NVP - Lineær Algebra - Noter

Forelsningsnoter til
Liner Algebra
Niels Vigand Pedersen
Udgivet af
Asmus L. Schmidt
Kbenhavns Universitet Matematisk Afdeling
August 2000
Revideret 2009
2. udgave, oktober 2009
ii
Forord
Gennem en srlig aftale varetages undervisningen i matematik p erhvervskonomi-
matematikstudiet ved Handelshjskolen i Kbenhavn af Matematisk Afdeling, Institut
for Matematiske Fag, Kbenhavns Universitet. Denne undervisning bestr af to kurser,
Matematik H1 og Matematik H2, der flges p henholdsvis frste og andet r af studiet.
Matematik H1 er opdelt i to dele, nemlig et kursus i liner algebra og et kursus i
matematisk analyse. Nrvrende notest udgr det skriftlige materiale til kurset i
liner algebra. Det er beregnet til et halvt rs studier med 22 forelsningstimer, 22
velsestimer samt en skriftlig aevering om ugen. Sttet bestr af forelsningsnoter,
35 hjemmeopgaver, 146 velsesopgaver og en samling af blandede opgaver.
I forelsningsnoterne er der lagt vgt p en stringent gennemgang af matematik-
ken. Det betyder, at alle denitioner er omhyggeligt og prcist givet, og der bliver frt
bevis (argumenteret) for langt de este pstande. Formlet med at give disse beviser er
frst og fremmest, at det er gennem arbejdet med dem (naturligvis forenet med velses-
regning), at den dybe forstelse ns. Men formlet er ogs at prsentere den videnska-
belige matematiske metode. Det er formlet med de este videnskaber at nde frem til
sandheder, men matematik adskiller sig ved at krve absolut sandhed. I matematik
kan et udsagn ikke vre nogenlunde rigtigt. I andre teorier, som f.eks. konomi, ville et
sdant krav vre absurd; hvis bare virkeligheden beskrives godt (efter en given mle-
stok) betragtes teorien som vrende sand. Det er efter min mening vigtigt, nr man
arbejder med matematisk konomi, at man behersker metoderne fra begge omrder,
sledes at man kan overskue hvad der er sandt i hvilken forstand.
Som regel prsenteres beviserne med mange detaljer, men det er, som med al mate-
matisk lsning, alligevel ndvendigt at lseren hele tiden stopper op og tnker hvert
enkelt skridt igennem, fr det nste tages. Den matematiske sprogbrug er tit meget
kortfattet, og der bruges en rkke faste vendinger, som det er helt afgrende at forst
den prcise betydning af (f.eks. er hvis ikke det samme som hvis og kun hvis). Det
kan vre en langsommelig, og af og til mske kedelig, proces, og det kan undervejs
blive svrt at se skoven for bare trer. Forhbentlig kan velser og forelsninger her
bidrage til at fremhve de centrale (og smukke!) punkter i teorien.
Forfatteren til notesttet, Niels Vigand Pedersen, afgik alt for tidligt ved dden i
1995. Da det ikke har vret muligt at nde len med kildeteksten, har det vret nd-
vendigt at genskabe kildeteksten (i L
A
T
E
X) p grundlag af den seneste udgave (1998) ved
Henrik Schlichtkrull. Overassistent Dita Andersen har ydet en forbilledlig indsats ved
skrivning af manuskriptet.
Kbenhavn, juli 2000 Asmus L. Schmidt
iii
Forord til 2. udgave
Dette oplag er en revideret udgave i forhold til tidligere. De vsentligste ndrin-
ger er flgende: Hvor notesttet tidligere udelukkende har beskftiget sig med reelle
matricer behandles nu bde reelle og komplekse matricer. Desuden er de vigtigste st-
ninger tydeligere typogrask fremhvet, og der er tilfjet forskellige opskrifter hvor
vigtige metoder er skematisk beskrevet. Derudover er der indfrt en srlig notation for
koordinatsjlen for en vektor med hensyn til en given basis, for matricen for en line-
r afbildning med hensyn til givne baser samt for koordinattransformationsmatricen
for overgang fra en gammel basis til en ny basis. Denne notation er inspireret af en
notation med fodtegn gende tilbage til noter af Hans-Bjrn Foxby fra 1990erne en
notation der gr det nemmere at huske de ndvendige formler.
Sidst men ikke mindst er der tilfjet en rkke graske illustrationer dygtigt udfrt
af Rune Johansen.
Kbenhavn, oktober 2009 Morten S. Risager
Indhold
1. Linere afbildninger og matricer 1
1.1. Talrummene R
n
, C
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Matricer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3. Linere afbildninger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Matrix algebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5. Invers matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.6. Transponeret og adjungeret matrix . . . . . . . . . . . . . . . . . . . . . . . . 29
2. Rkke- og sjleoperationer Linere ligningssystemer 35
2.1. Rkke- og sjleoperationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2. Trappematricer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3. Linere ligningssystemer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4. Linere ligningssystemer og linere afbildninger . . . . . . . . . . . . . . . 52
2.5. Operationsmatricer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.6. Regulre matricer. Matrixinversion . . . . . . . . . . . . . . . . . . . . . . . 57
3. Determinanter 65
3.1. Determinant af 22-matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2. Determinant af 33-matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3. Permutationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4. Determinant af nn-matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5. Cramers formler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6. Determinant og invers matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.7. Udvikling af determinant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4. Vektorrum 85
4.1. Denition af vektorrum; eksempler . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2. Linere afbildninger; isomor . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3. Endeligdimensionale vektorrum; basis . . . . . . . . . . . . . . . . . . . . . . 89
4.4. Underrum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.5. Liner afhngighed; liner uafhngighed . . . . . . . . . . . . . . . . . . . 100
4.6. Udtyndingsalgoritmen; udvidelsesalgoritmen . . . . . . . . . . . . . . . . . . 104
4.7. Rang; dimensionsstningen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5. Vektorrum og matricer 113
5.1. Koordinattransformationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
v
Indhold
5.2. Linere afbildninger og matricer . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3. Linere afbildninger og koordinattransformationer . . . . . . . . . . . . . . 120
5.4. Determinant af endomor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6. Diagonalisering af matricer 123
6.1. Diagonaliserbare matricer; egenvrdier og egenvektorer . . . . . . . . . . . 123
6.2. Betydningen af rodmultipliciteterne . . . . . . . . . . . . . . . . . . . . . . . 132
6.3. Betydningen af egenvrdimultipliciteterne . . . . . . . . . . . . . . . . . . . 134
6.4. Potensoplftning af matricer; anvendelser . . . . . . . . . . . . . . . . . . . . 138
7. Vektorrum med skalarprodukt 143
7.1. Skalarprodukt; Gram-Schmidt ortogonalisering . . . . . . . . . . . . . . . . 143
7.2. Ortogonale matricer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.3. Ortogonalkomplement og ortogonalprojektion . . . . . . . . . . . . . . . . . 151
7.4. Diagonalisering af reelle symmetriske matricer . . . . . . . . . . . . . . . . 154
7.5. Kvadratiske former . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.6. Diagonalisering af normale matricer . . . . . . . . . . . . . . . . . . . . . . . 163
A. Appendiks 165
A.1. Mngder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
A.2. Afbildninger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
A.3. Komplekse tal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
B. Det grske alfabet 171
B. Hjemmeopgaver 173
C. velsesopgaver 183
D. Blandede opgaver 221
vi
1. Linere afbildninger og matricer
I dette kapitel introducerer og studerer vi reelle og komplekse n-dimensionale rum,
samt skaldte linere afbildninger mellem sdanne rum. Det viser sig at de linere
afbildninger kan reprsenteres ved rektangulre talskemaer : skaldte matricer. Bde
talskemaerne og de n-dimensionale rum kommer til at spille en central rolle i hele
bogen.
1.1. Talrummene R
n
, C
n
.
De naturlige tal betegnes med N, de reelle tal betegnes med R og de komplekse tal
betegnes med C (jvf. A.1). Lad F vre enten R eller C og lad n vre et naturligt tal.
Mngden af alle n-talst
x =(x
1
, , x
n
),
hvor x
1
, , x
n
ligger i F, betegnes med F
n
. Vi kalder ogs x for en vektor i F
n
. Talle-
ne x
1
, , x
n
kaldes koordinaterne for vektoren x. Det er ofte bekvemt at skrive x =
(x
1
, , x
n
) som en n-talsjle
x =
_
_
_
x
1
.
.
.
x
n
_
_
_.
Denne dobbelttydige skrivemde er kendt fra regning med (koordinater for) vektorer
i planen, der jo betegnes bde med f.eks. (x, y) og
_
x
y
_
.
For en vektor
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
i F
n
og et tal F deneres vektoren x (x multipliceret med ) ved
x =
_
_
_
x
1
.
.
.
x
n
_
_
_.
1
Med x betegner vi vektoren (1)x, alts
x =
_
_
_
x
1
.
.
.
x
n
_
_
_.
For to vektorer
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_
i F
n
deneres vektoren x+ y (summen af x og y) ved
x+ y =
_
_
_
x
1
+ y
1
.
.
.
x
n
+ y
n
_
_
_.
Med x y betegner vi vektoren x+(y), alts
x y =
_
_
_
x
1
y
1
.
.
.
x
n
y
n
_
_
_.
Med disse denitioner af x og xy opns, at vi kan regne med minustegn p sdvanlig
mde.
u v
u
2v
v
u
u+v
Figur 1.1.: Regneregler for vektorer i R
2
.
Et udtryk af formen x+y kaldes en linearkombination af x og y.
2
1.1. Talrummene R
n
, C
n
.
Eksempel 1.1.1 Hvis vektorerne x og y i R
4
er givet ved
x =
_
_
_
_
_
1
3
2
4
_
_
_
_
_
, y =
_
_
_
_
_
3
5
1
2
_
_
_
_
_
er
2x+ y =2
_
_
_
_
_
1
3
2
4
_
_
_
_
_
+
_
_
_
_
_
3
5
1
2
_
_
_
_
_
=
_
_
_
_
_
2
6
4
8
_
_
_
_
_
+
_
_
_
_
_
3
5
1
2
_
_
_
_
_
=
_
_
_
_
_
5
1
3
6
_
_
_
_
_
.
Nulvektoren o i F
n
deneres ved
o =
_
_
_
0
.
.
.
0
_
_
_.
En vektor x F
n
, der ikke er nulvektoren, kaldes en egentlig vektor.
Vi har nu deneret to operationer p vektorer i F
n
, nemlig multiplikation af en vektor
med et tal (skalarmultiplikation) og dannelse af to vektorers sum (addition). Om disse
operationer glder flgende regneregler, der i tilfldet n = 2 er bekendte fra regning
med (koordinater for) vektorer i planen.
Stning 1.1.2 (Regneregler for vektorer i F
n
) For vilkrlige vektorer x, y, z i F
n
og vilkrlige tal , i F glder:
V1: (x+ y) +z = x+(y+z).
V2: x+o = x.
V3: x+(x) = o.
V4: x+ y = y+x.
V5: (x+ y) =x+y.
V6: (+)x =x+x.
V7: ()x =(x).
V8: 1x = x.
3
Bevis. Disse regneregler flger let af de tilsvarende regneregler for de reelle og kom-
plekse tal. Vi njes med et par eksempler. Lad
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_ , z =
_
_
_
z
1
.
.
.
z
n
_
_
_
vre vektorer i F
n
. Der glder da:
(x+ y) +z =
_
_
_
x
1
+ y
1
.
.
.
x
n
+ y
n
_
_
_+
_
_
_
z
1
.
.
.
z
n
_
_
_ =
_
_
_
x
1
+ y
1
+z
1
.
.
.
x
n
+ y
n
+z
n
_
_
_
og
x+(y+z) =
_
_
_
x
1
.
.
.
x
n
_
_
_+
_
_
_
y
1
+z
1
.
.
.
y
n
+z
n
_
_
_ =
_
_
_
x
1
+ y
1
+z
1
.
.
.
x
n
+ y
n
+z
n
_
_
_.
Heraf ses, at (x+y)+z = x+(y+z), alts er V1 opfyldt. For f.eks. at indse, at V5 er opfyldt
skriver vi
(x+ y) =
_
_
_
x
1
+ y
1
.
.
.
x
n
+ y
n
_
_
_ =
_
_
_
(x
1
+ y
1
)
.
.
.
(x
n
+ y
n
)
_
_
_ =
_
_
_
x
1
+y
1
.
.
.
x
n
+y
n
_
_
_
og
x+y =
_
_
_
x
1
.
.
.
x
n
_
_
_+
_
_
_
y
1
.
.
.
y
n
_
_
_ =
_
_
_
x
1
+y
1
.
.
.
x
n
+y
n
_
_
_,
hvoraf gyldigheden af V5 ases. De vrige regneregler bevises efter et tilsvarende
mnster. 2
Den flles vrdi af (x+y)+z og x+(y+z) (regneregel V1) betegnes x+y+z. Den flles
vrdi af ()x og (x) (regneregel V7) betegnes x.
Eksempel 1.1.3 Hvis vektorerne x, y, z er givet ved
x =
_
_
_
_
_
1
3
2
4
_
_
_
_
_
, y =
_
_
_
_
_
3
5
1
2
_
_
_
_
_
, z =
_
_
_
_
_
2
0
1
1
_
_
_
_
_
er
2x+ y3z =2
_
_
_
_
_
1
3
2
4
_
_
_
_
_
+
_
_
_
_
_
3
5
1
2
_
_
_
_
_
3
_
_
_
_
_
2
0
1
1
_
_
_
_
_
=
_
_
_
_
_
1
1
0
9
_
_
_
_
_
.
4
1.1. Talrummene R
n
, C
n
.
For to vektorer
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_
i F
n
deneres skalarproduktet x y ved
x y = x
1
y
1
+ +x
n
y
n
,
ogs betegnet

n
j=1
x
j
y
j
. Her henviser y til den komplekse konjugerede af y (Jvf A.3)
(S hvis y R er y = y.) Om skalarproduktet glder flgende regneregler, der i tilfldet
n =2 F =R er bekendte fra regning med skalarprodukt af vektorer i planen.
Stning 1.1.4 (Regneregler for skalarprodukt) For vilkrlige vektorer x, y, z i F
n
og vilkrlige tal F glder:
S1: (x+ y) z = x z + y z
S2: (x) y =(x y)
S3: x y = y x
S4: x x 0
S5: x x =0 x = o
Bemrk at hvis F =R siger S3 blot at x y = y x
Bevis. Regnereglerne S1, S2 og S3 flger let af de tilsvarende regneregler for de reel-
le/komplekse tal. Vi njes derfor med et enkelt eksempel. Lad
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_ , z =
_
_
_
z
1
.
.
.
z
n
_
_
_
vre vektorer i F
n
. Der glder da:
(x+ y) z =
_
_
_
x
1
+ y
1
.
.
.
x
n
+ y
n
_
_
_
_
_
_
z
1
.
.
.
z
n
_
_
_
=(x
1
+ y
1
)z
1
+ +(x
n
+ y
n
)z
n
= x
1
z
1
+ y
1
z
1
+ +x
n
z
n
+ y
n
z
n
og
x z + y z =(x
1
z
1
+ +x
n
z
n
) +(y
1
z
1
+ + y
n
z
n
)
= x
1
z
1
+ y
1
z
1
+ +x
n
z
n
+ y
n
z
n
.
5
Heraf ses, at (x + y) z = x z + y z, alts er S1 opfyldt. Beviset for regnereglerne S2 og
S3 flger et tilsvarende mnster.
Gyldigheden af S4 og S5 flger umiddelbart af, at
x x = x
1
x
1
+ +x
n
x
n
.
samt at der for alle x F glder xx 0 med lighedstegn netop hvis x =0. 2
For en vektor x F
n
deneres lngden af vektoren x som tallet
|x| =
_
x x.
Denne denition giver mening da x x 0 (S4). Vi bemrker, at |x| =0 netop hvis x = o,
og at |x| =|| |x| for F, x F
n
.
To vektorer x og y i F
n
siges at vre ortogonale, hvis
x y =0.
Eksempel 1.1.5 Hvis x, y i R
3
er givet ved
x =
_
_
2
3
6
_
_
, y =
_
_
7
1
2
_
_
er
x y =2 7+(3) 1+6 (2) =1
og
|x| =
_
2
2
+(3)
2
+6
2
=
49 =7, | y| =
_
7
2
+1
2
+(2)
2
=
54 =3
6.
Eksempel 1.1.6 Hvis x, y i C

2
er givet ved
x =
_
0
1i
_
, y =
_
i
2+i
_
er
x y =0 (i) +(1i) (2i) =13i
og
|x| =
_
0 0+(1i) (1+i) =
2, | y| =
_
i (i) +(2+i)(2i) =
6.
6
1.1. Talrummene R
n
, C
n
.
Vektorerne
e
1
=
_
_
_
_
_
_
_
_
1
0
.
.
.
.
.
.
0
_
_
_
_
_
_
_
_
, , e
j
=
_
_
_
_
_
_
_
_
0
.
.
.
1
.
.
.
0
_
_
_
_
_
_
_
_
j, , e
n
=
_
_
_
_
_
_
_
_
0
.
.
.
.
.
.
0
1
_
_
_
_
_
_
_
_
kaldes standard enhedsvektorerne i F
n
. Der glder, at |e
i
| = 1 og e
i
e
j
= 0 for i = j
(Overvej!).
e
1
e
2
e
2
e
1
e
3
Figur 1.2.: Standardenhedsvektorer i R
2
og R
3
.
Hvis
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
er en vektor i F
n
glder, at
x = x
1
e
1
+ +x
n
e
n
,
og at
x
j
= x e
j
.
7
1.2. Matricer
En matrix
1
er et rektangulrt talskema af formen
A
=
=
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
.
hvor a
i j
ligger i F. Hvis F =R kaldes A
=
en reel matrix og hvis F =C kaldes A
=
en kompleks
matrix.
Den ite rkke i A
=
, der ogs betegnes A
=
[i, ], er
(a
i1
. . . a
in
),
og den jte sjle i A
=
, der ogs betegnes A
=
[, j], er
_
_
_
a
1j
.
.
.
a
mj
_
_
_.
Tallet a
i j
str i den ite rkke og den jte sjle og betegnes ogs A
=
[i, j]. Det kaldes den
i jte indgang. Matricen A
=
har m rkker og n sjler, og bestr sledes af mn tal fra F. Vi
kalder ogs A
=
for en mn-matrix.
Vi kan opfatte A
=
som opbygget af n m-talsjler, og omtaler
a
1
=
_
_
_
a
11
.
.
.
a
m1
_
_
_, , a
n
=
_
_
_
a
1n
.
.
.
a
mn
_
_
_
som matricens sjlevektorer . Den jte sjlevektor er
a
j
=
_
_
_
a
1j
.
.
.
a
mj
_
_
_.
En matrix, hvori alle elementer er lig 0 kaldes en nulmatrix. Nulmatricer betegnes 0
=
eller 0
=
m,n
.
Eksempel 1.2.1 En 32-matrix ser sledes ud
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
.
1
Ordet matrix bjes p flgende mde: en matrix, matricen, ere matricer, alle matricerne.
8
1.2. Matricer
Eksempel 1.2.2 Matricen

_
0 1 4 7 3
5 5 0 8 10
_
har to rkker og femsjler, og er alts en reel 25-matrix. Her er A
=
[1, ] =
_
0 1 4 7 3
_
,
A
=
[, 2] =
_
1
5
_
, A
=
[2, 4] =8.
I stedet for at opskrive matricen A
=
i et skema bruges ogs den kortere skrivemde
A
=
=(a
i j
)
1im,1jn
.
Som en forkortelse af dette udtryk skriver vi ofte kun
A
=
=(a
i j
)
m,n
og fremhver, at dette sidste udtryk alts er ensbetydende med
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_.
En nn matrix
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
kaldes ogs en kvadratisk matrix. I en kvadratisk matrix siges a
i j
at st i diagonalen
dersom i = j, og uden for diagonalen dersom i = j.
En kvadratisk matrix, hvori alle elementer uden for diagonalen er lig 0 kaldes en
diagonalmatrix. En diagonalmatrix hvori alle diagonalelementer er lig 1 kaldes en en-
hedsmatrix. Enhedsmatricer betegnes E
=
eller E
=
n,n
, dersom man nsker at fremhve
rkke- og sjleantal. Enhedsmatricer har alts formen
E
=
=
_
_
_
_
_
_
_
1 0 . . . 0 0
0 1 . . . 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1 0
0 0 . . . 0 1
_
_
_
_
_
_
_
.
Det ses, at den jte sjlevektor i E
=
netop er den jte standard enhedsvektor i F
n
.
9
Eksempel 1.2.3 De flgende matricer er eksempler p diagonalmatricer:
_
_
2 0 0
0 3 0
0 0 1
_
_
,
_
_
_
_
_
1 0 0 0
0 0 0 0
0 0 5+7i 0
0 0 0 0
_
_
_
_
_
,
_
_
1 0 0
0 1 0
0 0 1
_
_
.
Den sidste af disse matricer er en enhedsmatrix.
En kvadratisk matrix
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
n1
. . . a
nn
_
_
_
kaldes en nedre trekantsmatrix hhv. vre trekantsmatrix dersom a
i j
= 0 for alle i og
j med i < j hhv. i > j. En nedre trekantsmatrix hhv. vre trekantsmatrix er alts en
matrix af formen
_
_
_
_
_
_
a
11
0 . . . 0
a
21
a
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
a
n1
a
n2
. . . a
nn
_
_
_
_
_
_
, hhv.
_
_
_
_
_
a
11
a
12
. . . a
1n
0 a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 a
nn
_
_
_
_
_
.
Eksempel 1.2.4 De flgende matricer er eksempler p nedre trekantsmatricer:
_
_
2 0 0
1 3 0
4 0 1
_
_
,
_
_
_
_
_
1 0 0 0
3 0 0 0
1 0 5 0
0 2 2 0
_
_
_
_
_
,
_
_
2 0 0
0 0 0
0 0 3
_
_
,
og de flgende matricer er eksempler p vre trekantsmatricer:
_
_
2 1 3+2i
0 3 2
0 0 1
_
_
,
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 5 1
0 0 0 0
_
_
_
_
_
,
_
_
2 0 0
0 0 0
0 0 3
_
_
.
En m1-matrix har formen
_
_
_
a
11
.
.
.
a
m1
_
_
_ eller blot
_
_
_
a
1
.
.
.
a
m
_
_
_
og kaldes en sjlematrix, og en 1n-matrix har formen
(a
11
. . . a
1n
) eller blot (a
1
. . . a
n
)
10
1.2. Matricer
og kaldes en rkkematrix.
Det ses, at vi nu har to mder p hvilken vi kan navngive en n-talsjle
_
_
_
x
1
.
.
.
x
n
_
_
_,
nemlig
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ og X
=
=
_
_
_
x
1
.
.
.
x
n
_
_
_.
I frste tilflde kalder vi sjlen for en vektor, og i andet tilflde kalder vi sjlen for
en (sjle-)matrix. Det er bekvemt at have disse to muligheder for navngivning af en
sjle; det afhnger af sammenhngen hvilken man bruger, men vi vil i vrigt ikke
skelne skarpt mellem de to muligheder. P samme mde som vi taler om en matrices
sjlevektorer, taler vi om en matrices sjlematricer.
Matricerne
E
=
1
=
_
_
_
1
.
.
.
0
_
_
_, , E
=
n
=
_
_
_
0
.
.
.
1
_
_
_
kaldes for standard enhedssjlematricerne.
Er der givet en mn-matrix A
=
og en m p-matrix B
=
kan man danne en m(n+ p)-
matrix C
=
ud fra A
=
og B
=
s sjler ved at opskrive B
=
s sjler efter A
=
s sjler. Matricen C
=
kaldes en blokmatrix med blokkene A
=
og B
=
og man skriver
C
=
=
_
A
=
B
=
_
.
Tilsvarende kan man sl ere matricer sammen og opn blokmatricer af formen
A
=
=
_
A
=
1
. . . A
=
n
_
.
Er specielt A
=
1
, , A
=
n
sjlematricer med m elementer, er
A
=
=
_
A
=
1
. . . A
=
n
_
en mn-matrix, hvis jte sjlematrix er A
=
j
. Er tilsvarende a
1
, , a
n
vektorer i F
m
kan
disse opfattes som sjlematricer, og vi benytter da ogs betegnelsen
A
=
=
_
a
1
. . . a
n
_
for den mn-matrix A
=
, hvis jte sjlevektor er a
j
.
11
Eksempel 1.2.5 Hvis
A
=
=
_
_
2 1 0
3 2 2
1 0 1
_
_
og B
=
=
_
_
0 2
8 4
3 3
_
_
,
er
_
A
=
B
=
_
=
_
_
2 1 0 0 2
3 2 2 8 4
1 0 1 3 3
_
_
,
og hvis
a
1
=
_
_
2
1
0
_
_
, a
2
=
_
_
3
0
2
_
_
, a
3
=
_
_
0
4
4
_
_
, a
4
=
_
_
1
1
1
_
_
,
er
_
a
1
a
2
a
3
a
4
_
=
_
_
2 3 0 1
1 0 4 1
0 2 4 1
_
_
.
1.3. Linere afbildninger

Lad
A
=
=
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
vre en mn-matrix med indgange i F, som vi minder om er enten R eller C. Til A
=
knyttes en afbildning f : F
n
F
m
ved faststtelsen
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
a
11
x
1
+ +a
1n
x
n
.
.
.
a
m1
x
1
+ +a
mn
x
n
_
_
_.
Denition 1.3.1 En afbildning f : F
n
F
m
, der p denne mde er knyttet til en mn-
matrix A
=
, kaldes liner.
2
2
Hvis F = R omtales afbildningen til tider som reelt liner og hvis F = C omtales den som komplekst
liner.
12
Eksempel 1.3.2 En liner afbildning f : F
2
F
3
har formen
f
_
x
1
x
2
_
=
_
_
a
11
x
1
+a
12
x
2
a
21
x
1
+a
22
x
2
a
31
x
1
+a
32
x
2
_
_
.
Eksempel 1.3.3 Afbildningen f : R

5
R
2
givet ved
f
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
=
_
x
2
+4x
3
7x
4
+3x
5
5x
1
+5x
2
+8x
4
+10x
5
_
er liner, idet den er givet ved matricen
_
0 1 4 7 3
5 5 0 8 10
_
.
Eksempel 1.3.4 En fabrik fremstiller to varer X

1
og X
2
under anvendelse af tre rva-
rer Y
1
, Y
2
og Y
3
. Hvis der dagligt fremstilles x
1
enheder af X
1
og x
2
enheder af X
2
siger
vi, at fabrikkens produktionsst er (x
1
, x
2
). Hvis fabrikken dagligt forbruger y
1
enhe-
der af Y
1
, y
2
enheder af Y
2
og y
3
enheder af Y
3
siger vi, at fabrikkens forbrugsst er
(y
1
, y
2
, y
3
).
Om den pgldende produktion glder, at
produktion af en enhed af X
1
krver
_
_
3 enheder af Y
1
2 enheder af Y
2
1 enhed af Y
3
og
2
krver
_
_
5 enheder af Y
1
5 enheder af Y
2
3 enheder af Y
3
.
Der er da flgende sammenhng mellem forbrugsst og produktionsst:
y
1
= 3x
1
+5x
2
y
2
= 2x
1
+5x
2
y
3
= x
1
+3x
2
.
13
Lader vi f : R
2
R
3
betegne den afbildning, der til et produktionsst (x
1
, x
2
) knytter
det tilsvarende forbrugsst (y
1
, y
2
, y
3
) ser vi, at
f
_
x
1
x
2
_
=
_
_
y
1
y
2
y
3
_
_
=
_
_
3x
1
+5x
2
2x
1
+5x
2
x
1
+3x
2
_
_
,
og dermed, at f er en liner afbildning givet ved 32-matricen
_
_
3 5
2 5
1 3
_
_
.
Til en given mn-matrix A

=
= (a
i j
)
m,n
med indgange i F knytter vi alts en liner
afbildning f : F
n
F
m
. Vi ser at
f
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
=
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
, , f
_
_
_
_
_
0
0
.
.
.
1
_
_
_
_
_
=
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
.
Med andre ord har vi:
Stning 1.3.5 (Sjlereglen) Den jte sjlevektor i A
=
er lig med billedet ved f af den
jte standard enhedsvektor.
Af denne stning fs umiddelbart:
Stning 1.3.6 En liner afbildning f : F
n
F
m
er knyttet til netop n mn-matrix A
=
.
Eksempel 1.3.7 Lad afbildningen f : R
2
R
2
vre givet ved
f
_
x
y
_
=
_
x+ y
2
x y
_
.
Vi vil undersge, om denne afbildning er liner. Er f liner, m den tilhrende matrix
iflge sjlereglen vre
A
=
=
_
1 1
1 1
_
.
14
Men den til A
=
hrende linere afbildning g : R
2
R
2
er s
g
_
x
y
_
=
_
x+ y
x y
_
.
Det ses umiddelbart, at afbildningerne f og g er forskellige, og derfor er f ikke liner.
Idet a
j
betegner den jte sjlevektor i A
=
a
j
=
_
_
_
a
1j
.
.
.
a
mj
_
_
_
kan Stning 1.3.5 udtrykkes:
f (e
j
) =a
j
, 1 j n.
For en vektor
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
i R
n
nder vi s flgende udtryk for f (x):
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
a
11
x
1
+ +a
1n
x
n
.
.
.
a
m1
x
1
+ +a
mn
x
n
_
_
_
=
_
_
_
a
11
x
1
.
.
.
a
m1
x
1
_
_
_+ +
_
_
_
a
1n
x
n
.
.
.
a
mn
x
n
_
_
_
= x
1
_
_
_
a
11
.
.
.
a
m1
_
_
_+ +x
n
_
_
_
a
1n
.
.
.
a
mn
_
_
_,
alts
f (x) = x
1
a
1
+ +x
n
a
n
.
Eksempel 1.3.8 Den linere afbildning f fra Eksempel 1.2.2 kan skrives
f
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
= x
1
_
0
5
_
+x
2
_
1
5
_
+x
3
_
4
0
_
+x
4
_
7
8
_
+x
5
_
3
10
_
.
15
Den identiske afbildning p F
n
, dvs. den afbildning e : F
n
F
n
for hvilken e(x) = x for
alle x F
n
, er liner, idet den er givet ved nn-enhedsmatricen E
=
.
Den nste stning viser at man lige s godt kunne have deneret begrebet liner
afbildning p en anden mde. Man kunne nemlig have valgt at lade L1 og L2 nedenfor
vre denitionen af hvad det vil sige at en afbildning er liner. Bemrk at en sdan
denition ikke ville henvise til begrebet matrix.
Stning 1.3.9 Lad f : F
n
F
m
vre en liner afbildning. Da glder
L1: f (x) =f (x) for alle x F
n
, F.
L2: f (x+ y) = f (x) + f (y) for alle x, y F
n
.
Hvis omvendt f : F
n
F
m
er en afbildning, s L1 og L2 er opfyldt, da er f en liner
afbildning.
Bevis. Antag frst, at f er liner, og lad A
=
vre den tilhrende mn-matrix. Idet
a
1
, , a
n
betegner sjlevektorerne i A
=
glder for en vilkrlig vektor
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
i F
n
, at
f (x) = x
1
a
1
+ +x
n
a
n
.
Men da
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
glder
f (x) = x
1
a
1
+ +x
n
a
n
= (x
1
a
1
+ +x
n
a
n
) =f (x).
Dette viser, at L1 er opfyldt. For at vise at L2 er opfyldt bemrker vi, at der for vilkrlige
vektorer
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_
16
glder, at
x+ y =
_
_
_
x
1
+ y
1
.
.
.
x
n
+ y
n
_
_
_,
og derfor er
f (x+ y) = (x
1
+ y
1
)a
1
+ +(x
n
+ y
n
)a
n
= x
1
a
1
+ y
1
a
1
+ +x
n
a
n
+ y
n
a
n
= (x
1
a
1
+ +x
n
a
n
) +(y
1
a
1
+ + y
n
a
n
)
= f (x) + f (y).
Dette viser, at L2 er opfyldt.
Antag nu omvendt at f : F
n
F
m
er en afbildning, s L1 og L2 er opfyldt. St a
j
=
f (e
j
), lad A
=
vre mn-matricen
A
=
=
_
a
1
. . . a
n
_
,
og lad g : F
n
F
m
vre den linere afbildning, der er knyttet til A
=
. Der glder
g(x) = x
1
a
1
+ +x
n
a
n
= x
1
f (e
1
) + +x
n
f (e
n
)
= f (x
1
e
1
) + + f (x
n
e
n
) (her benyttes L1)
= f (x
1
e
1
+ +x
n
e
n
) (her benyttes L2)
= f (x).
Dette viser, at afbildningen f er lig med afbildningen g, og dermed at f er liner. 2
Se gur 1.3 for en grask illustration af Stning 1.3.9.
Vi slutter med flgende
Stning 1.3.10 Hvis f : F
n
F
m
er en liner afbildning knyttet til matricen A
=
=(a
i j
)
m,n
glder, at
a
i j
= f (e
j
) e
i
, 1 i m, 1 j n.
Bevis. Hvis
a
j
=
_
_
_
a
1j
.
.
.
a
mj
_
_
_
er den jte sjlevektor i A
=
glder (overvej), at
a
i j
=a
j
e
i
.
Men da a
j
= f (e
j
) iflge sjlereglen fs heraf, at a
i j
= f (e
j
) e
i
. 2
17
x y
f (x)
f (y)
x+ y
2x
f
f (x+ y) = f (x) + f (y)
f (2x) =2f (x)
Figur 1.3.: Stning 1.3.9. En liner afbildning f : R
2
R
2
opfylder at f (x) =f (x) og
f (x+ y) = f (x) + f (y) for alle x, y R
2
og R.
1.4. Matrix algebra
Vi vil nu denere 3 regneoperationer for matricer: multiplikation med skalar, addition
og multiplikation.
For
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_ =(a
i j
)
deneres
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_ =(a
i j
),
dvs en skalar ganges med en matrix ved at gange hver indgang med den pgldende
skalar.
For
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_ , B
=
=
_
_
_
b
11
. . . b
1n
.
.
.
.
.
.
b
m1
. . . b
mn
_
_
_,
18
1.4. Matrix algebra
hvor A
=
og B
=
begge er mn matricer, deneres
A
=
+B
=
=
_
_
_
a
11
+b
11
. . . a
1n
+b
1n
.
.
.
.
.
.
a
m1
+b
m1
. . . a
mn
+b
mn
_
_
_ =(a
i j
+b
i j
),
dvs to matricer af samme strrelse lgges sammen ved at lgge de enkelte indgange
sammen parvis.
For
A
=
=
_
_
_
a
11
. . . a
1p
.
.
.
.
.
.
a
m1
. . . a
mp
,
_
_
_, B
=
=
_
_
_
b
11
. . . b
1n
.
.
.
.
.
.
b
p1
. . . b
pn
_
_
_,
hvor A
=
er en m p-matrix, og B
=
er en pn-matrix, deneres C
=
= A
=
B
=
, som den mn-
matrix
C
=
=
_
_
_
c
11
. . . c
1n
.
.
.
.
.
.
c
m1
. . . c
mn
_
_
_
for hvilken
c
i j
=a
i1
b
1j
+ +a
i p
b
pj
, 1 i m, 1 j n,
eller anderledes udtrykt
c
i j
=
p
k=1
a
ik
b
kj
= A[i, ] B[, j] , 1 i m, 1 j n.
Se ogs gur 1.4 for en grask illustration af matrixmultiplikation. Bemrk, at for at
produktet A
=
B
=
skal vre deneret skal antallet af sjler i A
=
vre lig med antallet af
rkker i B
=
.
Eksempel 1.4.1 Hvis
A
=
=
_
2 3 1
4 1 2
_
, B
=
=
_
1 4 1
2 1 3
_
,
er
3A
=
=
_
6 9 3
12 3 6
_
, 2B
=
=
_
2 8 2
4 2 6
_
, 3A
=
+2B
=
=
_
8 17 1
16 1 0
_
.
19
a
11
. . . a
1k
. . . a
1p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
. . . a
ik
. . . a
i p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
. . . a
mk
. . . a
mp
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
A
=
: m rkker p sjler
b
11
. . . b
1j
. . . b
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
k1
. . . b
kj
. . . b
kn
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
p1
. . . b
pj
. . . b
pn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
B
=
: p rkker n sjler
c
11
. . . c
1j
. . . c
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
i1
. . . c
i j
. . . c
in
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
. . . c
mj
. . . c
mn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
C
=
= A
=
B
=
: m rkker n sjler
a
i
1
b
1
j
a
i
k
b
k
j
a
i
p
b
p
j
+
.
.
.
+
+
.
.
.
+
Figur 1.4.: Matrixmultiplikation
Eksempel 1.4.2 Hvis
A
=
=
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
og B
=
=
_
b
11
b
12
b
21
b
22
_
er en 32-matrix hhv. 22-matrix er
A
=
B
=
=
_
_
a
11
b
11
+a
12
b
21
a
11
b
12
+a
12
b
22
a
21
b
11
+a
22
b
21
a
21
b
12
+a
22
b
22
a
31
b
11
+a
32
b
21
a
31
b
12
+a
32
b
22
_
_
.
Eksempel 1.4.3 Vi udregner et produkt af en 23-matrix og en 34-matrix. Den re-

sulterende matrix bliver en 24-matrix.
_
2 3 5
1 0 2
_
_
_
1 1 0 1
2 0 2 1
0 5 3 1
_
_
=
_
8 23 21 10
1 11 6 1
_
.
20
1.4. Matrix algebra
Eksempel 1.4.4
_
1 1
0 0
_ _
0 0
0 1
_
=
_
0 1
0 0
_
_
0 0
0 1
_ _
1 1
0 0
_
=
_
0 0
0 0
_
Stning 1.4.5 For matrixregning glder flgende regneregler:

M1: (A
=
+B
=
) +C
=
= A
=
+(B
=
+C
=
)
M2: A
=
+0
=
= A
=
M3: A
=
+(A
=
) =0
=
M4: A
=
+B
=
=B
=
+A
=
M5: (A
=
+B
=
) =A
=
+B
=
M6: (+)A
=
=A
=
+A
=
M7: ()A
=
=(A
=
)
M8: 1A
=
= A
=
M9: (A
=
B
=
) =(A
=
)B
=
= A
=
(B
=
)
M10: A
=
(B
=
+C
=
) = A
=
B
=
+A
=
C
=
M11: (A
=
+B
=
)C
=
= A
=
C
=
+B
=
C
=
M12: (A
=
B
=
)C
=
= A
=
(B
=
C
=
)
Her er 0
=
nulmatricen, og A
=
= (1)A
=
den matrix, der fremgr af A
=
ved at skifte
fortegn for alle elementer i A
=
. Sidstnvnte matrix kaldes A
=
s modsatte matrix.
Bemrk, at det er et krav, at operationerne i M1-M12 skal vre denerede, det vil
sige at de relevante matricer har passende strrelser.
Reglerne bevirker, at man stort set kan regne med matricer som med tal, men med
to betydningsfulde forskelle. Man kan ikke umiddelbart dividere med en matrix, og der
glder normalt ikke
A
=
B
=
=B
=
A
=
.
21
hvilket ses af Eksempel 1.4.4. Faktorernes orden er alts ikke ligegyldig for matrixmul-
tiplikation. Derimod kan man udelade parenteser ved produkt af 3 eller ere matricer,
hvilket er en konsekvens af den vigtige regel M12, den skaldte associative regel for
matrixmultiplikation.
Bevis. De frste 11 regneregler er alle simple at vise. For at vise M12 indfrer vi ele-
mentre matricer
I
=
j,k
=
_
_
_
_
_
_
_
_
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
_
_
,
hvor der er 1 p plads ( j, k) og 0 ellers. En vilkrlig mn-matrix A
=
kan derfor skrives
A
=
=
j,k
a
jk
I
=
j,k
,
hvor alle de indgende elementre matricer er mn.
Der glder benbart for 2 elementre matricer (der kan multipliceres)
I
=
j,k
I
=
m,n
=
km
I
=
j,n
, hvor
km
=
_
1 k = m
0 ellers
.
(
km
deneret p denne mde kaldes ofte Kroneckers delta.)
Det flger nu, at
(A
=
B
=
)C
=
=
_
j,k
a
jk
I
=
j,k
m,n
b
mn
I
=
m,n
_
r,s
c
rs
I
=
r,s
=
j,k
m,n
r,s
a
jk
b
mn
c
rs
_
I
=
j,k
I
=
m,n
_
I
=
r,s
,
A
=
(B
=
C
=
) =
j,k
a
jk
I
=
j,k
_
b
mn
I
=
m,n
c
rs
I
=
r,s
_
=
j,k
m,n
r,s
a
jk
b
mn
c
rs
I
=
j,k
_
I
=
m,n
I
=
r,s
_
,
og derfor er (A
=
B
=
)C
=
= A
=
(B
=
C
=
), sfremt
_
I
=
j,k
I
=
m,n
_
I
=
r,s
= I
=
j,k
_
I
=
m,n
I
=
r,s
_
.
Af reglen for produkt af 2 elementre matricer flger, at
_
I
=
j,k
I
=
m,n
_
I
=
r,s
=
km
I
=
j,n
I
=
r,s
=
km
nr
I
=
j,s
,
I
=
j,k
_
I
=
m,n
I
=
r,s
_
= I
=
j,k
nr
I
=
m,s
=
nr
I
=
j,k
I
=
m,s
=
nr
km
I
=
j,s
,
og det viser det nskede. 2
22
1.4. Matrix algebra
Lad f : F
n
F
m
vre en liner afbildning knyttet til mn-matricen
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_.
Der glder da
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
a
11
x
1
+ +a
1n
x
n
.
.
.
a
m1
x
1
+ +a
mn
x
n
_
_
_ ()
Hvis vi skriver vektorer i F
n
som sjlematricer
X
=
=
_
_
_
x
1
.
.
.
x
n
_
_
_
kan () udtrykkes ved hjlp af matrix multiplikation p flgende mde:
f (X
=
) = A
=
X
=
,
eller mere udfrligt
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_.
Vi skal nu se, at matrix multiplikation hnger nje sammen med sammenstning af
linere afbildninger. Frst et eksempel:
Eksempel 1.4.6 Lad de linere afbildninger f : R
2
R
3
hhv. g : R
2
R
2
vre givet ved
matricerne
A
=
=
_
_
1 2
2 0
3 3
_
_
, hhv. B
=
=
_
2 1
1 1
_
.
Vi vil beregne den sammensatte afbildning h = f g : R
2
R
3
. Der glder
h
_
x
1
x
2
_
= f g
_
x
1
x
2
_
= f (g
_
x
1
x
2
_
) = f
_
2x
1
+x
2
x
1
+x
2
_
=
_
_
1 (2x
1
+x
2
) 2 (x
1
+x
2
)
2 (2x
1
+x
2
) +0 (x
1
+x
2
)
3 (2x
1
+x
2
) +3 (x
1
+x
2
)
_
_
=
_
_
4x
1
x
2
4x
1
+2x
2
3x
1
+6x
2
_
_
.
Vi ser alts at den sammensatte afbildning h = f g er liner, og at den er givet ved
32-matricen
C
=
=
_
_
4 1
4 2
3 6
_
_
.
23
Ved udregning ses, at C
=
= A
=
B
=
.
p
F
m
og g : F
n
F
p
vre linere afbildninger. Den sam-
mensatte afbildning h = f g : F
n
F
m
er da ligeledes liner. Hvis f svarer til m p-
matricen A
=
og g svarer til p n-matricen B
=
, da svarer h = f g til mn-matricen
C
=
= A
=
B
=
.
Bevis. Da f : Y
=
A
=
Y
=
, g: X
=
B
=
X
=
er f g: X
=
A
=
(B
=
X
=
) =(A
=
B
=
)X
=
, idet vi benytter den
associative regel for matrixprodukt. Men heraf flger, at f g er den linere afbildning,
der svarer til matricen A
=
B
=
. 2
Stning 1.4.8 Idet A
=
er en mn-matrix glder
E
=
m,m
A
=
= A
=
E
=
n,n
= A
=
.
Bevis. Dette ses ved en simpel udregning, men flger ogs umiddelbart ved at opfatte
A
=
og E
=
m,m
hhv. E
=
n,n
som matricer for linere afbildninger. 2
For en nn-matrix A
=
og et naturligt tal k deneres den kte potens af A
=
k
af A
=
ved
A
=
k
= A
=
. . . A
=
(k faktorer ).
Specielt bemrkes, at A
=
1
= A
=
.
Vi bemrker igen, at matrixproduktet ikke er kommutativt, idet der for to n n-
matricer A
=
og B
=
i almindelighed glder, at A
=
B
=
=B
=
A
=
.
For diagonalmatricer er matrixmultiplikation srlig overskuelig. Hvis
A
=
=
_
_
_
1
.
.
.
n
_
_
_ og B
=
=
_
_
_
1
.
.
.
n
_
_
_
er
A
=
B
=
=
_
_
_
1
.
.
.
n
_
_
_.
24
1.4. Matrix algebra
Eksempel 1.4.9 Vi ser igen p fabrikken fra Eksempel 1.3.4. Rvarerne Y
1
, Y
2
og Y
3
fremstilles af fabrikken selv ud fra to andre rvarer Z
1
og Z
2
. Om denne produktion
glder, at
produktion af en enhed af Y
1
krver
_
1 enhed af Z
1
1 enhed af Z
2
,
og
2
krver
_
4 enheder af Z
1
3 enheder af Z
2
,
og
3
krver
_
10 enheder af Z
1
0 enheder af Z
2
.
Ved denne produktion beskrives den fremstillede mngde af varerne Y
1
, Y
2
og Y
3
ved
produktionssttet (y
1
, y
2
, y
3
) og den hertil forbrugte mngde af Z
1
og Z
2
beskrives ved
forbrugssttet (z
1
, z
2
). Mellem disse to st glder flgende sammenhng:
z
1
= y
1
+4y
2
+10y
3
z
2
= y
1
+3y
2
.
Hvis g : R
3
R
2
betegner den afbildning, der til sttet (y
1
, y
2
, y
3
) knytter det tilhrende
st (z
1
, z
2
), ser vi, at
g
_
_
y
1
y
2
y
3
_
_
=
_
z
1
z
2
_
=
_
y
1
+4y
2
+10y
3
y
1
+3y
2
_
,
og dermed, at g er en liner afbildning knyttet til 23-matricen
_
1 4 10
1 3 0
_
.
Idet vi stadig benytter betegnelserne fra Eksempel 1.3.4 ser vi, at den sammensatte
afbildning g f : R
2
R
2
knytter produktionssttet (x
1
, x
2
) for varerne X
1
og X
2
til
forbrugssttet (z
1
, z
2
) for rvarerne Z
1
og Z
2
. Iflge Stning 1.4.7 er den sammensatte
afbildning g f liner, og den er knyttet til produktmatricen
_
1 4 10
1 3 0
_
_
_
3 5
2 5
1 3
_
_
=
_
21 55
9 20
_
.
Heraf sluttes
_
z
1
z
2
_
=
_
21 55
9 20
_ _
x
1
x
2
_
,
25
eller
z
1
= 21x
1
+55x
2
z
2
= 9x
1
+20x
2
.
1.5. Invers matrix

