Grundstudium Mathematik

Prüfungstraining

Thomas C. T. Michaels
Marcel Liechti

Prüfungstraining
Lineare Algebra
Band I:
Matrizen, Determinanten,
Lineare Gleichungssysteme,
Vektorräume, Lineare Abbildungen,
Eigenwerte und Eigenvektoren
Grundstudium Mathematik
Grundstudium Mathematik Prüfungstraining

Herausgegeben von
Thomas C. T. Michaels, Department of Physics and Astronomy,
University College London, London, UK
Marcel Liechti, Institut Mathematik-Coaching, Dübendorf,
Schweiz
Übung macht den Meister. Oder anders formuliert, zum Prüfungserfolg führen Üben, Lernen, Üben,
Trainieren.... Nur womit? Die Bände in der Reihe Grundstudium Mathematik Prüfungstraining
ergänzen ideal die gängigen Lehrbücher zum Bachelor-Studium Mathematik und die Mathematik-
Grundlagenvorlesungen für Ingenieur-, naturwissenschaftliche und wirtschaftswissenschaftliche
Studiengänge. Die Bücher folgen einem bewährten Konzept: Zum einen bieten sie eine Sammlung vieler
sorgfältig ausgewählter Aufgaben mit ausführlichen, gut verständlichen Lösungen und Beispielen. Aber
auch die Theorie kommt nicht zu kurz, der wesentliche Stoff wird kompakt wiederholt. Eine ideale
Kombination für die Prüfungsvorbereitung.

Weitere Bände in der Reihe: [Link]

Thomas C. T. Michaels • Marcel Liechti

Prüfungstraining
Lineare Algebra
Band I: Matrizen, Determinanten, Lineare Gleichungssysteme,
Vektorräume, Lineare Abbildungen, Eigenwerte und
Eigenvektoren
Thomas C. T. Michaels Marcel Liechti
Department of Physics and Astronomy Institut Mathematik-Coaching
University College London Dübendorf, Schweiz
London, UK

ISSN 2504-3641 ISSN 2504-3668 (electronic)

Grundstudium Mathematik
ISBN 978-3-030-65885-4 ISBN 978-3-030-65886-1 (eBook)
[Link]

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;

detaillierte bibliografische Daten sind im Internet über [Link] abrufbar.

Birkhäuser
© Der/die Herausgeber bzw. der/die Autor(en), exklusiv lizenziert an Springer Nature Switzerland AG
2022
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht
ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags.
Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und die
Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in
diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung zur
Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die Rechte
des jeweiligen Zeicheninhabers sind zu beachten.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in
diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch
die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des
Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen
und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.

Planung/Lektorat: Sarah Annette Goob

Birkhäuser ist ein Imprint der eingetragenen Gesellschaft Springer Nature Switzerland AG und ist ein Teil
von Springer Nature.
Die Anschrift der Gesellschaft ist: Gewerbestrasse 11, 6330 Cham, Switzerland
 V

Vorwort

Zu den vielen existierenden Büchern zur linearen Algebra gesellt sich hier ein weiteres,
aber sehr spezielles. Das vorliegende Buch soll vielen Studenten im Assessmentjahr
die lang ersehnte echte Hilfe zur effektiven Prüfungsvorbereitung liefern. Beim
Verfassen des Buches hatten die Autoren die folgenden Aspekte im Fokus:
5 Viele typische Aufgaben der linearen Algebra I, die sich rezeptartig und didak-
tisch transparent lösen lassen. Das Buch bietet eine Sammlung der wichtigsten
Lösungsrezepte und Tricks.
5 Eine übersichtliche Darstellung in Hauptthemen, die in ein oder zwei Semestern Li-
neare Algebra an Universitäten, Technischen Hochschulen oder Fachhochschulen
behandelt werden.
5 Eine Aufteilung des Stoffes in viele etwa gleich kurze Übungs- bzw. Lerneinheiten.
In jedem Kapitel werden die wichtigen Definitionen und Sätze kurz und einfach
zusammengefasst und diese Theorie wird anhand von ausführlich durchgerechne-
ten Musterbeispielen erklärt.
5 Zahlreiche Beispiele erklären die Theorie anschaulich und didaktisch transparent.
Sie untermauern das Anwenden der vorgeschlagenen „Kochrezepte“ durchge-
hend.
5 Ausführliche, verständliche Lösungsanleitungen mit verschiedenen Schwierig-
keitsgraden. Durch ◦ ◦ ◦ (leicht), • ◦ ◦, • • ◦, bis • • • (schwierig) wird ein
ungefährer Schwierigkeitsgrad der Aufgaben vorgeschlagen.
5 Es wurden bewusst Übungen gewählt, die sowohl für Studenten von anwen-
dungsorientierten Fachrichtungen wie für zukünftige Ingenieure, Wirtschafts-
wissenschafter, Naturwissenschafter, Informatiker als auch für theorieorientierte
Mathematiker und Physiker geeignet sind. Insbesondere befinden sich im Buch
zahlreiche Beweisaufgaben mit bekannten Tricks um die „Kunst“ des Beweisen
eintrainieren zu können.
5 Mittels 150 Multiple-Choice-Aufgaben, wie sie immer häufiger an Assessment-
Prüfungen aufzufinden sind, inklusive Lösungen, wird der erarbeitete Gesamt-
stoff nochmals repetiert und gefestigt.
5 Zu guter Letzt offerieren wir am Schluss, quasi als letzten Schliff, vier komplette
3- bis 4-stündige Musterprüfungen vom Schwierigkeitsgrad leichter • ◦ ◦ ◦ bis
schwierig • • • •; natürlich mit ausführlichen Lösungswegen!

Was darf man sich also vom vorliegenden Buch erwarten? Im Buch befinden sich
mehr als 600 prüfungsrelevante Übungen, alle ausführlich gelöst. Alle Lösungsschritte
werden akurat durchgerechnet und es gibt kein „trivial“ oder „man sieht leicht“.
Dieses Buch eignet sich also perfekt zum Trainieren und hilft zu verstehen, was
konkret hinter den abstrakten Definitionen und Sätzen der linearen Algebra steckt.
Es ist aus unserer Sicht das ideale Begleitbuch für jeden Studenten als Prüfungsvorbe-
reiter. Viele anspruchsvolle, weiterführende Themen und „härtere“ Beispiele wurden
bewusst in den Folgeband Prüfungstraining Lineare Algebra Band II ausgelagert.
Das Buch will ganz bewusst das ganze Spektrum von relativ elementaren bis
anspruchsvollen Beispielen abdecken. Unsere langjährige Erfahrung im Mathematik-
coaching an Hochschulen erlaubt uns, eine grobe Klassifizierung der Bearbeitungs-
VI Vorwort

gruppen vorzunehmen. Es ist uns klar, dass ein Wirtschaftsstudent nicht die gleichen
Anforderungen in lineare Algebra hat wie ein Physik- oder Mathematikstudent. Die
vorgeschlagene Tabelle ist als „Empfehlung“ zu verstehen, die jederzeit individuell
angepasst werden kann.

Wirtschaft, Architektur, Bauingenieur

Maschinenbau, Elektrotechnik

Naturwissenschaften

Mathematik, Physik
Lehramtsstudenten

Informatik
Teil I ••◦ ••◦ ••◦ ••• ••• •••
Teil II •◦◦ ••◦ ••◦ ••◦ ••◦ •••
Teil III •◦◦ ••◦ ••◦ ••◦ ••• •••
Beispiele in C – ••◦ ••◦ •◦◦ ••◦ •••
Beispiele in Pn (K) – •◦◦ ••◦ •◦◦ ••◦ •••

Ein Buch kann kaum alle Bedürfnisse gleichzeitig erfüllen: Es wird somit nicht auf
Exaktheit und Beweisvollständigkeit verzichtet. Wir haben überall dort, wo es uns
inhaltlich richtig erschien, Beweise in Form von Beispielen vollständig präsentiert.
Technische Beweise, welche nur lange Schreibarbeit erfordern, aber keinen wesentli-
chen Beitrag zum Verständnis beitragen, wurden bewusst weggelassen, wir verweisen
auf die umfangreiche entsprechende Literatur.
Wir wollen das Buch jetzt nicht weiter beschreiben: Sie haben es ja vor sich! Wir
sind überzeugt, dass Sie ein echtes Juwel in Ihren Händen tragen. Wir wünschen von
Herzen einen überzeugenden Prüfungserfolg und hoffentlich nimmt dieses Buch allen
Lesern die unnötige Angst, die sie möglicherweise vor der linearen Algebra haben!
Nicht vergessen wollen wir die vielen Studenten, die uns verschiedene gute Tipps und
Korrekturen mitgeteilt haben. Insbesondere die ETHZ-Mathematikstudenten Tanja
Kaister und Raphael Guido. Wir danken Claudia Flandoli ([Link]) für
die Herstellung aussagekräftiger Grafiken.
Thomas Michaels

Marcel Liechti
Mai 2021
 VII

Inhaltsverzeichnis

I Grundlagen: Matrizen und lineare Gleichungssysteme

1 Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Matrizen (Grundlagen) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Reelle Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Matrizen auf beliebigen Körpern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Die Menge Km×n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 Wichtige Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Operationen auf und mit Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.1 Addition und Subtraktion von Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Skalarmultiplikation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Transponierte Matrix AT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 Komplexe Konjugation A. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.5 Adjungierte Matrix A* . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.6 Produkt von Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2.7 Blockmatrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.2.8 Potenzen von Matrizen und Matrixpolynome. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.2.9 Die Spur einer Matrix. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.3 Inverse Matrix und die Menge GL(n, K) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.3.1 Singuläre Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.3.2 Die Menge GL(n, K) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.3.3 Rechenregeln für inverse Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.4 Spezielle Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.4.1 Symmetrische Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.4.2 Schiefsymmetrische Matrizen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.4.3 Hermitesche oder selbstadjungierte Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.4.4 Orthogonale Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.4.5 Unitäre Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.4.6 Idempotente Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.4.7 Involutive Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.4.8 Nilpotente Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.4.9 Normale Matrizen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

2 Lineare Gleichungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.1 Lineare Gleichungssysteme (LGS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.1.1 Lösungsmenge eines LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.1.2 LGS auf beliebigen Körpern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.1.3 Bestimmung der Lösungsmenge eines LGS durch elementare Zeilenoperationen . . . . . . . . . . . 61
2.2 Der Gauß-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.2.1 Zeilenstufenform einer Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.2.2 Matrixdarstellung eines LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.2.3 Der konkrete Gauß-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.2.4 Kochrezept für Gauß-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.2.5 Weitere Beispiele zum Gauß-Algorithmus: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
VIII Inhaltsverzeichnis

2.2.6 Diskussion von LGS mit Parametern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

2.2.7 LGS auf beliebigen Körpern . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101
2.2.8 Homogene und inhomogene LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .103
2.3 Rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .106
2.3.2 Berechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .107
2.3.3 Rang und LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .115
2.3.4 Homogene LGS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
2.4 Matrizengleichungen und inverse Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
2.4.1 Matrizengleichungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .126
2.4.2 Bestimmung der inversen Matrix A-1 mithilfe des Gauß-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . .127

3 Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.1 Definition und erste Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.1.1 Determinante von (2 × 2)-Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .138
3.1.2 Determinante von (3 × 3)-Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .139
3.1.3 Determinante von (n × n)-Matrizen – Laplace-Entwicklung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .141
3.1.4 Rechenregeln für Determinanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .145
3.1.5 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .146
3.2 Determinante und Gauß-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
3.3 Allgemeine Definition der Determinante – die Leibniz-Formel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
3.3.1 Permutationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .174
3.3.2 Die Menge Sn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .176
3.3.3 Transpositionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .177
3.3.4 Darstellung von Parmutationen durch Transpositionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .177
3.3.5 Signum einer Permutation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .178
3.3.6 Leibniz-Formel für Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .179
3.4 Inverse Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
3.4.1 Invertierbarkeit und Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .183
3.4.2 Inverse einer (2 × 2)-Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .183
3.4.3 Inverse einer (n × n)-Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .184
3.4.4 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .186
3.5 Cramer’sche Regel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
3.5.1 Homogene LGS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .199

4 LR-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
4.1 LR-Zerlegung ohne Zeilenvertauschung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
4.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .202
4.1.2 Bestimmung der LR-Zerlegung (praktisch) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .203
4.1.3 Existenz und Eindeutigkeit der LR-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .211
4.1.4 Lösung von LGS durch LR-Zerlegung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .217
4.2 LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
4.2.1 Permutationsmatrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .222
4.2.2 Eigenschaften von Permutationsmatrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .223
4.2.3 Gauß-Algorithmus mit Pivotstrategie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .225
4.2.4 LR-Zerlegung mit Zeilenvertauschung. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .226
4.2.5 Lösung von LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .231
 IX
Inhaltsverzeichnis

4.3 Zeilenvertauschung: ja oder nein? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234

4.3.1 Numerische Stabilität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .235
4.4 Komplexität der LR-Zerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238

II Vektorräume
5 Vektorräume und Unterräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.1 Vektorräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
5.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .246
5.1.2 Beispiele von Vektorräumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .247
5.2 Unterräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
5.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .257
5.2.2 Beispiele von Unterräumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .259
5.2.3 Unterräume und LGS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .260
5.3 Affine Unterräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
5.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .270
5.3.2 Affine Unterräume und LGS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .271
5.3.3 Parameterdarstellung von affinen Unterräumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .272
5.4 Operationen mit Unterräumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
5.4.1 Durchschnitt und Vereinigung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .274
5.4.2 Summe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .278
5.4.3 Direkte Summe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .280

6 Vektorraumstruktur: Basis, Dimension und Koordinaten . . . . . . . . . . . . . . . . . . . . . . 287

6.1 Linearkombinationen, Span und Erzeugendensysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
6.1.1 Linearkombinationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .289
6.1.2 Span . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .292
6.1.3 Erzeugendensysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .296
6.2 Lineare Abhängigkeit und Unabhängigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
6.3 Basis, Dimension und Koordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
6.3.1 Basis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .307
6.3.2 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .309
6.3.3 Koordinaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .316
6.3.4 Folgerung: Endlichdimensionale Vektorräume V sind isomorph zum Kn . . . . . . . . . . . . . . . . . . . . . . .322
6.4 Berechnungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
6.4.1 Das Rangkriterium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .324
6.4.2 Das Determinantenkriterium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .325
6.4.3 Lineare Unabhängigkeit von Abbildungen und die Wronski-Determinante . . . . . . . . . . . . . . . . . . . .325
6.4.4 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .327
6.5 Basiswechsel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
6.5.1 Basiswechsel zwischen der Standardbasis E und einer anderen Basis B . . . . . . . . . . . . . . . . . . . . . . . .350
6.5.2 Basiswechsel zwischen zwei allgemeinen Basen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .353
6.5.3 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .356
X Inhaltsverzeichnis

III Lineare Abbildungen

7 Lineare Abbildungen I: Definition und Matrixdarstellung . . . . . . . . . . . . . . . . . . . . . 369
7.1 Lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
7.1.1 Definition einer linearen Abbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .370
7.1.2 Spezielle lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .372
7.1.3 Die Abbildungsräume Hom(V, W) und End(V) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .373
7.1.4 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .374
7.2 Matrixdarstellung von linearen Abbildungen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
7.2.1 Einführendes Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .379
7.2.2 Die Darstellungsmatrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .380
7.2.3 Geometrische Interpretation linearer Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .386
7.2.4 Eigenschaften der Darstellungsmatrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .388
7.2.5 Kochrezept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .390
7.2.6 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .391
7.3 Wichtige lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
7.3.1 Wichtige lineare Abbildungen R2 → R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .408
7.3.2 Wichtige lineare Abbildungen R3 → R3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .410
7.3.3 Klassifikation von linearen Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .416

8 Lineare Abbildungen II: Kern, Bild und Basiswechsel . . . . . . . . . . . . . . . . . . . . . . . . . . . 421

8.1 Kern und Bild . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 422
8.1.1 Definition und Eigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .422
8.1.2 Dimensionsformel für lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .423
8.1.3 Injektivität, Surjektivität und Isomorphismen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .424
8.1.4 Rang einer linearen Abbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .425
8.1.5 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .428
8.2 Isomorphe Vektorräume. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 446
8.2.1 Einführendes Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .446
8.2.2 Isomorphe Vektorräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .447
8.2.3 Endlichdimensionale Vektorräume sind isomorph zu Kn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .447
8.2.4 Hom(V, W) ist isomorph zu Km×n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .448
8.2.5 Kommutative Diagramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .448
8.3 Basiswechsel für lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 453
8.3.1 Konstruktion des Basiswechsels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .454
8.3.2 Basiswechsel für Endomorphismen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .455
8.3.3 Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .457
8.4 Äquivalenz und Ähnlichkeit von Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
8.4.1 Äquivalente Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .474
8.4.2 Ähnliche Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .475

9 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487

9.1 Definition und erste Beispiele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 488
9.1.1 Eigenwerte und Eigenvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .488
9.1.2 Eigenraum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .488
9.1.3 Geometrische Interpretation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .489
9.1.4 Spektrum und Spektralradius . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .490
 XI
Inhaltsverzeichnis

9.2 Bestimmung von Eigenwerten, deren Eigenvektoren und Eigenräumen . . . . . . . . . . . . . . . . . . 501

9.2.1 Bestimmung des Eigenraumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .501
9.2.2 Bestimmung von Eigenwerten – das charakteristische Polynom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .502
9.2.3 Kochrezept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .504
9.2.4 Weitere nützliche Eigenschaften und Tricks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .504
9.3 Eigenwerte und Eigenvektoren von Endomorphismen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541
9.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .541
9.3.2 Zusammenhang mit Matrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .542

10 Prüfungstrainer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 549
10.1 Multiple-Choice-Fragen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 550
10.2 Musterprüfung 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 574
10.3 Musterprüfung 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 577
10.4 Musterprüfung 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 582
10.5 Musterprüfung 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 587
10.6 Multiple-Choice Fragen – Lösungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 593
10.7 Musterprüfung 1 – Musterlösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 615
10.8 Musterprüfung 2 – Musterlösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 619
10.9 Musterprüfung 3 – Musterlösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 625
10.10 Musterprüfung 4 – Musterlösung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 633

Serviceteil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 643
Anhang A Analytische Geometrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 644
Anhang B Mengen, Gruppen und Körper . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 658
Anhang C Die komplexen Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 665
Literaturverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 678
Stichwortverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 679
 1 I

Grundlagen:
Matrizen und lineare
Gleichungssysteme
Inhaltsverzeichnis

Kapitel 1 Matrizen – 3

Kapitel 2 Lineare Gleichungssysteme – 57

Kapitel 3 Determinanten – 137

Kapitel 4 LR-Zerlegung – 201

 3 1

Matrizen
Inhaltsverzeichnis

1.1 Matrizen (Grundlagen) – 5

1.1.1 Reelle Matrizen – 5
1.1.2 Matrizen auf beliebigen Körpern – 6
1.1.3 Die Menge Km×n – 6
1.1.4 Wichtige Matrizen – 7

1.2 Operationen auf und mit Matrizen – 9

1.2.1 Addition und Subtraktion von Matrizen – 9
1.2.2 Skalarmultiplikation – 11
1.2.3 Transponierte Matrix AT – 13
1.2.4 Komplexe Konjugation A – 14
1.2.5 Adjungierte Matrix A* – 15
1.2.6 Produkt von Matrizen – 16
1.2.7 Blockmatrizen – 24
1.2.8 Potenzen von Matrizen und Matrixpolynome – 27
1.2.9 Die Spur einer Matrix – 31

1.3 Inverse Matrix und die Menge GL(n, K) – 33

1.3.1 Singuläre Matrizen – 34
1.3.2 Die Menge GL(n, K) – 34
1.3.3 Rechenregeln für inverse Matrizen – 34

1.4 Spezielle Matrizen – 39

1.4.1 Symmetrische Matrizen – 39
1.4.2 Schiefsymmetrische Matrizen – 41
1.4.3 Hermitesche oder selbstadjungierte Matrizen – 44
1.4.4 Orthogonale Matrizen – 46
1.4.5 Unitäre Matrizen – 49
1.4.6 Idempotente Matrizen – 50
1.4.7 Involutive Matrizen – 52

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
1.4.8 Nilpotente Matrizen – 53
1.4.9 Normale Matrizen – 55
1.1 • Matrizen (Grundlagen)
5 1
Bevor wir mit der eigentlichen linearen Algebra loslegen, wollen wir in diesem ersten
Kapitel kompakt, quasi als Vokabular, die wichtigsten Tatsachen über Matrizen
festhalten.

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 1 sind Sie in der Lage:
5 Aufbau und Manipulation von Matrizen zu verstehen und zu erklären,
5 Eigenschaften von Matrizen wie Spur, Potenz, Transponierte, Adjungierte, Inverse,
etc. zu erklären und anzuwenden,
5 die wichtigsten Matrizentypen zu interpretieren und anzuwenden,
5 die wichtigsten Eigenschaften spezifischer Matrizen zu erklären und anzuwenden.

1.1 Matrizen (Grundlagen)

1.1.1 Reelle Matrizen

Eine reelle (m × n)-Matrix ist eine rechteckige Anordnung von reellen Zahlen in m
Zeilen und n Spalten. Eine beliebige reelle (m × n)-Matrix A sieht somit wie folgt aus:

⎡ ⎤⎫
a11 a12 · · · a1n ⎪ ⎪
⎪
⎢ a21 a22 · · · a2n ⎥⎪ ⎬
⎢ ⎥
A= ⎢ . . . . ⎥ m Zeilen (1.1)
⎣ .. .. . . .. ⎦⎪ ⎪
⎪
⎪
am1 am2 · · · amn ⎭
$ %& '
n Spalten

wobei die Zahlen aij ∈ R die Matrixelemente (auch Matrixeinträge) von A bezeich-
nen, kurz:

[A]ij = aij . (1.2)

Der erste Index i nummeriert die Zeilen von A, der zweite Index j die Spalten von A.
Das Matrixelement aij befindet sich somit an der Kreuzung der i-ten Zeile und j-ten
Spalte:
⎡ ⎤
..
⎢ . ⎥
⎢ ⎥
A = ⎢ · · · aij · · · ⎥ ← i-te Zeile (1.3)
⎣ ⎦
..
.
↑
j -te Spalte

Die Matrixelemente aii (d. h. mit i = j) befinden sich auf der Hauptdiagonalen von
A und werden somit als Diagonalelemente bezeichnet.
6 Kapitel 1 • Matrizen

1.1.2 Matrizen auf beliebigen Körpern

Die Einträge einer Matrix A brauchen nicht immer reell zu sein. In der Tat kann man
beispielsweise auch komplexe Matrizen betrachten, deren Einträge komplexe Zahlen
sind. Im Allgemeinen kann man Matrizen auf beliebigen Körpern K definieren, wenn
die Matrixelemente zu K gehören.

> Bemerkung
In der Praxis finden wir oft K = R (reelle Matrizen), K = C (komplexe Matrizen),
K = Q (rationale Matrizen) oder K = Zp (Primkörper). Es ist wichtig, dass der Leser
sich mit den Rechenregeln auf solchen Körper vertraut macht (vgl. Übung 1.9 und
Anhang B.3).

1.1.3 Die Menge Km×n

! Definition 1.1
Die Menge aller (m × n)-Matrizen mit Einträgen aus K (wobei K = R, C, Q, usw.)
bezeichnet man mit

Km×n := {Alle (m × n)-Matrizen mit Einträgen aus K} (1.4)

"

! Beispiel
5 Rm×n = reelle Matrizen
5 Cm×n = komplexe Matrizen "

Dimension
Wir wollen nun kurz die Dimension von Km×n diskutieren. Wir werden den Begriff
der Dimension später in 7 Kap. 6 noch genauer definieren. Für die momentane
Betrachtung reicht es zu wissen, dass die Dimension einer Menge grundsätzlich die
Anzahl der freien Parameter ist, die man braucht, um diese Menge zu definieren. Um
eine reelle (m×n)-Matrix aufzustellen, muss man m·n reelle Zahlen angeben, d. h., eine
reelle (m × n)-Matrix hat m · n freie Parameter. Man sagt, dass die Menge aller reellen
(m × n)-Matrizen die Dimension m · n besitzt. Man schreibt dies:
/ 0
dim Rm×n = m · n. (1.5)

! Beispiel
dim(R2×2 ) = 4, dim(R3×3 ) = 9, usw. "

Für komplexwertige Matrizen muss man aufpassen:

5 Betrachtet man die Menge der komplexen (m × n)-Matrizen über R, so muss man
beachten, dass jede komplexe Zahl zwei freie Parameter hat: den Real- und den
1.1 • Matrizen (Grundlagen)
7 1
Imaginärteil. Daher benötigen wir für jeden Matrixeintrag zwei reelle Zahlen. Die
Dimension von Cm×n über R ist somit:
/ 0
dimR Cm×n = 2 m · n. (1.6)

5 Betrachtet man die komplexen (m×n)-Matrizen über C, so benötigen wir für jeden
Matrixeintrag eine komplexe Zahl. Daher ist die Dimension von Cm×n über C:
/ 0
dimC Cm×n = m · n. (1.7)

1.1.4 Wichtige Matrizen

Wir betrachten jetzt einige wichtige Beispiele von Matrizen.

5 Sind alle Elemente der Matrix A gleich Null (aij = 0 für alle i, j) so nennt man A
die Nullmatrix:
⎡ ⎤
0 0 ··· 0
⎢0 0 · · · 0⎥
⎢ ⎥
0 := ⎢ . . . . ⎥ . (1.8)
⎣ .. .. . . .. ⎦
0 0 ··· 0

5 Die Matrix
⎡ ⎤
1 0 ··· 0
⎢0 1 · · · 0⎥
⎢ ⎥
E := ⎢ . . . . ⎥ (1.9)
⎣ .. .. . . .. ⎦
0 0 ··· 1

heißt sinngemäß Einheitsmatrix (oder Identitätsmatrix). Die Einträge der Ein-

heitsmatrix sind wie folgt definiert:
1
1, i=j
[E]ij := δij = (1.10)
0, sonst

wobei δij das sogenannte Kronecker-Delta darstellt (nach dem Deutschen Mathe-
matiker Leopold Kronecker).
5 Eine Matrix A mit m = n (d. h. A hat die gleiche Anzahl Zeilen und Spalten) heißt
quadratisch:
⎡ ⎤
a11 a12 · · · a1n
⎢a21 a22 · · · a2n ⎥
⎢ ⎥
A=⎢ . .. . . .. ⎥ . (1.11)
⎣ .. . . . ⎦
an1 an2 · · · ann
8 Kapitel 1 • Matrizen

5 Eine Matrix mit aij = 0 für alle i < j heißt eine untere Dreiecksmatrix. Bei diesen
Matrizen sind alle Elemente über der Diagonalen gleich Null:
⎡ ⎤
a11 0 ··· 0
⎢a21 a22 ··· 0 ⎥
⎢ ⎥
A=⎢ . .. .. .. ⎥. (1.12)
⎣ .. . . . ⎦
an1 an2 · · · ann

5 Eine Matrix mit aij = 0 für alle i > j heißt eine obere Dreiecksmatrix. Mit anderen
Worten, alle Elemente unter der Diagonalen sind Null:
⎡ ⎤
a11 a12 · · · a1n
⎢ 0 a22 · · · a2n ⎥
⎢ ⎥
A=⎢ . .. . . .. ⎥ . (1.13)
⎣ .. . . . ⎦
0 0 · · · ann

5 Eine Matrix mit aij = 0 für alle i ̸= j heißt Diagonalmatrix. Bei diesen Matrizen
sind alle Elemente außer der Diagonalen gleich Null:
⎡ ⎤
a11 0 ··· 0
⎢ 0 a22 ··· 0 ⎥
⎢ ⎥
A=⎢ . .. .. .. ⎥ (1.14)
⎣ .. . . . ⎦
0 0 · · · ann

Notiert wird dies oft wie folgt:

A = diag[a11 , a22 , · · · , ann ]. (1.15)

5 Ein Zeilenvektor ist eine (1 × n)-Matrix, d. h. eine Matrix mit nur einer Zeile:
2 3
v = v1 v2 · · · vn . (1.16)

5 Ein Spaltenvektor ist eine (m × 1)-Matrix, d. h. eine Matrix mit nur einer Spalte:
⎡ ⎤
v1
⎢ v2 ⎥
⎢ ⎥
v = ⎢ . ⎥. (1.17)
⎣ .. ⎦
vm

5 Eine Blockdiagonalmatrix (oder Kästchenmatrix) ist eine Matrix in Diagonalge-

stalt, wobei die Diagonalelemente selbst Matrizen sind:
1.2 • Operationen auf und mit Matrizen
9 1
⎡ ⎤
A1 0 ··· 0
⎢ 0 A2 ··· 0 ⎥
⎢ ⎥
A = diag[A1 , A2 , · · · , Ap ] = ⎢ . .. .. .. ⎥. (1.18)
⎣ .. . . . ⎦
0 0 · · · Ap

Die Matrizen A1 , A2 , · · · , Ap sind die Blöcke von A. Zum Beispiel, die folgende
Matrix
⎡ ⎤
12300
⎢4 5 6 0 0⎥ 4 5
⎢ ⎥
⎢ ⎥ A1 0
⎢7 8 9 0 0⎥ =
⎢ ⎥ 0 A2
⎣0 0 0 1 2⎦
00003

ist eine Blockdiagonalmatrix mit (3 × 3)- und (2 × 2)-Blöcken. Man beachte, dass
eine Diagonalmatrix ein Spezialfall einer Blockdiagonalmatrix ist, welche nur aus
(1 × 1)-Blöcken besteht.

1.2 Operationen auf und mit Matrizen

Wir betrachten nun die wichtigsten Operationen bezüglich Matrizen.

1.2.1 Addition und Subtraktion von Matrizen

Für zwei Matrizen A, B ∈ Km×n , mit der gleichen Dimension, definiert man die
Summe oder Differenz A ± B ∈ Km×n wie folgt. Es seien aij und bij die Einträge
von A beziehungsweise B. Dann ist die Matrix A ± B durch

[A ± B]ij := aij ± bij (1.19)

definiert. Anders ausgedrückt, die Einträge von A und B werden einfach addiert oder
subtrahiert. Explizit:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
a11 · · · a1n b11 · · · b1n a11 ± b11 · · · a1n ± b1n
⎢ .. . . . ⎥ ⎢ . .. . ⎥ ⎢ .. .. .. ⎥
⎣ . . .. ⎦ ± ⎣ .. . .. ⎦ = ⎣ . . . ⎦. (1.20)
am1 · · · amn bm1 · · · bmn am1 ± bm1 · · · amn ± bmn

! Beispiel
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
−1 3 2 4 1 1 −1 + 4 3 + 1 2 + 1 3 4 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 4 0 1⎦ + ⎣3 2 −2⎦ = ⎣ 4 + 3 0 + 2 1 + (−2)⎦ = ⎣ 7 2 −1⎦ . "
−2 1 5 1 2 −3 −2 + 1 1 + 2 5 + (−3) −1 3 2
10 Kapitel 1 • Matrizen

! Satz 1.1 (Rechenregeln für Addition/Subtraktion von Matrizen)

Seien A, B, C ∈ Km×n Matrizen mit den gleichen Dimensionen. Dann gelten die folgenden
Rechenregeln:
(A1) A + B = B + A (Kommutativität der Addition)
(A2) (A + B) + C = A + (B + C) (Assoziativität der Addition)
(A3) A + 0 = A "

> Bemerkung
Aus Eigenschaft (A3) folgt, dass die Nullmatrix 0 das neutrale Element bezüglich der
Addition/Subtraktion von Matrizen ist.

Übung 1.1
◦ ◦ ◦ Man berechne (sofern möglich) A + B und A − B:
⎡ ⎤ ⎡ ⎤
2 04 1 3 1
⎢ ⎥ ⎢ ⎥
a) A = ⎣−1 4 5⎦, B = ⎣0 −1 2⎦ über K = R.
2 26 0 5 1
⎡ ⎤ ⎡ ⎤
110 2 4
⎢ ⎥ ⎢ ⎥
b) A = ⎣1 0 1⎦, B = ⎣−1 −1⎦ über K = R.
011 6 1
⎡ ⎤ ⎡ ⎤
i 1+i 1 2
⎢ ⎥ ⎢ ⎥
c) A = ⎣1 − i 1 ⎦, B = ⎣3i 4 ⎦ über K = C.
1 −1 5 6i
⎡ ⎤ ⎡ ⎤
1 2 1 1
⎢ ⎥ ⎢ ⎥
d) A = ⎣1 3⎦, B = ⎣−1 −1⎦ über K = Z3 .
0 1 2 4

v Lösung ⎤ ⎡ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 0 4 1 3 1 2+1 0+3 4+1 3 3 5
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
a) A + B = ⎣−1 4 5⎦ + ⎣0 −1 2⎦ = ⎣−1 + 0 4 + (−1) 5 + 2⎦ = ⎣−1 3 7⎦ ,
2 2 6 0 5 1 2+0 2+5 6+1 2 7 7
⎡⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 0 4 1 3 1 2−1 0−3 4−1 1 −3 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A − B = ⎣−1 4 5⎦ − ⎣0 −1 2⎦ = ⎣−1 − 0 4 − (−1) 5 − 2⎦ = ⎣−1 5 3⎦ .
2 2 6 0 5 1 2−0 2−5 6−1 2 −3 5

b) Die Matrizen A und B haben nicht die gleichen Dimensionen. Somit sind die
Operationen A + B und A − B nicht definiert.
1.2 • Operationen auf und mit Matrizen
11 1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
i 1+i 1 2 1+i 1+i+2 1+i 3+i
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
c) A+B = ⎣1 − i 1 ⎦ + ⎣3i 4 ⎦ = ⎣1 − i + 3i 1 + 4 ⎦ = ⎣1 + 2i 5 ⎦,
1 −1 5 6i 1+5 −1 + 6i 6 −1 + 6i
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
i 1+i 1 2 i−1 1+i−2 i−1 i−1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A − B = ⎣1 − i 1 ⎦ − ⎣3i 4 ⎦ = ⎣1 − i − 3i 1 − 4 ⎦ = ⎣1 − 4i −3 ⎦ .
1 −1 5 6i 1−5 −1 − 6i −4 −1 − 6i

d) Wir führen alle Rechnungen in Z3 durch (vgl. Anhang B.4). In Z3 ist 3 = 0, 5 = 2,

−2 = 1 und −3 = 0. Daher:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 1 1 23 20
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A + B = ⎣1 3⎦ + ⎣−1 −1⎦ = ⎣0 2⎦ = ⎣0 2⎦
0 1 2 4 25 22
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 1 1 0 1 0 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A − B = ⎣1 3⎦ − ⎣−1 −1⎦ = ⎣ 2 4 ⎦ = ⎣2 1⎦ .
0 1 2 4 −2 −3 1 0
#

Übung 1.2 ⎡ ⎤ ⎡ ⎤
1 −2 3 1 2 0
⎢ ⎥ ⎢ ⎥
◦ ◦ ◦ Man betrachte die reellen Matrizen A = ⎣0 5 −6⎦ , C = ⎣−1 5 2⎦ . Man
2 −1 4 2 1 3
bestimme eine Matrix B, sodass A + B = C gilt.

v Lösung ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 0 1 −2 3 0 4 −3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Aus A + B = C folgt B = C − A = ⎣−1 5 2⎦ − ⎣0 5 −6⎦ = ⎣−1 0 8 ⎦ . #
2 1 3 2 −1 4 0 2 −1

1.2.2 Skalarmultiplikation

Die Skalarmultiplikation beschreibt das Produkt einer beliebigen (m × n)-Matrix A

aus Km×n mit einer Zahl (Skalar) α ∈ K (in der Praxis ist K = R, C, Q, Zp , usw.).
Alle Einträge von A werden einfach mit α multipliziert, d. h., α A ist die Matrix mit
den Einträgen

[α A]ij := α aij . (1.21)

12 Kapitel 1 • Matrizen

Explizit:
⎡ ⎤ ⎡ ⎤
a11 a12 ··· a1n α a11 α a12 · · · α a1n
⎢ a21 a22 ··· ⎥ ⎢
a2n ⎥ ⎢ α a21 α a22 · · · α a2n ⎥
⎢ ⎥
α⎢ . .. .. .. ⎥ = ⎢ .. .. .. .. ⎥ . (1.22)
⎣ .. . . . ⎦ ⎣ . . . . ⎦
am1 am2 · · · amn α am1 α am2 · · · α amn

! Beispiel
6 7 6 7 6 7
12 6·1 6·2 6 12
6 = = ."
34 6·3 6·4 18 24

! Satz 1.2 (Rechenregeln für Skalarmultiplikation)

Seien A, B ∈ Km×n und α, β ∈ K. Dann gelten die folgenden Rechenregeln:
(S1) (αβ) A = α (β A) (Assoziativität der Skalarmultiplikation)
(S2) α (A + B) = α A + α B (Distributivität der Skalarmultiplikation)
(S3) α 0 = 0 "

Übung 1.3
◦ ◦ ◦ Man führe jeweils die Skalarmultiplikation über K durch:
⎡ ⎤ 6 7
1 2 i0 −i 9 6
⎢ ⎥ c) 3 , K=C
a) 2 ⎣−2 3⎦ , K = R i 1 3 −2i
⎡ ⎤
1 0 12
⎡ ⎤ ⎢ ⎥
2 0 −7 d) 2 ⎣0 2⎦ , K = Z5
⎢ ⎥
b) (−4) ⎣−4 3 2 ⎦ , K = R 34
−2 1 0

v Lösung
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 2·1 2·2 2 4
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
a) 2 ⎣−2 3⎦ = ⎣2 · (−2) 2 · 3⎦ = ⎣−4 6⎦ .
1 0 2·1 2·0 2 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 0 −7 (−4) · 2 (−4) · 0 (−4) · (−7) −8 0 28
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
b) (−4) ⎣−4 3 2 ⎦ = ⎣(−4) · (−4) (−4) · 3 (−4) · 2 ⎦ = ⎣ 16 −12 −8⎦ .
−2 1 0 (−4) · (−2) (−4) · 1 (−4) · 0 8 −4 0
6 7 6 7 6 7
i i i i 1
0 −i 9 6 · 0 3 · (−i) 3 · 9 3 ·6 0 3 3i 2i
c) 3i = 3i = .
i 1 3 −2i 3 ·i
i
3 ·1
i i
3 · 3 3 · (−2i) − 31 3i i 23
1.2 • Operationen auf und mit Matrizen
13 1
d) Wir führen alle Rechnungen in Z5 durch (vgl. Anhang B.4). In Z5 ist 6 = 1 und
8 = 3. Daher:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 2 4 2 4
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
2 ⎣0 2⎦ = ⎣0 4⎦ = ⎣0 4⎦ .
3 4 6 8 1 3 #

1.2.3 Transponierte Matrix AT

Sei A eine (m × n)-Matrix mit Einträgen aij . Die Transponierte von A, notiert als AT ,
ist die (n × m)-Matrix mit den Einträgen
8 9
AT := aji . (1.23)
ij

Beachte, dass bei AT die Indices i und j vertauscht werden. Die Zeilen von AT sind
somit die Spalten von A und, vice versa, die Spalten von AT sind die Zeilen von A:
⎡ ⎤ ⎡ ⎤
a11 a12 · · · a1n a11 a21 · · · am1
⎢ a21 a22 · · · a2n ⎥ ⎢ a12 a22 · · · am2 ⎥
⎢ ⎥ ⎢ ⎥
A=⎢ . .. . . .. ⎥ ⇒ AT = ⎢ . .. . . .. ⎥ . (1.24)
⎣ .. . . . ⎦ ⎣ .. . . . ⎦
am1 am2 · · · amn a1n a2n · · · amn
$ %& ' $ %& '
m×n n×m

Praxistipp

Das Vertauschen der Indizes i und j bei der Transponierten AT entspricht der Spiege-
lung von A an der Hauptdiagonale aii von oben links nach unten rechts

! Beispiel
⎡ ⎤
⎡ ⎤ 1 5 9
1 2 3 4 ⎢2
⎢ ⎥ ⎢ 6 10⎥⎥
A = ⎣5 6 7 8 ⎦ ⇒ AT = ⎢ ⎥. "
⎣3 7 11⎦
9 10 11 12
$ %& ' 4 8 12
3×4 $ %& '
4×3
14 Kapitel 1 • Matrizen

! Satz 1.3 (Rechenregeln für Transponierte AT )

Seien A, B ∈ Km×n Matrizen mit gleichen Dimensionen und α ∈ K. Dann gelten die
folgenden Rechenregeln:
(T1) (A + B)T = AT + BT
: ;T
(T2) AT =A
(T3) (αA)T = αAT "

Übung 1.4
◦ ◦ ◦ Man bestimme zu jeder der folgenden Matrizen die Transponierte:
⎡ ⎤ ⎡ ⎤
13 0 6 7 1 −2i 0
⎢ ⎥ 1 3 2 3 ⎢ ⎥
A = ⎣3 4 −1⎦ , B = , C = ⎣2i i 0 ⎦
3 −4 0 1
2 5 −3 0 0 −1
⎡ ⎤
⎡ ⎤ 0 31 ⎡ ⎤
2 ⎢ 3 0 5⎥ 1 0 −3 2 11
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
D = ⎣ 0 ⎦, E = ⎢ ⎥, F = ⎣30 −10 0 5 7 ⎦ .
⎣−1 5 0⎦
−1 2 1 −15 0 1
1 11

v Lösung
⎡⎤
⎡ 1⎤ 3 ⎡ ⎤
1 3 2 ⎢3 ⎥ 1 2i 0
⎢ ⎥ ⎢ −4⎥ T ⎢ ⎥
AT = ⎣3 4 5 ⎦ , BT = ⎢ ⎥, C = ⎣−2i i 0 ⎦,
⎣2 0⎦
0 −1 −3 0 0 −1
3 1
⎡ ⎤
1 30 2
⎡ ⎤ ⎢ ⎥
8 9 0 3 −1 1 ⎢ 0 −10 1 ⎥
⎢ ⎥ ⎢ ⎥
DT = 2 0 −1 , E T = ⎣3 0 5 1⎦ , F T = ⎢
⎢−3 0 −15⎥.
⎥ #
⎢ ⎥
15 0 1 ⎣2 5 0 ⎦
11 7 1

1.2.4 Komplexe Konjugation A

Bei einer komplexwertigen (m × n)-Matrix A ∈ Cm×n , definiert man die komplexe

Konjugation A durch
8 9
A := aij . (1.25)
ij
1.2 • Operationen auf und mit Matrizen
15 1
Praxistipp

Bei A werden alle Matrixeinträge komplex konjugiert. Erinnerung: Für eine komplexe
Zahl z = x + iy, ist die konjugiert komplexe Zahl z̄ = x − iy (vgl. Anhang B.4.2). Zum
Beispiel 1 + 2i = 1 − 2i.

> Bemerkung
Man beachte, dass für reellwertige Matrizen A = A gilt.

! Beispiel
6 7 6 7
2 + 3i 1 2 − 3i 1
A= ⇒ A= . "
i 1 + 2i −i 1 − 2i

Übung 1.5
◦ ◦ ◦ Man führe für jede der folgenden Matrizen die komplexe Konjugation durch:
⎡ ⎤ ⎡ ⎤
6 7 i 1+i 1 2 + 2i
0 −i 9 6 ⎢ ⎥ ⎢ ⎥
A= , B = ⎣1 − i 1 ⎦ , C = ⎣2 − 3i 4 ⎦ .
i 1 3 −2i
1 −1 5 1 − 6i

v Lösung ⎡⎤ ⎡ ⎤
6 7 −i 1 − i 1 2 − 2i
0 i 9 6 ⎢ ⎥ ⎢ ⎥
A= , B = ⎣1 + i 1 ⎦ , C = ⎣2 + 3i 4 ⎦ . #
−i 1 3 2i
1 −1 5 1 + 6i

1.2.5 Adjungierte Matrix A*

Sei A ∈ Cm×n eine komplexwertige (m × n)-Matrix mit Einträgen aij . Die Adjungierte
von A, bezeichnet mit A∗ , ist die (n × m)-Matrix definiert durch

T 2 3
A∗ := A , d. h. A∗ ij
= aji . (1.26)

Bei der Adjungierten A∗ werden somit alle Einträge komplex konjugiert und Zeilen
mit Spalten vertauscht:
⎡ ⎤ ⎡ ⎤
a11 a12 · · · a1n a11 a21 · · · am1
⎢ a21 a22 · · · a2n ⎥ ⎢ a12 a22 · · · am2 ⎥
⎢ ⎥ T ⎢ ⎥
A=⎢ . .. .. .. ⎥ ⇒ A∗ = A = ⎢ . .. .. .. ⎥ . (1.27)
⎣ .. . . . ⎦ ⎣ .. . . . ⎦
am1 am2 · · · amn a1n a2n · · · amn
16 Kapitel 1 • Matrizen

> Bemerkung
Beachte, dass für reellwertige Matrizen A∗ = AT gilt.

! Beispiel
6 7 6 7T 6 7
2 + 3i 1 ∗ T 2 − 3i 1 2 − 3i −i
A= ⇒ A =A = = . "
i 1 + 2i −i 1 − 2i 1 1 − 2i

! Satz 1.4 (Rechenregeln für Adjungierte A∗ )

Seien A, B ∈ Cm×n komplexwertigen Matrizen mit gleichen Dimensionen und α ∈ C. Dann
gelten die folgenden Rechenregeln:
(A1) (A + B)∗ = A∗ + B∗
/ 0∗
(A2) A∗ = A
(A3) (α A)∗ = α A∗ "

Übung 1.6
◦ ◦ ◦ Man bestimme zu jeder der folgenden Matrizen die adjungierte Matrix:
⎡ ⎤ ⎡ ⎤
6 7 i 1+i 1 2 + 2i
0 −i 9 6 ⎢ ⎥ ⎢ ⎥
A= , B = ⎣1 − i 1 ⎦ , C = ⎣2 − 3i 4 ⎦ .
i 1 3 −2i
1 −1 5 1 − 6i

v Lösung
⎡ ⎤
0 −i 6 7 6 7
⎢i
∗ ⎢ 1⎥ ⎥ ∗−i 1 + i 1 ∗ 1 2 + 3i 5
A =⎢ ⎥, B = , C = .
⎣9 3⎦ 1 − i 1 −1 2 − 2i 4 1 + 6i
6 2i #

1.2.6 Produkt von Matrizen

Es seien A ∈ Km×n und B ∈ Kp×q . Falls n = p (und nur in diesem Fall!) definiert
man das Produkt AB (A und B in dieser Reihenfolge) als die (m × q)-Matrix mit den
Einträgen:

n
<
[AB]ij := ai1 b1j + ai2 b2j + · · · + ain bnj = aik bkj (1.28)
k=1
1.2 • Operationen auf und mit Matrizen
17 1
Praxistipp

Der (i, j)-Eintrag des Produktes AB ist nichts anderes als das Skalarprodukt der i-ten
Zeile von A mit der j-ten Spalte von B:
⎡ ⎤
b1j
⎢ b ⎥
⎢ 2j ⎥
⎢ . ⎥
⎢ . ⎥
⎣ . ⎦
bnj
⎡ ⎤⎡ ⎤
⎢ ⎥⎢ ⎥
⎢ ⎥⎢ ⎥ n
⎢ ⎥⎢ ⎥ <
⎢ ai1 ai2 · · · ain ⎥ ⎢ cij ⎥ , wobei cij = aik bkj . (1.29)
⎢ ⎥⎢ ⎥
⎢ ⎥⎢ ⎥ k=1
⎣ ⎦⎣ ⎦

Die Anordnung in Gl. (1.29) ist bekannt als Falk’sches Schema, nach dem deutschen
Ingenieur Sigurd Falk.

> Bemerkung
Das Produkt von zwei Matrizen A und B ist nur dann definiert, wenn die Anzahl Spalten
von A gleich der Anzahl Zeilen von B ist (d. h. n = p), ansonsten ist es nicht möglich, das
Skalarprodukt zwischen den Zeilen von A und den Spalten von B zu bilden. Durch die
Multiplikation einer (m × n)-Matrix A mit einer (n × q)-Matrix B entsteht eine (m × q)-
Matrix. Das Produkt AB hat dann so viele Zeilen wie A und so viele Spalten wie B. Der
gemeinsame Index n verschwindet bei der Multiplikation. Es gilt folgende Faustregel:

A( m ×n) (n× q ) B ⇒ AB(m×q)

✄ ✄

! Beispiel
21 1 13 81 59
Als erstes Beispiel betrachten wir das Produkt der Matrizen A = 230 ,B = 23 . Da
01
A eine (2 × 3)-Matrix und B eine (3 × 2)-Matrix ist, ergibt sich bei der Multiplikation AB
eine (2 × 2)-Matrix (s. auch Faustregel):

A( 2 ×3) (3× 2 ) B ⇒ AB(2×2) .

✄ ✄
Der (1, 1)-Eintrag des Produktes AB erhält man aus dem Skalarprodukt der ersten Zeile
von A mit der ersten Spalte von B. Analog, der (1, 2) Eintrag von AB ist das Skalarprodukt
der ersten Zeile von A mit der zweiten Spalte von B, usw.
18 Kapitel 1 • Matrizen

⎡⎤ ⎡⎤
15 15
⎢ ⎥ ⎢ ⎥
⎣2 3⎦ ⎣2 3⎦
01 01
6 76 7 6 76 7
111 3 111 9
230 230

⎡ ⎤ ⎡ ⎤
15 15
⎢ ⎥ ⎢ ⎥
⎣2 3⎦ ⎣2 3⎦
01 01
6 76 7 6 76 7
111 111
230 8 230 19

Also
⎡ ⎤
6 7 1 5 6 7
111 ⎢ ⎥ 3 9
AB = ⎣2 3⎦ = .
230 8 19
0 1
80 2 19
Als zweites Beispiel betrachten wir die Multiplikation der Matrizen A = 1 1 0 und B =
21 1 0 13 111
1 2 1 0 . Das Produkt AB ist in diesem Fall nicht definiert (s. auch Faustregel):

A(3× 3 ) ( 2 ×4) B ist nicht definiert, weil 2 ̸= 3. "

Produkt von Matrix mit Vektor

Ein besonders wichtiger Spezialfall des Produktes von Matrizen ist die Multiplikation
einer (m × n)-Matrix mit einem n-komponentigen Spaltenvektor (d. h. einer (n × 1)-
Matrix), woraus ein m-komponentiger Spaltenvektor (d. h. eine (m × 1)-Matrix)
resultiert.

! Beispiel
6 7
1
−1
6 76 7
1 2 −1
4 −2 6 "

Beachte: Matrixmultiplikation ist nicht kommutativ, d. h. AB ̸= BA

Im Unterschied zu der Multiplikation von reellen oder komplexen Zahlen ist das
Produkt von Matrizen im Allgemeinen nicht kommutativ, d. h., AB ist im Allgemeinen
nicht dasselbe wie BA.
1.2 • Operationen auf und mit Matrizen
19 1
! Beispiel
2 1 −1 3 20 13
Bei der Multiplikation der beiden Matrizen A = 2 0
,B= 11 ergibt die Multiplika-
tion AB das folgende Resultat:
6 76 7 6 7 6 7
1 −1 01 1 · 0 + (−1) · 1 1 · 1 + (−1) · 1 −1 0
AB = = = ,
2 0 11 2·0+0·1 2·1+0·1 0 2

während das Produkt BA Folgendes ergibt:

676 7 6 7 6 7
0 1 1 −1 0 · 1 + 1 · 2 0 · (−1) + 1 · 0 2 0
BA = = = .
11 2 0 1 · 1 + 1 · 2 1 · (−1) + 1 · 0 3 −1

Es ist offensichtlich, dass BA nicht dasselbe wie AB ist. "

Kommutator
Die Kommutativität von Matrizen spielt eine wichtige Rolle in der linearen Algebra,
weshalb es sogar einen eigenen Begriff erhält: den Kommutator. Für zwei quadrati-
schen Matrizen A und B definiert man deren Kommutator [A, B] wie folgt

[A, B] := AB − BA (1.30)

5 A und B kommutieren genau dann wenn ihr Kommutator gleich Null ist, d. h. wenn
[A, B] = 0 ⇒ AB = BA.
5 Zwei Matrizen mit [A, B] ̸= 0 (⇒ AB ̸= BA) heißen nicht kommutativ.

! Satz 1.5 (Rechenregeln für Produkte von Matrizen A, B und C)

Seien A, B und C Matrizen, sodass deren Produkte definiert sind. Dann gilt:
(P1) EA = AE = A
(P2) 0A = A 0 = 0
(P3) A(B + C) = AB + AC, (A + B)C = AC + BC (Distributivgesetz)
(P4) A(BC) = (AB)C (Assoziativgesetz)
(P5) (AB)T = BT AT (Beachte, dass die Reihenfolge des Produktes sich vertauscht!)

Außerdem gilt für komplexwertige Matrizen:

(P6) (AB)∗ = B∗ A∗ (auch hier wechselt die Reihenfolge des Produktes) "

i Merkregel
Bei der Transponierten eines Produktes wird die Reihenfolge der Matrizen vertauscht,
zum Beispiel (ABCD)T = DT C T BT AT .

> Bemerkung
Wegen (P1) und (P2) spielen die Nullmatrix 0 und die Identitätsmatrix E eine ana-
loge Rolle wie 0 und 1 im Rahmen der üblichen Multiplikation von reellen Zahlen
(vgl. 7 Kap. 5).
20 Kapitel 1 • Matrizen

Übung 1.7
• ◦ ◦ Man bilde jeweils (sofern wie möglich) alle Produkte von je zwei der folgenden
Matrizen, also A2 , AB, AC, BA usw.
⎡ ⎤ ⎡ ⎤
8 9 3 2 0 −2
⎢ ⎥ ⎢ ⎥
A = 4 3 −2 , B = ⎣−1⎦ , C =⎣ 1 3 2 ⎦
2 −2 1 0

v Lösung ⎡⎤ ⎡ ⎤
8 9 3 8 9 2 0 −2 8 9
⎢ ⎥ ⎢ ⎥
AB = 4 3 −2 ⎣−1⎦ = 5, AC = 4 3 −2 ⎣ 1 3 2 ⎦ = 15 7 −2 , CB =
2 −2 1 0
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 0 −2 3 2 3 8 9 12 9 −6
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1 3 2 ⎦ ⎣−1⎦ = ⎣ 4 ⎦, BA = ⎣−1⎦ 4 3 −2 = ⎣−4 −3 2 ⎦, C 2 =
−2 1 0 2 −7 2 8 6 −4
⎡ ⎤⎡ ⎤ ⎡ ⎤
2 0 −2 2 0 −2 8 −2 −4
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣1 3 2 ⎦ ⎣ 1 3 2 ⎦ = ⎣ 1 11 4 ⎦ #
−2 1 0 −2 1 0 −3 3 6

Übung 1.8
• ◦ ◦ Man betrachte die folgenden Matrizen:
⎡ ⎤
⎡ ⎤ 5 0
−1 2 5 −3 6 7
⎢−1
⎢ ⎥ 0 −2 5 ⎢ 2⎥⎥
A = ⎣ 3 −1 0 2 ⎦ , B= , C =⎢ ⎥
4 −3 2 ⎣4 5⎦
4 0 0 −2
5 −1
⎡ ⎤ ⎡ ⎤
3 5 −2 4 1 6 7
⎢ ⎥ ⎢ ⎥ −3 1 −1
D = ⎣−1 10⎦ , E = ⎣−4 4 4⎦ , F= .
−8 5 3
−2 0 0 00

Welche der folgenden Produkte A2 , AB, AC usw. existieren?

v Lösung
⎡ ⎤
−2 32 6 7 6 7
⎢ ⎥ 14 2 0 −14 −8 −20
AC = ⎣ 26 −4⎦ , BA = , BD =
−5 11 20 −22 11 −10
10 2
⎡ ⎤ ⎡ ⎤
6 7 0 −10 25 −15 5 −5
⎢8 −1⎥ ⎢−13
8 −8 −8 ⎢ −4 ⎥ ⎢ 9 7⎥⎥
BE = , CB = ⎢ ⎥, CF = ⎢ ⎥
4 4 −8 ⎣ 20 −23 30 ⎦ ⎣−52 29 11 ⎦
−4 −7 23 −7 0 −8
1.2 • Operationen auf und mit Matrizen
21 1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
20 −21 25 −49 28 12 18 −8 −10 12
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
DB = ⎣40 −28 15 ⎦ , DF = ⎣−77 49 31⎦ , EA = ⎣32 −12 −20 12⎦
0 4 −10 6 −2 2 0 0 0 0
⎡ ⎤ ⎡ ⎤
−12 30 −12 8 14 6 7
⎢ ⎥ ⎢ ⎥ 2 −7 −15 13
ED = ⎣−24 20⎦ , E 2 = ⎣ −8 0 12⎦ , FA =
35 −21 −40 28
0 0 0 0 0
6 7 6 7
−8 −5 2 −8 1
FD = , FE =
−35 10 −4 −12 12 #

Übung 1.9
21 23
• ◦ ◦ Sei K = Z3 . Man betrachte die folgenden Matrizen auf K2×2 : A = 01 ,B =
22 03 2
2 1 . Man berechne A − AB.

v Lösung
Mit diesem Beispiel wollen wir die Situation betrachten, wo die Matrizen nicht wie
üblich auf K = R oder K = C definiert sind, sondern die Einträge in einem etwas
speziellen Körper liegen (K = Z3 in diesem Fall). Der einzige Unterschied hier ist, dass
wir alle Operationen in K = Z3 durchführen müssen, wo andere Rechenregel zu R
oder C gelten (vgl. Anhang B.4). Zum Beispiel, in Z3 ist 1 + 2 = 3 = 0, 2 + 2 = 4 = 1,
2 + 2 + 1 = 5 = 2, 2 − 1 = −1 = 2, usw. Es gilt somit
6 76 7 6 7 6 7 6 76 7 6 7 6 7
12 12 14 11 12 20 62 02
A2 = = = , AB = = =
01 01 01 01 01 21 21 21
6 7 6 7 6 7 6 7
11 02 1 −1 12
⇒ A2 − BA = − = =
01 21 −2 0 10 #

Übung 1.10
◦ ◦ ◦ Man berechne den Kommutator [A, B] der folgenden Matrizen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 −1 0 1 2 3 1 2 3 1 1 −1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
a) A = ⎣1 0 0⎦, B = ⎣2 4 6⎦ b) A = ⎣4 5 6⎦, B = ⎣0 0 0 ⎦
0 1 0 1 0 1 5 7 9 0 0 0

v Lösung ⎡⎤ ⎡ ⎤ ⎡ ⎤
0 0 0 4 2 0 −4 −2 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
a) [A, B] = AB − BA = ⎣1 2 3⎦ − ⎣8 4 0⎦ = ⎣−7 −2 3⎦ ≠ 0. Es folgt: A und B
2 4 6 2 0 0 0 4 6
kommutieren nicht.
22 Kapitel 1 • Matrizen

⎤ ⎡ ⎡ ⎤ ⎡ ⎤
1 1 −1 0 0 0 1 1 −1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
b) [A, B] = AB − BA = ⎣4 4 −4⎦ − ⎣0 0 0⎦ = ⎣4 4 −4⎦ ̸= 0. Es folgt: A und B
5 5 −5 0 0 0 5 5 −5
kommutieren nicht. #

Übung 1.11
••◦
a) Man zeige, durch direkte Berechnung, dass für reelle (2 × 2)-Matrizen A und B gilt
(AB)T = BT AT .
b) Man beweise diese Formel für allgemeine (n × n)-Matrizen A, B ∈ Kn×n .

v Lösung 8 9
2 a12 3
a) Wir betrachten die (2 × 2)-Matrizen A = aa11 21 a22
, B = bb11 bb12 . Wir rechnen
21 22
zuerst das Produkt AB aus
6 76 7 6 7
a11 a12 b11 b12 a11 b11 + a12 b21 a11 b12 + a12 b22
AB = = .
a21 a22 b21 b22 a21 b11 + a22 b21 a21 b12 + a22 b22

Daraus folgt
6 7
a11 b11 + a12 b21 a21 b11 + a22 b21
(AB)T = .
a11 b12 + a12 b22 a21 b12 + a22 b22

2 a21 3 T 8 9
Nun betrachten wir den Ausdruck BT AT . Wegen AT = aa11 12 a22
, B = bb11 b21
b22
12
ist:
6 76 7 6 7
T T b11 b21 a11 a21 a11 b11 + a12 b21 a21 b11 + a22 b21
B A = = .
b12 b22 a12 a22 a11 b12 + a12 b22 a21 b12 + a22 b22

Dies ist dasselbe wie (AB)T . Somit ist die Formel (AB)T = BT AT für (2 × 2)-
Matrizen bewiesen, da A und B beliebig waren.
b) Wir rechnen komponentenweise. Es seien [A]ij = aij und [B]ij = bij die Komponen-
ten von A beziehungsweise B. Dann gilt

n
< 8 9 n
<
[AB]ij = aik bkj ⇒ (AB)T = [AB]ji = ajk bki .
ij
k=1 k=1

8 9 2 3
Anderseits, ist AT = [A]ji = aji und BT ij = [B]ji = bji , d. h.
ij

8 9 n 8
< 9 8 9 n
< n
< 8 9
BT AT = BT AT = bki ajk = ajk bki = (AB)T .
ij ik kj ij
k=1 k=1 k=1

Somit ist die Formel (AB)T = BT AT auch für (n × n)-Matrizen bewiesen. #

1.2 • Operationen auf und mit Matrizen
23 1

Übung 1.12 6 7
cos(ϕ) − sin(ϕ)
• • ◦ Die Matrix R(ϕ) = beschreibt eine Drehung in R2 um den
sin(ϕ) cos(ϕ)
Winkel ϕ in positiver Richtung (Gegenuhrzeiger). Man zeige, dass R(ϕ1 )R(ϕ2 ) =
R(ϕ2 )R(ϕ1 ) = R(ϕ1 + ϕ2 ) gilt, und man interpretiere das Resultat geometrisch.

v Lösung
Wegen
6 76 7
cos(ϕ1 ) − sin(ϕ1 ) cos(ϕ2 ) − sin(ϕ2 )
R(ϕ1 )R(ϕ2 ) =
sin(ϕ1 ) cos(ϕ1 ) sin(ϕ2 ) cos(ϕ2 )
6 7
cos(ϕ1 ) cos(ϕ2 ) − sin(ϕ1 ) sin(ϕ2 ) − cos(ϕ1 ) sin(ϕ2 ) − sin(ϕ1 ) cos(ϕ2 )
=
sin(ϕ1 ) cos(ϕ2 ) + cos(ϕ1 ) sin(ϕ2 ) cos(ϕ1 ) cos(ϕ2 ) − sin(ϕ1 ) sin(ϕ2 )
und
6 76 7
cos(ϕ2 ) − sin(ϕ2 ) cos(ϕ1 ) − sin(ϕ1 )
R(ϕ2 )R(ϕ1 ) =
sin(ϕ2 ) cos(ϕ2 ) sin(ϕ1 ) cos(ϕ1 )
6 7
cos(ϕ1 ) cos(ϕ2 ) − sin(ϕ1 ) sin(ϕ2 ) − sin(ϕ1 ) cos(ϕ2 ) − cos(ϕ1 ) sin(ϕ2 )
=
sin(ϕ1 ) cos(ϕ2 ) + cos(ϕ1 ) sin(ϕ2 ) cos(ϕ1 ) cos(ϕ2 ) − sin(ϕ1 ) sin(ϕ2 )

ist R(ϕ1 )R(ϕ2 ) = R(ϕ2 )R(ϕ1 ). Unter Einbezug der trigonometrischen Formeln (Addi-
tionstheorem) cos(ϕ1 ) cos(ϕ2 ) − sin(ϕ1 ) sin(ϕ2 ) = cos(ϕ1 + ϕ2 ) und sin(ϕ1 ) cos(ϕ2 ) +
cos(ϕ1 ) sin(ϕ2 ) = sin(ϕ1 + ϕ2 ) finden wir
6 7
cos(ϕ1 + ϕ2 ) − sin(ϕ1 + ϕ2 )
R(ϕ1 )R(ϕ2 ) = = R(ϕ1 + ϕ2 ),
sin(ϕ1 + ϕ2 ) cos(ϕ1 + ϕ2 )

d. h., R(ϕ1 )R(ϕ2 ) beschreibt eine Gesamtdrehung um den Winkel ϕ1 + ϕ2 in positiver

(Gegenuhrzeiger) Richtung (. Abb. 1.1). #

. Abb. 1.1 Geometrische Interpretation von Übung 1.12

24 Kapitel 1 • Matrizen

Übung 1.13 6 7 6 7 6 7
01 0 −i 1 0
• • ◦ Die sogenannten Pauli-Matrizen σx = , σy = , σz = spielen
10 i 0 0 −1
eine wichtige Rolle in der Quantenmechanik.
a) Man zeige: [σx , σy ] = 2iσz , [σy , σz ] = 2iσx , [σz , σx ] = 2iσy .
b) Der Antikommutator für zwei Matrizen A und B ist definiert durch {A, B} := AB +
BA. Man zeige: {σx , σy } = {σy , σz } = {σz , σx } = 0.

v Lösung
a) Eine direkte Berechnung zeigt:
6 7 6 7 6 7 6 7
i 0 −i 0 2i 0 1 0
[σx , σy ] = σx σy − σy σx = − = = 2i = 2iσz
0 −i 0 i 0 −2i 0 −1
6 7 6 7 6 7 6 7
0 i 0 −i 0 2i 01
[σy , σz ] = σy σz − σz σy = − = = 2i = 2iσx
i 0 −i 0 2i 0 10
6 7 6 7 6 7 6 7
0 1 0 −1 0 2 0 −i
[σz , σx ] = σz σx − σx σz = − = = 2i = 2iσy
−1 0 1 0 −2 0 i 0

b) Eine weitere direkte Rechnung zeigt:

6 7 6 7 6 7
i 0 −i 0 00
{σx , σy } = σx σy + σy σx = + = =0
0 −i 0 i 00
6 7 6 7 6 7
0 i 0 −i 00
{σy , σz } = σy σz + σz σy = + = =0
i 0 −i 0 00
6 7 6 7 6 7
0 1 0 −1 00
{σz , σx } = σz σx + σx σz = + = =0
−1 0 1 0 00

1.2.7 Blockmatrizen

Jede Matrix kann man in Teilmatrizen aufteilen. Zum Beispiel:

⎡ ⎤
1 2 3 4 5
⎢6 7 8 9 10 ⎥
⎢ ⎥
⎢ ⎥
⎢ 11 12 13 14 15 ⎥ .
⎢ ⎥
⎣ 16 17 18 19 20 ⎦
21 22 23 24 25
1.2 • Operationen auf und mit Matrizen
25 1
Diese Aufteilung in Teilmatrizen ist offenbar nicht eindeutig. Zum Beispiel man kann
die obige Matrix auf mehreren Arten in Teilmatrizen aufteilen:
⎡ ⎤ ⎡ ⎤
1 2 3 4 5 1 2 3 4 5
⎢6 7 8 ⎥
9 10 ⎥ ⎢ 8 9 10 ⎥
⎢ ⎢6 7 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 11 12 13 14 15 ⎥ oder ⎢ 11 12 13 14 15 ⎥ usw.
⎢ ⎥ ⎢ ⎥
⎣ 16 17 18 19 20 ⎦ ⎣ 16 17 18 19 20 ⎦
21 22 23 24 25 21 22 23 24 25

Teilt man eine Matrix in Teilmatrizen auf, so spricht man von einer Blockmatrix oder
einer Matrix in Blockform. Die Teilmatrizen heißen Blöcke.

Praxis Tip

Operationen mit Blockmatrizen. Für die Manipulation von Blockmatrizen kann man
grundsätzlich jeden Block als einen „einzigen Matrixeintrag“ betrachten und mit den
üblichen Rechenregeln für Matrizen rechnen.
Summe
6 7 6 7 6 7
A1 B1 A2 B2 A1 + A2 B1 + B2
+ = (1.31)
C1 D1 C2 D2 C1 + C2 D1 + D2

Produkt
6 76 7 6 7
A1 B1 A2 B2 A1 A2 + B1 C2 A1 B2 + B1 D2
= (1.32)
C1 D1 C2 D2 C1 A2 + D1 D2 C1 B2 + D1 D2

Transponierte
6 7T 6 7
A B AT C T
= (1.33)
C D BT DT

Die Transponierte einer Blockmatrix entsteht durch Spiegelung aller Blöcke an der
Hauptdiagonale und Transposition jedes Blocks.

Spezielle Blockmatrizen
Die Aufteilung von Matrizen in Blockmatrizen ist besonders nützlich, wenn einige
Blöcke gleich Null sind, wie in den folgenden Situationen:
4 5
A 0
Blockdiagonalmatrix (1.34)
0 D
4 5
AB
(obere) Blockdreiecksmatrix (1.35)
0 D
26 Kapitel 1 • Matrizen

4 5
A 0
(untere) Blockdreiecksmatrix (1.36)
C D

Das Rechnen mit Blockmatrizen ist besonders einfach, wie man in den folgenden
Beispielen erfahren wird:

Übung 1.14
◦ ◦ ◦ Man berechne (möglichst geschickt) die folgende Produkte AB:
⎡ ⎤ ⎡ ⎤
0012 0 0 2 −1
⎢0 0 0 1⎥ ⎢0 0 1 1 ⎥
⎢ ⎥ ⎢ ⎥
a) A = ⎢ ⎥, B = ⎢ ⎥
⎣1 0 0 0⎦ ⎣2 4 0 0 ⎦
0100 100 0
⎡ ⎤ ⎡ ⎤
1 −1 0 0 0 0 2 1 0 0 0 0
⎢ ⎥ ⎢ ⎥
⎢1 −1 0 0 0 0⎥ ⎢1 0 0 0 0 0⎥
⎢ ⎥ ⎢ ⎥
⎢0 0 1 1 0 0⎥ ⎢ 0⎥
b) A = ⎢ ⎥, B = ⎢0 0 0 1 0 ⎥.
⎢0 0 2 1 0 0⎥⎥ ⎢0 0 1 0 0 0⎥
⎢ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎣0 0 0 0 −1 1⎦ ⎣0 0 0 0 1 1⎦
0 0 0 0 1 3 0 0 0 0 1 0

v Lösung
a) Man kann die Matrizen geschickt in Teilmatrizen aufteilen und diese Teilmatrizen
als einzige Matrixeinträge betrachten:
⎡ ⎤⎡ ⎤
0 0 1 2 0 0 2 −1
⎢0 0 0 1⎥ ⎢ 1 ⎥
⎢ ⎥⎢0 0 1 ⎥
AB = ⎢ ⎥⎢ ⎥
⎣1 0 0 0⎦⎣2 4 0 0 ⎦
0 1 0 0 1 0 0 0
⎡ ⎤
62 7 4 4 0 0
322 43 ⎢1
12
01 10 0 ⎢ 0 0 0 ⎥
⎥
= 2 1 0 3 2 2 −1 3 =⎢ ⎥.
0 01 1 1
⎣0 0 2 −1 ⎦
0 0 1 1

b) Die Matrizen sind Blockdiagonal. Somit können wir die (2 × 2)-Blöcke auf der
Hauptdiagonale als einzige Matrixeinträge sehen:
⎡ ⎤⎡ ⎤
1 −1 0 0 0 0 2 1 0 0 0 0
⎢ ⎥⎢ ⎥
⎢1 −1 0 0 0 0⎥⎢1 0 0 0 0 0⎥
⎢ ⎥⎢ ⎥
⎢0 0 1 1 0 0⎥ ⎢ 0⎥
AB = ⎢ ⎥⎢0 0 0 1 0 ⎥.
⎢0 0 2 1 0 0⎥ ⎢ 0⎥
⎢ ⎥⎢0 0 1 0 0 ⎥
⎢ ⎥⎢ ⎥
⎣0 0 0 0 −1 1⎦⎣0 0 0 0 1 1⎦
0 0 0 0 1 3 0 0 0 0 1 0
1.2 • Operationen auf und mit Matrizen
27 1
2 1 −1 3 2 2 1 3 21 13 21 1320 13 2 3 2 1321 13
Wir rechnen nach: 1 −1 10 = 11 , 21 10 = 11 12 , −1
1 3 10 =
2 0 −1 3
4 1
. Somit

⎡ ⎤
1 1 0 0 0 0
⎢ ⎥
⎢1 1 0 0 0 0 ⎥
⎢ ⎥
⎢0 0 1 1 0 0 ⎥
AB = ⎢
⎢0
⎥.
⎢ 0 1 2 0 0 ⎥⎥
⎢ ⎥
⎣0 0 0 0 0 −1 ⎦
0 0 0 0 4 1 #

> Bemerkung
Beachte: Bei der Addition/Subtraktion sowie Multiplikation von Blockmatrizen gelten
die gleichen Regeln bzgl. der Dimension wie bei den üblichen Matrizen!

Übung 1.15
⎡ ⎤T
0 0 2 −1
⎢0
⎢ 0 1 1⎥⎥
◦ ◦ ◦ Man berechne ⎢ ⎥ (als Blockmatrix).
⎣2 4 0 0⎦
1 0 0 0

v Lösung
Man kann die gegebene Matrix geschickt in Teilmatrizen aufteilen und diese Teilma-
trizen als einzige Matrixeinträge betrachten:

⎡ ⎤T ⎡ ⎤
0 0 2 −1 6 7 0 0 2 1
⎢0 ⎥ 2 3 T ⎢
⎢ 0 1 1 ⎥ 0 2 4
⎢ 0 0 4 0⎥⎥
⎢ ⎥ = 2 2 −1 3T 1 0 =⎢ ⎥.
⎣2 4 0 0 ⎦ 0 ⎣ 2 1 0 0⎦
1 1
1 0 0 0 −1 1 0 0 #

1.2.8 Potenzen von Matrizen und Matrixpolynome

Es sei A ∈ Kn×n eine quadratische (n × n)-Matrix. Die k-te Potenz von A ist wie folgt
definiert

A0 := E, Ak := AA · · · A'
$ %& (1.37)
k Mal

Wie bei reellen und komplexen Zahlen, kann man auch Polynome von Matrizen
definieren. Ein Matrixpolynom ist ein Ausdruck der Form:
28 Kapitel 1 • Matrizen

k
<
p(A) := ak Ak + ak−1 Ak−1 + · · · + a2 A2 + a1 A + a0 E = a i Ai (1.38)
i=0

> Bemerkung
Das Argument bzw. Variable des Matrixpolynoms sind Matrizen. Außerdem ist das
Resultat p(A) selbst eine Matrix. Daher wird bei Matrixpolynomen der konstante Term
a0 mit der Einheitsmatrix multipliziert a0 → a0 E (das Endresultat muss eine Matrix
sein).

Übung 1.16 ⎡ ⎤
112
⎢ ⎥
• ◦ ◦ Man berechne A3 − 2A2 + A − A0 für A = ⎣1 1 1⎦ .
211

v Lösung
Wir berechnen zuerst die Potenzen der Matrix A. Es gilt A0 = E. Außerdem haben wir
⎡ ⎤⎡ ⎤ ⎡ ⎤
112 11 2 645
⎢ ⎥⎢ ⎥ ⎢ ⎥
A2 = ⎣1 1 1⎦ ⎣1 1 1⎦ = ⎣4 3 4⎦ ,
211 21 1 546
⎡ ⎤⎡ ⎤ ⎡ ⎤
645 112 20 15 21
⎢ ⎥⎢ ⎥ ⎢ ⎥
A3 = A2 A = ⎣4 3 4⎦ ⎣1 1 1⎦ = ⎣15 11 15⎦ .
546 211 21 15 20

Daraus folgt
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
20 15 21 6 4 5 1 1 2 1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A3 − 2A2 + A − A0 = ⎣15 11 15⎦ − 2 ⎣4 3 4⎦ + ⎣1 1 1⎦ − ⎣0 1 0⎦
21 15 20 5 4 6 2 1 1 0 0 1
⎡ ⎤
8 8 13
⎢ ⎥
=⎣8 5 8 ⎦.
13 8 8 #

Übung 1.17
• ◦ ◦ Es seien A, B ∈ Kn×n mit [A, B] = 0. Man zeige
a) (AB)2 = A2 B2
b) (A2 + B2 )(A2 − B2 ) = A4 − B4
1.2 • Operationen auf und mit Matrizen
29 1
v Lösung
a) Wegen [A, B] = 0, gilt AB = BA. Daraus folgt

(AB)2 = (AB)(AB) = A($%&'

BA )B = AABB = A2 B2 .
=AB

b) Mit Teilaufgabe (a) finden wir

(A2 + B2 )(A2 − B2 ) = A2 A2 − A2 B2 + B2 A2 − B2 B2

= A4 − ($%&'
AB )2 + (BA)2 − B4 = A4 − B4 .
=BA #

Übung 1.18
• ◦ ◦ Es sei A ∈ Kn×n diagonal.
a) Man zeige, dass A2 diagonal ist.
b) Man beweise, dass Ak diagonal ist. Wie kann man somit effizient die k-te Potenz
einer Diagonalmatrix berechnen? ⎡ ⎤
1 0 0
⎢ ⎥
c) Man berechne A2 , A3 , A1000 für A = ⎣0 −1 0⎦ .
0 0 2

v Lösung ⎡ ⎤
λ1 ··· 0
⎢. .. .. ⎥
⎢
a) Es sei A = ⎣ .. ⎥
. . ⎦. Dann ist:
0 · · · λn
⎡ ⎤⎡ ⎤ ⎡ ⎤
λ1 · · · 0 λ1 · · · 0 λ21 · · · 0
⎢. . .. ⎥ ⎢ .. . . .. ⎥ ⎢ .. . . .. ⎥
⎥ ⎢ ⎥ ⎢
A2 = ⎢
⎣ .. . . . ⎦⎣ . . .⎦=⎣. . .⎦
⎥ ⇒ A2 ist diagonal.
0 ··· λn 0 · · · λn 0 · · · λ2n

b) Nun rechnen wir einige weitere Potenzen von A aus, um ein Gefühl für die Situation
zu bekommen:
⎡ ⎤⎡ ⎤ ⎡ ⎤
λ21 · · · 0 λ1 · · · 0 λ31 · · · 0
⎢. . .⎥ ⎢ .⎥ ⎢ .⎥
A3 = A2 A = ⎢ ⎥⎢ . . ⎥ ⎢. . ⎥
⎣ .. . . .. ⎦ ⎣ .. . . .. ⎦ = ⎣ .. . . .. ⎦ ,
0 · · · λ2n 0 · · · λn 0 · · · λ3n
30 Kapitel 1 • Matrizen

⎡ ⎤⎡ ⎤ ⎡ ⎤
λ31 ··· 0 λ1 ··· 0 λ41 ··· 0
⎢ . .. ⎥ ⎢ ⎥ ⎢ .. ⎥
A4 = A3 A = ⎢ .. ⎥ ⎢ .. .. .. ⎥ ⎢ .. .. ⎥
⎣ .. . . ⎦⎣ . . .⎦=⎣. . . ⎦,
0 · · · λ3n 0 · · · λn 0 · · · λ4n

und so weiter. Man sieht also, dass im Allgemeinen

⎡ ⎤
λk1 ··· 0
⎢ . .. ⎥
Ak = ⎢
⎣ ..
..
. .⎦
⎥ (1.39)
0 · · · λkn

gilt. Kritische Leser werden eindecken, dass Formel (1.39) z. B. per vollständige
Induktion bewiesen werden muss:
5 k = 1 (Verankerung): A ist bereits diagonal und Gleichung (1.39) ist somit
erfüllt. $
5 k ⇒ k + 1 (Induktionsschritt): Wir nehmen an, dass Formel (1.39) für Ak
stimmt (Induktionsannahme) und zeigen, dass die Aussage auch für Ak+1
stimmt. Mithilfe der Induktionsannahme finden wir
⎡ ⎤⎡ ⎤ ⎡ k+1 ⎤
λ1 ··· 0 λk ··· 0 λ ··· 0
⎢. .. ⎥ ⎢ .1 .. ⎥ ⎢ 1 .. ⎥
Ak+1 = AAk = ⎢ .. ⎥⎢ .. ⎥ = ⎢ .. .. ⎥
⎣ .. . . ⎦ ⎣ .. . .⎦ ⎣ . . . ⎦ $
0 · · · λn 0 · · · λkn 0 · · · λk+1
n

c) Die gegebene Matrix ist diagonal. Um A2 , A3 , A1000 zu bestimmen müssen wir

einfach die Diagonalelemente zur 2., 3., 1000. Potenz erheben:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
12 0 0 1 0 0 13 0 0 1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A2 = ⎣ 0 (−1)2 0 ⎦ = ⎣0 1 0⎦ A3 = ⎣ 0 (−1)3 0 ⎦ = ⎣0 −1 0⎦
0 0 2 2 0 0 4 0 0 2 3 0 0 8
⎡ ⎤ ⎡ ⎤
11000 0 0 1 0 0
1000 ⎢ ⎥ ⎢ ⎥
A = ⎣ 0 (−1)1000 0 ⎦ = ⎣0 1 0 ⎦ .
0 0 21000 0 0 21000 #

i Merkregel
Um die k-te Potenz einer Diagonalmatrix zu bestimmen, genügt es, alle Diagonalele-
mente zur k-ten Potenz zu berechnen:
⎡ ⎤k ⎡ ⎤
λ1 ··· 0 λk ··· 0
⎢. .. .. ⎥ ⎢ .1 .. .. ⎥
⎢. ⎥ ⎢ ⎥
⎣. . . ⎦ = ⎣ .. . . ⎦.
0 · · · λn 0 · · · λkn
1.2 • Operationen auf und mit Matrizen
31 1
1.2.9 Die Spur einer Matrix

Für eine (n × n)-Matrix A ∈ Kn×n definiert man deren Spur als die Summe der
Diagonaleinträge von A, konkret:

n
<
Spur(A) := a11 + a22 + · · · + ann = aii (1.40)
i=1

! Beispiel
⎡ ⎤
1 2 3 4
⎢2 5 6 7 ⎥
⎢ ⎥
Spur ⎢ ⎥ = 1 + 5 + 8 + 10 = 24. "
⎣3 6 8 9 ⎦
4 7 9 10

! Satz 1.6 (Rechenregeln für die Spur einer Matrix)

Für die Spur gelten die folgenden Rechenregeln
(S1) Spur(A + B) = Spur(A) + Spur(B)
(S2) Spur(αA) = α Spur(A)
(S3) Spur(AB) = Spur(BA)
(S4) Spur(ABC) = Spur(BCA) = Spur(CAB) (zyklische Permutation von ABC)
(S5) Spur(AT ) = Spur(A)

Für komplexwertige Matrizen gilt:

(S6) Spur(A∗ ) = Spur(A) "

> Bemerkung
Eigenschaften (S1) und (S2) implizieren, dass die Spur linear ist (vgl. 7 Kap. 7).

Übung 1.19
• ◦ ◦ Man betrachte die Matrizen A und B von Übung 1.10(a). Man berechne Spur(A +
B), Spur(2A), Spur(AT ), Spur(AB), Spur(BA) und Spur([A, B]).

v Lösung
Es gilt:
⎡ ⎤
313
⎢ ⎥
A + B = ⎣3 4 6⎦ ⇒ Spur(A + B) = 3 + 4 + 1 = 8.
111
32 Kapitel 1 • Matrizen

Alternative: Mit Rechenregel (S1) finden wir:

=
Spur(A) = 2 + 0 + 0 = 2
⇒ Spur(A + B) = Spur(A) + Spur(B) = 2 + 6 = 8 $
Spur(B) = 1 + 4 + 1 = 6

Für Spur(2A) finden wir:

⎡ ⎤
4 −2 0
⎢ ⎥
2A = ⎣2 0 0⎦ ⇒ Spur(2A) = 4 + 0 + 0 = 4.
0 2 0

Alternative: Aus Rechenregel (S2) folgt Spur(A) = 2 ⇒ Spur(2A) = 2 Spur(A) = 4 $.

Für Spur(AT ) gilt:
⎡ ⎤
2 10
⎢ ⎥
AT = ⎣−1 0 1⎦ ⇒ Spur(AT ) = 2 + 0 + 0 = 2.
0 00

Alternative: Aus Rechenregel (S5) folgt Spur(A) = 2 ⇒ Spur(AT ) = Spur(A) = 2 $.

In Übung 1.10(a), haben wir gezeigt, dass
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
000 420 −4 −2 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
AB = ⎣1 2 3⎦ , BA = ⎣8 4 0⎦ , [A, B] = ⎣−7 −2 3⎦
246 200 0 4 6

gilt. Es folgt somit:

Spur(AB) = 0 + 2 + 6 = 8, Spur(BA) = 4 + 4 + 0 = 8.

Beachte, dass Spur(AB) = Spur(BA), obwohl AB ̸= BA (dies ist Rechenregel (S3)).

Beachte auch, dass aus Spur(AB) = Spur(BA) folgt sofort Spur([A, B]) = 0. Dies
kann man auch direkt nachweisen:
⎡ ⎤
−4 −2 0
⎢ ⎥
Spur([A, B]) = Spur ⎣−7 −2 3⎦ = −4 − 2 + 6 = 0 $
0 4 6 #

Übung 1.20
• • ◦ Es seien A, B, C ∈ Kn×n . Man zeige:
a) Spur(AB) = Spur(BA)
b) Spur([A, B]) = 0
c) Spur(ABC) = Spur(CAB) = Spur(BCA).
1.3 • Inverse Matrix und die Menge GL(n, K)
33 1
v Lösung
a) Es seien A, B ∈ Kn×n mit Einträgen aij bzw. bij . Dann gilt:

n
! m
! m !
! n
[AB]ij = aik bkj ⇒ Spur(AB) = [AB]ii = aik bki
k=1 i=1 i=1 k=1
n
! m
! m !
! n m !
! n
[BA]ij = bik akj ⇒ Spur(BA) = [BA]ii = bik aki = aik bki
k=1 i=1 i=1 k=1 i=1 k=1

Somit ist Spur(AB) = Spur(BA).

b) Aus Teilaufgabe (a) folgt direkt (zusammen mit der Linearität der Spur), dass

Spur([A, B]) = Spur(AB − BA) = Spur(AB) − Spur(BA)

= Spur(AB) − Spur(AB) = 0.

c) Aus Teilaufgabe (a) folgt genau so:

" # " #
Spur(ABC) = Spur (AB)C = Spur C(AB) = Spur(CAB),
" # " #
Spur(ABC) = Spur A(BC) = Spur (BC)A = Spur(BCA). !

i Merkregel
Die Spur ist invariant bezüglich zyklischer Vertauschungen der Matrizen in einem
Produkt (d. h., die Matrizen werden im „Kreis“ vertauscht). Zum Beispiel:

Spur(ABCD) = Spur(DABC) = Spur(CDAB) = Spur(BCDA).

1.3 Inverse Matrix und die Menge GL(n, K)

" Definition 1.2
Es sei A ∈ Kn×n eine (n × n)-Matrix. Falls eine (n × n)-Matrix B ∈ Kn×n existiert für die

AB = BA = E (1.41)

gilt, so heißt die Matrix A invertierbar oder regulär. Die Matrix B heißt dann die Inverse
von A, kurz:

B = A−1 . (1.42)

#
34 Kapitel 1 • Matrizen

In Komponentenschreibweise lautet die Bedingung (1.2) wie folgt:

n n
$
! ! 1, für i = j
aik bkj = bik akj = δij = (1.43)
k=1 k=1
0, für i ̸= j

wobei aij und bij die Komponenten von A bzw. B sind. Beachte, dass für reguläre
Matrizen ihre Inverse eindeutig ist (siehe Übung 1.27).

" Beispiel
%1 2& ' (
−2 1
Die (2 × 2)-Matrix A = 34 ist invertierbar mit Inverse A−1 = 3 1 . Denn es gilt
2 −2

) *) * *) ) *) * ) *
−1 12 −2 1 10 −1 −2 1 12 10
AA = 3 1
= , A A= 3 1
= .#
34 2 −2 01 2 −2 34 01

1.3.1 Singuläre Matrizen

Beachte, dass nicht alle Matrizen eine Inverse besitzen. Solche Matrizen% & heißen
nichtinvertierbar oder singulär. Ein solches Beispiel ist die Matrix A = 10 00 .

1.3.2 Die Menge GL(n, K)

" Definition 1.3
Die Menge aller invertierbaren (regulären) (n × n)-Matrizen in Kn×n wird mit

GL(n, K) := {A ∈ Kn×n | A ist invertiebar} (1.44)

bezeichnet. GL(n, K) nennt man die allgemeine lineare Gruppe (auf English: General
Linear Group). #

1.3.3 Rechenregeln für inverse Matrizen

" Satz 1.7 (Rechenregeln für inverse Matrizen)
Für invertierbare quadratische Matrizen A, B ∈ GL(n, K) gelten die folgenden Gesetze
bzw. Rechenregeln:
+ ,−1
(I1) A−1 = A;
+ ,−1 + ,T
(I2) AT = A−1 ;
(I3) (AB)−1 = B−1 A−1 (Beachte: die Reihenfolge der Matrizen wird vertauscht!).
) *−1 ) *
A 0 A−1 0
(I4) Für Blockdiagonalmatrizen gilt: = .
0 B 0 B−1
1.3 • Inverse Matrix und die Menge GL(n, K)
35 1
Außerdem für komplexwertigen Matrizen gilt:
" #−1 + −1 ,∗
(I5) A∗ = A .#

> Bemerkung
Aufpassen:
5 AB = C ⇒ B = A−1 C (Inverse wird links multipliziert);
5 BA = C ⇒ B = CA−1 (Inverse wird rechts multipliziert).

Übung 1.21
◦ ◦ ◦ Man zeige jeweils, dass B die Inverse von A⎡ist ⎤ ⎡ ⎤
) * ) * 1 0 1 1 0 −1
5 3 2 −3 ⎢ ⎥ ⎢ ⎥
a) A = , B= b) A = ⎣2 3 4⎦ , B = ⎣− 23 13 − 32 ⎦
3 2 −3 5
0 0 1 0 0 1

v Lösung
a) Wir müssen einfach nachweisen, dass AB = BA = E gilt. Wegen
)*) * ) * ) *) * ) *
53 2 −3 10 2 −3 53 10
AB = = , BA = =
3 2 −3 5 01 −3 5 32 01

ist B die Inverse von A.

b) Wegen
⎡ ⎤⎡ ⎤ ⎡ ⎤
10 1 1 0 −1 1 0 0
⎢ ⎥⎢ ⎥ ⎢ ⎥
AB = ⎣2 3 4⎦ ⎣− 23 13 − 23 ⎦ = ⎣0 1 0⎦
00 1 0 0 1 0 0 1
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 0 −1 101 1 00
⎢ 2⎥⎢ ⎥ ⎢ ⎥
BA = ⎣− 23 1
3 − 3 ⎦ ⎣ 2 3 4 ⎦ = ⎣0 1 0⎦
0 0 1 001 0 01

ist B die Inverse von A. !

Übung 1.22
• ◦ ◦ Für welche Werte von α ∈ R ist B die Inverse von A?
) * ) *
1
1+α 4 5 − 25
A= , B= 1 3
−1 α 10 10
36 Kapitel 1 • Matrizen

v Lösung
Damit B die Inverse von A ist, muss AB = E gelten. Wir rechnen nach:
) *) * ) * )
*
1
1+α 4 5 − 25 α+3 4−2α
5 5 ! 10
AB = 1 3
= α−2 3α+4
= .
−1 α 10 10 10 10 01

4−2α 3α+4
Koeffizientenvergleich: aus α+3
5 = 1, 5 = 0, α−2
10 = 0 und 10 = 1 folgt α = 2. !

Übung 1.23
• ◦ ◦ Sei A ∈ GL(n, K) invertierbar. Man zeige:
a) (A−1 )−1 = A
b) (AT )−1 = (A−1 )T

v Lösung
a) Wegen AA−1 = E ist A die Inverse von A−1 , d. h. (A−1 )−1 = A.
" #T
b) Wegen (AB)T = BT AT ist (A−1 )T AT = AA−1 = E T = E. Somit ist (A−1 )T die
Inverse von AT , d. h. (AT )−1 = (A−1 )T . !

Übung 1.24
• ◦ ◦ Seien A, B ∈ GL(n, K) invertierbare Matrizen.
a) Man zeige, dass AB ∈ GL(n, K) (d. h. dass AB invertiebar ist) und dass für die
Inverse (AB)−1 = B−1 A−1 gilt.
b) Sei C ∈ GL(n, K) invertierbar. Man finde eine Formel für (ABC)−1 .

v Lösung
a) Wegen (B−1 A−1 )(AB) = B−1 (A−1 A)B = B−1 EB = B−1 B = E ist B−1 A−1 die
Inverse von AB, d. h. AB ist invertierbar und (AB)−1 = B−1 A−1 .
b) Wir wenden die Formel (AB)−1 = B−1 A−1 zwei Mal an und finden: (ABC)−1 =
" #−1
(AB)C = C −1 (AB)−1 = C −1 B−1 A−1 . !

i Merkregel
Bei der Bildung der Inversen eines beliebigen Produktes wird die Reihenfolge immer
vertauscht. Zum Beispiel, (ABCDEF)−1 = F −1 E −1 D−1 C −1 B−1 A−1 .

Übung 1.25
• ◦ ◦ Es seien A, B ∈ GL(n, K). Man löse die Matrizengleichung A + 2AB + 2B =
+ ,T
BT BAT + B nach A auf.
1.3 • Inverse Matrix und die Menge GL(n, K)
37 1
v Lösung
+ ,T
Es gilt: A + 2AB + 2B = BT BAT + B ⇔ A(E + 2B) + 2B = ABT B + BT ⇔
" # " #" #−1
A E + 2B − BT B = BT −2B. Es ergibt sich somit A = BT − 2B E + 2B − BT B =
" T #" #
B − 2B E + 2B−1 − B−1 B−T . !

Übung 1.26
• ◦ ◦ Es seien A, B ∈ GL(n, K). Man zeige Spur(A−1 BA) = Spur(B).

v Lösung
−1
Es ist Spur(A−1 BA) = Spur(B AA
3 45 6) = Spur(BE) = Spur(B). !
=E

Übung 1.27
• ◦ ◦ Sei A ∈ GL(n, K) eine invertierbare (n × n)-Matrix. Man zeige, dass die Inverse
A−1 eindeutig ist.

v Lösung
Wir nehmen an, dass A zwei Inverse B und C hat, d. h. dass es zwei Matrizen B und C
gibt mit BA = AB = E und CA = AC = E. Dann gilt B = BE = B(AC) = (BA)C =
EC = C. Daraus folgt B = C, d. h., die Inverse von A ist eindeutig. !

Übung 1.28
• ◦ ◦ Es seien A ∈ GL(n, K) und B ∈ GL(r, K) invertierbar. Man zeige:
) *−1 ) *
A 0 A−1 0
= .
0 B 0 B−1

v Lösung
Mit den Rechenregeln für Blockmatrizen (7 vgl. Abschn. 1.2.7) finden wir:
) *) * ) *
A−1 0 A 0 A−1 A + 0 A−1 0 + 0B
=
0 B−1 0 B 0A + B−1 0 0 + B−1 B
) *
E n×n 0
= = E (n+r)×(n+r) .
0 E r×r

) *−1 ) *
A 0 A−1 0
Somit ist = . !
0 B 0 B−1
38 Kapitel 1 • Matrizen

Ein etwas anspruchsvolles Beispiel aus der komplexen Analysis:

Übung 1.29
• • • Eine (normierte) Möbius-Transformation ist eine Abbildung M : C ∪ {∞} →
az+b
C ∪ {∞}, z → M(z) = cz+d , wobei ad − bc = 1. Möbius-Transformationen kann man
mit (2 × 2)-Matrizen wie folgt darstellen:
) *
az + b ab
M(z) = ↔ [M] = .
cz + d cd

a) Welche Möbius-Transformation wird von der Einheitsmatrix E erzeugt?

b) Ist die Darstellung von Möbius-Transformationen mit Matrizen eindeutig?
c) Es sei M(z) eine Möbius-Transformation mit Matrixdarstellung [M]. Wie lautet die
Matrixdarstellung von M −1 (z)?
d) Es seien M1 (z) und M2 (z) Möbius-Transformationen mit Matrixdarstellungen [M1 ]
bzw. [M2 ]. Man zeige, dass die Matrixdarstellung von M2 ◦ M1 ist
[M2 ◦ M1 ] = [M2 ][M1 ].

v Lösung
a) Es gilt
) *
10 1·z+0
[M] = → M(z) = = z.
01 0·z+1

Die Einheitsmatrix erzeugt die Identität M(z) = z.

b) Die Matrixdarstellung von Möbius-Transformationen ist nicht eindeutig. Denn

[M] und −[M] erzeugen dieselbe Möbius-Transformation:
)
*
ab az + b
[M] = → M(z) =
cd cz + d
) *
−a −b −az − b az + b
−[M] = → M(z) = = .
−c −d −cz − d cz + d

c) Es gilt
) *
az + b dy − b dy − b d −b
y= ⇒ z= ⇒ M −1 (y) = ⇒ [M −1 ] = .
cz + d −cy + a −cy + a −c a

Wegen ad − bc = 1 ist [M −1 ] (Matrixdarstellung von M −1 ) genau die Inverse von

[M] (Matrixdarstellung von M):
) *) * ) * ) *
−1 d −b ab ad − bc bd − bd 10
[M ][M] = = = .
−c a cd −ac + ac ad − bc 01
1.4 • Spezielle Matrizen
39 1
Mit anderen Worten [M −1 ] = [M]−1 .

d) Es seien M1 und M2 Möbius-Transformationen mit Matrizen [M1 ] bzw. [M2 ]:

) * ) *
a b a1 z + b1 a2 b2 a2 z + b2
[M1 ] = 1 1 → M1 (z) = , [M2 ] = → M2 (z) =
c1 d1 c1 z + d1 c2 d2 c2 z + d2

Es gilt:

7 8 z+b1
a2 ac1 z+d + b2
a1 z + b1 1 1
(M2 ◦ M1 )(z) = M2 (M1 (z)) = M2 =
c1 z + d1 z+b1
c2 ac1 z+d + d2
1 1

a2 (a1 z + b1 ) + b2 (c1 z + d1 ) (a2 a1 + b2 c1 )z + (a2 b1 + b2 d1 )

= =
c2 (a1 z + b1 ) + d2 (c1 z + d1 ) (c2 a1 + d2 c1 )z + (c2 b1 + d2 d1 )

Beachte, dass
) *) * ) *
a2 b2 a1 b1 a2 a1 + b2 c1 a2 b1 + b2 d1
[M2 ][M1 ] = = .
c2 d2 c1 d1 c2 a1 + d2 c1 c2 b1 + d2 d1

Die Matrixdarstellung der Komposition M2 ◦ M1 ist somit gleich dem Produkt der
Darstellungsmatrizen von M2 und M1 , d. h. [M2 ◦ M1 ] = [M2 ][M1 ]. !

1.4 Spezielle Matrizen

Anschließend diskutieren wir noch einige spezielle Typen quadratischer Matrizen,

welche eine wichtige Rolle in der linearen Algebra spielen.

