈ K[t] Polynome. Dann gibt es
eindeutig bestimmte Polynome s und r mit Grad(r) < Grad(p), so dass
q = p · s + r.
Definition V.2.5. Gilt in der Situation des Satzes r = 0, dann sagen wir, dass p
das Polynom q teilt und schreiben p|q.
Beweis von Satz V.2.4. Für Grad(p) > Grad(q) gilt s = 0 und r = q. Anstatt den
Beweis auszuführen, geben wir ein Beispiel an:
(2t5 − 5t4 + 7t3 + 2t2 + 8t − 5) : (t2 − 3t + 5) = 2t3 + t2 + (−3)
−(2t5 − 6t4 + 10t3 ) Rest (−t + 10)
t4 − 3t3 + 2t2 Übertrag
−(t4 − 3t3 + 5t2 )
−3t2 + 8t − 5
−(−3t2 + 9t − 15)

−t + 10.
Der obige Satz wird z.B. in [9], Satz A.1.5, bewiesen.
Definitionen V.2.6. i) Es sei p = an tn + an−1 tn−1 + · · · + a1 t + a0 ∈ K[t]. Wir
definieren
fp : K −→ K
λ 7−→ an λn + an−1 λn−1 + · · · + a1 λ + a0 .
Die Abbildung fp heißt die zu p gehörige Polynomabbildung.
Schreibweise. p(λ) := fp (λ).2
2
Die Definition der Polynome über Abbildungen von N nach K erfolgte nur aus formalen
Gründen und kann für das Weitere vergessen werden. In diesem Sinne führt die mißbräuchli-
che Schreibweise p(λ) hoffentlich nicht zur Verwirrung.

161
Kapitel V. Eigenwerte und -vektoren

ii) Eine Abbildung f : K −→ K nennt man eine Polynomabbildung, wenn es ein

Polynom p ∈ K[t] mit f = fp gibt.

Satz V.2.7. i) Die Zuordnung F : K[t] −→ Abb(K, K), p 7−→ fp , ist K-linear.
ii) Für λ ∈ K und Polynome p, q ∈ K[t] gilt fp·q (λ) = fp (λ) · fq (λ).
iii) Wenn K unendlich viele Elemente enthält, dann ist F injektiv.

Beweis. Teil i) und ii) sind durch einfache Rechnungen leicht nachzuprüfen.
Auf Punkt iii) kommen wir im Anschluss an den Beweis von Satz V.2.12 zu
sprechen.

Bemerkung V.2.8. Es sei K = { λ1 , ..., λs } ein Körper mit nur endlich vielen Ele-
menten. Das Polynom p := (t − λ1 ) · · · · · (t − λs ) ist nicht das Nullpolynom, aber
es gilt offensichtlich fp (λ) = 0 für alle λ ∈ K. Damit ist F, wie im letzten Satz
definiert, nicht injektiv.
Für K = F2 erhält man z.B. p = t · (t − 1) = t · (t + 1) = t2 + t. Dabei ist
p(0) = 0 + 0 = 0 und p(1) = 1 + 1 = 0.

Definition V.2.9. Es sei p ∈ K[t] ein Polynom. Eine Zahl λ ∈ K wird Nullstelle
von p genannt, wenn p(λ) = 0.

Lemma V.2.10. Wenn λ eine Nullstelle des Polynoms p ∈ K[t] ist, dann gilt (t −
λ)|p. Es gibt also ein Polynom s vom Grad Grad(p) − 1, so dass p = (t − λ) · s.

Sprechweise. Man spricht in diesem Zusammenhang von der Abspaltung des

Linearfaktors (t − λ).

Beweis von Lemma V.2.10. Wir führen die Division mit Rest durch: p = (t − λ) ·
s + r. Da Grad(r) < Grad(t − λ) = 1, muss r ∈ K gelten, und aus 0 = p(λ) =
(λ − λ) · s(λ) + r = r folgt r = 0.

Definition V.2.11. Es seien p ∈ K[t] ein Polynom mit Grad(p) ≥ 0 und λ ∈ K

eine Nullstelle von p. Dann heißt

µ(p; λ) := max l ∈ N (t − λ)l |p ≥1

die Vielfachheit oder Multiplizität der Nullstelle λ.

Satz V.2.12. Es sei p ∈ K[t] ein Polynom mit Grad(p) =: n ≥ 0 und den (ver-
schiedenen) Nullstellen λ1 , ..., λm, m ≥ 0. Dann gibt es ein Polynom q ∈ K[t] ohne
Nullstellen, so dass
p = (t − λ1 )l1 · · · · · (t − λm )lm · q. (V.1)
Dabei haben wir li := µ(p, λi), i = 1, ..., m, gesetzt. Insbesondere hat p höchtens n
mit Vielfachheiten gezählte Nullstellen.

162
V.2. Polynome

Beweis. Wir führen Induktion über n. Für n = 0 gilt p = a0 ∈ K∗ , und es ist

nichts zu zeigen.
Induktionsschritt n n + 1. Falls p keine Nullstelle hat, können wir p = q
wählen. Ansonsten sei λ ∈ K so, dass p(λ) = 0. Gemäß Lemma V.2.10 schreiben
wir p = (t − λ) · s für ein Polynom s vom Grad n. Nach Induktionsvoraussetzung
gibt es also ein Polynom q ∈ K[t] ohne Nullstellen, so dass
′ ′
s = (t − λ1 )l1 · · · · · (t − λm′ )lm′ · q.
Wenn λ ∈ / { λ1 , ..., λm′ }, dann sind λ1 , ..., λm′ , λm′ +1 := λ die Nullstellen von p mit
den Vielfachheiten l′1 , ..., l′m′ , 1. Falls (nach Umnummerierung) λ = λ1 , dann sind
λ1 , ..., λm′ die Nullstellen von p mit den Vielfachheiten l′1 + 1, l′2, ..., l′m′ . In beiden
Fällen besteht die Faktorisierung (V.1) wie behauptet.
Beweis von Satz V.2.7, iii). Wenn fp die Nullabbildung ist, dann hat p unendlich
viele Nullstellen. Nach Satz V.2.12 kann p nur das Nullpolynom sein.
Definition V.2.13. Ein Körper heißt algebraisch abgeschlossen, wenn jedes
Polynom p ∈ K[t] vom Grad n ≥ 1 mindestens eine Nullstelle hat.
Beispiel V.2.14. Der Körper R der reellen Zahlen ist nicht algebraisch abge-
schlossen. Das Polynom p := t2 + 1 vom Grad zwei hat bekanntlich keine reelle
Nullstelle.
Satz V.2.15. Es seien K ein algebraisch abgeschlossener Körper und p ∈ K[t]
ein Polynom vom Grad n ≥ 1 mit den verschiedenen Nullstellen λ1 , ..., λm. Dann
existiert eine Zahl a ∈ K∗ , so dass
p = a · (t − λ1 )l1 · · · · · (t − λm )lm , li := µ(p, λi ), i = 1, ..., m.
Sprechweise. Man sagt, das Polynom p zerfällt vollständig in Linearfaktoren.
Beweis von Satz V.2.15. Nach Satz V.2.12 können wir
p = (t − λ1 )l1 · · · · · (t − λm )lm · q
schreiben. Dabei ist q ein Polynom ohne Nullstellen. Auf Grund der Definition
eines algebraisch abgeschlossenen Körpers muss Grad(q) = 0 gelten, d.h. q =
a ∈ K∗ .
Satz V.2.16 (Fundamentalsatz der Algebra). Der Körper C der komplexen Zahlen
ist algebraisch abgeschlossen.
Beweis. Elegante Beweise lernt man zumeist in der Funktionentheorie etwa
im vierten Semester kennen. Die dort verwendeten Methoden sind völlig un-
abhängig von den im Folgenden entwickelten, so dass kein so genannter Zir-
”
kelschluß“ zu befürchten ist. Man konsultiere etwa [11], Satz IV.5.11.

163
Kapitel V. Eigenwerte und -vektoren

Beispiel V.2.17 (Polynome vom Grad zwei). Es sei p = at2 + bt + c ∈ C[t] ein
Polynom vom Grad zwei, i.e. a 6= 0. Die Nullstellen λ1 und λ2 ∈ C werden nach
der Formel
√
−b ± b2 − 4ac
λ1/2 = (V.2)
2a

berechnet. Dabei überlegt man sich leicht, dass jede komplexe Zahl eine Wurzel
besitzt (s. Aufgabe II.3.6).
Für a, b, c ∈ R beachte man, dass gilt:

λ1 ∈ R ⇐⇒ λ2 ∈ R ⇐⇒ b2 − 4ac ≥ 0.

Dabei ist b2 − 4ac = 0 gleichbedeutend mit der Tatsache, dass p eine Nullstelle
der Vielfachheit zwei besitzt (die automatisch reell ist). In jedem Fall hat p zwei
Nullstellen (mit Vielfachheiten gezählt) im Körper C.

Das allgemeine Verfahren. — Um für ein beliebiges Polynom p ∈ K[t] vom

Grad n ≥ 1 eine mögliche Zerlegung in Linearfaktoren zu finden, gehe man wie
folgt vor:

• Wenn p keine Nullstelle hat, dann gibt es keine solche Zerlegung, und
wir sind fertig. Ansonsten bestimme man eine Nullstelle λ von p. (Dies ist
natürlich ein schwieriges Problem. Für die Vorlesung, die Übungsaufga-
ben und die Klausur beschränken wir uns hierzu auf das Eins-Zwei-Drei-
”
Verfahren“, d.h. wir überprüfen, ob ±1, ±2 oder ±3 vielleicht Nullstellen
von p sind.) Wir bilden p = (t − λ) · s.

• Nun stelle man fest, ob s eine Nullstelle besitzt. Falls nicht, brechen wir
ab. Ansonsten bestimmen wir eine Nullstelle λ′ und bilden s = (t − λ′ ) · s′ ,
d.h. p = (t − λ) · (t − λ′ ) · s′ .

• Dieses Verfahren wird so lange iteriert, bis man sieht, dass keine weiteren
Nullstellen vorkommen oder man ein Polynom vom Grad eins hat.
Man beachte, dass man über dem Körper der komplexen Zahlen C für ein
Polynom vom Grad 2 die Nullstellen mit (V.2) bestimmen kann.

Beispiel V.2.18. Es sei p = t4 − 5t3 + 7t2 + 3t − 10 ∈ C[t]. Es gilt p(−1) = 0. Daher

führen wir die Division von p durch t + 1 aus:

164
V.2. Polynome

(t4 − 5t3 + 7t2 + 3t − 10) : (t + 1) = t3 − 6t2 + 13t − 10 =: s

−(t4 + t3 )
− 6t3 + 7t2
−(− 6t3 − 6t2)
13t2 + 3t
−(13t2 + 13t)
− 10t − 10
−(− 10t − 10)
0.
Als Nächstes stellt man fest, dass s(2) = 0 gilt. Die entsprechende Polynomdivi-
sion sieht wie folgt aus:
(t3 − 6t2 + 13t − 10) : (t − 2) = t2 − 4t + 5 =: u
−(t3 − 2t2 )
− 4t2 + 13t
−(− 4t2 + 8t)
5t − 10
−(5t − 10)
0.
Die Nullstellen λ1 und λ2 von u sind durch die Formel
√
4 ± 16 − 20
λ1/2 = =2±i
2
gegeben. Alles in allem bekommen wir die Faktorisierung

p = (t + 1) · (t − 2) · t − (2 − i) · t − (2 + i) .
Aufgabe V.2.19.
a) Führen Sie in C[t] die Polynomdivision mit Rest aus für die Polynome
1 1
p := 4 t4 + (5 + 5i)t3 + (4 + 9i)t2 + (3 + 3i)t + 1 + i und q := 2 + i t2 + 3t + 1.
9 3
b) Es seien p ∈ R[t] und λ ∈ C eine Nullstelle von p. Zeigen Sie, dass auch λ eine
Nullstelle von p ist. Schließen Sie, dass
p = (t − λ1 )l1 · · · · · (t − λm )lm · f1 · · · · · fu
für gewisse Polynome f1 , ..., fu ∈ R[t] vom Grad zwei. Hierbei seien λ1 , ..., λm die
reellen Nullstellen von p und l1 , ..., lm ihre Vielfachheiten.
Aufgabe V.2.20.
Kann ein endlicher Körper algebraisch abgeschlossen sein? Begründen Sie Ihre
Antwort.

165
Kapitel V. Eigenwerte und -vektoren

V.3 Charakteristische Polynome

Zunächst bemerken wir, dass wir Matrizen auch in einem allgemeineren Rah-
men betrachten können. Dazu sei R ein kommutativer Ring (Kapitel II, Defini-
tion II.3.1).
Definitionen V.3.1. i) Für m, n ∈ N>0 ist die Menge der (m × n)-Matrizen mit
Einträgen in R definiert als

Mat(m, n; R) := A = (aij ) i=1,...,m aij ∈ R, i = 1, ..., m, j = 1, ..., n .

j=1,...,n

ii) Wir definieren die Abbildungen

• (Addition).
+ : Mat(m, n; R) × Mat(m, n; R) −→ Mat(m, n; R)

(aij ) i=1,...,m , (bij) i=1,...,m 7−→ (aij + bij ) i=1,...,m .
j=1,...,n j=1,...,n j=1,...,n

• (Skalarmultiplikation).
·s : R × Mat(m, n; R) −→ Mat(m, n; R)

r, (aij) i=1,...,m 7−→ (r · aij ) i=1,...,m .
j=1,...,n j=1,...,n

• (Matrixmultiplikation).
·m : Mat(l, m; R) × Mat(m, n; R) −→ Mat(l, n; R)
!
m
X
(aij ) i=1,...,l , (bij) i=1,...,m 7−→ aik · bkj .
j=1,...,m j=1,...,n
k=1 i=1,...,l
j=1,...,n

• (Determinantenabbildung).
Det : Mat(n; R) := Mat(n, n; R) −→ R
X
A = (aij) i=1,...,n 7−→ Sign(σ) · a1σ(1) · · · · · anσ(n) .
j=1,...,n
σ∈Sn

iii) Wie für einen Körper erklärt man so genannte Elementarmatrizen Si (a),
Qij (a), Pij , a ∈ R, 1 ≤ i 6= j ≤ n (vgl. Definition IV.1.9).
Eigenschaften V.3.2. i) Für (Mat(m, n; R), +, ·s) sind die Vektorraumaxiome (De-
finition III.1.1) sinngemäß erfüllt.3
ii) (Mat(n; R), +, ·m) ist ein Ring.
iii) Alle Eigenschaften der Determinante, die mit Hilfe der Leibniz-Formel be-
wiesen werden, bleiben gültig. Insbesondere gilt:
3
Man spricht in diesem Zusammenhang von einem R-Modul.

166
V.3. Charakteristische Polynome

a) Die Eigenschaften aus Definition IV.4.1, i), sind erfüllt.

b) Det(A) = Det(At ) (s. Satz IV.4.8).

c) Für ein Produkt S ∈ Mat(n; R) von Elementarmatrizen und eine beliebige

Matrix A ∈ Mat(n; R) hat man
R kommutativ
Det(S · A) = Det(S) · Det(A) = Det(A) · Det(S) = Det(A · S). (V.3)

d) Es gibt zu jeder Matrix A ∈ Mat(n, R) die komplementäre Matrix A e (vgl.

e ·A = A·A
Definition IV.4.13) mit A e = Det(A) · En . Insbesondere bleibt die
Laplace-Entwicklung für Determinanten erlaubt.

Bemerkung V.3.3. Bei allem, was mit multiplikativen Inversen und Invertieren
zu tun hat, muss man vorsichtig sein. Z.B. gilt für die Elementarmatrix S1(2) ∈
Mat(n; Z) zwar Det(S1(2)) = 2 6= 0, dennoch ist S1 (2) nicht invertierbar, d.h. es
gibt keine Matrix T ∈ Mat(n; Z) mit T · S1 (2) = En . Dies hängt natürlich mit der
Tatsache zusammen, dass 2 in Z nicht invertierbar ist (vgl. Aufgabe V.3.20).

Definitionen V.3.4. Es sei A ∈ Mat(n; K) eine (n × n)-Matrix mit Einträgen im

Körper K.
i) Dann ist
t · En − A ∈ Mat(n; K[t]),
und
χA (t) := Det(t · En − A) ∈ K[t]
wird das charakteristische Polynom von A genannt.
ii) Die Spur der Matrix A = (aij) i=1,...,n ist die Zahl
j=1,...,n

Spur(A) = a11 + · · · + ann .

iii) Ein Polynom p = an tn + · · ·+ a0 ∈ K[t] vom Grad n ist normiert, wenn an = 1

gilt.

Bemerkung V.3.5. Mit der Leibniz-Formel überlegt man sich, dass das charak-
teristische Polynom von A die Gestalt

χA (t) = tn − Spur(A) · tn−1 + · · · + (−1)n · Det(A)

hat. Insbesondere ist χA (t) normiert vom Grad n.

Lemma V.3.6. Für zwei ähnliche Matrizen A, B ∈ Mat(n; K) gilt

χA (t) = χB (t).