Vi skal i dette afsnit se hvornr vi kan give mening til division med en matrix. Vi ser
frst p den omvendte til en bijektiv liner afbildning. Der glder:
n
F
n
vre en bijektiv liner afbildning. Den omvendte afbild-
ning f
1
: F
n
F
n
er ligeledes liner.
Bevis. Vi viser, at f
1
opfylder L1 og L2 fra Stning 1.3.9. Frst L1: Lad F og y F
n
,
og st x = f
1
(y), hvoraf y = f (x). Der glder s f
1
(y) = f
1
(f (x)) = f
1
( f (x)) =
x = f
1
(y), alts glder L1. Dernst L2: Lad y
1
, y
2
F
n
, og st x
1
= f
1
(y
1
), x
2
=
f
1
(y
2
), hvoraf y
1
= f (x
1
), y
2
= f (x
2
). Der glder f
1
(y
1
+ y
2
) = f
1
( f (x
1
) + f (x
2
)) =
f
1
( f (x
1
+x
2
)) = x
1
+x
2
= f
1
(y
1
) + f
1
(y
2
), alts glder L2. Undervejs har vi adskil-
lige gange benyttet at f er liner. 2
Denition 1.5.2 En nn-matrix A
=
kaldes regulr (eller invertibel), hvis den tilhrende
linere afbildning f : F
n
F
n
er bijektiv. I givet fald kaldes den til f
1
hrende nn-
matrix for den inverse til A
=
og betegnes A
=
1
.
Eksempel 1.5.3 Vi betragter afbildningen f : R
3
R
3
givet ved
f
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+x
3
x
1
+x
2
x
1
x
3
_
_
Denne afbildning er liner, idet den er givet ved matricen
A
=
=
_
_
1 0 1
1 1 0
1 0 1
_
_
.
At f er bijektiv vil sige, at ligningen f (x) = y har netop en lsning x R
3
for hvert y R
3
.
I koordinater betyder denne ligning
x
1
+x
3
= y
1
x
1
+x
2
= y
2
x
1
x
3
= y
3
.
26
1.5. Invers matrix
Ved addition af frste og sidste ligning efterfulgt af division med 2 ses, at
x
1
=
1
2
(y
1
+ y
3
),
der ved indsttelse i frste og anden ligning giver
x
2
=
1
2
y
1
+ y
2
1
2
y
3
x
3
=
1
2
y
1
1
2
y
3
.
Det ses heraf (samt ved at gre prve), at der for hvert y R
3
ndes netop et x R
3
s
y = f (x), alts er f bijektiv og dermed er matricen A
=
regulr. Af de fundne udtryk for
x
1
, x
2
, x
3
ses, at
f
1
:
_
_
y
1
y
2
y
3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1
2
y
1
+
1
2
y
3
1
2
y
1
+ y
2
1
2
y
3
1
2
y
1
1
2
y
3
_
_
.
Den tilhrende matrix A
=
1
kan herefter nedskrives:
A
=
1
=
_
_
1
2
0
1
2
1
2
1
1
2
1
2
0
1
2
_
_
.
Det bemrkes, at vi senere vil nde mere effektive metoder til at afgre om en kvadra-
tisk matrix er regulr, og i givet fald nde dens inverse.
Stning 1.5.4 Der glder flgende:
(1) Enhedsmatricen E
=
er regulr, og
E
=
1
=E
=
.
(2) Hvis A
=
er regulr, er A
=
1
regulr, og
(A
=
1
)
1
= A
=
.
(3) Hvis A
=
er regulr er
A
=
1
A
=
= A
=
A
=
1
=E
=
.
(4) Hvis A
=
og B
=
er regulre, da er A
=
B
=
regulr, og
(A
=
B
=
)
1
=B
=
1
A
=
1
.
27
Bevis. (1) flger umiddelbart af, at den identiske afbildning er bijektiv, og har sig selv
til invers. (2) flger af, at hvis en afbildning f er bijektiv, da er f
1
bijektiv, og ( f
1
)
1
=
f . (3) flger af, at hvis f er en bijektiv afbildning, da er f
1
f og f f
1
begge lig med
den identiske afbildning. (4) flger af, at hvis afbildningerne f og g er bijektive, da er
f g bijektive, og ( f g)
1
= g
1
f
1
, jvf. A.2. for en nrmere omtale af disse ting. 2
Lad os herefter se p hvornr diagonalmatricer er regulre. Lad
A
=
=
_
_
_
1
.
.
.
n
_
_
_
vre en diagonalmatrix. Den til A
=
hrende linere afbildning er
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
1
x
1
.
.
.
n
x
n
_
_
_.
Det ses umiddelbart, at f er bijektiv netop nr tallene
1
, ,
n
alle er forskellige fra
0, og i givet fald er den omvendte afbildning givet ved
f
1
_
_
_
y
1
.
.
.
y
n
_
_
_ =
_
_
_
_
1
1
y
1
.
.
.
1
n
y
n
_
_
_
_
Af dette slutter vi umiddelbart flgende:
Stning 1.5.5 En diagonalmatrix
_
_
_
1
.
.
.
n
_
_
_
er regulr netop nr alle diagonalelementerne er forskellige fra nul. I givet fald er
_
_
_
1
.
.
.
n
_
_
_
1
=
_
_
_
_
1
1
.
.
.
1
n
_
_
_
_
.
For en nn-matrix A
=
har vi deneret den kte potens for hvert naturligt tal k. Hvis
A
=
er regulr denerer vi for hvert naturligt tal k den negative potens A
=
k
ved
A
=
k
=(A
=
1
)
k
,
28
1.6. Transponeret og adjungeret matrix
og vi stter endvidere
A
=
0
=E
=
.
Herved har vi opnet, at A
=
k
er deneret for alle hele tal k. Det er ikke svrt at se, at
A
=
k
1
A
=
k
2
= A
=
k
1
+k
2
for alle hele tal k
1
, k
2
.
Vi slutter med en nyttig stning, som vi senere (Stning 2.6.6) skal bevise en forbed-
ret udgave af.
Stning 1.5.6 Hvis A
=
og B
=
er nn-matricer, sledes at
A
=
B
=
=E
=
og B
=
A
=
=E
=
,
da er A
=
(og B
=
) regulr, og A
=
1
=B
=
(og B
=
1
= A
=
).
Bevis. Lad f , g : F
n
F
n
vre de linere afbildninger der hrer til A
=
, hhv. B
=
. Da er
f g =id
F
n
og g f =id
F
n
, hvoraf fs (A.2), at f (og g) er bijektiv, og f
1
= g (og g
1
= f ).
Dette viser, at A
=
er regulr, og A
=
1
=B
=
. 2
For en given mn-matrix
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
denerer vi den transponerede matrix A
=
t
som den nm-matrix
A
=
t
=
_
_
_
a
11
. . . a
1m
.
.
.
.
.
.
a
n1
. . . a
nm
_
_
_
hvorom det glder, at
a
i j
=a
ji
, 1 i n, 1 j m.
Vi har alts
A
=
t
=
_
_
_
a
11
. . . a
m1
.
.
.
.
.
.
a
1n
. . . a
mn
_
_
_.
29
Matricen A
=
t
opstr ud fra A
=
ved at skrive frste rkke i A
=
som frste sjle i A
=
t
, anden
rkke i A
=
som anden sjle i A
=
t
, o.s.v. Der glder derfor A
=
t
[i, j] = A
=
[ j, i].
Vi denerer desuden den adjungerede matrix A
=
ved A
=
= A
=
t
.
3
Bemrk at hvis A
=
er
reel er A
=
t
= A
=
.
Eksempel 1.6.1 Hvis A
=
er 32-matricen
A
=
=
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
er A
=
t
givet ved 23-matricen
A
=
t
=
_
a
11
a
21
a
31
a
12
a
22
a
32
_
.
og A
=
givet ved 23-matricen

A
=
=
_
a
11
a
21
a
31
a
12
a
22
a
32
_
.
Eksempel 1.6.2 Hvis
A
=
=
_
0 1 4 7 3
5 5 0 8 10
_
er
A
=
t
=
_
_
_
_
_
_
_
0 5
1 5
4 0
7 8
3 10
_
_
_
_
_
_
_
.
Hvis
X
=
=
_
_
_
x
1
.
.
.
x
n
_
_
_
er en sjlematrix, er X
=
t
rkkematricen givet ved
X
=
t
=(x
1
x
n
).
3
Den konjugerede matrix B
=
af en matrix B
=
er den matrix man fr ved at komplekst konjugere alle
indgangene i B
=
. For en reel matrix glder der dermed at B
=
=B
=
. Bemrk ogs at (B
=
t
) =(B
=
)
t
.
30
Hvis
X
=
=
_
_
_
x
1
.
.
.
x
n
_
_
_ , Y
=
=
_
_
_
y
1
.
.
.
y
n
_
_
_
er to sjlematricer, er skalarproduktet af vektorerne x = X
=
og y =Y
=
givet ved
x y = X
=
t
Y
=
.
Om transponering og adjungering af matricer glder:

Stning 1.6.3 For en vilkrlig mn matrix A
=
glder
(A
=
t
)
t
= A
=
(A
=
= A
=
Bevis. Dette flger af udregningen
(A
=
t
)
t
[i, j] = A
=
t
[ j, i] = A
=
[i, j]
(A
=
[i, j] = A
=
[ j, i] = A
=
[i, j] = A
=
[i, j] 2
Stning 1.6.4 Idet A
=
og B
=
er vilkrlige m p- hhv. pn-matricer glder
(A
=
B
=
)
t
=B
=
t
A
=
t
.
(A
=
B
=
)
=B
=
A
=
.
Bevis. Dette flger af udregningerne
(A
=
B
=
)
t
[i, j] = (A
=
B
=
)[ j, i] = A
=
[ j, ] B
=
[, i],
(B
=
t
A
=
t
)[i, j] = B
=
t
[i, ] A
=
t
[, j] =B
=
[, i] A
=
[ j, ] = A
=
[ j, ] B
=
[, i].
samt at C
=
D
=
=C
=
D
=
for vilkrlige m p- hhv. pn-matricer C
=
, D
=
. 2
Stning 1.6.5 Hvis A
=
er en regulr nn-matrix, da er den transponerede (adjungere-
de) A
=
t
(A
=
) ligeledes regulr, og der glder

(A
=
t
)
1
=(A
=
1
)
t
, (A
=
)
1
=(A
=
1
)
.
31
Bevis. Idet
A
=
1
A
=
=E
=
og A
=
A
=
1
=E
=
fs af Stning 1.6.4 at
A
=
t
(A
=
1
)
t
=(A
=
1
A
=
)
t
=E
=
t
=E
=
og (A
=
1
)
t
A
=
t
=(A
=
A
=
1
)
t
=E
=
t
=E
=
.
Herefter flger resultatet af Stning 1.5.6. Pstanden for A
=
flger p samme mde. 2

Denition 1.6.6 Lad f : F
n
F
m
vre en liner afbildning hrende til mn-matricen
A
=
. Ved den transponerede linere afbildning til f forsts den linere afbildning f
t
:
F
m
F
n
, der hrer til den transponerede matrix A
=
t
. Ved den adjungerede linere afbild-
ning (eller den konjugerede transponerede linere afbildning) til f forsts den linere
afbildning f
: F
m
F
n
, der hrer til den adjungerede matrix A
=
.
Om adjungeret liner afbildning mellem F
n
og F
m
glder flgende vigtige stning:
n
F
m
vre en liner afbildning. Der glder da
f (x) y = x f
(y) ()
for alle vektorer x F
n
og alle vektorer y F
m
. Er endvidere g : F
m
F
n
en afbildning
for hvilken
f (x) y = x g(y) ()
n
m
, da er g = f
.
Bevis. Idet vi skriver vektorerne x og y som sjlematricer X
=
og Y
=
fs
f (x) y =(A
=
X
=
)
t
Y
=
=(X
=
t
A
=
t
)Y
=
= X
=
t
(A
=
t
Y
=
) = x f
(y).
Dette viser at () er opfyldt. Antag at g : F
m
F
n
er en liner afbildning, der opfylder
() for alle vektorer x F
n
m
. Da er 0 = f (x) y f (x) y = x g(y)
x f
(y) = x (g(y) f
(y)) for alle vektorer x F

n
m
. Specielt for
x = g(y) f
(y) fs 0 =| g(y) f
(y)|
2
, hvoraf g(y) = f
(y) for alle y F

m
, og det viser, at
g = f
. 2
En matrix A
=
= (a
i j
)
m,n
kaldes symmetrisk, hvis A
=
t
= A
=
. Dette er ensbetydende med
at m= n, og a
i j
=a
ji
for alle 1 i, j n. En liner afbildning f kaldes symmetrisk hvis
den tilhrende matrix er symmetrisk. Dette er ensbetydende med at f
t
= f .
32
En matrix A
=
=(a
i j
)
m,n
kaldes hermitisk, hvis A
=
= A
=
. Dette er ensbetydende med at
m= n, og a
i j
=a
ji
for alle 1 i, j n. En liner afbildning f kaldes selvadjungeret hvis
den tilhrende matrix er hermitisk. Dette er ensbetydende med at f
= f .
Eksempel 1.6.8 Flgende matricer er symmetriske
_
2 1
1 3
_
,
_
_
0 1 2
1 3 5
2 5 4
_
_
,
_
_
0 0 0
0 1 0
0 0 1
_
_
.
Eksempel 1.6.9 Flgende matricer er hermitiske

_
2 i
i 3
_
,
_
_
0 3+i 4i
3i 3 2
4i 2 4
_
_
,
Af Stning 1.6.7 fs umiddelbart

Stning 1.6.10 For en selvadjungeret liner afbildning f : F
n
F
n
glder
f (x) y = x f (y)
n
n
.
33
2. Rkke- og sjleoperationer
Linere ligningssystemer
I dette kapitel skal vi se hvordan man ved at manipulere med matricer fr et meget
kraftfuldt vrktj til at lse linere ligningssystemer. Vi skal udvikle en teknik hvor
man helt maskinelt kan afgre om m linere ligninger med n ubekendte har lsninger,
og i givet fald nde dem.
2.1. Rkke- og sjleoperationer
En given mn-matrix
A
=
=
_
_
_
a
11
. . . a
1n
.
.
.
.
.
.
a
m1
. . . a
mn
_
_
_
kan omformes til en ny mn-matrix ved hjlp af de skaldte rkke- og sjleoperationer.
Vi ser frst p rkkeoperationer. Af sdanne er der tre typer, nemlig
Type M: Multiplikation af en rkke med et tal c =0.
Type B: Ombytning af to rkker.
Type S: Addition af et multiplum af en rkke til en anden rkke.
(Her hentyder M til multiplikation, B til byt og S til sum.)
Eksempel 2.1.1 Vi viser nu eksempler p de tre typer rkkeoperationer, og demon-
strerer samtidig hvorledes rkkeoperationer angives. Frst multipliceres frste rkke
i den nedenfor givne matrix med
1
2
, dernst ombyttes frste og anden rkke og endelig
adderes den anden rkke multipliceret med 2 til frste rkke:
_
2 2 4
1 2 3
_
1
2
_
1 1 2
1 2 3
_
_
1 2 3
1 1 2
_
2R
2
_
3 0 1
1 1 2
_
.
35
2. Rkke- og sjleoperationer Linere ligningssystemer
Eksempel 2.1.2 To (eller ere) operationer, der ikke inuerer p hinanden (d.v.s. er
ombyttelige) kan udfres i samme skridt:
_
_
0 1 2
1 2 3
2 4 6
_
_
1
2
_
_
1 2 3
0 1 2
1 2 3
_
_
R
2
+3R
2
_
_
1 1 1
0 1 2
1 5 9
_
_
.
Til hver rkkeoperation svarer en omvendt rkkeoperation:

Den omvendte til den rkkeoperation, der bestr i at multiplicere den rkke med en
konstant c =0, er den rkkeoperation, der bestr i at multiplicere samme rkke med
1
c
.
Den rkkeoperation, der bestr i at ombytte to rkker, har sig selv til omvendt rkke-
operation.
Den omvendte til den rkkeoperation, der bestr i at multiplicere en rkke med en
konstant c og addere den til en anden rkke, er den rkkeoperation, der bestr i at
multiplicere den samme rkke med c og addere den til samme anden rkke.
Hvis man udfrer en rkkeoperation p en matrix, og p den fremkomne matrix
dernst udfrer den omvendte rkkeoperation, kommer man tilbage til den oprindelige
matrix.
Eksempel 2.1.3 Vi udfrer de omvendte til de i Eksempel 2.1.2 udfrte rkkeoperatio-
ner, og kommer herved tilbage til den oprindelige matrix:
_
3 0 1
1 1 2
_
+2R
2
_
1 2 3
1 1 2
_
_
1 1 2
1 2 3
_
2
_
2 2 4
1 2 3
_
.
Tilsvarende er der tre typer sjleoperationer, nemlig

Type M: Multiplikation af en sjle med et tal c =0.
Type B: Ombytning af to sjler.
Type S: Addition af et multiplum af en sjle til en anden sjle.
Eksempel 2.1.4 Vi viser nu eksempler p de tre typer sjleoperationer, og demonstre-
rer samtidig hvorledes sjleoperationer angives:
_
2 2 2
1 2 3
_
_
2 1 2
1 1 3
_
_
1 2 2
1 1 3
_
_
1 2 1
1 1 6
_
.
1
2
+3S
1
36
2.2. Trappematricer
2.2. Trappematricer
I sidste afsnit s vi hvordan man kan ndre p en matrix ved hjlp af rkkeoperatio-
ner. I dette afsnit skal vi klargre hvilken ndret form af matricen vi dermed prver at
opn.
Lad A
=
=(a
i j
)
m,n
vre en mn-matrix.
Denition 2.2.1 Matricen A
=
kaldes en trin-1 matrix, hvis den har formen
A
=
=
_
_
_
_
_
0 . . . 0 a . . .
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 0 . . .
_
_
_
_
_
,
hvor a = 0, og hvor betyder, at der p de pgldende pladser kan st vilkrlige tal.
Tallet a kaldes da for matricens frste trin. Positionen (i, j) for frste trin i en trin-1
matrix er (1, j
1
) for 1 j
1
n. Matricen A
=
1
, der fremkommer af A
=
ved at slette frste
rkke kaldes restmatricen for trin-1 matricen A
=
. Hvis restmatricen A
=
1
ogs er en trin-1
matrix kaldes A
=
for en trin-2 matrix. I givet fald kaldes frste trin i A
=
1
for andet trin i
A
=
. Positionen (i, j) for andet trin i en trin-2 matrix er (2, j
2
) for j
1
< j
2
n. Restmatricen
A
=
2
for trin-1 matricen A
=
1
kaldes ogs restmatricen for trin-2 matricen A
=
. Tilsvarende
deneres trin-3, trin-4, . . . matricer.
Matricen A
=
kaldes en trappematrix, hvis den er en trin-d matrix for et d = 1, 2, 3, . . .,
og hvis den tilsvarende restmatrix enten er tom (dvs. uden elementer) eller en nulmatrix.
Hvis A
=
er en trappematrix kaldes tallene j
1
< < j
d
for trinpositionerne for A
=
.
Vi denerer nulmatricen til at vre en trappematrix.
Eksempel 2.2.2 Flgende matricer er trin-1 matricer. Frste trin er indrammet. Det
ses, at j
1
=1, hhv. j
1
=2.
_
_
_
_
_
2 3 2 0 4 5 6
0 5 7 1 3 2 0
0 0 3 2 2 6 2
0 1 4 2 1 4 5
_
_
_
_
_
,
_
_
_
_
_
0 1 3 0 0 4 0
0 0 0 1 0 3 0
0 0 1 0 1 2 0
0 0 0 2 1 3 1
_
_
_
_
_
.
De tilhrende restmatricer er
_
_
0 5 7 1 3 2 0
0 0 3 2 2 6 2
0 1 4 2 1 4 5
_
_
,
_
_
0 0 0 1 0 3 0
0 0 1 0 1 2 0
0 0 0 2 1 3 1
_
_
.
37
Eksempel 2.2.3 Flgende matricer er trin-2 matricer. Trinnene er indrammet. Det ses,
at j
1
=1 og j
2
=3, hhv. j
1
=2 og j
2
=4.
_
_
_
_
_
2 3 2 0 4 5 6
0 0 7 1 3 2 0
0 0 0 2 2 6 2
0 0 0 2 1 4 5
_
_
_
_
_
,
_
_
_
_
_
0 1 3 0 0 4 0
0 0 0 1 0 3 0
0 0 0 0 1 2 0
0 0 0 0 1 3 1
_
_
_
_
_
.
Eksempel 2.2.4 Flgende matricer er (trin-3 hhv. trin-4) trappematricer. Trinnene er

indrammet. Det ses, at j
1
=1, j
2
=3 og j
3
=6, hhv. j
1
=2, j
2
=4, j
3
=5 og j
4
=7.
_
_
_
_
_
2 3 2 0 4 5 6
0 0 7 1 3 2 0
0 0 0 0 0 6 2
0 0 0 0 0 0 0
_
_
_
_
_
,
_
_
_
_
_
0 1 3 0 0 4 0
0 0 0 1 0 3 0
0 0 0 0 1 2 0
0 0 0 0 0 0 1
_
_
_
_
_
.
For at afgre om en given matrix er en trin-1 matrix opsger man alts frste sjle,
der ikke er nulsjlen. Har denne sjle formen
_
_
_
_
_
a
0
.
.
.
0
_
_
_
_
_
er matricen en trin-1 matrix. Man
kan s danne restmatricen, og undersge om den er en trin-1 matrix. Er dette tilfldet
kan man fortstte, og ender man til sidst med en nulmatrix eller den tomme matrix, er
den givne matrix en trappematrix.
Nedenstende Stning 2.2.8 siger, at enhver matrix ved hjlp af rkkeoperationer
kan omformes til en trappematrix. Vi giver frst et par eksempler p, at det er tilfl-
det. Som det vil fremg af det flgende, er man normalt interesseret i, at trinnene i
en trappematrix har vrdien 1, og det kan man naturligvis altid opn (ved hjlp af
rkkeoperationer af Type M).
Eksempel 2.2.5 En matrix omdannes til en (trin-2) trappematrix ved hjlp af rkke-
operationer:
38
2.2. Trappematricer
_
_
0 0 1 1
2 4 5 5
1 2 4 1
_
_
_
_
1 2 4 1
2 4 5 5
0 0 1 1
_
_
2R
1
_
_
1 2 4 1
0 0 3 3
0 0 1 1
_
_
1
3

_
_
1 2 4 1
0 0 1 1
0 0 1 1
_
_
+R
2
_
_
1 2 4 1
0 0 1 1
0 0 0 0
_
_
.
Eksempel 2.2.6 En matrix omdannes til en (trin-4) trappematrix ved hjlp af rkke-
operationer:
_
_
_
_
_
1 2 2 2
2 4 3 6
1 3 0 0
0 1 1 10
_
_
_
_
_
+2R
1
R
1
_
_
_
_
_
1 2 2 2
0 0 1 2
0 1 2 2
0 1 1 10
_
_
_
_
_
_
_
_
_
_
1 2 2 2
0 1 2 2
0 0 1 2
0 1 1 10
_
_
_
_
_
R
2
_
_
_
_
_
1 2 2 2
0 1 2 2
0 0 1 2
0 0 3 8
_
_
_
_
_
3R
3
_
_
_
_
_
1 2 2 2
0 1 2 2
0 0 1 2
0 0 0 2
_
_
_
_
_
1
1
2
_
_
_
_
_
1 2 2 2
0 1 2 2
0 0 1 2
0 0 0 1
_
_
_
_
_
.
Eksempel 2.2.7 Vi omformer en kompleks matrix til en trin-2 trappematrix

_
_
_
_
i 1
1 1+i
2 1
_
_
_
_
_
_
_
_
1 1+i
i 1
2 1
_
_
_
_
iR
1
2R
1
_
_
_
_
1 1+i
0 2i
0 12i
_
_
_
_
+iR
2
_
_
_
_
1 1+i
0 2i
0 0
_
_
_
_
som er p trappeform.
39
Stning 2.2.8 Enhver mn-matrix kan ved hjlp af rkkeoperationer omformes til
en trappematrix.
Beviset nedenfor viser desuden at en reel matrix kan omformes til en reel trappema-
trix. For en ikke reel matrix kan man ikke p forhnd afgre om en tilhrende trappe-
matrix bliver reel eller ej. I Eksempel 2.2.7 ovenfor er den trappereducerede reel, men
dette glder ikke for alle ikke-reelle matricer.
Bevis. Lad A
=
=(a
i j
)
m,n
vre den givne matrix. Vi kan antage, at A
=
ikke er nulmatri-
cen. Lad j
1
vre det mindste tal, s den j
1
te sjle ikke er nulsjlen. Vi srger frst for,
at a
1j
1
=0, ved om ndvendigt at foretage en rkkeombytning. Det kan lade sig gre, da
den j
1
te sjle ikke er nul. Dernst skaffer vi nuller under a
1j
1
ved at addere 1. rkke
multipliceret med
a
2j
1
a
1j
1
til 2. rkke, 1. rkke multipliceret med
a
3j
1
a
1j
1
til 3. rkke etc.
P denne mde bliver A
=
omdannet til en trin-1 matrix. Idet rkkeoperationer, der ikke
involverer 1. rkke, i en trin-1 matrix ikke delgger, at matricen er en trin-1 matrix,
kan vi nu behandle restmatricen A
=
1
p samme mde, og nr herved frem til en trin-2
matrix. Sledes fortsttes, indtil restmatricen enten er tom eller en nulmatrix, og den
fremkomne matrix er en trappematrix. 2
For at omdanne en given matrix til en trappematrix opsges alts den frste sjle
forskellig fra nul, og ved hjlp af rkkeoperationer omdannes matricen til en matrix,
der har nuller i denne sjle, undtagen p frste plads. Herved er fremkommet en trin-1
matrix. Restmatricen behandles nu p samme mde, og fortsttes p den mde frem-
kommer til sidst en trappematrix.
Bemrk, at antallet d af trin i en mn-matrix trappematrix naturligvis altid er
mindre end eller lig med bde rkke- og sjleantallet. Der glder, at m= d netop hvis
sidste rkke ikke er en nulrkke, og d = n netop hvis der om trinpositionerne glder,
at j
1
=1, j
2
=2, , j
d
= n = d.
Denition 2.2.9 En reduceret trappematrix er en trappematrix, sledes at trinnene alle
har vrdien 1, og sledes, at der er nuller ikke blot under, men ogs over trinnene.
Stning 2.2.10 Enhver mn-matrix kan ved hjlp af rkkeoperationer omformes
til en reduceret trappematrix.
Bevis. Det drejer sig om at vise, at en trappematrix kan omformes til en reduceret
trappematrix (Stning 2.2.8). Frst skaffes 1-taller i trinnene ved rkkeoperationer
af type M. Dernst begynder vi bagfra, idet der frst skaffes nuller over sidste trin
40
2.3. Linere ligningssystemer
ved hjlp af rkkeoperationer af Type S. Dette inuerer ikke p de sjler, der str til
venstre for den sjle, der indeholder sidste trin, og de rkker der str under den rkke,
der indeholder sidste trin. Herefter fortsttes p samme mde med nstsidste trin, og
vi ender til slut med en reduceret trappematrix. 2
Eksempel 2.2.11 Matricen fra Eksempel 2.2.5 videreomformes til en reduceret trap-
pematrix:
_
_
1 2 4 1
0 0 1 1
0 0 0 0
_
_
4R
2
_
_
1 2 0 5
0 0 1 1
0 0 0 0
_
_
.
Eksempel 2.2.12 Matricen fra Eksempel 2.2.6 videreomformes til en reduceret trap-
pematrix:
_
_
_
_
_
1 2 2 2
0 1 2 2
0 0 1 2
0 0 0 1
_
_
_
_
_
+2R
4
+2R
4
2R
4
_
_
_
_
_
1 2 2 0
0 1 2 0
0 0 1 0
0 0 0 1
_
_
_
_
_
2R
3
2R
3
_
_
_
_
_
1 2 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
+2R
2
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
.
Vi skal nu se hvordan vi kan formulere linere ligningssystemer ved hjlp af matricer,
og hvordan man kan bruge rkke-operationer til at nde lsninger til ligningssystemet
hvis sdanne lsninger ndes.
Et linert ligningssystem med m ligninger og n ubekendte er et antal ligninger p
formen
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
.
En lsning til ligningssystemet er et talst (x
1
, x
2
, , x
n
), som tilfredsstiller alle lig-
ningssystemets ligninger. Mngden af alle lsninger kaldes lsningsmngden.
Hvis alle b
i
-erne er lig med 0 kaldes ligningssystemet homogent, ellers kaldes det in-
homogent ligningssystem. Et homogent ligningssystem har altid lsningen (x
1
, , x
n
) =
(0, , 0).
41
Eksempel 2.3.1 Ligningssystemet
2x
1
3x
2
+x
3
= 1
x
1
+x
2
x
3
= 2,
3x
1
+2x
2
+2x
3
= 3
der bestr af 3 ligninger med 3 ubekendte, er inhomogent. Det tilhrende homogene
ligningssystem er
2x
1
3x
2
+x
3
= 0
x
1
+x
2
x
3
= 0.
3x
1
+2x
2
+2x
3
= 0
Matricen
A
=
=
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
kaldes for ligningssystemets koefcientmatrix. Tilfjes sjlematricen
B
=
=
_
_
_
b
1
.
.
.
b
m
_
_
_,
der kaldes ligningssystemets konstantsjle efter sidste sjle i A
=
, fs ligningssystemets
totalmatrix
C
=
=
_
_
_
a
11
a
12
. . . a
1n
b
1
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
b
m
_
_
_,
der er en m(n+1)-matrix. Bemrk, at C
=
kan skrives som blokmatricen
C
=
=
_
A
=
B
=
_
.
Det er klart, at enhver m(n+1)-matrix C
=
kan opfattes som totalmatrix for et linert
ligningssystem med m ligninger og n ubekendte.
Eksempel 2.3.2 Totalmatricen for det inhomogene ligningssystem fra Eksempel 2.3.1
er
_
_
2 3 1 1
1 1 1 2
3 2 2 3
_
_
.
42
Af hensyn til overskueligheden er der her sat en skillelinie mellem ligningssystemets
koefcientmatrix og dets konstantsjle.
Stter vi
X
=
=
_
_
_
x
1
.
.
.
x
n
_
_
_,
ser vi, at ligningssystemet kan skrives
A
=
X
=
=B
=
.
Stning 2.3.3 Hvis det om totalmatricerne for to linere ligningssystemer glder, at
den ene fremgr af den anden ved udfrelse af rkkeoperationer, da har de to linere
ligningssystemer samme lsningsmngde.
Bevis. Vi illustrerer stningen p et ligningssystem bestende af 3 ligninger med 4
ubekendte. Vi skriver totalmatricen under ligningssystemet:
a
11
x
1
+a
12
x
2
+a
13
x
3
+a
14
x
4
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
+a
24
x
4
= b
2
a
31
x
1
+a
32
x
2
+a
33
x
3
+a
34
x
4
= b
3
()
_
_
a
11
a
12
a
13
a
14
b
1
a
21
a
22
a
23
a
24
b
2
a
31
a
32
a
33
a
34
b
3
_
_
.
Hvis vi udfrer en rkkeoperation af type M p totalmatricen, f.eks. multiplicerer vi
tredie rkke med c =0, fr vi flgende ligningssystem og totalmatrix
a
11
x
1
+a
12
x
2
+a
13
x
3
+a
14
x
3
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
+a
24
x
3
= b
2
ca
31
x
1
+ca
32
x
2
+ca
33
x
3
+ca
34
x
3
= cb
3
()
_
_
a
11
a
12
a
13
a
14
b
1
a
21
a
22
a
23
a
24
b
2
ca
31
ca
32
ca
33
ca
34
cb
3
_
_
.
Det er klart, at de to ligningssystemer () og () har samme lsningsmngde; lignin-
gen () fremkommer jo fra ligningen () ved multiplikation af tredie ligning med c.
43
Hvis vi udfrer en rkkeoperation af type B p totalmatricen, svarer det til at to af
ligningerne ombyttes, og det ndrer naturligvis ikke p lsningsmngden.
Hvis vi udfrer en rkkeoperation af type S p totalmatricen, f.eks. multiplicerer vi
tredie rkke med c = 0 og adderer den til frste rkke, fr vi flgende ligningssystem
og totalmatrix
(a
11
+ca
31
)x
1
+(a
12
+ca
32
)x
2
+(a
13
+ca
33
)x
3
+(a
14
+ca
34
)x
4
= b
1
+cb
3
a
21
x
1
+a
22
x
2
+a
23
x
3
+a
24
x
4
= b
2
a
31
x
1
+a
32
x
2
+a
33
x
3
+a
34
x
4
= b
3
()
_
_
a
11
+ca
31
a
12
+ca
32
a
13
+ca
33
a
14
+ca
34
b
1
+cb
3
a
21
a
22
a
23
a
24
b
2
a
31
a
32
a
33
a
34
b
3
_
_
.
Igen er det klart, at en lsning til ligningen () ogs er lsning til ligningen ();
den sidste ligning i () er jo blot multipliceret med c og adderet til den frste ligning.
Omvendt er en lsning til () ogs lsning til (), idet () jo fremkommer fra ()
ved at multiplicere tredie ligning med c og trkke den fra frste ligning. 2
Vi vil nu give en rkke eksempler p, hvorledes man ved hjlp af Stning 2.3.3 p
behndig mde kan lse linere ligningssystemer. Fremgangsmden er, at man om-
danner det givne linere ligningssystems totalmatrix til en trappematrix.
Eksempel 2.3.4 Vi vil bestemme lsningsmngden til det linere ligningssystem
2x
1
3x
2
+x
3
= 1
x
1
+x
2
x
3
= 2
3x
1
+2x
2
+2x
3
= 3
.
Vi opskriver totalmatricen for ligningssystemet, og omdanner denne til en trappematrix
ved hjlp af rkkeoperationer:
_
_
2 3 1 1
1 1 1 2
3 2 2 3
_
_
_
_
1 1 1 2
2 3 1 1
3 2 2 3
_
_
+2R
1
+3R
1
_
_
1 1 1 2
0 1 1 3
0 5 1 9
_
_
+5R
2
_
_
1 1 1 2
0 1 1 3
0 0 6 24
_
_
1
1
1
6
_
_
1 1 1 2
0 1 1 3
0 0 1 4
_
_
.
44
Vi opskriver herefter ligningssystemet, der har den herved fremkomne matrix til to-
talmatrix:
x
1
x
2
+x
3
=2
x
2
+x
3
=3
x
3
=4
.
Heraf ases, at x
3
=4. Dette indsttes s i den anden ligning, og vi nder x
2
4 =3,
hvoraf x
2
=1, og indsttes s endelig i den frste ligning fs x
1
14 =2, hvoraf x
1
=3.
Vi slutter alts, at ligningssystemet har netop en lsning, nemlig (x
1
, x
2
, x
3
) =(3, 1, 4).

x
1
2x
2
5x
3
= 3
2x
1
+3x
2
+8x
3
= 4
2x
1
+6x
2
+14x
3
= 10
.
Vi opskriver totalmatricen for ligningssystemet, og omdanner denne til en trappematrix
_
_
1 2 5 3
2 3 8 4
2 6 14 10
_
_
+2R
1
+2R
1
_
_
1 2 5 3
0 1 2 2
0 2 4 4
_
_
+2R
2
_
_
1 2 5 3
0 1 2 2
0 0 0 0
_
_
1
1
_
_
1 2 5 3
0 1 2 2
0 0 0 0
_
_
Vi opskriver s ligningssystemet, der har den herved fremkomne matrix til totalmatrix:
x
1
+2x
2
+5x
3
= 3
x
2
+2x
3
= 2
.
Her har vi kun nedskrevet ligningerne, der kommer fra de to frste rkker; den sidste
rkke giver jo ligningen 0 =0, og den kan vi derfor se bort fra. Det ses, at for hvert valg
af en vrdi t af x
3
har systemet en lsning (x
1
, x
2
, x
3
), nemlig x
2
= 22x
3
= 22t og
x
1
=32x
2
5x
3
=32(22t) 5t =1t. Lsningsmngden er alts
_
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1t
22t
t
_
_
| t R
_
_
_
.
Vi siger, at lsningsmngden er beskrevet ved en parameterfremstilling med parameter
t. Bemrk, at en lsning ogs kan skrives
_
_
x
1
x
2
x
3
_
_
=
_
_
1
2
0
_
_
+t
_
_
1
2
1
_
_
.
45
x
1
2x
2
5x
3
= 3
2x
1
+3x
2
+8x
3
= 4
2x
1
+6x
2
+14x
3
= 5
.
Dette ligningssystem har samme koefcientmatrix som ligningssystemet i Eksempel
2.3.5, men konstantsjlen er en anden. Vi opskriver igen totalmatricen for ligningssy-
stemet, og omdanner denne til en trappematrix ved hjlp af de samme rkkeoperatio-
ner som i Eksempel 2.3.5:
_
_
1 2 5 3
2 3 8 4
2 6 14 5
_
_
+2R
1
+2R
1
_
_
1 2 5 3
0 1 2 2
0 2 4 1
_
_
+2R
2
_
_
1 2 5 3
0 1 2 2
0 0 0 5
_
_
1
1
_
_
1 2 5 3
0 1 2 2
0 0 0 5
_
_
x
1
+2x
2
+5x
3
= 3
x
2
+2x
3
= 2
0 = 5
.
Da den sidste ligning aldrig er opfyldt, idet venstresiden altid er 0, har ligningssystemet
ingen lsninger.
4x6y+2z = 2
2x3y+z = 1
.
Vi opskriver totalmatricen for ligningssystemet, og omdanner denne til en trappema-
trix:
_
4 6 2 2
2 3 1 1
_
1
2
_
2 3 1 1
2 3 1 1
_
R
1
_
2 3 1 1
0 0 0 0
_
.
2x3y+z =1.
Stter vi her z = t og y = s fs 2x3s+t =1, hvoraf x =
1
2
+
3
2
s
1
2
t. Der glder alts,
at der for hvert valg af en vrdi t af z og en vrdi af s af y ndes en lsning (x, y, z),
nemlig
_
_
x
y
z
_
_
=
_
_
1
2
+
3
2
s
1
2
t
s
t
_
_
=
_
_
1
2
0
0
_
_
+s
_
_
3
2
1
0
_
_
+t
_
_
1
2
0
1
_
_
.
46
Vi siger, at lsningsmngden er beskrevet ved en parameterfremstilling med parame-
trene (s, t).
2x
3
x
4
+8x
5
= 13
x
1
2x
2
+3x
3
+2x
4
+x
5
= 10.
3x
1
6x
2
+10x
3
+6x
4
+5x
5
= 27
Vi opskriver totalmatricen for ligningssystemet og omdanner denne til en trappematrix
_
_
0 0 2 1 8 13
1 2 3 2 1 10
3 6 10 6 5 27
_
_
_
_
1 2 3 2 1 10
0 0 2 1 8 13
3 6 10 6 5 27
_
_
3R
1
_
_
1 2 3 2 1 10
0 0 2 1 8 13
0 0 1 0 2 3
_
_
_
_
1 2 3 2 1 10
0 0 1 0 2 3
0 0 2 1 8 13
_
_
2R
2
_
_
1 2 3 2 1 10
0 0 1 0 2 3
0 0 0 1 4 7
_
_
1
_
_
1 2 3 2 1 10
0 0 1 0 2 3
0 0 0 1 4 7
_
_
x
1
2x
2
+3x
3
+2x
4
+x
5
= 10
x
3
+2x
5
= 3.
x
4
4x
5
= 7
Stter vi her x
5
= t
2
, ses at x
4
=7+4t
2
og x
3
=32t
2
. Stter vi videre x
2
= t
1
ses, at
x
1
2t
1
+3(32t
2
)+2(7+4t
2
)+t
2
=10, hvoraf x
1
=5+2t
1
3t
2
. Der glder alts, at der
for hvert valg af en vrdi t
2
af x
5
og en vrdi t
1
af x
2
ndes en lsning (x
1
, x
2
, x
3
, x
4
, x
5
),
nemlig
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
5+2t
1
3t
2
t
1
32t
2
7+4t
2
t
2
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
5
0
3
7
0
_
_
_
_
_
_
_
+t
1
_
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
_
+t
2
_
_
_
_
_
_
_
3
0
2
4
1
_
_
_
_
_
_
_
.
Det ses, at lsningsmngden er beskrevet ved en parameterfremstilling med parame-
trene (t
1
, t
2
).
47
Den i eksemplerne illustrerede metode, der bestr i at omdanne totalmatricen for et
givet linert ligningssystem til en trappematrix, og hermed opn et simplere lignings-
system, der har de samme lsninger som det oprindelige, kaldes Gauss-elimination. Af
og til gr man videre og benytter Gauss-Jordan elimination, der bestr i at omdanne
totalmatricen til en reduceret trappematrix. Herved opnr man, at lsningsmngden
umiddelbart kan opskrives. Nr man alligevel normalt foretrkker at njes med Gauss-
elimination hnger det sammen med, at det samlede skrive- og regnearbejde i reglen
er mindre end nr der benyttes Gauss-Jordan elimination. Eliminationsmetoderne er
opkaldt efter den store tyske matematiker C.F. Gauss (1777-1855), og den tyske geodt
W. Jordan (1842-1899).
Eksempel 2.3.9 Vi ser p ligningssystemet i Eksempel 2.3.4. Dets totalmatrix blev i
nvnte eksempel omformet til en trappematrix. Vi gr nu videre og omformer det til en
reduceret trappematrix:
_
_
1 1 1 2
0 1 1 3
0 0 1 4
_
_
R
3
R
3
_
_
1 1 0 2
0 1 0 1
0 0 1 4
_
_
+R
2
_
_
1 0 0 3
0 1 0 1
0 0 1 4
_
_
.
Det hertil hrende ligningssystem er
x
1
= 3
x
2
= 1,
x
3
=4
der netop angiver lsningen.
Eksempel 2.3.10 Vi ser p ligningssystemet i Eksempel 2.3.8. Dets totalmatrix blev i
nvnte eksempel omformet til en trappematrix. Vi gr nu videre og omformer den til
en reduceret trappematrix:
_
_
1 2 3 2 1 10
0 0 1 0 2 3
0 0 0 1 4 7
_
_
2R
3
_
_
1 2 3 0 9 4
0 0 1 0 2 3
0 0 0 1 4 7
_
_
3R
2
_
_
1 2 0 0 3 5
0 0 1 0 2 3
0 0 0 1 4 7
_
_
.
Det hertil hrende ligningssystem nedskrives:
x
1
2x
2
+3x
5
= 5
x
3
+2x
5
= 3
x
4
4x
5
= 7
.
48
Indsttes heri x
2
= t
1
, x
5
= t
2
fs
x
1
2t
1
+3t
2
= 5
x
3
+2t
2
= 3
x
4
4t
2
= 7
,
hvoraf vi nder, som ovenfor
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
5+2t
1
3t
2
t
1
32t
2
7+4t
2
t
2
_
_
_
_
_
_
_
.
Vi kan opsummere den beskrevne lsningsmetode for linere ligningssystemer p

flgende mde: Lad A
=
vre en mn-matrix og B
=
er en sjlematrix,
Opskrift 2.3.11 (Lsning af linere ligningssystemer A
=
X
=
=B
=
)
1. Opskriv blokmatricen C
=
=
_
A
=
B
=
_
.
2. Omdan ved hjlp af rkkeoperationer C
=
til en trappematrix
C
=
=
_
A
=
B
=
_
3. Hvis der er trin i sidste sjle af C
=
er der ingen lsninger.

4. Hvis der ikke er trin i sidste sjle og antallet af trin i C
=
er lig antallet af sjler

i A
=
er der en entydig lsning som ndes ved baglns substitution (jvf. Eksempel
2.3.4).
5. Hvis der ikke er trin i sidste sjle og antallet af trin i C
=
er mindre end antal

sjler i A
=
er der uendeligt mange lsninger. Disse ndes ved at sttes de variable
x
j
, hvor j ikke er en af trinpositionerne j
1
, , j
d
lig med parametrene t
1
, , t
nd
,
og dernst ved baglns substitution udtrykkes de variable x
j
1
, , x
j
d
svarende
til trinpositioner, ved parametrene t
1
, , t
nd
(jvf. Eksempel 2.3.5, 2.3.8).
Hvis ligningssystemet har lsninger vil alle trinpositioner i trappematricen svare til
variable. Disse variable kalder vi de ledende variable. Hvis der er variable, der ikke
49
svarer til trinpositioner kaldes de frie variable. Det er de frie variable, der udtrykkes
ved parametre i lsningsprocessen.
Stning 2.3.12 Lad A
=
vre en mn-matrix, og antag at A
=
ved hjlp af rkkeopera-
tioner er omdannet til en trappematrix A
=
med d trin. Der glder da:

(1) Hvis m > d ndes der en sjle B
=
, s ligningssystemet A
=
X
=
= B
=
ingen lsninger
har.
(2) Hvis n > d har ligningen A
=
X
=
= 0
=
en lsningsmngde givet ved parameterfrem-
stilling med nd parametre, og ligningen har alts uendeligt mange lsninger.
(3) Hvis m= n = d har ligningssystemet A
=
X
=
= B
=
netop en lsning for hvert valg af
B
=
.
Bevis. (1): Hvis m > d stter vi B
=
= e
d+1
, hvor e
d+1
er den (d +1)te standard en-
hedsvektor. Ligningssystemet A
=
X
=
= B
=
har da ingen lsninger, idet totalmatricen C

=
=
_
A
=
B
=
_
er en trappematrix, der har sidste trin i sidste sjle. Udfrer vi nu p C
=
de
omvendte til rkkeoperationer, der frte A
=
over i A
=
, vil C
=
blive overfrt i en matrix

C
=
=
_
A
=
B
=
_
, og det ligningssystem A
=
X
=
=B
=
, der har C
=
til totalmatrix, har da heller ingen
lsninger. Dette viser, at (1) glder. (2) og (3): Dette flger umiddelbart af ovenstende
opsummering af lsningsmetoden for linere ligningssystemer. 2
Eksempel 2.3.13 Vi betragter 33-matricen (jvf. Eksempel 2.3.5 og 2.3.6
A
=
=
_
_
1 2 5
2 3 8
2 6 14
_
_
.
Denne omdannes ved hjlp af rkkeoperationer til en trappematrix:
_
_
1 2 5
2 3 8
2 6 14
_
_
+2R
1
+2R
1
_
_
1 2 5
0 1 2
0 2 4
_
_
+2R
2
_
_
1 2 5
0 1 2
0 0 0
_
_
1
1
_
_
1 2 5
0 1 2
0 0 0
_
_
.
50
Idet antallet af trin er mindre end antallet af rkker i matricen ndes iflge Stning
2.3.12 en sjle B
=
=
_
_
b
1
b
2
b
3
_
_
, s ligningen A
=
X
=
=B
=
ingen lsninger har. Vi vil nde en sdan
sjle B
=
. Ligningssystemet, der har totalmatricen
_
_
1 2 5 0
0 1 2 0
0 0 0 1
_
_
har ingen lsninger. Vi udfrer nu de omvendte rkkeoperationer p denne matrix.
_
_
1 2 5 0
0 1 2 0
0 0 0 1
_
_
1
1
_
_
1 2 5 0
0 1 2 0
0 0 0 1
_
_
2R
2
_
_
1 2 5 0
0 1 2 0
0 2 4 1
_
_
2R
1
2R
1
_
_
1 2 5 0
2 3 8 0
2 6 14 1
_
_
.
Ligningssystemet, der har denne matrix til totalmatrix, har heller ingen lsninger. Som
sjlen B
=
kan vi da bruge
_
_
0
0
1
_
_
.
Eksempel 2.3.14 Vi betragter det linere ligningssystem
ix
1
+x
2
= 1
x
1
+(1+i)x
2
= 0
2x
1
+x
2
= i
Koefcientmatricen er givet ved
_
_
i 1
1 1+i
2 1
_
_
.
Vi omformer totalmatricen til en trappematrix
_
_
i 1 1
1 1+i 0
2 1 i
_
_
_
_
1 1+i 0
i 1 1
2 1 i
_
_
_
_
1 1+i 0
0 2i 1
0 12i i
_
_
_
_
1 1+i 0
0 2i 1
0 0 0
_
_
.
51
Det tilsvarende ligningssystem er
x
1
+(1+i)x
2
=0
(2i)x
2
=1.
Bemrk, at her er bde x
1
og x
2
ledende variable, da de svarer til trinpositioner i trap-
pematricen. Da der ikke er frie variable, er der ikke brug for parametre og derfor er der
hjst en lsning. I dette tilflde er der prcis en lsning og den er
x
2
=
1
2i
=
2+i
5
, x
1
=(1+i)x
2
=
13i
5
.
Stning 2.3.15 Lad A

=
vre en mn-matrix, og antag at A
=
ved hjlp af rkkeopera-
tioner er omdannet til en trappematrix A
=
med d trin. Der glder da:

(1) Hvis ligningssystemet A
=
X
=
= B
=
har mindst en lsning for hvert valg af B
=
, da er
d = m.
=
X
=
=0
=
kun har en lsning (nemlig 0
=
), da er d = n.
=
X
=
= B
=
har netop en lsning for hvert valg af B
=
, da er
d = m= n.
Bevis. (1) og (2) flger umiddelbart af (1) og (2) i den foregende stning. (3) flger af
(1) og (2). 2
2.4. Linere ligningssystemer og linere afbildninger
Vi skal nu drage nogle konklusioner om linere afbildninger p baggrund af den viden
om linere ligningssystemer vi har opnet i afsnit 2.3.
Lad A
=
vre en mn-matrix. Et linert ligningssystem med A
=
som koefcientmatrix
har formen
A
=
X
=
=B
=
, ()
hvor B
=
er en given sjlematrix, og det drejer sig omat nde de sjler X
=
, der tilfredsstiller
ligningen. Lader vi s f : F
n
F
m
vre den linere afbildning der hrer til A
=
, og skriver
vi x = X
=
, b =B
=
lyder ligningen
f (x) = b. ()
52
2.5. Operationsmatricer
At ligningen () har en lsning for hvert valg af B
=
betyder derfor, at f er surjektiv, og at
ligningen () har hjst en lsning for hvert valg af B
=
betyder at f er injektiv. Endelig er
f bijektiv nr ligningen () har netop en lsning for hvert valg af B
=
.
Om injektivitet af linere afbildninger glder flgende
Stning 2.4.1 En liner afbildning f : F
n
F
m
er injektiv netop nr ligningen f (x) =
o kun har lsningen x = o.
Bevis. For en liner afbildning glder altid, at f (o) = o. Hvis f er injektiv er det derfor
klart, at f (x) = o medfrer at x = o. Antag omvendt at f (x) = o medfrer at x = o. Hvis
x
1
og x
2
er lsninger til ligningen f (x) = b, glder at f (x
1
) = b = f (x
2
), hvoraf o = f (x
1
)
f (x
2
) = f (x
1
x
2
). Men s er x
1
x
2
= o iflge forudstningen, og dermed er x
1
= x
2
. Vi
har hermed vist, at f er injektiv. Bemrk, at vi undervejs benyttede at f er liner. 2
n
F
m
vre en liner afbildning. Der glder
(1) Hvis f er surjektiv er m n.
(2) Hvis f er injektiv er m n.
(3) Hvis f er bijektiv er m= n.
Bevis. Lad A
=
vre den mn-matrix der er knyttet til f . Vi omdanner A
=
til en trappe-
matrix A
=
med d trin. (1): Hvis f er surjektiv flger det af Stning 2.3.15, at m= d n.

