Upload
duongkien
View
238
Download
2
Embed Size (px)
Citation preview
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
LINEAIRE ALGEBRA
Eric JespersVrije Universiteit Brussel
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Referentie:
David C. Lay, Linear Algebra and Its Applications, Fourth edition,Pearson International Edition, 2012, ISBN: 9781408287859
verplicht materiaal en online registreren, zie uitleg op pointcare bijwpo
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Evaluatie
I 20%: taak (weken 8 en 12), moet online geregistreerd worden,een deel wordt elektronisch afgelegd
I 80% examen: vooral schriftelijk, begrijpen van concepten entechnische vaardigheden
I WPO: verplicht deelname (telkens deelname bevestigen)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Inhoud Cursus
1. Lineaire Vergelijkingen in Lineaire Algebra
2. Matrix Algebra
3. Determinanten
4. Vectorruimten
5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Inhoud Cursus
1. Lineaire Vergelijkingen in Lineaire Algebra
2. Matrix Algebra
3. Determinanten
4. Vectorruimten
5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Inhoud Cursus
1. Lineaire Vergelijkingen in Lineaire Algebra
2. Matrix Algebra
3. Determinanten
4. Vectorruimten
5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Inhoud Cursus
1. Lineaire Vergelijkingen in Lineaire Algebra
2. Matrix Algebra
3. Determinanten
4. Vectorruimten
5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Inhoud Cursus
1. Lineaire Vergelijkingen in Lineaire Algebra
2. Matrix Algebra
3. Determinanten
4. Vectorruimten
5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.1 Systeem van Lineaire Vergelijkingen
Definitie
Lineaire Vergelijking in veranderlijken x1, x2, . . . , xn:
a1x2 + a2x2 + · · ·+ anxn = b,
met b en de coefficienten a1, . . . an ∈ R of in C.
Definitie
Systeem van lineaire vergelijkingen, (lineair systeem) is eencollectie van lineaire vergelijkingen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een oplossing van een lineair systeem is een n-tal (s1, . . . sn) datvoldoet aan elke lineaire vergelijking. De verzameling die bestaatuit alle mogelijke oplossingen noemt men deoplossingenverzameling.
Voorbeelden:{x1 − 2x2 = −1
−x1 + 3x2 = 3 + x2
{x1 − 2x2 = −1
−x1 + 3x2 = 3 + x2
{x1 − 2x2 = −1−x1 + 2x2 = 1
Niet lineaire voorbeelden:
4x1 − x2 = x1x2 x2 −√
x1 = 7
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Mogelijk Aantal Oplossingen:
1. geen, inconsistent systeem
2. exact een, consistent systeem
3. oneindig veel consistent systeem
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld{x1 + x2 = 10−x1 + x2 = 0
{x1 − 2x2 = −32x1 − 4x2 = 8
{x1 + x2 = 3
−2x1 − 2x2 = −6
twee snijdende rechten twee parallelle rechten twee gelijke rechten
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Analoog in de ruimte R3: drie vlakken (drie lineaire vergelijkingenin 3 veranderlijken) snijden in 1 punt, oneindig veel punten (eenrechte of een vlak) of geen enkel punt.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Coefficientenmatrix van een lineair systeem en Uitgebreide Matrixvan een lineair systeemVoorbeeld:
x1 − 2x2 + x3 = 02x2 − 8x3 = 8
−4x1 + 5x2 + 9x3 = −9 1 −2 10 2 −8−4 5 9
en
1 −2 1 00 2 −8 8−4 5 9 −9
Een m× n-matrix is een rechthoekige lijst van getallen met m-rijenen n-kolommen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oplossen van een stelsel en elementaire rij operaties: Gausseliminatie
1. Vervang een rij door een veelvoud van een andere rij erbijop te tellen (rij operatie)
2. Verwissel twee rijen.
3. Vermenigvuldig een rij met een niet-nul constante.Twee matrices zijn rij equivalent als de ene uit de andereverkregen wordt door opeenvolgende rijoperaties.
Eigenschap
Als de uitgebreide matrices van twee lineaire stelsels dezelfde zijndan hebben beide stelsels dezelfde oplossing.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld: stelsel en matrixnotatie{x1 − 2x2 = −1−x1 + 3x2 = 3{
x1 − 2x2 = −1x2 = 2 (R2 → R2 + R1){x1 = 3 (R1 → R1 + 2R2)x2 = 2
[1 −2 −1−1 3 3
]−→
[1 −2 −10 1 2
](R2 → R2 + R1)
[1 0 30 1 2
](R1 → R1 + 2R2)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.2 Rijreductie en echalonvorm
Definitie
Een matrix is in (rij) echelonvorm als er voldaan is aan de volgendevoorwaarden:
1. alle niet nul rijen staan boven volledige nul rijen
2. elke kop positie (d.w.z. de eerste niet nul positie in een rij)in een rij is in een kolom rechts van de kop positie van de rijerboven.
3. alle posities in een kolom beneden een kop positie zijn nul
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
De matrix is in gereduceerde echalonvorm als er bovendien voldaanis aan
4. de kop positie in elke rij is 1
5. elke kop positie is de enige niet nul positie in een kolom.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Een matrix is rij equivalent met precies een gereduceerde echalonmatrix.
Spil (pivot) positie van een matrix A: eerste niet nul (en dus een)plaats in een rij.Spil (Pivot) kolom van een matrix A: een kolom van A die een spil(pivot) positie bevat
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Rijreductie algorithme
vijf stappen om een matrix A om te vormen in een geruduceerderijechalonvorm via rijoperaties:
1. Begin met de meest linkse niet nul kolom (spilkolom)
2. Kies een spil (pivot) element in de spil (pivot) kolom endoor rijen te verwisselen breng het in de spilpositie.
3. Gebruik rij operaties om alle posities onder de spil nul temaken.
4. Vergeet de rij (en alle erboven) die de een spilpositie bevat.Pas stappen 1-3 toe op de overblijvende matrix.
5. Beginnende met de meest rechtse spil maak alle positiesboven de spil nul (door rij operaties; en herhaal dit procesdoor naar links op zoek te gaan naar de volgende spil. Als eenspil niet 1 is maak het dan 1 door een rij met een scalair tevermenigvuldigen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oplossen van een lineair stelsel
Via rijreductie van de uitgebreide matrix. Gevolg ( basisveranderlijken en vrije veranderlijken): een parametrischebeschrijving van de oplossingenverzameling.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Een lineair systeem is consistent als en slecht als meeste rechtsekolom van de uitgebreide matrix is geen spil (pivot) kolom. D.w.z.de uitgebreide matrix heeft GEEN rij van de vorm
[0 0 · · · 0 b] met b 6= 0.