1.4.1 Symmetrische Matrizen

Eine (n × n)-Matrix A ∈ Kn×n mit der Eigenschaft

AT = A (1.45)

heißt symmetrisch. Eine Matrix ist somit genau dann symmetrisch, wenn A bezüglich
der Diagonalen symmetrisch ist, d. h. wenn für die Einträge von A

aij = aji (1.46)

gilt. Man beachte dass, aufgrund der Dimensionen, symmetrische Matrizen notwen-
digerweise quadratisch sein müssen.
40 Kapitel 1 • Matrizen

" Definition 1.4

Die Menge aller symmetrischen (n × n)-Matrizen in Kn×n wird mit

Symn (K) := {A ∈ Kn×n | A ist symmetrisch} (1.47)

bezeichnet. #

> Bemerkung
Beachte: Symn (K) ist keine Gruppe, weil für symmetrische Matrizen A, B ∈ Symn (K)
im Allgemeinen AB ∈ / Symn (K) gilt (vgl. Übung 1.32).

Übung 1.30
⎡ ⎤
1 2 3 4
⎢2
⎢ 5 6 7⎥⎥
◦ ◦ ◦ Ist A = ⎢ ⎥ symmetrisch?
⎣3 6 8 9⎦
4 7 9 10

v Lösung
⎡ ⎤
123 4
⎢2 5 6 7 ⎥
⎢ ⎥
Wegen AT = ⎢ ⎥ = A ist A symmetrisch. Man sieht dies auch direkt, weil die
⎣3 6 8 9 ⎦
4 7 9 10
Matrix bezüglich der Diagonalen symmetrisch ist. !

Übung 1.31 ⎡ ⎤
120
⎢ ⎥
• ◦ ◦ Berechne die Produkte A2 , AAT und AT A für A = ⎣3 0 1⎦. Welche der Matrizen
101
A2 , AAT und AT A sind symmetrisch?

v Lösung
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 2 0 1 2 0 722
⎢ ⎥⎢ ⎥ ⎢ ⎥
A2 = ⎣3 0 1⎦ ⎣3 0 1⎦ = ⎣4 6 1⎦
1 0 1 1 0 1 221
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 2 0 1 3 1 5 3 1
⎢ ⎥⎢ ⎥ ⎢ ⎥
AAT = ⎣3 0 1⎦ ⎣2 0 0⎦ = ⎣3 10 4⎦
1 0 1 0 1 1 1 4 2
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 3 1 1 2 0 11 2 4
⎢ ⎥⎢ ⎥ ⎢ ⎥
AT A = ⎣2 0 0⎦ ⎣3 0 1⎦ = ⎣ 2 4 0⎦
0 1 1 1 0 1 4 02

Die Matrizen AAT und AT A sind symmetrisch, während A2 nicht symmetrisch ist. !
1.4 • Spezielle Matrizen
41 1

Übung 1.32
• ◦ ◦ Für welche Werte von α ∈ R ist das Produkt AB symmetrisch?
) * ) *
α 1 0 1−α
A= , B=
2 −1 1 1

Ist das Produkt symmetrischer Matrizen immer symmetrisch?

v Lösung
Wir berechnen das Produkt aus
) *) * ) *
α 1 0 1−α 1 α(1 − α) + 1
AB = =
2 −1 1 1 −1 2(1 − α) − 1

Die Matrix ist symmetrisch wenn α(1−α)+1 = −1, d. h. α 2 −α −2 = 0 ⇒ α = {−1, 2}.

Das Produkt symmetrischer Matrizen ist im Allgemeinen nicht symmetrisch. Zum
% & % &
Beispiel, die Matrizen A = 21 11 , B = 11 12 sind symmetrisch. Deren Produkt
%3 4&
AB = 2 3 ist aber nicht symmetrisch. Aus diesem Grund ist Symn (K) keine Gruppe
bezüglich der Matrixmultiplikation (vgl. Anhang B). !

Übung 1.33
• ◦ ◦ Sei A ∈ Kn×n eine (n × n)-Matrix. Man beweise, dass AAT und AT A immer
symmetrisch sind.

v Lösung
Es ist:

(AAT )T = (AT )T AT = AAT ⇒ AAT symmetrisch

(AT A)T = AT (AT )T = AT A ⇒ AT A symmetrisch !

1.4.2 Schiefsymmetrische Matrizen

Eine (n × n)-Matrix A ∈ Kn×n , welche

AT = −A (1.48)

erfüllt, heißt schiefsymmetrisch oder antisymmetrisch (auf Englisch: skew symmetric).

Mit anderen Worten, eine Matrix ist schiefsymmetrisch, wenn für ihre Einträge

aij = −aji (1.49)

42 Kapitel 1 • Matrizen

gilt. Beachte, dass bei einer schiefsymmetrischen Matrix alle Diagonaleinträge gleich
Null sind. Denn aus Gl. (1.49) mit i = j folgt

aii = −aii ⇒ aii = 0. (1.50)

" Definition 1.5

Die Menge aller schiefsymmetrischen (n × n)-Matrizen in Kn×n wird mit

Skewn (K) := {A ∈ Kn×n | A ist schiefsymmetrisch} (1.51)

bezeichnet. #

Übung 1.34
⎡ ⎤
0 2 −3 4
⎢−2
⎢ 0 −6 −7⎥
⎥
◦ ◦ ◦ Man zeige, dass die Matrix A = ⎢ ⎥ schiefsymmetrisch ist.
⎣3 6 0 9⎦
−4 7 −9 0

v Lösung
⎡ ⎤
0 −2 3 −4
⎢2 0 6 7⎥
⎢ ⎥
Wegen AT = ⎢ ⎥ = −A ist A schiefsymmetrisch. !
⎣−3 −6 0 −9⎦
4 −7 9 0

Übung 1.35
••◦
a) Man zeige: Jede (n × n)-Matrix A ∈ Kn×n kann als Summe einer symmetrischen
und einer schiefsymmetrischen
⎡ Matrix
⎤ geschrieben werden.
23 1
⎢ ⎥
b) Man stelle die Matrix A = ⎣5 6 −6⎦ als Summe einer symmetrischen und einer
3 9 −3
schiefsymmetrischen Matrix dar.

v Lösung
a) Wir schreiben A wie folgt:

1 1 1 1 1 1 A + AT A − AT
A= A + A = A + A + AT − AT = + = S + T.
2 2 2 2 2 2 2 6 3 45
3 45 2 6
=S =T

Die Matrix S ist symmetrisch, weil

1.4 • Spezielle Matrizen
43 1
9 :T
T A + AT AT + (AT )T AT + A A + AT
S = = = = = S.
2 2 2 2

Die Matrix T ist schiefsymmetrisch, weil

9 :T
T A − AT AT − (AT )T AT − A A − AT
T = = = =− = −T.
2 2 2 2

b) Aus Teilaufgabe (a) wissen wir, dass jede (n × n)-Matrix A als Summe einer
symmetrischen und einer schiefsymmetrischen Matrix darstellbar ist:

A + AT A − AT
A = S + T, wobei S = und T = .
2 2

In diesem Fall
⎡ ⎤ ⎡ ⎤
23 1 2 5 3
⎢ ⎥ ⎢ ⎥
A = ⎣5 6 −6⎦ ⇒ AT = ⎣3 6 9 ⎦
3 9 −3 1 −6 −3
⎡ ⎤ ⎡ ⎤
T 4 8 4 2 4 2
A+A 1⎢ ⎥ ⎢ ⎥
⇒ S= = ⎣8 12 3 ⎦ = ⎣4 6 32 ⎦ symmetrisch
2 2
4 3 −6 2 32 −3
⎡ ⎤ ⎡ ⎤
0 −2 −2 0 −1 −1
A − AT 1⎢ ⎥ ⎢ ⎥
⇒ T= = ⎣2 0 −15⎦ = ⎣1 0 − 15 2 ⎦
schiefsymmetrisch
2 2 15
2 15 0 1 2 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 4 2 0 −1 −1 23 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Probe: S + T = ⎣4 6 32 ⎦ + ⎣1 0 − 15
2 ⎦
= ⎣5 6 −6⎦ = A $ !
3 15
2 2 −3 1 2 0 3 9 −3

i Merkregel
Jede (n × n)-Matrix A ∈ Kn×n kann man wie folgt als Summe einer symmetrischen und
einer schiefsymmetrischen Matrix zerlegen:

A + AT A − AT
A = S + T, wobei S = und T = .
2 2

Diese Darstellung ist in vielen Situationen nützlich (vgl. Übung 5.26).

> Bemerkung
Analoge Zerlegungen treten in mehreren Bereichen der Mathematik auf. Zum Beispiel
kann man jede Funktion f in einen geraden Teil g (mit g(−x) = g(x)) und einen
ungeraden Teil h (mit h(−x) = −h(x)) zerlegen:
44 Kapitel 1 • Matrizen

f (x) + f (−x) f (x) − f (−x)

f (x) = g(x) + h(x), g(x) = , h(x) = .
2 2

Ein weiteres Beispiel ist die Zerlegung einer komplexen Zahl z ∈ C in einen reellen Teil
x (mit x̄ = x) und einen imaginären Teil iy (mit iy = −iy):

z + z̄ z − z̄
z = x + iy, x= , iy = .
2 2

1.4.3 Hermitesche oder selbstadjungierte Matrizen

Eine komplexwertige (n × n)-Matrix A ∈ Cn×n heißt hermitesch oder selbstadjungiert

wenn

A∗ = A (1.52)

gilt, wobei A∗ die adjungierte Matrix von A bezeichnet. Anders ausgedrückt, A ist
genau dann hermitesch, wenn für ihre Einträge

aij = aji (1.53)

gilt. Beachte, dass die Diagonalelemente einer hermiteschen Matrix immer reell sein
müssen. Denn aus Gl. (1.53) mit i = j folgt

aii = aii ⇒ aii ∈ R. (1.54)

" Definition 1.6

Die Menge aller hermiteschen (n × n)-Matrizen in Cn×n wird mit

Hn (C) := {A ∈ Cn×n | A ist hermitesch}

bezeichnet. #

Übung 1.36 ⎤⎡
1 i 0
⎢ ⎥
◦ ◦ ◦ Man zeige, dass A = ⎣−i 0 1⎦ hermitesch ist.
0 11

v Lösung ⎡
⎤ ⎡ ⎤
1 −i 0 1 i 0
T ⎢ ⎥ ⎢ ⎥
Wegen A∗ = A = ⎣ i 0 1⎦ = ⎣−i 0 1⎦ = A ist A hermitesch. !
0 1 1 0 11
1.4 • Spezielle Matrizen
45 1

Übung 1.37 ) * ) *
01 0 −i
• • ◦ Man zeige, dass die Pauli-Matrizen (vgl. Übung 1.13) σx = , σy = ,
10 i 0
) *
1 0
σz = hermitesch sind.
0 −1

v Lösung
Eine direkte Rechnung zeigt:
) *T ) * ) *T ) *
∗ T 01 01 ∗ T 0 i 0 −i
σx = σx = = = σx σy = σy = = = σy
10 10 −i 0 i 0
) *T ) *
1 0 1 0
σz ∗ = σz T = = = σz ⇒ σx , σy , σz sind hermitesch. !
0 −1 0 −1

Übung 1.38
• ◦ ◦ Für welche α, β, γ ∈ C ist die folgende Matrix hermitesch?
⎡ ⎤
1 α + 2i γ
⎢ ⎥
A = ⎣1 − 2i 0 1 + βi⎦
βi 2 − αi −2

v Lösung
Es gilt
⎡ ⎤
1 1 + 2i −βi
⎢ T ⎥
A∗ = A = ⎣α − 2i 0 2 + αi⎦ .
γ 1 − βi −2

Damit A hermitesch ist, muss A∗ gleich A sein. Daraus folgt

1 + 2i = α + 2i ⇒ α=1
1 − βi = 2 − αi = 2 − i ⇒ βi = −1 + i ⇒ β =1−i
γ = βi = 1 + i ⇒ γ = 1 − i.
⎡ ⎤
1 1 + 2i 1 − i
⎢ ⎥
Die gesuchte Matrix lautet somit A = ⎣ 1 − 2i 0 2 + i ⎦ . !
1 + i 2 − i −2
46 Kapitel 1 • Matrizen

1.4.4 Orthogonale Matrizen

Eine (n × n)-Matrix A ∈ Kn×n heißt orthogonal wenn

AT A = E (1.55)

gilt. Beachte, dass diese Bedingung äquivalent zu

A−1 = AT (1.56)

ist, d. h., eine orthogonale Matrix A ist immer invertierbar und die Inverse von A ist
gleich AT .

" Definition 1.7

Die Menge aller orthogonalen (n × n)-Matrizen in Kn×n wird mit

On (K) := {A ∈ Kn×n | A ist orthogonal} (1.57)

bezeichnet. On (K) heißt orthogonale Gruppe (auf Englisch: Orthogonal group). #

> Bemerkung
Dass On (K) eine Gruppe bezüglich der Matrixmultiplikation ist, folgt aus Übung 1.41.

Übung 1.39
•◦◦ Man zeige, dass die folgenden Matrizen orthogonal sind und man bestimme jeweils
die Inverse:
⎡ ⎤ ⎡ ⎤
⎡ ⎤ 1 1 1 1
1 2 2 − √1 √1 − √1
1⎢ ⎥ ⎢ 2 3 6⎥
1⎢⎢1 −1 −1 1⎥⎥
A= ⎣ 2 1 −2⎦ , B=⎢
⎣ 0 √1 √2 ⎥ , C= ⎢ ⎥
3 3 6 ⎦ 2 ⎣−1 −1 1 1⎦
−2 2 −1 √1 √1 − √1
2 3 6 −1 1 −1 1

v Lösung
a) Wegen
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 −2 1 2 2 90 0 100
1⎢ ⎥⎢ ⎥ 1⎢ ⎥ ⎢ ⎥
AT A = ⎣2 1 2 ⎦ ⎣ 2 1 −2⎦ = ⎣0 9 0⎦ = ⎣0 1 0⎦
9 9
2 −2 −1 −2 2 −1 00 9 001

ist⎡A orthogonal.
⎤ Da für orthogonale Matrizen A−1 = AT gilt, ist A−1 = AT =
1 2 −2
1⎢ ⎥
3 2 1 2 ⎦.
⎣
2 −2 −1
1.4 • Spezielle Matrizen
47 1
b) Wegen
⎡ ⎤⎡ ⎤ ⎡ ⎤
− √1 √1 0 − √1 √1 − √1 100
⎢ 1 2 2 ⎥⎢ 2 3 6⎥
BT B = ⎢ √ √1 √1 ⎥ ⎢ 0 √1 √2 ⎥=⎢ ⎥
⎣ 3 3 3 ⎦⎣ 3 6 ⎦ ⎣0 1 0⎦
− √1 √2 − √1 √1 √1 − √1 001
6 6 6 2 3 6

⎡ ⎤
− √1 0 √1
⎢ 2 2 ⎥
ist B orthogonal. Daher ist B−1 = BT = ⎢ √1 √1 √1 ⎥.
⎣ 3 3 3 ⎦
− √1 √2 − √1
6 6 6

c) Wegen
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 −1 −1 1 1 1 1 4 0 0 0 1 0 0 0
⎢1 1⎥ ⎢ ⎥ ⎢ 0⎥
1 ⎢ ⎥
⎢ −1 −1 ⎥ ⎢ 1 −1 −1 1⎥ 1 ⎢0 4 0 ⎥ ⎢0 1 0 0⎥
CT C = ⎢ ⎥⎢ ⎥= ⎢ ⎥=⎢ ⎥
4 ⎣1 −1 1 −1⎦ ⎣−1 −1 1 1⎦ 4 ⎣0 0 4 0⎦ ⎣0 0 1 0⎦
1 1 1 1 −1 1 −1 1 0 0 0 4 0 0 0 1

⎡ ⎤
1 1 −1 −1
⎢1
⎢ −1 −1 1⎥ ⎥
ist C orthogonal. Da C orthogonal ist, gilt: C −1 = C T = 12 ⎢ ⎥. !
⎣1 −1 1 −1⎦
1 1 1 1

Übung 1.40 ) *
cos(ϕ) − sin(ϕ)
• ◦ ◦ Die Matrix R(ϕ) = beschreibt eine Drehung im R2 um den
sin(ϕ) cos(ϕ)
Winkel ϕ in positiver Richtung (vgl. Übung 1.12).
a) Man zeige, dass R(ϕ) orthogonal ist.
b) Man bestimme die Inverse R−1 (ϕ) und interpretiere das Resultat geometrisch.

v Lösung
a) Wegen cos2 (ϕ) + sin2 (ϕ) = 1 ist
) *) *
T cos(ϕ) sin(ϕ) cos(ϕ) − sin(ϕ)
R(ϕ) R(ϕ) =
− sin(ϕ) cos(ϕ) sin(ϕ) cos(ϕ)
) *
cos2 (ϕ) + sin2 (ϕ) 0
=
0 cos2 (ϕ) + sin2 (ϕ)
) *
1 0
= ⇒ R(ϕ) ist orthogonal.
0 1
48 Kapitel 1 • Matrizen

b) Da R(ϕ) orthogonal ist, ist R−1 (ϕ) = R(ϕ)T

) *
−1 T cos(ϕ) sin(ϕ)
R(ϕ) = R(ϕ) = .
− sin(ϕ) cos(ϕ)

Wegen sin(−ϕ) = − sin(ϕ) und cos(−ϕ) = cos(ϕ) können wir R(ϕ)−1 wie folgt
umschreiben
) *
cos(−ϕ) − sin(−ϕ)
R(ϕ)−1 = = R(−ϕ),
sin(−ϕ) cos(−ϕ)

d. h., R (ϕ)−1 beschreibt eine Drehung um den Winkel −ϕ. Dies bedeutet, dass
R(ϕ)−1 eine Drehung um den gleichen Winkel ϕ in Gegenrichtung ist. !

Übung 1.41
• ◦ ◦ Seien A und B zwei orthogonale (n × n)-Matrizen. Man zeige, dass auch AB
orthogonal ist.

v Lösung
Wegen (AB)T = BT AT gilt (AB)T AB = BT AT AB. Da A und B orthogonal sind, ist
AT A = BT B = E. Daraus folgt:

(AB)T AB = BT (AT A)B = BT EBT = BT BT = E.

Somit ist AB orthogonal. Daraus folgt, dass On (K) eine Gruppe bezüglich der Matrix-
multiplikation ist. !

Übung 1.42
• ◦ ◦ Sei A schiefsymmetrisch und seien A + E und A − E invertierbar. Man zeige, dass
(E + A)(E − A)−1 orthogonal ist.

v Lösung
A ist schiefsymmetrisch ⇒ AT = −A. Mit der Formel (AB)T = BT AT finden wir dann
(beachte E T = E):
+ ,T
(E + A)(E − A)−1 (E + A)(E − A)−1 = (E − A)−T (E + A)T (E + A)(E − A)−1

= (E − AT )−1 (E + AT )(E + A)(E − A)−1 = (E + A)−1 (E − A)(E + A)(E − A)−1

Nun würden wir gerne die Terme (E − A) und (E + A) vertauschen können. Dies ist
nur möglich, wenn (E − A) und (E + A) kommutieren. Wegen

(E − A)(E + A) = E + EA − AE − A2 = E − A2
1.4 • Spezielle Matrizen
49 1
(E + A)(E − A) = E − EA + AE − A2 = E − A2

ist (E − A)(E + A) = (E + A)(E − A). Daraus folgt

+ ,T
(E + A)(E − A)−1 (E + A)(E − A)−1 = (E + A)−1 (E − A)(E + A)(E − A)−1

= (E + A)−1 (E + A) (E − A)(E − A)−1 = E.

3 45 63 45 6
=E =E

Somit ist (E + A)(E − A)−1 orthogonal. !

1.4.5 Unitäre Matrizen

Eine komplexwertige (n × n)-Matrix A ∈ Cn×n heißt unitär, wenn

A∗ A = E. (1.58)

Wie für orthogonale Matrizen aus Gl. (1.58) folgt insbesondere, dass unitäre Matri-
zen invertierbar sind. Die Inverse von A ist A∗ . Somit ist A genau dann unitär, wenn
gilt:

A−1 = A∗ . (1.59)

" Definition 1.8

Die Menge aller unitären (n × n)-Matrizen in Cn×n wird mit

Un (C) := {A ∈ Cn×n | A ist unitär} (1.60)

bezeichnet. Un (C) nennt man die unitäre Gruppe. #

Übung 1.43 ⎡ ⎤
2 −2 −2
1 ⎢ √ √ ⎥
◦ ◦ ◦ Man zeige, dass A = √ ⎣ 3−i 3 + i −2i⎦ unitär ist.
2 3 √ √
1 − 3i −1 − 3i 2
50 Kapitel 1 • Matrizen

v Lösung
Wegen
⎡ √ √ ⎤⎡ ⎤
2 3 + i 1 + 3i 2 −2 −2
1 ⎢ √ √ ⎥⎢ √ √ ⎥
A∗ A = ⎣−2 3 − i −1 + 3i⎦ ⎣ 3 − i 3 + i −2i⎦
12 √ √
−2 2i 2 1 − 3i −1 − 3i 2
⎡ ⎤ ⎡ ⎤
12 0 0 1 0 0
1 ⎢ ⎥ ⎢ ⎥
= ⎣ 0 12 0 =
⎦ ⎣0 1 0⎦
12
0 0 12 0 0 1

ist A unitär. !

Übung 1.44
• ◦ ◦ Seien A ∈ Kn×n hermitesch und U ∈ Kn×n unitär. Man zeige, dass U −1 AU
hermitesch ist.

v Lösung
A ist hermitesch ⇒ A∗ = A. Außerdem ist U unitär ⇒ U ∗ = U −1 . Daher ist
" −1 #∗ " #∗ " #−1 " #−1
U AU = U ∗ A∗ U −1 = U −1 A U ∗ = U −1 A U −1 = U −1 AU ⇒
−1
U AU ist hermitesch. !

1.4.6 Idempotente Matrizen

Eine (n × n)-Matrix A ∈ Kn×n , für welche

A2 = A (1.61)

gilt, heißt idempotent.

Übung 1.45
• ◦ ◦ Man bestimme alle reellen idempotenten (2 × 2)-Matrizen.
1.4 • Spezielle Matrizen
51 1
v Lösung
%a b&
A= cd ist genau dann idempotent, wenn
⎧
⎪ 2
) *) * ) * ) * ⎪a + bc = a
⎪
⎪
⎪
⎨ab + bd = b
ab ab a2 + bc ab + bd ! a b
A2 = = 2
= =A ⇒
cd cd ac + cd bc + d cd ⎪
⎪ ac + cd = c
⎪
⎪
⎪
⎩
bc + d 2 = d

Aus der zweiten und dritten Gleichung folgt

ab + bd = b ⇒ b(a + d − 1) = 0 ⇒ b = 0 oder a + d = 1
ac + cd = c ⇒ c(a + d − 1) = 0 ⇒ c = 0 oder a + d = 1.

5 Gilt c = b = 0, so ist A diagonal und aus den Bedingungen a2 + bc = a und

bc + d 2 = d folgt a2 = a und d 2 = d. Das heißt, a und d sind entweder gleich 0 oder
1. Daraus ergeben sich die folgenden vier Möglichkeiten
) * ) * ) * ) *
10 10 00 00
, , , .
01 00 01 00

5 Ist c, b ̸= 0 und d = 1−a, so folgt aus der ersten (oder vierten) Gleichung bc = a−a2
2
⇒ c = a−a b und b ̸= 0 ist beliebig. Das heißt, A sieht wie folgt aus
) *
a b
a−a2
, a ∈ R, b ̸= 0.
b 1−a
!

Übung 1.46
+ ,−1
• ◦ ◦ Es sei A ∈ GL(n, K). Man zeige, dass H = A AT A AT symmetrisch und
idempotent ist.

v Lösung
+ ,T + ,−T 7 + ,T 8−1 + ,−1
Wegen H T = AT AT A AT = A AT AT AT = A AT A AT = H
+ ,−1 + ,−1 + ,−1
ist H symmetrisch. Wegen H 2 = A AT A AT A AT A AT = A AT A AT =
3 45 6
=E
H ist H idempotent.
+ ,−1
Alternative: Man erkennt, dass H = A AT A AT = AA−1 A−T AT = E. Die
Einheitsmatrix E ist sowohl symmetrisch als auch idempotent. !
52 Kapitel 1 • Matrizen

1.4.7 Involutive Matrizen

Eine (n × n)-Matrix A ∈ Kn×n heißt involutiv, wenn

A2 = E (1.62)

gilt. Aus Gl. (1.62) folgt, dass jede involutive Matrix A invertierbar ist und

A−1 = A. (1.63)

Übung 1.47 * ) * )
01 0 −i
◦ ◦ ◦ Man zeige, dass die Pauli Matrizen (vgl. Übung 1.13) σx = , σy = ,
10 i 0
) *
1 0
σz = involutiv sind, und man bestimme deren Inversen.
0 −1

v Lösung
Es gilt
) *) * ) * ) *) * ) *
2 0 1 01 10 2 0 −i 0 −i 10
σx = = = E, σy = = = E,
1 0 10 01 i 0 i 0 01
) *) * ) *
1 0 1 0 10
σz 2 = = =E ⇒ σx , σy , σz sind involutiv.
0 −1 0 −1 01

Daraus folgt
) * ) * ) *
01 0 −i 1 0
σx −1 = σx = , σy −1 = σy = , σz −1 = σz = .
10 i 0 0 −1 !

Übung 1.48
• ◦ ◦ Man bestimme alle reellen involutiven (2 × 2)-Matrizen.

v Lösung
%a b&
A= cd ist genau dann involutiv, wenn
⎧
⎪
⎪
⎪ a2 + bc = 1
) *) * ) * ) * ⎪
⎪
⎨
ab ab a2 + bc ab + bd ! 1 0 ab + bd = 0
A2 = = 2
= =E ⇒
cd cd ac + cd bc + d 01 ⎪
⎪
⎪ ac + cd = 0
⎪
⎪
⎩
bc + d 2 = 1
1.4 • Spezielle Matrizen
53 1
Aus der zweiten und dritten Gleichung folgt

b(a + d) = 0 ⇒ b = 0 oder a = −d
c(a + d) = 0 ⇒ c = 0 oder a = −d.

5 Gilt c = b = 0, so ist A diagonal und aus den Bedingungen a2 + bc = 1 und

bc + d 2 = 1 folgt a2 = 1 und d 2 = 1. Das heißt, a und d sind entweder gleich 1 oder
−1. Daraus ergeben sich die folgenden vier Möglichkeiten
) * ) * ) * ) *
10 1 0 −1 0 −1 0
, , , .
01 0 −1 0 1 0 −1

5 Ist c, b ̸= 0 und d = −a, so folgt aus der ersten (oder vierten) Gleichung bc = 1 − a2
2
⇒ c = 1−a b . D. h. A sieht wie folgt aus
) *
a b
1−a2
, a ∈ R, b ̸= 0.
b −a
!

1.4.8 Nilpotente Matrizen

Eine (n × n)-Matrix A ∈ Kn×n heißt nilpotent, wenn es ein m ∈ N gibt, sodass

Am = 0, Am−1 ̸= 0 (1.64)

gilt. Die kleinste solche Zahl m heißt Nilpotenzgrad (oder Nilpotenzindex).

> Bemerkung
Für den Nilpotenzgrad m einer quadratischen (n × n)-Matrix gilt m ≤ n (vgl. Satz von
Cayley-Hamilton, Band II).

Übung 1.49
⎡ ⎤
⎡ ⎤ 0 1 1 1
2 2 −10 ⎢0
⎢ ⎥ ⎢ 0 1 1⎥⎥
◦ ◦ ◦ Man zeige, dass A = ⎣1 2 −7 ⎦ und B = ⎢ ⎥ nilpotent sind. Man
⎣0 0 0 1⎦
0 2 −4
0 0 0 0
bestimme den Nilpotenzgrad.
54 Kapitel 1 • Matrizen

v Lösung
Wegen
⎡ ⎤ ⎡ ⎤
6 −12 6 000
⎢ ⎥ ⎢ ⎥
A2 = ⎣4 −8 4⎦ , A3 = ⎣0 0 0⎦
2 −4 2 000

ist A nilpotent mit Nilpotenzgrad 3. Für B gilt:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 0 1 2 0 0 0 1 0 0 0 0
⎢0 1⎥ ⎢0 0⎥ ⎢0
⎢ 0 0 ⎥ ⎢ 0 0 ⎥ ⎢ 0 0 0⎥
⎥
B2 = ⎢ ⎥, B3 = ⎢ ⎥ B4 = ⎢ ⎥
⎣0 0 0 0⎦ ⎣0 0 0 0⎦ ⎣0 0 0 0⎦
0 0 0 0 0 0 0 0 0 0 0 0

B ist nilpotent mit Nilpotenzgrad 4. !

Übung 1.50
•◦◦
a) Man bestimme alle reellen nilpotenten (2 × 2)-Matrizen.
b) Sei K = Z2 . Man bestimme alle nilpotenten Matrizen in K2×2 .

v Lösung
%a b&
a) A = cd ist genau dann nilpotent, wenn
⎧
⎪
⎪
⎪ a2 + bc = 0
) *) * ) * ) * ⎪
⎪
⎨b(a + d) = 0
ab ab a2 + bc ab + bd ! 0 0
A2 = = = ⇒
cd cd ac + cd bc + d 2 00 ⎪
⎪c(a + d) = 0
⎪
⎪
⎪
⎩
bc + d 2 = 0

Aus der zweiten und dritten Gleichung folgt entweder b = 0 und c = 0 oder a = −d.
5 Ist b = c = 0, so folgt aus der ersten und vierten Gleichung a2 = 0 und d 2 = 0,
d. h. a = d = 0. Daraus ergibt sich die foldende nilpotente Matrix
) *
00
.
00

5 Ist b = 0 aber c ̸= 0 so muss a = −d sein. Aus der ersten Gleichung folgt dann
a2 = bc = 0 ⇒ a = 0. Daraus ergibt sich die foldende Matrix
) *
00
, c ∈ R.
c0
1.4 • Spezielle Matrizen
55 1
5 Ist c = 0 aber b ̸= 0 so ergibt sich die foldende Matrix
) *
0b
, b ∈ R.
00

5 Ist a = −d mit b, c ̸= 0, so folgt aus der ersten (oder vierten) Gleichung bc =

−a2 ⇒ c = −a2 /b. D. h. A sieht wie folgt aus
) *
a b
−a2
, a ∈ R, b ̸= 0.
b −a

Zusammenfassend ergeben sich die folgenden vier Möglichkeiten

) * ) * ) * ) *
00 00 0b a b
, , , −a2
.
00 c0 00 b −a

b) Z2 besteht nur aus den Elementen 0 und 1 (vgl. Anhang B.4). Matrizen in Z2×2 2
haben also nur 0 oder 1 als Einträge. Außerdem in Z2 gilt −1 = 1. Aus Teilaufgabe
(a) ergeben sich somit die folgenden vier nilpotente Matrizen
) * ) * ) * ) *
00 00 01 11
, , , .
00 10 00 11 !

Übung 1.51
• • ◦ Sei A ∈ Kn×n nilpotent mit Nilpotenzgrad m. Man zeige, dass E − A invertierbar
ist mit Inverse (E − A)−1 = E + A + A2 + · · · + Am−1 .

v Lösung
A ∈ Kn×n ist nilpotent mit Nilpotenzgrad m ⇒ Am = 0. Daher ist

(E − A)(E + A + A2 + · · · + Am−1 ) = E + A + A2 + · · · + Am−1

− A − A2 − · · · − Am−1 − Am
= E − Am = E

d. h. E + A + A2 + · · · + Am−1 ist die Inverse von E − A. !

1.4.9 Normale Matrizen

Eine reelle (n × n)-Matrix A ∈ Rn×n , welche

AT A = AAT (1.65)
56 Kapitel 1 • Matrizen

erfüllt, heißt normal. Anders ausgedrückt: Eine Matrix A ist normal, wenn sie mit
ihrer Transponierten kommutiert, d. h.

[A, AT ] = 0. (1.66)

Bei komplexwertigen Matrizen muss man bei der obigen Definition die Transponierte
mit der Adjungierten ersetzen. Eine komplexwertigen (n × n)-Matrix A ∈ Cn×n , heißt
normal, falls

A∗ A = AA∗ . (1.67)

Übung 1.52 ⎡ ⎤
0 −1 1 ) *
⎢ ⎥ 1+i 1−i
◦ ◦ ◦ Man zeige, dass A = ⎣ 1 0 −1⎦ und B = normal sind.
1−i 1+i
−1 1 0

v Lösung ⎡ ⎤ ⎡ ⎤
2 −1 −1 2 −1 −1
⎢ ⎥ ⎢ ⎥
Wegen AT A = ⎣−1 2 −1⎦ und AAT = ⎣−1 2 −1⎦ ist A normal. Wegen:
−1 −1 2 −1 −1 2
) *) * ) * ) *
∗1+i 1−i 1−i 1+i 40 ∗ 40
BB = = , B B=
1−i 1+i 1+i 1−i 04 04

ist B normal. !

Übung 1.53
• ◦ ◦ Sei A ∈ Rn×n . Man zeige:
a) Ist A symmetrisch, dann ist A normal.
b) Ist A schiefsymmetrisch, dann ist A normal.
c) Ist A orthogonal, dann ist A normal.

v Lösung
a) Ist A symmetrisch, so gilt AT = A. Daraus folgt AT A = AA = AAT ⇒ A ist
normal.
b) Ist A schiefsymmetrisch, so gilt AT = −A. Daraus folgt AT A = (−A)A = A(−A) =
AAT ⇒ A ist normal.
c) Ist A orthogonal, so gilt AT A = E = AAT . Somit ist A normal. !
 57 2

Lineare Gleichungssysteme
Inhaltsverzeichnis

2.1 Lineare Gleichungssysteme (LGS) – 58

2.1.1 Lösungsmenge eines LGS – 58
2.1.2 LGS auf beliebigen Körpern – 61
2.1.3 Bestimmung der Lösungsmenge eines LGS durch
elementare Zeilenoperationen – 61

2.2 Der Gauß-Algorithmus – 63

2.2.1 Zeilenstufenform einer Matrix – 63
2.2.2 Matrixdarstellung eines LGS – 65
2.2.3 Der konkrete Gauß-Algorithmus – 67
2.2.4 Kochrezept für Gauß-Algorithmus – 78
2.2.5 Weitere Beispiele zum Gauß-Algorithmus: – 79
2.2.6 Diskussion von LGS mit Parametern – 88
2.2.7 LGS auf beliebigen Körpern – 101
2.2.8 Homogene und inhomogene LGS – 103

2.3 Rang – 106

2.3.1 Definition – 106
2.3.2 Berechnung – 107
2.3.3 Rang und LGS – 115
2.3.4 Homogene LGS – 123

2.4 Matrizengleichungen und inverse

Matrix – 126
2.4.1 Matrizengleichungen – 126
2.4.2 Bestimmung der inversen Matrix A-1 mithilfe des
Gauß-Algorithmus – 127

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
58 Kapitel 2 • Lineare Gleichungssysteme

In diesem Kapitel diskutieren wir eine zentrale Anwendung von Matrizen auf die
Lösung von linearen Gleichungssystemen (LGS).

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 2 sind Sie in der Lage:
5 ein lineares Gleichungssystem (LGS) in Matrixform schreiben und mittels Gauß-
Algorithmus zu lösen,
5 die Lösungen eines LGS als Menge darstellen und grafisch zu interpretieren,
5 LGS mit Parameteren zu diskutieren,
5 den Rang eines LGS bestimmen und die Lösungen konkret nach dem Satz von
Rouché-Capelli zu klassifizieren,
5 LGS auf beliebigen Körpern (R, Q, C, Z2 , Z3 , · · · ) zu lösen,
5 den Zusammenhang zwischen Gesamtlösung sowie homogenen und partikulären
Lösungen eines LGS zu erklären und anzuwenden,
5 die Inverse einer Matrix mittels Gauß-Algorithmus zu bestimmen,
5 Kriterien für die Existenz einer inversen Matrix zu kennen und anzuwenden.

2.1 Lineare Gleichungssysteme (LGS)

Ein reelles lineares Gleichungssystem (LGS) mit m Gleichungen und n Unbekannten

hat die folgende Form:
⎧
⎪
⎪ a11 x1 + a12 x2 + · · · + a1n xn = b1
⎪
⎨ a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .. (2.1)
⎪
⎪ . . . .
⎪
⎩
am1 x1 + am2 x2 + · · · + amn xn = bm

x1 , x2 , · · · , xn sind die n Unbekannten. Die Koeffizienten aij , bi sind reelle Zahlen.

Weitere Definitionen sind:
5 Falls b1 = b2 = · · · = bm = 0, heißt das LGS (2.1) homogen. Sonst heißt das LGS
inhomogen.
5 Ein LGS mit m = n heißt quadratisch oder bestimmt. Wenn m > n heißt das LGS
überbestimmt, während für m < n es unterbestimmt heißt.

2.1.1 Lösungsmenge eines LGS

Die Lösungsmenge L des LGSs (2.1) besteht aus allen Tupeln (x1 , x2 , · · · , xn ), welche
alle Gleichungen in (2.1) gleichzeitig erfüllen. Es gibt drei Möglichkeiten für L:
5 In einigen Situationen besitzt das LGS (2.1) keine Lösung. In diesem Fall ist die
Lösungsmenge L leer
?@
L=∅= .
2.1 • Lineare Gleichungssysteme (LGS)
59 2
a b c

. Abb. 2.1 (a) Wenn das LGS (2.1) eine eindeutige Lösung besitzt, besteht L aus einem einzigen Punkt
x0 im Raum. (b) Hat L als Lösungsmenge einen einzigen freien Parameter, dann ist L eine Gerade, welche
durch den Punkt x0 geht und in die Richtung v1 zeigt. (c) Hat die Lösungsmenge zwei freie Parameter, dann
ist L eine Ebene, welche den Punkt x0 enthält und durch die Vektoren v1 , v2 aufgespannt ist (vgl. Anhang A)

5 Wenn das LGS (2.1) eine eindeutige Lösung besitzt, dann besteht die Lösungsmen-
ge aus einem einzigen Punkt x0 im Raum (. Abb. 2.1a)
⎧⎡ ⎤ A⎡ ⎤ ⎫
A x1
⎨ x1
⎪ A ⎪
⎬
⎢ .. ⎥ n A ⎢ .. ⎥
L = ⎣ . ⎦ ∈ R A ⎣ . ⎦ = x0 = {x0 } .
⎪
⎩ A ⎪
⎭
xn A x
n

5 In einigen Situationen besitzt das LGS (2.1) unendlich viele Lösungen. Die Lö-
sungsmenge ist in diesem Fall durch ein oder mehrere freie Parameter t, s, · · ·
beschrieben:
⎧⎡ ⎤ A⎡ ⎤ ⎫
A x1
⎨ x1
⎪ A ⎪
⎬
⎢ ⎥ A⎢ ⎥
L = ⎣ ... ⎦ ∈ Rn A ⎣ ... ⎦ = x0 + t v1 + s v2 + · · · mit t, s, · · · ∈ R .
⎪
⎩ A ⎪
⎭
xn A x
n

– Gibt es einen einzigen freien Parameter, dann beschreibt die Lösungsmenge L

eine Gerade im Raum (. Abb. 2.1b).
– Gibt es zwei freie Parameter, dann beschreibt L eine Ebene im Raum
(. Abb. 2.1c).
– Bei drei oder mehreren freien Parametern, beschreibt L eine Hyperebene im Rn .
60 Kapitel 2 • Lineare Gleichungssysteme

> Bemerkung
Eine Hyperebene ist eine Verallgemeinerung des Begriffs der Ebene auf beliebige
Dimension, was aber schwierig bis unmöglich mit einer Zeichnung darzustellen ist.

Geometrische Deutung eines LGS

Welche geometrische Interpretation hat die Lösungsmenge eines LGSs?
5 Ein LGS mit 2 Gleichungen und 2 Unbekannten beschreibt den Schnitt von
zwei Geraden im R2 (jede Gleichung im LGS beschreibt eine Gerade). Alle drei
Lösbarkeitsfälle sind dann möglich:
– Eindeutige Lösung: In diesem Fall ist die Lösung der Schnittpunkt zwischen 2
nicht parallelen Geraden (. Abb. 2.2a).
– Unendlich viele Lösungen: In diesem Fall liegen die 2 Geraden aufeinander
(. Abb. 2.2b).
– Keine Lösung tritt ein, wenn die 2 Geraden parallel sind, also keinen gemeinsa-
men Schnittpunkt haben (. Abb. 2.2c).
5 Ein LGS mit 3 Gleichungen und 3 Unbekannten beschreibt den Schnitt von drei
Ebenen im R3 (jede Gleichung im LGS beschreibt eine Ebene). Drei Lösbarkeits-
fälle unterscheiden sich dann:
– Eindeutige Lösung: In diesem Fall ist die Lösung ein Punkt im R3 , wo alle drei
Ebenen sich schneiden (. Abb. 2.3a).
– Unendlich viele Lösungen mit einem Parameter: Die Lösung ist eine Gerade in
der sich drei nicht parallele Ebenen schneiden. Falls alle Ebenen aufeinander
liegen, hat die Lösung 2 freie Parameter (. Abb. 2.3b).
– Keine Lösung: In diesem Fall gibt es keine gemeinsame Schnittpunkte zwischen
den drei Ebenen (z. B. wenn die drei Ebenen parallel sind, . Abb. 2.3c).

a b c

. Abb. 2.2 Grafische Interpretation der drei Lösbarkeitsfälle eines (2×2)-LGSs. Jede Gleichung im LGS
entspricht einer Geraden
2.1 • Lineare Gleichungssysteme (LGS)
61 2
a b

. Abb. 2.3 Grafische Interpretation der drei Lösbarkeitsfälle eines (3 × 3)-LGSs. Jede Gleichung im
LGS entspricht einer Ebene. Abhängig davon, wie sich diese Ebenen schneiden, hat das LGS (a) genau
eine Lösung, (b) unendlich viele Lösungen, oder (c) keine Lösung

2.1.2 LGS auf beliebigen Körpern

Man kann ein LGS auch auf einem beliebigen Körper K definieren. Im diesem Fall
sind die Koeffizienten aij und bi in (2.1) Elemente aus K. In der Praxis ist K = R, C.
Es können aber auch kompliziertere Situationen auftreten, wie zum Beispiel K = Zp
(7 vgl. Abschn. B.4).

2.1.3 Bestimmung der Lösungsmenge eines LGS durch elementare

Zeilenoperationen

Um Berechnungen anschaulicher zu machen, ist es oft nützlich, die verschiedenen

Gleichungen (Zeilen) eines LGS mit (Z1 ), (Z2 ), · · · , (Zm ) zu nummerieren:
⎧
⎪
⎪ a11 x1 + a12 x2 + · · · + a1n xn = b1 (Z1 )
⎪
⎨ a21 x1 + a22 x2 + · · · + a2n xn = b2 (Z2 )
.. .. .. .. .. (2.2)
⎪
⎪ . . . . .
⎪
⎩
am1 x1 + am2 x2 + · · · + amn xn = bm (Zm )
62 Kapitel 2 • Lineare Gleichungssysteme

Die Lösungsmenge L des LGS (2.2) wird dann durch die folgenden elementaren
Zeilenoperationen nicht verändert:
5 Vertauschen von zwei Zeilen (Gleichungen)

(Zi ) (Zi′ ) = (Zj )

%
(Zj ) (Zj′ ) = (Zi )

5 Eine Zeile (Gleichung) mit einer beliebigen Zahl (Skalar) α ̸= 0 multiplizieren

(Zj ) % (Zj′ ) = α(Zj )

5 Ein beliebiges Vielfaches einer Zeile (Gleichung) zu einer anderen Zeile (Glei-
chung) addieren oder subtrahieren

(Zj ) % (Zj′ ) = (Zj ) + β(Zi ), i ̸= j

In diesem Fall darf β = 0 sein.

Aus diesen Tatsachen resultiert eine allgemeine Strategie, um LGS zu lösen. Man wen-
det die obigen elementaren Zeilenoperationen an, um ein gegebenes LGS schrittweise
auf ein einfacheres äquivalenten LGS zu bringen (Diagonalform oder Treppenform),
woraus sich dann die Lösungsmenge direkt ablesen lässt.

Übung 2.1
◦ ◦ ◦ Man löse das folgende LGS mittels elementaren Zeilenoperationen:
⎧
⎪
⎨x1 − x3 = 1
⎪
2x1 + 4x2 + 4x3 = 4
⎪
⎪
⎩
−x1 + 3x2 + 4x3 = 0

v Lösung
⎧ ⎧
⎨ x1
⎪ − x3 = 1 (Z1 ) ⎨ x1
⎪ − x3 = 1 (Z1′ ) = (Z1 )
2x1 + 4x2 + 4x3 = 4 (Z2 ) % 4x2 + 6x3 = 2 (Z2′ ) = (Z2 ) − 2(Z1 )
⎪
⎩ ⎪
⎩
−x1 + 3x2 + 4x3 = 0 (Z3 ) 3x2 + 3x3 = 1 (Z3′ ) = (Z3 ) + (Z1 )
⎧
⎨ x1
⎪ − x3 = 1 (Z1′′ ) = (Z1′ )
% 4x2 + 6x3 = 2 (Z2′′ ) = (Z2′ )
⎪
⎩ 3 1
− 2 x3 = − 2 (Z3′′ ) = (Z3′ ) − 34 (Z2′ )
⎧
⎨ x1
⎪ − x3 = 1 (Z1′′′ ) = (Z1′′ )
3 1
% x2 + 2 x3 = 2 (Z2′′′ ) = 14 (Z2′′ )
⎪
⎩ 1
x3 = 3 (Z3′′′ ) = − 23 (Z3′′ )
2.2 • Der Gauß-Algorithmus
63 2
Nun können wir die Lösung des LGS direkt ablesen (von unten nach oben)
⎧ ⎧ ⎧⎡ ⎤⎫
4 4
⎨ x1
⎪ − x3 = 1 ⎨ x1 = 1 + x3 = 3
⎪ ⎪
⎨ 3 ⎪ ⎬
⎢ ⎥
x2 + 32 x3 = 12 % x2 = 12 − 32 x2 = 0 ⇒ L = ⎣0⎦ .
⎪
⎩ ⎪
⎩ ⎪
⎩ 1 ⎪ ⎭
x3 = 13 x3 = 13 3 !

2.2 Der Gauß-Algorithmus

Der Gauß-Algorithmus ist ein allgemeines Verfahren zur Lösung eines LGS. Der
Gauß-Algorithmus besteht aus einer Sequenz von elementaren Zeilenoperationen,
welche direkt auf die Matrixdarstellung eines LGS angewandt werden können.

2.2.1 Zeilenstufenform einer Matrix

Bevor wir den Gauß-Algorithmus detailliert anwenden, wollen wir die Zeilenstufen-
form einer Matrix erklären.

" Satz 2.1

Jede Matrix A ∈ Km×n lässt sich durch elementare Zeilenoperationen auf sogenannte
Zeilenstufenform bringen:

Z= (2.3)

> Bemerkung
Das Sternchen ⋆ dient als Platzhalter für eine beliebige Zahl. Es können auch Nullen
vorkommen.

Die Zeilenstufenform einer Matrix A erhält man, indem man eine Kombination der
folgenden elementaren Zeilenoperationen auf die Zeilen der Matrix A anwendet.
64 Kapitel 2 • Lineare Gleichungssysteme

Elementare Zeilenoperationen
5 Vertauschen der i-ten mit der j-ten Zeile.

5 Ersetzen der j-ten Zeile (Zj ) durch α(Zj ), wobei α ̸= 0.

5 Ersetzen der j-ten Zeile durch (Zj ) + β(Zi ), j ̸= i (es darf β = 0 sein).

Die Zeile, welche addiert wird, heißt Pivotzeile. Die Spalte die „ausgeräumt“ werden
muss heißt Pivotspalte. Der Koeffizient an der Kreuzung der Pivotzeile mit der
Pivotspalte heißt Pivotelement oder Pivot.

> Bemerkung
Beachte: Die Pivotspalte besteht nur aus dem Pivot und den Elementen unter dem
Pivot.
2.2 • Der Gauß-Algorithmus
65 2

Übung 2.2
◦ ◦ ◦ Man bringe die folgende Matrix mittels elementarer Zeilenoperationen auf
Zeilenstufenform:
⎡ ⎤
0 1 2 2 1
⎢0
⎢ −1 −2 1 2⎥ ⎥
A=⎢ ⎥.
⎣0 2 4 −1 −3⎦
0 4 8 3 −1

v Lösung
⎡ ⎤ ⎡ ⎤
0 1 2 2 1 (Z2 ) + (Z1 ) 012 2 1
⎢0 ⎥ (Z1 ) (Z3 ) − 2(Z1 ) ⎢
⎢ −1 −2 1 2⎥ (Z4 ) − 4(Z1 ) ⎢0 0 0 3 3⎥⎥
⎢ ⎥ (Z2 ) % ⎢ ⎥
⎣0 2 4 −1 −3⎦ ⎣0 0 0 −5 −5⎦
(Z3 )
0 4 8 3 −1 0 0 0 −5 −5
⎡ ⎤ ⎡ ⎤
(Z3 ) + 5 (Z2 )
01221 01221
3 ⎢ ⎥ 1 ⎢
(Z4 ) − (Z3 ) ⎢0 0 0 3 3⎥ 3 (Z2 ) ⎢0 0 0 1 1⎥
⎥
% ⎢ ⎥ % ⎢ ⎥ = Z.
⎣0 0 0 0 0⎦ ⎣0 0 0 0 0⎦
00000 00000

Die gesuchte Zeilenstufenform von A lautet somit:

2.2.2 Matrixdarstellung eines LGS

Jedes LGS
⎧
⎪
⎪ a11 x1 + a12 x2 + · · · + a1n xn = b1 (Z1 )
⎪
⎨ a21 x1 + a22 x2 + · · · + a2n xn = b2 (Z2 )
.. .. .. .. .. (2.4)
⎪
⎪ . . . . .
⎪
⎩
am1 x1 + am2 x2 + · · · + amn xn = bm (Zm )
66 Kapitel 2 • Lineare Gleichungssysteme

kann man in Matrixschreibweise Ax = b umschreiben:

⎡ ⎤⎡ ⎤ ⎡ ⎤
a11 a12 · · · a1n x1 b1
⎢ a21 a22 · · · a2n ⎥ ⎢x2 ⎥ ⎢ b2 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ . .. . . .. ⎥ ⎢ .. ⎥ = ⎢ .. ⎥ . (2.5)
⎣ .. . . . ⎦⎣ . ⎦ ⎣ . ⎦
am1 am2 · · · amn xn bm
3 45 6 3 45 6 3 45 6
A x b

Die (m × n)-Matrix A heißt Darstellungsmatrix (auch Koeffizientenmatrix) des LGS

und der Vektor b heißt Lösungsvektor. In kompakter Form kann man also das LGS
in einer einzigen Matrix zusammenfassen:
⎡ ⎤
a11 a12 · · · a1n b1
⎢ a21 a22 · · · a2n b2 ⎥
⎢ ⎥
[A|b] = ⎢ . .. . . .. .. ⎥. (2.6)
⎣ .. . . . . ⎦
am1 am2 · · · amn bm
3 45 6 3456
A b

Die Matrix [A|b] heißt erweiterte Matrix (auch erweiterte Koeffizientenmatrix) des
LGS.

> Bemerkung
Der vertikale Strich in der erweiterten Matrix hat keine mathematische Bedeutung; er
dient einfach dazu, Berechnungen übersichtlicher zu machen.

" Beispiel
⎧ ⎡ ⎤
⎨ 2x1 + 2x2 + 4x3 = 4
⎪ (Z1 ) 2 2 4 4
⎢ ⎥
x1 − x3 = 1 (Z2 ) % [A|b] = ⎣ 1 0 −1 1 ⎦ . #
⎪
⎩
−x1 + 3x2 + 4x3 = 0 (Z3 ) −1 3 4 0

Übung 2.3
◦ ◦ ◦ Man schreibe die folgenden LGS in Matrixform um. Man gebe jeweils die
erweiterte Matrix an.
⎧
⎨x − 3x = 2
1 2
a)
⎩2x + x = −1
⎧ 1 2
⎨x + x = 0
1 2
b)
⎩x = x
⎧ 1 2
⎨6x + 2x + x + x = 0
1 2 3 4
c)
⎩x − x − x = x
3 1 2 4
2.2 • Der Gauß-Algorithmus
67 2

⎧
⎪
⎨−3x1 − 2x2 − x3 + 4x4 = 3
⎪
d) 15x1 − 4x3 − x4 = 0
⎪
⎪
⎩
2x1 + 5x3 − 3x4 − 1 = 2

v Lösung
⎡ ⎤
) * ) * ) * −3 −2 −1 4 3
1 −3 2 1 1 0 6 2 1 1 0 ⎢ ⎥
a) , b) , c) , d) ⎣ 15 0 −4 −1 0 ⎦ .
2 1 −1 1 −1 0 −1 −1 1 −1 0
2 0 5 −3 3
!

2.2.3 Der konkrete Gauß-Algorithmus

Gegeben sei ein LGS mit erweiterter Matrix [A|b]. Mittels elementarer Zeilenopera-
tionen kann man [A|b] wie folgt in Zeilenstufenform bringen:

⎡ ⎤
a11 a12 · · · a1n b1
⎢ a21 a22 · · · a2n b2 ⎥
⎢ ⎥
[A|b] = ⎢ . .. . . .. .. ⎥ % Z=
⎣ .. . . . . ⎦
am1 am2 · · · amn bm
3 45 6 3456
A b

(2.7)
Die so erzeugte Matrix Z heißt Zielmatrix. Hat man die erweiterte Matrix [A|b]
auf Zeilenstufenform gebracht, so kann man die folgenden Fallunterscheidungen
vornehmen, um die Lösungsmenge des LGS aus der Zielmatrix Z zu bestimmen.
5 Fall 1: Hat die Zielmatrix Z das folgende Aussehen (Dreiecksform)

Z= (2.8)

so hat das LGS genau eine Lösung. Es gibt genauso viele von Null verschiedene
Gleichungen als Unbekannte. Die eindeutige Lösung wird in diesem Fall einfach
durch Rückwärtseinsetzen bestimmt.
68 Kapitel 2 • Lineare Gleichungssysteme

" Beispiel
Das LGS mit Zielmatrix
) *
121
Z=
013

hat genau eine Lösung (Fall 1). Die Lösung wird durch Rückwärtseinsetzen bestimmt. Aus
der zweiten Zeile folgt x2 = 3. Einsetzen in die erste Zeile liefert x1 + 2x2 = 1 ⇒ x1 =
1 − 2x2 = 1 − 2 · 3 = −5. Die Lösungsmenge besteht somit aus dem einzigen Vektor:
$) *E
−5
L= .#
3

5 Fall 2: Wenn die Zielmatrix Z wie folgt aussieht (Treppenform)

Z= (2.9)

dann hat das LGS unendlich viele Lösungen. In diesem Fall ist die Anzahl von
Null verschieden Gleichungen kleiner als die Anzahl von Unbekannten. Einige
Variablen sind somit frei wählbar. Die Lösungsmenge ist durch k1 + k2 + · · · + kr
frei wählbare Parameter beschrieben.

Praxistipp

Eine alternative Formel für die Anzahl freier Parameter ist:

Anzahl freie Parameter = n − Anzahl von Null verschiedenen Zeilen in Z (2.10)

wobei n die Anzahl der Unbekannten ist.

2.2 • Der Gauß-Algorithmus
69 2
" Beispiel
Das LGS mit Zielmatrix
) *
112
Z=
000

hat unendlich viele Lösungen (Fall 2). Es gibt einen freien Parameter; setzen wir, beispiels-
weise, x2 = t, dann folgt x1 = 2 − x2 = 2 − t. Die Lösungsmenge ist somit:
$) * A) * ) * ) * E
A
x1 2 A x1 2 −1
L= ∈R A = +t , t∈R .#
x2 A x2 0 1

" Beispiel
Das LGS mit Zielmatrix
⎡ ⎤
1 2 0 1 1 0 1
⎢0
⎢ 0 1 0 1 0 1⎥⎥
Z=⎢ ⎥
⎣0 0 0 1 1 9 1⎦
0 0 0 0 0 0 0

hat unendlich viele Lösungen mit drei freien Parametern: x2 = t, x5 = s und x6 = r. Alle
Variablen direkt neben den markierten Elementen sind freie Variablen:

x1 x2 x3 x4 x5 x6
1 2 0 1 1 0 1
0 0 1 0 1 0 1
0 0 0 1 1 9 1
0 0 0 0 0 0 0
↑ ↑ ↑

⇒ x2 = t, x5 = s, und x6 = r freie Variablen.

Aus der dritten Zeile folgt dann: x4 = 1 − x5 − 9x6 = 1 − s − 9r. Aus der zweiten Zeile folgt:
x3 = 1−x5 = 1−s. Ferner folgt aus der ersten Zeile folgt: x1 = 1−2x2 −x4 −x5 = −2t+9r.
Die Lösungsmenge ist somit:
⎧⎡ ⎤ A⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 A x1 0 −2 0 9 ⎪
⎪
⎪ A ⎪
⎪
⎪
⎪ ⎢ ⎥ A⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎪
⎪
⎪ ⎢ x 2 ⎥ A ⎢x 2 ⎥ ⎢ 0 ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎪
⎪
⎪⎢ ⎥
⎨ A⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎬
⎢x3 ⎥ A ⎢
6 A ⎢x3 ⎥
⎥ ⎢ 1⎥⎥ ⎢ 0⎥⎥ ⎢−1⎥⎥ ⎢ 0⎥⎥
⎢ ⎥ ⎢ ⎢ ⎢ ⎢
L = ⎢ ⎥ ∈ R A ⎢ ⎥ = ⎢ ⎥ + t ⎢ ⎥ + s ⎢ ⎥ + r ⎢ ⎥ , t, s, r ∈ R . #
⎪
⎪
⎪ ⎢x4 ⎥ A ⎢x4 ⎥ ⎢1⎥ ⎢0⎥ ⎢−1⎥ ⎢−9⎥ ⎪
⎪
⎪
⎪
⎪ ⎢ ⎥ A⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎪
⎪
⎪ ⎣ x 5 ⎦ A ⎣x 5 ⎦ ⎣ 0 ⎦ ⎣ 0 ⎦ ⎣ 1 ⎦ ⎣ 0 ⎦ ⎪
⎪
⎪
⎩ A ⎪
⎭
x6 A x6 0 0 0 1
70 Kapitel 2 • Lineare Gleichungssysteme

5 Fall 3: Falls

Z= mit ! ̸= 0 (2.11)

dann hat das LGS keine Lösung, weil die letzten k Gleichungen 0 = ! lauten, was
wegen ! ̸= 0 unmöglich ist.

> Bemerkung
! dient als Platzhalter für eine von Null verschiedene Zahl. Es genügt schon, dass ein
! ̸= 0 ist!

" Beispiel
Das LGS mit Zielmatrix
) *
1 −1 2
Z=
0 0 1

hat keine Lösung (Fall 3). Denn die Gleichung 0 = 1 ist nie erfüllt. Die Lösungsmenge ist
?@
leer L = . #

Übung 2.4
• ◦ ◦ Man
⎡ betrachte⎤die folgenden Zielmatrizen:
12 1 4
⎢ ⎥
a) Z = ⎣ 0 1 −2 2 ⎦
00 1 3
⎡ ⎤
130 5
⎢ ⎥
b) Z = ⎣ 0 1 3 −1 ⎦
000 1
⎡ ⎤
1 −1 1 0
⎢ ⎥
c) Z = ⎣ 0 0 0 0 ⎦
0 0 00
⎡ ⎤
1 −1 1 5
⎢ ⎥
d) Z = ⎣ 0 1 7 2 ⎦
0 0 00
Man entscheide, ob die zugehörigen LGS (i) eine, (ii) keine oder (iii) unendlich viele
Lösungen besitzen. Man bestimme jeweils die Lösungsmenge.
2.2 • Der Gauß-Algorithmus
71 2
v Lösung
⎡ ⎤
12 1 4
⎢ ⎥
a) ⎣ 0 1 −2 2 ⎦ ⇒ genau eine Lösung (Fall 1).
00 1 3
Die Lösung erhalten wir durch Rückwärtseinsetzen. Aus der dritten Zeile folgt:
x3 = 3. Einsetzen in die zweite Gleichung liefert: x2 = 2 + 2x3 = 8. Aus der
ersten
⎧Zeile
⎡ folgt
⎤⎫ dann: x1 = 4 − 2x2 − x3 = −15. Die Lösungsmenge ist eindeutig:
⎨ −15 ⎪
⎪ ⎬
⎢ ⎥
L= ⎣ 8 ⎦ .
⎪
⎩ ⎪
⎭
3
⎡ ⎤
130 5
⎢ ⎥
b) ⎣ 0 1 3 −1 ⎦ ⇒ keine Lösung (Fall 3).
000 1
⎡ ⎤
1 −1 1 0
⎢ ⎥
c) ⎣ 0 0 0 0 ⎦ ⇒ unendlich viele Lösungen (2 freie Parameter, Fall 2).
0 0 00
Wir setzen x2 = t und x3 = s. Dann folgt aus der ersten Zeile: x1 = x2 − x3 =
t − s. Die Lösungsmenge ist somit
⎧⎡ ⎤ A⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
A x 1
⎨ x1
⎪ A 1 −1 ⎪
⎬
⎢ ⎥ 3A ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R A ⎣x2 ⎦ = t ⎣1⎦ + s ⎣ 0 ⎦ , t, s ∈ R .
⎪
⎩ A ⎪
⎭
x3 A x3 0 1

⎡ ⎤
1 −1 1 5
⎢ ⎥
d) ⎣ 0 1 7 2 ⎦ ⇒ unendlich viele Lösungen (1 freier Parameter, Fall 2).
0 0 00
Wir setzen x3 = t. Dann folgt aus der zweiten Zeile: x2 = 2 − 7x3 = 2 − 7t.
Einsetzen in die erste Gleichung liefert: x1 = 5+x2 −x3 = 7−8t. Die Lösungsmenge
ist somit
⎧⎡ ⎤ A⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
A x 7
⎨ x1
⎪ A 1 −8 ⎪
⎬
⎢ ⎥ A⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R3 A ⎣x2 ⎦ = ⎣2⎦ + t ⎣−7⎦ , t ∈ R .
⎪
⎩ A ⎪
⎭
x3 A x3 0 1 !

Musterbeispiel 1: LGS mit genau einer eindeutigen Lösung

Nun betrachten wir einige Musterbeispiele zum Gauß-Algorithmus. Wir werden
immer an geeigneten Stellen auf praktische Tipps und Optimierungsmöglichkeiten
hinweisen. Manchmal geben wir ganze Kochrezepte an. Siehe in diesem Fall Kochre-
zept 2.1.
72 Kapitel 2 • Lineare Gleichungssysteme

Musterbeispiel 2.1 (LGS mit genau einer eindeutigen Lösung)

Wir betrachten das folgende LGS:

⎧
⎨3x1 − 3x2 + x3 = 1
⎪
−x1 + x2 + 2x3 = 2
⎪
⎩
2x1 + x2 − 3x3 = 0

Schritt 1 Als erstes ordnen wir dem Gleichungssystem die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ 3x1 − 3x2 + x3 = 1 (Z1 ) 3 −3 1 1
−x1 + x2 + 2x3 = 2 (Z2 ) % [A|b] = ⎣ −1 1 2 2 ⎦ .
⎩
2x1 + x2 − 3x3 = 0 (Z3 ) 2 1 −3 0

Schritt 2 Jetzt wenden wir den Gauß-Algorithmus an: Das Ziel ist es, die erweiterte Matrix
[A|b] mittels elementarer Zeilenoperationen in die Zeilenstufenform (2.2.3) zu bringen.
Durch das Vertauschen der ersten Zeile mit der zweiten Zeile und die Multiplikation der
ersten Zeile mit -1 erhalten wir eine 1 als erste Ziffer, auch Pivot genannt:
⎡ ⎤ ⎡ ⎤
3 −3 1 1 1 −1 −2 −2
(Z1 ) ↔ −(Z2 ) ⎢ ⎥
⎣ −1 1 2 2 ⎦ % ⎣ 3 −3 1 1 ⎦ .
2 1 −3 0 2 1 −3 0

Nun erzeugen wir Nullen an der ersten Position der zweiten und dritten Zeile durch
(Z2 ) − 3(Z1 ) und (Z3 ) − 2(Z1 ):
⎡ ⎤ ⎡ ⎤
1 −1 −2 −2 (Z2 ) − 3(Z1 ) 1 −1 −2 −2
(Z ) − 2(Z )
⎣ 3 −3 1 1 ⎦ 3 % 1 ⎢ ⎣ 0 0 7 7 ⎦.
⎥
2 1 −3 0 0 3 1 4

Dann vertauschen wir die zweite Zeile mit der dritten Zeile, damit wir zwei Nullen in der
untersten Zeile erhalten
⎡ ⎤ ⎡ ⎤
1 −1 −2 −2 1 −1 −2 −2
(Z2 ) ↔ (Z3 )
⎣0 0 7 7 ⎦ % ⎣ 0 3 1 4 ⎦.
0 3 1 4 0 0 7 7

Weiter wollen wir alles Einsen auf der Hauptdiagonale erzeugen. Also dividieren wir die
zweite Zeile durch 3 und die dritte durch 7:

⎡ ⎤ 1 (Z ) ⎡ ⎤
3 2 1 −1 −2 −2
1 −1 −2 −2 1 (Z )
7 3 ⎢ ⎥
⎣0 3 1 4 ⎦ % ⎣ 0 1 13 43 ⎦ = Z.
0 0 7 7 0 0 1 1

Die Zielmatrix Z ist jetzt eine obere Dreiecksmatrix. Der Gauß-Algorithmus hat somit sein
Ziel erreicht. Die Zielmatrix Z entspricht Fall 1: Das gegebene LGS hat genau eine Lösung.
Schritt 3 Aus der Zielmatrix Z können wir nun die Lösung direkt ableiten:
⎧ ⎧
⎨x1 − x2 − 2x3 = −2
⎪ ⎨x1 = −2 + x2 + 2x3 = 1
⎪
x2 + 13 x3 = 43 ⇒ x2 = 43 − 13 x3 = 1
⎪
⎩ ⎪
⎩
x3 = 1 x3 = 1
2.2 • Der Gauß-Algorithmus
73 2

⎧ ⎡ ⎤⎫
⎨ 1 ⎬
Die eindeutige Lösung des LGS lautet somit L = ⎣1⎦ . Die Lösungsmenge ist ein Punkt
⎩ ⎭
1
wo die drei Ebenen (Gleichungen) sich schneiden (. Abb. 2.4).

> Bemerkung
Beim Gauß-Algorithmus darf man je zwei Zeilen vertauschen, ohne die Lösungsmenge
zu verändern. Dies folgt direkt aus der Tatsache, dass es keine Rolle spielt, in welcher
Ordnung die einzelnen Gleichungen in einem LGS auftreten (vgl. elementare Zeilen-
operationen). Zum Beispiel
⎧ ⎧
⎨x + x = 1 ⎨x + 2x = 2
1 2 1 2
ist dasselbe LGS wie
⎩x + 2x = 2 ⎩x + x = 1
1 2 1 2

Musterbeispiel 2: LGS mit unendlich vielen Lösungen

Als nächtes Musterbeispiel betrachten wir ein LGS, das unendlich viele Lösungen
besitzt.

. Abb. 2.4 Grafische Darstellung der Lösung von Musterbeispiel 2.1

74 Kapitel 2 • Lineare Gleichungssysteme

Musterbeispiel 2.2 (LGS mit unendlich vielen Lösungen)

Wir betrachten das folgende LGS:

⎧
⎨x1 + x2 − x3 = 4
⎪
2x1 − x2 + 3x3 = 7
⎪
⎩
4x1 + x2 + x3 = 15

Schritt 1 Wir ordnen dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ x1 + x2 − x3 = 4 (Z1 ) 1 1 −1 4
2x − x2 + 3x3 = 7 (Z2 ) % [A|b] = ⎣ 2 −1 3 7 ⎦ .
⎩ 1
4x1 + x2 + x3 = 15 (Z3 ) 4 1 1 15

Schritt 2 Dann wenden wir den Gauß-Algorithmus an. Wir erzeugen Nullen an der ersten
Position der zweiten und dritten Zeile durch (Z2 ) − 2(Z1 ) und (Z3 ) − 4(Z1 ):
⎡ ⎤ (Z ) − 2(Z ) ⎡ ⎤
1 1 −1 4 2 1 1 1 −1 4
(Z3 ) − 4(Z1 ) ⎢ ⎥
⎣ 2 −1 3 7 ⎦ % ⎣ 0 −3 5 −1 ⎦ .
4 1 1 15 0 −3 5 −1

Nun erkennen wir, dass die letzten zwei Zeilen gleich sind. Also durch (Z3 ) − (Z2 ) erhalten
wir
⎡ ⎤ ⎡ ⎤
1 1 −1 4 1 1 −1 4
(Z3 ) − (Z2 )
⎣ 0 −3 5 −1 ⎦ % ⎣ 0 −3 5 −1 ⎦ .
0 −3 5 −1 0 0 0 0

Schließlich dividieren wir die zweite Zeile durch (-3):

⎡ ⎤ ⎡ ⎤
1 1 −1 4 − 1 (Z2 ) ⎢
1 1 −1 4
⎣ 0 −3 5 −1 ⎦ % ⎣ 0 1 − 5 1 ⎥
3
⎦ = Z.
3 3
0 0 0 0 0 0 0 0

Die Zielmatrix ist vom Typ 2. Das LGS hat somit unendlich viele Lösungen mit einem freien
Parameter.
Schritt 3 Herauslesen der Lösung
$
x1 + x2 − x3 = 4
x2 − 53 x3 = 1
3

Es sind 2 Gleichungen für 3 Unbekannte, x1 , x2 , x3 : Es gibt somit unendlich viele Lösungen,

weil eine der 3 Unbekannten beliebig ist. In solchen Situationen wählt man x3 = t, wobei
t ein freier Parameter ist, und schreibt die anderen Variablen in Abhängigkeit von t. Aus
der zweiten Gleichung folgt x2 = 13 + 53 x3 = 13 + 53 t. Aus der ersten Gleichung folgt x1 =
4 − x2 + x3 = 11 2
3 − 3 t. Die Lösung ist somit
⎧ ⎫
⎪
⎪⎡ ⎤ ⎪
⎪
⎪
⎪ A ⎡ ⎤ ⎡ 11 ⎤ ⎡ 2 ⎤ ⎪
⎪
⎪
⎨ x1 A x1 − ⎪
⎬
A
3A ⎣ ⎦
3
1 5
3
L= ⎣ ⎦ ⎣ ⎦
x2 ∈ R A x2 = 3 +t 3 , t ∈ R .⎣ ⎦
⎪
⎪ A x ⎪
⎪
⎪
⎪ x3 3 0 1 ⎪
⎪
⎪
⎩ 3 45 6 3 45 6 ⎪
⎭
=x0 =v1

Die Lösungsmenge ist eine Gerade im R3 in der sich 3 Ebenen schneiden (. Abb. 2.5).
2.2 • Der Gauß-Algorithmus
75 2

. Abb. 2.5 Grafische Darstellung der Lösung von Musterbeispiel 2.2

Praxistipp

Alle Variablen direkt neben den markierten Elementen (Pivots) sind freie Variablen

x1 x2 x3
1 1 −1 4
0 1 − 53 13
0 0 0 0
↑

0 · x3 = 0 ⇒ x3 = t freie Variable.

> Bemerkung
Dem aufmerksamen Leser fällt sicher auf, dass die dritte Gleichung des LGSs im
Musterbeispiel 2.2 eine Linearkombination der ersten und zweiten Gleichung ist.
Genauer: (Z3 ) = 2(Z1 )+(Z2 ). Daher hat das LGS unendlich viele Lösungen mit einem
freien Parameter.
76 Kapitel 2 • Lineare Gleichungssysteme

Musterbeispiel 3: LGS mit keiner Lösung

Als nächstes Beispiel betrachten wir ein LGS, welches keine Lösung besitzt.

Musterbeispiel 2.3 (LGS mit keiner Lösung)

Man löse das folgende LGS mit dem Gauß-Algorithmus:

⎧
⎨x1 + x2 − x3 = −3
⎪
2x1 + 2x2 + x3 = 0
⎪
⎩
5x1 + 5x2 − 3x3 = −8

Schritt 1 Zunächst stellen wir die erweiterte Matrix [A|b] des LGS auf:
⎧ ⎡ ⎤
⎨ x1 + x2 − x3 = 3 (Z1 ) 1 1 −1 −3
2x + 2x2 + x3 = 0 (Z2 ) % [A|b] = ⎣ 2 2 1 0 ⎦ .
⎩ 1
5x1 + 5x2 − 3x3 = −8 (Z3 ) 5 5 −3 −8

Schritt 2 Wir wenden den Gauß-Algorithmus in 3 Schritten an:

⎡ ⎤ (Z2 ) − 2(Z1 )
⎡ ⎤ ⎡ ⎤
1 1 −1 −3 1 1 −1 −3 1 (Z ) 1 1 −1 −3
(Z3 ) − 5(Z1 ) 3 2
⎣2 2 1 0 ⎦ % ⎣0 0 3 6 ⎦ % ⎣0 0 1 2 ⎦
5 5 −3 −8 0 0 2 7 0 0 2 7
⎡ ⎤
1 1 −1 −3
(Z3 ) − 2(Z2 ) ⎢0
% ⎣ 0 1 2 ⎥ ⎦ = Z.
0 0 0 3

Die Zielmatrix ist vom Typ 3. Das LGS hat somit keine Lösung (die letzte Gleichung ist
0 = 3, was unmöglich ist) (. Abb. 2.6).

. Abb. 2.6 Grafische Darstellung der Lösung von Musterbeispiel 2.3

2.2 • Der Gauß-Algorithmus
77 2
Musterbeispiel 4: Gleichzeitige Lösung mehrerer LGS
Mit dem Gauß-Algorithmus kann man mehrere LGS mit der selben Darstellungs-
matrix A, aber verschiedenen Lösungsvektoren b1 , b2 , · · · , br gleichzeitig (simultan)
lösen:

Ax = b1 , Ax = b2 , ··· , Ax = br . (2.12)

In kompakter Form kann man die verschiedenen LGS mithilfe einer einzigen erwei-
terten Matrix zusammenfassen:
⎡ ⎤
a11 a12 ··· a1n b11 b21 ··· br1
⎢ a21 a22 ··· a2n b12 b22 ··· br2 ⎥
⎢ ⎥
[A|b1 · · · br ] = ⎢ .. .. .. .. .. .. .. .. ⎥. (2.13)
⎣ . . . . . . . . ⎦
am1 am2 · · · amn b1m b2m · · · brm

Musterbeispiel 2.4 (Gleichzeitige Lösung mehrerer LGS)

Man löse die zwei folgenden LGS mit dem Gauß-Algorithmus simultan:
⎧ ⎧
⎨x1 + 4x2 + 3x3 = 1
⎪ ⎨x1 + 4x2 + 3x3 = −1
⎪
2x1 + 5x2 + 4x3 = 4 und 2x1 + 5x2 + 4x3 = 0
⎪
⎩ ⎪
⎩
x1 + x2 + x3 = 3 x1 + x2 + x3 = 2

Schritt 1 Bei der gleichzeitigen Lösung mehreren LGS Ax = b1 und Ax = b2 , kann man die
erweiterte Matrix [A|b1 b2 ] aufstellen (beachte, dass es jetzt zwei Spalten nach dem vertikalen
Strich | gibt):
⎧ ⎡ ⎤
⎨ x1 + 4x2 + 3x3 = 1 und −1 (Z1 ) 1 4 3 1 −1
2x + 5x2 + 4x3 = 4 und 0 (Z2 ) % ⎣ 2 5 4 4 0 ⎦ .
⎩ 1
x1 + x2 + x3 = 3 und 2 (Z3 ) 1 1 1 3 2

Schritt 2 Wir führen den Gauß-Algorithmus wie gehabt durch:

⎡ ⎤ ⎡ ⎤
1 4 3 1 −1 (Z2 ) − 2(Z1 ) 1 4 3 1 −1
(Z3 ) − (Z1 )
⎣2 5 4 4 0 ⎦ % ⎣ 0 −3 −2 2 2 ⎦
111 3 2 0 −3 −2 2 3
⎡ ⎤ ⎡ ⎤
1 4 3 1 −1 − 1 (Z ) 1 4 3 1 −1
(Z3 ) − (Z2 ) 3 2
% ⎣ 0 −3 −2 2 2 ⎦ % ⎣ 0 1 2 − 2 − 2 ⎦ = Z.
3 3 3
0 0 0 0 1 0 0 0 0 1

Schritt 3 Herauslesen der Lösungen:

5 Die Zielmatrix für den ersten LGS ist vom Typ 2 (Trapezform). Das erste LGS hat somit
undendlich viele Lösungen mit einem freien Parameter (eine Gerade im R3 ):
⎧⎡ ⎤ A ⎡ ⎤ ⎡ 11 ⎤ ⎡ 1⎤ ⎫
⎨ x1 A x1 −3 ⎬
A 3
L = ⎣x2 ⎦ ∈ R3 AA ⎣x2 ⎦ = ⎣− 23 ⎦ + t ⎣− 23 ⎦ , t ∈ R .
⎩ A x ⎭
x3 3 0 1
78 Kapitel 2 • Lineare Gleichungssysteme

5 Die Zielmatrix für den zweiten LGS ist vom Typ 3. Das zweite LGS hat somit keine
Lösung (die letzte Gleichung, 0 = 1, ist unmöglich).

2.2.4 Kochrezept für Gauß-Algorithmus

Kochrezept 2.1 (Gauß-Algorithmus)

Schritt 1 Man bestimme die erweiterte Matrix [A|b] des LGS:
⎧ ⎡ ⎤
⎪
⎪ a x + · · · + a1n xn = b1 (Z1 ) a11 · · · a1n b1
⎨ 11 1 ⎢ .
.. .. .. .. .. . .. ⎥
. . . . % [A|b] = ⎢
⎣ .. . ..
⎥
. ⎦.
⎪
⎪
⎩
am1 x1 + · · · + amn xn = bm (Zm ) am1 · · · amn bm

Beachte: Der vertikale Strich in der erweiterten Matrix hat keine mathematische
Bedeutung, aber hilft, Berechnungen übersichtlicher zu gestalten.
Schritt 2 Man forme die erweiterte Matrix [A|b] mittels elementarer Zeilenoperationen
um, bis man die Zielmatrix Z bekommt. Dabei sind folgende Zeilenoperationen
erlaubt:
5 vertauschen von zwei Zeilen;
5 eine Zeile mit einer beliebigen Zahl α ̸= 0 multiplizieren;
5 ein beliebiges Vielfaches einer Zeile zu einer anderen Zeile addieren oder subtrahie-
ren.

Es resultieren 3 mögliche Fälle für die Zielmatrix Z:

2.2 • Der Gauß-Algorithmus
79 2

5 ⋆ = Platzhalter für eine beliebige Zahl (Null auch erlaubt).

5 ! = Platzhalter für eine von Null verschiedene Zahl (! ̸= 0).

Schritt 3 Aus der Zielmatrix Z kann die Lösungsmenge direkt abgeleitet werden.
5 Fall 1. Die Lösung erhalten wir durch Rückwärtseinsetzen. Man beginnt mit der
letzten (untersten) Gleichung, welche nach xn aufgelöst wird. Dann setzt man diese
Lösung in der zweitletzten Gleichung ein und löst nach xn−1 auf. So geht man weiter,
bis x1 gefunden ist.
5 Fall 2. Man braucht k freie Parameter t, s, · · · . Man setzt die freien Unbekannten
gleich t, s, · · · und löst die n − k von Null verschiedenen Gleichungen auf. Somit
erhält man die allgemeine Lösungsmenge, welche von t, s, · · · abhängt. Es gilt:

Anzahl freie Parameter = n − Anzahl von Null verschiedenen Zeilen in Z,

wobei n die Anzahl der Unbekannten ist.

5 Fall 3. Die Lösungsmenge ist leer.

2.2.5 Weitere Beispiele zum Gauß-Algorithmus:

Nun betrachten wir weitere typische Beispiele zum Gauß-Algorithmus. In allen

Beispielen gehen wir nach dem Kochrezept 2.1 vor.

Übung 2.5
◦ ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎨x − 3x = −6
1 2
⎩x − 2x = 4
1 2
80 Kapitel 2 • Lineare Gleichungssysteme

v Lösung
Wir gehen nach dem Kochrezept 2.1 vor.
Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|b] zu:
$ ) *
x1 − 3x2 = −6 (Z1 ) 1 −3 −6
% [A|b] = .
x1 − 2x2 = 4 (Z2 ) 1 −2 4

Schritt 2 Wir realisieren den Gauß-Algorithmus in einem Schritt:

) * ) *
1 −3 −6 (Z2 ) − (Z1 ) 1 −3 −6
% = Z.
1 −2 4 0 1 10

Die Zielmatrix ist vom Typ 1 (Dreiecksform). Das LGS hat somit genau eine Lösung.
Schritt 3 Herauslesen der Lösung direkt aus dem Endschema Z (durch Rückwärts-
einsetzen):
⎧ ⎧ $) *E
⎨x − 3x = −6 ⎨x = −6 + 3 · 10 = 24
1 2 1 24
⇒ ⇒ L= .
⎩x = 10
2
⎩x = 10
2 10
!

Übung 2.6
◦ ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎨x + 2x = 4
1 2
⎩2x + 4x = 6
1 2

v Lösung
Schritt 1 Wir stellen zuerst die erweiterte Matrix [A|E] auf:
$ ) *
x1 + 2x2 = 4 (Z1 ) 1 2 4
% [A|b] = .
2x1 + 4x2 = 6 (Z2 ) 2 4 6

Schritt 2 Wir realisieren den Gauß-Algorithmus in einem Schritt:

) * ) *
1 2 4 (Z2 ) − 2(Z1 ) 1 2 4
% = Z.
2 4 6 0 0 −2
? @
Die Zielmatrix ist vom Typ 3. Das LGS hat somit keine Lösung, d. h. L = . !
2.2 • Der Gauß-Algorithmus
81 2

Übung 2.7
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎨x1 + 2x2 + x3 = 1
⎪
3x1 + 9x2 + 4x3 = 5
⎪
⎪
⎩
x1 + 3x2 + 2x3 = 3

v Lösung
Schritt 1 Als erstes bestimmen wir die erweiterte Matrix [A|b] des LGS:
⎧ ⎡ ⎤
⎨ x1 + 2x2 + x3 = 1
⎪ (Z1 ) 1 2 1 1
⎢ ⎥
3x1 + 9x2 + 4x3 = 5 (Z2 ) % [A|b] = ⎣ 3 9 4 5 ⎦ .
⎪
⎩
x1 + 3x2 + 2x3 = 3 (Z3 ) 1 3 2 3

Schritt 2 Wir führen den Gauß-Algorithmus in drei Schritten durch:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 1 1 (Z2 ) − 3(Z1 ) 1 2 1 1 1 2 1 1 (Z2 )/3 1 2 1 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ 3(Z3 ) − (Z2 ) ⎢ (Z
⎥ 3 ⎢)/2 ⎥
⎣3 9 4 5⎦ % ⎣0 3 1 2⎦ % ⎣ 0 3 1 2 ⎦ % ⎣ 0 1 13 23 ⎦ = Z.
1 3 2 3 0 1 1 2 0 0 2 4 0 0 1 2

Die Zielmatrix ist vom Typ 1 (Diagonalform). Das LGS hat somit eine eindeutige
Lösung.
Schritt 3 Herauslesen der Lösung aus dem Endschema Z
⎧ ⎧ ⎧⎡ ⎤⎫
⎪ ⎪
⎨x1 + 2x2 + x3 = 1
⎪ ⎨x1 = −1
⎪ ⎨ −1 ⎪
⎪ ⎬
⎢ ⎥
x2 + 13 x3 = 23 ⇒ x2 = 0 ⇒ L= ⎣ 0 ⎦ .
⎪
⎪ ⎪
⎪ ⎪
⎩ ⎪
⎭
⎩ ⎩ 2
x3 = 2 x3 = 2 !

Übung 2.8
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎨x2 − 3x3 = 2
⎪
x1 + 2x2 + x3 = 1
⎪
⎪
⎩
x1 + x2 + 4x3 = 2
82 Kapitel 2 • Lineare Gleichungssysteme

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎪
⎨ x2 − 3x3 = 2 (Z1 ) 0 1 −3 2
⎢ ⎥
x1 + 2x2 + x3 = 1 (Z2 ) % [A|b] = ⎣ 1 2 1 1 ⎦ .
⎪
⎩
x1 + x2 + 4x3 = 2 (Z3 ) 1 1 4 2

Schritt 2 Wir wenden den Gauß-Algorithmus in drei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 1 −3 2 1 2 1 1 1 2 1 1
⎢ ⎥ (Z1 ) ↔ (Z2 ) ⎢ (Z
⎥ 3 ) − (Z )
1 ⎢ ⎥
⎣1 2 1 1⎦ % ⎣ 0 1 −3 2 ⎦ % ⎣ 0 1 −3 2 ⎦
1 1 4 2 1 1 4 2 0 −1 3 1
⎡ ⎤
12 1 1
(Z3 ) + (Z2 ) ⎢ ⎥
% ⎣ 0 1 −3 2 ⎦ = Z.
00 0 3
? @
Die Zielmatrix ist vom Typ 3. Das LGS hat somit keine Lösung, d. h. L = . !

Übung 2.9
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎨x1 + 3x2 + x3 = 1
⎪
3x1 + 9x2 + 4x3 = 5
⎪
⎪
⎩
x1 + 3x2 + 2x3 = 3

v Lösung
Schritt 1 Wir bestimmen die erweiterte Matrix [A|b] des LGS:
⎧ ⎡ ⎤
⎨ x1 + 3x2 + x3 = 1
⎪ (Z1 ) 1 3 1 1
⎢ ⎥
3x1 + 9x2 + 4x3 = 5 (Z2 ) % [A|b] = ⎣ 3 9 4 5 ⎦ .
⎪
⎩
x1 + 3x2 + 2x3 = 3 (Z3 ) 1 3 2 3

Schritt 2 Wir realisieren den Gauß-Algorithmus in zwei Schritten:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 3 1 1 (Z2 ) − 3(Z1 ) 1 2 1 1 1 2 1 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣3 9 4 5⎦ % ⎣0 0 1 2⎦ % ⎣ 0 0 1 2 ⎦ = Z.
1 3 2 3 0 0 1 2 0 0 0 0

Die Zielmatrix ist vom Typ 2 (Trapezform). Das LGS hat somit unendlich viele Lösungen
mit einem freien Parameter.
2.2 • Der Gauß-Algorithmus
83 2
Schritt 3 Aus der zweiten Gleichung folgt x3 = 2. Dann setzen wir x2 = t als freien
Parameter. Aus der ersten Gleichung folgt dann x1 = 1 − 2x2 − x3 = −2t − 1. Als
Lösung erhalten wir somit eine Gerade im R3 :
⎧⎡ ⎤ A⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
A x
⎨ x1
⎪ A 1 −1 −2 ⎪
⎬
⎢ ⎥ A⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R3 A ⎣x2 ⎦ = ⎣ 0 ⎦ + t ⎣ 1 ⎦ , t ∈ R .
⎪
⎩ A ⎪
⎭
x3 A x3 2 0 !

Übung 2.10
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎨x1 + x2 + x3 = 1
⎪
2x1 + 2x2 + 2x3 = 2
⎪
⎪
⎩
3x1 + 3x2 + 3x3 = 3

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ x 1 + x2 + x 3 = 1
⎪ (Z1 ) 1 1 1 1
⎢ ⎥
2x1 + 2x2 + 2x3 = 2 (Z2 ) % [A|b] = ⎣ 2 2 2 2 ⎦ .
⎪
⎩
3x1 + 3x2 + 3x3 = 3 (Z3 ) 3 3 3 3

Schritt 2 Wir führen den Gauß-Algorithmus durch:

⎡ ⎤ ⎡ ⎤
1 1 1 1 (Z2 ) − 2(Z1 ) 1 1 1 1
⎢ ⎥ (Z3 ) − 3(Z1 ) ⎢ ⎥
⎣2 2 2 2⎦ % ⎣ 0 0 0 0 ⎦ = Z.
3 3 3 3 0 0 0 0

Die Zielmatrix ist vom Typ 2, d. h., das LGS hat unendlich viele Lösungen mit zwei freien
Parametern t, s.
Schritt 3 Wir setzen x2 = t und x3 = s als freie Parameter. Aus der ersten Gleichung
im Endschema Z erhalten wir x1 = 1 − x2 − x3 = 1 − t − s. Als Lösung erhalten wir
somit eine Ebene im R3
⎧⎡ ⎤ A⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
A x 1
⎨ x1
⎪ A 1 −1 −1 ⎪
⎬
⎢ ⎥ 3A ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R A ⎣x2 ⎦ = ⎣0⎦ + t ⎣ 1 ⎦ + s ⎣ 0 ⎦ , t, s ∈ R .
⎪
⎩ A ⎪
⎭
x3 A x3 0 0 1 !
84 Kapitel 2 • Lineare Gleichungssysteme

Praxistipp

Alle Variablen direkt neben dem ersten Pivot sind freie Variablen

x1 x2 x3
1 1 1 1
0 0 0 0
0 0 0 0
↑ ↑

x2 = t, x3 = s freie Variablen.

Übung 2.11
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎨x1 + 2x2 + x4 = 0
⎪
2x1 + 5x2 + 4x3 + 4x4 = 0
⎪
⎪
⎩
3x1 + 5x2 − 6x3 + 4x4 = 0

v Lösung
Schritt 1 Wir ordnen dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ x1 + 2x2
⎪ + x4 = 0 (Z1 ) 1 2 0 1 0
⎢ ⎥
2x1 + 5x2 + 4x3 + 4x4 = 0 (Z2 ) % [A|b] = ⎣ 2 5 4 4 0 ⎦ .
⎪
⎩
3x1 + 5x2 − 6x3 + 4x4 = 0 (Z3 ) 3 5 −6 4 0

Schritt 2 Wir wenden den Gauß-Algorithmus in drei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 0 1 0 (Z2 ) − 2(Z1 ) 1 2 0 1 0 1 2 0 1 0
⎢ ⎥ (Z3 ) − 3(Z1 )
⎢ (Z
⎥ 3 ) + (Z )
2 ⎢ ⎥
⎣2 5 4 4 0⎦ % ⎣0 1 4 2 0⎦ % ⎣0 1 4 2 0⎦
3 5 −6 4 0 0 −1 −6 1 0 0 0 −2 3 0
⎡ ⎤
1 2 0 1 0
− 1 (Z3 ) ⎢ ⎥
2
% ⎣ 0 1 4 2 0 ⎦ = Z.
0 0 1 − 32 0

Die Zielmatrix ist vom Typ 2 (Trapezform). Das LGS hat somit unendlich viele Lösungen
mit einem freien Parameter.
Schritt 3 Wir setzen x4 = t als freien Parameter. Aus der dritten Gleichung im
Endschema Z erhalten wir x3 = 32 x4 = 32 t. Aus der zweiten Gleichung folgt x2 =
−4x3 − 2x4 = −8t. Aus der ersten Gleichung folgt x1 = −2x2 − x4 = 15t. Als Lösung
erhalten wir somit eine Gerade durch den Nullpunkt:
2.2 • Der Gauß-Algorithmus
85 2
⎧⎡ ⎤ A ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 A x1 15 ⎪
⎪
⎪ A ⎪
⎪
⎨ ⎢x ⎥ A ⎢ ⎥ ⎢−8⎥ ⎬
⎢ ⎥ A ⎢x2 ⎥ ⎢ ⎥
L = ⎢ 2 ⎥ ∈ R4 A ⎢ ⎥ = t ⎢ 3 ⎥ , t ∈ R .
⎪
⎪ ⎣ x 3 ⎦ A ⎣x3 ⎦ ⎣ 2 ⎦ ⎪
⎪
⎪
⎩ A ⎪
⎭
x4 A x4 1 !

Übung 2.12
• ◦ ◦ Man löse das folgende homogene LGS:
⎧
⎪
⎪ 2x1 + x2 + 5x3 + 5x4 = 0
⎪
⎪
⎪
⎨x − x + 2x − x = 0
1 2 3 4
⎪
⎪ x1 + 2x3 + 3x4 = 0
⎪
⎪
⎪
⎩
2x2 + x3 + 4x4 = 0

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎪
⎪ 2x1 + x2 + 5x3 + 5x4 =0 (Z1 ) 2 1 5 5 0
⎪
⎨ x − ⎢ ⎥
1 x2 + 2x3 − x4 =0 (Z2 ) ⎢ 1 −1 2 −1 0 ⎥
% [A|b] = ⎢ ⎥.
⎪ x1
⎪
⎪ + 2x3 + 3x4 =0 (Z3 ) ⎣ 1 0 2 3 0 ⎦
⎩
2x2 + x3 + 4x4 =0 (Z3 ) 0 2 1 4 0

Schritt 2 Wir führen den Gauß-Algorithmus in mehreren Schitten durch:

⎡ ⎤ ⎡ ⎤ (Z1 )/2 ⎡ ⎤
2 1 5 5 0 2 1 5 5 0 −(Z2 )/31 12 52 52 0
2(Z2 ) − (Z1 ) −(Z3 )
⎢ ⎥ ⎢ ⎥ ⎢0 1 1 7 0⎥
⎢ 1 −1 2 −1 0 ⎥ 2(Z3 ) − (Z1 ) ⎢ 0 −3 −1 −7 0⎥ (Z4 )/2
⎢ ⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ 3 3 ⎥
⎣ 1 0 2 3 0 ⎦ ⎣ 0 −1 −1 1 0⎦ ⎣ 0 1 1 −1 0 ⎦
0 2 1 4 0 0 2 1 4 0 0 1 12 2 0
⎡ 1 5 5
⎤ ⎡ 1 5 5 ⎤
1 2 2 2 0 3 (Z ) 1 2 2 2 0
(Z3 ) − (Z2 ) 2 3 ⎢
⎢ 0⎥
(Z4 ) − (Z2 ) ⎢ 0 1
1 7 1 7 ⎥
⎥ 6(Z4 ) ⎢ 0 1 3 3 0 ⎥
% ⎢ 3 3 ⎥ % ⎢ ⎥
⎣ 0 0 23 − 103 0
⎦ ⎣ 0 0 1 −5 0 ⎦
0 0 16 − 31 0 0 0 1 −2 0
⎡ 1 5 5
⎤ ⎡ ⎤
1 2 2 2 0 1 12 52 52 0
⎢
(Z4 ) − (Z3 ) ⎢ 0 1
1 7 ⎥ (Z )/3 ⎢ 0 1 1 7 0 ⎥
% ⎢ 3 3 0⎥ 4
⎥ % ⎢
⎢ 3 3 ⎥
⎥=Z
⎣0 0 1 −5 0 ⎦ ⎣ 0 0 1 −5 0 ⎦
0 0 0 3 0 0 0 0 1 0

Die Zielmatrix ist vom Typ 1 (Diagonalform). Das LGS hat somit genau eine Lösung.
86 Kapitel 2 • Lineare Gleichungssysteme

Schritt 3 Herauslesen der Lösung aus dem Endschema Z (Rückwärtseinsetzen):

⎧ ⎧
⎪ 1 5 5 ⎪ ⎧⎡ ⎤⎫
⎪x1 + 2 x2 + 2 x3 + 2 x4 = 0
⎪
⎪ ⎪x1
⎪
⎪
=0 ⎪
⎪ 0 ⎪⎪
⎪
⎨x + 1 x + 7 x = 0 ⎪
⎨x ⎪
⎨⎢0⎥⎪ ⎬
2 3 3 3 4 2 =0 ⎢ ⎥
⇒ ⇒ L= ⎢ ⎥ .
⎪
⎪ x 3 − 5x 4 = 0 ⎪
⎪ x 3 =0 ⎪
⎪ ⎣0⎦⎪⎪
⎪
⎪ ⎪
⎪ ⎪
⎩ ⎪
⎭
⎪
⎩ ⎪
⎩ 0
x4 = 0 x4 =0 !

> Bemerkung
In den 7 Abschns. 2.3.4 und 3.5.1 werden wir die Theorie der homogenen LGS genauer
anschauen. Im Allgemeinen hat ein homogenes LGS immer die Triviale Lösung = 0.
Das LGS hat eine nichttriviale Lösung ̸= 0 genau dann, wenn det(A) = 0 gilt. Für
die Matrix in Übung 2.12 ist det(A) ̸= 0. Aus diesem Grund ist 0 die einzige Lösung
des LGS.

Übung 2.13
• ◦ ◦ Man löse das folgende LGS mit dem Gauß-Algorithmus:
⎧
⎪
⎪x1 + x2 + x3 + 6x4 = 0
⎪
⎪
⎪
⎨x + x + 2x + 8x = 0
1 2 3 4
⎪
⎪ 2x1 + 2x2 + 8x4 = 0
⎪
⎪
⎪
⎩
2x3 + 4x4 + x5 = 0

v Lösung
Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎪ x + x2 + x3 + 6x4 =0 (Z1 ) 1 1 1 6 0 0
⎪ 1
⎪
⎨ ⎢
x1 + x2 + 2x3 + 8x4 =0 (Z2 ) ⎢1 1 2 8 0 0⎥⎥
% [A|b] = ⎢ ⎥.
⎪
⎪
⎪ 2x 1 + 2x 2 + 8x 4 = 0 (Z 3 ) ⎣2 2 0 8 0 0⎦
⎩
2x3 + 4x4 + x5 = 0 (Z4 ) 0 0 2 4 1 0

Schritt 2 Wir wenden den Gauß-Algorithmus an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 6 0 0 1 1 1 6 0 0 1 1 1 6 0 0
(Z2 ) − (Z1 ) −(Z3 )/2
⎢ ⎥ ⎢0 0 1 0 0⎥ ⎢0 0 1 2 0 0⎥
⎢ 1 1 2 8 0 0 ⎥ (Z3 ) − 2(Z1 ) ⎢ 2 ⎥ (Z4 )/2 ⎢ ⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥
⎣ 2 2 0 8 0 0 ⎦ ⎣ 0 0 −2 −4 0 0⎦ ⎣0 0 1 2 0 0⎦
0 0 2 4 1 0 0 0 2 4 1 0 0 0 1 2 12 0
⎡ ⎤ ⎡ ⎤
1 1 1 6 0 0 1 1 1 6 0 0
(Z3 ) − (Z2 )
⎢0 0 1 2 0 0⎥
(Z4 ) − (Z2 ) (Z3 ) ↔ 2(Z4 )
⎢0 0 1 2 0 0⎥
⎢ ⎥ ⎢ ⎥
% ⎢ ⎥ % ⎢ ⎥ = Z.
⎣0 0 0 0 0 0⎦ ⎣0 0 0 0 1 0⎦
1
0 0 0 0 2 0 0 0 0 0 0 0

Die Zielmatrix ist vom Typ 2 (Trapezform). Das LGS hat somit unendlich viele Lösungen
mit 2 freien Parametern.
2.2 • Der Gauß-Algorithmus
87 2
Schritt 3 Herauslesen der Lösung aus dem Endschema Z:
⎧
⎪
⎧ ⎪x1 = −t − 4s
⎪
⎪
⎪
⎪
⎪ ⎪
⎨x1 + x2 + x3 + 6x4 = 0
⎪ ⎨x2 = t
⎪
x3 + 2x4 = 0 ⇒ x3 = −2s
⎪
⎪ ⎪
⎪
⎩ ⎪
⎪
x5 = 0 ⎪ x =s
⎪ 4
⎪
⎪
⎩
x5 = 0

Als Lösung erhalten wir somit:

⎧⎡ ⎤ A ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 A x1 −1 −4 ⎪
⎪
⎪ A ⎪
⎪
⎪
⎪ ⎢ ⎥ A ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎪
⎪
⎨⎢ x2 ⎥ A ⎢x2 ⎥ ⎢1⎥ ⎢0⎥ ⎪
⎬
⎢ ⎥ A
5A
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥
L = ⎢x3 ⎥ ∈ R A ⎢x3 ⎥ = t ⎢ 0 ⎥ + s ⎢−2⎥ , t, s ∈ R .
⎪ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎪⎢ ⎥
⎪ A ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
⎪
⎪
⎪ ⎣x4 ⎦ A ⎣x4 ⎦ ⎣0⎦ ⎣1⎦ ⎪
⎪
⎪
⎩ A ⎪
⎭
x5 A x5 0 0 !