(2): Hvis f er injektiv flger det af Stning 2.3.15, at n = d m. (3): Hvis f er bijektiv
er den surjektiv og injektiv, hvoraf m= n (= d) iflge (1) og (2). 2
I dette afsnit vil vi denere de skaldte operationsmatricer, som viser sig nyttige nr vi
skal nde den inverse til en regulr matrix.
Denition 2.5.1 Ved en operationsmatrix forsts en matrix, der fremkommer ud fra
enhedsmatricen ved udfrelse af en rkkeoperation.
Svarende til de tre typer rkkeoperationer er der tre typer operationsmatricer.
(1) Type M: Matricerne M
=
i
(c)(c = 0), der fremkommer ud fra enhedsmatricen ved
multiplikation af ite rkke med c =0. De tilsvarende rkkeoperationer betegnes
M
i
(c).
53
(2) Type B: Matricerne B
=
i j
(i = j), der fremkommer ud fra enhedsmatricen ved om-
bytning af ite og jte rkke (i = j). De tilsvarende rkkeoperationer betegnes
B
i j
.
(3) Type S: Matricerne S
=
i j
(c)(i = j), der fremkommer ud fra enhedsmatricen ved ad-
dition af jte rkke multipliceret med c til ite rkke. De tilsvarende rkkeope-
rationer betegnes S
i j
(c).
Disse matricer er alle nn matricer for et eller andet n. Det vil fremg af sammenhn-
gen hvilket n der i en given situation er tale om.
Eksempel 2.5.2 Betragter vi 44-matricer er f.eks.
M
=
2
(c) =
_
_
_
_
_
1 0 0 0
0 c 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
,
B
=
24
=
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
_
_
_
,
S
=
24
(c) =
_
_
_
_
_
1 0 0 0
0 1 0 c
0 0 1 0
0 0 0 1
_
_
_
_
_
.
Operationsmatricerne kan p simpel mde udtrykkes ved de i afsnit 1.4 indfrte ele-
mentre matricer:
M
=
i
(c) = E
=
+(c 1)I
=
i,i
,
B
=
i j
= E
=
I
=
i,i
I
=
j, j
+I
=
i, j
+I
=
j,i
,
S
=
i j
(c) = E
=
+cI
=
i, j
.
Stning 2.5.3 Lad A

=
vre en mn-matrix. Hvis A
=
ved rkkeoperationen P (som er
M
i
(c), B
i j
eller S
i j
(c)) omdannes til B
=
=P(A
=
), da er B
=
=P
=
A
=
, hvor P
=
er den til P svarende
operationsmatrix (som er mm).
54
Bevis. Da
I
=
r,s
A
=
=
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
s1
a
sn
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
r,
hvor I
=
r,s
er en mm-matrix, udregner man umiddelbart, at
M
=
i
(c)A
=
= A
=
+(c 1)
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
i1
a
in
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
i = M
i
(c)(A
=
),
B
=
i j
A
=
= A
=
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
i1
a
in
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
i
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
j1
a
jn
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
j +
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
j1
a
jn
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
i
+
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
i1
a
in
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
j =B
i j
(A
=
),
S
=
i j
(c)A
=
= A
=
+c
_
_
_
_
_
_
_
_
0 0
.
.
.
.
.
.
a
j1
a
jn
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
_
i =S
i j
(c)(A
=
). 2
Stning 2.5.4 Lad A
=
vre en mn-matrix. Hvis A
=
ved successive rkkeoperationer
P
1
, , P
k
omdannes til B
=
, da er B
=
= P
=
k
P
=
1
A
=
, hvor P
=
1
, , P
=
k
er de tilsvarende opera-
tionsmatricer (alle mm).
Bevis. Gentagen anvendelse af Stning 2.5.3. 2
Stning 2.5.5 Operationsmatricerne er regulre, og
(1) M
=
i
(c)
1
= M
=
i
_
1
c
_
,
55
(2) B
=
1
i j
=B
=
i j
,
(3) S
=
i j
(c)
1
=S
=
i j
(c).
Bevis. Enhver mn-matrix A
=
omdannes ved hver af operationerne M
i
_
1
c
_
M
i
(c) og
M
i
(c) M
i
_
1
c
_
til A
=
. Iflge Stning 2.5.4 er derfor A
=
=P
=
A
=
=P
=
A
=
, hvor P
=
= M
=
i
_
1
c
_
M
=
i
(c),
P
=
= M
=
i
(c)M
=
i
_
1
c
_
. Da A
=
= P
=
A
=
= P
=
A
=
for enhver mn-matrix A
=
(specielt A
=
= E
=
m,m
), og
P
=
, P
=
er uafhngige af A
=
, er P
=
= P
=
= E
=
m,m
. Alts er M
=
i
_
1
c
_
M
=
i
(c) = M
=
i
(c)M
=
i
_
1
c
_
= E
=
m,m
,
og (1) flger derfor af Stning 1.5.6. Tilsvarende vises (2) og (3). 2
Vi skal kort omtale sjleoperationer og de dertil svarende operationsmatricer.
Stning 2.5.6 Idet M
i
(c)
s
, B
s
i j
, S
i j
(c)
s
betegner de tre typer af sjleoperationer (alts
f.eks. S
i j
(c)
s
den sjleoperation, der bestr i til ite sjle i A
=
at addere jte sjle i A
=
mul-
tipliceret med c) glder:
(1) Matricen, der fs ud fra enhedsmatricen ved at anvende M
i
(c)
s
, er M
=
i
(c)
t
= M
=
i
(c).
(2) Matricen, der fs ud fra enhedsmatricen ved at anvende B
s
i j
er B
=
t
i j
=B
=
i j
.
(3) Matricen, der fs ud fra enhedsmatricen ved at anvende S
i j
(c)
s
er S
=
i j
(c)
t
=S
=
ji
(c).
Bevis. Lad P
s
vre en vilkrlig sjleoperation og P den tilsvarende rkkeoperation.
Da er
P
s
(E
=
) =P(E
=
t
)
t
=P(E
=
)
t
=P
=
t
,
hvor P
=
er operationsmatricen (jvf. Denition 2.5.1) der svarer til rkkeoperationen
P. 2
Stning 2.5.7 Lad A
=
vre en m n-matrix. Hvis A
=
ved successive sjleoperationer
Q
1
, , Q
k
omdannes til B
=
, da er B
=
= A
=
Q
=
1
Q
=
k
, hvor Q
=
1
, , Q
=
k
er de tilsvarende opera-
tionsmatricer i henhold til Stning 2.5.6 (alle nn).
Bevis. Vi lader P
1
, , P
k
vre de tilsvarende rkkeoperationer. Iflge Stning 2.5.3
vil successive rkkeoperationer P
1
, , P
k
omdanne A
=
t
til B
=
t
, hvor
B
=
t
=P
=
k
P
=
1
A
=
t
=Q
=
t
k
Q
=
t
1
A
=
t
=(A
=
Q
=
1
Q
=
k
)
t
.
Alts er B
=
= A
=
Q
=
1
Q
=
k
. 2
56
2.6. Regulre matricer. Matrixinversion
A
=
=
_
1 2 4
2 5 7
_
omdannes ved rkkeoperationerne P
1
=S
21
(2), P
2
=S
12
(2) til
B
=
=
_
1 0 6
0 1 1
_
.
Dette stemmer med at
P
=
2
P
=
1
A
=
=S
=
12
(2)S
=
21
(2)A
=
=
_
1 2
0 1
_ _
1 0
2 1
_ _
1 2 4
2 5 7
_
=
_
5 2
2 1
_ _
1 2 4
2 5 7
_
=B
=
.
Tilsvarende omdannes A
=
ved sjleoperationerne Q
1
=S
32
(2)
s
, Q
2
=S
21
(2)
s
til
C
=
=
_
1 0 0
2 1 3
_
.
Dette stemmer med at
A
=
Q
=
1
Q
=
2
= A
=
S
=
23
(2)S
=
12
(2)
=
_
1 2 4
2 5 7
_
_
_
1 0 0
0 1 2
0 0 1
_
_
_
_
1 2 0
0 1 0
0 0 1
_
_
=
_
1 2 4
2 5 7
_
_
_
1 2 0
0 1 2
0 0 1
_
_
=C
=
.

Vi har i afsnit 2.4 set, at hvis f : F
n
F
m
er en bijektiv, liner afbildning, da er m=
n. (Her nder vi forklaringen p, at vi i afsnit 1.5 kun betragtede bijektive, linere
afbildninger fra F
n
til F
n
og ikke fra F
n
til F
m
for m= n.)
Vi skal i dette afsnit se p hvordan man afgr om en given liner afbildning f : F
n
F
n
er bijektiv, eller, kvivalent hermed, om en given nn-matrix er regulr (jvf. afsnit
1.5). Desuden skal vi se p, hvorledes man nder den inverse til en regulr matrix.
57
Stning 2.6.1 At en nn-matrix A
=
er regulr betyder, at ligningen A
=
X
=
=Y
=
har netop
en lsning X
=
for hvert valg af sjle Y
=
.
Bevis. Lad f vre den til A
=
hrende linere afbildning. At A
=
er regulr betyder iflge
denitionen, at f er bijektiv. Men at f er bijektiv betyder at ligningen f (x) = y har
netop en lsning x for hvert valg af y. Men hvis x = X
=
og y =Y
=
betyder f (x) = y netop at
A
=
X
=
=Y
=
. 2
Bemrk, at hvis A
=
er regulr, da er den entydigt bestemte lsning X
=
til ligningen
A
=
X
=
=Y
=
givet ved
X
=
= A
=
1
Y
=
;
thi A
=
X
=
= A
=
(A
=
1
Y
=
) =(A
=
A
=
1
)Y
=
=E
=
Y
=
=Y
=
.
Stning 2.6.2 Hvis A
=
og A
=
er nn-matricer, og A
=
fremgr af A
=
ved udfrelse af rk-
keoperationer, da er A
=
regulr netop nr A
=
er regulr.
Bevis. Da A
=
fremgr af A
=
ved k rkkeoperationer, er
A
=
=P
=
k
P
=
1
A
=
=P
=
A
=
,
hvor P
=
1
, , P
=
k
er operationsmatricer. Da en operationsmatrix er regulr iflge St-
ning 2.5.5, er ogs P
=
= P
=
k
P
=
1
regulr iflge Stning 1.5.4. At A
=
og A
=
er samtidigt
regulre flger derfor af Stning 1.5.4. 2
Stning 2.6.3 En nn-trappematrix er regulr netop hvis den har n trin.
Bevis. Det flger umiddelbart af afsnit 2.3 (Stning 2.3.12 og 2.3.15). 2
Stning 2.6.4 En nn-matrix er regulr netop nr den ved udfrelse af rkkeopera-
tioner kan overfres i enhedsmatricen.
Bevis. Hvis den givne matrix kan overfres i enhedsmatricen er den regulr iflge
Stning 2.6.2. Hvis omvendt den givne matrix antages regulr, kan den overfres i en
trappematrix, der iflge Stning 2.6.2 og Stning 2.6.3 m have n trin. Men det ses
umiddelbart at hvis man omdanner en sdan trappematrix til en reduceret trappema-
trix, da nr man netop frem til enhedsmatricen. 2
58
n
F
n
vre en liner afbildning. Flgende betingelser er kvi-
valente:
(1) f er bijektiv,
(2) f er surjektiv.
(3) f er injektiv.
Bevis. Lad A
=
vre matricen knyttet til f . Vi omformer A
=
til en trappematrix med d

trin. Det fremgr af Stning 2.3.12 og 2.3.15 at de tre betingelser (1), (2) og (3) alle er
ensbetydende med, at d = n. Hermed er stningen vist. 2
Vi udnytter nu Stning 2.6.5 til at vise flgende skrpelse af Stning 1.5.6:
Stning 2.6.6 Lad A
=
og B
=
vre nn-matricer og antag, at
A
=
B
=
=E
=
.
Da er A
=
(og B
=
) regulr, og A
=
1
=B
=
(og B
=
1
= A
=
).
Bevis. Lad f og g vre de linere afbildninger der hrer til A
=
hhv. B
=
. Der glder da,
at f g = id
R
n
hvoraf vi slutter, at f er surjektiv. Men da er f bijektiv iflge Stning
2.6.5 og dermed er A
=
regulr. 2
Stning 2.6.7 Hvis A
=
og B
=
er nn-matricer sledes at A
=
B
=
er regulr, da er A
=
(og B
=
)
regulr.
Bevis. Idet E
=
= A
=
B
=
(A
=
B
=
)
1
= A
=
(B
=
(A
=
B
=
)
1
) slutter vi af Stning 2.6.6, at A
=
er regulr. 2
Vi vil beskrive hvordan man i praksis kan bestemme den inverse A
=
1
til en regulr
matrix A
=
. Iflge Stning 2.6.4 ndes rkkeoperationer og tilhrende operationsmatri-
cer P
=
1
, , P
=
k
, s at P
=
A
=
= P
=
k
P
=
1
A
=
= E
=
. Anvendes disse rkkeoperationer p blok-
matricen (A
=
|E
=
), omdannes den til (P
=
A
=
|P
=
E
=
) = (E
=
|A
=
1
), hvoraf A
=
1
kan ases. Tilsva-
rende kan man nde sjleoperationer og tilhrende operationsmatricer Q
=
1
, , Q
=
, s at
A
=
Q
=
= A
=
Q
=
1
Q
=
=E
=
. Anvendes disse sjleoperationer p blokmatricen (A
=
|E
=
), omdannes
den til (A
=
Q
=
|E
=
Q
=
) =(E
=
|A
=
1
), hvoraf A
=
1
ligeledes kan ases.
59
Det er p sin plads at advare mod at sammenblande rkke- og sjleoperationer ved
denne metode. Antag, at der er rkkeoperationer og tilsvarende operationsmatricer
P
=
1
, , P
=
k
samt sjleoperationer og tilsvarende operationsmatricer Q
=
1
, , Q
=
, s at
P
=
A
=
Q
=
=P
=
k
P
=
1
A
=
Q
=
1
Q
=
=E
=
.
Anvendes disse operationer p blokmatricen (A
=
|E
=
), omdannes den til (P
=
A
=
Q
=
|P
=
E
=
Q
=
) =
(E
=
|P
=
Q
=
). Her er P
=
A
=
Q
=
=E
=
, hvorfor A
=
=P
=
1
Q
=
1
=(Q
=
P
=
)
1
, alts A
=
1
=Q
=
P
=
, men i matricen
(E
=
|P
=
Q
=
) aser vi P
=
Q
=
, som i almindelighed ikke er Q
=
P
=
= A
=
1
.
Vi opsummerer metoden med rkkeoperationer som en opskrift:
Opskrift 2.6.8 (Find den inverse til en nn matrix A
=
:)
1. Opskriv totalmatricen (A
=
|E
=
).
2. Omskriv til reduceret trappeform (A
=
|B
=
).
3. Hvis A
=
=E
=
er A
=
regulr og B
=
= A
=
1
.
4. Hvis A
=
=E
=
er A
=
ikke regulr.
Eksempel 2.6.9 Lad os igen se p matricen
A
=
=
_
_
1 0 1
1 1 0
1 0 1
_
_
fra Eksempel 1.5.3. Frst omdanner vi A
=
til en trappematrix
A
=
=
_
_
1 0 1
1 1 0
1 0 1
_
_
R
1
R
1
_
_
1 0 1
0 1 1
0 0 2
_
_
,
der er en trappematrix med 3 trin. Vi ser alts pny, at A
=
er regulr. Vi vil s nde den
inverse: Vi opskriver blokmatricen (A
=
|E
=
), og omdanner den ved hjlp af rkkeopera-
tioner til matricen (E
=
|A
=
1
):
_
_
1 0 1 1 0 0
1 1 0 0 1 0
1 0 1 0 0 1
_
_
R
1
R
1
_
_
1 0 1 1 0 0
0 1 1 1 1 0
0 0 2 1 0 1
_
_
1
2
60
_
_
1 0 1 1 0 0
0 1 1 1 1 0
0 0 1
1
2
0
1
2
_
_
R
3
+R
3
_
_
1 0 0
1
2
0
1
2
0 1 0
1
2
1
1
2
0 0 1
1
2
0
1
2
_
_
.
Heraf ases, at
A
=
1
=
_
_
1
2
0
1
2
1
2
1
1
2
1
2
0
1
2
_
_
,
i overensstemmelse hvad vi fandt tidligere.
Vi ser s p det linere ligningssystem
x
1
+x
3
= 1
x
1
+x
2
= 2.
x
1
x
3
= 3
Dette kan naturligvis lses ved som sdvanligt at omdanne dets totalmatrix til en trap-
pematrix. Men bemrker vi at koefcientmatricen netop er den givne matrix A
=
kan vi
med vores kendskab til A
=
1
umiddelbart skrive lsningen ned:
_
_
x
1
x
2
x
3
_
_
= A
=
1
_
_
1
2
3
_
_
=
_
_
1
2
0
1
2
1
2
1
1
2
1
2
0
1
2
_
_
_
_
1
2
3
_
_
=
_
_
1
1
2
_
_
.
Eksempel 2.6.10 Vi ser p matricen
A
=
=
_
_
4 3 2
5 6 3
3 5 2
_
_
,
og vi vil undersge om den er regulr, og i givet fald nde dens inverse. Vi gr direkte
ls p at nde den inverse; hvis den alligevel ikke ndes viser det sig under vejs (ved at
vi nr frem til en trappematrix med mindre end 3 trin):
_
_
4 3 2 1 0 0
5 6 3 0 1 0
3 5 2 0 0 1
_
_
R
3
_
_
1 2 0 1 0 1
5 6 3 0 1 0
3 5 2 0 0 1
_
_
5R
1
3R
1
_
_
1 2 0 1 0 1
0 16 3 5 1 5
0 11 2 3 0 4
_
_
R
3
_
_
1 2 0 1 0 1
0 5 1 2 1 1
0 11 2 3 0 4
_
_
2R
2
_
_
1 2 0 1 0 1
0 5 1 2 1 1
0 1 0 1 2 2
_
_
_
_
1 2 0 1 0 1
0 1 0 1 2 2
0 5 1 2 1 1
_
_
5R
2
61
_
_
1 2 0 1 0 1
0 1 0 1 2 2
0 0 1 7 11 9
_
_
+2R
2
_
_
1 0 0 3 4 3
0 1 0 1 2 2
0 0 1 7 11 9
_
_
.
Heraf ases, at A
=
er regulr og
A
=
1
=
_
_
3 4 3
1 2 2
7 11 9
_
_
.
Eksempel 2.6.11 Vi vil undersge om matricen

_
_
_
_
_
1 1 1 1
1 3 1 2
1 2 1 1
5 9 1 6
_
_
_
_
_
er regulr. Vi omdanner den til en trappematrix ved hjlp af rkkeoperationer:
_
_
_
_
_
1 1 1 1
1 3 1 2
1 2 1 1
5 9 1 6
_
_
_
_
_
R
1
R
1
5R
1
_
_
_
_
_
1 1 1 1
0 2 0 1
0 1 2 0
0 4 4 1
_
_
_
_
_
_
_
_
_
_
1 1 1 1
0 1 2 0
0 2 0 1
0 4 4 1
_
_
_
_
_2R
2
4R
2
_
_
_
_
_
1 1 1 1
0 1 2 0
0 0 4 1
0 0 4 1
_
_
_
_
_
R
3
_
_
_
_
_
1 1 1 1
0 1 2 0
0 0 4 1
0 0 0 0
_
_
_
_
_
.
Dette er en 44-matrix med 3 trin; en sdan er ikke regulr, og dermed er den oprin-
delige matrix heller ikke regulr.
Antag, at A
=
er en regulr nn-matrix og antag, at der er givet en np-matrix B
=
. Vi
nsker at nde en n p-matrix X
=
sledes at
A
=
X
=
=B
=
.
Det ses umiddelbart, at der ndes netop en sdan matrix X
=
, nemlig
X
=
= A
=
1
B
=
.
62
Eksempel 2.6.12 Vi nsker at undersge om nedenstende matrix er regulr og i givet
fald nde den inverse.
A
=
=
_
_
1 0 0
1 1 i
i 1i 1
_
_
Vi opstiller matricen (A
=
|E) og rkkereducerer til trappeform:
_
_
1 0 0 1 0 0
1 1 i 0 1 0
i 1i 1 0 0 1
_
_
_
_
1 0 0 1 0 0
0 1 i 1 1 0
0 1i 1 i 0 1
_
_
_
_
1 0 0 1 0 0
0 1 i 1 1 0
0 0 2+i 12i 1+i 1
_
_
_
_
1 0 0 1 0 0
0 1 i 1 1 0
0 0 1 i
1
5
+
3
5
i
2
5
1
5
i
_
_
_
_
1 0 0 1 0 0
0 1 0 0
2
5
1
5
i
1
5
+
2
5
i
0 0 1 i
1
5
+
3
5
i
2
5
1
5
i
_
_
Heraf ases at A
=
er regulr og at
A
=
1
=
_
_
1 0 0
0
2
5
1
5
i
1
5
+
2
5
i
i
1
5
+
3
5
i
2
5
1
5
i
_
_
.
63
3. Determinanter
I dette afsnit skal vi behandle de skaldte determinanter. Determinanten af en kvadra-
tisk matrix A
=
er et tal det(A
=
) med en masse gode egenskaber: det viser sig f.eks. at vi
alene udfra dette tal kan afgre om matricen er regulr.
Denitionen krver en smule tilvnning idet den gr brug af de skaldte permuta-
tioner. Vi motiverer den givne denition ved frst at gennemg den for 22 og 33
matricer.
En alternativ fremgangsmde som bruges af ere lrerbger kunne vre at la-
de den formel vi nder i Stning 3.6.2 vre denitionen af determinanten. Desvrre
ville mange af de gode egenskaber ved determinanten i s fald blive vanskeligere at
bevise, og vi undlader derfor at gre dette. Nr man i konkrete tilflde skal udregne en
determinant for en matrix er det dog snarere denne formel som bruges.
3.1. Determinant af 22-matrix
For en 22-matrix
A
=
=
_
a
11
a
12
a
21
a
22
_
deneres determinanten af A
=
som tallet
det A
=
=a
11
a
22
a
12
a
21
.
For determinanten af A
=
benyttes ogs betegnelserne |A
=
| og
a
11
a
12
a
21
a
22
.
3.2. Determinant af 33-matrix
For en 33-matrix
A
=
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
65
3. Determinanter
_
1
2
_
_
3
1
_
A =
_
1 3
2 1
_
| det A|
Figur 3.1.: Den numeriske vrdi af determinanten af en 22-matrix er arealet af pa-
rallelogrammet udspndt af vektorerne, som udgr sjlerne i matricen. Til-
svarende resultater glder i hjere dimensioner.
deneres determinanten det A
=
af A
=
som tallet
det A
=
=a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
21
a
32
a
13
a
22
a
31
a
11
a
23
a
32
a
12
a
21
a
33
.
Det er en simpel huskeregel for hvordan man udregner determinanten af en sdan
33-matrix: Vi gentager de to frste sjler efter de tre sidste sjler og tegner 6 pile p
flgende mde:
a
11
a
12
a
13
a
11
a
12
a
21
a
22
a
23
a
21
a
22
a
31
a
32
a
33
a
31
a
32
+ + +

Vi ganger nu de tre matrixelementer p hver af de nordvestgende pile og forsyner
dem med fortegn + og dernst ganger vi de tre matrixelementer p hver af de nord-
stgende pile og forsyner dem med fortegn . Dermed bliver determinanten givet ved
udtrykket ovenfor. Denne huskeregel kaldes pilereglen.
For determinanten af A
=
benyttes ogs betegnelserne |A
=
| og
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
.
3.3. Permutationer
Med henblik p denition af determinanten af en vilkrlig nn-matrix, fr vi brug for
teorien om permutationer. Permutation betyder ombytning og vi skal lave en matema-
66
3.3. Permutationer
Figur 3.2.: Den numeriske vrdi af determinanten af en 33-matrix er volumenet af
det parallelepipedum som udspndes af vektorerne, der udgr sjlerne i ma-
tricen. Sammenlign med gur 3.1. Tilsvarende resultater glder i hjere
dimensioner.
tisk teori for noget meget velkendt og konkret. Hvis man har et endeligt antal ordnede
objekter (f.eks en CD-samling ordnet efter udgivelsesdato) hvad kan vi s sige om de
mulige omarrangeringer af disse objekter (At lade den nyeste og nstnyeste CD byt-
te plads p hylden og lade de vrige st er f.eks en af de simpleste permutationer af
CD-samlingen).
Denition 3.3.1 Ved en permutation (af tallene 1, , n) forsts en bijektiv afbildning
af mngden {1, , n} p sig selv. Mngden af samtlige permutationer af tallene 1, , n
betegnes S
n
.
Hvis : {1, , n} {1, , n} er en permutation, angiver vi p flgende mde:
=
_
1 2 n
j
1
j
2
j
n
_
, hvor j
i
=(i).
Da er bijektiv, er tallene j
1
, j
2
, , j
n
en omordning af tallene 1, 2, , n.
Eksempel 3.3.2 Frst angives en permutation med n =3 og dernst angives en per-
mutation med n =6:
=
_
1 2 3
3 1 2
_
, =
_
1 2 3 4 5 6
4 3 1 6 5 2
_
.
Idet den omvendte til en bijektiv afbildning igen er en bijektiv afbildning ses, at hvis
er en permutation, da er ogs
1
en permutation.
67
3. Determinanter
Eksempel 3.3.3 Den omvendte til permutationen
=
_
1 2 3 4 5 6
4 3 1 6 5 2
_
er permutationen
1
=
_
1 2 3 4 5 6
3 6 2 1 5 4
_
.
Idet sammenstning af bijektive afbildninger igen giver en bijektiv afbildning ses, at
hvis og er permutationer i S
n
, da er ogs en permutation i S
n
. Ved udregning
af skal man (jvf. A.2) frst udfre permutationen og dernst .
Eksempel 3.3.4 Den sammensatte permutation af permutationerne
=
_
1 2 3 4 5
3 4 2 5 1
_
og =
_
1 2 3 4 5
4 3 5 1 2
_
er permutationen
=
_
1 2 3 4 5
5 2 1 3 4
_
.
Den identiske afbildning af {1, , n} p sig selv kaldes den identiske permutation eller
enhedspermutationen, og betegnes e. Den er givet ved skemaet
e =
_
1 n
1 n
_
.
Denition 3.3.5 Lad der vre givet en permutation af {1, , n}. Et talpar (i, j), hvor
1 i < j n, siges at svare til en inversion i , hvis (i) > ( j). Antallet af inversioner
kaldes I(). Hvis I() er lige kaldes for en lige permutation, og hvis I() er ulige kaldes
for en ulige permutation.
Denition 3.3.6 Fortegnet sign for en permutation er tallet +1, hvis er en lige
permutation, og tallet 1, hvis er en ulige permutation. Alts er sign =(1)
I()
.
Eksempel 3.3.7 Vi betragter permutationen
=
_
1 2 3 4 5
3 4 5 2 1
_
.
Vi ser, at talparrene (1, 4), (1, 5), (2, 4), (2, 5), (3, 4), (3, 5) og (4, 5) svarer til inversioner,
alts er I() =7, og dermed er ulige, og sign =1.
68
3.3. Permutationer
Denition 3.3.8 Ved en naboombytning forsts en permutation af formen
=
_
1 i i +1 n
1 i +1 i n
_
;
med andre ord er (k) = k for alle k = i, k = i +1, medens (i) = i +1 og (i +1) = i. For
naboombytninger benytter vi ogs betegnelsen
=
_
i i +1
i +1 i
_
.
Det ses umiddelbart, at hvis er en naboombytning, da er I() =1, og dermed at er
en ulige permutation. Endvidere er = e, hvoraf
1
=.
Stning 3.3.9 Enhver permutation fremkommer ved sammenstning af et antal na-
boombytninger.
Bevis. Lad
_
1 n
j
1
j
n
_
vre en given permutation. Lad i vre tallet s (i) = j
i
= n,
og lad
1
vre naboombytningen
_
i i +1
i +1 i
_
. Da er
1
=
_
1 i i +1 n
j
1
j
i+1
n j
n
_
.
P denne mde har vi opnet en ny permutation
1
=
1
, hvor n (i anden rkke) er
rykket en plads til hjre. Sledes fortsttes indtil vi efter ni skridt har opnet en per-
mutation
ni
=
1

ni
sledes at
ni
(n) = n. Herefter fortsttes med at bringe
n1 p plads, dernst n2 etc. indtil vi har fundet naboombytninger
1
,
2
, ,
p
s-
ledes at
1

p
= e.
Men s er
=
1
p

1
1
=
p

1
. 2
Eksempel 3.3.10 Vi ser p permutationen fra Eksempel 3.3.3, og omdanner den
skridt for skridt til enhedspermutationen ved multiplikation fra hjre med naboom-
69
3. Determinanter
skrivninger:
_
1 2 3 4 5 6
4 3 1 6 5 2
_
_
4 5
5 4
_
_
1 2 3 4 5 6
4 3 1 5 6 2
_
_
5 6
6 5
_
_
1 2 3 4 5 6
4 3 1 5 2 6
_
_
4 5
5 4
_
_
1 2 3 4 5 6
4 3 1 2 5 6
_
_
1 2
2 1
_
_
1 2 3 4 5 6
3 4 1 2 5 6
_
_
2 3
3 2
_
_
1 2 3 4 5 6
3 1 4 2 5 6
_
_
3 4
4 3
_
_
1 2 3 4 5 6
3 1 2 4 5 6
_
_
1 2
2 1
_
_
1 2 3 4 5 6
1 3 2 4 5 6
_
_
2 3
3 2
_
_
1 2 3 4 5 6
1 2 3 4 5 6
_
Heraf sluttes, at
=
_
2 3
3 2
_
_
1 2
2 1
_
_
3 4
4 3
_
_
2 3
3 2
_
_
1 2
2 1
_
_
4 5
5 4
_
_
5 6
6 5
_
_
4 5
5 4
_
.
Stning 3.3.11 Hvis permutationen er sammensat af p naboombytninger, da er sign

=(1)
p
; med andre ord, er lige hvis p er lige, og er ulige hvis p er ulige.
Bevis. Hvis =
_
1 n
j
1
j
n
_
og hvis er naboombytningen
_
i i +1
i +1 i
_
er =
_
1 i i +1 n
j
1
j
i+1
j
i
j
n
_
. Heraf fremgr I() = I() 1; men heraf flger, at sign
() = sign . Er nu =
p

1
sammensat af p naboombytninger, er
1

p
=
e, og ved gentagen anvendelse af bevisets indledende bemrkninger fs 1 = sign e =
sign (
1

p
) = sign(
1

p1
) =(1)
p
sign , hvoraf sign =(1)
p
. Dette
viser stningen. 2
Stning 3.3.12 Lad
=
_
i j
j i
_
, i = j,
vre en transposition, dvs. en permutation i S
n
, der ombytter 2 tal i, j {1, 2, , n}, og
lader de vrige urrte. Da er sign =1.
Bevis. For en transposition med j = i +1 eller j = i 1 flger dette af Stning 3.3.11
(med p =1). For en vilkrlig transposition henvises til velsesopgave 61. 2
Stning 3.3.13 Hvis og er permutationer er
sign () =sign sign .
70
3.4. Determinant af nn-matrix
Bevis. Skriv =
p

1
som en sammenstning af naboombytninger, og skriv =
q

1
liges; da er sign =(1)
p
og sign =(1)
q
. Men =
p

1
q

1
,
hvoraf sign () =(1)
p+q
=(1)
p
(1)
q
= sign sign . 2
Stning 3.3.14 Hvis er en permutation, da er
sign =sign (
1
).
Bevis. Da 1 = sign e = sign(
1
) = sign sign(
1
) flger stningen. 2
Stning 3.3.15 Afbildningen
1
er en bijektiv afbildning af S
n
. For ethvert (fast)
S
n
er afbildningen en bijektiv afbildning af S
n
. For n 2 er der lige mange
(=
1
2
n!) lige og ulige permutationer i S
n
.
Bevis. Da S
n
er en endelig mngde, er det tilstrkkeligt at vise, at afbildningerne
1
og er injektive. Dette flger af at
1
1
=
1
2

1
=(
1
1
)
1
=(
1
2
)
1
=
2
,
1
=
2
1
= e
1
=(
1
)
1
=
1
(
1
)
=
1
(
2
) =(
1
)
2
= e
2
=
2
.
Antag n 2, og lad
1
, ,
p
vre de lige permutationer i S
n
og
p+1
, ,
n
vre de
ulige permutationer i S
n
. Lad vre en (fast) ulige permutation i S
n
, f.eks. en transpo-
sition. Da er
1
, ,
p
alle ulige permutationer,
p+1
, ,
n
alle lige permutationer
iflge Stning 3.3.13. Men det medfrer netop, at der m vre lige mange lige og ulige
permutationer i S
n
. 2
Udstyret med teorien om permutationer fra forrige afsnit kan vi nu denere determi-
nanten for en vilkrlig kvadratisk matrix.
Til enhver nn-matrix A
=
knyttes et bestemt tal, determinanten af A
=
, der betegnes
det A
=
eller |A
=
|.
Denition 3.4.1 Determinanten af nn-matricen A
=
=(a
i j
)
n,n
deneres som
det A
=
=
S
n
sign a
1(1)
a
2(2)
a
n(n)
.
For n =2 og n =3 genndes determinanten som den er deneret i afsnit 3.1 og 3.2.
71
3. Determinanter
Stning 3.4.2 For en vilkrlig nn-matrix A
=
glder, at
det A
=
=det A
=
t
.
Bevis. Vi skriver A
=
=(a
i j
)
n,n
og A
=
t
=(a
i j
)
n,n
, og der glder s a
i j
=a
ji
. For simpelheds
skyld antager vi nu, at n = 3. Det generelle tilflde behandles efter samme mnster.
Determinanten af A
=
er givet ved
det A
=
=
S
3
sign a
1(1)
a
2(2)
a
3(3)
.
Ordner vi nu faktorerne i produktet a
1(1)
a
2(2)
a
3(3)
efter andet indeks i stedet for efter
frste indeks, fs
a
1(1)
a
2(2)
a
3(3)
=a
1
(1)1
a
1
(2)2
a
1
(3)3
=a
1
1
(1)
a
2
1
(3)
a
3
1
(3)
,
og da sign = sign (
1
), nder vi s
det A
=
=
S
3
sign (
1
)a
1
1
(1)
a
2
1
(2)
a
3
1
(3)
.
Idet nu
1
er en bijektiv afbildning af S
3
p sig selv, (jvf. Stning 3.3.15) nder vi
endelig
det A
=
=
S
3
sign a
1(1)
a
2(2)
a
3(3)
=det A
=
t
.
Hermed er stningen vist. 2
Vi skal nu se, hvad der sker med determinanten for en matrix nr vi udfrer rkke-
operationer p matricen. Ved hjlp af Stning 3.4.2 udleder vi tilsvarende resultater
for sjleoperationer.
Stning 3.4.3 Lad A
=
vre en nn-matrix. Antag, at B
=
er en matrix der er dannet ud
fra A
=
ved
(1) multiplikation af en rkke (sjle) i A
=
med et tal c; da er detB
=
= cdet A
=
;
(2) ombytning af 2 rkker (sjler); da er detB=det A
=
;
(3) addition af et multiplum af en rkke (sjle) til en anden rkke (sjle); da er
detB
=
=det A
=
.
72
Bevis. Vi skriver A
=
= (a
i j
)
n,n
og B
=
= (b
i j
)
n,n
. Vi illustrerer beviset p en 33-matrix.
Det generelle tilflde behandles efter samme mnster. (1): Hvis f.eks. den anden rkke
i A
=
multipliceres med c glder for 1 j 3 at b
2j
= ca
2j
medens b
i j
=a
i j
for i =2. Men
s er
detB
=
=
S
3
sign b
1(1)
b
2(2)
b
3(3)
=
S
3
sign a
1(1)
ca
2(2)
a
3(3)
= c

S
3
sign a
1(1)
a
2(2)
a
3(3)
= cdet A
=
.
(2): Vi ser p ombytning af to sjler. Hvis f.eks. anden og tredie sjle ombyttes glder
for 1 i 3 at b
i1
=a
i1
, b
i2
=a
i3
og b
i3
=a
i2
, alts at b
i j
=a
i( j)
, hvor er naboombyt-
ningen =
_
1 2 3
1 3 2
_
. Men s er
detB
=
=
S
3
sign b
1(1)
b
2(2)
b
3(3)
=
S
3
sign a
1(1)
a
2(2)
a
3(3)
=
S
3
sign ()a
1(1)
a
2(2)
a
3(3)
=
S
3
sign a
1(1)
a
2(2)
a
3(3)
=det A
=
,
idet afbildningen er en bijektiv afbildning af S
3
p sig selv, jvf. Stning 3.3.15.
(3): Antag nu, at den tredie rkke er multipliceret med c og adderet til den anden
rkke. Da glder for 1 j 3, at b
1j
=a
1j
, b
2j
=a
2j
+ca
3j
og b
3j
=a
3j
, og dermed
detB
=
=
S
3
sign b
1(1)
b
2(2)
b
3(3)
=
S
3
sign a
1(1)
(a
2(2)
+ca
3(2)
)a
3(3)
=
S
3
sign a
1(1)
a
2(2)
a
3(3)
+c

S
3
sign a
1(1)
a
3(2)
a
3(3)
=det A
=
+cdetC
=
,
hvor
C
=
=
_
_
a
11
a
12
a
13
a
31
a
32
a
33
a
31
a
32
a
33
_
_
.
Der glder imidlertid detC
=
= detC
=
, da C
=
fremgr af sig selv ved ombytning af to
rkker; men s er detC
=
=0, og dermed er detB
=
=det A
=
. 2
73
3. Determinanter
Stning 3.4.4 Lad A
=
vre en vre (nedre) trekantsmatrix (specielt en diagonalmatrix);
determinanten for A
=
er lig med produktet af diagonalelementerne.
Bevis. Antag f.eks. at A
=
= (a
i j
)
n,n
er en nedre trekantsmatrix. Da er a
i j
= 0 for i < j.
Hvis s er en permutation i S
n
, der ikke er den identiske permutation, ndes der 1
i n, s i <(i); men det betyder, at produktet a
1(1)
a
n(n)
er nul, thi det indeholder
faktoren a
i(i)
=0. Konklusionen er, at det eneste led i summen
det A
=
=
S
n
sign a
1(1)
a
n(n)
,
der eventuelt ikke er nul, kommer fra den identiske permutation; alts er
det A
=
=a
11
a
nn
.
Resultatet for en vre trekantsmatrix flger nu af Stning 3.4.2. 2
Stning 3.4.5 Lad A
=
vre en nn-matrix af formen
A
=
=
_
_
_
_
_
_
a
11
a
12
a
1n
0
.
.
. B
=
0
_
_
_
_
_
_
,
hvor B
=
er en (n1) (n1)-matrix. Da er
det A
=
=a
11
detB
=
.
Bevis. Ved hjlp af rkkeoperationer af type S overfrer vi B
=
til en vre trekantsma-
trix B
=
1
. Vi udfrer s de samme rkkeoperationer p A
=
, hvorved A
=
overfres i en vre
trekantsmatrix
A
=
1
=
_
_
_
_
_
_
a
11
a
12
a
1n
0
.
.
. B
=
1
0
_
_
_
_
_
_
.
Idet rkkeoperationer af type S ikke ndrer determinanten skal vi blot vise, at det A
=
1
=
a
11
detB
=
1
. Men det er klart iflge Stning 3.4.4. 2
Eksempel 3.4.6 Vi beregner determinanten
2 5 3 2
2 3 2 5
1 3 2 2
1 6 4 3
1 3 2 2
2 3 2 5
2 5 3 2
1 6 4 3
+2R
1
2R
1
+R
1
=
74
1 3 2 2
0 3 2 1
0 1 1 6
0 3 2 5
3 2 1
1 1 6
3 2 5
+R
1
=
3 2 1
1 1 6
0 0 4
=(128) =4.
Vi har undervejs anvendt Stning 3.4.3 og 3.4.5.
Stning 3.4.7 Lad A
=
vre en nn-matrix. Da er A
=
regulr netop hvis det A
=
=0.
Bevis. Matricen A
=
kan ved hjlp af rkkeoperationer overfres i en trappematrix B
=
,
og der glder (det A
=
= 0 detB
=
= 0) iflge Stning 3.4.3. Men der glder ogs at (A
=
regulr B
=
regulr) iflge Stning 2.6.2. Vi kan derfor njes med at se p tilfldet,
hvor A
=
er en trappematrix. Men en kvadratisk trappematrix er specielt en vre tre-
kantsmatrix, og derfor er dens determinant lig med produktet af diagonalelementerne.
Men dette produkt er forskellig fra nul netop hvis alle diagonalelementer er forskellige
fra nul, der netop er betingelsen for at en vre trekantsmatrix er regulr. 2
Stning 3.4.8 Lad A
=
og B
=
vre nn-matricer. Der glder
det(A
=
B
=
) =det A
=
detB
=
.
Bevis. Antag frst, at A
=
er en operationsmatrix. Det ses da umiddelbart ved hjlp af
Stning 3.4.3, at identiteten er opfyldt. Antag dernst, at A
=
ikke er regulr. Da er
A
=
B
=
heller ikke regulr iflge Stning 2.6.7, og dermed er hjreside og venstreside i
identiteten begge lig med nul. Antag s endelig, at A
=
er regulr. Da kan A
=
skrives som
et produkt af operationsmatricer A
=
= P
=
1
P
=
k
, og under anvendelse af frste del af be-
viset fs s det A
=
=det P
=
1
det(P
=
2
P
=
k
) =det P
=
1
det P
=
k
, og det(A
=
B
=
) =det(P
=
1
P
=
k
B
=
) =
det(P
=
1
) det(P
=
2
P
=
k
B
=
) =det P
=
1
det P
=
k
detB
=
=det A
=
detB
=
. Hermed er stningen vist. 2
Stning 3.4.9 For en regulr matrix A
=
glder, at
det(A
=
1
) =
1
det A
=
.
Bevis. Da A
=
A
=
1
=E
=
, er det A
=
det(A
=
1
) =det E
=
=1 iflge den foregende stning. Heraf
fremgr stningen. 2
75
3. Determinanter
3.5. Cramers formler
I dette afsnit skal vi se at vi i srlige tilflde kan lse et linert ligningssystem ved at
udregne en rkke determinanter.
Vi ser p et linert ligningssystem bestende af n ligninger med n ubekendte
a
11
x
1
+ +a
1n
x
n
= b
1
.
.
.
a
n1
x
1
+ +a
nn
x
n
= b
n
(1)
Idet A
=
betegner ligningssystemets koefcientmatrix kan (1) skrives
A
=
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
b
1
.
.
.
b
n
_
_
_. (2)
Vi antager nu, at A
=
er regulr. Ligningssystemet har da netop en lsning, nemlig
_
_
_
x
1
.
.
.
x
n
_
_
_ = A
=
1
_
_
_
b
1
.
.
.
b
n
_
_
_.
Vi vil nde en formel for x
j
, j =1, , n. Med henblik herp bemrker vi, at
_
_
_
_
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 x
1
.
.
.
.
.
.
x
j
.
.
.
.
.
.
x
n
1
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
b
1
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
_
_
_
_
_
_
. (3)

j j
Af Stning 3.4.5 (anvendt j 1 gange) og Stning 3.4.4 fs
1 x
1
.
.
.
.
.
.
1
x
j
1
.
.
.
.
.
.
x
n
1
x
j
1
.
.
.
1
= x
j
.
j
76
3.5. Cramers formler
Af Stning 3.4.8 fs s, at determinanten af venstresiden i (3) er lig med det A
=
x
j
, og
dermed er
det A
=
x
j
=
a
11
b
1
a
1n
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
j
hvoraf
x
j
=
a
11
b
1
a
1n
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
a
11
a
1n
.
.
.
.
.
.
a
n1
a
nn
, j =1, , n,
hvor alts berne er skrevet i den jte sjle. Disse udtryk for x
1
, , x
n
kaldes Cramers
formler, efter den schweiziske matematiker G. Cramer (1704-1752).
For n =2 lyder ligningssystemet
a
11
x
2
+a
12
x
2
= b
1
a
21
x
1
+a
22
x
2
= b
2
,
og Cramers formler giver de velkendte udtryk
x
1
=
b
1
a
12
b
2
a
22
a
11
a
12
a
21
a
22
, x
2
=
a
11
b
1
a
21
b
2
a
11
a
12
a
21
a
22
.
For n =3 lyder ligningssystemet
a
11
x
1
+a
12
x
2
+a
13
x
3
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
= b
2
,
a
31
x
1
+a
32
x
2
+a
33
x
3
= b
3
og Cramers formler giver
x
1
=
b
1
a
12
a
13
b
2
a
22
a
23
b
3
a
32
a
33
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
, x
2
=
a
11
b
1
a
13
a
21
b
2
a
23
a
31
b
3
a
33
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
, x
3
=
a
11
a
12
b
1
a
21
a
22
b
2
a
31
a
32
b
3
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
.
77
3. Determinanter
Eksempel 3.5.1 Vi betragter ligningssystemet
2x
1
x
2
+3x
3
= 1
x
1
+2x
2
+x
3
= 0.
x
1
+x
2
= 1
Determinanten for koefcientmatricen er
2 1 3
1 2 1
1 1 0
=12.
Ligningssystemet kan alts lses ved hjlp af Cramers formler; vi nder
x
1
=
1 1 3
0 2 1
1 1 0
12
=
6
12
=
1
2
,
x
2
=
2 1 3
1 0 1
1 1 0
12
=
6
12
=
1
2
,
x
3
=
2 1 1
1 2 0
1 1 1
12
=
6
12
=
1
2
.
3.6. Determinant og invers matrix

Vi skal i dette afsnit udlede en formel for den inverse til en regulr matrix.
Lad A
=
=(a
i j
)
n,n
vre en nn-matrix. Ved komplementet til a
i j
forsts tallet
A
i j
=
a
11
0 a
1n
.
.
.
.
.
.
.
.
.
0 1 0
.
.
.
.
.
.
.
.
.
a
n1
0 a
nn
i
.
j
78
A
i j
er alts determinanten af matricen, der fremkommer af A
=
ved at skrive 1 p pladsen
(i, j) og 0 p de vrige pladser i ite rkke og jte sjle. For hvert 1 i, j n deneres
matricen A
=
i j
som matricen der fremkommer af A
=
ved at slette ite rkke og jte sjle.
Stning 3.6.1 Der glder
A
i j
=(1)
i+j
det A
=
i j
.
Bevis. Ved (i 1) rkkeombytninger efterfulgt af ( j 1) sjleombytninger overfres
matricen
_
_
_
_
_
_
_
_
a
11
0 a
1n
.
.
.
.
.
.
.
.
.
0 1 0
.
.
.
.
.
.
.
.
.
a
n1
0 a
nn
_
_
_
_
_
_
_
_
i
j
i matricen
_
_
_
_
_
_
1 0 0
0
.
.
. A
=
i j
0
_
_
_
_
_
_
.
Men s er
A
i j
=(1)
i1
(1)
j1
1 0 0
0
.
.
. A
=
i j
0
=(1)
i+j
det A
=
i j
iflge Stning 3.4.3 og Stning 3.4.5. Hermed er stningen vist. 2
Stning 3.6.2 For enhver nn-matrix A
=
glder
det A
=
=a
i1
A
i1
+ +a
in
A
in
,
0 =a
j1
A
i1
+ +a
jn
A
in
, j = i.
Bevis. Af denitionen p determinant
det A
=
=
S
n
sign a
1(1)
a
n(n)
79
3. Determinanter
fremgr, at
det A
=
=a
i1
A
i1
+ +a
i j
A
i j
+ +a
in
A
in
, (4)
hvor A
i1
, , A
in
ikke afhnger af elementerne i ite rkke af A
=
. ndrer vi A
=
, sledes
at
a
i1
= =a
i, j1
=a
i, j+1
= =a
i,n
=0, a
i j
=1,
fs derfor
A
i j
=
a
11
0 a
1n
.
.
.
.
.
.
.
.
.
0 1 0
.
.
.
.
.
.
.
.
.
a
n1
0 a
nn
i =
a
11
a
1j
a
1n
.
.
.
.
.
.
.
.
.
0 1 0
.
.
.
.
.
.
.
.
.
a
n1
a
nj
a
nn
i = A
i j
j
idet overensstemmelsen mellem de 2 determinanter fremgr ved n1 rkkeoperatio-
ner. Den frste formel flger derfor af (4). ndrer vi derimod A
=
, sledes at ite rkke i
A
=
erstattes af jte rkke i A
=
, fs
0 =
a
1i
a
1n
.
.
.
.
.
.
a
j1
a
jn
.
.
.
.
.
.
a
j1
a
jn
.
.
.
.
.
.
a
n1
a
nn
i
j
=a
j1
A
i1
+ +a
jn
A
in
=a
j1
A
i1
+ +a
jn
A
in
,
idet en nn-matrix med 2 ens rkker har determinant 0, og vi benytter det tidligere
viste resultat A
i j
= A
i j
. 2
Stning 3.6.3 For komplementmatricen
K(A
=
) =
_
_
_
A
11
A
1n
.
.
.
.
.
.
A
n1
A
nn
_
_
_
hrende til en nn-matrix A
=
glder
A
=
K(A
=
)
t
=(det A
=
)E
=
.
80
Bevis. Af Stning 3.6.2 fs
A
=
K(A
=
)
t
[i, j] = A
=
[i, ] K(A
=
)
t
[, j] = A
=
[i, ] K(A
=
)[ j, ]
= a
i1
A
j1
+ +a
in
A
jn
=
_
det A
=
for j = i
0 for j = i
,
og det viser pstanden. 2
Stning 3.6.4 For en regulr matrix A
=
glder
A
=
1
[i, j] =
A
ji
det A
=
=
(1)
i+j
det A
=
ji
det A
=
,
d.v.s. den inverse matrix til A
=
er givet ved formlen
A
=
1
=
1
det A
=
K(A
=
)
t
.
Bevis. Nr A
=
er regulr viser Stning 3.6.3, at
A
=
_
_
1
det A
=
K(A
=
)
t
_
_
=E
=
.
Af Stning 2.6.6 flger heraf, at A
=
1
=
1
det A
=
K(A
=
)
t
. 2
Eksempel 3.6.5 Vi betragter matricen
A
=
=
_
_
1 0 1
1 1 0
1 0 1
_
_
.
Vi udregner det A
=
=2, og dermed er A
=
regulr. Vi udregner s
det A
=
11
=1, det A
=
12
=1, det A
13
=1
det A
=
21
= 0, det A
=
22
=2, det A
=
23
=0
det A
=
31
=1, det A
=
32
=1, det A
=
33
=1,
hvoraf (idet fortegnsfaktorerne (1)
i+j
skal huskes)
A
=
1
=
_
_
1
2
0
1
2
1
2
1
1
2
1
2
0
1
2
_
_
.
81
3. Determinanter
3.7. Udvikling af determinant
I dette afsnit skal vi udlede den formel som oftest bruges nr man i praksis skal udregne
determinanten af en matrix.
Stning 3.7.1 Lad A
=
vre en nn-matrix. Da glder for hvert 1 i n, at
det A
=
=a
i1
A
i1
+ +a
in
A
in
=(1)
i+1
a
i1
det A
=
i1
+ +(1)
i+n
a
in
det A
=
in
,
det A
=
=a
1i
A
1i
+ +a
ni
A
ni
=(1)
1+i
a
1i
det A
=
1i
+ +(1)
n+i
a
ni
det A
=
ni
.
Bevis. Den frste formel blev vist i Stning 3.6.2, og den alternative version flger af
Stning 3.6.1. Den anden formel fs af den frste formel anvendt p A
=
t
, idet vi benytter,
at det A
=
=det A
=
t
(jvf. Stning 3.4.2). 2
Disse formler kaldes for udviklingen af det A
=
efter ite rkke hhv. ite sjle. Vi har p
denne mde udtrykt det A
=
ved determinanter af lavere orden. For i =1 fs specielt
det A
=
=a
11
det A
=
11
a
12
det A
=
12
+ +(1)
n+1
a
1n
det A
=
1n
det A
=
=a
11
det A
=
11
a
21
det A
=
21
+ +(1)
n+1
a
n1
det A
=
n1
.
Normalt vil man vlge at udvikle efter rkker eller sjler med mange nuller. Eventuelt
m man frst ved rkke- eller sjleoperationer skaffe nuller (jvf. Eksempel 3.7.3).
Eksempel 3.7.2 Vi beregner en determinant ved udvikling efter frste rkke:
2 0 0 3
0 1 0 0
7 4 3 5
6 2 2 4
=2
1 0 0
4 3 5
2 2 4
(3)
0 1 0
7 4 3
6 2 2
=
2(1)
3 5
2 4
3(1)
7 3
6 2
=(2)(1210) +3(14+18) =92.