Als een lineair systeem consistent is dan (1) is er een uniekeoplossing als er geen vrije veranderlijken zijn of (2) er zijn oneindigveel oplossingen wanneer er tenminste een vrije veranderlijke is.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.3 Vectorvergelijkingen
Vectoren in Rn
Een kolomvector (een vector) v is een n × 1-matrix met posities inR. (Dus een geordend n-tal in kolomvorm.)De nulvector 0 is de nulkolom.gelijkheid van vectoren
v =
v1
v2...vn
= u =
u1
u2...
un
⇐⇒v1 = u1
v2 = u2...
vn = un
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Bewerkingen met vectoren
I SOM
v + u ==
v1
v2...vn
+
u1
u2...
un
=
v1 + u1
v2 + u2...
vn + un
I SCALAIR VEELVOUD, c ∈ R,
cv =
cv1
cv2...
cvn
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
In handgeschreven teksten schrijven wij
v
alsv
of als−→v
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Voor alle u, v,w ∈ Rn en alle scalairen c , d ∈ R:
u + v = v + u commutatief c(u + v) = cu + cv
(u + v) + w = u + (v + w) associatief (c + d)u = cu + du
u + 0 = 0 + u = u c(du) = (cd)u
u + (−u) = −u + u = 0 1u = u
met −u = (−1)u. Notatie: u + (−1)v = u− v.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Meetkundige Interpretatie
punt in het vlak (a, b) = vector
[ab
]in R2 = pijl van (0, 0) naar
(a, b).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
scalair veelvoud cu= vector op zelfde rechte als u.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
som van vectoren= parrallellogram eigenschap
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
punt in ruimte (a, b, c) =vector in R3 =pijl in R3.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Lineaire combinatie van vectoren
v1, v2, . . . , vp ∈ Rn en c1, c2, . . . , cp ∈ R:
y = c1v1 + c2v2 + · · ·+ cpvp
is een lineaire combinatie van v1, . . . , vp met gewichten (ofcoefficienten) c1, c2, . . . , cp.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oefening
Zij
a1 =
103
, a2 =
42
14
, a3 =
36
10
en b =
−18−5
Bepaal of b een lineaire combinatie is van a1, a2 en a3.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie v1, v2, . . . , vp ∈ Rn.
Span{v1, v2, . . . , vp}
deelverzameling van Rn voorgebracht door v1, v2, . . . , vp. Dus alleelementen van de vorm
c1v1 + c2v2 + · · ·+ cnvp,
met c1, c2, . . . , cp ∈ R.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
De volgende voorwaarden zijn equivalent:
I y ∈ Span{v1, v2, . . . , vp}I de vectorvergelijking
x1v1 + x2v2 + · · ·+ xnvn = y
heeft een oplossing voor x1, x2, . . . , xn.
I het lineaire systeem met uitgebreide matrix[v1 v2 · · · vn y
]heeft een oplossing.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.4 Matrixvergelijkingen
Definitie
Het product van A en x is
Ax =[
a1 a2 · · · an
]
x1
x2...xn
= x1a1 + x2a2 + · · ·+ xnan
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
A =[
a1 a2 · · · an
]een m × n-matrix, b ∈ Rm.
De oplossingen van de matrixvergelijking
Ax = b
en de vectorvergelijking
x1a1 + x2a2 + · · ·+ xnan = b
en het lineair systeem met uitgebreide matrix[a1 a2 · · · an y
]zijn dezelfde.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
A =[
a1 a2 · · · an
]een m × n-matrix. De volgende
eigenschappen zijn equivalent:
1. voor elke b ∈ Rm heeft de vergelijking Ax = b eenoplossing
2. Elke b ∈ Rn is een lineaire combinatie van de kolommenvan A.
3. De kolommen van A zijn voortbrengers voor Rm.
4. A heeft een spilelement in elke rij.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Rij=kolom vermenigvuldiging voor berekenen van Ax
Als Ax gedefinieerd is dan is het element in de i-de plaats van Axde som van producten van de corresponderende elementen in dei-de rij van A met de vector x.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld 2 3 4 x1
x2
x3
=
[2x1 + 3x2 + 4x3
]
Stelling 5
A een m × n-matrix, u en v vectoren in Rn, c een scalair. Devolgende rekenregels gelden:
I A(u + v) = Au + Av;
I A(cu) = c(Au).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.5 Oplossingverzameling van een lineair stelsel
Definitie
Homogeen lineair systeem
Ax = 0
Triviale oplossing: 0A0 = 0
Niet Triviale Oplossing Is een oplossing die niet 0 is.
Eigenschap
De homogene vergelijking Ax = 0 heeft een niet-triviale oplossing(is consistent) als en slechts als de vergelijking minstens een vrijeveranderlijke heeft.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Parametrische Vectorvorm van Oplossing
De oplossingen van Ax = 0 schrijven als lineaire combinaties vaneen eindig aantal oplossingen (zoveel als er vrije veranderlijkenzijn). Voorbeeld:
x = su + tv ∈ Span{u, v},
met u, v oplossingen van Ax = 0.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling: Oplossingen van een niet-homogene vergelijking
Veronderstel dat de vergelijking Ax = b consistent is en zij
p een oplossing.
De oplossingverzameling van Ax = b bestaat uit alle vectoren vande vorm
w = p + vh
met vh een oplossing van de homogene vergelijking Ax = 0.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Algoritme voor de oplossingverzameling in parametrische vormvan een consistent lineair systeem
1. Rij reduceer de uitgebreide matrix naar gereduceerdeechalon vorm.
2. Schrijf elke basis-veranderlijke als een lineaire combinatievan de vrije veranderlijken plus eventueel een constante.
3. Schrijf elke oplossing x als een vector waarvan de positiesafhankelijk zijn van de vrije veranderlijken.
4. Schrijf x als een lineaire combinatie van vectoren (metnumerische waarden) door gebruik te maken van de vrijeveranderlijken als parameters.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.6 Toepassingen van lineaire stelsels
VoorbeeldenEconomieChemische VergelijkingenNetwork flow
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.7 Lineaire Onafhankelijkheid
Definitie
Een verzameling vectoren {v1, . . . , vp} is lineair onafhankelijk alsde vectorvergelijking
x1v1 + x2v2 + · · ·+ xpvp = 0
alleen de triviale oplossing heeft.Een verzameling vectoren {v1, . . . , vp} is lineair afhankelijk als ergewichten c1, c2, . . . , cp, niet allen nul, zodat
c1v1 + c2v2 + · · ·+ cpvp = 0
(een lineaire afhankelijksrelatie).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Lineaire afhankelijkheid van matrixkolommen
De kolommen van een matrix A =[
a1 a2 · · · an
]zijn lineair
onafhankelijk als en slecht als de vergelijking Ax = 0 slechts detriviale oplossing heeft.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Karakterisatie van lineair onafhankelijke verzamelingen
{v1, . . . , vp} is lineair afhankelijk als en slechts als
vj is lineair afhankelijk van v1, . . . , vj−1
(voor een j > 1).