167
Kapitel V. Eigenwerte und -vektoren

Beweis. Nach Definition V.1.4 gibt es eine Matrix S ∈ GLn (K) mit B = S · A · S−1 .
Damit erhält man

t · En − B = t · En − S · A · S−1 = S · (t · En ) · S−1 − S · A · S−1 = S · (t · En − A) · S−1 .

Da S nach Satz IV.1.17 ein Produkt von Elementarmatrizen ist, gilt nach Glei-
chung (V.3)

−1
χB (t) = Det(t · En − B) = Det S · (t · En − A) · S
= Det(S) · Det(t · En − A) · Det(S−1)
= Det(S) · Det(S−1 ) · χA (t) = χA (t).

Dies ist die gewünschte Gleichung.

Bemerkungen V.3.7. i) Im obigen Satz gilt nicht die Umkehrung. Es gibt Matri-
zen, die nicht ähnlich sind, aber die dennoch dasselbe charakteristische Poly-
nom haben. Die Jordansche Normalform wird uns erlauben, genauere Aussa-
gen darüber zu machen (s. Satz V.8.1 und Beispiel V.8.6).
ii) Die zu dem charakteristischen Polynom χA (t) einer Matrix A ∈ Mat(n; K)
gehörige Polynomabbildung ist:

fχA (t) : K −→ K
λ 7−→ Det(λ · En − A).

Auf Grund der Eigenschaften der Determinante sind folgende Aussagen äqui-
valent:

a) λ ∈ K ist eine Nullstelle des charakteristischen Polynoms χA (t).

b) Det(λ · En − A) = 0.

c) λ · En − A ist nicht invertierbar.

d) Rg(λ · En − A) < n.

e) L(λ · En − A, 0) 6= {0}.

f) Ker(fλ·En −A ) 6= {0}.

g) ∃v ∈ Kn \ {0} : 0 = (λ · En − A) · v = λ · (En · v) − A · v = λ · v − A · v.

Die Äquivalenz von a) und g) führt zu dem folgenden wichtigen Resultat.

Satz V.3.8. Die Eigenwerte einer Matrix A ∈ Mat(n; K) sind die Nullstellen des
charakteristischen Polynoms χA (t).

168
V.3. Charakteristische Polynome

Bemerkung V.3.9. Satz V.3.8 gibt uns einen wichtigen Ansatz zur Berechnung
der Eigenwerte einer gegebenen Matrix. Aus Lemma V.3.6 und Satz V.3.8 er-
gibt sich z.B., dass ähnliche Matrizen dieselben Eigenwerte haben. (Dies kann
man sich allerdings auch mit elementaren Methoden überlegen (vgl. Bemer-
kung V.3.17).)
Das folgende Ergebnis beantwortet die Frage, welche Polynome als charak-
teristische Polynome auftreten können.
Satz V.3.10. Es sei p(t) = tn +an−1 tn−1 +· · ·+a1 t+a0 ∈ K[t] ein normiertes Polynom
vom Grad n ≥ 1. Dann existiert eine Matrix A ∈ Mat(n; K) mit
χA (t) = p(t).
Beweis. Wir beweisen folgende Aussage durch vollständige Induktion über n:
Es seien n ≥ 1 eine natürliche Zahl, a0 , ..., an−1 ∈ K Elemente des Körpers und
 
0 0 · · · 0 −a0
 1 0 · · · 0 −a1 
 
 . . .. .. 
A := (bij) i=1,...,n :=  0 1 . . .  ∈ Mat(n; K),
j=1,...,n  . . . 
 .. . . . . 0 −a 
n−2
0 · · · 0 1 −an−1
d.h. bi+1,i = 1, i = 1, ..., n − 1, bin = −ai−1 , i = 1, ..., n, und bij = 0 in allen anderen
Fällen. Dann gilt
χA (t) = tn + an−1 tn−1 + · · · + a1 t + a0 .
Für n = 1 gilt offenbar χA (t) = t + a0 . Für den Induktionsschritt n n + 1“
”
entwickeln wir die Determinante der Matrix
 
t 0 ··· 0 a0
 −1 t ··· 0 a1 
 . .. 
 . 
 0 −1 . . .. .  ∈ Mat n + 1; K[t]
 . . 
 .. . . . . . t an−1 
0 ··· 0 −1 t + an
nach der ersten Zeile, so dass
   
−1 t 0 ··· 0
t 0 ··· 0 a1
.. ..
 −1 t ··· 0 a2
  0 −1 . . 
 .. . .   
χA (t) = t · Det  0 −1 . .. ..
 + (−1) a0 Det 
n+2

..
.
..
.
..
.
..
.
..
.


 .. .. ..   .. .. 
. . . t an−1
. . −1 t
0 ··· 0 −1 t + an
0 ··· ··· 0 −1
| {z }
=(−1)n
IV
= t · (tn + an tn−1 + · · · + a2 t + a1 ) + a0
= tn+1 + an tn + · · · + a2 t2 + a1 t + a0 .

169
Kapitel V. Eigenwerte und -vektoren

Die Abkürzung IV“ steht dabei für Induktionsvoraussetzung“.

” ”

Bemerkung V.3.11. Wir weisen nochmals drauf hin, dass die Matrix A bei wei-
tem nicht die einzige Matrix mit dem angegebenen charakteristischen Polynom
ist.
Für jedes Polynom p = antn + an−1 tn−1 + · · · + a1 t + a0 mit an 6= 0 ist (1/an ) · p
ein normiertes Polynom mit denselben Nullstellen wie p. Angesichts der Defini-
tion eines algebraisch abgeschlossenen Körpers V.2.13 schließen wir mit dem
letzten Satz:

Folgerung V.3.12. Für einen Körper K sind folgende Eigenschaften äquivalent:

a) K ist algebraisch abgeschlossen.

b) Jede Matrix A ∈ Mat(n; K) mit n ≥ 1 besitzt einen Eigenwert.

Dies ist eine wichtige Beobachtung: Die Analyse eines Endomorphismus

f : V −→ V eines endlichdimensionalen K-Vektorraums bzw. einer Matrix A ∈
Mat(n; K) wollen wir auf Eigenwerte und zugehörige Eigenvektoren stützen. Da-
zu muss es natürlich genügend Eigenwerte und -vektoren geben. Die obige
Folgerung sagt uns, dass wir dies im Allgemeinen nur erwarten können, wenn
der Körper K algebraisch abgeschlossen ist. Zum ersten Mal gehen also Eigen-
schaften des Grundkörpers in unsere Theorie ein.
Beispiel V.3.13. Es sei K = R. Wie wir wissen, ist R nicht algebraisch abge-
schlossen, so dass es Matrizen ohne Eigenwert geben muss. Ein intuitives Bei-
spiel, das dieses Phänomen erklärt, ist das der Matrix4

cos(α) − sin(α)
A := , 0 ≤ α < 2π.
sin(α) cos(α)

Wir erinnern an Beispiel III.5.19. Die zu A gehörige lineare Abbildung fA : R2 −→

R2 ist die Drehung um den Winkel α. Ein Vektor v ∈ R2 \ {0} ist genau dann ein
Eigenvektor, wenn er durch fA auf ein Vielfaches von sich selbst abgebildet
wird oder, anders gesagt, die von v erzeugte Gerade durch fA auf sich selbst
abgebildet wird. Für eine Drehung kann dies nur für α = 0 (identische Ab-
bildung; A = E2 ) oder α = π (Drehung um 180 Grad; A = −E2 ) passieren. In
den letzten beiden Fällen haben wir nur den Eigenwert λ = 1 bzw. λ = −1 und
Eig(A, λ) = R2 . Für α ∈ [0, 2π) \ { 0, π } erwarten wir keinen Eigenwert.
4
Für die verwendeten Eigenschaften der trigonometrischen Funktionen verweisen wir auf
[8].

170
V.3. Charakteristische Polynome

Rechnerisch ergibt sich

t − cos(α) sin(α)
χA (t) = Det
− sin(α) t − cos(α)
= (t − cos(α))2 + sin2 (α)
= t2 − 2 cos(α) · t + cos2 (α) + sin2 (α) = t2 − 2 cos(α) · t + 1.
| {z }
=1
p
Die Nullstellen von χA (t) sind nach (V.2) durch cos(α) ± cos2 (α) − 1 gegeben.
Da cos2 (α) ∈ [0, 1], existiert eine reelle Nullstelle nur für cos(α) = ±1. Da wir
α ∈ [0, 2π) voraussetzen, gilt dies für α = 0 und α = π in Übereinstimmung mit
unseren geometrischen Überlegungen.
Schließlich seien V ein endlichdimensionaler K-Vektorraum und f : V −→ V
ein Endomorphismus. Wie wir bereits des Öfteren gesehen haben, ist die Dar-
stellungsmatrix von f bis auf Ähnlichkeit bestimmt, d.h. sind zwei durchnum-
merierte Basen B und B′ von V gegeben, dann folgt MB (f) ≈ MB′ (f). Die folgende
Definition ist also wegen Lemma V.3.6 sinnvoll.

Definition V.3.14. Für V und f wie oben setzt man

χf (t) := χMB (f) (t).

Dabei sei B eine durchnummerierte Basis von V. Man nennt χf (t) das charak-
teristische Polynom von f.

Eigenschaften V.3.15. Wie für das charakteristische Polynom einer Matrix hat
man:
∀λ ∈ K : χf (λ) = 0 ⇐⇒ λ ist Eigenwert von f.

Definitionen V.3.16. Es seien V ein endlichdimensionaler K-Vektorraum und

f : V −→ V ein Endomorphismus bzw. A ∈ Mat(n; K). Ferner sei λ ∈ K ein Eigen-
wert von f bzw. A.
i) Die Zahl
α(f, λ) := µ(χf (t); λ) (s. Definition V.2.11)
bzw. α(A, λ) := µ(χA (t); λ)
heißt die algebraische Vielfachheit des Eigenwerts λ.
ii) Die Zahl
γ(f, λ) := DimK (Eig(f, λ)) (s. Definition V.1.7)
bzw. γ(A, λ) := DimK (Eig(A, λ))
heißt die geometrische Vielfachheit des Eigenwerts λ.

171
Kapitel V. Eigenwerte und -vektoren

Bemerkung V.3.17. Es seien A und B ∈ Mat(n; K) ähnliche Matrizen. Nach Lem-

ma V.3.6 gilt χA (t) = χB (t). Damit haben A und B dieselben Eigenwerte, und für
jeden Eigenwert λ ∈ K gilt α(A, λ) = α(B, λ). Es gilt aber auch γ(A, λ) = γ(B, λ).
Denn für S ∈ GLn (K) mit B = S · A · S−1 und v ∈ Eig(A, λ) gilt

B · (S · v) = S · A · S−1 · S · v = S · A · v = S · (λ · v) = λ · (S · v),

i.e. S · v ∈ Eig(B, λ) und S · Eig(A, λ) ⊆ Eig(B, λ). Ebenso gilt S−1 · Eig(B, λ) ⊆
Eig(A, λ). Damit induziert die Multiplikation mit S von links einen Isomorphis-
mus zwischen Eig(A, λ) und Eig(B, λ), so dass die Aussage über die Gleichheit
der geometrischen Vielfachheiten folgt. Auch erhält man einen elementaren Be-
weis dafür, dass A und B dieselben Eigenwerte haben.
Die geometrische Vielfachheit gibt die maximale Anzahl linear unabhängiger
Eigenvektoren zum Eigenwert λ an und wird durch die algebraische Vielfach-
heit abgeschätzt:
Satz V.3.18. In der obigen Situation gilt immer

γ(f, λ) ≤ α(f, λ) bzw. γ(A, λ) ≤ α(A, λ).

Beweis. Wir führen den Beweis für einen Endomorphismus f. Dazu seien r :=
γ(f, λ) und b1 , ..., br eine Basis für Eig(f, λ). Man ergänze zu einer durchnumme-
rierten Basis B = { b1, ..., br, br+1, ..., bn } von V. Für diese Basis gilt

λ · Er ∗
MB (f) = .
0 A′

Man berechnet χf (t) = (t − λ)r · χA′ (t). Also teilt (t − λ)r das charakteristische
Polynom, so dass

α(f, λ) = max l ∈ N (t − λ)l teilt χf (t) ≥r

wie behauptet folgt.

Beispiel V.3.19. Wie man sich leicht überlegt, gilt α(A, λ) = γ(A, λ) für jede
diagonalisierbare Matrix
A und
jeden Eigenwert λ von A (s. auch Satz V.4.1).
2 −1
Für die Matrix A := ∈ Mat(2; Q) berechnet man χA (t) = (t − 2)2 . Damit
0 2
ist λ = 2 der einzige Eigenwert, und wir haben α(A, 2) = 2. Wegen 2 · E2 − A =

0 1
gilt
0 0
1
Eig(A, 2) = L(2 · E2 − A, 0) = ,
0
also γ(A, 2) = 1 < α(A, 2). Somit ist A insbesondere nicht diagonalisierbar.

172
V.4. Diagonalisierbare Endomorphismen

Aufgabe V.3.20 (Matrizen über Z).

Es sei n ≥ 1 eine natürliche Zahl.
a) Zeigen Sie, dass für A, B ∈ Mat(n, Z)

Det(A · B) = Det(A) · Det(B)

gilt.
b) Schließen Sie, dass eine Matrix A ∈ Mat(n; Z) genau dann invertierbar ist,5
wenn
Det(A) ∈ {±1}.
c) Zeigen Sie, dass eine invertierbare Matrix A ∈ Mat(n; Z) als Produkt von
Elementarmatrizen aus Mat(n; Z) geschrieben werden kann.
Aufgabe V.3.21.
Zeigen Sie unter Verwendung der Formel für das Matrixprodukt, dass für alle
A, B ∈ Mat(n; K) gilt
Spur(A · B) = Spur(B · A).

Aufgabe V.3.22.
Berechnen Sie das charakteristische Polynom der komplexen Matrix
 
1 0 0 −25
 0 0 0 26 
A := 
 −3
.
1 0 70 
0 0 1 5

V.4 Diagonalisierbare Endomorphismen

Wir können mit den zuletzt eingeführten Begriffen das elementare Diagonali-
sierungskriterium aus Lemma V.1.9 präzisieren.

Satz V.4.1. Es seien V ein n-dimensionaler K-Vektorraum und f : V −→ V ein En-

domorphismus bzw. A ∈ Mat(n; K). Dann sind die folgenden Bedingungen äqui-
valent:

a) Der Endomorphismus f bzw. die Matrix A ist diagonalisierbar.

b) A) Das charakteristische Polynom χf (t) bzw. χA (t) zerfällt vollständig in Li-

nearfaktoren und B) für jeden Eigenwert λ von f bzw. A gilt α(f, λ) = γ(f, λ)
bzw. α(A, λ) = γ(A, λ).
5
d.h. es gibt eine Matrix B ∈ Mat(n, Z) mit A · B = B · A = En

173
Kapitel V. Eigenwerte und -vektoren

c) Es gilt
V = Eig(f, λ1) ⊕ · · · ⊕ Eig(f, λm )
bzw. Kn = Eig(A, λ1) ⊕ · · · ⊕ Eig(A, λm).
Dabei seien λ1 , ..., λm ∈ K die verschiedenen Eigenwerte von f bzw. A.
Beweis. Wir beweisen den Satz für einen Endomorphismus f und fangen mit
der Implikation a)=⇒b)“ an. Nach Lemma V.1.9 können wir eine durchnum-
”
merierte Basis B = { b1 , ..., bn } von V wählen mit
 
λ1 · El1

MB (f) = 

 λ2 · El2 

.
0(V.4)
..
 0 . 
λm · Elm
Dabei seien λ1 , ..., λm ∈ K die verschiedenen Eigenwerte von f. Offenbar gilt
γ(f, λi ) ≥ li , i = 1, ..., m. Aus (V.4) ergibt sich das charakteristische Polynom
χf (t) = (t − λ1 )l1 · · · · · (t − λm )lm
und somit A). Es folgt
li = α(f, λi ) ≥ γ(f, λi ) ≥ li , i = 1, ..., m,
so dass tatsächlich α(f, λ) = γ(f, λ) für jeden Eigenwert λ von f wie in B) be-
hauptet gilt.
Zu b)=⇒c)“. Wir setzen zunächst
”
W := Eig(f, λ1) + · · · + Eig(f, λm ).
Nun seien vi ∈ Eig(f, λi ), i = 1, ..., m, Eigenvektoren mit v1 + · · · + vm = 0. Nach
Aufgabe V.1.12 muss also v1 = · · · = vm = 0 sein, so dass
W = Eig(f, λ1) ⊕ · · · ⊕ Eig(f, λm) (Definition III.2.1, ii).
Aus der Dimensionsformel (Satz III.5.40) folgt leicht
DimK (W) = DimK (Eig(f, λ1)) + · · · + DimK (Eig(f, λm))
= γ(f, λ1) + · · · + γ(f, λm)
B) A)
= α(f, λ1) + · · · + α(f, λm) = n.
Aus DimK (W) = DimK (V) folgt sofort W = V.
Zu c)=⇒a)“. Man wähle Basen vj1 , ..., vjlj für Eig(f, λj), j = 1, ..., m. Dann ist
”
B := { b1, ..., bn } := { v11 , ..., v1l1 , v21 , ..., v2l2 , ..., vm m
1 , ..., vlm }

eine durchnummerierte Basis von V, bzgl. derer die Darstellungsmatrix durch

(V.4) gegeben ist.