Til sammenligning giver udvikling efter 2. rkke:
2 0 0 3
0 1 0 0
7 4 3 5
6 2 2 4
=(1)(1)
2+2
2 0 3
7 3 5
6 2 4
=
_
2(1)
1+1
3 5
2 4
+(3)(1)
1+3
7 3
6 2
_
=(2(1210) 3(14+18)) =92.
82
3.7. Udvikling af determinant
Eksempel 3.7.3 Vi beregner en determinant ved frst at udfre rkkeoperationer, og
dernst udvikle efter frste sjle
5 4 2 1
2 3 1 2
5 7 3 9
1 2 1 4
5R
4
2R
4
+5R
4
=
0 14 7 19
0 7 3 10
0 17 8 29
1 2 1 4
14 7 19
7 3 10
17 8 29
=38.
Bemrk, at Stning 3.4.5, der blev benyttet p afgrende mde ved udledning af tidli-
gere stninger, er et specialtilflde af Stning 3.7.1 (udvikling efter 1. sjle).
Vi afslutter kapitlet med at summere nogle af de vigtigste teknikker til udregning af
determinanten af en nn matrix:
Opskrift 3.7.4 (Beregning af det(A
=
))
Nr man i praksis skal udregne det(A
=
) gr man ofte brug af flgende teknikker:
1. Lav rkkeoperationer p A
=
for at lave ere 0er i en rkke. Ved hver skridt holdes
je med hvad den pgldende rkkeoperation gr ved det(A
=
) (Stning 3.4.3).
2. Udregn determinanten af resultatet fra (1) ved brug af udviklingsformen efter en
rkke eller sjle med mange 0er (Theorem 3.7.1) .
I praksis er det ofte en smagssag hvordan man vil balancere mellem de 2 ovenst-
ende teknikker. Man kan altid lave rkkeoperationer indtil matricen er p reduceret
trappeform hvorefter determinanten kan ases som produktet at diagonalindgange-
ne. Det vil imidlertid ofte vre mere tidskrvende at lave den fulde rkkereduktion
end at bruge udviklingsformen p en tilpas reduceret matrix.
83
4. Vektorrum
I dette kapitel skal vi introducere og undersge abstrakte vektorrum. Som det vil frem-
g af denitionen nedenfor er disse motiveret af de strukturelle egenskaber ved F
n
:
Vi tager simpelthen regnereglerne for F
n
og lader dem udgre denitionen af abstrakte
vektorrum. Dette gr os i stand til at studere objekter forskellige fra F
n
som har de sam-
me strukturelle egenskaber som F
n
. Nr vi har deneret hvad vi mener med et abstrakt
vektorrum begynder vi at studere linere afbildninger mellem abstrakte vektorrum, og
det viser sig at vi bedre kan forst F
n
ved at tnke abstrakt om det.
Ved frste gennemsyn kan den mere abstrakte tilgang synes vanskeligere. Det er
naturligt. Men i virkeligheden er det stik modsat. Det abstrakte synspunkt fjerner alt
undig information somkan forstyrre overblikket, og mange argumenter og overvejelser
bliver lettere nr man frst har vnnet sig til at tnke om matrixafbildninger mellem
F
n
og F
m
som eksempler p linere afbildninger mellem endeligdimensionale abstrakte
vektorrum.
4.1. Denition af vektorrum; eksempler
Lad V vre en mngde, hvori der er givet to operationer, nemlig multiplikation af et
element med en skalar og dannelse af to elementers sum; dette betyder, at der til et tal
F og et element x V er knyttet et nyt element x V kaldet x multipliceret med ,
og til to elementer x, y V er der knyttet et nyt element x + y V kaldet summen af x
og y.
Denition 4.1.1 (Regneregler i et vektorrum) Mngden V udstyret med de to givne ope-
rationer siges at vre et vektorrum, hvis flgende regneregler er opfyldt: For vilkrlige
vektorer x, y, z i V og vilkrlige tal , i F glder
V1: (x+ y) +z = x+(y+z)
V2: x+o = x
V3: x+(x) = o
V4: x+ y = y+x
V5: (x+ y) =x+y
V6: (+)x =x+x
85
4. Vektorrum
V7: ()x =(x)
V8: 1x = x
Elementerne i et vektorrum kaldes ogs for vektorer. Regnereglen V2 skal forsts
sledes, at der ndes en vektor o, kaldet nulvektoren, s V2 er opfyldt. Det ses let, at
der kun ndes en nulvektor i et vektorrum. Regnereglen V3 skal forsts sledes, at der
for hver vektor x V ndes en vektor y V s x+ y = o. Det ses let, at der kun ndes et
sdant element y. Dette element kaldes s x. Det ses let, at x =(1)x og at 0x = o for
alle vektorer i vektorrummet V. For to vektorer x, y sttes xy = x+(1)y. Det ses let,
at hvis x+ y = z er x = z y.
Vi indfrer betegnelsen F
0
={0}. Dette er et eksempel p et vektorrum, der kun inde-
holder et element, nemlig nulvektoren o =0. Vi siger at V er deneret over F, eller at V
er et F-vektorrum. Hvis F =R kalder vi ogs V et reelt vektorrum , og hvis F =C kaldes
V et komplekst vektorrum . Nr der i det flgende optrder ere vektorrum samtidigt
vil de alle vre F-vektorrum for samme F. De er alts alle enten reelle vektorrum eller
komplekse vektorrum.
Eksempel 4.1.2 Talrummet F
n
, n = 0, 1, 2, . . . er et vektorrum over F. Dette flger af
Stning 1.1.2. Bemrk udseendet af o og x. Overvej at mngden C
n
desuden er et
vektorrum over R men at R
n
ikke er et vektorrum over C hvis n >0 .
Eksempel 4.1.3 Med M
m,n
(F) betegnes mngden af alle mn-matricer med indgange i
F. Med de i afsnit 1.4 indfrte matrixoperationer multiplikation med skalar og addition,
er M
m,n
(F) et vektorrum over F, jvf. regnereglerne M1-M8 i Stning 1.4.5.
Eksempel 4.1.4 Lad Pol (F) betegne mngden af polynomier i n variabel med koef-
center i F, dvs. funktioner p af formen
p(x) =a
0
+a
1
x+a
2
x
2
+ +a
n
x
n
, x F,
hvor a
0
, a
1
, a
2
, , a
n
F, og n N
0
. Vi udstyrer Pol (F) med sdvanlig addition og med
sdvanlig multiplikation med skalarer. Herved bliver Pol (F) et vektorrum med nulpo-
lynomiet som nulvektor. Hvis f.eks. p og q er polynomierne givet ved
p(x) = 3x+x
4
5x
6
,
q(x) = x+2x
6
+x
7
,
er p+q givet ved
(p+q)(x) =3+x
4
3x
6
+x
7
.
For addition of scalarmultiplikation af et andet st polynomier se gur 4.1.
86
4.2. Linere afbildninger; isomor
x x
f
1
2
f
f
g
f + g
(A) (B)
Figur 4.1.: (A) Polynomierne f (x) = x
2
1 og (
1
2
f )(x) =
1
2
f (x) =
1
2
(x
2
1). (B) Polynomierne
f (x) = x
2
1, g(x) = x+2 og ( f + g)(x) = f (x) + g(x) = x
2
+x+1.
4.2. Linere afbildninger; isomor
Lad U og V vre vektorrum.
Denition 4.2.1 Ved en liner afbildning f fra U til V forsts en afbildning f : U V,
s
L1: f (x) =f (x) for alle x U, F.
L2: f (x+ y) = f (x) + f (y) for alle x, y U.
En liner afbildning kaldes ogs for en homomor.
Tilsammen kaldes L1 og L2 for linearitetsbetingelserne. Hvis U = F
n
og V = F
m
, ses,
at der er overensstemmelse med vores tidligere betegnelser (Stning 1.3.9).
Bemrk, at vi for U = F
n
og V = F
m
har to mder p hvilken vi kan udtrykke at en
afbildning f : U V er liner, nemlig dels at f er givet ved en matrix, og dels at f
opfylder linearitetsbetingelserne L1 og L2. Hvis U og V er vilkrlige vektorrum kan vi
ikke umiddelbart denere linearitet af en afbildning f : U V ved hjlp af matricer,
men m benytte L1 og L2. Det ses let, at der for en liner afbildning f : U V glder,
at f (o) = o.
Lad U, V og W vre vektorrum.
Stning 4.2.2 Hvis f : WV og g : U W er linere afbildninger, da er den sammen-
satte afbildning f g : U V ligeledes liner.
Bevis. Det vises uden komplikationer, at f g opfylder L1 og L2, nr f og g gr det. 2
87
4. Vektorrum
Lad V vre et vektorrum. Vi vil et jeblik se p linere afbildninger f : F
n
V. Idet
vi stter a
j
= f (e
j
), j =1, , n hvor e
1
, , e
n
er standard enhedsvektorerne i F
n
, fr vi
for en vektor
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
e
1
+ +x
n
e
n
,
at
f (x) = f (x
1
e
1
+ +x
n
e
n
)
= x
1
f (e
1
) + +x
n
f (e
n
) = x
1
a
1
+ +x
n
a
n
,
alts
f (x) = x
1
a
1
+ +x
n
a
n
. ()
Hvis V = F
m
gennder vi udtrykket fra afsnit 1.3, og i dette tilflde er a
j
den jte
sjlevektor for matricen A
=
hrende til f .
Stning 4.2.3 Lad a
1
, , a
n
vre vektorer i vektorrummet V. Afbildningen f : F
n
V givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
er liner, og alle linere afbildninger f : F
n
V har denne form. Der glder a
j
= f (e
j
).
Bevis. Hvis f er liner har vi ovenfor set, at f har formen (), og det er klart, at
a
j
= f (e
j
). Antag nu omvendt, at a
1
, , a
n
er givne vektorer i V, og dener afbildningen
f : F
n
V ved formlen (). Det eftervises s umiddelbart, at f opfylder L1 og L2, og
dermed er f liner. 2
Lad U og V vre vektorrum.
Denition 4.2.4 En bijektiv liner afbildning f : U V kaldes for en isomor fra U til
V.
To vektorrum U og V kaldes isomorfe , hvis der ndes en isomor fra U til V.
Stning 4.2.5 Lad U, V og W vre vektorrum.
(1) Den identiske afbildning id
U
: U U er en isomor.
(2) Hvis f : U V er en isomor, er f
1
: V U en isomor.
88
4.3. Endeligdimensionale vektorrum; basis
(3) Hvis f : WV og g : U W er isomorer, er f g : U V en isomor.
Bevis. (1): Den identiske afbildning er oplagt liner og bijektiv, alts en isomor. (2):
Hvis f : U V er bijektiv, er f
1
: V U bijektiv. At yderligere f
1
er liner, hvis f er
det, ses ved at vise, at f
1
opfylder L1 og L2; dette gres p njagtigt samme mde som
i beviset for Stning 1.5.1. (3): Hvis f : W V og g : U W er isomorer, da er f g
bijektiv og liner, da sammenstning af to bijektive afbildninger igen er bijektiv (A.2),
og da sammenstning af to linere afbildninger igen er liner (Stning 4.2.2). 2
I dette afsnit skal vi denere og undersge hvad det vil sige at et abstrakt vektorrum er
endeligdimensionalt, og for endeligdimensionale rum denere dimensionen af rummet.
For at denition skal vre meningsfyldt fr vi brug for flgende stning:
Stning 4.3.1 Hvis F
m
er isomorft med F
n
, da er m= n.
Bevis. Hvis f : F
n
F
m
er bijektiv og liner, da er m= n iflge Stning 2.4.2. 2
Denition 4.3.2 Et vektorrum V kaldes endeligdimensionalt, hvis det er isomorft med
et talrum F
n
, n =0, 1, 2, . . . . Dimensionen dimV deneres i givet fald til n.
Bemrk, at hvis et vektorrum er isomorft med F
m
og med F
n
, da er F
m
og F
n
isomorfe
iflge Stning 4.2.5, og dermed er m= n iflge Stning 4.3.1. Dimensionen dimV af et
endeligdimensionalt vektorrum er derfor veldeneret. Bemrk ogs, at hvis dimV =0,
da er V ={o}.
Lad V vre et vektorrum.
Denition 4.3.3 Et ordnet
1
st af vektorer a
1
, , a
n
i V kaldes en (ordnet) basis for V,
hvis hver vektor a i V p netop en mde kan skrives p formen
a = x
1
a
1
+ +x
n
a
n
,
hvor x
1
, x
2
, . . . , x
n
F. Vi benvner ogs en basis ved A =(a
1
, a
n
).
Det er vrd at bemrke at der er en asymmetrisk sammenhng mellem de reelle
og de komplekse vektorrum. Et reelt vektorrum (som fx R
2
) behver ikke at kunne
1
at sttet er ordnet betyder at vi har udstyret det med en rkkeflge, s det giver mening at tale om
den frste element, 2. element, osv.
89
4. Vektorrum
a
1
a
2
x x
2a
1
a
1
a
2
x =a
1
+a
2
x =2a
1
+a
2
Figur 4.2.: Vektorerne a
1
og a
2
udgr en basis A = (a
1
, a
2
) for R
2
. Det samme gr
A
= (a
1
, a
2
). Enhver vektor x R
2
kan skrives p prcis en mde som en
linearkombination af a
1
og a
2
og p prcis en mde som en linearkombina-
tion af a
1
og a
2
.
opfattes som et komplekst vektorrum. Man kan nemlig ikke altid give mening til at
gange en vektor med et komplekst tal. Men et komplekst vektorrum (som fx C
2
) kan
altid opfattes som et reelt vektorrum ved bare at opfatte multiplikation med skalar
som deneret kun p de reelle tal. S glder der: Hvis A =(v
1
, . . . , v
n
) er en basis for et
komplekst vektorrum V s er B=(v
1
, . . . , v
n
, iv
1
, . . . , iv
n
) en basis for V opfattet som et
reelt vektorrum . (Overvej!)
Antag, at A = (a
1
, , a
n
) er en basis i V. Skrives en vektor a V p formen a =
x
1
a
1
+ +x
n
a
n
kaldes tallene x
1
, , x
n
for koordinaterne for vektoren a med hensyn til
basen a
1
, , a
n
; tilsvarende taler vi om koordinatsttet (x
1
, , x
n
) og koordinatsjlen
_
_
_
x
1
.
.
.
x
n
_
_
_ for a.
Vi benvner koordinatsjlen for vektoren a med hensyn til A ved
A
[a]
I situationen herover har vi alts
A
[a] =
_
_
_
x
1
.
.
.
x
n
_
_
_
Bemrk, at a
j
s koordinatsjle med hensyn til A er standardenhedsvektoren e
j
, alts
at
A
[a
j
] = e
j
for j =1, . . . , n.
Vi viser nedenfor (Stning 4.3.5) at afbildningen a
A
[a] er en isomor eftersom det
er den omvendte afbildning til den der i Stning 4.3.5 vises at vre en isomor.
90
Lad e
1
, , e
n
vre standardenhedsvektorerne i F
n
. Idet det glder
x
1
e
1
+ +x
n
e
n
=
_
_
_
x
1
.
.
.
x
n
_
_
_,
ses, at (e
1
, , e
n
) er en basis for det n-dimensionale vektorrum F
n
. Denne basis kaldes
for den naturlige basis i F
n
. Koordinatsjlen for vektoren
x =
_
_
_
x
1
.
.
.
x
n
_
_
_
med hensyn til den naturlige basis er vektoren x selv.
Eksempel 4.3.4 Vektorrummet M
m,n
af mn-matricer er et mn-dimensionalt vektor-
rum. I specialtilfldet m=2, n =3 ses, at en isomor f : F
6
M
2,3
er givet ved
f :
_
_
_
x
1
.
.
.
x
6
_
_
_
_
x
1
x
2
x
3
x
4
x
5
x
6
_
.
Tilsvarende opskrives let en isomor fra F
mn
til M
m,n
for vilkrlige m og n.
En basis for M
2,3
er givet ved
a
1
=
_
1 0 0
0 0 0
_
, a
2
=
_
0 1 0
0 0 0
_
, a
3
=
_
0 0 1
0 0 0
_
,
a
4
=
_
0 0 0
1 0 0
_
, a
5
=
_
0 0 0
0 1 0
_
, a
6
=
_
0 0 0
0 0 1
_
.
I M
m,n
udgr de elementre matricer I
=
i, j
, 1 i m, 1 j n en basis.
Stning 4.3.5 Lad a
1
, , a
n
vre et st af vektorer i vektorrummet V. Den linere
afbildning f : F
n
V givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
er en isomor netop nr a
1
, , a
n
er en basis.
Bevis. At f er en isomor betyder, at f er bijektiv, alts, at der for hver vektor a V
ndes netop en vektor x F
n
, s f (x) = a. Men det betyder netop, at a
1
, a
n
er en
basis. 2
91
4. Vektorrum
Stning 4.3.6 Et vektorrum V = {o} har en basis netop hvis det er endeligdimensio-
nalt. I givet fald indeholder enhver basis for V netop dimV elementer.
Bevis. Antag, at V er endeligdimensionalt med dimV = n. Der ndes da en isomor
f : F
n
V, og denne har formen
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
()
iflge Stning 4.2.3. Men da f er en isomor, er a
1
, , a
n
en basis iflge Stning 4.3.5.
Hvis omvendt a
1
, , a
n
er en basis for V, er den linere afbildning givet ved formlen
() en isomor ogs iflge Stning 4.3.5, og dermed er V isomorft med F
n
, og dermed
endeligdimensionalt med dimV = n. 2
Stning 4.3.7 Et (ordnet) st a
1
, , a
n
af n vektorer i F
n
er en basis netop hvis nn-
matricen
A
=
=
_
a
1
a
n
_
er regulr.
Bevis. Sttet a
1
, , a
n
er en basis netop nr den linere afbildning f : F
n
F
n
givet
ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
()
er bijektiv. Men f er den linere afbildning givet ved matricen A
=
, og f er bijektiv netop
nr A
=
er regulr. 2
Eksempel 4.3.8 I F
3
er der givet vektorerne
a
1
=
_
_
1
3
2
_
_
, a
2
=
_
_
2
8
7
_
_
, a
3
=
_
_
1
7
9
_
_
.
Vi nsker at undersge om a
1
, a
2
, a
3
er en basis i R
3
. Vi opskriver matricen
A
=
=
_
_
1 2 1
3 8 7
2 7 9
_
_
,
92
4.4. Underrum
og nder, at det A
=
=2. Matricen A
=
er alts regulr, og dermed er a
1
, a
2
, a
3
en basis. Der
er s yderligere givet vektoren
a =
_
_
4
20
23
_
_
.
Vi nsker at nde koordinaterne for a med hensyn til basen a
1
, a
2
, a
3
. Vi skal alts lse
ligningen
a = x
1
a
1
+x
2
a
2
+x
3
a
3
,
alts ligningen
_
_
1 2 1
3 8 7
2 7 9
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
4
20
23
_
_
.
Dette gres p sdvanlig mde, og man nder at det sgte koordinatst er (x
1
, x
2
, x
3
) =
(5, 2, 3).
4.4. Underrum
Vi skal i dette afsnit studere vektorrum som ligger inden i andre vektorrum. De skald-
te underrum. Mere prcist: Lad V vre et vektorrum.
Denition 4.4.1 En ikke-tom delmngde U V kaldes for et underrum hvis flgende
to betingelser er opfyldt
U1: Hvis x U og F glder x U.
U2: Hvis x, y U glder x+ y U.
Bemrk, at hvis U er et underrum er o U; hvis nemlig x er et element i U er iflge
U1 ogs vektoren 0x = o et element i U.
Vi udtrykker U1 og U2 ved at sige, at et underrum er stabilt ved vektorrumsopera-
tionerne. I et underrum U af vektorrummet V glder naturligvis regnereglerne V1-V8
(Denition 4.1.1), s U er i sig selv et vektorrum. Vi kan derfor specielt tale om, at et
underrum kan have endelig dimension, og i givet fald om dets dimension samt om baser
herfor.
Bemrk specielt, at {o} og V begge er underrum i vektorrummet V. Disse to under-
rum kaldes trivielle.
Eksempel 4.4.2 I F
3
betragtes mngden
N =
_
_
_
_
_
x
1
x
2
x
3
_
_
|x
1
+x
2
+x
3
=0
_
_
_
.
93
4. Vektorrum
Det vericeres let at U1 og U2 er opfyldt for N, og dermed at N er et underrum. Derimod
er mngden
M=
_
_
_
_
_
x
1
x
2
x
3
_
_
|x
1
+x
2
+x
3
=1
_
_
_
.
ikke et underrum; faktisk er hverken U1 eller U2 opfyldt for M, idet f.eks. x =
_
_
1
0
0
_
_
M
medens 2x =
_
_
2
0
0
_
_
M og y =
_
_
0
1
0
_
_
M medens x+ y =
_
_
1
1
0
_
_
M.
v
U
Figur 4.3.: For hver vektor v R
2
er U = {tv | t R} et underrum. Alle underrum af R
2
(pnr det trivielle underrum R
2
) har denne form.
u
v
U
w
V
Figur 4.4.: For hver vektor w R
3
er V ={tw| t R} et underrum af R
3
. For hvert par af
vektorer u, v R
3
er U ={su+tv | s, t R} et underrum af R
3
. Alle underrum
af R
3
(pnr det trivielle underrum R
3
) har en af disse to former.
94
4.4. Underrum
Denition 4.4.3 Lad V vre et vektorrum, og lad a
1
, , a
n
vre et st af vektorer i V.
En vektor a af formen
a =
1
a
1
+ +
n
a
n
,
hvor
1
, ,
n
F, siges at vre en linearkombination af vektorerne a
1
, , a
n
.
Bemrk, at et st af vektorer a
1
, , a
n
i vektorrummet V er en basis netop nr
enhver vektor a V p entydig mde kan skrives som linearkombination af a
1
, , a
n
.
Eksempel 4.4.4 I F
3
a
1
=
_
_
3
0
2
_
_
og a
2
=
_
_
2
1
5
_
_
.
Idet
3a
1
2a
2
=3
_
_
3
0
2
_
_
2
_
_
2
1
5
_
_
=
_
_
5
2
4
_
_
,
ses, at
_
_
5
2
4
_
_
er en linearkombination af a
1
og a
2
. Vi betragter s vektoren
a =
_
_
1
2
k
_
_
,
hvor k F. Vi nsker at undersge, for hvilke vrdier af k vektoren a er en linearkom-
bination af a
1
, a
2
. Det drejer sig alts om at nde x
1
, x
2
s
a = x
1
a
1
+x
2
a
2
,
alts s
x
1
_
_
3
0
2
_
_
+x
2
_
_
2
1
5
_
_
=
_
_
1
2
k
_
_
,
hvilket igen betyder, at vi skal lse ligningssystemet
_
_
3 2
0 1
2 5
_
_
_
x
1
x
2
_
=
_
_
1
2
k
_
_
.
Dette gres p sdvanlig mde, og man nder at dette ligningssystem kan lses netop
nr k =8. For denne vrdi af k er lsningen (x
1
, x
2
) =(1, 2). For k =8 er a alts ikke
en linearkombination af vektorerne a
1
og a
2
. For k =8 er derimod a =a
1
+2a
2
.
95
4. Vektorrum
Stning 4.4.5 Lad M vre en ikke-tom delmngde af V. Mngden af alle linearkom-
binationer af vektorer i M udgr et underrum i V. Det kaldes det af M frembragte un-
derrum, og betegnes span M.
Bevis. Hvis
a =
1
a
1
+ +
n
a
n
,
hvor
1
, ,
n
F og a
1
, , a
n
M, glder for F at
a =
1
a
1
+ +
n
a
n
,
der er i span M; dette viser, at span M opfylder U1. Antag s, at
a =
1
a
1
+ +
n
a
n
,
og
b =
1
b
1
+ +
m
b
m
,
hvor
1
, ,
n
F og a
1
, , a
n
M,
1
, ,
m
F og b
1
, , b
m
M; da er
a+b =
1
a
1
+ +
n
a
n
+
1
b
1
+ +
m
b
m
,
der er i span M; dette viser at U2 er opfyldt. Hermed er vist, at span M er et under-
rum. 2
Hvis U er et underrum i vektorrummet V, og M er en delmngde af U ses det let, at
span MU. Endvidere ses let, at M er et underrum netop hvis span M= M.
Lad U og V vre vektorrum, og lad f : U V vre en liner afbildning.
Denition 4.4.6 Ved kernen ker f for f forsts mngden
ker f ={x U | f (x) = o}.
Ved billedet f (U) for f forsts mngden
f (U) ={y V | y = f (x) for et x U}.
Stning 4.4.7 Kernen ker f for den linere afbildning f : U V er et underrum i U.
Ligeledes er billedet f (U) af U ved f et underrum i V.
96
4.4. Underrum
x U
a
1
a
2
U =span{a
1
, a
2
}
Figur 4.5.: Stning 4.4.5. To vektorer a
1
, a
2
R
3
og underrummet U =span{a
1
, a
2
}, der
bestr af alle linearkombinationer af a
1
og a
2
.
Bevis. Frst ser vi p kernen K = ker f . Hvis x K og F er f (x) = f (x) = o = o;
dette viser, at U1 er opfyldt. Hvis x, y K er f (x+ y) = f (x) + f (y) = o+o = o; dette viser,
at U2 er opfyldt. Hermed er vist, at K er et underrum. Dernst ser vi p f (U). Hvis
F og y f (U) ndes x U s y = f (x), og dermed er y =f (x) = f (x) f (U); dette
viser, at U1 er opfyldt. Hvis y
1
, y
2
f (U) ndes x
1
, x
2
U, s f (x
1
) = y
1
og f (x
2
) = y
2
, og
dermed er y
1
+y
2
= f (x
1
)+f (x
2
) = f (x
1
+x
2
) f (U); dette viser, at U2 er opfyldt. Hermed
er vist, at f (U) er et underrum. 2
Stning 4.4.8 Den linere afbildning f : U V er injektiv netop nr ker f ={o}.
Bevis. Dette bevises njagtigt som Stning 2.4.1. 2
Lad f : R
n
R
m
vre en liner afbildning, og lad A
=
= (a
i j
)
m,n
vre den tilhrende
matrix. Idet
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
a
11
a
1n
.
.
.
.
.
.
a
m1
a
mn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_,
97
4. Vektorrum
f
U V
ker f
x
o
Figur 4.6.: Stiliseret diagram af kernen for en liner afbildning f : U V.
f
U V
f (U)
x
f (x)
Figur 4.7.: Stiliseret diagram af billedet for en liner afbildning f : U V.
ses, at kernen for f netop er lsningsmngden til ligningssystemet
_
_
_
a
11
a
1n
.
.
.
.
.
.
a
m1
a
mn
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
0
.
.
.
0
_
_
_.
Hvis a
1
, , a
n
er sjlevektorerne i A
=
, er
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
,
hvoraf ses, at f (U) = span {a
1
, , a
n
}.
Eksempel 4.4.9 En liner afbildning f : R
5
R
3
er givet ved matricen
A
=
=
_
_
0 0 2 1 8
1 2 3 2 1
3 6 10 6 5
_
_
.
Vi vil bestemme kernen K =ker f for f . Vi skal alts lse ligningssystemet A
=
X
=
=0
=
, hvor
X
=
R
5
. Dette gres p sdvanlig mde, og vi nder at lsningsmngden beskrives ved
98
4.4. Underrum
f (e
1
)
f (e
2
)
f
ker f
e
1
e
2
f (R
2
)
ker f =
_
t
_
2
1
_
| t R
_
f (R
2
) =
_
t
_
1
2
_
| t R
_
Figur 4.8.: Kerne og billede for den linere afbildning f : R
2
R
2
give ved matricen
A =
_
1 2
2 4
_
. Se ogs gur 4.6 og 4.7.
parameterfremstillingen
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
2t
1
3t
2
t
1
2t
2
4t
2
t
2
_
_
_
_
_
_
_
= t
1
_
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
_
+t
2
_
_
_
_
_
_
_
3
0
2
4
1
_
_
_
_
_
_
_
, t
1
, t
2
R.
Hermed har vi fundet K. Stter vi
a
1
=
_
_
_
_
_
_
_
2
1
0
0
0
_
_
_
_
_
_
_
og a
2
=
_
_
_
_
_
_
_
3
0
2
4
1
_
_
_
_
_
_
_
,
99
4. Vektorrum
ses, at enhver vektor x i K kan skrives p netop en mde p formen x = t
1
a
1
+t
2
a
2
, alts
er a
1
, a
2
en basis for K.
4.5. Liner afhngighed; liner uafhngighed
Lad V vre et vektorrum.
Denition 4.5.1 Et st af vektorer a
1
, , a
n
i V kaldes linert uafhngigt, hvis lig-
ningen
x
1
a
1
+ +x
n
a
n
= o
kun har lsningen (x
1
, , x
n
) = (0, , 0). Hvis sttet ikke er linert uafhngigt kaldes
det linert afhngigt.
Bemrk, at en basis for V (eller for et underrum heraf) bestr af linert uafhngige
vektorer.
Eksempel 4.5.2 I R
4
a
1
=
_
_
_
_
_
1
2
2
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
2
3
4
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
3
8
7
5
_
_
_
_
_
.
Vi vil undersge om sttet a
1
, a
2
, a
3
er linert uafhngigt. Vi skal lse ligningen x
1
a
1
+
x
2
a
2
+x
3
a
3
= o, alts ligningssystemet
_
_
_
_
_
1 2 3
2 3 8
2 4 7
1 1 5
_
_
_
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
.
Dette gres p sdvanlig mde, og man nder at der kun er lsningen (x
1
, x
2
, x
3
) =
(0, 0, 0). Det givne st er alts linert uafhngigt.
Stning 4.5.3 Et st a
1
, , a
n
af vektorer i vektorrummet V er linert afhngigt netop
hvis en af sttets vektorer kan skrives som linearkombination af de vrige.
Bevis. Antag, at en af sttets vektorer, f.eks. a
n
, kan skrives som linearkombination
af de vrige. Der ndes da x
1
, , x
n1
F s
a
n
= x
1
a
1
+ +x
n1
a
n1
;
100
a
1
a
2 b
1
b
2
b
3
(A) (B)
Figur 4.9.: Linert uafhngighed. (A) Vektorsttet a
1
, a
2
er linert uafhngigt. (B)
Vektorsttet b
1
, b
2
, b
3
er linert afhngigt idet b
1
+2b
2
b
3
=0.
men s er
x
1
a
1
+ +x
n1
a
n1
a
n
= o,
og dette viser, at sttet er linert afhngigt. Antag omvendt, at sttet er linert af-
hngigt. Da ndes et st (x
1
, , x
n
) =(0, , 0), s
x
1
a
1
+ +x
n
a
n
= o.
Ikke alle tallene x
1
, , x
n
kan vre nul. Hvis f.eks. x
n
=0 fr vi
a
n
=
x
1
x
n
a
1
+ +
x
n1
x
n
a
n1
,
og alts er a
n
en linearkombination af de vrige. 2
Eksempel 4.5.4 I F
3
a
1
=
_
_
1
1
0
_
_
, a
2
=
_
_
1
1
1
_
_
, a
3
=
_
_
1
1
1
_
_
.
Det ses umiddelbart, at a
3
= 2a
1
a
2
, og dermed er det givne st af vektorer linert
afhngigt.
Et st bestende af en vektor a
1
er linert uafhngigt netop hvis a
1
= 0. Et st
bestende af to vektorer a
1
, a
2
er linert uafhngigt netop hvis de to vektorer ikke er
proportionale.
101
4. Vektorrum
Stning 4.5.5 Et st af vektorer a
1
, , a
n
i vektorrummet V er linert uafhngigt
netop hvis den linere afbildning f : F
n
V givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
er injektiv.
Bevis. Lsningsmngden for ligningen x
1
a
1
+ +x
n
a
n
= o er netop kernen ker f for f .
Derfor glder, at sttet a
1
, , a
n
er linert uafhngigt netop hvis ker f ={o}; men det
er tilfldet netop hvis f er injektiv (Stning 4.4.8). 2
Stning 4.5.6 Et st af vektorer a
1
, , a
n
i vektorrummet V er linert uafhngigt
netop hvis det udgr en basis for span {a
1
, , a
n
}.
Bevis. St U = span {a
1
, , a
n
}. Det er klart, at hvis sttet a
1
, , a
n
er en basis i
U, da er det linert uafhngigt. Antag s, at sttet er linert uafhngigt. Da er den
linere afbildning f : F
n
U givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
injektiv; da f iflge denitionen af U er surjektiv, er f bijektiv og alts en isomor. Men
s er a
1
, , a
n
en basis i U (Stning 4.3.5). 2
Stning 4.5.7 Lad V vre et endeligdimensionalt vektorrum, og lad a
1
, , a
n
vre et
st af linert uafhngige vektorer i V. Der glder da, at n dimV, og a
1
, , a
n
er en
basis netop nr n =dimV.
Bevis. St m= dimV, og lad : F
m
V vre en isomor. Lad f : F
n
V vre den
linere afbildning givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
.
Denne afbildning er injektiv, da a
1
, , a
n
er linert uafhngige. Men s er afbildningen
1
f : F
n
F
m
ogs injektiv, hvorfor n m (Stning 2.4.2). Videre glder, at
1
f
er bijektiv netop nr n = m (jvf. Stningerne 2.3.12, 2.3.15(2) og 2.4.2), og da
1
f er
bijektiv netop nr f er det, er stningen vist. 2
102
Stning 4.5.8 Lad V vre et endeligdimensionalt vektorrum, og lad a
1
, , a
n
vre et
st af vektorer i V, der frembringer V. Der glder da, at n dimV, og a
1
, , a
n
er en
basis netop nr n =dimV.
Bevis. St m= dimV, og lad : F
m
V vre en isomor. Lad f : F
n
V vre den
linere afbildning givet ved
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
.
Denne afbildning er surjektiv, da a
1
, , a
n
frembringer V. Men s er afbildningen
1
f : F
n
F
m
ogs surjektiv, hvorfor n m (Stning 2.4.2). Videre glder, at
1
f er
bijektiv nr n = m, og da
1
f er bijektiv netop nr f er det, er stningen vist. 2
Stning 4.5.9 Lad a
1
, , a
n
vre et st af linert uafhngige vektorer i vektorrummet
V, og lad a
n+1
vre yderligere en vektor i V. Da er a
n+1
span {a
1
, , a
n
} netop hvis
sttet a
1
, , a
n
, a
n+1
er linert afhngigt.
Bevis. Antag, at sttet a
1
, , a
n+1
er linert afhngigt. Da ndes et talst
(x
1
, , x
n
, x
n+1
) =(0, , 0, 0) s
x
1
a
1
+ +x
n
a
n
+x
n+1
a
n+1
= o.
Hvis x
n+1
=0, er
x
1
a
1
+ +x
n
a
n
= o,
og dermed er (x
1
, , x
n
) = (0, , 0), da a
1
, , a
n
er linert uafhngige. Men det giver
modstrid; alts glder, at x
n+1
=0, og dermed er
a
n+1
=
x
1
x
n+1
a
1

x
n
x
n+1
a
n
.
Heraf ses, at a
n+1
span {a
1
, , a
n
}. Hvis omvendt a
n+1
span {a
1
, , a
n
} er det klart,
at sttet a
1
, , a
n
, a
n+1
er linert afhngigt. Hermed er stningen vist. 2
Denition 4.5.10 Lad M vre en delmngde af vektorrummet V. Ved et maksimalt
linert uafhngigt st af vektorer fra M forsts et st af linert uafhngige vektorer
a
1
, , a
n
M, der ikke kan udvides til et strre linert uafhngigt st a
1
, , a
n
, a
n+1
M.
Eksempel 4.5.11 Vi betragter delmngden M={a
1
, a
2
, a
3
, a
4
} F
3
, hvor
a
1
=
_
_
1
2
1
_
_
, a
2
=
_
_
2
4
2
_
_
, a
3
=
_
_
0
0
0
_
_
, a
4
=
_
_
1
1
0
_
_
.
103
4. Vektorrum
Idet a
3
= o ikke kan vre indeholdt i et linert uafhngigt st af vektorer m et li-
nert uafhngigt delst af M vre indeholdt i {a
1
, a
2
, a
4
}. Idet a
1
og a
2
er linert
afhngige kan disse ikke samtidigt vre indeholdt i et linert uafhngigt st af vek-
torer fra M. Derfor er der to maksimalt linert uafhngige delst af M, nemlig {a
1
, a
4
}
og {a
2
, a
4
}.
Stning 4.5.12 Lad M vre en delmngde af det endeligdimensionale vektorrum V.
Ethvert linert uafhngigt st af vektorer fra M (specielt det tomme st) kan udvides
til et maksimalt linert uafhngigt st af vektorer fra M.
Bevis. Lad a
1
, , a
p
vre det givne st af linert uafhngige vektorer fra M. Hvis
ikke allerede dette st selv er maksimalt, ndes der en vektor a
p+1
M, sledes at og-
s sttet a
1
, , a
p
, a
p+1
er linert uafhngigt; hvis heller ikke dette st er maksimalt
tilfjes p samme mde endnu en vektor etc. Til sidst nr vi frem til et maksimalt line-
rt uafhngigt st, da et linert uafhngigt st af vektorer fra V hjst kan indeholde
dimV linert uafhngige vektorer (Stning 4.5.7). 2
Stning 4.5.13 Lad M vre en delmngde af det endeligdimensionale vektorrum V.
Ethvert maksimalt linert uafhngigt st af vektorer fra M er en basis for span M.
Bevis. Lad a
1
, , a
n
vre et maksimalt linert uafhngigt st af vektorer fra M, og
a M. Idet sttet a
1
, , a
n
, a ikke er linert uafhngigt, alts linert afhngigt, er
a span {a
1
, , a
n
} iflge Stning 4.5.9. Hermed har vi vist, at M span {a
1
, , a
n
};
men s er span M span {a
1
, , a
n
}, alts er span {a
1
, , a
n
} = span M, og det viser,
at a
1
, , a
n
er en basis for span M (Stning 4.5.6). 2
Stning 4.5.14 Et underrum U af et endeligdimensionalt vektorrum V er endeligdi-
mensionalt og dimU dimV.
Bevis. Et maksimalt linert uafhngigt st af vektorer fra det givne underrum U er
en basis for span U =U. 2
Stning 4.5.15 Et linert uafhngigt st af vektorer i det endeligdimensionale vektor-
rum V kan udvides til en basis for V.
Bevis. Det flger af Stning 4.5.12. 2
4.6. Udtyndingsalgoritmen; udvidelsesalgoritmen
Lad a
1
, , a
n
vre et st af vektorer i et endeligdimensionalt vektorrum. Der ndes
da et delst af a
1
, , a
n
, der er en basis for span {a
1
, , a
n
} (nemlig et maksimalt
linert uafhngigt st af vektorer i {a
1
, , a
n
} iflge Stning 4.5.13). Vi skal nu se p
hvorledes man i praksis nder et sdant delst i tilfldet V =F
m
.
104
4.6. Udtyndingsalgoritmen; udvidelsesalgoritmen
Lad a
1
, , a
n
vre et st af vektorer fra F
m
. Vi opskriver matricen A
=
der har a
1
, , a
n
til sjlevektorer:
A
=
=
_
a
1
a
n
_
.
Udfrer vi nu rkkeoperationer p A
=
, s der herved fremkommer en ny matrix
A
=
=
_
a
1
a
n
_
,
glder, at delsttet a
j
1
, , a
j
d
svarende til sjlenumrene j
1
, , j
d
i matricen A
=
er li-
nert uafhngigt netop nr delsttet a
j
1
, , a
j
d
svarende til de samme sjlenumre i
matricen A
=
, er linert uafhngigt; thi ligningen

x
1
a
j
1
+ +x
d
a
j
d
= o
har samme lsningsmngde som ligningen
x
1
a
j
1
+ +x
d
a
j
d
= o,
og dermed har de specielt samtidigt lsningsmngden (x
1
, , x
d
) =(0, , 0).
Omdanner vi specielt A
=
til en trappematrix A
=
ses, at hvis vi vlger j

1
, , j
d
til
at vre trinpositionerne i A
=
, da er a
j
1
, , a
j
d
en basis for span {a
1
, , a
n
}, alts et
maksimalt linert uafhngigt delst af a
1
, , a
n
. Men s er a
j
1
, , a
j
d
et maksimalt
linert uafhngigt delst af a
1
, , a
n
, alts en basis for span {a
1
, , a
n
}. Den angivne
metode til at nde et delst af a
1
, , a
n
, der udgr en basis for span {a
1
, , a
n
}, kalder
vi her for udtyndingsalgoritmen.
Vi summerer den som flger:
Opskrift 4.6.1 (Udtyndingsalgoritmen)
Lad a
1
, , a
n
vre et st vektorer i F
m
.
1. Lav matricen A
=
=
_
a
1
a
2
a
n
_
som har de givne vektorer som sjler.
2. Rkkereducer A
=
til trappeform B
=
.
3. Vlg de sjler i A
=
hvor de tilsvarende sjler i den trappereducerede B
=
har trin.
De valgte sjler (udstyret med en ordning) udgr nu en basis for rummet udspndt af
a
1
, , a
n
, dvs. for span{a
1
, , a
n
}.
105
4. Vektorrum
Eksempel 4.6.2 I F
4
a
1
=
_
_
_
_
_
1
3
2
2
_
_
_
_
_
, a
2
=
_
_
_
_
_
2
4
3
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
1
9
5
8
_
_
_
_
_
, a
4
=
_
_
_
_
_
3
0
1
3
_
_
_
_
_
, a
5
=
_
_
_
_
_
2
7
8
5
_
_
_
_
_
.
Vi vil nde en basis for underrummet frembragt af disse vektorer ved hjlp af udtyn-
dingsalgoritmen. Vi opskriver matricen, der har de givne vektorer til sjlevektorer:
_
_
_
_
_
1 2 1 3 2
3 4 9 0 7
2 3 5 1 8
2 2 8 3 5
_
_
_
_
_
.
Denne omdannes ved hjlp af rkkeoperationer til en trappematrix:
_
_
_
_
_
1 2 1 3 2
0 1 3 5 4
0 0 0 1 7
0 0 0 0 0
_
_
_
_
_
.
Det ses heraf, at a
1
, a
2
, a
4
er en basis for span {a
1
, , a
5
}. nsker vi at udtrykke vekto-
rerne a
3
og a
5
som linearkombination af den fundne basis, er det bekvemt at g videre
og omdanne den fundne trappematrix til en reduceret trappematrix:
_
_
_
_
_
1 0 7 0 39
0 1 3 0 31
0 0 0 1 7
0 0 0 0 0
_
_
_
_
_
.
Heraf ases umiddelbart, at
a
3
=7a
1
3a
2
og a
5
=39a
1
+31a
2
7a
4
.
Lad a
1
, , a
n
vre et linert uafhngigt st af vektorer i et endeligdimensionalt vek-
torrum. Dette st kan udvides til en basis for V (Stning 4.5.15). Vi skal nu se p,
hvorledes man i praksis nder en sdan udvidelse i tilfldet V =F
m
: Vi opskriver vek-
torsttet a
1
, , a
n
, e
1
, , e
m
, hvor e
j
betegner den jte standardenhedsvektor. Dette
st frembringer V, da allerede vektorerne e
1
, , e
m
gr det. Udtyndingsalgoritmen an-
vendt p sttet a
1
, , a
n
, e
1
, , e
m
giver derfor en basis for V, hvis frste elementer er
a
1
, , a
n
, alts den sgte udvidelse af det linert uafhngige st a
1
, , a
n
til en basis
for V. Vi kalder her denne procedure for udvidelsesalgoritmen.
Vi opsummerer igen i en opskrift
106
4.7. Rang; dimensionsstningen
Opskrift 4.6.3 (Udvidelsesalgoritmen)
Lad a
1
, , a
n
F
m
vre et linert uafhngigt st.
1. Lav matricen A
=
=
_
a
1
a
2
a
n
E
=
_
som har de givne vektorer som de frste sjler og
standardvektorerne som de efterflgende sjler.
2. Rkkereducer A
=
til trappeform B
=
.
3. Vlg de sjler i A
=
hvor de tilsvarende sjler i den trappereducerede B
=
har trin.
De valgte sjler (udstyret med en ordning) er en basis for F
m
som indeholder vektorerne
a
1
, , a
n
.
Eksempel 4.6.4 I F
4
a
1
=
_
_
_
_
_
2
1
0
0
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
3
2
1
_
_
_
_
_
.
Disse ses let at vre linert uafhngige. Vi vil udvide sttet a
1
, a
2
til en basis for F
4
.
Vi opskriver matricen
_
_
_
_
_
2 1 1 0 0 0
1 3 0 1 0 0
0 2 0 0 1 0
0 1 0 0 0 1
_
_
_
_
_
,
og omdanner denne til en trappematrix
_
_
_
_
_
1 4 1 1 0 0
0 1 0 0 0 1
0 0 1 2 0 7
0 0 0 0 1 2
_
_
_
_
_
.
Heraf ases, at a
1
, a
2
, e
1
, e
3
er en basis for F
4
.
Lad U og V vre endeligdimensionale vektorrum.
Denition 4.7.1 Ved rangen rgf af en liner afbildning f : U V forsts dimensionen
af billedrummet f (U), alts
rgf =dimf (U).
107
4. Vektorrum
Denition 4.7.2 Ved rangen rgA
=
af en mn-matrix A
=
forsts rangen af den til A
=
h-
rende linere afbildning f : F
n
F
m
.
Hvis A
=
er en mn-matrix med sjlevektorer a
1
, , a
n
og f : F
n
F
m
den til A
=
hrende
linere afbildning glder, at f (U) = span {a
1
, , a
n
}, idet jo
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
,
Alts er
rgA
=
=dim( span {a
1
, , a
n
}),
og dermed har vi (Stning 4.5.13):
Stning 4.7.3 Rangen af mn-matricen
A
=
=
_
a
1
a
n
_
er lig med antallet af vektorer i et maksimalt linert uafhngigt st af vektorer fra
{a
1
, , a
n
}.
Det ses umiddelbart, at hvis A
=
er en trappematrix, da er rangen af A
=
lig med antallet
af trin i A
=
.
_
_
_
_
_
1 2 1 3 2
0 1 3 5 4
0 0 0 1 7
0 0 0 0 0
_
_
_
_
_
er en trappematrix med 3 trin, og dens rang er alts 3.
Stning 4.7.5 Rangen af en matrix ndres ikke ved udfrelse af rkke- og sjleopera-
tioner.
Bevis. Hvis A
=
=
_
a
1
a
n
_
og A
=
=
_
a
1
a
n
_
, og A
=
fremgr af A
=
ved udfrel-
se af sjleoperationer, er span {a
1
, , a
n
} = span {a
1
, , a
n
}, og dermed er rgA
=
=rgA
=
.
Hvis A
=
fremgr af A
=
ved udfrelse af rkkeoperationer, har vi i indledningen af afsnit
4.6 set, at et delst a
j
1
, , a
j
d
af {a
1
, , a
n
} er linert uafhngigt netop hvis delst-
tet a
j
1
, , a
j
d
af a
1
, a
n
er linert uafhngigt. Heraf fs, at rgA
=
= rgA
=
(Stning
4.7.3). 2
108
A
=
=
_
_
_
_
_
1 2 1 3 2
3 4 9 0 7
2 3 5 1 8
2 2 8 3 5
_
_
_
_
_
.
Denne omformes ved hjlp af rkkeoperationer til trappematricen
A
=
=
_
_
_
_
_
1 2 1 3 2
0 1 3 5 4
0 0 0 1 7
0 0 0 0 0
_
_
_
_
_
;
da rgA
=
=3 er dermed ogs rgA