Opmerking Als vj = 0 dan lineair afhankelijk.Bekijk het geval met p = 1 of 2.
Stelling
Als een verzameling meer vectoren bevat dan er posities zijn in devectoren dan is de verzameling lineair afhankelijk.Een verzameling {v1, . . . , vp} in Rn is lineair afhankelijk als p > n(meer vectoren bevat dan posities).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.8 Lineaire Transformaties
Definition
Een transformatie (of functie of afbeelding)
T : Rn → Rm
laat met elke x ∈ Rn precies een vector T (x) in Rm overeenkomen.domein van T is Rn
codomein van T is Rm.T (x) is het beeld van x onder Tbeeld van T is T (Rn): de verzameling van alle beelden T (x).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Matrixtransformaties
Definitie Matrixtransformatie
A een m × n-matrix.
Rn → Rm : x 7→ Ax
Het beeld is alle lineaire combinaties van de kolommen van A.
Voorbeelden
projectie : A =
1 0 00 1 00 0 0
Dan
R3 → R3 :
x1
x2
x3
7→ x1
x2
x3
=
1 0 00 1 00 0 0
x1
x2
0
=
x1
x2
0
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
afschuiving (shear) Voorbeeld: A =
[1 30 1
]en
T : R2 → R2 : x 7→ Ax
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een transformatie T is lineair als voldaan is aan de volgendevoorwaarden voor alle u, v in het domein van T en alle scalairen c:
1. T (u + v) = T (u) + T (v)
2. T (cu) = cT (u).
(T bewaart de bewerking van som en scalaire vermenigvuldiging)Voorbeeld: een matrixtransformatie
Eigenschap
T een lineaire transformatie. Dan
I T (0) = 0
I T (cu + dv) = cT (u) + dT (v)
I T (c1u1 + · · ·+ cpup) = c1T (u1) + · · ·+ cpT (up)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
rotatie
T
([10
])=
[01
]T
([01
])=
[−10
]T
([11
])= T
([10
])+ T
([01
])=
[01
]+
[−10
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Beschouw de volgende transformaties:
1. T : R→ R : x 7→ 5x
2. f : R→ R : x 7→ 5x + 4
Zijn T en f lineair?
1. T is lineair
2. f is niet lineair
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1.9 Matrix van een lineaire transformatie
Stelling
Zij T : Rn → Rm een lineaire transformatie. Dan bestaat eenunieke matrix A (de standaard matrix van T ) zodat, voor allex ∈ Rn,
T (x) = Ax.
BovendienA =
[T (e1) · · · T (en)
]met
e1 =
10...0
, . . . , en =
0...01
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Zij T : R2 → R3 een lineaire transformatie zodat
T (e1) =
123
en T = (e2) =
−375
Zonder enige andere informatie, bereken het beeld T (x) van eenwillekeurige x in R2.
x =
[x1
x2
]= x1
[10
]+ x2
[01
]= x1e1 + x2e2
T (x) = x1T (e1)+x2T (e2) = x1
123
+x2
−375
=
x1 − 3x2
2x1 + 7x2
3x1 + 5x2
Dus
T (x) = Ax met A =
1 −32 73 5
=[
T (e1) T (e2)]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Meetkundige Lineaire Transformaties in R2
spiegeling (reflectie)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
samentrekking (contractie), uitzetting (expansie);schaalverandering
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
afschuiving (horizontaal, vertikaal)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
projectie (op x1-as, op x2-as)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Zij T : Rn → Rm een functie.
I T is surjectief (onto) als elke b ∈ Rm het beeld is vanminstens een x ∈ Rn.
I T is injectief (one-to-one) als elke b ∈ Rm het beeld is vanten hoogste een x ∈ Rn.
I T is bijectief als elke b ∈ Rm het beeld is van precies eenx ∈ Rn.
Stelling
Zij T : Rn → Rm een lineaire transformatie met standaardmatrixA.
I T is injectief ⇐⇒ T (x) = 0 heeft alleen de triviale oplossing⇐⇒ de kolommen van A zijn lineair onafhankelijk.
I T is surjectief ⇐⇒ de kolommen van A zijn voortbrengersvoor Rm.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
blz 110Opstellen van een DieetElektrische NetwerkenDifference Vergelijkingen
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
2.1 Matrices en Matrixbewerkingen
Een m × n-matrix (met coefficienten aij , of componenten)
A =
a11 · · · a1j · · · a1n
......
...ai1 · · · aij · · · a1n...
......
am1 · · · amj · · · amn
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Gelijkheid van matricesa11 · · · a1j · · · a1n
......
...ai1 · · · aij · · · a1n...
......
am1 · · · amj · · · amn
=
b11 · · · b1j · · · b1n
......
...bi1 · · · bij · · · b1n...
......
bm1 · · · bmj · · · bmn
als en slechts als
aij = bij voor alle 1 ≤ i ≤ m, 1 ≤ jn.
De elementen a11, a22, a33, . . . (diagonaalelementen) vormen dehoofddiagonaal.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Nulmatrix
0 =
0 · · · 0 · · · 0...
......
0 · · · 0 · · · 0...
......
0 · · · 0 · · · 0
Diagonaalmatrix Is een n × n-matrix met nullen buiten thehoofddiagonaal:
A =
a11 · · · 0 0 · · · 00 · · · a22 0 · · · 0...
......
...0 · · · 0 0 · · · ann
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie: som van m × n-matrices (som van kolommen)
A + B =[
a1 a2 · · · an
]+[
b1 b2 · · · bn
]=
[a1 + b1 a2 + b2 · · · an + bn
]Definitie: scalair veelvoud van een matrix
c[
a1 a2 · · · an
]=[
ca1 ca2 · · · can
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A,B,C m × n-matrices, en zij r , s scalairen. De volgenderekenregels gelden.