Praxistipp

Alle Variablen direkt neben den markierten Elementen sind freie Variablen

x1 x2 x3 x4 x5
1 1 1 6 0 0
0 0 1 2 0 0
0 0 0 0 1 0
0 0 0 0 0 0
↑ ↑

x2 = t, x4 = s freie Variablen.

Übung 2.14
• • ◦ Eine Matrix A ∈ Rn×n heißt magisches Quadrat, wenn alle Zeilen, Spalten und
Diagonalen dieselbe Summe α ergeben. Diese Zahl α heißt magische Summe. Man finde
alle (2 × 2)-magische Quadrate.

v Lösung )
*
ab
Es sei A = . Damit A ein magisches Quadrat ist, müssen alle Zeilen, Spalten und
cd
Diagonalen dieselbe Summe α ergeben, d. h.
88 Kapitel 2 • Lineare Gleichungssysteme

⎧
⎪
⎪a+b=α ⎡ ⎤
⎪
⎪ 1 1 0 0 α
⎪
⎪
⎪
⎪c+d =α ⎢ ⎥
⎪
⎪ ⎢ 0 0 1 1 α ⎥
⎪
⎨a + c = α ⎢ ⎥
⎢ 1 0 1 0 α ⎥
% [A|b] = ⎢
⎢
⎥.
⎥
⎪
⎪
⎪b+d =α ⎢ 0 1 0 1 α ⎥
⎪
⎪ ⎢ ⎥
⎪
⎪a+d =α
⎣ 1 0 0 1 α ⎦
⎪
⎪
⎪
⎪ 0 1 1 0 α
⎩
c+b=α

Wir bekommen somit ein LGS für die Matrixeinträge a, b, c, d. Dies lösen wir mittels
Gauß-Algorithmus.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0 0 α 1 1 0 0 α 1 1 0 0 α
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 0 0 1 1 α ⎥ ⎢0 0 1 1 α⎥ ⎢0 1 1 0 α⎥
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ ⎢ ⎥
⎢ 1 0 1 0 α ⎥ (Z5 ) − (Z1 ) ⎢0 −1 1 0 0⎥ (Z2 ) ↔ (Z6 ) ⎢0 −1 1 0 0⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥
⎢ 0 1 0 1 α ⎥ ⎢0 1 0 1 α⎥ ⎢0 1 0 1 α⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 1 0 0 1 α ⎦ ⎣0 −1 0 1 0⎦ ⎣0 −1 0 1 0⎦
0 1 1 0 α 0 1 1 0 α 0 0 1 1 α
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0 0 α 1 1 0 0 α 1 1 0 0 α
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
(Z3 ) + (Z2 ) ⎢0 1 1 0 α⎥ 2(Z4 ) + (Z3 ) ⎢0 1 1 0 α⎥ ⎢0 1 1 0 α⎥
(Z4 ) − (Z2 ) ⎢ ⎥ 2(Z5 ) − (Z3 ) ⎢ ⎥ ⎢ ⎥
(Z5 ) + (Z2 ) ⎢0 0 2 0 α⎥ (Z6 ) − (Z5 ) ⎢0 0 2 0 α⎥ (Z5 ) − (Z4 ) ⎢0 0 2 0 α⎥
% ⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥ = Z.
⎢0 0 −1 1 0⎥ ⎢0 0 0 2 α⎥ ⎢0 0 0 2 α⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 1 1 α⎦ ⎣0 0 0 2 α⎦ ⎣0 0 0 0 0⎦
0 0 1 1 α 0 0 0 0 0 0 0 0 0 0

Die Zielmatrix ist vom Typ 1, d. h., das LGS hat genau eine Lösung. Die Lösung lesen
wir direkt aus dem Endschema Z heraus: a = b = c = d = α2 . Alle (2 × 2)-magische
Quadrate sehen somit wie folgt aus:
) *
α α
A= 2 2 .
α α
2 2 !

2.2.6 Diskussion von LGS mit Parametern

Nun diskutieren wir LGS mit Parametern.

Praxistipp

In solchen Situationen geht man gemäß Kochrezept 2.1 vor. Im Schritt 2 muss man
aufpassen, dass man keine Zeile mit Null multipliziert. Wenn es vorkommt, dass für
einige spezifische Werte des Parameters mit Null multipliziert wird, kann man diese
Spezialfälle mit einer Fallunterscheidung separat untersuchen.
2.2 • Der Gauß-Algorithmus
89 2

Übung 2.15
• ◦ ◦ Man untersuche in Abhängigkeit von a ∈ R, ob das folgende LGS keine, genau
eine oder unendlich viele Lösungen hat:
⎧
⎨2x + 4x = −2a
1 2
⎩x + (a + 2)x = 1 − a
1 2

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
$ ) *
2x1 + 4x2 = −2a (Z1 ) 2 4 −2a
% [A|b] = .
x1 + (a + 2)x2 = 1 − a (Z2 ) 1 a+2 1−a

Schritt 2 Wir führen den Gauß-Algorithmus in zwei Schritten durch:

) * ) * ) *
2 4 −2a (Z1 )/2 1 2 −a (Z2 ) − (Z1 ) 1 2 −a
% % = Z.
1 a+2 1−a 1 a+2 1−a 0 a 1

Wir stellen fest, dass je nach Wert von a, die Zielmatrix entweder vom Typ 1 (Drei-
ecksform, wenn a ̸= 0) oder vom Typ 3 (wenn a = 0) ist. Wir führen somit eine
Fallunterscheidung durch:
5 Fall a = 0: In diesem Fall ist die Zielmatrix vom Typ 3
) *
120
Z= .
001
? @
Das LGS hat somit keine Lösung, d. h. L = .
5 Fall a ̸= 0: In diesem Fall ist die Zielmatrix vom Typ 1. Das LGS hat somit genau
eine Lösung:
⎧ ⎧ $) *E
⎨x + 2x = −a ⎨x = −a − 2 2
1 2 1 a − a a+2
⇒ ⇒ L= 1
.
⎩ax = 1 ⎩x = 1
2 2 a a !

> Bemerkung
In Übung 2.15 ist der dritte Fall (unendlich viele Lösungen) nicht möglich, weil die
zweite Komponente = 1 ist, also verschieden von Null!
90 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.16
• ◦ ◦ Man untersuche in Abhängigkeit von a ∈ R, ob das folgende LGS keine, genau
eine oder unendlich viele Lösungen hat
⎧
⎨x + a2 x = 1
1 2
⎩a2 x + x = a
1 2

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
$ % &
x1 + a2 x2 = 1 (Z1 ) 1 a2 1
2
! [A|b] = .
a x1 + x2 = a (Z2 ) a2 1 a

Schritt 2 Wir wenden den Gauß-Algorithmus in einem Schritt an:

% & % &
1 a2 1 (Z2 ) − a2 (Z1 ) 1 a2 1
! = Z.
a2 1 a 0 1 − a a − a2
4

Je nach Wert von a ist die Zielmatrix entweder vom Typ 1 (wenn 1−a4 ̸= 0), Typ 2 (wenn
1−a4 = 0 und a−a2 = 0) oder vom Typ 3 (wenn 1−a4 = 0 und a−a2 ̸= 0). Wir machen
somit diverse Fallunterscheidungen. Mit der Gleichung 1 − a4 = (1 − a2 )(1 + a2 ) =
(1 − a)(1 + a)(1 + a2 ) erhalten wir:
% &
1 a2 1
Z= .
0 (1 − a)(1 + a)(1 + a2 ) a(1 − a)

5 Fall a = 1: Hier ist die Zielmatrix vom Typ 2 (Trapezform)

% &
111
Z= .
000

Das LGS hat somit unendlich viele Lösungen mit einem freien Parameter. Wir setzen
x2 = t und mithilfe der ersten Gleichung im Endschema erhalten wir x1 = 1 − x2 =
1 − t. Als Lösung erhalten wir eine Gerade:
$% & '% & % & % & (
' x
x1 ' 1 1 −1
L= ∈ R2 ' = +t ,t∈R .
x2 ' x2 0 1

5 Fall a = −1: In diesem Fall ist die Zielmatrix vom Typ 3

% &
11 1
Z= .
0 0 −2
) *
Das LGS hat somit keine Lösung, d. h. L = .
2.2 • Der Gauß-Algorithmus
91 2
5 Fall a = 0: Die Zielmatrix ist vom Typ 1 (Diagonalform):
% &
101
Z= .
010
$% &(
1
Das LGS hat somit genau eine Lösung L = .
0
5 Fall a ̸= 0, ±1: Die Zielmatrix ist vom Typ 1 (Diagonalform), d. h., das LGS hat
genau eine Lösung (. Abb. 2.7):
⎧ ⎧
⎨x + a2 x = 1 ⎨x1 = 1 − a2 x2 = 1+a+a2
1 2 (1+a)(1+a2 )
⇒
⎩(1 + a)(1 + a2 )x = a ⎩x = a
2 2 (1+a)(1+a2 )
⎧⎡ ⎤⎫
⎨ 1+a+a2 ⎬
2)
⇒ L = ⎣ (1+a)(1+a
a
⎦ .
⎩ ⎭
2
(1+a)(1+a ) "

a b

c d

. Abb. 2.7 Grafische Darstellung der Lösung von Übung 2.16 in Abhängigkeit des Parameters a
92 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.17
• ◦ ◦ Man untersuche in Abhängigkeit von a ∈ R, ob das folgende LGS keine, genau
eine oder unendlich viele Lösungen hat
⎧
⎪
⎨2x1 + 4x2 + ax3 = 5
⎪
3x1 + (a + 5)x2 + x3 = 7
⎪
⎪
⎩
x1 + 2x2 + ax3 = 3

v Lösung
Schritt 1 Wir stellen zuerst die erweiterte Matrix [A|E] auf:
⎧ ⎡ ⎤
⎨ 2x1 +
⎪ 4x2 + ax3 = 5 (Z1 ) 2 4 a 5
⎢ ⎥
3x1 + (a + 5)x2 + x3 = 7 (Z2 ) ! [A|b] = ⎣ 3 a + 5 1 7 ⎦ .
⎪
⎩
x1 + 2x2 + ax3 = 3 (Z3 ) 1 2 a 3

Schritt 2 Wir führen den Gauß-Algorithmus in zwei Schritten durch:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 4 a 5 1 2 a2 52 (Z2 ) − 3(Z1 ) 1 2 a
2
5
2
⎢ (Z
⎥ 1 ⎢)/2 ⎥ (Z3 ) − (Z1 ) ⎢ 1 ⎥ = Z.
⎣3 a+5 1 7⎦ ! ⎣3 a+5 1 7 ⎦ ! ⎣ 0 a − 1 1 − 3a
2 −2 ⎦
a 1
1 2 a 3 1 2 a 3 0 0 2 2

Problematische Werte von a sind a = 0 und a = 1. Wir machen somit geeignete

Fallunterscheidungen:
5 Fall a = 0: In diesem Fall ist die Zielmatrix vom Typ 3
⎡ ⎤
1 2 0 52
⎢ ⎥
Z = ⎣ 0 −1 1 − 12 ⎦ .
0 0 0 12
) *
Das LGS hat keine Lösung, d. h. L = .
5 Fall a = 1: Hier sind die zweite und dritte Gleichungen identisch und dadurch ist
die Zielmatrix vom Typ 2 (Trapezform)
⎡ ⎤ ⎡ ⎤
1 2 12 52 (Z3 ) + (Z2 ) 1 2 12 52
⎢ ⎥ −2(Z2 ) ⎢ ⎥
⎣ 0 0 − 21 − 21 ⎦ ! ⎣0 0 1 1 ⎦.
1 1
00 2 2 00 0 0

Das LGS hat offensichtlich unendlich viele Lösungen mit dem freien Parameter t:
⎧
⎧ ⎪ 5 1
⎨x + 2x + 1 x = 5 ⎨x1 = 2 − 2x2 − 2 x3 = 2 − 2t
⎪
1 2 2 3 2 ⇒ x2 = t
⎩x = 1 ⎪
⎪
3 ⎩
x3 = 1
2.2 • Der Gauß-Algorithmus
93 2
Als Lösung erhalten wir eine Gerade im dreidimensionalen Raum R3 :
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 2
⎨ x1
⎪ ' 1 −2 ⎪
⎬
⎢ ⎥ 3' ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R ' ⎣x2 ⎦ = ⎣0⎦ + t ⎣ 1 ⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 1 0

5 Fall a ̸= 0, 1: Die Zielmatrix ist vom Typ 1 (Diagonalform) und das LGS hat genau
eine Lösung:
⎧ ⎧
5 2(a−1)
⎪
⎪ x + 2x2 + a2 x3 = 52 ⎪
⎪x1 = 2 − 2x2 − a2 x3 =
⎨ 1
⎪ 5 6 ⎪
⎨ 5 6 a
1− 3a 1
2 x3 + 2
(a − 1)x2 + 1 − 3a x3 = − 12 ⇒ 1
⎪
⎪
2 ⎪x2 = −
⎪ a−1 = a
⎪
⎩ax = 1 ⎪
⎩
2 3 2 x3 = 1a
⎧ ⎡ ⎤⎫
⎪
⎨ 2(a − 1) ⎪⎬
⎢ ⎥
Als Lösung erhalten wir den einzigen Vektor L = 1a ⎣ 1 ⎦ . "
⎪
⎩ ⎪
⎭
1

Übung 2.18
• ◦ ◦ Man untersuche in Abhängigkeit von a ∈ R, ob das folgende LGS keine, genau
eine oder unendlich viele Lösungen hat
⎧
⎪
⎨x1 + x3 = 0
⎪
x1 + a x2 + (a + 1)x3 = 2a
⎪
⎪
⎩
3x1 + a x2 + (a + 3)x3 = 2a

v Lösung
Wir gehen nach unserem bekannten Kochrezept 2.1 vor.
Schritt 1 Als Erstes ordnen wir dem Gleichungssystem die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ x1
⎪ + x3 = 0 (Z1 ) 1 0 1 0
⎢ ⎥
x1 + a x2 + (a + 1)x3 = 2a (Z2 ) ! [A|b] = ⎣ 1 a a + 1 2a ⎦ .
⎪
⎩
3x1 + a x2 + (a + 3)x3 = 2a (Z3 ) 3 a a + 3 2a

Schritt 2 Wir führen den Gauß-Algorithmus in zwei Schritten durch:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 0 (Z2 ) − (Z1 ) 1 0 1 0 1 0 1 0
⎢ ⎥ (Z3 ) − 3(Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣ 1 a a + 1 2a ⎦ ! ⎣ 0 a a 2a ⎦ ! ⎣ 0 a a 2a ⎦ = Z.
3 a a + 3 2a 0 a a 2a 0 0 0 0

Wir führen zwei Fallunterscheidungen durch:

94 Kapitel 2 • Lineare Gleichungssysteme

5 Fall a = 0: Die Zielmatrix ist vom Typ 2 (Trapezform):

⎡ ⎤
1010
⎢ ⎥
Z = ⎣0 0 0 0⎦.
0000

Das LGS hat somit unendlich viele Lösungen mit zwei freien Parametern. Die
Variable x2 ist frei wählbar, genauso wie x3 . Setzen wir x3 = t und x2 = s, so
erhalten wir aus der ersten Gleichung x1 = −x3 = −t. Als Lösung erhalten wir
eine Ebene durch den Nullpunkt:
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0
⎨ x1
⎪ ' 1 −1 ⎪
⎬
⎢ ⎥ 3' ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R ' ⎣x2 ⎦ = t ⎣ 0 ⎦ + s ⎣1⎦ , t, s ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 1 0

5 Fall a ̸= 0: Die Zielmatrix ist vom Typ 2 (Trapezform):

⎡ ⎤
101 0
⎢ ⎥
Z = ⎣ 0 a a 2a ⎦ .
000 0

Das LGS hat somit unendlich viele Lösungen mit einem freien Parameter. Setzen
wir x3 = t, so folgt aus der zweiten Gleichung x2 = 2 − x3 = 2 − t. Aus der ersten
Gleichung folgt x1 = −x3 = −t. Als Lösung erhalten wir eine (affine) Gerade durch
[0, 2, 0]T :
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0
⎨ x1
⎪ ' 1 −1 ⎪
⎬
⎢ ⎥ 3' ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R ' ⎣x2 ⎦ = ⎣2⎦ + t ⎣−1⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1 "

Übung 2.19
• • ◦ Man untersuche in Abhängigkeit von a ∈ R, ob das folgende LGS keine, genau
eine oder unendlich viele Lösungen hat
⎧
⎪
⎨x1 + ax2 + 3x3 = a
⎪
x1 + (a − 2)x2 + (2a + 3)x3 = −a2
⎪
⎪
⎩
x2 − ax3 = 1
2.2 • Der Gauß-Algorithmus
95 2
v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ x1 +
⎪ ax2 + 3x3 = a (Z1 ) 1 a 3 a
⎢ ⎥
x1 + (a − 2)x2 + (2a + 3)x3 = −a2 (Z2 ) ! [A|b] = ⎣ 1 a − 2 2a + 3 −a2 ⎦ .
⎪
⎩
x2 − ax3 = 1 (Z3 ) 0 1 −a 1

Schritt 2 Wir führen wie immer den Gauß-Algorithmus durch:

⎡ ⎤ ⎡ ⎤
1 a 3 a 1 a 3 a
⎢ (Z
⎥ 2 ) − (Z ) ⎢ ⎥
⎣ 1 a − 2 2a + 3 −a2 ⎦ ! 1 ⎣ 0 −2 2a −a2 − a ⎦
0 1 −a 1 0 1 −a 1
⎡ ⎤ ⎡ ⎤
1 a 3 a 1 a 3 a
(Z3 ) ↔ (Z2 ) ⎢ ⎥ (Z3 ) + 2(Z2 ) ⎢ ⎥
! ⎣ 0 1 −a 1 ⎦ ! ⎣ 0 1 −a 1 ⎦ = Z.
0 −2 2a −a2 − a 0 0 0 −a2 − a + 2

Wegen 2 − a − a2 = −(a − 1)(a + 2), machen wir 3 Fallunterscheidungen zwischen (1)

a = 1, (2) a = −2 und (3) a ̸= 1, −2:
5 Fall a = 1: Die Zielmatrix ist vom Typ 2 (Trapezform):
⎡ ⎤
11 3 1
⎢ ⎥
Z = ⎣ 0 1 −1 1 ⎦ .
00 0 0

Das LGS hat bekanntlich unendlich viele Lösungen mit einem freien Parameter t.
Setzen wir x3 = t, so erhalten wir aus der zweiten Gleichung x2 = 1 + x3 = 1 + t.
Aus der ersten Gleichung folgt x1 = 1 − x2 − 3x3 = −4t. Als Lösung erhalten wir:
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0
⎨ x1
⎪ ' 1 −4 ⎪
⎬
⎢ ⎥ 3' ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R ' ⎣x2 ⎦ = ⎣1⎦ + t ⎣ 1 ⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1

5 Fall a = −2: in diesem Fall, ist die Zielmatrix vom Typ 2 (Trapezform)
⎡ ⎤
1 −2 3 −2
⎢ ⎥
Z = ⎣0 1 2 1 ⎦.
0 0 0 0

Das LGS hat ebenso unendlich viele Lösungen mit einem freien Parameter. Wir
setzen x3 = t als freien Parameter. Es folgt x2 = 1 − 2x3 = 1 − 2t und x1 =
−2 + 2x2 − 3x3 = −7t. Als Lösung erhalten wir:
96 Kapitel 2 • Lineare Gleichungssysteme

⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0
⎨ x1
⎪ ' 1 −7 ⎪
⎬
⎢ ⎥ '⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R3 ' ⎣x2 ⎦ = ⎣1⎦ + t ⎣−2⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1
) *
5 Fall a ̸= 1, −2: Die Zielmatrix ist vom Typ 3. Das LGS hat keine Lösung, L = .
"

Übung 2.20
••◦
⎧
⎪ 2
⎨kx1 + kx2 + k x3 = 4
⎪
x1 + x2 + kx3 = k
⎪
⎪
⎩
x1 + 2x2 + 3x3 = 2k

Für welche Werte von k ∈ R hat das LGS eine eindeutige Lösung, unendlich viele
Lösungen oder keine Lösung? Man bestimme gegebenfalls konkret die Lösung(en).

v Lösung
Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
2 k k k2 4
⎨ kx1 + kx2 + k x3 = 4
⎪ (Z1 )
⎢ ⎥
x1 + x2 + kx3 = k (Z2 ) ! [A|b] = ⎣ 1 1 k k ⎦ .
⎪
⎩
x1 + 2x2 + 3x3 = 2k (Z3 ) 1 2 3 2k

Schritt 2 Wir wenden den Gauß-Algorithmus in zwei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
k k k2 4 1 2 3 2k (Z2 ) − (Z1 ) 1 2 3 2k
⎢ ⎥ (Z3 ) ↔ (Z1 ) ⎢ ⎥ (Z3 ) − k(Z2 ) ⎢ ⎥
⎣1 1 k k ⎦ ! ⎣1 1 k k ⎦ ! ⎣ 0 −1 k − 3 −k ⎦ = Z.
1 2 3 2k k k k2 4 0 0 0 4 − k2

Wegen 4 − k2 = (2 − k)(2 + k), führen wir Fallunterscheidungen zwischen (1) k = 2,

(2) k = −2 und (3) k ̸= ±2 durch:
5 Fall k = 2: Die Zielmatrix ist vom Typ 2 (Trapezform):
⎡ ⎤
1 2 3 4
⎢ ⎥
Z = ⎣ 0 −1 −1 −2 ⎦ .
0 0 0 0

Das LGS hat somit unendlich viele Lösungen mit einem freien Parameter. Setzen wir
x3 = t, so erhalten wir:
2.2 • Der Gauß-Algorithmus
97 2
⎧ ⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎨x1 = 4 − 2x2 − 3x3 = −t
⎪ ⎨ x1 ' x1
' 0 −1 ⎬
⎣ ⎦ 3' ⎣ ⎦ ⎣ ⎦ ⎣ ⎦
x2 = 2 − x3 = 2 − t ⇒L= x2 ∈ R ' x2 = 2 + t −1 , t ∈ R .
⎪
⎩ ⎩ ' x ⎭
x3 = t x3 3 0 1

5 Fall k = −2: Die Zielmatrix ist vom Typ 2 (Trapezform):

⎡ ⎤
1 2 3 −4
Z = ⎣ 0 −1 −5 2 ⎦ .
0 0 0 0

Das LGS hat somit unendlich viele Lösungen mit einem freien Parameter x3 = t:
⎧
⎪
⎨x1 = −4 − 2x2 − 3x3 = 7t
⎪
x2 = −2 − 5x3 = −2 − 5t
⎪
⎪
⎩
x3 = t
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0 7
⎨ x1
⎪ ' 1 ⎪
⎬
⎢ ⎥ '⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⇒ L = ⎣x2 ⎦ ∈ R3 ' ⎣x2 ⎦ = ⎣−2⎦ + t ⎣−5⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1
) *
5 Fall k ̸= ±2: Die Zielmatrix ist vom Typ 3. Das LGS hat keine Lösung, L = .
"

> Bemerkung
In Übung 2.20 ist es wichtig, dass wir zuerst die erste Zeile mit der dritten Zeile
vertauschen. Wenn wir diese Operation nicht durchführen würden, wären Operationen
wie k(Z2 ) − (Z1 ) oder k(Z3 ) − (Z1 ) nötig, um den ersten Schritt des Gauß-Algorithmus
durchzuführen. Wie im Kochrezept 2.1 erklärt, sind diese Operationen für k = 0 nicht
erlaubt!

i Merkregel
Im Allgemeinen muss man aufpassen, wenn ein Parameter als Pivotelement vorkommt.
In einem solchen Fall ist es oft eine gute Idee, Zeilen zu vertauschen. Alternativ kann
man problematische Situationen separat mit einer Fallunterscheidung betrachten.

Übung 2.21
••◦
⎧
⎪
⎨x1 + x2 = 1
⎪
kx1 + x2 + x3 = 1 − k
⎪
⎪
⎩
x2 + (1 − k)x3 = 1
98 Kapitel 2 • Lineare Gleichungssysteme

Für welche Werte von k ∈ R hat das LGS genau eine Lösung, unendlich viele Lösungen
oder keine Lösung? Man bestimme gegebenfalls die Lösung(en).

v Lösung
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ x1 + x2
⎪ =1 (Z1 ) 1 1 0 1
⎢ ⎥
kx1 + x2 + x3 = 1 − k (Z2 ) ! [A|b] = ⎣ k 1 1 1 − k ⎦ .
⎪
⎩
x2 + (1 − k)x3 = 1 (Z3 ) 0 1 1−k 1

Schritt 2 Wir wenden den Gauß-Algorithmus in drei Schritten an:

⎡ ⎤ ⎡ ⎤
1 1 0 1 1 1 0 1
⎢ (Z
⎥ 2 ) − k(Z ) ⎢ ⎥ (Z3 ) ↔ (Z2 )
⎣k 1 1 1−k⎦ ! 1 ⎣ 0 1 − k 1 1 − 2k ⎦ !
0 1 1−k 1 0 1 1−k 1
⎡ ⎤ ⎡ ⎤
1 1 0 1 1 1 0 1
⎢ ⎥ (Z3 ) − (1 − k)(Z2 ) ⎢ ⎥
⎣0 1 1 − k 1 ⎦ ! ⎣0 1 1−k 1 ⎦ = Z.
0 1 − k 1 1 − 2k 0 0 −k2 + 2k −k

Wegen −k2 + 2k = −k(k − 2), machen wir die nötigen Fallunterscheidungen zwischen
(1) k = 0, (2) k = 2 und (3) k ̸= 0, 2:
5 Fall k = 0: Die Zielmatrix ist vom Typ 2 (Trapezform):
⎡ ⎤
1101
⎢ ⎥
Z = ⎣0 1 1 1⎦.
0000

Das LGS hat unendlich viele Lösungen mit einem freien Parameter t:
⎧
⎧ ⎪
⎨x + x = 1 ⎨x1 = t
⎪
1 2
⇒ x2 = 1 − t
⎩x + x = 1 ⎪
⎪
2 3 ⎩
x3 = t

Als Lösung erhalten wir:

⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 0 1
⎨ x1
⎪ ' 1 ⎪
⎬
⎢ ⎥ 3' ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R ' ⎣x2 ⎦ = ⎣1⎦ + t ⎣−1⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1
2.2 • Der Gauß-Algorithmus
99 2
5 Fall k = 2: Die Zielmatrix ist vom Typ 3:
⎡ ⎤
11 0 1
⎢ ⎥
Z = ⎣ 0 1 −1 1 ⎦ .
0 0 0 −2
) *
Das LGS hat keine Lösung, L = .
5 Fall k ̸= 0, 2: Die Zielmatrix ist vom Typ 1 (Diagonalform). Das LGS hat genau
eine Lösung:
⎧ ⎧ ⎧ ⎡ ⎤⎫
⎪ ⎪ 1−k
⎨x1 + x2 = 1
⎪ ⎨x1 =
⎪ k−2 ⎪
⎨ 1 ⎢
1−k ⎪ ⎬
2k−3 ⎥
x2 − (k − 1)x3 = 1 ⇒ x2 = ⇒ L= ⎣2k − 3⎦ .
⎪
⎪
⎩
⎪
⎪
⎩
k−2
⎩k − 2
⎪ ⎪
⎭
−k(k − 2)x3 = −k x3 = 1 1
k−2
"

> Bemerkung
Auch in Übung 2.21 ist es wichtig, dass wir beim zweiten Schritt des Gauß-Algorithmus
die zweite und dritte Zeile vertauschen. Ohne diese Transformation müssten wir die
Operation (1 − k)(Z3 ) − (Z2 ) anwenden, was wegen k = 1 nicht erlaubt ist. Alternativ
könnte man mit dem Gauß-Algorithmus weiter verfahren, ohne Zeilen zu vertauschen,
und den Spezialfall k = 1 separat betrachten.

Übung 2.22
••◦
⎧
⎪
⎪ x1 + 2x4 = 1
⎪
⎪
⎪
⎨x + x + 3x + 2x = 1
1 2 3 4
⎪2x + x + (k + 2)x + 4x = 2
⎪
⎪ 1 2 3 4
⎪
⎪
⎩
x1 + x2 + 3x3 + (k2 − k + 2)x4 = k

Für welche Werte von k ∈ R hat das LGS eine eindeutige Lösung, unendlich viele
Lösungen oder keine Lösung? Man bestimme die konkreten Lösung(en).

v Lösung
Schritt 1 Wir ordnen dem LGS die erweiterte Matrix [A|b] zu:
⎧
⎪
⎪ x1 + 2x4 =1 (Z1 )
⎪
⎨ x + x +
1 2 3x3 + 2x4 =1 (Z2 )
⎪
⎪
⎪ 2x1 + x2 + (k + 2)x3 + 4x4 =2 (Z3 )
⎩
x1 + x2 + 3x3 + (k2 − k + 2)x4 =k (Z4 )
100 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤
1 0 0 2 1
⎢1
⎢ 1 3 2 1⎥⎥
! [A|b] = ⎢ ⎥.
⎣2 1 k+2 4 2⎦
1 1 3 k2 − k + 2 k

Schritt 2 Wir wenden den Gauß-Algorithmus in zwei Schritten an:

⎡ ⎤ ⎡ ⎤
1 0 0 2 1 (Z2 ) − (Z1 ) 1 0 0 2 1
(Z3 ) − 2(Z1 )
⎢1 1 3 2 1⎥ (Z4 ) − (Z2 )
⎢0 1 3 0 0 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ! ⎢ ⎥
⎣2 1 k+2 4 2⎦ ⎣0 1 k+2 0 0 ⎦
1 1 3 k2 − k + 2 k 0 0 0 k2 − k k − 1
⎡ ⎤
1 0 0 2 1
⎢0 1 3
(Z3 ) − (Z2 ) ⎢ 0 0 ⎥ ⎥
! ⎢ ⎥ = Z.
⎣0 0 k−1 0 0 ⎦
0 0 0 k2 − k k − 1

Wegen k2 − k = k(k − 1), machen wir Fallunterscheidungen zwischen (1) k = 0, (2)

k = 1 und (3) k ̸= 0, 1:
5 Fall k = 0: Die Zielmatrix ist vom Typ 3 und das LGS hat somit keine Lösung
⎡ ⎤
1 0 0 2 1
⎢0
⎢ 1 3 0 0 ⎥
⎥ ) *
Z=⎢ ⎥ ⇒ L= .
⎣0 0 −1 0 0 ⎦
0 0 0 0 −1

5 Fall k = 1: Die Zielmatrix vom Typ 2 (Trapezform):

⎡ ⎤
1 0 0 2 1
⎢0
⎢ 1 3 0 0⎥⎥
Z=⎢ ⎥.
⎣0 0 0 0 0⎦
0 0 0 0 0

Das LGS hat unendlich viele Lösungen mit zwei freien Parametern, z. B. t, s:
⎧
⎪ = 1 − 2t
⎧ ⎪x1
⎪
⎪
⎨x + 2x = 1 ⎪
⎨x
1 4 2 = −3s
⇒
⎩x + 3x = 0 ⎪
⎪ x3 =s
2 3 ⎪
⎪
⎪
⎩
x4 =t

Als Lösungsmenge erhalten wir:

2.2 • Der Gauß-Algorithmus
101 2
⎧⎡ ⎤ ' ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 ' x1 1 −2 0 ⎪
⎪
⎪ ' ⎪
⎪
⎨ ⎢x ⎥ ' ⎢ ⎥ ⎢ ⎥ ⎢0⎥ ⎢−3⎥ ⎬
⎢ ⎥ ' ⎢x2 ⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥
L = ⎢ 2 ⎥ ∈ R4 ' =
⎢ ⎥ ⎢ ⎥ + t ⎢ ⎥ + s ⎢ ⎥ , t, s ∈ R .
⎪
⎪ ⎣ x 3 ⎦ ' ⎣x3 ⎦ ⎣0⎦ ⎣0⎦ ⎣1⎦ ⎪
⎪
⎪
⎩ ' ⎪
⎭
x4 ' x4 0 1 0

5 Fall k ̸= 0, 1: Die Zielmatrix vom Typ 1 (Diagonalform). Das LGS hat genau eine
Lösung:
⎧ ⎧
⎪ ⎪ k−2 ⎧ ⎡ ⎤⎫
⎪x1 + 2x4 = 1
⎪
⎪ ⎪x1
⎪
⎪
= k ⎪
⎪ k−2 ⎪
⎪
⎪
⎨x + 3x = 0 ⎪
⎨x ⎨ 1 ⎢ 0 ⎥⎪
⎪ ⎬
2 3 2 =0 ⎢ ⎥
⇒ ⇒ L= ⎢ ⎥ .
⎪
⎪(k − 1)x3 = 0 ⎪
⎪ x3 =0 ⎪
⎪ k ⎣ 0 ⎦⎪⎪
⎪
⎪ ⎪
⎪ ⎪
⎩ ⎪
⎭
⎪
⎩ ⎪
⎩ 1 1
k(k − 1)x4 = k − 1 x4 = k "

2.2.7 LGS auf beliebigen Körpern

Im Folgenden betrachten wir Beispiele von LGS auf beliebigen Körpern K. Es ist
wichtig, dass der Leser sich mit solchen Konzepten vertraut macht (vgl. Anhang B.3).

Übung 2.23
• • ◦ Man betrachte das folgende LGS auf K = C
⎧
⎨z + iz = 2 − i
1 2
⎩iz + z = 0
1 2

a) Man bestimme die Lösungsmenge des LGS (auf C).

b) Man zeige, dass das LGS zu einem reellen (4 × 4)-LGS äquivalent ist.

v Lösung
a) Wir gehen nach dem Kochrezept 2.1 vor, aber führen alle Rechnungen in C durch!
Schritt 1 Wir ordnen dem LGS die erweiterte Matrix [A|b] zu:
$ % &
z1 + iz2 = 2 − i (Z1 ) 1 i 2−i
! [A|b] = .
iz1 + z2 = 0 (Z2 ) i 1 0

Schritt 2 Wir führen den Gauß-Algorithmus einmal durch:

% & % &
1 i 2−i (Z2 ) − i(Z1 ) 1 i 2−i
! = Z.
i 1 0 0 2 −1 − 2i

Die Zielmatrix ist vom Typ 1 (Dreiecksform). Das LGS hat somit genau eine
Lösung.
102 Kapitel 2 • Lineare Gleichungssysteme

Schritt 3 Herauslesen der Lösung direkt aus dem Endschema Z (durch Rückwärts
auflösen):
⎧ ⎧
⎨z + iz = 2 − i ⎨z = 2 − i − iz = 1 − i
1 2 1 2 2
⇒
⎩2z = −1 − 2i ⎩z = − 1 − i
2 2 2

Als einzige Lösung erhalten wir:

$% & % & (
z1 1 − 2i 2
L= = ∈ C .
z2 − 12 − i

b) Ist etwas anspruchsvoller. Wir schreiben z1 = x1 + iy1 und z2 = x2 + iy2 , wobei

x1 , y1 , x2 , y2 ∈ R. Das LGS hat dann folgende Form:

z1 + iz2 = (x1 + iy1 ) + i(x2 + iy2 )

⎧
⎨x − y = 2
! 1 2
= (x1 − y2 ) + i(x2 + y1 ) = 2 − i ⇒
⎩x + y = −1
2 1
⎧
⎨x − y = 0
2 1
!
iz1 + z2 = i(x1 + iy1 ) + (x2 + iy2 ) = (x2 − y1 ) + i(x1 + y2 ) = 0 ⇒
⎩x + y = 0
1 2

Es ergibt sich somit ein (4 × 4)-LGS für die 4 Unbekannten x1 , y1 , x2 , y2 :

⎧ ⎡ ⎤
⎪
⎪ x1 − y2 = 2 (Z1 ) 1 0 0 −1 2
⎪
⎨ ⎢0
y1 + x2 = −1 (Z2 ) ⎢ 1 1 0 −1 ⎥
⎥
! [A|b] = ⎢ ⎥.
⎪
⎪
⎪ − y 1 + x 2 =0 (Z3 ) ⎣0 −1 1 0 0 ⎦
⎩
x1 + y2 = 0 (Z4 ) 1 0 0 1 0

Wir wenden den Gauß-Algorithmus einmal an:

⎡ ⎤ ⎡ ⎤
1 0 0 −1 2 1 0 0 −1 2
(Z4 ) − (Z1 )
⎢0 −1 ⎥ ⎢0
⎢ 1 1 0 ⎥ (Z3 ) + (Z2 ) ⎢ 1 1 0 −1 ⎥
⎥
⎢ ⎥ ! ⎢ ⎥ = Z.
⎣0 −1 1 0 0 ⎦ ⎣0 0 2 0 −1 ⎦
1 0 0 1 0 0 0 0 2 −2

Wir erhalten die einzige Lösung:

⎧⎡ ⎤ ⎡ ⎤ ⎫
⎪
⎪ x1 1 ⎪
⎪
⎪
⎨⎢y ⎥ ⎢− 1 ⎥ ⎪
⎬
⎢ 1⎥ ⎢ 2 ⎥
L = ⎢ ⎥ = ⎢ 1 ⎥ ∈ R4 .
⎪
⎪ ⎣x2 ⎦ ⎣− 2 ⎦ ⎪
⎪
⎪
⎩ ⎪
⎭
y2 −1

Diese Lösung ist äquivalent zur Lösung von Teilaufgabe (a), weil z1 = x1 + iy1 =
1 − 2i und z2 = x2 + iy2 = − 12 − i. "
2.2 • Der Gauß-Algorithmus
103 2

Übung 2.24
• • ◦ Man löse das folgende LGS auf K = Z5
⎧
⎨3x + 4x = 501 (mod 5)
1 2
⎩x + 3x = 17 (mod 5)
1 2

v Lösung
Wir gehen wie üblich vor, aber führen alle Rechnungen in Z5 durch (vgl. Anhang B.4).
In Z5 gilt 501 = 1 und 17 = 2. Somit müssen wir das LGS
$ % &
3x1 + 4x2 = 1 (Z1 ) 3 4 1
! [A|b] = .
x1 + 3x2 = 2 (Z2 ) 1 3 2

in Z5 lösen. Wir führen den Gauß-Algorithmus einmal durch:

% & % & % &
3 4 1 3(Z2 ) − (Z1 ) 3 4 1 3 4 1
! = = Z.
1 3 2 0 5 5 0 0 0

Hier haben wir die Tatsache benutzt, dass in Z5 5 = 0 gilt. Das LGS hat somit unendlich
viele Lösungen mit einem freien Parameter (in Z5 ). Setzen wir x2 = t ∈ Z5 als freien
Parameter, so erhalten wir mit den Rechenregeln in Z5 :

3x1 + 4t = 1 ⇒ x1 = 3−1 (1 − 4t) = 2 (1 − 4t) = 2 (1 + t) = 2 + 2t.

Die gesuchte Lösung des LGS ist somit

$% & '% & % & % & (
' x
x1 ' 1 2 2
L= ∈ Z25 ' = +t , t ∈ Z5 .
x2 ' x2 0 1 "

> Bemerkung
Auf Z5 gilt 3−1 = 2 weil 2 · 3 = 6 = 1. Außerdem ist −4 = 1

2.2.8 Homogene und inhomogene LGS

Grundprinzip für inhomogene LGS

Ein LGS Ax = b heißt homogen, falls b = 0, oder inhomogen, falls b ̸= 0. Zu einem
inhomogenen LGS Ax = b gehört immer ein homogenes LGS, wenn man b = 0
setzt. Das inhomogene LGS Ax = b und das zugehörige homogene LGS Ax = 0
gehören zusammen und diese Ähnlichkeit übeträgt sich auch auf die entsprechenden
Lösungen. In der Tat kann man die allgemeine Lösung eines inhomogenen LGS Ax =
b wie folgt beschreiben:
104 Kapitel 2 • Lineare Gleichungssysteme

a b

. Abb. 2.8 Grundprinzip für inhomogene LGS. Die allgemeine Lösung eines inhomogenen LGS ist
gleich der Lösung des zugehörigen homogenen Problems xHomo , welche von einer partikulären Lösung xp
verschoben wird. (a) Wenn die homogene Lösung eine Gerade durch den Nullpunkt ist, dann beschreibt
die allgemeine Lösung des inhomogenen LGS eine parallele Gerade durch den Punkt xp . (b) Ist die
Lösungsmenge des homogenen Problems eine Ebene durch den Nullpunkt, so ist die allgemeine Lösung
des inhomogenen Problems eine Ebene, welche xp enthält

x
789: = xHomo + xp (2.14)
7 89 : 789:
Gesamtlösung allgemeine Lösung partikuläre Lösung
des homogenen des inhomogenen
Problems Problems

wobei xHomo die allgemeine Lösung des zugehörigen homogenen LGS (d. h. Ax =
0) und xp eine partikuläre Lösung des inhomogenen Problems ist. Das Lösen von
inhomogenen LGS erfolgt zuerst durch die Lösung des zugehörigen homogenen
Problems und anschließend durch die Suche einer partikulären Lösung, welche das
inhomogene LGS erfüllt (. Abb. 2.8).

# Beispiel
Man betrachte das inhomogene LGS

⎧ ⎡ ⎤
⎨x + x + x = 2 1112
1 2 3 ⎢ ⎥
! [A|b] = ⎣ 0 1 2 1 ⎦ .
⎩x + 2x = 1
2 3 0000

Für die Lösung dieses LGS benutzen wir den Grundsatz 2.2.8, d. h. x = xHomo + xp . Es
wird also zuerst die Lösung des zugehörigen homogenen LGS gefunden. Das zugehörige
homogene LGS lautet

⎧ ⎡ ⎤
⎨x + x + x = 0 1110
1 2 3 ⎢ ⎥
! [A|0] = ⎣ 0 1 2 0 ⎦ .
⎩x + 2x = 0
2 3 0000
2.2 • Der Gauß-Algorithmus
105 2
Die Lösung des homogenen Problems ist
⎡ ⎤
1
⎢ ⎥
xHomo = t ⎣−2⎦ , t ∈ R.
1

Dann wird eine partikuläre Lösung des inhomogenen LGS gesucht. Eine Möglichkeit
für das Aufsuchen einer partikulären Lösung ist einfach zu erraten. Wir probieren einige
Zahlen aus und stellen fest, dass eine Lösung
⎡ ⎤
1
⎢ ⎥
xp = ⎣1⎦
0

ist. Die Gesamtlösung des inhomogenen LGS lautet also

⎤ ⎡ ⎡ ⎤
1 1
⎢ ⎥ ⎢ ⎥
x = xHomo + xp = t ⎣−2⎦ + ⎣1⎦ , t ∈ R. $
1 0
7 89 : 789:
homogene partikuläre
Lösung Lösung

> Bemerkung
Für die partikuläre Lösung xp gibt es natürlich mehrere Möglichkeiten. In unserem
; 2 <
Fall hätten wir beispielsweise auch xp = −1 als eine mögliche partikuläre Lösung
1
wählen können.

Übung 2.25
• ◦ ◦ Es sei Ax = b ein inhomogenes LGS mit partikulärer Lösung xp . Man zeige, dass
die allgemeine Lösung des inhomogenen LGS Ax = b durch x = xHomo + xp gegeben
ist, wobei xHomo die allgemeine Lösung des zugehörigen homogenen LGS Ax = 0 ist.

v Lösung
xp ist eine partikuläre Lösung von Ax = b ⇒ Axp = b. Analog ist xHomo die allgemeine
Lösung des zugehörigen homogenen LGS Ax = 0 ⇒ AxHomo = 0. Daraus folgt:
= >
Ax = A xHomo + xp = AxHomo + Axp = 0 + b = b.
7 89 : 789:
=0 =b

x ist somit die allgemeine Lösung des inhomogenen LGS Ax = b. "

106 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.26
• ◦ ◦ Man bestimme die allgemeine Lösung des folgenden inhomogenen LGS
⎧
⎨x + x = 0
1 3
.
⎩x − 2x = 1
2 3

v Lösung
Wir betrachten zuerst das zugehörige homogene LGS

⎧ ⎡ ⎤
⎨x + x = 0 10 1 0
1 3 ⎢ ⎥
! [A|0] = ⎣ 0 1 −2 0 ⎦ .
⎩x − 2x = 0
2 3 00 0 0

Die allgemeine Lösung des homogenen Problems ist

⎡ ⎤
−1
⎢ ⎥
xHomo = t ⎣ 2 ⎦ , t ∈ R.
1

Dann suchen wir eine partikuläre Lösung ; 0 < des inhomogenen LGS. Nach einigem
Ausprobieren stellen wir fest, dass xp = 1 eine Lösung ist. Die Gesamtlösung des
0
inhomogenen LGS ist
⎡ ⎤ ⎡ ⎤
−1 0
⎢ ⎥ ⎢ ⎥
x = xHomo + xp = t ⎣ 2 ⎦ + ⎣1⎦ , t ∈ R.
1 0
7 89 : 789:
homogene partikuläre
Lösung Lösung "

2.3 Rang

Ein wichtiger Begriff beim Lösen eines LGS ist der Rang einer Matrix. In diesem
Abschnitt werden wir den Rang einer Matrix vorerst einmal einführen; eine genauere
Definition dieses Begriffes werden wir später im 7 Abschn. 8.1.4 vornehmen.

2.3.1 Definition

Es sei A ∈ Km×n eine (m × n)-Matrix. Den Rang von A (bezeichnet mit Rang(A))
definiert man wie folgt:
2.3 • Rang
107 2
# Definition 2.1
Es sei Z die bereits definierte Zielmatrix einer durch den Gauß-Algorithmus reduzierte
Matrix A. Dann ist:

Rang(A) = Rang(Z)
= Anzahl von Null verschiedenen Zeilen in der Zielmatrix Z. $

2.3.2 Berechnung
Praxistipp

In der Praxis, um den Rang der Matrix A zu bestimmen, bringt man zuerst mittels
Gauß-Algorithmus die Matrix A in Zeilenstufenform Z. Der Rang von A entspricht
dann der Anzahl der Zeilenvektoren von Z, die ungleich Null sind.

Musterbeispiel 2.5 (Rang bestimmen)

⎡ ⎤
1 −1 1
Man betrachte A = ⎣0 0 1⎦ . Mittels des Gauß-Algorithmus erzeugen wir die Zielma-
1 −1 0
trix Z
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −1 1 1 −1 1 1 −1 1
(Z ) − (Z ) (Z ) + (Z )
⎣0 0 1⎦ 3 ! 1 ⎣0 0 1 ⎦ 3 ! 2 ⎣0 0 1⎦ = Z.
1 −1 0 0 0 −1 0 0 0

Die Zielmatrix Z besteht aus genau 2 Zeilen ̸= [0, 0, 0]. Somit nach Definition:

Rang(A) = 2.

Rechenregeln für Rang

# Satz 2.2 (Rechenregeln für Rang)
Es seien A, B ∈ Km×n und C ∈ Kn×r . Außerdem seien 0 die Nullmatrix und E n ∈ Kn×n die
(n × n)-Einheitsmatrix. Dann gelten die folgenden Rechenregeln:
(R1) Rang(0) = 0;
(R2) Rang(E n ) = n;
(R3) Rang(A) ≤ min{m, n}. Bei Gleichheit sagt man: A hat maximalen Rang;
(R4) Rang(AT ) = Rang(A);
(R5) Rang(A + B) ≤ Rang(A) + Rang(B);
(R6) Rang(AC) ≤ min{Rang(A), Rang(C)};
(R7) Rang(AC) ≥ Rang(A) + Rang(C) − n. $
108 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.27
◦ ◦ ◦ Man bestimme den Rang der folgenden Matrix
⎡ ⎤
1 −2 −3
⎢ ⎥
⎢3 0 3⎥
⎢ ⎥
A=⎢
⎢7 −3 1⎥⎥.
⎢ ⎥
⎣2 1 4⎦
1 −2 −3

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −2 −3 (Z2 ) − 3(Z1 ) 1 −2 −3 1 −2 −3
⎢ ⎥ (Z3 ) − 7(Z1 ) ⎢ ⎥ (Z2 )/6 ⎢ ⎥
⎢3 0 3⎥ (Z4 ) − 2(Z1 ) ⎢0 6 12 ⎥ (Z3 )/11 ⎢0 1 2⎥
⎢ ⎥ (Z5 ) − (Z1 ) ⎢ ⎥ (Z4 )/5 ⎢ ⎥
⎢7 −3 1⎥ ! ⎢0 11 22 ⎥ ! ⎢0 1 2⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣2 1 4⎦ ⎣0 5 10 ⎦ ⎣0 1 2⎦
1 −2 −3 0 0 0 0 0 0
⎡ ⎤
1 −2 −3
⎢ ⎥
(Z3 ) − (Z2 ) ⎢0 1 2⎥
(Z4 ) − (Z2 ) ⎢ ⎥
! ⎢0 0⎥
⎢ 0 ⎥ = Z.
⎢ ⎥
⎣0 0 0⎦
0 0 0

Die Zielmatrix Z besteht aus genau 2 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 2. "

Übung 2.28
◦ ◦ ◦ Man berechne den Rang der folgenden Matrix
⎡ ⎤
1 3 7 2 1
⎢ ⎥
A = ⎣−2 0 −3 1 −2⎦ .
−3 3 1 4 −3

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 3 7 2 1 (Z2 ) + 2(Z1 ) 1 3 7 2 1 1 3 7 2 1
⎢ ⎥ (Z3 ) + 3(Z1 ) ⎢ ⎥ (Z3 ) − 2(Z2 ) ⎢ ⎥
⎣−2 0 −3 1 −2⎦ ! ⎣0 6 11 5 0⎦ ! ⎣0 6 11 5 0⎦ = Z.
−3 3 1 4 −3 0 12 22 10 0 0 0 0 0 0

Die Zielmatrix Z besteht aus genau 2 Zeilen ̸= [0, 0, 0, 0, 0]. Somit Rang(A) = 2. "
2.3 • Rang
109 2

Übung 2.29
◦ ◦ ◦ Man berechne den Rang der folgenden Matrix
⎡ ⎤
1 0 2
⎢−1
⎢ 2 −3⎥⎥
A=⎢ ⎥.
⎣1 3 1⎦
1 −1 −1

v Lösung
Wir erzeugen die Zielmatrix Z mit dem Gauß-Algorithmus:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 2 (Z2 ) + (Z1 ) 1 0 2 1 0 2
(Z3 ) − (Z1 ) 2(Z3 ) − 3(Z2 )
⎢−1 −3⎥ ⎢0 −1⎥ ⎢0
⎢ 2 ⎥ (Z4 ) − (Z1 ) ⎢ 2 ⎥ 2(Z4 ) + (Z2 ) ⎢ 2 −1⎥⎥
⎢ ⎥ ! ⎢ ⎥ ! ⎢ ⎥
⎣1 3 1⎦ ⎣0 3 −1⎦ ⎣0 0 1⎦
1 −1 −1 0 −1 −3 0 0 −7
⎡ ⎤
1 0 2
⎢
(Z4 ) + 7(Z3 ) ⎢0 2 −1⎥⎥
! ⎢ ⎥ = Z.
⎣0 0 1⎦
0 0 0

Die Zielmatrix Z besteht aus genau 3 Zeilen ̸= [0, 0, 0]. Somit beträgt Rang(A) = 3. "

Übung 2.30
• ◦ ◦ Man betrachte die folgenden Matrizen
⎡ ⎤
% & 1201
11 1 ⎢ ⎥
A= , B = ⎣0 1 1 1⎦ .
2 0 −1
1312

Man verifiziere, dass Rang(AB) ≤ min{Rang(A), Rang(B)} gilt.

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z für A:
% & % &
1 1 1 (Z2 ) − 2(Z1 ) 1 1 1
! =Z ⇒ Rang(A) = 2.
2 0 −1 0 −2 −3

Für die Matrix B bekommen wir:

110 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 0 1 1 2 0 1 1 2 0 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣0 1 1 1⎦ ! ⎣0 1 1 1⎦ ! ⎣0 1 1 1⎦ = Z ⇒ Rang(B) = 2.
1 3 1 2 0 1 1 1 0 0 0 0

Für das Produkt AB haben wir

⎡ ⎤
% & 1 2 0 1 % &
1 1 1 ⎢ ⎥ 2 6 2 4
AB = ⎣0 1 1 1⎦ = .
2 0 −1 1 1 −1 0
1 3 1 2

Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix für AB:

% & % &
26 2 4 2(Z2 ) − (Z1 ) 2 6 2 4
! =Z ⇒ Rang(AB) = 2.
1 1 −1 0 0 −4 −4 −4

Rang(AB) = 2 ist gleich min{Rang(A), Rang(B)} = min{2, 2} = 2. Somit ist die

Ungleichung Rang(AB) ≤ min{Rang(A), Rang(B)} erfüllt. "

Übung 2.31
• ◦ ◦ Man bestimme den Rang der folgenden Matrix in Abhängigkeit des Parameters
k∈R
⎡ ⎤
1 −4 0
⎢ ⎥
A = ⎣0 k + 1 −1 ⎦ .
0 0 k−2

v Lösung
Die gegebene Matrix ist bereits in Zeilenstufenform. Wir machen somit folgende
Fallunterscheidungen:
5 Fall k ̸= −1, 2: Die Zielmatrix hat 3 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 3.
? @
1 −4 0
5 Fall k = 2: Z = 0 3 −1 hat 2 Zeilen ̸= [0, 0, 0]. Ssomit Rang(A) = 2.
0 0 0
5 Fall k = −1: Die Zielmatrix lautet:
⎡ ⎤ ⎡ ⎤
1 −4 0 1 −4 0
⎢ ⎥ (Z3 ) − 3(Z2 ) ⎢ ⎥
⎣0 0 −1⎦ ! ⎣0 0 −1⎦ = Z.
0 0 −3 0 0 0

Die Zielmatrix besteht somit aus 2 Zeilen ̸= [0, 0, 0], d. h. Rang(A) = 2. "
2.3 • Rang
111 2

Übung 2.32
• ◦ ◦ Man bestimme den Rang der folgenden Matrix in Abhängigkeit von k ∈ R
⎡ ⎤
−1 3 0
⎢ ⎥
A = ⎣ 1 2 −1 ⎦ .
0 0 2k + 1

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤
−1 3 0 −1 3 0
⎢ ⎥ (Z2 ) + (Z1 ) ⎢ ⎥
⎣ 1 2 −1 ⎦ ! ⎣ 0 5 −1 ⎦ = Z.
0 0 2k + 1 0 0 2k + 1

Nun machen wir die üblichen

? Fallunterscheidungen:
@
−1 3 0
5 Fall k = − 12 : Z = 0 5 −1 hat 2 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 2.
0 0 0
5 Fall k ̸= − 12 : Die Zielmatrix hat 3 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 3. "

Übung 2.33
• ◦ ◦ Man bestimme den Rang der Matrix in Abhängigkeit von k ∈ R
⎡ ⎤
−1 3 0 1
⎢ ⎥
A = ⎣ 1 2 −1 0⎦ .
0 5 k+2 k

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
−1 3 0 1 −1 3 0 1 −1 3 0 1
⎢ ⎥ (Z2 ) + (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣ 1 2 −1 0⎦ ! ⎣ 0 5 −1 1⎦ ! ⎣ 0 5 −1 1 ⎦ = Z.
0 5 k+2 k 0 5 k+2 k 0 0 k+3 k−1

Die Zielmatrix besteht immer aus 3 Zeilen ̸= [0, 0, 0, 0], weil die Einträge k + 3 und
k − 1 nie gleichzeitig Null sind. Daraus folgt Rang(A) = 3 für alle k ∈ R. "
112 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.34
• • ◦ Man bestimme den Rang der folgenden Matrix in Abhängigkeit des Parameters
k∈R
⎡ ⎤
1 −4 2
⎢ 0 k + 1 −1 ⎥
⎢ ⎥
A=⎢ ⎥.
⎣−1 4 k − 5⎦
2 −8 k + 4

v Lösung
Mit dem Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤
1 −4 2 1 −4 2
(Z3 ) + (Z1 )
⎢ 0 k + 1 −1 ⎥ (Z4 ) − 2(Z1 )
⎢0 k + 1 −1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ! ⎢ ⎥ = Z.
⎣−1 4 k − 5⎦ ⎣0 0 k − 3⎦
2 −8 k + 4 0 0 k

Nun machen wir Fallunterscheidungen:

% &
1 −4 2
5 Fall k = 3: Z = 0 4 −1 hat genau 3 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 3.
0 0 0
%0 0 3 &
1 −4 2
5 Fall k = 0: Z = 0 1 −1 besteht aus 3 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 3.
0 0 −3
0 0 0
5 Fall k = −1: Die Zielmatrix ist:
⎡ ⎤ ⎡ ⎤
1 −4 2 1 −4 2
(Z3 ) − 4(Z2 )
⎢0 −1⎥ ⎢0
⎢ 0 ⎥ (Z4 ) − (Z2 ) ⎢ 0 −1⎥⎥
⎢ ⎥ ! ⎢ ⎥ = Z.
⎣0 0 −4⎦ ⎣0 0 0⎦
0 0 −1 0 0 0

Die Zielmatrix besteht aus 2 Zeilen ̸= [0, 0, 0]. Somit Rang(A) = 2.

5 Fall k ̸= −1, 0, 3: In diesem Fall dürfen wir mithilfe des Gaus-Algorithmus die
vierte Zeile eliminieren:
⎡ ⎤ ⎡ ⎤
1 −4 2 1 −4 2
⎢0 k + 1 −1 ⎥ (k − 3)(Z4 ) − k(Z3 )
⎢0 k + 1 −1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ! ⎢ ⎥ = Z.
⎣0 0 k − 3⎦ ⎣0 0 k − 3⎦
0 0 k 0 0 0

Die Zielmatrix besteht aus 3 Zeilen ̸= [0, 0, 0], d. h. Rang(A) = 3. "

> Bemerkung
In Übung 2.34 beachte, dass die Zeilenoperation (k − 3)(Z4 ) − k(Z3 ) für k ̸= 3 erlaubt
ist (vgl. Kochrezept 2.1).
2.3 • Rang
113 2

Übung 2.35
• ◦ ◦ Man bestimme den Rang der folgenden Matrix in Abhängigkeit des Parameters
k∈R
⎡ ⎤
103 k
⎢ ⎥
A = ⎣2 1 2 k + 1⎦ .
k0k 0

v Lösung
Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤
1 0 3 k (Z2 ) − 2(Z1 ) 1 0 3 k
⎢ ⎥ (Z3 ) − k(Z1 ) ⎢ ⎥
⎣2 1 2 k + 1⎦ ! ⎣0 1 −4 1 − k⎦ = Z.
k 0 k 0 0 0 −2k −k2

Nun machen wir zwei Fallunterscheidungen:

5 Fall k ̸= 0: Die Zielmatrix besteht aus 3 Zeilen ̸= [0, 0, 0, 0]. Somit Rang(A) = 3.
;1 0 3 0<
5 Fall k = 0: Z = 0 1 −4 1 hat 2 Zeilen ̸= [0, 0, 0, 0]. Somit Rang(A) = 2. "
00 0 0

Übung 2.36 ⎡ ⎤
1 1 1 −1
⎢ ⎥
• • ◦ Es sei A = ⎣1 1 0 0 ⎦ .
001 1
a) Man bestimme den Rang von A über dem Körper R.
b) Man bestimme den Rang von A über dem Körper Z2 .

v Lösung
a) Mittels Gauß-Algorithmus erzeugen wir die Zielmatrix Z:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 −1 1 1 1 −1 1 1 1 −1
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) + (Z2 ) ⎢ ⎥
⎣1 1 0 0 ⎦ ! ⎣0 0 −1 1 ⎦ ! ⎣0 0 −1 1 ⎦ = Z.
0 0 1 1 0 0 1 1 0 0 0 2

Die Zielmatrix besteht aus 3 Zeilen ̸= [0, 0, 0, 0]. Somit Rang(A) = 3.

b) Wir gehen wie in Teilaufgabe (a) vor, aber führen alle Rechnungen in Z2 durch, wo
−1 = 1 gilt:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 −1 1 1 1 1 1 1 1 1 1 1 1 1
⎢ ⎥ ⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ ⎢ ⎥
⎣1 1 0 0 ⎦ = ⎣1 1 0 0⎦ ! ⎣0 0 −1 −1⎦ = ⎣0 0 1 1⎦
0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
114 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤
1 1 1 1
(Z3 ) − (Z2 ) ⎢ ⎥
! ⎣0 0 1 1⎦ = Z.
0 0 0 0

Die Zielmatrix besteht in diesem Fall aus 2 Zeilen ̸= [0, 0, 0, 0]. Somit Rang(A) = 2.
"

Übung 2.37
⎡ ⎤
12 0 −5
⎢0 1 2
⎢ 0 ⎥ ⎥
• • • Es sei A = ⎢ ⎥.
⎣0 0 a + 1 −2 ⎦
0 0 0 a2 + 3a
a) Man bestimme den Rang von A über R in Abhängigkeit von a ∈ R.
b) Man bestimme den Rang von A über Z2 in Abhängigkeit von a ∈ Z2 .

v Lösung
a) Die vorgegebene Matrix ist bereits in Zeilenstufenform. Wir machen eine Fallun-
terscheidung:
5 a + 1 = 0 ⇒ a = −1. In diesem Fall lautet A wie folgt
⎡ ⎤ ⎡ ⎤
1 2 0 −5 1 2 0 −5
⎢0 0⎥ ⎢0
⎢ 1 2 ⎥ (Z4 ) − (Z3 ) ⎢ 1 2 0⎥ ⎥
A=⎢ ⎥ ! ⎢ ⎥ = Z ⇒ Rang(A) = 3.
⎣0 0 0 −2⎦ ⎣0 0 0 −2⎦
0 0 0 −2 0 0 0 0

5 a(a + 3) = 0 ⇒ a = 0 oder a = −3. A hat drei Zeilen ̸= [0, 0, 0, 0] ⇒

Rang(A) = 3.
5 a ̸= 0, −1, −3. In diesem Fall hat A Rang 4.
b) Ist a ∈ Z2 , so kann a nur die Werte a = 0 oder a = 1 annehmen. Ist a = 0 so ist
a2 + 3a = 0. Ist a = 1 so ist a2 + 3a = 4 = 0. Außerdem gilt über Z2 : 2 = 0 und
−5 = 1.
⎡ ⎤
1 0 0 1
⎢0
⎢ 1 0 0⎥
⎥
A=⎢ ⎥.
⎣0 0 a+1 0⎦
0 0 0 0

Wir unterscheiden zwei Fälle:

5 a + 1 = 0 ⇒ a = −1 = 1. A hat zwei Zeilen ̸= [0, 0, 0, 0], also Rang(A) = 2.
5 a + 1 ̸= 0 ⇒ a = 0. A hat drei Zeilen ̸= [0, 0, 0, 0]. Somit Rang(A) = 3. "
2.3 • Rang
115 2
2.3.3 Rang und LGS

Der Begriff des Ranges einer Matrix findet wichtige Anwendungen bei der Lösung
eines LGS. Eine solche Anwendung ist der Satz von Rouché-Capelli.

Der Satz von Rouché-Capelli

Es sei Ax = b ein LGS mit Darstellungsmatrix A ∈ Km×n und Lösungsvektor b ∈
Km . In 7 Abschn. 2.2.2 haben wir die erweiterte Matrix [A|b] des LGS wie folgt
eingeführt:
⎡ ⎤
a11 a12 · · · a1n b1
⎢ a21 a22 · · · a2n b2 ⎥
⎢ ⎥
[A|b] = ⎢ . .. . . .. .. ⎥.
⎣ .. . . . . ⎦
am1 am2 · · · amn bm

Mithilfe des Gauß-Algorithmus können wir den Rang von A und [A|b] bestimmen.
In Abhängigkeit vom Wert von Rang(A) und Rang(A|b) können wir feststellen, ob
das LGS genau eine, keine oder unendlich viele Lösungen besitzt. Dies ist der Inhalt
des Satzes von Rouché-Capelli (. Abb. 2.9):

# Satz 2.3
Rouché-Capelli Sei Ax = b ein LGS mit m Gleichungen und n Unbekannten. Dann gilt:
5 Rang(A|b) = Rang(A) ⇔ LGS lösbar;
5 Rang(A|b) ̸= Rang(A) ⇔ keine Lösung.

Ist das LGS lösbar, dann:

5 Rang(A|b) = Rang(A) = n ⇔ genau eine Lösung;
5 Rang(A|b) = Rang(A) < n ⇔ unendlich viele Lösungen.
In diesem Fall gilt für die Anzahl freier Parameter in der Lösungsmenge:

Anzahl freie Parameter = n − Rang(A).

Diese Formel entspricht Gl. (2.10). $

> Bemerkung
Wie wir später (7 Kap. 5) erfahren werden, ist die Lösungsmenge ein affiner Raum der
Dimension n − Rang(A).

> Bemerkung
Der Satz von Rouché-Capelli ist auch bekannt als Satz von Kronecker-Capelli, Satz
von Rouché-Fontené, Satz von Rouché-Frobenius oder Satz von Frobenius.

Berechnung
Der Satz von Rouché-Capelli bietet eine einfache Methode, die Lösung eines gegebe-
nen LGS zu diskutieren. Das Schema in . Abb. 2.9 zeigt dies eindrücklich.
116 Kapitel 2 • Lineare Gleichungssysteme

. Abb. 2.9 Schnellentscheid

über Lösung eines LGS mit Rang

Musterbeispiel 2.6 (LGS mit Rang lösen)

Man untersuche die Lösungen des folgenden LGS mithilfe des Satzes von Rouché-Capelli
⎧
⎨x1 + 2x2 + x4 = 1
⎪
2x1 + 4x2 + x3 = 3
⎪
⎩
x1 + 2x2 + x3 − x4 = 2

Das LGS hat m = 3 Gleichungen und n = 4 Unbekannte.

Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ x1 + 2x2 + x4 = 1 (Z1 ) 1 2 0 1 1
2x + 4x2 + x3 =3 (Z2 ) ! [A|b] = ⎣ 2 4 1 0 3 ⎦ .
⎩ 1
x1 + 2x2 + x3 − x4 = 2 (Z3 ) 1 2 1 −1 2

Schritt 2 Wir benötigen den Gauß-Algorithmus in zwei Schritten:

⎡ ⎤ (Z2 ) − 2(Z1 )
⎡ ⎤ ⎡ ⎤
1 2 0 1 1 1 2 0 1 1 1 2 0 1 1
(Z3 ) − (Z1 ) (Z3 ) − (Z2 )
⎣2 4 1 0 3⎦ ! ⎣ 0 0 1 −2 1 ⎦ ! ⎣ 0 0 1 −2 1 ⎦ = Z.
1 2 1 −1 2 0 0 1 −2 1 0 0 0 0 0

Wegen Rang(A) = Rang(A|b) = 2 < n = 4 hat das LGS unendlich viele Lösungen. Die
Lösungsmenge hat 2 freie Parameter, weil n − Rang(A) = 4 − 2 = 2. In der Tat ist die
Lösung
⎧⎡ ⎤ ' ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 ' x1 1 −2 −1 ⎪
⎪
⎨⎢ ⎥ ' ⎪
⎬
' ⎢x2 ⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥
⎢ x2 ⎥
L= ⎣ ⎦∈R ' 4' ⎢ ⎥ = ⎢ ⎥ + t ⎢ 1 ⎥ + s ⎢ 0 ⎥ , t, s ∈ R .
⎪ x ⎣x3 ⎦ ⎣1⎦ ⎣0⎦ ⎣2⎦ ⎪
⎩ 3
⎪ '
'
⎪
⎭
x4 x4 0 0 1
2.3 • Rang
117 2

Übung 2.38
•◦◦ Man untersuche die Lösungen des folgenden LGS mithilfe des Satzes von Rouché-
Capelli
⎧
⎪
⎨x1 + x2 + x3 = 1
⎪
−x1 + x2 + 5x3 = 0
⎪
⎪
⎩
2x2 + 6x3 = 0

v Lösung
Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎪
⎨ x1 + x2 + x3 = 1 (Z1 ) 1 1 1 1
⎢ ⎥
−x1 + x2 + 5x3 = 0 (Z2 ) ! [A|b] = ⎣ −1 1 5 0 ⎦ .
⎪
⎩
2x2 + 6x3 = 0 (Z3 ) 0 2 6 0

Schritt 2 Wir wenden den Gauß-Algorithmus in zwei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 1 1 1 1 1 1 1 1 1
⎢ ⎥ (Z2 ) + (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣ −1 1 5 0 ⎦ ! ⎣0 2 6 1⎦ ! ⎣ 0 2 6 1 ⎦ = Z.
0 2 6 0 0 2 6 0 0 0 0 −1

Wegen Rang(A) = 2 ̸= Rang(A|b) = 3 hat das LGS keine Lösung. "

Übung 2.39
• • ◦ Man untersuche die Lösungen des folgenden LGS in Abhängigkeit der Parameter
α, β ∈ R
⎧
⎨x + x = α
1 2
⎩2x + x = β
1 2

v Lösung
Das LGS hat m = 2 Gleichungen und n = 2 Unbekannte.
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
$ % &
x 1 + x2 = α (Z1 ) 1 1 α
! [A|b] = .
2x1 + x2 = β (Z2 ) 2 1 β

Schritt 2 Wir führen den Gauß-Algorithmus in einem Schritt durch:

% & % &
1 1 α (Z2 ) − 2(Z1 ) 1 1 α
! = Z.
2 1 β 0 −1 β − 2α
118 Kapitel 2 • Lineare Gleichungssysteme

Wegen Rang(A) = Rang(A|b) = n $% LGS genau eine Lösung für alle α, β ∈ R.

= 2 hat das&(
β −α
Die eindeutige Lösung lautet L = . "
2α − β

Übung 2.40
• • ◦ Für welche k ∈ R hat das folgende LGS eine eindeutige Lösung?
⎧
⎪
⎨x1 + x2 = 1
⎪
kx1 + x2 + x3 = 1 − k
⎪
⎪
⎩
x2 + (1 − k)x3 = 1

v Lösung
Das LGS hat m = 3 Gleichungen und n = 3 Unbekannte.
Schritt 1 Die erweiterte Matrix [A|b] des LGS lautet:
⎧ ⎡ ⎤
⎨ x1 + x2
⎪ =1 (Z1 ) 1 1 0 1
⎢ ⎥
kx1 + x2 + x3 = 1 − k (Z2 ) ! [A|b] = ⎣ k 1 1 1 − k ⎦ .
⎪
⎩
x2 + (1 − k)x3 = 1 (Z3 ) 0 1 1−k 1

Schritt 2 Wir wenden den Gauß-Algorithmus an:

⎡ ⎤ ⎡ ⎤
1 1 0 1 1 1 0 1
⎢ ⎥ (Z2 ) − k(Z1 ) ⎢ ⎥ (Z3 ) ↔ (Z2 )
⎣ k 1 1 1−k⎦ ! ⎣ 0 1 − k 1 1 − 2k ⎦ !
0 1 1−k 1 0 1 1−k 1
⎡ ⎤ ⎡ ⎤
1 1 0 1 1 1 0 1
⎢ ⎥ 3 (Z ) − (1 − k)(Z )
2 ⎢ ⎥
⎣0 1 1−k 1 ⎦ ! ⎣0 1 1−k 1 ⎦ = Z.
0 1 − k 1 1 − 2k 2
0 0 −k + 2k −k

Nach dem Satz von Rouché-Capelli wissen wir, dass das gegebene LGS genau dann,
eine eindeutige Lösung besitzt, wenn Rang(A) = Rang(A|b) = n = 3 gilt. Dies gilt
genau dann wenn −k2 + 2k ̸= 0, d. h. k ̸= 0, 2. "

> Bemerkung
In Übung 2.40 müssen wir im zweiten Schritt die zweite Zeile mit der dritten Zeile
vertauschen, weil die Operation (1 − k)(Z3 ) − (Z2 ) für k = 1 nicht erlaubt ist.
2.3 • Rang
119 2

Übung 2.41
• • ◦ Für welche k ∈ R hat das folgende LGS keine Lösung?
⎧
⎪ 2
⎨2x1 + kx2 + 3x3 = k
⎪
2x2 + 2kx3 = 2(k + 1)
⎪
⎪
⎩
x1 + kx3 = 32

v Lösung
Das LGS hat m = 3 Gleichungen und n = 3 Unbekannte.
Schritt 1 Wir ordnen dem LGS die erweiterte Matrix [A|b] zu:
⎧ ⎡ ⎤
⎨ 2x1 + kx2 + 3x3
⎪ = k2 (Z1 ) 2 k 3 k2
⎢ ⎥
2x2 + 2kx3 = 2(k + 1) (Z2 ) ! [A|b] = ⎣ 0 2 2k 2(k + 1) ⎦ .
⎪
⎩
x1 + kx3 = 32 (Z3 ) 1 0 k 3
2

Schritt 2 Wir benötigen den Gauß-Algorithmus in zwei Schritten:

⎡ ⎤ ⎡ ⎤
2 k 3 k2 2 k 3 k2
⎢ ⎥ 2(Z3 ) − (Z1 ) ⎢ ⎥
⎣ 0 2 2k 2(k + 1) ⎦ ! ⎣0 2 2k 2(k + 1) ⎦
3 2
1 0 k 2 0 −k 2k − 3 3 − k
⎡ ⎤
2 k 3 k2
(Z3 ) + k (Z2 ) ⎢ ⎥
!2 ⎣0 2 2k 2(k + 1) ⎦ = Z.
2
0 0 k + 2k − 3 k + 3

Nach dem Satz von Rouché-Capelli wissen wir, dass das gegebene LGS genau dann
keine Lösung besitzt, wenn Rang(A) ̸= Rang(A|b) gilt. Wegen k2 +2k−3 = (k+3)(k−1)
ist dies für k = 1 der Fall:
⎡ ⎤
2131
⎢ ⎥
Z = ⎣0 2 2 4⎦.
0004

Konkret Rang(A) = 2 ̸= Rang(A|b) = 3. "

Übung 2.42
• • ◦ Für welche k ∈ R hat das folgende LGS keine, genau eine oder unendlich viele
Lösungen?
⎧
⎪
⎨2x1 + 2x2 + 4x3 = 10
⎪
3x1 + kx2 + 10x3 = 12
⎪
⎪
⎩
−x2 − kx3 = 3
120 Kapitel 2 • Lineare Gleichungssysteme

v Lösung
Das LGS hat m = 3 Gleichungen und n = 3 Unbekannte.
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ 2x1 + 2x2 + 4x3 = 10
⎪ (Z1 ) 2 2 4 10
⎢ ⎥
3x1 + kx2 + 10x3 = 12 (Z2 ) ! [A|b] = ⎣ 3 k 10 12 ⎦ .
⎪
⎩
− x2 − kx3 = 3 (Z3 ) 0 −1 −k 3

Schritt 2 Wir wenden den Gauß-Algorithmus an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 2 4 10 2 2 4 10 2 2 4 10
⎢ ⎥ 2(Z2 ) − 3(Z1 ) ⎢ (Z
⎥ 3 ) ↔ (Z )
2 ⎢ ⎥
⎣ 3 k 10 12 ⎦ ! ⎣ 0 2(k − 3) 8 −6 ⎦ ! ⎣ 0 −1 −k 3 ⎦
0 −1 −k 3 0 −1 −k 3 0 2(k − 3) 8 −6
⎡ ⎤
−(Z2 ) 22 4 10
(Z3 ) + 2(k − 3)(Z2 ) ⎢ ⎥
! ⎣0 1 k −3 ⎦ = Z
0 0 −2(k + 1)(k − 4) 6(k − 4)

Wir unterscheiden 3 Fälle: ⎤ ⎡

2 2 4 10
⎢ ⎥
5 Fall k = 4: Die Zielmatrix lautet: Z = ⎣ 0 1 4 −3 ⎦. Es folgt Rang(A) =
000 0
Rang(A|b) = 2 < n = 3. Das LGS hat somit unendlich viele Lösungen mit einem
freien Parameter t:
⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
' x 8 2
⎨ x1
⎪ ' 1 ⎪
⎬
⎢ ⎥ '⎢ ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R3 ' ⎣x2 ⎦ = ⎣−3⎦ + t ⎣−4⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 0 1

Denn n − Rang(A) = 3 − 2 = 1. ⎡ ⎤
2 2 4 10
⎢ ⎥
5 Fall k = −1: Die Zielmatrix ist: Z = ⎣ 0 1 −1 −3 ⎦. Es folgt Rang(A) = 2 aber
0 0 0 −30
Rang(A|b) = n = 3. Das LGS hat somit keine Lösung.
5 Fall k ̸= −1, 4: In diesem Fall ist Rang(A) = Rang(A|b) = 3. Das LGS hat genau
eine Lösung. "

> Bemerkung
In Übung 2.42 müssen wir im zweiten Schritt die zweite Zeile mit der dritten Zeile
vertauschen, weil die Operation 2(k − 3)(Z3 ) + (Z2 ) für k = 3 nicht erlaubt ist.
2.3 • Rang
121 2

Übung 2.43
••◦ Man untersuche die Lösungen des folgenden LGS in Abhängigkeit des Parameters
k∈R
⎧
⎪
⎪ x1 + 2x4 = 1
⎪
⎪
⎪
⎨x + 2x + x + 4x = −1
1 2 3 4
⎪
⎪2x2 + 2x3 + 3x4 = −1
⎪
⎪
⎪
⎩
x1 − 2x2 + k2 x4 = k + 3

v Lösung
Das LGS hat m = 4 Gleichungen und n = 4 Unbekannte.
Schritt 1 Wir stellen zuerst die erweiterte Matrix [A|E] auf:
⎧ ⎡ ⎤
⎪ x + 2x4 = 1 (Z1 ) 1 0 0 2 1
⎪ 1
⎪
⎨ ⎢1
x1 + 2x2 + x3 + 4x4 = −1 (Z2 ) ⎢ 2 1 4 −1 ⎥ ⎥
! [A|b] = ⎢ ⎥.
⎪
⎪
⎪ 2x2 + 2x3 + 3x4 = −1 (Z3 ) ⎣0 2 2 3 −1 ⎦
⎩
x1 − 2x2 + k2 x4 = k+3 (Z4 ) 1 −2 0 k2 k + 3

Schritt 2 Wir benötigen den Gauß-Algorithmus:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 2 1 1 0 0 2 1 1 0 0 2 1
(Z2 ) − (Z1 ) (Z3 ) − (Z2 )
⎢1 4 −1 ⎥ ⎢0 −2 ⎥ ⎢0
⎢ 2 1 ⎥ (Z4 ) − (Z1 ) ⎢ 2 1 2 ⎥ (Z4 ) + (Z2 ) ⎢ 2 1 2 −2 ⎥
⎥
⎢ ⎥ ! ⎢ ⎥ ! ⎢ ⎥
⎣0 2 2 3 −1 ⎦ ⎣0 2 2 3 −1 ⎦ ⎣0 0 1 1 1 ⎦
1 −2 0 k2 k + 3 0 −2 0 k2 − 2 k + 2 0 0 1 k2 k
⎡ ⎤
1 0 0 2 1
(Z4 ) − (Z3 )
⎢0 2 1 2 −2 ⎥
⎢ ⎥
! ⎢ ⎥ = Z.
⎣0 0 1 1 1 ⎦
0 0 0 k2 − 1 k − 1

Wegen k2 − 1 = (k − 1)(k + 1), unterscheiden wir 3 Fälle:

⎡ ⎤
1002 1
⎢ 0 2 1 2 −2 ⎥
⎢ ⎥
5 Fall k = 1: Aus Z = ⎢ ⎥ folgt Rang(A) = Rang(A|b) = 3 < n = 4. Das
⎣0 0 1 1 1 ⎦
0000 0
LGS hat somit unendlich viele Lösungen mit einem freien Parameter
⎧⎡ ⎤ ' ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 ' x1 1 −2 ⎪
⎪
⎪ ' ⎪
⎪
⎨ ⎢x ⎥ ' ⎢x ⎥ ⎢− 3 ⎥ ⎢− 1 ⎥ ⎬
⎢ 2⎥ 4' ⎢ 2⎥ ⎢ 2 ⎥ ⎢ 2⎥
L= ⎢ ⎥∈R ' ⎢ ⎥ = ⎢ ⎥ + t⎢ ⎥, t ∈ R .
⎪
⎪ ⎣x3 ⎦ ' ⎣x3 ⎦ ⎣ 1 ⎦ ⎣ −1 ⎦ ⎪
⎪
⎪
⎩ ' ⎪
⎭
x4 ' x4 0 1

Denn n − Rang(A) = 4 − 3 = 1.
122 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤
1002 1
⎢ 0 2 1 2 −2 ⎥
⎢ ⎥
5 Fall k = −1: Die Zielmatrix ist Z = ⎢ ⎥. Es folgt Rang(A) = 3, aber
⎣0 0 1 1 1 ⎦
0 0 0 0 −2
Rang(A|b) = 4. Das LGS hat somit keine Lösung.
5 Fall k ̸= ±1: In diesem Fall ist Rang(A) = Rang(A|b) = n = 4. Das LGS hat genau
⎧ ⎡ ⎤⎫
⎪
⎪ k−1 ⎪ ⎪
⎪
⎨ ⎢ 3 ⎥⎪
⎬
1 ⎢− 2 k − 2⎥
eine Lösung L = 1+k ⎢ ⎥ . "
⎪
⎪ ⎣ k ⎦⎪
⎪
⎪
⎩ ⎪
⎭
1

Übung 2.44
••◦ Man untersuche die Lösungen des folgenden LGS in Abhängigkeit des Parameters
k∈R
⎧
⎪
⎨x1 + x2 − x3 + x4 = 1
⎪
2x1 + x2 − x3 + 3x4 = 0
⎪
⎪
⎩
x1 + (k2 − k)x4 = k

v Lösung
Das LGS hat m = 3 Gleichungen und n = 4 Unbekannte.
Schritt 1 Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ x1 + x2 − x3 +
⎪ x4 = 1 (Z1 ) 1 1 −1 1 1
⎢ ⎥
2x1 + x2 − x3 + 3x4 = 0 (Z2 ) ! [A|b] = ⎣ 2 1 −1 3 0 ⎦.
⎪
⎩
x1 + (k2 − k)x4 = k (Z3 ) 1 0 0 k2 − k k

Schritt 2 Wir wenden den Gauß-Algorithmus an:

⎡ ⎤ ⎡ ⎤
1 1 −1 1 1 (Z2 ) − 2(Z1 ) 1 1 −1 1 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
⎣ 2 1 −1 3 0⎦ ! ⎣ 0 −1 1 1 −2 ⎦
1 0 0 k2 − k k 0 −1 1 k2 − k − 1 k − 1
⎡ ⎤
1 1 −1 1 1
(Z3 ) − (Z2 ) ⎢ ⎥
! ⎣ 0 −1 1 1 −2 ⎦ = Z.
0 0 0 k2 − k − 2 k + 1

Wegen k2 − k − 2 = (k + 1)(k
⎡ − 2), unterscheiden
⎤ wir 3 Fälle:
1 1 −1 1 1
⎢ ⎥
5 Fall k = −1: Aus Z = ⎣ 0 −1 1 1 −2 ⎦ folgt Rang(A) = Rang(A|b) = 2 < n =
0 0 0 0 0
4. Das LGS hat unendlich viele Lösungen mit 2 freien Parametern t, s:
2.3 • Rang
123 2
⎧⎡ ⎤ ' ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 ' x1 −1 0 −2 ⎪
⎪
⎪ ' ⎪
⎪
⎨ ⎢x ⎥ ' ⎢ ⎥ ⎢ ⎥ ⎢1⎥ ⎢1⎥ ⎬
⎢ ⎥ ' ⎢x2 ⎥ ⎢ 2 ⎥ ⎢ ⎥ ⎢ ⎥
L = ⎢ 2 ⎥ ∈ R4 ' =
⎢ ⎥ ⎢ ⎥ + t ⎢ ⎥ + s ⎢ ⎥ , t, s ∈ R .
⎪
⎪ ⎣ x 3 ⎦ ' ⎣x3 ⎦ ⎣ 0 ⎦ ⎣1⎦ ⎣0⎦ ⎪
⎪
⎪
⎩ ' ⎪
⎭
x4 ' x4 0 0 1

Denn n − Rang(A) = 4 − ⎡ 2 = 2. ⎤
1 1 −1 1 1
⎢ ⎥
5 Fall k = 2: Wegen Z = ⎣ 0 −1 1 1 −2 ⎦ ist Rang(A) = 2 aber Rang(A|b) = 3.
0 0 0 0 3
Das LGS hat somit keine Lösung.
5 Fall k ̸= −1, 2: In diesem Fall ist Rang(A) = Rang(A|b) = 3 < n = 4. Das LGS hat
unendlich viele Lösungen mit einem freien Parameter t, weil n−Rang(A) = 4−3 = 1:
⎧⎡ ⎤ ' ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ x1 ' x1 −k 0 ⎪
⎪
⎪ ' ⎪
⎪
⎨⎢ ⎥ ' ⎢x ⎥ 1 ⎢2k − 3⎥ ⎢1⎥ ⎬
⎢x2 ⎥ 4' ⎢ 2⎥ ⎢ ⎥ ⎢ ⎥
L= ⎢ ⎥∈R ' ⎢ ⎥= ⎢ ⎥ + t⎢ ⎥, t ∈ R .
⎪
⎪ ⎣x3 ⎦ ' ⎣x3 ⎦ k − 2 ⎣ 0 ⎦ ⎣1⎦ ⎪
⎪
⎪
⎩ ' ⎪
⎭
x4 ' x4 1 0 "

2.3.4 Homogene LGS

In diesem Abschnitt diskutieren wir eine Variante des Satzes von Rouché-Capelli für
homogene LGS Ax = 0. Solche LGS haben immer eine Lösung: den Nullvektor
x = 0. Diese Lösung heißt triviale Lösung. In 7 Abschn. 2.1.1 haben wir gelernt,
dass es 3 Möglichkeiten für die Lösung eines LGS gibt:
1) das LGS besitzt genau eine Lösung;
2) das LGS besitzt unendlich viele Lösungen;
3) das LGS ist nicht lösbar.

Da Ax = 0 immer die triviale Lösung besitzt, tritt Fall (3) nie für homogene LGS
auf. Die folgende Variante des Satzes von Rouché-Capelli bietet ein Kriterium an,
um zwischen Fall (1) und Fall (2) zu entscheiden.

# Satz 2.4 (Rouché-Capelli für homogene LGS)

Es sei Ax = 0 ein homogenes LGS mit m Gleichungen und n Unbekannten. Dann gilt:

Ax = 0 hat eine nichttriviale Lösung x ̸= 0 ⇔ Rang(A) < n

Die Anzahl von freien Parametern in der Lösungsmenge ist n − Rang(A). $

> Bemerkung
Äquivalent dazu: Das LGS hat genau dann nur die triviale Lösung x = 0, wenn gilt:

Rang(A) = n.
124 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.45
• ◦ ◦ Man bestimme die Lösungsmenge des folgenden homogenen LGS
⎧
⎪
⎨x1 + 2x2 + x3 = 0
⎪
2x1 − 2x2 + 5x3 = 0
⎪
⎪
⎩
x1 + 2x3 = 0

v Lösung
Das LGS hat m = 3 Gleichungen für n = 3 Unbekannte.
Schritt 1 Als Erstes ordnen wir dem LGS die erweiterte Matrix [A|0] zu:
⎧ ⎡ ⎤
⎨ x1 + 2x2 + x3 = 0
⎪ (Z1 ) 1 2 1 0
⎢ ⎥
2x1 − 2x2 + 5x3 = 0 (Z2 ) ! [A|b] = ⎣ 2 −2 5 0 ⎦ .
⎪
⎩
x1 + 2x3 = 0 (Z3 ) 1 0 2 0

Schritt 2 Wir wenden den Gauß-Algorithmus in zwei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 1 0 (Z2 ) − 2(Z1 ) 1 2 1 0 1 2 1 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ 3(Z3 ) − (Z2 ) ⎢ ⎥
⎣ 2 −2 5 0 ⎦ ! ⎣ 0 −6 3 0 ⎦ ! ⎣ 0 −6 3 0 ⎦ = Z.
1 0 2 0 0 −2 1 0 0 0 0 0

In diesem Fall gilt Rang(A) = 2 < n = 3. Aus dem Satz von Rouché-Capelli 2.4
folgt, dass das LGS unendlich viele Lösungen hat. Die Lösungsmenge hat einen freien
Parameter, weil n − Rang(A) = 3 − 2 = 1.
Herauslesen der Lösung:
⎧
⎧ ⎪
⎨x + 2x + x = 0 ⎨x1 = −2x2 − x3 = −4t
⎪
1 2 3
⇒ x2 = t
⎩−6x + 3x = 0 ⎪
⎪
2 3 ⎩
x3 = 2x3 = 2t

Als Lösung erhalten wir somit:

⎧⎡ ⎤ '⎡ ⎤ ⎡ ⎤ ⎫
' x
⎨ x1
⎪ ' 1 −4 ⎪
⎬
⎢ ⎥ '⎢ ⎥ ⎢ ⎥
L = ⎣x2 ⎦ ∈ R3 ' ⎣x2 ⎦ = t ⎣ 1 ⎦ , t ∈ R .
⎪
⎩ ' ⎪
⎭
x3 ' x3 2 "
2.3 • Rang
125 2

Übung 2.46
• ◦ ◦ Man bestimme die Lösungsmenge des folgenden homogenen LGS
⎧
⎪
⎨x1 + x2 + x3 = 0
⎪
x1 − x3 = 0
⎪
⎪
⎩
2x2 + x3 = 0

v Lösung
Das LGS hat m = 3 Gleichungen für n = 3 Unbekannte.
Schritt 1 Die erweiterte Matrix [A|0] des LGS ist:
⎧ ⎡ ⎤
⎨ x1 + x2 + x3 = 0
⎪ (Z1 ) 1 1 1 0
⎢ ⎥
x1 − x3 = 0 (Z2 ) ! [A|b] = ⎣ 1 0 −1 0 ⎦ .
⎪
⎩
2x2 + x3 = 0 (Z3 ) 0 2 1 0

Schritt 2 Wir benötigen den Gauß-Algorithmus:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 0 1 1 1 0 1 1 1 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) + 2(Z2 ) ⎢ ⎥
⎣ 1 0 −1 0 ⎦ ! ⎣ 0 −1 −2 0 ⎦ ! ⎣ 0 −1 −2 0 ⎦ = Z.
0 2 1 0 0 2 1 0 0 0 −3 0
⎧⎡ ⎤⎫
⎨ 0 ⎪
⎪ ⎬
⎢ ⎥
Es ist Rang(A) = n = 3, d. h., das LGS hat nur die triviale Lösung L = ⎣0⎦ . "
⎪
⎩ ⎪
⎭
0

Übung 2.47
• • ◦ Für welche k ∈ R besitzt das folgende homogene LGS nichttriviale Lösungen?
⎧
⎪
⎨x1 + 2kx2 + 2x3 = 0
⎪
x1 + 3kx3 = 0
⎪
⎪
⎩
x2 + kx3 = 0

v Lösung
Das LGS hat m = 3 Gleichungen und n = 3 Unbekannte.
Schritt 1 Wir bestimmen die erweiterte Matrix [A|0] des LGS:
⎧ ⎡ ⎤
⎨ x1 + 2kx2 + 2x3 = 0
⎪ (Z1 ) 1 2k 2 0
⎢ ⎥
x1 + 3kx3 = 0 (Z2 ) ! [A|b] = ⎣ 1 0 3k 0 ⎦ .
⎪
⎩
x2 + kx3 = 0 (Z3 ) 0 1 k 0
126 Kapitel 2 • Lineare Gleichungssysteme

Schritt 2 Wir wenden den Gauß-Algorithmus in drei Schritten an:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2k 2 0 1 2k 2 0 1 2k 2 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) ↔ (Z2 ) ⎢ ⎥
⎣ 1 0 3k 0 ⎦ ! ⎣ 0 −2k 3k − 2 0 ⎦ ! ⎣0 1 k 0⎦
0 1 k 0 0 1 k 0 0 −2k 3k − 2 0
⎡ ⎤
1 2k 2 0
(Z3 ) + 2k(Z2 ) ⎢ ⎥
! ⎣0 1 k 0 ⎦ = Z.
2
0 0 2k + 3k − 2 0

Das LGS besitzt genau dann eine nichttriviale Lösung, wenn Rang(A) < n = 3. Dies
ist für 2k2 + 3k − 2 = 0 der Fall. Daraus folgt, k = −2 oder k = 1/2. Das LGS besitzt
somit eine nichttriviale Lösung für k = {−2, 1/2}. Für alle andere k ∈ R hat das LGS
nur die triviale Lösung. "

> Bemerkung
In Übung 2.47 haben wir im zweiten Schritt die zweite Zeile mit der dritten Zeile
vertauscht, weil die Operation 2k(Z3 ) + (Z2 ) für k = 0 nicht gestattet ist.

2.4 Matrizengleichungen und inverse Matrix

2.4.1 Matrizengleichungen

Mithilfe des Gauß-Algorithmus kann man auch Matrizengleichungen der folgenden

Art einfach lösen.

Übung 2.48
• ◦ ◦ Man löse
⎡ ⎤ ⎡ ⎤
110 −1 1 0
⎢ ⎥ ⎢ ⎥
AX = B, für A = ⎣1 1 2⎦ , B = ⎣−2 −1 1⎦ .
011 0 −1 1

v Lösung
Wir stellen zuerst die erweiterte Matrix [A|B] auf
⎡ ⎤
1 1 0 −1 1 0
⎢ ⎥
[A|B] = ⎣ 1 1 2 −2 −1 1 ⎦
0 1 1 0 −1 1

und wenden den Gauß-Algorithmus an, bis die linke Matrix in die Identitätsmatrix E
übergeführt worden ist:
2.4 • Matrizengleichungen und inverse Matrix
127 2
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0 −1 1 0 1 1 0 −1 1 0 1 1 0 −1 1 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ 3 (Z ) ↔ (Z )
2 ⎢ ⎥
⎣ 1 1 2 −2 −1 1 ⎦ ! ⎣ 0 0 2 −1 −2 1 ⎦ ! ⎣ 0 1 1 0 −1 1 ⎦
0 1 1 0 −1 1 0 1 1 0 −1 1 0 0 2 −1 −2 1
⎡ ⎤ ⎡ ⎤
1 1 0 −1 1 0 1 1 0 −1 1 0
(Z3 )/2 ⎢ ⎥ (Z2 ) − (Z3 ) ⎢ ⎥
! ⎣ 0 1 1 0 −1 1 ⎦ ! ⎣ 0 1 0 12 0 12 ⎦
0 0 1 − 12 −1 12 0 0 1 − 12 −1 12
⎡ ⎤
1 0 0 − 32 1 − 21
(Z1 ) − (Z2 ) ⎢ ⎥
! ⎣ 0 1 0 12 0 12 ⎦ = [E|X].
0 0 1 − 12 −1 1
2

⎡ ⎤
− 23 1 − 12
⎢ ⎥
Die Lösung lautet somit: X = ⎣ 21 0 12 ⎦ . "
1 1
− 2 −1 2

2.4.2 Bestimmung der inversen Matrix A-1 mithilfe des

Gauß-Algorithmus

Wir analysieren jetzt die Bestimmung der inversen Matrix mithilfe des Gauß-
Algorithmus. Sei
⎡ ⎤
a11 · · · a1n
⎢ .. . . .. ⎥
A=⎣ . . . ⎦
an1 · · · ann

invertierbar. Wir suchen nach einer Matrix

⎡ ⎤
b11 · · · b1n
⎢ ⎥
B = ⎣ ... . . . ... ⎦ ,
bn1 · · · bnn

welche die Matrizengleichung AB = E erfüllt. B ist dann die gesuchte Inverse von A,
d. h. B = A−1 . In Komponenten lautet die Matrizengleichung AB = E:
⎡ ⎤ ⎡ ⎤
a11 b11 + · · · + a1n bn1 · · · a11 b1n + · · · + a1n bnn 1 ··· 0
⎢ .. .. .. ⎥ ! ⎢ .. . . .. ⎥
AB = ⎣ . . . ⎦ = ⎣. . .⎦ .
an1 b11 + · · · + ann bn1 · · · an1 b1n + · · · + ann bnn 0 ··· 1

Dies entspricht n linearen Gleichungssysteme

128 Kapitel 2 • Lineare Gleichungssysteme

⎧
⎪
⎪ a11 b11 + · · · + a1n bn1 = 1
⎪
⎨ a21 b11 + · · · + a2n bn1 = 0
⎪ .. .. ..
⎪
⎪ . . .
⎩
an1 b11 + · · · + ann bn1 = 0

..
.

⎧
⎪ a11 b1n + · · · + a1n bnn = 0
⎪
⎪
⎨ a21 b1n + · · · + a2n bnn = 0
⎪ .. .. ..
⎪
⎪ . . .
⎩
an1 b1n + · · · + ann bnn = 1

welche wir gleichzeitig lösen müssen (7 vgl. Abschn. 2.4.1). Wir stellen zuerst die
erweiterte Matrix auf:
⎡ ⎤
a11 · · · a1n 1 · · · 0
⎢ ⎥
[A|E] = ⎣ ... . . . ... ... . . . ... ⎦ .
an1 · · · ann 0 · · · 1

Dann bringen wir mittels Gauß-Algorithmus die Matrix [A|E] durch elementarer
Zeilenoperationen in die folgende Form:
⎡ ⎤
1 ··· 0 b11 · · · b1n
⎢ .. . . .. .. . . .. ⎥ = [E|B].
⎣. . . . . . ⎦
0 · · · 1 bn1 · · · bnn

Die Matrix B, welche am Ende des Verfahrens auf der rechten Seite steht, ist genau
die gesuchte Inverse A−1 der Matrix A, d. h. B = A−1 .

Musterbeispiel: invertierbare (3 × 3)-Matrix

Musterbeispiel 2.7 (Inverse mit Gauß-Algorithmus bestimmen)

;1 1 1<
Man bestimme die Inverse der Matrix A = 123 . Wir stellen zuerst die erweiterte Matrix
011
[A|E] auf
⎡ ⎤
1 1 1 1 0 0
[A|E] = ⎣ 1 2 3 0 1 0 ⎦ .
0 1 1 0 0 1

und wenden den Gauß-Algorithmus an, bis die linke Matrix in die Einheitsmatrix E
überführt wurde:
2.4 • Matrizengleichungen und inverse Matrix
129 2
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0 0
(Z2 ) − (Z1 ) (Z3 ) − (Z2 )
⎣1 2 3 0 1 0⎦ ! ⎣ 0 1 2 −1 1 0 ⎦ ! ⎣ 0 1 2 −1 1 0 ⎦
0 1 1 0 0 1 0 1 1 0 0 1 0 0 −1 1 −1 1
⎡ ⎤ ⎡ ⎤
1 1 1 1 0 0 1 1 0 2 −1 1
−(Z3 ) (Z1 ) − (Z3 ) (Z ) − 2(Z )
! ⎣ 0 1 2 −1 1 0 ⎦ ! ⎣ 0 1 2 −1 1 0 ⎦ 2 ! 3
0 0 1 −1 1 −1 0 0 1 −1 1 −1
⎡ ⎤ ⎡ ⎤
1 1 0 2 −1 1 1 0 0 1 0 −1
(Z1 ) − (Z2 )
⎣ 0 1 0 1 −1 2 ⎦ ! ⎣ 0 1 0 1 −1 2 ⎦ = [E|A−1 ].
0 0 1 −1 1 −1 0 0 1 −1 1 −1

Wir haben somit die erweiterte Matrix [A|E] in die Form [E|A−1 ] überführt. Wir können die
Inverse A−1 direkt aus der rechten Seite des Endschemas ablesen:
⎡ ⎤
1 0 −1
A−1 = ⎣ 1 −1 2 ⎦ .
−1 1 −1

Somit ist A invertierbar und die Inverse ist A−1 .