=
=3.
Lad U og V vre endeligdimensionale vektorrum.
Stning 4.7.7 (Dimensionsstningen) For en liner afbildning f : U V glder
rgf +dim(ker f ) =dimU.
Bevis. Idet U hhv. V er isomorft med F
n
hhv. F
m
ses, at vi kan njes med at se p
tilfldet, hvor f : F
n
F
m
er den linere afbildning knyttet til matricen A
=
. Vi omdanner
A
=
ved hjlp af rkkeoperationer til trappematricen A
=
med d trin. Der glder, at

ker f =
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_ = X
=
| A
=
X
=
=0
=
_
_
=
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_ = X
=
| A
=
X
=
=0
=
_
_
,
og dette er et underrum af dimension nd (jvf. kapitel 2). Endvidere er rgf = rgA
=
=
rgA
=
= d, s rgf +dim(ker f ) = d+(nd) = n =dimF

n
. Dette viser stningen. 2
Eksempel 4.7.8 Vi betragter matricen A
=
fra Eksempel 4.7.6. Vi s, at rgA
=
= 3. Vi vil
nu bestemme kernen for den linere afbildning f : F
5
F
4
hrende til A
=
. Vi omdanner
109
4. Vektorrum
A
=
til trappematricen
_
_
_
_
_
1 2 1 3 2
0 1 3 5 4
0 0 0 1 7
0 0 0 0 0
_
_
_
_
_
;
vi skal s lse ligningssystemet
x
1
+2x
2
+x
3
+3x
4
+2x
5
= 0
x
2
3x
3
+5x
4
4x
5
= 0.
x
4
7x
5
= 0
Vi indfrer parametrene t
1
= x
3
og t
2
= x
5
og fr x
4
=7t
2
, x
2
=3t
1
31t
2
, x
1
=7t
1
+39t
2
,
alts
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
7t
1
+39t
2
3t
1
31t
2
t
1
7t
2
t
2
_
_
_
_
_
_
_
= t
1
_
_
_
_
_
_
_
7
3
1
0
0
_
_
_
_
_
_
_
+t
2
_
_
_
_
_
_
_
39
31
0
7
1
_
_
_
_
_
_
_
.
Det ses heraf, at en basis for ker f er a
1
, a
2
, hvor
a
1
=
_
_
_
_
_
_
_
7
3
1
0
0
_
_
_
_
_
_
_
og a
2
=
_
_
_
_
_
_
_
39
31
0
7
1
_
_
_
_
_
_
_
.
Hermed har vi vericeret at rgf +dim(ker f ) =dimF
5
.
Stning 4.7.9 For en mn-matrix A
=
glder, at A
=
har samme rang som den transpo-
nerede A
=
t
, alts
rgA
=
=rgA
=
t
.
Lg mrke til at dette bestemt ikke er et oplagt resultat. Det flger at dimensionen
af rummet udspndt af sjlerne for en matrix er lig dimensionen af rummet udspndt
af rkkerne.
Bevis. Stningen ses umiddelbart at glde, hvis A
=
er en trappematrix (brug Stning
4.7.3; rangen er antallet af trin). Hvis A
=
er en vilkrlig matrix, omdannes A
=
til trappe-
matricen A
=
ved hjlp af rkkeoperationer; udfres s p A

=
t
de analoge sjleoperatio-
ner fremkommer matricen (A
=
)
t
. Men s har vi rgA
=
=rgA
=
=rg(A
=
)
t
=rgA
=
t
. 2
110
Bemrk specielt flgende konsekvens af dimensionsstningen:
Stning 4.7.10 For en liner afbildning f : U V, hvor dimU =dimV, er flgende tre
udsagn kvivalente:
(1) f er surjektiv.
(2) f er injektiv.
(3) f er bijektiv.
Dette flger ogs af Stningerne 2.3.12, 2.3.15 og 2.4.2.
111
5. Vektorrum og matricer
I forrige kapitel s vi at et endeligdimensionalt vektorrum har en basis. I dette kapitel
skal vi blandt andet se hvordan man skifter mellemforskellige baser og hvordan linere
afbildninger mellem vektorrum relaterer til matrix-afbildninger mellem vektorrum p
formen F
n
.
5.1. Koordinattransformationer
Lad V vre et endeligdimensionalt vektorrum med dimV = n, og lad A = (a
1
, , a
n
)
vre en basis i V. Den linere afbildning : F
n
V givet ved
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
er da en isomor, den skaldte koordinatafbildning. Antag nu, at A
=(a
1
, , a
n
) er en
anden basis i V. Denne anden basis giver da ogs anledning til en isomor
: F
n
V
givet ved
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
.
Lad s v vre en vektor i V, og antag at v har koordinaterne
_
_
_
x
1
.
.
.
x
n
_
_
_ med hensyn til basen
A = (a
1
, , a
n
) (den gamle basis), og koordinaterne
_
_
_
x
1
.
.
.
x
n
_
_
_ med hensyn til basen A
=
(a
1
, , a
n
) (den nye basis). Vi skal se p sammenhngen mellem de to koordinatst
_
_
_
x
1
.
.
.
x
n
_
_
_ og
_
_
_
x
1
.
.
.
x
n
_
_
_.
113
Idet
_
_
_
x
1
.
.
.
x
n
_
_
_ =v =
_
_
_
x
1
.
.
.
x
n
_
_
_
glder, at
_
_
_
x
1
.
.
.
x
n
_
_
_ =
1
_
_
_
x
1
.
.
.
x
n
_
_
_.
Stter vi =
1
: F
n
F
n
er en isomor. Men s er jo givet ved en regulr
matrix, som vi skriver
A
T
A
, og der glder
A
[v] =
A
T
AA
[v], (5.1.1)
hvor vi har sat (Se afsnit 4.3)
A
[v] =
_
_
_
x
1
.
.
.
x
n
_
_
_ og
A
[v] =
_
_
_
x
1
.
.
.
x
n
_
_
_.
Denne relation er illustreret i diagrammet nedenfor. Diagrammet skal lses p den
mde, at man fr samme svar uafhngig af, hvilken rute man tager i diagrammet.
F
n
U
F
n
A
T
A
A
Matricen
A
T
A
omregner alts fra koordinater i basen A (den gamle basis) til koor-
dinater i basen A
(den nye basis). Den kaldes for koordinattransformationsmatricen

(ogs kaldet basisskiftmatricen) for overgang fra basen A til basen A
. Bemrk at no-
tationen for koordinattransformationsmatricen er valgt s de to A-fodtegn i (5.1.1) altid
skal st ved siden af hinanden.
Lad os overveje hvordan vi, givet baser A og A
, kan nde den tilhrende koordinat-

transformationsmatrix.
Bruger vi f.eks. v = a
j
ved vi at
A
[a
j
] = e
j
og derfor siger formlen (5.1.1) at jte sjle
i matricen
A
T
A
er lig med
A
[a
j
]. Alts er den jte sjle i
A
T
A
koordinatsjlen for
vektoren a
j
med hensyn til den nye basis.
Af (5.1.1) fs, at
A
[v] =
A
T
1
A
A
[v]
114
5.1. Koordinattransformationer
hvoraf ses, at
A
T
1
A
er koordinattransformationsmatricen for overgang fra basen A
til
basen A, dvs. den jte sjle i
A
T
1
A
er koordinatsjlen for vektoren a
j
m.h.t. basen A.
Alt i alt har vi vist:
Stning 5.1.1 Hvis
A
[v] hhv.
A
[v] er koordinatsjlen for vektoren v V med hensyn
til den gamle basis A hhv. nye basis A
, er
A
[v] =
A
T
AA
[v]
hvor
A
T
A
er den regulre nn-matrix, hvis sjlevektorer er koordinatsjler for vek-
torerne i den gamle basis med hensyn til den nye basis. Endvidere er sjlevektorerne
i
A
T
1
A
lig med koordinatsjlerne for vektorerne i den nye basis med hensyn til den
gamle basis.
Bemrk flgende vigtige specialtilflde: Hvis A = (a
1
, , a
n
) er en basis i F
n
, og
E = (e
1
, , e
n
) betegner den naturlige basis i F
n
er koordinattransformationsmatricen
for overgang fra A til E iflge Stning 5.1.1 lig med matricen A
=
=
_
a
1
a
n
_
; ko-
ordinattransformationsmatricen for overgang fra E til A er derfor lig med matricen
A
=
1
.
Bemrk ogs at hvis
A
[v] =
A
T
AA
[v] hvor
A
T
A
er regulr s er (
A
T
A
)
1
A
[v] =
A
[v]. Det flger at
A
T
A
=(
A
T
A
)
1
.
Alts er koordinattransformationsmatricen fra basis A
til A den inverse af koordinat-

transformationsmatricen fra A til A
.
Eksempel 5.1.2 I R
2
er givet basen A med basiselementer
a
1
=
_
1
3
_
, a
2
=
_
4
2
_
,
og basen A
med basiselementer
a
1
=
_
1
1
_
, a
2
=
_
1
1
_
.
Vi vil nde koordinattransformationsmatricen
A
T
A
for overgang fra A = (a
1
, a
2
) til
A
=(a
1
, a
2
). Idet
a
1
=a
1
+2a
2
,
a
2
=a
1
+3a
2
,
115
er
A
T
A
=
_
1 1
2 3
_
.
Koordinattransformationsmatricen for overgang fra A
til A er
A
T
1
A
=
_
3
5
1
5
2
5
1
5
_
.
a
1
a
2
a
1
a
2
1
og a
2
udgr en basis for R
2
. Det samme gr vektorerne a
1
og
a
2
. Bemrk, at a
1
=a
1
+2a
2
og a
2
=a
1
+3a
2
.
Vi slutter afsnittet af med at skitsere en effektiv metode til hvordan man i praksis
kan nde koordinattransformationsmatricen
A
T
A
nr V = F
n
. Hvis A = (a
1
, . . . a
n
) er
den gamle basis og A
=(a
1
, . . . a
n
) den nye, skal vi iflge Stning 5.1.1 nde koordinat-
vektorerne for basiselementerne i A med hensyn til basen A
, dvs. for j =1, . . . , n skal

vi lse ligningssystemet
A
=
x =a
j
hvor A
=
er nn matricen der har basisvektorerne fra A
som sjler. Iflge afsnit 2.3

kan vi lse dette ved at danne blokmatricen
_
A
=
|a
j
_
, dernst ved rkkeoperationer
omdanne denne til reduceret trappeform, og til sidst lave baglnssubstitution i det re-
sulterende ligningssystem. Men iflge Stning 4.3.7 og 2.6.4 kan A
=
trappereduceres til
identitetsmatricen. Blokmatricen
_
A
=
|a
j
_
kan derfor reduceres til
_
E
=
|
A
[a
j
]
_
. Kombine-
ret med Stning 5.1.1 giver det flgende opskrift:
Opskrift 5.1.3 (Finde koordinattransformationsmatricer i F
n
)
Lad A =(a
1
, . . . a
n
) vre den gamle basis og A
=(a
1
, . . . a
n
) den nye.
116
5.2. Linere afbildninger og matricer
1. Dan n2n blokmatricen
(a
1
. . . a
n
|a
1
. . . a
n
)
der har de ordnede basiselementer fra A
og A som sjler.
2. Find den reducerede trappematrix af blokmatricen fra 1.
Denne er da p formen (E
=
|B
=
)
Da er
B
=
=
A
T
A
Lad U og V vre endeligdimensionale vektorrum med dimU = n, dimV = m. Lad A =
(a
1
, , a
n
) vre en basis i U og lad B=(b
1
, , b
m
) vre en basis i V, og lad : F
n
U
og : F
m
V vre de tilsvarende koordinatafbildninger, alts
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
,
_
_
_
y
1
.
.
.
y
m
_
_
_ = y
1
b
1
+ + y
m
b
m
.
For en given liner afbildning f : U V denerer vi afbildningen : R
n
R
m
ved
diagrammet:
R
n

U
_
f
R
m
V
vi stter alts
=
1
f .
Vi ser, at : F
n
F
m
er liner, alts er den givet ved en mn-matrix som vi skriver
B
[ f ]
A
.
Hvis
A
[x] betegner koordinatsjlen for vektoren x med hensyn til basen A, og
B
[y]
betegner koordinaterne for vektoren y = f (x) med hensyn til basen B kan vi nedskrive
117
flgende diagram
A
[x]

x
_
f ;
B
[y]
y
Med andre ord har vi
A
[x] =
1
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
1
f (x) =
1
(y) =
B
[y],
alts
B
[ f ]
A A
[x] =
B
[ f (x)] =
B
[y]. (5.2.2)
Denne relation er illustreret i diagrammet nedenfor.
F
n
F
m
U V
B
[ f ]
A
f
`
`
`
.
B
Formel (5.2.2) understreger igen nyttigheden af notationen med at angive baserne
som fodtegn: De to Aer skal st ved siden af hinanden.
Indstter vi i (5.2.2) for
A
[x] den jte enhedssjle e
j
, indser vi at
B
[ f (x)] er den jte
sjle i
B
[ f ]
A
. Men e
j
=
A
[a
j
], alts er den jte sjle i
B
[ f ]
A
koordinatsjlen for vektoren
f (a
j
) med hensyn til basen B. Matricen
B
[ f ]
A
siges at reprsentere f i baserne A, B.
Alt i alt har vi vist den generelle sjleregel:
Stning 5.2.1 Hvis
A
[x] hhv.
B
[ f (x)] er koordinatsjlerne for vektoren x hhv. y =
f (x), er
B
[ f (x)] =
B
[ f ]
AA
[x],
hvor
B
[ f ]
A
er den mn-matrix, hvis sjlevektorer er koordinatsjlerne for vektorerne
f (a
1
), , f (a
n
) med hensyn til basen B.
Bemrkning 1. Lad U vre et n-dimensionalt vektorrum med gammel basis A og ny
basis A
, og lad
A
T
A
vre koordinattransformationsmatricen for overgang fra gammel
til ny basis. Da er
A
T
A
ogs den matrix der reprsenterer den identiske afbildning
id
U
: U U i baserne A, A
. Alts er
A
T
A
=
A
[id
U
]
A
.
Bemrkning 2. Lad U, V, W vre endeligdimensionale vektorrum af dimension n, m,
p med baser A, B, C. Lad f : WV og g : U W vre linere afbildninger, og antag
118
at f ved de givne baser i W og V reprsenteres ved m p-matricen
B
[ f ]
C
, og at g ved
de givne baser i U og W reprsenteres ved p n-matricen
C
[g]
A
. Da vil den linere
afbildning f g : U V vre reprsenteret ved mn-matricen
B
[ f g]
A
=
B
[ f ]
C C
[g]
A
(5.2.3)
ved de givne baser i U og V. Sammenlign med Stning 1.4.7 og beviset for denne, som
overfres undret til den mere generelle situation.
Eksempel 5.2.2 I det todimensionale vektorrum U er der givet basen A = (a
1
, a
2
) og
i det tredimensionale vektorrum V er der givet basen B= (b
1
, b
2
, b
3
). Om den linere
afbildning f : U V vides, at
f (a
1
) =2b
1
b
2
,
f (a
2
) = b
1
+b
2
2b
3
.
I de givne baser reprsenteres f s ved matricen
B
[ f ]
A
=
_
_
2 1
1 1
0 2
_
_
.
Vi vil f.eks. beregne billedet af vektoren x = a
1
+a
2
ved f . Idet (y
1
, y
2
, y
3
) betegner
koordinaterne for y = f (x) fs
_
_
y
1
y
2
y
3
_
_
=
_
_
2 1
1 1
0 2
_
_
_
1
1
_
=
_
_
1
2
2
_
_
.
Dette stemmer med at f (x) = f (a
1
+a
2
) = f (a
1
) + f (a
2
) = 2b
1
+b
2
+b
1
+b
2
2b
3
=
b
1
+2b
2
2b
3
.
Hvis f : V V er en liner afbildning fra et vektorrum ind i sig selv, og hvis der
er givet en basis A = (a
1
, , a
n
) i V taler vi om at f er reprsenteret ved en matrix i
basen A . Det er da underforstet, at basen A anvendes i V bde nr V anvendes som
denitionsmngde for f og som dispositionsmngde for f , dvs at den relevante matrix
er
A
[ f ]
A
.
I tilfldet hvor U = F
n
og U = F
m
kan vi argumentere p samme mde som for Op-
skrift 5.1.3, og fr ved hjlp af Stning 5.2.1:
Opskrift 5.2.3 (Finde matrixrepr. for f : F
n
F
m
mht. givne baser. )
Antag A =(a
1
, . . . a
n
) er en basis for F
n
og at B=(b
1
, . . . b
m
) er en basis for F
m
.
119
1. Dan m(n+m) blokmatricen
(b
1
. . . b
m
| f (a
1
) . . . f (a
n
))
2. Find den reducerede trappematrix af blokmatricen fra 1.
Denne er da p formen (E
=
|B
=
)
Da er
B
=
=
B
[ f ]
A
.
matrixreprsentationen af f med hensyn til baserne A og B.
5.3. Linere afbildninger og
koordinattransformationer
Vi vil nu overveje hvordan matricen, der reprsenterer f ndrer sig ved koordinatskift.
Lad U og V vre endeligdimensionale vektorrum med dimU = n, dimV = m. Lad A
hhv. B vre baser (de gamle) i U hhv. V. Vi tnker os nu, at der i U hhv. V er givet
andre baser (de nye) A
hhv. B
. Vi lader
A
T
A
hhv.
B
T
B
betegne koordinattrans-
formationsmatricerne for overgang fra basen A til basen A
hhv. fra basen B til basen

B
.
Stning 5.3.1 Hvis den linere afbildning f : U V er reprsenteret ved matricen
B
[ f ]
A
hhv.
B
[ f ]
A
i de gamle baser hhv. de nye baser, er
B
[ f ]
A
=
B
T
BB
[ f ]
A A
T
A
Bevis. Vi har diagrammet

U
f ,
B
[ f ]
A
V
A B
_id
U
,
A
T
A
_id
V
,
B
T
B
U
f ,
B
[ f ]
A
V
A
Iflge bemrkningerne til Stning 5.2.1 er f =id

V
f : U V reprsenteret ved
B
T
BB
[ f ]
A
,
og f = f id
U
: U V er reprsenteret ved
B
[ f ]
A
A
T
A
, i begge tilflde mht. basen A
120
5.3. Linere afbildninger og koordinattransformationer
i U og basen B
i V. Derfor er
B
T
BB
[ f ]
A
=
B
[ f ]
A
A
T
A
eller
B
T
BB
[ f ]
AA
T
1
A
=
B
[ f ]
A
. 2
Bemrk flgende vigtige specialtilflde af Stning 5.3.1: Lad f : V V vre en
liner afbildning og lad der i V vre givet en gammel basis A og en ny basis A
.
Da glder iflge Stning 5.3.1, at
A
[ f ]
A
=
A
T
A A
[ f ]
A A
T
A
1
.
Eksempel 5.3.2 I det tredimensionale vektorrumU er der givet baserne A =(a
1
, a
2
, a
3
)
og A
=(a
1
, a
2
, a
3
), hvor
a
1
=2a
1
a
2
,
a
2
=a
1
+2a
2
+3a
3
a
3
=a
1
+a
2
2a
3
,
og i det todimensionale vektorrum V er der givet baserne B= (b
1
, b
2
) og B
= (b
1
, b
2
),
hvor
b
1
=5b
1
2b
2
,
b
2
=2b
1
+b
2
.
En liner afbildning f : U V reprsenteres i baserne A, B(de gamle) ved matricen
B
[ f ]
A
=
_
1 2 3
2 0 1
_
.
Vi vil nde den matrix
B
[ f ]
A
, der reprsenterer f i baserne A
, B
(de nye). Vi a-
ser umiddelbart vha Stning 5.1.1, at koordinattransformationsmatricerne
A
T
A
hhv.
B
T
B
for overgang fra gamle til nye baser opfylder, at
A
T
1
A
=
_
_
2 1 1
1 2 1
0 3 2
_
_
B
T
1
B
=
_
5 2
2 1
_
.
Idet
B
[ f ]
A
=
B
T
BB
[ f ]
AA
T
1
A
udregner vi
B
T
B
=(
B
T
1
B
)
1
=
_
5 2
2 1
_
1
=
_
1 2
2 5
_
,
og vi nder s
B
[ f ]
A
=
_
1 2
2 5
__
1 2 3
2 0 1
_
_
_
2 1 1
1 2 1
0 3 2
_
_
=
_
8 24 3
20 53 6
_
.
Bemrk, at det er undvendigt at udregne
A
T
A
.
121
5.4. Determinant af endomor
Lad V vre et vektorrum. En liner afbildning f af V ind i sig selv kaldes ogs for en
endomor.
Antag nu, at vektorrummet V er endeligdimensionalt, og at A = (a
1
, , a
n
) er en
basis for V.
Denition 5.4.1 Ved determinanten det f af endomoren f : V V forsts determinan-
ten det
A
[ f ]
A
af den matrix
A
[ f ]
A
, der reprsenterer f i den givne basis.
Den netop givne denition af det f afhnger ikke af den valgte basis. Er nemlig A
en ny basis, og er
A
T
A
koordinattransformationsmatricen for overgang fra basen A til
basen A
, og reprsenteres f i den nye basis ved matricen

A
[ f ]
A
, er
A
[ f ]
A
=
A
T
A A
[ f ]
A A
T
A
1
.
iflge Stning 5.3.1. Men s er
det(
A
[ f ]
A
) =det(
A
T
A A
[ f ]
A A
T
A
1
)
=det(
A
T
A
) det(
A
[ f ]
A
) det(
A
T
A
1
)
=det(
A
T
A
) det(
A
[ f ]
A
)(det
A
T
A
)
1
=det(
A
[ f ]
A
),
hvor vi har anvendt Stning 3.4.8 og Stning 3.4.9.
Stning 5.4.2 Den linere afbildning f : V V er bijektiv netop nr det( f ) =0.
Bevis. Vlg en basis a
1
, , a
n
i V, og lad f vre reprsenteret ved matricen A
=
i denne
basis. Da er f bijektiv netop nr A
=
er regulr, dvs. netop nr det f =det A
=
=0. 2
Hvis A
=
er en nn-matrix, og f : F
n
F
n
den tilhrende linere afbildning (endomor-
), reprsenteres f ved A
=
i den naturlige basis, og dermed er det f =det A
=
.
122
6. Diagonalisering af matricer
Dette kapitel introducerer de vigtige begreber: Egenvrdier og egenvektorer. En egen-
vektor for en liner afbildning er en vektor hvorp afbildningen virker srligt pnt.
Vi udvikler metoder der i visse tilflde nder en basis for det underliggende rum
bestende af egenvektorer. Dette gr den linere afbildning srligt simpel, og nem at
arbejde med.
6.1. Diagonaliserbare matricer; egenvrdier og
egenvektorer
Lad f : F
n
F
n
vre en liner afbildning hrende til nn-matricen A
=
. Dersom A
=
er en
diagonalmatrix, alts
A
=
=
_
_
_
1
.
.
.
n
_
_
_,
hvor alle elementerne i A
=
uden for diagonalen er lig med nul, er virkningen af f srlig
simpel, idet nemlig
f
_
_
_
x
1
.
.
.
x
n
_
_
_ =
_
_
_
1
x
1
.
.
.
n
x
n
_
_
_.
Hvis nu V er et endeligdimensionalt vektorrum, og f : V V er en liner afbildning
(endomor af V) er vi derfor interesserede i at nde en basis (a
1
, , a
n
) for V, sledes
at f i denne basis reprsenteres af en diagonalmatrix. Herved fr vi et srligt godt
overblik over virkningen af f .
Lad V vre et endeligdimensionalt vektorrum.
Denition 6.1.1 En liner afbildning f : V V kaldes diagonaliserbar, hvis der ndes
en basis (a
1
, , a
n
) sledes at f i denne basis reprsenteres af en diagonalmatrix.
Hvis f : V V er diagonaliserbar, og a
1
, , a
n
er en basis for V i hvilken f repr-
123
senteres af en diagonalmatrix
D
=
=
_
_
_
1
.
.
.
n
_
_
_,
glder, at f (a
1
) =
1
a
1
, , f (a
n
) =
n
a
n
. Der glder med andre ord, at f (a
j
) er propor-
tional med a
j
, og proportionalitetsfaktoren er
j
.
Denition 6.1.2 Ved en egenvektor for den linere afbildning f : V V forsts en vek-
tor x V, s x = o og s f (x) er proportional med x. Proportionalitetsfaktoren kaldes den
til egenvektoren x hrende egenvrdi.
At x er egenvektor for f med tilhrende egenvrdi betyder alts, at
x = o og f (x) =x.
Med disse betegnelser fs s:
Stning 6.1.3 Den linere afbildning f : V V er diagonaliserbar netop hvis der
ndes en basis for V bestende af egenvektorer for f .
Vi indfrer nu yderligere nogle betegnelser. Lad f : V V vre en liner afbildning.
Denition 6.1.4 Ved egenrummet V
hrende til F forsts underrummet

V
={x | f (x) =x},

og ved egenvrdimultipliciteten
1
em hrende til F forsts tallet
em =dimV
.
Lad e : V V betegne den identiske afbildning e : x x; denne er klart liner. For
hvert F lader vi f e betegne den linere afbildning af V ind i sig selv deneret ved,
at
( f e)(x) = f (x) e(x) = f (x) x.
Med denne betegnelse har vi
Stning 6.1.5 For F glder
1
Egenvrdimultipliciteten kaldet ogs den geometriske multiplicitet
124
6.1. Diagonaliserbare matricer; egenvrdier og egenvektorer
(1) V
=ker( f e).
(2) em +rg( f e) =dimV.
Bevis. Idet f (x) = x f (x) x = o x ker( f e) ses, at (1) er opfyldt. Af dimen-
sionsstningen (Stning 4.7.7) fs, at
rg( f e) +dimker( f e) =dimV,
hvoraf
em +rg( f e) =dimV,
og hermed er (2) vist. 2
Stning 6.1.6 Lad F. Da er flgende betingelser ensbetydende
(1) er egenvrdi for f .
(2) V
={o}.
(3) em >0.
(4) f e er ikke bijektiv.
(5) det( f e) =0.
Bevis. Der glder egenvrdi V
= {o} dimV
> 0 em > 0, og det( f e) =

0 f e ikke bijektiv ker( f e) ={o} V
={o}. Hermed er stningen vist. 2

Denition 6.1.7 Det karakteristiske polynomium P
f
hrende til den linere afbildning
f : V V deneres ved
P
f
() =det( f e).
Nedenfor gres rede for, at P
f
faktisk er et polynomium.
Af Stning 6.1.6 fremgr umiddelbart:
Stning 6.1.8 Egenvrdierne for den linere afbildning f : V V er netop F-rdderne
i det karakteristiske polynomium P
f
().
Hvis A
=
er en nn-matrix med indgange i F og f : F
n
F
n
den tilhrende linere af-
bildning, taler vi i det flgende om egenvrdier for A
=
, egenvektorer for A
=
, det karakteri-
stiske polynomium P
A
=
for A
=
, om at A
=
er diagonaliserbar etc. Hermed menes naturligvis
de tilsvarende begreber deneret som ovenfor for f . Specielt er
P
A
=
() =det(A
=
E
=
).
125
Bemrk at det hermed flger direkte af Denition 3.4.1 at P
A
=
() er et polynomium med
koefcienter i F og af grad prcist n (Overvej!). Endvidere er egenrummet V
givet ved
V
={X
=
F
n
| (A
=
E
=
)X
=
=0
=
},
og der glder
em +rg(A
=
E
=
) = n.
Vi kan nu forklare hvorfor det karakteristiske polynomium for en endomor faktisk
er et polynomium: Hvis f : V V er en endomor, og (a
1
, , a
n
) er en basis for V, og
hvis f reprsenteres ved matricen A
=
i basen (a
1
, , a
n
), da er P
f
() = det(A
=
E
=
) =
P
A
=
() (se afsnit 5.4), og det fremgr heraf, at P
f
() er et polynomium i .
For matricer kan vi derfor nde egenvrdier p flgende mde:
Opskrift 6.1.9 (Find egenvektorer for en matrix)
Lad A
=
vre en matrix med indgange i F. Vi nder da egenvrdier og egenvektorer for
A
=
p flgende mde.
1. Beregn det karakteristiske polynomium P
A
=
() =det(A
=
E
=
).
2. Find F-rdderne til P
A
=
(). Disse er egenvrdierne.
3. For hver egenvrdi
0
nd den fuldstndige lsning til ligningssystemet
(A
=
0
E
=
)x = o.
De fundne lsninger (fraregnet o-lsningen) er prcist egenvektorerne hrende til egen-
vrdien
0
.
Eksempel 6.1.10 En liner afbildning f : R
2
R
2
_
5 7
2 4
_
.
Vi vil nde egenvrdierne og de tilhrende egenvektorer for f . Frst opskrives det ka-
rakteristiske polynomium
P
f
() =P
A
=
() =det(A
=
E
=
)
=det
_
5 7
2 4
_
=(5)(4) +14 =
2
6,
126
og rdderne i ligningen P
f
() =0 ndes; rdderne er =3 og =2.
Vi nder s egenvektorerne hrende til =2: Vi skal lse ligningen
(A
=
E
=
)X
=
=0
=
.
A
=
E
=
= A
=
+2E
=
=
_
7 7
2 2
_
;
denne matrix omformes ved hjlp af rkkeoperationer til trappematricen
_
1 1
0 0
_
,
hvoraf ases, at en basis for egenrummet V
2
er
_
1
1
_
.
Vi nder dernst egenvektorerne hrende til =3. Vi opskriver
A
=
E
=
= A
=
3E
=
=
_
2 7
2 7
_
,
der ved hjlp af rkkeoperationer omformes til trappematricen
_
2 7
0 0
_
,
3
er
_
7
2
_
.
Vi vil nu et jeblik se specielt p linere afbildninger fra F
n
til F
n
.
Stning 6.1.11 En nn-matrix A
=
med indgange i F er diagonaliserbar netop hvis der
ndes en regulr nn-matrix S
=
med indgange i F, s
D
=
=S
=
A
=
S
=
1
er en diagonalmatrix. I givet fald er den jte sjle i S
=
1
en egenvektor for A
=
med tilh-
rende egenvrdi lig med det jte diagonalelement i D
=
.
127
f (y) =3y
x
y
f (x) =2x
x =
_
1
1
_
V
2
, y =
_
7
2
_
V
3
Figur 6.1.: Egenvektorer for den linere afbildning f : R

2
R
2
fra eksempel 6.1.10.
Bevis. Lad f : F
n
F
n
vre den linere afbildning der hrer til matricen A
=
.
Antag frst, at S
=
er en regulr nn-matrix, s D
=
= S
=
A
=
S
=
1
er en diagonalmatrix.
Skriver vi S
=
1
=
_
a
1
a
n
_
er (a
1
, , a
n
) en basis i R
n
, og S
=
=
B
T
E
er koordinattrans-
formationsmatricen for overgang fra den naturlige basis E til basen B = (a
1
, , a
n
).
Men s reprsenteres f ved matricen D
=
= S
=
A
=
S
=
1
i basen (a
1
, , a
n
) (Stning 5.3.1).
Skrives
D
=
=
_
_
_
1
.
.
.
n
_
_
_,
er derfor f (a
j
) =
j
a
j
. Dette viser den ene halvdel af stningen.
Antag dernst at A
=
er diagonaliserbar. Da ndes en basis B = (a
1
, , a
n
) for F
n
bestende af egenvektorer for f . I denne basis reprsenteres f af en diagonalmatrix
D
=
, og der glder D
=
= S
=
A
=
S
=
1
, hvor S
=
=
B
T
E
er koordinattransformationsmatricen for
overgang fra naturlig basis til basen (a
1
, , a
n
). Dette viser den anden halvdel af st-
ningen. 2
Vi gr opmrksom p at det her er vigtigt hvilket rum matricen A opererer imellem,
dvs. om A
=
: R
n
R
n
, eller A
=
: C
n
C
n
. Bemrk ogs at enhver matrix med reelle ind-
gange kan betragtes som en matrix med indgange i C (da R C). Det kan forekomme
at en reel matrix A
=
er diagonaliserbar betragtet som matrix med indgange i C (vi kal-
der den i s fald komplekst diagonaliserbar) mens den ikke er diagonaliserbar betragtet
som matrix med indgange i R (Den er alts ikke reelt diagonaliserbar). For et eksemple
p dette se Eksempel 6.1.13.
Eksempel 6.1.12 Vi betragter matricen A
=
fra Eksempel 6.1.10 og de fundne egenvek-
torer
128
Idet sttet
_
1
1
_
,
_
7
2
_
udgr en basis i R
2
, ses, at f og dermed A
=
er diagonaliserbar. Koordinattransforma-
tionsmatricen for overgang fra naturlig basis til denne basis bestende af egenvektorer
opfylder, at
S
=
1
=
_
1 7
1 2
_
,
og dermed er
S
=
=
_
1 7
1 2
_
1
=
_
2
5

7
5
1
5

1
5
_
.
Der glder s, at
_
2 0
0 3
_
=S
=
A
=
S
=
1
,
hvilket ogs ses ved direkte udregning.
Eksempel 6.1.13 Det karakteristiske polynomium for matricen
A
=
=
_
3 5
5 3
_
er
P
A
=
() =
_
3 5
5 3
_
=(3)(3) +25 =
2
+16,
der ingen reelle rdder har. Alts har A
=
ingen egenvrdier. Vi slutter specielt, at matri-
cen A
=
ikke er reelt diagonaliserbar.
Hvis vi derimod betragter A
=
som vrende en matrix med komplekse indgange har
det karakteristiske polynomium de 2 komplekse rdder = 4i og = 4i. Vi nder
egenvektorerne hrende til =4i: Vi skal lse ligningen
(A
=
E
=
)X
=
=0
=
.
A
=
E
=
= A
=
4iE
=
=
_
34i 5
5 34i
_
;
denne matrix omformes ved at addere (3+4i)/5 gange rkke 1 til rkke 2, og dernst
multiplicere rkke 1 med 1/(34i) til trappematricen
_
1 (3+4i)/5
0 0
_
,
129
4i
er
__
(3+4i)/5
1
__
.
P tilsvarende mde nder vi at egenrummet V
4i
har basis
__
(34i)/5
1
__
.
Idet
B=
__
(3+4i)/5
1
_
,
_
(34i)/5
1
__
.
er en basis for C
2
, ses at A
=
er diagonaliserbar som kompleks matrix (Se Stning 6.1.3)-
Koordinattransformationsmatricen for overgang fra naturlig basis til denne basis,
B
T
E
,
opfylder
(
B
T
E
)
1
=S
=
1
=
_
(3+4i)/5 (34i)/5
1 1
_
.
Det glder s at
_
4i 0
0 4i
_
=S
=
A
=
S
=
1
,
hvilket ogs ses ved direkte udregning.
Eksempel 6.1.14 Det karakteristiske polynomium for matricen
A
=
=
_
2 3
0 2
_
er
P
A
=
() =det
_
2 3
0 2
_
=(2)
2
,
der har (dobbelt-) roden =2. Matricen A
=
har alts kun den ene egenvrdi =2. For
at nde det tilhrende egenrum V
2
opskrives matricen
A
=
E
=
= A
=
2E
=
=
_
0 3
0 0
_
,
og vi ser, at en basis for V
2
er
_
1
0
_
.
Vi slutter, at matricen A
=
ikke er diagonaliserbar.
130
Eksempel 6.1.15 Vi vil nde egenvrdier og tilhrende egenvektorer for matricen
A
=
=
_
_
4 2 1
2 0 1
2 2 3
_
_
.
Frst opskrives det karakteristiske polynomium:
P
f
() =det(A
=
E
=
) =det
_
_
4 2 1
2 1
2 2 3
_
_
=det
_
_
4 2 1
2+ 2 0
2 2 3
_
_
=(2) det
_
_
4 2 1
1 1 0
2 2 3
_
_
=(2) det
_
_
4 2 1
1 1 0
0 0 3
_
_
=(2)(3) det
_
4 2
1 1
_
=(2)
2
(3).
Rdderne er alts =2 og =3.
Frst ndes egenrummet V
2
hrende til =2. Matricen A
=
E
=
opskrives:
A
=
E
=
= A
=
2E
=
=
_
_
42 2 1
2 2 1
2 2 32
_
_
=
_
_
2 2 1
2 2 1
2 2 1
_
_
;
denne omdannes ved hjlp af rkkeoperationer til trappematricen
_
_
2 2 1
0 0 0
0 0 0
_
_
.
Vi skal s lse ligningen 2x
1
2x
2
+x
3
=0. Sttes x
2
= s og x
3
=2t fs
_
_
x
1
x
2
x
3
_
_
=
_
_
s t
s
2t
_
_
= s
_
_
1
1
0
_
_
+t
_
_
1
0
2
_
_
,
hvoraf fremgr, at sttet
a
1
=
_
_
1
1
0
_
_
, a
2
=
_
_
1
0
2
_
_
udgr en basis for V
2
.
Dernst ndes egenrummet V
3
hrende til =3. Matricen A
=
E
=
opskrives:
A
=
E
=
= A
=
3E
=
=
_
_
43 2 1
2 3 1
2 2 33
_
_
=
_
_
1 2 1
2 3 1
2 2 0
_
_
;
131
denne omdannes ved hjlp af rkkeoperationer til trappematricen:
_
_
1 2 1
0 1 1
0 0 0
_
_
.
Vi skal s lse ligningssystemet
x
1
2x
2
+x
3
= 0
.
x
2
x
3
= 0
Sttet x
3
= t fs
_
_
x
1
x
2
x
3
_
_
=
_
_
t
t
t
_
_
= t
_
_
1
1
1
_
_
,
hvoraf fremgr, at vektoren
a
3
=
_
_
1
1
1
_
_
udgr en basis for V
3
.
Sttet (a
1
, a
2
, a
3
) udgr en basis i R
3
, og koordinattransformationsmatricen S
=
for
overgang fra naturlig basis til denne nye basis opfylder, at
S
=
1
=
_
_
1 1 1
1 0 1
0 2 1
_
_
,
hvoraf
S
=
=
_
_
1 1 1
1 0 1
0 2 1
_
_
1
=
_
_
2 3 1
1 1 0
2 2 1
_
_
.
Der glder, at
_
_
2 0 0
0 2 0
0 0 3
_
_
=S
=
A
=
S
=
1
.
6.2. Betydningen af rodmultipliciteterne

Lad x P(x) vre et reelt eller komplekst polynomium. Vi siger som bekendt, at et
komplekst tal x
0
er rod i P hvis P(x
0
) = 0. I givet fald er P deleligt med (x x
0
), dvs.
der ndes et polynomium Q, s P(x) =(xx
0
)Q(x). Vi siger, at en rod x
0
har rod multi-
pliciteten k , eller algebraisk multiplicitet k, hvis P er deleligt med (x x
0
)
k
, men ikke
132
6.2. Betydningen af rodmultipliciteterne
med (x x
0
)
k+1
. Eksempelvis glder for polynomiet x
6
3x
5
+6x
3
3x
2
3x +2, at det
kan skrives (x +1)
2
(x 1)
3
(x 2). Derfor er x
0
= 1 rod med multiplicitet to (ogs kal-
det dobbeltrod), x
0
= 1 er rod med multiplicitet tre, og x
0
= 2 er rod med multiplicitet
n. Rodmultipliciteten af en rod x
0
i et givet polynomium betegnes rm x
0
. At skrive et
polynomium som produkt af led af formen (xx
0
)
k
kalder man at faktorisere polynomi-
et fuldstndigt. En sdan fuldstndig faktorisering er entydig (bortset selvflgelig fra
faktorernes rkkeflge). Alle komplekse polynomier (og dermed ogs alle reelle poly-
nomier) kan faktoriseres fuldstndigt. Dette flger af algebraens fundamentalstning.
Man kan imidlertid ikke vre sikker p at et reelt polynomium kun har reelle rdder.
F.eks. kan polynomiet x
3
x
2
+x1 skrives (x1)(xi)(x+i). Dvs at i dette polynomium
er rdderne alts 1, i, i og de har alle multiplicitet rm x
0
=1.
Der glder for ethvert polynomium, at summen af rodmultipliciteterne er lig med
graden af polynomiet. I praksis bestemmes rodmultipliciteterne for et polynomium ved
hjlp af rodbestemmelse samt polynomiers division, jvf. nedenstende eksempel.
Eksempel 6.2.1 For polynomiet P(x) = x
5
+4x
4
+7x
3
+12x
2
+12x nder vi, at x
0
=0 og
x
0
= 2 er rdder. Ved division med x og x +2 fs P(x) = x(x +2)(x
3
+2x
2
+3x +6). Den
sidste faktor heri har roden x
0
=2 og kan skrives x
3
+2x
2
+3x+6 =(x+2)(x
2
+3). Leddet
x
2
+3 har rdderne i
3 og i
3. Alts er P(x) = x(x +2)

2
(x i
3)(x +i
3), og dermed
er rm 0 =1, rm (2) =2, rm (i
3) =1.
Lad V vre et endeligdimensionalt F-vektorrum.
Stning 6.2.2 Lad f : V V vre en liner afbildning. For hvert tal
0
F glder, at
em
0
rm
0
,
hvor rm
0
er rodmultipliciteten af
0
i det karakteristiske polynomium P
f
for f .
Bevis. Lad
0
F, og lad V
0
vre egenrummet hrende til
0
. Lad p = em
0
=dimV
0
og lad (a
1
, , a
p
) vre en basis for V
0
. Udvid denne til en basis (a
1
, , a
n
) for V. Idet
de frste p vektorer i basen er egenvektorer for f med egenvrdi
0
, har matricen A
=
,
der reprsenterer f i denne basis, flgende form:
A
=
=
_
D
=
B
=
0
=
C
=
_
,
hvor D
=
=
0
E
=
er pp-diagonalmatricen med
0
i diagonalen, og 0
=
er (np)p-nulmatricen.
Matricerne B
=
og C
=
har dimension p(np), henholdsvis (np)(np). Der glder s
(Stning 3.4.5)
P
f
() =det(A
=
E
=
) =det(D
=
E
=
) det(C
=
E
=
) =(
0
)
p
det(C
=
E
=
).
Heraf fremgr, at
0
har multiplicitet mindst p som rod i P
f
. Bemrk, at E
=
indretter
sin strrelse efter behov. 2
133
Stning 6.2.3 Lad f : V V vre en liner afbildning mellem F-vektorrum. Hvis
summen af rodmultipliciteterne af F-rdderne i det karakteristiske polynomium for f
er (skarpt) mindre end dimV, eller hvis der ndes en egenvrdi
0
med em
0
<rm
0
,
da er f ikke diagonaliserbar.
Bemrk at hvis F =C s er summen af rodmultipliciteterne for de komplekse rdder
til det karakteristiske polynomium altid lig dimV, hvilket er en flge af algebraens
fundamentalstning.
Bevis. Antag f er diagonaliserbar. Lad (a
1
, , a
n
) vre en basis for V bestende af
egenvektorer med tilhrende egenvrdier
1
, ,
n
. I denne basis reprsenteres f ved
diagonalmatricen D
=
med diagonalelementerne
1
, ,
n
, og derfor er
P
f
() =det(D
=
E
=
) =(
1
) (
n
)
Herved er P
f
fuldstndigt faktoriseret. For ethvert tal
0
glder alts, at rodmultipli-
citeten rm
0
er lig det antal gange
0
optrder blandt tallene
1
, ,
n
. Summen af
alle disse rodmultipliciteter er netop n.
Hvis
0
optrder p gange blandt
1
, ,
n
, ndes der p basisvektorer som tilhrer
egenrummet V
0
, og der m derfor glde p dimV
0
= em
0
. Vi kan alts konkludere
at rm
0
em
0
. Iflge Stning 6.2.2 glder s endda rm
0
= em
0
.
Sammenfattende har vi vist, at hvis f er diagonaliserbar er summen af rodmultipli-
citeterne n, og der glder rm
0
= em
0
for alle egenvrdier
0
. Stningens udsagn
fs umiddelbart heraf ved kontraponering. 2
Eksempel 6.2.4 I Eksempel 6.1.13 har det karakteristiske polynomium ingen reelle
rdder, derfor er summen af de reelle rodmultipliciteterne 0. Iflge Stning 6.1.3 er A
=
ikke reelt diagonaliserbar ( eller anderledes formuleret: Den tilhrende linere afbild-
ning f
A
=
: R
2
R
2
er ikke diagonaliserbar), hvilket er i overensstemmelse med hvad vi
viste i eksemplet. I Eksempel 6.1.14 er
0
=2 dobbeltrod, og summen af rodmultiplici-
teterne er dermed lig n, som er 2. Men egenvrdimultipliciteten af
0
er kun 1, alts
glder em
0
< rm
0
. Stning 6.1.3 giver dermed at matricen ikke er diagonaliserbar
hvilket er i overensstemmelse med hvad vi fandt i eksemplet.
6.3. Betydningen af egenvrdimultipliciteterne
Lad V vre et endeligdimensionalt F-vektorrum, og lad f : V V vre en liner af-
bildning.
134
Stning 6.3.1 Hvis summen af rodmultipliciteterne for F-rdderne for det karakteri-
ske polynomium for f er n = dimV, og der glder em
0
= rm
0
for alle
0
, da er f
diagonaliserbar. En diagonaliserende basis fs i s fald ved at vlge en basis for hvert
af egenrummene og sammenstille disse baser.
Igen glder det at hvis F = C glder det automatisk at det er nok at tjekke at
em
0
= rm
0
eftersom kravet om summen af rodmultipliciteterne i dette tilflde er
automatisk opfyldt.
Bevis. Vi vlger en basis for hvert egenrum og sammenstiller disse. Det flger af anta-
gelserne om f , at det fremkomne st af egenvektorer har prcis n =dimV elementer.
Vi betegner sttet a
1
, , a
n
, og de tilhrende egenvrdier
1
, ,
n
. Vi skal vise, at
dette st er linert uafhngigt, idet det s udgr en basis iflge Stning 4.5.7, og
dermed diagonaliserer f .
Antag sttet er linert afhngigt. Der ndes da et tal k < n sledes at sttet a
1
, , a
k
er linert uafhngigt, mens sttet a
1
, , a
k+1
er linert afhngigt. Da er
a
k+1
span {a
1
, , a
k
}
iflge Stning 4.5.9, alts
a
k+1
= x
1
a
1
+ +x
k
a
k
.
Vi anvender f , og fr dels
f (a
k+1
) =
k+1
a
k+1
=
k+1
x
1
a
1
+ +
k+1
x
k
a
k
(fordi a
k+1
er egenvektor), og dels
f (a
k+1
) = x
1
f (a
1
) + +x
k
f (a
k
) = x
1
1
a
1
+ +x
k
k
a
k
(fordi f er liner og a
1
, , a
k
er egenvektorer). Vektoren f (a
k+1
) er nu p to mder
fremstillet som linearkombination af sttet a
1
, , a
k
; da dette st er linert uafhn-
gigt m koefcienterne i de to udtryk stemme overens, dvs.
k+1
x
i
= x
i
i
for i =1, , k.
Dette er kun muligt hvis x
i
= 0 hver gang
i
=
k+1
. Fjerner man nullerne i ligningen
a
k+1
= x
1
a
1
+ +x
k
a
k
, udtrykkes a
k+1
alts som linearkombination af andre basisvek-
torer fra det samme egenrum V
k+1
. Dette strider mod at sttet var sammensat af baser
for de enkelte egenrum: vektorer fra sttet som tilhrer samme egenrum er p forhnd
linert uafhngige. Vi har dermed net en modstrid og kan konkludere, at antagelsen
at sttet er linert afhngigt, var forkert. 2
Eksempel 6.3.2 I Eksempel 6.1.15 fandt vi basen (a
1
, a
2
) for egenrummet V
2
og basen
(a
3
) for egenrummet V
3
. Iflge Stning 6.3.1 er s (a
1
, a
2
, a
3
) en basis for V =R
3
. I det
nvnte eksempel blev dette vericeret ved direkte udregning: det nyttige ved Stning
6.3.1 er netop, at man kan udelade denne vericering.
135
Stning 6.3.3 Hvis det karakteristiske polynomium P
f
for f har n =dimV forskelli-
ge F-rdder
1
, ,
n
, da er f diagonaliserbar. En diagonaliserende basis (a
1
, , a
n
)
fs i dette tilflde ved for hver rod
i
at vlge en egenvektor a
i
med egenvrdien
i
.
Bevis. For hver af rdderne
1
, ,
n
glder ndvendigvis rm
i
=1 (ellers ville sum-
men af rodmultipliciteterne jo overstige n). Iflge Stning 6.2.2 glder dermed em
i
1, og da hver rod iflge Stning 6.1.8 er egenvrdi, er em

i
= 0. Alts er em
i
=
rm
i
= 1. Det flger nu af Stning 6.3.1, at f diagonaliseres af den omtalte basis
(a
1
, , a
n
). 2
Vi opsummerer hvordan man, for en konkret matrix, afgr hvorvidt den er diagona-
liserbar eller ej, og hvordan man i s fald nder koordinattransformationsmatricen S
=
der diagonaliserer den.
Opskrift 6.3.4 (Diagonalisering af en nn matrix A
=
)
1. Bestem det karakteristiske polynomium P
A
=
() =det(A
=
E
=
), og nd dets rdder
(egenvrdierne for A
=
) samt de tilhrende rodmultipliciteter.
2. Bestem baser for hvert egenrum V
0
(egenvektorer) samt de tilhrende egenvrdi-
multipliciteter (= antal basiselementer i basen).
3. Matricen er diagonaliserbar hvis og kun hvis alle rodmultipliciteter er lig de til-
hrende egenvrdimultipliciteter. I s tilflde kan vi stte S
=
1
til at vre den
matrix der fremkommer ved at lade samtlige basiselementer fra 2 vre sjler. Der
glder s at S
=
er lig koordinattransformationsmatricen
B
T
E
fra basis E til B,
hvor B er basen bestende af egenvektorerne. Ydermere glder at
S
=
A
=
S
=
1
er diagonal.
Om reel diagonalisering: Bemrk at overstende opskrift leder efter kompleks dia-
gonalisering af en reel eller kompleks matrix. Hvis man udelukkende er interesseret i
reel diagonalisering af en reel matrix kan man stoppe processen efter trin 1 hvis der op-
trder en ikke-reel rod. I dette tilflde er matricen ikke reelt diagonaliserbar. Man kan
ogs stoppe processen under trin 2 hvis der viser sig en egenvrdi hvor rodmultiplicitet
ikke stemmer overens med den geometriske multiplicitet. I dette tilflde er matricen
hverken reelt eller komplekst diagonaliserbar.
136
Eksempel 6.3.5 Lad os se p matricen
A
=
=
_
_
1 4 1
2 5 1
2 4 0
_
_
og gennemfre diagonaliseringsopskriften p den:
1: Vi har
P
A
=
() =
3
+4
2
5+2 =(1)
2
(2) (6.3.1)
Vi ser af (6.3.1) at 1 er en dobbeltrod og 2 en enkeltrod. Vi laver et skema
Egenvrdi Algebraisk mult. Geometrisk mult. Basis
1 2
2 1
2: Vi bestemmer frst en basis for V
1
. Det svarer jo til at nde lsningsmngden til
ligningen (A
=
1E
=
)x = o og vi opskriver den relevante matrix
_
_
2 4 1
2 4 1
2 4 1
_
_
som vi reducerer til trappeform:
_
_
1 2 1/2
0 0 0
0 0 0
_
_
.
Vi ser at dimensionen er 2 og at en basis fx kan vlges som
_
_
_
_
2
1
0
_
_
,
_
_
1/2
0
1
_
_
_
_
.
S skal vi bruge en basis for V
2
, og alts lse ligningssystemet (A
=
2E
=
)x = o. Det frer
til matricen
_
_
3 4 1
2 3 1
2 4 2
_
_
som har reduceret trappeform
_
_
1 0 1
0 1 1
0 0 0
_
_
137
Sledes er dimensionen 1 og en basis kan fx vlges som
_
_
_
_
1
1
1
_
_
_
_
Skemaet er nu frdigt:
Egenvrdi Algebraisk mult. Geometrisk mult. Basis
1 2 2
_
_
_
_
2
1
0
_
_
,
_
_
1/2
0
1
_
_
_
_
.
2 1 1
_
_
_
_
1
1
1
_
_
_
_
3:Vi slutter at A
=
er diagonaliserbar og hvis vi stter
S
=
1
=
_
_
2 1/2 1
1 0 1
0 1 1
_
_
glder der at S
=
A
=
S
=
1
er diagonal.
6.4. Potensoplftning af matricer; anvendelser
Lad A
=
vre en nn-matrix. Af og til har man brug for at udregne potensen A
=
k
for
k = 1, 2, 3, . Hvis A
=
er diagonaliserbar kan potensoplftning bekvemt gres ved at
diagonalisere A
=
frst. Hvis nemlig S
=
er en regulr matrix, s matricen
D
=
=S
=
A
=
S
=
1
er en diagonalmatrix glder, at
D
=
k
=S
=
A
=
k
S
=
1
,
(thi D
=
2
=(S
=
A
=
S
=
1
)(S
=
A
=
S
=
1
) =S
=
A
=
2
S
=
1
etc
) og dermed er
A
=
k
=S
=
1
D
=
k
S
=
.
Man udnytter s, at D
=
k
er meget let at udregne.
138
A
=
=
_
_
4 2 1
2 0 1
2 2 3
_
_
fra Eksempel 6.1.15. Vi vil nde A
=
5
. Naturligvis kan vi udregne den direkte; men vi kan
ogs bemrke, at
A
=
5
=S
=
1
D
=
5
S
=
,
hvor
D
=
=
_
_
2 0 0
0 2 0
0 0 3
_
_
, S
=
=
_
_
2 3 1
1 1 0
2 2 1
_
_
, S
=
1
=
_
_
1 1 1
1 0 1
0 2 1
_
_
,
iflge Eksempel 6.1.15. Men s er
A
=
5
=
_
_
1 1 1
1 0 1
0 2 1
_
_
_
_
32 0 0
0 32 0
0 0 243
_
_
_
_
2 3 1
1 1 0
2 2 1
_
_
=
_
_
454 422 211
422 390 211
422 422 243
_
_
.
Eksempel 6.4.2 Lad os antage at Kbenhavns befolkningstal (gennem en rrkke)

konstant er 1 million. Byen opdeles i to dele, city og forstderne. Lad C
n
betegne be-
folkningstallet i city, og lad F
n
betegne befolkningstallet i forstderne efter n r (regnet
i millioner). Befolkningsfordelingen mellem city og forstderne angives ved en befolk-
ningsvektor
B
=
n
=
_
C
n
F
n
_
.
Antag, at 15% af befolkningen i city ytter til forstderne, og at 10% af befolkningen i
forstderne ytter til city hvert r. Der m glde, at
C
n+1
=0.85C
n
+0.10F
n .
F
n+1
=0.15C
n
+0.90F
n
()
Dette glder for n =0, 1, 2, . Denne sammenhng kan skrives
_
C
n+1
F
n+1
_
=
_
0.85 0.10
0.15 0.90
__
C
n
F
n
_
.
139
Matricen
A
=
=
_
0.85 0.10
0.15 0.90
_
=
_
17
20
1
10
3
20
9
10
_
kaldes overgangsmatricen. Vi kan skrive formlen () som
B
=
n+1
= A
=
B
=
n
.
Specielt fr vi, at B
=
1
= A
=
B
=
0
, B
=
2
= A
=
B
=
1
= A
=
2
B
=
0
etc., sledes at
B
=
n
= A
=
n
B
=
0
.
Vi vil undersge, hvorledes befolkningsfordelingen udvikler sig efter et stort antal r.
Vi har alts brug for at beregne A
=
n
for store vrdier af n. Vi forsger at diagonalisere
A
=
: Det karakteristiske polynomium skrives op:
P
A
=
=det(A
=
E
=
) =det
_
17
20
1
10
3
20
9
10
_
=
2
7
4
+
3
4
.
Rdderne heri er =1 og =
3
4
. Matricen A
=
er alts diagonaliserbar.
Vi nder egenrummet hrende til egenvrdien =1:
A
=
E
=
=
_