174
V.4. Diagonalisierbare Endomorphismen

Folgerung V.4.2. Ein Endomorphismus f bzw. eine Matrix A wie in Satz V.4.1
mit einem charakteristischen Polynom χf (t) bzw. χA (t), das vollständig in Linear-
faktoren zerfällt und nur Nullstellen der Vielfachheit eins (so genannte einfache
Nullstellen) besitzt, ist diagonalisierbar.

Bemerkungen V.4.3. i) Falls K algebraisch abgeschlossen ist, dann ist Bedin-

gung A) in Satz V.4.1, b), immer erfüllt (s. Satz V.2.15).
ii) Wir haben nun eine Klasse von Endomorphismen bzw. Matrizen intrin-
sisch ausgezeichnet, für die unser anfangs gestelltes Problem V.1.6 eine einfa-
che Lösung besitzt. Für die durch diesen Satz nicht abgedeckten Endomorphis-
men bzw. Matrizen werden wir eine nicht unerhebliche Zusatzarbeit zu leisten
haben.
iii) Zwei Diagonalmatrizen A = Diag(a1 , ..., an) und B = Diag(b1 , ..., bn) sind
genau dann ähnlich, wenn es eine Permutation σ ∈ Sn mit ai = bσ(i) , i = 1, ..., n,
gibt.
iv) Wir bemerken, dass ein allgemeines“ Polynom p ∈ C[t] nur einfache Null-
”
stellen hat und dass das Vorkommen mehrfacher Nullstellen eine spezielle Si-
tuation darstellt. Dies können wir uns für Polynome p = at2 + bt + c ∈ C[t] mit
a 6= 0 klarmachen. Nach der Lösungsformel (V.2) tritt eine doppelte Nullstelle
genau dann auf, wenn b2 − 4ac = 0 gilt. Für allgemeine Wahlen von a, b und c
wird diese Beziehung nicht gelten, und p wird zwei einfache Nullstellen haben.
Auch für Polynome höheren Grades wird das Vorkommen einer mehrfachen
Nullstelle durch das Verschwinden einer so genannten Diskriminante charak-
terisiert. Man konsultiere etwa:
B.L. van der Waerden, Algebra I, Siebte Auflage, Heidelberger Taschenbücher
12, Springer-Verlag, Berlin-New York, 1966, xi+271 Seiten.
In diesem Sinne hat auch eine allgemeine“ Matrix A ∈ Mat(n; C) genau n ver-
”
schiedene Eigenwerte und ist damit diagonalisierbar.

Das Verfahren zur Diagonalisierung.

Schritt 1. — Man stelle fest, ob das charakteristische Polynom vollständig

in Linearfaktoren zerfällt, und bestimme ggfs. die Zerlegung in Linearfaktoren.
Falls es nicht zerfällt, dann ist f bzw. A nicht diagonalisierbar.
Z.B.

3 3
 −→ R
 f: R  
s1 −s2 + s3
 s2  7−→  −3s1 − 2s2 + 3s3  .
s3 −2s1 − 2s2 + 3s3

175
Kapitel V. Eigenwerte und -vektoren

Bzgl. der Standardbasis E = { e1 , e2, e3 } von R3 gilt:

 
0 −1 1
ME (f) =  −3 −2 3  .
−2 −2 3

Mit der Regel von Sarrus

t 1 −1 t 1
3 t+2 −3 3 t + 2
2 2 t−3 2 2

folgt

χf (t) = t(t + 2)(t − 3) − 6 − 6 + 2t + 4 + 6t − 3t + 9 = t(t2 − t − 6) + 5t + 1 = t3 − t2 − t + 1.

Offenbar ist λ = 1 eine Nullstelle.

(t3 − t2 − t + 1) : (t − 1) = t2 − 1 = (t + 1) · (t − 1)
−(t3 − t2 )
−t + 1
−(−t + 1)
0,

also
χf (t) = (t − 1)2 · (t + 1).

Schritt 2. — Man stelle durch Berechnung der Eigenräume fest, ob die alge-
braischen Multiplizitäten mit den geometrischen übereinstimmen. Falls nicht,
dann ist f bzw. A nicht diagonalisierbar.
  
1 1 −1
Eig(f, 1) = L(E3 − ME (f), 0) = L  3 3 −3  , 0 .
2 2 −2

Damit ist leicht zu sehen, dass

* 1   0 +
Eig(f, 1) =  0  ,  1  .
1 1

Also
α(f, 1) = 2 = γ(f, 1).

176
V.4. Diagonalisierbare Endomorphismen

Offenbar gilt automatisch

α(f, −1) = 1 = γ(f, −1).

Damit ist f diagonalisierbar. Wir berechnen noch Eig(f, −1). Es gilt
  
−1 1 −1
Eig(f, −1) = L(−E3 − ME (f), 0) = L  3 1 −3  , 0 .
2 2 −4
Der Gauß-Algorithmus liefert
     
−1 1 −1 −1 1 −1 −1 1 −1
 3 1 −3  II+3·I;III+2·I  0 4 −6  III−II  0 4 −6  .
2 2 −4 0 4 −6 0 0 0
Wir wählen s3 = 2s. Es folgt s2 = 3s und s1 = s, also
* 1 +
Eig(f, −1) =  3  .
2

Schritt 3. — Aus Schritt 2 erhält man eine Basis B = { b1, ..., bn } aus Eigen-
vektoren zu den Eigenwerten λ1 , ..., λm. Dann ist MB (f) eine Diagonalmatrix.
Für V = Kn und f = fA sei S−1 := T := (b1 |b2 | · · · |bn ) die Matrix mit den Spalten
b1 , ..., bn. Dann ist
 
λ1 · El1
 λ2 · El2  0
−1 −1  
S·A·S =T ·A·T = . .
 0 .. 
λm · Elm
In unserem Beispiel  
1 0 1
T =  0 1 3 .
1 1 2
Wir bestimmen T −1 mit dem Gauß-Verfahren:
     
1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0
 0 1 3 0 1 0  III−I  0 1 3 0 1 0  III−II
 0 1 3 0 1 0 
1 1 2 0 0 1 0 1 1 −1 0 1 0 0 −2 −1 −1 1
 1

I+ 12 ·III;II+ 23 ·III;− 21 ·III
1 0 0 2
− 12 1
2
 0 1 0 − −
3 1 3 ,
2 2 2
1 1
0 0 1 2 2
− 12

177
Kapitel V. Eigenwerte und -vektoren

also  
1 −1 1
1
T −1 = ·  −3 −1 3 .
2
1 1 −1
Kontrolle.
     
1 −1 1 0 −1 1 1 0 1
1 
· −3 −1 3 · −3 −2 3  ·  0 1 3 
2
1 1 −1 −2 −2 3 1 1 2
   
1 −1 1 1 0 −1
1 
= · −3 −1 3 · 0 1 −3 
2
1 1 −1 1 1 −2
   
2 0 0 1 0 0
1  √
= · 0 2 0  =  0 1 0 .
2
0 0 −2 0 0 −1
Aufgabe V.4.4.
Gegeben sei die Matrix

cos(α) sin(α)
A := ∈ Mat(2; R), 0 ≤ α < 2π.
sin(α) − cos(α)

a) Berechnen Sie das charakteristische Polynom von A und zeigen Sie, dass A
für jeden Wert α ∈ [0, 2π) diagonalisierbar ist.
b) Berechnen Sie die Eigenräume von A.
c) Interpretieren Sie Ihre Ergebnisse geometrisch in der Ebene R2 .
Aufgabe V.4.5.
Es sei  
8 0 0 0
1  0 −3 −6 −7 
A := ·   ∈ Mat(4, R).
4  0 0 8 0 
0 11 6 15
a) Berechnen Sie das charakteristische Polynom von A und zerlegen Sie es in
Linearfaktoren.
b) Zeigen Sie, dass A über R diagonalisierbar ist.
c) Geben Sie eine Matrix S an, so dass S · A · S−1 eine Diagonalmatrix ist.

V.5 Der Satz von Cayley-Hamilton

Lemma V.5.1. i) Es sei V ein endlichdimensionaler K-Vektorraum. Zu jedem En-
domorphismus f ∈ EndK (V) gibt es genau eine Abbildung
evf : K[t] −→ EndK (V),

178
V.5. Der Satz von Cayley-Hamilton

so dass gilt:

a) evf ist K-linear.

b) evf (1) = IdV .

c) evf (t) = f.

d) Für alle p, q ∈ K[t] gilt evf (p · q) = evf (p) ◦ evf (q).

ii) Zu jeder Matrix A ∈ Mat(n; K) gibt es genau eine Abbildung

evA : K[t] −→ Mat(n; K)

mit den folgenden Eigenschaften:

a) evA ist K-linear.

b) evA (1) = En .

c) evA (t) = A.

d) Für alle p, q ∈ K[t] gilt evA (p · q) = evA (p) · evA (q).

Schreibweise. p(A) := evA (p); p(f) := evf (p).

Definitionen V.5.2. i) Es seien V ein endlichdimensionaler K-Vektorraum und

f : V −→ V ein Endomorphismus. Die Potenzen von f werden rekursiv durch

• f0 := IdV ,

• fn+1 := f ◦ fn , n ∈ N,

erklärt.
ii) Es seien n ≥ 1 und A eine (n × n)-Matrix. Die Potenzen von A werden
rekursiv vermöge

• A0 := En ,

• An+1 := A · An , n ∈ N,

definiert.

Beweis von Lemma V.5.1. Wir beweisen ii). Wir zeigen zunächst die Eindeutig-
keit der Abbildung evA . Es sei also evA : K[t] −→ Mat(n; K) eine Abbildung mit

179
Kapitel V. Eigenwerte und -vektoren

den Eigenschaften a) - d). Damit gilt für ein Polynom p = am tm + am−1 tm−1 + · · · +
a1 t + a0 :
a)
evA (p) = am · evA (tm ) + am−1 · evA (tm−1 ) + · · · + a1 · evA (t) + a0 · evA (1)
d)
= am · evA (t)m + am−1 · evA (t)m−1 + · · · + a1 · evA (t) + a0 · evA (1)
b)&c)
= am · Am + am−1 · Am−1 + · · · + a1 · A + a0 · En .

Damit ist der Wert evA in jedem Polynom p ∈ K[t] festgelegt, und die Eindeutig-
keit folgt.
Umgekehrt können wir die Abbildung evA : K[t] −→ Mat(n; K) durch die For-
mel

evA (am tm + am−1 tm−1 + · · · + a1 t + a0 ) := am · Am + am−1 · Am−1 + · · · + a1 · A + a0 · En

definieren. Dann sind die Eigenschaften b) und c) offenkundig erfüllt, und a)

und d) kann man leicht nachrechnen. Für Eigenschaft d) z.B. seien p := am tm +
am−1 tm−1 + · · · + a1 t + a0 und q = bl tl + bl−1 tl−1 + · · · + b1 t + b0 zwei Polynome. Dann
erhält man

evA (p) · evA (q) = am · Am + am−1 · Am−1 + · · · + a1 · A + a0 · En ·

l l−1
· bl · A + bl−1 · A + · · · + b1 · A + b0 · En
m X
X l
Distributivgesetz
= ai bj · Ai+j
i=0 j=0
m+l X
X
i+j
= ai bj · A
k=0 i+j=k
m+l X
X
= ai bj · Ak = evA (p · q).
k=0 i+j=k

Dies ist die behauptete Eigenschaft.

Bemerkung V.5.3. Die Mengen K[A] := Bild(evA ) bzw. K[f] := Bild(evf ) sind kom-
mutative Unterringe von (Mat(n; K), +, ·) bzw. (EndK (f), +, ◦). Das bedeutet a)
En ∈ K[A] bzw. IdV ∈ K[f], b) K[A] ist eine Untergruppe von (Mat(n; K), +) bzw.
K[f] ist eine Untergruppe von (EndK (V), +), c) B, C ∈ K[A] impliziert B · C ∈ K[A]
bzw. f, g ∈ K[f] beinhaltet f ◦ g ∈ K[f] und d) B · C = C · B für alle B, C ∈ K[A] bzw.
f ◦ g = g ◦ f für alle f, g ∈ K[f]. Damit sind (K[A], +, ·) bzw. (K[f], +, ◦) insbesondere
selber kommutative Ringe.

180
V.5. Der Satz von Cayley-Hamilton

Satz V.5.4 (Cayley6–Hamilton7). i) Für jeden Endomorphismus f ∈ EndK (V) gilt

χf (f) = 0.
ii) Für jede Matrix A ∈ Mat(n; K) gilt
χA (A) = 0.
Sprechweise. Man sagt, A bzw. f erfüllt seine eigene charakteristische Glei-
chung.
Beweis von Satz V.5.4. Wir weisen ii) nach. Da K[A] ein kommutativer Ring ist,
haben wir über ihm die Theorie der Matrizen und Determinanten zur Verfügung
(s. Abschnitt V.3). Wir definieren die Matrix
 
A − a11 · En −a12 · En −a1n · En
 −a21 · En A − a22 · En −a23 · En −a2n · En 
 
C := 

 ∈ Mat n; K[A] ,

 
−an1 · En −ann−1 · En A − ann · En

d.h. für C = (cij) i=1,...,n gilt cii = A −aii · En , i = 1, ..., n, und cij = −aij · En , 1 ≤ i 6= j ≤
j=1,...,n
n. Anschaulich gesprochen haben wir in der Matrix t · En − A ∈ Mat(n; K[t]) die
Unbestimmte t durch A ersetzt. Mit der Leibnizformel und den Eigenschaften
der Abbildung evA (Lemma V.5.1) erhält man sofort
Det(C) = χA (A) in K[A].
Für j = 1, ..., n gilt
 
n
X n
X a1j
 
cij · ei = A · ej − aij · ei = j-te Spalte von A −  ...  = 0. (V.5)
i=1 i=1 anj

Behauptung. Für k = 1, ..., n gilt Det(C) · ek = 0.

Da Det(C) · ek die k-te Spalte der Matrix Det(C) ist, impliziert diese Behaup-
tung die gesuchte Eigenschaft Det(C) = 0.
Beweis der Behauptung. Es sei C e = (ecij) i=1,...,n die zu C komplementäre Ma-
j=1,...,n
trix (s. Eigenschaft V.3.2, iii), d), und Definition IV.4.13, ii). Für die Matrix
C·C e =: (c′ ) i=1,...,n gilt nach Eigenschaft V.3.2, iii), d):
ij j=1,...,n

Det(C), i = j
c′ij = .
6 j
0, i =
6
Arthur Cayley (1821 - 1895), englischer Mathematiker.
7
William Rowan Hamilton (1805 - 1865), irischer Mathematiker und Physiker.

181
Kapitel V. Eigenwerte und -vektoren

Somit erhalten wir für k = 1, ..., n

n
X
Det(C) · ek = c′ik · ei
i=1
n n
!
X X
= cij · e
cjk · ei
i=1 j=1
n n
!
K[A] kommutativ X X
= e
cjk · cij · ei
i=1 j=1
n
XX n
= e
cjk · cij · ei
i=1 j=1
n n
!
X X
= e
cjk · cij · ei = 0.
j=1
|i=1 {z }
(V.5)
= 0

Somit ist der Satz bewiesen.

Das Minimalpolynom. — Für einen Endomorphismus f : V −→ V des end-

lichdimensionalen Vektorraums V bzw. eine Matrix A ∈ Mat(n; K) liefert der
Satz von Cayley-Hamilton die Existenz eines Polynoms p(t) ∈ K[t] mit p(f) = 0
bzw. p(A) = 0. Wir wollen nun unter allen Polynomen, die diese Eigenschaft
haben, das kleinste“ auszeichnen.
”
Satz V.5.5. Für f : V −→ V wie oben bzw. A ∈ Mat(n; K) gibt es genau ein normier-
tes Polynom p ∈ K[t] von positivem Grad mit den folgenden beiden Eigenschaften:

a) p(f) = 0 bzw. p(A) = 0.

b) p teilt jedes Polynom q ∈ K[t] mit q(f) = 0 bzw. q(A) = 0.

Definition V.5.6. Das Polynom aus Satz V.5.5 heißt das Minimalpolynom von f
bzw. A.
Schreibweise. µf (t) bzw. µA (t).

Beweis von Satz V.5.5. Wir zeigen die Aussage für einen Endomorphismus f.
Wir wählen ein Polynom p e ∈ K[t] \ {0} mit p
e(f) = 0, das unter allen Polynomen
q positiven Grades mit q(f) = 0 den minimalen Grad hat. Ein solches Polynom
existiert nach dem Satz von Cayley-Hamilton. Es sei etwa p e = bm t m + · · · +
b1 t + b0 mit bm 6= 0. Wir erhalten das normierte Polynom p := (1/bm ) · p e. Nach
Konstruktion gilt a) p(f) = 0. Gegeben sei ein Polynom q ∈ K[t] mit q(f) = 0.