Musterbeispiel: nichtinvertierbare (3 × 3)-Matrix

Was passiert wenn die vorgelegte Matrix nichtinvertierbar ist? Das nächste Beispiel
soll diese Situation erläutern.

Musterbeispiel 2.8 (Inverse mit Gauß-Algorithmus bestimmen)

;1 2 3<
Man bestimme die Inverse von A = 112 . Die erweiterte Matrix [A|E] ist
011
⎡ ⎤
1 2 3 1 0 0
[A|E] = ⎣ 1 1 2 0 1 0 ⎦ .
0 1 1 0 0 1

und führen den Gauß-Algorithmus durch, bis die linke Matrix in die Einheitsmatrix E
umgewandelt wurde (oder auch nicht!):
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 3 1 0 0 1 2 3 1 0 0 1 2 3 1 0 0
(Z2 ) − (Z1 ) −(Z2 )
⎣1 1 2 0 1 0⎦ ! ⎣0 −1 −1 −1 1 0 ⎦ ! ⎣ 0 1 1 1 −1 0 ⎦
0 1 1 0 0 1 0 1 1 0 0 1 0 1 1 0 0 1
⎡ ⎤
1 2 3 1 0 0
(Z3 ) − (Z2 )
! ⎣0 1 1 1 −1 0 ⎦ .
0 0 0 −1 1 1

In diesem Fall, ist es nicht möglich, die erweiterte Matrix [A|E] in der Form [E|A−1 ]
überzuführen. Der Grund dafür ist, dass A nichtinvertierbar ist. In 7 Kap. 3 werden wir
mittels Determinante dies bald vorher feststellen!
130 Kapitel 2 • Lineare Gleichungssysteme

Übung 2.49
• ◦ ◦ Man bestimme mittels des Gauß-Algorithmus die Inverse von
%
&
53
A= .
32

v Lösung % &
5 3 1 0
Wir stellen die erweiterte Matrix auf [A|E] = und wenden den Gauß-
3 2 0 1
Algorithmus an:
% & % & % &
5 3 1 0 (Z1 )/5 1 35 15 0 (Z2 ) − 3(Z1 ) 1 35 15 0
! !
3 2 0 1 3 2 0 1 0 15 − 35 1
% & % &
(Z1 ) − 3(Z2 ) 1 0 2 −3 5(Z1 ) 1 0 2 −3
! ! = [E|A−1 ].
0 15 − 35 1 0 1 −3 5
% &
−1 −1 2 −3
Die gesuchte Inverse A lautet somit A = . Machen Sie die Probe! "
−3 5

Übung 2.50 & %

3 4
• ◦ ◦ Man bestimme die Inverse der Matrix A = .
−1 2

v Lösung % &
3 4 1 0
Die erweiterte Matrix ist [A|E] = . Mit dem Gauß-Algorithmus finden
−1 2 0 1
wir:
% & % & % & % &
3 4 1 0 (Z1 )/3 1 43 13 0 (Z2 ) + (Z1 ) 1 43 1
0 3 (Z )
10 2 1 43 1
3 0
! ! 3 !
−1 2 0 1 −1 2 0 1 0 10
3
1
3 1 0 1 1 3
10 10
% & % &
1 2 1
4
(Z1 ) − (Z2 )
3 1 0 5 −5 − 52
! 1 3
= [E|A−1 ] ⇒ A −1
= 5
1 3
.
0 1 10 10 10 10 "

Übung 2.51 & %

11
• ◦ ◦ Man bestimme die Inverse der Matrix A = .
23
2.4 • Matrizengleichungen und inverse Matrix
131 2
v Lösung % &
1 1 1 0
Wir stellen die erweiterte Matrix [A|E] auf, [A|E] = , und führen den
2 3 0 1
Gauß-Algorithmus durch:
% & % & % &
1 1 1 0 1 1 1 0
(Z2 ) − 2(Z1 ) (Z1 ) − (Z2 ) 1 0 3 −1
! ! = [E|A−1 ]
2 3 0 1 0 1 −2 1 0 1 −2 1
% &
3 −1
⇒ A−1 = .
−2 1 "

Übung 2.52 ⎤ ⎡
2 0 0
⎢ ⎥
• ◦ ◦ Man bestimme die Inverse der Matrix A = ⎣0 −5 0 ⎦ .
0 0 12

v Lösung ⎤ ⎡
2 0 0 1 0 0
⎢ ⎥
Die erweiterte Matrix [A|E] ist [A|E] = ⎣ 0 −5 0 0 1 0 ⎦ . Mit dem Gauß-
1
0 0 2 0 0 1
Algorithmus finden wir:

1 (Z )
⎡ ⎤ 2 1 ⎡ ⎤ ⎡ ⎤
2 0 0 1 0 0 − 1 (Z2 ) 1 0 0 12 0 0 1
5
2(Z3 ) 2 0 0
⎢ ⎥ ⎢ ⎥ −1 −1 ⎢ ⎥
⎣ 0 −5 0 0 1 0 ⎦ ! ⎣ 0 1 0 0 − 51 0 ⎦ = [E|A ] ⇒ A = ⎣ 0 − 15 0 ⎦
1
0 0 2 0 0 1 0 0 1 0 0 2 0 0 2
"

i Merkregel
Im Allgemeinen ist die Inverse einer Diagonalmatrix
⎡ ⎤ ⎡1 ⎤
λ1 ··· 0 λ ··· 0
⎢. .. ⎥ ⎢ 1 .. ⎥
⎢
A = ⎣ .. .. ⎥ ⇒ A−1 = ⎢ .. .. ⎥
. .⎦ ⎣. . .⎦
1
0 · · · λn 0 ··· λn

vorausgesetzt λ1 , · · · , λn ̸= 0.

Übung 2.53 ⎤ ⎡
1 −4 2
⎢ ⎥
• ◦ ◦ Man bestimme die Inverse der Matrix A = ⎣0 2 −1⎦ .
0 0 5
132 Kapitel 2 • Lineare Gleichungssysteme

v Lösung ⎡ ⎤
1 −4 2 1 0 0
⎢ ⎥
Wir stellen zuerst die erweiterte Matrix [A|E] auf: [A|E] = ⎣ 0 2 −1 0 1 0 ⎦ . Dann
0 0 5 0 0 1
wenden wir den Gauß-Algorithmus an:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −4 2 1 0 0 (Z2 )/2 1 −4 2 1 0 0 1 −4 2 1 0 0
⎢ ⎥ (Z3 )/5 ⎢ ⎥ (Z2 ) + (Z3 )/2 ⎢ 1 ⎥
⎣ 0 2 −1 0 1 0 ⎦ ! ⎣ 0 1 − 12 0 12 0 ⎦ ! ⎣ 0 1 0 0 12 10 ⎦
0 0 5 0 0 1 0 0 1 0 0 15 0 0 1 0 0 15
⎡ ⎤ ⎡ ⎤
1 0 2 1 2 25 1 0 0 1 2 0
(Z1 ) + 4(Z2 ) ⎢ (Z1 ) − 2(Z3 )
1 ⎥ ⎢ 1 ⎥ = [E|A−1 ].
! ⎣ 0 1 0 0 12 10 ⎦ ! ⎣ 0 1 0 0 12 10 ⎦
0 0 1 0 0 15 0 0 1 0 0 15

Die gesuchte Inverse A−1 ist:

⎡ ⎤
1 2 0
⎢ 1 ⎥.
A−1 = ⎣ 0 12 10 ⎦
0 0 15 "

Übung 2.54 ⎤ ⎡
101
⎢ ⎥
• ◦ ◦ Man bestimme die Inverse der Matrix A = ⎣0 1 1⎦ .
002

v Lösung
Wir stellen zuerst die erweiterte Matrix [A|E] auf und führen den Gauß-Algorithmus
durch:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 1 0 0 1 0 1 1 0 0 1 0 0 1 0 − 12
⎢ ⎥ (Z3 )/2 ⎢ (Z
⎥ 1 ) − (Z )
3 ⎢ ⎥
⎣0 1 1 0 1 0⎦ ! ⎣0 1 1 0 1 0 ⎦ ! ⎣0 1 1 0 1 0 ⎦
0 0 2 0 0 1 0 0 1 0 0 12 0 0 1 0 0 1
2
⎡ ⎤ ⎡ ⎤
1 0 0 1 0 − 21 1 0 − 12
(Z2 ) − (Z3 ) ⎢
! 1 ⎥ = [E|A−1 ] −1 ⎢
⇒ A = ⎣ 0 1 − 12
⎥
⎣0 1 0 0 1 −2 ⎦ ⎦.
1 1
0 0 1 0 0 2 0 0 2 "

Übung 2.55 ⎤ ⎡
2 −1 3
⎢ ⎥
• ◦ ◦ Man bestimme die Inverse der Matrix A = ⎣ 7 3 0 ⎦.
−1 2 −4
2.4 • Matrizengleichungen und inverse Matrix
133 2
v Lösung
Wir wenden den Gauß-Algorithmus an:

⎡ ⎤ ⎡ ⎤ −(Z1 )
2 −1 3 1 0 0 −1 2 −4 0 0 1 (Z2 ) + 2(Z1 )
⎢ (Z
⎥ 1 ) → (Z 2 ) → (Z )
3 ⎢ ⎥ (Z3 ) + 7(Z1 )
⎣ 7 3 0 0 1 0⎦ ! ⎣ 2 −1 3 1 0 0⎦ !
−1 2 −4 0 0 1 7 3 0 0 1 0
⎡ ⎤ ⎡ ⎤
1 −2 4 0 0 −1 3 1 −2 4 0 0 −1
⎢ ⎥ − 17 (Z3 ) + (Z2 ) ⎢ ⎥ −17(Z3 )
⎣ 0 3 −5 1 0 2 ⎦ ! ⎣ 0 3 −5 1 0 2 ⎦ !
1 3 13
0 17 −28 0 1 7 0 0 − 17 1 − 17 17
⎡ ⎤ ⎡ ⎤
1 −2 4 0 0 −1 1 −2 4 0 0 −1
⎢ ⎥ (Z2 ) + 5(Z3 ) ⎢ ⎥ (Z2 )/3
⎣ 0 3 −5 1 0 2 ⎦ ! ⎣ 0 3 0 −84 15 −63 ⎦ !
0 0 1 −17 3 −13 0 0 1 −17 3 −13
⎡ ⎤ ⎡ ⎤
1 −2 4 0 0 −1 1 0 4 −56 10 −43
⎢ ⎥ (Z1 ) + 2(Z2 ) ⎢ ⎥ (Z1 ) − 4(Z3 )
⎣0 1 0 −28 5 −21 ⎦ ! ⎣0 1 0 −28 5 −21 ⎦ !
0 0 1 −17 3 −13 0 0 1 −17 3 −13
⎡ ⎤ ⎡ ⎤
1 0 0 12 −2 9 12 −2 9
⎢ ⎥ ⎢ ⎥
⎣0 1 0 −28 5 −21 ⎦ = [E|A−1 ] ⇒ A−1 = ⎣ −28 5 −21 ⎦ .
0 0 1 −17 3 −13 −17 3 −13 "

Übung 2.56
⎤ ⎡
0 0 1 0
⎢0 −1 0 −3⎥
⎢ ⎥
• • ◦ Man bestimme die Inverse der Matrix A = ⎢ ⎥.
⎣1 2 0 6 ⎦
0 0 0 1

v Lösung
Wir bestimmen die erweiterte Matrix [A|E] und mit dem Gauß-Algorithmus finden
wir:
⎡ ⎤ ⎡ ⎤
0 0 1 0 1 0 0 0 1 2 0 6 0 0 1 0
⎢0 0⎥ ⎢0
⎢ −1 0 −3 0 1 0 ⎥ (Z1 ) ↔ (Z3 ) ⎢ −1 0 −3 0 1 0 0⎥⎥ (Z1 ) + 2(Z2 )
⎢ ⎥ ! ⎢ ⎥ !
⎣1 2 0 6 0 0 1 0⎦ ⎣0 0 1 0 1 0 0 0⎦
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1
⎡ ⎤ ⎡ ⎤
1 0 0 0 0 2 1 0 1 0 0 0 0 2 1 0
⎢0 0⎥ ⎢0
⎢ −1 0 −3 0 1 0 ⎥ (Z2 ) + 3(Z4 ) ⎢ −1 0 0 0 1 0 3⎥⎥ −(Z2 )
⎢ ⎥ ! ⎢ ⎥ !
⎣0 0 1 0 1 0 0 0⎦ ⎣0 0 1 0 1 0 0 0⎦
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1
134 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤ ⎡ ⎤
1 0 0 0 0 2 1 0 0 2 1 0
⎢0 −3 ⎥ ⎢0
⎢ 1 0 0 0 −1 0 ⎥ ⎢ −1 0 −3 ⎥
⎥
⎢ ⎥ = [E|A−1 ] ⇒ A−1 =⎢ ⎥.
⎣0 0 1 0 1 0 0 0 ⎦ ⎣1 0 0 0 ⎦
0 0 0 1 0 0 0 1 0 0 0 1 "

Übung 2.57
• • ◦ Man bestimme die Inverse der folgenden (n × n)-Matrix
⎡ ⎤
1 2 3 ··· n
⎢ ⎥
⎢0 1 0 ··· 0⎥
⎢ ⎥
⎢ 0⎥
A = ⎢0 0 1 ··· ⎥.
⎢. .. .. .. .. ⎥
⎢. . ⎥
⎣. . . .⎦
0 0 0 ··· 1

v Lösung
Wir bestimmen die erweiterte Matrix [A|E] und führen den Gauß-Algorithmus durch:
⎡ ⎤ ⎡ ⎤
1 2 3 ··· n 1 0 0 ··· 0 1 0 3 · · · n 1 −2 0 · · · 0
⎢ ⎥ ⎢ ⎥
⎢0 1 0 ··· 0 0 1 0 ··· 0⎥ ⎢0 1 0 ··· 0 0 1 0 ··· 0⎥
⎢ ⎥ (Z1 ) − 2(Z2 )
⎢ ⎥ (Z ) − 3(Z )
⎢0 0 1 ··· 0 0 0 1 ··· 0⎥ ⎢0 0 1 ··· 0 0 0 1 ··· 0⎥ 1 3
⎢ ⎥ ! ⎢ ⎥ !
⎢. .. .. .. .. .. .. .. .. .. ⎥ ⎢. .. .. . . .. .. .. .. . . .. ⎥
⎢. . . ⎥ ⎢. ⎥
⎣. . . . . . . .⎦ ⎣. . . . . . . . . .⎦
0 0 0 ··· 1 0 0 0 ··· 1 0 0 0 ··· 1 0 0 0 ··· 1
⎡ ⎤ ⎡ ⎤
1 0 0 ··· n 1 −2 −3 ··· 0 1 0 0 · · · 0 1 −2 −3 · · · −n
⎢ ⎥ ⎢ ⎥
⎢0 1 0 ··· 0 0 1 0 ··· 0⎥ ⎢0 1 0 ··· 0 0 1 0 ··· 0 ⎥
⎢ ⎥ (Z1 ) − n(Zn )
⎢ ⎥
⎢0 0 1 ··· 0 0 0 1 ··· 0⎥ ⎢0 0 1 ··· 0 0 0 1 ··· 0 ⎥
⎢ ⎥ ! ⎢ ⎥ = [E|A−1 ].
⎢. .. .. .. .. .. .. .. .. .. ⎥ ⎢. . . . . . . . . . ⎥
⎢. . . ⎥ ⎢ . . . .. . . . . .. . ⎥
⎣. . . . . . . .⎦ ⎣. . . . . . . . ⎦
0 0 0 ··· 1 0 0 0 ··· 1 0 0 0 ··· 1 0 0 0 ··· 1

Die gesuchte Inverse A−1 lautet somit:

⎡ ⎤
1 −2 −3 ···−n
⎢ ⎥
⎢0 1 0 ··· 0⎥
⎢ ⎥
⎢ 0⎥
A−1 = ⎢0 0 1 ··· ⎥.
⎢. .. .. .. .. ⎥
⎢. . ⎥
⎣. . . . ⎦
0 0 0 ··· 1 "
2.4 • Matrizengleichungen und inverse Matrix
135 2

Übung 2.58
• • ◦ Man betrachte die sogenannte Heisenberg-Gruppe
⎧⎡ ⎤' ⎫
'
⎨ 1xz '
⎪ ⎪
⎬
⎢ ⎥'
H3 (R) = ⎣0 1 y⎦ ' x, y, z ∈ R .
⎪
⎩ ' ⎪
⎭
001 '

a) Es sei A ∈ H3 (R). Man berechne A−1 .

b) Man zeige, dass H3 (R) eine Gruppe bezüglich der üblichen Matrixmultiplikation
ist.
c) Ist H3 (R) abelsh?

v Lösung ? @
1xz
a) Es sei A = 01y ∈ H3 (R). Mit dem erweiterten Schema [A|E] und dem Gauß-
001
Algorithmus finden wir:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 x z 1 0 0 1 x z 1 0 0 1 0 z 1 −x xy
⎢ ⎥ (Z2 ) − y(Z3 ) ⎢ ⎥ (Z1 ) − x(Z2 ) ⎢ ⎥
⎣0 1 y 0 1 0⎦ ! ⎣ 0 1 0 0 1 −y ⎦ ! ⎣0 1 0 0 1 −y ⎦
0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
⎡ ⎤ ⎡ ⎤
1 0 0 1 −x xy − z 1 −x xy − z
(Z1 ) − z(Z3 ) ⎢ ⎥ ⎢ ⎥
! ⎣0 1 0 0 1 −y ⎦ = [E|A−1 ] ⇒ A−1 = ⎣0 1 −y ⎦ .
0 0 1 0 0 1 0 0 1

Beachte, dass A−1 ∈ H3 (R).

b) Zunächst stellen wir?fest, dass

@ die Matrixmultiplikation
? “·”
@ auf H3 (R) wohldefiniert
1 x 1 z1 1 x 2 z2
ist. Denn für A1 = 0 1 y1 ∈ H3 (R) und A2 = 0 1 y2 ∈ H3 (R) gilt
0 0 1 0 0 1

⎡ ⎤⎡ ⎤ ⎡ ⎤
1 x1 z1 1 x2 z2 1 x1 + x2 z1 + z2 + x1 y2
⎢ ⎥⎢ ⎥ ⎢ ⎥
A1 A2 = ⎣0 1 y1 ⎦ ⎣0 1 y2 ⎦ = ⎣0 1 y1 + y2 ⎦ ∈ H3 (R),
0 0 1 0 0 1 0 0 1

d. h. “·” ordnet zwei Matrizen in H3 (R) einem Element von H3 (R) zu. Dann
zeigen wir, dass die H3 (R) mit “·” drei Axiome einer Gruppe (G1)–(G3) erfüllt
(vgl. Anhang B.2):
5 Beweis von (G1): Die Assoziativität folgt direkt aus den Rechenregeln für die
Matrixmultiplikation. %
5 Beweis von (G2): Das neutrale Element der Matrixmultiplikation ist die Ein-
heitsmatrix, welche in H3 (R) enthalten ist (setze x = y = z = 0). Somit besitzt
H3 (R) das neutrale Element. %
5 Beweis von (G3): Für jede Matrix A ∈ H3 (R) gilt A−1 ∈ H3 (R)
136 Kapitel 2 • Lineare Gleichungssysteme

⎡ ⎤ ⎡ ⎤
1xz 1 −x xy − z
⎢ ⎥ ⎢ ⎥
A = ⎣0 1 y⎦ ∈ H3 (R) ⇒ A−1 = ⎣0 1 −y ⎦ ∈ H3 (R).
001 0 0 1

Somit hat jedes Element in H3 (R) ein eindeutig bestimmtes inverses Element in
H3 (R). %
H3 (R) ist somit eine Gruppe bezüglich der Matrixmultiplikation.

c) Die Matrixmultiplikation auf H3 (R) ist nicht kommutativ. Denn:

⎡ ⎤⎡ ⎤ ⎡ ⎤
1 x1 z1 1 x2 z2 1 x1 + x2 z1 + z2 + x1 y2
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣0 1 y1 ⎦ ⎣0 1 y2 ⎦ = ⎣0 1 y1 + y2 ⎦
0 0 1 0 0 1 0 0 1
⎡ ⎤ ⎡ ⎤⎡ ⎤
1 x1 + x2 z1 + z2 + x2 y1 1 x2 z2 1 x1 z1
⎢ ⎥ ⎢ ⎥⎢ ⎥
̸= ⎣0 1 y1 + y2 ⎦ = ⎣0 1 y2 ⎦ ⎣0 1 y1 ⎦ .
0 0 1 0 0 1 0 0 1

H3 (R) ist somit nicht abelsch. "

 137 3

Determinanten
Inhaltsverzeichnis

3.1 Definition und erste Beispiele – 138

3.1.1 Determinante von (2 × 2)-Matrizen – 138
3.1.2 Determinante von (3 × 3)-Matrizen – 139
3.1.3 Determinante von (n × n)-Matrizen –
Laplace-Entwicklung – 141
3.1.4 Rechenregeln für Determinanten – 145
3.1.5 Beispiele – 146

3.2 Determinante und Gauß-Algorithmus – 160

3.3 Allgemeine Definition der Determinante – die
Leibniz-Formel – 174
3.3.1 Permutationen – 174
3.3.2 Die Menge Sn – 176
3.3.3 Transpositionen – 177
3.3.4 Darstellung von Parmutationen durch
Transpositionen – 177
3.3.5 Signum einer Permutation – 178
3.3.6 Leibniz-Formel für Determinante – 179

3.4 Inverse Matrix – 183

3.4.1 Invertierbarkeit und Determinante – 183
3.4.2 Inverse einer (2 × 2)-Matrix – 183
3.4.3 Inverse einer (n × n)-Matrix – 184
3.4.4 Beispiele – 186

3.5 Cramer’sche Regel – 194

3.5.1 Homogene LGS – 199

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
138 Kapitel 3 • Determinanten

In diesem Kapitel studieren wir sogenannte Determinaten. Die Determinante ist eine
Zahl, welche man jeder quadratischer Matrix eindeutig zuordnen kann und eine
zentrale Rolle in der linearen Algebra spielt. Wir werden zunächst die Determinante
für eine (2 × 2)-Matrix einführen und dann diese Definition auf (n × n)-Matrizen
verallgemeinern. Ferner diskutieren wir einige Anwendungen von Determinanten:
Berechnung der inversen Matrix, Untersuchung von Matrizen auf Invertierbarkeit
und Lösung von LGS.

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 3 sind Sie in der Lage:
5 das Konzept der Determinante einer Matrix verstehen und geometrisch zu interpre-
tieren,
5 die Regel von Sarrus und den Laplace-Entwicklungssatz anzuwenden,
5 eine Determinante mittels Gauß-Algorithmus (vor allem bei großen Matrizen) zu
berechnen,
5 Permutationen und Leibniz-Formel für Determinanten zu erklären,
5 das Determinantenkriterium für Invertierbarkeit anwenden und die Inverse einer
Matrix mithilfe der Determinante zu bestimmen,
5 die Cramer’sche Regel konkret anzuwenden,
5 das Determinantenkriterium für die Lösung von homogenen LGS anzuwenden,
5 die Komplexität der Determinantenberechnung erkennen und zu diskutieren.

3.1 Definition und erste Beispiele

3.1.1 Determinante von (2 × 2)-Matrizen

# Definition 3.1 (Determinante von (2 × 2)-Matrizen)
A a11 a12 B
Für A = a21 a22 ∈ K2×2 definiert man die Determinante (Notation: det(A) oder |A|) wie
folgt:
' '
'a a '
' 11 12 '
det(A) := ' ' = a11 a22 − a12 a21 . (3.1)
' a21 a22 '

# Beispiel
% & ' '
' 10
10 1 ' 1''
A= ⇒ det(A) = ' ' = 10 · 2 − (−3) · 1 = 23. $
−3 2 '−3 2'
3.1 • Definition und erste Beispiele
139 3
a b

. Abb. 3.1 (a) Geometrische Deutung der Determinante einer (2 × 2)-Matrix A. (b) Beweis ohne
Worte, dass det(A) dem Flächeninhalt des durch die Vektoren [a11 , a21 ]T , [a12 , a22 ]T aufgespannten
Parallelogramms entspricht

Geometrische Deutung
A a12 B A B
Für A = aa11
21 a22
entspricht det(A) dem Flächeninhalt des durch die Vektoren aa11
21
,
A a12 B
a22 aufgespannten Parallelogramms (Übung 3.9). Wir liefern hier einen „Beweis
ohne Worte“ (. vgl. Abb. 3.1).

3.1.2 Determinante von (3 × 3)-Matrizen

# Definition 3.2 (Determinante von (3 × 3)-Matrizen)
; a11 a12 a13 <
Für A = a21 a22 a23 ∈ K3×3 definiert man die Determinante rekursiv wie folgt:
a31 a32 a33

' '
'a a a ' ' ' ' ' ' '
' 11 12 13 ' 'a a ' 'a a ' 'a a '
' ' ' 22 23 ' ' 12 13 ' ' 12 13 '
det(A) := ' a21 a22 a23 ' = a11 ' ' − a21 ' ' + a31 ' ' (3.2)
' ' ' a32 a33 ' ' a32 a33 ' ' a22 a23 '
' a31 a32 a33 '

Die (2 × 2)-Determinanten in dieser Formel werden mithilfe der Regel für (2 × 2)-Matrizen
bestimmt. Man erhält die folgende explizite Formel

det(A) = a11 a22 a33 + a13 a21 a32 + a12 a23 a31 − a12 a21 a33 − a13 a22 a31 − a11 a23 a32 . (3.3)

$
140 Kapitel 3 • Determinanten

Praxistipp

Die Determinante einer (3 × 3)-Matrix erhält man in drei Schritten wie folgt:
' ' ' ' ' '
' ' ' ' ' '
' a11 a12 a13 ' ' a11 a12 a13 ' ' a11 a12 a13 '
' ' ' ' ' '
det(A) = a11 '' a a a
' − a21 '
' ' a 21 a 22 a 23
' + a31 '
' ' a 21 a 22 a 23
'
'
' 21 22 23 ' ' ' ' '
' a31 a32 a33 ' ' a31 a32 a33 ' ' a31 a32 a33 '

Wie wir im 7 Abschn. 3.1.3 erfahren werden, entspricht diese Prozedur der Entwick-
lung der Determinante nach der ersten Spalte.

# Beispiel
⎡ ⎤
1 2 3
⎢ ⎥
Für A = ⎣−3 −2 −1⎦ ist
1 0 −1
' ' ' ' ' ' ' '
'1 2 3' ' ' ' ' ' '
' ' ' ' ' '
'
'
'
' '1 2 3' ' 1 2 3' '1 2 3'
det(A) = '−3 −2 −1' = 1 ''−3 −2 −1'' − (−3) '' −3 −2 −1'' + 1 ''−3 −2 −1''
' ' ' ' ' ' ' '
' 1 0 −1' ' 1 0 −1' ' 1 0 −1' ' 1 0 −1'
' ' ' ' ' '
' −2 −1 ' '2 3 ' ' 2 3 '
' ' ' ' ' '
=1' ' −(−3) ' ' +1 ' ' = 2 − 6 + 4 = 0. $
' 0 −1 ' ' 0 −1 ' ' −2 −1 '
7 89 : 7 89 : 7 89 :
=2−0 =−2−0 =−2+6

Praxistipp

Die Regel von Sarrus. Eine mnemotechnische Methode, die Determinanten einer (3×3)-
Matrix zu bestimmen, ist die Regel von Sarrus. Gemäß dieser Regel ist die Determinante
die Summe von Produkten, die den verschiedenen Diagonalen entsprechen. Wir notie-
ren die Matrix auf, wie unten illustriert:

Die Determinante von A erhält man wie folgt: Man addiert die Produkte der durch die
nach rechts zeigenden Pfeile verbundenen Elementen und subtrahiert die 3 Produkte
der Elemente, die durch die nach links zeigenden Pfeile verbunden sind:
⎡ ⎤
abc
⎢ ⎥
det ⎣d e f ⎦ = aei + bfg + cdh − afh − bdi − ceg. (3.4)
gh i
3.1 • Definition und erste Beispiele
141 3
. Abb. 3.2 Geometrische
Deutung der Determinante einer
(3 × 3)-Matrix A

Geometrische Deutung
; a11 a12 a13 <
Die Determinante von A = a21 a22 a23 ist gleich dem Volumen des durch die
; a11 < ; a12 < ; a13 < a31 a32 a33
Vektoren a21 , a22 , a23 aufgespannten Parallelepipeds (. Abb. 3.2).
a31 a32 a33

3.1.3 Determinante von (n × n)-Matrizen – Laplace-Entwicklung

Die Determinante einer beliebigen (n × n)-Matrix wird rekursiv definiert: Die Be-
rechnung einer (n × n)-Determinante wird auf die Berechnung von (n − 1) × (n −
1)-Determinanten zurückgeführt, welche selbst die Berechnung von (n − 2) × (n −
2)-Determinanten beinhaltet, usw. Auf diese Art und Weise wird die Berechnung
einer (n × n)-Determinante nach maximal n − 2 Schritten auf die Berechnung von
Determinanten von (2 × 2)-Matrizen zurückgeführt.

Minoren
# Definition 3.3
Sei A eine (n × n)-Matrix. Im Folgenden bezeichnen wir mit Aij die (n − 1) × (n − 1)-
Untermatrix, die man erhält, wenn man die i-te Zeile und j-te Spalte streicht
⎡ ⎤
⎢ a11 ··· a1j ··· a1n ⎥
⎢ . .. .. .. .. ⎥
⎢ . ⎥
⎢ . . . . . ⎥
⎢ ⎥
Aij = ⎢ a ··· aij ··· ain ⎥ (3.5)
⎢ i1 ⎥
⎢ . .. .. .. .. ⎥
⎢ . . . ⎥
⎣ . . . ⎦
am1 ··· amj ··· amn

Die Determinanten dieser Untermatrizen Aij heißen Minoren von A. $

142 Kapitel 3 • Determinanten

# Beispiel
⎡ ⎤
123
⎢ ⎥
Für A = ⎣4 5 6⎦ sind
789
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & % & % &
⎢ 1 2 3 ⎥ 5 6 ⎢ 1 2 3 ⎥ 4 6 ⎢ 1 2 3 ⎥ 4 5
A11 ⎢ ⎥
= ⎣4 5 6⎦ = , A12 ⎢ ⎥
= ⎣4 5 6⎦ = , A13 ⎢ ⎥
= ⎣4 5 6⎦ = ,
8 9 7 9 7 8
7 8 9 7 8 9 7 8 9
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & % & % &
⎢1 2 3⎥ ⎢1 2 3⎥ ⎢1 2 3⎥
A21 =⎢ ⎥= 2 3 , A22 =⎢ ⎥= 1 3 , A23 =⎢ ⎥= 1 2 ,
⎣4 5 6⎦ 8 9 ⎣4 5 6⎦ 7 9 ⎣4 5 6⎦ 7 8
7 8 9 7 8 9 7 8 9
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & % & % &
⎢1 2 3⎥ 2 3 ⎢1 2 3⎥ 1 3 ⎢1 2 3⎥ 1 2
A31 =⎢ ⎥
⎣4 5 6⎦ = 5 6 , A32 =⎢ ⎥
⎣4 5 6⎦ = 4 6 , A33 =⎢ ⎥
⎣4 5 6⎦ = 4 5 .
7 8 9 7 8 9 7 8 9

Die entsprechenden Minoren von A sind:

' ' ' ' ' '
'5 6'' '4 6'' '4 5'
' ' ' '
det(A11 ) = ' ' = −3, det(A12 ) = ' ' = −6, det(A13 ) = ' ' = −3,
'8 9' '7 9' '7 8'
' ' ' ' ' '
'2 3'' '1 3'' '1 2'
' ' ' '
det(A21 ) = ' ' = −6, det(A22 ) = ' ' = −12, det(A23 ) = ' ' = −6,
'8 9' '7 9' '7 8'
' ' ' ' ' '
'2 3'' '1 3'' '1 2'
' ' ' '
det(A31 ) = ' ' = −3, det(A32 ) = ' ' = −6, det(A33 ) = ' ' = −3. $
'5 6' '4 6' '4 5'

Laplace-Entwicklung
Die Determinante einer Matrix A ∈ Kn×n definiert man als Summe von n Minoren
(d. h. Determinanten der Ordnung n − 1) wie folgt rekursiv:

det(A) := a11 det(A11 ) − a21 det(A21 ) + · · · + (−1)n+1 an1 det(An1 )

n
C
= (−1)i+1 ai1 det(Ai1 ), (3.6)
i=1
= >
wobei die Minoren det Aij im letzten Abschnitt eingeführt wurden. Man beachte
das alternierende Vorzeichen, wegen des Terms (−1)i+1 . Da in dieser Formel jede
Unterdeterminante jeweils mit den Elementen ai1 multipliziert wird, entspricht dies
der Entwicklung von det(A) nach der ersten Spalte. Im Allgemeinen kann man
det(A) durch Entwicklung nach einer beliebigen Spalte oder Zeile definieren. Der
Entwicklungssatz von Laplace besagt dann, dass das Endresultat nicht von der Wahl
der Entwicklungsspalte oder Entwicklungszeile abhängt.
3.1 • Definition und erste Beispiele
143 3
# Satz 3.1 (Laplace-Entwicklung)
Sei A ∈ Kn×n . Dann gilt:
5 Für alle i = 1, 2, · · · , n:

n
C = >
det(A) := (−1)i+j aij det Aij (3.7)
j=1

Dies entspricht der Entwicklung nach der i-ten Zeile.

5 Für alle j = 1, 2, · · · , n:

n
C = >
det(A) := (−1)i+j aij det Aij (3.8)
i=1

Dies entspricht der Entwicklung nach der j-ten Spalte. $

Praxistipp

Für die Bestimmung der richtigen Vorzeichenreihe in der Laplace-Entwicklung von

det(A) kann man das folgende Schachbrettschema benutzen:
⎡ ⎤
+ − + − ···
⎢ ⎥
⎢− + − + · · ·⎥
⎢ ⎥
⎢+ − + − · · ·⎥
⎢ ⎥.
⎢ ⎥
⎢− + − + · · ·⎥
⎣. . . . ⎦
.. .. .. .. . . .

Dies entspricht der Matrix mit den Einträgen (−1)i+j .

Musterbeispiel 3.1 ((4 × 4)-Determinante bestimmen)

Als Beispiel berechnen wir die Determinante der folgenden (4 × 4)-Matrix

⎡ ⎤
1 −1 0 1
⎢0 −1 0 2⎥
A=⎢ ⎥
⎣3 −2 2 1⎦ .
1 4 21

Ein möglicher Lösungsweg ist, die Determinante nach der ersten Spalte zu entwickeln:
' ' ' ' ' ' ' '
' ' ' ' ' ' ' '
' 1 −1 0 1' ' 1 −1 0 1' ' 1 −1 0 1' ' 1 −1 0 1'
' ' ' ' ' ' ' '
' 0 −1 0 2'' − 0 · '' 0 −1 0 2'' + 3 · '' 0 −1 0 2' ' 0 −1 0 2'
det(A) = 1 · ' '−1·' '
'
' 3 −2 2 1'' '
' 3 −2 2 1'' '
' 3 −2 2 1'' '
' 3 −2 2 1''
' 1 4 2 1' ' 1 4 2 1' ' 1 4 2 1' ' 1 4 2 1'
144 Kapitel 3 • Determinanten

' ' ' ' ' '

'−1 0 2' '−1 0 1' '−1 0 1'
' ' ' ' ' '
= 1 · ''−2 2 1'' − 0 + 3 · ''−1 0 2'' − 1 · ''−1 0 2'' .
' 4 2 1' ' 4 2 1' '−2 2 1'

Für die Bestimmung der richtigen Vorzeichenreihe, haben wir folgendes Schema benutzt
⎡ ⎤
+ − + −
⎢ − + − +⎥
⎢ ⎥
⎢ ⎥.
⎣ + − + −⎦
− + − +

Nun' müssen' wir 3 Determinanten von (3 × 3)-Matrizen berechnen:

'−1 0 2' ' ' ' ' ' '
' ' '2 1' '0 2 ' '0 2'
5 ''−2 2 1'' = (−1) · '' '' −(−2) · '' '' +4 · '' '' = −24.
' 4 2 1' 2 1 2 1 2 1
7 89 : 7 89 : 7 89 :
=2−2=0 =0−4=−4 =0−4=−4
' '
'−1 0 1' ' ' ' ' ' '
' ' '0 2' '0 1' '0 1'
5 ''−1 0 2'' = (−1) · '' '' −(−1) · '' '' +4 · '' '' = 2.
' 4 2 1' 2 1 2 1 0 2
7 89 : 7 89 : 7 89 :
=0−4=−4 =0−2=−2 =0−0=0
' '
'−1 0 1' ' ' ' ' ' '
' ' '0 2' '0 1' '0 1 '
5 ''−1 0 2'' = (−1) · '' '' −(−1) · '' '' +(−2) · '' '' = 2.
'−2 2 1' 2 1 2 1 0 2
7 89 : 7 89 : 7 89 :
=0−4=−4 =0−2=−2 =0−0=0

Zusammenfassend:
' '
'1 −1 0 1' ' ' ' ' ' '
' ' '−1 0 2'' '−1 0 1'' '−1 0 1''
'0 −1 0 2' ' ' '
'
det(A) = ' ' = 1 · '−2 2 1' −0 + 3 · ''−1 0
' 2' −1 · ''−1 0
' 2'' = −20.
3 −2 2 1 ' '
' ' '4 2 1' '4 2 1' '−2 2 1'
'1 4 2 1'
7 89 : 7 89 : 7 89 :
=−24 =2 =2

Alternative: Aus dem Entwicklungssatz von Laplace folgt, dass wir die Determinante einer
Matrix bezüglich einer beliebigen Spalte oder Zeile entwicklen können. In der Praxis wählt
man die Spalte oder Zeile aus, welche am meisten Nullen enthält. Im vorliegenden Beispiel
könnten wir det(A) beispielsweise nach der dritten Spalten entwicklen, weil diese Spalte zwei
Nullen enthält:
' ' ' ' ' ' ' '
' ' ' ' ' ' ' '
'1 −1 0 1' '1 −1 0 1' '1 −1 0 1' '1 −1 0 1'
' ' ' ' ' ' ' '
' ' ' ' '0 −1 0 2' '0 −1 0 2'
det(A) = 0 · '0 −1 0 2' − 0 · '0 −1 0 2' + 2 · ' '−2·' '
'3 −2 2 1' '3 −2 2 1' '3 −2 2 1' '3 −2 2 1'
' ' ' ' ' ' ' '
'1 4 2 1' '1 4 2 1' '1 4 2 1' '1 4 2 1 '
' ' ' '
'1 −1 1' '1 −1 1'
' ' ' '
' '
= 2 · '0 −1 2' − 2 · '0 −1 2'' = −20.
'
'1 4 1 ' '3 −2 1'

Für die Bestimmung der richtigen Vorzeichenreihe bei der Entwicklung nach der dritten
Spalte haben wir folgendes Schema benutzt:
⎡ ⎤
+− + −
⎢− + − +⎥
⎢ ⎥
⎢ ⎥.
⎣+ − + −⎦
−+ − +
3.1 • Definition und erste Beispiele
145 3
Komplexität der Determinantenberechnung
Es reicht aus, die Determinante einer (4 × 4)-Matrix als Beispiel zu berechnen, um
zu erkennen, dass die Berechnung der Determinante für große Matrizen schnell
zu einem äußerst komplexen Unterfangen wird. Wie komplex ist die Berechnung
der Determinante einer (n × n)-Matrix in Abhängigkeit von n? Mit der Laplace-
Entwicklung führt man die Berechnung der Determinante einer (n × n)-Matrix auf
die Berechnung von n Determinanten von (n − 1) × (n − 1)-Matrizen zurück. Jede
von dieser Determinanten der Ordnung n − 1 wird dann auf die Berechnung von
n − 1 Determinanten der Ordnung n − 2 zurückgeführt usw. Insgesamt müssen wir
n(n − 1)(n − 2) · · · 2 = n! Determinanten der Ordnung 1 berechnen. Es folgt, dass es
Ordnung

O(n!) (3.9)

Operationen braucht, um die Determinante einer (n × n)-Matrix mit der Definition

(Laplace-Entwicklung) zu bestimmen. Sogar nur für eine (10 × 10)-Matrix sind es
10! = 3628800 Operationen. Wie wir in 7 Abschn. 3.2 sehen werden, kann man
diese Anzahl Operationen auf die Ordnung

O(n3 ) (3.10)

reduzieren, wenn man die Determinante mithilfe des Gauß-Algorithmus berechnet.

> Bemerkung
Trotz der Komplexität der Determinantenberechnung, ist die Laplace-Entwicklung gut
geeignet bei kleinen Matrizen (2 × 2 und 3 × 3) oder bei größeren Matrizen mit vielen
Nullen.

3.1.4 Rechenregeln für Determinanten

# Satz 3.2 (Rechenregeln für Determinanten)
Es seien A, B ∈ Kn×n und α ∈ K. Dann gelten die folgenden Rechenregel:
(D1) det(AB)
5 6= det(A) det(B).
(D2) det AT = det(A), d. h. die Determinante ändert sich beim Transponieren nicht.
5 6
1
(D3) A invertierbar ⇔ det(A) ̸= 0. In diesem Fall ist det A−1 = det(A) .
(D4) Vertauschen wir zwei Zeilen oder Spalten, dann ändert die Determinante das Vor-
zeichen.
(D5) Multiplizieren wir eine Zeile oder Spalte mit einer Zahl α ∈ K, so wird die Deter-
minante entsprechend mit α multipliziert. Wird die ganze Matrix mit α multipliziert
(d. h. jede Zeile und Spalte), so wird die Determinante mit α n multipliziert:

det(αA) = α n det(A).

(D6) det(0) = 0, det(E) = 1.

146 Kapitel 3 • Determinanten

(D7) In den folgenden Situationen ist det(A) = 0:

5 A beinhaltet eine Nullzeile oder eine Nullspalte;
5 zwei Zeilen oder Spalten von A sind identisch;
5 zwei Zeilen oder Spalten von A sind Vielfache voneinander.
(D8) Die Determinante einer Dreiecksmatrix oder Diagonalmatrix ist gleich dem Produkt
der Diagonalelementen:
⎡ ⎤
a11 a12 ··· a1n
⎢ ⎥
⎢
⎢ 0 a22 ··· a2n ⎥
⎥
det ⎢ .. .. .. .. ⎥ = a11 · a22 · · · ann .
⎢ . ⎥
⎣ . . . ⎦
0 0 ··· ann

(D9) Für Blockdreiecksmatrizen oder Blockdiagonalmatrizen ist die Determinante gleich

dem Produkt der Determinanten der Diagonalblöcken:
% & % &
A B A 0
det = det = det(A) det(D). $
0 D C D

> Bemerkung
Beachte, dass im Allgemeinen det(A + B) ̸= det(A) + det(B). Außerdem aus det(A) = 0
folgt nicht unbedingt A = 0.

# Beispiel
⎡ ⎤
2 −1 1
⎢ ⎥
det ⎣ 0 3 1 ⎦ = 2 · 3 · 1 = 6. $
0 0 1

# Beispiel
⎡ ⎤
1 2 3 0 0 ' '
⎢ ⎥ '1 2 3' ' '
⎢4 5 6 0 0⎥ ' ' '1
⎢ ⎥ ' ' ' 2''
A=⎢
⎢7 8 9 0 0⎥⎥ ⇒ det(A) = ' 4 5 6 '·' '. $
'7 8 9' 0 3'
⎢ ⎥ ' ' '
⎣0 0 0 1 2⎦
0 0 0 0 3

3.1.5 Beispiele

Übung 3.1
◦ ◦ ◦ Man
% berechne
& die Determinante der folgenden Matrizen
6 2
a) A =
3 −1
3.1 • Definition und erste Beispiele
147 3

% &
1 −6
b) B =
−2 12
% &
i 2−i
c) C =
1 + 3i −i

v Lösung ' '

'6 2 '
' '
a) det(A) = ' ' = 6 · (−1) − 3 · 2 = −6 − 6 = −12.
'3 −1'
' '
' 1 −6'
' '
b) det(B) = ' ' = 1 · 12 − (−2) · (−6) = 12 − 12 = 0.
'−2 12 '
' '
' i 2 − i'
' '
c) det(C) = ' ' = i · (−i) − (1 + 3i) · (2 − i) = 1 − (5 + 5i) = −4 − 5i. "
'1 + 3i −i '

Übung 3.2 % & % &

12 24
• ◦ ◦ Betrachte die Matrizen A = , B = . Man berechne det(A),
34 12
5 6
det(B), det(AB) und det A−1 . Verifiziere durch explizite Berechnung, dass det(AB) =
det(A) det(B) gilt.

v Lösung % & % &

12 24
Es ist det(A) = det = 4 − 6 = −2, det(B) = det = 4 − 4 = 0. Daraus folgt
34 12
5 6
1
det(AB) = det(A) det(B) = (−2) · 0 = 0 und det A−1 = det(A) = − 12 .
D% & % &E % &
12 24 4 8
Explizite Rechnung: det(AB) = det · = det = 80 − 80 = 0. "
34 12 10 20

Übung 3.3
◦ ◦ ◦ Man
⎡ berechne ⎤
die Determinanten der folgenden Matrizen
2 3 −1
⎢ ⎥
a) A = ⎣1 −1 0 ⎦
0 3 −10
⎡ ⎤
2 1 0
⎢ ⎥
b) B = ⎣ 1 1 −3⎦
−1 −2 2
⎡ ⎤
3 0 1
⎢ ⎥
c) C = ⎣1 2 1⎦
1 −1 2
148 Kapitel 3 • Determinanten

⎡ ⎤
1 4 1
⎢ ⎥
d) D = ⎣ 2 5 0⎦
−1 −2 2

v Lösung ' '

' 2 3 −1 ' ' ' ' ' ' '
' ' ' −1 0 ' ' 3 −1 ' ' 3 −1 '
' ' ' ' ' ' ' '
a) det(A) = ' 1 −1 0 ' = 2 · ' ' −1 · ' ' +0 · ' ' = 47.
' ' ' 3 −10 ' ' 3 −10 ' ' −1 0 '
' 0 3 −10 ' 7 89 : 7 89 : 7 89 :
' ' =10−0 =−30+3 0−1
' 2 1 0 ' ' ' ' ' ' '
' ' ' 1 −3 ' ' 1 0' '1 0 '
' ' ' ' ' ' ' '
b) det(B) = ' 1 1 −3 ' = 2 · ' ' −1 · ' ' +(−1) · ' ' = −7.
' ' ' −2 2 ' ' −2 2 ' ' 1 −3 '
' −1 −2 2 ' 7 89 : 7 89 : 7 89 :
' ' =2−6 =2−0 =−3−0
'3 0 1' ' ' ' ' ' '
' ' ' 2 1' ' 0 1' '0 1'
' ' ' ' ' ' ' '
c) det(C) = ' 1 2 1 ' = 3 · ' ' −1 · ' ' +1 · ' ' = 12.
' ' ' −1 2 ' ' −1 2 ' '2 1'
' 1 −1 2 ' 7 89 : 7 89 : 7 89 :
' ' =4+1 =0+1 =0−2
' 1 4 1' ' ' ' ' ' '
' ' ' 5 0' ' 4 1' '4 1'
' ' ' ' ' ' ' '
d) det(D) = ' 2 5 0 ' = 1 · ' ' −2 · ' ' +(−1) · ' ' = −5. "
' ' ' −2 2 ' ' −2 2 ' '5 0'
' −1 −2 2 ' 7 89 : 7 89 : 7 89 :
=10−0 =8+2 =0−5

Übung 3.4
• ◦5◦ Sind
6 die folgenden Matrizen invertierbar? Man berechne jeweils (sofern möglich)
det A−1 .
⎡ ⎤
3 2 −1
⎢ ⎥
a) A = ⎣1 0 1 ⎦ ,
1 −1 2
⎡ ⎤
3 2 −1
⎢ ⎥
b) B = ⎣1 2 1 ⎦ ,
13 2
⎡ ⎤
1 12
⎢ ⎥
c) C = ⎣−1 4 5⎦.
1 23

v Lösung ⎡ ⎤
3 2 −1
⎢ ⎥ = >
a) det(A) = det ⎣1 0 1 ⎦ = 2 ̸= 0 ⇒ A invertierbar. Daraus folgt det A−1 =
1 −1 2
1 1
det(A) = 2 .
3.1 • Definition und erste Beispiele
149 3
⎡ ⎤
3 2 −1
⎢ ⎥
b) det(B) = det ⎣1 2 1 ⎦ = 0 ⇒ B nichtinvertierbar.
13 2
⎡ ⎤
1 1 2
⎢ ⎥ = > 1
c) det(C) = det ⎣−1 4 5⎦ = −2 ̸= 0 ⇒ C invertierbar ⇒ det C −1 = det(C) =
1 2 3
− 12 . "

Übung 3.5
• ◦ ◦ Man betrachte die folgenden Matrizen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 1 0 1 1 2 0 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎣ 1 1 2⎦ , B = ⎣−3 1 2⎦ , C = ⎣ 1 −3 2⎦ .
−1 −2 2 2 −2 2 −1 2 2
5 6 5 6
Man bestimme: det(A), det(B), det(C), det(AB), det(AC), det(BC), det AT , det A3 ,
5 6 5 6 5 6 5 6
det A−1 , det A−1 B−1 , det A3 B−1 C und det AB−2 C T BT .

v Lösung
Wir lösen die Aufgabe, indem wir zuerst die Determinanten der Matrizen A, B und C
bestimmen. Mit der Formel für Determinanten von (3 × 3)-Matrizen bestimmen wir:
' '
' 2 1 1'
' '
' '
det(A) = ' 1 1 2 ' = 7
' '
' −1 −2 2 '
' '
' 0 1 1'
' '
' '
det(B) = ' −3 1 2 ' = 14
' '
' 2 −2 2 '
' '
' 2 0 1'
' '
' '
det(C) = ' 1 −3 2 ' = −21
' '
' −1 2 2 '

Mithilfe der Rechenregeln für Determinanten finden wir:

det(AB) = det(A) det(B) = 7 · 14 = 98,

det(AC) = det(A) det(C) = 7 · (−21) = −147,
det(BC) = det(B) det(C) = 14 · (−21) = −294,
5 6
det AT = det(A) = 7,
5 6
det A3 = det(A)3 = 73 = 343,
150 Kapitel 3 • Determinanten

5 6 1 1
det A−1 = = ,
det(A) 7
5 6 5 6 5 6 1 1 1 1 1
det A−1 B−1 = det A−1 det B−1 = = = ,
det(A) det(B) 7 14 98
5 6 5 6 5 6 det(A)3 det(C) 1029
det A3 B−1 C = det A3 det B−1 det(C) = =− ,
det(B) 2
5 6 1 det(A) det(C) 21
det AB−2 C T BT = det(A) 2
det(C) det(B) = =− . "
det(B) det(B) 2

Übung 3.6
• ◦ ◦ Für welche Werte von k ∈ R ist det(A) ̸= 0?
⎡ ⎤
k−2 0 6
⎢ ⎥
A = ⎣ −1 4 k + 3⎦ .
0 −2 0

v Lösung
Wir berechnen die Determinante von A in Abhängigkeit von k
' '
'k − 2 0 6 '' ' ' ' '
' ' 4 k + 3' ' 0 6'
' ' ' ' ' '
det(A) = ' −1 4 k + 3 ' = (k − 2) · ' ' −(−1) · ' ' +0
' ' ' −2 0 ' ' −2 0 '
' 0 −2 0 ' 7 89 : 7 89 :
=0+2(k+3) =0+12

2
= (k − 2) · (2k + 6) + 12 = 2k + 2k.

Die Determinante von A ist ungleich Null, wenn 2k2 +2k ̸= 0, d. h. wenn 2k(k+1) ̸= 0,
also für k ̸= 0, −1. "

Übung 3.7
⎤ von α ∈ R sind die folgenden Matrizen invertierbar?
• ◦ ◦ Für⎡welche Werte
2 −1 2
⎢ ⎥
a) A = ⎣ 3 3 1 ⎦
−4 2 α
⎡ ⎤
2 3 4
⎢ ⎥
b) B = ⎣1 0 3 ⎦
0 α −2
⎡ ⎤
2 −1 1 − α
⎢ ⎥
c) C = ⎣1 1 6 ⎦
2 2 α
3.1 • Definition und erste Beispiele
151 3
v Lösung ' '
' 2 −1 2 ' ' '
' ' '3 1'
' ' ' '
a) A ist invertierbar ⇔ det(A) ̸= 0. Daraus folgt det(A) = ' 3 3 1 ' = 2 ' '−
' ' '2 α'
' −4 2 α '
' ' ' '
' −1 2 ' ' −1 2 ' !
' ' ' '
3' ' − 4' ' = 2(3α − 2) + 3(α + 4) + 28 = 9α + 36 ̸= 0 ⇒ α ̸= −4.
' 2 α' ' 3 1'
' '
'2 3 4 ' ' ' ' ' ' '
' ' '0 3 ' '3 4 ' '3 4'
' ' ' ' ' ' ' '
b) det(B) = ' 1 0 3 ' = 2 ' '−1' '+0' ' = −6α + (6 + 4α) =
' ' ' α −2 ' ' α −2 ' '0 3'
' 0 α −2 '
!
6 − 2α ̸= 0' ⇒ α ̸= 3. '
'2 −1 1 − α '' ' ' ' ' ' '
' '1 6' ' −1 1 − α ' ' −1 1 − α '
' ' ' ' ' ' ' '
c) det(C) = ' 1 1 6 ' = 2' '−1 ' '+2 ' ' = 2(α −
' ' '2 α' ' 2 α ' ' 1 6 '
'2 2 α '
!
12) + α + 2(1 − α) + 2(−6 + α − 1) = 3α − 36 ̸= 0 ⇒ α ̸= 12. "

Übung 3.8
• ◦ ◦⎡Man bestimme
⎤ möglichst geschickt die folgenden Determinanten
0 0 2
⎢ ⎥
a) ⎣3 3 0⎦ ,
4 2 0
⎡ ⎤
2 3 4
⎢ ⎥
b) ⎣0 1 3 ⎦ ,
0 0 −2
⎡ ⎤
1 2 3
⎢ ⎥
c) ⎣3 0 1⎦ ,
1 0 1
⎡ ⎤
1 0 0 0
⎢0 2 0 0 ⎥
⎢ ⎥
d) ⎢ ⎥
⎣0 0 −10 0 ⎦
0 0 0 −2
⎡ ⎤
1 1 0 0 0
⎢ ⎥
⎢−1 2 0 0 0 ⎥
⎢ ⎥
e) ⎢ 0 0 −10 0 0 ⎥ ,
⎢ ⎥
⎢ ⎥
⎣ 0 0 2 −2 0 ⎦
0 0 1 −1 10
⎡ ⎤
1 1 0 0
⎢ 0 2 0 0⎥
⎢ ⎥
f) ⎢ ⎥.
⎣ 100 8 −10 0 ⎦
−22 19 2 −2
152 Kapitel 3 • Determinanten

v Lösung
a) In diesem Fall hat die letzte Spalte viele Nullen. Somit entwickeln wir die Determi-
nante nach der dritten Spalte und bekommen
⎡ ⎤
002 ' '
'3
⎢ ⎥ ' 3''
det ⎣3 3 0⎦ = 2 · ' ' = 2 · (6 − 12) = −12.
'4 2'
420

Für die Bestimmung des richtigen Vorzeichens bei dieser Entwicklung haben wir
das folgende Schema benutzt:
⎡ ⎤
+− +
⎢ ⎥
⎣− + − ⎦ .
+− +

b) In diesem Fall befindet sich die Matrix in Dreiecksform. Somit ist die Determinante
einfach als Produkt der Diagonalelemente (Regel D8), konkret:
⎡ ⎤
23 4
⎢ ⎥
det ⎣0 1 3 ⎦ = 2 · 1 · (−2) = −4.
0 0 −2

c) Die zweite Spalte hat am meisten Nullen. Wir entwickeln die Determinante nach
dieser Spalte und erhalten:
⎡ ⎤
123 ' '
'3
⎢ ⎥ ' 1''
det ⎣3 0 1⎦ = −2 · ' ' = (−2) · (3 − 1) = −4.
'1 1'
101

Für die Bestimmung des richtigen Vorzeichens benutzen wir unser bekanntes
Schema:
⎡ ⎤
+ − +
⎢ ⎥
⎣− + −⎦ .
+ − +

d) Die Matrix befindet sich bereits in Diagonalform. Somit ist die Determinante
einfach das Produkt der Diagonalelementen (Regel D8):
⎡ ⎤
1 0 0 0
⎢0
⎢ 2 0 0⎥⎥
det ⎢ ⎥ = 1 · 2 · (−10) · (−2) = 40.
⎣0 0 −10 0⎦
0 0 0 −2
3.1 • Definition und erste Beispiele
153 3
e) Die Matrix befindet sich in Blockdiagonalform und es gilt die Regel D9:
⎡ ⎤
1 1 0 0 0 ' '
⎢ ⎥
⎢ −1 2 0 0 0 ⎥ '' ' '−10 0 0 '
' ' '
⎢ ⎥ ' 1 1' ' '
det ⎢
⎢ 0 0 −10 0 0 ⎥
⎥ = ''−1 2'' · '' 2 −2 0 '' = 600.
⎢ ⎥
⎣ 0 0 2 −2 0 ⎦ 7 89 : ' 1 −1 10'
2+1=3 7 89 :
0 0 1 −1 10 (−10)·(−2)·10=200

f) Die Matrix ist eine Blockdreiecksmatrix. Somit (Regel D9)

⎡ ⎤
1 1 0 0 ' ' ' '
⎢ 0 2 0 0 ⎥ ' ' ' '
⎢ ⎥ '1 1' '−10 0 '
det ⎢ ⎥ = ' '· ' ' = 40.
⎣ 100 8 −10 0 ⎦ '0 2' ' 2 −2'
789: 7 89 :
−22 19 2 −2 1·2=2 (−10)·(−2)=20 "

Übung 3.9
• ◦ ◦ Man zeige durch explizite Rechnung, dass die Determinante einer (2 × 2)-
Matrix A gleich dem Flächeninhalt des von den Spaltenvektoren von A aufgespannten
Parallelogramms ist.

v Lösung &%
ab
Wir betrachten A = und das von den Spaltenvektoren [a, c]T , [b, d]T
cd
aufgespannten Parallelogram (. Abb. 3.3). Der Flächeninhalt dieses Parallelogramm
ist gleich dem Flächeninhalt des großen Rechteckes (mit Seitenlängen a + b und
c + d) minus dem Flächeninhalt der 4 Dreiecken und der 2 kleinen Rechtecken. Der
Flächeninhalt des großen Rechteckes beträgt

(a + b)(c + d) = ac + ad + bc + bd.

Zu diesem Ergebnis müssen wir die Flächen der 4 Dreiecken und der 2 kleinen
Rechtecken abziehen. Die 4 Dreiecke haben den Flächeninhalt

. Abb. 3.3 Übung 3.9

154 Kapitel 3 • Determinanten

ac bd
2× +2× = ac + bd.
2 2

Die kleinen Rechtecke haben den Flächeninhalt 2 × cb. Zusammenfassend: Der

Flächeninhalt des von den Spaltenvektoren von A aufgespannten Parallelogramms ist:

F = (a + b)(c + d) − ac − bd − 2cb
ac + ad + bc + ❩
=✚ b❩ ac − ❩
d −✚ b❩
d − 2cb = ad − cb = det(A). "

Übung 3.10
• ◦ ◦ Man zeige durch Ausrechnen, dass für (2 × 2)-Matrizen A und B Folgendes gilt:

det(AB) = det(A) det(B).

v Lösung % & % &

a11 a12 b11 b12
Es seien A = und B = . Einerseits haben wir:
a21 a22 b21 b22
D% &% &E
a11 a12 b11 b12
det(AB) = det
a21 a22 b21 b22
D% &E
a11 b11 + a12 b21 a11 b12 + a12 b22
= det
a21 b11 + a22 b21 a21 b12 + a22 b22

= (a11 b11 + a12 b21 )(a21 b12 + a22 b22 ) − (a21 b11 + a22 b21 )(a11 b12 + a12 b22 )
a21✭
a11✭
=✭ b11
✭
✭b12 + a11 a22 b11 b22 + a12 a21 b21 b12 + a12❤ ❤
a22❤ ❤b❤
b21 22

a21✭
a11✭
✭
✭b12 − a12 a21 b11 b22 − a11 a22 b21 b12 − a12❤ ❤
a22❤
−✭ b11 ❤b❤
b21 22

= a11 a22 b11 b22 + a12 a21 b12 b21 − a12 a21 b11 b22 − a11 a22 b12 b21 .

Andererseits gilt:
D% &E D% &E
a11 a12 b11 b12
det(A) det(B) = det det
a21 a22 b21 b22

= (a11 a22 − a12 a21 )(b11 b22 − b12 b21 )

= a11 a22 b11 b22 + a12 a21 b12 b21 − a12 a21 b11 b22 − a11 a22 b12 b21 .

Damit stimmen beiden Seiten der Gleichung überein. "

3.1 • Definition und erste Beispiele
155 3

Übung 3.11
• ◦ ◦ Man zeige, dass für eine (2 × 2)-Matrix A Folgendes gilt:
5 6
det AT = det(A).

v Lösung % &
a11 a12
Es sei A = . Mit der Definition der Determinante einer (2 × 2)-Matrix
a21 a22
erhalten wir:
' ' ' '
5 6 'a a ' 'a a '
T ' 11 21 ' ' 11 12 '
det A = ' ' = a11 a22 − a21 a12 = a11 a22 − a12 a21 = ' ' = det(A).
' a12 a22 ' ' a21 a22 '

Somit haben A und AT dieselbe Determinante. "

Übung 3.12
• • ◦ Man zeige, dass für eine (2 × 2)-Matrix A Folgendes gilt:

A2 = Spur(A) A − det(A) E.

v Lösung % &
a11 a12
Es sei A = . Wegen Spur(A) = a11 + a22 und det(A) = a11 a22 − a12 a21 ist:
a21 a22
% &% & % &
2 a11 a12 a11 a12 a11 a12
A − Spur(A) A + det(A) E = − (a11 + a22 )
a21 a22 a21 a22 a21 a22
% &
10
+ (a11 a22 − a12 a21 )
01
% & % &
a211 + a12 a21 a11 a12 + a12 a22 a211 + a11 a22 a11 a12 + a12 a22
= −
a11 a21 + a21 a22 a12 a21 + a222 a11 a21 + a21 a22 a11 a22 + a222
% & % &
a11 a22 − a12 a21 0 00
+ = .
0 a11 a22 − a12 a21 00

Somit A2 = Spur(A) A − det(A) E, was zu zeigen war. "

156 Kapitel 3 • Determinanten

Übung 3.13
• ◦ ◦ Man zeige durch ein Gegenbeispiel, dass im Allgemeinen

det(A + B) ̸= det(A) + det(B).

v Lösung % & % &

20 01
Wir betrachten zum Beispiel die Matrizen A = und B = . Es gilt det(A) =
10 02
' ' ' ' ' '
'2 0' '0 1' '2 1'
' ' ' ' ' '
' ' = 0 − 0 = 0 und det(B) = ' ' = 0 − 0 = 0, aber det(A + B) = ' ' = 4−1 =
'1 0' '0 2' '1 2'
3. Dies Beispiel zeigt, dass im Allgemeinen det(A + B) ̸= det(A) + det(B) gilt. "

Übung 3.14
5 seien A, B6∈ Gl=n (K) invertierbare (n >× n)-Matrizen.
• • ◦ Es 5 6 Man berechne
−T −1 −1
a) det BA B det E + (A − E)(A + E) det A
= >
b) det E + A−T B−1 (AB)T

v Lösung
a) Zuerst vereinfachen wir den folgenden Ausdruck
E + (A − E)(A + E) = E + A2 − EA + AE − E 2

= E + A2 − A + A − E = A2 .
Mit den Rechenregeln für Determinanten finden wir:
5 6 = > 5 6
det BA−T B−1 det E + (A − E)(A + E) det A−1

1 1 = > 1
= det(B) det A2
det(A) det(B) det(A)
1 1
✘✘ ✘✘✘ ✘✘ 1 ✘ = 1.
=✘
det(B)
✘ ✘✘ ✘
det(A) ✘✘✘
det(B)
det(A)det(A)
✘ ✘
det(A)
= > = >
b) det E + A−T B−1 (ABT )T = det E + A−T B−1 (BT )T AT
= > = >
= det E + A−T B−1 BAT = det E + A−T EAT
= >
= det E + A−T AT = det(E + E) = det(2E) = 2n det(E) = 2n .
7 89 :
=1 "
3.1 • Definition und erste Beispiele
157 3

Übung 3.15
• ◦ ◦ Sei A ∈ Gln (K) eine invertierbare (n × n)-Matrix. Man zeige:
5 6 1
det A−1 = .
det(A)

v Lösung
Aus der Definition der inversen Matrix folgt E = AA−1 . Aus der Produktregel für
Determinanten (Regel D1) folgt
5 6 5 6 5 6 1
1 = det(E) = det AA−1 = det(A) · det A−1 ⇒ det A−1 = .
det(A) "

Übung 3.16
• • ◦ Sei A eine schiefsymmetrische (n × n)-Matrix. Man zeige, dass für ungerades n

det(A) = 0

ist. Ist diese Aussage auch richtig für n gerade?

v Lösung
Da A schiefsymmetrisch ist, gilt AT = −A. Aus den Rechenregeln für Determinanten
(Regel D2) folgt unmittelbar:
5 6
det(A) = det AT = det(−A) = (−1)n det(A).

Ist n ungerade, so gilt (−1)n = −1, d. h.

det(A) = − det(A) ⇒ det(A) = 0.

Für gerades n ist (−1)n = 1. Wir erhalten also die triviale Aussage det(A) = det(A). In
der Tat muss für gerades n nicht det(A) = 0 gelten. Zum Beispiel, die (2 × 2)-Matrix
A 0 2B
A = −2 0 ist schiefsymmetrisch, trotzdem det(A) = 2. "

Übung 3.17
• ◦ ◦ Die Matrix A ∈ R3×3 hat nur die Einträge 1 oder −1. Man zeige, dass det(A) ≤ 6
ist.
158 Kapitel 3 • Determinanten

v Lösung
Wegen der Formel für (3 × 3)-Determinanten (Sarrus, Gl. (3.3))

det(A) = a11 a22 a33 + a13 a21 a32 + a12 a23 a31 − a12 a21 a33 − a13 a22 a31 − a11 a23 a32 .

besteht det(A) aus 6 Summanden. Jeder Summand ist entweder 1 oder −1. Die Summe
von 6 Zahlen ±1 kann sicher nicht größer als 6 sein, d. h. det(A) ≤ 6. "

Übung 3.18
•◦◦ Es sei A ∈ Rn×n invertierbar. Außerdem haben A und A−1 nur ganzzahlige Einträge.
Welche Werte kann det(A) annehmen?

v Lösung 5 6
Bestehen A und A−1 nur aus ganzzahligen Elementen, dann sind det(A) und det A−1
offensichtlich ganzzahlig (det(A)
5 entsteht
6 aus der Multiplikation
5 6 und Addition von
ganzen Zahlen). Weil 1 = det AA−1 = det(A) det A−1 gibt es nur zwei Möglich-
keiten: det(A) = ±1. "

Übung 3.19
•••
a) Man zeige, dass für Blockdiagonalmatrizen
% &
Am×m 0m×r
det = det(A) det(B)
0r×m Br×r

gilt.
b) Man wende dies Resultat, um die Determinante der folgenden Matrizen zu bestim-
men
⎡ ⎤
⎡ ⎤ 2 0 0 0 0 0
1 1 0 0 0 ⎢ ⎥
⎢ ⎥ ⎢ 2 2 1 0 0 0⎥
⎢−1 2 0 0 0⎥ ⎢ ⎥
⎢ ⎥ ⎢ 3 −1 2 0 0 0⎥
⎢0 0 −10 0 0⎥ ⎢ ⎥
⎢ ⎥, ⎢−45 10 π −2 1 0⎥
⎢ ⎥ ⎢ √ ⎥
⎣0 0 2 −2 0⎦ ⎢ ⎥
⎣ 230 23 3 −1 1 1⎦
0 0 1 −1 10
31 e2 2 0 1 1

v Lösung
a) Es gilt
% & % &% &
Am×m 0m×r Am×m 0m×r E m×m 0m×r
= ,
0r×m Br×r 0r×m E r×r 0r×m Br×r
3.1 • Definition und erste Beispiele
159 3
d. h.
% & % &% & % & % &
A 0 A 0 E 0 A 0 E 0
det = det = det det .
0 B 0 E 0 B 0 E 0 B

Mittels Spaltenentwicklung der Determinante finden wir:

' '
'A 0 '
% & '' '
'
A 0 ' 1 ··· 0'
det = '' .. .. .. '' = det(A) · 1 · · · 1 = det(A).
0 E '0 . . . ''
'
' 0 ··· 1'

Analog, gilt:
' '
'1 ··· 0 ''
% & '' . .. ''
E 0 '. ..
det = '' . . . 0 ' = 1 · · · 1 · det(B) = det(B).
0 B '
'0 · · · 1 ''
'
' 0 B'
& %
A 0
Daraus folgt det = det(A) det(B).
0 B
b) Wir verwenden das Resultat aus Teilaufgabe (a) auf die gegebenen Matrizen an
⎡ ⎤
1 1 0 0 0
⎢ ⎥ ⎡ ⎤
⎢ −1 2 0 0 0 ⎥ % & −10 0 0
⎢ ⎥ 1 1 ⎢ ⎥
det ⎢ ⎥
⎢ 0 0 −10 0 0 ⎥ = det −1 2 det ⎣ 2 −2 0 ⎦ = 600,
⎢ ⎥
⎣ 0 0 2 −2 0 ⎦ 7 89 : 1 −1 10
=3 7 89 :
0 0 1 −1 10 =200
⎡ ⎤
2 0 0 0 00
⎢ ⎥ ⎡ ⎤
⎢ 2 2 1 0 0 0⎥ % &
⎢ ⎥ −2 1 0
⎢ 3 −1 2 0 0 0 ⎥ 2 1 ⎢ ⎥
det ⎢ ⎥
⎢ −45 10 π −2 1 0 ⎥ = 2 · det −1 2 det ⎣−1 1 1⎦ = 10.
⎢ √ ⎥
⎢ ⎥ 7 89 : 0 11
⎣ 230 23 3 −1 1 1 ⎦ =5 7 89 :
=1
31 e2 2 0 1 1
"

Praxistipp

Erinnerung: Bei Blockmatrizen kann man jeden Block als einen „einzigen Matrixein-
trag“ betrachten (7 vgl. Abschn. 1.2.7).
160 Kapitel 3 • Determinanten

3.2 Determinante und Gauß-Algorithmus

Für die Berechnung von großen Determinanten ist die explizite Formel mittels
der Laplace-Entwicklung eher unpraktisch. Der Gauß-Algorithmus bietet oft eine
schnellere Methode solche Determinanten zu berechnen.

Praxistipp

Die grundlegende Idee dieser Methode ist, die Determinante auf Dreiecksform mittels
elementaren Zeilenoperationen zu transformieren. Dabei muss beachtet werden:
5 Wenn man zwei Zeilen oder Spalten vertauscht, ändert die Determinante das
Vorzeichen (Vertauschen).
5 Wird eine Zeile oder Spalte mit einer Zahl k multipliziert, so wird die Determinante
mit k multipliziert (Skalierung).
5 Die Determinante ändert sich nicht, wenn man das Vielfache einer Zeile oder Spalte
zu einer anderen Zeile oder Spalte addiert (Addition).

Mittels Gauß-Algorithmus lässt sich die Berechnung von großen Determinanten oft
auf Rekursionsrelationen zurückführen (vgl. Übung 3.28).

Musterbeispiel 3.2 (Determinante mittels Gauß-Algorithmus bestimmen)

Als Beispiel betrachten wir die folgende Determinante:

⎡ ⎤
0 1 0 0
⎢1 0 2 0⎥
det ⎢
⎣0
⎥
2 1 3⎦
0 0 3 1

Die Berechnung der Determinante mittels Laplace-Entwicklung wäre ziemlich mühsam.

Mit dem Gauß-Algorithmus kann man diese Determinante viel effizienter berechnen. Dazu
wenden wir den Gauß-Algorithmus in 3 Schritte an:
' ' ' ' ' '
'0 1 0 0'' '1 0 2 0' '1 0 2 0''
' ' ' '
'1 0 2 0'' (Z1 ) ↔ (Z2 ) '0 1 0 0' (Z3 ) − 2(Z2 ) '0 1 0 0''
' = (−1) '' ' = (−1) '
'0 2 1 3'' ' '0 0 3''
' '0 2 1 3' ' 1
'0 0 3 1' '0 0 3 1' '0 0 3 1'
' '
'1 0 2 0 '
' '
(Z4 ) − 3(Z3 ) '0 1 0 0 '
= (−1) '' '
'
'0 0 1 3 '
'0 0 0 −8'

5 Wir haben zunächst die erste und zweite Zeile vertauscht. Dabei ändert sich die Deter-
minante um den Faktor (−1).
5 Bei den Operationen (Z3 )−2(Z2 ) und (Z4 )−3(Z3 ) wird die Determinante nicht geändert.
3.2 • Determinante und Gauß-Algorithmus
161 3

Nun ist die Zielmatrix in Diagonalform, sodass man die Determinante ganz einfach als
Produkt der Diagonaleinträge bestimmen kann:
' ' ' '
'0 1 0 0'' '1 0 2 0 ''
' '
'1 0 2 0'' '0 1 0 0 ''
' = (−1) ' = (−1) · 1 · 1 · 1 · (−8) = 8.
'0 2 1 3'' '0 0 1 3 ''
' '
'0 0 3 1 ' '0 0 0 −8 '

Übung 3.20
⎡ ⎤
1 2 4 8
⎢1
⎢ 3 9 27 ⎥
⎥
• ◦ ◦ Man berechne det ⎢ ⎥.
⎣1 4 16 64 ⎦
1 5 25 125

v Lösung
Wir wenden den Gauß-Algorithmus in 3 Schritte an:
' ' ' ' ' ' ' '
'1 2 4 8 '' (Z2 ) − (Z1 ) '1 2 4 8 '' '1 2 4 8 '' '1 2 4 8 ''
' (Z3 ) − (Z1 ) ' (Z3 ) − 2(Z2 ) ' '
'1 27 '' '0 19 '' '0 19'' '0
' 3 9 (Z4 ) − (Z1 ) ' 1 5 (Z4 ) − 3(Z2 ) ' 1 5 (Z4 ) − 3(Z3 ) ' 1 5 19''
' ' = ' ' = ' ' = ' '.
'1 4 16 64 '' '0 2 12 56 '' '0 0 2 18'' '0 0 2 18''
' ' ' '
'1 5 25 125' '0 3 21 117' '0 0 6 60' '0 0 0 6'

' ' ' '

'1 2 4 8 '' ''1 2 4 8 ''
'
'1
' 3 9 27 '' ''0 1 5 19''
Wir erhalten ' '=' ' = 1 · 1 · 2 · 6 = 12. "
'1 4 16 64 '' ''0 0 2 18''
'
'1 5 25 125' '0 0 0 6'

> Bemerkung
Die Determinante in Übung 3.20 ist eine Vandermonde-Determinante (vgl. Übung 3.32)
mit x1 = 2, x2 = 3, x3 = 4 und x4 = 5. Daher lautet die Determinante (x2 − x1 )(x3 −
x1 )(x3 − x2 )(x4 − x1 )(x4 − x2 )(x4 − x3 ) = (5 − 4)(5 − 3)(5 − 2)(4 − 3)(4 − 2)(3 − 2) = 12.

Übung 3.21 ⎡ ⎤
0 −1 0 0 0
⎢ ⎥
⎢1 0 1 0 0⎥
⎢ ⎥
• ◦ ◦ Man berechne det ⎢
⎢0 1 0 −1 0⎥⎥.
⎢ ⎥
⎣0 1 −1 0 1⎦
0 0 0 1 0
162 Kapitel 3 • Determinanten

v Lösung
Wir wenden den Gauß-Algorithmus an:
' ' ' ' ' '
'0 −1 0 0 0'' '1 0 1 0 0'' '1 0 1 0 0''
' ' '
' ' ' ' ' '
'1 0 1 0 0' '0 −1 0 0 0' (Z3 ) + (Z2 ) '0 −1 0 0 0'
' ' (Z1 ) ↔ (Z2 ) ' ' (Z4 ) + (Z2 ) ' '
'0 1 0 −1 0'' = (−1) ''0 1 0 −1 0'' = (−1) ''0 0 0 −1 0''
'
' ' ' ' ' '
'0 1 −1 0 1' '0 1 −1 0 1' '0 0 −1 0 1'
' ' ' ' ' '
'0 0 0 1 0' '0 0 0 1 0 ' '0 0 0 1 0'
' ' ' '
'1 0 1 0 0'' '1 0 1 0 0'
' ' '
' ' ' '
'0 −1 0 0 0' '0 −1 0 0 0'
(Z3 ) ↔ (Z4 ) ' ' (Z5 ) + (Z4 ) ' '
= (−1)2 ''0 0 −1 0 1'' = (−1)2 ''0 0 −1 0 1'' = 0.
' ' ' '
'0 0 0 −1 0' '0 0 0 −1 0'
' ' ' '
'0 0 0 1 0' '0 0 0 0 0'

Die Determinante ist Null, weil die Zielmatrix eine Nullzeile hat. "

Übung 3.22 ⎡ ⎤
0 1 0 0 0 0
⎢ ⎥
⎢1 0 0 0 0 0⎥
⎢ ⎥
⎢0 0 0 0 0 1⎥
• ◦ ◦ Man berechne det ⎢
⎢0
⎥.
⎢ 0 0 1 0 0⎥⎥
⎢ ⎥
⎣0 0 1 0 0 0⎦
0 0 0 0 1 0

v Lösung
Wir wenden den Gauß-Algorithmus in 3 Schritte an:
' ' ' '
'0 0 0 0 0''
1 '1 0 0 0 0 0'
' ' '
' ' ' '
'1 0
0 0 0 0' '0 1 0 0 0 0'
' ' ' '
'0 0 0 0 1'' (S1 )↔(S2 )
0 '0 0 0 0 0 1' (S3 )↔(S6 )
' = (−1) ' ' =
'0 0 1 0 0''
0 '0 0 0 1 0 0'
' ' '
' ' ' '
'0 0
1 0 0 0' '0 0 1 0 0 0'
' ' ' '
'0 0 0 1 0'
0 '0 0 0 0 1 0'
' ' ' '
'1 0 0 0 0 0' '1 0 0 0 0 0'
' ' ' '
' ' ' '
'0 1 0 0 0 0' '0 1 0 0 0 0'
' ' ' '
'0 0 1 0 0 0' (S5 )↔(S6 ) '
3 '0 0 1 0 0 0'
'
(−1)2 '' '
' = (−1) '
3
' = (−1) · 1 = −1.
'0 0 0 1 0 0' '0 0 0 1 0 0'
' ' ' '
'0 0 0 0 0 1' '0 0 0 0 1 0'
' ' ' '
'0 0 0 0 1 0' '0 0 0 0 0 1'
"
3.2 • Determinante und Gauß-Algorithmus
163 3
> Bemerkung
Die Matrix in Übung 3.22 ist eine Permutationsmatrix (7 vgl. Abschn. 4.2.1) mit
Signum −1. Daher ist die Determinante gleich −1.

Übung 3.23
• ◦ ◦ Man berechne die folgende Determinante mittels Skalierung:
⎡ ⎤
1 1 1 1
⎢ π
⎢ 2π 0 −π ⎥ ⎥
det ⎢ ⎥.
⎣ e −e −e 2e ⎦
sin(1) 7 sin(1) − sin(1) 4 sin(1)

v Lösung
Man erkennt, dass die zweite, dritte und vierte Zeile einen gemeinsamen Faktor haben
(π , e, beziehungsweise, sin(1)). Somit gilt (Skalierung):
' ' ' '
' 1 1 1 1 '' '1 1 1 1 ''
' '
' π ' '1
' 2π 0 −π ' ' 2 0 −1''
' ' = πe sin(1) ' '.
' e
' −e −e 2e '
'
'1
' −1 −1 2 ''
'sin(1) 7 sin(1) − sin(1) 4 sin(1)' '1 7 −1 4'

Dann führen wir den Gauß-Algorithmus durch:

' ' ' ' ' '
'1 1 1 1 '' (Z2 ) − (Z1 ) '1 1 1 1 '' '1 1 1 1 ''
' (Z3 ) − (Z1 ) ' (Z3 ) + 2(Z2 ) ' ' '
'1 −1'' '0 −2'' '0 −2'' '−4 −3'
' 2 0 (Z4 ) − (Z1 ) ' 1 −1 (Z4 ) − 6(Z2 ) ' 1 −1 ' '
' ' = ' ' = ' '=1·1·' ' = −48.
'1 −1 −1 2 '' '0 −2 −2 1 '' '0 0 −4 −3'' ' 4 15 '
' ' '
'1 7 −1 4' '0 6 −2 3' '0 0 4 15 '

Somit:
' ' ' '
' 1 1 1 1 '' '1 1 1 1 ''
' '
' π ' '1
' 2π 0 −π ' ' 2 0 −1''
' ' = πe sin(1) ' ' = −48π e sin(1).
' e
' −e −e 2e '
'
'1
' −1 −1 2 ''
'sin(1) 7 sin(1) − sin(1) 4 sin(1)' '1 7 −1 4' "

Übung 3.24
• • ◦ Die Einträge 1443, 1560, 1690, 1963 sind alle durch 13 teilbar. Man zeige ohne
explizite Berechnung der Determinanten, dass
164 Kapitel 3 • Determinanten

⎡ ⎤
1 4 4 3
⎢1
⎢ 5 6 0⎥⎥
D = det ⎢ ⎥
⎣1 6 9 0⎦
1 9 6 3

ebenfalls durch 13 teilbar ist.

v Lösung
Der Trick bei dieser Aufgabe ist es, die Zahlen 1443, 1560, 1690, 1963 als Einträge einer
Spalten zu erhalten. Wie kann man das tun? Man kann diese Zahlen so umschreiben:
1442 = 2 + 40 + 400 + 1000 = 2 + 4 · 10 + 4 · 100 + 1 · 1000 usw. Diese Bemerkung
suggeriert, 10 Mal die dritte Spalte, 100 Mal die zweite Spalte und 1000 Mal die erste
Spalte zur letzten Spalte zu addieren:
' ' ' '
'1 4 4 3'' '1 4 4 1443''
' '
'1 0'' '1
' 5 6 (S4 ) + 10(S3 ) + 100(S2 ) + 1000(S1 ) ' 5 6 1560''
D=' ' = ' '.
'1 6 9 0'' '1 6 9 1690''
' '
'1 9 6 3' '1 9 6 1963'

Weil 1443, 1560, 1690, 1963 sind alle durch 13 teilbar sind, gilt
' ' ' ' ' '
'1 4 4 1443'' ''1 4 4 111 · 13'' '1 4 4 111''
' '
'1 1560'' ''1 ' '1
' 5 6 5 6 120 · 13' ' 5 6 120''
D=' '=' ' = 13 ' '.
'1 6 9 1690'' ''1 6 9 130 · 13'' '1 6 9 130''
' '
'1 9 6 1963' '1 9 6 151 · 13 ' '1 9 6 151'

Somit ist D gleich 13·(ganzzahliger Faktor), d. h., D ist durch 13 teilbar. Kontrollieren
Sie das Resultat, indem Sie die Determinante in gewohnter Manier berechnen. Das
Resultat ist D = 39, welches durch 13 teilbar ist. "

Übung 3.25
• • ◦ Man berechne die folgende Determinante
⎡ ⎤
1 0 0 1 2 0
⎢ ⎥
⎢ 1 −1 1 2 −3 −2⎥
⎢ ⎥
⎢ −6 1 1 3 5 −2⎥
det ⎢
⎢ 1
⎥
⎢ 0 0 3 −1 0⎥ ⎥
⎢ ⎥
⎣ 2 0 0 5 1 0⎦
−199 2 1 1 7 1

(Hinweis: man versuche, die Matrix durch Spalten- und Zeilenpermutationen in Block-
form zu schreiben).
3.2 • Determinante und Gauß-Algorithmus
165 3
v Lösung
Im ersten Augenblick sieht diese Determinante sehr kompliziert aus. Bei näherer
Betrachtung stellen wir jedoch fest, dass es viele Nullen gibt. Eine solche Matrix,
welche aus vielen Nullen besteht, nennt man dünnbesetzt. In solchen Situationen ist
es oft möglich, die Matrix durch Zeilen- oder Spaltenvertauschungen geeignet auf
Blockform zu bringen. In diesem Fall kann man die zweite und dritte Zeile mit der
vierten und fünften Zeile vertauschen. Außerdem kann man die zweite und dritte Spalte
mit der vierten und fünften Spalte vertauschen. Dies ergibt die gewünschte Matrix in
Blockform, für welche man die Determinante einfach bestimmen kann:
' ' ' '
' 1 0 0 1 2 0 '' ' 1 0 0 1 2 0 ''
' '
' ' ' '
' 1 −1 1 2 −3 −2 ' ' 1 0 0 3 −1 0 '
' ' (Z2 ) ↔ (Z4 ) ' ' (S2 ) ↔ (S4 )
' −6 1 1 3 5 −2 '' (Z3 ) ↔ (Z5 ) ' 2 0 0 5 1 0 '' (S3 ) ↔ (S5 )
' = ' =
' 1 0 0 3 −1 0 '' ' 1 −1 1 2 −3 −2 ''
' '
' ' ' '
' 2 0 0 5 1 0 ' ' −6 1 1 3 5 −2 '
' ' ' '
' −199 2 1 1 7 1 ' ' −199 2 1 1 7 1 '
' '
' 1 1 2 0 0 0 ''
'
' '
' 1 3 −1 0 0 0 ' '' '' '
' ' 1 1 2 '' ''−1 1 −2''
' 2
' 5 1 0 0 0 '' '' '' '
' 1 = '1 3 −1' ' 1 1 −2' = 3 · (−6) = −18.
' 2 −3 −1 1 −2 '' '' '' '
' ' 2 5 1 '' 2 1 1 '
' −6
' 3 5 1 1 −2 ''
' −199 1 7 2 1 1 ' "

Übung 3.26
••◦ ⎡β
··· α ⎤ α
⎢ β β . . ... ⎥
.
a) Man berechne det ⎢
⎣. . .
⎥ für α, β ∈ R.
⎦
.. . . . . α
β ··· β β
b) Man benutze das Resultat, um die Determinante der folgenden Matrizen zu bestim-
men
⎡ ⎤
⎡ ⎤ 1 5 ··· 5
2 5 5 5 ⎢ ⎥
⎢2 .
5⎥ ⎢1
⎢ 2 5 ⎥ ⎢ 1 .. 5⎥ ⎥
A=⎢ ⎥, B=⎢
.. ⎥
.
⎣2 2 2 5⎦ ⎢ .. .. .. ⎥
⎣. . . .⎦
2 2 2 2
1 1 ··· 1

v Lösung
a) Um diese anscheinend komplizierte Determinante zu berechnen, genügt es, einen
Schritt des Gauß-Algorithmus anzuwenden. Wir subtrahieren die erste Zeile von
alle anderen Zeilen:
166 Kapitel 3 • Determinanten

' ' ' '

'β α α · · · α '' 'β α α ··· α ''
' '
' ' ' '
' .. ' (Z2 ) − (Z1 ) ' .. '
'β β α . α' (Z3 ) − (Z1 ) '0 β − α 0 . 0 '
' ' ' '
' .. .' etc ' '
D = 'β β β . .. '' = '0 β − α β − α . . . 0 '.
' ' '
'. .. . . . . ' '. .. .. .. .. ''
'. . . α '' '. . .
'. . '. . . '
' ' ' '
'β β · · · β β' ' 0 β − α · · · β − α β − α'

Nun entwickeln wir nach der ersten Spalte (hat viele Nullen) und erhalten eine
Dreiecksmatrix:
' '
'β − α 0 ··· 0 ''
'
' '
'β − α β − α . . .
' 0 ''
D=β' = β(β − α)n−1 .
' .. .. .. .. ''
' . . . . ''
'
'β − α · · · β − α β − α '

b) Wenden wir nun das obige Resultat mit n = 4, α = 5 und β = 2 (für A) bzw. α = 5
und β = 1 (für B), so erhalten wir:
' '
' ' '1 5 ··· 5''
'2 5 5 5'' '
' ' . '
'2 5'' '1
' 2 5 ' 1 .. 5''
' ' = 2 · (2 − 5)3 = −54, '. .. . . .. ''
= 1 · (1 − 5)n−1 = (−4)n−1 .
'2 2 2 5'' '.
' '. . . .' '
'2 2 2 2' '
'1 1 ··· 1' "

Übung 3.27
••◦ ⎡β
··· α ⎤α
⎢ α β . . ... ⎥
.
a) Man berechne det ⎢
⎣. . .
⎥ für α, β ∈ R.
⎦
.. . . . . α
α ··· α β
b) Man benutze das Resultat aus (a), um die Determinante der folgenden Matrix zu
bestimmen
⎡ ⎤
−3 1 1 1
⎢1
⎢ −3 1 1⎥⎥
A=⎢ ⎥.
⎣1 1 −3 1⎦
1 1 1 −3
3.2 • Determinante und Gauß-Algorithmus
167 3
v Lösung
a) Wir wenden den Gauß-Algorithmus an und bekommen:
' ' ' '
'β α α · · · α ' ' β α α · · · α ''
' ' '
' ' ' '
' .. ' 2 ) − (Z1 ) ' .. '
'α β α . α ' (Z ' α − β β − α 0 . 0 '
' ' (Z3 )etc.
− (Z1 ) ' '
' . . ' ' . ' (S1 )+(S2 )
'α α β . . .. ' = 'α − β 0 β − α . . 0 ' =
' ' ' '
'. . . ' ' '
'. . . . . . . α '' ' .. .. .. ..
. . .. ''
.
'. . ' . .
' ' ' '
'α α · · · α β ' 'α − β 0 · · · 0 β − α'
' ' ' '
'β + α α α · · · α '' 'β + 2α α α · · · α ''
' '
' ' ' '
' .. ' ' .. '
' 0 β −α 0 . 0 ' ' 0 β −α 0 . 0 '
' ' ' '
' '(S1 )+(S3 )' ' (S1 )+(Sn )
'α − β 0 β − α . . . 0 ' = ' 0 0 β − α
..
. 0 '= · · · =
' ' ' '
' . .. . ' ' '
' . .. ..
. . .. '' ' .. .. .. ..
.
.
. .. ''
' . . ' . .
' ' ' '
'α − β 0 · · · 0 β − α' 'α−β 0 · · · 0 β − α'
' '
'β + (n − 1)α α α · · · α ''
'
' '
' .. '
' 0 β −α 0 . 0 '
' ' A B
' '
' 0 0 β − α
..
. 0 ' = β + (n − 1)α (β − α)n−1 .
' '
' .. .. .. .. .. ''
' . .
' . . . '
' '
' 0 0 · · · 0 β − α'

b) Benutzen wir das obige Resultat mit n = 4, α = 1 und β = −3, so erhalten wir
' '
'−3 1 1 1 ''
'
'1
' −3 1 1 '' A B
' ' = − 3 + (4 − 1) (−3 − 1)3 = 0.
'1 1 −3 1 ''
'
'1 1 1 −3' "

Übung 3.28
• • ◦ Man berechne die Determinante der folgenden (n × n)-Matrix
⎡ ⎤
1 1 1 ··· 1 1
⎢ ⎥
⎢−1 2 1 ··· 1 1⎥
⎢ ⎥
⎢−1 −1 3 ··· 1 1⎥
⎢ ⎥
det ⎢ . .. .. .. .. .. ⎥ , n ≥ 2.
⎢ .. . . . . .⎥
⎢ ⎥
⎢ ⎥
⎣−1 −1 −1 ··· n − 1 1⎦
−1 −1 −1 · · · −1 n
168 Kapitel 3 • Determinanten

v Lösung
Es sei Dn die zu bestimmende Determinante. Wir wenden den ersten Schritt des Gauß-
Algorithmus an, indem wir die erste Zeile zur letzten Zeile addieren:
' ' ' '
'1 1 1 ··· 1 1'' '1 1 1 ··· 1 1 ''
' '
' ' ' '
'−1 2 1 ··· 1 1' '−1 2 1 ··· 1 1 '
' ' ' '
'−1 −1 3 ··· 1 1'' '−1 −1 3 ··· 1 1 ''
' (Zn ) + (Z1 ) '
Dn = ' . .. .. .. .. .. '' = ' . .. .. .. .. .. ''
' .. . . . . .' ' .. . . . . . '
' '
' ' ' '
'−1 −1 −1 ··· n − 1 1' '−1 −1 −1 ··· n − 1 1 '
' ' ' '
'−1 −1 −1 · · · −1 n' '0 0 0 · · · 0 n + 1'

Dann entwicklen wir nach der letzten Zeile (hat viele Nullen) und erhalten:
' '
'1 1 1 ··· 1 1 '' ' '
' '1 1 1 · · · 1 ''
' ' '
'−1 2 1 ··· 1 1 ' ' '
' ' '−1 2 1 ··· 1 '
'−1 −1 3 ··· 1 1 '' ' '
' ' 3 · · · 1 '' = (n + 1) Dn−1 .
Dn = ' .
' .. .. .. .. .. .. '' = (n + 1) ''−1 −1
' . . . . . ' ' .. .. .. . . . '
' ' ' . . . . .. ''
'−1 −1 −1 ··· n − 1 1 ' ' '
' ' '−1 −1 −1 · · · n − 1'
'0 0 0 ··· 0 n + 1 ' 7 89 :
=Dn−1

Wir erhalten eine Rekursionsformel für die Determinante Dn . Wenden wir diese Formel
rekursiv an, so bekommen wir

Dn = (n + 1) Dn−1 = (n + 1) · n Dn−2
= (n + 1) · n · (n − 1) Dn−3 = · · · = (n + 1) · n · (n − 1) · · · 4 D2 .
' '
'1
' 1''
Wir berechnen D2 explizit, D2 = ' ' = 2 + 1 = 3, und erhalten
'−1 2'

Dn = (n + 1) · n · (n − 1) · · · 4D2 = (n + 1) · n · (n − 1) · · · 4 · 3
(n + 1) · n · (n − 1) · · · 4 · 3 · 2 (n + 1)!
= = .
2 2 "

Übung 3.29
• • • Man berechne die folgende Determinante:
⎡ ⎤
0 0 ··· 0 a1
⎢ ⎥
⎢0 0 ··· a2 0⎥
⎢ ⎥
⎢. . . .. .. ⎥
det ⎢ .. .. .. . .⎥ .
⎢ ⎥
⎢ ⎥
⎣ 0 an−1 ··· 0 0⎦
an 0 ··· 0 0
3.2 • Determinante und Gauß-Algorithmus
169 3
v Lösung
Es sei Dn die zu bestimmende Determinante. Wir entwickeln zuerst nach der ersten
Spalte
' '
'0 0 ··· 0 a1 '' ' '
' ' 0
' ' ' ··· 0 a1 ''
'0 0 ··· a2 0' ' 0
'
'. . .. .. '
' ' ··· a2 0 ''
. n+1 ' . n+1
Dn = ' .. ..
' .. . . '' = (−1) an ' . . .. .. '' = (−1) an Dn−1 .
' ' ' . .. . . ''
' 0 an−1 ··· 0 0' '
' ' 'a ··· 0 0'
'an 0 n−1
··· 0 0' 7 89 :
=Dn−1

Dies ist eine Rekursionsformel für die Determinante Dn . Wenden wir diese Formel
rekursiv an, so wird:

Dn = (−1)n+1 an Dn−1 = (−1)(n+1)+n an an−1 Dn−2 = (−1)(n+1)+n+(n−1) an an−1 an−2 Dn−3

= · · · = (−1)(n+1)+n+(n−1)+···+2 an an−1 an−2 · · · a1 .

Fn n(n+1)
Mit der Formel j=1 j = 2 erhalten wir:
⎛ ⎞
n+1 n+1
C C (n + 1)(n + 2) n2 + 3n
(n + 1) + n + (n − 1) + · · · + 2 = j=⎝ j⎠ − 1 = −1= .
2 2
j=2 j=1

Wir fassen zusammen:

' '
' 0 0 ··· 0 a '
' 1'
' '
' 0 0 · · · a2 0 '
' ' n2 +3n
' .. .. . .'
' . . . . . .. .. ' = (−1) 2 a1 · · · an .
' '
' '
' 0 an−1 · · · 0 0 '
' '
'an 0 · · · 0 0 '
"

Übung 3.30
• • ◦ Man berechne die Determinante der (n × n)-Matrix A mit den Komponenten

aij = min{i, j}, i, j = 1, · · · , n.