A + B = B + A r(A + B) = rA + rB
(A + B) + C = A + (B + C ) (r + s)A = rA + sA
A + 0 = A = 0 + A r(sA) = (rs)A
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Zij A een m × n-matrix en B =[
b1 b2 · · · bp
]een
n × p-matrix. Dan is het product van A en B de m × p-matrix
AB = A[
b1 b2 · · · bp
]=[
Ab1 Ab2 · · · Abp
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Opgelet
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Rij-Kolom Regel voor de Vermenigvuldiging
Zij A een m × n-matrix en B een n × p-matrix. Zij (AB)ij de(i , j)-de positie van AB. Dan
(AB)i ,j = ai1b1j + ai2b2j + · · ·+ ainbnj =∑
1≤k≤n
aikbkj .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling: Rekenregels
Zij A,B,C matrices zodat alle volgende sommen en producten zinhebben. De volgende regels gelden.
A(BC ) = (AB)C associativiteit
A(B + C ) = AB + BC links distributiviteit
(B + C )A = BA + CA rechts distributiviteit
r(AB) = (rA)B = A(rB) voor elke scalair r
ImA = A = AIm
met Im =
1 0 · · · 0 00 1 · · · 0 0...
...
0 0... 0 1
, de identiteitsmatrix van graad m.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie: Machten
Zij A een n × n-matrix en k een positief geheel getal. Dan is
Ak = A · · ·A (k keer).
OokA0 = In.
Er volgt, voor k, l positieve gehele getallen:
Ak+l = AkAl en (Ak)l = Akl .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
commuterende matrices
Zij A en B matrices. Als AB = BA dan zegt men dat A en Bcommuteren.
Waarschuwing
I In het algemeen AB 6= BA.
I In het algemeen mag je NIET vereenvoudigen. D.w.z. uitAB = AC volgt in het algemeen niet dat B = C .
I In het algemeen volgt uit AB = 0 NIET dat A = 0 of B = 0.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie: getransponeerde van een matrix
De getransponeerde matrix van een n ×m-matrix A, genoteerdAT , is de matrix waarvan de kolommen de rijen van A zijn. Dus(wij verwisselen rijen en kolommen)
(AT )ij = Aji .
Rekenregels
Zij A en B matrices zodat de volgende sommen en producten zinhebben. Er gelden
I (AT )T = A
I (A + B)T = AT + BT
I (ra)T = rAT , voor elke scalair r
I (AB)T = BTAT .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
2.2 De inverse van een matrix
Definite: inverteerbare matrix
Een n × n-matrix A is inverteerbaar als er een n × n-matrix Cbestaat zodat
CA = In = AC .
Men noemt C een inverse van A en als deze bestaat dan is dieuniek en wordt genoteerd
A−1.
DusA A−1 = In = A−1 A.
Een matrix die NIET inverteerbaar is noemt men singulier en eeninverteerbare matrix noemt men niet singulier.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij
[a bc d
]een 2× 2-matrix. Als ad − bc 6= 0 dan is A
inverteerbaar en
A−1 =1
ad − bc
[d −b−c a
]Als ad − bc = 0 dan is A singulier.Men noemt ad − bc de determinant van A, en men noteert
det(A) = ad − bc.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling: rekenregels
1. Als A een inverteerbare matrix is dan is ook A−1 eeninverteerbare matrix en
(A−1)−1 = A.
2. Als A en B inverteerbare n × n-matrices zijn, dan is ABinverteerbaar en
(AB)−1 = B−1A−1.
3. Als A een inverteerbare matrix is dan is ook AT
inverteerbaar en(AT )−1 = (A−1)T .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een inverteerbare n × n-matrix. Dan heeft voor elke b ∈ Rn
de vergelijking Ax = b een unieke oplossing
x = A−1b.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Elementaire Matrices
Definitie
Een elementaire matrix is een matrix verkregen uit deidentitietsmatrix door er een elementaire rij operatie op uit tevoeren. Er zijn drie types. Voorbeelden:
E1 =
1 0 00 1 0−7 0 1
, E2 =
0 1 01 0 00 0 1
, E3 =
1 0 00 −5 00 0 1
Als men EiA berekent dan voert men op A dezelfde elementaire rijoperatie als men op In gedaan heeft om Ei te verkrijgen.Een elementaire matrix E is inverteerbaar. De inverse E−1 is vanhetzelfde type als E (het vormt E om in In).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een n× n-matrix. Dan, A is inverteerbaar als en slechts als Arij equivalent is met In.In dit geval, elementaire rij operaties die A omvormen tot Inhervormen ook In tot A−1.
Algoritme voor het berekenen van A−1
Zij A een n × n-matrix. Rij-reduceer de uitgebreide matrix
[A In] .
Als A rijequivalent is met In dan is [A In] rijequivalent met[In A−1
]. Anders is A niet inverteerbaar.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
De inverteerbare matrix stelling
Zij A een n × n-matrix. Zijn equivalent:
I A is inverteerbaar
I A is rij equivalent met InI A heeft n spil (pivot) posities
I de vergelijking Ax = 0 heeft slechts de nul oplossing
I de kolommen van A zijn lineair onafhankelijk
I de lineaire transformatie x 7→ Ax is injectief
I de vergelijking Ax = b heeft een unieke oplossing voor allb ∈ Rn
I Rn is voortgebracht door de kolommen van A
I de lineaire transformatie x 7→ Ax is surjectief
I er bestaat een matric C zodat CA = InI er bestaat een matrix D zodat AD = InI AT is inverteerbaar
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een lineaire transformatie Rn → Rn is inverteerbaar als er eenfunctie S : Rn → Rn bestaat zodat
S(Tx) = x en T (S(x)) = x
voor alle x ∈ Rn.
Stelling
Zij T : Rn → Rn een lineaire transformatie met standaardmatrix A.Dan is T inverteerbaar als en slechts als A is een inverteerbarematrix.In dit geval is S : Rn → Rn met S(x) = A−1x de enige functie dievoldoet aan
S(Tx) = x en T (S(x)) = x
voor alle x ∈ Rn.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
2.4 Matrixpartities
Matrix in blokvorm A11 A12 · · · A1n
A21 A22 · · · A2n...
...
Am1 Am2... Amn
met elke Aij zelf een matrix
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld: blokvorm bovendriehoesmatrixA11 A12 · · · A1n
0 A22 · · · A2n...
...
0 0... Ann
Een blokvorm diagonaal matrix
A11 0 · · · 00 A22 · · · 0...
...