182
V.5. Der Satz von Cayley-Hamilton

Division mit Rest liefert q = s · p + r mit s, r ∈ K[t] und Grad(r) < Grad(p). Dann
gilt nach Lemma V.5.1

0 = q(f) = s(f)p(f) + r(f) = r(f).

Nach Wahl von p folgt aus Grad(r) < Grad(p) und r(f) = 0 bereits r = 0, d.h.
p|q. Damit ist auch Eigenschaft b) nachgewiesen. Für ein anderes normiertes
Polynom p′ von positivem Grad mit Eigenschaft a) und b) folgt zunächst p|p′
und p′ |p. Damit müssen beide Polynome denselben Grad m haben, und es gibt
eine Zahl a ∈ K∗ mit p′ = a · p. Da aber sowohl p′ als auch p normiert sind,
muss a = 1 und somit p′ = p gelten. Dies liefert die Eindeutigkeitsaussage im
Satz.
Folgerung V.5.7. Für f bzw. A wie oben gilt

µf |χf bzw. µA |χA .

Inbesondere hat man Grad(µf/A ) ≤ Grad(χf/A ) = n.

Bemerkung V.5.8. Um das Minimalpolynom zu definieren, benötigt man ledig-
lich die Existenz eines Polynoms p vom Grad m > 0 mit p(f) = 0 bzw. p(A) = 0.
Diese Aussage lässt sich recht elementar ohne den Satz von Cayley-Hamilton
beweisen (s. Aufgabe V.5.11). Allerdings folgt so nicht die wichtige Aussage,
dass das Minimalpolynom das charakteristische Polynom teilt.
Satz V.5.9. Die Nullstellen des Minimalpolynoms sind genau die Eigenwerte von
f bzw. A. D.h. es gilt

λ ist Nullstelle von µf (t) bzw. µA (t) ⇐⇒ λ ist Nullstelle von χf (t) bzw. χA (t).

Beweis. Wir zeigen die Aussage für A ∈ Mat(n; K). Aus µA (t)|χA (t) folgt sofort
µA (λ) = 0 =⇒ χA (λ) = 0 für alle λ ∈ K. Dies ist die Richtung =⇒“. Für die
”
Umkehrung ⇐=“ sei λ eine Nullstelle von χA (t), d.h. ein Eigenwert von A. Wir
”
wählen einen Eigenvektor v ∈ Kn \ {0} zum Eigenwert λ. Es gilt

0 = µA (A)(v) = Am + am−1 · Am−1 + · · · + a1 · A + a0 · En (v)
= λm · v + am−1 λm−1 · v + · · · + a1 λ · v + a0 · v = µA (λ) · v.

Da v 6= 0, muss µA (λ) = 0 gelten, d.h. λ ist eine Nullstelle von µA (t).

Beispiel V.5.10. Wir betrachten die Matrix
 
2 1 0 0
 0 2 0 0 
A := 
 0 0
 ∈ Mat(4; Q).
1 0 
0 0 0 1

183
Kapitel V. Eigenwerte und -vektoren

Das charakteristische Polynom von A ist gegeben durch

χA (t) = (t − 2)2 · (t − 1)2 .

Wir wissen bereits, dass das Minimalpolynom von der Form µA (t) = (t−2)i ·(t−1)j
mit 1 ≤ i, j ≤ 2 ist. Man überprüft (2·E4 −A)·(E4 −A)2 6= 0 und (2·E4 −A)2 ·(E4 −A) =
0. Damit folgt
µA (t) = (t − 2)2 · (t − 1).
Aufgabe V.5.11.
Es seien V ein n-dimensionaler K-Vektorraum und f : V −→ V ein Endomor-
phismus bzw. A ∈ Mat(n; K), n ≥ 1. Zeigen Sie, dass ein Polynom p ∈ K[t] mit
n2 ≥ Grad(f) > 0 existiert, so dass p(f) = 0 bzw. p(A) = 0. Dabei sollen Sie nur
die Konzepte der linearen (Un-)Abhängigkeit und der Dimension eines Vektor-
raums verwenden (und natürlich nicht den Satz von Cayley-Hamilton).

V.6 Trigonalisierbare Endomorphismen

Definitionen V.6.1. i) Es seien n ≥ 1 eine natürliche Zahl und R ein Ring.
Eine Matrix A = (aij ) i=1,...,n ∈ Mat(n; R) wird als obere Dreiecksmatrix bezeichnet,
j=1,...,n
wenn
∀n ≥ i > j ≥ 1 : aij = 0
gilt, d.h. wenn alle Einträge unterhalb der Diagonalen verschwinden.
ii) Es sei V ein endlichdimensionaler K-Vektorraum. Ein Endomorphismus
f : V −→ V wird trigonalisierbar genannt, wenn es eine durchnummerierte Basis
B von V gibt, für die die Darstellungsmatrix MB (f) eine obere Dreiecksmatrix
ist.
iii) Eine Matrix A ∈ Mat(n; K) heißt trigonalisierbar, wenn sie einer oberen
Dreiecksmatrix ähnlich ist.

Satz V.6.2. Für f bzw. A wie oben sind die folgenden Aussagen äquivalent:

a) f bzw. A ist trigonalisierbar.

b) Das charakteristische Polynom von f bzw. A zerfällt vollständig in Linear-

faktoren.

Beweis. Wir zeigen den Satz für Matrizen und beginnen mit a)=⇒b)“. Es sei
”
S ∈ GLn (K) so, dass  

S · A · S−1 = 
a11
..
0
.
ann

. *
184
V.6. Trigonalisierbare Endomorphismen

Dann gilt

Lemma V.3.6 Aufgabe IV.4.28, a)

χA (t) = χS·A·S−1 (t) = (t − a11 ) · · · · · (t − ann ).

Die Richtung b)=⇒a)“ beweisen wir durch Induktion über n. Für n = 1 ist
”
offenbar nichts zu beweisen. Für den Schritt n n + 1“ wählen wir zunächst
”
eine Nullstelle λ von χA (t), die existiert, weil χA (t) nach Voraussetzung in Line-
arfaktoren zerfällt. Es sei v1 ∈ Kn+1 \ {0} ein Eigenvektor von A zum Eigenwert λ,
den man durch Vektoren v2 , ..., vn+1 zu einer durchnummerierten Basis von Kn+1
ergänze. Man bilde die Matrix T := (v1 |v2 | · · · |vn+1 ) ∈ GLn+1 (K) mit den Spalten
v1 ,...,vn+1 . Dann gilt
 
λ ∗ ··· ∗
 0 
−1  
B := T ·A·T = .. ′ 
 . A

0

und
χA (t) = (t − λ) · χA′ (t).
Das Polynom χA′ (t) zerfällt offensichtlich ebenfalls in Linearfaktoren, so dass
es nach Induktionsvoraussetzung eine Matrix S′ ∈ GLn (K) mit
 
a′11
−1 
S ′ · A′ · S ′ =  ..
.
′
ann


0
*
gibt. Es ergibt sich
     
1 ∗ ··· ∗ 1 ∗ ··· ∗ λ ∗ ··· ∗
 0   0   
     0 
 ..  ·B ·  .. ′ −1
 =  .. 
 . S ′   . S   . S′ · A′ · S′ −1 
0 0 0
| {z } | {z }
=:S′′ =S′′ −1
 
λ ∗ ··· ∗
 0 a′ 

=  .
.
 .
0
11
. . .
′
ann 0

.
 *
Für S := S′′ · T −1 ∈ GLn+1 (K) ist S · A · S−1 daher eine obere Dreiecksmatrix.

185
Kapitel V. Eigenwerte und -vektoren

Bemerkung V.6.3. Für einen algebraisch abgeschlossenen Körper K, z.B. K = C,

ist Bedingung b) in Satz V.6.2 immer erfüllt, so dass jeder Endomorphismus
bzw. jede Matrix über K trigonalisierbar ist. Dies bringt uns der Lösung des
Normalformproblems V.1.6 wieder einen Schritt näher. Das Ergebnis aus Satz
V.6.2 ist noch nicht völlig zufrieden stellend, da z.B. eine Matrix vielen oberen
Dreiecksmatrizen ähnlich sein kann und wir auch nicht ohne weiteres ent-
scheiden können, wann zwei obere Dreiecksmatrizen ähnlich sind.
Aufgabe V.6.4.
Gegeben sei
 
21 −24 5
A :=  14 −13 4  ∈ Mat(3; R).
−37 42 −9
a) Berechnen Sie das charakteristische Polynom von A.
b) Ermitteln Sie alle Nullstellen von χA in R und in C.
c) Ist die Matrix A über R diagonalisierbar oder trigonalisierbar? Ist sie über C
diagonalisierbar oder trigonalisierbar?

V.7 Nilpotente Endomorphismen

In diesem Abschnitt werden wir mit der Einführung einer verfeinerten obe-
ren Dreiecksgestalt beginnen, die insbesondere die in Bemerkung V.6.3 ange-
schnittenen Probleme beseitigt.

Definitionen V.7.1. i) Es sei V ein endlichdimensionaler K-Vektorraum. Ein

Endomorphismus f : V −→ V ist nilpotent, wenn es eine natürliche Zahl p ≥ 1
mit fp = 0 gibt.
ii) Eine nilpotente Matrix ist eine Matrix A ∈ Mat(n; K), zu der es eine natürli-
che Zahl p ≥ 1 mit Ap = 0 gibt.8

Bemerkung V.7.2. Es sei z.B. A eine nilpotente Matrix. Wie der folgende Satz
zeigt, ist A einer oberen Dreiecksmatrix mit Nullen auf der Diagonalen ähnlich.
Insbesondere gilt χA (t) = tn. Ist umgekehrt A ∈ Mat(n; K) mit χA (t) = tn gegeben,
dann folgt nach dem Satz von Cayley-Hamilton An = 0, so dass A nilpotent ist.
Nilpotente Matrizen bzw. Endomorphismen sind also genau diejenigen trigona-
lisierbaren Endomorphismen bzw. Matrizen, deren einziger Eigenwert λ = 0 ist.
Sie sollten daher relativ einfach zu verstehen sein, so dass es sinnvoll erscheint,
die Untersuchungen mit ihnen zu beginnen.

8
Die auftretenden Potenzen wurden in Definition V.5.2 eingeführt.

186
V.7. Nilpotente Endomorphismen

Satz V.7.3. Es sei f : V −→ V ein nilpotenter Endomorphismus des n-dimensiona-

len K-Vektorraums V bzw. A ∈ Mat(n; K) eine nilpotente Matrix. Dann gibt es eine
durchnummerierte Basis B = { b1, ..., bn } von V bzw. Kn , so dass

f(bi ) = bi−1 bzw. A · bi = bi−1

oder f(bi ) = 0 bzw. A · bi = 0

für i = 1, ..., n gilt.

Beweis. Wir beweisen den Satz für einen Endomorphismus f : V −→ V. Zu-

nächst sei p ≥ 1 minimal mit der Eigenschaft fp = 0. Dann setzen wir Wi :=
Ker(fi ), i = 1, ..., p. Mit W0 := {0} erhalten wir

W0 ⊆ W1 ⊆ W2 ⊆ · · · ⊆ Wp−1 ⊆ Wp = V.

Offenbar gilt
f(Wi ) ⊆ Wi−1 , i = 1, ..., p. (V.6)
Diese einfache Beobachtung gibt den entscheidenden Hinweis darauf, dass eine
Basis wie im Satz behauptet existieren könnte. Wir müssen diese Basis jetzt
sorgfältig konstruieren. Dazu verwenden wir das folgende Resultat.
Behauptung. Es gibt lineare Teilräume Ui ⊆ Wi ⊆ V, i = 1, ..., p, so dass

a) Wi = Wi−1 ⊕ Ui , i = 1, ..., p.

b) f(Ui ) ⊆ Ui−1 , i = 2, ..., p.

c) V = U1 ⊕ · · · ⊕ Up .

Wir widmen uns jetzt dem Beweis dieser Behauptung. Die Unterräume U1 ,...,
Up werden rekursiv eingeführt, beginnend mit Up . Für den Raum Up wählen wir
ein beliebiges lineares Komplement zu Wp−1 in Wp = V. Wenn die Unterräume
Uj mit j > i bereits konstruiert worden sind, dann erhalten wir Ui auf folgende
Weise. Es gilt
f(Ui+1 ) ∩ Wi−1 = {0}. (V.7)
In der Tat folgt für ein Element v ∈ Ui+1 mit w := f(v) ∈ Wi−1

fi (v) = fi−1 f(v) = 0,

d.h. v ∈ Wi . Da aber v auch in Ui+1 liegt und Ui+1 ∩Wi = {0} gilt, erhalten wir v = 0
und damit w = 0 wie gewünscht. Da weiter Ui+1 ⊆ Wi+1 , beinhaltet (V.6), dass
f(Ui+1 ) ⊆ Wi . Wegen (V.7) können wir daher ein lineares Komplement Ui ⊆ Wi
zu Wi−1 finden, welches f(Ui+1 ) enthält. Insgesamt erhalten wir Unterräume
U1 ,...,Up , für die a) und b) gilt. Aus a) folgt sofort W1 = U1 . Damit gilt W2 =

187
Kapitel V. Eigenwerte und -vektoren

W1 ⊕ U2 = U1 ⊕ U2 . So fortfahrend sehen wir, dass Wj = U1 ⊕ · · · ⊕ Uj für j = 1, ..., p

und damit insbesondere c) gilt. Schließlich ist die Abbildung

f|Ui : Ui −→ Ui−1
v 7−→ f(v)

für i = 2, ..., p injektiv. Der Kern dieser Abbildung ist nämlich

i≥2
Ui ∩ Ker(f) = Ui ∩ W1 ⊆ Ui ∩ Wi−1 = {0}.

Diese letzte Beobachtung und die Behauptung implizieren, dass die Vektoren
in der nachstehenden Tabelle zusammen eine Basis von V bilden.

up1 , ..., upπp

f(up1 ), ..., f(upπp ), u1p−1 , ..., uπp−1
p−1
.. .. ..
. . .
p p−1
f (u1 ), ..., f (uπp ), f (u1 ), ..., f (uπp−1 ) , ..., f(u1 ), ..., f(u2π2 ), u11 , ..., u1π1 .
p−1 p−1 p p−2 p−2 p−1 2

(V.8)
Dabei steht in der ersten Zeile eine Basis von Up , in der zweiten eine Basis von
Up−1 und in der letzten eine Basis von U1 . Wir erhalten eine durchnummerierte
Basis B = { b1 , ..., bn }, indem wir zunächst die Vektoren der ersten Spalte von
unten nach oben für b1 ,...,bp erklären, dann die der zweiten von unten nach
oben für bp+1 ,...,b2p usw.:

b1 := fp−1 (up1 ), ..., bp := up1 ,

bp+1 := fp−1 (up2 ), ..., b2p := up2 ,
..
.
bπp ·p+1 := fp−2 (u1p−1 ), ..., b(πp+1)p−1 := u1p−1 ,
..
.
bn−π1 +1 := u11 , ..., bn := u1π1 .

Für die so konstruierte Basis ist die Behauptung des Satzes klar.

Bemerkungen V.7.4. i) Man beachte, dass der Beweis des Satzes einen explizi-
ten Algorithmus zum Auffinden der Basis B zur Verfügung stellt.
ii) Die Basis B ist natürlich nicht eindeutig bestimmt, denn für die Komple-
mente U1 ,..., Up und ihre Basen sind viele Wahlen möglich und erlaubt.
iii) Die Konstruktion der Basis B beschreiben wir noch einmal in Worten:
Da fp = 0 aber fp−1 6= 0, wählen wir zunächst eine maximale Anzahl linear
unabhängiger Vektoren v mit fp−1 (v) 6= 0, nämlich up1 ,...,upπp . Diese Vektoren zu-
sammen mit ihren Bildern unter den Potenzen f,...,fp−1 sind auf Grund der

188
V.7. Nilpotente Endomorphismen

Behauptung linear unabhängig. Danach suchen wir eine maximale Menge li-
near unabhängiger Vektoren v mit fp−1 (v) = 0 aber fp−2 (v) 6= 0, die sich nicht
als Linearkombinationen von f(up1 ), ...,f(upπp ) schreiben lassen. Dies sind die
Vektoren u1p−1 , ..., uπp−1
p−1
. So fahren wir fort, bis die Basis B konstruiert ist.