170 Kapitel 3 • Determinanten

v Lösung
Die Matrix A lautet explizit
⎡ ⎤ ⎡ ⎤
min{1, 1} min{1, 2} min{1, 3} · · · min{1, n} 111 ··· 1
⎢ ⎥ ⎢ ⎥
⎢min{2, 1} min{2, 2} min{2, 3} · · · min{2, n}⎥ ⎢1 2 2 ··· 2⎥
⎢ ⎥ ⎢ ⎥
⎢ · · · min{3, n}⎥ ⎢ 3⎥
A = ⎢min{3, 1} min{3, 2} min{3, 3} ⎥ = ⎢1 2 3 ··· ⎥.
⎢ .. .. .. .. .. ⎥ ⎢. . . .. .. ⎥
⎢ . ⎥ ⎢. . . . ⎥
⎣ . . . . ⎦ ⎣. . . .⎦
min{n, 1} min{n, 2} min{n, 3} · · · min{n, n} 123 ··· n

Es sei Dn die zu bestimmende Determinante. Mit einigen Zeilenoperationen erzielen

wir:
' ' (Z ) − (Z ) ' '
'1 1 1 · · · 1' (Z23 ) − (Z11 ) '1 1 1 · · · 1 '
' ' ' '
' ' . ' '
'1 2 2 · · · 2' . ' 0 1 1 · · · 1 '
' ' (Z ) −. (Z ) ' '
'1 2 3 · · · 3' n 1 '0 1 2 · · · 2 '
Dn = ' ' = ' '.
'. . . . .' '. . . . . '
'. . . .. .' '. . . .. . '
'. . . .' '. . . . '
' ' ' '
'1 2 3 · · · n' '0 1 2 · · · n − 1'

Nun entwicklen wir nach der ersten Spalte (hat viele Nullen):
' '
'1 1 1 ··· 1 '' ' '
' '1
' ' ' 1 ··· 1 ''
'0 1 1 ··· 1 ' '1
'
'
' ' 2 ··· 2 ''
Dn = '0 1 2 ··· 2 '' = 1 · ' . .. .. '' = Dn−1 .
'. '. ..
'. .. .. .. .. '' '. . . . ''
'. . . . . ' '
' ' '1 2 · · · n − 1'
'0 1 2 · · · n − 1' 7 89 :
=Dn−1

Wir erhalten eine Rekursionsformel für die Determinante Dn und zwar Dn = Dn−1 . Aus
dieser Formel folgt unmittelbar Dn = Dn−1 = Dn−2 = · · · D1 . Wegen D1 = det[1] = 1,
gilt Dn = 1, ∀n ∈ N. "

Übung 3.31
• • ◦ Man berechne die Determinante der (n × n)-Matrix A mit den Komponenten

i
aij = δi,j + , i, j = 1, · · · , n.
j
3.2 • Determinante und Gauß-Algorithmus
171 3
v Lösung
Die Matrix A lautet explizit
⎡ ⎤ ⎡ ⎤
1 1 1 1 1 1 1
1+ 1 2 3 ··· n 2 2 3 ··· n
⎢ 2 2 2 2 ⎥ ⎢ 2⎥
⎢ 1 1+ 2 3 ··· n
⎥ ⎢2 2 23 ··· n⎥
⎥
⎢ ⎥ ⎢
⎢ 3 3
1+ 3 3 ⎥ ⎢3 3 3⎥
A=⎢ 1 2 3 ··· n ⎥=⎢ 2 2 ··· n⎥.
⎢ . .. .. .. .. ⎥ ⎢. .. .. . . .. ⎥
⎢ . . ⎥ ⎢. ⎥
⎣ . . . . ⎦ ⎣. . . . .⎦
n n n n n n
1 2 3 ··· 1 + n n 2 3 ··· 2

Mit einigen Zeilen-/Spaltenoperationen erzeugen wir:

' ' (Z ) − 2(Z ) ' '

'2 1 1 1 ' (Z2 ) − 3(Z1 ) '2 1 1 1'
' 2 3 ··· n' 3 1 ' 2 3 ··· n'
' 2 '' . ' '
'2 2 23 ··· n'
.
. '−2 1 0 ··· 0'
' ' '
'3 3 3 ' (Zn ) − n(Z1 ) '−3
' 2 2 ··· n ' = ' 0 1 ··· 0 ''
'. .. .. . . .. '' ' . .. .. .. .. ''
'. ' .
'. . . . .' ' . . . . .'
' n n
' ' '
'n 2' '−n 0 0 ··· 1'
2 3 ···
(S1 ) + 2(S2 ) ' '
(S1 ) + 3(S3 ) 'n + 1 1 1
··· 1'
' 2 3 n'
. ' '
.
. ' 0 1 0 ··· 0'
' '
(S1 ) + n(Sn ) ' 0 0 1 ··· 0 '' = n + 1.
= '
' . .. .... .. ''
' . .
' . . . .'
' '
' 0 0 0 ··· 1' "

Übung 3.32
• • • Ziel dieser Aufgabe ist die sogenannte Vandermonde-Determinante
⎡ ⎤
1 x1 x21 · · · xn−1
1
⎢1 x2 x22 · · · xn−1 ⎥
⎢ 2 ⎥
Vn (x1 , x2 , · · · , xn ) = det ⎢
⎢ .. .. .. .. . ⎥⎥
⎣. . . . .. ⎦
1 xn x2n · · · xn−1
n

zu berechnen. Man gehe wie folgt vor:

a) Zeige, durch eine geschickte Spaltenentwicklung, dass Vn ein Polynom vom Grad
n − 1 in der Variable xn ist.
b) Man folgere aus (a), dass

Vn (x1 , · · · , xn ) = (xn − x1 )(xn − x2 ) · · · (xn − xn−1 )Vn−1 (x1 , · · · , xn−1 )

gilt. (Hinweis: Man definiere die Funktion pn (z) = Vn (x1 , · · · , xn−1 , z). Was sind
die Nullstellen von pn (z)?)
c) Man bestimme Vn explizit und zeige
172 Kapitel 3 • Determinanten

⎡ ⎤
1 x1 x21 · · · xn−1
1
⎢1 x2 x22 · · · xn−1 ⎥ K
⎢ 2 ⎥
det ⎢
⎢ .. .. .. .. . ⎥⎥= (xj − xi ).
⎣. . . . .. ⎦ i<j
1 xn x2n · · · xn−1
n

v Lösung
a) Mittels Spaltenentwicklung der Determinante nach der letzten Zeile gilt:
' '
' 1 x1 x21 ··· xn−1
1 '
' '
' 1 x2 x22 ··· xn−1
2 '
Vn (x1 , x2 , · · · , xn ) = '' . . . . '
'
' .. .. . . .. '
' n−1 '
1 xn x2n ··· xn
=:a =:a
9 :70 8 9 :71 8
' ' ' '
' x1 x21 ··· xn−1
1 ' ' 1 x21 ··· xn−1
1 '
' 2 n−1 ' ' 2 n−1 '
' x2 x2 ··· x2 ' ' 1 x2 ··· x2 '
= (−1)n+1 · '' . .. . . .. '' +xn · (−1)
n+2 ' '
' .. .. . . .. ' + · · ·
' .. . . . ' '. . . . '
' x x2 ··· xn−1 ' ' 1 x2 ··· xn−1 '
n−1 n−1 n−1 n−1 n−1

=:an−1
9 :7 8
' '
' 1 x1 x21 ··· xn−2
1 '
' '
' 1 x2 x22 ··· xn−2
2 '
n−1 2n ' n−1
+ xn (−1) · ' . .
7 89 : ' .. .. .. . . .. '' = a0 + a1 xn + · · · + an−1 xn .
. . . '
=1 '1 x x2 ··· xn−2
'
n−1 n−1 n−1

Vn (x1 , x2 , · · · , xn ) ist somit ein Polynom in der Variable xn vom Grad n − 1. Die
Koeffizienten a0 , a1 , · · · , an−1 sind Funktionen der anderen Variablen x1 , x2 , · · · ,
xn−1 .
b) Die Idee ist, xn als eine neue Variable z aufzufassen:
' '
'1 x x21 · · · xn−1 '
' 1 1 '
' n−1 ''
'1 x2 x22 · · · x2
' '
'. . .. .. . '
pn (z) = ' .. .. . . .. '' .
'
' '
'1 xn−1 x2n−1 · · · xn−1
n−1 ''
'
'1 z z2 ··· z 'n−1

Aus Teilaufgabe (a) wissen wir, dass pn (z) ein Polynom vom Grad n − 1 in z ist.
Werten wir dieses Polynom an der Stelle z = x1 aus, so erhalten wir:
' '
'1 x1 x21 · · · xn−1 '
' 1 '
' n−1 ''
'1 x2 x22 · · · x2
' '
'. .. .. .. .. '
pn (z = x1 ) = ' .. . . . . '' = 0,
'
' '
'1 xn−1 x2n−1 · · · xn−1
n−1 ''
' n−1 '
'1 x1 x21 ··· x 1
3.2 • Determinante und Gauß-Algorithmus
173 3
weil die erste und letzte Zeile identisch sind. Analog gilt:
' '
'1 x1 x21 · · · xn−1 '
' 1 '
' n−1 ''
'1 x2 x22 · · · x2
' '
'. .. .. .. . '
pn (z = x2 ) = ' .. . . . .. '' = 0
'
' '
'1 xn−1 x2n−1 · · · xn−1
n−1 ''
'
'1 x2 x22 · · · xn−1
2
'

usw. bis
' '
'1 x1 x21 · · · xn−1 '
' 1 '
' n−1 ''
'1 x2 x22 · · · x2
' '
'. .. .. .. .. '
pn (z = xn−1 ) = ' .. . . . . '' = 0.
'
' '
'1 xn−1 x2n−1 · · · xn−1
n−1 ''
' n−1 '
'1 xn−1 x2n−1 ··· x n−1

Somit hat das Polynom pn (z) genau n − 1 Nullstellen: z = x1 , z = x2 , · · · , z = xn−1 .

Folglich ist pn (z) von der Form pn (z) = C(z − x1 )(z − x2 ) · · · (z − xn−1 ). Wegen
pn (z) = C(z − x1 )(z − x2 ) · · · (z − xn−1 ) = Czn−1 + · · · ist die Konstante C gleich
dem Koeffizient von pn (z) zu zn−1 , d. h. C = an−1
' '
'1 x1 x2
' 1 · · · xn−2
1 '
'
'1 x x22 · · · xn−2 '
' 2 2 ''
C = an−1 = '' . . .. .. . ' = Vn−1 (x1 , · · · , xn−1 ).
' .. .. . . .. '
' '
'1 x x2 · · · xn−2 '
n−1 n−1 n−1

Daraus folgt Vn (x1 , · · · , xn ) = (xn −x1 )(xn −x2 ) · · · (xn −xn−1 )Vn−1 (x1 , · · · , xn−1 ).
c) In Teilaufgabe (b) haben wir eine Rekursionsrelation für Vn (x1 , · · · , xn ) erhalten.
Wenden wir diese Relation an so erhalten wir:

Vn (x1 , · · · , xn ) = (xn − x1 )(xn − x2 ) · · · (xn − xn−1 )Vn−1 (x1 , · · · , xn−1 )

= (xn − x1 )(xn − x2 ) · · · (xn − xn−1 )(xn−1 − x1 ) · · · (xn−1 − xn−2 )
Vn−2 (x1 , · · · , xn−2 )
..
.
= (xn − x1 )(xn − x2 ) · · · (xn − xn−1 ) · · · (x3 − x1 )(x3 − x2 )V2 (x1 , x2 ).

Wir müssen nur noch V2 (x1 , x2 ) bestimmen:

' '
'1 x '
' 1'
V2 (x1 , x2 ) = ' ' = x2 − x1 .
'1 x2 '
174 Kapitel 3 • Determinanten

Somit gilt:

Vn (x1 , · · · , xn ) = (xn − x1 )(xn − x2 ) · · · (xn − xn−1 ) · · · (x3 − x1 )(x3 − x2 )(x2 − x1 )

K
= (xj − xi ).
i<j "

3.3 Allgemeine Definition der Determinante – die Leibniz-Formel

In den vorausgegangenen Abschnitten haben wir die Determinante praktisch einge-

führt und viele Beispiele dazu bearbeitet. Jetzt wollen wir die Determinante etwas
formaler definieren. Dies erfolgt axiomatisch durch die sogenannten Axiome von
Weierstraß. Man kann zeigen, dass es genau eine Determinantenfunktion gibt,
welche die Axiome von Weierstraß erfüllt. Diese Determinantenfunktion ist durch
die sogenannte Leibniz-Formel gegeben, welche in der Praxis genau den Definitionen
der vorausgegangenen Abschnitten entspricht. Bevor wir mit der Leibniz-Formel
loslegen, müssen wir zuerst den Begriff der Permutationen einführen.

3.3.1 Permutationen

Eine Permutation beschreibt das Vertauschen der Reihenfolge von n Objekten (wie
Zahlen, Buchstaben, geometrische Figuren usw.), . Abb. 3.4. Diese Operation kann
man mathematisch durch eine bijektive Abbildung σ von der Menge {1, 2, · · · , n} in
sich selbst beschreiben:

σ : {1, 2, · · · , n} → {1, 2, · · · , n}, i .→ σ (i). (3.11)

Eine Permutation ordnet somit jeder Zahl i ∈ {1, 2, · · · , n} genau eine Zahl σ (i) in
derselben Menge {1, 2, · · · , n} zu, aber in einer anderen Reihenfolge. Permutationen
kann man in Matrixschreibweise wie folgt beschreiben
? @
1 2 ··· n
σ = . (3.12)
σ (1) σ (2) · · · σ (n)

In der ersten Zeile stehen die natürlichen Zahlen von 1 bis n (Ausgangspunkt).
Unter jeder Zahl steht in der zweiten Zeile das Bild σ (i). Weil jede Permutation σ
nur die Reihenfolge der Zahlen von 1 bis n ändert, kommt jeder i ∈ {1, 2, · · · , n}

. Abb. 3.4 Permutation von

vier Objekten gemäß
1 .→ σ (1) = 3, 2 .→ σ (2) =
1, 3 .→ σ (3) = 4, 4 .→ σ (4) = 2
3.3 • Allgemeine Definition der Determinante – die Leibniz-Formel
175 3
in der zweiten Zeile genau 1 Mal vor. Eine alternative (einfachere) Notation von
Permutationen betrachtet nur die Bilder unter σ :
= >
σ = σ (1) σ (2) · · · σ (n) . (3.13)

# Beispiel

5 Die folgende Permutation σ der Zahlen {1, 2, 3, 4, 5}

1 .→ σ (1) = 4, 2 .→ σ (2) = 1, 3 .→ σ (3) = 5, 4 .→ σ (4) = 2, 5 .→ σ (5) = 3

A B 5 6
wird in Matrixschreibweise wie folgt dargestellt σ = 14 21 35 42 53 = 4 1 5 2 3 .
A B 5 6
5 Bei der Permutation σ = 12 23 31 44 = 2 3 1 4 geht 1 zu 2, 2 geht zu 3, 3 zu 1 und 4
zu 4.
5 Die Permutation, die kein Element bewegt, heißt identische Permutation, oft mit e
bezeichnet:
% &
1 2 ··· n 5 6
e= = 1 2 ··· n . $
1 2 ··· n

Zusammensetzung von Permutationen

Permutationen können zusammengesetzt werden.

# Definition 3.4
Die Zusammensetzung der Permutationen σ und π wird mit dem Symbol π ◦ σ bezeichnet.
In diesem Fall werden die Permutationen π und σ nacheinander ausgeführt (von rechts
nach links, d. h. zuerst σ und dann π). Das Ergebnis ist wieder eine Permutation. $

# Beispiel
A1 2 3 4B A1 2 3 4B A1 2 3 4B
Die Komposition von σ = 2314 und π = 1423 ergibt π ◦ σ = 4213 .$

Praxis Tip

Zur praktischen Berechnung von π ◦ σ kann man einfach den Weg aller Elemente
1, 2, 3, 4 unter σ und dann π individuell verfolgen:

σ π
1 .→ 2 .→ 4 1 2 3 4
σ π
2 .→ 3 .→ 2 σ ↓ ↓ ↓ ↓
σ π
3 .→ 1 .→ 1 oder 2 3 1 4
σ π
4 .→ 4 .→ 3 π ↓ ↓ ↓ ↓
4 2 1 3
176 Kapitel 3 • Determinanten

Inverse Permutation
# Definition 3.5
π heißt Inverse von σ , wenn π ◦ σ = σ ◦ π = e gilt. Geschrieben wird π = σ −1 . $

# Beispiel
A B A B A B
Die Komposition von σ = 14 21 35 42 53 und π = 12 24 35 41 53 ergibt π ◦ σ = 11 22 33 44 55 = e. π
ist somit die Inverse von σ , d. h. σ −1 = π . $

Praxis Tip

In der Praxis kann man π ◦ σ berechnen, indem man man den Weg aller Elemente
1, 2, 3, 4, 5 unter σ und dann π individuell verfolgt:

σ π
1 .→ 4 .→ 1 1 2 3 4 5
σ π
2 .→ 1 .→ 2 σ ↓ ↓ ↓ ↓ ↓
σ π
3 .→ 5 .→ 3 oder 4 1 5 2 3
σ π
4 .→ 2 .→ 4 π ↓ ↓ ↓ ↓ ↓
σ π
5 .→ 3 .→ 5 1 2 3 4 5

3.3.2 Die Menge Sn

# Definition 3.6
Die Menge aller Permutationen der Zahlen {1, · · · , n} wird mit Sn bezeichnet und heißt die
symmetrische Gruppe

Sn = {σ | σ ist eine Permutation von {1, 2, · · · , n}} (3.14)

# Satz 3.3
Die Ordnung von Sn (d. h., die Anzahl Elemente von Sn ) ist

|Sn | = n! (3.15)

d. h. es gibt n! Permutationen von n Zahlen. $

# Beispiel

5 S2 enthält 2! = 2 Permutationen. Diese sind e = (12) und (21).

5 S3 hat 3! = 6 Elemente. Diese sind e = (123), (312), (231), (132), (321) und (213). $
3.3 • Allgemeine Definition der Determinante – die Leibniz-Formel
177 3
3.3.3 Transpositionen
# Definition 3.7
Eine Transposition ist eine Permutation σ , welche nur zwei Zahlen i und j vertauscht, aber
sonst alle anderen Zahlen invariant lässt, d. h.

σ (i) = j, σ (j) = i, und σ (k) = k sonst. (3.16)

Die Transposition, welche i und j vertauscht, wird mit τij bezeichnet. $

# Beispiel
;1 2 3 4 5 <
Die Permutationσ = 1 5 3 4 2 vertauscht nur die Zahlen 2 und 5. σ ist daher eine
Transposition und wir schreiben σ = τ25 . $

3.3.4 Darstellung von Parmutationen durch Transpositionen

# Satz 3.4
Jede Permutation lässt sich als Produkt von Transpositionen darstellen. $

# Beispiel
A B 5 6
Die Permutation σ = 12 23 31 = 2 3 1 kann man wie folgt als Produkt von Transposi-
tionen schreiben σ = τ12 τ13 , wie man leicht nachrechnet:

> Bemerkung
Beachte, dass die Darstellung einer Permutation als Produkt von Transpositionen nicht
eindeutig ist. Jede solche Darstellung kann man immer durch Multiplikation mit dem
Paar τji τij = e in ein weiteres Produkt überführen, ohne dass sich das Endresultat
ändert. Zum Beispiel:

σ = τ12 τ13 = τ12 τ13 τ21 τ12 = τ12 τ13 τ21 τ12 τ32 τ23 = usw.
7 89 : 7 89 : 7 89 :
=e =e =e
178 Kapitel 3 • Determinanten

Grafisch:

3.3.5 Signum einer Permutation

Im vorigen Abschnitt haben wir gesehen, dass wir jede Permutation als Produkt von
Transpositionen darstellen können. Obwohl diese Darstellung nicht eindeutig ist, ist
die Anzahl der nötigen Transpositionen für eine Permutation immer gerade oder
ungerade. Aus diesem Grund, definieren wir das Signum einer Permutation σ (notiert
sign(σ )) als:
$
+1 σ ist Produkt einer geraden Anzahl von Transpositionen
sign(σ ) =
−1 σ ist Produkt einer ungeraden Anzahl von Transpositionen

Das Signum ist eine Vorzeichenfunktion für Permutationen:

5 Permutationen mit sign(σ ) = +1 heißen gerade
5 Permutationen mit sign(σ ) = −1 heißen ungerade

# Satz 3.5 (Rechenregeln für Signum)

5 Das Signum einer Transposition ist −1;

5 sign(σ ◦ π) = sign(σ ) sign(π);
5 sign(σ −1 ) = sign(σ );
5 Die Hälfte der Permutationen von Sn ist gerade. Die andere Hälfte ist ungerade. $

> Bemerkung
Die Formel sign(σ −1 ) = sign(σ ) kann man intuitiv wie folgt verstehen. Es gilt: σ ◦
σ −1 = e. Die Identität e hat keine Transpositionen. Um σ −1 zu erzeugen, müssen
wir alle Transpositionen von σ rückwärts anwenden. σ −1 besteht somit aus derselben
Anzahl Transpoitionen wie σ , also hat σ −1 desselbe Signum wie σ .

# Beispiel

5 Die identische Permutation e = (12345) enthält keine Transposition. Daraus folgt

sign(e) = (−1)0 = 1.
5 Die Permutation σ = (132) entsteht aus der Transposition von 2 und 3. Daraus folgt
sign(σ ) = (−1)1 = −1.
3.3 • Allgemeine Definition der Determinante – die Leibniz-Formel
179 3
5 σ = (312) ist gleich dem Produkt von 2 Transpositionen σ = τ13 τ12 . Daraus folgt
sign(σ ) = (−1)2 = 1.

5 Die Permutation σ = (51243) kann man als Produkt von 4 Transpositionen schreiben
A B
σ = 15 21 32 44 53 = τ35 τ25 τ15 . Somit sign(σ ) = (−1)3 = −1.

5 Die Permutation σ = (2345671) kann man wie folgt als Produkt von Transpositionen
A B
schreiben σ = 12 23 34 45 56 67 71 = τ67 τ56 τ45 τ34 τ23 τ12 . Somit sign(σ ) = (−1)6 = 1.

5 S2 enthält 2! = 2 Permutationen. Diese sind die Identität e = (12) und (21). Es ist
sign(e) = +1 und sign(21) = −1
5 S3 enthält 3! = 6 Permutationen. 3 davon sind gerade; die anderen 3 sind ungerade:

σ = (123) ⇒ sign(σ ) = +1 σ = (213) ⇒ sign(σ ) = −1

σ = (312) ⇒ sign(σ ) = +1 σ = (321) ⇒ sign(σ ) = −1
σ = (231) ⇒ sign(σ ) = +1 σ = (132) ⇒ sign(σ ) = −1

3.3.6 Leibniz-Formel für Determinante

Die Determinante einer allgemeinen Matrix A ∈ Kn×n kann man mithilfe von
Permutationen wie folgt definieren:
180 Kapitel 3 • Determinanten

# Definition 3.8 (Leibniz-Formel)

C
det(A) := sign(σ ) a1σ (1) a2σ (2) · · · anσ (n)
σ ∈Sn

Diese Formel ist als Leibniz-Formel bekannt. Die Summe läuft über alle Permuta-
tionen σ ∈ Sn . Wegen |Sn | = n! enthält die Leibniz-Formel n! Summanden, was die
Berechnung der Determinante bei großes n sehr aufwendig macht. Aus diesem Grund
wird die Leibniz-Formel in der Praxis nicht zur Berechnung von Determinanten
verwendet. Die Formel ist stattdessen nützlich für theoretische Beweise, an denen die
Determinante beteiligt ist (vgl. z. B. Übung 3.36). Für die praktische Berechnung von
Determinanten benutzt man die Methoden, die wir in den vorherigen Abschnitten
untersucht haben. Denn die Leibniz-Formel entspricht genau der Definitionen von
7 Abschn. 3.1 (vgl. Übungen 3.33 und 3.34). Als Übung betrachten wir jetzt einige
Anwendungen der Leibniz-Formel.

Übung 3.33
• ◦ ◦ Mithilfe der Leibniz-Formel leite man die Formel der Determinante einer (2 × 2)-
Matrix her (Formel (3.1)).

v Lösung
Nach der Leibniz-Formel ist die Determinante einer (2 × 2)-Matrix A ∈ K2×2
C
det(A) = sign(σ ) a1σ (1) a2σ (2) .
σ ∈S2

Die Menge S2 enthält 2! = 2 Permutationen, und zwar:

σ = (12) = e ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) = a11 a22

σ = (21) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) = a12 a21

Somit erhalten wir Formel (3.1)

C
det(A) = sign(σ ) a1σ (1) a2σ (2) = (+1) a11 a22 + (−1) a12 a21 = a11 a22 − a12 a21 .
σ ∈S2 "

Übung 3.34
• ◦ ◦ Mithilfe der Leibniz-Formel leite man die Formel der Determinante einer (3 × 3)-
Matrix her (Formel (3.3)).
3.3 • Allgemeine Definition der Determinante – die Leibniz-Formel
181 3
v Lösung
Nach der Leibniz-Formel ist die Determinante einer (3 × 3)-Matrix A ∈ K3×3
C
det(A) = sign(σ ) a1σ (1) a2σ (2) a3σ (3) .
σ ∈S3

Die Menge S3 enthält 3! = 6 Permutationen. Diese sind:

σ = (123) = e ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a11 a22 a33
σ = (312) ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a13 a21 a32
σ = (231) ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a12 a23 a31
σ = (213) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a12 a21 a33
σ = (321) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a13 a22 a31
σ = (132) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a11 a23 a32

Wir erhalten somit Formel (3.3):

C
det(A) = sign(σ ) a1σ (1) a2σ (2) a3σ (3)
σ ∈S3

= a11 a22 a33 + a13 a21 a32 + a12 a23 a31 − a12 a21 a33 − a13 a22 a31 − a11 a23 a32 . "

Übung 3.35
• ◦ ◦ Man zeige mithilfe der Leibniz-Formel, dass für Diagonalmatrizen A =
% a11 ··· 0 &
.. . . .. gilt det(A) = a11 · · · ann .
. . .
0 ··· ann

v Lösung
Um ein Gefühl für die Situation zu bekommen,
? @beweisen wir die Aussage zuerst für
a11 0 0
eine (3 × 3)-Diagonalmatrix A = 0 a22 0 . Nach der Leibniz-Formel ist die
0 0 a33
Determinante von A durch
C
det(A) = sign(σ ) a1σ (1) a2σ (2) a3σ (3)
σ ∈S3

gegeben. Da S3 genau 3! = 6 Permutationen enthält, erhalten wir die folgenden

Kombinationen:

σ = (123) = e ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a11 a22 a33
σ = (312) ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a13 a21 a32 = 0
σ = (231) ⇒ sign(σ ) = +1 und a1σ (1) a2σ (2) a3σ (3) = a12 a23 a31 = 0
σ = (213) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a12 a21 a33 = 0
182 Kapitel 3 • Determinanten

σ = (321) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a13 a22 a31 = 0
σ = (132) ⇒ sign(σ ) = −1 und a1σ (1) a2σ (2) a3σ (3) = a11 a23 a32 = 0

Dabei haben wir die Tatsache benutzt, dass alle außerdiagonalen Elemente von A
verschwinden, d. h. a12 = a13 = a23 = · · · = 0. Aus der Leibniz-Formel folgt somit das
gewünschte Resultat det(A) = a11 a22 a33 .
Jetzt wiederholen wir das obige Argument für eine (n × n)-Diagonalmatrix. Nach der
Leibniz-Formel gilt:
C
det(A) = sign(σ ) a1σ (1) a2σ (2) · · · anσ (n) .
σ ∈Sn

Weil alle außerdiagonalen Elemente von A verschwinden, d. h. aij = 0 für i ̸= j, sind alle
Terme a1σ (1) a2σ (2) · · · anσ (n) in der obigen Summe gleich Null, außer für e = (12 · · · n).
Daraus folgt
C
det(A) = sign(σ ) a1σ (1) a2σ (2) · · · anσ (n) = a11 a22 · · · ann .
σ ∈Sn "

Übung 3.36
• • ◦ Man zeige: Vertauscht man zwei Spalten, dann ändert die Determinante ihr
Vorzeichen.

v Lösung
Es sei A ∈ Kn×n und es sei B ∈ Kn×n die Matrix, die durch Vertauschen der p-ten
und q-ten Spalten von A entstanden ist. Wie können wir nun den Link zwischen A und
B mithilfe von Permutationen darstellen? Bei der Matrix B sind die Spalten p und q
vertauscht. Es sei also τpq die Transposition, welche p und q vertauscht. Dann hat B die
Einträge bij = aiτpq (j) . Somit ist
C
det(B) = sign(σ ) b1σ (1) b2σ (2) · · · bnσ (n)
σ ∈Sn
C
= sign(σ ) a1(τpq ◦σ )(1) a2(τpq ◦σ )(2) · · · an(τpq ◦σ )(n) .
σ ∈Sn

Für Transpositionen ist sign(τpq ) = −1. Daraus folgt sign(τpq ◦σ ) = sign(τpq ) sign(σ ) =
−sign(σ ), so gilt:
C
det(B) = − sign(τpq ◦ σ ) a1(τp,q ◦σ )(1) a2(τpq ◦σ )(2) · · · an(τpq ◦σ )(n)
σ ∈Sn
C
=− sign(σ ′ ) a1σ ′ (1) a2σ ′ (2) · · · anσ ′ (n) = − det(A).
σ ′ ∈Sn
3.4 • Inverse Matrix
183 3
Im letzten Schritt haben wir benutzt, dass mit σ auch σ ′ = τpq ◦ σ ganz Sn durchläuft.
"

Übung 3.37 5 6
• • ◦ Es sei A ∈ Kn×n . Man zeige: det AT = det(A).

v Lösung ; <
Es sei B = AT . Hat A die Einträge aij , so hat B die Einträge [B]ij = AT = aji . Somit
ij
gilt:
5 6 C
det AT = det(B) = sign(σ ) b1σ (1) b2σ (2) · · · bnσ (n)
σ ∈Sn
C C
= sign(σ ) aσ (1)1 aσ (2)2 · · · aσ (n)n = sign(σ ) a1σ −1 (1) a2σ −1 (2) · · · anσ −1 (n) .
σ ∈Sn σ ∈Sn

Wegen sign(σ −1 ) = sign(σ ) gilt

5 6 C
det AT = sign(σ −1 ) a1σ −1 (1) a2σ −1 (2) · · · anσ −1 (n)
σ ∈Sn
C
= sign(σ ′ ) a1σ ′ (1) a2σ ′ (2) · · · anσ ′ (n) = det(A).
σ ′ ∈Sn

Im letzten Schritt haben wir benutzt, dass mit σ auch σ ′ = σ −1 ganz Sn durchläuft. "

3.4 Inverse Matrix

Eine wichtige Anwendung der Determinante ist die Berechnung der inversen Matrix.

3.4.1 Invertierbarkeit und Determinante

Mithilfe der Determinante det(A) charakterisiert man, ob die Matrix A invertierbar

(d. h. regulär) oder nichtinvertierbar (d. h. singulär) ist.

# Satz 3.6
A ∈ Kn×n ist genau dann invertierbar (d. h. regulär), wenn det(A) ̸= 0. Ist det(A) = 0, so
ist A nichtinvertierbar (d. h. singulär). $

3.4.2 Inverse einer (2 × 2)-Matrix

Für (2 × 2)-Matrizen ist die Berechnung der Inversen besonders einfach. Es gilt
folgende Formel (vgl. Bsp. 3.44):
184 Kapitel 3 • Determinanten

# Satz 3.7
A a12 B
Eine (2 × 2)-Matrix A = aa1121 a22 ist genau dann invertierbar, wenn det(A) ̸= 0 gilt. Die
Inverse ist bestimmt durch:
% &
−1 1 a22 −a12
A = (3.17)
det(A) −a21 a11

i Merkregel
Bei A−1 werden die Diagonaleinträge vertauscht, während die Nebendiagonalelemente
mit (−1) multipliziert werden
⎡ ⎤
% &−1 a22 − a12
a11 a12 1 ⎢ ⎥
= ⎣ ↘
↖ ⎦
a21 a22 det(A)
− a21 a11

# Beispiel
' '
A1 2B '1 2''
A= ist invertierbar, weil det(A) = '' = 1 · 2 − 0 · 2 = 2 ̸= 0. Die Inverse ist (Satz (3.7)):
02 0 2'
? @ ? @ ? @
1 a22 −a12 1 2 −2 1 −1
A−1 = = = 1 .$
det(A) −a21 a11 2 0 1 0 2

3.4.3 Inverse einer (n × n)-Matrix

Bevor wir die Formel für die Inverse einer (n × n)-Matrix diskutieren können, müssen
wir zuerst die Kofaktormatrix und die adjunkte Matrix einführen.

Kofaktormatrix
# Definition 3.9
Es sei A ∈ Kn×n . Wir definieren die Kofaktormatrix cof(A) von A wie folgt:
⎡ ⎤
[cof(A)]11 · · · [cof(A)]1n
⎢ .. .. .. ⎥
⎢
cof(A) = ⎣ ⎥, (3.18)
. . . ⎦
[cof(A)]n1 · · · [cof(A)]nn

wobei
= >
[cof(A)]ij = (−1)i+j det Aij . (3.19)

Aij ist die Matrix, welche man erhält, wenn man die i-te Zeile und die j-te Spalte von A
streicht (7 vgl. Abschn. 3.1.3):
3.4 • Inverse Matrix
185 3
⎡ ⎤
⎢ a11 ··· a1j ··· a1n ⎥
⎢ . .. .. .. .. ⎥
⎢ . ⎥
⎢ . . . . . ⎥
⎢ ⎥
Aij = ⎢ a ··· aij ··· ain ⎥ (3.20)
⎢ i1 ⎥
⎢ . .. .. .. .. ⎥
⎢ . . . ⎥
⎣ . . . ⎦
am1 ··· amj ··· amn

Adjunkte Matrix
# Definition 3.10
Die Transponierte von cof(A) heißt adjunkte Matrix:

adj(A) = cof(A)T . (3.21)

! Achtung
Die adjunkte Matrix ist nicht mit der adjungierten Matrix (vgl. 7 Kap. 1) zu verwech-
seln.

Inverse einer (n × n)-Matrix

Die Inverse einer (n × n)-Matrix kann man jetzt mithilfe der Kofaktormatrix oder
adjunkten Matrix wie folgt bestimmen:

# Satz 3.8
Eine (n × n)-Matrix A ist genau dann invertierbar, wenn det(A) ̸= 0. Außerdem ist die
Inverse

cof(A)T adj(A)
A−1 = = (3.22)
det(A) det(A)

cof(A) ist die Kofaktormatrix von A und adj(A) ist die adjunkte Matrix. $

Musterbeispiel 3.3 (Inverse von (3 × 3)-Matrix)

⎡ ⎤
1 −4 2
A = 0 2 −1⎦ ist invertierbar, weil
⎣
0 0 5
186 Kapitel 3 • Determinanten

' '
' 1 −4 2 '
' '
det(A) = '' 0 2 −1 '' = 1 · 2 · 5 = 10 ̸= 0.
'0 0 5 '

Um die Inverse zu berechnen, rechnen wir die Kofaktormatrix

⎡ ' ' ' ' ' '⎤
' 2 −1 ' ' ' ' '
(−1)1+1 '' ' (−1)1+2 ' 0 −1 ' (−1)1+3 ' 0 2 '
⎢ 0 5 ' ' 0 5 ' ' 0 0 '⎥ ⎡ ⎤
⎢ ' ' ' ' ' '⎥ 10 0 0
⎢ 2+1
' −4 2 ' 2+2
' 1 2 ' 2+3
' 1 −4 '⎥
cof(A) = ⎢
⎢ (−1)
'
'
' (−1)
'
'
'
' (−1)
'
' '⎥ ⎣
' 0 0 '⎥ = 20 5 0 .
⎦
⎢
⎣ ' 0 5 ' ' 0 5 ' ' '⎥
⎦ 0 1 2
' −4 2 ' ' ' ' '
(−1)3+1 '' ' (−1)3+2 ' 1 2 ' (−1)3+3 ' 1 −4 '
2 −1 ' ' 0 −1 ' '0 2 '

Die inverse Matrix lautet somit (Satz (3.8)):

⎡ ⎤T ⎡ ⎤ ⎡ ⎤
10 0 0 10 20 0 1 2 0
cof(A)T 1 ⎣ 1
A−1 = = 20 5 0⎦ = ⎣ 0 5 1⎦ = ⎣0 1 1 ⎦ .
2 10
det(A) 10 10
0 12 0 0 2 0 0 15

> Bemerkung
Wie man im Musterbeispiel 3.3 sieht, ist für große Matrizen die Bestimmung der
inversen Matrix im Allgemeinen leichter mit dem Gauß-Algorithmus (vgl. 2.4.2) als
mit der expliziten Satz (3.8). Für (2 × 2)-Matrizen ist die Formel vom Satz 3.7 aber
ganz praktisch.

3.4.4 Beispiele

Übung 3.38
•◦◦ Untersuche die folgenden Matrizen auf Invertierbarkeit und bestimme gegebenfalls
die inverse Matrix:
% &
23
a) A =
35
% &
−2 −1
b) B =
4 −3
% &
12
c) C =
36

v Lösung
a) Um A auf Invertierbarkeit
' ' zu untersuchen, müssen wir einfach die Determinante
'2 3'
' '
bestimmen det A = ' ' = 10 − 9 = 1. Wegen det A ̸= 0 ist A invertierbar. Nun
'3 5'
wenden wir Satz (3.7) an und erhalten
3.4 • Inverse Matrix
187 3
% & % & % &
−1 1 a22 −a12 1 5 −3 5 −3
A = = = .
det(A) −a21 a11 1 −3 2 −3 2
' '
' −2 −1 '
' '
b) Wegen det(B) = ' ' = 6 + 4 = 10 ̸= 0 ist B invertierbar. Mit Satz (3.7)
' 4 −3 '
finden wir
% & % & % &
1 1 −3 1 3 1
−1 b22 −b12 − 10 10 .
B = = =
det(B) −b21 b11 10 −4 −2 − 25 − 15
' '
'1 2 '
' '
c) Wegen det(C) = ' ' = 6 − 6 = 0 ist C nichtinvertierbar. Die inverse Matrix
'3 6 '
C −1 existiert folglich nicht. "

Übung 3.39
• ◦ ◦ Für welche α ∈ R sind die folgenden Matrizen invertierbar? Man bestimme
gegebenfalls die Inverse.
% &
α0
a) A =
21
% &
2 1 − α2
b) B = 1
0 2
% &
1−α 2
c) C =
− 32 1 + α

v Lösung
a) Um die Matrix A in Abhängigkeit des Parameters α auf Invertierbarkeit ' ' zu
'α 0'
' '
untersuchen, müssen wir einfach die Determinante bestimmen det(A) = ' '=
'2 1'
α − 0 = α. Nun wissen wir, dass die Matrix A genau dann invertierbar ist, wenn
det(A) ̸= 0 gilt. Hiermit ist die gegebene Matrix genau dann invertierbar, wenn
α ̸= 0. Mit Satz (3.7) finden wir
% & % & % &
1 1 1 0 1
−1 a22 −a12 0
A = = = α .
det(A) −a21 a11 α −2 α − α2 1
' '
' 2 1 − α2 '
' '
b) Wegen det(B) = ' 1 ' = 1 − 0 = 1 ̸= 0 ist B für alle α ∈ R invertierbar. Mit
'0 2
'
Satz (3.7) finden wir
% & % & % &
−1 1 b22 −b12 1 12 α 2 − 1 1 2
α − 1
B = = = 2 .
det(B) −b21 b11 1 0 2 0 2
188 Kapitel 3 • Determinanten

' '
'1 − α 2 '
' '
c) Wegen det(C) = ' ' = 1−α 2 +3 = 4−α 2 ist C genau dann invertierbar,
' − 32 1 + α '
4 − α 2 ̸= 0 ⇒ α 2 ̸= 4 ⇒ α ̸= ±2. Für α ̸= ±2 lautet die gesuchte Inverse
% & % & % 1+α 2
&
−1 1 c22 −c12 1 1 + α −2 4−α 2 − 4−α 2
C = = 3
= 3 1−α .
det(C) −c21 c11 4 − α2 1−α
2 2(4−α 2 ) 4−α 2 "

Übung 3.40
• ◦ ◦ Man betrachte die folgenden Matrizen
% &
α1
a) A =
20
% &
1
b) A =
α
% &
2 0 −2
c) A =
2 1 − α −2
Für welche α ∈ R ist AAT regulär? Man bestimme gegebenfalls die Inverse (AAT )−1 .

v Lösung % & % & % &

T α1 α2 α 2 + 1 2α
a) Wir berechnen zuerst die Matrix AA = · = . Wegen
20 10 2α 4
' '
5 6 ' α 2 + 1 2α '
T ' '
det AA = ' ' = 4α 2 + 4 − 4α 2 = 4 ̸= 0 ist AAT für alle α ∈ R regulär.
' 2α 4 '
Die Inverse ist:
% & % &
T −1 1 4 −2α 1 − α2
(AA ) = = 2 .
4 −2α α 2 + 1 − α2 α 4+1
% & % & ' '
1 ; < 1 α 5 6 '1 α '
T T ' '
b) Es gilt AA = · 1α = . Wegen det AA = ' ' = α2 − α2 = 0
α α α2 ' α α2 '
ist AAT für kein α ∈ R regulär.⎡ ⎤
% & 2 2 % &
2 0 −2 ⎢ 8 8 5 6
T ⎥
c) Aus AA = · ⎣ 0 1 − α⎦ = 2
folgt det AAT =
2 1 − α −2 8 8 + (α − 1)
−2 −2
' '
'8 '
' 8 '
' ' = 64+8(α−1)2 −64 = 8(α−1)2 . AAT ist genau dann invertierbar,
' 8 8 + (α − 1)2 '
5 6
wenn det AAT = 8(α − 1)2 ̸= 0 ⇒ α ̸= 1. Somit ist AAT für α ̸= 1 regulär. Die
Inverse lautet
% & ⎡ 8+(α−1)2 1
⎤
1 8 + (α − 1) 2 −8 −
2 2
(AAT )−1 = = ⎣ 8(α−1) (α−1) ⎦ .
8(α − 1)2 −8 8 1
− (α−1) 1
2 (α−1)2 "
3.4 • Inverse Matrix
189 3

Übung 3.41 ⎡ ⎤
1 −1 3
⎢ ⎥
••◦ Man untersuche A = ⎣1 1 2⎦ auf Invertierbarkeit und man berechne die Inverse
2 0 7
mittels der Kofaktormatrix.

v Lösung
Wegen det(A) = 4 ̸= 0 ist A invertierbar. Die Inverse lautet (Satz (3.8)):
⎡ ' ' ' ' ' ' ⎤T
'1 2' '1 2' '1 1'
' ' ' ' ' '
⎢ ' ' −' ' ' ' ⎥
⎢ '0 7'
' ' 2 7'
' ' '2 0' ⎥ ⎡ ⎤T
⎢ ' ' '⎥ 7 −3 −2
1 ⎢ ⎢ '
'−1 3' '1 3'
' ' '
'1 −1'⎥
' '⎥ 1 ⎢ ⎥
A−1 = ⎢− ' ' ' ' −' '⎥ = ⎣ 7 1 −2⎦
det(A) ⎢ ' 0 7' '2 7' '2 0 '⎥ 4
⎢ ' ' ' ' ' ' ⎥ −5 1 2
⎢ '−1 3' '1 3' '1 −1' ⎥
⎣ ' ' ' ' ' ' ⎦
' ' −' ' ' '
' 1 2' '1 2' '1 1 '
⎡ ⎤ ⎡ ⎤
7 7
7 7 −5 −5
1⎢ ⎥ ⎢ 43 14 14 ⎥
= ⎣−3 1 1 ⎦ = ⎣− 4 4 4 ⎦ .
4
−2 −2 2 − 12 − 21 12 "

Praxistipp

Bei der Berechnung der Kofaktormatrix in Übung 3.41 liefert das bereits bekannte
Schema eine einfache Regel, um sich das Vorzeichen der verschiedenen Einträgen zu
merken:
⎡ ⎤
+ − + ···
⎢− + − · · ·⎥
⎢ ⎥
⎢ ⎥
⎢+ − + · · ·⎥ .
⎣ ⎦
.. .. .. ..
. . . .

Übung 3.42
⎡ ⎤
1 −1 0 0
⎢1
⎢ 1 0 0⎥⎥
• • ◦ Man invertiere A = ⎢ ⎥.
⎣0 0 3 1⎦
0 0 0 1
190 Kapitel 3 • Determinanten

v Lösung
A ist eine Blockdiagonalmatrix
⎡ ⎤
1 −1 0 0
⎢1 1 0 0⎥
⎢ ⎥
A=⎢ ⎥.
⎣0 0 3 1⎦
0 0 0 1

Daher berechnen wir einfach die Inverse jedes Blocks (vgl. Übung 1.28):
'( ) * ' ( ) *
1 −1 −1 0 1 1 1 0
A−1 = 1 1 ( 3 1 )−1 = 2 −1 1 (
1 1 −1
)
0 01
0 3 0 3
⎡
1 1
⎤
2 2 0 0
⎢ 1 1
⎢− 0 0 ⎥ ⎥
=⎢ 2 2 1 ⎥.
⎣ 0 0 3 − 13 ⎦
0 0 0 1 !

Übung 3.43 ⎤⎡
1 1 β
⎢ ⎥
• • ◦ Für welche α, β ∈ R ist A = ⎣1 α β 2 ⎦ invertierbar?
1 α2 β 3

v Lösung
Die Matrix A ist genau dann invertierbar, wenn ihre Determinante nicht verschwindet.
Wir rechnen somit die Determinante von A aus
+ + + + + +
+1 1 β + +1 1 1 + +1 1 1 ++
+ + + + +
+ + + + Z −Z ,Z −Z + +
det(A) = +1 α β 2 + = β +1 α β + 2 1= 3 1 β +0 α − 1 β − 1 +
+ + + + + +
+1 α 2 β 3 + +1 α 2 β 2 + +0 α 2 − 1 β 2 − 1+
+ +
+α−1 β −1+ ( )
+ +
=β+ 2 2
+ = β (α − 1)(β 2 − 1) − (α 2 − 1)(β − 1)
+α − 1 β − 1+
( )
= β (α − 1)(β − 1)(β + 1) − (α − 1)(α + 1)(β − 1) = β(α − 1)(β − 1)(β − α).

Damit die Determinante von A ungleich Null ist, muss β ̸= 0, α ̸= 1, β ̸= 1 und α ̸= β

gelten. Nur in diesem Fall ist A invertierbar und die Inverse A−1 ist gegeben durch:
3.4 • Inverse Matrix
191 3
⎡ + + + + + + ⎤
+ α β2+ +1 β 2 + +1 α + T
+ + + + + +
⎢ + 2 3+ − + 3+ + 2+ ⎥
⎢ +α β + +1 β + +1 α + ⎥
⎢ + ++ + + +⎥
1 ⎢ +
⎢ +1 β+ +
+
+1 β +
+
+1 1 +⎥
+ +⎥
A−1 = ⎢− + 2 3 + + 3 + − + 2 +⎥
det A ⎢ +α β + +1 β + +1 α +⎥
⎢ + + + + + + ⎥
⎢ +1 β + +1 β + +1 1 + ⎥
⎣ + + + + + + ⎦
+ +− + 2+ + +
+α β 2 + +1 β + +1 α +
⎡ ⎤
αβ 2 (β − α) β(α 2 − β 2 ) β(β − α)
1 ⎢ 2 ⎥
= ⎣ β (1 − β) β(β 2 − 1) β(1 − β) ⎦ .
β(α − 1)(β − 1)(β − α)
α(α − 1) 1 − α2 α−1 !

Übung 3.44
• • ◦ Man leite die Formel für die Inverse einer (2 × 2)-Matrix her (Satz 3.7).

v Lösung
( a12 )
Es sei A = aa11 21 a22
mit det(A) = a11 a22 − a21 a12 ̸= 0. Gesucht ist eine Matrix X =
( x11 x12 )
x21 x22 , für welche Folgendes gilt:

AX = E.

Wir schreiben die Matrixmultiplikation explizit auf

' *' * ' * ' *
a11 a12 x11 x12 a11 x11 + a12 x21 a11 x12 + a12 x22 ! 1 0
= = .
a21 a22 x21 x22 a21 x11 + a22 x21 a21 x12 + a22 x22 01

Der Koeffizientenvergleich liefert die folgenden 4 Gleichungen mit 4 Unbekannten

x11 , x12 , x21 , x22 :
⎧ ⎧
⎨a x + a x = 1 ⎨a x + a x = 0
11 11 12 21 11 12 12 22
und
⎩a x + a x = 0 ⎩a x + a x = 1
21 11 22 21 21 12 22 22

Das erste LGS hat die 2 Unbekannten x11 , x21 ; das zweite LGS hat die Unbekannten
x12 , x22 . Diese LGS lösen wir mit den Methoden aus 7 Kap. 2.
5 Für das erste LGS wenden wir den Gauß-Algorithmus in einem Schritt an:
' * ' *
a11 a12 1 a11 (Z2 ) − a21 (Z1 ) a11 a12 1
" .
a21 a22 0 0 a11 a22 − a21 a12 −a21

Die Zielmatrix ist in Dreiecksform und wir können die Lösung durch Rückwärts-
auflösen herauslesen. Insbesondere, für a11 a22 − a21 a12 ̸= 0 finden wir
⎧ ⎧
⎨a x + a x = 1 ⎨x = 1−a12 x21
= a11 a22a−a
22
11 11 12 21 11 a11 21 a12
⇒
⎩(a a − a a )x = −a
11 22 21 12 21 21
⎩x
21 = − a11 a22a−a
21
a
21 12
192 Kapitel 3 • Determinanten

Beachte, dass a11 a22 − a21 a12 ̸= 0 gelten muss, damit das obige LGS eine Lösung
hat. Dies entspricht genau der Bedingung det(A) ̸= 0.
5 Für das zweite LGS gehen wir analog vor:
' * ' *
a11 a12 0 a11 (Z2 ) − a21 (Z1 ) a11 a12 1
" .
a21 a22 1 0 a11 a22 − a21 a12 a11

Die Zielmatrix ist in Dreiecksform und wir können die Lösung durch Rückwärts-
auflösen herauslesen. Insbesondere, für a11 a22 − a21 a12 ̸= 0 finden wir
⎧ ⎧
⎨a x + a x = 0 ⎨x = −a12 x22
= − a11 a22a−a
12
11 12 12 22 12 a11 21 a12
⇒
⎩(a a − a a )x = a ⎩x a11
11 22 21 12 22 11 22 = a11 a22 −a21 a12

Die gesuchte inverse Matrix lautet somit:

' * ' *
a22
−1 a11 a22 −a21 a12 − a11 a22a−a
12
21 a12
1 a22 −a12
A =X= = ,
− a11 a22a−a
21
21 a12
a11
a11 a22 −a21 a12
det(A) −a21 a11

was die bekannte Formel für (2 × 2)-Matrizen ist! !

Übung 3.45 ' *

34
• • ◦ Man betrachte die folgende (2 × 2)-Matrix A = .
13
a) Ist A in R2×2 invertierbar?
b) Ist A in Z2×2
5 invertierbar?

v Lösung ' *
34
a) Die gegebene Matrix ist auf R2×2 invertierbar, weil det(A) = det = 9−4 =
13
5 ̸= 0. Die Inverse lautet:
' * ' * ' *
3
−1 1 a22 −a12 1 3 −4 5 − 45
A = = = .
det(A) −a21 a11 5 −1 3 − 15 35

b) In K = Z5 ist 5 = 0. Daher ist det(A) = 5 = 0. Die Matrix A ist somit singulär in

Z2×2
5 . !

Übung 3.46 ⎡ ⎤
120
⎢ ⎥
• • ◦ Man berechne die Inverse von A = ⎣0 2 4⎦ über a) Z5 und b) Z2 .
003
3.4 • Inverse Matrix
193 3
v Lösung + +
+1 2 0+
+ +
+ +
Es gilt det(A) = +0 2 4+ = 6.
+ +
+0 0 3+
a) In Z5 ist 6 = 1. Daher ist det(A) = 6 = 1 ̸= 0, d. h. A ist invertierbar über Z5 . Die
Inverse lautet:
⎡ + + + + + + ⎤T
+2 4+ +0 4+ +0 2+
+ + + + + +
⎢ + + −+ + + + ⎥
⎢ +0 3+
⎢ + + + 0 3+
+ + +0 0+ ⎥ ⎡ ⎤T
+ +⎥ 6 0 0
⎢ + +
1 ⎢ +2 0+ +1 0++ + + + ⎥
+1 2+⎥ ⎢ ⎥
A−1 = ⎢− + + + + − + +⎥ = ⎣−6 3 0⎦
det A ⎢ +0 3+ +0 3+ +0 0+⎥
⎢ + + + + + + ⎥ 8 −4 2
⎢ +2 0+ +1 0+ +1 2+ ⎥
⎣ + + + + + + ⎦
+ + − + + + +
+2 4+ +0 4+ +0 2+
⎡ ⎤ ⎡ ⎤
6 −6 8 143
⎢ ⎥ ⎢ ⎥
= ⎣0 3 −4⎦ = ⎣0 3 1⎦ .
0 0 2 002
(Beachte: In Z5 gilt 6 = 1, −6 = 4, 8 = 3, −4 = 1). Kontrolle:
⎡ ⎤⎡ ⎤ ⎡ ⎤ ⎡ ⎤
143 120 1 10 25 100
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 3 1⎦ ⎣0 2 4⎦ = ⎣0 6 15⎦ = ⎣0 1 0⎦ .
002 003 0 0 6 001
(Beachte: In Z5 gilt 6 = 1, 10 = 15 = 25 = 0).
b) In Z2 ist 6 = 0. Daher ist det(A) = 6 = 0 und A ist über Z2 nichtinvertierbar
(singulär). !

Übung 3.47 / 0
0 12 12
• • ◦ Es sei K = Zp und n ∈ N \ {0}. Man zeige, dass die Matrix A = −1 n −1 genau
−1 1 n
dann invertierbar ist, wenn n nicht durch p teilbar ist.

v Lösung + + + +
+1 1+ +1 1 +
+2 2+ +2 2 + n 1 1 n
Es gilt det(A) = + +−+ + = − + + = n. A ist genau dann invertierbar, wenn
+ 1 n + + n −1+ 2 2 2 2
det(A) ̸= 0 gilt. In Zp gilt n = 0 nur dann, wenn n durch p teilbar ist (d. h. n = 0 mod p).
Daher ist A genau dann invertierbar, wenn n nicht durch p teilbar ist. !
194 Kapitel 3 • Determinanten

3.5 Cramer’sche Regel

Eine weitere Anwendung der Determinante ist die sogenannte Cramer’sche Regel:

# Satz 3.9 (Cramer’sche Regel)

Es sei Ax = b ein LGS mit n Gleichungen und n Unbekannten, wobei A ∈ Kn×n und b ∈ Kn .
Gilt det(A) ̸= 0, so besitzt das LGS eine eindeutige Lösung

det(Ai )
xi = , i = 1, · · · , n (3.23)
det(A)

Ai ist die Matrix, welche man erhält, wenn man die i-te Spalte von A durch den Lösungs-
⎡ b (rechte Seite des LGS)
vektor ⎤ ersetzt:⎡ ⎤
a11 · · · a1i · · · a1n a11 · · · b1 · · · a1n
⎢ a ··· a ··· a ⎥ ⎢ a ··· b ··· a ⎥
⎢ 21 2i 2n ⎥ ⎢ 21 2 2n ⎥
A=⎢ ⎢ . . . . ⎥ ⇒ Ai = ⎢ .
⎥ ⎢ . .. .. ⎥
⎥. $
⎣ . .
. .
. ⎦ ⎣ . . . ⎦
an1 · · · ani · · · ann an1 · · · bn · · · ann

Musterbeispiel 3.4 (LGS mit Cramer’schen Regel lösen)

Als Beispiel lösen wir das folgende LGS mit der Cramer’schen Regel:
1
2x1 + 12 x2 = 0
x1 − x2 = 1
/ 1 0 / 0
2 2 0
Die Matrixdarstellung des LGS ist Ax = b, wobei A = ,b= . Wegen det(A) =
1 −1 1
/ 1 0
2 2
det = 2·(−1)−1· 12 = − 52 ̸= 0 hat das LGS genau eine Lösung. Mit der Cramer’schen
1 −1
Regel finden wir
+ + + +
+0 1 + +2 0+
+ 2 + + +
det(A1 ) + 1 −1 + 1 det(A2 ) + 1 1+ 4
x1 = = = , x2 = = =− .
det(A) − 52 5 det(A) − 52 5
2/ 1
03
Die Lösung lautet somit L = 5 .
− 45

Übung 3.48
• ◦ ◦ Für welche α ∈ R besitzt das folgende LGS eine eindeutige Lösung?
⎧
⎨2x + x = α
1 2
⎩2x + 3x = 2 + α
1 2
3.5 • Cramer’sche Regel
195 3
v Lösung * ' '
*
21 α
Die Matrixdarstellung des LGS ist Ax = b, wobei A = ,b= . Wegen
23 2+α
+ +
+2 1+
+ +
det(A) = + + = 2 · 3 − 2 · 1 = 4 ̸= 0 besitzt das LGS eine eindeutige Lösung für alle
+2 3+
α ∈ R. Nach der Cramer’schen Regel ist
+ + + +
+ α 1+ +2 α +
+ + + +
+ + + +
det(A1 ) +2 + α 3+ α−1 det(A2 ) +2 2 + α+
x1 = = = , x2 = = = 1.
det(A) 4 2 det(A) 4
1' *4
α−1
Die Lösung lautet somit L = 2 . !
1

Übung 3.49
• ◦ ◦ Man löse das folgende LGS mit der Cramer’schen Regel:
⎧
⎪
⎨x1 − x2 + x3 = 6
⎪
2x1 + x2 − x3 = −3
⎪
⎪
⎩
x1 − x2 − x3 = 0

v Lösung / 0
1 −1 1 6 6
7
Die Matrixdarstellung des LGS ist Ax = b, wobei A = 2 1 −1 ,b= −3 . Wegen
1 −1 −1 0
det(A) = −6 ̸= 0 hat das LGS eine eindeutige Lösung. Nach der Cramer’schen Regel
ist
+ + + +
+ 6 −1 1 + +1 6 1 +
+ + + +
+ + + +
+−3 1 −1+ +2 −3 −1+
+ + + +
+ 0 −1 −1+ −6 +1 0 −1+ 12
x1 = = = 1, x2 = = = −2,
det(A) −6 det(A) −6
+ +
+1 −1 6 +
+ +
+ +
+2 1 −3+
+ +
+1 −1 0 + −18
x3 = = = 3.
det(A) −6
⎧⎡ ⎤⎫
⎨ 1 ⎪
⎪ ⎬
⎢ ⎥
Die Lösung lautet somit L = ⎣−2⎦ . !
⎪
⎩ ⎪
⎭
3
196 Kapitel 3 • Determinanten

Übung 3.50
• ◦ ◦ Man löse das folgende LGS mit der Cramer’schen Regel:
⎧
⎪
⎨x1 + x2 + x3 = 13
⎪
x1 + 2x2 + x3 = 19
⎪
⎪
⎩
2x2 + x3 = 15

v Lösung 61 1 17 6 13 7
Das LGS hat die Matrixdarstellung Ax = b mit A = 121 ,b = 19 . Wegen
021 15
det(A) = 1 ̸= 0 hat das LGS genau eine Lösung. Nach der Cramer’schen Regel finden
wir
+ + + + + +
+13 1 1+ +1 13 1+ +1 1 13+
+ + + + + +
+ + + + + +
+19 2 1+ +1 19 1+ +1 2 19+
+ + + + + +
+15 2 1+ +0 15 1+ +0 2 15+
x1 = = 4, x2 = = 6, x3 = = 3.
det(A) det(A) det(A)
⎧⎡ ⎤⎫
⎨ 4 ⎪
⎪ ⎬
⎢ ⎥
Die Lösung lautet somit L = ⎣6⎦ . !
⎪
⎩ ⎪
⎭
3

Übung 3.51
• ◦ ◦ Man löse das folgende LGS mit der Cramer’schen Regel:
⎧
⎪
⎨3x1 + 2x2 − x3 = 2
⎪
x1 + x3 = 2
⎪
⎪
⎩
x1 − x2 + 2x3 = 3

v Lösung
Die Matrixdarstellung des LGS ist Ax = b, wobei
⎡ ⎤ ⎡ ⎤
3 2 −1 2
⎢ ⎥ ⎢ ⎥
A = ⎣1 0 1 ⎦ , b = ⎣2⎦ .
1 −1 2 3
+ +
+3 2 −1+
+ +
+ +
Wegen det(A) = +1 0 1 + = 2 ̸= 0 wenden wir die Cramer’sche Regel an und finden
+ +
+1 −1 2 +
3.5 • Cramer’sche Regel
197 3
+ + + + + +
+2 2 −1+ +3 2 −1+ +3 2 2+
+ + + + + +
+ + + + + +
+2 0 1 + +1 2 1 + +1 0 2+
+ + + + + +
+3 −1 2 + 2 +1 3 2 + 0 +1 −1 3+ 2
x1 = = = 1, x2 = = = 0, x3 = = =1
det(A) 2 det(A) 2 det(A) 2
⎧⎡ ⎤⎫
⎨ 1 ⎪
⎪ ⎬
⎢ ⎥
Die Lösung lautet somit L = ⎣0⎦ . !
⎪
⎩ ⎪
⎭
1

Übung 3.52
• • ◦ Man beweise die Cramer’sche Regel für ein LGS mit 2 Gleichungen und 2
Unbekannten.

v Lösung
Die Cramer’sche Regel folgt direkt
( a11 a12 ) 6 aus7 der Formel für die inverse Matrix. Sei Ax = b,
b1
ein LGS mit A = a21 a22 , b = b . Gilt det(A) ̸= 0, so ist A invertierbar und die
2
Lösung des obigen LGS ist einfach durch

Ax = b ⇒ x = A−1 b

gegeben. Mit der Formel für die Inverse A−1 (Satz 3.7) finden wir somit
' *' * ' *
−1 1 a22 −a12 b1 1 b1 a22 − b2 a12
x=A b= =
det(A) −a21 a11 b2 det(A) a11 b1 − a21 b2
⎡ ' *⎤
b1 a12
⎢det ⎥ ' det(A1 ) *
1 ⎢ ⎢ '
b2 a22 ⎥
* ⎥ = det(A) .
=
det(A) ⎢
⎣ a11 b1 ⎥ ⎦
det(A2 )
det(A)
det
a21 b2 !

Übung 3.53
• • ◦ Man löse das folgende LGS auf K = Z5
⎧
⎨4x + x = 58 (mod 5)
1 2
⎩2x + x = 1231 (mod 5)
1 2

v Lösung
Wir führen alle Rechnungen in Z5 durch. In Z5 gilt 58 = 3 und 1231 = 1. Wir müssen
somit
198 Kapitel 3 • Determinanten

⎧
⎨4x + x = 3
1 2
⎩2x + x = 1
1 2

lösen. Dazu wenden wir die Cramer’schen Regel an (vgl. Satz 3.9). Es gilt:
' *
41 1
A= ⇒ det(A) = 4 − 2 = 2 ⇒ = 2−1 = 3.
21 det(A)

Dass 2−1 = 3 sieht man wie folgt: In Z5 gilt 2 · 3 = 6 = 1 ⇒ 2−1 = 3. Daraus folgt:
' *
det(A1 ) 31
x1 = = 3 · det =3·2=6=1
det(A) 11
' *
det(A2 ) 43
x2 = = 3 · det = 3 · (−2) = 3 · 3 = 9 = 4.
det(A) 21

Die gesuchte Lösung des LGS ist somit

1' * +' * ' *4
+ x
x1 + 1 1
L= ∈ Z25 + = .
x2 + x2 4

Probe: 4 · 1 + 4 = 8 = 3 und 2 · 1 + 4 = 6 = 1 %. !

Übung 3.54
• • • In diesem Beispiel diskutieren wir eine Anwendung der Vandermonde-
Determinante (vgl. Übung 3.32). Man zeige: Sind n Stützstellen (xi , yi ) für i = 1, · · · , n
gegeben mit xi ̸= xj , so gibt es genau ein Polynom p(x) = a0 + a1 x + · · · + an−1 xn−1
mit p(xi ) = yi für i = 1, · · · , n.

v Lösung
Die Bedingungen p(x1 ) = y1 , p(x2 ) = y2 , · · · lauten:

!
p(x1 ) = a0 + a1 x1 + a2 x21 + · · · + an−1 xn−1
1 = y1
!
p(x1 ) = a0 + a1 x2 + a2 x22 + · · · + an−1 xn−1
2 = y2
..
.
!
p(xn ) = a0 + a1 xn + a2 x2n + · · · + an−1 xn−1
n = yn

Wir erhalten ein LGS für a0 , a1 , · · · , an−1

3.5 • Cramer’sche Regel
199 3
⎡ ⎤
⎡ ⎤ a0 ⎡ ⎤
1 x1 x21 · · · xn−1
1 ⎢ ⎥ y1
⎢1 2 ⎥
n−1 ⎢ ⎢ a 1 ⎥ ⎢ ⎥
⎢ x2 x2 · · · x2 ⎥ ⎢ ⎥ ⎢y2 ⎥
⎢. ⎥ a ⎥
⎢. .. .. . . . ⎥⎢ 2 ⎥ ⎢
= .⎥
⎣. . .. ⎦ ⎢ ⎥ ⎢ .⎥
. . ⎢ . ⎥ ⎣.⎦
.
⎣ . ⎦
1 xn x2n · · · xn−1
n yn
; <= > an−1
=A

Das obige LGS hat genau dann eine eindeutige Lösung, wenn det(A) ̸= 0. Wir
erkennen, dass det(A) die Vandermonde-Determinante ist (vgl. Übung 3.32):
⎡ ⎤
1 x1 x21 · · · xn−1
1
⎢1 x2 x22 · · · xn−1 ⎥ ?
⎢ 2 ⎥
det(A) = det ⎢
⎢ .. .. .. .. . ⎥=
⎥ (xj − xi ).
⎣. . . . .. ⎦ i<j
1 xn x2n · · · xn−1
n

Wegen xi ̸= xj (Voraussetzung) ist det(A) ̸= 0. Somit ist das obige LGS eindeutig
lösbar d. h., es gibt genau ein Polynom p(x) = a0 + a1 x + · · · + an−1 xn−1 mit
p(xi ) = yi . !

3.5.1 Homogene LGS

Ein homogenes LGS Ax = 0 mit A ∈ Kn×n besitzt immer eine Lösung: die triviale
Lösung x = 0. In 7 Abschn. 2.3.4 haben wir gelernt, dass solche homogene LGS
genau dann eine nichttriviale Lösung besitzen, wenn Rang(A) < n gilt, d. h. wenn
A nichtinvertierbar ist. Dieses Kriterium können wir nun in einer äquivalenter Form
mithilfe der Determinante formulieren:

# Satz 3.10 (Determinantenkriterium für homogene LGS)

Sei Ax = 0 ein homogenes LGS mit n Gleichungen und n Unbekannten. Dann gilt:

Ax = 0 hat eine nichttriviale Lösung x ̸= 0 ⇔ det(A) = 0

i Merkregel
Ein quadratisches homogenes LGS Ax = 0 hat genau dann eine nichttriviale Lösung
x ̸= 0, wenn det(A) = 0 gilt (d. h. wenn A nichtinvertierbar ist). Dies ist ein
sehr wichtiges Resultat, das wir mehrmals anwenden werden (z. B. bei Eigenwerten,
vgl. 7 Kap. 9).

> Bemerkung
Vergleiche Satz 3.10 mit Satz 2.4.
200 Kapitel 3 • Determinanten

Übung 3.55
• ◦ ◦ Für welche Werte von α ∈ R besitzt das folgende homogene LGS eine nichttriviale
Lösung?
⎧
⎪
⎨αx1 − x2 + x3 = 0
⎪
x1 + αx2 − x3 = 0
⎪
⎪
⎩
2x1 + x2 = 0

v Lösung
Die Matrixdarstellung des LGS ist Ax = 0, wobei
⎡ ⎤
α −1 1
⎢ ⎥
A = ⎣ 1 α −1⎦ ⇒ det(A) = 3 − α.
2 1 0

Damit das LGS eine nichttriviale Lösung besitzt, muss det(A) = 0 sein. Daraus folgt
α = 3. !

Übung 3.56
• ◦ ◦ Für welche Werte von α, β ∈ R besitzt das folgende homogene LGS eine
nichttriviale Lösung?
⎧
⎪
⎨3x1 + 4x3 = 0
⎪
2αx2 + 2βx3 = 0
⎪
⎪
⎩
3x1 + αx2 + 4x3 = 0

v Lösung
Die Matrixdarstellung des LGS ist Ax = 0, wobei
⎡ ⎤
3 0 4
⎢ ⎥
A = ⎣0 2α 2β ⎦ ⇒ det(A) = −6αβ.
3 α 4

Damit das LGS eine nichttriviale Lösung besitzt, muss det(A) = 0 sein. Daraus folgt
5 α = 0 und β = 0, oder
5 α = 0 und β ̸= 0, oder
5 α ̸= 0 und β = 0. !
 201 4

LR-Zerlegung
Inhaltsverzeichnis

4.1 LR-Zerlegung ohne Zeilenvertauschung – 202

4.1.1 Definition – 202
4.1.2 Bestimmung der LR-Zerlegung (praktisch) – 203
4.1.3 Existenz und Eindeutigkeit der LR-Zerlegung – 211
4.1.4 Lösung von LGS durch LR-Zerlegung – 217

4.2 LR-Zerlegung mit Zeilenvertauschung –

Pivotstrategie – 222
4.2.1 Permutationsmatrizen – 222
4.2.2 Eigenschaften von Permutationsmatrizen – 223
4.2.3 Gauß-Algorithmus mit Pivotstrategie – 225
4.2.4 LR-Zerlegung mit Zeilenvertauschung – 226
4.2.5 Lösung von LGS – 231

4.3 Zeilenvertauschung: ja oder nein? – 234

4.3.1 Numerische Stabilität – 235

4.4 Komplexität der LR-Zerlegung – 238

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
202 Kapitel 4 • LR-Zerlegung

Ein zentrales Thema der linearen Algebra ist die Entwicklung effizienter Methoden
zur Lösung von LGS, welche in verschiedenen Bereichen der Naturwissenschaften
oder der Technologie vorkommen. In diesem Kapitel studieren wir eine solche
Methode: die LR-Zerlegung. Wie wir in diesem Kapitel erfahren werden, ist die
LR-Zerlegung grundsätzlich eine Variante des Gauß-Algorithmus (welcher wir im
7 Kap. 2 studiert haben). Die LR-Zerlegung erlaubt alle nötigen Zeilenoperationen
beim Gauß-Algorithmus geschickt zu speichern.
Wir werden zuerst eine einfache Variante der LR-Zerlegung diskutieren: die LR-
Zerlegung ohne Zeilenverstauschung oder einfach LR-Zerlegung (7 Abschn. 4.1).
Wir werden uns dann mit der LR-Zerlegung mit Zeilenvertauschung beschäftigen
(7 Abschn. 4.2.4), welche eine etwas kompliziertere Variante der einfachen LR-
Zerlegung ist. Diese Variante führt aber zu einer erhörten numerischen Genauigkeit
(7 Abschn. 4.3).

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 4 sind Sie in der Lage:
5 den Sinn einer LR-Zerlegung sowie deren Existenz und Eindeutigkeit zu erklären,
5 die Lösungen eines LGS durch LR-Zerlegung zu bestimmen,
5 LR-Zerlegung mittels Gauß-Algorithmus durchzuführen,
5 LR-Zerlegung mit Zeilenvertauschung und Permutationsmatrix zu berechnen,
5 die Komplexität und numerische Stabilität der LR-Zerlegung zu erkennen und zu
diskutieren,
5 Manipulationen mit Permutationsmatrizen durchzuführen.

4.1 LR-Zerlegung ohne Zeilenvertauschung

4.1.1 Definition
# Definition 4.1
Eine (n × n)-Matrix A besitzt eine LR-Zerlegung (auch LU-Zerlegung gennant, aus der
englischen Literatur LU-decomposition für LowerUpper-Zerlegung), wenn man A wie
folgt schreiben (zerlegen) kann:

A = LR (4.1)

In dieser Zerlegung, ist L eine normierte (n × n)-untere Dreiecksmatrix (oder Linksdreiecks-

matrix), während R eine (n × n)-obere Dreiecksmatrix (oder Rechtsdreiecksmatrix) ist:
⎡ ⎤ ⎡ ⎤
1 0 ··· 0 ⋆ ⋆ ··· ⋆
⎢ ⎥
⎢⋆ 1 . . . ... ⎥ ⎢0 ⋆ · · · ⋆⎥
⎢ ⎥
⎢ ⎥ ⎢. ⎥
L= ⎢ ⎥ , R= ⎢ . . . . . .. ⎥ . (4.2)
⎢ .. . . . . ⎥ ⎣. . . .⎦
⎣ . . . 0⎦
⋆ ··· ⋆ 1 0 ··· 0 ⋆
; <= > ; <= >
normierte untere obere Dreiecksmatrix
Dreiecksmatrix

Eine normierte Dreiecksmatrix hat nur Einsen auf der Hauptdiagonalen. $

4.1 • LR-Zerlegung ohne Zeilenvertauschung
203 4
> Bemerkung
Der Einfachheit halber beschäftigen wir uns hier nur mit quadratischen Matrizen, aber
bemerken, dass die LR-Zerlegung prinzipiell auch mit (m × n)-Matrizen durchgeführt
werden kann (vgl. Übungen 4.6 und 4.7).

> Bemerkung
Beachte auch, dass, in der englischen Literatur untere und obere Dreiecksmatrizen
beziehungsweise lower und upper triangular matrices genannt werden. Daher werden die
Buchstaben L (für lower) und U (für upper) verwendet, im Unterschied zur deutschen
Literatur, wo die Buchstaben L (für links) und R (für rechts) benutzt werden.

4.1.2 Bestimmung der LR-Zerlegung (praktisch)

Wie kann man die Matrizen L und R der LR-Zerlegung (Gl. (4.1)) einer vorgegebenen
Matrix A bestimmen? Der Gauß-Algorithmus liefert sie ganz automatisch. Wir
wollen jetzt diese Prozedur an einem einfachen Beispiel praktisch einführen.1

Musterbeispiel 4.1 (LR-Zerlegung)

Gesucht ist die LR-Zerlegung der folgenden Matrix:

⎡ ⎤
2 6 2
⎢ ⎥
A = ⎣−3 −8 0⎦ .
4 9 2

Wir beginnen mit der folgenden erweiterten Matrix

⎡ ⎤
100 2 6 2
⎢ ⎥
[E|A] = ⎣ 0 1 0 −3 −8 0 ⎦ .
001 4 9 2

Dann führen wir den Gauß-Algorithmus auf die rechte Matrix durch und speichern die
nötigen Zeilenoperationen in den Einträgen der linken Matrix unter der Diagonalen.
Die Matrizen L und R werden dann direkt im Endschema [L|R] abgelesen.
Der erste Schritt beim Gauß-Algorithmus besteht in diesem Fall darin, die erste
Zeile mit (−3/2) zu multiplizieren und sie dann von der zweiten Gleichung zu subtra-
hieren. Daher verschwindet der erste Eintrag der rechten Matrix aus der zweiten Zeile.
Die Zahl (−3/2) wird entsprechend in der linken Matrix an der Stelle (2, 1) eingetragen:

⎡ ⎤ @ A ⎡ ⎤
1 0 0 2 6 2 (Z2 )− − 32 (Z1 ) 1 0 0 2 6 2
⎢ ⎥ ⎢ ⎥
⎣ 0 1 0 −3 −8 0 ⎦ " ⎣ − 32 1 0 0 1 3 ⎦.
0 0 1 4 9 2 0 0 1 4 9 2

1 Nicht für jede Matrix A existiert eine LR-Zerlegung (7 vgl. Abschn. 4.1.3).
204 Kapitel 4 • LR-Zerlegung

Im nächsten Schritt, multiplizieren wir die erste Zeile mit 2 und subtrahieren sie dann
von der dritten Zeile. Die Zahl 2 wird entsprechend in der linken Matrix an der Stelle
(3, 1) eingetragen:
⎡ ⎤ ⎡ ⎤
1 0 0 2 6 2 1 0 0 2 6 2
⎢ 3 ⎥ (Z3 )− 2 (Z1 ) ⎢ 3 ⎥
⎣ −2 1 0 0 1 3 ⎦ " ⎣ −2 1 0 0 1 3 ⎦.
0 0 1 4 9 2 2 0 1 0 −3 −2

Als letztes Schritt, multiplizieren wir die zweite Zeile mit (−3) und subtrahieren sie von
der dritten Zeile. Die Zahl (−3) wird dann entsprechend in der linken Matrix an der
Stelle (3, 2) eingetragen:
⎡ ⎤ ⎡ ⎤
1 0 0 2 6 2 1 0 0 2 6 2
⎢ 3 ⎥ (Z3 )− (−3) (Z2 )
⎢ 3 ⎥
⎣ −2 1 0 0 1 3 ⎦ " ⎣ −2 1 0 0 1 3 ⎦.
2 0 1 0 −3 −2 2 −3 1 0 0 7

Somit ist die rechte Matrix in Zeilenstufenform. Der Gauß-Algorithmus ist abgeschlos-
sen. Die Matrizen L und R können wir direkt im Endschema ablesen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 2 6 2 1 0 0 2 6 2
⎢ 3 ⎥ ⎢ 3 ⎥ ⎢ ⎥
[L|R] = ⎣ − 2 1 0 0 1 3 ⎦ ⇒ L = ⎣− 2 1 0⎦ , R = ⎣0 1 3⎦ .
2 −3 1 0 0 7 2 −3 1 0 0 7

Man kann jetzt leicht durch direkte Matrixmultiplikation nachweisen, dass die so
gefundenen Matrizen L und R tatsächlich eine LR-Zerlegung der Ausgangsmatrix A
sind:
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 0 0 262 2 62
⎢ ⎥⎢ ⎥ ⎢ ⎥
LR = ⎣− 32 1 0⎦ ⎣0 1 3⎦ = ⎣−3 8 0⎦ = A %
2 −3 1 007 4 92

! Achtung
Beachte das Vorzeichen der Einträgen der Matrix L: Bei der Zeilenoperation (Zi ) −
α(Zj ) wird die Zahl α (nicht −α) an der Stelle (i, j) der Matrix L gespeichert.

LR-Zerlegung – allgemeines Vorgehen

Die Prozedur zur Berechnung der LR-Zerlegung einer Matrix, welche wir oben
anhand eines Beispiels illustriert haben, kann man mit folgendem Satz festhalten:

# Satz 4.1 (Bestimmung der LR-Zerlegung)

Falls der Gauß-Algorithmus angewandt auf A ∈ Kn×n ohne Zeilenvertauschungen
möglich ist, dann liefert dieser im Endschema eine untere Dreiecksmatrix L (mit Einsen
4.1 • LR-Zerlegung ohne Zeilenvertauschung
205 4
in der Hauptdiagonalen) und eine obere Dreiecksmatrix R, sodass LR = A gilt. Die
Matrix R ist die Zielmatrix am Ende des Gauß-Algorithmus. Die Matrix L speichert alle
beim Gauß-Algorithmus benötigten Zeilenoperationen. Dabei gilt: Wird die Zeilenoperation
(Zi ) − α(Zj ) durchgeführt, so wird die Zahl α entsprechend an der Stelle (i, j) in der Matrix
L eingetragen. $

Übung 4.1 ⎡ ⎤
1 2 4
⎢ ⎥
• ◦ ◦ Man bestimme die LR-Zerlegung von A = ⎣ 2 3 8 ⎦ .
−1 −3 −1

v Lösung
Das Ausgangsschema der Prozedur zur Bestimmung der LR-Zerlegung ist die erwei-
terte Matrix:
⎡ ⎤
1 0 0 1 2 4
⎢ ⎥
[E|A] = ⎣ 0 1 0 2 3 8 ⎦ .
0 0 1 −1 −3 −1

Dann wenden wir den Gauß-Algorithmus auf die rechte Matrix an und speichern
die nötigen Zeilenoperationen in den Einträgen der linken Matrix (links von der
Diagonalen):

⎡ ⎤ (Z2 ) − 2 (Z1 ) ⎡ ⎤
1 0 0 1 2 4 (Z3 ) − (−1) (Z1 )
1 0 0 1 2 4
⎢ ⎥ ⎢ ⎥
⎣0 1 0 2 3 8 ⎦ " ⎣ 2 1 0 0 −1 0 ⎦
0 0 1 −1 −3 −1 −1 0 1 0 −1 3
⎡ ⎤
1 0 0 1 2 4
(Z3 ) − 1 (Z2 ) ⎢ ⎥
" ⎣ 2 1 0 0 −1 0 ⎦ .
−1 1 1 0 0 3

Nun ist die rechte Matrix in Zeilenstufenform. Somit ist der Gauß-Algorithmus
beendet und wir können die LR-Zerlegung von A direkt aus dem Endschema ablesen:
⎡ ⎤ ⎡ ⎤
1 00 1 2 4
⎢ ⎥ ⎢ ⎥
L = ⎣ 2 1 0⎦ , R = ⎣0 −1 0⎦ .
−1 1 1 0 0 3

Probe:
⎡ ⎤⎡ ⎤
1 00 1 2 4
⎢ ⎥⎢ ⎥
LR = ⎣ 2 1 0⎦ ⎣0 −1 0⎦ = A % !
−1 1 1 0 0 3
206 Kapitel 4 • LR-Zerlegung

Übung 4.2 ⎡ ⎤
1 −2 4
⎢ ⎥
• ◦ ◦ Man bestimme die LR-Zerlegung von A = ⎣5 0 2⎦ .
3 −1 1

v Lösung ⎤⎡
1 0 0 1 −2 4
⎢ ⎥
Das Ausgangsschema ist [E|A] = ⎣ 0 1 0 5 0 2 ⎦ . Dann wenden wir den Gauß-
0 0 1 3 −1 1
Algorithmus auf die rechte Matrix an und speichern die nötigen Zeilenoperationen in
den Einträgen der linken Matrix:

⎡ ⎤ (Z2 ) − 5 (Z1 ) ⎡ ⎤
1 0 0 1 −2 4 1 0 0 1 −2 4 (Z ) − 1 (Z2 )
⎢ ⎥ (Z3 ) − 3 (Z1 ) ⎢ ⎥ 3 2
⎣0 1 0 5 0 2⎦ " ⎣ 5 1 0 0 10 −18 ⎦ "
0 0 1 3 −1 1 3 0 1 0 5 −11
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 1 −2 4 1 0 0 1 −2 4
⎢5 1 0 0 10 −18 ⎥ ⎢ ⎥ ⎢ ⎥
⎣ ⎦ ⇒ L = ⎣5 1 0⎦ , R = ⎣0 10 −18⎦ .
3 1
2 1 0 0 −2 3 12 1 0 0 −2

Der Leser kann selber kontrollieren, dass LR = A gilt. !

Übung 4.3
⎡ ⎤
1 1 1 1
⎢1
⎢ 2 3 4⎥⎥
• • ◦ Man bestimme die LR-Zerlegung von A = ⎢ ⎥.
⎣1 3 6 10⎦
1 4 10 20

v Lösung
Wir beginnen mit der erweiterten Matrix [E|A] und wenden den Gauß-Algorithmus in
drei Schritten an:

⎡ ⎤ (Z2 ) − 1 (Z1 ) ⎡ ⎤
1 0 0 0 1 1 1 1 (Z3 ) − 1 (Z1 ) 1 0 0 0 1 1 1 1 (Z3 ) − 2 (Z2 )
⎢0 4 ⎥ ⎢ 1 1 0 0 0 1 2 3 ⎥
⎢ 1 0 0 1 2 3 ⎥ (Z 4 ) − 1 (Z 1 ) ⎢ ⎥ (Z4 ) − 3 (Z2 )
[E|A] = ⎢ ⎥ " ⎢ ⎥ "
⎣0 0 1 0 1 3 6 10 ⎦ ⎣ 1 0 1 0 0 2 5 9 ⎦
0 0 0 1 1 4 10 20 1 0 0 1 0 3 919
⎡ ⎤ ⎡ ⎤
1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1
⎢1 1 0 0 0 1 2 3 ⎥ (Z ) − 3 (Z ) ⎢1 1 0 0 0 1 2 3⎥
⎢ ⎥ 4 3 ⎢ ⎥
⎢ ⎥ " ⎢ ⎥.
⎣1 2 1 0 0 0 1 3 ⎦ ⎣1 2 1 0 0 0 1 3⎦
1 3 0 1 0 0 3 10 1 3 3 1 0 0 0 1
4.1 • LR-Zerlegung ohne Zeilenvertauschung
207 4
Der Gauß-Algorithmus ist beendet. Nun können wir die LR-Zerlegung von A direkt
aus dem Endschema ablesen:
⎡ ⎤ ⎡ ⎤
1 0 0 0 1 1 1 1
⎢1 0⎥ ⎢0
⎢ 1 0 ⎥ ⎢ 1 2 3⎥⎥
L=⎢ ⎥, R=⎢ ⎥.
⎣1 2 1 0⎦ ⎣0 0 1 3⎦
1 3 3 1 0 0 0 1

Die Kontrolle liefert LR = A. !

Übung 4.4
⎡ ⎤
−2 4 6 0
⎢0 3 1
⎢ 1⎥⎥
• • ◦ Man bestimme die LR-Zerlegung von A = ⎢ ⎥.
⎣ 2 −10 −7 −1⎦
1 −8 −4 2

v Lösung
Wir beginnen mit dem Ausgangsschema [E|A] und wenden den Gauß-Algorithmus in
drei Schritten an:

⎡ ⎤ (Z3 ) − (−1) (Z1 )

⎡ ⎤
1 0 0 0 −2 4 6 0 1 0 0 0 −2 4 6 0
⎢0 (Z4 ) − (− 1 ) (Z1 ) ⎢ ⎥
⎢ 1 0 0 0 3 1 1 ⎥
⎥ 2 ⎢
⎢
0 100 0 3 1 1 ⎥
⎥
[E|A] = ⎢ ⎥ " ⎢
⎣0 0 1 0 2 −10 −7 −1 ⎦ ⎣ −1 0 1 0 0 −6 −1 −1 ⎥⎦
0 0 0 1 1 −8 −4 2 − 12 0 0 1 0 −6 −1 2

⎡ ⎤
(Z3 ) − (−2) (Z2 ) 1 0 0 0 −2 4 6 0
(Z4 ) − (−2) (Z2 ) ⎢ 0 1 0 0 0 3 1 1⎥
⎢ ⎥
" ⎢ ⎥
⎣ −1 −2 1 0 0 0 1 1 ⎦
− 12 −2 0 1 0 0 1 4
⎡ ⎤
1 0 0 0 −2 4 6 0
(Z4 ) − 1 (Z3 ) ⎢ 0 1 0 0 0 3 1 1⎥
⎢ ⎥
" ⎢ ⎥.
⎣ −1 −2 1 0 0 0 1 1 ⎦
− 12 −2 1 1 0 0 0 3

Da die rechte Matrix in Zeilenstufenform ist, ist der Gauß-Algorithmus beendet und
wir können die LR-Zerlegung von A direkt aus dem Endschema ablesen:
⎡ ⎤ ⎡ ⎤
1 0 0 0 −2 4 6 0
⎢ 0 ⎥ ⎢0 1⎥
⎢ 1 0 0⎥ ⎢ 3 1 ⎥
L=⎢ ⎥, R=⎢ ⎥.
⎣ −1 −2 1 0⎦ ⎣0 0 1 1⎦
− 21 −2 1 1 0 0 0 3

Die Kontrolle liefert LR = A. !

208 Kapitel 4 • LR-Zerlegung

Übung 4.5
⎡ ⎤
1 1 2 3
⎢3
⎢ −1 −1 −2⎥
⎥
• • ◦ Man berechne die Determinante von A = ⎢ ⎥ mittels der LR-
⎣2 3 −1 −1⎦
1 2 4 −1
Zerlegung.

v Lösung
Zu Beginn betrachten wir das Ausgangsschema [E|A] und wenden den Gauß-
Algorithmus in drei Schritten an:

(Z2 ) − 3 (Z1 )
⎡ ⎤ ⎡ ⎤
10001 1 2 3 (Z3 ) − 2 (Z1 ) 1 0001 1 2 3
⎢ 0 1 0 0 3 −1 −1 −2 ⎥ (Z4 ) − 1 (Z1 ) ⎢ 3 1 0 0 0 −4 −7 −11 ⎥
⎢ ⎥ ⎢ ⎥
[E|A] = ⎢ ⎥ " ⎢ ⎥
⎣ 0 0 1 0 2 3 −1 −1 ⎦ ⎣ 2 0 1 0 0 1 −5 −7 ⎦
00011 2 4 −1 1 0010 1 2 −4

(Z3 ) − (− 1 ) (Z2 ) ⎡ ⎤
4 1 0 001 1 2 3
(Z4 ) − (− 1 ) (Z2 ) ⎢ 3 1 0 0 0 −4 −7 −11 ⎥
4 ⎢ ⎥
" ⎢ ⎥
⎢ 2 − 14 1 0 0 0 − 27 − 39 ⎥
⎣ 4 4 ⎦
1 − 14 0 1 0 0 14 − 27 4
⎡ ⎤
1 0 0 01 1 2 3
(Z4 )− 1
(− 27 ) (Z3 ) ⎢
⎢3 1 0 0 0 −4 −7 −11 ⎥
⎥
" ⎢ ⎥
39 ⎥ .
⎢2 −1 1 0 0 0 − 27
⎣ 4 4 − 4 ⎦
1 − 14 1
− 27 1 0 0 0 − 64 9

Die LR-Zerlegung von A ist:

⎡ ⎤ ⎡ ⎤
1 0 0 0 1 1 2 3
⎢3 0⎥ ⎢0
⎢ 1 0 ⎥ ⎢ −4 −7 −11⎥ ⎥
L=⎢ ⎥, R=⎢ 39 ⎥
.
⎣2 − 14 1 0⎦ ⎣0 0 − 27
4 − 4
⎦
1 − 14 − 27
1
1 0 0 0 − 64 9

Für die Determinante der Ausgangsmatrix A gilt:

B C B C
27 64
det(A) = det(LR) = det(L) det(R) = det(R) = 1 · (−4) · − · − = −192. !
; <= > 4 9
=1
4.1 • LR-Zerlegung ohne Zeilenvertauschung
209 4

Übung 4.6
• ◦ ◦ Man bestimme die LR-Zerlegung der (3 × 2)-Matrix:
⎡ ⎤
2 1
⎢ ⎥
A = ⎣4 −2⎦ .
0 −4

v Lösung
Mit diesem Beispiel wollen wir die LR-Zerlegung an einer nicht quadratischen Matrix
demonstrieren. Zu Beginn betrachten wir das folgende Ausgangsschema:
⎡ ⎤
1 0 0 2 1
⎢ ⎥
[E|A] = ⎣ 0 1 0 4 −2 ⎦ .
0 0 1 0 −4

Wir führen den Gauß-Algorithmus in zwei Schritten durch:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 2 1 1 0 0 2 1 1 0 0 2 1
⎢ ⎥ (Z2 ) − 2 (Z1 ) ⎢ ⎥ (Z3 ) − 1 (Z2 ) ⎢ ⎥
⎣ 0 1 0 4 −2 ⎦ " ⎣ 2 1 0 0 −4 ⎦ " ⎣ 2 1 0 0 −4 ⎦ .
0 0 1 0 −4 0 0 1 0 −4 0 1 1 0 0
⎤ ⎡ ⎡ ⎤
100 2 1
⎢ ⎥ ⎢ ⎥
Somit ist die LR-Zerlegung von A gegeben durch L = ⎣2 1 0⎦, R = ⎣0 −4⎦ .
011 0 0
Kontrolle:
⎡ ⎤⎡ ⎤ ⎡ ⎤
100 2 1 2 1
⎢ ⎥⎢ ⎥ ⎢ ⎥
LR = ⎣2 1 0⎦ ⎣0 −4⎦ = ⎣4 −2⎦ = A % !
011 0 0 0 −4

> Bemerkung
Beachte, dass die Matrix A in Übung 4.6 nicht quadratisch ist. Wir müssen somit auf
die Dimensionen der Matrizen L und R aufpassen: In diesem Fall ist L eine (3 × 3)-
Matrix, während R eine (3 × 2)-Matrix ist. Nur so ergibt sich aus der Multiplikation
LR eine (3 × 2)-Matrix: L(3×3) (3×2) R ⇒ A(3×2) .
210 Kapitel 4 • LR-Zerlegung

Übung 4.7
• • ◦ Man bestimme die LR-Zerlegung der folgenden (5 × 3)-Matrix:
⎡ ⎤
2 −6 6
⎢ ⎥
⎢−4 5 −7⎥
⎢ ⎥
A=⎢
⎢8 −3 9⎥⎥.
⎢ ⎥
⎣−6 4 −8⎦
3 5 −1

v Lösung
Mit diesem Beispiel wollen wir die LR-Zerlegung an einer weiteren nicht quadratischen
Matrix demonstrieren. Wir betrachten das Ausgangsschema:
⎡ ⎤
1 0 0 0 0 2 −6 6
⎢ ⎥
⎢0 1 0 0 0 −4 5 −7 ⎥
⎢ ⎥
[E|A] = ⎢
⎢0 0 1 0 0 8 −3 9 ⎥
⎥.
⎢ ⎥
⎣0 0 0 1 0 −6 4 −8 ⎦
0 0 0 0 1 3 5 −1

und wenden den Gauß-Algorithmus in zwei Schritten an:

(Z2 ) − (−2) (Z1 )

⎡ ⎤ (Z3 ) − 4 (Z1 ) ⎡ ⎤
1 0 0 0 0 2 −6 6 (Z3 ) (−3) (Z1 ) 1 0 0 0 0 2 −6 6
⎢ ⎥ ⎢ −2 1 0 0 0 0 −7 5 ⎥
⎢0 1 0 0 0 −4 5 −7 ⎥ (Z5 ) − 3 (Z1 ) ⎢ ⎥
⎢ ⎥ 2 ⎢ ⎥
⎢0 0 1 0 0 8 −3 9 ⎥ " ⎢ 4 0 1 0 0 0 21 −15 ⎥
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ −3 0 0 1 0 0 −14 10 ⎥
⎣0 0 0 1 0 −6 4 −8 ⎦ ⎣ ⎦
0 0 0 0 1 3 5 −1 3
2 0 0 0 1 0 14 −10

(Z3 ) − (−3) (Z2 ) ⎡ ⎤

1 0 0 0 0 2 −6 6
(Z4 ) − 2 (Z2 ) ⎢ ⎥
(Z5 ) − (−2) (Z2 )
⎢ −2 1 0 0 0 0 −7 5 ⎥
⎢ ⎥
" ⎢ 4 −3 1 0 0 0 0 0⎥
⎢ ⎥.
⎢ ⎥
⎣ −3 2 0 1 0 0 0 0⎦
3
2 −2 0 0 1 0 0 0

Die resultierende LR-Zerlegung von A lautet:

⎡ ⎤ ⎡ ⎤
1 0 0 0 0 2 −6 6
⎢ ⎥ ⎢ ⎥
⎢−2 1 0 0 0⎥ ⎢0 −7 5⎥
⎢ ⎥ ⎢ ⎥
L=⎢
⎢4 −3 1 0 0⎥⎥, R=⎢
⎢0 0 0⎥⎥.
⎢ ⎥ ⎢ ⎥
⎣−3 2 0 1 0⎦ ⎣0 0 0⎦
3
2 −2 0 0 1 0 0 0
4.1 • LR-Zerlegung ohne Zeilenvertauschung
211 4
Wieder zeigt die Kontrolle LR = A. !

> Bemerkung
Beachte die Dimensionen der Matrizen L und R in Übung 4.7: In diesem Fall ist L
eine (5 × 5)-Matrix, während R eine (5 × 3)-Matrix ist. Nur so ergibt sich aus der
Multiplikation LR eine (5 × 3)-Matrix: L(5×5) (5×3) R ⇒ A(5×3) .

4.1.3 Existenz und Eindeutigkeit der LR-Zerlegung

Welche Matrizen A besitzen überhaupt eine LR-Zerlegung? Ist die LR-Zerlegung

eindeutig? Der folgende wichtige Satz liefert ein Kriterium für die Existenz und
Eindeutigkeit der LR-Zerlegung:

# Satz 4.2 (Existenz und Eindeutigkeit der LR-Zerlegung)

Eine (n × n)-Matrix A besizt eine LR-Zerlegung genau dann, wenn
⎡ ⎤
a11 ··· a1k
⎢ . .. .. ⎥
det(Ak ) = det ⎢
⎣ .. .
⎥
. ⎦ ̸= 0, ∀ k = 1, · · · , n (4.3)
ak1 · · · akk

gilt. Dabei ist Ak die Teilmatrix der Größe k, welche man ausgehend von der linken oberen
Ecke von A bildet:

A1 A2 A3 · · · An
⎡ ⎤
a11 a12 a13 a1n
⎢ ⎥
⎢ a21 a22 a23 a1n ⎥
⎢ ⎥
⎢ a31 a32 a33 a1n ⎥
⎢ ⎥ (4.4)
⎢ . . .. ⎥
⎢ . . ⎥
⎣ ⎦
an1 an2 an3 · · · ann

Die LR-Zerlegung von A ist eindeutig. $

Diesen Satz benutzen wir in den Übungen 4.8–4.10.

Übung 4.8
• ◦ ◦ Welche der folgenden Matrizen besitzen eine LR-Zerlegung?
⎡ ⎤ ⎡ ⎤
1 23 111
⎢ ⎥ ⎢ ⎥
A = ⎣−1 1 1⎦ , B = ⎣1 1 0⎦ .
0 12 037
212 Kapitel 4 • LR-Zerlegung

v Lösung
a) Gemäß Satz 4.2 besitzt A eine LR-Zerlegung genau dann, wenn die Teilmatrizen
A1 , A2 und A3 = A nichtverschwindende Determinanten haben:
6 7
A1 = 1 ⇒ det(A1 ) = 1 ̸= 0 %
' *
A1 A2 A3 1 2
⎡ ⎤ A 2 = ⇒ det(A2 ) = 3 ̸= 0 %
1 2 3 −1 1
⎢ ⎥ ⎡ ⎤
⎣ −1 1 1 ⎦
1 23
0 1 2 ⎢
A3 = ⎣−1 1 1⎦
⎥
⇒ det(A3 ) = 2 ̸= 0 %
0 12
A besitzt somit eine LR-Zerlegung.
b) In diesem Fall haben wir:
6 7
B1 B2 B3 B1 = 1 ⇒ det(B1 ) = 1 ̸= 0 %
⎡ ⎤ ' *
1 1 1 11
⎢ ⎥ B2 = ⇒ det(B2 ) = 0 ✗
⎣1 1 0⎦ 11
0 3 7

Nach Satz 4.2, besitzt B keine LR-Zerlegung. !

Übung 4.9 ⎡ ⎤
a 1 1
⎢ ⎥
• • ◦ Man betrachte die Matrix A = ⎣ 3a 2 − a 2a⎦, a ∈ R.
−a a 2
a) Für welche Werte des Parameters a ∈ R besitzt A eine LR-Zerlegung?
b) Man bestimme die LR-Zerlegung von A in Abhängigkeit des Parameters a ∈ R.

v Lösung
a) Damit wir die LR-Zerlegung der Matrix A berechnen können, müssen die Teilma-
trizen A1 , A2 und A3 = A nicht-verschwindende Determinanten haben (Satz 4.2):
6 7
A1 = a ⇒ det(A1 ) = a ̸= 0 ⇒ a ̸= 0.
' *
a 1
A2 = ⇒ det(A2 ) = −a(a + 1) ̸= 0 ⇒ a ̸= {0, −1}
3a 2 − a
⎡ ⎤ + +
a 1 1 +a 1 1 ++
+
⎢ ⎥ + +
A3 = ⎣ 3a 2 − a 2a⎦ ⇒ det(A3 ) = + 3a 2 − a 2a+
+ +
−a a 2 +−a a 2 +
+ + + + + +
+2 − a 2a+ +1 1++ + 1 1+
+ + + + +
= a+ + − 3a + + − a+ +
+ a 2+ +a 2 + +2 − a 2a+
= −2a2 (a + 1) ̸= 0 ⇒ a ̸= {0, −1}.
4.1 • LR-Zerlegung ohne Zeilenvertauschung
213 4
Somit besitzt A eine LR-Zerlegung genau dann wenn a ̸= {0, −1}.
b) Um die LR-Zerlegung von A für a ̸= {0, −1} zu bestimmen, betrachten wir das
folgende Ausgangsschema
⎡ ⎤
1 0 0 a 1 1
⎢ ⎥
[E|A] = ⎣ 0 1 0 3a 2 − a 2a ⎦ .
0 0 1 −a a 2

Wir wenden den Gauß-Algorithmus in zwei Schritten an:

⎡ ⎤ ⎡ ⎤
(Z2 ) − 3 (Z1 )
1 0 0 a 1 1 1 0 0 a 1 1
⎢ ⎥ (Z3 ) − (−1) (Z1 ) ⎢ ⎥
⎣ 0 1 0 3a 2 − a 2a ⎦ " ⎣ 3 1 0 0 −a − 1 2a − 3 ⎦
0 0 1 −a a 2 −1 0 1 0 a + 1 3
⎡ ⎤
1 0 0 a 1 1
(Z3 ) − (−1) (Z2 ) ⎢ ⎥
" ⎣ 3 1 0 0 −a − 1 2a − 3 ⎦ .
−1 −1 1 0 0 2a

Die LR-Zerlegung von A ist:

⎡ ⎤ ⎡ ⎤
1 0 0 a 1 1
⎢ ⎥ ⎢ ⎥
L = ⎣ 3 1 0⎦ , R = ⎣0 −a − 1 2a − 3⎦
−1 −1 1 0 0 2a

vorausgesetzt a ̸= {0, −1}. !