3
20
1
10
3
20

1
10
_
,
der ved hjlp af rkkeoperationer omdannes til
_
3 2
0 0
_
,
hvoraf vi nder, at vektoren
a
1
=
_
2
3
_
er en basis for V
1
.
Dernst nder vi egenrummet hrende til egenvrdien =
3
4
:
A
=
E
=
=
_
1
10
1
10
3
20
3
20
_
,
der ved hjlp af rkkeoperationer omdannes til
_
1 1
0 0
_
,
hvoraf vi nder, at vektoren
a
2
=
_
1
1
_
140
er en basis for V3
4
.
Om koordinattransformationsmatricen S
=
for overgang fra naturlig basis til basen
(a
1
, a
2
) glder s, at
S
=
1
=
_
2 1
3 1
_
,
hvoraf
S
=
=
1
5
_
1 1
3 2
_
=
_
1
5
1
5
3
5

2
5
_
,
og dermed er
D
=
=S
=
A
=
S
=
1
,
hvor
D
=
=
_
1 0
0
3
4
_
.
Men s er
A
=
n
=S
=
1
D
=
n
S
=
=S
=
1
_
1 0
0
_
3
4
_
n
_
S
=
=
1
5
_
2 1
3 1
__
1 0
0
_
3
4
_
n
__
1 1
3 2
_
=
_
2
5
+
3
5
_
3
4
_
n
2
5
2
5
_
3
4
_
n
3
5
3
5
_
3
4
_
n
3
5
+
2
5
_
3
4
_
n
_
.
Hvis nu f.eks. n =20 er
_
3
4
_
n
tilnrmelsesvis lig med 0.00317 (lommeregner), hvorefter
vi nder flgende tilnrmede vrdi for A
=
20
:
A
=
20
_
2
5
2
5
3
5
3
5
_
.
Vi nder s, idet M er 1 million,
B
=
20
= A
=
20
B
=
0
_
2
5
2
5
3
5
3
5
__
C
0
F
0
_
=
_
2
5
C
0
+
2
5
F
0
3
5
C
0
+
3
5
F
0
_
=
_
2
5
(C
0
+F
0
)
3
5
(C
0
+F
0
)
_
= M
_
2
5
3
5
_
= M
_
0.40
0.60
_
.
Efter et antal r vil befolkningsfordelingen alts vre stabil, og 40% af befolkningen vil
bo i city, og 60% vil bo i forstderne.
141
7. Vektorrum med skalarprodukt
I dette kapitel skal vi se p vektorrum med en ekstra n struktur: Et skalarprodukt.
I sdanne vektorrum kan vi tale om at vektorer str ortogonalt (vinkelret) p hinan-
den. Teorien for disse gr os i stand til at udvikle en teori for hvornr en matrix med
sikkerhed kan diagonaliseres.
7.1. Skalarprodukt; Gram-Schmidt ortogonalisering
Lad V vre et vektorrum over F.
Denition 7.1.1 Ved et skalarprodukt (eller et indre produkt) i V forsts en forskrift
hvorved der til hvert par af vektorer x, y i V knyttes et tal x y, skalarproduktet af x og y,
sledes at der for vilkrlige vektorer x, y, z i V og vilkrlige tal F glder:
S1: (x+ y) z = x z + y z
S2: (x) y =(x y).
S3: x y = y x
S4: x x 0
S5: x x =0 x = o
Vektorrummet V udstyret med et skalarprodukt/indre produkt kaldes for et indre
produkt vektorrum. Hvis F =R kaldes V ogs et Euklidisk vektorrum.
Eksempel 7.1.2 I talrummet F
n
deneres et skalarprodukt ved for to vektorer
x =
_
_
_
x
1
.
.
.
x
n
_
_
_ , y =
_
_
_
y
1
.
.
.
y
n
_
_
_
i F
n
at stte
x y = x
1
y
1
+ +x
n
y
n
.
At dette faktisk er et skalarprodukt flger af Stning 1.1.4. Dette skalarprodukt kaldes
for det sdvanlige skalarprodukt eller det sdvanlige indre produkt p F
n
.
143
Lad V vre et indre produkt vektorrum. For en vektor x V deneres lngden af
vektoren x som tallet
|x| =
_
x x.
Denne denition giver mening, da x x 0 iflge S4. Vi bemrker, at |x| =0 netop hvis
x = o, og at |x| =|| |x| for F, x V.
En vektor x V for hvilken |x| = 1 kaldes en enhedsvektor. Hvis x V er en egentlig
vektor, da er vektoren
y =
1
|x|
x
en enhedsvektor. Vektoren y siges at vre fremget af x ved normering.
To vektorer x og y siges at vre ortogonale hvis x y =0. Dette skrives ogs xy.
Denition 7.1.3 Et st af vektorer a
1
, , a
n
i V kaldes et ortogonalst, hvis hver af
vektorerne er forskellig fra nulvektoren, og hvis de er indbyrdes ortogonale, alts hvis
a
i
= o for 1 i n og a
i
a
j
=0 for 1 i, j n, i = j. Sttet kaldes et ortonormalst, hvis
der yderligere glder, at alle vektorerne er enhedsvektorer, alts |a
i
| =1 for alle 1 i n.
Denition 7.1.4 En basis (a
1
, , a
n
) for V kaldes for en ortonormalbasis hvis sttet
a
1
, , a
n
er et ortonormalst.
a
3
a
2
a
1
Figur 7.1.: Vektorsttet (a
1
, a
2
, a
3
) er en ortonormalbasis for R
3
. De naturlige ortonor-
malbaser for R
2
og R
3
er vist p gur 1.2.
En basis (a
1
, , a
n
) er alts en ortonormalbasis, hvis a
i
a
i
=1 for 1 i n og a
i
a
j
=0
for alle 1 i, j n, i = j.
Det ses umiddelbart, at den naturlige basis (e
1
, , e
n
) i F
n
er en ortonormalbasis i F
n
.
144
Stning 7.1.5 Hvis (a
1
, , a
n
) er en ortonormalbasis for et indre produkt vektorrum
V, og hvis vektoren x hhv. y har koordinatsjlen
_
_
_
x
1
.
.
.
x
n
_
_
_ hhv.
_
_
_
y
1
.
.
.
y
n
_
_
_ med hensyn til basen
(a
1
, , a
n
), da er
x y = x
1
y
1
+ +x
n
y
n
.
Bevis. Vi ser p tilfldet n =2. Der glder s
x y =(x
1
a
1
+x
2
a
2
) (y
1
a
1
+ y
2
a
2
)
= x
1
y
1
a
1
a
1
+x
1
y
2
a
1
a
2
+x
2
y
1
a
2
a
1
+x
2
y
2
a
2
a
2
= x
1
y
1
+x
2
y
2
.
hvilket viser pstanden. Bemrk at vi har brugt at det for et indre produkt vektorrum
glder at x (y) =(x y), hvilket flger af Denition 7.1.1 S2 & S3. 2
Stning 7.1.6 Lad a
1
, , a
n
vre et ortogonalst i et indre produkt vektorrum V. Da
er sttet a
1
, , a
n
linert uafhngigt, og for a span {a
1
, , a
n
} glder
a =
a a
1
a
1
a
1
a
1
+ +
a a
n
a
n
a
n
a
n
.
Bevis. Hvis a span {a
1
, , a
n
} ndes tal
1
,
n
, s
a =
1
a
1
+ +
n
a
n
,
Heraf fs ved at multiplicere skalrt med a
j
, at
a a
j
=
j
a
j
a
j
,
idet vektorerne a
1
, , a
n
er indbyrdes ortogonale. Idet a
j
a
j
=0 er s
j
=
aa
j
a
j
a
j
. Dette
viser formlen for a. Hvis en linearkombination a =
1
a
1
+ +
n
a
n
er o, viser formlen
at
j
=
oa
j
a
j
a
j
=0 for 1 j n, og det viser at sttet a
1
, , a
n
er linert uafhngigt. 2
Stning 7.1.7 Lad b
1
, , b
n
vre et ortogonalst i et indre produkt vektorrum V, og
lad a
n+1
V vre yderligere en vektor i V. Sttes
b
n+1
=a
n+1
a
n+1
b
1
b
1
b
1
b
1

a
n+1
b
n
b
n
b
n
b
n
,
er b
n+1
= o netop hvis sttet b
1
, , b
n
, a
n+1
er linert uafhngigt; endvidere er b
n+1
ortogonal p b
1
, . . . , b
n
. Under alle omstndigheder er
span {b
1
, , b
n
, a
n+1
} =span {b
1
, , b
n
, b
n+1
}.
145
a
1
a
2
a
aa
1
a
1
a
1
a
1
aa
2
a
2
a
2
a
2
1
og a
2
udgr et ortogonalst, s de er linert uafhngige, og
stning 7.1.6 viser hvordan en vektor a span{a
1
, a
2
} kan skrives som en
linearkombination af a
1
og a
2
.
Bevis. Hvis b
n+1
= o har vi klart, at a
n+1
{b
1
, , b
n
}, og dermed er b
1
, , b
n
, a
n+1
linert afhngigt. Hvis omvendt b
1
, , b
n
, a
n+1
er linert afhngigt, er b
n+1
= o iflge
Stning 7.1.6. Ved skalar multiplikation af b
n+1
med b
j
, 1 j n, fs
b
n+1
b
j
=a
n+1
b
j
a
n+1
b
j
b
j
b
j
b
j
b
j
=0.
Det er klart, at span {b
1
, , b
n
, a
n+1
} = span {b
1
, , b
n
, b
n+1
}. Hermed er stningen
vist. 2
Hvis a
1
, , a
n
er et st af linert uafhngige vektorer i vektorrummet V, og vi st-
ter b
1
= a
1
, og dernst danner vektoren b
2
ud fra sttet b
1
, a
2
som i Stning 7.1.7,
og dernst danner vektoren b
3
ud fra sttet b
1
, b
2
, a
3
som i denne stning etc
, opstr
der herved et ortogonalst b
1
, , b
n
, med span {b
1
, , b
n
} = span {a
1
, , a
n
}. Sttet
b
1
, , b
n
siges at fremg af sttet a
1
, , a
n
ved Gram-Schmidt ortogonalisering. Hvis
vi ydermere normerer vektorerne b
1
, , b
n
taler vi om Gram-Schmidt ortonormalise-
ring. Metoden er opkaldt efter J.P. Gram (1850-1916), dansk forsikringsmatematiker og
E. Schmidt (1876-1959), tysk matematiker.
Vi opsummerer som opskrift:
146
Opskrift 7.1.8 (Gram-Schmidt ortogonalisering)
Lad a
1
, , a
n
i V vre linert uafhngige, og lad U =span{a
1
, , a
n
}
1. Lad b
1
=a
1
.
2. For k =1, . . . , n1 lad
b
k+1
=a
k+1
a
k+1
b
1
b
1
b
1
b
1

a
k+1
b
k
b
k
b
k
b
k
Da er (b
1
, . . . , b
n
) en ortogonalbasis for U
3. For i =1, . . . n lad b
i
= b
i
/|b
i
|.
Da er (b
1
, . . . , b
n
) en ortonormalbasis for U
Udtrykket
a
k+1
b
k
b
k
b
k
b
k
i Opskrift 7.1.8 ndres ikke, hvis b
k
erstattes af cb
k
hvor c =0.
Regneteknisk kan det derfor vre bekvemt at erstatte b
k
med cb
k
for passende c = 0.
Dette er illustreret i det nste eksempel.
Eksempel 7.1.9 I R
4
er der givet de tre vektorer
a
1
=
_
_
_
_
_
2
1
2
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
2
2
1
0
_
_
_
_
_
, a
3
=
_
_
_
_
_
1
2
1
0
_
_
_
_
_
.
Vi udfrer Gram-Schmidt ortogonalisering p dette st: Vi begynder med at stte b
1
=
a
1
. Dernst sttes
b
2
=a
2
a
2
b
1
b
1
b
1
b
1
=
_
_
_
_
_
2
2
1
0
_
_
_
_
_
8
10
_
_
_
_
_
2
1
2
1
_
_
_
_
_
=
1
5
_
_
_
_
_
2
6
3
4
_
_
_
_
_
.
For nemheds skyld omdenerer vi nu b
2
idet vi fjerner faktoren
1
5
, og vi stter alts
b
2
=
_
_
_
_
_
2
6
3
4
_
_
_
_
_
.
147
a
3
a
2
b
1
b
1
b
1
b
1
(A)
b
1
=a
1
a
2
b
2
=a
2
a
2
b
1
b
1
b
1
b
1
a
3
(B)
b
1
a
2
b
2
b
3
=a
3
a
3
b
1
b
1
b
1
b
1
a
3
b
2
b
2
b
2
b
2
a
3
b
1
b
1
b
1
b
1
+
a
3
b
2
b
2
b
2
b
2
Figur 7.3.: Gram-Schmidt ortogonalisering af vektorerne a
1
, a
2
, a
3
.(A) Konstruktion af
b
2
udfra b
1
og a
2
. (B) Konstruktion af b
3
udfra b
1
, b
2
og a
3
148
Herefter ndes b
3
:
b
3
=a
3
a
3
b
1
b
1
b
1
b
1
a
3
b
2
b
2
b
2
b
2
=
_
_
_
_
_
1
2
1
0
_
_
_
_
_
6
10
_
_
_
_
_
2
1
2
1
_
_
_
_
_
11
65
_
_
_
_
_
2
6
3
4
_
_
_
_
_
=
1
13
_
_
_
_
_
7
5
4
1
_
_
_
_
_
.
Vi omdenerer s b
3
, idet faktoren
1
13
fjernes, og vi stter alts
b
3
=
_
_
_
_
_
7
5
4
1
_
_
_
_
_
.
Hermed har vi fundet en ortogonalbasis for underrummet udspndt af (a
1
, a
2
, a
3
), nem-
lig
b
1
=
_
_
_
_
_
2
1
2
1
_
_
_
_
_
, b
2
=
_
_
_
_
_
2
6
3
4
_
_
_
_
_
, b
3
=
_
_
_
_
_
7
5
4
1
_
_
_
_
_
.
nsker vi at nde en ortonormalbasis normerer vi blot disse vektorer, og fr
1
10
_
_
_
_
_
2
1
2
1
_
_
_
_
_
,
1
65
_
_
_
_
_
2
6
3
4
_
_
_
_
_
,
1
91
_
_
_
_
_
7
5
4
1
_
_
_
_
_
.
Vi kan nu vise flgende vigtige stning

Stning 7.1.10 Ethvert endeligdimensionalt indre produkt vektorrum V har en or-
tonormalbasis.
Bevis. Lad (a
1
, , a
n
) vre en basis for V. Ved Gram-Schmidt ortonormalisering af
denne basis opstr en ortonormalbasis (b
1
, , b
n
) for V. 2
En af grundene til at vi er interesserede i ortonormalbaser er at det er let at nde
koordinaterne for en given vektor i en ortonormal basis. Hvis man skal nde koordina-
terne til en vektor i en generel basis i et n-dimensionalt rum krver det normalt, at
man lser et linert ligningssystem af n ligninger i n ubekendte. Hvis basen er orto-
normal er koordinaterne simpelthen skalarprodukter af vektoren med basisvektorerne,
som beskrevet i flgende stning.
149
Stning 7.1.11 Hvis A = (a
1
, a
2
. . . , a
n
) er en ortonormalbasis for vektorrummet V og
x V, da er koordinatvektoren for x i basen A givet ved
A
[x] =
_
_
_
x a
1
.
.
.
x a
n
_
_
_.
Bevis. Dette flger direkte af Stning 7.1.6 og denitionen af koordinatvektorer.
7.2. Ortogonale matricer
Denition 7.2.1 En nn-matrix S
=
kaldes ortogonal, hvis dens sjler udgr en ortonor-
malbasis i F
n
.
S
=
=
_
1
2

3
2
3
2
1
2
_
ses umiddelbart at vre en ortogonal matrix.
Stning 7.2.3 For en nn-matrix S
=
er flgende betingelser ensbetydende
(1) S
=
er ortogonal.
(2) S
=
S
=
=E
=
.
(3) S
=
er regulr, og S
=
1
=S
=
.
Bevis. Frst (1) (2): Da
(S
=
S
=
)[i, j] =S
=
[i, ] S
=
[, j] =S
=
[, i] S
=
[, j] =S
=
[, i] S
=
[, j],
udgr sjlerne i S
=
et ortonormalst hvis og kun hvis
(S
=
S
=
)[i, j] =
_
1 for i = j
0 for i = j
,
og det er ensbetydende med S
=
S
=
= E
=
. Dette viser (1) (2) idet et ortonormalst med
n vektorer i et vektorrum af dimension n ndvendigvis m vre en ortonormalbasis
(overvej!). Dernst (2) (3): Hvis S
=
S
=
= E
=
er S
=
regulr, og S
=
1
= S
=
iflge Stning
2.6.6. Hvis omvendt S
=
er regulr, og S
=
1
=S
=
er S
=
S
=
=S
=
1
S
=
=E
=
. 2
150
7.3. Ortogonalkomplement og ortogonalprojektion
Iflge Stning 7.2.3 er en reel matrix S
=
ortogonal netop hvis S
=
t
S
=
= E
=
. En kompleks
ortogonal matrix kaldes ogs en unitr matrix.
Eksempel 7.2.4 Idet matricen S
=
fra Eksempel 7.2.2 er ortogonal, nder vi umiddelbart
den inverse S
=
1
=S
=
til S
=
:
S
=
1
=
_
1
2
3
2
3
2
1
2
_
.
Lad V vre et indre produkt vektorrum.

Stning 7.2.5 Koordinattransformationsmatricen
A
T
A
for overgang fra en ortonor-
malbasis A = (a
1
, , a
n
) til en anden ortonormalbasis A
= (a
1
, , a
n
) er en ortogonal
matrix.
Bevis. Skriver vi matricen
A
T
A
=
_
_
_
s
11
s
1n
.
.
.
.
.
.
s
n1
s
nn
_
_
_ =
_
s
1
s
n
_
er
_
_
_
s
1j
.
.
.
s
nj
_
_
_
iflge Stning 5.1.1 koordinatsjlen for vektoren a
j
med hensyn til basen A
=(a
1
, , a
n
).
Men da (a
1
, , a
n
) og (a
1
, , a
n
) er ortonormalbaser fs s, at
s
j
s
j
= s
1j
s
1j
+ +s
nj
s
nj
=a
j
a
j
=1,
og
s
i
s
j
= s
1i
s
1j
+ +s
ni
s
nj
=a
i
a
j
=0
for i = j. Her har vi anvendt Stning 7.1.5 for at opn nstsidste lighedstegn. Dette
viser stningen. 2
Lad V vre et indre produkt vektorrum.
Denition 7.3.1 For en delmngde MV sttes
M
={x V | x y =0 for alle y M}.

151
Det ses umiddelbart, at M
er et underrum i V, og at M
=( span M)
.
Hvis U er et underrum kaldes underrummet U
for det ortogonale komplement til U.

Da den eneste vektor x, som opfylder, at x x =0, er nulvektoren x = o, har vi
UU
={o}.
Stning 7.3.2 Lad V vre et endeligdimensionalt indre produkt vektorrum og lad U
vre et underrum i V. Til a V ndes en entydigt bestemt vektor x U for hvilken
vektoren ax U
. Vektoren x kaldes ortogonalprojektionen af a p U. Hvis dimU = p >

0 og hvis (a
1
, . . . , a
p
) er en ortonormalbasis for underummet U er ortogonalprojektionen
x af a p U givet ved
x =(a a
1
)a
1
+. . . +(a a
p
)a
p
. (7.3.1)
Bevis. Hvis U ={o} (alts dimU =0) skal vi klart stte x = o for alle a V. Antag derfor
at dimU = p >0. Fra Stning 7.1.10 kan vi altid vlge en ortonormalbasis a
1
, . . . , a
p
for
U. Hvis x U opfylder, at ax U
, s glder der specielt, at (ax) a

j
= 0 for alle
j =1, . . . , p. D.v.s.
x a
j
=a a
j
for alle j =1, . . . , p. Vi konkluderer derfor fra Stning 7.1.6, at (7.3.1) er rigtig. Alts er
x deneret ved (7.3.1) den eneste vektor, der kan have den nskede egenskab.
Hvis vi p den anden side denerer x ved (7.3.1), ser vi umiddelbart, at for j =1, . . . , p
er (a x) a
j
= 0 for alle j = 1, . . . , p. Derfor er a x ortogonal p alle basisvektorerne
i U og dermed p alle vektorer i U, da disse kan skrives som linearkombinationer af
basisvektorerne. Vi konkluderer, at ax U
. 2
Hvis U er et underrum i et indre produkt vektorrum V af endelig dimension, s ser
man at afbildningen P
U
: V V, som til en vektor a V knytter ortogonalprojektionen
x af a p U er givet ved
x =P
U
(a) =(a a
1
)a
1
+. . . +(a a
p
)a
p
, a V,
idet a
1
, . . . , a
p
er en ortonormalbasis for underummet U. Af denne formel ser man let,
at P
U
er liner. At f. eks. L2 i Denition 4.2.1 er opfyldt, alts at
P
U
(a+b) =P
U
(a) +P
U
(b), a, b V
flger af regneregel S1 for skalarprodukter ved lidt vektorregning.
Dette krver en ortonormal basis for U. Hvis derimod U = {o} er P
U
lig med nulaf-
bildningen: P
U
(a) = o for alle a V.
Afbildningen P
U
kaldes projektionsafbildningen p U. Billedet og kernen for P
U
er
givet ved
ker (P
U
) =U
, P
U
(V) =U. (7.3.2)
Vi opskriver formlen for ortogonalprojektionen som en opskrift
152
Opskrift 7.3.3 (Find ortogonalprojektionen af a p U)
Lad U vre et underrum i et endeligdimensionalt indre produkt vektorrum V. Lad a
ligge i V . Antag at U =span{a
1
, . . . a
k
}.
1. Find en basis for U ved hjlp af udtyndingsalgoritmen.
2. Lav ved hjlp af Gram-Schmidt en ortonormalbasis (b
1
, . . . b
p
).
3. Da er ortogonalprojektionen P
U
(a) af a p U givet ved
P
U
(a) =(a b
1
)b
1
+. . . +(a b
p
)b
p
.
Eksempel 7.3.4 Vi nsker at bestemme projektionsafbildningen p underrummet U af
R
3
givet ved
U = span
_
_
_
_
_
0
1
1
_
_
,
_
_
1
2
0
_
_
_
_
_
.
For at kunne benytte Stning 7.3.2 skal vi frst nde en ortonormal basis for U. Det
gr vi ved Gram-Schmidts procedure. Vi fr en ortogonal basis
_
_
0
1
1
_
_
,
_
_
1
2
0
_
_
_
_
1
2
0
_
_
_
_
0
1
1
_
_
_
_
0
1
1
_
_
_
_
0
1
1
_
_
_
_
0
1
1
_
_
=
_
_
1
1
1
_
_
og dermed en ortonormal basis
1
2
_
_
0
1
1
_
_
,
1
3
_
_
1
1
1
_
_
.
Vi nder derfor at
P
U
_
_
a
1
a
2
a
3
_
_
=
1
2
_
_
_
_
a
1
a
2
a
3
_
_
_
_
0
1
1
_
_
_
_
_
_
0
1
1
_
_
+
1
3
_
_
_
_
a
1
a
2
a
3
_
_
_
_
1
1
1
_
_
_
_
_
_
1
1
1
_
_
=
_
_
_
_
_
_
_
1
3
1
3
1
3
1
3
5
6
1
6
1
3
1
6
5
6
_
_
_
_
_
_
_
_
_
a
1
a
2
a
3
_
_
,
153
x
a
b
1
b
2
(a b
1
)b
1
(a b
2
)b
2
Figur 7.4.: Ortogonalprojektion x af a p U =span{b

1
, b
2
} hvor (b
1
, b
2
) er en ortonormal-
basis. Bemrk, at x U og ax U
.
hvoraf vi ogs kan ase matricen for P
U
med hensyn til standard basis i R
3
.
Stning 7.3.5 Hvis V er et endeligdimensionalt indre produkt vektorrum og M V
opfylder, at M
={o}, da er span M=V.

Bevis. Lad U = span M. Da er U
= M
={o}. For a V glder iflge Stning 7.3.2 at

aP
U
(a) U
={o}
alts a =P
U
(a). Der glder altid P
U
(a) U, og vi har dermed vist, at enhver vektor i V
tilhrer U, alts U =V. 2
7.4. Diagonalisering af reelle symmetriske matricer
Vi vil i dette afsnit for frste gang i noterne udelukkende beskftige os med reelle ma-
tricer, og vi vil betragte de tilhrende linere afbildninger fra reelle vektorrum R
n
til
sig selv.
Lad A
=
vre en mn-matrix, og lad f : R
n
R
m
vre den tilhrende linere afbild-
ning. Vi har i afsnit 1.6 set, at hvis f
= f
t
: R
m
R
n
er den linere afbildning, der
hrer til den transponerede matrix A
=
t
, da glder
f (x) y = x f
t
(y)
154
for alle x R
n
, y R
m
. Er nu A
=
en symmetrisk nn-matrix, glder A
=
t
= A
=
, og dermed
glder for den linere afbildning f : R
n
R
n
, at
f (x) y = x f (y)
for alle x, y R
n
.
Lad V vre et Euklidisk vektorrum, dvs et vektorrum over R med et skalarprodukt.
Denition 7.4.1 En liner afbildning f : V V kaldes symmetrisk hvis
f (x) y = x f (y)
for alle x, y V.
Stning 7.4.2 En symmetrisk liner afbildning f : V V reprsenteres i en ortonor-
malbasis af en symmetrisk matrix.
Bevis. Lad (a
1
, , a
n
) vre den givne ortonormalbasis, og lad A
=
=(a
i j
)
n,n
vre matri-
cen der reprsenterer f i denne basis. Der glder s:
a
i j
= f (a
j
) a
i
=a
j
f (a
i
) = f (a
i
) a
j
=a
ji
.
Her har vi anvendt Stning 5.1.1, og at f er symmetrisk. 2
Stning 7.4.3 Hvis x og y er egenvektorer for den symmetriske linere afbildning f :
V V hrende til forskellige egenvrdier, er x og y ortogonale.
Bevis. Der glder, at f (x) = x og f (y) = y, hvor = . Men s er x y = (x) y =
f (x) y = x f (y) = x (y) = x y. Heraf ses, at ()x y = 0, og dermed er x y = 0, da
=. 2
Reelle symmetriske matricer har en afgrende egenskab, givet i den flgende st-
ning. Beviset anfres i appendiks, idet det benytter et resultat fra analysen.
Stning 7.4.4 Det karakteristiske polynomium for en symmetrisk matrix har (mindst)
n reel rod.
Af Stning 7.4.4 fs, at hvis f : V V er en symmetrisk liner afbildning, da har
f en egenvrdi (medmindre V ={o}). I en ortonormalbasis reprsenteres f nemlig ved
en symmetrisk matrix A
=
, og da P
f
=P
A
=
, har P
f
en rod, som s er egenvrdi for f iflge
Stning 6.1.8.
Stning 7.4.5 Lad V vre et Euklidisk vektorrum og lad f : V V vre en symmetrisk
liner afbildning. Da er f diagonaliserbar. En diagonaliserende ortonormalbasis fs ved
at vlge en ortonormalbasis for hvert egenrum og sammenstille disse baser.
155
Bevis. Lad M vre mngden af samtlige egenvektorer for f og st U = M
. Vi pstr,
at underrummet U er invariant ved f , hvilket vil sige at y U medfrer f (y) U. Lad
x M. Da er x egenvektor, alts f (x) =x for et tal . Dermed glder for y U
f (y) x = y f (x) = y x =(y x) =0.
Alts er f (y) x for alle x M, dvs. f (y) M
= U. Dette viser pstanden. Lad nu

g : U U betegne restriktionen af f til U. Da ses fra Denition 7.4.1 at g ogs er sym-
metrisk. Iflge bemrkningerne efter Stning 7.4.4 har g en egenvektor, medmindre
U = {o}. Men en egenvektor for g er ogs egenvektor for f og vil derfor tilhre M. Da
MU = er dette udelukket. Alts m U = {o}. Alts udspnder M hele V (Stning
7.3.5). Heraf sluttes, at vi kan nde en basis bestende af egenvektorer, og dermed er f
diagonaliserbar.
At fremgangsmden anfrt til sidst i stningen frer til en diagonaliserende ortonor-
malbasis, flger af stningerne 6.3.1 og 7.4.3. 2
Af den netop viste stning fs s flgende stning om symmetriske matricer:
Stning 7.4.6 En reel symmetrisk nn-matrix A
=
er reelt diagonaliserbar, og der ndes
en ortogonal reel nn-matrix S
=
s
D
=
=S
=
A
=
S
=
1
Bevis. Lad f : R
n
R
n
vre den linere afbildning der hrer til A
=
. Der ndes da en
ortonormalbasis (a
1
, , a
n
) for F
n
bestende af egenvektorer for f (Stning 7.4.5). Ko-
ordinattransformationsmatricen S
=
for overgang fra naturlig basis til basen (a
1
, , a
n
)
er da en ortogonal matrix (Stning 7.2.5), og der glder, at D
=
= S
=
A
=
S
=
1
, hvor D
=
er
matricen, der reprsenterer f i basen (a
1
, , a
n
) (Stning 5.3.1). Men D
=
er en diago-
nalmatrix, da vektorerne a
1
, , a
n
er egenvektorer for f . Dette viser stningen. 2
Bemrkning. Omvendt til Stning 7.4.6 glder: Hvis en nn-matrix A
=
er diagonali-
serbar m.h.t. en reel ortogonal matrix S
=
, s er A
=
symmetrisk.
Af D
=
=S
=
A
=
S
=
1
fs A
=
=S
=
1
D
=
S
=
, og heraf ses at
A
=
t
=S
=
t
D
=
t
(S
=
1
)
t
=S
=
1
D
=
S
=
= A
=
,
hvoraf symmetrien af A
=
fremgr.
156
Eksempel 7.4.7 Der er givet den symmetriske matrix
A
=
=
_
_
8 2 4
2 11 2
4 2 8
_
_
.
Vi vil nde en basis for R
3
bestende af egenvektorer for A
=
, og en ortogonal matrix S
=
s D
=
=S
=
A
=
S
=
1
Vi opskriver frst det karakteristiske polynomium:
P
A
=
() =det(A
=
E
=
) =
8 2 4
2 11 2
4 2 8
12 0 12
2 11 2
4 2 8
=(12)
1 0 1
2 11 2
4 2 8
=(12)
1 0 0
2 11 4
4 2 4
=(12)
11 4
2 4
=(12)(
2
15+36) =(12)
2
(3).
Det karakteristiske polynomium har alts rdderne =3 og =12 (dobbeltrod).
Vi nder dernst de tilhrende egenrum.
For =3 fs:
A
=
E
=
=
_
_
5 2 4
2 8 2
4 2 5
_
_
,
der ved hjlp af rkkeoperationer omdannes til matricen
_
_
1 4 1
0 2 1
0 0 0
_
_
.
Vi opskriver s ligningssystemet hrende hertil:
x
1
4x
2
x
3
= 0
2x
2
+x
3
= 0.
Dette lses, og vi nder
_
_
x
1
x
2
x
3
_
_
=
_
_
2t
t
2t
_
_
= t
_
_
2
1
2
_
_
, t R.
Vektoren
a
1
=
_
_
2
1
2
_
_
157
er alts en basis for egenrummet V
3
hrende til egenvrdien =3.
For =12 fs:
A
=
E
=
=
_
_
4 2 4
2 1 2
4 2 4
_
_
,
der ved hjlp af rkkeoperationer omdannes til matricen
_
_
2 1 2
0 0 0
0 0 0
_
_
.
Vi opskriver s ligningssystemet hrende hertil:
2x
1
+x
2
2x
3
=0.
Dette lses, og vi nder
_
_
x
1
x
2
x
3
_
_
=
_
_
s +t
2s
t
_
_
= s
_
_
1
2
0
_
_
+t
_
_
1
0
1
_
_
, s, t R.
Vektorerne
a
2
=
_
_
1
0
1
_
_
, a
3
=
_
_
1
2
0
_
_
er alts en basis for egenrummet V
12
hrende til egenvrdien =12.
Vi har nu fundet en basis (a
1
, a
2
, a
3
) for R
3
=
. Vi skal
s nde en ortonormalbasis bestende af egenvektorer for A
=
. Vi bemrker, at vektoren
a
1
er ortogonal p vektorerne a
2
, a
3
i overensstemmelse med Stning 7.4.3. Ved hjlp
af Gram-Schmidt omdanner vi s sttet a
2
, a
3
til en ortonormalbasis for V
12
: Vi stter
b
2
=a
2
, og
b
3
=a
3
a
3
b
2
b
2
b
2
b
2
=
_
_
1
2
0
_
_
1
2
_
_
1
0
1
_
_
=
1
2
_
_
1
4
1
_
_
.
Vi omdenerer s b
3
til
b
3
=
_
_
1
4
1
_
_
,
og stter b
1
=a
1
. Hermed har vi opnet et ortogonalst
b
1
=
_
_
2
1
2
_
_
, b
2
=
_
_
1
0
1
_
_
, b
3
=
_
_
1
4
1
_
_
158
7.5. Kvadratiske former
=
. Den sgte ortonormalbasis fs nu ved normering af
dette st:
_
_
2
3
1
3
2
3
_
_
,
_
_
_
1
2
0
1
2
_
_
_ ,
_
_
_
_
1
3
2
4
3
2
1
3
2
_
_
_
_
.
Om koordinattransformationsmatricen S
=
for overgang fra naturlig basis til denne nye
ortonormalbasis glder:
S
=
1
=
_
_
_
_
2
3
1
2

1
3
1
3
0
4
3
2
2
3
1
2
1
3
2
_
_
_
_
,
og dermed er
S
=
=(S
=
1
)
1
=(S
=
1
)
t
=
_
_
_
_
2
3
1
2

1
3
1
3
0
4
3
2
2
3
1
2
1
3
2
_
_
_
_
t
=
_
_
_
2
3

1
3
2
3
1
2
0
1
1
3
2
4
3
2
1
3
2
_
_
_.
Der glder s, at
D
=
=S
=
A
=
S
=
1
,
hvor
D
=
=
_
_
3 0 0
0 12 0
0 0 12
_
_
.

Lad B
=
=(b
i j
)
n,n
vre en reel symmetrisk nn-matrix. For x = X
=
R
n
sttes
K
B
=
(x) = X
=
t
B
=
X
=
.
Funktionen K
B
=
: R
n
R kaldes den til B
=
hrende kvadratiske form.
For n =2 er
B
=
=
_
b
11
b
12
b
12
b
22
_
,
159
og
K
B
=
(x
1
, x
2
) =(x
1
x
2
)
_
b
11
b
12
b
12
b
22
__
x
1
x
2
_
= b
11
x
2
1
+b
22
x
2
2
+2b
12
x
1
x
2
.
For n =3 er
B
=
=
_
_
b
11
b
12
b
13
b
12
b
22
b
23
b
13
b
23
b
33
_
_
,
og
K
B
=
(x
1
, x
2
, x
3
) =(x
1
x
2
x
3
)
_
_
b
11
b
12
b
13
b
12
b
22
b
23
b
13
b
23
b
33
_
_
_
_
x
1
x
2
x
3
_
_
= b
11
x
2
1
+b
22
x
2
2
+b
33
x
2
3
+2b
12
x
1
x
2
+2b
13
x
1
x
3
+2b
23
x
2
x
3
.
Generelt glder
K
B
=
(x) =
n
i=1
b
ii
x
2
i
+2
i<j
b
i j
x
i
x
j
.
Eksempel 7.5.1 a. Funktionen K : R
2
R givet ved
K(x
1
, x
2
) =2x
2
1
4x
1
x
2
+x
2
2
er en kvadratisk form; thi sttes
B
=
=
_
2 2
2 1
_
er K =K
B
=
.
b. Funktionen K : R
3
R givet ved
K(x
1
, x
2
, x
3
) =3x
2
1
+x
2
2
x
2
3
x
1
x
3
+2x
2
x
3
er en kvadratisk form; thi sttes
B
=
=
_
_
3 0
1
2
0 1 1
1
2
1 1
_
_
er K =K
B
=
.
Denition 7.5.2 Lad K
B
=
vre den kvadratiske form hrende til den symmetriske ma-
trix B
=
. Vi siger, at
160
(1) K
B
=
er positivt denit, hvis K
B
=
(x) >0 for alle x = o.
(2) K
B
=
er positivt semidenit, hvis K
B
=
(x) 0 for alle x.
(3) K
B
=
er negativt denit, hvis K
B
=
(x) <0 for alle x = o.
(4) K
B
=
er negativt semidenit, hvis K
B
=
(x) 0 for alle x.
Hvis ingen af disse betingelser er opfyldt siges K
B
=
at vre indenit.
Hvis en kvadratisk form K
B
=
er positivt denit er den ogs positivt semidenit. At K
B
=
er indenit betyder, at der ndes en vektor x, s K
B
=
(x) >0 og en vektor y, s K
B
=
(y) <0.
Hvis K
B
=
er negativt denit er K
B
=
positivt denit.
Hvis K
B
=
er positivt denit siges matricen B
=
at vre positivt denit etc.
Vi er interesserede i at kunne afgre om en given kvadratisk form er positivt (se-
mi)denit, negativt (semi)denit eller indenit.
Frst ser vi p tilfldet, hvor B
=
er en diagonalmatrix, alts
B
=
=
_
_
_
1
.
.
.
n
_
_
_;
da er
K
B
=
(x) =
1
x
2
1
+ +
n
x
2
n
.
Heraf fremgr klart, at K
B
=
er positivt denit netop hvis
j
>0 for alle 1 j n, positivt
semidenit netop hvis
j
0 for alle 1 j n, negativt denit netop hvis
j
<0 for alle
1 j n, negativt semidenit netop hvis
j
0 for alle 1 j n og indenit netop hvis
der ndes et j, s
j
>0 og et k (= j) s
k
<0.
Antag s, at B
=
er en vilkrlig symmetrisk nn-matrix. Der ndes da en ortogonal
matrix S
=
, s matricen D
=
=S
=
B
=
S
=
1
er en diagonalmatrix:
D
=
=
_
_
_
1
.
.
.
n
_
_
_;
her er
1
, ,
n
egenvrdierne for B
=
.
For en vektor x = X
=
skriver vi x
= X
=
=S
=
X
=
(jvf. Stning 5.1.1). Idet X
=
=S
=
1
X
=
glder
s:
K
B
=
(x) = X
=
t
B
=
X
=
=(S
=
1
X
=
)
t
B
=
S
=
1
X
=
= X
=
t
(S
=
1
)
t
B
=
S
=
1
X
=
= X
=
t
S
=
B
=
S
=
1
X
=
= X
=
t
D
=
X
=
=K
D
=
(x
).
161
Heraf fs
Stning 7.5.3 Den kvadratiske form K
B
=
hrende til en symmetrisk matrix B
=
er positivt
denit (hhv. positivt semidenit, hhv. negativt denit, hhv. negativt semidenit) netop
hvis samtlige egenvrdier for B
=
er positive (hhv. positive eller nul, hhv. negative, hhv.
negative eller nul), og den er indenit netop hvis der ndes bde positive og negative
egenvrdier.
Eksempel 7.5.4 En kvadratisk form K : R
3
R er givet ved
K(x
1
, x
2
, x
3
) =8x
2
1
+11x
2
2
+8x
2
3
4x
1
x
2
+8x
1
x
3
+4x
2
x
3
.
Den tilhrende symmetriske matrix er
B
=
=
_
_
8 2 4
2 11 2
4 2 8
_
_
.
Denne matrix blev i Eksempel 7.4.7 vist at have egenvrdierne 3 og 12, alts er den
kvadratiske form K positivt denit.
Hvis B
=
er en symmetrisk matrix, og S
=
er en ortogonal matrix, s D
=
= S
=
B
=
S
=
1
er en
diagonalmatrix, da er det D
=
= detB
=
. Hvis derfor B
=
er positivt denit, er detB
=
> 0, idet
jo s alle diagonalelementerne i D
=
er positive, og determinanten for D
=
er produktet af
egenvrdierne.
Lad B
=
=(b
i j
)
n,n
vre en symmetrisk matrix. Ved den ite ledende undermatrix forsts
den i i-matrix B
=
i
der fremgr ved sletning af de sidste ni rkker og sjler. Alts er
B
=
1
= b
11
B
=
2
=
_
b
11
b
12
b
21
b
22
_
,
.
.
.
B
=
i
=
_
_
_
b
11
b
1i
.
.
.
.
.
.
b
i1
b
ii
_
_
_.
Specielt er B
=
n
=B
=
.
Det er klart, at K
B
=
i
(x
1
, , x
i
) =K
B
=
(x
1
, , x
i
, 0, , 0). Hvis derfor B
=
er positivt denit
er B
=
i
positivt denit, og dermed er ogs den ledende underdeterminant detB
=
i
>0 for alle
1 i n. Dette viser den ene halvdel af flgende stning. Den anden del af stningen
beviser vi ikke her.
162
7.6. Diagonalisering af normale matricer
Stning 7.5.5 En symmetrisk matrix er positivt denit netop hvis alle dens ledende
underdeterminanter er positive.
Eksempel 7.5.6 Vi betragter igen matricen
B
=
=
_
_
8 2 4
2 11 2
4 2 8
_
_
fra Eksempel 7.5.4. De ledende underdeterminanter beregnes til detB
=
1
=8, detB
=
2
=84,
detB
=
3
=detB
=
=432. Idet disse alle er positive, fs igen at B
=
er positivt denit.
7.6. Diagonalisering af normale matricer
Vi har i afsnit 7.4 set at en reel symmetrisk matrix altid kan diagonaliseres ved hjlp
af en reel ortogonal matrix. Som afslutning skal vi, kortfattet og uden bevis, se p bde
reelle og komplekse matricer, og vi giver et kriterium for hvornr de kan ortogonalt
diagonaliseres.
Lad B
=
vre en reel eller kompleks nn-matrix.
Vi siger at en sdan kvadratisk matrix B
=
er normal hvis B
=
B
=
=B
=
B
=
, dvs hvis B
=
kom-
muterer med sin adjungerede. Vi siger at en matrix er ortogonalt diagonaliserbar hvis
der ndes en diagonaliserende matrix S
=
( dvs S
=
A
=
S
=
1
er diagonal) hvor S
=
er ortogonal.
Der glder da flgende stning
Stning 7.6.1 En kvadratisk matrix B
=
er ortogonalt diagonaliserbar hvis og kun
hvis den er normal.
Der er selvflgelig ogs en mere abstrakt version: Enhver liner endomor, f , p et
indre produktrum har en adjungeret endomo, f
karakteriseret ved
f (x) y = x f
(y), for alle x, y V.