Definitionen V.7.5. i) Es seien l ∈ N, l ≥ 1, und λ ∈ K. Der Jordan-Block9 der

Größe l zum Eigenwert λ ist die Matrix
 
λ 1
 


λ 1 

0
J(l, λ) :=  .. ..  ∈ Mat(l; K),
 . . 
 
 0
λ 1 
λ
d.h. J(l, λ) = (aij ) i=1,...,l mit aii = λ, i = 1, ..., l, aii+1 = 1, i = 1, ..., l − 1, und aij = 0 in
j=1,...,l
den übrigen Fällen.
ii) Eine Partition der natürlichen Zahl n ist ein Tupel
π = (πn , ..., π1), mit πi ∈ N, i = 1, ..., n,
so dass
n · πn + (n − 1) · πn−1 + · · · + 2 · π2 + π1 = n.
iii) Für eine Partition π = (πn, ..., π1) von n ∈ N und eine Zahl λ ∈ K ist die
Jordan-Blockmatrix zu der Partition π und dem Eigenwert λ gegeben durch
πp Blöcke
z }| { 

0
J(p, λ)
 
 
 
 
 
 J(p, λ) 
 
 
 
J(π, λ) :=   ∈ Mat(n; K).
 
 
 

0
 J(1, λ) 
 
 
 
 
J(1, λ)
| {z }
π1 Blöcke
Dabei sei p := max{ j = 1, ..., n | πj 6= 0 }.
9
Marie Ennemond Camille Jordan, genannt Camille Jordan (1838 - 1922 in Paris), französi-
scher Mathematiker.

189
Kapitel V. Eigenwerte und -vektoren

Beispiel V.7.6. Für n = 3 ergeben sich die folgenden Möglichkeiten:

Partition Jordan-Blockmatrix
 
λ 1 0
(1,0,0)  0 λ 1 
 0 0 λ 
λ 1 0
 0 λ 0  .
(0,1,1)
 0 0 λ
λ 0 0
(0,0,3)  0 λ 0 
0 0 λ
Satz V.7.7. Es seien f : V −→ V ein Endomorphismus des n-dimensionalen K-
Vektorraums V bzw. A ∈ Mat(n; K) und λ ∈ K. Es gelte χf (t) = (t − λ)n bzw.
χA (t) = (t − λ)n .10
i) Dann existieren eine Partition π von n und eine durchnummerierte Basis
B = { b1 , ..., bn } von V bzw. Kn , so dass

MB (f) = J(π, f)

bzw.
T −1 · A · T = J(π, f), T := (b1| · · · |bn ) ∈ GLn (K).
ii) Für die Partition π = (πn , ..., π1) sei

ν := πn + · · · + π1 = Anzahl der Jordan-Blöcke

p := max i = 1, ..., n | πi 6= 0 .

Dann gilt

a) ν = DimK Eig(f, λ) bzw. ν = DimK Eig(A, λ) .
b) µf (t) = (t − λ)p bzw. µA (t) = (t − λ)p .
iii) Für zwei Zahlen λ, λ′ ∈ K und zwei Partitionen π, π′ von n gilt:

J(π, λ) ≈ J(π′ , λ′ ) ⇐⇒ J(π, λ) = J(π′ , λ′ ) ⇐⇒ λ = λ′ ∧ π = π′ .

Beweis. Zu i). Wir zeigen die Aussage für den Endomorphismus f. Für λ = 0 ist
das die Aussage von Satz V.7.3. Einen Endomorphismus wie im Satz schreiben
wir in der Form
f = (f − λ · IdV ) + λ · IdV .
| {z }
=:g
10
Damit ist f bzw. A trigonalisierbar.

190
V.7. Nilpotente Endomorphismen

Aus den Eigenschaften von Darstellungsmatrizen folgt

MB (f) = MB (g) + MB (λ · IdV ) = MB (g) + λ · En (V.9)

für jede durchnummerierte Basis B von V. Auf der anderen Seite gilt nach dem
Satz von Cayley-Hamilton

gn = χf (f) = 0,

i.e. g ist nilpotent. Die Behauptung folgt somit durch Anwendung von Satz
V.7.3 auf g und Gleichung (V.9).
Zu ii). Für einen nilpotenten Endomorphismus zeigt der Beweis von Satz
V.7.3, dass die Anzahl der Jordan-Blöcke durch DimK (U1 ) = DimK (Ker(g)) ge-
geben ist.11 In unserem Fall ist DimK (Ker(g)) = DimK (Eig(f, λ)) wie behaup-
tet. Dies zeigt a). Da das Minimalpolynom µf (t) das charakteristische Polynom
χf (t) = (t − λ)n teilt, ist es von der Form (t − λ)j mit

j = min i ∈ N | gi = (f − λ · IdV )i = 0

= min i ∈ N | MB (g)i = 0 .

Wir wählen die durchnummerierte Basis B so, dass MB (f) = J(π, λ) und daher
MB (g) = J(π, 0). Es gilt

 

0
i
J(p, 0)
 
 
 
 
 
 J(p, 0)i 
 
 
i  
MB (g) =  
 
 
 

0
 J(1, 0)i 
 
 
 
 
J(1, 0)i

11
Die Anzahl der Jordan-Blöcke ist durch die Anzahl der Vektoren in der untersten Zeile von
Tabelle (V.8) gegeben. Diese ist zum einen offenbar DimK (U1 ), zum anderen aber πn + · · · + π1 ,
wie man (V.8) entnimmt.

191
Kapitel V. Eigenwerte und -vektoren

Nun überzeugt man sich leicht, dass

a1i+1
 
0 ··· 0 1
 0
 
J(j, 0)i =   a(j−i)j

0
 1 
 0 ,
 
 .. 
 . 
0

so dass genau dann J(j, 0)i = 0 gilt, wenn i ≥ j. Damit erhält man die Aussage
zum Minimalpolynom.
Zu iii). Die Äquivalenz J(π, λ) = J(π′ , λ′ ) ⇐⇒ π = π′ und λ = λ′“ ist offensicht-
”
lich, ebenso wie die Implikation J(π, λ) = J(π′ , λ′) =⇒ J(π, λ) ≈ J(π′ , λ′)“. Zeigen
”
wir nun J(π, λ) ≈ J(π′ , λ′) =⇒ J(π, λ) = J(π′ , λ′)“. Da λ der einzige Eigenwert von
”
A := J(π, λ) und λ′ der einzige Eigenwert von B := J(π′ , λ′ ) ist und ähnliche Ma-
trizen dieselben Eigenwerte haben, folgt bereits λ = λ′ . Um die Gleichheit der
Partitionen einzusehen, erinnern wir an die Beweisstrategie von Satz V.7.3.
Dort hatten wir die Unterräume

Wi := v ∈ Kn | (A − λ · En )i · v = 0 , i ∈ N,

von Kn eingeführt. Mit p := min{ i ∈ N | (A − λ · En )i = 0 } erhalten wir die aufstei-

”
gende Kette“ 12

W0 = {0} ⊆ W1 ⊆ W2 ⊆ · · · ⊆ Wp−1 ( Wp = W.

Des Weiteren haben wir Wi = Ui ⊕ Wi−1 , i = 1, ..., p, geschrieben. Dabei sei

(A − λ · En ) · Ui ⊆ Ui−1 , i = 2, ..., p.

Die Partition π = (πn , ..., π1) ist nun gegeben durch13


 0, i>p
πi = DimK (Up ), i=p .

DimK (Ui ) − DimK (Ui+1 ), i = 1, ..., p − 1

Nach Konstruktion gilt DimK (Ui ) = DimK (Wi ) − DimK (Wi−1 ), so dass

πi = −DimK (Wi+1 ) + 2 · DimK (Wi ) − DimK (Wi−1 ) für i = 1, ..., n

12
Die Inklusion Wp−1 ⊆ Wp ist auf Grund der Wahl von p strikt.
13
Wegen Wp−1 ( Wp gilt Up 6= {0}, i.e. DimK (Up ) ≥ 1.

192
V.7. Nilpotente Endomorphismen

folgt. Es sei S ∈ GLn (K) so, dass B = SAS−1 . Man berechnet auch S · (A − λ · En ) ·
S−1 = B − λ · En , Bi = S · Ai · S−1 und S · (A − λ · En )i · S−1 = (B − λ · En )i , i ∈ N. Setzt
man
Wi′ := v ∈ Kn | (B − λ · En )i · v = 0 , i ∈ N,
dann überprüft man wie in Bemerkung V.3.17, dass Wi′ = S · Wi für alle i ∈ N
erfüllt ist. Insbesondere hat man DimK (Wi′ ) = DimK (Wi ) für alle i ∈ N, so dass
auch
π′i = −DimK (Wi+1
′
) + 2 · DimK (Wi′ ) − DimK (Wi−1
′
)
= −DimK (Wi+1 ) + 2 · DimK (Wi ) − DimK (Wi−1 ) = πi
für i = 1, ..., n gilt.
Beispiel V.7.8. Wir betrachten die Matrix
 
3 4 3
A :=  −1 0 −1  ∈ Mat(3; Q).
1 2 3
Mit der Regel von Sarrus bestimmen wir das charakteristische Polynom:
t − 3 −4 −3 t − 3 −4
1 t 1 1 t ,
−1 −2 t − 3 −1 −2
also
χA (t) = t(t − 3)2 + 4 + 6 − 3t + 2t − 6 + 4t − 12
= t(t2 − 6t + 9) + 3t − 8 = t3 − 6t2 + 12t − 8
= t3 + 3(−2t2) + 3((−2)2t) + (−2)3 = (t − 2)3 .
Wir müssen  
1 4 3
C := A − 2 · E3 =  −1 −2 −1 
1 2 1
untersuchen. Es gilt
     
1 4 3 1 4 3 0 2 2
C2 =  −1 −2 −1  ·  −1 −2 −1  =  0 −2 −2  =
6 0.
1 2 1 1 2 1 0 2 2
(Damit ist bereits klar, dass die Jordansche Normalform von A durch
 
2 1 0
 0 2 1 
0 0 2

193
Kapitel V. Eigenwerte und -vektoren

gegeben ist.) Wir wissen, dass U3 , U2 und U1 jeweils eindimensional sind. Wir
müssen nur einen erzeugenden Vektor v für einen geeigneten Unterraum U3
ermitteln. Dann ist B = { C2 · v, C · v, v } die gesuchte Basis. Offensichtlich gilt
*   +
1 0
L(C2 , 0) =  0  ,  1  .
0 −1

Damit können wir  

0
v :=  0  und U3 = hvi
1
wählen. (Es sind viele andere Wahlen möglich.) Es ergibt sich
     
2 3 0
2
C ·v=  
−2 , C · v =  
−1 , v =  0 
2 1 1
und somit  
2 3 0
T =  −2 −1 0  .
2 1 1
Die Inverse von T wird mit dem Gauß-Algorithmus bestimmt:
   
2 3 0 1 0 0 2 3 0 1 0 0
II+I; III−I
 −2 −1 0 0 1 0   0 2 0 1 1 0 
2 1 1 0 0 1 0 −2 1 −1 0 1
   
III+II; 12 ·II
2 3 0 1 0 0 2 0 0 − 12 − 23 0
I−3·II
 0 1 0 1 1 0   0 1 0 1 1
0 
2 2 2 2
0 0 1 0 1 1 0 0 1 0 1 1
 
1
·I
1 0 0 − 14 − 43 0
2
 0 1 0 1 1
0 .
2 2
0 0 1 0 1 1

Damit gilt  
− 14 − 43 0
T −1 =  21 1
2
0 .
0 1 1
Probe.
       
− 14 − 34 0 3 4 3 2 3 0 2 1 0
√
 1 1
0  ·  −1 0 −1  ·  −2 −1 0  =  0 2 1  .
2 2
0 1 1 1 2 3 2 1 1 0 0 2

194
V.8. Die Jordansche Normalform

V.8 Die Jordansche Normalform

Das folgende Resultat liefert die vollständige Lösung von Problem V.1.6 über
einem algebraisch abgeschlossenen Körper.
Satz V.8.1 (Die Jordansche Normalform). Es sei f : V −→ V ein Endomorphis-
mus des n-dimensionalen K-Vektorraums V bzw. A ∈ Mat(n; K). Falls f bzw. A
trigonalisierbar ist (z.B., wenn K algebraisch abgeschlossen ist), d.h. falls

χf (t) = (t − λ1 )l1 · · · · · (t − λm )lm

bzw. χA (t) = (t − λ1 )l1 · · · · · (t − λm )lm

mit λi 6= λj ∈ K für 1 ≤ i 6= j ≤ m, dann gilt:

i) Es gibt Partitionen πj = (πjlj , ..., πj1) von lj , j = 1, ..., m, und eine durchnumme-
rierte Basis B = { b1, ..., bn } von V bzw. Kn , so dass

MB (f) = J bzw. T −1 · A · T = J

mit T := (b1| · · · |bn ) ∈ GLn (K) und

 





J := 
J(π1 , λ1)
J(π2 , λ2)
0 




.

0
 
 
 
 
J(πm , λm )

ii) Für j = 1, ..., m setze man

νj := πjlj + · · · + πj1 (=Anzahl der Jordan-Blöcke zum Eigenwert λj )

pj := max i = 1, ..., lj | πji 6= 0 .

Dann gilt
a) νj = DimK (Eig(f, λj)) bzw. νj = DimK (Eig(A, λj)). (Die Anzahl der Jordan-
Blöcke zum Eigenwert λ ist gleich der Dimension des Eigenraums zum Ei-
genwert λ.)
b) µf (t) = (t − λ1 )p1 · · · · · (t − λs )ps bzw. µA (t) = (t − λ1 )p1 · · · · · (t − λs )ps . (Die Größe
des größten Jordan-Blocks zum Eigenwert λ ist gleich der Vielfachheit der
Nullstelle λ des Minimalpolynoms.)
iii) Zwei Matrizen sind genau dann ähnlich, wenn sie dieselben Eigenwerte
λ1 ,...,λm haben und ihre Jordanschen Normalformen übereinstimmen.

195
Kapitel V. Eigenwerte und -vektoren

Definition V.8.2. Die Matrix J in Teil i) des Satzes heißt die Jordansche Nor-
malform von f bzw. A.

Bemerkung V.8.3. Die einzige willkürliche Wahl, die in die Jordansche Nor-
malform eingeht, ist die Nummerierung der Nullstellen (vgl. Bemerkung V.4.3,
iii). Anders als R und Q besitzt ein algebraisch abgeschlossener Körper keine
natürliche“ Anordnung. Daher muss man entweder eine künstliche Anord-
”
nung vorgeben oder sich mit der kleinen Mehrdeutigkeit abfinden.

Die Zerlegung in verallgemeinerte Eigenräume. — Wir bereiten den Beweis

von Satz V.8.1 vor. Die natürliche Idee, den Satz über die Jordansche Normal-
form für einen Endomorphismus f zu beweisen, ist, den Raum V in eine direkte
Summe
V = V1 ⊕ · · · ⊕ Vm
zu zerlegen, so dass es Endomorphismen fi : Vi −→ Vi , i = 1, ..., m, mit folgenden
Eigenschaften gibt:

a) Für jedes v ∈ V und die eindeutig bestimmten Elemente vi ∈ Vi , i = 1, ..., m,

mit v = v1 + · · · + vm gilt f(v) = f(v1 ) + · · · + f(vm ).

b) Es gilt DimK (Vi ) = li und χfi (t) = (t − λi )li , i = 1, ..., m.

Hat man eine solche Zerlegung gegeben, dann kann man Satz V.7.7 auf die
Summanden anwenden und erhält so die gewünschte Normalform. Darauf ge-
hen wir im Anschluss an den Beweis von Satz V.8.5 ausführlich ein.

Definition V.8.4. Es sei f bzw. A wie in Satz V.8.1. Für einen Eigenwert λ von
f bzw. A heißt
S
V(f, λ) := v ∈ V | ∃i ∈ N : (f − λ · IdV )i (v) = 0 = Ker (f − λ · IdV )i
S
i∈N
bzw. V(A, λ) := v ∈ Kn | ∃i ∈ N : (A − λ · En )i · v = 0 = L (A − λ · En )i , 0
i∈N

der verallgemeinerte Eigenraum zum Eigenwert λ.

Satz V.8.5. Unter den Voraussetzungen von Satz V.8.1 setze man

Vi := V(f, λi ) bzw. Vi := V(A, λi ), i = 1, ..., m.

Dann gilt:
i) V = V1 ⊕ · · · ⊕ Vm bzw. Kn = V1 ⊕ · · · ⊕ Vm .
ii) f(Vi ) ⊆ Vi bzw. A · Vi ⊆ Vi , i = 1, ..., m.
iii) DimK (Vi ) = li , i = 1, ..., m.

196
V.8. Die Jordansche Normalform

Beweis. Wir beweisen die Version für Endomorphismen. Zu ii). Es seien λ ein
Eigenwert von f und v ∈ V(f, λ) ein Element des zugehörigen verallgemeinerten
Eigenraums. Wir wählen eine natürliche Zahl i ≥ 1, für die (f − λ · IdV )i (v) = 0
gilt, und berechnen

0 = (f − λ · IdV )i+1 (v) = (f − λ · IdV )i (f(v) − λ · v)

= (f − λ · IdV )i f(v) − λ · (f − λ · IdV )i (v)

= (f − λ · IdV )i f(v) .

Dies zeigt f(v) ∈ V(f, λ).

Zu i) und iii). Wir beweisen die Aussagen durch Induktion über m. Für m = 1
ist nichts zu zeigen. Im Induktionsschritt m m + 1 setzen wir g := f − λ1 · IdV .
i
Mit den Unterräumen Wi (λ1 ) := Ker(g ), i ∈ N, erhalten wir die Filtrierung

{0} = W0 (λ1 ) ⊆ W1 (λ1 ) ⊆ W2 (λ1 ) ⊆ · · · ⊆ V(f, λ1 ).