Übung 4.10
••◦ '
*
01
a) Wieso besitzt A = keine LR-Zerlegung?
10
b) Man beweise Satz 4.2.

v Lösung '*
1 0 0 1
a) Das Ausgangsschema ist die erweiterte Matrix [E|A] = . Wenden wir
0 1 1 0
nun den Gauß-Algorithmus auf die rechte Matrix an, so stoßen wir bereits an ein
Problem: Der erste Eintrag der rechten Matrix ist gleich Null. Aus diesem Grund
gibt es keine Zeilenoperation (Z2 ) − α(Z1 ), welche das Ausgangsschema in die
folgende Form bringt
' *
1 0 r11 r12
[L|R] = .
ℓ21 1 0 r22

Die LR-Zerlegung von A ist somit nicht möglich!

214 Kapitel 4 • LR-Zerlegung

Wichtig: Diese Problematik tritt nicht vor, wenn man Zeilenvertauschung beim
Gauß-Algorithmus anwendet. Daher gibt es Matrizen, welche keine LR-Zerlegung
besitzen, aber für welche eine LR-Zerlegung
' * mit Zeilenvertauschung trotzdem mög-
01
lich ist (7 vgl. Abschn. 4.3). A = ist ein solches Beispiel.
10
b) Wir wollen uns jetzt überlegen, dass eine LR-Zerlegung nur dann möglich ist, wenn
die Zielmatrix R keine verschwindende Diagonalelemente besitzt. Man betrachte
zu diesem Zweck den j-Schritt im LR-Algorithmus. Das Ausgangsschema im j-ten
Schritt ist
⎡ ⎤
1 0 ··· 0 r11 ⋆ ··· ⋆
⎢ .. . ⎥
⎢ ⎥
⎢ ℓ21 . 0 .. ⎥
⎢ ⎥
⎢ .. . .. .. .. .. ⎥
⎢ . 1 .. . . rjj . .⎥
⎢ ⎥.
⎢ . .. ⎥
⎢ .. 0 1 . ãj+1,j ⋆ ⎥
⎢ ⎥
⎢ .. .. .. .. ⎥
⎢ .. .. ⎥
⎣ . . .0 . . . ⋆⎦
ℓn1 · · · 0 0 · · · 1 0 · · · ãn,j ⋆ ··· ⋆

Im Gauß-Algorithmus würden wir nun die folgenden Zeilenoperationen durchfüh-

ren:

ãij
(Zi ) − (Zj ), i > j.
rjj

Ist aber nun rjj = 0, so sind diese Operationen nicht definiert. Daraus folgt, dass die
LR-Zerlegung der Matrix A nur dann ohne Zeilenvertauschung möglich ist, wenn
alle Diagonaleinträge von R nicht verschwinden, d. h.

r11 ̸= 0, r22 ̸= 0, ··· , rnn ̸= 0

gilt. Diese Bedingung ist äquivalent zu:

r11 ̸= 0 ⇒ det(R1 ) ̸= 0
r11 r22 ̸= 0 ⇒ det(R2 ) ̸= 0
..
.
r11 r22 · · · rnn ̸= 0 ⇒ det(Rn ) = det(R) ̸= 0,

d. h., alle Untermatrizen Rk mit k = 1, · · · , n haben nichtverschwindende Deter-

minanten. Wegen det(Ak ) = det(Rk ), folgt det(Ak ) ̸= 0 für alle k = 1, · · · , n. Die
Bedingung det(Ak ) ̸= 0 im Satz 4.2 garantiert, dass alle Diagonaleinträge von R
nicht verschwinden. !
4.1 • LR-Zerlegung ohne Zeilenvertauschung
215 4

Übung 4.11 ⎡1 ⎤
⎢ ... ⎥
⎢ ⎥
⎢ 1 ⎥
• • ◦ Eine Matrix von der Form Lj = ⎢ ℓj+1,j ⎥ heißt Frobenius-Matrix (alle
⎢ ⎥
⎣ .. .. ⎦
. .
ℓn,j 1
weiteren Einträge sind Null). Man zeige:
⎡ 1
⎤ ⎡1 ⎤
ℓ21 1
⎢ ⎥ ⎢ ... ⎥
⎢ .. ⎥ ⎢ ⎥
a) L1 · · · Ln−1 = ⎢
⎢ ℓ31 ℓ32
. ⎥.
⎥ b) Lj −1 ⎢
=⎢
1
−ℓj+1,j
⎥
⎥
⎣ .. .. .. ⎦ ⎢ ⎥
. . . 1 ⎣ .. .. ⎦
ℓn1 ℓn2 ··· ℓn,n−1 1 . .
−ℓn,j 1

v Lösung
a) Eine direkte Rechnung zeigt:
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 1 1
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ℓ21 1 ⎥ ⎢0 1 ⎥ ⎢ℓ21 1 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ ⎢ .. .. ⎥ ⎢ .. ⎥
L1 L2 = ⎢
⎢ℓ31 0 . ⎥ ⎢.
⎥⎢ ℓ32 . ⎥ = ⎢ℓ31
⎥ ⎢ ℓ32 . ⎥.
⎥
⎢ . .. .. ⎥ ⎢. .. .. ⎥ ⎢ . .. ⎥
⎢ . .1 ⎥ ⎢. .1 ⎥ ⎢ . ⎥
⎣ . . ⎦ ⎣. . ⎦ ⎣ . . 1 ⎦
ℓn1 0 ··· 0 1 0 ℓn2 ··· 0 1 ℓn1 ℓn2 01
⎡ 1
⎤
ℓ21 1
⎢ ⎥
⎢ .. ⎥
Im Allgemeinen L1 L2 · · · Ln−1 =⎢
⎢ ℓ31 ℓ32
. ⎥.
⎥
⎣ .. .. . . ⎦
. . . 1
ℓn1 ℓn2 ··· ℓn,n−1 1
b) Eine direkte Rechnung zeigt:
⎡1 ⎤⎡ 1 ⎤ ⎡1 ⎤
⎢ ... ⎥⎢ . . . ⎥ ⎢ ... ⎥
⎢ ⎥⎢ ⎥ ⎢ 1
⎥
⎢ 1 ⎥⎢ 1 ⎥ ⎢ ⎥
Lj Lj −1 = ⎢ ℓj+1,j ⎥⎢ −ℓj+1,j ⎥=⎢ −✟ ✟+✟
ℓj+1,j ✟
ℓj+1,j ⎥= E. !
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣ .. .. ⎦⎣ .. .. ⎦ ⎣ .. .. ⎦
. . . . . .
ℓn,j 1 −ℓn,j 1 ℓ✚
−✚ ℓ✚
n,j +✚n,j 1

Übung 4.12
• • • Ziel dieser Aufgabe ist, die Eindeutigkeit der LR-Zerlegung zu beweisen. Man
zeige:
a) Sind L und L̄ normierte untere Dreiecksmatrizen, so ist auch LL̄ eine normierte
untere Dreiecksmatrix.
216 Kapitel 4 • LR-Zerlegung

b) Ist L eine normierte untere Dreiecksmatrix, so ist auch L−1 eine normierte untere
Dreiecksmatrix.
c) Die Aussagen (a) und (b) gelten auch für obere Dreiecksmatrizen.
d) Die LR-Zerlegung ist eindeutig.

v Lösung
a) Erinnerung: Eine Dreiecksmatrix heißt normiert, wenn alle Diagonaleinträge gleich
1 sind. Es seien L und L̄ normierte untere Dreiecksmatrizen
⎡ 1 0 ··· 0 ⎤ ⎡ ⎤
1 0 ··· 0
. .. . ⎥.
⎢ ℓ21 1 . . . .. ⎥ ⎢ . .⎥
L=⎢ ⎥ , L̄ = ⎢
⎢
ℓ̄21 1
⎥.
⎣ . . . ⎦ ⎣ .. . . . . ⎦
.. . . . . 0 . . . 0
ℓn1 ··· ℓn,n−1 1 ℓ̄n1 ··· ℓ̄n,n−1 1

Dann ist
⎡ ⎡ ⎤ ⎡ ⎤
1 0 ··· 0⎤ 1 0 ··· 0 1 0 ··· 0
. . . .. ⎥ ⎢ .. .. ⎥
⎢ ℓ21 1 . . . .. ⎥ ⎢ . .⎥ ⎢ .
LL̄ = ⎢ ⎥⎢⎢
ℓ̄21 1
⎥=⎢
ℓ21 +ℓ̄21 1 .⎥
⎥
⎣ . . ⎦⎣ . . . .. .. ..
.
.. . . . . 0 .. . . . . 0 ⎦ ⎣ . .
. 0
⎦
ℓn1 ··· ℓn,n−1 1 ℓ̄n1 ··· ℓ̄n,n−1 1 ℓn1 +ℓn2 ℓ̄21 +···+ℓ̄n1 ··· ℓn,n−1 +ℓ̄n,n−1 1

eine normierte untere Dreiecksmatrix (alle Diagonalelemente sind gleich 1).

b) Es sei nun L wie in (a). In Übung 4.11 haben wir gezeigt, dass man L als Produkt
von n − 1 Frobenius-Matrizen schreiben kann L = L1 L2 · · · Ln−1 , wobei Lj =
⎡1 ⎤
⎢ ... ⎥
⎢ ⎥
⎢ 1 ⎥
⎢ ℓj+1,j ⎥ . Die Inverse von L lautet somit (Erinnerung: die Reihenfolge der
⎢ ⎥
⎣ .. . . ⎦
. .
ℓn,j 1
Matrizen kehrt sich bei der Inversen):
⎡1 ⎤
⎢ ... ⎥
⎢ ⎥
−1 −1 −1 −1 −1 ⎢ 1 ⎥
L = Ln−1 · · · L2 L1 , Lj =⎢ −ℓj+1,j ⎥.
⎢ ⎥
⎣ .. .. ⎦
. .
−ℓn,j 1

Alle Matrizen Lj −1 sind normierte untere Dreiecksmatrizen. Aus Teilaufgabe (a)

folgt somit, dass auch L−1 eine normierte untere Dreiecksmatrix ist.
c) Der Beweis dieser Aussage erfolgt analog zu Teilaufgaben (a) und (b).
d) Es seien A = L1 R1 = L2 R2 zwei LR-Zerlegungen der Matrix A. Daraus folgt:

L1 R1 = L2 R2 ⇒ L2 −1 L1 R1 = R2 ⇒ L2 −1 L1 = R2 R1 −1 .

Nach Teilaufgaben (a) und (b) ist L2 −1 L1 eine normierte untere Dreiecksmatrize.
Nach Teilaufgabe (c) ist R2 R1 −1 eine obere Dreiecksmatrix.
4.1 • LR-Zerlegung ohne Zeilenvertauschung
217 4
⎡ ⎤ ⎡ ⎤
1 0 ··· 0 ⋆ ⋆ ··· ⋆
⎢ .. ⎥ ⎢0
⎢⋆ 1 . . .
⎢ .⎥⎥ ⎢ ⋆ ··· ⋆⎥ ⎥
L1 L2 −1 =⎢ ⎥, R1 −1 R2 = ⎢
⎢ .. .. .. .. ⎥
⎥.
⎢ .. . . . . ⎥ ⎣. . . .⎦
⎣. . . 0⎦
⋆ ··· ⋆ 1 0 ··· 0 ⋆

⎡ ⎤
1 0 ··· 0
⎢ .. ⎥
⎢0 1 . . .
⎢ .⎥⎥
Aus der Gleichheit L2 −1 L1 = R2 R1 −1 folgt L1 L2 −1 = R1 −1 R2 = ⎢ ⎥=
⎢ .. . . . . ⎥
⎣. . . 0⎦
0 ··· 0 1
E, d. h.

L1 L2 −1 = E ⇒ L1 = L2 R1 −1 R2 = E ⇒ R1 = R2 .

Somit ist die LR-Zerlegung von A eindeutig! !

4.1.4 Lösung von LGS durch LR-Zerlegung

Jetzt untersuchen wir die Bedeutung der LR-Zerlegung bei der Lösung von LGS.
Für die Praxis ist dies ziemlich wichtig. Die Grundidee ist denkbar einfach: Mittels
LR-Zerlegung der Darstellungsmatrix A wird das LGS Ax = b auf die Lösung
von LGS mit unteren (bzw. oberen) Dreiecksmatrizen reduziert. Solche Gleichungs-
systeme sind direkt lösbar durch eine sukzessive Auflösung von oben nach unten
(Vorwärtseinsetzen) bzw. von unten nach oben (Rückwärtseinsetzen).

# Beispiel
Das folgende LGS
⎧ ⎡ ⎤⎡ ⎤ ⎡ ⎤
⎨2x1
⎪ = 4 2 0 0 x1 4
⎢ ⎥⎢ ⎥ ⎢ ⎥
2x1 + 4x2 = 8 " =
⎣2 4 0⎦ ⎣x2 ⎦ ⎣ 8 ⎦
⎪
⎩
3x1 − 2x2 + 3x3 = 10 3 −2 3 x3 10

kann man ganz einfach die Lösung durch Vorwärtseinsetzen direkt bestimmen:
⎧ ⎧ ⎡ ⎤
⎨2x1
⎪ = 4 ⎨x1 = 2
⎪ 2
⎢ ⎥
2x1 + 4x2 = 8 ⇒ x2 = 8−2·2
4 =1 ⇒ x = ⎣1⎦ .
⎪
⎩ ⎪
⎩
3x1 − 2x2 + 3x3 = 10 x3 = 10−3·2+2·1
3 =2 2

Dies ist ein Vorteil der Zerlegung der Matrix A in Dreiecksmatrizen L und R. $

Lösung von LGS mittels LR-Zerlegung (allgemeines Vorgehen)

Man betrachte nun das LGS Ax = b, wobei A ∈ Kn×n und b ∈ Kn vorgegeben sind
und x ∈ Kn der Unbekannten gesucht ist. A ist im Allgemeinen keine Dreiecksmatrix.
Hierzu wird zuerst die Matrix A in L und R zerlegt, wobei wir aus der ursprünglichen
218 Kapitel 4 • LR-Zerlegung

Matrixgleichung die folgende Gleichung erhalten

Ax = b ⇒ LR x = b. (4.5)

Mit der Substitution y = Rx ergibt sich die folgende Gleichung:

Ly = b. (4.6)

Sobald wir y bestimmt haben lösen wir

Rx = y. (4.7)

Da die Matrizen L und R Dreiecksform haben, kann man beide Gleichungs-

systeme ganz einfach durch eine sukzessive Auflösung von oben nach unten
(Vorwärtseinsetzen) bzw. von unten nach oben (Rückwärtseinsetzen) direkt lösen.

Musterbeispiel 4.2 (LR-Zerlegung für LGS)

Gesucht ist die Lösung des folgenden LGS

⎧ ⎡ ⎤⎡ ⎤ ⎡ ⎤
⎨ 2x1 + 6x2 + 2x3 = 2
⎪ 2 6 2 x1 2
⎢ ⎥⎢ ⎥ ⎢ ⎥
−3x1 − 8x2 =2 " ⎣−3 −8 0⎦ ⎣x2 ⎦ = ⎣2⎦ .
⎪
⎩
4x1 + 9x2 + 2x3 = 3 4 9 2 x3 3

Zuerst führen wir eine LR-Zerlegung der Matrix A durch. Diese wurde bereits in
Musterbeispiel 4.1 bestimmt:
⎡ ⎤ ⎡ ⎤⎡ ⎤
2 6 2 1 0 0 262
⎢ ⎥ ⎢ ⎥⎢ ⎥
A = ⎣−3 −8 0⎦ = ⎣− 32 1 0⎦ ⎣0 1 3⎦ = LR.
4 9 2 2 −3 1 007

Dann lösen wir Ly = b für die Hilfsvariable y durch Vorwärtseinsetzen von oben:
⎧ ⎧ ⎡ ⎤
⎨ y1
⎪ =2 ⎨y1 = 2
⎪ 2
3 3 ⎢ ⎥
− 2 y1 + y2 =2 ⇒ y2 = 2 + 2 · 2 = 5 ⇒ y = ⎣ 5 ⎦.
⎪
⎩ ⎪
⎩
2y1 − 3y2 + y3 = 3 y3 = 3 − 2 · 2 + 3 · 5 = 14 14

Anschließend lösen wir Rx = y durch Rückwärtseinsetzen von unten:

⎧ ⎧ 2−6·(−1)−2·2
⎡ ⎤
⎨2x1 + 6x2 + 2x3 = 2
⎪ ⎨x1 =
⎪ 2 =2 2
⎢ ⎥
x2 + 3x3 = 5 ⇒ x2 = 5 − 3 · 2 = −1 ⇒ x = ⎣−1⎦
⎪
⎩ ⎪
⎩
7x3 = 14 x3 = 2 2
4.1 • LR-Zerlegung ohne Zeilenvertauschung
219 4

Kochrezept 4.1 (LGS mittels LR-Zerlegung lösen)

Gegeben – LGS Ax = b.
Gesucht – Lösung x mittels LR-Zerlegung von A.
Voraussetzung – LR-Zerlegung von A möglich (vgl. Satz 4.2).
Schritt 1 – Man bestimme die LR-Zerlegung der Matrix A, d. h., man finde Matrizen
L und R, sodass A = LR gilt.
Schritt 2 – Man löse zuerst das LGS Ly = b für die Hilfsvariable y zeilenweise durch
Vorwärtseinsetzen (d. h. von oben nach unten).
Schritt 3 – Man löse dann das LGS Rx = y zeilenweise durch Rückwärtseinsetzen
(d. h. von unten nach oben) mit dem Hilfsvektor y, der im Schritt 2 bestimmt wurde.
Der Vektor x ist die gesuchte Lösung von Ax = b.

Übung 4.13
• ◦ ◦ Man löse das folgende LGS mittels LR-Zerlegung:
⎧
⎨ x1 + 2x2 + 4x3 = 1
⎪
2x1 + 3x2 + 8x3 = 1
⎪
⎩
−x1 − 3x2 − x3 = 1

v Lösung
6 1 2 4
7 617
Gegeben sei die Matrixform des LGS Ax = b mit A = 2 3 8 ,b = 1 . Nun
−1 −3 −1 1
gehen wir das Kochrezept 4.1 Schritt für Schritt durch.
Schritt 1 – Die LR-Zerlegung der Matrix A wurde bereits in Übung 4.1 vorgenommen:
⎡ ⎤ ⎡ ⎤
1 00 1 2 4
⎢ ⎥ ⎢ ⎥
L = ⎣ 2 1 0⎦ , R = ⎣0 −1 0⎦ .
−1 1 1 0 0 3

Schritt 2 – Wir lösen das LGS Ly = b zeilenweise von oben

⎧ ⎡ ⎤
⎨ y1
⎪ =1 1
⎢ ⎥
2y1 + y2 =1 ⇒ y = ⎣−1⎦ .
⎪
⎩
−y1 + y2 + y3 = 1 3

Schritt 3 – Nun lösen wir das LGS Rx = y zeilenweise mit dem im Schritt 2 gefundenen
Vektor y von unten
220 Kapitel 4 • LR-Zerlegung

⎧ ⎡ ⎤
⎨x1 + 2x2 + 4x3 = 1
⎪ −5
⎢ ⎥
−x2 = −1 ⇒ x = ⎣ 1 ⎦.
⎪
⎩
3x3 = 3 1 !

Übung 4.14
• ◦ ◦ Man löse das folgende LGS mittels LR-Zerlegung:
⎧
⎪
⎪ x1 + x2 + x3 + x4 = 1
⎪
⎨
x1 + 2x2 + 3x3 + 4x4 = 0
⎪
⎪
⎪ x1 + 3x2 + 6x3 + 10x4 = 0
⎩
x1 + 4x2 + 10x3 + 20x4 = 0

v Lösung
/1 1 1 1 0 /10
Gegeben sei die Matrixform des LGS Ax = b mit A = 12 3 4 , b = 0 . Dann
1 3 6 10 0
1 4 10 20 0
folgen wir dem Kochrezept 4.1 Schritt für Schritt.
Schritt 1 – Die LR-Zerlegung der Matrix A wurde bereits in Übung 4.3 vorgenommen:
⎡ ⎤ ⎡ ⎤
1000 1111
⎢1 1 0 0⎥ ⎢0 1 2 3⎥
⎢ ⎥ ⎢ ⎥
L=⎢ ⎥, R = ⎢ ⎥.
⎣1 2 1 0⎦ ⎣0 0 1 3⎦
1331 0001

Schritt 2 – Wir lösen das LGS Ly = b zeilenweise von oben

⎧ ⎡ ⎤
⎪y =1 1
⎪ 1
⎪
⎨ ⎢−1⎥
y1 + y2 =0 ⎢ ⎥
⇒ y = ⎢ ⎥.
⎪
⎪
⎪y1 + 2y2 + y3 =0 ⎣1⎦
⎩
y1 + 3y2 + 3y3 + y4 =0 −1

Schritt 3 – Nun lösen wir das LGS Rx = y zeilenweise mit dem im Schritt 2 gefundenen
Vektor y von unten
⎧ ⎡ ⎤
⎪
⎪ x1 + x2 + x3 + x4 = 1 4
⎪
⎨ ⎢−6⎥
x2 + 2x3 + 3x4 = −1 ⎢ ⎥
⇒ x=⎢ ⎥
⎪
⎪
⎪ x3 + 3x4 = 1 ⎣4⎦
⎩
x4 = −1 −1 !

Übung 4.15
• • ◦ Man löse das folgende LGS mittels LR-Zerlegung:
⎧
⎨x1 + x2
⎪ + x4 + x5 = 1
x1 + x3 + x5 = 0
⎪
⎩
x2 + x3 + x4 =0
4.1 • LR-Zerlegung ohne Zeilenvertauschung
221 4
v Lösung
Mit diesem Beispiel wollen wir ein nicht quadratisches LGS mittels LR-Zerlegung
lösen. Zunächst schreiben wir das LGS in Matrixform Ax = b mit
⎡ ⎤ ⎡ ⎤
1101 1 1
⎢ ⎥ ⎢ ⎥
A = ⎣1 0 1 0 1⎦ , b = ⎣0⎦ .
0111 0 0

Schritt 1 – Wir bestimmen die LR-Zerlegung von A. Dazu betrachten wir das Aus-
gangsschema [E|A] und wenden den Gauß-Algorithmus in zwei Schritten an:
⎡ ⎤ ⎡ ⎤
1 0 0 1 1 0 1 1 1 0 0 1 1 0 1 1
⎢ ⎥ (Z2 ) − 1 (Z1 )
⎢ ⎥ (Z3 ) − (−1) (Z2 )
[E|A] = ⎣ 0 1 0 1 0 1 0 1⎦ " ⎣ 1 1 0 0 −1 1 −1 0⎦ "
0 0 1 0 1 1 1 0 0 0 1 0 1 1 1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 1 1 0 1 1 1 0 0 1 1 0 1 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1 1 0 0 −1 1 −1 0 ⎦ ⇒ L = ⎣1 1 0⎦ , R = ⎣0 −1 1 −1 0⎦ .
0 −1 1 0 0 2 0 0 0 −1 1 0 0 2 0 0

Schritt 2 – Wir lösen das LGS Ly = b zeilenweise von oben

⎧ ⎡ ⎤
⎨y1
⎪ =1 1
⎢ ⎥
y1 + y2 =0 ⇒ y = ⎣−1⎦ .
⎪
⎩
−y2 + y3 = 0 −1

Schritt 3 – Nun lösen wir das LGS Rx = y zeilenweise mit dem im Schritt 2 gefundenen
Vektor y
⎧
⎨x1 + x2
⎪ + x4 + x5 = 1
− x2 + x3 − x4 = −1
⎪
⎩
2x3 = −1

In diesem Fall hat das LGS 3 Gleichungen für 5 Unbekannte. Zwei Variablen sind somit
frei wählbar: x4 = t und x5 = s. Dann Lösen wir das LGS zeilenweise von unten. Dies
ergibt
⎡ ⎤ ⎤⎡ ⎡ ⎤
1
2 0 −1
⎢ ⎥ 1 ⎢ ⎥ ⎢ ⎥
⎢ ⎥ 2
⎢−1⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
x=⎢ 1⎥ ⎢ ⎥ ⎢ ⎥ t, s ∈ R.
⎢− 2 ⎥ + t ⎢ 0 ⎥ + s ⎢ 0 ⎥ ,
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 0 ⎦ ⎣1⎦ ⎣0⎦
0 0 1 !

> Bemerkung
Die Matrix A in Übung 4.15 ist nicht quadratisch. Beachte somit die Dimensionen der
Matrizen L und R: In diesem Fall ist L eine (3×3)-Matrix, während R eine (3×5)-Matrix
ist. Somit ergibt sich aus der Multiplikation LR eine (3 × 5)-Matrix: L(3×3) (3×5) R ⇒
A(3×5) .
222 Kapitel 4 • LR-Zerlegung

4.2 LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie

Wir diskutieren nun den wichtigen Fall, wenn man Zeilenvertauschung bei der
LR-Zerlegung verwenden muss. Bevor wir loslegen, müssen wir aber sogenannte
Permutationsmatrizen sowie den Gauß-Algorithmus mit Pivotstrategie einführen.

4.2.1 Permutationsmatrizen
# Definition 4.2
Es sei σ ∈ Sn eine Permutation (7 vgl. Abschn. 3.3.1). Die Matrix Pσ , welche durch
Vertauschen der Zeilen aus der Einheitsmatrix E bezüglich der Permutation σ entsteht,
heißt Permutationsmatrix. Es seien e1 T , e2 T , · · · , en T die Zeilen der Einheitsmatrix E
⎡ ⎤ ⎡ ⎤
1 0 ··· 0 e1 T
⎢0 1 ··· 0⎥ ⎢ e2 T ⎥
⎢ ⎥ ⎢ ⎥
E=⎢
⎢ .. .. .. .. ⎥ ⎢
⎥ = ⎢ .. ⎥.
⎥
⎣. . . .⎦ ⎣ . ⎦
0 0 ··· 1 en T

Dann erhält man die Permutationsmatrix Pσ , indem man die Zeilen von E bezüglich σ
vertauscht:
⎡ ⎤
eσ (1) T
⎢ eσ (2) T ⎥
⎢ ⎥
Pσ = ⎢
⎢ .. ⎥. $
⎥
⎣ . ⎦
eσ (n) T

# Beispiel
(1 2 3 4 5)
Die Permutation σ = 41523 erzeugt die folgende (5 × 5)-Permutationsmatrix
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 0 0 e1 T 0 0 0 1 0 e4 T
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢0 1 0 0 0⎥ ⎢ e2 T ⎥ ⎢1 0 0 0 0⎥ ⎢ e1 T ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
E=⎢
⎢0 0 1 0 0⎥ ⎢
⎥=⎢ e3 T ⎥
⎥ → Pσ = ⎢
⎢0 0 0 0 1⎥ ⎢
⎥=⎢ e5 T ⎥
⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 0 1 0⎦ ⎣ e4 T ⎦ ⎣0 1 0 0 0⎦ ⎣ e2 T ⎦
0 0 0 0 1 e5 T 0 0 1 0 0 e3 T

Dabei wurden die Zeilen der Einheitsmatrix bezüglich der Permutation σ vertauscht.
Beachte, dass die j-te Spalte der Einheitsmatrix E ist die σ (j)-te Spalte von Pσ . Daher
entsteht Pσ durch Vertauschen der Spalten von E bezüglich der inversen Permutation σ −1 :
⎡ ⎤
1 0 ··· 0 ⎡ ⎤ ⎡ ⎤
⎢0 1 ··· 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
E=⎢
⎢ .. .. .. .. ⎥
⎥ = ⎣e1 e2 . . . en ⎦ → Pσ = ⎣eσ −1 (1) eσ −1 (2) . . . eσ −1 (n) ⎦ .
⎣. . . .⎦
0 0 ··· 1
4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
223 4
(1 2 3 4 5)
In unserem Beispiel ist σ −1 = 24513 und in der Tat ist
⎡ ⎤
0 0 0 1 0
⎡ ⎤ ⎢ ⎥ ⎡ ⎤
⎢1 0 0 0 0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
E = ⎣e1 e2 e3 e4 e5 ⎦ → Pσ = ⎢
⎢0 0 0 0 1⎥⎥ = ⎣e2 e4 e5 e1 e3 ⎦ . $
⎢ ⎥
⎣0 1 0 0 0⎦
0 0 1 0 0

4.2.2 Eigenschaften von Permutationsmatrizen

Inverse
Permutationsmatrizen sind immer regulär, da sie durch Vertauschen der Zeilen aus
E entstehen. Die Inverse P−1
σ entsteht durch Vertauschen der Zeilen aus E bezüglich
der inversen Permutation σ −1

P−1
σ = Pσ −1 .

Diese Operation entspricht das Vertauschen der Spalten von E bezüglich σ (welche
die Inverse von σ −1 ist). Die Inverse von Pσ ist somit einfach die Transponierte von
Pσ

T
P−1
σ = Pσ

Determinante
Jede Permutationsmatrix entsteht durch Zeilenvertauschungen aus der Einheitsma-
trix E. Weil die Determinante einer Matrix das Vorzeichen ändert, wenn man zwei
Zeilen vertauscht, ist die Determinante einer Permutationsmatrix entweder 1 oder
-1, je nachdem, wie viele Zeilen von E vertauscht werden. Insbesondere ist:

det(Pσ ) = (−1)#Zeilenpermutationen = sign(σ )

wobei sign(σ ) das Signum der Permutation σ ist.

# Beispiel
Für die folgende Permutationsmatrix P gilt:
⎡ ⎤ ⎡ ⎤
0 0 0 1 0 0 1 0 0 0
⎢ ⎥ ⎢ ⎥
⎢1 0 0 0 0⎥ ⎢0 0 0 1 0⎥
⎢ ⎥ ⎢ ⎥
P=⎢
⎢0 0 0 0 1⎥
⎥ ⇒ P−1 = PT = ⎢
⎢0 0 0 0 1⎥⎥.
⎢ ⎥ ⎢ ⎥
⎣0 1 0 0 0⎦ ⎣1 0 0 0 0⎦
0 0 1 0 0 0 0 1 0 0
(1 2 3 4 5)
Diese Pemutationsmatrix entsteht aus der Permutation σ = 41523 , welche sign(σ ) =
−1 hat. Daher ist
224 Kapitel 4 • LR-Zerlegung

⎡ ⎤
0 0 0 1 0
⎢ ⎥
⎢1 0 0 0 0⎥
⎢ ⎥
det(P) = det ⎢
⎢0 0 0 0 1⎥⎥ = sign(σ ) = −1. $
⎢ ⎥
⎣0 1 0 0 0⎦
0 0 1 0 0

Wirkung der Permutationsmatrizen

Wird eine Permutationsmatrix P mit einer anderen Matrix A multipliziert, so werden
die Zeilen der Matrix A entsprechend vertauscht:
⎡ ⎤ ⎡ ⎤
a1 T aσ (1) T
⎢
⎢ a2 T ⎥
⎥
⎢
⎢ aσ (2) T ⎥
⎥
A=⎢ .. ⎥ → Pσ A = ⎢ .. ⎥
⎣ . ⎦ ⎣ . ⎦
an T aσ (n) T

Aus diesem Grund werden Permutationsmatrizen auch als Zeilenvertauschungsmatri-

zen bezeichnet.

# Beispiel
(1 2 3 4)
Die Permutation σ = 2431 erzeugt die folgende (4 × 4)-Permutationsmatrix

⎡ ⎤ ⎡ ⎤
0 1 0 0 e2 T
⎢0 1⎥ ⎢ ⎥
⎢ 0 0 ⎥ ⎢ e4 T ⎥
P=⎢ ⎥=⎢ ⎥.
⎣0 0 1 0⎦ ⎣ e3 T ⎦
1 0 0 0 e1 T

Daher gilt:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 3 4 a1 T 5 6 7 8 a2 T
⎢5 8⎥ ⎢ ⎥ ⎢13 16⎥ ⎢ ⎥
⎢ 6 7 ⎥ ⎢ a2 T ⎥ ⎢ 14 15 ⎥ ⎢ a4 T ⎥
A=⎢ ⎥=⎢ ⎥ ⇒ PA = ⎢ ⎥=⎢ ⎥.
⎣9 10 11 12⎦ ⎣ a3 T ⎦ ⎣9 10 11 12⎦ ⎣ a3 T ⎦
13 14 15 16 a4 T 1 2 3 4 a1 T

Die Zeilen von A werden also gemäß σ permutiert. $

4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
225 4

Übung 4.16
•◦◦
a) Man bestimme die Inverse der folgenden Matrizen:
⎡ ⎤
00010
⎡ ⎤ ⎢ ⎥
001 ⎢1 0 0 0 0⎥
⎢ ⎥ ⎢ ⎥
A = ⎣0 1 0⎦ , B = ⎢ ⎥
⎢0 1 0 0 0⎥ .
⎢ ⎥
100 ⎣0 0 0 0 1⎦
00100

b) Man zeige, dass Permutationsmatrizen orthogonal sind.

v Lösung
a) A und B sind beides Permutationsmatrizen. Daher ist
⎡ ⎤
01000
⎡ ⎤ ⎢ ⎥
001 ⎢0 0 1 0 0⎥
−1 T ⎢ ⎥ −1 T
⎢ ⎥
A = A = ⎣0 1 0⎦ , B = B = ⎢ ⎥
⎢0 0 0 0 1⎥ .
⎢ ⎥
100 ⎣1 0 0 0 0⎦
00010

b) Es sei P eine Permutationsmatrix. Dann ist P−1 = PT . Daraus folgt PT P =

P−1 P = E ⇒ P ist orthogonal. !

4.2.3 Gauß-Algorithmus mit Pivotstrategie

Der Gauß-Algorithmus mit Pivotstrategie (oder Pivotisierung) ist eine Variante des
normalen Gauß-Algorithmus, den wir in 7 Kap. 2 studiert haben. Beim Gauß-
Algorithmus mit Pivotstrategie werden dieselben elementaren Zeilenoperationen wie
beim normalen Gauß-Algorithmus verwendet (7 vgl. Abschn. 2.2.1), jedoch mit
einer wichtigen Variante. Im ersten Schritt wählen wir innerhalb der ersten Spalte das
Element mit dem größten Betrag aus und vertauschen es nach oben. Dieses betrags-
grösste Element wird also zum neuen Pivot der ersten Spalte. Beim zweiten Schritt
suchen wir das betragsgrößte Element innerhalb der zweiten Spalte und vertauschen
es nach oben. Beim Gauß-Algorithmus mit Pivotstrategie wird dieses Verfahren in
jedem Schritt durchgeführt, bis das betragsgrößte Element jeder Pivotspalte immer
als Pivots oben steht.
226 Kapitel 4 • LR-Zerlegung

Übung 4.17
◦ ◦ ◦ Man löse das folgende LGS mittels Gauß-Algorithmus mit Pivotstrategie:
⎧
⎨ x1 + x2 + x3 = 1
⎪
2x1 + x2 + 2x3 = 0
⎪
⎩
4x1 + x2 + x3 = 1

v Lösung
Die erweiterte Matrix [A|b] des LGS ist:
⎧ ⎡ ⎤
⎨ x1 + x2 + x3 = 1
⎪ (Z1 ) 1 1 1 1
⎢ ⎥
2x1 + x2 + 2x3 = 0 (Z2 ) " [A|b] = ⎣ 2 1 2 0 ⎦ .
⎪
⎩
4x1 + x2 + x3 = 1 (Z3 ) 4 1 1 1

Im ersten Schritt betrachten wir die erste Pivotspalte, (1, 2, 4). Das betragsgrößte
Element in dieser Spalte ist 4. Somit vertauschen wir die erste Zeile mit der dritten
Zeile. Das neue Pivot ist nun 4:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 1 4 1 1 1 2(Z2 ) − (Z1 ) 4 1 1 1
⎢ ⎥ (Z1 ) ↔ (Z3 ) ⎢ ⎥ 4(Z3 ) − (Z1 ) ⎢ ⎥
⎣ 2 1 2 0⎦ " ⎣ 2 1 2 0⎦ " ⎣ 0 1 3 −1 ⎦ .
4 1 1 1 1 1 1 1 0 3 3 3

Dann betrachten wir die zweite Pivotspalte, (1, 3). Weil 3 der betragsgrößte Eintrag
ist, vertauschen wir die zweite Zeile mit der dritten Zeile und fahren weiter mit dem
Gauß-Algorithmus:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
4 1 1 1 4 1 1 1 4 1 1 1
⎢ ⎥ (Z2 ) ↔ (Z3 ) ⎢ ⎥ 3(Z3 ) − (Z2 ) ⎢ ⎥
⎣ 0 1 3 −1 ⎦ " ⎣0 3 3 3 ⎦ " ⎣ 0 3 3 3 ⎦.
0 3 3 3 0 1 3 −1 0 0 6 −6
⎧⎡ ⎤⎫
⎨ 0 ⎪
⎪ ⎬
⎢ ⎥
Die Lösung ist somit L = ⎣ 2 ⎦ . !
⎪
⎩ ⎪
⎭
−1

4.2.4 LR-Zerlegung mit Zeilenvertauschung

Eine (n × n)-Matrix A besitzt eine LR-Zerlegung mit Zeilenvertauschung, wenn A sich

wie folgt zerlegen lässt:

PA = LR (4.8)

In dieser Zerlegung ist L eine normierte (n × n)-untere Dreiecksmatrix. R ist eine

(n × n)-obere Dreiecksmatrix und P ist eine Permutationsmatrix.
4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
227 4
LR-Zerlegung mit Zeilenvertauschung – allgemeines Vorgehen
Wir können die Prozedur zur Bestimmung der LR-Zerlegung mit Pivotstrategie im
folgenden Satz festhalten:

# Satz 4.3 (LR-Zerlegung mit Zeilenvertauschung)

Der Gauß-Algorithmus mit Pivotstrategie angewandt auf die (n × n)-Matrix A liefert im
erweiterten Endschema eine normierte Linksdreiecksmatrix L (mit Einsen in der Hauptdia-
gonalen), einer Rechtsdreiecksmatrix R und einer Permutationsmatrix P, sodass LR = PA
gilt. Die Matrizen L und R sind wie bei der einfachen LR-Zerlegung definiert. Bei der LR-
Zerlegung mit Zeilenvertauschung sind zusätzlich alle nötigen Zeilenvertauschungen in der
Permutationsmatrix P gespeichert. $

Musterbeispiel 4.3 (LR-Zerlegung mit Zeilenvertauschung)

Wir illustrieren die LR-Zerlegung mit Zeilenvertauschung an der folgenden Matrix

⎡ ⎤
1 −2 4
⎢ ⎥
A = ⎣5 1 2⎦.
3 −1 1

Das Ausgangsschema LR-Zerlegung mit Zeilenvertauschung ist

⎡ ⎤
1 0 0 1 0 0 1 −2 4
⎢ ⎥
[E|E|A] = ⎣ 0 1 0 0 1 0 5 1 2 ⎦ .
0 0 1 0 0 1 3 −1 1

Dann wenden wir den Gauß-Algorithmus mit Pivotstrategie auf die rechte Matrix an.
Wir speichern alle nötigen Zeilenoperationen in den Einträgen der mittleren Matrix
unter der Diagonalen. Zusätzlich speichern wir alle nötigen Zeilenpermutationen in
der linken Matrix. Die LR-Zerlegung mit Zeilenvertauschung können wir somit direkt
im Endschema [P|L|R] ablesen.
Wir betrachten die erste Pivotspalte der rechten Matrix, (1, 5, 3). Der betragsgrösste
Eintrag in dieser Spalte ist 5. Somit vertauschen wir die erste und zweite Zeilen und
führen dann einen Schritt des Gauß-Algorithmus durch:
⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 −2 4 0 1 0 1 0 0 5 1 2
⎢ ⎥ (Z1 ) ↔ (Z2 ) ⎢ ⎥
⎣0 1 0 0 1 0 5 1 2⎦ " ⎣ 1 0 0 0 1 0 1 −2 4 ⎦
0 0 1 0 0 1 3 −1 1 0 0 1 0 0 1 3 −1 1

(Z2 ) − 1 (Z1 ) ⎡ ⎤
5
(Z3 ) − 3 (Z1 ) 0 1 0 1 0 0 5 1 2
5 ⎢ 18 ⎥ .
" ⎣ 1 0 0 15 1 0 0 − 11
5 5 ⎦
0 0 1 35 0 1 0 − 85 − 51

Dann betrachten wir die zweite Pivotspalte, (−11/5, −8/5). Weil −11/5 bereits der
betragsgrößte Eintrag ist, müssen wir keine Zeile vertauschen und wir verfahren weiter
228 Kapitel 4 • LR-Zerlegung

mit dem Gauß-Algorithmus:

⎡ ⎤ ⎡ ⎤
0 1 0 1 0 0 5 1 2 (Z3 ) − 8 (Z2 )
0 1 0 1 0 0 5 1 2
⎢ 18 ⎥ 11 ⎢ 18 ⎥ .
⎣ 1 0 0 15 1 0 0 − 11
5 5 ⎦
" ⎣ 1 0 0 15 1 0 0 − 11
5 5 ⎦
0 0 1 35 0 1 0 − 85 − 15 0 0 1 35 11 1 0
8
0 − 3111

Der Gauß-Algorithmus ist zu Ende gekommen. Aus dem Endschema

⎡ ⎤
0 1 0 1 0 0 5 1 2
⎢ 18 ⎥
[P|L|R] = ⎣ 1 0 0 15 1 0 0 − 11
5 5 ⎦
0 0 1 5 11 1 0 0 − 31
3 8
11

lesen wir die LR-Zerlegung direkt aus

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
010 1 0 0 5 1 2
⎢ ⎥ ⎢ ⎥ ⎢ 18 ⎥ .
P = ⎣1 0 0⎦ , L = ⎣ 15 1 0⎦ , R = ⎣0 − 11
5 5 ⎦
3 8
001 5 11 1 0 0 − 3111

Probe:
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 0 0 5 1 2 5 1 2
⎢ ⎥⎢ 18 ⎥ = ⎢ ⎥
LR = ⎣ 15 1 0⎦ ⎣0 − 11
5 5 ⎦ ⎣1 −2 4⎦ = PA %
3 8
5 11 1 0 0 − 31
11 3 −1 1

In PA sind die erste und zweite Zeile von A vertauscht.

Übung 4.18
• ◦ ◦ Man bestimme die LR-Zerlegung mit Zeilenvertauschung der folgenden Matrix:
⎡ ⎤
5 1 2
⎢ ⎥
A = ⎣ 2 25 1⎦ .
−4 0 6

v Lösung
Wir betrachten das Ausgangsschema [E|E|A] und wenden den Gauß-Algorithmus mit
Pivotstrategie an:
⎡ ⎤ (Z2 ) − 2 (Z1 ) ⎡ ⎤
5
1 0 0 1 0 0 5 1 2 (Z3 ) − − 4 (Z1 ) 1 0 0 1 0 0 5 1 2
⎢ ⎥ 5 ⎢ ⎥
[E|E|A] = ⎣ 0 1 0 0 1 0 2 25 1 ⎦ " ⎣ 0 1 0 25 1 0 0 0 15 ⎦
0 0 1 0 0 1 −4 0 6 0 0 1 − 54 0 1 0 45 38
5
⎡ ⎤
1 0 0 1 0 0 5 1 2
(Z3 )↔(Z2 ) ⎢ ⎥
" ⎣ 0 0 1 − 45 1 0 0 45 38
5 ⎦
.
0 1 0 25 0 1 0 0 15
4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
229 4
Das Verfahren wurde terminiert und wir lesen die LR-Zerlegung von A aus dem
Endschema [P|L|R] ab:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
100 1 00 5 1 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
P = ⎣0 0 1⎦ , L = ⎣− 45 1 0⎦ , R = ⎣0 45 38 5 ⎦
.
2 1
010 5 01 0 0 5

Eine Probe zeigt LR = PA. !

Übung 4.19
• • ◦ Man bestimme die LR-Zerlegung mit Zeilenvertauschung der folgenden Matrix:
⎡ ⎤
111 1
⎢0 4 0 3 ⎥
⎢ ⎥
A=⎢ ⎥.
⎣2 0 0 5 ⎦
1 2 3 −1

v Lösung
Wir betrachten das Ausgangsschema [E|E|A] und wenden den Gauß-Algorithmus mit
Pivotstrategie an:
⎡ ⎤ ⎡ ⎤
1 0 0 0 1 0 0 0 1 1 1 1 0 0 1 0 1 0 0 0 2 0 0 5
⎢0 3 ⎥
⎢
⎢ 1 0 0 0 1 0 0 0 4 0 (Z
⎥ 1 )↔(Z )
3 ⎢ 0 1 0 0 0 1 0 0 0 4 0 3 ⎥
⎥
⎢ ⎥ " ⎢ ⎥
⎣0 0 1 0 0 0 1 0 2 0 0 5 ⎦ ⎣1 0 0 0 0 0 1 0 1 1 1 1 ⎦
0 0 0 1 0 0 0 1 1 2 3 −1 0 0 0 1 0 0 0 1 1 2 3 −1

(Z3 ) − 1 (Z1 )
⎡ ⎤
2 0 0 1 0 1 0 0 0 2 0 0 5
(Z4 ) − 1 (Z1 ) ⎢ ⎥
2 ⎢0 1 0 0 0 1 0 0 0 4 0 3 ⎥
" ⎢ ⎥
⎣1 0 0 0 12 0 1 0 0 1 1 − 32 ⎦
0 0 0 1 12 0 0 1 0 2 3 − 72

(Z3 ) − 1 (Z2 )
⎡ ⎤
4 0 0 1 0 1 0 0 0 2 0 0 5
(Z4 ) − 1 (Z2 ) ⎢0
2 ⎢ 1 0 0 0 1 0 0 0 4 0 3 ⎥ ⎥
" ⎢ ⎥
⎣1 0 0 0 12 14 1 0 0 0 1 − 94 ⎦
0 0 0 1 12 12 0 1 0 0 3 −5
⎡ ⎤
0 0 1 0 1 0 0 0 2 0 0 5
⎢
(Z3 )↔(Z4 ) ⎢ 0
⎥
1 0 0 0 1 0 0 0 4 0 3 ⎥
" ⎢ ⎥
⎣0 0 0 1 12 12 1 0 0 0 3 −5 ⎦
1 0 0 0 12 14 0 1 0 0 1 − 49
⎡ ⎤
0 0 1 0 1 0 0 0 2 0 0 5
(Z4 )− 13 (Z3 ) ⎢ 0 1 0 0 0 1 0 0 0 4 0 3
⎥
⎢ ⎥
" ⎢ ⎥
⎣0 0 0 1 12 12 1 0 0 0 3 −5 ⎦
1 0 0 0 12 14 13 1 0 0 7
0 − 12
230 Kapitel 4 • LR-Zerlegung

Wir erhalten endlich:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 0 1 0 1 0 0 0 2 0 0 5
⎢0 0⎥ ⎢ 0 1 0 0⎥ ⎢0
⎢ 1 0 ⎥ ⎢ ⎥ ⎢ 4 0 3 ⎥ ⎥
P=⎢ ⎥, L = ⎢1 1 ⎥, R=⎢ ⎥.
⎣0 0 0 1⎦ ⎣ 2 2 1 0⎦ ⎣0 0 3 −5 ⎦
1 1 1 7
1 0 0 0 2 4 3 1 0 0 0 − 12

⎡
⎤⎡ ⎤ ⎡ ⎤
1 0 0 0 2 0 0 5 2 0 0 5
⎢ 0 1 0 0⎥ ⎢0 4 0 3 ⎥ ⎢ 3⎥
⎢ ⎥⎢ ⎥ ⎢0 4 0 ⎥
Probe: LR = ⎢ 1 1 ⎥⎢ ⎥=⎢ ⎥ = PA % !
⎣ 2 2 1 0⎦ ⎣0 0 3 −5 ⎦ ⎣1 2 3 −1⎦
1 1 1 7
2 4 3 1 0 0 0 − 12 1 1 1 1

Übung 4.20
• • ◦ Man bestimme die LR-Zerlegung mit Zeilenvertauschung der folgenden Matrix:
⎡ ⎤
−2 4 6 0
⎢0
⎢ 3 1 1⎥⎥
A=⎢ ⎥.
⎣2 −10 −7 −1⎦
1 −8 −4 2

Man bestimme die Determinante von A.

v Lösung
Das Ausgangsschema der Prozedur zur Bestimmung der LR-Zerlegung ist:
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0
⎢0
⎢ 1 0 0 0 1 0 0 0 3 1 1 ⎥⎥
[E|E|A] = ⎢ ⎥.
⎣0 0 1 0 0 0 1 0 2 −10 −7 −1 ⎦
0 0 0 1 0 0 0 1 1 −8 −4 2

Wir betrachten die erste Spalte von A. | − 2| = 2 ist der betragsgrößte Eintrag in dieser
Spalte. Wir müssen somit keine Zeilen vertauschen und wir führen den ersten Schritt
des Gauß-Algorithmus durch:
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0 (Z3 ) − −1 (Z1 )
⎢0 ⎥ (Z4 ) − − 1 ) (Z1 )
⎢ 1 0 0 0 1 0 0 0 3 1 1 ⎥ 2
⎢ ⎥ "
⎣0 0 1 0 0 0 1 0 2 −10 −7 −1 ⎦
0 0 0 1 0 0 0 1 1 −8 −4 2
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0
⎢0 1 ⎥
⎢ 1 0 0 0 1 0 0 0 3 1 ⎥
⎢ ⎥.
⎣0 0 1 0 −1 0 1 0 0 −6 −1 −1 ⎦
0 0 0 1 − 21 0 0 1 0 −6 −1 2
4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
231 4
Nun müssen wir die zweite und dritte Zeile vertauschen, da |3| < | − 6|. Wir erhalten
somit:
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 0 6
⎢0 ⎥
⎢ 1 0 0 0 1 0 0 0 3 1
1 ⎥ (Z2 )↔(Z3 )
⎢ ⎥ "
⎣0 0 1 0 −1 0 1 0 0 −6 −1
−1 ⎦
0 0 0 1 − 21 0 0 1 0 −6 2 −1
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0
⎢0 0
⎢ 1 0 −1 1 0 0 0 −6 −1 −1 ⎥⎥
⎢ ⎥.
⎣0 1 0 0 0 0 1 0 0 3 1 1 ⎦
0 0 0 1 − 12 0 0 1 0 −6 −1 2

Jetzt führen wir den letzen Schritt des Gauß-Algorithmus aus:

⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0 (Z3 ) − − 1 (Z2 )
2
⎢0
⎢ 0 1 0 −1 1 0 0 0 −6 −1 −1 ⎥
⎥ (Z4 ) − 1 (Z2 )
⎢ ⎥ "
⎣0 1 0 0 0 0 1 0 0 3 1 1 ⎦
0 0 0 1 − 21 0 0 1 0 −6 −1 2
⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0
⎢0
⎢ 0 1 0 −1 1 0 0 0 −6 −1 −1 ⎥
⎥
⎢ ⎥.
⎣0 1 0 0 0 − 12 1 0 0 0 12 12 ⎦
0 0 0 1 − 21 1 0 1 0 0 0 3

Somit erhalten wir:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 0 1 0 0 0 −2 4 6 0
⎢0 0⎥ ⎢ −1 ⎥ ⎢0 −6 −1 −1⎥
⎢ 0 1 ⎥ ⎢ 1 0 0⎥ ⎢ ⎥
P=⎢ ⎥, L=⎢ ⎥, R=⎢ ⎥.
⎣0 1 0 0⎦ ⎣ 0 − 12 1 0⎦ ⎣0 0 12 21 ⎦
0 0 0 1 − 12 1 0 1 0 0 0 3

Die Kontrolle zeigt LR = PA. Für die Determinante von A gilt

@ A
det(A) = det PT det(L) det(R) = (−1)# Zeilenoperationen r11 r22 r33 r44
; <= >
=1

1
= (−1)1 · (−2) · (−6) · · 3 = −18.
2 !

4.2.5 Lösung von LGS

Das Lösen eines LGS mittels LR-Zerlegung mit Zeilenvertauschung erfolgt analog zu
7 Abschn. 4.1.4. Für das LGS Ax = b wird zuerst die Matrix A mittels LR-Zerlegung
mit Zeilenvertauschung zerlegt: PA = LR. Weil P eine Permutationsmatrix ist, gilt
P−1 = PT ⇒ PT P = E. Aus der ursprünglischen Matrizengleichung erhalten wir:
232 Kapitel 4 • LR-Zerlegung

PT P=E PT =P−1 PA=LR

Ax = b ⇒ PT PAx = b ⇒ PAx = Pb ⇒ LRx = Pb.

Zuerst lösen wir das folgende LGS für die Hilfsvariable y = Rx

Ly = Pb (4.9)

dann lösen wir

Rx = y. (4.10)

Da die Matrizen L und R Dreiecksform haben, kann man beide LGS ganz einfach
durch sukzessives Auflösen von oben nach unten bzw. von unten nach oben direkt
lösen.

Kochrezept 4.2 (LGS mittels LR-Zerlegung mit Zeilenvertauschung lösen)

Gegeben – LGS: Ax = b.
Gesucht – Lösung x mittels LR-Zerlegung von A.
Voraussetzung – LR-Zerlegung von A mit Zeilenvertauschung möglich.
Schritt 1 – Man nehme die LR-Zerlegung mit Zeilenvertauschung der Matrix A vor,
d. h., man bestimme Matrizen P, L und R, sodass PA = LR gilt.
Schritt 2 – Man bilde den Vektor z = Pb.
Schritt 3 – Man löse das LGS Ly = z zeilenweise (z wurde im Schritt 2 gefunden).
Schritt 4 – Man löse das LGS Rx = y zeilenweise (y wurde im Schritt 3 gefunden).
Der Vektor x ist die gesuchte Lösung von Ax = b.

Übung 4.21
• ◦ ◦ Man löse das folgende LGS mittels LR-Zerlegung und Zeilenvertauschung:
⎧
⎨ 5x1 + x2 + 2x3 = 13
⎪
2x1 + 25 x2 + x3 = 295
⎪
⎩
−4x1 + 6x3 = 14

v Lösung
Zuerst schreiben wir das LGS in Matrixform Ax = b mit
⎡ ⎤ ⎡ ⎤
5 1 2 13
⎢ ⎥ ⎢ ⎥
A = ⎣ 2 25 1⎦ , b = ⎣ 29
5 ⎦
.
−4 0 6 14

Nun gehen wir das Kochrezept 4.2 Schritt für Schritt durch.
4.2 • LR-Zerlegung mit Zeilenvertauschung – Pivotstrategie
233 4
Schritt 1 – Die LR-Zerlegung mit Zeilenvertauschung der Matrix A wurde bereits in
Übung 4.18 vorgenommen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
100 1 00 5 1 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
P = ⎣0 0 1⎦ , L = ⎣− 45 1 0⎦ , R = ⎣0 45 38
5 ⎦
.
2 1
010 5 0 1 0 0 5

Schritt 2 – Wir berechnen den Vektor z = Pb

⎡ ⎤⎡ ⎤ ⎡ ⎤
100 13 13
⎢ ⎥⎢ ⎥ ⎢ ⎥
z = ⎣0 0 1⎦ ⎣ 29
5 ⎦
= ⎣14⎦ .
29
010 14 5

Schritt 3 – Wir lösen das LGS Ly = z zeilenweise

⎧ ⎡ ⎤
⎨ y1
⎪ = 13 13
⎢ 122 ⎥
− 45 y1 + y2 = 14 ⇒ y = ⎣ 5 ⎦.
⎪
⎩ 2
5 y 1 + y 3 = 29
5
3
5

Schritt 4 – Nun lösen wir das LGS Rx = y zeilenweise mit dem im Schritt 3 gefundenen
Vektor y
⎧ ⎡ ⎤
⎨5x1 + x2 + 2x3 = 13
⎪ 1
4 38 122 ⎢ ⎥
5 x2 + 5 x3 = 5
⇒ x = ⎣2⎦ .
⎪
⎩ 1 3
5 x3 = 5 3 !

Übung 4.22
• ◦ ◦ Man löse das folgende LGS mittels LR-Zerlegung und Zeilenvertauschung:
⎧
⎪
⎪ x1 + x2 + x3 + x4 =0
⎪
⎨ 4x2 + 3x4 =5
⎪
⎪
⎪ 2x 1 + 5x4 =4
⎩
x1 + 2x2 + 3x3 − x4 =1

v Lösung
Zuerst schreiben wir das LGS in Matrixform Ax = b mit
⎡ ⎤ ⎡ ⎤
1 1 1 1 0
⎢0 3⎥ ⎢5⎥
⎢ 4 0 ⎥ ⎢ ⎥
A=⎢ ⎥, b = ⎢ ⎥.
⎣2 0 0 5⎦ ⎣4⎦
1 2 3 −1 1

Nun gehen wir das Kochrezept 4.2 Schritt für Schritt durch.
234 Kapitel 4 • LR-Zerlegung

Schritt 1 – Die LR-Zerlegung mit Zeilenvertauschung der Matrix A wurde bereits in

Übung 4.19 vorgenommen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 0 1 0 1 0 0 0 2 0 0 5
⎢0 0⎥ ⎢ 0 1 0 0⎥ ⎢0
⎢ 1 0 ⎥ ⎢ ⎥ ⎢ 4 0 3 ⎥ ⎥
P=⎢ ⎥, L = ⎢1 1 ⎥, R=⎢ ⎥.
⎣0 0 0 1⎦ ⎣ 2 2 1 0⎦ ⎣0 0 3 −5 ⎦
1 1 1 7
1 0 0 0 2 4 3 1 0 0 0 − 12

Schritt 2 – Wir berechnen den Vektor z = Pb

⎡ ⎤⎡ ⎤ ⎡ ⎤
0 0 1 0 0 4
⎢0 0⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 0 ⎥ ⎢5⎥ ⎢5⎥
z=⎢ ⎥⎢ ⎥ = ⎢ ⎥.
⎣0 0 0 1⎦ ⎣4⎦ ⎣1⎦
1 0 0 0 1 0

Schritt 3 – Wir lösen das LGS Ly = z zeilenweise

⎧ ⎡ ⎤
⎪
⎪ y1 =4 4
⎪
⎨ ⎢ 5 ⎥
y2 =5 ⎢ ⎥
1 1
⇒ y = ⎢ 7 ⎥.
⎪
⎪ y1 + 2 y2 + y3 =1 ⎣ −2 ⎦
⎩ 21
⎪
1 1
2 y 1 + 4 y 2 + 3 y 3 + y 4 =0 − 25
12

Schritt 4 – Nun lösen wir das LGS Rx = y zeilenweise mit dem im Schritt 3 gefundenen
Vektor y
⎧ ⎡ ⎤
⎪
⎪2x1 + 5x4 = 4 − 97
14
⎪
⎨ ⎢− 10 ⎥
4x2 + 3x4 = 5 ⎢ ⎥
7
⇒ x = ⎢ 677 ⎥ .
⎪
⎪
⎪ 3x3 − 5x4 = − 12 ⎣ 14 ⎦
⎩ 7
− 12 x4 = − 25
12
25
7 !

4.3 Zeilenvertauschung: ja oder nein?

Wir wollen uns noch mit der folgenden Frage beschäftigen: Was ist der Unterschied
zwischen der LR-Zerlegung ohne und mit Zeilenvertauschung? Es gibt grundsätzlich
zwei Gründe, wieso man eine LR-Zerlegung mit Zeilenvertauschung durchführen
will:
5 Die LR-Zerlegung mit Zeilenvertauschung bietet erhöhte numerische Stabilität bei
endlicher Arithmetik (vgl. Übung 4.23).
5 Nicht alle Matrizen besitzen eine LR-Zerlegung. In solchen Situationen
kann man trotzdem eine LR-Zerlegung mit Zeilenvertauschung durchführen
(vgl. Übung 4.24).
4.3 • Zeilenvertauschung: ja oder nein?
235 4
4.3.1 Numerische Stabilität

Das folgende Beispiel soll an einem konkreten Fall die Wichtigkeit der Zeilen-
vertauschung für die numerische Stabilität der LR-Zerlegung aufzeigen. Für die
Lösung eines LGS auf dem Computer (endliche Arithmetik, Auslöschung) bietet die
LR-Zerlegung mit Zeilenvertauschung eine genauere Methode im Vergleich zur LR-
Zerlegung ohne Zeilenvertauschung.

Übung 4.23
• • ◦ Das Gleichungssystem
1
0.035x1 + 3.6x2 = 9.1
1.2x1 + 1.4x2 = 5.9

hat folgende exakte Lösung:

' *
1.99016 · · ·
x= .
2.50842 · · ·

Nehmen wir an, dass ein Computer nur mit 2 signifikanten Stellen rechnen kann
(d. h. 0.123 wird auf 0.12 gerundet während 249 auf 250 gerundet wird). Welche
Lösung wird der Computer liefern, wenn zum Lösen des Gleichungssystems (a) eine
LR-Zerlegung ohne Zeilenvertauschung benutzt wird oder (b) eine LR-Zerlegung mit
Zeilenvertauschung? Welches der zwei Verfahren ist genauer?

v Lösung
Zuerst schreiben wir das LGS in Matrixform Ax = b mit
' * ' *
0.035 3.6 9.1
A= , b= .
1.2 1.4 5.9

a) Wir bestimmen nun eine LR-Zerlegung der Matrix A ohne Zeilenvertauschung:

' * ' * ' *
1 0 0.035 3.6 (Z2 )− 34 (Z1 ) 1 0 0.035 3.6 1 0
" ⇒ L= ,
0 1 1.2 1.4 34 1 0 −120 34 1
' *
0.035 3.6
R= .
0 −120

Dann lösen wir das LGS Ly = z zeilenweise

1 '
*
y1 = 9.1 9.1
⇒ y= .
34y1 + y2 = 5.9 −300

Schließlich lösen wir das LGS Rx = y zeilenweise mit dem gefundenen Vektor y
236 Kapitel 4 • LR-Zerlegung

1 ' *
0.035x1 + 3.6x2 = 9.1 2.9
⇒ x= .
−120x2 = −300 2.5
' *
1.99017 · · ·
Das Endresultat ist weit entfernt von der exakten Lösung: x = . Das
2.50843 · · ·
Problem liegt darin, dass das erste Element in der ersten Zeile von A im Vergleich
zum anderen Element in derselben Zeile relativ klein ist. Bei endlicher Arithmetik
kann dies zu Auslöschung führen. Deshalb sollte man die Pivotzeile so aussuchen,
dass das Pivotelement in dieser Zeile relativ zu den anderen Elementen der Zeile
möglichst das größte ist. Die Anwendung der LR-Zerlegung mit Zeilenvertauschun-
gen liefert genau deshalb eine genauere Lösung.
b) Wir bestimmen nun eine LR-Zerlegung der Matrix A mit Zeilenvertauschung:
' * ' *
1 0 1 0 0.035 3.6 (Z2 )↔(Z1 ) 0 1 1 0 1.2 1.4 (Z2 )− 0.029 (Z1 )
" "
0 1 0 1 1.2 1.4 1 0 0 1 0.035 3.6
' * ' * ' * ' *
0 1 1 0 1.2 1.4 0 1 1 0 1.2 1.4
⇒ P= ,L= ,R=
1 0 0.029 1 0 3.6 1 0 0.029 1 0 3.6
' *' * ' *
01 9.1 5.9
Dann berechnen wir den Vektor z = Pb = = und lösen das
10 5.9 9.1
LGS Ly = z zeilenweise
1 ' *
y1 = 5.9 5.9
⇒y= .
0.029y1 + y2 = 9.1 8.9

Schließlich lösen wir das LGS Rx = y zeilenweise mit dem gefundenen Vektor y
1 *'
1.2x1 + 1.4x2 = 5.9 2.0
⇒ x= .
3.6x2 = 8.9 2.5

Diese Lösung ist genau, wenn man das exakte Resultat auf 2 signifikanten Stellen
rundet. Die LR-Zerlegung mit Zeilenvertauschung ist somit ein besserer Algorith-
mus als die LR-Zerlegung ohne Zeilenvertauschung. !

Existenz der einfachen LR-Zerlegung ist nicht möglich

Das folgende Beispiel soll an einem konkreten Fall zeigen, dass die LR-Zerlegung mit
Zeilenvertauschung auch dann möglich ist, wenn die einfache LR-Zerlegung versagt.
4.3 • Zeilenvertauschung: ja oder nein?
237 4

Übung 4.24
• • ◦ Man betrachte die folgende Matrix
⎡ ⎤
1 0 2
⎢ ⎥
A = ⎣−1 a 1⎦ , a ∈ R.
0 −1 3

a) Für welche Werte des Parameters a ∈ R besitzt die folgende Matrix eine LR-
Zerlegung?
b) Für welche Werte des Parameters a ∈ R besitzt die folgende Matrix eine LR-
Zerlegung mit Zeilenvertauschung? Man bestimme diese Zerlegung in Abhängig-
keit des Parameters a ∈ R.

v Lösung
a) Damit eine LR-Zerlegung der Matrix A möglich ist, muss det(Ak ) ̸= 0 für k = 1, 2, 3
gelten (Satz 4.2):
6 7
A1 = 1 ⇒ det(A1 ) = 1 ̸= 0 %
' *
1 0
A2 = ⇒ det(A2 ) = a ̸= 0 ⇒ a ̸= 0
−1 a
⎡ ⎤ + +
1 0 2 +1 0 2++
+
⎢ ⎥ + +
A3 = ⎣−1 a 1⎦ ⇒ det(A3 ) = +−1 a 1+
+ +
0 −1 3 +0 −1 3+
+ + + +
+a
+ 1++ ++ 0 2++
=+ +++ +
+−1 3+ +−1 3+

= 3(a + 1) ̸= 0 ⇒ a ̸= −1.

Somit besitzt A eine LR-Zerlegung wenn a ̸= {−1, 0}.

b) Um die LR-Zerlegung mit Zeilenvertauschung von A zu bestimmen, bemerken wir,
dass 1 bereits der betragsgrößte Eintrag in der ersten Pivotspalte ist. Wir müssen
also keine Zeile vertauschen und wir wenden einfach den ersten Schritt des Gauß-
Algorithmus an:
⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 0 2 1 0 0 1 0 0 1 0 2
⎢ ⎥ (Z2 ) − −1 (Z1 ) ⎢ ⎥
⎣ 0 1 0 0 1 0 −1 a 1 ⎦ " ⎣ 0 1 0 −1 1 0 0 a 3 ⎦ .
0 0 1 0 0 1 0 −1 3 0 0 1 0 0 1 0 −1 3

Nun suchen wir das Betragsgrößte Element in der zweiten Pivotspalte: Ist es −1 oder
a? Wir müssen zwei Fälle unterscheiden:
5 Fall 1: |a| > 1. In diesem Fall ist a bereits das Pivot. Wir müssen somit keine
Zeilenvertauschung durchführen:
238 Kapitel 4 • LR-Zerlegung

⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 0 2 1 0 0 1 0 0 1 0 2
(Z3 ) − − a1 (Z2 ) ⎢ ⎥
⎢ ⎥ ⎢ 0 1 0 −1 1 0 0 a
@ 3 A ⎦.
⎣ 0 1 0 −1 1 0 0 a 3 ⎦ " ⎥
⎣
1
0 0 1 0 0 1 0 −1 3 0 0 1 0 −a 1 0 0 3 1 + a
1

Die LR-Zerlegung von A ist dann:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
100 1 0 0 10 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
P = ⎣0 1 0⎦ , L = ⎣−1 1 0⎦ , R=⎢ 0 a @ 3 A⎥
⎣ ⎦
001 0 − 1a 1 0 0 3 1 + 1a

vorausgesetzt |a| > 1 (insbesondere a ̸= 0).

5 Fall 2: |a| ≤ 1. In diesem Fall ist −1 das Pivot. Somit müssen wir die zweite und
dritte Zeilen vertauschen:
⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 0 2 1 0 0 1 0 0 1 0 2
⎢ ⎥ (Z3 ) ↔ (Z2 ) ⎢ ⎥
⎣ 0 1 0 −1 1 0 0 a 3 ⎦ " ⎣ 0 0 1 −1 1 0 0 −1 3 ⎦ .
0 0 1 0 0 1 0 −1 3 0 1 0 0 0 1 0 a 3

Dann gehen wir mit dem Gauß-Algorithmus weiter:

⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 1 0 2 1 0 0 1 0 0 1 0 2
⎢ ⎥ (Z3 ) − −a (Z2 ) ⎢ ⎥
⎣ 0 0 1 −1 1 0 0 −1 3 ⎦ " ⎣ 0 0 1 0 1 0 0 −1 3 ⎦.
0 1 0 0 0 1 0 a 3 0 1 0 −1 −a 1 0 0 3(a + 1)

Die LR-Zerlegung von A ist dann:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
100 1 0 0 1 0 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
P = ⎣0 0 1⎦ , L = ⎣ 0 1 0⎦ , R = ⎣0 −1 3 ⎦
010 −1 −a 1 0 0 3(a + 1)

vorausgesetzt |a| ≤ 1.

Zusammenfassend: Die Matrix A besitzt eine LR-Zerlegung mit Zeilenvertauschung

für alle a ∈ R, obwohl die LR-Zerlegung ohne Zeilenvertauschung für a ̸= {−1, 0}
nicht existiert. !

4.4 Komplexität der LR-Zerlegung

Zum Schluss dieses Kapitels, wollen wir uns noch mit der folgenden Frage beschäf-
tigen: Wie viele Rechenoperationen werden gebraucht, um ein LGS Ax = b mit n
Gleichungen und n Unbekannten mittels LR-Zerlegung für großes n zu lösen?
Gemäß Kochrezept 4.1 sind drei Schritte nötig:
3 2 −n
5 Bestimmung der LR-Zerlegung von A. In diesem Schritt sind 4n −3n6 Operatio-
nen nötig (Übung 4.25).
4.4 • Komplexität der LR-Zerlegung
239 4
5 Lösen des LGS Ly = b durch Vorwärtseinsetzen. Der Rechenaufwand ist n2
(Übung 4.26).
5 Lösen des LGS Rx = y durch Rückwärtseinsetzen. Es sind n2 + n Operationen
nötig (Übung 4.27).

Der gesamte Rechenaufwand bei der Lösung eines (n×n)-LGS mittels LR-Zerlegung
beträgt somit

4n3 − 3n2 − n
+ n2 + (n2 + n) Operationen.
6

Für großes n, sind die Terme mit n und n2 vernachlässigbar im Vergleich zu n3 . Somit
sind insgesamt Ordnung n3 Operationen nötig. Dieser Rechenaufwand ist viel kleiner
als bei der Lösung des LGS mithilfe der Determinante, wobei Ordnung (n + 1)!
Operationen nötig sind (Übung 4.28).

Übung 4.25
• • • Wie viele Rechenschritte sind für die LR-Zerlegung einer (n × n)-Matrix nötig?

v Lösung
Die Bestimmung der LR-Zerlegung gemäß 7 Abschn. 4.1.2 können wir mit folgendem
Algorithmus im Pseudocode zusammenfassen:

Algorithm 1: Algorithmus für LR-Zerlegung (Pseudocode)

input : (n × n)-Matrix A (unter den Voraussetzungen von Satz 4.2)
output: LR-Zerlegung von A
for j = 1 to n do
for i = j + 1 to n do
a
ℓij = aijjj ← 1 Operation
for k = j + 1 to n do
aik ← aik − ℓij ajk ← 2 Operationen
end
end
end

Der Algorithmus besteht aus drei For-Schleifen. Die innere For-Schleife benötigt 2
Operationen (1 Multiplikation und 1 Addition) pro Schritt. Insgesamt sind es somit

n
D n
D
2=2× 1 = 2(n − j)
k=j+1 i=j+1
; <= >
=n−j

Operationen. Die mittlere For-Schleife verwendet eine Operation (Division) und ruft
die innere For-Schleife. Pro Schritt sind es somit 1 + 2(n − j) Operationen. Insgesamt
ergibt dies:
240 Kapitel 4 • LR-Zerlegung

n
D n
( ) ( ) D ( )
1 + 2(n − j) = 1 + 2(n − j) 1 = 1 + 2(n − j) (n − j)
i=j+1 i=j+1
; <= >
=n−j

2
= 2j − (4n + 1)j + n(2n + 1)

Operationen. Schließlich, summieren wir über die äußere For-Schleife und bekommen:

n
D n
D n
D n
D
( )
2j 2 − (4n + 1)j + n(2n + 1) = 2 j2 − (4n + 1) j + n(2n + 1) 1
j=1 j=1 j=1 j=1
; <= > ; <= > ; <= >
=2 n(n+1)(2n+1)
=(4n+1) n(n+1) =n(2n+1) n
6 2

4n3 − 3n2 − n
=
6

Für großes n betrachten wir nur die größte Potenz von n (n3 in diesem Fall). Die Ge-
samtanzahl der Operationen bei der LR-Zerlegung vereinfacht sich somit im Grenzwert
n ≫ 1 zu:

4n3 − 3n2 − n 2n3

≃ Operationen.
6 3

Der Rechenaufwand bei der LR-Zerlegung beträgt somit O(n3 ). !

Praxistipp

Bei Rechenaufwandberechnungen sind oft die folgenden Formeln nützlich:

n
D n
D n
D
n(n + 1) n(n + 1)(2n + 1)
1 = n, j= , j2 = .
2 6
j=1 j=1 j=1

Übung 4.26
• • • Sei L eine normierte (n × n)-untere Dreiecksmatrix. Man bestimme den Rechen-
aufwand bei der Lösung von Ly = b durch Vorwärtseinsetzen.

v Lösung
Durch Vorwärtseinsetzen ergibt sich die folgende Lösung von Ly = b:

y1 = b1 ← 1 Operation
y2 = b2 − ℓ21 y1 ← 2 Operationen
y3 = b3 − ℓ31 y1 − ℓ32 y2 ← 4 Operationen
4.4 • Komplexität der LR-Zerlegung
241 4
..
.
yj = bj − ℓj1 y1 − ℓj2 y2 − · · · − ℓj,j−1 yj−1 ← 2(n − j) + 1 Operation
..
.

Für das Lösen des LGS Ly = b durch Vorwärtseinsetzen können wir somit den
folgenden Algorithmus im Pseudocode festhalten:

Algorithm 2: Algorithmus für Vorwärtseinsetzen (Pseudocode)

input : LGS Ly = b (L ist normierte untere (n × n)-Dreiecksmatrix)
output: Lösung von Ly = b durch Vorwärtseinsetzen
y1 = b1 ;
for j = 2 to n do
yj = bj − (ℓj1 y1 + · · · + ℓj,j−1 yj−1 ) ← 2(n − j) + 1 Operationen
end

Wie viele Operationen sind beim Vorwärtseinsetzen nötig? Im j-tem Schritt brauchen
wir 1 Subtraktion, sowie n − j Additionen und Multiplikationen (für den Teil ℓj1 y1 +
· · · ℓj,j−1 yj−1 ); dies ergibt 2(n − j) + 1 Operationen. Summieren wir diese Anzahl
Operationen über die gesamte For-Schleife, so erhalten wir:

n
D n
D n
D
( )
2(n − j) + 1 = (2n + 1) × 1−2 × j
j=1 j=1 j=1
; <= > ; <= >
=(2n+1)×n =2× n(n+1)
2

= n(2n + 1) − n(n + 1) = n2 Operationen. !

Übung 4.27
• • • Sei R eine (n × n)-obere Dreiecksmatrix. Man berechne den Rechenaufwand bei
der Lösung von Rx = y durch Rückwärtseinsetzen.

v Lösung
Für das Lösen des LGS Rx = y durch Rückwärtseinsetzen können wir, analog zum
Übung 4.26, den folgenden Algorithmus im Pseudocode nutzen:

Algorithm 3: Algorithmus für Rückwärtseinsetzen (Pseudocode)

input : LGS Rx = y (R ist obere (n × n)-Dreiecksmatrix)
output: Lösung von Rx = y durch Rückwärtseinsetzen
xn = rynnn ;
for j = n − 1 to 1 do
y −(r x +···+rjn xn )
xj = j j,j+1 j+1
rjj ← 2(n − j) + 2 Operationen
end
242 Kapitel 4 • LR-Zerlegung

Beachte, dass die Diagonaleinträge r11 , r22 , · · · , rnn der Matrix R ungleich Null sein
müssen, damit dieser Schritt überhaupt definiert ist (vgl. Satz 4.2). Mit diesem Pseudo-
code können wir die Anzahl Operationen beim Rückwärtseinsetzen berechnen. Bei der
Bestimmung von yj sind 2(n − j) + 2 Operationen nötig. Insgesamt ergibt dies:

n
D n
D n
D
( )
2(n − j) + 2 = (2n + 2) × 1−2 × j
j=1 j=1 j=1
; <= > ; <= >
=(2n+2)×n =2× n(n+1)
2

= n(2n + 2) − n(n + 1) = n2 + n Operationen.

Wie beim Vorwärtseinsetzen, für großes n sind O(n2 ) Operationen nötig. !

Übung 4.28
• • ◦ Man vergleiche den Rechenaufwand der Lösung eines (n × n)-LGS mit den
folgenden Methoden:
a) LR-Zerlegung
b) Cramer’sche Regel (Determinantenberechnung mit Laplace-Entwicklung)
c) Welche Methode ist effizienter? Man nehme an, dass ein Computer 109 Gleitkom-
maoperationen pro Sekunde (109 FLOP = 1 GFLOP, 1 FLOP = 1 Operation/Se-
kunde) durchführen kann. Wie viel Zeit würde der Computer benötigen, um ein
(20 × 20)-LGS mit diesen zwei Methoden zu lösen?

v Lösung
a) Die Lösung eines (n × n)-LGS mittels LR-Zerlegung benötigt O(n3 ) Operationen.
b) Um ein (n × n)-LGS mit der Cramer’schen Regel zu lösen, müssen wir n + 1
Determinanten der Ordnung (n × n) berechnen. Werden diese Determinanten
mit der Laplace-Entwicklung bestimmt, so sind jeweils O(n!) Operationen nötig.
Insgesamt sind O((n + 1)!) Operationen nötig.
c) Klarerweise ist die LR-Zerlegung viel effizienter als die Cramer’sche Regel. Die
Lösung eines (20 × 20)-LGS mit der Cramer’schen Regel benötigt Ordnung 21!
Operationen. Die dazu nötige Rechenzeit ist unglaublich groß:

21!
= 5.2 × 1010 Sekunden = 1620 Jahre.
109 FLOP

Wird stattdessen eine LR-Zerlegung durchgeführt, so sind nur Ordnung 213 Ope-
rationen nötig. Die nötige Rechenzeit ist signifikant viel kleiner:

213
= 9.2 × 10−6 Sekunden = 9.2 µs.
109 FLOP

Daraus erkennt man eindrücklich den Wert der LR-Zerlegung für die Lösung von
großen LGS in der Praxis! !
 243 II

Vektorräume
Inhaltsverzeichnis

Kapitel 5 Vektorräume und Unterräume – 245

Kapitel 6 Vektorraumstruktur: Basis, Dimension und

Koordinaten – 287
 245 5

Vektorräume und
Unterräume
Inhaltsverzeichnis

5.1 Vektorräume – 246

5.1.1 Definition – 246
5.1.2 Beispiele von Vektorräumen – 247

5.2 Unterräume – 257

5.2.1 Definition – 257
5.2.2 Beispiele von Unterräumen – 259
5.2.3 Unterräume und LGS – 260

5.3 Affine Unterräume – 270

5.3.1 Definition – 270
5.3.2 Affine Unterräume und LGS – 271
5.3.3 Parameterdarstellung von affinen
Unterräumen – 272

5.4 Operationen mit Unterräumen – 274

5.4.1 Durchschnitt und Vereinigung – 274
5.4.2 Summe – 278
5.4.3 Direkte Summe – 280

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
246 Kapitel 5 • Vektorräume und Unterräume

In diesem Kapitel legen wir jetzt los, uns mit der linearen Algebra zu befassen.
Zuerst verallgemeinern wir das Vektorkonzept auf allgemeine mathematische Ob-
jekte, wie Matrizen, Polynome oder Funktionen. Dies geschieht durch sogenannte
Vektorräume. Ein Vektorraum ist grundsätzlich eine Verallgemeinerung oder Er-
weiterung von Rn (oder Kn ), wobei gewisse Axiome erfüllt werden müssen. Sind
diese Axiome erfüllt, so können wir unsere erweiterten mathematischen Objekte
(Matrizen, Polynomen oder Funktionen) als „verallgemeinerte Vektoren“ betrachten.
Diese Identifizierung ist nicht einfach ein theoretisches Konstrukt. Damit können wir
tatsächlich komplexe Probleme der Mathematik, welche Matrizen, Polynome oder
Funktionen beinhalten, viel einfacher lösen, indem wir das jeweilige Problem mittels
Vektoren im Rn (oder Kn ) betrachten.

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 5 sind Sie in der Lage:
5 Vektorräume eindeutig zu erkennen und zu klassifizieren,
5 Kriterien für Unterräume anzuwenden,
5 affine Unterräume von üblichen Unterräumen unterscheiden und geometrisch
interpretieren können zu interpretieren,
5 Operationen mit Unterräumen wie Durchschnitt, Summe und direkte Summe
durchzuführen und geometrisch zu interpretieren,
5 verschiedene konkrete Beispiele zu Vektorräumen zu verstehen und praktisch an-
zuwenden,
5 Lösungsmengen von LGS als Unterräume oder affine Unterräume zu interpretie-
ren.

5.1 Vektorräume

5.1.1 Definition

Es sei K ein Körper (in der Praxis ist oft K = R, C, Q, Zp , usw.).

# Definition 5.1 (Vektorraum über Körper K)

Ein Vektorraum über dem Körper K ist eine nichtleere Menge V zusammen mit einer
Addition

+ : V × V → V, (u, v) → u + v (5.1)

und einer Skalarmultiplikation

· : K × V → V, (α, v) → α · v, (5.2)

sodass die folgenden 8 Bedingungen (Axiome) erfüllt sind:

(VR1) u + v = v + u für alle u, v ∈ V (Kommutativität der Addition).
(VR2) u + (v + w) = (u + v) + w für alle u, v, w ∈ V (Assoziativität der Addition).
5.1 • Vektorräume
247 5
(VR3) Es gibt ein eindeutig bestimmtes Nullelement 0 ∈ V mit 0 + v = v + 0 = v für alle
v ∈ V (Nullelement).
(VR4) Zu jedem Element v ∈ V gibt es ein eindeutig bestimmtes Element (−v) ∈ V mit
v + (−v) = (−v) + v = 0 (inverses Element).
(VR5) α · (u + v) = α · u + α · v für alle u, v ∈ V und α ∈ K (Rechtsdistributivität der
Multiplikation).
(VR6) (α + β) · v = α · v + β · v für alle v ∈ V und α, β ∈ K (Linksdistributivität der
Multiplikation).
(VR7) (α · β) · v = α · (β · v) für alle v ∈ V und α, β ∈ K (Assoziativität der Multiplikation).
(VR8) 1 · v = v für alle v ∈ V (Einselement).

Notiert wird der Vektorraum durch das Tripel (V, +, ·). Ist K = R oder K = C, so spricht
man von einem reellen oder komplexen Vektorraum. $

> Bemerkung
Der Einfachheit halber schreiben wir das Produkt α · v oft als α v.

Link zu Gruppen
Axiome (VR1) – (VR4) besagen, dass (V , +, 0) eine abelsche Gruppe ist (vgl. An-
hang B).

Vektoren = Elemente eines Vektorraums

Die Elemente eines Vektorraums heißen Vektoren. Ab jetzt werden wir unter Vekto-
ren allgemein Elemente eines Vektorraums verstehen, egal ob diese Objekte Funktio-
nen, Polynome, Matrizen, oder übliche Vektoren aus Kn sind (. Abb. 5.1).

Rechenregeln
# Satz 5.1
Aus den Vektorraumaxiomen (VR1)–(VR8) folgen unmittelbar die folgenden Rechenre-
geln (u ∈ V und α ∈ K):
5 0 · u = 0 und α · 0 = 0;
5 α · u = 0 ⇔ α = 0 oder u = 0;
5 (−1) · u = −u. $

5.1.2 Beispiele von Vektorräumen

Wir diskutieren nun einige wichtige Beispiele von Vektorräumen.

> Bemerkung
In jedem Beispiel müssen wir den Körper K, die Menge V , die Addition “+” und die
Skalarmultiplikation “·” festhalten.
248 Kapitel 5 • Vektorräume und Unterräume

. Abb. 5.1 Genauso wie man Vektoren in R2 addieren oder mit α ∈ R skalar multiplizieren kann,
definiert man die Addition und Skalarmultiplikation für stetige Funktionen auf R. Stetige Funktionen
auf R kann man somit wie übliche „Vektoren“ behandeln

# Beispiel
Jeder Vektorraum muss, wegen Axiom (VR3), mindestens das Nullelement enthalten. Aus
diesem Grund ist der Vektorraum nur bestehend aus dem Nullelement, V = {0}, der
kleinste Vektorraum, den wir auf K definieren können. V = {0} nennt man den trivialen
Vektorraum. $

# Beispiel
Die Menge der n-dimensionalen Vektoren über K

Kn = {n-dimensionale Vektoren mit Komponenten in K} (5.3)

bildet zusammen mit der üblichen Addition und Skalarmultiplikation für Vektoren einen
K-Vektorraum. Kn heißt der Standardvektorraum auf K. $
5.1 • Vektorräume
249 5
# Beispiel
Die Menge der (m × n)-Matrizen auf K

Km×n = {(m × n)-Matrizen mit Einträgen aus K} (5.4)

bildet zusammen mit der üblichen Addition und Skalarmultiplikation für Matrizen
(vgl. 7 Kap. 1) einen K-Vektorraum. $

# Beispiel
Die Menge der Polynome vom Grad ≤ n und mit Koeffizienten aus K

Pn (K) = {Polynome mit Koeffizienten aus K und mit Grad ≤ n}

n
D
= {p(x) | p(x) = a0 + a1 x + · · · + an xn = ai xi , ai ∈ K} (5.5)
i=0

bilden zusammen mit der folgenden Addition und Skalarmultiplikation

(p + q)(x) := p(x) + q(x), (α · p)(x) := α p(x), p, q ∈ Pn (K), α ∈ K

einen K-Vektorraum. $

# Beispiel
Die Menge der stetigen Funktionen von K nach K

C 0 (K) = {f : K → K | f stetig} (5.6)

bildet bezüglich der folgenden Addition und Skalarmultiplikation

(f + g)(x) := f (x) + g(x), (α · f )(x) := α f (x), f , g ∈ C 0 (K), α ∈ K

einen K-Vektorraum. $

Musterbeispiel: Vektorraumaxiome verifizieren

Musterbeispiel 5.1 (Beweis, dass V ein Vektorraum ist)

Als klassisches Beispiel zeigen wir, dass V = Kn zusammen mit der üblichen Addition und
Skalarmultiplikation mit Vektoren
' u1 * ' v1 * ' u1 +v1 * ' v1 * ' α v1 *
.. + .. := .. , .
α · . := .. für α ∈ K
. . . . .
un vn un +vn vn α vn

einen Vektorraum über K bildet. Das Vorgehen bei einer solchen Aufgabe ist standardisiert
und lautet wie folgt: Man zeigt (Schritt für Schritt), dass die vorgegebene Menge V alle 8
Eigenschaften (Axiome) eines Vektorraums (Definition 5.1) erfüllt.
250 Kapitel 5 • Vektorräume und Unterräume

5 Beweis von (VR1): Es seien u, v ∈ Kn . Dann gilt (per Definition):

' u1 * ' v1 * ' u1 +v1 * ' v1 +u1 * ' v1 * ' u1 *
u+v= .. + .. = .. = .. = .. + .. = v + u %
. . . . . .
un vn un +vn vn +un vn un

5 Beweis von (VR2): Es seien u, v, w ∈ Kn . Dann gilt:

' u1 * ' v1 +w1 * ' u1 +v1 +w1 *
u + (v + w) = .. + .. = ..
. . .
un vn +wn un +vn +wn
' u1 +v1 * ' w1 *
= .. + .. = (u + v) + w %
. .
un +vn wn

5 Beweis von (VR3): Das Nullelement ist der Nullvektor 0 = [0, · · · , 0]T ∈ Kn . Denn für
' 0 * ' v1 * ⎡ 0+v1 ⎤ ' v1 *
alle v ∈ Kn gilt 0 + v = .. + .. = ⎣ .. ⎦ = .. = v %
. . . .
0 vn 0+vn vn
5 Beweis von (VR4): Das zu v = [v1 , · · · , vn ]T inverse Element bezüglich “+” ist (−v) =
[−v1 , · · · , −vn ]T . Denn es gilt:
' v1 * ' −v1 * ' v1 −v1 * ' 0 *
v + (−v) = .. + .. = .. = .. = 0 %
. . . .
vn −vn vn −vn 0

5 Beweis von (VR5): Es seien u, v ∈ Kn und α ∈ K. Dann gilt:

' u1 +v1 * ⎤ ' ⎡
α (u1 +v1 ) α u1 +α v1 *
α · (u + v) = α · .. =⎣ .. ⎦= ..
. . .
un +vn α (un +vn ) α un +α vn
' α u1 * ' α v1 * ' u1 * ' v1 *
= .. + .. = α · .. + α · .. = α · u + α · v %
. . . .
α un α vn un vn

5 Beweis von (VR6): Es seien v ∈ Kn und α, β ∈ K. Dann gilt:

⎡ ⎤ ⎡ ⎤ ' v1 * ' v1 *
(α+β) v1 α v1 +β v1
(α + β) · v = ⎣ .. ⎦=⎣ .. ⎦=α· .. + β · .. = α · v + β · v %
. . . .
(α+β) vn α vn +β vn vn vn

5 Beweis von (VR7): Es seien v ∈ Kn und α, β ∈ K. Dann gilt:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
(α β) v1 α (β v1 ) β v1
(α · β) · v = ⎣ .. ⎦=⎣ .. ⎦ = α · ⎣ .. ⎦ = α · (β · v) %
. . .
(α β) vn α (β vn ) β vn
⎡ ⎤ ' v1 *
1·v1
5 Beweis von (VR8): Für alle v ∈ Kn gilt 1 · v = ⎣ .. ⎦ = .. = v %
. .
1·vn vn

Alle Bedingungen (VR1)-(VR8) von Definition 5.1 sind erfüllt. Somit ist V ein Vektorraum
über K.
5.1 • Vektorräume
251 5

Übung 5.1
•◦◦ Man zeige, dass die Menge Km×n der (m×n)-Matrizen mit Einträgen in K bezüglich
der üblichen Matrixaddition und Skalarmultiplikation einen K-Vektorraum bildet.

v Lösung
Wir müssen einfach überprüfen, ob die Menge Km×n die 8 Axiome eines Vektorraums
(Definition 5.1) erfüllt. Dies folgt jedoch direkt aus den Rechenregeln für Matrizen
(vgl. 7 Kap. 1).
5 Beweis von (VR1): Es seien A, B ∈ Km×n . Dann gilt:
' a11 ··· a1n * ⎡ b11 ··· b1n ⎤ ⎡ a11 +b11 ··· a1n +b1n
⎤

A+B = .. . . .. + ⎣ .. . . .. ⎦ = ⎣ .. .. .. ⎦
. . . . . . . . .
am1 ··· amn bm1 ··· bmn am1 +bm1 ··· amn +bmn
⎡ ⎤ ⎡ ⎤ ' a11 ··· a1n *
b11 +a11 ··· b1n +a1n b11 ··· b1n
=⎣ .. .. .. ⎦ = ⎣ .. . . .. ⎦ + .. . . .. =B+A%
. . . . . . . . .
bm1 +am1 ··· bmn +amn bm1 ··· bmn am1 ··· amn

5 Beweis von (VR2): Analog zu (VR1).

5 Beweis von (VR3): Das Nullelement ist die Nullmatrix 0 ∈ Km×n . Denn für alle
A ∈ Kn gilt:
' 0 ··· 0 * ' a11 ··· a1n * ' a11 ··· a1n *
0+A= .. . . .. + .. . . .. = .. . . .. =A%
. .. . . . . . .
0 ··· 0 am1 ··· amn am1 ··· amn

5 Beweis von (VR4): Das zu A ∈ Kn inverse Element bezüglich “+” ist −A. Denn:
' a11 ··· a1n * ' −a11 ··· −a1n * ' 0 ··· 0
*
A + (−A) = .. . . .. + .. . . .. = .. . . . .. =0%
. . . . . . . .
am1 ··· amn −am1 ··· −amn 0 ··· 0

5 Beweis von (VR5): Es seien A, B ∈ Kn und α ∈ K. Dann gilt

⎡ ⎤
α a11 +α b11 ··· α a1n +α b1n
α · (A + B) = ⎣ .. .. .. ⎦
. . .
α am1 +α bm1 ··· α amn +α bmn
' a11 ··· a1n * ⎡ ⎤
b11 ··· b1n
. . .
= α · . .. . + α · ⎣ . ... . ⎦ = α · A + α · B %
. .
. . . .
am1 ··· amn bm1 ··· bmn

5 Beweis von (VR6): Analog zu (VR5).

5 Beweis von (VR7): Analog zu (VR5).
' 1·a11 ··· 1·a1n * ' a11 ··· a1n *
5 Beweis von (VR8): 1 · A = .. . . .. = .. . . .. =A%
. . . . . .
1·am1 ··· 1·amn am1 ··· amn

Alle Bedingungen (VR1) - (VR8) der Definition 5.1 sind erfüllt. Somit ist Km×n ein
K-Vektorraum. !
252 Kapitel 5 • Vektorräume und Unterräume

Übung 5.2
•◦◦
a) Pn (R) ist die Menge der reellen Polynome vom Grad kleiner oder gleich n
1 n
4
D
n i
Pn (R) = p(x) = a0 + a1 x + · · · + an x = ai x , ai ∈ R .
i=0

Für p, q ∈ Pn (R) und α ∈ R betrachten wir die übliche Addition und Skalarmulti-
plikation auf Pn (R)

(p + q)(x) := p(x) + q(x), (α · p)(x) := α p(x).

Man zeige, dass (Pn (R), +, ·) ein Vektorraum ist.

b) Es sei nun V die Menge aller reellen Polynome vom Grad genau gleich n. Man zeige,
wieso (V , +, ·) keinen Vektorraum bildet.

v Lösung
a) Wir beginnen, indem wir anmerken, dass die Addition “+” und Skalarmultiplikati-
on “·” in Pn (R) wohldefiniert sind:
5 Die Summe zweier Polynomen vom Grad ≤ n ist wieder ein Polynom vom Grad
≤ n.
5 Ist p(x) ∈ Pn (R) und α ∈ R, so ist α p(x) ∈ Pn (R).
Wir zeigen nun, dass die Menge Pn (R) alle Bedingungen eines Vektorraums erfüllt.
Dn Dn n
D
Es seien p(x) = ai xi , q(x) = bi xi , r(x) = ci xi drei Polynome in Pn (R)
i=1 i=1 i=1
und α, β ∈ R.
n
D n
D n
D
5 Beweis von (VR1): (p + q)(x) = p(x) + q(x) = ai xi + bi xi = (ai +
i=1 i=1 i=1
n
D n
D n
D
bi )xi = (bi + ai )xi = bi xi + ai xi = q(x) + p(x) = (q + p)(x) %
i=1 i=1 i=1
Dn n
D n
D
E F
5 Beweis von (VR2): p+(q+r) (x) = ai xi + (bi +ci )xi = (ai +bi +ci )xi =
i=1 i=1 i=1
n
D n
D
i i
E F
(ai + bi )x + ci x = (p + q) + r (x) %
i=1 i=1
5 Beweis von (VR3): Das Nullelement von Pn (R) ist das Nullpolynom 0 (alle
n
D n
D
Koeffizienten sind gleich Null). Denn 0 + p(x) = (0 + ai )xi = ai xi =
i=1 i=1
p(x) %
n
D
5 Beweis von (VR4): Das zu p(x) = ai xi inverse Element ist (−p)(x) =
i=1
n
D
i
(−ai )x . Denn es gilt:
i=1
5.1 • Vektorräume
253 5
n
D n
D n
D
E F
p + (−p) (x) = p(x) + (−p)(x) = ai xi + (−ai )xi = (ai − ai ) xi = 0 %
; <= >
i=1 i=1 i=1 =0

n
D n
D
E F
5 Beweis von (VR5): α · (p + q) (x) = α (ai + bi )xi = α (ai + bi )xi =
i=1 i=1
n
D n
D n
D
(α ai + α bi )xi = α ai xi + α bi xi = (α · p)(x) + (α · q)(x) %
i=1 i=1 i=1
n
D n
D
E F
5 Beweis von (VR6): (α + β) · p (x) = (α + β) ai xi = (α ai + β ai )xi =
i=1 i=1
n
D n
D
i i
α ai x + β ai x = (α · p)(x) + (β · p)(x) %
i=1 i=1
n
D n
D
E F
5 Beweis von (VR7): Es gilt (α β) · p (x) = (α β) ai xi = α(β ai )xi =
i=1 i=1
n
D
i
E F
α β ai x = α · (β p) (x) %
i=1
n
D n
D
5 Beweis von (VR8): (1 · p)(x) = 1 · p(x) = 1 · ai xi = ai xi = p(x) %
i=1 i=1
Alle Bedingungen (VR1)-(VR8) der Definition 5.1 sind somit erfüllt. Daher ist
Pn (R) ein Vektorraum über R.
b) Die Menge V der Polynomen vom Grad n ist kein Vektorraum, weil die Skalar-
multiplikation auf V nicht wohldefiniert ist: Aus der Skalarmultiplikation eines
Polynomes von Grad n mit α = 0 entsteht das Nullpolynom 0. 0 hat aber Grad
0 und ist somit nicht in V enthalten. ✗ !

> Bemerkung
Bei Aufgaben wie Übung 5.2 ist es wichtig, auf eine genaue Notation zu achten: p und q
sind Polynome, während p(x) und q(x) die Werte dieser Polynomen an der Stelle x ∈ R
sind.

Übung 5.3
•◦◦ Sei C 0 (R) die Menge aller reellen stetigen Funktionen. Für f , g ∈ C 0 (R) und α ∈ R
definieren wir die folgende Addition und Skalarmultiplikation

(f + g)(x) := f (x) + g(x), (α f )(x) := α f (x).

Man zeige, dass (C 0 (R), +, ·) ein Vektorraum ist.