0 0... Ann
Men kan rekenregels gebruiken voor blokvorm zoals voor gewonematrices (zolang de betrokken sommen en producten zin hebben).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Matrixontbinding (Matrixfactorisatie)
LU Factorisatie
Veronderstel dat A een m × n-matrix is die kan gereduceerdworden tot echalonvorm door rijoperaties die een veelvoud van eenrij bij een andere rij beneden deze rij optellen (dus GEENrijverwisselingen) dan bestaan er (eenheids-benedendriehoeks)elementaire matrices E1, . . . ,Ep (m ×m-matrices) zodat
(Ep · · ·E1)A = U ( rijechalonvorm van A)
A = LU
met L een eenheids-benedendriehoeksmatrix en U eeneenheids-bovendriehoekmatrix.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Algoritme
[A | Im] −→ [U | M]
en[M | Im] −→ [Im | L] −→ A = LU
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
2.6 en 2.7 Toepassingen
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
DOELI Een nieuw criterium voor de inverteerbaarheid van een
vierkante matrix A,
I een formule voor A−1 en A−1b,
I een meetkundige interpretatie van een determinant.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
3.1 Determinanten
Determinant van 2× 2 en 3× 3-matrices.Herinner
det
([a11 a12
a21 a22
])= a11a22 − a12a21
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Zij
A =
a11 a12 a13
a21 a22 a23
a31 a32 a33
Veronderstel a11 6= 0. Dan
A ∼
a11 a12 a13
a11a21 a11a22 a11a23
a11a31 a11a32 a11a33
∼
a11 a12 a13
0 a11a22 − a12a21 a11a23 − a13a21
0 a11a32 − a12a31 a11a33 − a13a31
veronderstel (2, 2)-positie is niet nul (anders werk met(3, 3)-positie).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
A ∼
a11 a12 a13
0 a11a22 − a12a21 a11a23 − a13a21
0 0 ∆
met ∆ =
a11a22a33 + a12a23a31 + a13a21a32 − a11a23a32 − a12a21a33 − a13a22a31
= a11 det
[a22 a23
a32 a33
]− a12 det
[a21 a23
a31 a33
]+ a13 det
[a21 a22
a31 a32
]= a11 det A11 − a12 det A12 + a13 det A13
met Aij verkregen uit A door de i-de rij en j-de kolom te schrappen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Zij A = [aij ] een n × n-matrix. De determinant van A is
det A = a11 det A11 − a12 det A12 + · · ·+ (−1)1+na1n det A1n
=n∑
j=1
(−1)1+ja1j det A1j
Men noemtCij = (−1)i+j det Aij
de (i , j)-de cofactor van A. Dus
det A = a11C11 + a12C12 + · · ·+ a1nC1n,
de cofactor expansie volgens de eerste rij van A .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een n × n-matrix. Dan
det A = ai1Ci1 + ai2Ci2 + · · ·+ ainCin
cofactor expansie volgens i-de rij
= a1jC1j + a2jC2j + · · ·+ anjCnj
cofactor expansie volgens j-de kolom
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een triangulaire matrix, dan is
det A = a11a22 · · · ann,
het product van de diagonaal elementen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
andere notatie voor determinant
A =
a11 a12 · · · a1n...
......
an1 an2 · · · ann
det A =
∣∣∣∣∣∣∣a11 a12 · · · a1n
......
...an1 an2 · · · ann
∣∣∣∣∣∣∣
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
3.2 Eigenschappen van Determinanten
Stelling
Zij A een vierkante matrix.
1. Zij B verkregen uit A door bij een rij van A een aantal keereen andere rij van A op te tellen. Dan det B = det A.
2. Zij B verkregen uit A door twee rijen te verwisselen. Dandet B = − det A.
3. Zij B verkregen uit A door een rij van A tevermenigvuldigen met een scalair c dan det B = c det A.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A en B vierkante n × n matrices dan
1. A een inverteerbare matrix als en slechts det A 6= 0.
1. 2. det A = det AT
2. det(AB) = (det A) (det B)
3. T : Rn → R met
x 7→ T (x) = det([
a1 · · · aj−1 x aj+1 · · · an
])is lineair, d.w.z.
T (x + y) = T (x) + T (y) en T (cx) = cT (x).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
3.3 Regel van Cramer, Volume en Lineaire Transformaties
Stelling: De regel van Cramer
Zij A een inverteerbare n × n-matrix. Voor b ∈ Rn is de enigeoplossing van Ax = b gegeven door
xi =det Ai (b)
det A(i = 1, . . . n)
metAi (b) =
[a1 · · · ai−1 b ai+1 · · · an
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling: Formule voor de inverse
Zj A een inverteerbare n × n-matrix. Dan
A−1 =1
det AadjA
met
adj A =
C11 C21 · · · Cn1
C12 C22 · · · Cn2...
......
C1n C2n... Cnn
en Cij = (−1)i+j det Aij
de adjunct matrix van A (adjoint matrix).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oppervlakte en volume
Stelling
De oppervlakte van het parallellogram bepaald door a1 = (a, c) ena2 = (b, d) is
|det [a1 a2]| =
∣∣∣∣det
[a bc d
]∣∣∣∣Bovendien
|det [a1 a2]| = |det [a1 a2 + ca1]|
(voor c 6= 0).Zij A een 3× 3-matrix. Het volume van het parallellopipedumbepaald door de kolommen is
|det A| .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij T : R2 → R2 : x 7→ Ax een lineaire transformatie. Zij S eenparallellogram in R2. Dan
{ oppervlakte van T (S)} = |detA| {oppervlakte van S}
Zij T : R3 → R3 : x 7→ Ax een lineaire transformatie. Zij S eenparallellopipedum in R3. Dan
{ volume van T (S)} = |detA| {volume van S}
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.1 Vectorruimten en deelruimten
Een vectorruimte V is een niet-lege verzameling objecten(vectoren) met twee operaties (optelling en vermenigvuldiging metscalairen) die voldoen aan 10 voorwaarden (voor alle vectoren u, ven w in V en alle scalairen c , d)
1. som van u en v, genoteerd u + v, is in V
2. u + v = v + u
3. (u + v) + w = u + (v + w)
4. er bestaat een nul vector 0 in V zodat 0 + u = u
5. voor elke v ∈ V bestaat een −v ∈ V zodat v + (−v) = 0
6. voor elke scalair c en voor elke v ∈ V is cv ∈ V
7. c(u + v) = cu + cv
8. (c + d)v = cv + dv
9. c(dv) = (cd)v
10. 1v = v
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Eigenschap
Voor elke v in een vectorruimte V en elke scalair c geldt:
0v = 0
c0 = 0
−v = (−1)v
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeelden
1. M2,2 = {[
a bc d
]| a, b, c , d ∈ R}, alle 2× 2-matrices. De
nulvector is de nulmatrix.