Es sei
r := min i ∈ N | Wi (λ1 ) = V(f, λ1 ) .
(Diese Zahl existiert, weil V(f, λ1 ) endlichdimensional ist.) Weiter sei

U := Bild(gr ).

Behauptung. Es gilt:
α) V = V(f, λ1 ) ⊕ U,
β) f V(f, λ1) ⊂ V(f, λ1), f(U) ⊂ U.
Den Beweis von Teil α) beginnen wir mit der Beobachtung, dass die Dimen-
sionsformel (Satz III.5.40) für lineare Abbildungen

DimK (V) = DimK Ker(gr ) + DimK Bild(gr ) = DimK V(f, λ1 ) + DimK (U)

ergibt. Weiter zeigt die Dimensionsformel für Unterräume (Aufgabe III.5.49)

DimK (V(f, λ1 ) + U) = DimK V(f, λ1 ) + DimK (U) − DimK V(f, λ1 ) ∩ U

= DimK (V) − DimK V(f, λ1 ) ∩ U .

Es reicht folglich,
V(f, λ1) ∩ U = {0} (V.10)
nachzuweisen. Seien also w ∈ V(f, λ1 ) ∩ U und v ∈ V mit gr (v) = w. Wegen

0 = gr (w) = g2r (v)

hat man v ∈ V(f, λ1 ). Dann gilt aber w = gr (v) = 0 nach Wahl von r.

197
Kapitel V. Eigenwerte und -vektoren

Zu Teil β). Die Inklusion f V(f, λ1 ) ⊂ V(f, λ1 ) haben wir bereits überprüft,
Offenbar gilt auch g(U) ⊂ U, so dass

∀v ∈ U : f(v) = g(v) + λ1 · v ∈ U

folgt. X
Es seien jetzt

f|V(f,λ1 ) : V(f, λ1 ) −→ V(f, λ1 ), f|U : U −→ U,

v 7−→ f(v) v 7−→ f(v)

B ′ = { b1, ..., bl } eine durchnummerierte Basis von V(f, λ1 ), B ′′ = { bl+1 , ..., bn } ei-
ne durchnummerierte Basis von U und B = { b1, ..., bl, bl+1, ..., bn }. Dies ist eine
durchnummerierte Basis von V. Die entsprechende Darstellungsmatrix nimmt
die Gestalt  

MB (f) = 
MB ′ (f|V(f,λ1 ) ) 0  (V.11)
0 MB ′′ (f|U )
an. Aus
(f|V(f,λ1 ) − λ1 · IdV(f,λ1 ) )r = 0
folgt
χf|V(f,λ1) (t) = (t − λ1 )DimK (V(f,λ1 )) . (V.12)
Schließlich haben wir wegen (V.11)

χf (t) = χf|V(f,λ1 ) (t) · χf|U (t). (V.13)

Die bereits gezeigte Aussage (V.10) beinhaltet, dass λ1 kein Eigenwert von f|U
sein kann. Aus (V.12) und (V.13) folgern wir

DimK V(f, λ1) = l1 .

Dieselbe Argumentation funktioniert auch für λ2 , ..., λm, so dass wir Teil iii),
nämlich
DimK V(f, λi ) = li , i = 1, ..., m,
einsehen. Außerdem folgt

χf|U (t) = (t − λ2 )l2 · · · · · (t − λm )lm .

Die Induktionsvoraussetzung für f|U besagt

U = V(f|U , λ2 ) ⊕ · · · ⊕ V(f|U , λm )

und
DimK V(f|U , λi ) = li , i = 2, ..., m.

198
V.8. Die Jordansche Normalform

Für i = 2, ..., m gilt

V(f|U , λi ) ⊆ V(f, λi ).
Da beide Vektorräume die Dimension li haben, sind sie somit gleich, i = 2, ..., m.
Damit haben wir endgültig

V = V(f, λ1) ⊕ U = V(f, λ1 ) ⊕ V(f, λ2 ) ⊕ · · · ⊕ V(f, λm )

nachgewiesen.
Beweis von Satz V.8.1. Man beachte, dass man auf Grund von Satz V.8.5, ii),
die Endomorphismen

fi := f|Vi : Vi −→ Vi
v 7−→ f(vi )

definieren kann, i = 1, ..., m. Ferner kann man nach Satz V.7.7 eine Basis
Bi = { bi1, ..., bili } für Vi wählen, so dass MBi (fi ) = J(πi , λi ) für die entsprechen-
de Partition πi von li , i = 1, ..., m. Für die Basis B = { b11, ..., b1l1 , ..., bm m
1 , ..., blm } gilt
dann  

MB (f) = 




M 1 (f )
 B 1
MB2 (f2 )
0 




 = J,

0
 
 
 
 
MBm (fm )

und Teil i) von Satz V.8.1 ist bewiesen. Punkt ii) beweist man analog zu der
entsprechenden Eigenschaft in Satz V.7.7. Für Teil iii) definieren wir wie zuvor

Wi (λj ) := Ker (f − λj · IdV )i , i ∈ N, j = 1, ..., m,

und folgern aus dem Beweis von Satz V.7.7, dass

πji = −DimK Wi+1 (λj ) + 2 · DimK Wi (λj ) − DimK Wi−1 (λj ) , i = 1, ..., lj, j = 1, ..., m.

Man leitet die gewünschte Aussage sofort daraus ab.

Algorithmus zur Bestimmung der Jordanschen Normalform und des Mini-

malpolynoms. — Wie die Beweise zur Jordanschen Normalform zeigen, exis-
tiert ein Algorithmus zur Bestimmung der Jordanschen Normalform einer ge-
gebenen Matrix A. Wir wollen ihn hier noch einmal erläutern. Eine interessante
Konsequenz ist, dass damit auch ein Algorithmus existiert, mit dem man ent-
scheiden kann, ob zwei gegebene Matrizen A und B ähnlich sind.

199
Kapitel V. Eigenwerte und -vektoren

Schritt 1. — Man bestimme das charakteristische Polynom der Matrix A und

schreibe es in der Form

χA (t) = (t − λ1 )l1 · · · · · (t − λm )lm .

Z.B.:  
0 1 2 0 −2
 −1 −2 1 0 −1 
 
A := 
 1 1 −2 0 1 
 ∈ Mat(5; R).
 −1 −4 0 2 0 
1 1 −4 0 3
Man berechnet
χA (t) = (t + 1)3 · (t − 2)2 .
Die Eigenwerte sind also −1 und 2.
Schritt 2. — Man berechne DimK (Wi (λj)) für

Wi (λj ) := v ∈ Kn | (A − λj · Elj )i · v = 0 , i = 1, ..., lj, j = 1, ..., m.

Die Partitionen πj = (πjlj , ..., πj1), j = 1, ..., m, und damit die Jordansche Normal-
form sind durch die Formel

πji = −DimK Wi+1 (λj ) + 2 · DimK Wi (λj ) − DimK Wi−1 (λj ) , i = 1, ..., lj,

gegeben. (In Beispielen kann man diese Zahlen u.U. leicht berechnen (s.u.).)
Berechnung der Dimension von Eig(A, − 1) mit dem Gauß-Algorithmus:

   
−1 −1 −2 0 2 1 1 −1 0 1
 1 1 −1 0 1   −1 −1 −2 0 2 
  I⇋II  
 −1 −1 1 0 −1   −1 −1 1 0 −1 
   
 1 4 0 −3 0   1 4 0 −3 0 
−1 −1 4 0 −4 −1 −1 4 0 −4
   
1 1 −1 0 1 1 1 −1 0 1
 0 0 −3 0 3   0 3 1 −3 −1 
II+I, III+I, IV−I, V+I 
 0 0

 II⇋IV, III⇋V 


 0 0 0   0 0 3 0 −3 
 0 3 1 −3 −1   0 0 −3 0 3 
0 0 3 0 −3 0 0 0 0 0
 
1 1 −1 0 1
 0 3 1 −3 −1 
IV+III  
 0 0 3 0 −3 
 .
 0 0 0 0 0 
0 0 0 0 0

200
V.8. Die Jordansche Normalform

Aus dieser Zeilenstufenform folgt DimR (Eig(A, −1)) = 2. Die Partition zum Ei-
genwert λ1 = −1 muss daher (0, 1, 1) sein.
Berechnung der Dimension von Eig(A,2) mit dem Gauß-Algorithmus:
   
2 −1 −2 0 2 1 4 0 0 0
 1 4 −1 0 1   1 4 −1 0 1 
  I⇋IV  
 −1 −1 4 0 −1   −1 −1 4 0 −1 
   
 1 4 0 0 0   2 −1 −2 0 2 
−1 −1 4 0 −1 −1 −1 4 0 −1
   
1 4 0 0 0 1 4 0 0 0
 0 0 −1 0 1   0 0 −1 0 1 
II−I, III+I, IV−2·I, V+I 
 0
 IV+3·III, V−III  
 3 4 0 −1 


 0 3 4 0 −1 
 0 −9 −2 0 2   0 0 10 0 −1 
0 3 4 0 −1 0 0 0 0 0
   
1 4 0 0 0 1 4 0 0 0
 0 0 −1 0 1   0 3 4 0 −1 
IV+10·II   II⇋III  
 0 3 4 0 −1   0 0 −1 0 1 
   .
 0 0 0 0 9   0 0 0 0 9 
0 0 0 0 0 0 0 0 0 0
Man liest DimR (Eig(A, 2)) = 1 ab, so dass π2 = (1, 0) die Partition zum Eigenwert
λ2 = 2 ist.
Die Jordansche Normalform der Matrix A ist also die Matrix
 
−1 1 0 0 0
 0 −1 0 0 0 
 
J := 
 0 0 −1 0 0 .

 0 0 0 2 1 
0 0 0 0 2
Schritt 3. — Das Minimalpolynom kann nun abgelesen werden:
χA (t) = χJ (t) = (t + 1)2 · (t − 2)2.
Man kann weiterhin eine Matrix T mit T −1 · A · T = J suchen.
Schritt 4. — Man wende den Algorithmus aus dem Satz über nilpotente Endo-
morphismen sinngemäß auf die verallgemeinerten Eigenräume an.
Für A gilt V(A, −1) = v ∈ R3 | (A + E5 )2 · v = 0 . Man hat
 2  
1 1 2 0 −2 0 0 9 0 −9
 −1 −1 1 0 −1   0 0 0 0 0 
   
2 
(A + E5 ) =  1 1 −1 0 
1  = 0 0 0 0 0 
.
 −1 −4 0 3 0   0 −9 −6 9 6 
1 1 −4 0 4 0 0 −9 0 9

201
Kapitel V. Eigenwerte und -vektoren

Wir müssen in dem dreidimensionalen Raum V(A, −1) ein lineares Komple-
ment U2 (−1) zu dem zweidimensionalen Unterraum Eig(A, −1) finden. Es ge-
nügt daher, einen Vektor v ∈ V(A, −1) zu finden, der nicht in Eig(A, −1) liegt,
z.B. v = e1 , und U2 (−1) = hvi zu setzen. Unsere ersten beiden Basisvektoren
sind also    
1 1
 −1   0 
   
b1 := (A + E5 ) · e1 = 
 1  und b2 := e1 =  0  .
  
 −1   0 
1 0
Nun müssen wir einen erzeugenden Vektor b3 ∈ Eig(A, −1) finden, so dass
Eig(A, −1) = hb1 i ⊕ hb3 i. Offenbar können wir
 
0
 0 
 
b3 := 
 1 

 0 
1

wählen. Wir haben V(A, 2) = v ∈ R3 | (A − 2 · E5 )2 · v = 0 . Dabei gilt
 2  
−2 1 2 0 −2 3 −6 −3 0 3
 −1 −4 
1 0 −1   
  6 15 −6 0 6 
(A − 2 · E5 ) = 
2
 1 1 −4 0 1 
 =  −6 −6 15 0 −6

.

 −1 −4 0 0 0   6 15 −6 0 6 
1 1 −4 0 1 −6 −6 15 0 −6

Man sieht, dass der Vektor  

1
 0 
 
b5 := 
 0 

 0 
−1
zwar in V(A, 2) nicht aber in Eig(A, 2) liegt, i.e. V(A, 2) = U2 (2) ⊕ Eig(A, 2) mit
U2 (2) = hb5i. Wir ergänzen unsere Basis mit dem Vektor
 
0
 0 
 
b4 := (A − 2 · E5 ) · b5 = 
 0 .

 −1 
0

202
V.8. Die Jordansche Normalform

Damit gilt
 
1 1 0 0 1
 −1 0 0 0 0 
 
T := (b1 |b2 |b3 |b4 |b5 ) = 
 1 0 1 0 0 

 −1 0 0 −1 0 
1 0 1 0 −1

und
 
0 −1 0 0 0
 1 1 −1 0 1 
 
T −1
=
 0 1 1 0 0 .

 0 1 0 −1 0 
0 0 1 0 −1

Man überprüft:

T −1 · A · T
     
0 −1 0 0 0 0 1 2 0 −2 1 1 0 0 1
 1 1 −1 0 1   −1 −2 1 0 −1   −1 0 0 0 0 
     
= 
 0 1 1 0 0  ·
 
 1 1 −2 0 1  
· 1 0 1 0 0 

 0 1 0 −1 0   −1 −4 0 2 0   −1 0 0 −1 0 
0 0 1 0 −1 1 1 −4 0 3 1 0 1 0 −1
 
−1 1 0 0 0
 0 −1 0 0 0 
  √
= 
 0 0 −1 0 0 
.
 0 0 0 2 1 
0 0 0 0 2

Beispiel V.8.6. Wir haben mehrmals erwähnt, dass es nicht ähnliche Matri-
zen mit demselben charakteristischen Polynom gibt. Mit Hilfe der Jordanschen
Normalform können wir uns einen genaueren Überblick verschaffen. Es sei
χ(t) = (t−λ1 )l1 ·· · ··(t−λm )lm . Die Jordanschen Normalformen von Matrizen A mit
χA (t) = χ(t) stehen in Bijektion zu Tupeln (π1 , ..., πm ), in denen πj = (πjlj , ..., πj1)
eine Partition von lj ist, j = 1, ..., m. Damit kann man sofort eine Liste erstellen.
Wir betrachten das Beispiel

χ(t) = (t + 2)3 (t − 5)3 .

Die möglichen Partitionen von 3 sind (1, 0, 0), (0, 1, 1), (0, 0, 3), so dass sich ins-
gesamt neun Möglichkeiten ergeben:

203
Kapitel V. Eigenwerte und -vektoren

π1 π2 JNF µ
 −2 1 0 0 0 0 
 0 −2 1 0 0 0 
 
 0 0 −2 0 0 0 
(1,0,0) (1,0,0) 
 0 0 0 5 1 0


(t + 2)3 · (t − 5)3
 0 0 0 0 5 1 
0 0 0 0 0 5
 −2 1 0 0 0 0 
 0 −2 1 0 0 0 
 
 0 0 −2 0 0 0 
(1,0,0) (0,1,1) 
 0 0 0 5 1 0


(t + 2)3 · (t − 5)2
 0 0 0 0 5 0 
0 0 0 0 0 5
 −2 1 0 0 0 0 
 0 −2 1 0 0 0 
 
 0 0 −2 0 0 0 
(1,0,0) (0,0,3) 
 0 0 0 5 0 0


(t + 2)3 · (t − 5)
 0 0 0 0 5 0 
0 0 0 0 0 5
 −2 1 0 0 0 0 
 0 −2 0 0 0 0 
 
 0 0 −2 0 0 0 
(0,1,1) (1,0,0) 
 0 0 0 5 1 0


(t + 2)2 · (t − 5)3
 0 0 0 0 5 1 
0 0 0 0 0 5
 −2 1 0 0 0 0 
 0 −2 0 0 0 0 

 0 0 −2 0 0 0

 .
(0,1,1) (0,1,1) 
 0 0 0 5 1 0


(t + 2)2 · (t − 5)2
 0 0 0 0 5 0 
0 0 0 0 0 5
 −2 1 0 0 0 0 
 0 −2 0 0 0 0 
 
 0 0 −2 0 0 0 
(0,1,1) (0,0,3) 
 0 0 0 5 0 0


(t + 2)2 · (t − 5)
 0 0 0 0 5 0 
0 0 0 0 0 5
 −2 0 0 0 0 0 
 0 −2 0 0 0 0 
 
 0 0 −2 0 0 0 
(0,0,3) (1,0,0) 
 0 0 0 5 1 0


(t + 2) · (t − 5)3
 0 0 0 0 5 1 
0 0 0 0 0 5
 
−2 0 0 0 0 0
 0 −2 0 0 0 0 
 
 0 0 −2 0 0 0 
(0,0,3) (0,1,1) 
 0 0 0 5 1 0


(t + 2) · (t − 5)2
 0 0 0 0 5 0 
0 0 0 0 0 5
 −2 0 0 0 0 0 
 0 −2 0 0 0 0 
 
 0 0 −2 0 0 0 
(0,0,3) (0,0,3) 
 0 0 0 5 0 0


(t + 2) · (t − 5)
 0 0 0 0 5 0 
0 0 0 0 0 5

204
V.8. Die Jordansche Normalform

Aufgabe V.8.7.
Gegeben sei  
3 5 −16 6
 7 2 −17 7 
A := 
 1
 ∈ Mat(4; R)
0 −4 1 
−5 −5 15 −8
a) Berechnen Sie das charakteristische Polynom von A und zerlegen Sie es in
Linearfaktoren.
b) Geben Sie die Jordansche Normalform und das Minimalpolynom µA von A
an.
c) Bestimmen Sie eine Matrix S ∈ GL4 (R), so dass S · A · S−1 die Jordansche
Normalform von A ist.