254 Kapitel 5 • Vektorräume und Unterräume

v Lösung
Wie im vorgehenden Beispiel, bemerken wir zuerst, dass die Addition „+“ und Skalar-
multiplikation „·“ für C 0 (R) wohldefiniert sind. Dies folgt direkt aus den Rechenregeln
für reelle stetige Funktionen, insbesondere weil aus Summen von stetigen Funktionen
wieder stetige Funktionen entstehen. Wir überprüfen, dass C 0 (R) die 8 Eigenschaften
(Axiome) eines Vektorraums erfüllt. Es seien f , g, h ∈ C 0 (R) und α, β ∈ R.
5 Beweis von (VR1): Es gilt (f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x) %
E F E F
5 Beweis von (VR2): Es gilt f +(g+h) (x) = f (x)+ g(x)+h(x) = f (x)+g(x)+h(x) =
E F E F
f (x) + g(x) + h(x) = (f + g) + h (x) %
5 Beweis von (VR3): Das Nullelement ist die Nullfunktion 0 ∈ C 0 (R). Denn es gilt
(0 + f )(x) = 0 + f (x) = f (x) %
5 Beweis von (VR4): Das zu f (x) inverse Element ist (−f )(x) = −f (x). Denn es gilt
E F
f + (−f ) (x) = f (x) − f (x) = 0 %
E F
5 Beweis von (VR5): Es gilt α · (f + g) (x) = α (f + g)(x) = α f (x) + α g(x) =
(α · f )(x) + (α · g)(x) %
E F
5 Beweis von (VR6): Es gilt (α + β) · f (x) = (α + β) f (x) = α f (x) + β f (x) =
(α · f )(x) + (β · f )(x) %
E F E F
5 Beweis von (VR7): (α β) · f (x) = (α β) f (x) = α(β f )(x) = α · (β · f ) (x) %
5 Beweis von (VR8): (1 · f )(x) = 1 · f (x) = f (x) %

C 0 (R) ist somit ein reeller Vektorraum. !

Übung 5.4
• ◦ ◦ Sei V = C 0 (R+ ) die Menge aller stetigen Funktionen f : R → R+ (d. h. f (x) > 0
für alle x ∈ R). Für f , g ∈ V und α ∈ R definieren wir die folgende „Addition ⊕“ und
„Skalarmultiplikation ⊙“

(f ⊕ g)(x) := f (x)g(x), (α ⊙ f )(x) := f (x)α .

Man zeige, dass (V , ⊕, ⊙) ein Vektorraum ist.

v Lösung
Wir halten fest, dass die oben definierten Addition “⊕” und Skalarmultiplikation “⊙”
für V wohldefiniert sind. Sind f , g stetige, positive Funktionen, so sind es auch fg und f α
mit α ∈ R. Nun überprüfen wir, dass die 8 Eigenschaften (Axiome) eines Vektorraums
erfüllt sind. Es seien f , g, h ∈ V und α, β ∈ R.
5 Beweis von (VR1): Es gilt: (f ⊕ g)(x) = f (x)g(x) = g(x)f (x) = (g ⊕ f )(x). %
E F E F
5 Beweis von (VR2): Es gilt: f ⊕ (g ⊕ h) (x) = f (x) g(x)h(x) = f (x)g(x)h(x) =
E F E F
f (x)g(x) h(x) = (f ⊕ g) ⊕ h (x) %
5 Beweis von (VR3): Das Nullelement von V bezüglich ⊕ ist die Funktion 1 (kon-
stante Funktion). Denn es gilt: (1 ⊕ f )(x) = 1 f (x) = f (x) %
5 Beweis von (VR4): Das zu f (x) inverse Element bezüglich ⊕ ist (−f )(x) = 1/f (x) (es
E F 1
existiert weil f (x) > 0 ist). Denn es gilt: f ⊕(−f ) (x) = f (x) f (x) = 1 % Erinnerung:
1 das Nullelement von V .
5.1 • Vektorräume
255 5
E F E Fα
5 Beweis von (VR5): Es gilt α ⊙ (f ⊕ g) (x) = f (x)g(x) = f (x)α g(x)α =
E F
(α ⊙ f ) ⊕ (α ⊙ g) (x) %
E F
5 Beweis von (VR6): Es gilt (α + β) ⊙ f (x) = f (x)α+β = f (x)α f (x)β =
E F
(α ⊙ f ) ⊕ (β ⊙ f ) (x) %
E F E F
5 Beweis von (VR7): (α β) ⊙ f (x) = f (x)α β = (f (x)α )β = α ⊙ (β ⊙ f ) (x) %
5 Beweis von (VR8): (1 ⊙ f )(x) = f (x)1 = f (x) %

Wir haben gezeigt, dass (V , ⊕, ⊙) ein Vektorraum ist. !

! Achtung
Übung 5.4 zeigt, dass das Nullelement eines Vektorraumes nicht unbedingt gleich 0
sein muss. Es hängt von der Definition der Addition “+” ab.

Übung 5.5
• • ◦ Sind die folgenden Mengen V mit den entsprechenden Additionen und Skalar-
multiplikationen Vektorräume? ' * ' *
2 u1 α u1
a) V = R mit der üblichen Vektor-Addition und α · := , α ∈ R.
u 0
' 2* ' *
u α u1
b) V = R2 mit der üblichen Vektor-Addition und α · 1 := , α ∈ R.
u2 u2
' *
2 u1
c) V = C mit der üblichen Skalarmultiplikation für Vektoren in C und +
u2
' * ' *
v1 u + v2
:= 2 .
v2 u1 + v1
1 ' * + 4
+
x1 2 + 2 2
d) V = x = ∈ R + x1 + x2 = 4 zusammen mit der üblichen Addition und
x2 +
Skalarmultiplikation für Vektoren in R2 . ' 0 ··· 0 *
e) V = Rn×n mit der üblichen Matrix-Addition und α · A := .. . . . .. , α ∈ R.
. .
0 ··· 0
f) V = Z3 (Vektoren mit Einträgen aus Z) zusammen mit der üblichen Addition und
Skalarmultiplikation für Vektoren in R3 .

v Lösung
Keine der gegebenen Mengen V ist ein Vektorraum. Es genügt, jeweils ein Gegenbeispiel
zu finden, dass irgendein Axiom (VR1)–(VR8) der Definition 5.1 verletzt ist.
a) Mit der vorgeschlagenen Skalarmultiplikation
' * ' * ist
' Axiom
* (VR8) verletzt, denn für
v v v
v = [v1 , v2 ] ∈ R2 gilt 1 · v = 1 · 1 = 1 ̸= 1 = v ✗
v2 0 v2
256 Kapitel 5 • Vektorräume und Unterräume

b) Axiom (VR6) ist verletzt, denn für v = [v1 , v2 ] ∈ R2 und α, β ∈ R gilt:

' * ' * ' * ' * ' *
v1 (α + β)v1 α v1 + β v1 v1 v
(α + β) · v = (α + β) · = = =α +β 1
v2 v2 v2 v2 0

̸= α v + β v ✗

c) Mit dieser Addition ist Axiom (VR3) nicht erfüllt: Es'gibt * kein
' Nullelement.
* ' *Der
0 v1 0 + v2
übliche Nullvektor versagt als Nullelement: 0 + v = + = =
0 v2 0 + v1
' * ' *
v2 v
̸= 1 = v ✗.
v1 v2
' *
a1
Gibt es einen anderen Vektor a = , der ein Nullelement von V ist? Für alle
a2
v ∈ C2 , sollte ein solches Nullelement Folgendes erfüllen:
' * ' * ' * ' * ⎧
⎨a = v − v
a1 v1 a2 + v2 ! v1 2 1 2
a+v= + = = ⇒
a2 v2 a1 + v1 v2 ⎩a = v − v
1 2 1

Da v1 , v2 ∈ C beliebig sind, gibt es kein eindeutiges Nullelement a der a + v = v für

alle v ∈ C2 erfüllt. V ist somit kein Vektorraum.
d) Die Addition ist nicht wohldefiniert. Es seien x, y ∈ V ; dann ist
' *
x + y1
x+y= 1 ⇒ (x1 + y1 )2 + (x2 + y2 )2 = x21 + 2x1 y1 + y21 + x22 + 2x2 y2 + y22
x2 + y2

= x21 + x22 + y21 + y22 +2(x1 y1 + x2 y2 ) ̸= 4 ⇒ x + y ∈

/V✗
; <= > ; <= >
=4 =4

' 0 ··· 0
*
e) Axiom (VR8) ist verletzt: für A ∈ Rn×n gilt 1 · A = .. . . . .. ̸= A ✗
. .
0 ··· 0
f) Die Skalarmultiplikation
√ ist nicht wohldefiniert. Man betrachte dazu√ein Gegen-
beispiel: α = 2 ∈ R und x = [1, 0, 0] ∈ Z3 ; dann ist α x = [ 2, 0, 0]T ∈ /
Z3 ✗. !

Übung 5.6
• • ◦ Es sei K = Z2 .
a) Wie viele Elemente enthält der Vektorraum Kn ?
b) Man gebe alle Elemente des Vektorraums K3 explizit an.
c) Man gebe alle Elemente des Vektorraums P1 (K) an.
5.2 • Unterräume
257 5
v Lösung
a) Jeder Vektor in (Z2 )n hat n Komponenten und jede dieser Komponenten kann nur
den Wert 0 oder 1 besitzen. Da wir alle Komponenten unabhängig voneinander
wählen können, gibt es genau 2n Möglichkeiten für Vektoren in (Z2 )n . Der Vektor-
raum (Z2 )n enthält genau 2n Elemente.
b) Jeder Vektor in (Z2 )3 sieht wie folgt aus [a, b, c]T mit a, b, c ∈ Z2 . Da Z2 = {0, 1},
jede Komponente kann nur 0 oder 1 sein. Es gibt somit 23 = 8 Vektoren in (Z2 )3 ,
konkret:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 1 0 1 0 1 0 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0⎦ ⎣0⎦ ⎣1⎦ ⎣1⎦ ⎣0⎦ ⎣0⎦ ⎣1⎦ ⎣1⎦ .
, , , , , , ,
0 0 0 0 1 1 1 1

c) Jedes Polynom in P1 (K) sieht wie folgt aus p(x) = a0 + a1 x mit a0 , a1 ∈ Z2 . a0 und
a1 sind entweder 0 oder 1. P1 (K) enthält somit genau die 4 Polynome: 0, 1, x und
1 + x. !

5.2 Unterräume

In der Praxis beschäftigen wir uns oft mit Teilmengen eines Vektorraums V . Um die
nützlichen Vektorraumeigenschaften übertragen zu können, ist es wünschenswert,
dass diese Teilmengen selbst Vektorräume sind. Aus diesem Grund führt man den
Begriff des Unterraumes (oder Untervektorraum) ein.

5.2.1 Definition

Sei V ein Vektorraum über K.

# Definition 5.2 (Unterraum)

Eine nichtleere Teilmenge U ⊂ V heißt Unterraum (oder Untervektorraum), wenn U die
folgenden 3 Bedingungen (Axiome) erfüllt (. Abb. 5.2):
(UR0) 0 ∈ U;
(UR1) Für alle u, v ∈ U gilt u + v ∈ U (Abgeschlossenheit bzgl. der Addition);
(UR2) Für alle u ∈ U und α ∈ K gilt α · u ∈ U (Abgeschlossenheit bzgl. der
Skalarmultiplikation). $

> Bemerkung
Eigenschaften (UR1) und (UR2) besagen, dass U bezüglich der Addition „+“ bzw. der
Skalarmultiplikation „·“ abgeschlossen ist. Weil V ein Vektorraum ist, reichen die
Bedingungen (UR0)–(UR2) damit U ⊂ V selbst eine Vektorraumstruktur besitzt.
258 Kapitel 5 • Vektorräume und Unterräume

. Abb. 5.2 Grafische Darstellung der 3 Bedingungen (UR0)–(UR2) eines Unterraumes (Definition 5.2).
Hier sind diese Bedingungen anhand einer Geraden in R2 durch den Nullpunkt gezeigt

Praxistipp

Die Unterraumsaxiome (UR1) und (UR2) kann man zu einer einzigen äquivalenten
kompakten Bedingung zusammenfassen:

(UR) Für alle u, v ∈ U und α ∈ K gilt α · u + v ∈ U

In der Praxis kann man entweder Bedingungen (UR1) und (UR2) oder die kompakte
Bedingung (UR) überprüfen.

Musterbeispiel: Unterraumbedingungen untersuchen

Praxistipp

Wenn man in der Praxis zeigen will, ob eine vorgelegte Menge U ⊂ V ein Unterraum
von V ist, muss man einfach die 3 Bedingungen (UR0)–(UR2) der Definition 5.2
überprüfen:
(UR0) Das Nullelement 0 muss in U enthalten sein.
(UR1) Wenn man zwei Elemente u, v aus U addiert, muss das Ergebnis u + v auch
wieder in U sein (U muss abgeschlossen bezüglich der Addition sein).
(UR2) Wenn man ein Element u aus U mit einem beliebigen Skalar α ∈ K multipli-
ziert, muss das Ergebnis α · u auch wieder in U sein (U muss abgeschlossen
bezüglich der Skalarmultiplikation sein).

Alternativ kann man (UR0) und die kompakte Bedingung (UR) nachweisen.
5.2 • Unterräume
259 5
Musterbeispiel 5.2 (Beweis, dass U ein Unterraum ist)

2 / 0 + 3
v1 +
Als Beispiel untersuchen wir, ob U = v= ∈ R2 ++ v2 = 0 ⊂ R2 ein Unterraum von
v2
R2 ist. Wir überprüfen, ob die gegebene Menge U die 3 Bedingungen eines Untervektorraums
(Definition 5.2) erfüllt.
5 Beweis von (UR0): Der Nullvektor 0 = [0, 0]T ist in U enthalten, weil die zweite
Komponente von 0 trivialerweise/ gleich / %0
0 Null ist.
v1 w
5 Beweis von (UR1): Es seien v = und w = 1 zwei beliebige Elemente aus U. Wir
0 0
müssen zeigen, dass auch deren Summe v + w in U liegt. Es gilt:
/ 0 / 0 / 0 / 0
v w v + w1 v + w1
v+w= 1 + 1 = 1 = 1 .
0 0 0+0 0

Die zweite Komponente von v + w ist somit auch gleich Null. /Folglich
0 ist v + w ∈ U. %
v1
5 Beweis von (UR2): Wir betrachten ein beliebiges Element v = aus U. und eine Zahl
0
α ∈ R. Wir müssen nachweisen, dass α v ∈ U. Es gilt:
/ 0 / 0 / 0
v α v1 α v1
αv = α 1 = = ⇒ αv ∈ U %
0 α0 0

Da die 3 Bedingungen (UR0), (UR1) und (UR2) erfüllt sind, ist U ein Unterraum von R2 .

> Bemerkung
Musterbeispiel 5.2 war ein einfaches Beispiel, aber prinzipiell kann man das Vorgehen
auch auf komplexere Beispiele übertragen. Das Einzige, was sich ändert, ist die
Definition von U sowie die „Rechenregeln“, die man anwenden muss.

5.2.2 Beispiele von Unterräumen

# Beispiel
Unterräume von Kn
5 Menge mit dem Nullpunkt {0} (dies ist der triviale Unterraum);
5 alle Geraden durch den Nullpunkt;
5 alle Ebenen durch den Nullpunkt;
5 alle Hyperebenen durch den Nullpunkt;
5 der ganze Kn .

Geraden und Ebenen, welche nicht durch den Nullpunkt gehen, sind keine Unterräume
von Kn (jeder Unterraum muss immer den Nullpunkt enthalten, wegen (UR0)). Sie heißen
affine Räume (7 vgl. Abschn. 5.3). $
260 Kapitel 5 • Vektorräume und Unterräume

a b c

. Abb. 5.3 Unterräume von R3 . (a) Trivialer Unterraum U = {0}, (b) Gerade durch den Nullpunkt,
(c) Ebene durch den Nullpunkt

# Beispiel
Unterräume von Kn×n . Die folgenden drei Mengen sind wichtige Beispiele von Unterräu-
men von Kn×n :
5 Diagn (R) := {A ∈ Rn×n | A ist diagonal} = diagonale Matrizen;
5 Symn (R) := {A ∈ Rn×n | AT = A} = symmetrische Matrizen;
5 Skewn (R) := {A ∈ Rn×n | AT = −A} = schiefsymmetrische Matrizen.

Wichtige Teilmengen von Rn×n , welche keine Unterräume sind:

5 GL(n, R) := {A ∈ Rn×n | A ist invertierbar} = invertierbare Matrizen;
5 On (R) := {A ∈ Rn×n | AT A = E} = orthogonale Matrizen. $

> Bemerkung
GLn (R) und On (R) sind wichtige bekannte abelsche Gruppen bezüglich der Matrix-
multiplikation. GL = General Linear group. O = Orthogonal group.

5.2.3 Unterräume und LGS

Die Lösungsmenge eines homogenen (m × n)-LGS ist ein Unterraum von Kn : der
sogenannte Lösungsraum (vgl. Übung 5.8). Es gilt sogar die Umkehrung:

# Satz 5.2 (Unterräume von Kn )

Jeder Unterraum von Kn ist die Lösungsmenge eines homogenen LGS. $

Praxistipp

Satz 5.2 bietet in der Praxis ein effizientes Unterraumkriterium (vgl. Übung 5.8).

> Bemerkung
Beachte, dass dieses Resultat für inhomogene LGS nicht stimmt. In diesem Fall ist die
Lösungsmenge kein Unterraum, sondern ein affiner Raum (7 vgl. Abschn. 5.3).
5.2 • Unterräume
261 5

Übung 5.7
• ◦ ◦ Welche der folgenden
+ Mengen sind Unterräume von R3 ?
G 3
H
+
a) U1 = x ∈ R + x1 + 2x2 = 3x3
G H
b) U2 = x ∈ R3 ++ x1 = −x2 , x3 = 7
G H
c) U3 = x ∈ R3 ++ x1 + x2 − 4x3 = 0, x1 = x2
G H
d) U4 = x ∈ R3 ++ x1 = x2 = x3
G H
e) U5 = x ∈ R3 ++ x1 > x2 > x3
G H
f) U6 = x ∈ R3 ++ xi ∈ Q
G H
g) U7 = x ∈ R3 + x21 + x22 + x23 = 1

v Lösung
a) Ja. U1 erfüllt alle drei Eigenschaften eines Unterraumes:
5 Beweis von (UR0): Die Komponenten des Nullvektors 0 = [0, 0, 0]T erfüllen
die Bedingung x1 + 2x2 = 3x3 , d. h. 0 ∈ U1 . % / 0
6 x1 7 6 y1 7 x1 +y1
5 Beweis von (UR1): Es seien nun x = x2 , y = y2 ∈ U1 ⇒ x + y = x2 +y2 .
x3 y3 x3 +y3
Damit x + y ∈ U1 , muss (x1 + y1 ) + 2(x2 + y2 ) = 3(x3 + y3 ) gelten. Ist dies der
Fall? Da x, y ∈ U ist

(x1 + y1 ) + 2(x2 + y2 ) = (x1 + 2x2 ) + (y1 + 2y2 ) = 3x3 + 3y3 = 3(x3 + y3 ).

; <= > ; <= >
=3x3 =3y3

Somit x + y ∈ U. % 6 x1 7 6 αx1 7
5 Beweis von (UR2): Es seien x = x2 ∈ U1 und α ∈ R ⇒ αx = αx2 . Da
x3 αx3
x ∈ U, gilt:

x1 + 2x2 = 3x3 ⇒ (α x1 ) + 2(α x2 ) = α (x1 + 2x2 ) = α (3x3 ) = 3(α x3 )

; <= >
=3x3

d. h. α x ∈ U1 . %
Alle 3 Unterraumaxiome sind erfüllt.
b) Nein. Der Nullvektor ist nicht in U2 enthalten (0 = 7 ist falsch).
c) Ja. U3 erfüllt alle Eigenschaften (Axiome) eines Unterraumes, konkret:
5 Beweis von (UR0): Die Komponenten des Nullvektors erfüllen die beiden Be-

x1 6 07∈ U3 . %
dingungen x1 + x2 − 4x3 = 0 und x1 6= x72 . Somit
y1
5 Beweis von (UR1): Es seien nun x = x2 ,y= y2 ∈ U3 . Damit x + y ∈ U3 ,
x3 y3
muss (x1 + y1 ) + (x2 + y2 ) − 4(x3 + y3 ) = 0 und (x1 + y1 ) = (x2 + y2 ) gelten.
Ist dies der Fall? Da x und y in U3 enthalten sind, gilt für ihre Komponenten
x1 + x2 − 4x3 = 0, x1 = x2 beziehungsweise y1 + y2 − 4y3 = 0, y1 = y2 . Daraus
folgt

(x1 + y1 ) + (x2 + y2 ) − 4(x3 + y3 ) = (x1 + x2 − 4x3 ) + (y1 + y2 − 4y3 ) = 0 + 0 = 0

262 Kapitel 5 • Vektorräume und Unterräume

und

(x1 + y1 ) = x1 + y1 = x2 + y2 = (x2 + y2 ).

Somit x + y ∈ U3 . % 6 x1 7
5 Beweis von (UR2): Ferner sei x = x2 ∈ U3 und α ∈ R. Der Vektor α · x erfüllt
x3
dann beide Bedingungen von U3 :

x1 + x2 − 4x3 = 0 ⇒ αx1 + αx2 − 4αx3 = α(x1 + x2 − 4x3 ) = α · 0 = 0

x1 = x2 ⇒ (αx1 ) = αx1 = αy1 = (αy1 ),

woraus folgt α · x ∈ U3 . %
Alle 3 Unterraumaxiome sind erfüllt.
d) Ja. In diesem Fall überprüfen wir (UR0) und die kompakte Bedingung (UR):
5 Beweis von (UR0): Der Nullvektor 0 = [0, 0, 0]T ist in U4 enthalten, weil
trivialerweise alle Komponenten6 von
x
6 7 sind. %
7 0 gleichy
5 Beweis von (UR): Es seien x = x ,y= y ∈ U4 und α ∈ R. Dann ist
x y

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
αx y αx+y
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
α · x + y = ⎣α x⎦ + ⎣y⎦ = ⎣α x + y⎦ .
αx y αx+y

Da die drei Komponenten von α · x + y alle gleich sind, gehört α · x + y zu U4 %

e) Nein. Der Nullvektor ist nicht in U5 enthalten, weil die Aussage 0 > 0 > 0 falsch
ist. √
f) Nein. Bedingung (UR2) ist nicht erfüllt. Wählen wir zum Beispiel α = 2 ∈ R, so
gilt für x ∈ U6 ,
⎡ ⎤ ⎡√ ⎤
√ ⎢x1 ⎥ ⎢√2 x1 ⎥
α x = 2 ⎣x2 ⎦ = ⎣ 2 x2 ⎦ ∈/ U6
√
x3 2 x3
√ √ √
weil 2 x1 , 2 x2 , 2 x3 ∈/ Q.
g) Nein. Der Nullvektor ist nicht in U7 enthalten (0 = 1 ist falsch). !

Das folgende Beispiel lässt sich als effizientes Unterraumkriterium nutzen.

Übung 5.8
• ◦ ◦ Es sei A ∈ Km×n .
a) Man zeige, dass die Lösungsmenge L = {x ∈ Kn | Ax = 0} des homogenen LGSs
Ax = 0 ein Unterraum von Kn ist.
b) Gilt diese Aussage auch für das inhomogene LGS Ax = b?
c) Man wiederhole die Übungen 5.7(a)–(d) unter Verwendung des in diesem Beispiel
entwickelten neuen Kriteriums.
5.2 • Unterräume
263 5
v Lösung
a) Wir weisen einfach nach, dass L die drei Eigenschaften eines Unterraumes (Defini-
tion 5.2) erfüllt:
5 Beweis von (UR0): Der Nullvektor ist in L enthalten, weil Ax = 0 immer die
triviale Lösung x = 0 besitzt (vgl. 7 Kap. 2). %
5 Beweis von (UR1): Es seien x, y ∈ L zwei Lösungen von Ax = 0. Dann gilt:

Ax + Ay = 0 ⇒ x + y ∈ L %
A(x + y) = ;<=>
;<=>
=0 =0

5 Beweis von (UR2): Es seien x ∈ L und α ∈ K. Dann gilt:

Ax = 0 ⇒ α x ∈ L %
A(α x) = α ;<=>
=0

Somit ist L ein Unterraum von Kn .

b) Nein. Es seien x, y ∈ L zwei Lösungen von Ax = b. Dann gilt:

A(x + y) = ;<=>
Ax + Ay = 2b ⇒ x + y ∈
/ L×
;<=>
=b =b

Bedingung (UR1) ist nicht erfüllt und somit kann die Lösungsmenge eines inhomo-
genen LGS keinen Unterraum von Rn sein.
c) Aus Teilaufgaben (a) und (b) ergibt sich ein nützliches Kriterium für Unterräume:
Die Lösungsmenge eines homogenen (m × n)-LGS ist immer ein Unterraum von
Rn . Dies gilt für inhomogene LGS nicht.
Mit diesem Kriterium können wir die Übungen 5.7(a)–(d) nochmals untersu-
chen.
U1 : Die definierende Bedingung x1 + 2x2 = 3x3 kann man als ein homogenes
(1 × 3)-LGS wie folgt interpretieren:
⎧ + ⎡ ⎤ ⎫
⎪ + ⎪
I + J ⎪
⎨ +6 7 x1 ⎪
⎬
3 +
+
U1 = x ∈ R + x1 + 2x2 − 3x3 = 0 = x ∈ R3 + 1 2 −3 ⎢⎣ x 2
⎥
⎦ = 0 .
⎪ + ⎪
⎪
⎩ + ; <= > ⎪
⎭
+ x 3
=A

Daraus folgt, dass U1 ein Unterraum von R3 ist.

U2 : In diesem Fall sind die definierenden Bedingungen x1 = −x2 und x3 = 7 ein
inhomogenes (2 × 3)-LGS:
⎡ ⎤
' * x1 ' * ' *
1 −1 0 ⎢ ⎥ 0 0
⎣x2 ⎦ = ̸= .
0 0 1 7 0
; <= > x3 ;<=>
=A =b

U2 ist somit kein Unterraum von R3 .

U3 : Die Bedingungen x1 + x2 − 4x3 = 0 und x1 = x2 definieren ein homogenes
(2 × 3)-LGS:
264 Kapitel 5 • Vektorräume und Unterräume

I + J
+
U3 = x ∈ R3 + x1 + x2 − 4x3 = 0, x1 − x2 = 0
⎧ + ⎫
⎪ + ⎡ ⎤ ⎪
⎪
⎪ + ' *⎪⎪
⎪
⎨ +' * x1 ⎪
+ 1 1 −4 ⎢ ⎥ 0 ⎬
= x ∈ R3 ++ ⎣x2 ⎦ = .
⎪
⎪
⎪ + 1 −1 0 0 ⎪
⎪
⎪
⎪
⎩ +;
+ <= > x3 ⎪
⎭
=A

Somit ist U3 ein Unterraum von R3 .

U4 : Die definierenden Bedingungen x1 = x2 , x2 = x3 liefern ein homogenes
(2 × 3)-LGS:
⎧ + ⎫
⎪ + ⎡ ⎤ ⎪
⎪
⎪ +' * ' *⎪
⎪
I + J ⎪
⎨ + x1 ⎪
⎬
3+
+
3+ 1 −1 0 ⎢ ⎥ 0
U4 = x ∈ R + x1 − x2 = 0, x2 − x3 = 0 = x ∈ R + ⎣x2 ⎦ = .
⎪
⎪
⎪ + 0 1 −1 0 ⎪⎪
⎪
⎪ + x ⎪
⎩ +; =A <= > 3 ⎭

Somit ist U4 ein Unterraum von R3 .

Wichtig: Wir müssen nur überprüfen, ob das System ein homogenes LGS ist oder
nicht! !

Übung 5.9 1 + ' * 4

+
+ x −y
• ◦ ◦ Man zeige, dass H = A∈ R2×2 +A = , x, y ∈ R ein Unterraum von
+ y x
R2×2 ist.

v Lösung
Wir weisen nach, dass H die drei Eigenschaften eines Unterraumes erfüllt
5 Beweis von (UR0): Die Nullmatrix ist in H enthalten. %
( ) ( x2 −y2 )
5 Beweis von (UR1): Es seien A = xy11 −yx 1 , B = y2 x 2
1
∈ H. Dann gilt:
' * ' * ' *
x1 −y1 x2 −y2 x1 + x2 −(y1 + y2 )
A+B = + = ∈H%
y1 x1 y2 x2 y1 + y2 x1 + x2
( x −y )
5 Beweis von (UR2): Es seien A = y x ∈ H und α ∈ R. Dann gilt:
' * ' *
x −y α x −α y
α·A=α = ∈H%
y x αy αx

Somit ist H ein Unterraum von R2×2 . !

5.2 • Unterräume
265 5

Übung 5.10
• ◦ ◦ Welche der folgenden Teilmengen von Rn×n sind Unterräume?
a) Diagn (R) = {A ∈ Rn×n | A diagonal} = Diagonalmatrizen
b) GLn (R) = {A ∈ Rn×n | A invertierbar} = invertierbare Matrizen
c) On (R) = {A ∈ Rn×n | AT A = E} = orthogonale Matrizen
d) Symn (R) = {A ∈ Rn×n | AT = A} = symmetrische Matrizen

v Lösung
a) Ja. Denn (UR0) und die kombinierte Eigenschaft (UR) sind erfüllt:
5 Beweis von (UR0): Die (n × n)-Nullmatrix ist diagonal (alle Diagonaleinträge
sind Null), d. h. 0 ∈ Diagn (R) %
' a1 * ' b1 *
5 Beweis von (UR): Es seien A = ..
. ,B = ..
. ∈ Diagn (R) zwei
an bn
(n × n)-Diagonalmatrizen. Dann ist
⎡ ⎤
α a1 + b1
⎢ .. ⎥
α·A+B =⎢
⎣ .
⎥
⎦
α an + bn

ist eine Diagonalmatrix, d. h. α · A + B ∈ Diagn (R) %

b) Nein. Die Nullmatrix ist nichtinvertierbar, gehört also nicht zu GLn (R). Alternative:
( ) ( 0 ) ( )
Die beiden Matrizen A = 10 01 , B = 10 −1 sind invertierbar, aber A + B = 20 00
ist nichtinvertierbar.
c) Nein. Die (n × n)-Nullmatrix ist nicht orthogonal, weil 0T 0 = 0 ̸= E.
d) Ja. Wir zeigen Eigenschaften (UR0) und (UR):
5 Beweis von (UR0): Wegen 0T = 0 gehört 0 zu Symn (R). %
5 Beweis von (UR): Es seien A, B ∈ Symn (R) (⇒ AT = A und BT = B) und
α ∈ R. Mit den Rechenregeln für die Transponierte finden wir dann:

(α · A + B)T = α · ;<=>
AT + ;<=>
BT = α · A + B ⇒ α · A + B ∈ Symn (R) %
=A =B !

Übung 5.11
• • ◦ Es sei C 0 (R) der Vektorraum der reellen stetigen Funktionen auf R. Welche der
folgenden Teilmengen von C 0 (R) sind Unterräume?
a) U1 = {f ∈ C 0 (R) | f (−x) = f (x)}
b) U2 = {f ∈ C 0 (R) | f (−x) = −f (x)}
c) U3 = {f ∈ C 0 (R) | f (5) = 0}
df
d) U4 = {f ∈ C 0 (R) | dx |x=0 = 1}
0
e) U5 = {f ∈ C (R) | f (x) = A sin(x) + B cos(x), A, B ∈ R}
f) U6 = {f ∈ C 0 (R) | f (x + a) = f (x)} (a ∈ R)
266 Kapitel 5 • Vektorräume und Unterräume

v Lösung
a) Ja. Denn die drei Axiome eines Unterraumes (Definition 5.2) sind erfüllt:
5 Beweis von (UR0): Die Nullfunktion f (x) ≡ 0 gehört zu U1 . %
5 Beweis von (UR1): Es seien f , g ∈ U1 . Dann gilt:

(f + g)(−x) = f (−x) + g(−x) = f (x) + g(x) = (f + g)(x) ⇒ f + g ∈ U1 %

; <= > ; <= >
=f (x) =g(x)

5 Beweis von (UR2): Es seien f ∈ U1 und α ∈ R. Dann gilt:

(α f )(−x) = α f (−x) = α f (x) = (α f )(x) ⇒ α f ∈ U1 %

; <= >
=f (x)

b) Ja. Der Beweis ist analog zu (a):

5 Beweis von (UR0): Wegen 0 = −0 gehört die Nullfunktion f (x) ≡ 0 zu U2 . %
5 Beweis von (UR1): Es seien f , g ∈ U2 . Dann gilt:

(f + g)(−x) = f (−x) + g(−x) = −f (x) − g(x) = −(f + g)(x) ⇒ f + g ∈ U2 %

; <= > ; <= >
=−f (x) =−g(x)

5 Beweis von (UR2): Es seien f ∈ U2 und α ∈ R. Dann gilt:

(α f )(−x) = α f (−x) = −α f (x) = −(α f )(x) ⇒ α f ∈ U2 %

; <= >
=−f (x)

c) Ja. Wir weisen die drei Axiome eines Unterraumes (Definition 5.2) nach:
5 Beweis von (UR0): Die Nullfunktion f (x) ≡ 0 gehört zu U3 , weil f (5) = 0. %
5 Beweis von (UR1): Es seien f , g ∈ U3 (⇒ f (5) = 0 und g(5) = 0). Dann gilt:

(f + g)(5) = f (5) + g(5) = 0 ⇒ f + g ∈ U3 %

;<=> ;<=>
=0 =0

5 Beweis von (UR2): Für f ∈ U3 , α ∈ R gilt (α f )(5) = α f (5) = 0 ⇒ α f ∈ U3 %

;<=>
=0
df
d) Nein. Die Nullfunktion f (x) ≡ 0 ist kein Element von U4 , weil dx |x=0 = 0 ̸= 1.
Andere Möglichkeit: U4 ist bezüglich der Addition und Skalarmultiplikation nicht
abgeschlossen. Denn für f , g ∈ U4 ist d(fdx+g) |x=0 = dx
df dg
|x=0 + dx |x=0 = 1 + 1 = 2 ̸= 1.
e) Ja. Wir prüfen die drei Eigenschaften eines Unterraumes (Definition 5.2) nach:
5 Beweis von (UR0): f (x) ≡ 0 ∈ U5 (wähle A = B = 0). %
5 Beweis von (UR1): Es seien f , g ∈ U5 . Dann gilt f (x) = A1 sin(x) + B1 cos(x)
und g(x) = A2 sin(x) + B2 cos(x) für A1 , A2 , B1 , B2 ∈ R. Daraus folgt: (f +
( ) ( )
g)(x) = A1 sin(x) + B1 cos(x) + A2 sin(x) + B2 cos(x) = (A1 + A2 ) sin(x) +
(B1 + B2 ) cos(x) ⇒ f + g ∈ U5 %
5 Beweis von (UR2): Es seien f ∈ U5 und α ∈ R. Dann gilt: (α f )(x) =
( )
α A sin(x) + B cos(x) = (α A) sin(x) + (α B) cos(x) ⇒ α f ∈ U5 %
5.2 • Unterräume
267 5
f) Ja.
5 Beweis von (UR0): Die Nullfunktion f (x) ≡ 0 ist in U6 enthalten (konstante
Funktionen sind periodisch mit jeder Periode). %
5 Beweis von (UR1): Es seien f , g ∈ U6 . Dann gilt:

(f + g)(x + a) = f (x + a) + g(x + a) = f (x) + g(x) = (f + g)(x) ⇒ f + g ∈ U6 %

; <= > ; <= >
=f (x) =g(x)

5 Beweis von (UR2): Es seien f ∈ U6 und α ∈ R. Dann gilt:

(α f )(x + a) = α f (x + a) = α f (x) = (α f )(x) ⇒ α f ∈ U6 %

; <= >
=f (x) !

> Bemerkung
f ∈ C 0 (R) heißt gerade bzw. ungerade, falls f (x) = f (−x) bzw. f (−x) = −f (x) für alle
x ∈ R gilt. Die Unterräume U1 und U2 in Übung 5.11 sind somit die Unterräume der
geraden bzw. ungeraden stetigen Funktionen. f ∈ C 0 (R) heißt periodisch mit Periode a
falls f (x + a) = f (x) für alle x ∈ R gilt. U6 ist somit der Unterraum der periodischen
stetigen Funktionen mit Periode a.

Übung 5.12
• ◦ ◦ Man gebe ein Beispiel für eine Teilmenge U ⊂ R2 an, sodass
a) U bezüglich der Addition abgeschlossen ist, aber keinen Unterraum von R2 ist;
b) U bezüglich der Skalarmultiplikation abgeschlossen ist, aber keinen Unterraum von
R2 darstellt.

v Lösung +
G H
a) Man betrachte U = Z2 = x = [x1 , x2 ]T ∈ R2 + x1 , x2 ∈ Z .
5 Beweis von (UR0): 0 ∈ U, weil 0 ∈ Z %
5 Beweis von (UR1): Es seien x = [x1 , x2 ]T ∈ U und y = [y1 , y2 ]T ∈ U. Dann
gilt x1 , x2 , y1 , y2 ∈ Z. Daraus folgt x1 + y1 ∈ Z und x2 + y2 ∈ Z, d. h. x + y ∈ U.
%
5 Beweis von (UR2): Gegenbeispiel: Man betrachte x = [1, 1]T ∈ U und α =
√ √ √
3 ∈ R. Dann ist α x = [ 3, 3]T ∈ / U. ✗
U ist abgeschlossen bezüglich der Addition, trotzdem ist U kein Unterraum von
R2 . +
G H
b) Man betrachte U = x = [x1 , x2 ]T ∈ R2 + x1 x2 = 0 .
5 Beweis von (UR0): 0 ∈ U, weil 0 · 0 = 0 %
5 Beweis von (UR1): Es seien x = [x1 , x2 ]T ∈ U und y = [y1 , y2 ]T ∈ U (⇒
x1 x2 = 0 und y1 y2 = 0). Dann gilt:
' *
x + y1
x+y= 1 ⇒ (x1 + y1 )(x2 + y2 ) = x1 x2 +x1 y2 + x2 y1 + x2 y2
x2 + y2 ;<=> ;<=>
=0 =0

= x1 y2 + x2 y1 ̸= 0 ⇒ x + y ∈
/U ✗
268 Kapitel 5 • Vektorräume und Unterräume

5 Beweis von (UR2): Es seien x = [x1 , x2 ]T ∈ U und α ∈ R. Dann gilt:

' *
α x1
αx = ⇒ (α x1 )(α x2 ) = α 2 x1 x2 = α 2 0 = 0 ⇒ α x ∈ U%
α x2 ;<=>
=0

Obwohl U abgeschlossen ist bezüglich der Skalarmultiplikation, ist U trotzdem kein

Unterraum von R2 . !

Übung 5.13
• • ◦ Sind die folgenden Teilmengen Unterräume?
a) U1 = {x ∈ R3 | x1 x2 − x3 = 0} ⊂ R3
b) U2 = {x ∈ C2 | x1 + ix2 = 0} ⊂ C2
c) U3 = {x ∈ R2 | x1 + x2 = 2} ⊂ R2
d) U4 = {x ∈ Z22 | x1 + x2 = 2} ⊂ Z22
K
e) U5 = {x ∈ Rn | ni=1 x2i = 0} ⊂ Rn
f) U6 = {A ∈ Rn×n | det(A) = 2} ⊂ Rn×n
g) U7 = {A ∈ Rn×n | Ax = b hat eine eindeutige Lösung} ⊂ Rn×n
h) U8 = {p(x) = a0 + a1 x + a2 x2 ∈ P2 (R) | a0 = a1 = a2 } ⊂ P2 (R)

v Lösung
a) Nein. U1 ist nicht abgeschlossen bezüglich der Skalarmultiplikation. Zum Beispiel
(nach etwas Probieren oder „genauem Hinschauen“): x = [1, 1, 1]T ∈ U1 , weil
1 · 1 − 1 = 1 − 1 = 0 %. Aber 2 x = [2, 2, 2]T ∈
/ U1 , weil 2 · 2 − 2 = 4 − 2 = 2 ̸= 0
✗.
b) Ja.
5 Beweis von (UR0): 0 ∈ U2 , weil 0 + i 0 = 0 %
5 Beweis von (UR1): Es seien x = [x1 , x2 ]T ∈ U2 und y = [y1 , y2 ]T ∈ U2 . Dann
gilt:
' *
x + y1
x+y= 1 ⇒ (x1 + y1 ) + i(x2 + y2 ) = x1 + ix2 + y1 + iy2
x2 + y2 ; <= > ; <= >
=0 =0

= 0 + 0 = 0 ⇒ x + y ∈ U2 %

5 Beweis von (UR2): Es seien x = [x1 , x2 ]T ∈ U2 und α ∈ C. Dann gilt:

' *
α x1
αx = ⇒ (α x1 ) + i(α x2 ) = α (x1 + ix2 ) = α 0 = 0 ⇒ α x ∈ U2 %
α x2 ; <= >
=0

Alternative: U2 ist die Lösungsmenge eines homogenen LGS; U2 ist somit ein
Unterraum von C2 .
c) Nein. U3 ist die Lösungsmenge eines inhomogenen LGS; U3 ist somit kein Unter-
raum von R2
5.2 • Unterräume
269 5
d) Ja. In Z2 gilt: 2 = 0. U4 ist somit die Lösungsmenge eines homogenen LGS, also
ein Unterraum von Z22 .
K
e) Der einzige Vektor in Rn mit ni=1 xi = ||x||2 = 0 ist der Nullvektor 0. U5 besteht
somit nur aus der Menge mit dem Nullvektor U5 = {0} und ist somit ein Unterraum
von Rn (der triviale Unterraum).
f) Nein. U6 ist nicht abgeschlossen bezüglich der Skalarmultiplikation. Es sei A ∈ U6
⇒ det(A) = 2. Nach den Rechenregeln für die Determinante gilt dann: det(α A) =
α n det(A) = 2α n ̸= 2 ⇒ A ∈/ U6 ✗
g) Aus 7 Kap. 2 wissen wir, dass das LGS Ax = b genau dann eine eindeutige Lösung
hat, wenn det(A) ̸= 0. Die Nullmatrix ist somit kein Element von U7 , weil det(0) =
0. U7 ist also kein Unterraum von Rn×n .
h) Ja. U8 ist die Menge der Polynome der Form p(x) = a(1 + x + x2 ) mit a ∈ R.
5 Beweis von (UR0): p(x) = 0 ∈ U8 , weil a0 = a1 = a2 = 0 %
5 Beweis von (UR1): Es seien p(x) = a(1+x+x2 ) ∈ U8 und q(x) = b(1+x+x2 ) ∈
U8 . Dann gilt: p(x)+q(x) = a(1+x+x2 )+b(1+x+x2 ) = (a+b)(1+x+x2 ) ∈ U8
%
5 Beweis von (UR2): Es seien p(x) = a(1 + x + x2 ) ∈ U8 und α ∈ R. Dann gilt:
α p(x) = α a(1 + x + x2 ) = (α a)(1 + x + x2 ) ∈ U8 % !

Übung 5.14
• ◦ ◦ Es seien U und W zwei Unterräume des Vektorraums V . Welche der folgenden
Teilmengen von V sind Unterräume?

a) ∅ = { } b) {0} c) U\W

v Lösung
a) Nein. Der Nullvektor ist nicht in ∅ enthalten.
b) Ja. Die Menge {0} erfüllt trivialerweise alle Eigenschaften eines Unterraumes
(Definition 5.2).
c) Nein. U\W = {v ∈ U | v ∈ / W } besteht aus den Elementen von U, welche nicht in W
enthalten sind. Da W ein Unterraum von V ist, muss W den Nullvektor enthalten.
Somit enthält U\W nicht den Nullvektor, also kann U\W keinen Unterraum
sein. !

Übung 5.15
• ◦ ◦ Es seien A, B ∈ Km×n . Ist U = {x ∈ Kn | Ax = Bx} ein Unterraum von Kn ?

v Lösung
Ja. Wir weisen (UR0) und die kombinierte Bedingung (UR) nach:
5 Beweis von (UR0): 0 ∈ U, weil Ax = 0 = Bx %
5 Beweis von (UR): Es seien x, y ∈ U und α ∈ K. Dann gilt: A(α x+y) = α Ax+Ay =
α Bx + By = B(α x + y) ⇒ α x + y ∈ U % !
270 Kapitel 5 • Vektorräume und Unterräume

Übung 5.16
• ◦ ◦ Man gebe alle Unterräume von (Z2 )2 explizit an.

v Lösung
(Z2 )2 enthält genau 22 = 4 Elemente (vgl. Übung 5.6). Diese sind:
1' * ' * ' * ' *4
2 0 1 0 1
(Z2 ) = , , , .
0 0 1 1

Jeder Unterraum von (Z2 )2 muss mindestens den Nullvektor enthalten. Außerdem
muss die Summe von je zwei Elemente des Unterraumes wieder zum Unterraum
gehören. Die möglichen Unterräume von (Z2 )2 sind somit
1' *4 1' * ' *4 1' * ' *4 1' * ' * ' * ' *4
0 0 1 0 0 2 0 1 0 1
, , , , , (Z2 ) = , , , .
0 0 0 0 1 0 0 1 1 !

5.3 Affine Unterräume

Wir diskutieren nun sogenannte affine Unterräume, welche Teilmenge sind, die durch
Parallelverschiebung von Unterräumen entstehen.

5.3.1 Definition

Im Folgenden sei V ein Vektorraum über K.

# Definition 5.3 (Affiner Unterraum)

Ein affiner Unterraum ist eine Menge

X = v + U = {v + u | u ∈ U} , (5.7)

wobei v ∈ V ein fester Vektor in V und U ⊂ V ein Unterraum von V ist. v heißt Stützvektor
und U der zugeordnete Ursprungsunterraum von X . $

Der affine Unterraum X = v + U = {v + u | u ∈ U} entsteht aus der Parallelver-

schiebung des Ursprungsunterraum U um den Vektor v. Ein affiner Raum ist also ein
„verschobener“ Unterraum (. Abb. 5.4).

> Bemerkung
Der Ursprungsunterraum U ist für jeden affinen Unterraum eindeutig bestimmt. Als
Stützvektor kann man einen beliebigen Vektor aus X wählen.
5.3 • Affine Unterräume
271 5
a b

. Abb. 5.4 (a) Affine Gerade und (b) affine Ebene

Affine Unterräume von Kn

5 ein einzelner Punkt im Raum;
5 eine affine Gerade durch v;
5 eine affine Ebene durch v;
5 eine affine Hyperebene durch v.

Beachte, dass diese affinen Unterräume i.A. keine Unterräume sind, weil sie den
Nullvektor nicht enthalten.

# Beispiel
Als Ursprungsunterraum wählen wir die Gerade U durch den Ursprung
⎧ +⎡ ⎤ ⎡ ⎤ ⎫
⎪ + x 1 ⎪
⎨ + 1 ⎬
+⎢ ⎥ ⎢ ⎥
U = x ∈ R3 + ⎣x2 ⎦ = t ⎣1⎦ , t ∈ R .
⎪
⎩ + ⎪
⎭
+ x3 1

Der Stützvektor sei v = [1, 0, 0]T . Dann ist

⎧ +⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ + x 1 1 ⎪
⎨ + 1 ⎬
+⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X = v + U = x ∈ R3 + ⎣x2 ⎦ = ⎣0⎦ + t ⎣1⎦ , t ∈ R
⎪
⎩ + ⎪
⎭
+ x3 0 1

ein affiner Unterraum. X ist eine verschobene Gerade, welche durch [1, 0, 0]T geht.
Beachte, dass X kein Unterraum ist, weil X den Nullvektor nicht enthält. $

5.3.2 Affine Unterräume und LGS

Es seien A ∈ Km×n und b ∈ Km . Aus 7 Abschn. 2.2.8 wissen wir, dass die Lösung
eines inhomogenen LGS Ax = b durch

x = xHomo + xp
272 Kapitel 5 • Vektorräume und Unterräume

gegeben ist. xHomo ist die allgemeine Lösung des zugehörigen homogenen LGS Ax =
0 und xp ist eine partikuläre Lösung des inhomogenen LGS. Aus Satz 5.2 wissen
wir auch, dass die Lösungsmenge eines homogenen LGS ein Unterraum von Kn ist.
Daher können wir die Lösungsmenge L von Ax = b als affinen Unterraum von Kn
interpretieren

L = xp + {x ∈ Kn | Ax = 0} (5.8)
; <= >
= Ursprungsunterraum

Der zugehörige Ursprungsunterraum ist die Lösungsmenge des homogenen Problems.

Der Stützvektor von L ist die partikuläre Lösung xp . Mit diesen Überlegungen haben
wir den folgenden Satz motiviert.

# Satz 5.3 (Lösungsmengen von LGS und affine Unterräume)

Ist A ∈ Km×n und b ∈ Km , so ist die Lösungsmenge des (inhomogenen) LGS Ax = b
ein affiner Unterraum von Kn . Umgekehrt ist jeder affiner Raum die Lösungsmenge eines
LGS. $

5.3.3 Parameterdarstellung von affinen Unterräumen

Nach Satz 5.3 ist jeder affine Unterraum X durch ein (inhomogenes) LGS be-
schrieben. Man kann also X durch explizite Angabe der Lösungsmenge des LGS
beschreiben. Wir erhalten also die folgende Darstellung eines affinen Unterraumes

X = {v + t1 v1 + t2 v2 + · · · + tr vr | ti ∈ K} (5.9)

welche Parameterdarstellung von X heißt. v1 , v2 , · · · , vr sind die Spannvektoren. Für

affine Geraden oder Ebenen entspricht Gl. (5.9) genau der Parameterdarstellung von
Geraden oder Ebenen im Raum (vgl. Anhang A).

# Beispiel
X = {x ∈ R3 | x1 + x2 + x3 = −1} beschreibt die Lösungsmenge des LGS
⎡ ⎤
6 7 x1
⎢ ⎥
1 1 1 ⎣x2 ⎦ = ;<=>
−1 .
; <= > x =b
=A 3
; <= >
=x

Nach Satz 5.3 ist X ein affiner Unterraum von R3 . Die Parameterdarstellung von X
erhalten wir als Lösungsmenge des obigen LGS
⎧ +⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫
⎪ + x −1 −1 −1 ⎪
⎨ + 1 ⎬
+⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X = x ∈ R3 + ⎣x2 ⎦ = ⎣ 0 ⎦ + t ⎣ 1 ⎦ + s ⎣ 0 ⎦ , t, s ∈ R .
⎪
⎩ + ⎪
⎭
+ x3 0 0 1

X beschreibt eine affine Ebene durch den Punkt [−1, 0, 0]T . $

5.3 • Affine Unterräume
273 5

Übung 5.17
• ◦ ◦ Welche der folgenden Teilmengen von Rn sind Unterräume? Welche sind affine
Unterräume? +
G H
a) X1 = x ∈ R3 ++ x1 + 2x2 + x3 = 0
G H
b) X2 = x ∈ R3 ++ x1 + 2x2 + x3 = 1
G H
c) X3 = x ∈ R4 ++ x1 = x2 , x1 = 1 − x3 − x4
G H
d) X4 = x ∈ R4 + x1 += x2 , x1 = −x3 − x4
G H
e) X5 = [x1 , x2 , 1]T+ + x1 , x2 ∈ R
G T +
H
f) X6 = [0, x2 , 0]
+ 2 x2 ∈ R
G H
g) X7 = x ∈ R x1 + x22 + x3 = 0
3 +

v Lösung
Wir wenden Satz 5.3 an.
a) X1 ist die Lösungsmenge eines homogenen LGS. Somit ist X1 ein Unterraum und
zugleich auch ein affiner Unterraum.
b) X2 ist die Lösungsmenge eines inhomogenen LGS. Somit ist X2 ein affiner Unter-
raum, aber kein Unterraum.
c) X3 ist die Lösungsmenge eines inhomogenen LGS. Somit ist X3 ein affiner Unter-
raum, aber kein Unterraum.
d) X4 ist die Lösungsmenge eines homogenen LGS. X4 ist ein Unterraum und zugleich
auch ein affiner Unterraum.
e) X5 ist die Lösungsmenge eines inhomogenen LGS ⇒ X5 ist kein Unterraum, jedoch
ist ein affiner Unterraum.
f) X6 ist die Lösungsmenge eines homogenen LGS ⇒ X6 ist ein Unterraum sowie ein
affiner Unterraum.
g) Wegen den quadratischen Termen x21 + x22 stammt X7 , nicht aus einem LGS ⇒ X7
ist kein Unterraum und zugleich auch kein affiner Unterraum. !

Übung 5.18
• ◦ ◦ Man zeige, dass Y = {x ∈ Rn | xn = 1 } ein affiner Unterraum von Rn ist. Wie
lautet der zugehörige Ursprungsunterraum?

v Lösung
Y können wir wie folgt umschreiben:
⎧⎡ ⎤+ ⎫ ⎡ ⎤ ⎧⎡ ⎤+ ⎫
⎪
⎪ x1 ++ ⎪
⎪ 0 ⎪
⎪ x1 ++ ⎪
⎪
⎪
⎪ ⎪ ⎪ ⎪
⎨⎢ ⎥+
⎢ .. ⎥ +
⎪
⎬ ⎢ ⎥
⎢ .. ⎥
⎪
⎨⎢ ⎥+
⎢ .. ⎥ +
⎪
⎬
Y= ⎢ . ⎥ + xi ∈ R = ⎢ . ⎥ + ⎢ . ⎥ + xi ∈ R
⎪ ⎢ ⎥+ ⎪ ⎢ ⎥ ⎪ ⎢ ⎥ + ⎪
⎪
⎪ ⎣xn−1 ⎦ + ⎪
⎪ ⎣0⎦ ⎪
⎪ ⎣xn−1 ⎦ + ⎪
⎪
⎪
⎩ + ⎪
⎭ ⎪
⎩ + ⎪
⎭
1 + 1 0 +
; <= >
= zugehöriger Ursprungsunterraum

Y ist somit ein affiner Unterraum. Der zugehörige Ursprungsunterraum U ist die
Menge aller Vektoren x ∈ Rn mit xn = 0. !
274 Kapitel 5 • Vektorräume und Unterräume

Übung 5.19 +
G H
• ◦ ◦ Man zeige, dass Y = A ∈ R2×2 + Spur(A) = 1 ein affiner Unterraum von R2×2
ist. Was ist der zugehörige Ursprungsunterraum?

v Lösung
( )
Es sei A = ac db ∈ R2×2 . Die Bedingung Spur(A) = 1 ist äquivalent zu a + d = 1 ⇒
d = 1 − a. Daher ist
1 + ' * 4 ' * 1 + ' *4
+ +
2×2 + a b 00 2×2 + a b
Y= A∈R +A = , a, b, c ∈ R = + A∈R +A =
+ c 1−a 01 + c −a
; <= >
={A∈R2×2 |Spur(A)=0 }

' *
00
Y= + U ist somit ein affiner Unterraum. Der zugehörige Ursprungsunterraum
01
U ist die Menge der spurlosen (2 × 2)-Matrizen. !

Übung 5.20 +
G H
• ◦ ◦ Man zeige, dass Y = p(x) ∈ P2 (R) + p(0) = 1, p′ (0) = 1 ein affiner Unterraum
von P2 (R) ist. Wie lautet der zugehörige Ursprungsunterraum?

v Lösung
Es sei p(x) = a0 + a1 x + a2 x2 . Die Bedingungen p(0) = 1 und p′ (0) = 1 sind äquivalent
zu a0 = 1 und a1 = 1. Daher ist
I + J I + J
+ +
Y = p(x) ∈ P2 (R) +p(x)=1 + x + a2 x2 , a2 ∈ R =1+x+ p(x) ∈ P2 (R) +p(x)=a2 x2
; <= >
=zugehöriger Ursprungsunterraum

Y = 1+x+U ist somit ein affiner Unterraum und der zugehörige Ursprungsunterraum
U ist die Menge der Polynome p(x) = a2 x2 . !

5.4 Operationen mit Unterräumen

5.4.1 Durchschnitt und Vereinigung

# Definition 5.4
Es seien U ⊂ V und W ⊂ V Unterräume von V . Deren Durchschnitt ist

U ∩ W := {v ∈ V | v ∈ U und v ∈ W } (5.10)

$
5.4 • Operationen mit Unterräumen
275 5
Es gilt (vgl. Übung 5.22):

# Satz 5.4 (Durchschnitt von Unterräumen)

Es seien U ⊂ V und W ⊂ V Unterräume von V . Dann ist der Durchschnitt U ∩ W ein
Unterraum von V . $

> Bemerkung
Wichtig: Die Vereinigung U ∪ W ist im Allgemeinen kein Unterraum von V .

Übung 5.21
• ◦ ◦ Man betrachte
+ die folgenden Unterräume von R3 :
G 3
H
5 U1 = x ∈ R ++ x1 + 2x2 = 3x3
G H
5 U2 = x ∈ R3 ++ x1 + x2 − 4x3 = 0, x1 = x2
G H
5 U3 = x ∈ R3 + x1 = x2 = x3

Man bestimme U1 ∩ U2 und U1 ∩ U3 .

v Lösung
U1 ∩ U2 ist der folgende Unterraum
I + J
+
U1 ∩ U2 = x ∈ R3 + x1 + 2x2 = 3x3 , x1 + x2 − 4x3 = 0, x1 = x2 .

Wir bekommen somit ein homogenes (3 × 3)-LGS, das wir mit dem Gauß-Algorithmus
lösen können:
⎧ ⎡ ⎤ ⎡ ⎤
⎨ x1 + 2x2 − 3x3 = 0
⎪ (Z1 ) 1 2 −3 0 (Z2 ) − (Z1 ) 1 2 −3 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
x1 + x2 − 4x3 = 0 (Z2 ) " ⎣ 1 1 −4 0 ⎦ " ⎣ 0 −1 −1 0 ⎦
⎪
⎩
x1 − x2 =0 (Z3 ) 1 −1 0 0 0 −3 3 0
⎡ ⎤
1 1 −3 0
(Z3 ) − 3(Z2 ) ⎢ ⎥
" ⎣ 0 −1 −1 0 ⎦ = Z
0 0 6 0

Die einzige Lösung des LGS ist x1 = x2 = x3 = 0. Somit U1 ∩ U2 = {0}.

U1 ∩ U3 ist der folgende Unterraum
I + J
+
U1 ∩ U3 = x ∈ R3 + x1 + 2x2 = 3x3 , x1 = x2 , x2 = x3 .

Wir erhalten somit ein homogenes (3 × 3)-LGS, das wir mit dem Gauß-Algorithmus
lösen können:
⎧ ⎡ ⎤ ⎡ ⎤
⎨ x1 + 2x2 − 3x3 = 0
⎪ (Z1 ) 1 2 −3 0
(Z2 ) − (Z1 )
1 2 −3 0
⎢ ⎥ ⎢ ⎥
x1 − x2 =0 (Z2 ) " ⎣ 1 −1 0 0 ⎦ " ⎣ 0 −3 3 0 ⎦
⎪
⎩
x2 − x3 = 0 (Z3 ) 0 1 −1 0 0 1 −1 0
276 Kapitel 5 • Vektorräume und Unterräume

⎡ ⎤
(Z2 )/3 1 2 −3 0
(Z3 ) + (Z2 ) ⎢ ⎥
" ⎣ 0 −1 1 0 ⎦ = Z
0 0 0 0

Wir erhalten 2 Gleichungen mit 3 Unbekannten. Eine Unbekannte ist somit frei
wählbar, z. B. x3 = t. Aus der zweiten Gleichung folgt dann x2 = x3 = t und aus
der ersten Gleichung x1 = −2x2 + 3x3 = t. Somit ist:
⎧ +⎡ ⎤ ⎡ ⎤ ⎫
⎪ + x 1 ⎪
⎨ + 1 ⎬
+⎢ ⎥ ⎢ ⎥
U1 ∩ U3 = x ∈ R3 + ⎣x2 ⎦ = t ⎣1⎦ , t ∈ R .
⎪
⎩ + ⎪
⎭
+ x3 1

U1 ∩ U3 ist eine Gerade durch den Nullpunkt und somit ein Unterraum. !

Übung 5.22
• ◦ ◦ Es seien U, W Unterräume von V . Man zeige:
a) U ∩ W = {v ∈ V | v ∈ U und v ∈ W } ist ein Unterraum von V .
b) U ∪ W ist im Allgemeinen kein Unterraum von V (Hinweis: Gegenbeispiel).

v Lösung
a) Wir müssen einfach nachweisen, dass U ∩ W die drei Eigenschaften eines Unter-
raumes erfüllt:
5 Beweis von (UR0): Da U und W selbst Unterräume sind, gilt 0 ∈ U und 0 ∈ W .
Somit ist 0 ∈ U ∩ W . %
5 Beweis von (UR1): Es seien v1 , v2 ∈ U ∩ W , d. h. v1 und v2 gehören zu U und
W . Da U ein Unterraum von V ist, gilt v1 + v2 ∈ U. Weil W ein Unterraum von
V ist folgt v1 + v2 ∈ W . v1 + v2 gehört somit zu U und W , d. h. v1 + v2 ∈ U ∩ W .
%
5 Beweis von (UR2): Es seien v ∈ U ∩ W (d. h. v ∈ U und v ∈ W ) und α ∈ K.
Weil U und W Unterräume sind gilt α v ∈ U und α v ∈ W . Dies bedeutet
α v ∈ U ∩ W. %
b) Wir betrachten ein einfaches Gegenbeispiel (es gibt mehrere!). Es seien V = R2 und
1' *+ 4 1' *+ 4
x1 ++ 0 ++
U1 = x1 -Achse = + x1 ∈ R , U2 = x2 -Achse = + x2 ∈ R .
0 + x2 +

U1 und U2 sind Unterräume von V . Die Vereinigung U1 ∪ U2 = x1 -Achse ∪

x2 -Achse ist aber kein Unterraum von V , weil sie bezüglich der Summe nicht
abgeschlossen ist. Zum Beispiel betrachte man die Vektoren [1, 0]T ∈ U1 und
[0, 1]T ∈ U2 . Deren Summe [1, 0]T + [0, 1]T = [1, 1]T gehört weder zu U1 noch
zu U2 , also gehört sie nicht zu U1 ∪ U2 . Somit ist U1 ∪ U2 kein Unterraum von V
(7 Abb. 5.5).
Beachte, dass U1 ∩ U2 = {0} ein Unterraum ist (enthält nur den Nullvektor). !
5.4 • Operationen mit Unterräumen
277 5

. Abb. 5.5 Die Menge U1 ∪ U2 in Übung 5.22(b) ist die Vereinigung der x1 - und x2 -Achse. Diese Menge
ist kein Unterraum: Die Vektoren [1, 0]T und [0, 1]T sind beide in U1 ∪ U2 ; deren Summe [1, 1]T ist aber
kein Element von U1 ∪ U2 !

Übung 5.23
• ◦ ◦ Man betrachte die folgenden affinen Unterräume von R4 :
⎡ ⎤ ⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤+ ⎫
2 ⎪
⎪ 1 0 0 ++ ⎪
⎪
⎢0⎥ ⎪⎨ ⎢1⎥ ⎢1⎥ ⎢0⎥+ ⎪
⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥+
Y1 = ⎢ ⎥ + α1 ⎢ ⎥ + α2 ⎢ ⎥ + α3 ⎢ ⎥+ α1 , α2 , α3 ∈ R
⎣0⎦ ⎪⎪ ⎣0⎦ ⎣1⎦ ⎣1⎦+ ⎪
⎪
⎪
⎩ + ⎪
⎭
1 0 0 1 +
⎡ ⎤ ⎧ ⎡ ⎤ ⎡ ⎤+ ⎫
3 ⎪
⎪ 0 −1 ++ ⎪
⎪
⎪
⎢1⎥ ⎨ ⎢ ⎥ ⎢ 1 ⎥+ ⎪
⎬
⎢ ⎥ ⎢1⎥ ⎢ ⎥+
Y2 = ⎢ ⎥ + β1 ⎢ ⎥ + β2 ⎢ ⎥+ β1 , β2 ∈ R
⎣0⎦ ⎪⎪ ⎣0⎦ ⎣ 2 ⎦+ ⎪
⎪
⎪
⎩ + ⎪
⎭
0 0 0 +

Man zeige, dass Y1 ∩ Y2 ein affiner Unterraum ist.

v Lösung
Um den Durchschnitt Y1 ∩ Y2 zu bestimmen, setzen wir
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 0 0 3 0 −1
⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ + α1 ⎢ ⎥ + α2 ⎢ ⎥ + α3 ⎢ ⎥ = ⎢ ⎥ + β1 ⎢ ⎥ + β2 ⎢ ⎥ .
⎣0⎦ ⎣0⎦ ⎣1⎦ ⎣1⎦ ⎣0⎦ ⎣0⎦ ⎣2⎦
1 0 0 1 0 0 0

Wir erhalten ein LGS, das wir mit dem Gauß-Algorithmus lösen:
⎧ ⎡ ⎤
⎪
⎪ −α1 − β2 = −1 (Z1 ) −1 0 0 0 −1 −1
⎪
⎨ −α − α ⎢ ⎥
1 2 + β 1 + β 2 = −1 (Z2 ) ⎢ −1 −1 0 1 1 −1 ⎥
" ⎢ ⎥
⎪
⎪
⎪ − α 2 − α3 + 2β 2 =0 (Z3 ) ⎣ 0 −1 −1 0 2 0 ⎦
⎩
− α3 =1 (Z4 ) 0 0 −1 0 0 1
278 Kapitel 5 • Vektorräume und Unterräume

⎡ ⎤ ⎡ ⎤
−1 0 0 0 −1 −1 −1 0 0 0 −1 −1
⎢ 0 0 ⎥ ⎢ 0
(Z2 ) − (Z1 ) ⎢ −1 0 1 2 ⎥ (Z3 ) − (Z2 ) ⎢ −1 0 1 2 0 ⎥⎥
" ⎢ ⎥ " ⎢ ⎥
⎣ 0 −1 −1 0 2 0 ⎦ ⎣ 0 0 −1 −1 0 0 ⎦
0 0 −1 0 0 1 0 0 −1 0 0 1
⎡ ⎤
−1 0 0 0 −1 −1
⎢ 0
(Z4 ) − (Z3 ) ⎢ −1 0 1 2 0 ⎥⎥
" ⎢ ⎥=Z
⎣ 0 0 −1 −1 0 0 ⎦
0 0 0 1 0 1

Es folgt β1 = 1 und β2 = t ist beliebig. Es ist:

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤+ ⎫ ⎡ ⎤ ⎧ ⎡ ⎤+ ⎫
⎪
⎪ 3 0 −1 ++ ⎪
⎪ 3 ⎪
⎪ −1 ++ ⎪
⎪
⎪⎢ ⎥ ⎢ ⎥
⎨ ⎢ 1 ⎥+ ⎪
⎬ ⎢2⎥ ⎪ ⎨ ⎢ 1 ⎥+ ⎪
⎬
1 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥+ ⎢ ⎥ ⎢ ⎥+
Y1 ∩ Y2 = ⎢ ⎥ + ⎢ ⎥ + t ⎢ ⎥+ t ∈ R = ⎢ ⎥ + t ⎢ ⎥+ t ∈ R .
⎪
⎪ ⎣0⎦ ⎣0⎦ ⎣ 2 ⎦+ ⎪
⎪ ⎣0⎦ ⎪⎪ ⎣ 2 ⎦+ ⎪
⎪
⎪
⎩ + ⎪
⎭ ⎪
⎩ + ⎪
⎭
0 0 0 + 0 0 +

Y1 ∩ Y2 ist somit ein affiner Unterraum. Er repräsentiert eine affine Gerade durch
[3, 2, 0, 0]T . !

5.4.2 Summe

Da die Vereinigung von Unterräumen keine vernünftige Menge im Sinne der linearen
Algebra, ist führt man stattdessen die sogenannte Summe von Unterräumen ein:

# Definition 5.5 (Summe von Unterräumen)

Es seien U und W zwei Unterräume des Vektorraums V . Dann definiert man deren Summe
als
G H
U + W := u + w | u ∈ U, w ∈ W (5.11)

> Bemerkung
Die Summe U + W besteht aus allen Vektoren, die durch Addition von Vektoren aus
U und W gebildet werden. Es sind also alles Elemente der Form „etwas von U plus
etwas von W “ (. Abb. 5.6).

. Abb. 5.6 Die Summe U + W

enthält alle Vektoren, welche aus
der Addition von Vektoren aus U
und W entstehen. Es gilt auch
U + W = Span(U, W ) = ⟨U, W ⟩
(vgl. 7 Abschn. 6.1)
5.4 • Operationen mit Unterräumen
279 5
Die Summe von Unterräumen ist ein Unterraum
# Satz 5.5 (Summe)
Es seien U und W zwei Unterräume des Vektorraums V . Die Summe U + W ist dann ein
Unterraum von V (vgl. Übung 5.24). U + W ist sogar der kleinste Unterraum von V , der
U und W enthält! $

# Beispiel
I + 6a7 J
+
Man betrachte die Unterräume U = x ∈ R3 + x = 0 , a, c ∈ R und W =
I + 607 J c
+
x ∈ R3 + x = b , b, c ∈ R . Dann ist U ∩ W der Unterraum bestehend aus allen
c
Vektoren x, welche sowohl in U und W liegen, d. h.
I + 607 J
+
U ∩ W = x ∈ R3 + A = 0 , c ∈ R .
c

U + W enthält alle Vektoren, welche aus der Addition von Vektoren aus U und W
entstehen, d. h.
I + 6a7 J
+
U + W = x ∈ R3 + A = b , a, b, c ∈ R = R3 . $
c

# Beispiel
G + ( ) H
Man betrachte
+ die Unterräume U = A ∈ R2×2 + A = a0 b0 , a, b ∈ R und W =
G ( ) H
A ∈ R2×2 + A = ac 00 , a, c ∈ R . Dann ist U ∩ W der Unterraum bestehend aus allen
Matrizen A, welche gleichzeitig zu U und W gehören, d. h.
I + ( ) J
U ∩ W = A ∈ R2×2 + A = a0 00 , a ∈ R .

U + W enthält alle Matrizen, welche aus der Addition von Matrizen aus U und W
entstehen, d. h.
I + ( ) J
U + W = A ∈ R2×2 + A = ac b0 , a, b, c ∈ R . $

Übung 5.24
• • ◦ Es seien U, W Unterräume von V . Man zeige:
a) Die Summe U + W = {u + w | u ∈ U, w ∈ W } ist ein Unterraum von V .
b) U + W ist der kleinste Unterraum von V , der U und W enthält.

v Lösung
a) Wir zeigen einfach, dass U +W die drei Eigenschaften eines Unterraumes erfüllt:
5 Beweis von (UR0): Der Nullvektor ist in U + W enthalten, weil 0 =
0 + ;<=>
;<=> 0 ∈ U + W . Dabei haben wir benutzt, dass U und W selbst
∈U ∈W
Unterräume sind, sodass sie den Nullvektor enthalten. %
5 Beweis von (UR1): Es seien v1 = u1 + w1 und v2 = u2 + w2 zwei Elemente aus
U + W (mit u1 , u2 ∈ U und w1 , w2 ∈ W ). Dann gilt:
280 Kapitel 5 • Vektorräume und Unterräume

v1 + v2 = (u1 + w1 ) + (u2 + w2 ) = (u1 + u2 ) + (v1 + v2 ).

Weil U ein Unterraum von V ist, gilt: u1 +u2 ∈ U. Analog ist w1 +w2 ∈ W , weil
W ein Unterraum von V ist. Somit gilt: v1 +v2 = (u1 + u2 ) + (v1 + v2 ) ∈ U +W
; <= > ; <= >
∈U ∈W
%
5 Beweis von (UR2): Es seien v = u + w ∈ U + W (u ∈ U und w ∈ W ) und α ∈ K.
Dann gilt:

α v = α (u + w) = ;<=> αw ∈ U +W %
α u + ;<=>
∈U ∈W

Dabei haben wir benutzt, dass U und W Unterräume sind, sodass u ∈ U ⇒

α u ∈ U und w ∈ W ⇒ α w ∈ W .
b) Per Definition enthält U + W sicher U und W . Wie zeigt man aber, dass U + W
der kleinste Unterraum ist, der U und W enthält? Wir betrachten einen beliebigen
Unterraum Z ⊂ V von V , der U und W enthält. Dann zeigen wir, dass U +W ⊂ Z
gelten muss. Damit hat man gezeigt, dass U + W in der Tat der kleinste Unterraum
ist, der U und W enthält. Legen wir los. Es sei Z ⊂ V ein Unterraum von V , der
U und W enthält. Es seien nun u ∈ U und w ∈ W zwei Elemente aus U bzw. W .
Weil Z sowohl U als auch W enthält, gilt u ∈ Z und w ∈ Z. Weil Z ein Unterraum
ist, muss auch die Summe u + w in Z enthalten sein, d. h. u + w ∈ Z. Dies bedeutet
U + W ⊂ Z. Somit ist U + W der kleinste Unterraum, der U und W enthält. !

5.4.3 Direkte Summe

# Definition 5.6 (Direkte Summe von Unterräumen)
Es seien U und W zwei Unterräume von V . Dann heißt V direkte Summe von U und W ,
wenn die beiden Bedingungen erfüllt sind
1) U + W = V
2) U ∩ W = {0}.

Geschrieben wird V := U ⊕ W , was stets als “V ist die direkte Summe von U und W ”
gelesen wird. $

> Bemerkung
V = U ⊕ W ist eine kompakte Schreibweise für die zwei Bedingungen 1) U + W =
V und 2) U ∩ W = {0}. Aus diesem Grund müssen wir diese beiden Bedingungen
überprüfen, wenn wir beweisen wollen, dass V = U ⊕ W ist.

Eigenschaften der direkten Summe

Man könnte sich nun Folgendes fragen: Warum haben wir das Konzept einer di-
rekten Summe überhaupt eingeführt? Ist der Begriff der Summe von Unterräu-
men nicht genug? Direkte Summen haben nützliche Eigenschaften, einschließlich
(vgl. Übung 5.29)
5.4 • Operationen mit Unterräumen
281 5
# Satz 5.6 (Darstellung von Elementen einer direkten Summe)
Es sei V = U ⊕ W . Dann lässt sich jedes Element v ∈ V auf genau eine Art als Summe von
Elementen aus U und W schreiben. Mit anderen Worten: Die Darstellung eines Elements
v ∈ v als

v = u + w, u ∈ U, w ∈ W

ist eindeutig. $

> Bemerkung
Beachte, dass bei „einfachen“ Summen die Zerlegung v = u + w ∈ U + W im
Allgemeinen nicht eindeutig ist. Die Darstellung eines Elements v ∈ V mit v = u + w ∈
U + W ist nur dann eindeutig, wenn U ∩ W = {0} gilt, d. h. wenn U und W sozusagen
„unabhängig“ sind. Aus diesem Grund benötigen wir die Bedingung U ∩ W = {0} in
der Definition der direkten Summe.

# Beispiel
Man betrachte die folgenden Unterräume von R3
⎧⎡ ⎤+ ⎫ ⎧⎡ ⎤+ ⎫
+ +
⎨ x1 +
⎪ ⎪
⎬ ⎨ 0 +
⎪ ⎪
⎬
⎢ ⎥+ ⎢ ⎥+
U = ⎣x2 ⎦ + x1 , x2 ∈ R , W = ⎣ 0 ⎦ + x3 ∈ R .
⎪
⎩ + ⎪
⎭ ⎪
⎩ + ⎪
⎭
0 + x3 +

Geometrisch ist U die x1 x2 -Ebene und W die x3 -Achse. Was ist U + W ? Es sind alle
Elemente der Form etwas von U plus etwas von W , d. h.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 0 x1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣x2 ⎦ + ⎣ 0 ⎦ = ⎣x2 ⎦ .
0 x3 x3

Somit ist U + W ganz R3 , d. h. U + W = R3 . Was ist U ∩ W ? Der Unterraum U ∩ W

besteht aus allen Vektoren, welche sowohl in U als auch W liegen. Der einzige Vektor, der
in U und W liegt, ist der Nullvektor, d. h. U ∩ W = {0}. Somit ist U + W eine direkte
Summe (. Abb. 5.7). Wir schreiben deshalb R3 = U ⊕ W .
Beachte, dass man jeden Vektor in R3 wie folgt schreiben kann:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 x1 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣x2 ⎦ = ⎣x2 ⎦ + ⎣ 0 ⎦ ∈ U + W .
x3 0 x3
; <= > ; <= >
∈U ∈W

Diese Darstellung ist eindeutig. Diese Eigenschaft folgt aus der Tatsache, dass U und W
den trivialen Durchschnitt U ∩ W = {0} haben (der Nullvektor ist der einzige Vektor, der
sowohl in U als auch in W liegt). $
282 Kapitel 5 • Vektorräume und Unterräume

a b

. Abb. 5.7 Unterschied zwischen Summe und direkter Summe

# Beispiel
Nun betrachten wir die folgenden Unterräume von R3
⎧⎡ ⎤+ ⎫ ⎧⎡ ⎤+ ⎫
+ +
⎨ x1 +
⎪ ⎪
⎬ ⎨ 0 +
⎪ ⎪
⎬
⎢ ⎥+ ⎢ ⎥+
U = ⎣x2 ⎦ + x1 , x2 ∈ R , W = ⎣x2 ⎦ + x2 , x3 ∈ R .
⎪
⎩ + ⎪
⎭ ⎪
⎩ + ⎪
⎭
0 + x3 +

Es ist U + W = R3 , aber
⎧⎡ ⎤+ ⎫
+
⎨ 0 +
⎪ ⎪
⎬
⎢ ⎥+
U ∩ W = ⎣x2 ⎦ + x2 ∈ R ̸= {0}.
⎪
⎩ + ⎪
⎭
0 +

U + W ist somit keine direkte Summe (. Abb. 5.7). Geometrisch interpretiert man das
Resultat so, dass es mehr als eine Art gibt, Vektoren in V als Summe von Vektoren aus U
und W zu schreiben. Zum Beispiel:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
x1 x1 0 x1 0 x1 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ x2 ⎥ ⎢ x2 ⎥
⎣x2 ⎦ = ⎣x2 ⎦ + ⎣ 0 ⎦ = ⎣ 0 ⎦ + ⎣x2 ⎦ = ⎣ 2 ⎦ + ⎣ 2 ⎦ = usw.
x3 0 x3 0 x3 0 x3
; <= > ; <= > ; <= > ; <= > ; <= > ; <= >
∈U ∈W ∈U ∈W ∈U ∈W

d. h. die Eindeutigkeit der Darstellung v = u + w ∈ U + W geht verloren! $

5.4 • Operationen mit Unterräumen
283 5

Übung 5.25
• ◦ ◦ Man betrachte die folgenden Unterräume von R2 :
1' *+ 4 1' *+ 4
+
x1 + 0 ++
U1 = x1 -Achse = + x1 ∈ R , U2 = x2 -Achse = + x2 ∈ R .
0 + x2 +

Man zeige R2 = U1 ⊕ U2 .

v Lösung
Wir müssen zwei Sachen nachweisen: (1) U1 + U2 = R2 und (2) U1 ∩ U2 = {0}.
1) Jeden Vektor x in R2 kann man wie folgt darstellen:
' * ' * ' *
x x 0
x= 1 = 1 + ⇒ x ∈ U1 + U2
x2 0 x2
; <= > ; <= >
∈U1 ∈U2

Somit U1 + U2 = R2 %
2) Alle Vektoren in U1 haben die Form [x1 , 0]T , während jeder Vektor in U2 die Form
[0, x2 ]T hat. Der einzige Vektor, der sowohl in U1 als auch in U2 liegt, ist der
Nullvektor, d. h. U1 ∩ U2 = {0} %

Da Punkte (1) und (2) erfüllt sind, ist U1 +U2 eine direkte Summe. Wir schreiben somit
R2 = U1 ⊕ U2 . !

Übung 5.26
• • ◦ Es seien Symn (R) und Skewn (R) die Mengen der symmetrischen bzw. schiefsym-
metrischen reellen (n × n)-Matrizen.
a) Man zeige, dass Symn (R) und Skewn (R) Unterräume von Rn×n sind.
b) Man zeige: V = Symn (R) ⊕ Skewn (R).

v Lösung
a) Wir haben bereits in Übung 5.10 gezeigt, dass Symn (R) ein Unterraum von Rn×n
ist. Nun zeigen wir, dass Skewn (R) ein Unterraum ist:
5 Beweis von (UR0): Wegen 0T = −0 gehört 0 zu Skewn (R). %
5 Beweis von (UR1): Es seien A, B ∈ Skewn (R) (⇒ AT = −A und BT = −B).
Mit den Rechenregeln für die Transponierte finden wir dann:

(A + B)T = ;<=>
AT + ;<=>
BT = −(A + B) ⇒ A + B ∈ Skewn (R) %
=−A =−B

5 Beweis von (UR2): Es seien A ∈ Skewn (R) und α ∈ R. Dann gilt:

(α A)T = α ;<=>
AT = −α A ⇒ α A ∈ Skewn (R) %
=−A
284 Kapitel 5 • Vektorräume und Unterräume

b) Wir gehen wie in Übung 5.25 vor, und weisen die folgenden Punkten nach: (1)
Symn (R) + Skewn (R) = Rn×n und (2) Symn (R) ∩ Skewn (R) = {0}.
1) In Übung 1.35 haben wir bereits gezeigt, dass jede reelle (n × n)-Matrix sich als
Summe einer symmetrischen und einer schiefsymmetrischen Matrix schreiben
lässt:

A + AT A − AT
A = S + T, wobei S = ∈ Symn (R) und T = ∈ Skewn (R).
2 2

Somit Symn (R) + Skewn (R) = Rn×n . %

2) Die einzige Matrix, welche sowohl symmetrisch als antisymmetrisch ist, ist die
Nullmatrix. Denn
4
AT = A ⇒ aji = aij
⇒ aij = −aij ⇒ aij = 0
AT = −A ⇒ aji = −aij

Somit Symn (R) ∩ Skewn (R) = {0}. %

Dies zeigt Rn×n = Symn (R) ⊕ Skewn (R). !

Übung 5.27
• • ◦ Es sei V = C 0 (R) der Vektorraum der stetigen Funktionen f : R → R. Man
betrachte die Unterräume der geraden bzw. ungeraden Funktionen

G = {f ∈ C 0 (R) | f (−x) = f (x)}, U = {f ∈ C 0 (R) | f (−x) = −f (x)}

Man zeige: V = G ⊕ U.

v Lösung
Wir müssen die folgenden Sachen nachweisen: (1) G + U = V und (2) G ∩ U = {0}.
(1) Jede Funktion f ∈ C 0 (R) kann man wie folgt darstellen (vgl. Übung 1.35):

f (x) f (x) f (x) f (x) f (−x) f (−x)

f (x) = + = + + −
2 2 2 2 2 2
f (x) + f (−x) f (x) − f (−x)
= + = g(x) + u(x).
; 2
<= > ; 2
<= >
=:g(x) =:u(x)

Die Funktion g(x) ist gerade, d. h. g ∈ G

f (−x) + f (x) f (x) + f (−x)

g(−x) = = = g(x).
2 2

Die Funktion u(x) ist ungerade, d. h. g ∈ U

f (−x) − f (x) f (x) − f (−x)

u(−x) = =− = −u(x).
2 2
5.4 • Operationen mit Unterräumen
285 5
Somit können wir jede Funktion f ∈ C 0 (R) als Summe einer geraden und einer
ungeraden Funktion schreiben. Daraus folgt: G + U = V . %
(2) Die einzige Funktion, welche sowohl gerade als auch ungerade, ist die Nullfunkti-
on. Denn

f (−x) = f (x) und f (−x) = −f (x) ⇒ f (x) = −f (x) ⇒ f (x) = 0

Somit G ∩ U = {0}. %

Dies zeigt V = G ⊕ U. !

Übung 5.28
• • ◦ Es sei V = Rm×n der Vektorraum der reellen (m × n)-Matrizen. Man betrachte
die Teilmenge der Blockdiagonalmatrizen:
1 + ' * 4
+ A1 0
m×n + p×q r×s
B= A∈R +A = , A1 ∈ R , A2 ∈ R
+ 0 A2

mit p + r = m und q + s = n.
a) Man zeige, dass B ein Unterraum von V ist.
b) Man zeige B = B1 ⊕ B2 , wobei
1 + ' * 4
+ A1 0
m×n + p×q
B1 = A ∈ R +A = , A1 ∈ R
+ 0 0
1 + ' * 4
+ 0 0
m×n + r×s
B2 = A ∈ R +A = , A2 ∈ R
+ 0 A2

c) Aufgrund von Teilaufgabe (b), führt man eine neue Operation

' für*Matrizen ein: die
A 0
direkte Summe von Matrizen, definiert durch A ⊕ B := . Man berechne
0 B
/ 0
(2 1 2) 1 −1
012 ⊕ 2 0 .
−1 5

v Lösung
a) Wir zeigen, dass B die drei Eigenschaften eines Unterraumes erfüllt:
5 Beweis von (UR0): Die (m × n)-Nullmatrix kann man als eine Blockdiagonal-
' *
00
matrix auffassen 0 = . Daraus folgt 0 ∈ B. %
00
5 Beweis von (UR1): Es seien nun A, B ∈ B zwei Blockdiagonalmatrizen. Dann
ist deren Summe
' * ' * ' *
A1 0 B1 0 A1 + B1 0
A+B = + = ∈B%
0 A2 0 B2 0 A2 + B2
286 Kapitel 5 • Vektorräume und Unterräume

5 Beweis von (UR2): Es seien A ∈ B und α ∈ R. Dann gilt:

' * ' * ' *
A1 0 A1 0 α A1 0
A= ∈ B ⇒ αA = α = ∈B%
0 A2 0 A2 0 α A2

b) Um B = B1 ⊕ B2 zu zeigen, müssen wir die folgenden Punkten überprüfen: (1)

B1 + B2 = B und (2) B1 ∩ B2 = {0}.
1) Jede Blockdiagonalmatrix A ∈ B lässt sich wie folgt schreiben:
' * ' * ' *
A1 0 A1 0 0 0
A= = + ∈ B1 + B2 .
0 A2 0 0 0 A2
; <= > ; <= >
∈B1 ∈B2

Somit B1 +'B2 = B.*%

A1 0
2) Es sei A = ∈ B1 ∩ B2 . Dann gilt:
0 A2
* ' ⎫
A1 0 ⎪
⎪
A ∈ B1 ⇒ A = d. h. A2 = 0 ⎪
⎪
⎬
' 0 0 * ⇒ A1 = A2 = 0 ⇒ A = 0.
0 0 ⎪
⎪
A ∈ B2 ⇒ A = d. h. A1 = 0 ⎪
⎪
⎭
0 A2

Somit B1 ∩ B2 = {0}. %

Dies zeigt B = B1 ⊕ B2 . ⎡ ⎤
2 1 2 0 0
⎡ ⎢ ⎤ ⎥
' * 1 −1 ⎢0 1 2 0 0 ⎥
212 ⎢ ⎥ ⎢ ⎥
c) ⊕⎣ 2 0 ⎦=⎢⎢0 0 0 1 −1 ⎥
⎥. !
012 ⎢ ⎥
−1 5 ⎣0 0 0 2 0 ⎦
0 0 0 −1 5

Übung 5.29
• • ◦ Es sei V = U ⊕ W . Man zeige: Jedes v ∈ V kann auf nur eine Weise als v = u + w
geschrieben werden, wobei u ∈ U und w ∈ W .

v Lösung
Es sei V = U ⊕W . Per Definition heißt dies V = U +W und U ∩W = {0}. Es sei v ∈ V .
Wegen V = U + W gibt es u ∈ U und w ∈ W mit v = u + w. Wir wollen zeigen, dass
diese Zerlegung eindeutig ist. Nehmen wir an, dass es eine weitere Zerlegung v = u′ +w′
gibt mit u′ ∈ U und w′ ∈ W . Dann ist v = u + w = u′ + w′ ⇒ u − u′ = w − w′ . Weil U
ein Unterraum ist, ist u − u′ ∈ U. Analog ist w − w′ ∈ W . Aus u − u′ = w − w′ folgt
u − u′ , w − w′ ∈ U ∩ W . Wegen U ∩ W = {0} finden wir u − u′ = 0 und w − w′ = 0,
d. h. u = u′ und w = w′ . Die Zerlegung v = u + w ∈ U + W ist somit eindeutig. !
 287 6

Vektorraumstruktur: Basis,
Dimension und
Koordinaten
Inhaltsverzeichnis

6.1 Linearkombinationen, Span und

Erzeugendensysteme – 289
6.1.1 Linearkombinationen – 289
6.1.2 Span – 292
6.1.3 Erzeugendensysteme – 296

6.2 Lineare Abhängigkeit und

Unabhängigkeit – 297
6.3 Basis, Dimension und Koordinaten – 307
6.3.1 Basis – 307
6.3.2 Dimension – 309
6.3.3 Koordinaten – 316
6.3.4 Folgerung: Endlichdimensionale Vektorräume V
sind isomorph zum Kn – 322

6.4 Berechnungsmethoden – 323

6.4.1 Das Rangkriterium – 324
6.4.2 Das Determinantenkriterium – 325
6.4.3 Lineare Unabhängigkeit von Abbildungen und die
Wronski-Determinante – 325
6.4.4 Beispiele – 327

6.5 Basiswechsel – 350

6.5.1 Basiswechsel zwischen der Standardbasis E und
einer anderen Basis B – 350

© Der/die Autor(en), exklusiv lizenziert durch Springer Nature Switzerland AG 2022

T. C. T. Michaels, M. Liechti, Prüfungstraining Lineare Algebra, Grundstudium Mathematik
Prüfungstraining, [Link]
6.5.2 Basiswechsel zwischen zwei allgemeinen
Basen – 353
6.5.3 Beispiele – 356
6.1 • Linearkombinationen, Span und Erzeugendensysteme
289 6
Im letzten Kapitel haben wir die Begriffe „Vektorraum“ und „Unterraum“ eingeführt
und diese anhand von mehreren Beispielen eingeübt. Wir wollen uns jetzt mit der
Struktur dieser Vektorräume (oder Unterräume) beschäftigen. Grundsätzlich geht es
darum, die folgenden wichtigen Fragen zu beantworten:
5 Wie „gross“ ist ein vorgelegter Vektorraum?
5 Wie sieht ein beliebiges Element aus einem solchen Vektorraum aus?

Diese Fragen kann man mit zentralen Begriffen wie Basis, Dimension und Koordina-
ten treffend beantworten.

n LERNZIELE
Nach gewissenhaftem Bearbeiten des 7 Kap. 6 sind Sie in der Lage:
5 wichtige Vektorraumstrukturen wie Basis, Dimension und Koordinaten zu erklären
und anzuwenden,
5 wichtige Vektorraumstrukturen wie Basis, Dimension und Koordinaten algebraisch
und geometrisch zu interpretieren,
5 lineare Unabhängigkeit von Vektoren und Erzeugendensysteme zu erklären,
5 das Konzept von Basis anhand typischer Beispiele erklären und anzuwenden,
5 das Rangkriterium und Determinanten-Kriterium anwenden und daraus wichtige
Schlüsse über lineare Unabhängigkeit, Erzeugendensysteme und Basis zu ziehen,
5 das Prinzip der Basiswechsel für Vektoren zu verstehen und praktisch durchzufüh-
ren

6.1 Linearkombinationen, Span und Erzeugendensysteme

Im Folgenden seien:
5 V = Vektorraum über dem Körper K (z. B. V = Rn , Rm×n , Pn (R), usw.);
5 u, v, w, · · · ∈ V = Elemente (Vektoren) aus V (es könnten übliche Vektoren,
Matrizen, Polynome usw. sein)
5 α, β, γ , · · · ∈ K = Skalare (d. h. Zahlen aus dem Körper K = R, C usw.)

6.1.1 Linearkombinationen

Es seien v1 , v2 , · · · , vk Vektoren aus V .

# Definition 6.1 (Linearkombination)

Der Ausdruck

k
D
α1 v1 + α2 v1 + · · · + αk vk = αi vi (6.1)
i=1

heißt eine Linearkombination der Vektoren v1 , v2 , · · · , vk mit den Koeffizienten

α1 , α2 , · · · , αk ∈ K. $
290 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Beispiele

Übung 6.1 ' * ' * ' *

1 −3 4
◦ ◦ ◦ Es seien v1 = , v2 = , v3 = . Man berechne die folgenden
2 2 0
Linearkombinationen
a) u = 2v1 + v2 − 3v3 ,
b) w = v1 − v2 + v3 .

v Lösung ' * ' * ' * ' *

1 −3 4 −13
a) u = 2v1 + v2 − 3v3 = 2 + −3 = .
2 2 0 6
' * ' * ' * ' *
1 −3 4 8
b) w = v1 − v2 + v3 = − + = . !
2 2 0 0

Übung 6.2 ' * ' * ' *

1 1 1
◦ ◦ ◦ Man betrachte v1 = , v2 = ,w= . Man schreibe den Vektor w als
3 5 1
Linearkombination von v1 und v2 .

v Lösung
Wir suchen zwei Zahlen α1 , α2 ∈ R, sodass gilt
' * ' * ' * ' *
1 1 α1 + α2 ! 1
w = α1 v1 + α2 v1 ⇒ α1 + α2 = = .
3 5 3α1 + 5α3 1

Wir erhalten ein LGS für α1 , α2 , das wir mit dem Gauß-Algorithmus lösen können:
1 ' * ' *
α1 + α2 = 1 (Z1 ) 1 1 1 (Z2 ) − 3(Z1 ) 1 1 1
" [A|b] = " = Z.
3α1 + 5α2 = 1 (Z2 ) 3 5 1 0 2 −2

Aus der zweiten Gleichung folgt α2 = −1. Aus der ersten Gleichung folgt entsprechend
α1 = 2. Somit ist w eine Linearkombination von v1 und v2 und zwar w = 2v1 − v2 . !

In den folgenden Beispielen erzeugen wir Linearkombinationen von „verallgemeiner-

ten“ Vektorraumelementen, wie Polynome oder Matrizen.

Übung 6.3
• ◦ ◦ Ist das Polynom p(x) = 3x3 − 2x2 − x eine Linearkombination der Polynomen
p1 (x) = x3 − x und p2 (x) = x3 − x2 ?
6.1 • Linearkombinationen, Span und Erzeugendensysteme
291 6
v Lösung
Wir suchen zwei Skalare α1 , α2 ∈ R, sodass gilt

p(x) = α1 p1 (x) + α2 p2 (x) ⇒ α1 (x3 − x) + α2 (x3 − x2 ) = (α1 + α2 )x3 − α2 x2 − α1 x

!
= 3x3 − 2x2 − x.

Der Koeffizientenvergleich liefert ein LGS für α1 , α2 :

⎧
⎪
⎨ α1 + α2 = 3 (Z1 )
− α2 = −2 (Z2 )
⎪
⎩
−α1 = −1 (Z3 )

Die Lösung ist α1 = 1, α2 = 2. Somit ist p(x) eine Linearkombination von p1 (x) und
p2 (x) und zwar p(x) = p1 (x) + 2p2 (x).
Kontrolle: p1 (x) + 2p2 (x) = (x3 − x) + 2(x3 − x2 ) = 3x3 − 2x2 − x ! "

Übung 6.4
• ◦ ◦ Man betrachte die Matrizen
% & % & % & % &
1 1 10 21 0 1
A1 = , A2 = , A3 = , A4 =
1 −1 01 11 −1 1
% &
−1 1
Man schreibe A = als Linearkombination von A1 , A2 , A3 und A4 .
3 1

v Lösung
Wir suchen vier Skalare α1 , α2 , α3 , α4 ∈ R derart, dass gilt A = α1 A1 + α2 A2 + α3 A3 +
α4 A4 d. h.
% & % & % & % &
1 1 10 21 0 1
α1 + α2 + α3 + α4 =
1 −1 01 11 −1 1
% & % &
α + α2 + 2α3 α1 + α3 + α4 ! −1 1
= 1 = .
α1 + α3 − α4 −α1 + α2 + α3 + α4 3 1

Der Koeffizientenvergleich liefert ein LGS für α1 , α2 , α3 , α4 :

⎧
⎪
⎪ α1 + α2 + 2α3 = −1 (Z1 )
⎪
⎨ α1 + α3 + α4 =1 (Z2 )
⎪
⎪
⎪ α1 + α3 − α4 =3 (Z3 )
⎩
−α1 + α2 + α3 + α4 =1 (Z4 )

Die Lösung mittels Gauß-Algorithmus ist α1 = −5, α2 = −10, α3 = 7 und α4 = −1.

Somit ist A eine Linearkombination der Matrizen A1 , A2 , A3 und A4 :
292 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

A = −5A1 − 10A2 + 7A3 − A4 .

% & % & % & % & % &
1 1 10 21 0 1 −1 1
Kontrolle: −5 − 10 +7 − = ! "
1 −1 01 11 −1 1 3 1

6.1.2 Span

Die Menge aller möglichen Linearkombinationen der Vektoren v1 , · · · , vk heißt Span

(oder lineare Hülle) von v1 , · · · , vk .

# Definition 6.2 (Span ⟨ S⟩)

Es sei S = {v1 , · · · , vk } ⊂ V eine Teilmenge von V . Der Span von S, welcher mit ⟨S⟩
bezeichnet wird, ist die Menge aller möglichen Linearkombinationen der Vektoren aus S

⎧ ( ⎫
⎨ k ( ⎬
' (
⟨S⟩ := α1 v1 + · · · + αk vk = αi vi (( vi ∈ S, αi ∈ K (6.2)
⎩ ( ⎭
i=1

> Bemerkung
Alternative Bezeichnungen für ⟨S⟩ sind: span(S), L(A), L(A).

> Bemerkung
Der Span der leeren Menge wird definiert als ⟨∅⟩ = {0}.

# Satz 6.1
⟨S⟩ ist der kleinste Unterraum von V , der S enthält. $

Geometrische Deutung
Was ist die geometrische Deutung des Spans? ⟨S⟩ ist die Menge aller möglichen Line-
arkombinationen von Elementen von S. Für Vektoren in Rn gilt somit (. Abb. 6.1):
5 ⟨v⟩ ist die Gerade, welche durch dem Vektor v aufgespannt wird:

⟨v⟩ = {α v | α ∈ R}.