En endomor faldes normal hvis den kommuterer med sin adjungerede endomor. Der
glder s
Stning 7.6.2 Lad V vre et endeligdimensionalt indre produkt vektorrum. Der n-
des en ortonormal basis af egenvektorer for endomoren f hvis og kun hvis f er nor-
mal.
163
A. Appendiks
A.1. Mngder
De grundlggende begreber fra mngdelren forudsttes bekendt. Her indskrnker
vi os til at minde om flgende standardbetegnelser:
N betegner de naturlige tal, dvs. tallene 1, 2, 3, .
N
0
betegner de naturlige tal med tilfjelse af 0, dvs. tallene 0, 1, 2, 3, .
Z betegner de hele tal, dvs. tallene , 3, 2, 1, 0, 1, 2, 3, .
Q betegner de rationale tal, dvs. mngden af alle brker
p
q
, hvor p og q er hele tal,
q =0.
R betegner de reelle tal. Disse tal svarer til mngden af punkter p en tallinie.
C betegner de komplekse tal. Disse tal svarer til mngden af udtryk p formen x+i y
hvor x og y er reelle tal.
A.2. Afbildninger
Ved en afbildning af en mngde af X ind i en mngde Y, eller en funktion fra X til
Y, forsts en forskrift, hvorved der til hvert element x X knyttes et bestemt element
y Y.
En afbildning betegnes i reglen ved et enkelt bogstav. At f er en afbildning af X ind i
Y skrives
f : X Y.
Mngden X kaldes afbildningens denitionsmngde og mngden Y kaldes dens dis-
positionsmngde. Det til et element x X svarende element af Y betegnes f (x). Det
kaldes billedet af x ved f eller den til x hrende funktionsvrdi. At f (x) svarer til x
skrives hyppigt
x f (x).
165
Appendiks
For en vilkrlig delmngde A af X udgr billederne af alle x A en delmngde af Y,
der kaldes billedet af A ved f og betegnes f (A), alts
f (A) ={ f (x) | x A}.
Bemrk, at medens f (x) for x X er et element i Y, er f (A) for A X en delmngde af
Y. Billedet f (X) kaldes billedmngden eller vrdimngden for f .
En afbildning f : X Y kaldes surjektiv eller en afbildning af X p Y, hvis f (X) =
Y. Den kaldes injektiv, hvis der for vilkrlige indbyrdes forskellige x
1
, x
2
X glder
f (x
1
) = f (x
2
). Sagt anderledes er f injektiv, hvis f (x
1
) = f (x
2
) x
1
= x
2
. Afbildningen
kaldes bijektiv, hvis den bde er surjektiv og injektiv, alts hvis ethvert y Y er billede
af et og kun et x X.
Er der givet en afbildning f : X Y kan vi for givet y Y betragte ligningen y = f (x).
Der glder da:
a. Ligningen har mindst en lsning for hvert valg af y netop hvis f er surjektiv.
b. Ligningen har hjst en lsning for hvert valg af y netop hvis f er injektiv.
c. Ligningen har netop en lsning for hvert valg af y netop hvis f er bijektiv.
Til en bijektiv afbildning f : X Y hrer en omvendt afbildning f
1
: Y X. Denne
er deneret ved, at billedet af y Y ved f
1
er det (entydigt bestemte) element x X for
hvilket y = f (x). Sagt anderledes er f
1
(y) den entydigt bestemte lsning x til ligningen
y = f (x). Den omvendte afbildning til den bijektive afbildning f kaldes ogs for den
inverse afbildning til f . Det er klart, at hvis f : X Y er en bijektiv afbildning, da er
den omvendte afbildning f
1
: Y X ogs bijektiv, og ( f
1
)
1
= f .
Lad X, Y, Z vre mngder og lad f : X Y og g : Y Z vre afbildninger. Den
sammensatte afbildning g f : X Z deneres da som den afbildning, der til hvert
element x X lader svare elementet g( f (x)) i Z, alts
g f (x) = g( f (x)).
For sammenstning af afbildninger glder den associative regel: Hvis X, Y, Z, W er
mngder og f : X Y, g : Y Z, h : Z W er afbildninger, er
h(g f ) =(h g) f .
Der glder nemlig, at h(g f ) og (h g) f begge er afbildninger af X ind i W, og p
ethvert element x X har begge disse afbildninger vrdien h(g( f (x))). Man kan derfor
udelade parenteserne og simpelthen skrive h g f .
Lad f : X Y og g : Y Z vre afbildninger. Da glder: Hvis f og g begge er
surjektive, er g f surjektiv. Hvis f og g begge er injektive, da er g f injektiv. Hvis f
og g begge er bijektive, da er g f bijektiv, og da er (g f )
1
= f
1
g
1
.
166
Appendiks
En speciel afbildning af en mngde X ind i sig selv er den identiske afbildning id
X
:
X X, der lader ethvert element x X svare til sig selv: id
X
: x x. For enhver bijektiv
afbildning f : X Y glder f
1
f =id
X
og f f
1
=id
Y
.
Hvis X og Y er mngder og f : X Y og g : Y X er afbildninger, s g f = id
X
og f g = id
Y
, da glder at f er bijektiv, og f
1
= g. For at indse det bemrker vi,
at g( f (x)) = x for alle x X og f (g(y)) = y for alle y Y. Heraf ses umiddelbart, at
f er henholdsvis injektiv og surjektiv, alts bijektiv; og da f (g(y)) = y slutter vi, at
f
1
(y) = g(y) for alle y Y, alts f
1
= g.
Eksempel. Afbildningen
Cpr : X Y,
hvor X er mngden af danske statsborgere (og udlndinge p lngerevarende ophold i
Danmark) og Y er mngden af 10-cifrede naturlige tal, har stor praktisk betydning. Det
er vigtigt, at denne afbildning er injektiv, alts at forskellige personer har forskellige
Cpr-numre. Derimod er afbildningen ikke surjektiv. For det frste kan ikke alle 4-cifrede
naturlige tal forekomme som de 4 frste cifre i et Cpr-nummer men kun 366 af i alt
10000 muligheder. Men derudover har man for ethvert Cpr-nummer af formen
c
9
c
8
c
7
c
6
c
5
c
4
c
3
c
2
c
1
c
0
= c
0
+c
1
10+c
2
10
2
+ +c
9
10
9
, 0 c
j
<10,
forlangt, at tallet
4c
9
+3c
8
+2c
7
+7c
6
+6c
5
+5c
4
+4c
3
+3c
2
+2c
1
+c
0
er deleligt med 11. Dette har den gode virkning, at ombytning af to nabocifre i et lovligt
Cpr-nummer gr det til et ulovligt Cpr-nummer. Prv at teste dit eget Cpr-nummer for
denne betingelse!
A.3. Komplekse tal
De komplekse tal C bestr af talpar (a, b) R
2
. Vi skriver normalt et komplekst tal p
formen a+ib, hvor vi kalder i den imaginre enhed. Vi bruger ofte et enkelt bogstav
til at benvne et komplekst tal f.eks z = a + ib. Vi skriver normalt a istedet for det
komplekse tal a + i0 og ib istedet for det komplekse tal 0 + ib. Vi vil gerne denere
addition og multiplikation af komplekse tal p en mde s i
2
= 1. Motiveret af dette
denerer vi
(a+ib) +(c +id) =(a+c) +i(b+d)
(a+ib)(c +id) =(ac bd) +i(ad+bc)),
167
Appendiks
hvor vi i sidste linie blot har ganget tallene sammen som om de var reelle tal, og
dernst brugt i
2
=1. Med disse denitioner glder mange af de samme regler som for
de reelle tal:
For vilkrlige z
1
, z
2
, z
3
C glder
z
1
+z
2
= z
2
+z
1
(z
1
+z
2
) +z
3
= z
1
+(z
2
+z
3
)
0+z
1
= z
1
z
1
z
2
= z
2
z
1
(z
1
z
2
)z
3
= z
1
(z
2
z
3
)
1z
1
= z
1
Bemrk ogs at hvis z =a+ib =0, kan vi lade
z
1
=a/(a
2
+b
2
) ib/(a
2
+b
2
)
z =a+i(b).
Der glder s zz
1
=1 og z +(z) =0.
Hvis z =a+ib C denerer vi den komplekst konjugerede
z =aib
og absolut vrdien
|z| =
_
a
2
+b
2
af z. Der glder da flgende:
z
1
+z
2
= z
1
+z
1
z
1
z
2
= z
1
z
2
|z|
2
= zz
z
1
= z/|z|
2
, nr z =0.
Et meget vigtigt resultat om C er flgende:
Stning A.3.1 (Algebraens fundamentalstning) Lad
f (x) =a
n
x
n
+a
n1
x
n1
+ +a
1
x+a
0
vre et polynomium, hvor a
0
, a
1
, ..., a
n
C er komplekse tal. Hvis polynomiet ikke er kon-
stant (alts p formen f (x) = a for et a C), har f (x) en kompleks rod, dvs et komplekst
tal z
0
s f (z
0
) =0.
168
Appendiks
Ved en del arbejde (polynomiumsdivision med rest) flger det fra Algebraens funda-
mentalstning at ethvert komplekst polynomium af grad n har n komplekse rdder
z
1
, . . . , z
n
(ikke ndvendigvis forskellige) og kan skrives p formen
f (x) = c(xz
1
)(xz
2
) (xz
n
)
hvor c C. Opskrivningen er entydig pnr ombytning af faktorerne.
Bevis for Stning 7.4.4.
I beviset benyttes Lagranges multiplikatorstning. Vi minder frst om hvad den si-
ger, idet vi henholder os til den uprcise formulering givet i K. Sydster, Matematisk
Analyse I, afsnit 9.9.
Der er givet en funktion f : R
n
R. Der er endvidere givet et antal m< n, bibetingel-
ser af formen g
j
(x) = b
j
, hvor g
j
: R
n
R og b
j
R for j = 1, , m. Om funktionerne f
og g
j
skal gres nogle antagelser, som vi ikke kommer nrmere ind p (se K. Sydster,
Matematisk Analyse II, Afsnit 8.4; i nedenstende anvendelse er det let at konstatere,
at disse betingelser faktisk er opfyldt). Problemet bestr i at nde (lokalt) ekstremum
for f blandt de punkter x R
n
, som opfylder bibetingelserne.
Til dette problem er knyttet den skaldte Lagrangefunktion L. For hver bibetingelse
indfres en hjlpevariabel
j
, som kaldes en Lagrangemultiplikator. Funktionen L er
givet ved
L(x
1
, , x
n
,
1
, ,
m
) = f (x
1
, , x
n
)
m
j=1
j
(g
j
(x
1
, , x
n
) b
j
).
Lagranges stning siger, at hvis x =(x
1
, , x
n
) er en lsning til det ovennvnte pro-
blem, da ndes
1
, ,
m
sledes, at (x
1
, , x
n
,
1
, ,
m
) er et stationrt punkt for L,
hvilket vil sige L/x
i
=0 for i =1, , n og L/
j
=0 for j =1, , m (de sidstnvnte
ligninger betyder blot at x opfylder bibetingelserne).
Vi vil anvende denne stning til at bevise Stning 7.4.4. Lad A
=
vre en symmetrisk
matrix, og lad K
A
=
: R
n
R vre den til A
=
hrende kvadratiske form (se afsnit 7.5), alts
K
A
=
(x
1
, , x
n
) =
n
i=1
n
k=1
a
ik
x
i
x
k
.
Mngden S = {x R
n
| |x| = 1} er afsluttet (fordi x |x| er kontinuert) og begrnset
(fordi |x| 1 for alle x S). Idet K
A
=
er kontinuert, antager den et ekstremum p S
(den antager naturligvis bde minimum og maksimum). Iflge Lagranges stning, med
f = K
A
=
, m = 1 og g
1
(x) = |x|
2
= x x, b
1
= 1 eksisterer der derfor et stationrt punkt
(x, ) SR for funktionen
L(x, ) =K
A
=
(x) (x x1).
169
Appendiks
De partielle aedede af L beregnes som flger. Lad os bestemme L/x
1
. Idet
K
A
=
(x
1
, , x
n
) =a
11
x
2
1
+
n
i=2
a
i1
x
i
x
1
+
n
k=2
a
1k
x
1
x
k
+
n
i=2
n
k=2
a
ik
x
i
x
k
,
ses (under anvendelse af symmetrien af A
=
), at
K
A
=
x
1
=2a
11
x
1
+
n
i=2
a
i1
x
i
+
n
k=2
a
1k
x
k
=2
n
k=1
a
1k
x
k
,
hvilket netop er frstekoordinaten af 2A
=
x. Idet (x x)/x
1
=2x
1
flger det, at L/x
1
er
frstekoordinaten af 2(A
=
x x). Tilsvarende fs, at L/x
i
er i-koordinaten af 2(A
=
x
x). At punktet (x, ) SR er stationrt for L betyder alts at A
=
x x = o, dvs. at x
er egenvektor for A
=
med egenvrdien . Dermed flger eksistensen af en egenvektor og
en egenvrdi for A
=
af Lagranges stning. Da egenvrdien er rod i det karakteristiske
polynomium, har dette dermed en rod. 2
170
B. Det grske alfabet
A, : alfa B, : beta , : gamma , : delta
E,, : epsilon Z, : zeta H, : eta , , : theta
I, : iota K, : kappa , : lambda M, : my
N, : ny , : ksi , , : pi R, , : ro
, , : sigma T, : tau , : ypsilon , , :
X, : ki , : psi , : omega
171
B. Hjemmeopgaver
1. Afgr hvilke af flgende afbildninger der er linere, og angiv i givet fald den tilh-
rende matrix.
a.
f
_
x
y
_
=
_
_
x+1
y
x+ y
_
_
.
b.
f
_
_
x
y
z
_
_
=
_
_
x+ y
y
xz
_
_
.
c.
f
_
x
y
_
=
_
x
2
+x
y y
2
_
.
2. Om den linere afbildning f : R
2
R
4
vides at
f
_
1
3
_
=
_
_
_
_
_
2
3
14
1
_
_
_
_
_
, f
_
1
3
_
=
_
_
_
_
_
4
3
10
5
_
_
_
_
_
.
Bestem matricen for f .
3. Der er givet matricerne
A
=
=
_
_
1 a c
0 1 b
0 0 1
_
_
, B
=
=
_
_
1 d f
0 1 e
0 0 1
_
_
,
C
=
=
_
_
1 0 0
r 1 0
t s 1
_
_
, D
=
=
_
_
1 0 0
u 1 0
w v 1
_
_
.
Beregn matrixprodukterne A
=
B
=
, B
=
A
=
, C
=
D
=
, D
=
C
=
, A
=
C
=
.
173
Hjemmeopgaver
4. En fabrik producerer tre varer X
1
, X
2
og X
3
ud fra de to rvarer Y
1
og Y
2
. De tilh-
rende produktionsst hhv. forbrugsst betegnes (x
1
, x
2
, x
3
) hhv. (y
1
, y
2
).
Om den pgldende produktion glder, at
1
krver
_
2 enheder af Y
1
5 enheder af Y
2
og
2
krver
_
3 enheder af Y
1
6 enheder af Y
2
og
3
krver
_
4 enheder af Y
1
7 enheder af Y
2
.
a. Opskriv sammenhngen mellem forbrugsst og produktionsst.
b. Idet f : R
3
R
2
betegner den afbildning, der til produktionssttet (x
1
, x
2
, x
3
) knyt-
ter det tilsvarende forbrugsst (y
1
, y
2
) skal der redegres for, at f er liner, og
matricen A
=
for f skal opskrives.
5. Den linere afbildning f : R
3
R
3
er givet ved
f
_
_
x
y
z
_
_
=
_
_
x+2z
2yz
x+3y+z
_
_
.
a. Gr rede for, at f er bijektiv.
b. Bestem den inverse afbildning f
1
: R
3
R
3
til f .
c. Angiv matricerne for f , f
1
og f
2
, samt produktet af de to frstnvnte matricer.
6. Vis, at den linere afbildning : R
3
R
3
som er givet ved
_
_
x
y
z
_
_
=
_
_
y
z
0
_
_
,
hverken er injektiv eller surjektiv. Anfr matricen C
=
for , og nd C
=
3
.
7. Der er givet en vre trekantsmatrix af formen
A
=
=
_
_
1 a c
0 1 b
0 0 1
_
_
174
Hjemmeopgaver
hvor a, b, c er vilkrlige relle tal. Gr rede for, at en sdan matrix er regulr, og nd et
udtryk for A
=
1
.
8. Ls det linere ligningssystem
x
1
2x
2
+2x
3
2x
4
= 1
2x
1
+4x
2
3x
3
+6x
4
= 2
.
x
1
3x
2
= 3
x
2
+x
3
+10x
4
= 4
3x
1
6x
2
+x
3
+13x
4
= 15
3x
1
6x
2
+3x
3
+21x
4
= 21.
2x
1
4x
2
+5x
3
+26x
4
= 23
10. For ethvert a R betegner L
a
lsningsmngden til det linere ligningssystem:
x
1
+x
2
+ 5x
3
= 7
x
1
x
2
x
3
= 1.
3x
1
2x
2
+(a
2
+a)x
3
= a+1
a. Bestem L
1
og L
0
.
b. Bestem L
a
for ethvert a R.
11. En afbildning f : R
4
R
4
er givet ved
f
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
4x
1
+x
3
+x
4
3x
1
+x
2
+3x
3
+x
4
x
2
+2x
3
3x
1
+2x
2
+4x
3
+x
4
_
_
_
_
_
.
Gr rede for, at f er liner og undersg om f er bijektiv. Find i givet fald f
1
, idet
dennes matrix angives.
A
=
=
_
_
1 0 1
2 1 0
0 1 3
_
_
, B
=
=
_
_
1 0 0
0 2 0
0 0 3
_
_
.
175
Hjemmeopgaver
Gr rede for, at der ndes netop n lsning til matrixligningen
A
=
X
=
A
=
=B
=
,
og nd denne.
13. Givet matricen
A
=
=
_
_
_
_
_
1 0 a 0
0 1 0 2
1 0 1 0
0 1+a 0 1
_
_
_
_
_
.
Omform A
=
ved hjlp af rkkeoperationer til en vre trekantsmatrix og afgr herved,
for hvilke vrdier af a den givne matrix er regulr.
14. Der er givet permutationerne
=
_
1 2 3 4 5
2 4 5 1 3
_
og =
_
1 2 3 4 5
4 1 3 5 2
_
.
a. Find fortegnet for hhv. .
b. Find permutationerne og .
c. Find permutationen
1
.
15. Givet matricen
A
=
=
_
_
_
_
_
1 0 a 0
0 1 0 2
1 0 1 0
0 1+a 0 1
_
_
_
_
_
.
Find det A
=
for enhver vrdi af a.
16. Der er givet matricen
A
=
=
_
_
1 1 a
1 a+1 4
a 2 4
_
_
.
a. Bestem de vrdier a R for hvilke matricen er regulr.
b. Idet
B
=
=
_
_
1 0 2
1 a+2 0
a a+2 1a
_
_
, a R
176
Hjemmeopgaver
skal man bestemme de vrdier af a R for hvilke matrixligningen
A
=
X
=
=B
=
har mindst en lsning. (Vink: I det tilflde hvor A
=
ikke er regulr, undersg da
determinanten p begge sider af ligningstegnet).
c. Ls ligningen for a =1.
17. Ls flgende ligningssystem ved hjlp af Cramers formler:
3x
1
x
2
5x
3
= 3
4x
1
4x
2
3x
3
= 4.
x
1
5x
3
= 3
18. Find den inverse til matricen
A
=
=
_
_
3 2 3
0 3 2
2 3 5
_
_
ved hjlp af determinantformlen for invers matrix.
19. Udregn vrdien af determinanten
a a a b
a a b a
a b a a
b a a a
.
(Vink: Begynd eventuelt med at trkke sidste rkke fra de vrige rkker.)
20. I R
3
a
1
=
_
_
1
7
4
_
_
, a
2
=
_
_
2
5
4
_
_
.
For hvilke vrdier af k er vektoren
a =
_
_
1
k
5
_
_
indeholdt i span{a
1
, a
2
}?
177
Hjemmeopgaver
21. Vis at vektorerne
a
1
=
_
_
_
_
_
1
2
3
4
_
_
_
_
_
, a
2
=
_
_
_
_
_
3
1
5
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
2
4
1
2
_
_
_
_
_
, a
4
=
_
_
_
_
_
2
9
0
7
_
_
_
_
_
udgr en basis i R
4
, og fremstil vektoren
a =
_
_
_
_
_
2
4
1
3
_
_
_
_
_
som linearkombination af disse vektorer.
22. Vis at vektorerne
a
1
=
_
_
_
_
_
1
2
3
4
_
_
_
_
_
, a
2
=
_
_
_
_
_
3
1
5
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
2
4
1
2
_
_
_
_
_
, a
4
=
_
_
_
_
_
2
9
0
6
_
_
_
_
_
i R
4
er linert afhngige, og fremstil o som en linearkombination af disse vektorer med
koefcienter der ikke alle er nul.
23. I R
4
u
1
=
_
_
_
_
_
1
2
0
1
_
_
_
_
_
, u
2
=
_
_
_
_
_
0
0
1
0
_
_
_
_
_
, u
3
=
_
_
_
_
_
2
1
0
0
_
_
_
_
_
.
a. Vis, at u
1
, u
2
, u
3
er linert uafhngige.
b. Udvid sttet (u
1
, u
2
, u
3
) til en basis for R
4
ved tilfjelse af en af vektorerne fra den
naturlige basis e
1
, e
2
, e
3
, e
4
. Find ogs en der ikke kan bruges.
24. Lad n, m vre positive hele tal og betragt mngden M
m,n
(R) bestende af alle reelle
mn matricer.
a. Vis at mngden M
m,n
(R) udstyret med sdvanlig matrix-addition er et vektor-
rum.
b. Vis at vektorrummet M
m,n
(R) er endeligdimensionalt og nd en basis.
178
Hjemmeopgaver
c. Lad M
=
j
, j =0, , mn vre vilkrlige matricer i M
m,n
(R). Vis at disse vektorer er
linert afhngige.
25. Find et maksimalt linert uafhngigt st fra sttet (A
=
1
, A
=
2
, A
=
3
, A
=
4
) hvor
A
=
1
=
_
1 0
0 1
_
, A
=
2
=
_
0 1
1 0
_
, A
=
3
=
_
2 1
1 2
_
, A
=
4
=
_
0 1
0 0
_
,
idet A
=
1
, A
=
2
, A
=
3
, A
=
4
betragtes som elementer i vektorrummet M
2,2
.
26. Idet a og b er reelle tal, er der givet matricen
A
=
=
_
_
_
_
_
1 2 3 4
4 3 2 1
a 2 3 4
4 3 2 b
_
_
_
_
_
.
Udregn det A
=
, og angiv rangen rg A
=
for ethvert st (a, b) R
2
.
27. I det tredimensionale vektorrum U er der givet basen A =(a
1
, a
2
, a
3
), og i det todi-
mensionale vektorrum V er der givet basen B=(b
1
, b
2
).
a. Homomoren f : U V er fastlagt ved at f (a
1
) = b
1
+b
2
, f (a
2
) =2b
1
b
2
og f (a
3
) =
3b
2
. Bestem matricen
B
[ f ]
A
der reprsenterer f i de nvnte baser.
b. Bestem en basis for ker f .
c. Gr rede for, at f er surjektiv.
d. I U og V indfres nye baser A
=(a
1
, a
2
, a
3
) og (b
1
, b
2
) sledes:
a
1
=2a
1
+a
3
, a
2
=3a
1
+a
2
+a
3
, a
3
=2a
1
+a
2
;
b
1
= b
1
+b
2
, b
2
=2b
1
+b
2
.
Bestem koordinattransformationsmatricerne
A
T
A
, hhv.
B
T
B
fra gammel til ny
basis i U hhv. V.
e. Bestem nye koordinatsjler
A
[u], hhv
B
[v] for vektorerne u = a
1
a
2
hhv. v =
b
1
b
2
i U hhv. V.
f. Find den matrix
B
[ f ]
A
, der i de nye baser reprsenterer homomoren f fra
punkt a.
g. Bestem den nye koordinatsjle
B
[ f (u)] for f (u).
179
Hjemmeopgaver
h. En homomor g : V U er givet ved
g(y
1
b
1
+ y
2
b
2
) =(2y
1
3y
2
)a
1
+(y
1
+ y
2
)a
2
+(y
1
2y
2
)a
3
.
Find matricen
A
[g]
B
.
28. Afgr i hvert af flgende tilflde, om den angivne matrix er diagonaliserbar, og nd
i bekrftende fald en diagonaliserende koordinattransformationsmatrix.
a.
_
2 2
5 1
_
.
b.
_
8 1
4 4
_
.
c.
_
_
7 2 4
3 0 2
6 2 3
_
_
.
29. En liner afbildning f : R
4
R
4
A
=
=
_
_
_
_
_
1 0 0 3
2 3 0 3
2 1 2 3
0 0 0 4
_
_
_
_
_
.
a. Gr rede for, at ker f har dimensionen 0.
b. Bestem egenvrdier og egenvektorer for A
=
.
c. Angiv en basis for R
4
i hvilken den til A
=
hrende homomor reprsenteres ved en
diagonalmatrix, og angiv en sdan diagonalmatrix.
30. I vektorrummet R
3
er givet de linert uafhngige vektorer
a =
_
_
1
1
1
_
_
, b =
_
_
1
1
0
_
_
, c =
_
_
0
1
1
_
_
.
En endomor f : R
3
R
3
er fastlagt ved
f (a) = b, f (b) =a, f (c) = o.
180
Hjemmeopgaver
a. Opskriv den matrix der reprsenterer f i basen (a, b, c).
b. Gr rede for at f er diagonaliserbar.
c. Find den matrix der reprsenterer f i den naturlige basis for R
3
.
31. Find i det euklidiske vektorrum R
4
en ortonormalbasis for lsningsrummet til lig-
ningssystemet:
3x
1
x
2
x
3
+x
4
= 0
x
1
+2x
2
3x
3
x
4
= 0.
32. Find i hvert af flgende to tilflde ortogonalprojektionen af x p underrummet U:
a.
x =
_
_
_
_
_
1
3
1
3
_
_
_
_
_
, U = span {a
1
, a
2
},
hvor
a
1
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
5
1
3
3
_
_
_
_
_
.
b.
x =
_
_
_
_
_
2
2
1
1
_
_
_
_
_
, U = span {a
1
, a
2
, a
3
},
hvor
a
1
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
2
3
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
1
0
5
3
_
_
_
_
_
.
33. I det euklidiske vektorrum R
3
a
1
=(1, 1, 2) , a
2
=(1, 2, 2) , x =(2, 1, 2).
a. Gr rede for, at a
1
og a
2
181
Hjemmeopgaver
b. Find ortogonalprojektionen af x p underrummet U = span {a
1
, a
2
}.
c. Ortonormer sttet a
1
, a
2
til en ortonormalbasis b
1
, b
2
for U.
d. Suppler b
1
, b
2
op til en ortonormalbasis b
1
, b
2
, b
3
for R
3
.
34. Lad f : R
3
R
3
vre den linere afbildning som er knyttet til matricen
A
=
=
_
_
_
4
3
0
2
2
3
0 2 0
2
2
3
0
2
3
_
_
_.
a. Find dimensionen af f (R
3
), og angiv en basis for f (R
3
).
b. Find dimensionen af ker f , og nd en basis for ker f .
c. Begrund, at der ndes en ortonormalbasis (a
1
, a
2
, a
3
) som diagonaliserer f , og nd
en sdan.
d. Angiv en diagonalmatrix D
=
og en ortogonal matrix T
=
sledes at D
=
=T
=
A
=
T
=
1
.
4
R
4
_
_
_
_
_
0 5 4 2
5 0 2 4
4 2 0 4
2 4 4 0
_
_
_
_
_
.
a. Find kernen ker f for f , og eftervis at dimensionen af ker f er 2.
b. Find en ortonormalbasis a
1
, a
2
for ker f .
c. Suppler den fundne ortonormalbasis a
1
, a
2
op til en basis for R
4
ved at udvlge to
passende vektorer fra den naturlige basis e
1
, e
2
, e
3
, e
4
i R
4
.
d. Ortonormer den i punkt c. fundne basis for R
4
til en ortonormalbasis for R
4
.
e. Find ortogonalprojektionen af
x =
_
_
_
_
_
2
1
1
2
_
_
_
_
_
p ker f og p (ker f )
.
182
C. velsesopgaver
1. Idet
x =
_
_
2
7
1
_
_
, y =
_
_
3
0
4
_
_
, z =
_
_
0
5
8
_
_
skal man beregne
a. 3x4y.
b. 2x+3y5z.
c. x y, x (z + y).
2. Find de reelle tal x, y og z, nr
x
_
_
1
1
1
_
_
+ y
_
_
1
1
0
_
_
+z
_
_
1
0
0
_
_
=
_
_
2
3
4
_
_
.
3. Bestem de reelle tal k, s vektorerne x og y er ortogonale, nr
a. x =
_
_
1
k
3
_
_
, y =
_
_
2
5
4
_
_
.
b. x =
_
_
_
_
_
_
_
2
3k
4
1
5
_
_
_
_
_
_
_
, y =
_
_
_
_
_
_
_
6
1
3
7
2k
_
_
_
_
_
_
_
.
4. De linere afbildninger f , g : R
3
R
3
hrer til matricerne
A
=
=
_
_
1 1 0
1 0 1
1 2 2
_
_
hhv. B
=
=
_
_
2 2 1
1 2 1
2 3 1
_
_
.
183
velsesopgaver
Bestem f
_
_
1
0
0
_
_
, f
_
_
2
1
0
_
_
og g
_
_
0
0
1
_
_
, g
_
_
1
1
1
_
_
.
5. Gr i hvert af flgende tilflde rede for, at den angivne afbildning f er liner, idet
den tilhrende matrix angives:
a. f
_
x
1
x
2
_
=
_
x
2
x
1
_
.
b. f
_
_
x
1
x
2
x
3
_
_
=
_
_
x
2
x
3
x
1
_
_
.
6. Der er givet en liner afbildning f : R
2
R
3
med den egenskab, at
f
_
2
1
_
=
_
_
3
3
0
_
_
og f
_
1
2
_
=
_
_
3
0
9
_
_
.
Find matricen A
=
for f .
7. Lad afbildningerne f : R
4
R
3
og g : R
3
R
2
vre givet ved
f
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
x
1
+x
2
x
4
x
2
x
4
x
1
+x
2
+x
3
+x
4
_
_
og
g
_
_
x
1
x
2
x
3
_
_
=
_
x
2
1
+x
2
2
+x
2
3
x
1
+x
2
+x
3
_
a. Gr rede for, at f er liner idet den tilhrende matrix angives.
b. Gr rede for, at g ikke er liner. (Vink: Benyt Stning 1.3.9).
8. Findes der en liner afbildning f : R
2
R
3
sledes at
f
_
1
1
_
=
_
_
2
4
2
_
_
, f
_
1
1
_
=
_
_
2
4
2
_
_
, f
_
2
0
_
=
_
_
1
8
1
_
_
?
184
velsesopgaver
9. Angiv samtlige linere afbildninger f : R
3
R
2
med den egenskab, at
f
_
_
1
0
1
_
_
=
_
1
0
_
, f
_
_
0
1
0
_
_
=
_
0
1
_
,
ved at angive de tilhrende matricer.
10. Idet a
1
, a
2
er vektorer i R
n
og b
1
, b
2
er vektorer i R
m
deneres en afbildning f : R
n
R
m
ved
f (x) =(a
1
x)b
1
+(a
2
x)b
2
.
a. Gr rede for at f opfylder linearitstsbetingelserne L1 og L2, og at f er liner.
b. Idet nu
a
1
=
_
1
2
_
, a
2
=
_
1
0
_
, og b
1
=
_
_
1
2
1
_
_
, b
2
=
_
_
2
0
3
_
_
skal man opskrive matricen for f .
11. Der er givet tre matricer
A
=
=
_
_
1 0 10
0 1 0
0 0 1
_
_
, B
=
=
_
_
3 9
0 0
1 3
_
_
, C
=
=
_
1 2 3
0 1 0
_
.
Udregn matrixprodukterne A
=
B
=
, C
=
A
=
, B
=
C
=
, C
=
B
=
, C
=
B
=
C
=
.
12. Betragt matricerne
A
=
=
_
a b
c d
_
, B
=
=
_
_
1
0 0
0 1
_
_
, C
=
=
_
2 4 6 7
0 1 0 1
_
.
a. Hvilke matrixprodukter X
=
Y
=
kan dannes, hvor X
=
og Y
=
er en af matricerne A
=
, B
=
eller C
=
?
b. Udregn alle sdanne matrixprodukter.
13. Udregn flgende matrixprodukter
(1 2 3)
_
_
1
2
3
_
_
og
_
_
1
2
3
_
_
(1 2 3).
185
velsesopgaver
14. Ls matrixligningerne
(a)
_
0 1
1 0
_
X
=
=
_
1 0 3
0 2 0
_
, (b)
_
0 1
1 0
_
X
=
=
_
_
1 0
0 2
3 0
_
_
,
(c)
_
0 1
0 0
_
X
=
=
_
1 2 3
0 0 0
_
, (d)
_
0 1
0 0
_
X
=
=
_
1 0 3
0 2 0
_
.
Bestem alts for hver matrixligning mngden af matricer X
=
, der opfylder ligningen.
15. Denne velse viser, at multiplikationen af reelle tal har nogle egenskaber som ikke
deles af matrixmultiplikation. Kommenter i hvert tilflde resultatet set i lyset af de
reelle tals egenskaber:
a. Idet
A
=
=
_
2 1
1 0
_
og B
=
=
_
1 0
3 1
_
skal man udregne A
=
B
=
og B
=
A
=
.
b. Idet
A
=
=
_
1 1
1 1
_
og B
=
=
_
1 1
1 1
_
skal man udregne A
=
B
=
.
c. Idet
A
=
=
_
1 1
1 1
_
skal man udregne A
=
2
.
d. Idet
A
=
=
_
1
2
1
2
1
2
1
2
_
skal man udregne A
=
2
.
e. Idet
A
=
=
_
0 1
1 0
_
skal man udregne A
=
2
.
16. Idet f : R
n
R
m
er en liner afbildning skal man gre rede for, at
a. f (x+y) =f (x) +f (y) for x, y R
n
, , R.
186
velsesopgaver
b. f (
1
x
1
+
2
x
2
+
3
x
3
) =
1
f (x
1
) +
2
f (x
2
) +
3
f (x
3
) for x
1
, x
2
, x
3
R
n
,
1
,
2
,
3
R.
c. f (
1
x
1
+ +
k
x
k
) =
1
f (x
1
) + +
k
f (x
k
) for x
1
, , x
k
R
n
,
1
, ,
k
R.
17. Udregn flgende to matrixprodukter, idet der redegres for den anvendte strategi:
a.
_
_
17 231 100
91 640 77
11 1003 1
_
_
_
_
23 546 0
19 34 1
22 1001 0
_
_
_
_
0 0 0
0 0 0
0 0 1
_
_
.
b.
_
_
0 0 0
0 1 0
0 0 0
_
_
_
_
670 546 45
1 0 0
22 1001 99
_
_
_
_
17 231 100
91 640 77
11 1003 1
_
_
.
18. Idet
A
=
=
_
1 1
2 1
_
, B
=
=
_
1 1
0 1
_
og C
=
=
_
_
1 1 1
0 2 1
0 0 3
_
_
skal man udregne
a. A
=
2
, A
=
3
, A
=
2
A
=
3
, A
=
5
.
b. B
=
10
.
c. C
=
3
.
19. Afgr i hvert af flgende tilflde om den angivne afbildning f er injektiv, surjektiv,
bijektiv, og angiv billedmngden ved f . I de tilflde hvor den angivne afbildning er
bijektiv, skal man angive den omvendte afbildning.
a. f : RR, f (x) = x
2
.
b. f : RR, f (x) = x
3
.
c. f : RR, f (x) = x
3
x
2
.
d. f : RR, f (x) = e
x
e
x
.
e. f : R\{0} R, f (x) =
1
x
.
e
. f : R\{0} R\{0}, f (x) =

1
x
.
f. f : R
2
R, f (x, y) = xy.
187
velsesopgaver
g. f : R
2
R
2
, f (x, y) =(x+ y, x y).
h. f : R
2
R
2
, f (x, y) =(y+x
2
, 1x).
i. f : R
2
R
2
, f (x, y) =(x
2
+ y
2
, x
2
y
2
).
20. Der er givet en afbildning g : R
2
R
3
ved
g
_
u
v
_
=
_
_
u+v
uv
u+2v
_
_
,
og en afbildning h : R
3
R
2
ved
h
_
_
x
y
z
_
_
=
_
x+ y
y+z
_
.
a. Gr rede for, at g er injektiv men ikke surjektiv.
b. Gr rede for, at h er surjektiv men ikke injektiv.
c. Gr rede for, at g og h er linere afbildninger, idet de tilsvarende matricer anfres.
d. Gr rede for, at de sammensatte afbildninger g h og h g er linere og anfr de
tilsvarende matricer.
21. Lad X, Y og Z vre mngder, og lad f : X Y og g : Y Z vre afbildninger.
a. Gr rede for, at hvis f og g er injektive, da er ogs g f injektiv.
b. Gr rede for, at hvis f og g er surjektive, da er ogs g f surjektiv.
c. Gr rede for, at hvis f og g er bijektive, da er ogs g f bijektiv, og (g f )
1
=
f
1
g
1
.
d. Gr rede for, at hvis g f er injektiv, da er ogs f injektiv.
e. Gr rede for, at hvis g f er surjektiv, da er ogs g surjektiv.
22. Gr rede for, at den linere afbildning f : R
4
R
4
som er givet ved
f
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
_
=
_
_
_
_
_
x
1
x
1
+x
2
x
1
+x
2
+x
3
x
1
+x
2
+x
3
+x
4
_
_
_
_
_
er bijektiv, og nd matricen for den omvendte afbildning.
188
velsesopgaver
23. De linere afbildninger f , g : R
3
R
3
er givet ved
f
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+x
2
x
2
+x
3
x
1
+x
3
_
_
, g
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+x
2
+2x
3
x
2
+x
3
x
1
+x
3
_
_
.
a. Gr rede for, at f er bijektiv, og at g ikke er bijektiv.
b. Angiv den inverse afbildning til f .
c. Angiv matricerne for f , f
1
.
24. Givet matricerne
A
=
1
=
_
2 1
1 1
_
, A
=
2
=
_
2 1
3 2
_
, A
=
3
=
_
1 1
1 2
_
,
A
=
4
=
1
8
_
_
0 2 1
0 2 3
8 2 1
_
_
, A
=
5
=
_
_
1 0 1
3 1 0
2 2 0
_
_
, A
=
6
=
_
_
1 0 0
3 1 0
2 2 0
_
_
,
A
=
7
=
_
2 1 1
1 1 1
_
, A
=
8
=
_
_
1 1
1 1
0 1
_
_
.
For hvilke vrdier af i og j er A
=
i
= A
=
1
j
? (Undersg om A
=
i
A
=
j
=E
=
).
C
=
=
_
_
1 19 10
1 6 2
1 11 5
_
_
.
Eftervis, at C
=
3
=E
=
, og gr rede for at dette medfrer, at C
=
er regulr med C
=
1
=C
=
2
.
A
=
=
_
1 2
3 4
_
, B
=
=
_
cos t sint
sint cos t
_
, t R.
a. Find determinanten og den inverse matrix til hver af matricerne A
=
og B
=
.
b. Find den inverse til hver af afbildningerne f , g : R
2
R
2
, hvor
f
_
x
1
x
2
_
=
_
x
1
+2x
2
3x
1
+4x
2
_
, g
_
x
1
x
2
_
=
_
x
1
cos t x
2
sint
x
1
sint +x
2
cos t
_
.
189
velsesopgaver
c. Bestem A
=
2
, B
=
2
og B
=
3
. (Vedrrende B
=
2
, B
=
3
: Benyt additionsformlerne
cos(u+v) = cosucosvsinusinv
sin(u+v) = sinucosv+cosusinv.)
27. Afgr om flgende er rigtigt eller forkert:
a. Nr A
=
B
=
og B
=
A
=
begge eksisterer er bde A
=
og B
=
kvadratiske.
b. A
=
(B
=
C
=
) =(A
=
B
=
)C
=
.
c. A
=
B
=
=B
=
A
=
, nr A
=
og B
=
er kvadratiske nn-matricer.
d. A
=
B
=
=O
=
A
=
=O
=
eller B
=
=O
=
.
e. Hvis A
=
er regulr og A
=
B
=
er regulr, s er B
=
regulr.
A
=
=
_
_
0 0
1
4
0 2 0
3 0 0
_
_
.
Gr rede for, at den til A
=
hrende linere afbildning f er bijektiv, og nd f
1
. Find
herved A
=
1
.
A
=
=
_
_
0 0
1
0
2
0
3
0 0
_
_
.
Undersg hvornr den til A
=
hrende linere afbildning er bijektiv, og nd i de fundne
tilflde f
1
. Gr herefter rede for, hvornr A
=
er regulr, og nd i de fundne tilflde
A
=
1
.
30. Der er givet tre matricer
A
=
=
_
_
1 0 10
0 1 0
0 0 1
_
_
, B
=
=
_
_
3 9
0 0
1 3
_
_
, C
=
=
_
1 2 3
0 1 0
_
.
Opskriv de transponerede matricer til A
=
, B
=
og C
=
.
A
=
=
_
_
2 5
1 1
2 7
_
_
.
190
velsesopgaver
Idet a
1
, a
2
er sjlevektorerne i A
=
deneres afbildningen f : R
3
R
2
ved
f (x) =
_
x a
1
x a
2
_
.
Gr rede for, at f er liner idet den tilhrende matrix opskrives.
32. Der er givet en 3 2-matrix A
=
. Idet a
1
, a
2
betegner sjlevektorerne i A
=
deneres
afbildningen f : R
3
R
2
ved
f (x) =
_
x a
1
x a
2
_
.
a. Gr rede for, at f er liner idet den tilhrende matrix opskrives.
b. Der er nu yderligere givet en 32-matrix B
=
med sjlevektorer b
1
, b
2
. Afbildningen
h : R
3
R
3
deneres ved
h(x) =(x a
1
)b
1
+(x a
2
)b
2
.
Gr rede for, at h er liner og nd den tilhrende matrix. (Vink: Afbildningen h
kan opfattes som den sammensatte afbildning g f , hvor g er den linere afbild-
ning der hrer til B
=
).
33. Lad A
=
vre 23-matricen
_
2 1 0
2 3 1
_
.
Udregn matricerne A
=
A
=
t
og A
=
t
A
=
.
34. Lad A
=
vre en mn-matrix. Gr rede for, at A
=
t
A
=
er en symmetrisk nn-matrix, og
at A
=
A
=
t
er en symmetrisk mm-matrix.
35. Der er givet den symmetriske matrix
A
=
=
_
1 2
2 1
_
og den symmetriske matrix
B
=
=
_
a b
b c
_
Undersg under hvilke betingelser matricen A
=
B
=
er symmetrisk.
191
velsesopgaver
36. Omform ved hjlp af rkkeoperationer matricen
_
_
1 2 3 2 1 10
2 4 8 3 10 7
3 6 10 6 5 27
_
_
til en trappematrix.
37. Omform ved hjlp af rkkeoperationer matricen
_
_
1 2 1 4
3 8 7 20
2 7 9 23
_
_
til en reduceret trappematrix.
38. Hvad sker der, nr man ganger en 44-matrix foran hhv. bagved med en af matri-
cerne
_
_
_
_
_
1 0 0 0
0 0 1 0
0 1 0 0
0 0 0 1
_
_
_
_
_
,
_
_
_
_
_
1 0 0 0
0 1 0 c
0 0 1 0
0 0 0 1
_
_
_
_
_
,
_
_
_
_
_
c
1
0 0 0
0 c
2
0 0
0 0 c
3
0
0 0 0 c
4
_
_
_
_
_
.
39. Ls flgende 3 linere ligningssystemer:
a.
2x
1
x
2
+x
3
= 3
x
1
+2x
2
+4x
3
= 6
.
x
1
+x
2
+5x
3
= 9
b.
2x
1
x
2
+x
3
= 4
x
1
+2x
2
+4x
3
= 6 .
x
1
+x
2
+5x
3
= 9
c.
2x
1
x
2
+2x
3
= 4
x
1
+2x
2
+4x
3
= 6 .
x
1
+x
2
+5x
3
= 9
192
velsesopgaver
x
1
x
2
+2x
3
+x
4
= 1
4x
1
5x
2
+7x
3
7x
4
= 7
.
2x
1
+x
2
x
3
+3x
4
= 3
x
1
5x
2
+8x
3
3x
4
= 3
x+ y+2z = 3
2x y+4z = 0
.
x+3y2z = 3
3x2y+z = 0
42. Vis, at ligningssystemet
x+ yz = 2
2x+ y+z = a .
x+2z = 3
ikke har nogen lsning (x, y, z) hvis a =5, men derimod uendeligt mange lsninger hvis
a =5, idet disse angives.
2x
1
+4x
2
x
3
2x
4
+2x
5
= 6
x
1
+3x
2
+2x
3
7x
4
+3x
5
= 9 .
5x
1
+8x
2
7x
3
+6x
4
+x
5
= 4
44. Der er givet to matricer
_
_
1 3 4
2 5 7
0 1 0
_
_
og
_
_
_
_
_
1 0 0 0
0 1 0 0
2 0 1 0
0 3 0 1
_
_
_
_
_
.
Gr rede for, at begge matricer er regulre og nd deres inverse.
193
velsesopgaver
45. Undersg hvilke af flgende matricer der er regulre:
_
_
1 2 3
1 1 2
0 1 2
_
_
,
_
_
1 2 3
1 2 1
5 2 3
_
_
,
_
_
_
_
_
1 1 1 1
1 3 1 2
1 2 1 1
5 9 1 6
_
_
_
_
_
,
_
_
_
_
_
1 1 1 1
1 2 1 2
1 1 2 1
1 3 3 2
_
_
_
_
_
.
46. En afbildning f : R
3
R
3
er givet ved
f
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
+5x
2
+x
3
2x
1
+5x
2
2x
1
+7x
2
+x
3
_
_
.
Gr rede for, at f er liner og undersg, om f er bijektiv. Find i givet fald f
1
, idet
dennes matrix angives.
47. Om en liner afbildning f : R
3
R
3
med matrix X
=
vides, at
f
_
_
1
2
0
_
_
=
_
_
3
5
1
_
_
, f
_
_
3
5
1
_
_
=
_
_
4
7
0
_
_
, f
_
_
4
7
0
_
_
=
_
_
1
2
0
_
_
.
a. Gr rede for, at
X
=
_
_
1 3 4
2 5 7
0 1 0
_
_
=
_
_
3 4 1
5 7 2
1 0 0
_
_
.
b. Find X
=
.
c. Gr rede for at X
=
3
=E
=
.
48. Betragt matricerne
A
=
=
_
_
_
_
_
2 3 1 4
1 1 0 1
3 4 1 6
2 4 1 5
_
_
_
_
_
og B
=
=
_
_
_
_
_
2 3 1 1
1 1 0 0
3 4 1 1
2 4 1 1
_
_
_
_
_
.
(Bemrk, at a
i j
= b
i j
for alle i, j, hvor j 3). Afgr, om A
=
er invertibel og nd A
=
1
, hvis
A
=
er invertibel. Udfr det samme for B
=
.
194
velsesopgaver
49. Lad A
=
vre en matrix og lad f vre den tilhrende linere afbildning. Gr rede
for, at hvis A
=
indeholder en nulsjle, da er f ikke injektiv og hvis A
=
indeholder en
nulrkke, da er f ikke surjektiv. Specielt er en matrix, der indeholder en nulrkke
eller en nulsjle ikke regulr.
50. Gr rede for, at en matrix med to ens rkker eller to ens sjler ikke er regulr.
A
=
=
_
_
1 0 2
0 2 1
1 3 1
_
_
, B
=
=
_
_
3 0 4
1 1 1
1 0 2
_
_
, C
=
=
_
_
2 0 4
2 1 1
1 0 2
_
_
.
Vis ved udregning, at
A
=
B
=
=
_
_
1 0 0
3 2 0
5 3 1
_
_
, A
=
C
=
=
_
_
0 0 0
3 2 0
5 3 1
_
_
.
Hvad kan heraf sluttes om regularitet af matricerne A
=
, B
=
og C
=
?
52. Gr rede for, at hvis blot en af nn-matricerne C
=
1
, , C
=
k
ikke er regulr, s er
produktet C
=
1
C
=
k
heller ikke regulrt.
53. Idet A
=
er matricen
_
_
1 2 3 2 1 10
2 4 8 3 10 7
3 6 10 6 5 27
_
_
skal man nde en regulr matrix P
=
, s P
=
A
=
er en trappematrix. Skriv dernst P
=
som
et produkt af operationsmatricer.
54. Idet A
=
er matricen
_
_
1 2 1 4
3 8 7 20
2 7 9 23
_
_
skal man nde en regulr matrix P
=
, s P
=
A
=
er en reduceret trappematrix. Bestem den
inverse matrix til P
=
.
55. Udregn
2 1
1 1
2 2 3
4 3 1
2 0 1
1 2 1
1

2 1
1
1
2
1
.
56. Udregn
195
velsesopgaver
a.
_
1 2 3
2 3 1
_
_
1 2 3
2 3 1
_
.
b.
_
1 2 3
2 3 1
_
1
.
c.
_
1 2 3 4 5
2 3 1 5 4
_
_
1 2 3 4 5
3 5 4 1 2
_
.
d.
_
1 2 3 4 5 6
2 4 6 1 3 5
_
1
.
57. Find i hvert af flgende tilflde antallet af inversioner og fortegnet for den angivne
permutation.
a.
_
1 2 3 4 5
5 4 3 2 1
_
.
b.
_
1 2 3 4 5
2 3 4 5 1
_
.
58. Fremstil i hvert af flgende tilflde den angivne permutation som sammenstning
af naboombytninger.
a.
_
1 2 3 4 5
3 4 1 5 2
_
.
b.
_
1 2 3 4 5
2 3 4 5 1
_
.
59. Opskriv samtlige permutationer i S
2
og S
3
og angiv disses fortegn.
60. Vi betragter mngden S
3
af permutationer af tallene 1, 2, 3.
a. Beskriv afbildningen f : S
3
S
3
givet ved f :
1
, idet billedet af hvert ele-
ment opskrives. Vericer herved, at afbildningen f er bijektiv.
b. Idet er permutationen
_
1 2 3
3 1 2
_
,
skal man opskrive afbildningen g : S
3
S
3
givet ved g : , idet billedet af
hvert element opskrives. Vericer herved, at afbildningen g er bijektiv.
196
velsesopgaver
61. En permutation , der ombytter to tal i og j og lader de vrige tal urrte kaldes en
transposition. Der glder alts at (i) = j og ( j) = i medens (k) = k for k = i, k = j.
a. Naboombytninger er transpositioner.
b. Opskriv nogle eksempler p transpositioner, der ikke er naboombytninger, og nd
antallet af inversioner for disse.
c. Gr rede for, at antallet af inversioner i transpositionen ovenfor er 2( j i 1)+1,
og vis herved, at en transposition altid er ulige.
62. Bestem determinanterne af flgende matricer:
_
_
_
_
_
1 0 0 1
2 2 2 2
3 3 0 4
4 0 0 8
_
_
_
_
_
,
_
_
_
_
_
1 2 3 4
0 2 3 0
0 2 0 0
1 2 4 8
_
_
_
_
_
.
63. Bestem de tal t R for hvilke matricen
_
_
t 1 1
1 t 1
1 1 t
_
_
er regulr.
64. For hvilke vrdier af a har det linere ligningssystem
ax y+3z = 0
4x+(a4)y+6z = 0
xay+5z = 0
egentlige lsninger, dvs. lsninger (x, y, z) = 0. Angiv for de fundne vrdier af a syste-
mets fuldstndige lsning.
65. Besvar flgende sprgsml:
a. Hvad kan man sige om vrdien af determinanten af en matrix, der indeholder 2
ens rkker ?
b. Hvad sker der med vrdien af en determinant, nr man skifter fortegn p alle
elementer i en rkke, og hvad hvis man skifter fortegn p alle elementer i matri-
cen?
c. Hvad er forskellen p en determinant og en matrix ?
197
velsesopgaver
d. Er det rigtigt, at en determinant er =0, hvis alle elementerne i matricen er =0 ?
66. Er flgende rigtig eller forkert ?
a.
10 10 10
2 3 2
5 6 7
=10
1 1 1
2 3 2
5 6 7
.
b.
0 0 c
0 b e
a d f
=abc.
c.

a 0 0 0
0 b 0 0
0 0 c 0
0 0 0 d
=abcd.
d.