205
Literaturhinweise

[1] T. Arens, F. Hettlich, Ch. Karpfinger, U. Kockelkorn, K. Lichtenegger, H.

Stachel, Mathematik, 2. überarb. Aufl., Heidelberg, Spektrum Akademi-
scher Verlag, 2012, xiv+1506 S. ISBN 978-3-642-40472-6/set.

[2] E. Brieskorn, Lineare Algebra und analytische Geometrie. I., mit histori-
schen Anmerkungen von Erhard Scholz, Friedr. Vieweg & Sohn, 1983.
viii+636 S. ISBN: 3-528-08561-4.

[3] G. Fischer, Lineare Algebra. Eine Einführung für Studienanfänger, 16.

überarb. und erw. Aufl., Vieweg Studium: Grundkurs Mathematik, Wies-
baden, Friedr. Vieweg & Sohn, 2008, xxii+384 S. ISBN 978-3-658-03944-
8/pbk.

[4] U. Friedrichsdorf, A. Prestel, Mengenlehre für den Mathematiker, Vieweg

Studium 58, Grundkurs Mathematik, Braunschweig/Wiesbaden, Friedr.
Vieweg & Sohn, 1985, vi+103 S. ISBN 3-528-07258-X.

[5] St. Funken, Numerik I — Einführung in die Numerische Lineare Algebra,

Vorlesungsskript,
[Link]
[Link].070/ws11−12/Numerik1/numerik1a−[Link]

[6] W. Klingenberg, Lineare Algebra und Geometrie, 3. Aufl., Springer-

Lehrbuch, Berlin, Springer-Verlag, 1992, xiii+293 S. ISBN 978-3-642-
77646-5.

[7] H. Kurzweil, Endliche Körper. Verstehen, Rechnen, Anwenden, 2. überarb.

Aufl., Springer-Lehrbuch, Berlin, Springer, 2008, xi+178 S. ISBN 978-3-
540-79597-1/pbk.

[8] A. Schmitt, Analysis I, Vorlesungsskript,

[Link]

207
Literaturhinweise

[9] A. Schmitt, Algebra und Zahlentheorie, Vorlesungsskript,

[Link]

[10] A. Schmitt, Algebra I, Vorlesungsskript,

[Link]

[11] A. Schmitt, Funktionentheorie, Vorlesungsskript,

[Link]

[12] H.-P. Tuschik, H. Wolter, Mathematische Logik – kurzgefaßt, 2. Aufl., Spek-

trum Hochschultaschenbuch, Heidelberg, Spektrum Akademischer Ver-
lag, 2002, viii+214 S. ISBN 3-8274-1387-7/pbk.

208
Stichwortverzeichnis

Abbildung, 36 der Skalarmultiplikation, 14, 59

duale —, 119 für Abbildungen, 41
identische —, 38 für Gruppen, 43
inverse —, 41 assoziierte lineare Abbildung, 110
Polynom- —, 161 aufzählende Form, 33
transponierte —, 119 Austauschlemma, 72
abelsche Gruppe, 44, 49 Auswertungsabbildung, 92, 178
Abspaltung eines Linearfaktors, 162 axiomatische Mengenlehre, 32
Addition Basis, 68
in einem Ring, 48 duale —, 120
in einem Vektorraum, 59 durchnummerierte —, 86
von Matrizen, 166 bijektiv, 39
von Tupeln, 8 Bild, 36, 37
ähnliche Matrizen, 156
algebraisch abgeschlossener Körper, Cantor, 31
163 Cayley, 181
algebraische Vielfachheit eines Satz von — -Hamilton, 181
Eigenwerts, 171 charakteristisches Polynom
Algorithmus für die Jordansche Nor- einer Matrix, 167
malform, 193, 199 eines Endomorphismus, 171
allgemeine lineare Gruppe, 109 Nullstellen des —n —s, 168
eines Vektorraums, 86 Cramer, 149
Cramersche Regel
alternierend, 133
für die Matrixinversion, 149
alternierende Gruppe, 131
für Gleichungssysteme, 150
äquivalente Matrizen, 155
Äquivalenzklasse, 52 Darstellungsmatrix, 110
Äquivalenzrelation, 52, 155, 156 De Morgan, 36
Assoziativgesetz, 14 De Morganschen Gesetze, 36
der Addition, 14 Descartes, 35

209
Stichwortverzeichnis

Determinante, 3, 133, 143 Basis, 120

eines Endomorphismus, 142 Dualraum, 119
und Rang, 106 durchnummerierte Basis, 86
Vandermonde- —, 153 Durchschnitt, 34
Determinanten von Elementarmatri-
zen, 136 Ebene, 11, 13
Determinantenabbildung, 132, 166 Eigenraum, 157
Eindeutigkeit der —, 138 verallgemeinerter —, 196
Existenz der —, 138 Eigenvektor, 157
Diagonale, 38 Eigenwert, 157
diagonalisierbare Matrix, 158 algebraische Vielfachheit
diagonalisierbarer Endomorphis- eines —s, 171
mus, 158 geometrische Vielfachheit
Diagonalisierbarkeit eines —s, 171
Kriterium für —, 173 eindeutig lösbar, 8
Diagonalisierung einfache Nullstelle, 175
Einheit, 117
Verfahren zur —, 175
Einheitsmatrix, 80
Diagonalmatrix, 158
Eins-Zwei-Drei-Verfahren, 164
Differenz, 34
Element einer Menge, 32
Dimension, 7, 26, 72
Elementarmatrix, 104, 166, 173
Dimensionsformel
Elementarmatrizen und Zeilen- und
für lineare Abbildungen, 90, 98
Spaltenoperationen, 105
für Unterräume, 93
endlichdimensional, 72
direkte Summe, 63
endlicher Körper, 165
von Unterräumen, 64
Endomorphismenring
disjunkte Vereinigung, 53
eines Vektorraums, 85
Diskriminante, 175
Endomorphismus, 85
Distributivgesetz, 14 diagonalisierbarer —, 158
erstes —, 14 Eigenvektor eines —, 157
zweites —, 14 Eigenwert eines —, 157
Distributivgesetze halbeinfacher —, 158
der Mengenlehre, 34, 35 nilpotenter —, 186
der Skalarmultiplikation, 60 Potenzen eines —, 179
in einem Ring, 49 trigonalisierbarer —, 184
Division mit Rest, 48, 55 erweiterte Koeffizientenmatrix, 19
im Polynomring, 161 Erzeugendensystem, 65
Drehung, 81, 170 minimales —, 70
Dreiecksmatrix Evaluationsabbildung, 178
obere —, 152, 184 Extensionalitätsaxiom, 32
duale
Abbildung, 119 Faktorgruppe, 54

210
Stichwortverzeichnis

Familie identische Abbildung, 38

von Elementen, 38 Identität, 38, 45
von Teilmengen, 38 Indexmenge, 38
fast alle, 63 Induktionsanfang, 36
Fehlstand, 128 Induktionsschritt, 36
frei, 67 inhomogenes Gleichungssystem, 9
Fundamentalsatz der Algebra, 163 injektiv, 39
inverse
ganze Zahlen, 32 Abbildung, 41, 45
Gauß, 1 Matrix, 107
Gauß-Algorithmus, 1, 153 inverses Element, 14
geometrische Vielfachheit in einer Gruppe, 44
eines Eigenwerts, 171 invertierbare
ist kleiner gleich algebraische Matrix, 107
Vielfachheit, 172 Matrizen über Z, 173
und Ähnlichkeit, 172 isomorph, 87
geordnetes Paar, 35 Isomorphismus, 79, 85
Gerade, 5, 11, 13 von Ringen, 57
gerade Permutation, 130
Gleichungssystem, 9 Jordan, 189
homogenes —, 6, 9 Jordan-Block, 189
inhomogenes —, 9 Jordan-Blockmatrix, 189
Grad eines Polynoms, 160 Jordansche Normalform, 196
Graph, 37 Algorithmus für die — —, 193,
Gruppe, 43 199
abelsche —, 44, 49 Satz über die — —, 195
allgemeine lineare —, 109
alternierende —, 131 kartesisches Produkt, 35
kommutative —, 44 Kern, 78
symmetrische —, 123 Kirchhoff, 29
zyklische —, 47 Kirchhoffsche Regeln, 29
Gruppenhomomorphismus, 125 Klein, 47
kleiner Satz von Fermat, 57
halbeinfacher Endomorphis- Kleinsche Vierergruppe, 47
mus, 158 Knotenregel, 29
Hamilton, 181 Koeffizient, 9
Satz von Cayley- —, 181 Koeffizientenmatrix, 19
homogenes Gleichungssystem, 6, 9 Kokern, 98
Homomorphiesatz, 96 kommutative Gruppe, 44
Homomorphismus, 76 kommutativer Ring, 49, 166
Gruppen- —, 125 kommutatives Diagramm, 110
Homothetie, 77 Kommutativgesetz, 13

211
Stichwortverzeichnis

in einer Gruppe, 44 Linearfaktor

Komplement, 36 Abspaltung eines —s, 162
komplementäre Matrix, 144, 167 zerfällt in —en, 163
Komposition von Abbildungen, 39 Linearkombination, 64
Komprehension, 33 Linkstranslation, 48
kongruent, 94 Lösungsmenge, 2, 9
Koordinaten, 2
Körper, 1 Maschenregel, 29
algebraisch abgeschlosse- Matrix, 3, 9
ner —, 163 diagonalisierbare —, 158
der komplexen Zahlen, 50 Eigenvektor einer —, 157
endlicher —, 165 Eigenwert einer —, 157
mit vier Elementen, 51 inverse —, 107
mit zwei Elementen, 50 invertierbare —, 107
Kriterium komplementäre —, 144, 167
für Diagonalisierbarkeit, 173 nilpotente —, 186
für Trigonalisierbarkeit, 184 Potenzen einer —, 179
Kronecker, 80 Spur einer —, 167, 173
Kronecker-Delta, 80 transponierte —, 120
trigonalisierbare —, 184
Laplace, 146 Matrixmultiplikation, 166
Laplace-Entwicklung, 146, 167 Matrizen, 166
leere Menge, 2, 32 Addition von —, 166
Leibniz, 138 ähnliche —, 156
Leibnizformel, 138 äquivalente —, 155
linear Skalarmultiplikation bei —, 166
abhängig, 67 über Z, 173
unabhängig, 67 über einem Ring, 166
unabhängige Teilmenge maximale linear unabhängige Teil-
maximale — — —, 70 menge, 70
lineare Menge, 31
Abbildung, 76 der Äquivalenzklassen, 52
assoziierte — —, 110 der ganzen Zahlen, 32
Hülle, 14, 64, 66 der natürlichen Zahlen, 32
linearer der rationalen Zahlen, 32
Isomorphismus, 79 der reellen Zahlen, 32
Teilraum, 11, 61 leere —, 2, 32
Unterraum, 11 minimales Erzeugendensystem, 70
lineares Minimalpolynom, 182
Erzeugnis, 64 Nullstellen des —s, 183
Gleichungssystem, 9 teilt charakteristisches Polynom,
Komplement, 88 183

212
Stichwortverzeichnis

Modul über einem Ring, 166 ungerade —, 130

Multiplikation Polynom, 160
in einem Ring, 48 charakteristisches —, 167, 171
mit einer natürlichen Zahl, 38 Grad eines —s, 160
Multiplizität einer Nullstelle, 162 normiertes —, 167
Nullstelle eines —s, 162
natürliche Zahlen, 32 Polynomabbildung, 161
Neutralelement, 13 Polynome vom Grad zwei, 164
in einer Gruppe, 44 Polynomring, 160
nilpotente Matrix, 186
Division mit Rest im —, 161
nilpotenter Endomorphismus, 186
Potenzen
Normalteiler, 55
einer Matrix, 179
normiert, 133
eines Endomorphismus, 179
normiertes Polynom, 167
Potenzmenge, 35
nulldimensional, 7
Prinzip
Nullring, 49, 85
der vollständigen Induktion, 36
Nullstelle
vom kleinsten Element, 48
eines Polynoms, 162
Produkt, 9
einfache —, 175
von Matrizen, 101, 166
Multiplizität einer —, 162
Vielfachheit einer —, 162 Quotientenvektorraum, 94
Nullstellen
des charakteristischen Poly- Rang
noms, 168 einer linearen Abbildung, 81
des Minimalpolynoms, 183 einer Matrix, 91
Nullteilerfreiheit, 49 Spalten- —, 75
Nulltupel, 8 Zeilen- —, 75
Nullvektor, 8 rationale Zahlen, 32
Rechtstranslation, 48
obere Dreiecksmatrix, 152, 184
reelle Zahlen, 32
Ohm, 29
Reflexivität einer Relation, 52
Ohmsche Gleichung, 29
Regel
parallel, 6 Cramersche —, 149, 150
Parallelverschiebung, 13 von Sarrus, 140
Parität, 128 Relation, 52
Partition Repräsentantensystem
einer natürlichen Zahl, 189 vollständiges —, 52
Jordan-Blockmatrix zu einer —, Ring, 48
189 der formalen Potenzreihen, 52
Peano-Axiome, 36 der (n × n)-Matrizen, 102
Permutation, 123 kommutativer —, 49, 166
gerade —, 130 Modul über einem —, 166

213
Stichwortverzeichnis

Polynom- —, 160 triviale Lösung, 6, 25

Tupel, 8
Sarrus, 140 Addition, 8
Regel von —, 140 Null- —, 8
Satz Skalarmultiplikation, 9
über die Jordansche Normal-
form, 195 Umkehrabbildung, 41
von Cayley–Hamilton, 181 unabhängige Bedingungen, 7
Schar, 8 Unbestimmte, 160
Schnittpunkt, 6 unendlichdimensional, 72
Skalarmultiplikation, 9, 59 ungerade Permutation, 130
bei Matrizen, 166 unterbestimmt, 25
Spaltenoperation, 28 Untergruppe, 47
Spaltenrang, 75 Untermenge, 32
gleich Zeilenrang, 91, 122 Unterraum, 11
Spaltenvektor, 8 Unterring, 52
spezielle Lösung, 11 Untervektorraum, 61
Spur einer Matrix, 167, 173 Urbild, 37
Steinitz, 73
Steinitzscher Austauschsatz, 73 Vandermonde, 153
Summe, 8 Vandermonde-Determinante, 153
von Unterräumen, 64 Vektor
surjektiv, 39 Null- —, 8
Symmetrie einer Relation, 52 Vektorraum, 10, 59
symmetrische der Matrizen, 61
Gruppe, 123 der Zeilenvektoren, 75
als Untergruppe der allgemei- Vektorraum-Homomorphismus, 76
nen linearen Gruppe, 128 verallgemeinerter Eigenraum, 196
Mengendifferenz, 35 Zerlegung in —e —e, 196
Vereinigung, 34
Teilmenge, 32 disjunkte —, 53
Teilraum, 11 Verfahren zur Diagonalisierung, 175
Transitivität einer Relation, 52 Verknüpfung von Abbildungen, 39
transponierte Verknüpfungstabelle, 45
Abbildung, 119 Vielfachheit
Matrix, 120 algebraische —, 171
Transposition, 124 einer Nullstelle, 162
trigonalisierbare Matrix, 184 geometrische —, 171
trigonalisierbarer Endomorphismus, vollständiges Repräsentanten-
184 system, 52
Trigonalisierbarkeit Vorzeichen, 128
Kriterium für —, 184 einer Transposition, 130

214
Stichwortverzeichnis

Wohldefiniertheit, 54

Zeilenrang, 75
gleich Spaltenrang, 91, 122
Zeilenstufenform, 16, 26
ist nicht eindeutig, 19
Zeilenumformung, 14
zentrische Streckung, 9
zerfällt in Linearfaktoren, 163
Zerlegung in verallgemeinerte Eigen-
räume, 196
Zorn, 123
Zornsches Lemma, 123
Zwischenwertsatz, 39
zyklische Gruppe, 47