2. de verzameling van alle m × n-matrices.
3. Pn alle veeltermen van graad ten hoogste n:
r0 + r1X + · · ·+ rnXn,
met r0, . . . , rn ∈ R.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een deelruimte van een vectorruimte V is een deelverzameling Hvan V zodat volgende eigenschappen gelden:
1. De nulvector 0 van V behoort tot H.
2. Voor elke u en v in H geldt: u + v ∈ H.
3. Voor elke v ∈ H en elke scalair c geldt: cv ∈ H.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld
H =
a
0c
| a, c ∈ R
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld van een niet deelruimte
H =
a
0a + 1
| a ∈ R
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Zij V een vectorruimte, v1, v2, . . . , vp ∈ V , c1, c2, . . . , cp ∈ R. Danis
c1v1 + c2v2 + · · ·+ cpvp
een lineaire combinatie.
Span{v1, v2, . . . , vp}
is de verzameling van alle lineaire combinaties van v1, v2, . . . , vp.Dit is een deelruimte van V , genoemd de deelruimte voortgebrachtdoor v1, v2, . . . , vp.Zij H een deelruimte van V . Men zegt dat H voortgebracht is doorw1,w2, . . . ,wp ∈ V als Span{w1,w2, . . . ,wp} = H.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.2 Nulruimten, Kolomruimten en Lineaire Transformaties
Definitie
De Nulruimte Nul(A) van een m × n-matrix A is
Nul(A) = {x | x ∈ Rn en Ax = 0}.
Eigenschap
Nul(A) is een deelruimte van Rn.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
De Kolomruimte Col(A) van een m × n-matrixA =
[a1 a2 · · · an
]is
Col(A) = Span{a1, a2, . . . , an} = {b | b = Ax, x ∈ Rn}.
Dit is een deelruimte van Rm. Bovendien, Col(A) = Rm als enslechts als Ax = b heeft een oplossing voor elke b ∈ Rm.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld Bereken Nul(A) voor A =
[3 6 6 3 96 12 13 0 3
]. Dus
wij zoeken x zodat Ax = {0}.Oplossing:[
3 6 6 3 9 06 12 13 0 3 0
]∼[
3 6 6 3 9 00 0 1 −6 −15 0
]
∼[
1 2 2 1 3 00 0 1 −6 −15 0
]∼[
1 2 0 13 33 00 0 1 −6 −15 0
]
x1
x2
x3
x4
x5
=
−2x2 − 13x4 − 33x5
x2
6x4 + 15x5
x4
x5
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
x1
x2
x3
x4
x5
=
−2x2 − 13x4 − 33x5
x2
6x4 + 15x5
x4
x5
= x2
−21000
+ x4
−13
0610
+ x5
−33
01501
Dus
Nul(A) = Span{u, v,w},
evenveel generatoren als vrije veranderlijken en deze vectoren zijn(via deze methode) ook onafhankelijk.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een lineaire transformatie T : V →W is een functie (d.w.z. eenregel die met elke vector v ∈ V een unieke x ∈W associeert)zodat
1. T (u + v) = T (u) + T (v), voor alle u, v ∈ V ;
2. T (cv) = cT (v), voor alle v ∈ V en scalairen c .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Kern
De kern van T is
kern(T ) = {v | v ∈ V en T (v) = 0}= Nul(A) (als A de geassocieerde matrix is van T ).
Dit is een deelruimte van V .Het beeld (range) van T is
T (V ) = {T (v) | v ∈ V } = Col(A),
als A de geassocieerde matrix is van T .
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.3 Lineair Onafhankelijke Verzamelingen en Basis
Definitie
Een stel vectoren v1, v2, . . . , vp in een vectorruimte V is lineaironafhankelijk als de enige oplossing van de vergelijking
c1v1 + c2v2 + · · ·+ cpvp = 0 (een lineaire afhankelijkeidsrelatie)
de nuloplossing is, d.w.z. c1 = c2 = · · · = cp = 0.Als er niet-nulle oplossing bestaat dat noemt men het stel lineairafhankelijk.
Een verzameling die de nulvector 0 bevat is lineair afhankelijk.
Een verzameling met twee vectoren is lineair afhankelijk als eenvan de twee vectoren een veelvoud is van de andere vector.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld In P2 beschouw
p1 = x
p2 = 2x2
p3 = x + 4x2
Danp3 = p1 + 2p2
Dus {p1,p2,p3} is lineair afhankelijk.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Een geındexeerde verzameling {v1, v2, . . . , vp} (met p ≥ 2 env1 6= 0) is lineair afhankelijk als en slechts als vj een lineairecombinatie is van zijn voorgangers v1, . . . , vj−1, voor een j > 1.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Zij H een deelruimte van een vectorruimte V . Een verzamelingvectoren B = {b1,b2, . . . ,bp} in V is een basis van H als
1. B is lineair onafhankelijk,
2. H = SpanB
Een basis is een efficiente voortbrengende verzameling, het bevatgeen “onnodige vectoren”.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
VoorbeeldZij H het vlak in volgende figuur.
Dan
I Span{v1, v2} = H.
I Span{v1, v3} = H.
I Span{v2, v3} 6= H.
I Span{v1, v2, v3} = H.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij S = {v1, v2, . . . , vp} een deelverzameling van een vectorruimteV en zij H = SpanS .
1. Als vk een lineaire combinatie is van de andere vectoren inS , dan is H = Span(S \ {vk}).
2. Als H 6= {0} dan is er een deelverzameling van S die eenbasis is van H.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeelden
I de standaard basis van R3 is
{e1, e2, e3}
met
e1 =
100
, e2 =
010
, e3 =
001
I de standaard basis van Pn is {1, x , . . . , xn}.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld Is
{v1 =
120
, v2 =
011
, v3 =
103
}een basis voor R3?Oplossing Stel A = [v1 v2 v3] Dan
A ∼
1 0 12 1 00 1 3
∼ 1 0 1
0 1 −20 1 3
∼ 1 0 1
0 1 −20 0 5
Dus is {v1, v2, v3} een basis.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
is geen basis vanR3
is geen basis vanR3
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling: bases voor Nul(A) en Col(A)
I Elementaire rijoperaties op een matrix hebben geen invloed opde lineaire afhankelijkheid van de kolommen.