0 0 0 a
0 0 b 0
0 c 0 0
d 0 0 0
=abcd.
67. Vis, at
a
2
a 1
b
2
b 1
c
2
c 1
bc a 1
ca b 1
ab c 1
=(ab)(ac)(bc).
68. Udregn
a.

1 2 3 4
2 3 4 1
3 4 1 2
4 1 2 3
.
198
velsesopgaver
b.

1 0 0 1 0
0 2 0 0 0
0 0 1 0 0
3 0 0 1 0
0 0 0 0 1
.
69. Udregn

a 0 0 0 1
0 a 0 1 0
0 0 b 0 0
0 1 0 a 0
1 0 0 0 a
.
70. Find de vrdier af a R for hvilke matricen givet ved
A
=
=
_
_
_
_
_
1 1 2a a
1 a 2a 1
1 1 a 2a
1 a a 2a
_
_
_
_
_
er regulr.
71. Givet matricen
A
=
=
_
_
1 2 1
2 1 0
0 1 2
_
_
.
a. Beregn det A
=
.
b. Gr rede for at A
=
er regulr.
c. Anvend Cramers formel til at lse ligningssystemet A
=
X
=
=B
=
, hvor
B
=
=
_
_
1
0
2
_
_
.
72. Givet matricen
A
=
=
_
_
1 t 0
t 1 t
0 t 1
_
_
.
199
velsesopgaver
a. Beregn det A
=
.
b. Gr rede for, at A
=
er regulr for alle vrdier af t p nr
_
1
2
.
c. Anvend Cramers formel til for hvert t p nr
_
1
2
at lse ligningssystemet A
=
X
=
=
B
=
, hvor
B
=
=
_
_
t
0
t
_
_
.
73. Lad
A
=
=
_
_
_
_
_
1 1 2 3
0 2 4 5
0 0 3 6
0 0 0 4
_
_
_
_
_
og B
=
=
_
_
_
_
_
4 0 0 0
5 3 0 0
6 7 2 0
8 9 0 1
_
_
_
_
_
.
a. Udregn det(A
=
B
=
).
b. Udregn det(A
=
B
=
1
).
74. Lad A
=
=(a
i j
)
n,n
vre en nn-matrix. Med A
=
betegnes matricen (a
i j
)
n,n
.
a. Gr rede for, at det(A
=
) =(1)
n
det A
=
.
Matricen A
=
kaldes skvsymmetrisk hvis A
=
t
=A
=
.
b. Gr rede for, at hvis A
=
er skvsymmetrisk og regulr, da er n lige.
75. Find den inverse til matricen
A
=
=
_
_
3 5 2
2 3 4
5 0 5
_
_
ved hjlp af determinantformlen for invers matrix.
76. For ethvert c R betragtes matricen:
S
=
=
_
_
1 2 1
1 c +1 1
1 2 c +1
_
_
.
200
velsesopgaver
Bestem de vrdier af c, for hvilke S
=
er invertibel og bestem S
=
1
for disse vrdier af c.
77. Udregn determinanten
1 2 3 4
4 2 1 3
1 0 0 3
2 0 2 3
.
78. Udregn determinanten
0 a 0 b
a 0 b 0
0 b 0 a
b 0 a 0
.
79. Udregn flgende determinanter
2 1
1 2
2 1 0
1 2 1
0 1 2
2 1 0 0
1 2 1 0
0 1 2 1
0 0 1 2
.
80. Udregn
1+a 1 1 1a
1 1+a 1a 1
1 1a 1+a 1
1a 1 1 1+a
.
81. Find de vrdier af R for hvilke
1 1 1 0
0 1 1 1
1 0 1 1
1 1 0 1
=0.
82. Angiv for hver vrdi af a den fuldstndige lsning til ligningssystemet:
x
1
+2x
2
+3x
3
x
4
= 5
x
1
+3x
2
2x
3
= 6
.
3x
1
+7x
2
+4x
3
2x
4
= 4
x
2
5x
3
+x
4
= a
201
velsesopgaver
A
=
=
_
_
1 2 1
2 0 3
1 0 1
_
_
, B
=
=
_
_
1 2 3
3 0 1
2 1 2
_
_
.
a. Gr rede for, at A
=
er regulr og nd A
=
1
.
b. Gr rede for, at der ndes netop en lsning til matrixligningen
A
=
X
=
A
=
1
=B
=
.
og nd denne.
84. Givet matricen
M
=
=
_
_
_
_
_
0 a 0 0
a 0 a 0
0 a 0 a
0 0 a 0
_
_
_
_
_
,
hvor a R, a =0. Find M
=
1
.
A
=
=
_
_
0 1 1
1 1 0
1 0 1
_
_
, B
=
=
_
_
a 0 0
0 a 0
0 0 1
_
_
.
Find de vrdier af a for hvilke matrixligningen
A
=
X
=
=B
=
har en lsning, og ls ligningen for disse vrdier af a.
86. Gr rede for, at matricen
A
=
=
_
_
1 a
1
a
3
0 1 a
2
0 0 1
_
_
er regulr, og nd A
=
1
.
Idet
B
=
=
_
_
1 b
1
b
3
0 1 b
2
0 0 1
_
_
202
velsesopgaver
skal man beregne
A
=
B
=
A
=
1
B
=
1
.
87. Lad V vre et vektorrum, og lad a
1
, , a
n
vre vektorer i V. Idet afbildningen
f : R
n
V deneres
f
_
_
_
x
1
.
.
.
x
n
_
_
_ = x
1
a
1
+ +x
n
a
n
,
skal man gre rede for, at f er liner ved at vise at f opfylder L1 og L2.
88. Lad U og V vre vektorrum. Idet f : U V er en liner afbildning skal man gre
rede for, at
a. f (x+y) =f (x) +f (y) for x, y U, , R.
b. f (
1
x
1
+
2
x
2
+
3
x
3
) =
1
f (x
1
) +
2
f (x
2
) +
3
(x
3
) for x
1
, x
2
, x
3
U,
1
,
2
,
3
R.
c. f (
1
x
1
+ +
k
x
k
) =
1
f (x
1
) + +
k
f (x
k
) for x
1
, , x
k
U,
1
, ,
k
R.
89. Lad V vre et vektorrum. Gr rede for, at flgende er rigtigt:
a. Der ndes kun n nulvektor i V.
b. For hver vektor x V ndes der kun n vektor y V, s x+ y = o.
c. For hver vektor x V er 0x = o.
d. For hvert R er o = o.
e. Hvis x+ y = z er x = z y.
Der er nu givet yderligere et vektorrum U.
f. Gr rede for, at hvis f : U V er en liner afbildning da er f (o) = o.
90. Lad V =M
2,2
vre mngden af 22-matricer udstyret med den i noterne angivne
multiplikation med skalarer og addition.
a. Eftervis, at V er et vektorrum.
b. I V er der givet vektorerne
a =
_
2 1
1 4
_
og b =
_
1 2
2 4
_
.
Find de vektorer x og y i V for hvilke
x+2y =a og 2x y = b.
203
velsesopgaver
91. For ethvert c R er der i vektorrummet R
3
givet vektorsttet
a
1
=(1, 0, 1) , a
2
=(0, c, 0) , a
3
=(x, 0, 1).
Bestem de vrdier af c, for hvilke dette st er en basis i R
3
.
92. Lad V vre mngden af 2-talsjler R
2
. Gr i hvert af flgende tilflde rede for,
at V ikke er et vektorrum med hensyn til den angivne multiplikation med skalarer og
addition.
a.
_
x
1
x
2
_
+
_
y
1
y
2
_
=
_
x
1
+ y
1
x
2
+ y
2
_
og
_
x
1
x
2
_
=
_
x
1
x
2
_
.
b.
_
x
1
x
2
_
+
_
y
1
y
2
_
=
_
x
1
+ y
1
x
2
_
og
_
x
1
x
2
_
=
_
x
1
x
2
_
.
c.
_
x
1
x
2
_
+
_
y
1
y
2
_
=
_
x
1
+ y
1
x
2
+ y
2
_
og
_
x
1
x
2
_
=
_
2
x
1
2
x
2
_
.
93. Undersg i hvert af flgende tilflde om den angivne mngde er et underrum i R
4
.
a. Mngden af alle vektorer hvis frstekoordinat er et helt tal.
b. Mngden af alle vektorer hvis frstekoordinat er lig nul.
c. Mngden af alle vektorer hvori mindst en af de to frste koordinater er nul.
d. Mngden af alle vektorer hvori de frste to koordinater tilfredsstiller ligningen
x
1
+2x
2
=0.
e. Mngden af vektorer hvori de to frste koordinater tilfredsstiller ligningen x
1
+
2x
2
=1.
94. Undersg om vektorsttet
a
1
=(0, 1, 1, 1) , a
2
=(1, 0, 1, 1) , a
3
=(1, 1, 0, 1) , a
4
=(1, 1, 1, 0)
udgr en basis i R
4
.
95. Undersg i hvert af flgende tilflde omdet angivne vektorst er linert afhngigt,
linert uafhngigt, eller udgr en basis i R
3
.
a. a
1
=(1, 1, 0), a
2
=(1, 1, 1).
b. a
1
=(1, 0, 0), a
2
=(1, 1, 0), a
3
=(0, 1, 0).
204
velsesopgaver
c. a
1
=(1, 0, 0), a
2
=(1, 1, 0), a
3
=(1, 1, 1).
96. Lad V vre et vektorrum og lad U vre et underrum i V. Gr rede for, at
a. x+y U for x, y U, , R.
b.
1
x
1
+
2
x
2
+
3
x
3
U for x
1
, x
2
, x
3
U,
1
,
2
,
3
R.
c.
1
x
1
+ +
k
x
k
U for x
1
, , x
k
U,
1
, ,
k
R.
Antag nu yderligere, at M er en delmngde af U.
d. Gr rede for, at hvis MU da er span MU.
e. Gr rede for, at M er et underrum netop hvis span M= M.
97. Lad der vre givet et ligningssystem
a
11
x
1
+ +a
1n
x
n
=0
.
.
.
a
m1
x
1
+ +a
mn
x
n
=0 .
Gr rede for, at mngden af lsninger x = (x
1
, , x
n
) til dette ligningssystem udgr et
underrum i R
n
.
98. Find en basis for lsningsrummet til ligningssystemet
x
1
+3x
3
x
4
+x
5
= 0
x
3
x
4
5x
5
= 0 .
x
1
+x
2
x
3
+2x
4
+6x
5
= 0
99. Undersg i hvert af flgende tilflde om det angivne vektorst er linert afhn-
gigt, linert uafhngigt, eller udgr en basis i R
4
. I de tilflde hvor sttet er linert
afhngigt skal man angive en af vektorerne som linearkombination af de vrige.
a. a
1
=
_
_
_
_
_
1
1
2
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
0
0
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
4
6
8
6
_
_
_
_
_
, a
4
=
_
_
_
_
_
0
3
2
1
_
_
_
_
_
.
b. a
1
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
0
0
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
0
1
0
2
_
_
_
_
_
.
205
velsesopgaver
c. a
1
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
2
3
1
2
_
_
_
_
_
, a
3
=
_
_
_
_
_
3
1
2
1
_
_
_
_
_
, a
4
=
_
_
_
_
_
2
1
1
1
_
_
_
_
_
.
d. a
1
=
_
_
_
_
_
4
2
1
3
_
_
_
_
_
, a
2
=
_
_
_
_
_
6
5
5
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
2
1
3
5
_
_
_
_
_
.
100. Lad f : U V vre en homomor fra vektorrummet U ind i vektorrummet V. Lad
b V og lad L vre mngden
L ={x U | f (x) = b}.
Gr rede for, at L ikke er et underrum nr b = o.
Lad x
0
U vre en vektor og antag, at f (x
0
) = b. Idet K betegner kernen for f skal
man gre rede for, at hvis x U ogs opfylder f (x) = b, da ndes der en vektor y K, s
x = x
0
+ y. (Dette resultat kan kort udtrykkes sledes: L = x
0
+K.)
101. Graden af et polynomium
f (x) =a
0
+a
1
x+ +a
n
x
n
, x R,
i Pol (R) hvor ikke alle a
j
=0 er det strste tal j s a
j
=0. Lad for n =0, 1, 2, Pol
n
(R)
betegne mngden af polynomier af grad hjst n samt nul-polynomiet.
a. Vis, at Pol
n
(R) er et underrum i Pol (R).
b. Vis, at afbildningen : R
n+1
Pol
n
(R) givet ved
:
_
_
_
a
0
.
.
.
a
n
_
_
_ f ,
hvor
f (x) =a
0
+a
1
x+ +a
n
x
n
,
er en isomor. Hvad er dimensionen af Pol
n
(R) ?
c. Gr rede for, at polynomierne x
j
, j =0, 1, , n er en basis for Pol
n
(R).
d. Vis, at mngden af polynomier af grad lig med n ikke er et underrum i Pol (R).
206
velsesopgaver
102. Lad A
=
vre matricen
A
=
=
_
1 3
2 4
_
.
Vis ved udregning, at
A
=
2
span (E
=
, A
=
),
idet E
=
betegner 22-enhedsmatricen. (Vi arbejder her i vektorrummet M
2,2
.) Skriv A
=
2
som linearkombination af E
=
og A
=
.
103. Underrummet U i R
5
udspndes af
a
1
=(1, 1, 1, 0, 5),
a
2
=(1, 4, 5, 1, 3),
a
3
=(3, 2, 5, 2, 2),
a
4
=(2, 2, 10, 1, 1),
dvs. U = span (a
1
, a
2
, a
3
, a
4
).
Find et delst af a
1
, a
2
, a
3
, a
4
der er en basis for U, og skriv de vrige vektorer som
en linearkombination af vektorer fra den fundne basis.
104. I R
4
a
1
=(1, 0, 1, 1),
a
2
=(0, 1, 2, 1),
a
3
=(2, 1, 0, 1),
a
4
=(1, 1, 1, 0),
a
5
=(3, 2, 1, 1).
Bestem en basis for U = span (a
1
, , a
5
) der indeholder a
1
og a
5
. Bestem dernst en
basis for U, der indeholder a
3
og a
4
. Skriv i begge tilflde hver af vektorerne a
1
, , a
5
som linearkombination af de fundne basisvektorer.
105. Lad V vre et vektorrum.
a. Vis, at hvis U
1
,U
2
er underrum i V, da er ogs
U =U
1
U
2
et underrum.
207
velsesopgaver
b. Vis, at hvis U
1
, ,U
p
er underrum i V, da er ogs
U =U
1
U
p
et underrum.
106. Idet U
1
og U
2
er underrum i vektorrummet V deneres summen U
1
+U
2
af U
1
og
U
2
som mngden
U
1
+U
2
={x+ y | x U
1
, y U
2
}.
a. Gr rede for, at U
1
+U
2
er et underrum i V.
b. Idet (a
1
, , a
m
) er et frembringerst for U
1
og (b
1
, , b
n
) er et frembringerst
for U
2
skal man gre rede for, at (a
1
, , a
m
, b
1
, , b
n
) er et frembringerst for
U
1
+U
2
.
Lad nu U
1
vre underrummet i R
4
frembragt af vektorerne
a
1
=
_
_
_
_
_
1
2
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
,
og lad U
2
vre underrummet i R
4
frembragt af vektorerne
b
1
=
_
_
_
_
_
1
5
3
1
_
_
_
_
_
, b
2
=
_
_
_
_
_
1
1
0
1
_
_
_
_
_
.
c. Bestem en basis for U
1
+U
2
.
d. Bestem en basis for U
1
U
2
.
107. I R
3
a
1
=
_
_
1
0
1
_
_
, a
2
=
_
_
0
0
0
_
_
, a
3
=
_
_
1
1
1
_
_
, a
4
=
_
_
0
1
0
_
_
.
Angiv samtlige maksimalt linert uafhngige st af vektorer fra mngden {a
1
, a
2
, a
3
, a
4
}.
208
velsesopgaver
108. I R
4
a
1
=
_
_
_
_
_
1
0
1
0
_
_
_
_
_
, a
2
=
_
_
_
_
_
0
0
0
0
_
_
_
_
_
, a
3
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
4
=
_
_
_
_
_
0
1
0
1
_
_
_
_
_
, a
5
=
_
_
_
_
_
1
0
1
0
_
_
_
_
_
, a
6
=
_
_
_
_
_
1
0
0
0
_
_
_
_
_
.
Angiv samtlige maksimalt linert uafhngige st af vektorer fra mngden
{a
1
, a
2
, a
3
, a
4
, a
5
, a
6
}.
109. Der er givet flgende vektorer i R
5
:
a
1
=(1, 1, 0, 0, 0),
a
2
=(0, 1, 1, 0, 0),
a
3
=(0, 0, 1, 1, 0),
a
4
=(1, 0, 0, 1, 0),
a
5
=(0, 0, 1, 0, 1).
Gr rede for, at (a
1
, a
2
, a
3
, a
4
, a
5
) er en basis for R
5
.
110. I R
4
a
1
=
_
_
_
_
_
1
0
0
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
0
1
1
0
_
_
_
_
_
.
a. Gr rede for, at U = span (a
1
, a
2
) er et to-dimensionalt underrum.
b. Lad
v =
_
_
_
_
_
1
1
0
0
_
_
_
_
_
.
Find ortogonalprojektionen P
U
(v) af v p U.
111. I R
4
a
1
=
_
_
_
_
_
1
1
1
2
_
_
_
_
_
, a
2
=
_
_
_
_
_
3
2
2
4
_
_
_
_
_
, a
3
=
_
_
_
_
_
2
1
1
2
_
_
_
_
_
.
209
velsesopgaver
Find en basis for U = span (a
1
, a
2
, a
3
).
112. Undersg om de to vektorer
a
1
=(1, 0, 1, 0, 1, 0) , a
2
=(0, 1, 1, 1, 1, 1)
udspnder samme underrum i R
6
som de to vektorer
b
1
=(4, 5, 1, 5, 1, 5) , b
2
=(3, 2, 1, 2, 1, 2).
113. Bestem rangen af flgende matricer:
A
=
=
_
1 2 3 4
0 1 2 3
_
, B
=
=
_
_
_
_
_
1 1 2
0 0 0
2 1 3
2 2 4
_
_
_
_
_
,
C
=
=
_
_
1 0 2 2
1 0 1 2
2 0 3 4
_
_
, O
=
=
_
0 0 0
0 0 0
_
,
D
=
=
_
_
_
_
_
1 1 3 4
1 2 5 6
0 0 1 1
0 0 1 2
_
_
_
_
_
, E
=
=
_
_
1 0 0
0 1 0
0 0 1
_
_
.
114. Lad f : R
4
R
4
vre den linere afbildning der hrer til matricen
A
=
=
_
_
_
_
_
1 2 1 1
1 2 1 1
1 2 1 5
1 1 1 5
_
_
_
_
_
.
a. Bestem rgA
=
.
b. Bestem en basis for ker f .
c. Bestem en basis for f (R
4
), alts for billedet af R
4
ved f .
d. Bestem en basis a
1
, a
2
, a
3
, a
4
for R
4
og en basis b
1
, b
2
, b
3
, b
4
for R
4
, sledes at
f (x
1
a
1
+x
2
a
2
+x
3
a
3
+x
4
a
4
) = x
1
b
1
+ +x
r
b
r
,
hvor r =rgA
=
.
210
velsesopgaver
115. Lad U og V vre endelig dimensionale vektorrum, og lad f : U V vre en homo-
mor. Der er valgt en basis (b
1
, , b
r
) for f (U).
a. Gr rede for, at der ndes vektorer a
1
, , a
r
U, s f (a
1
) = b
1
, , f (a
r
) = b
r
.
b. Gr rede for, at a
1
, , a
r
c. St U
1
= span (a
1
, , a
r
), og st U
2
=ker f . Gr rede for, at U
1
U
2
={o}.
116. For ethvert t R er der givet matricen
B
=
=
_
_
t 2 2
0 1t 1
0 1 1t
_
_
.
a. Bestem for ethvert t R determinanten detB
=
.
b. Bestem for ethvert t R rangen af B
=
.
c. Bestem for ethvert t R lsningsmngden til ligningen
B
=
X
=
=
_
_
0
0
0
_
_
.
d. Bestem for ethvert t {0, 1, 2} lsningsmngden til ligningen
B
=
X
=
=
_
_
2
1
1
_
_
.
117. I vektorrummet U =R
3
, hhv. V =R
2
betragtes den naturlige basis
3
=
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
,
_
_
0
0
1
_
_
_
_
, hhv.
2
=
__
1
0
_
,
_
0
1
__
,
samt sttet
=
_
_
_
_
1
2
1
_
_
,
_
_
3
3
0
_
_
,
_
_
1
0
2
_
_
_
_
, hhv. =
__
1
1
_
,
_
1
1
__
.
a. Gr rede for at , hhv. er en basis for U, hhv. V. Denne basis kaldes den nye
basis for U, hhv. V.
211
velsesopgaver
b. Vektoren u U har koordinatsjle

[u] =
_
_
1
1
1
_
_
med hensyn til den nye basis . Find
u.
c. Bestem koordinattransformationsmatricen

T
3
, hhv.

T
2
, for overgang fra na-
turlig basis til ny basis i U, hhv. V.
d. Bestem koordinatsjler

[x],

[x
] for vektorerne x =
_
_
1
1
1
_
_
og x
=
_
_
3
5
3
_
_
.
e. Den linere afbildning f : U V reprsenteres i de naturlige baser af matricen
A
=
=
_
1 3 4
0 2 1
_
.
Bestem den matrix

[ f ]
der reprsenterer f i de nye baser.

f. Bestem vektorerne f (u) og f (x) i V.
g. Bestem disse vektorers nye koordinatsjler p to mder (dvs. ved benyttelse af
matricen

T
2
og ved benyttelse af matricen

[ f ]
.
h. Den linere afbildning g : U V reprsenteres i de nye baser af matricen
_
14 18 5
8 6 9
_
.
Bestem den matrix

2
[g]
3
, der reprsenterer g i de naturlige baser.
118. En liner afbildning (homomor) f : R
2
R
2
A
=
=
_
1 0
1 2
_
(dette er alts matricen for f hrende til den naturlige basis), og vektorerne a
1
og a
2
er
givet ved
a
1
=(1, 2) , a
2
=(2, 1).
a. Vis, at (a
1
, a
2
) er en basis for R
2
.
b. Find matricen for f med hensyn til basen (a
1
, a
2
).
119. Lad f : R
3
R
3
vre en liner afbildning, og lad vektorerne b
1
, b
2
, b
3
vre givet
ved
b
1
=(1, 1, 1) , b
2
=(1, 0, 1) , b
3
=(0, 1, 1).
212
velsesopgaver
a. Vis, at (b
1
, b
2
, b
3
) udgr en basis i R
3
.
b. Det vides, at den linere afbildning f har matricen
_
_
1 0 1
1 1 0
1 2 1
_
_
m.h.t. basen (b
1
, b
2
, b
3
). Find matricen for f m.h.t. den naturlige basis (e
1
, e
2
, e
3
)
for R
3
.
120. Lad f : R
3
R
3
vre den linere afbildning hvis matrix med hensyn til den natur-
lige basis er
_
_
1 2 1
2 0 2
0 1 1
_
_
.
Lad desuden q
1
=
_
_
0
4
1
_
_
, q
2
=
_
_
3
2
1
_
_
, q
3
=
_
_
1
1
1
_
_
.
a. Vis, at sttet Q =(q
1
, q
2
, q
3
) udgr en basis for R
3
.
b. Udregn f (q
i
) (i =1, 2, 3), og bestem dens koordinatst med hensyn til Q.
c. Benyt resultatet i (b) til at bestemme matricen for f med hensyn til Q.
d. Find den fuldstndige lsning til ligningssystemet f (x) = q
1
. (Vink: Det er lettest
at udfre regningerne i Q-koordinater).
121. Find i hvert af flgende tilflde eventuelle egenvrdier og tilhrende egenvekto-
rer for matricen A
=
. Undersg endvidere om matricen er diagonaliserbar, og nd i givet
fald en basis der diagonaliserer matricen, samt en matrix T
=
, s T
=
A
=
T
=
1
er en diagonal-
matrix.
a.
A
=
=
_
2 4
5 1
_
.
b.
A
=
=
_
1 2
4 3
_
.
213
velsesopgaver
c.
A
=
=
_
1 1
4 5
_
.
d.
A
=
=
_
_
5 1 1
1 5 1
1 1 5
_
_
.
122. Lad
A
=
=
_
6 t
t 6
_
og B
=
=
_
_
1 2 2
0 t 2
0 0 t
2
_
_
, t R.
Bestem de vrdier af t, for hvilke A
=
hhv. B
=
er diagonaliserbare.
123. Find egenvrdier og egenvektorer for matricen
A
=
=
_
_
_
_
_
5 6 12 18
2 2 10 3
0 0 7 4
0 0 8 5
_
_
_
_
_
.
124. Afgr i hvert af flgende tilflde, om den angivne matrix er diagonaliserbar, og
nd i bekrftende fald en diagonaliserende koordinattransformationsmatrix:
a.
A
=
=
_
2 1
5 2
_
.
b.
A
=
=
_
_
1 1 2
1 2 1
0 1 1
_
_
.
c.
A
=
=
_
_
1 1 1
1 1 0
1 0 1
_
_
.
214
velsesopgaver
125. Lad endomorerne f og g af talrummet R
3
have matricerne henholdsvis
A
=
=
_
_
1 1 1
0 1 0
0 0 1
_
_
og B
=
=
_
_
0 0 1
0 0 1
0 0 1
_
_
med hensyn til den naturlige basis for R
3
. Find en basis for R
3
med hensyn til hvilken
matricerne for f og g begge er diagonalmatricer, og opskriv en matrix T
=
, s T
=
A
=
T
=
1
og
T
=
B
=
T
=
1
begge er diagonalmatricer.
126. Antag, at x er egenvektor for matricen A
=
med tilhrende egenvrdi , og at x er
egenvektor for matricen B
=
med tilhrende egenvrdi . Gr rede for, at x er egenvektor
for matricerne A
=
+B
=
og A
=
B
=
, og angiv de tilsvarende egenvrdier.
127. Hvert r optrder den frygtede MK-inuenza som man har 40% chance for at f,
idet chancen dog kun er 20% hvis man har haft den ret fr.
I en given stor befolkningsgruppe beskrives sundhedstilstanden (hvad angr MK-
inuenzaen) efter n r ved en sundhedsvektor
X
=
n
=
_
P
n
N
n
_
,
hvor P
n
er antallet der fr MK-inuenzaen, og N
n
er antallet der ikke fr MK-
inuenzaen i r n.
a. Find en matrix A
=
, s X
=
n+1
= A
=
X
=
n
.
b. Gr rede for, at A
=
er diagonaliserbar, og nd en regulr matrix S
=
s D
=
= S
=
A
=
S
=
1
c. Udregn ved hjlp af punkt b. en tilnrmet vrdi for X
=
10
, og nd hvorledes syg-
domsfordelingen udvikler sig efter et stort antal r.
128. I R
3
a
1
=
_
_
3
1
2
_
_
, a
2
=
_
_
2
1
3
_
_
.
Find en ortonormalbasis for underrummet U i R
3
udspndt af a
1
, a
2
. Udvid dernst
den fundne ortonormalbasis til en ortonormalbasis for R
3
.
215
velsesopgaver
129. I R
4
a
1
=
_
_
_
_
_
2
1
1
0
_
_
_
_
_
, a
2
=
_
_
_
_
_
3
1
0
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
4
0
1
1
_
_
_
_
_
.
Find en ortonormalbasis for underrummet U i R
4
udspndt af a
1
, a
2
, a
3
. Udvid dernst
den fundne ortonormalbasis til en ortonormalbasis for R
4
.
130. I R
3
er givet vektorerne
a
1
=
1
3
_
_
1
2
2
_
_
og a
2
=
1
3
2
_
_
4
1
1
_
_
.
a. Eftervis, at a
1
og a
2
er ortogonale enhedsvektorer.
b. Find en vektor a
3
, s a
1
, a
2
, a
3
c. Idet S
=
er 33-matricen
_
a
1
a
2
a
3
_
skal man eftervise, at S
=
t
S
=
= E
=
, dvs. at S
=
er
regulr med S
=
1
=S
=
t
.
d. Bestemkoordinaterne af standardenhedsvektorerne med hensyn til basen (a
1
, a
2
, a
3
).
131. I R
4
a
1
=
1
3
_
_
_
_
_
1
2
0
2
_
_
_
_
_
, a
2
=
1
2
_
_
_
_
_
0
1
0
1
_
_
_
_
_
, a
3
=
1
153
_
_
_
_
_
8
2
9
2
_
_
_
_
_
.
a. Eftervis, at a
1
, a
2
, a
3
b. Find en vektor a
4
s a
1
, a
2
, a
3
, a
4
c. Idet S
=
er 44-matricen
_
a
1
a
2
a
3
a
4
_
skal man eftervise, at S
=
t
S
=
=E
=
, dvs. at S
=
er regulr med S
=
1
=S
=
t
.
132. Lad M vre flgende delmngde af R
4
:
M=
_
_
_
_
_
_
_
1
0
0
1
_
_
_
_
_
,
_
_
_
_
_
1
1
1
0
_
_
_
_
_
,
_
_
_
_
_
3
2
2
1
_
_
_
_
_
_
_
.
216
velsesopgaver
a. Bestem en basis for span M.
b. Bestem en basis for M
.
c. Bestem ortogonale baser for de to ovennvnte underrum af R
4
.
133. Er flgende udsagn sandt ? Et st bestende af n indbyrdes vinkelrette egentlige
vektorer i et n-dimensionalt euklidisk vektorrum, er en basis for vektorrummet.
134. Gr rede for, at hvis S
=
er en ortogonal matrix, s er det S
=
enten +1 eller 1.
135. Gr rede for, at hvis S
=
og T
=
er ortogonale nn-matricer, da er S
=
T
=
ligeledes en
ortogonal nn-matrix.
3
er givet
a =
_
_
4
5
2
_
_
, a
1
=
_
_
1
2
2
_
_
, a
2
=
_
_
1
5
1
_
_
.
Bestem ortogonalprojektionen af a p span {a
1
, a
2
}.
4
er givet
a =
_
_
_
_
_
5
2
2
2
_
_
_
_
_
, a
1
=
_
_
_
_
_
2
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
1
3
0
_
_
_
_
_
.
1
, a
2
}.
4
er givet vektoren
a =
_
_
_
_
_
3
5
9
3
_
_
_
_
_
samt vektorerne
a
1
=
_
_
_
_
_
1
1
1
1
_
_
_
_
_
, a
2
=
_
_
_
_
_
2
1
1
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
2
7
1
1
_
_
_
_
_
.
1
, a
2
, a
3
}.
217
velsesopgaver
3
R
3
er givet ved den symmetriske matrix
A
=
=
_
_
3 1 1
1 3 1
1 1 5
_
_
.
a. Bestem egenvrdierne for f .
b. Find en ortonormalbasis b
1
, b
2
, b
3
for R
3
(med hensyn til det sdvanlige skalar-
produkt p R
3
) bestende af egenvektorer for f .
c. Find en ortogonal matrix S
=
sledes at S
=
A
=
S
=
1
er en diagonalmatrix, og opskriv
denne diagonalmatrix.
3
R er med hensyn til den naturlige basis i R
3
givet ved
matricen
A
=
=
_
_
5 1 1
1 5 1
1 1 5
_
_
.
a. Bestem en ortonormalbasis b
1
, b
2
, b
3
for R
3
sledes at f i denne basis reprsente-
res ved en diagonalmatrix, og opskriv denne diagonalmatrix.
b. Opskriv koordinattransformationsmatricen for overgang fra den naturlige basis
til basen b
1
, b
2
, b
3
.
3
R
3
C
=
=
_
_
9 9 18
0 6 0
1 3 0
_
_
.
a. Undersg om f er diagonaliserbar, og nd i givet fald en basis bestende af egen-
vektorer.
b. Findes der en ortonormalbasis bestende af egenvektorer ?
A
=
=
_
a 2+2a
a 1+2a
_
,
hvor a betegner et givet reelt tal.
218
velsesopgaver
a. Find samtlige egenvrdier for A
=
.
b. Find de vrdier af a for hvilke A
=
er diagonaliserbar.
c. Gr rede for, at hvis a =
2
3
, da ndes en ortogonal matrix S
=
, s S
=
A
=
S
=
1
er en
diagonalmatrix, og nd en sdan matrix S
=
.
143. Vi betragter en kvadratisk form k ved
k
_
_
x
1
x
2
x
3
_
_
=ax
2
1
+ax
2
2
+(a+6)x
2
3
+2x
1
x
2
+8x
1
x
3
+2ax
2
x
3
.
Bestem de vrdier af a for hvilke k er positivt denit.
144. Lad B
=
vre den symmetriske 44-matrix til hvilken der svarer den kvadratiske
form
k(x
1
, x
2
, x
3
, x
4
) = x
2
1
+x
2
2
+x
2
3
+x
2
4
+2x
1
x
2
+2x
1
x
3
+2x
2
x
3
2x
1
x
4
2x
2
x
4
2x
3
x
4
.
a. Bestem egenrummet V
0
R
4
svarende til egenvrdien 0 for B
=
.
b. Bestem en basis for V
0
.
c. Diagonaliser B
=
(vink: benyt a. og b.), og afgr denitheden af k.
145. Lad B
=
vre en symmetrisk matrix. Gr rede for, at B
=
er negativt denit hvis og
kun hvis B
=
er positivt denit. Benyt dette samt Stning 7.5.5 til at indse gyldigheden
af flgende udsagn:
B
=
er negativt denit netop hvis der om de ledende underdeterminanter glder
_
_
_
detB
=
i
<0 for i ulige
detB
=
i
>0 for i lige
.
Undersg dernst denitheden af matricen
B
=
=
_
_
3 1 2
1 2 1
2 1 5
_
_
.
146. Find et eksempel p en 22 symmetrisk matrix B
=
, hvis ledende underdeterminan-
ter detB
=
1
og detB
=
2
begge er 0, uden at B
=
er positivt semidenit.
219
D. Blandede opgaver
1. Find den fuldstndige lsning til flgende linere ligningssystem
x
1
+4x
2
+3x
3
+4x
4
= 2
2x
1
+x
2
x
3
= 5
.
2x
1
+x
3
+2x
4
= 6
3x
1
+x
2
2x
3
+x
4
= 6
2. Find den fuldstndige lsning til ligningssystemet
2x
1
+x
2
x
4
= 0
3x
1
x
2
+x
3
x
4
= 0 .
2x
1
x
2
4x
3
+3x
4
= 0
3. Angiv for hver vrdi af a den fuldstndige lsning til ligningssystemet:
x
1
+2x
2
+3x
3
x
4
= 5
x
1
+3x
2
2x
3
= 6
.
3x
1
+7x
2
+4x
3
2x
4
= 4
x
2
5x
3
+x
4
= a
A
=
=
_
_
5 4 2
8 7 4
4 4 3
_
_
.
a. Find samtlige egenvrdier for A
=
.
b. Find en basis for hvert af egenrummene for A
=
.
c. Undersg, om der ndes en regulr matrix S
=
, sledes at S
=
A
=
S
=
1
er en diagonal-
matrix, og nd i givet fald en sdan matrix S
=
.
221
Blandede opgaver
5. I talrummet R
4
a
1
=
_
_
_
_
_
1
1
0
0
_
_
_
_
_
, a
2
=
_
_
_
_
_
1
0
0
1
_
_
_
_
_
, a
3
=
_
_
_
_
_
0
1
1
2
_
_
_
_
_
.
a. Gr rede for, at vektorerne a
1
, a
2
, a
3
b. Idet R
4
udstyres med det sdvanlige skalarprodukt skal man bestemme ortogo-
nalprojektionen af vektoren
_
_
_
_
_
1
0
7
2
_
_
_
_
_
p span (a
1
, a
2
, a
3
).
6. En homomor f : R
3
R
3
er givet ved
f :
_
_
x
1
x
2
x
3
_
_
_
_
4x
1
+x
3
3x
2
x
1
+4x
3
_
_
,
_
_
x
1
x
2
x
3
_
_
R
3
.
a. Opskriv matricen, der reprsenterer f i den naturlige basis for R
3
.
b. Gr rede for, at f er diagonaliserbar i en ortonormalbasis.
c. Bestem egenvrdierne for f .
d. Find en ortonormalbasis i R
3
(med hensyn til det sdvanlige skalarprodukt) be-
stende af egenvektorer for f .
e. Find en egenvektor, der er vinkelret p vektoren
_
_
2
2
1
_
_
.
7. En funktion k : R
3
R er givet ved
k :
_
_
x
1
x
2
x
3
_
_
2(x
1
+x
2
+x
3
)
2
(x
1
x
2
)
2
(x
2
x
3
)
2
.
222
Blandede opgaver
a. Gr rede for, at k er en kvadratisk form, og opskriv den tilhrende symmetriske
matrix B
=
.
b. Bestem antallet af positive og negative karakteristiske rdder og rangen af B
=
.
x
1
+2x
3
= 3
2x
1
+x
2
+3x
3
= 6
.
x
1
+x
3
= 0
x
1
+x
2
+x
3
= 3
x
1
+2x
3
= 3
2x
1
+x
2
+3x
3
= 6
.
x
1
+x
3
= 0
x
1
+x
2
+x
3
= 4
x
1
+2x
3
= 3
2x
1
+x
2
+3x
3
= 6
.
3x
1
+x
2
+5x
3
= 9
x
1
+x
2
+x
3
= 3
11. Hilbertmatricen
H
=
(n) =
_
_
_
_
_
1
1
2
1
3

1
n
1
2
1
3
1
4

1
n+1

1
n
1
n+1
1
n+2

1
2n1
_
_
_
_
_
=
_
1
i + j 1
_
1i, jn
.
Det kan vises, at H
=
(n) er regulr for n 1. Endvidere er (det H
=
(n))
1
et naturligt tal
som vokser meget hurtigt med n. Derfor benyttes H
=
(n) ofte til at teste programmer til
brug i liner algebra. Find H
=
(n)
1
for n =1, 2, 3, 4.
12. En cyklisk permutation af lngde p (en p-cykel) er en permutation i S
n
(n p), hvor
x
1
, , x
p
er forskellige tal i {1, 2, , n} og
x
1
x
2
x
p1
x
p
, x
p
x
1
,
og alle vrige n p tal er uberrte. Den skrives kort (x
1
x
2
x
p
).
223
Blandede opgaver
a. Vis, at en p-cykel kan fs ved sammenstning af en (p1)-cykel og en 2-cykel.
b. Vis, at
sign (x
1
x
2
x
p
) =(1)
p1
.
13. Skriv permutationen
=
_
1 2 3 4 5 6 7 8 9 10
3 6 5 8 1 2 9 10 4 7
_
som sammenstninger af cykliske permutationer, der ikke berrer flles elementer, og
beregn herved fortegnet for .
14. Fibonaccitallene er deneret ved
f
0
=0, f
1
=1, f
2
=1, f
3
=2, f
4
=3,
hvor f
n+1
= f
n
+ f
n1
for n 1.
Vis (ved induktion), at
A
=
n
=
_
1 1
1 0
_
n
=
_
f
n+1
f
n
f
n
f
n1
_
for n 1.
Find en regulr 22-matrix S
=
, s at
S
=
A
=
S
=
1
=
_
1
2
(1+
5) 0
0
1
2
(1
5)
_
.
Find herved flgende formel for f
n
:
f
n
=
1
5
__
1
2
_
1+
5
__
n
_
1
2
_
1
5
__
n
_
.
Vis, at
f
n+1
f
n
1
2
(1+
5) for n .
Tallet
1
2
(1+
5) kaldes det gyldne snit, og er kendt fra den europiske kunsthistorie.

15. I vektorrummet V =Pol
3
(R) betragtes den naturlige basis
(e
1
, e
2
, e
3
, e
4
) =(1, x, x
2
, x
3
).
Vis, at
(
1
,
2
,
3
,
4
) =(1, 1+x, 1+x+x
2
, 1+x+x
2
+x
3
)
224
Blandede opgaver
ogs er en basis for V og angiv koordinattransformationsmatricerne ved basisskift mel-
lem de to baser.
16. Idet
c(t) =
1
2
(e
t
+e
t
) , s(t) =
1
2
(e
t
e
t
),
er V =span (c(t), s(t)).
Vis, at dimV =2.
Lad D =
d
dt
. Vis, at D : V V er en liner afbildning, og angiv den matrix A
=
, der
reprsenterer D i basen (c(t), s(t)).
Find en basis for V bestende af egenvektorer for D, og angiv den matrix, der repr-
senterer D i en sdan basis.
225
Indeks
adjungerede matrix, 30
adjungerede linere afbildning, 32
afbildning, 165
algebraens fundamentalstning, 168
algebraisk multiplicitet, 132
basis, 89
bijektiv, 53, 166
billede, 96, 165, 166
billedmngde, 166
blokmatrix, 11
Cramers formler, 76
denit, 161
denitionsmngde, 165
despositionsmngde, 165
determinant, 65, 71, 122
diagonaliserbar, 123
diagonalisering, 124, 127, 134, 135, 155
diagonalmatrix, 9, 28
dimension, 89
dimensionsstningen, 109
dobbeltrod, 133
egenrum, 124
egentlig vektor, 3
egenvektor, 124
egenvrdi, 124
egenvrdimultiplicitet, 124
elementr matrix, 22
endeligdimensional, 89
endomor, 122
enhedsmatrix, 9
enhedsvektor, 144
euklidisk vektorrum, 143
faktorisering, 133
fortegn, 68
frembragt underrum, 96
fri variabel, 50
funktion, 165
funktionsvrdi, 165
geometrisk multiplicitet, 124
Gram-Schmidt ortogonalisering, 146
Gram-Schmidt ortonormalisering, 146
hele tal, 165
hermitisk, 33
homogent ligningssystem, 41
homomor, 87
identisk afbildning, 16, 167
indgang, 8
indre produkt, 143
indre produkt vektorrum, 143
inhomogent, 41
injektiv, 53, 97, 166
invers matrix, 26
inversion, 68
invertibel matrix, 26
isomorfe vektorrum, 88
isomor, 88
karakteristiske polynomium, 125
kerne, 96
kompleks matrix, 8
227
Stikord
komplekse tal, 165, 167
komplekst diagonaliserbar, 128
komplekst konjugerede, 168
komplekst vektorrum, 86
komplement, 78
koordinatafbildning, 113
koordinater, 90
koordinater , 1
koordinatst, 90
koordinatsjle, 114
koordinatsjlen, 90
koordinattransformationsmatrix, 114
kvadratisk form, 159
kvadratisk matrix, 9
ledende underdeterminant, 162
ledende undermatrix, 162
ledende variabel, 49
lige permutation, 68
linearkombination, 2, 95
liner afbildning, 12, 87
linert ligningssystem, 41
linert uafhngig, 100
lngde, 6, 144
lsning til ligningssystem, 41
lsningsmngde, 41
matrix, 8
matrixinversion, 57
matrixprodukt, 19
modsatte matrix, 21
naboombytning, 69
naturlig basis, 91
normal matrix, 163
normering, 144
nulmatrix, 8
nulvektor, 3, 86
operationsmatrix, 53
ortogonal, 6, 144
ortogonal diagonaliserbar, 163
ortogonal matrix, 150
ortogonalst, 144
ortonormalbasis, 144
ortonormalst, 144
parameterfremstilling, 45
permutation, 67
pilereglen, 66
rang, 108, 109
rationelle tal, 165
reduceret trappematrix, 40
reel matrix, 8
reelle tal, 165
reelt diagonaliserbar, 128
reelt liner, 12
reelt vektorrum, 86
regulr matrix, 26, 57, 75
rodmultiplicitet, 132
rkkematrix, 11
rkkeoperation, 35
semidenit, 161
skalarprodukt, 5, 143
span, 96
standard enhedssjlematrix, 11
standard enhedsvektor, 7
surjektiv, 53
symmetrisk, 32, 155
sjlematrix, 10, 11
sjleoperationer, 36
sjlereglen, 14
sjlevektor, 8
talrum, 1
totalmatrix, 42
transponerede linere afbildning, 32
transponering, 29, 31, 70
trappematrix, 37
trekantsmatrix, 10
trin, 37
trivielle underrum, 93
udtyndingsalgoritmen, 105
udvidelsesalgoritmen, 106
228
Stikord
ulige permutation, 68
underrum, 93
unitr matrix, 151
vektor, 86
vektorrum, 85
vrdimngde, 166
229

NVP - Lineær Algebra - Noter

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

NVP - Lineær Algebra - Noter

Uploaded by

Copyright:

Available Formats

Forelsningsnoter til

Eksempel 1.1.6 Hvis x, y i C

Eksempel 1.2.2 Matricen

1.3. Linere afbildninger

Eksempel 1.3.3 Afbildningen f : R

Eksempel 1.3.4 En fabrik fremstiller to varer X

Til en given mn-matrix A

Eksempel 1.4.3 Vi udregner et produkt af en 23-matrix og en 34-matrix. Den re-

Stning 1.4.5 For matrixregning glder flgende regneregler:

1.5. Invers matrix

givet ved 23-matricen

Om transponering og adjungering af matricer glder:

) ligeledes regulr, og der glder

flger p samme mde. 2

(y)) for alle vektorer x F

(y) for alle y F

Eksempel 1.6.9 Flgende matricer er hermitiske

Af Stning 1.6.7 fs umiddelbart

Til hver rkkeoperation svarer en omvendt rkkeoperation:

Tilsvarende er der tre typer sjleoperationer, nemlig

Eksempel 2.2.4 Flgende matricer er (trin-3 hhv. trin-4) trappematricer. Trinnene er

Eksempel 2.2.7 Vi omformer en kompleks matrix til en trin-2 trappematrix

Eksempel 2.3.5 Vi vil bestemme lsningsmngden til det linere ligningssystem

Vi kan opsummere den beskrevne lsningsmetode for linere ligningssystemer p

er der ingen lsninger.

er lig antallet af sjler

er mindre end antal

med d trin. Der glder da:

har da ingen lsninger, idet totalmatricen C

blive overfrt i en matrix

Stning 2.3.15 Lad A

med d trin. Der glder da:

med d trin. (1): Hvis f er surjektiv flger det af Stning 2.3.15, at m= d n.

Stning 2.5.3 Lad A

2.6. Regulre matricer. Matrixinversion

til en trappematrix med d

Eksempel 2.6.11 Vi vil undersge om matricen

Stning 3.3.11 Hvis permutationen er sammensat af p naboombytninger, da er sign

3.6. Determinant og invers matrix

=(2)(1210) +3(14+18) =92.

, er linert uafhngigt; thi ligningen

ses, at hvis vi vlger j

=3 er dermed ogs rgA

med d trin. Der glder, at

= d, s rgf +dim(ker f ) = d+(nd) = n =dimF

ved hjlp af rkkeoperationer; udfres s p A

(den nye basis). Den kaldes for koordinattransformationsmatricen

, kan nde den tilhrende koordinat-

til A den inverse af koordinat-

, dvs. for j =1, . . . , n skal

er nn matricen der har basisvektorerne fra A

som sjler. Iflge afsnit 2.3

hhv. fra basen B til basen

Bevis. Vi har diagrammet

Iflge bemrkningerne til Stning 5.2.1 er f =id

, og reprsenteres f i den nye basis ved matricen

hrende til F forsts underrummet

={x | f (x) =x},

> 0 em > 0, og det( f e) =

={o}. Hermed er stningen vist. 2

Figur 6.1.: Egenvektorer for den linere afbildning f : R

6.2. Betydningen af rodmultipliciteterne

3. Alts er P(x) = x(x +2)

1, og da hver rod iflge Stning 6.1.8 er egenvrdi, er em