215

Das könnte Ihnen auch gefallen

Lineare Algebra 1 Grundlagen Für Studierende Der Mathematik Und Physik 2nd Edition ISBN 9783662632628, 3662632624 Illustrated Ebook Download
Noch keine Bewertungen
Lineare Algebra 1 Grundlagen Für Studierende Der Mathematik Und Physik 2nd Edition ISBN 9783662632628, 3662632624 Illustrated Ebook Download
15 Seiten
测渡论习题答案 9664533b580216fc700afde2
Noch keine Bewertungen
测渡论习题答案 9664533b580216fc700afde2
55 Seiten
Unterrichtsplan (Exponentialungleichung)
Noch keine Bewertungen
Unterrichtsplan (Exponentialungleichung)
8 Seiten
Haushaltsplan Für Die Arbeit in Mathe 9
Noch keine Bewertungen
Haushaltsplan Für Die Arbeit in Mathe 9
6 Seiten
Ähnliche Figuren
Noch keine Bewertungen
Ähnliche Figuren
8 Seiten
Hiia Colegi Oadua
Noch keine Bewertungen
Hiia Colegi Oadua
9 Seiten
Formelsammlung GleichungenUngleichungen V2
Noch keine Bewertungen
Formelsammlung GleichungenUngleichungen V2
2 Seiten
Basistext-Gleichungen Ungleichungen
Noch keine Bewertungen
Basistext-Gleichungen Ungleichungen
4 Seiten
6DE Übungsblatt 3 Orthogonalität Mit Lösung
Noch keine Bewertungen
6DE Übungsblatt 3 Orthogonalität Mit Lösung
2 Seiten
Chapter4: Exponential and Logarithmic Functions 4.4: Exponential and Logarithmic Equations
Noch keine Bewertungen
Chapter4: Exponential and Logarithmic Functions 4.4: Exponential and Logarithmic Equations
11 Seiten
Merkhilfe BK
100% (1)
Merkhilfe BK
6 Seiten
Screenshot 2025-05-27 at 09.00.13
Noch keine Bewertungen
Screenshot 2025-05-27 at 09.00.13
12 Seiten
Analysis kompakt für Dummies 2nd Edition ISBN 9783527720927, 3527720928 No-Wait Download
Noch keine Bewertungen
Analysis kompakt für Dummies 2nd Edition ISBN 9783527720927, 3527720928 No-Wait Download
15 Seiten
Gleich Quadratische Gleichungen
Noch keine Bewertungen
Gleich Quadratische Gleichungen
17 Seiten
Dirk Werner
Noch keine Bewertungen
Dirk Werner
322 Seiten
01 Algebra Und Bruchterme
Noch keine Bewertungen
01 Algebra Und Bruchterme
2 Seiten
Lehrplan Für Das Erste Jahr
Noch keine Bewertungen
Lehrplan Für Das Erste Jahr
7 Seiten
ECET Mathematik Lehrplan
Noch keine Bewertungen
ECET Mathematik Lehrplan
3 Seiten
Gleichungen Mit Laengeren Angaben - Arbeitsblatt
Noch keine Bewertungen
Gleichungen Mit Laengeren Angaben - Arbeitsblatt
1 Seite
Gleichungen Mit Laengeren Angaben - Arbeitsblatt
100% (1)
Gleichungen Mit Laengeren Angaben - Arbeitsblatt
1 Seite
Mathematik für Informatiker Band 2 Analysis und Statistik ISBN 9783540280644, 3540280642 One-Click Download
Noch keine Bewertungen
Mathematik für Informatiker Band 2 Analysis und Statistik ISBN 9783540280644, 3540280642 One-Click Download
15 Seiten
Wissenschaftliches Rechnen ISBN 9783540784944, 3540784942 Instant Download
Noch keine Bewertungen
Wissenschaftliches Rechnen ISBN 9783540784944, 3540784942 Instant Download
16 Seiten
01 Math-Tutorial Ge
Noch keine Bewertungen
01 Math-Tutorial Ge
84 Seiten
Arbeitsbuch Höhere Mathematik in Rezepten, 2nd Edition ISBN 9783662535097, 3662535092 Complete Chapter Download
Noch keine Bewertungen
Arbeitsbuch Höhere Mathematik in Rezepten, 2nd Edition ISBN 9783662535097, 3662535092 Complete Chapter Download
14 Seiten
Basiswissen Angewandte Mathematik Numerik, Grafik, Kryptik Eine Einführung mit Aufgaben, Lösungen, Selbsttests und interaktivem Online Tool 2nd Edition ISBN 9783658300272, 3658300272 Digital DOCX Download
Noch keine Bewertungen
Basiswissen Angewandte Mathematik Numerik, Grafik, Kryptik Eine Einführung mit Aufgaben, Lösungen, Selbsttests und interaktivem Online Tool 2nd Edition ISBN 9783658300272, 3658300272 Digital DOCX Download
15 Seiten
Finite Elemente in Der Strukturmechanik ISBN 9783540618362, 3540618368 Total Access Ebook
Noch keine Bewertungen
Finite Elemente in Der Strukturmechanik ISBN 9783540618362, 3540618368 Total Access Ebook
15 Seiten
Arbeitsbuch Mathematik für Wirtschaftswissenschaftler ISBN 9783662482513, 3662482517 Free Download
Noch keine Bewertungen
Arbeitsbuch Mathematik für Wirtschaftswissenschaftler ISBN 9783662482513, 3662482517 Free Download
14 Seiten
XXAN2
Noch keine Bewertungen
XXAN2
346 Seiten
Ingmathe2 Article
Noch keine Bewertungen
Ingmathe2 Article
151 Seiten
Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab ISBN 9783642009471, 3642009476 Full Text EPUB
Noch keine Bewertungen
Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab ISBN 9783642009471, 3642009476 Full Text EPUB
15 Seiten
Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab, 4th Edition ISBN 9783662574669, 3662574667 Updated Edition Download
Noch keine Bewertungen
Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab, 4th Edition ISBN 9783662574669, 3662574667 Updated Edition Download
14 Seiten
Arbeitsbuch Mathematik für Wirtschaftswissenschaftler 2nd Edition ISBN 9783662681992, 3662681994 Instant EPUB Download
Noch keine Bewertungen
Arbeitsbuch Mathematik für Wirtschaftswissenschaftler 2nd Edition ISBN 9783662681992, 3662681994 Instant EPUB Download
14 Seiten
(Hütte) Dr.-Ing. István Szabó, Dipl.-Ing. Wolfgang Zander, Dr. Rer. Nat. Karl Wellnitz (Auth.) - Mathematik-Springer-Verlag Berlin Heidelberg (1974)
Noch keine Bewertungen
(Hütte) Dr.-Ing. István Szabó, Dipl.-Ing. Wolfgang Zander, Dr. Rer. Nat. Karl Wellnitz (Auth.) - Mathematik-Springer-Verlag Berlin Heidelberg (1974)
392 Seiten
01 Math-Tutorial Ge-En
Noch keine Bewertungen
01 Math-Tutorial Ge-En
112 Seiten
Hmi I II Skript 20240324
Noch keine Bewertungen
Hmi I II Skript 20240324
417 Seiten
Algebra 10th Edition ISBN 9783662674635, 3662674637 Instant Access
Noch keine Bewertungen
Algebra 10th Edition ISBN 9783662674635, 3662674637 Instant Access
16 Seiten
Dynamische Systeme Modellierung mit den Methoden der Laplace Transformation ISBN 9783658181840, 3658181842 Secure eBook Download
Noch keine Bewertungen
Dynamische Systeme Modellierung mit den Methoden der Laplace Transformation ISBN 9783658181840, 3658181842 Secure eBook Download
17 Seiten
Kronecker Vol 2-61-70
Noch keine Bewertungen
Kronecker Vol 2-61-70
10 Seiten
Konzept Der Gleichung
Noch keine Bewertungen
Konzept Der Gleichung
5 Seiten
Verständnisvoll Lernen
Noch keine Bewertungen
Verständnisvoll Lernen
4 Seiten
MMP 1
Noch keine Bewertungen
MMP 1
6 Seiten
Lehrplan Des MSC Mathematik CUJ
Noch keine Bewertungen
Lehrplan Des MSC Mathematik CUJ
30 Seiten
Vorlesung Analysis 6
Noch keine Bewertungen
Vorlesung Analysis 6
2 Seiten
Current
Noch keine Bewertungen
Current
119 Seiten
Physik Formelsammlung
Noch keine Bewertungen
Physik Formelsammlung
44 Seiten
Zusammenfassung PDF
Noch keine Bewertungen
Zusammenfassung PDF
32 Seiten
Mathematische Grundlagen Inhalt
Noch keine Bewertungen
Mathematische Grundlagen Inhalt
2 Seiten
Übungsbuch zur angewandten Wirtschaftsmathematik Aufgaben, Testklausuren und Lösungen - 7th Edition ISBN 9783834805126, 3834805122 Complete DOCX Download
Noch keine Bewertungen
Übungsbuch zur angewandten Wirtschaftsmathematik Aufgaben, Testklausuren und Lösungen - 7th Edition ISBN 9783834805126, 3834805122 Complete DOCX Download
17 Seiten
Neues Microsoft Word-Dokument
Noch keine Bewertungen
Neues Microsoft Word-Dokument
3 Seiten
mathe_3_0_et
Noch keine Bewertungen
mathe_3_0_et
6 Seiten
Trfgefwgrg
Noch keine Bewertungen
Trfgefwgrg
325 Seiten
SkriptAnalysis Welter OhneAnmerkungen 1
Noch keine Bewertungen
SkriptAnalysis Welter OhneAnmerkungen 1
312 Seiten
Analysis Skrip T
Noch keine Bewertungen
Analysis Skrip T
140 Seiten
Der Leitfaden Des Mathematik-Zauberers
Noch keine Bewertungen
Der Leitfaden Des Mathematik-Zauberers
2 Seiten
Funktionentheorie ISBN 9783034801683, 3034801688 Fast Download
Noch keine Bewertungen
Funktionentheorie ISBN 9783034801683, 3034801688 Fast Download
15 Seiten
Funktionentheorie - 2nd Edition ISBN 9783034809733, 3034809735 Ebook Download
Noch keine Bewertungen
Funktionentheorie - 2nd Edition ISBN 9783034809733, 3034809735 Ebook Download
15 Seiten
Mathematik für Wirtschaftswissenschaftler 1 Grundzüge der Analysis Funktionen einer Variablen, 5th Edition ISBN 9783528472382, 3528472383 Digital Download
Noch keine Bewertungen
Mathematik für Wirtschaftswissenschaftler 1 Grundzüge der Analysis Funktionen einer Variablen, 5th Edition ISBN 9783528472382, 3528472383 Digital Download
14 Seiten
Stoff Für Die 3. Mathematik Schularbeit
Noch keine Bewertungen
Stoff Für Die 3. Mathematik Schularbeit
1 Seite
Mathematik Für Informatiker
Noch keine Bewertungen
Mathematik Für Informatiker
669 Seiten
Kowalsky Michler Lineare Algebra
Noch keine Bewertungen
Kowalsky Michler Lineare Algebra
432 Seiten
SG Easiwood Flyer de 01-2019
Noch keine Bewertungen
SG Easiwood Flyer de 01-2019
2 Seiten
Lehrplan Für Grundschul - Und Sekundarstufen-Mathematik
Noch keine Bewertungen
Lehrplan Für Grundschul - Und Sekundarstufen-Mathematik
8 Seiten
Guia 2. PFQ 9. Leyes de Gases
Noch keine Bewertungen
Guia 2. PFQ 9. Leyes de Gases
8 Seiten
Analysis Zusammenfassung
Noch keine Bewertungen
Analysis Zusammenfassung
12 Seiten
Rothe Erde ST e F I S SCHW NL Rus D
Noch keine Bewertungen
Rothe Erde ST e F I S SCHW NL Rus D
20 Seiten
02 Normale Und Scherkräfte
Noch keine Bewertungen
02 Normale Und Scherkräfte
5 Seiten

Skript LAI

Hochgeladen von

Skript LAI

Hochgeladen von

Skript zur Vorlesung Lineare Algebra I“

Berlin, Wintersemester 2013/2014

III Vektorräume und lineare Abbildungen . . . . . . . . . . . . . . . . . 59

V Eigenwerte und -vektoren . . . . . . . . . . . . . . . . . . . . . . . . . 155

einander verbinden. Dies geschieht in der linearen Funktionalanalysis.

Lineare Gleichungssysteme treten in vielen Bereichen der Mathematik, Natur-

Wir betrachten das Gleichungssystem

Fall 0: a = b = c = d = 0. — Dann gibt es offenbar zwei Möglichkeiten. Entwe-

(ad − bc) · y = af − ec. (I.3)

Definition I.1.2. Ein Zahlenschema

det(M) := δ(a, b, c, d) := ad − bc.

Damit lässt sich Gleichung (I.3) schreiben als

δ(a, b, c, d) · y = δ(a, e, c, f). (I.4)

erhalten. Ebenso errechnet man

δ(a, b, c, d) · x = −δ(b, e, d, f).

Wir unterscheiden nun zwei weitere Fälle.

Fall A: δ(a,b,c,d) 6= 0. — In diesem Fall berechnet man

Das Gleichungssystem besitzt also genau eine Lösung,

Fall B: δ(a,b,c,d) = 0. — Auf Grund von Bemerkung I.1.3 gilt L = ∅, falls3

Abbildung I.2: Die Lösungsmenge im Fall B.

Bemerkung I.1.4. Dem Gleichungssystem (I.1) hatten wir die Matrix

zugeordnet. Der Vertauschung der beiden Gleichungen entspricht auf Matri-

δ(a, b, c, d) = ad − bc = −(cb − da) = −δ(c, d, a, b).

Der Umbenennung der Variablen entspricht die Operation

Gilt a = b = e = 0, so finden wir G1 = K2 . Falls a = b = 0 und e 6= 0, dann

ebenfalls eine Gerade in K2 .

Abbildung I.3: Der Schnitt zweier nicht paralleler Geraden.

Zusammenfassung. — Aus unseren Überlegungen erhalten wir folgende Aus-

Fall Bedingung an die Koeffizienten Gestalt von L

Fall Bedingung an die Koeffizienten Gestalt von L

Legt man den anschaulichen Dimensionsbegriff zu Grunde, nach dem K2 zwei-

2. Es gibt eine Zahl λ ∈ K, so dass c = λ · a und d = λ · b oder a = λ · c und

3. Es gibt eine Zahl λ ∈ K, so dass b = λ · a und d = λ · c oder a = λ · b und

iv) Ein lineares (m × n)-Gleichungssystem besteht aus m Gleichungen

a11 · x1 + a12 · x2 + · · · + a1n · xn = b1

in den Unbestimmten x1 ,...,xn . Die Koeffizienten aij , i = 1, ..., m, j = 1, ..., n, sowie

ein und die Elemente b1 ,...,bm in das m-Tupel

Falls b = 0m gilt, nennen wir das Gleichungssystem homogen, ansonsten inho-

Abbildung I.4: Addition von Vektoren im R2 .

Abbildung I.5: Skalarmultiplikation im R2 .

Die Lösungsmengen homogener Gleichungssysteme weisen eine zusätzliche

• s, t ∈ L(A, 0) =⇒ s + t ∈ L(A, 0) und

• s ∈ L(A, 0), a ∈ K =⇒ a · s ∈ L(A, 0).

Die Lösungsmenge eines homogenen Gleichungssystems erbt also vom Kn

Definition I.2.5. Eine Teilmenge U ⊆ Kn wird linearer Teilraum oder Unterraum

Lemma I.2.7. Es sei s0 ∈ L(A, b). Dann gilt

Man erhält also sämtliche Lösungen eines inhomogenen Gleichungssystems, in-

Daraus ergibt sich

(s1 − s01 ) · v1 + · · · + (sn − s0n ) · vn = 0.

i = 1, ..., m. Somit gilt

erfüllt. Daher gilt auch

(s01 + t1) · v1 + · · · + (s0n + tn) · vn = b.

Zeigen Sie, dass h v1 , ..., vl i ein linearer Unterraum von Kn ist.

I.3 Zeilenumformungen von Matrizen

Wir betrachten die Zeilenumformungen vom Typ:

(ZII) Vertauschung zweier Zeilen;

(ZIII) Multiplikation einer Zeile mit einem Element a ∈ K∗ := K \ {0}.

Beispiele I.3.2. i) In der Matrix

ii) In der Matrix  

iii) In der Matrix  

b) dij = 0 für i = 1, ..., r und 1 ≤ j < ji ;

c) dij = 0 für alle i > r und j = 1, ..., q.

C′ hat folgende Form:

Jetzt können wir das (−c′′′

So fortfahrend erhält man schließlich die geforderte Matrix D.

Diese Matrix kann noch in die Matrix

I.4 Das Gaußsche Lösungsverfahren

L(A, b) = L(A′ , b′).

a′j1 · s1 + · · · + a′jn · sn = b′j

überprüfen. Nach Definition lautet diese Gleichnung

(aj1 + aai1 ) · s1 + · · · + (ajn + aain ) · sn = bj + abi .

Diese gilt offensichtlich, da s ∈ L(A, b)

aai1 · s1 + · · · + aain · sn = abi ,

b′r+1 = · · · = b′m = 0 (I.6)

b) Sind die sji für i > i0 bestimmt, dann ist

Wir können die durch A und b bzw. A und c definierten Gleichungssysteme

iii) In der Matrix