I De spil (pivot) kolommen van A vormen een basis van Col(A).
Reden: Lineair afhankelijkheid van de kolommen van een matrix Ais bepaald door oplossingen van Ax = 0. Dus als A en Brij-equivalent zijn dan zijn de oplossingen van Ax = 0 and Bx = 0dezelfde.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Vind een basis voor Col(A) met
A = [a1 a2 a3 a4] =
1 2 0 42 4 −1 33 6 2 224 8 0 16
Oplossing
[a1 a2 a3 a4] ∼
1 2 0 40 0 1 50 0 0 00 0 0 0
Dus
b2 = 2b1, a2 = 2a1;
b4 = 4b1 + 5b3, a4 = 4a1 + 5a3
DusCol(A) = Span{a1, a2, a3, a4} = Span{a1, a3}.
{a1, a3} is een basis voor Col(A)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.4 Coordinaatsystemen
Stelling
Zij B = {b1,b2, . . . ,bn} een basis van een vectorruimte V enx ∈ V . Dan bestaan unieke scalairen c1, c2, . . . , cn zodat
x = c1b1 + c2b2 + · · ·+ cnbn.
Men noemt c1, c2, . . . , cn de coordinaten (gewichten) van x t.o.v.de basis B. Notatie:
[x]B =
c1
c2...cn
,de B-coordinaatvector van x.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Matrix van coordinaatwissel
Zij B een basis van Rn. Stel
PB =[
b1 b2 · · · bn
],
de coordinaatverandering matrix van B naar de standaardbasis inRn. Dan de is de vectorvergelijking x = c1b1 + c2b2 + · · ·+ cnbn
hetzelfde alsx = PB [x]B
Merk op dat PB inverteerbaar is omdat de kolommen van PB eenbasis vormen van Rn.De functie
Rn → Rn : x 7→ P−1B x = [x]B
is een injectieve en surjectieve lineaire transformatie (eenisomorfisme tussen Rn en Rn).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
De coordintaatafbeelding
Zij B = {b1, . . . ,bn} een basis van een vectorruimte V . Decoordintaatafbeelding
V → Rn : x 7→ [x]B
is een bijectieve lineaire transformatie.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Coordinaatfuncties laten ons toe om coordinaten in te voeren voor“ongewone” vectorruimten.
Standardbasis voor P2 is B = {p1,p2,p3} = {1, x , x2}.Veeltermen in P2 “gedragen” zich als R3 omdat
a + bx + cx2 = ap1 + bp2 + cp3
[a + bx + cx2
]B =
abc
P2 → R3 : a + bx + cx2 7→
abc
is een isomorfisme.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Dus c1 = 3 en
c2 = 4 en [x]B =
[34
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.5 De dimensie van een vectorruimte
Stelling
Zij V een vectorruimte met een basis B = {b1,b2, . . . ,bn}. Dan
I Elke verzameling in V met meer dan n elementen is lineairafhankelijk.
I Elke basis van V heeft exact n elementen. Men noemt n dedimensie van V ; notatie dim V = n.
dim{0} = 0. Een vectorruimte die een eindige basis (eindigevoortbrengende verzameling heeft) noemt men eindig dimensionaal.In het ander geval noemt men die oneindig dimensionaal.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij V een eindig dimensionale vectorruimte en H een deelruimte.Zij B′ een lineair onafhankelijk deel van H, dan bestaat er eenbasis B van H met B′ ⊆ B. Ook
dim H ≤ dim V .
Basis Stelling
Zij V een n-dimensionale vectorruimte. Elke lineair onafhankelijkedeelverzameling van V met n elementen is een basis van V .Elke deelverzameling B van V met n elementen en zodatSpanB = V is een basis van V .
dim Rn = ndim Pn = n + 1
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Deelruimten H van R3
I dim H = 0, H = {0}.I dim H = 1, H is een rechte door de oorsprong 0.
I dim H = 2, H is een vlak door de oorsprong.
I dim H = 3, H = R3.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Eigenschap
Zij A een n ×m-matrix. Dan
I dim Nul(A) = aantal vrije veranderlijken in de vergelijkingAx = 0.
I dim Col(A) = het aantal spil (pivot) kolommen in A.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.6 Rang van een Matrix
Definitie en Stelling
Zij A een m × n-matrix. De verzameling van alle lineairecombinaties van de rij vectoren van A noemt men rijruimte van A,genoteerd Row(A).
Row(A) = Col(AT ).
Als de matrices A en B rijequivalent zijn dan
Row(A) = Row(B).
Als B in echelonvorm is dan vormen de niet nul rijen van B eenbasis van Row(A).
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie en Stelling
Zij A een m × n-matrix. De rang van een matrix A is
rank(A) = dim Col(A).
Bovendien
I rank(A) = dim Col(A) = dim Row(A) =aantal spil (pivot) kolommen in A.
I dim Nul(A) = aantal niet spil kolommen van A =aantal vrije veranderlijken.
I rank(A) + dim Nul(A) = n.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Probleem Een wetenschapper lost een homogeen lineair systeem opvan 50 vergelijkingen in 54 onbekenden en ontdekt dat er 4 vrijeveranderlijken zijn. Kan de wetenschapper er zeker van zijn dat elkgeassocieerd niet-homogeen lineair systeem (met dezelfdecoefficienten) een oplossing heeft? Oplossing Zij A decoefficientenmatrix. Dan
rank(A) = dim col(A) = #spilkolommen
dim Nul(A) = #aantal vrije veranderlijken = 4
Dusrank (A) + 4 = 54
ofrank (A) = 50 = #vergeljkingen
Dus elk systeem Ax = b heeft een oplossing.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
De inverteerbare matrix stelling
Zij A een n × n-matrix. De volgende eigenschappen zijnequivalent.
I A is inverteerbaar.
I de kolommen van A vormen een basis voor Rn.
I Col(A) = Rn
I dim Col(A) = n
I rank(A) = n
I Nul(A) = {0}I dim Nul(A) = 0
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.7 Verandering van Basis
Stelling
Zij B = {b1,b2, . . . ,bn} en C = {c1, c2, . . . , cn} basissen van eenvectorruimte V . Dan bestaat er een unieke matrix PC←B(verandering van coordinaten matrix van B naar C) zodat
[x]C = (PC←B) [x]B .
Bovendien
PC←B =[
[b1]C [b2]C · · · [bn]C]
Voorbeeld in R2.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
4.8 en 4.9 Toepassingen
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.1 Eigenwaarden en eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Definitie
Een eigenvector van een n × n-matrix A is een niet-nulle vectorx ∈ Rn zodat
Ax = λx,
voor een scalair λ.λ noemt men een eigenwaarde.De verzameling van alle x die oplossingen zijn van
(A− λIn)x = 0
is de nulruimte van de matrix A− λIn is een deelruimte van Rn,genoemd de eigenruimte van A corresponderend met λ.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Voorbeeld Zij A =
2 0 0−1 3 1−1 1 3
en λ = 2 is een eigenwaarde.
Bereken de eigenruimte van λ = 2.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oplossing
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oefening Zij λ een eigenwaarde van een matrix A. Bepaal eeneigenwaarde van A2 en A3. Algemeen, wat is een eigenwaarde vanAn. Oplossing Zij x een eigenvector met eigenwaarde λ.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Eigenschap
De eigenwaarden van een triangulaire matrix zijn de diagonaalelementen.Als v1, . . . , vr eigenvectoren zijn met corresponderendeverschillende eigenwaarden λ1, . . . , λr van een n × n-matrix A danzijn v1, . . . , vr lineair onafhankelijk.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Eigenschappen van determinanten
Zij A en B n × n-matrices. Dan
I A is inverteerbaar als en slechts als det A 6= 0.
I det(AB) = det A det B
I det AT = det A.
I Als A triangulair is dan is det A het produkt van dediagonaalelementen.
I Een rij vervangen door een veelvoud van een andere rij op tetellen verandert de determinant niet. Een rijverwisselingverandert de determinant van teken. Een rij van A veranderendoor een c veelvoud verandert de determinant in c det A.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.2 De karakteristieke vergelijking
Stelling
Zij A een n× n-matrix en zij U een echelon vorm van A (verkregendoor rijverwisselingen en veelvouden van rijen bij andere rijen op tetellen; GEEN rijen vermenigvulidigen met een scalair). Dan
det A =
(−1)r (produkt van spil elementen in U) als
A inverteerbaar is
0 anders
Dus het produkt van pivot elementen is uniek, terwijl deechelonvorm niet uniek is.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een n × n-matrix. Dan zijn equivalent
I A is inverteerbaar
I 0 is geen eigenwaarde van A
I det A 6= 0.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Een scalair λ is een eigenwaarde van een n × n-matrix A als enslechts als λ voldoet aan de karakteristieke vergelijking
det(A− λIn) = 0.
Dit geeft een vergelijking van graad n in λ. De multipliciteit van λis de multipliciteit van λ als een nulpunt (wortel) van dezevergelijking.
Eigenschap
Zij A en B n × n-matrices. Men noemt A en B equivalent als ereen inverteerbare matrix P bestaat zodat P−1AP = B.In dit geval, det A = det B.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.3 Diagonalisatie
Definitie
Een vierkant matrix A noemt men diagonaliseerbaar als Aequivalent is met een diagonaalmatrix. D.w.z. A = PDP−1, vooreen inverteerbare matrix P en een diagonaalmatrix D.
Dit is nuttig om bv gemakkelijk Ak te bereken voor een vierkantematrix A.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Oefening Zij A =
[6 −12 3
]. Veronderstel dat
A = PDP−1 metD =
[5 00 4
]en P =
[1 11 2
]
Oplossing: P−1 =
[2 −1−1 1
]
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Diagonalisatiestelling
Zij A een n × n-matrix. Dan is A diagonaliseerbaar als en slechtsals A n lineair onafhankelijke eigenvectoren heeft. Men noemt diteen eigenbasis.Bovendien A = PDP−1 (met D een diagonaalmatrix) als en slechtsals de kolommen van P zijn n lineair onafhankelijke eigenvectorenvan A. In dit geval zijn de diagonaalelementen van D deeigenwaarden van A die corresponderen met de respectievelijkekolommen.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Diagonaliseer indien mogelijk de matrix
A =
2 0 01 2 1−1 0 1
.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Een n × n-matrix met n verschillende eigenwaarden isdiagonaliseerbaar.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
Stelling
Zij A een n× n-matrix met verschillende eigenwaarden λ1, . . . , λp.
I De dimensie van de eigenruimte van λi is kleiner dan of gelijkaan de multipliciteit van λ.
I De matrix A is diagonaliseerbaar als en slechts als de som vande dimensies van de eigenruimten gelijk is aan n. Dit gebeurtslechts als de dimensie van de eigenruimte behorende bij elkeλk gelijk is aan de multipliciteit van λ.
I Als A diagonaliseerbaar is en Bk is een basis van deeigenruimte behorende bij λk (voor elke k) dan is
B1 ∪ · · · ∪ Bk
een basis van Rn.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.4 Eigenvectoren en lineaire transformaties
Zij V en W vectorruimten met dim V = n en dim W = m. ZijT : V →W een lineaire transformatie. Zij B = {b1, . . . ,bn} eenbasis van V en C een basis van W . Zij x ∈ V . Dan
[x]B ∈ Rn
en[T ([x])]C ∈ Rm.
Schrijfx = r1b1 + · · ·+ rnbn
dan
[x]B =
r1...rn
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
en
T (x) = T (r1b1 + · · ·+ rnbn) = r1T (b1) + · · ·+ rnT (bn)
en dus[T (x)]C = r1 [T (b1)]C + · · ·+ rn [T (bn)]C
Bijgevolg[T (x)]C = M [x]B
metM =
[[T (b1)]C [T (b2)]C · · · [T (bn)]C
]Men noemt
M de matrix van T relatief t.o.v. de basissen B en C(of transitiematrix)
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.5 Complexe eigenwaarden
Beschouw de matrix A =
[0 −11 0
]. De karakteristieke
vergelijking isλ2 + 1 = 0
Deze heeft geen reele nulpunten. Maar wel complexe nulpunten: ien −i .Elke n-de graadsveelterm heeft n nulpunten in de complexegetallen C = R + Ri .De theorie van matrixeigenwaarden en eigenvectoren is uiteengezetvoor Rn, maar blijft gelden voor Cn.Dus men noemt een complex getal λ een eigenwaarde van A alsdet(A− λI ) = 0. Dit is equivalent met het bestaan van een nietnulvector x ∈ Cn zodat Ax = λx.
1. Lineaire Vergelijkingen in Lineaire Algebra 2. Matrix Algebra 3. Determinanten 4. Vectorruimten 5. Eigenwaarden en Eigenvectoren
5.6 en 5.7 Toepassingen