5 ⟨v, w⟩ ist die Ebene, welche durch den Vektoren v, w aufgespannt wird:

⟨v, w⟩ = {α v + βw | α, β ∈ R}.
6.1 • Linearkombinationen, Span und Erzeugendensysteme
293 6
a b

. Abb. 6.1 Grafische Darstellung des Spans von Vektoren in Rn . (a) Der Span eines einzelnen Vektors
v ist eine Gerade. (b) Der Span von zwei linear anabhängigen Vektoren ist eine Ebene. (c) Der Span der
Einheitsvektoren e1 = [1, 0, 0]T , e2 = [0, 1, 0]T , e3 = [0, 0, 1]T in R3

# Beispiel
⎡ ⎤ ⎧ ⎡ ⎤( ⎫ ⎧⎡ ⎤( ⎫
, 1 3 ⎪
⎨ 1 (( ⎪
⎬ ⎪
⎨ α (
( ⎪
⎬
⎢ ⎥ ⎢ ⎥( ⎢ ⎥(
⎣0⎦ = α ⎣0⎦ ( α ∈ R = ⎣ 0 ⎦ ( α ∈ R = x1 -Acshe.
⎪
⎩ ( ⎪
⎭ ⎪
⎩ ( ⎪
⎭
0 0 ( 0 (
⎡ ⎤ ⎡ ⎤ ⎧ ⎡ ⎤ ⎡ ⎤( ⎫ ⎧⎡ ⎤( ⎫
, 1 0 3 ⎪⎨ 1 0 (( ⎪
⎬ ⎪ ⎨ α (
( ⎪
⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥( ⎢ ⎥(
⎣0⎦ ⎣1⎦
, = α ⎣0⎦ + β ⎣1⎦ ( α, β ∈ R = ⎣β ⎦ ( α, β ∈ R = x1 x2 -Ebene.
⎪
⎩ ( ⎪
⎭ ⎪ ⎩ ( ⎪
⎭
0 0 0 0 ( 0 (

Der Begriff des Spans gilt nicht nur für Vektoren in Rn , sondern allgemein für
Elemente eines Vektorraumes, ob Polynome oder Matrizen. In der Tat haben wir im
vorausgegangenen Kapitel gelernt, dass solche Objekte als „verallgemeinerte Vekto-
ren“ des entsprechenden Vektorraumes interpretiert werden können. Betrachten wir
hierzu zwei Beispiele.
294 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

# Beispiel
Das Polynom p(x) = a0 + a1 x + a2 x2 kann man als Linearkombination der Polynome
1, x, x2 auffassen. Die Menge P2 (R) aller Polynome vom Grad kleiner oder gleich 2 ist
somit der Span von {1, x, x2 }:

⟨1, x, x2 ⟩ = {a0 + a1 x + a2 x2 | a0 , a1 , a2 ∈ R} = P2 (R). $

# Beispiel
Man kann jede reelle (2 × 2)-obere Dreiecksmatrix als Linearkombination der 3 Matrizen
41 05 40 15 40 05
0 0 , 0 0 , 0 1 darstellen. Denn
% & % & % & % &
ab 10 01 00
=a +b +c .
0c 00 00 01

Es gilt somit
,% & % & % &3 6 % & ( 7
10 01 00 a b ((
, , = ( a, b, c ∈ R
00 00 01 0c (

= (2 × 2)-obere Dreiecksmatrizen. $

Übung 6.5
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
, 2 1 1 3 1
⎢2⎥ ⎢ 1 ⎥ ⎢1⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
• ◦ ◦ Es seien V = ⎢ ⎥ , ⎢ ⎥ , ⎢ ⎥ und a = ⎢ ⎥ . Ist a ∈ V ?
⎣1⎦ ⎣ 2 ⎦ ⎣0⎦ ⎣1⎦
1 −1 3 0

v Lösung
V = ⟨v1 , v2 , v3 ⟩ ist der Span der 3 Vektoren
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 1
⎢2⎥ ⎢1⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v1 = ⎢ ⎥ , v2 = ⎢ ⎥ , v3 = ⎢ ⎥ ,
⎣1⎦ ⎣2⎦ ⎣0⎦
1 −1 3

d. h. die Menge aller Linearkombinationen von v1 , v2 und v3 . Der Vektor a liegt somit
in V genau dann, wenn a eine Linearkombination von v1 , v2 , v3 ist. Ist dies der Fall?
Wir suchen Zahlen α1 , α2 , α3 ∈ R, sodass a = α1 v1 + α2 v2 + α3 v3 gilt. Wir erzeugen
ein LGS für α1 , α2 , α3 , das wir mit dem Gauß-Algorithmus lösen:
⎧ ⎡ ⎤
⎪
⎪ 2α1 + α2 + α3 = 1 (Z1 ) 2 1 1 1
⎪
⎨ 2α ⎢
1 + α2 + α3 = 1 (Z2 ) ⎢2 1 1 1⎥⎥
% [A|b] = ⎢ ⎥
⎪ α1
⎪
⎪ + 2α2 =1 (Z3 ) ⎣1 2 0 1⎦
⎩
α1 − α2 + 3α3 = 0 (Z4 ) 1 −1 3 0
6.1 • Linearkombinationen, Span und Erzeugendensysteme
295 6
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 1 1 (Z2 ) − (Z1 ) 2 1 1 1 2 1 1 1
2(Z3 ) − (Z1 )
⎢2 1⎥ ⎢0 0 ⎥ ⎢0
⎢ 1 1 ⎥ 2(Z4 ) − (Z1 ) ⎢ 0 0 ⎥ (Z4 ) + (Z3 ) ⎢ 0 0 0⎥⎥
⇒ ⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥ = Z.
⎣1 2 0 1⎦ ⎣0 3 −1 1 ⎦ ⎣0 3 −1 1⎦
1 −1 3 0 0 −3 5 −1 0 0 4 0

Aus der letzten Gleichung folgt α3 = 0. Aus der dritten Gleichung folgt somit 3α2 =
1 + α3 ⇒ α2 = 1/3, woraus sich aus der ersten Gleichung 2α1 = 1 − α2 − α3 ⇒
α1 = 1/3 ergibt. Der Vektor a = (v1 + v2 )/3 ist eine Linearkombination von v1 , v2 , v3 ,
d. h. a ∈ V = ⟨v1 , v2 , v3 ⟩. "

Übung 6.6
• ◦ ◦ Sei V = P2 (R) der Vektorraum der reellen Polynomen vom Grad ≤ 2.
a) Man finde den kleinsten Unterraum U von V der 1 + x und x + x2 enthält.
b) Ist p(x) = (x + 1)2 ∈ U?
c) Ist q(x) = x − x2 ∈ U?

v Lösung
a) Der kleinste Unterraum U von V , der 1 + x und x + x2 enthält, ist der Span von
1 + x und x + x2 (Satz 6.1), d. h.

U = ⟨1 + x, x + x2 ⟩ = {a(1 + x) + b(x + x2 ) = a + (a + b)x + bx2 | a, b ∈ R}.

U ist somit der Unterraum der Polynomen der Form a+(a+b)x+bx2 mit a, b ∈ R.
b) Es gilt p(x) = (x + 1)2 = x2 + 2x + 1 = x2 + (1 + 1)x + 1. Somit ist p(x) der Form
a + (a + b)x + bx2 mit a = b = 1. Also p(x) ∈ U.
!
c) Wir suchen a, b ∈ R derart, dass q(x) = x − x2 = a + (a + b)x + bx2 gilt. Der
Koeffizientenvergleich liefert
⎧
⎪
⎨a = 0
⎪
a+b=1
⎪
⎪
⎩
b = −1

Dies LGS hat keine Lösung. Somit q(x) ∈

/ U. "

Übung 6.7 89 1 : 9 0 :;
• ◦ ◦ Es sei K = Z2 . Man gebe alle Vektoren in V = 1 , 1 explizit an.
0 1

v Lösung 91: 90:

V enthält alle Linearkombinationen der Vektoren v1 = 1 , v2 = 1 . V enthält also
0 1
alle Vektoren der Form α1 v1 + α2 v2 , wobei die Koeffizienten Elemente des Körpers
K = Z2 sind. Weil Z2 = {0, 1}, gibt es genau vier solche Linearkombinationen:
296 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

91: 0
9 :0
9 :
5 α1 = 0, α2 = 0 ⇒ 0 1 +0 1 = 0 .
901 : 910 : 901 :
5 α1 = 1, α2 = 0 ⇒1 1 +0 1 = 1 .
9 10: 9 01: 9 00:
5 α1 = 0, α2 = 1 ⇒0 1 +1 1 = 1 .
9 01 : 9 10 : 9 11 : 91:
5 α1 = 1, α2 = 1 ⇒1 1 +1 1 = 2 = 0 .
0 1 1 1

89 1 : 9 0 :; <9 0 : 9 1 : 9 0 : 9 1 :=
Wir erhalten: V = 1 , 1 = 0 , 1 , 1 , 0 . "
0 1 0 0 1 1

6.1.3 Erzeugendensysteme

Kann man mittels Linearkombinationen der Vektoren v1 , · · · , vk den ganzen Vektor-

raum V aufspannen, so spricht man von einem Erzeugendensystem von V .

# Definition 6.3 (Erzeugendensystem)

S ⊂ V heißt Erzeugendensystem von V , falls jeder Vektor aus V sich als Linearkombination
von Vektoren aus S darstellen lässt. Mit anderen Worten: S ist ein Erzeugendensystem von
V , falls ⟨S⟩ = V . $

Betrachten wir exemplarisch drei Beispiele.

# Beispiel
Jeder Vektor in V = R3 kann man wie folgt schreiben
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
a 1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣b⎦ = a ⎣0⎦ + b ⎣1⎦ + c ⎣0⎦ , a, b, c ∈ R
c 0 0 1

d. h. als Linearkombination der folgenden 3 Vektoren

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
e1 = ⎣0⎦ , e2 = ⎣1⎦ , e3 = ⎣0⎦ .
0 0 1

Die Vektoren {e1 , e2 , e3 } bilden also ein Erzeugendensystem von R3

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
, 1 0 0 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 3
⎣0⎦ , ⎣1⎦ , ⎣0⎦ = R . $
0 0 1
6.2 • Lineare Abhängigkeit und Unabhängigkeit
297 6
# Beispiel
Jedes Polynom in V = Pn (R)

n
'
p(x) = a0 + a1 x + a2 x2 + · · · + an xn = ai xi , ai ∈ R
i=0

kann man als Linearkombination der Polynome 1, x, x2 , · · · , xn auffassen. Die Menge

{1, x, x2 , · · · , xn } ist somit ein Erzeugendensystem von Pn (R):

⟨1, x, x2 , · · · , xn ⟩ = Pn (R). $

# Beispiel
Es sei V = R2×2 der Vektorraum aller reellen (2 × 2)-Matrizen. Jede Matrix in R2×2 lässt
sich als Linearkombination der 4 Matrizen
% & % & % & % &
10 01 00 00
E11 = , E12 = , E21 = , E22 =
00 00 10 01

schreiben. Denn
% & % & % & % & % &
ab 10 01 00 00
=a +b +c +d , a, b, c, d ∈ R.
cd 00 00 10 01

Es folgt
,% & % & % & % &3
10 01 00 00
, , , = R2×2 .
00 00 10 01

Die Matrizen {E11 , E12 , E21 , E22 } sind somit ein Erzeugendensystem von R2×2 . $

6.2 Lineare Abhängigkeit und Unabhängigkeit

# Definition 6.4 (Lineare Abhängigkeit und Unabhängigkeit)
v1 , v2 , · · · , vk ∈ V heißen linear unabhängig, wenn die Gleichung

k
'
α1 v1 + α2 v2 + · · · + αk vk = αi vi = 0 (6.3)
i=1

exakt die Lösung α1 = α2 = · · · = αk = 0 hat. $

Sind v1 , v2 , · · · , vk nicht linear unabhängig, so heißen die Vektoren linear abhängig.

In diesem Fall hat die Gleichung
298 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

k
'
α1 v1 + α2 v2 + · · · + αk vk = αi vi = 0 (6.4)
i=1

eine nichttriviale Lösung (α1 , α2 , · · · , αk ) ̸= (0, 0, · · · , 0). Man sagt: α1 v1 + α2 v2 +

· · · + αk vk ist eine nichttriviale Darstellung der Null.

> Bemerkung
Beachte:
5 S = {0} ist per Definition linear abhängig.
5 Die Menge bestehend aus einem einzigen Vektor v ̸= 0 ist linear unabhängig.

Eine sehr nützliche Eigenschaft von linear unabhängigen Vektoren ist im folgenden
Satz enthalten (vgl. Basis und Koordinaten):

# Satz 6.2
Eine Menge S von Vektoren ist genau dann linear unabhängig, wenn jeder Vektor v ∈ ⟨S⟩
auf nur eine Art als Linearkombination von Vektoren aus S dargestellt werden kann. $

Übung 6.8
• ◦ ◦ Sind% die
& folgenden
% & Vektoren linear abhängig?
1 2
a) v1 = , v2 = ,
3 6
% & % &
1 2
b) v1 = , v2 = .
1 3

v Lösung
a) Laut Definition fragen wir uns, ob es Zahlen α1 , α2 ∈ R gibt mit
% & % & % & % &
1 2 α1 + 2α2 ! 0
α1 v1 + α2 v2 = 0 ⇒ α1 + α2 = = .
3 6 3α1 + 6α2 0

Wir erhalten ein LGS für α1 , α2 , das wir mit dem Gauß-Algorithmus lösen können:
6 % & % &
α1 + 2α2 = 0 (Z1 ) 1 2 0 (Z2 ) − 3(Z1 ) 1 2 0
% [A|b] = % = Z.
3α1 + 6α2 = 0 (Z2 ) 3 6 0 0 0 0

Eine Variable ist somit frei, zum Beispiel α2 = t. Daraus folgt α1 = −2α2 = −2t.
Die Lösungsmenge ist somit
6% & (% & % & 7
( α
α1 ( 1 −2
L= ∈ R2 ( =t ,t∈R .
α2 ( α2 1
6.2 • Lineare Abhängigkeit und Unabhängigkeit
299 6
Das LGS hat eine nichttriviale Lösung. Die Vektoren v1 , v2 sind somit linear
abhängig.
Alternative: Man sieht auch durch genaues „Hingucken“, dass v2 = 2v1 ⇒ v1 , v2
sind linear abhängig!
b) Wir gehen wie in Teilaufgabe (a) vor und suchen Zahlen α1 , α2 ∈ R mit
% & % & % & % &
1 2 α1 + 2α2 ! 0
α1 v1 + α2 v2 = 0 ⇒ α1 + α2 = = .
1 3 α1 + 3α2 0

Wir bekommen somit ein LGS für α1 , α2 , das wir mit dem Gauß-Algorithmus lösen
können:
6 % & % &
α1 + 2α2 = 0 (Z1 ) 1 2 0 (Z2 ) − (Z1 ) 1 2 0
% [A|b] = % = Z.
α1 + 3α2 = 0 (Z2 ) 1 3 0 0 1 0

Die einzige Lösung ist α1 = α2 = 0 (triviale Lösung). Die Vektoren v1 , v2 sind

somit linear unabhängig. "

Übung 6.9 ⎡1⎤ ⎡0⎤ ⎡0⎤

0 1 0
• ◦ ◦ Man zeige, dass e1 = ⎣ .. ⎦, e2 = ⎣ .. ⎦, · · · , en = ⎣ .. ⎦ linear unabhängig sind.
. . .
0 0 1

v Lösung
Wir suchen alle Lösungen der Gleichung
⎡ ⎤ ⎡ ⎤
α1 0
⎢α ⎥ ⎢0⎥
⎢ 2⎥ ! ⎢ ⎥
α1 e1 + α2 e2 + · · · + αn en = 0 ⇒ ⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ = ⎢ .. ⎥ .
⎣ . ⎦ ⎣.⎦
αn 0

Die einzige Lösung ist α1 = α2 = · · · = αn = 0 (triviale Lösung). Die Vektoren

e1 , e2 , · · · , en sind somit linear unabhängig. "

Übung 6.10
• ◦ ◦ Sind die folgenden Matrizen linear abhängig oder unabhängig?
% & % & % &
11 1 0 10
A1 = , A2 = , A3 = .
01 0 −1 01
300 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

v Lösung
Wir suchen Zahlen α1 , α2 , α3 ∈ R mit
% & % &
α1 + α2 + α3 α1 ! 00
α1 A1 + α2 A2 + α3 A3 = 0 ⇒ = .
0 α1 − α2 + α3 00

Wir erhalten ein LGS für α1 , α2 , α3 , das wir mit dem Gauß-Algorithmus lösen können:
⎧ ⎡ ⎤
⎨ α1 +
⎪ α2 + α3 = 0 (Z1 ) 1 1 1 0
⎢ ⎥
α1 =0 (Z2 ) % [A|b] = ⎣ 1 0 0 0 ⎦
⎪
⎩
α1 − α2 + α3 = 0 (Z3 ) 1 −1 1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 0 (Z2 ) − (Z1 ) 1 1 1 0 1 1 1 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − 2(Z2 ) ⎢ ⎥
⇒ ⎣1 0 0 0⎦ % ⎣ 0 −1 −1 0 ⎦ % ⎣ 0 −1 −1 0 ⎦ = Z.
1 −1 1 0 0 −2 0 0 0 0 2 0

Die einzige Lösung ist α1 = α2 = α3 = 0 (triviale Lösung). Die Matrizen A1 , A2 , A3

sind somit linear unabhängig. "

Übung 6.11
• ◦ ◦ Man zeige, dass die Polynome 1, x, x2 linear unabhängig sind.

v Lösung
1, x, x2 sind genau dann linear unabhängig, wenn aus λ0 + λ1 x + λ2 x2 = 0 folgt λ0 =
λ1 = λ2 = 0. Wir betrachten also die folgende Gleichung

λ0 + λ1 x + λ2 x2 = 0

in den Unbekannten λ0 , λ1 , λ2 . Diese Gleichung muss für alle x ∈ R gelten. Der Trick
bei solchen Aufgaben ist: Wir werten diese Gleichung an drei unterschiedlichen Stellen
aus, z. B. x = 0, 1, −1:

x=0: λ0 = 0
x=1: λ0 + λ1 + λ2 = 0
x = −1 : λ0 − λ1 + λ2 = 0

Dadurch erhalten wir ein LGS für λ0 , λ1 , λ2 , das wir mit dem Gauß-Algorithmus lösen
können:
⎧ ⎡ ⎤
⎪
⎨ λ0 =0 (Z1 ) 1 0 0 0
⎢ ⎥
λ0 + λ1 + λ2 = 0 (Z2 ) % [A|b] = ⎣ 1 1 1 0 ⎦
⎪
⎩
λ0 − λ1 + λ2 = 0 (Z3 ) 1 −1 1 0
6.2 • Lineare Abhängigkeit und Unabhängigkeit
301 6
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 0 (Z2 ) − (Z1 ) 1 0 0 0 1 0 0 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) + (Z2 ) ⎢ ⎥
⇒ ⎣1 1 1 0⎦ % ⎣0 1 1 0⎦ % ⎣ 0 1 1 0 ⎦ = Z.
1 −1 1 0 0 −1 1 0 0 0 2 0

Die einzige Lösung ist λ0 = λ1 = λ2 = 0. Die Polynome 1, x und x2 sind somit linear
unabhängig. "

Übung 6.12
• • ◦ Man zeige, dass sin(x), sin(2x) und sin(3x) linear unabhängig sind.

v Lösung
sin(x), sin(2x) und sin(3x) sind genau dann linear unabhängig, wenn die Gleichung

λ1 sin(x) + λ2 sin(2x) + λ3 sin(3x) = 0

nur die triviale Lösung λ1 = λ2 = λ3 = 0 hat. Wir werten diese Gleichung an drei
Stellen aus (Trick wie in Übung 6.11), z. B. x = π/2, π/3, π/4:
>π ? D E
π 3π
x= : λ1 sin +λ2 sin (π) +λ3 sin = 0 ⇒ λ1 − λ3 = 0
2 2
@ AB C
@ AB C 2
=0 @ AB C
=1 =−1
>π ? D E
π 2π
x= : λ1 sin +λ2 sin +λ3 sin (π ) = 0 ⇒ λ1 + λ2 = 0
3 @ AB 3 C 3 @ AB C
√ @ AB√
C =0
3
= 2 = 3
2

>π ? >π ? D E √
π 3π
x= : λ1 sin +λ2 sin +λ3 sin = 0 ⇒ λ1 + 2λ2 + λ3 = 0.
4 @ AB4 C @ AB2 C 4
@ AB C
= √1 =1
2 = √1
2

Wir erzeugen dadurch ein LGS für λ1 , λ2 , λ3 , das wir mit dem Gauß-Algorithmus wie
üblich lösen:
⎧ ⎡ ⎤
⎪
⎨ λ1 − λ3 = 0 (Z1 ) 1 0 −1 0
⎢ ⎥
λ1 + λ2 =0 (Z2 ) % [A|b] = ⎣ 1 1 0 0 ⎦
⎪
⎩ √ √
λ1 + 2λ2 + λ3 = 0 (Z3 ) 1 2 1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 −1 0 (Z2 ) − (Z1 ) 1 0 −1 0 √ 1 0 −1 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − 2(Z2 ) ⎢ ⎥
⇒ ⎣1 1 0 0⎦ % ⎣0 1 1 0⎦ % ⎣0 1 1 0 ⎦ = Z.
√ √ √
1 2 1 0 0 2 2 0 0 0 2− 2 0

Die einzige Lösung ist λ1 = λ2 = λ3 = 0. Die drei Abbildungen sin(x), sin(2x) und
sin(3x) sind linear unabhängig. "
302 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Übung 6.13
• • ◦ Es sei n ∈ N. Man zeige, dass die Abbildungen

1
ϕm (x) = , m = 0, 1, 2, · · · , n
x+m

linear unabhängig sind.

v Lösung
Wir müssen zeigen, dass die Gleichung

α0 ϕ0 (x) + α1 ϕ1 (x) + · · · + αn ϕn (x) = 0

nur die triviale Lösung α0 = α1 = · · · = αn = 0 zulässt. Umformen liefert

α0 α1 αn
0 = α0 ϕ0 (x) + α1 ϕ1 (x) + · · · + αn ϕn (x) = + + ··· +
x x+1 x+n
α0 (x + 1) · · · (x + n) + α1 x(x + 2) · · · (x + n) + · · · + αn x(x + 1) · · · (x + n − 1)
= ,
x(x + 1) · · · (x + n)

woraus wir schließen:

α0 (x + 1) · · · (x + n) + α1 x(x + 2) · · · (x + n) + · · · + αn x(x + 1) · · · (x + n − 1) = 0.

Der Trick ist nun: Der erste Term ist proportional zu (x + 1) · · · (x + n), der zweite
Term ist proportional zu x(x + 2) · · · (x + n), usw. Werten wir die obige Gleichung bei
x = 0 aus, so verschwinden alle Terme bis auf den ersten. Werten wir diese Gleichung
bei x = −1 aus, so verschwinden alle Terme bis auf den zweiten; usw.

x = 0 : α0 (x + 1) · · · (x + n) + α1 x(x + 2) · · · (x + n) + · · · + αn x · · · (x + n − 1) = 0
@ AB C @ AB C @ AB C
α0 1·2···n =0 =0

x = −1 : α0 (x + 1) · · · (x + n) + α1 x(x + 2) · · · (x + n) + · · · + αn x · · · (x + n − 1) = 0
@ AB C @ AB C @ AB C
=0 =α1 (−1)·1···(n−1) =0

..
.
x = −n : α0 (x + 1) · · · (x + n) + α1 x(x + 2) · · · (x + n) + · · · + αn x · · · (x + n − 1) = 0
@ AB C @ AB C @ AB C
=0 =0 =αn (−n)(−n+1)···(−1)
6.2 • Lineare Abhängigkeit und Unabhängigkeit
303 6
Es folgt:

1@ · 2AB· · · nC α0 = 0
̸=0

(−1) · 1 · · · (n − 1) α1 = 0
@ AB C
̸=0

..
.
(−n)(−n + 1) · · · (−1) αn = 0
@ AB C
̸=0

Die einzige Lösung ist α0 = α1 = · · · = αn = 0. Somit sind die Abbildungen ϕm (x),

m = 0, 1, · · · n linear unabhängig. "

Übung 6.14
• • ◦ In diesem Beispiel erfahren wir die Wichtigkeit der richtigen Körperwahl für
die lineare Abhängigkeit/Unabhängigkeit von Vektoren. Man betrachte die folgenden
Vektoren in C2 :
% & % &
1+i 1 + 3i
v1 = , v2 = .
−3 + 3i −9 + 3i

a) Sind v1 , v2 linear abhängig oder unabhängig über K = C?

b) Sind v1 , v2 linear abhängig oder unabhängig über K = R?

Hinweis: Der Vektorraum C können wir einerseits als ein Vektorraum über C betrach-
ten. In diesem Fall dürfen wir Vektorraumelemente mit beliebigen komplexen Zahlen
multiplizieren. Andererseits können wir C als ein Vektorraum über R betrachten, wenn
wir uns auf die Multiplikation nur mit reellen Zahlen einschränken. In diesem Fall
4 5
entspricht C dem R2 mit x + iy ↔ xy .

v Lösung
a) Wir suchen komplexe Zahlen α, β ∈ C mit
% & % &
α(1 + i) + β(1 + 3i) 0
αv1 + βv2 = 0 ⇒ = .
α(−3 + 3i) + β(−9 + 3i) 0

Wir erhalten folgendes LGS, das wir mit dem Gauß-Algorithmus lösen:
% & % & % &
1 + i 1 + 3i 0 − i (Z2 ) 1 + i 1 + 3i 0 (Z2 ) − (Z1 ) 1 + i 1 + 3i 0
3
% % .
−3 + 3i −9 + 3i 0 1 + i 1 + 3i 0 0 0 0

Wir erhalten eine nichttriviale Lösung α = − 1+3i

1+i β = −(2 + i)β, d. h., die Vektoren
v1 , v2 sind linear abhängig über K = C.
304 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

b) Betrachten wir C als als ein Vektorraum über R, so entspricht C2 dem R4 mit
⎡ ⎤
% & x1
⎢y ⎥
x1 + iy1 ⎢ ⎥
↔ ⎢ 1⎥
x2 + iy2 ⎣ x2 ⎦
y2

9 : F 1 G 9 : F 1 G
1+i 1 1+3i 3
−3+3i entspricht −3 und −9+3i entspricht −9 . Wir suchen reelle α, β ∈R
3 3
mit
⎡ ⎤ ⎡ ⎤
α+β 0
⎢ α + 3β ⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥
αv1 + βv2 = 0 ⇒ ⎢ ⎥=⎢ ⎥
⎣−3α − 9β ⎦ ⎣0⎦
3α + 3β 0

Wir erhalten folgendes LGS, das wir mit dem Gauß-Algorithmus lösen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0 (Z2 ) − (Z1 ) 1 1 0 1 (Z ) 1 1 0
(Z3 ) + 3(Z1 ) 2 2
⎢ 1 0⎥ ⎢0 0⎥ ⎢0
⎢ 3 ⎥ (Z4 ) − 3(Z1 ) ⎢ 2 ⎥ (Z3 ) + 3(Z2 ) ⎢ 1 0⎥⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥.
⎣ −3 −9 0⎦ ⎣0 −6 0⎦ ⎣0 0 0⎦
3 3 0 0 0 0 0 0 0

Die einzige Lösung ist α = β = 0, d. h., die Vektoren v1 , v2 sind linear unabhängig
über K = R. "

Übung 6.15
• ◦ ◦ Es seien v1 , v2 , · · · , vk ∈ V linear abhängig. Man zeige: Mindestens einer
der Vektoren v1 , v2 , · · · , vk lässt sich als Linearkombination der anderen Vektoren
darstellen.

v Lösung
v1 , v2 , · · · , vk linear abhängig ⇒ Die Gleichung

α1 v1 + α2 v2 + · · · + αk vk = 0

hat eine nichttriviale Lösung (α1 , α2 , · · · , αk ) ̸= (0, 0, · · · , 0). Insbesondere sind

α1 , α2 , · · · , αk nicht alle gleich Null. Ohne Beschränkung der Allgemeinheit (OBdA),
sei α1 ̸= 0. Dann gilt:

α2 αk
α1 v1 + α2 v2 + · · · + αk vk = 0 ⇒ v1 = − v2 − · · · − vk .
α1 α1

v1 ist somit eine Linearkombination der Vektoren v2 , · · · , vk . "

6.2 • Lineare Abhängigkeit und Unabhängigkeit
305 6

Übung 6.16
• ◦ ◦ Es sei w ∈ V eine Linearkombination der Vektoren v1 , v2 , · · · , vk ∈ V . Man zeige,
dass die Menge {v1 , v2 , · · · , vk , w} linear abhängig ist.

v Lösung
w ist eine Linearkombination der Vektoren v1 , v2 , · · · , vk , d. h.

w = α1 v1 + α2 v2 + · · · + αk vk ,

wobei die Koeffizienten α1 , α2 , · · · , αk nicht alle gleich Null sind. Daraus folgt

w = α1 v1 + α2 v2 + · · · + αk vk ⇒ α1 v1 + α2 v2 + · · · + αk vk − w = 0.

Dies ist eine nichttriviale Darstellung der Null. Somit sind die Vektoren v1 , v2 , · · · , vk , w
linear abhängig. "

Übung 6.17
• • ◦ Es seien u, v, w ∈ V linear unabhängig. Man zeige, dass auch u + v, v + w, w + u
linear unabhängig sind.

v Lösung
u, v, w linear unabhängig ⇒ Die Gleichung λ1 u + λ2 v + λ3 w = 0 hat nur die triviale
Lösung λ1 = λ2 = λ3 = 0. Wir wollen zeigen, dass auch u + v, v + w, w + u linear
unabhängig sind. Zu diesem Zweck betrachten wir die Gleichung

µ1 (u + v) + µ2 (v + w) + µ3 (w + u).

Zu zeigen ist: µ1 = µ2 = µ3 = 0. Es gilt:

µ1 (u + v) + µ2 (v + w) + µ3 (w + u) = (µ1 + µ3 )u + (µ1 + µ2 )v + (µ2 + µ3 )w

Weil u, v, w linear unabhängig sind, folgt

µ1 + µ3 = µ1 + µ2 = µ2 + µ3 = 0.

Wir bekommen somit ein LGS für µ1 , µ2 , µ3 , das wir mit dem Gauß-Algorithmus
lösen:
⎧ ⎡ ⎤
⎪
⎨ µ1 + µ3 = 0 (Z1 ) 1 0 1 0
⎢ ⎥
µ1 + µ2 =0 (Z2 ) % [A|b] = ⎣ 1 1 0 0 ⎦
⎪
⎩
µ2 + µ3 = 0 (Z3 ) 0 1 1 0
306 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 0 1 0 1 0 1 0 1 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⇒ ⎣1 1 0 0⎦ % ⎣ 0 1 −1 0 ⎦ % ⎣ 0 1 −1 0 ⎦ = Z.
0 1 1 0 0 1 1 0 0 0 2 0

Die einzige Lösung ist µ1 = µ2 = µ3 = 0. Die Vektoren u + v, v + w, w + u sind somit

linear unabhängig. "

Übung 6.18
• • ◦ Es seien A ∈ Rn×n nilpotent mit Nilpotenzgrad m und v ∈ Rn . Man zeige, dass
v, Av, · · · , Am−1 v linear unabhängig sind.

v Lösung
Erinnerung: A ∈ Rn×n ist nilpotent mit Nilpotenzgrad m, wenn Am = 0 und Am−1 ̸=
0. Wir wollen zeigen, dass v, Av, · · · , Am−1 v linear unabhängig sind, d. h. dass die
Gleichung

λ0 v + λ1 Av + · · · + λm−1 Am−1 v = 0

nur die triviale Lösung λ0 = λ1 = · · · = λm−1 = 0 hat. Nach mehrmaliger Anwendung

von A bekommen wir:

λ0 v + λ1 Av + · · · + λm−3 Am−3 v + λm−2 Am−2 v + λm−1 Am−1 v = 0

A: λ0 Av + λ1 A2 v + · · · + λm−3 Am−2 v + λm−2 Am−1 v + λm @ABC

Am v = 0
=0

A2 : λ0 A2 v + λ1 A3 v + · · · + λm−3 Am−1 v + λm−1 @ABC

Am v = 0
=0

..
.

Am−1 : λ0 Am−1 v + λ1 @ABC

Am v = 0
=0

d. h.

λ0 v + λ1 Av + · · · + λm−3 Am−3 v + λm−2 Am−2 v + λm−1 Am−1 v = 0

λ0 Av + λ1 A2 v + · · · + λm−3 Am−2 v + λm−2 Am−1 v = 0

λ0 A2 v + λ1 A3 v + · · · + λm−3 Am−1 v = 0
..
.

λ0 Am−2 v + λ1 Am−1 v = 0

λ0 Am−1 v = 0
6.3 • Basis, Dimension und Koordinaten
307 6
Aus der letzten Gleichung folgt λ0 = 0. Aus der vorletzten Gleichung folgt dann λ1 = 0
usw. Die einzige Lösung ist somit λ0 = λ1 = · · · = λm−1 = 0. v, Av, · · · , Am−1 v sind
somit linear unabhängig. "

Übung 6.19
• • • Beweise Satz 6.2.

v Lösung
“⇐”: Es sei S = {v1 , v2 , · · · , vk }. Wir nehmen an, dass jeder Vektor v ∈ ⟨S⟩ sich in
eindeutiger Weise als Linearkombination von Vektoren aus S darstellen lässt. Es ist

0 = 0 v1 + 0 v2 + · · · + 0 vk

eine Darstellung von 0. Wegen der Eindeutigkeit der Darstellung ist dies die einzige
Möglichkeit 0 als Linearkombination der Vektoren v1 , v2 , · · · , vk zu schreiben. Somit
sind v1 , v2 , · · · , vk linear unabhängig.
“⇒”: Es seien nun v1 , v2 , · · · , vk linear unabhängig. Nehmen wir an, dass der Vektor
v ∈ ⟨S⟩ zwei Darstellungen als Linearkombination der Vektoren v1 , v2 , · · · , vk besitzt:

v = α1 v1 + α2 v2 + · · · + αk vk = β1 v1 + β2 v2 + · · · + βk vk .

Daraus folgt

0 = v − v = (α1 v1 + α2 v2 + · · · + αk vk ) − (β1 v1 + β2 v2 + · · · + βk vk )
= (α1 − β1 )v1 + (α2 − β2 )v2 + · · · + (αk − βk )vk .

Da v1 , v2 , · · · , vk linear unabhängig sind, folgt α1 − β1 = 0, α2 − β2 = 0, · · · , αk −

βk = 0. Daraus folgt α1 = β1 , α2 = β2 , · · · , αk = βk , d. h., die Darstellung von v als
Linearkombination von v1 , v2 , · · · , vk ist eindeutig. "

6.3 Basis, Dimension und Koordinaten

6.3.1 Basis
# Definition 6.5 (Basis)
Eine Basis des Vektorraumes V ist eine Menge S von Vektoren aus V , welche linear
unabhängig sind und ein Erzeugendensystem von V bilden. $
308 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Aus Satz 6.2 folgt dann unmittelbar:

# Satz 6.3
Eine Menge S von Vektoren ist genau dann eine Basis von V , wenn sich jeder Vektor v ∈ V
in eindeutiger Weise als Linearkombination von Vektoren aus S dargestellen lässt. $

> Bemerkung
Man kann sich eine Basis wie folgt vorstellen: Eine Basis von V enthält alle „Baustei-
ne“, die zur Darstellung eines beliebigen Vektors in V benötigt werden; nicht zu viele,
nicht zu wenige, sondern genau die richtige Anzahl!

# Beispiel
Die folgenden n Vektoren
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0
⎢0⎥ ⎢1⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
e1 = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ , e2 = ⎢ .. ⎥ , · · · , en = ⎢ .. ⎥
⎣.⎦ ⎣.⎦ ⎣.⎦
0 0 1

bilden eine Basis von Rn , weil sich jeder Vektor v ∈ Rn in eindeutiger Weise als Linearkom-
bination dieser Vektoren darstellen lässt
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
v1 1 0 0
⎢v ⎥ ⎢0⎥ ⎢1⎥ ⎢0⎥
⎢ 2⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v=⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ = v1 ⎢ .. ⎥ + v2 ⎢ .. ⎥ + · · · + vn ⎢ .. ⎥ .
⎣.⎦ ⎣.⎦ ⎣.⎦ ⎣.⎦
vn 0 0 1

Diese Basis heißt Standardbasis oder kanonische Basis, von Rn und wird oft mit E
bezeichnet. $

# Beispiel
Jede Matrix A ∈ Rm×n lässt sich wie folgt darstellen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
a11 ··· a1n 1 ··· 0 0 ··· 1
⎢ . .. .. ⎥ ⎢. . .⎥ ⎢. . .⎥
⎢
A = ⎣ .. ⎥ ⎢ ⎥ ⎢ ⎥
. . ⎦ = a11 ⎣ .. . . .. ⎦ + · · · + a1n ⎣ .. . . .. ⎦ + · · ·
am1 · · · amn 0 ··· 0 0 ··· 0
⎡ ⎤ ⎡ ⎤
0 ··· 0 0 ··· 0
⎢. . .⎥ ⎢. . .⎥
+ am1 ⎢ ⎥ ⎢ ⎥
⎣ .. . . .. ⎦ + · · · + amn ⎣ .. . . .. ⎦ .
1 ··· 0 0 ··· 1

Die folgenden m · n Matrizen (sogenannte Standardmatrizen)

6.3 • Basis, Dimension und Koordinaten
309 6
⎡ ⎤
0 ··· 0 ··· 0
⎢. .. .. .. .. ⎥
⎢. ⎥
⎢. . . . .⎥
⎢ ⎥
Eij = ⎢
⎢0 ··· 1 ··· 0⎥ ⎥ ← i-te Zeile
⎢. . . .. . . .. ⎥
⎢. . . . .⎥
⎣. ⎦
0 ··· 0 ··· 0

↑
j -te Zeile

bilden somit eine Basis von Rm×n : die Standardbasis. Jede Matrix A ∈ Rm×n kann man
mithilfe dieser Basis ausdrücken
m '
' n
A = a11 E11 + · · · a1n E1n + · · · + am1 Em1 + · · · amn Emn = aij Eij .
i=1 j=1

Zum Beispiel, die Standardbasis von R2×2 besteht aus den folgenden 4 Matrizen
%
& % & % & % &
10 01 00 00
E11 = , E12 = , E21 = , E22 = .
00 00 10 01

Jede Matrix A ∈ R2×2 lässt sich dann in eindeutiger Weise als Linearkombination von
E11 , E12 , E21 , E22 darstellen:
%
&
ab
A= = aE11 + bE12 + cE21 + dE22 . $
cd

# Beispiel
Die Polynome {1, x, x2 , · · · , xn } bilden eine Basis von Pn (R). Denn jedes Polynom p(x) ∈
Pn (R) lässt sich in eindeutiger Weise als Linearkombination von 1, x, x2 , · · · , xn darstellen:

p(x) = a0 + a1 x + a2 x2 + · · · + an xn .

Diese ist die Standardbasis von Pn (R). $

6.3.2 Dimension
# Satz 6.4
Falls V eine Basis von n Elementen besitzt, so enthält jede Basis von V genau n
Elemente. $

Aus diesem Grund führt man den Begriff der Dimension ein:
310 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

# Definition 6.6 (Dimension)

Die Dimension von V ist die Anzahl n der Basiselemente von V . Geschrieben wird dies
durch dim(V ) = n. $

Eine direkte Folgerung aus Satz 6.4 ist der folgende einleuchtende Satz:

# Satz 6.5
Es sei V ein Vektorraum der Dimension n. Dann gilt:
5 Jede linear unabhängige Menge von n Vektoren ist eine Basis von V .
5 Jedes Erzeugendensystem von n Vektoren ist eine Basis von V .
5 Mehr als n Vektoren sind immer linear abhängig.
5 Weniger als n Vektoren bilden nie eine Basis von V . $

Rechenregeln
# Satz 6.6 (Rechenregeln für Dimension)
5 U ⊂ V ⇒ dim(U) ≤ dim(V ).
5 dim(U + W ) = dim(U) + dim(W ) − dim(U ∩ W ).
5 V = U ⊕ W ⇒ dim(V ) = dim(U) + dim(W ) (direkte Summe). $

# Beispiel
Die Standardbasis von Rn besteht aus den folgenden n Vektoren
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0
⎢0⎥ ⎢1⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
e1 = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ .. ⎥ , e2 = ⎢ .. ⎥ , · · · , en = ⎢ .. ⎥ .
⎣.⎦ ⎣.⎦ ⎣.⎦
0 0 1

Somit ist dim(Rn ) = n. $

# Beispiel
Die Standardbasis von Rm×n besteht aus den folgenden m · n Matrizen
⎡ ⎤
0 ··· 0 ··· 0
⎢. .. .. .. .. ⎥
⎢. ⎥
⎢. . . . .⎥
⎢ ⎥
Eij = ⎢
⎢0 ··· 1 ··· 0⎥ ⎥ ← i-te Zeile
⎢. . . .. .. .. ⎥
⎢. . . . ⎥
⎣. .⎦
0 ··· 0 ··· 0

↑
j -te Zeile

Somit ist dim(Rm×n ) = m · n. $

6.3 • Basis, Dimension und Koordinaten
311 6
# Beispiel
Die n + 1 Polynome {1, x, x2 , · · · , xn } bilden die Standardbasis von Pn (R). Folglich ist
dim(Pn (R)) = n + 1. $

Übung 6.20
◦ ◦ ◦ Es seien U1 , U2 ⊂ R90 mit dim(U1 ) = 50 und dim(U2 ) = 70. Welche Werte kann
dim(U1 ∩ U2 ) annehmen?

v Lösung
Wir wenden die Formel dim(U1 ∩ U2 ) = dim(U1 ) + dim(U2 ) − dim(U1 + U2 ) an. Wir
wissen auch, dass U1 + U2 ein Unterraum von R90 ist, d. h. dim(U1 + U2 ) ≤ 90. Daraus
folgt dim(U1 ∩ U2 ) = dim(U1 ) + dim(U2 ) − dim(U1 + U2 ) = 50 + 70 − dim(U1 + U2 ) =
120 − dim(U1 + U2 ) ≥ 120 − 90 = 30 ⇒ dim(U1 ∩ U2 ) ≥ 30. "

Übung 6.21
• ◦ ◦ Man finde eine Basis des folgenden Unterraumes von R3
⎧ ⎡ ⎤ ( ⎫
⎪ x1 ( ⎪
⎨ ( ⎬
⎢ ⎥ (
U = x = ⎣x2 ⎦ ∈ R3 ( x1 = x2 = x3 .
⎪
⎩ ( ⎪
⎭
x3 (

Man bestimme die Dimension von U.

v Lösung
Die definierenden Gleichungen x1 = x2 , x2 = x3 , x1 = x3 kann man in Matrixform
aufschreiben:
⎧ ⎡ ⎤
⎨ x1 − x2
⎪ =0 (Z1 ) 1 −1 0 0
⎢ ⎥
x2 − x3 = 0 (Z2 ) % [A|b] = ⎣ 0 1 −1 0⎦
⎪
⎩
x1 − x3 = 0 (Z3 ) 1 0 −1 0
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −1 0 0 1 −1 0 0 1 −1 0 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⇒ ⎣ 0 1 −1 0 ⎦ % ⎣ 0 1 −1 0 ⎦ % ⎣ 0 1 −1 0 ⎦ = Z.
1 0 −1 0 0 1 −1 0 0 0 0 0

Es sind zwei Gleichungen für drei Unbekannte. Eine Variable ist also frei wählbar,
z. B. x3 = t. Aus der ersten und zweiten Gleichung folgt, dass x1 = t und x2 = t.
Die Lösungsmenge lautet somit
⎧ ⎡ ⎤ ( ⎡ ⎤ ⎡ ⎤ ⎫ ⎡ ⎤
⎪ x1 ( x 1 ⎪ , 1 3
⎨ ( 1 ⎬
⎢ ⎥ ( ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
U = x = ⎣x2 ⎦ ∈ R3 ( ⎣x2 ⎦ = t ⎣1⎦ , t ∈ R = ⎣1⎦ .
⎪
⎩ ( ⎪
⎭
x3 ( x3 1 1
312 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Eine Basis von U ist somit

⎧⎡ ⎤⎫
⎨ 1 ⎪
⎪ ⎬
⎢ ⎥
⎣1⎦ .
⎪
⎩ ⎪
⎭
1

Da diese Basis von U aus einem einzigen Vektor besteht, ist dim(U) = 1. "

Übung 6.22
• ◦ ◦ Man betrachte den folgenden Unterraum von R3 :
⎧ ⎡ ⎤ ( ⎫
⎪ x1 ( ⎪
⎨ ( ⎬
⎢ ⎥ (
E = x = ⎣x2 ⎦ ∈ R3 ( x1 + 2x2 + 3x3 = 0 .
⎪
⎩ ( ⎪
⎭
x3 (

a) Man finde eine Basis von E. Was ist die Dimension von E? Welches geometrisches
Objekt wird von E beschrieben?
b) Man finde einen Normalenvektor zu E.

v Lösung
a) Wir lösen einfach die Gleichung x1 + 2x2 + 3x3 = 0. Es ist eine Gleichung für 3
Unbekannte. Somit sind 2 Variablen frei wählbar. Wir setzen beispielsweise x2 = t
und x3 = s. Daraus folgt x1 = −2x2 − 3x3 = −2t − 3s. Die Lösung ist somit
⎧ (⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎫ ⎡ ⎤ ⎡ ⎤
⎪ ( x −2 −3 ⎪ , −2 −3 3
⎨ ( 1 ⎬
3 (⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
E = x ∈ R ( ⎣x2 ⎦ = t ⎣ 1 ⎦ + s ⎣ 0 ⎦ , t, s ∈ R = ⎣ 1 ⎦ , ⎣ 0 ⎦ .
⎪
⎩ ( ⎪
⎭
( x3 0 1 0 1

Eine Basis von E ist somit

⎧⎡ ⎤ ⎡ ⎤⎫
⎨ −2
⎪ −3 ⎪⎬
⎢ ⎥ ⎢ ⎥
⎣ 1 ⎦,⎣ 0 ⎦ .
⎪
⎩ ⎪
⎭
0 1

Da die Basis von E aus zwei (linear unabhängigen) Vektoren besteht, ist dim(E) = 2.
E ist eine Ebene in R3 .
b) Die Vektoren b1 = [−2, 1, 0]T und b2 = [−3, 0, 1]T sind die Spannvektoren der
Ebene E (vgl. Anhang A.3.2). Eine Normale an der Ebene E ist somit
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
−2 −3 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
n = b1 × b2 = ⎣ 1 ⎦ × ⎣ 0 ⎦ = ⎣2⎦ .
0 1 3
⎡ ⎤
1
⎢ ⎥
Kontrolle (vgl. Anhang A.3.2): E : 1 x1 + 2 x2 + 3 x3 = 0 ⇒ n = ⎣2⎦ . "
3
6.3 • Basis, Dimension und Koordinaten
313 6

Übung 6.23
• ◦ ◦ Es sei V = R2×2 .
a) Man zeige, dass die Menge U der oberen Dreiecksmatrizen
6 ( % & 7
(
2×2 ( ab
U = A∈R (A = , a, b, c ∈ R
( 0c

ein Unterraum von V ist.

b) Man bestimme eine Basis von U. Was ist die Dimension von U?

v Lösung
a) Wir müssen zeigen, dass die Menge U die drei Eigenschaften eines Unterraumes
erfüllt (7 vgl. Kap. 5):
5 Beweis von (UR0): Die Nullmatrix ist eine obere Dreiecksmatrix, also 0 ∈ U. !
% & % &
a1 b1 a2 b2
5 Beweis von (UR1): Es seien A = ,B= ∈ U. Dann gilt:
0 c1 0 c2
% & % & % &
a1 b1 a2 b2 a1 + a2 b1 + b2
A+B = + = ∈U!
0 c1 0 c2 0 c1 + c2
%
&
ab
5 Beweis von (UR2): Es seien A = ∈ U und α ∈ R. Dann gilt:
0c
% & % &
ab αa αb
αA = α = ∈U!
0c 0 αc

Somit ist U ein Unterraum von V .

b) Jede obere Dreiecksmatrix in U können wir wie folgt schreiben
%& % & % & % &
ab 10 01 00
A= =a +b +c .
0c 00 00 01

Eine Basis von U ist somit

6% & % & % &7
10 01 00
, ,
00 00 01

Die Dimension von U ist 3, d. h. dim(U) = 3. "

314 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Übung 6.24
• • ◦ Es sei V = P3 (R) der Vektorraum der Polynome vom Grad ≤ 3. Man betrachte
W = {p ∈ P3 (R) | p(0) = p(1) = 0} ⊂ V .
a) Man zeige, dass W ein Unterraum von V ist.
b) Man bestimme eine Basis von W . Was ist die Dimension von W ?

v Lösung
a) Wir müssen zeigen, dass die Menge W die drei Eigenschaften eines Unterraumes
erfüllt (7 vgl. Kap. 5):
5 Beweis von (UR0): Das Nullpolynom p(x) ≡ 0 erfüllt p(0) = p(1) = 0. Also
0 ∈ W. !
5 Beweis von (UR1): Es seien p ∈ W und q ∈ W (⇒ p(0) = p(1) = 0 und q(0) =
q(1) = 0). Dann gilt:
⎫
(p + q)(0) = p(0) + q(0) = 0 + 0 = 0 ⎪
⎪
⎪
@ABC @ABC ⎬
=0 =0 ⇒ p+q∈W !
(p + q)(1) = p(1) + q(1) = 0 + 0 = 0 ⎪
⎪
⎪
@ABC @ABC ⎭
=0 =0

5 Beweis von (UR2): Es seien p ∈ W und α ∈ R. Dann gilt:

⎫
(α p)(0) = α p(0) = α 0 = 0 ⎪
⎪
⎪
@ABC ⎬
=0 ⇒ αp ∈ W !
(α p)(1) = α p(1) = α 0 = 0 ⎪
⎪
⎪
@ABC ⎭
=0

Somit ist W ein Unterraum von V .

b) Ein Polynom aus P3 (R) sieht wie folgt aus p(x) = a0 + a1 x + a2 x2 + a3 x3 . Damit
p ∈ W muss gelten

!
p(0) = a0 = 0 ⇒ a0 = 0
!
p(1) = a0 + a1 + a2 + a3 = 0 ⇒ a3 = −(a0 + a1 + a2 ) = −(a1 + a2 ).

Also

p(x) = a1 x + a2 x2 − (a1 + a2 )x3 = a1 (x − x3 ) + a2 (x2 − x3 ).

Eine Basis von W ist somit {x−x3 , x2 −x3 } und die Dimension von W ist dim(W ) =
2. "
6.3 • Basis, Dimension und Koordinaten
315 6

Übung 6.25
• • ◦ Es sei Pn,2 (R) der Vektorraum der reellen Polynome in den zwei Variablen x und
y mit Totalgrad ≤ n.
a) Man finde eine Basis von P2,2 (R). Was ist die Dimension von P2,2 (R)?
b) Man finde eine Basis von Pn,2 (R) und man bestimme dim(Pn,2 (R)).

v Lösung
a) P2,2 (R) ist der Vektorraum der reellen Polynome in den zwei Variablen x und y mit
Totalgrad ≤ 2. Ein beliebiges Element aus P2,2 (R) sieht wie folgt aus

p(x, y) = a0 + a1,0 x + a1,1 y + a2,0 x2 + a2,1 xy + a2,2 y2 ,

a0 , a1,0 , a1,1 , a2,0 , a2,1 , a2,2 ∈ R.

Eine Basis von P2,2 (R) besteht somit aus den folgenden 6 Monome
{1, x, y, x2 , xy, y2 }. Beachte, dass das Polynom 1 den Totalgrad 0 hat, x und y
haben den Totalgrad 1, während x2 , xy und y2 den Totalgrad 2 haben. Somit
können wir die Basiselemente anhand ihres Totalgrades k sortieren:

k=0 1
k=1 x y
k=2 x2 xy y2

Diese Basis von P2,2 (R) besteht aus 6 Elementen. Es gilt somit dim(P2,2 (R)) = 6.
b) Im Allgemeinen hat ein beliebiges Element aus Pn,2 (R) die folgende Form

p(x, y) = a0 + (a1,0 x + a1,1 y) + · · · + (an,0 xn + an,1 xn−1 y + · · · + an,n yn ), ai,j ∈ R.

Eine Basis von Pn,2 (R) ist somit {1, x, y, x2 , xy, y2 , · · · , xn , xn−1 y, · · · , yn }. Wie in
(a) können wir die Basiselemente anhand ihres Totalgrades k sortieren:

k=0 1
k=1 x y
k=2 x2 xy y2
k=3 x3 x2 y xy2 y3
..
.
k=n xn xn−1 y ··· xyn−1 yn

Es gibt k+1 Basiselemente mit Totalgrad k. Die Gesamtanzahl von Basiselementen

berechnet sich somit
n
' n
' n
' n(n + 1) (n + 1)(n + 2)
(k + 1) = k + 1= +n+1= .
2 2
k=0 k=0 k=0
@ AB C @ AB C
= n(n+1) =n+1
2

(n+1)(n+2)
Somit ist dim(Pn,2 (R)) = 2 . "
316 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

6.3.3 Koordinaten

Sei V ein Vektorraum der Dimension n mit Basis B = {b1 , · · · , bn }. Dann können wir
jeden Vektor v ∈ V in eindeutiger Weise als lineare Kombination der Basiselemente
b1 , · · · , bn darstellen
n
'
v = v1 b 1 + · · · + vn b n = vi b i . (6.5)
i=1

Die Koeffizienten v1 , · · · , vn ∈ R sind die Koordinaten des Vektors v bezüglich der

Basis B . Diese Koordinaten werden dann in einem Koordinatenvektor zusammenge-
fasst
⎡ ⎤
v1
⎢ ⎥
[v]B = ⎣ ... ⎦ . (6.6)
vn

> Bemerkung
Die Koordinaten des Vektors v bzgl. der Basis B sind nichts anderes als die Koeffizien-
ten in der Darstellung von v als Linearkombination der Basisvektoren b1 , · · · , bn von
B. Mit anderen Worten:
⎡ ⎤
v1
⎢.⎥
[v]B = ⎣ .. ⎥
⎢
⎦ bedeutet v = v1 b1 + · · · + vn bn (6.7)
vn

Die Basisvektoren sind sozusagen die „Bausteine“ des Vektorraumes. Die Koordinaten
eines Vektors bzgl. einer Basis sagen wie oft jeder Basisvektor vorkommt: v ist v1 Mal b1
plus v2 Mal b2 , usw. Diese Bausteine (Basiselemente) können selbst übliche Vektoren,
Matrizen, Polynome usw. sein.

Musterbeispiel 6.1 (Koordinaten für Vektoren)

Als erstes Beispiel betrachten wir die Koordinaten von Vektoren in R2 . Die Standard-
basis von R2 ist gegeben durch
6 % & % &7
1 0
E = e1 = , e2 = .
0 1

In der Standardbasis hat der Vektor v = [2, 4]T die Koordinaten (. Abb. 6.2)
% & % & % &
2 1 0
[v]E = , weil v = 2 · +4· = 2 · e1 + 4 · e2 .
4 0 1
6.3 • Basis, Dimension und Koordinaten
317 6

Jetzt betrachten wir eine andere Basis von R2 , zum Beispiel:

6 &% % &7
1 1
B = b1 = , b2 = .
−1 1

Wie lauten die Koordinaten von v bezüglich der Basis B? Wir schreiben
% & % & % & ⎧
4 ! 1 1 ⎨α + β = 2
v= = α b1 + β b2 = α +β ⇒
2 −1 1 ⎩−α + β = 4

Die Lösung lautet α = −1, β = 3. In der Basis B kann man den Vektor v wie folgt
darstellen
% & % &
1 1
v = −1 · +3· = −1 · b1 + 3 · b2 ,
−1 1

d. h., die Koordinaten von v bezüglich der Basis B sind (. Abb. 6.2)
%&
−1
[v]B = .
3

> Bemerkung
Die Standardbasis eines Vektorraumes wird oft mit E bezeichnet.

. Abb. 6.2 Musterbeispiel 6.1

318 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Musterbeispiel 6.2 (Koordinaten für Polynome)

Als zweites Beispiel betrachten wir die Koordinaten eines etwas abstrakteren Objektes,
nähmlich der Polynome. Man betrachte dazu den Vektorraum P2 (R) der Polynome
vom Grad kleiner oder gleich 2. Die Standardbasis von P2 (R) ist
< =
E = 1, x, x2 .

In dieser Standardbasis hat dann das Polynom p(x) = x2 + 2x + 1 die Koordinaten

⎡ ⎤
1
⎢ ⎥
[p(x)]E = ⎣2⎦ ,
1

weil

p(x) = 1 · 1 + 2 · x + 1 · x2 .

In der Basis
< =
B = x2 + x, x + 1, 1

kann man das Polynom p(x) wie folgt darstellen:

p(x) = x2 + 2x + 1 = x2 + x + x + 1 = 1 · (x2 + x) + 1 · (x + 1) + 0 · 1.

Die Koordinaten von p(x) bezüglich der Basis B sind

⎡ ⎤
1
⎢ ⎥
[p(x)]B = ⎣1⎦ .
0

Durch den Koordinatenvektor können wir Polynome in P2 (R) wie übliche Vektoren in
R3 interpretieren.

Musterbeispiel 6.3 (Koordinaten für Matrizen)

Als letztes Beispiel betrachten wir Koordinaten von Matrizen in R2×2 . Die Standard-
basis von R2×2 ist bekanntlich
6 %& % & % & % &7
10 01 00 00
E = E11 = , E12 = , E21 = , E22 = .
00 00 10 01

Wir können dadurch jede Matrix in R2×2 mithilfe dieser Standardbasiselementen

darstellen. Die folgende Matrix hat die Koordinaten
6.3 • Basis, Dimension und Koordinaten
319 6

⎡ ⎤
% & 1
⎢2⎥
12 ⎢ ⎥
A= ⇒ [A]E = ⎢ ⎥ ,
34 ⎣3⎦
4

weil
&% % & % & % & % &
12 10 01 00 00
A= =1· +2· +3· +4·
34 00 00 10 01

= 1 · E11 + 2 · E12 + 3 · E21 + 4 · E22 .

In der Basis
6 & % % & % & % &7
11 01 00 00
B = B1 = , B2 = , B3 = , B4 =
11 11 11 01

kann man A wie folgt darstellen

& % % & % & % & % &
12 11 01 00 00
A= =1 +1· +1· +1·
34 11 11 11 01

= 1 · B1 + 1 · B2 + 1 · B3 + 1 · B4 .

Die Koordinaten von A in dieser Basis B lauten

⎡ ⎤
1
⎢1⎥
⎢ ⎥
[A]B = ⎢ ⎥ .
⎣1⎦
1

Wie für Polynome, können wir jetzt durch den Koordinatenvektor Matrizen in R2×2
als Vektoren im R4 interpretieren.

Übung 6.26
• ◦ ◦ Man betrachte die folgende Basis von R3
⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎪
⎨ k −2 0 ⎪⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
B = b1 = ⎣2⎦ , b2 = ⎣ 1 ⎦ , b3 = ⎣1⎦ , k ̸= −2.
⎪
⎩ ⎪
⎭
1 0 1

Man bestimme die Koordinaten des Vektors v = [−2, 1, 2]T in dieser Basis.
320 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

v Lösung
Wir suchen Zahlen v1 , v2 , v3 ∈ R, sodass

v = v1 b1 + v2 b2 + v3 b3

gilt. Dies ergibt ein LGS für v1 , v2 , v3 , welches wir mit dem Gauß-Verfahren lösen:
⎧ ⎡ ⎤
⎨ kv1 − 2v2
⎪ = −2 (Z1 ) k −2 0 −2
⎢ ⎥
2v1 + v2 + v3 = 1 (Z2 ) % [A|b] = ⎣ 2 1 1 1 ⎦
⎪
⎩
v1 + v3 = 2 (Z3 ) 1 0 1 2
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
k −2 0 −2 1 0 1 2 (Z2 ) − 2(Z1 ) 1 0 1 2
⎢ ⎥ (Z3 ) ↔ (Z1 ) ⎢ ⎥ (Z3 ) − k(Z1 ) ⎢ ⎥
⇒ ⎣2 1 1 1 ⎦ % ⎣ 2 1 1 1 ⎦ % ⎣ 0 1 −1 −3 ⎦
1 0 1 2 k −2 0 −2 0 −2 −k −2k − 2
⎡ ⎤
1 0 1 3
(Z3 ) + 2(Z2 ) ⎢ ⎥
% ⎣ 0 1 −1 −3 ⎦ = Z.
0 0 −k − 2 −2k − 8

4 −k+2 2k+8
Es folgt v1 = − k+2 , v2 = k+2 , v3 = k+2 , d. h., der Vektor v hat die Koordinaten

⎡ 4
⎤
4 −k + 2 2k + 8 k+2
⎢ −k+2 ⎥
v= · b1 + · b2 + · b3 ⇒ [v]B = ⎣ k+2 ⎦ .
k+2 k+2 k+2 2k+8
k+2 "

Übung 6.27
• ◦ ◦ Es sei V = R2×3 der Vektorraum der (2 × 3)-Matrizen. Man betrachte den
Unterraum U ⊂ V mit Basis
6% & % & % &7
1 2 3 110 0 3 3
B= , , .
1 −2 0 011 1 −1 1
& %
196
Man finde die Koordinaten von A = in der Basis B. Sind diese Koordinaten
215
eindeutig? Man begründe die Antwort.

v Lösung
Wir wollen grundsätzlich die Matrix A als Linearkombination der Basiselemente aus B
schreiben, d. h., wir suchen drei Zahlen a1 , a2 und a3 ∈ R mit
% & % & % & % &
196 1 2 3 110 0 3 3
A= = a1 + a2 + a3 .
215 1 −2 0 011 1 −1 1

a1 , a2 und a3 sind dann die gesuchten Koordinaten von A in der Basis B. Es gilt:
6.3 • Basis, Dimension und Koordinaten
321 6
% & % & % &
1 2 3 110 0 3 3
a1 + a2 + a3
1 −2 0 011 1 −1 1
% & % &
a1 + a2 2a1 + a2 + 3a3 3a1 + 3a3 ! 1 9 6
= =
a1 + a3 −2a1 + a2 − a3 a2 + a3 215

Ein Koeffizientenvergleich liefert ein LGS mit 6 Gleichungen und 3 Unbekannten

⎧
⎪
⎪ a1 + a2 = 1
⎪
⎪
⎪
⎪
⎪
⎪ 2a1 + a2 + 3a3 = 9
⎪
⎪
⎪
⎨3a + 3a = 6
1 3
⎪
⎪ a1 + a3 = 2
⎪
⎪
⎪
⎪
⎪
⎪ −2a1 + a2 − a3 = 1
⎪
⎪
⎪
⎩
a2 + a3 = 5

Die Lösung ist a1 = −1, a2 = 2, a3 = 3. Die Koordinaten von A in der Basis B sind
somit
⎡ ⎤
% & % & % & −1
1 2 3 110 0 3 3 ⎢ ⎥
A = −1 · +2· +3· ⇒ [A]B = ⎣ 2 ⎦ .
1 −2 0 011 1 −1 1
3

Alle Elemente eines Unterraumes lassen sich in eindeutiger Weise als Linearkombina-
tion der Basiselemente schreiben. Somit sind die Koordinaten von A in der Basis B
eindeutig. "

Übung 6.28
• • ◦ Man betrachte den komplexen Vektorraum V = ⟨eix , e−ix ⟩.
a) Man zeige, dass B = {eix , e−ix } eine Basis von V ist.
b) Man finde die Koordinaten der Abbildungen sin(x) und cos(x) in der Basis B.

v Lösung
a) V = ⟨eix , e−ix ⟩ ist der Span der Funktionen eix , e−ix . Damit B = {eix , e−ix } eine
Basis von V ist, müssen eix , e−ix linear unabhängig sein. Wir müssen also Folgendes
zeigen:

λ1 eix + λ2 e−ix = 0 impliziert λ1 = λ2 = 0.

Wir starten mit

λ1 eix + λ2 e−ix = 0.
322 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Diese Gleichung muss für alle x ∈ C gelten. Wir gehen wie in Übung 6.11 vor und
werten diese Gleichung an zwei unterschiedlichen Stellen aus, z. B. x = 0, 1:

x=0: λ1 + λ2 = 0,
x=1: λ1 ei + λ2 e−i = 0.

Wir lösen das resultierende LGS für λ1 , λ2 mit dem Gauß-Algorithmus:

6
λ1 + λ2 = 0 (Z1 )
% [A|b]
ei λ1 + e−i λ2 = 0 (Z2 )
% & % &
1 1 0 (Z2 ) − ei (Z1 ) 1 1 0
= % = Z.
ei e−i 0 0 e−i − ei 0

Die einzige Lösung ist λ1 = λ2 = 0 und die Abbildungen eix und e−ix sind somit
linear unabhängig. Folglich ist B eine Basis von V und dim(V ) = 2.
b) Mit den Euler’schen Formeln (Anhang C) finden wir:
% & % &
eix − e−ix 1 ix 1 1
− 12
sin(x) = = · e − · e−ix ⇒ [sin(x)]B = 2i =i ,
2i 2i 2i − 2i1 1
2
% &
eix + e−ix 1 1 1
cos(x) = = · eix + · e−ix ⇒ [cos(x)]B = 2
1
.
2 2 2 2 "

6.3.4 Folgerung: Endlichdimensionale Vektorräume V sind

isomorph zum Kn

Wir schließen diesen Abschnitt mit einer wichtigen Bemerkung ab: Die Tatsache, dass
wir jedem Element eines Vektorraumes einen Koordinatenvektor zuordnen können,
bedeutet grundsätzlich, dass wir V mit Kn identifizieren können.

Identifikation von V mit Kn

Durch die Wahl einer Basis B = {b1 , · · · , bn } besitzt jedes Element v ∈ V die
eindeutige Darstellung
n
'
v = v1 b 1 + · · · + vn b n = vi b i . (6.8)
i=1

Die Identifizierung von V mit Kn erfolgt durch die Koordinaten

⎡ ⎤
n v1
' ⎢ ⎥
v = v1 b 1 + · · · + vn b n = vi b i ∈ V ↔ [v]B = ⎣ ... ⎦ ∈ Kn . (6.9)
i=1 vn
6.4 • Berechnungsmethoden
323 6
Mathematisch efolgt diese Identifizierung durch einen Isomorphismus, welche wir
genauer im nächsten Kapitel aufgreifen werden. Im Moment soll es genügen, diese
Identifizierung mit dem folgenden Satz festzustellen:

# Satz 6.7 (Isomorphiesatz)

Es sei V ein Vektorraum der Dimension n. Dann kann man V mit Kn identifizieren
(d. h., man kann jedes Element v ∈ V mit einem Vektor in Kn identifizieren). Wir schreiben
dies kurz V ∼= Kn , was mit “V ist isomorph zu Kn ” gelesen wird. $

> Bemerkung
In der Praxis können wir durch Satz 6.7 beliebige Vektorraumelemente, wie Matrizen,
Polynome oder Abbildungen mit Vektoren aus Kn identifizieren. Diese Identifikation
ermöglicht es uns, mit diesen abstrakten Vektorraumelementen zu arbeiten als wären
es einfach Vektoren.

# Beispiel
In der Standardbasis von R2×2 können wir alle (2 × 2)-Matrizen mit Vektoren des R4
identifizieren, d. h. R2×2 ∼
= R4 :
⎡ ⎤
% & a
⎢b⎥
ab ⎢ ⎥
A= ↔ [A]E = ⎢ ⎥ . $
cd ⎣c⎦
d

# Beispiel
In der Standardbasis von Pn (R) können wir jedes Polynom p(x) mit einem Vektor in Rn+1
identifizieren, d. h. Pn (R) ∼
= Rn+1 :
⎡ ⎤
a0
⎢a ⎥
⎢ 1⎥
p(x) = a0 + a1 x + · · · + an xn ↔ [p(x)]E = ⎢ ⎥
⎢ .. ⎥ . $
⎣.⎦
an

> Bemerkung
Die Identifizierung von Vektorräumen mit Kn wird im Verlauf dieses Buches immer
wieder eine wichtige Rolle spielen (u. a. bei der Bestimmung der Matrixdarstellung
linearer Abbildungen, vgl. z. B. Übung 7.16 und 7.20).

6.4 Berechnungsmethoden

In diesem Abschnitt lernen wir praktische Berechnungskriterien, welche uns erlau-

ben, Aufgaben der folgenden Art sehr leicht, schnell und elegant zu lösen:
5 Sind v1 , · · · , vk linear unabhängig?
5 Ist B = {v1 , · · · , vk } eine Basis?
5 Was ist die Dimension von ⟨v1 , · · · , vk ⟩?
5 Ist w eine Linearkombination von v1 , · · · , vk ?
324 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

6.4.1 Das Rangkriterium

Lineare Unabhängigkeit
Das folgende Kriterium erlaubt es, schnell zu entscheiden, ob k vorgelegte Vektoren
v1 , · · · , vk des Kn linear abhängig sind (k ≤ n).

# Satz 6.8 (Rangkriterium für lineare Unabhängigkeit)

Es seien v1 , · · · , vk k Vektoren des Kn mit k ≤ ⎡
n. Dann gilt:
⎤
| |
⎢ ⎥
5 v1 , · · · , vk sind linear unabhängig ⇔ Rang ⎣v1 · · · vk ⎦ = k;
| |
⎡ ⎤
| |
⎢ ⎥
5 v1 , · · · , vk sind linear abhängig ⇔ Rang ⎣v1 · · · vk ⎦ < k. $
| |

Praxistipp

Liegen mehr als n Vektoren des Kn vor (d. h. k > n), so sind diese Vektoren immer
linear abhängig (vgl. Satz 6.5).

Basis von Kn
Das Rangkriterium können wir auch anwenden, um zu untersuchen, ob n Vektoren
eine Basis von Kn bilden.

# Satz 6.9 (Rangkriterium für Basis)

Die n Vektoren v1 , v2 , · · · , vn sind genau dann eine Basis von Kn wenn
⎡ ⎤
| |
⎢ ⎥
Rang ⎣v1 · · · vn ⎦ = n. $
| |

Dimension von U = ⟨v1 , · · · , vk ⟩

# Satz 6.10
Es sei U = ⟨v1 , · · · , vk ⟩. Dann gilt:
⎡ ⎤
| |
⎢ ⎥
dim(U) = Rang ⎣v1 · · · vk ⎦ . $
| |

Lineare Kombinationen
Ferner betrachten wir die folgende Frage: Ist w eine Linearkombination von v1 , · · · ,
vk ? Um diese Frage zu beantworten, suchen wir Zahlen x1 , . . . , xk ∈ K mit

x1 v1 + · · · + xk vk = w.
6.4 • Berechnungsmethoden
325 6
Diese Bedingung kann man in Matrixschreibweise als ein LGS auffassen:
⎡ ⎤ ⎡x ⎤ ⎡w ⎤
| | 1 1
⎣v1 · · · vn ⎦ ⎢ .⎥ ⎢ . ⎥
⎣ .. ⎦ = ⎣ .. ⎦ ⇒ Ax = w.
| | x w
@ AB C @ ABk C @ ABk C
=A =x =w

Aus dem Satz von Rouché-Capelli (vgl. Satz 2.3) folgt, dass Ax = w genau dann lösbar
ist, wenn Rang(A|w) = Rang(A) gilt. Wir halten folgendes Kriterium fest:

# Satz 6.11
w ist genau⎡dann eine⎤Linearkombination von v1 , · · · , vk , wenn Rang(A|w) = Rang(A),
| |
⎢ ⎥
wobei A = ⎣v1 · · · vn ⎦ . $
| |

6.4.2 Das Determinantenkriterium

Liegen genau n Vektoren des Kn vor, so kann man das Rangkriterium auch mithilfe
der Determinante ausdrücken:

# Satz 6.12 (Determinanten-Kriterium für lineare Unabhängigkeit)

Es seien v1 , · · · , vn Vektoren des Kn . Dann ⎡
gilt: ⎤
| |
⎢ ⎥
5 v1 , · · · , vn sind linear unabhängig ⇔ det ⎣v1 · · · vn ⎦ ̸= 0;
| |
⎡ ⎤
| |
⎢ ⎥
5 v1 , · · · , vn sind linear abhängig ⇔ det ⎣v1 · · · vn ⎦ = 0. $
| |

> Bemerkung
Die Determinante ist nur für quadratische Matrizen definiert. Aus diesem Grund ist
das Determinantenkriterium (Satz 6.12) nur dann anwendbar, wenn genau n Vektoren
des Kn vorliegen.

6.4.3 Lineare Unabhängigkeit von Abbildungen und die

Wronski-Determinante

Die obigen Methoden sind sehr gut geeignet, um die lineare Unabhängigkeit von
Vektoren im Kn nachzuweisen. Wie kann man aber die lineare Unabhängigkeit
von Abbildungen nachweisen, wie zum Beispiel die Polynome 1, x, x2 , · · · oder die
Abbildungen sin(x) und cos(x)? Die folgende Methode ist für solche Situationen sehr
gut geeignet.
326 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Zwei Abbildungen y1 (x) und y2 (x) sind linear unabhängig, wenn für alle x die
Gleichung

α1 y1 (x) + α2 y2 (x) = 0 (6.10)

nur die triviale Lösung α1 = α2 = 0 zulässt. Um die Koeffizienten α1 und α2

zu bestimmen, brauchen wir zwei unabhängige Gleichungen. Eine zweite Gleichung
erhalten wir, indem wir die erste Gleichung nach x ableiten. Wir erzeugen auf dieser
Art ein homogenes LGS für α1 and α2 :

α1 y1 (x) + α2 y2 (x) = 0 (6.11a)

α1 y′1 (x) + α2 y′2 (x) = 0 (6.11b)

oder in Matrixschreibweise:
F GF G F G
y1 (x) y2 (x) α1 0
′ ′ = . (6.12)
y1 (x) y2 (x) α2 0

Aus der Theorie der Lösung von LGS wissen wir, dass das obige LGS genau dann nur
die triviale Lösung α1 = α2 = 0 hat, wenn die Determinante der Koeffizientenmatrix
nicht verschwindet, d. h. wenn
( (
(y1 (x) y2 (x)(
(
W (y1 , y2 ) = ( ′ ( ̸= 0. (6.13)
y1 (x) y′2 (x)(

Die Determinante W (y1 , y2 ) heißt Wronski-Determinante (auf english: Wronskian).

Wir haben somit den folgenden praktischen Satz bewiesen:

# Satz 6.13 (Wronski-Test)

Zwei Abbildungen y1 (x) und y2 (x) sind genau dann linear unabhängig, wenn
( (
(y (x) y (x)(
( (
W (y1 , y2 ) = ( 1′ 2
( ̸= 0. (6.14)
(y1 (x) y′2 (x)(

Wir können diese Methode leicht auf n Abbildungen y1 (x), y2 (x), · · · , yn (x) verall-
gemeinern. In diesem Fall wollen wir zeigen, dass die Gleichung

α1 y1 (x) + α2 y2 (x) + · · · + αn yn (x) = 0 (6.15)

nur die triviale Lösung α1 = α2 = · · · = αn = 0 hat. Leiten wir diese Gleichung n − 1

mal nach x ab, so erhalten wir folgendes LGS:
6.4 • Berechnungsmethoden
327 6
⎡ ⎤⎡ ⎤ ⎡ ⎤
y1 (x) y2 (x) ··· yn (x) α1 0
⎢
⎢ y′1 (x) y′2 (x) ··· y′n (x) ⎥ ⎢α2 ⎥ ⎢0⎥
⎥⎢ ⎥ ⎢ ⎥
⎢ .. .. .. .. ⎥ ⎢ . ⎥ = ⎢.⎥ . (6.16)
⎣ . . . . ⎦ ⎣ .. ⎦ ⎣ .. ⎦
(n−1) (n−1) (n−1)
y1 (x) y2 (x) · · · yn (x) αn 0

Dieses LGS hat genau dann nur die triviale Lösung α1 = α2 = · · · = αn = 0, wenn
( (
( y1 (x) y2 (x) · · · yn (x) (
( ′ (
( y (x)
( 1 y′2 (x) · · · y′n (x) ((
W (y1 , y2 , · · · , yn ) = ( .. .. .. .. ( ̸= 0. (6.17)
( . . . . (
( (
(y(n−1) (x) y(n−1) (x) · · · y(n−1) (x)(
1 2 n

6.4.4 Beispiele

Übung 6.29
• ◦ ◦% Sind
& die
% gegebenen
& Vektoren linear abhägig oder linear unabhängig?
−3 −6
a) ,
2 4
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
b) ⎣0⎦ , ⎣7⎦ , ⎣6⎦
5 4 3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 1 −2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
c) ⎣−1⎦ , ⎣1⎦ , ⎣ 1 ⎦
1 0 −1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −1 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
d) ⎣1⎦ , ⎣ 1 ⎦ , ⎣ 0 ⎦
1 2 −3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
3 3 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
e) ⎣0⎦ , ⎣3⎦ , ⎣−1⎦
1 8 −2

v Lösung
Wie wir wissen, gibt es verschiedene Methoden, um vorgegebene Vektoren auf lineare
Unabhängigkeit zu überprüfen. Um dies nochmals deutlich zu machen, werden wir in
den verschiedenen Teilaufgaben bewusst unterschiedliche Methoden anwenden.
a) Wir wenden das Determinantenkriterium an:
⎡ ⎤
| | ( (
( (
⎢ ⎥ (−3 −6(
det ⎣v1 v2 ⎦ = ( ( = −12 + 12 = 0.
(2 4(
| |
Somit sind die gegebenen Vektoren linear abhängig.
328 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

b) Wiederum mit dem Determinantenkriterium:

⎡ ⎤ ( (
| | | (2 1 0( ( ( ( (
( ( (7 6( (1 0(
⎢ ⎥ ( ( ( ( ( (
det ⎣v1 v2 v3 ⎦ = (0 7 6( = 2 ( ( −0 + 5 ( ( = 24 ̸= 0.
( ( (4 3( (7 6(
| | | (5 4 3( @ABC @ABC
21−24=−3 6−0=6

Somit sind diese Vektoren linear unabhängig.

c) In diesem Beispiel benutzen wir das Rangkriterium. Mittels Gauß-Algorithmus
bestimmen wir den Rang der folgenden Matrix:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
| | | 2 1 −2 2(Z2 ) + (Z1 ) 2 1 −2 2 1 −2
⎢ ⎥ ⎢ ⎥ 2(Z3 ) − (Z1 ) ⎢ ⎥ 3(Z3 ) + (Z2 ) ⎢ ⎥
⎣v1 v2 v3 ⎦ = ⎣ −1 1 1 ⎦ % ⎣0 3 0 ⎦ % ⎣ 0 3 0 ⎦.
| | | 1 0 −1 0 −1 0 0 0 0

Da die Matrix den Rang 2 hat, sind die vorgegebenen Vektoren linear abhängig.
d) Wir wenden wiederum das Rangkriterium an:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
| | | 1 −1 2 (Z2 ) − (Z1 ) 1 −1 2 1 −1 2
⎢ ⎥ ⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ 2(Z3 ) − 3(Z2 ) ⎢ ⎥
⎣v1 v2 v3 ⎦ = ⎣ 1 1 0 ⎦ % ⎣ 0 2 −2 ⎦ % ⎣ 0 2 −2 ⎦ .
| | | 1 2 −3 0 3 −5 0 0 −4

Da die Matrix Rang 3 hat, sind diese Vektoren linear unabhängig.

e) In diesem letzten Beispiel wenden wir wieder das Determinantenkriterium an:
⎡ ⎤ ( (
| | | (3 3 1 ( ( ( ( (
( ( (3 −1( (3 1 (
⎢ ⎥ ( ( ( ( ( (
det ⎣v1 v2 v3 ⎦ = (0 3 −1( = 3 ( ( −0 + 1 ( ( = 0.
( ( (8 −2( (3 −1(
| | | (1 8 −2 ( @ AB C @ AB C
−6+8=2 −3−3=−6

Somit sind die Vektoren v1 , v2 , v3 linear abhängig. "

Übung 6.30 F1G

• ◦ ◦ Man bestimme eine Basis und die Dimension des von den Vektoren v1 = 2 ,
1
F1G F 0 G 1

v2 = 31 , v3 = 11 aufgespannten Unterraum U = ⟨v1 , v2 , v3 ⟩ ⊂ R4 .

0 −1

v Lösung
Wir müssen einfach überprüfen, ob die vorgegebenen Vektoren linear unabhängig sind.
Die Dimension von U ist dann gleich der Anzahl linear unabhängigen Vektoren. Zu
diesem Zweck wenden wir das Rangkriterium an:
6.4 • Berechnungsmethoden
329 6
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
⎡ ⎤ 1 1 0 (Z2 ) − 2(Z1 ) 1 1 0 1 1 0
| | | ⎢ (Z3 ) − (Z1 )
1 ⎥ ⎢0 1 ⎥ ⎢0
⎢ ⎥ ⎢2 3 ⎥ (Z3 ) − (Z1 ) ⎢ 1 ⎥ (Z4 ) + (Z2 ) ⎢ 1 1⎥⎥
⎣v1 v2 v3 ⎦ = ⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥.
⎣1 1 1 ⎦ ⎣0 0 1 ⎦ ⎣0 0 1⎦
| | |
1 0 −1 0 −1 −1 0 0 0

Da die Matrix Rang 3 hat, sind die Vektoren v1 , v2 , v3 linear unabhängig. Somit ist
dim(U) = 3 und {v1 , v2 , v3 } ist bereits eine Basis von U. "

Übung 6.31
• ◦ ◦ Man betrachte die folgenden Vektoren
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 −1 3 4
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v1 = ⎣1⎦ , v2 = ⎣ 1 ⎦ , v3 = ⎣−2⎦ , v4 = ⎣−1⎦ .
1 2 −1 −2

Ist v4 eine Linearkombination von v1 , v2 , v3 ? Falls ja, man bestimme die Koordinaten
von v4 in der Basis B = {v1 , v2 , v3 }.

v Lösung
v4 ist genau dann eine Linearkombination von v1 , v2 , v3 , wenn Folgendes eintritt:
⎡⎤ ⎡ ⎤
| | | 2 −1 3
⎢ ⎥ ⎢ ⎥
Rang(A|v4 ) = Rang(A), wobei A = ⎣v1 v2 v3 ⎦ = ⎣1 1 −2⎦ .
| | | 1 2 −1

Mit dem Gauß-Verfahren finden wir:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
2 −1 3 4 2(Z2 ) − (Z1 ) 2 −1 3 4 2 −1 3 4
⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥ 3(Z3 ) − (Z2 ) ⎢ ⎥
⎣ 1 1 −2 −1 ⎦ % ⎣ 0 3 −7 −6 ⎦ % ⎣ 0 3 −7 −6 ⎦ .
1 2 −1 −2 0 1 1 −1 0 0 10 3

Somit

Rang(A|v4 ) = Rang(A) = 3.

Daraus folgt, dass v4 eine Linearkombination der Vektoren v1 , v2 , v3 ist. Lösen wir das
obige LGS, so finden wir direkt die Koordinaten von v4 in der Basis B = {v1 , v2 , v3 }
⎡ ⎤ ⎡ ⎤
9
2 −1 3 4
⎢ ⎥ ⎢ 1013 ⎥
⎣ 0 3 −7 −6 ⎦ ⇒ [v4 ]B = ⎣− 10 ⎦ .
3
0 0 10 3 10 "
330 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Übung 6.32
• ◦ ◦ Für welche k ∈ R sind die folgenden Vektoren eine Basis von R3 ?
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
b1 = ⎣ 2 ⎦ , b2 = ⎣ 1 ⎦ , b3 = ⎣ 7 ⎦ .
−2 −3 k−6

v Lösung
Mit dem Determinanten-Kriterium finden wir:
⎡ ⎤ ( (
| | | (1 1 3 ((
(
⎢ ⎥ ( (
det ⎣v1 v2 v3 ⎦ = ( 2 1 7 (
( (
| | | (−2 −3 k − 6(
( ( ( ( ( (
(1 7 (( (1 3 (( (1 3( !
( ( ( (
=( ( −2 ( ( −2 ( ( = 1 − k ̸= 0.
(−3 k − 6( (−3 k − 6( (1 7(
@ AB C @ AB C @ABC
=k+15 =k+3 =4

Die Determinante ist ungleich Null, wenn k ̸= 1. Somit sind die gegebenen Vektoren
v1 , v2 , v3 eine Basis von R3 , wenn k ̸= 1. "

Übung 6.33
• ◦ ◦ Man betrachte die folgenden Vektoren
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 0 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v1 = ⎣1⎦ , v2 = ⎣7⎦ , v3 = ⎣k2 + 2⎦ , v4 = ⎣ k + 3 ⎦ .
1 7 3 k2 + 2

Für welche k ∈ R ist v4 eine lineare Kombination von v1 , v2 , v3 ?

v Lösung
Wir gehen gleich wie in Übung 6.31 vor und überprüfen, in Abhängigkeit von k ∈ R,
ob Folgendes gilt:
⎡ ⎤ ⎡ ⎤
| | | 12 0
⎢ ⎥ ⎢ ⎥
Rang(A|v4 ) = Rang(A), wobei A = ⎣v1 v2 v3 ⎦ = ⎣1 7 k2 + 2⎦ .
| | | 17 3
6.4 • Berechnungsmethoden
331 6
Mit dem Gauß-Verfahren finden wir:
⎡ ⎤ ⎡ ⎤
1 2 0 1 (Z2 ) − (Z1 ) 1 2 0 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
⎣ 1 7 k2 + 2 k + 3 ⎦ % ⎣0 5 k2 + 2 k + 2 ⎦
1 7 3 2
k +2 0 5 3 2
k +1
⎡ ⎤
1 2 0 1
(Z3 ) − (Z2 ) ⎢ ⎥
% ⎣0 5 k2 + 2 k + 2 ⎦.
0 0 1 − k2 k2 − k − 1

5 Für k ̸= ±1 ist Rang(A|v4 ) = Rang(A) = 3. Somit v4 ist eine Linearkombination

von v1 , v2 , v3 .
5 Für k = ±1 ist Rang(A|v4 ) = 3 > Rang(A) = 2, d. h. v4 ist keine Linearkombinati-
on von v1 , v2 , v3 . "

Übung 6.34 89 k : 9 −2 : 9 0 :;
• ◦ ◦ Man betrachte den Unterraum U = 2 , 1 , 1 ⊂ R3 , Man bestimme
1 0 1
dim(U) in Abhängigkeit des Parameters k ∈ R.

v Lösung
Wir schreiben die drei Vektoren als Spalten in einer Matrix auf und berechnen den
Rang der resultierenden Matrix mit dem Gauß-Algorithmus:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
| | | k −2 0 1 0 1 (Z2 ) − 2(Z1 ) 1 0 1
⎢ ⎥ ⎢ ⎥ (Z1 ) ↔ (Z3 ) ⎢ ⎥ (Z3 ) − k(Z1 ) ⎢ ⎥
⎣v1 v2 v3 ⎦ = ⎣ 2 1 1 ⎦ % ⎣2 1 1⎦ % ⎣ 0 1 −1 ⎦
| | | 1 0 1 k −2 0 0 −2 −k
⎡ ⎤
1 0 1
(Z3 ) + 2(Z2 ) ⎢ ⎥
% ⎣0 1 −1 ⎦ .
0 0 −k − 2

Wir betrachten nun den Rang der obigen Matrix in Abhängigkeit von k ∈ R:
5 Für k ̸= −2 hat die Matrix Rang 3. Somit ist dim(U) = 3.
5 Für k = −2 hat die Matrix Rang 2. Somit sind dim(U) = 2. "

Übung 6.35
• ◦ ◦ Es seien A ∈ R7×2 , B ∈ R2×5 und C = AB. Es seien v1 , v2 , v3 , v4 vier beliebige
Vektoren in R7 . Man zeige, dass Cv1 , Cv2 , Cv3 , Cv4 linear abhängig sind.

v Lösung
A ∈ R7×2 , B ∈ R2×5 ⇒ Rang(A) ≤ 2 und Rang(B) ≤ 2. Mit der Ungleichung
Rang(AB) ≤ min{Rang(A), Rang(B)} erhalten wir damit Rang(C) = Rang(AB) ≤ 2.
Somit müssen die Bilder der vier Vektoren v1 , v2 , v3 , v4 linear abhängig sein. "
332 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Übung 6.36
• • ◦ Man betrachte die folgenden Vektoren in K2
6 % & % &7
a c
B = b1 = , b2 = , a, b, c, d ∈ K.
b d

a) Es sei K = C. Für welche a, b, c, d ∈ C ist B eine Basis von C2 ?

b) Es sei nun K = Z2 . Für welche a, b, c, d ∈ Z2 ist B eine Basis von Z22 ? Man gebe
alle mögliche Basen von Z22 explizit an.

v Lösung
a) Zwei Vektoren b1 , b2 ∈ C2 bilden eine Basis von C2 genau dann, wenn:
⎡ ⎤
| | ( (
(
⎢ ⎥ (a c ((
det ⎣b1 b2 ⎦ = ( ( = ad − bc ̸= 0.
(b d(
| |

Die Vektoren b1 , b2 bilden eine Basis von C2 exakt, wenn ad − bc ̸= 0.

b) B ist genau dann eine Basis von Z22 , wenn ad − bc ̸= 0, d. h. ad ̸= bc. Auf Z2 gibt es
nur zwei Möglichkeiten: Entweder ist ad = 1 und bc = 0, oder ad = 0 und bc = 1.
Nun betrachten wir diese zwei Fälle separat:
5 ad = 1 impliziert unbedingt a = d = 1. Aus bc = 0 folgt b = 0 oder c = 0. Es
gibt somit 3 Möglichkeiten für die Vektoren b1 , b2 :
6% & % &7 6% & % &7 6% & % &7
1 0 1 0 1 1
, , , , , .
0 1 1 1 0 1

5 ad = 0 impliziert a = 0 oder d = 0. Aus bc = 1 folgt b = c = 1. Es gibt somit 3

Möglichkeiten für die Vektoren b1 , b2 :
6% & % &7 6% & % &7 6% & % &7
0 1 1 1 0 1
, , , , , .
1 0 1 0 1 1

Bis auf Permutationen der einselnen Vektoren haben wir genau 3 mögliche Basen
von (Z2 )2 gefunden:
6% & % &7 6% & % &7 6% & % &7
1 0 1 0 1 1
, , , , , .
0 1 1 1 0 1 "
6.4 • Berechnungsmethoden
333 6

Übung 6.37
• • ◦ Man betrachte die folgenden Unterräume von R3
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
, 1 0 3 , 1 2 4 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
U = ⎣1⎦ , ⎣1⎦ , W = ⎣0⎦ , ⎣ 1 ⎦ , ⎣1⎦ .
0 1 1 −1 1

a) Man finde Basen für U und W . Was sind dim(U) und dim(W )?
b) Man bestimme eine Basis von U ∩ W . Was ist dim(U ∩ W )?
c) Man bestimme eine Basis von U + W . Was ist dim(U + W )?
d) Man verifiziere die Formel dim(U + W ) = dim(U) + dim(W ) − dim(U ∩ W ).

v Lösung
a) Basis von U: Wir schreiben die vorgegebenen Vektoren als Spalten in einer Matrix
auf und bestimmen den Rang von dieser Matrix:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 0 1 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣1 1⎦ % ⎣0 1⎦ % ⎣ 0 1 ⎦.
0 1 0 1 0 0

Die Matrix hat Rang 2 (zwei Zeilen ̸= [0, 0]). Somit sind die zwei vorgegebenen
Vektoren linear unabhängig. Diese Vektoren bilden also eine Basis von U und
dim(U) = 2.
Basis von W : Wir wenden dieselbe Methode wie oben:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 4 1 2 4 1 2 4
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) + 3(Z2 ) ⎢ ⎥
⎣0 1 1⎦ % ⎣0 1 1 ⎦ % ⎣ 0 1 1 ⎦.
1 −1 1 0 −3 −3 0 0 0

Die Matrix hat Rang 2. Somit sind die drei vorgegebenen Vektoren linear
<9 abhängig.
: 9 := 1 2
Eine Basis von W besteht nur aus 2 von diesen Vektoren, zum Beispiel 0 , 1
1 −1
und dim(W ) = 2.
b) Wie bestimmt man eine Basis des Schnitts U ∩ W ? Der Trick bei solchen Aufgaben
ist der folgende: Ist v ∈ U ∩ W (d. h. v ∈ U und v ∈ W ), so kann man v sowohl
in der Basis von U als auch in der Basis von W als Linearkombination darstellen,
d. h.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 2 10 % & 1 2 % &
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ α ⎢ ⎥ β
v = α1 ⎣1⎦ + α2 ⎣1⎦ = β1 ⎣0⎦ + β2 ⎣ 1 ⎦ ⇒ ⎣1 1⎦ 1 = ⎣0 1 ⎦ 1 .
α2 β2
0 1 1 −1 01 1 −1

Dies kann man wie folgt interpretieren:

334 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

⎡ ⎤ ⎡ ⎤
⎡ ⎤ α1 0
1 0 −1 −2 ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢α2 ⎥ ⎢0⎥
⎣1 1 0 −1⎦ ⎢ ⎥ = ⎢ ⎥ .
⎣β1 ⎦ ⎣0⎦
0 1 −1 1
β2 0

Dieses LGS lösen wir mit dem Gauß-Algorithmus

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 −1 −2 0 1 0 −1 −2 0 1 0 −1 −2 0
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣ 1 1 0 −1 0 ⎦ % ⎣0 1 1 1 0⎦ % ⎣ 0 1 1 1 0 ⎦.
0 1 −1 1 0 0 1 −1 1 0 0 0 −2 0 0

Aus der letzten Gleichung folgt β1 = 0. β2 = t ist frei wählbar. Aus der zweiten
Gleichung folgt α2 = −t. Folglich, die erste Gleichung impliziert α1 = 2t. Jeder
Vektor v ∈ U ∩ W sieht somit wie folgt aus:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 0 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v = α1 ⎣1⎦ + α2 ⎣1⎦ = 2t ⎣1⎦ − t ⎣1⎦ = t ⎣ 1 ⎦
0 1 0 1 −1
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 2 1 2 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
v = β1 ⎣0⎦ + β2 ⎣ 1 ⎦ = 0 ⎣0⎦ + t ⎣ 1 ⎦ = t ⎣ 1 ⎦ .
1 −1 1 −1 −1
<9 2
:=
Eine Basis von U ∩ W ist somit 1 und dim(U ∩ W ) = 1.
−1
c) Wie bestimmt man eine Basis von U + W ? Man kombiniert die Vektoren aus
den Basen von U und W in einer einzigen Matrix. Mit dem Rang-Kriterium
überprüfen wir, ob diese Vektoren linear unabhängig sind, und bestimmen dadurch
die Dimension von U + W . Wir schreiben also beide Basen in einer einzigen Matrix
auf und wenden den Gauß-Algorithmus an, um den Rang der resultierende Matrix
zu bestimmen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 2 1 0 1 2 1 0 1 2
⎢ ⎥ (Z2 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣1 1 0 1 ⎦ % ⎣ 0 1 −1 −1 ⎦ % ⎣ 0 1 −1 −1 ⎦ .
0 1 1 −1 0 1 1 −1 0 0 2 0

Die Matrix hat Rang 3. Somit ist dim(U + W ) = 3 und je drei linear unabhängige
Vektoren aus den kombinierten Basen von U und W ergeben eine Basis von U +W .
Zum Beispiel:
⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎨ 1
⎪ 0 1 ⎪
⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1⎦ , ⎣1⎦ , ⎣0⎦ .
⎪
⎩ ⎪
⎭
0 1 1

d) Es gilt dim(U + W ) = dim(U) + dim(W ) − dim(U ∩ W ) ! "

@ AB C @ AB C @ AB C @ AB C
=3 =2 =2 =1
6.4 • Berechnungsmethoden
335 6

Übung 6.38
• ◦ ◦ Man untersuche
89 1 :ob9 jeweils
:; V=
89U :;⊕ W .
1 1
a) V = R3 , U = 1 , 1 ,W = 0
89 11 : 9 00 :; 89 11 : 9 1 :;
b) V = R3 , U = 1 , 1 , W = 0 2
0 1 −1 1 < ( 9 0 :=
(
c) V = R3 , U = {x ∈ R3 | x1 = x2 = x3 }, W = x ∈ R3 ( x = x2
89 1 : 9 0 :; 89 0 : 9 0 :; x3
d) V = R3 , U = 0 , 1 , W = 1 , 0
1 1 0 1

v Lösung
a) V = U + W ? Wir kombinieren alle erzeugenden Vektoren von U und W als
Spalten in einer einzigen Matrix. Wir berechnen dann den Rang dieser Matrix, um
die Dimension von U + W zu bestimmen:
⎡ ⎤ ⎡ ⎤
1 1 1 (Z2 ) − (Z1 ) 1 1 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
A=⎣1 1 0⎦ % ⎣ 0 0 −1 ⎦ ⇒ Rang(A) = 3 ⇒ dim(U + W ) = 3.
1 0 1 0 −1 0

Somit ist U + W = R3 .
U ∩ W = {0}? Um U ∩ W zu bestimmen, betrachten wir ein beliebiges Element
v ∈ U ∩ W . Wegen v ∈ U und v ∈ W können wir v wie folgt darstellen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
1 1 1 1 1 −1 α 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
v = α ⎣1⎦ + β ⎣1⎦ = γ ⎣0⎦ ⇒ ⎣1 1 0 ⎦ ⎣β ⎦ = ⎣0⎦ .
1 0 1 1 0 −1 γ 0

Dies LGS lösen wir mit dem Gauß-Algorithmus

⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 −1 0 (Z2 ) − (Z1 ) 1 1 −1 0 1 1 −1 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) ↔ (Z2 ) ⎢ ⎥
⎣1 1 0 0⎦ % ⎣0 0 1 0⎦ % ⎣ 0 −1 0 0 ⎦ .
1 0 −1 0 0 −1 0 0 0 0 1 0

Die einzige Lösung ist α = β = γ = 0, d. h., v = 0 ⇒ U ∩ W = {0}.

Zusammenfassend: Wegen V = U + W und U ∩ W = {0} ist V = U ⊕ W .
b) V = U + W ? Wir gehen wie in (a) vor. Wir kombinieren alle erzeugenden Vektoren
von U und W als Spalten in einer einzigen Matrix. Wir berechnen dann den Rang
dieser Matrix, um die Dimension von U + W zu bestimmen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
10 1 1 10 1 1 10 1 1
⎢ ⎥ (Z ) − (Z ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
A = ⎣ 1 1 0 2 ⎦ 2 % 1 ⎣ 0 1 −1 1 ⎦ % ⎣ 0 1 −1 1 ⎦ ⇒ Rang(A) = 2.
0 1 −1 1 0 1 −1 1 00 0 0

Somit ist dim(U + W ) = 2 also U + W ̸= R3 . Es folgt: U + W ist keine direkte

Summe.
336 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

c) Zunächst bestimmen wir89Basen

:; von U und W . Aus der 89
definierenden
: 9 :; Gleichungen
1 0 0
x1 = x2 = x3 folgt U = 1 . Für W finden wir W = 1 , 0 .
1 0 1
V = U + W ? Wir kombinieren alle erzeugenden Vektoren von U und W als
Spalten in einer einzigen Matrix. Wir berechnen dann den Rang dieser Matrix, um
die Dimension von U + W zu bestimmen:
⎡ ⎤ ⎡ ⎤
1 0 0 (Z2 ) − (Z1 ) 1 0 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
A=⎣1 1 0⎦ % ⎣ 0 1 0 ⎦ ⇒ Rang(A) = 3 ⇒ dim(U + W ) = 3.
1 0 1 0 0 1

Somit ist U + W = R3 .
U ∩ W = {0}? Um U ∩ W zu bestimmen, betrachten wir ein beliebiges Element
v ∈ U ∩ W . Wegen v ∈ U und v ∈ W können wir v wie folgt darstellen
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
1 0 0 1 0 0 α 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
v = α ⎣1⎦ = β ⎣1⎦ + γ ⎣0⎦ ⇒ ⎣1 −1 0 ⎦ ⎣β ⎦ = ⎣0⎦ .
1 0 1 1 0 −1 γ 0

Dies LGS lösen wir mit dem Gauß-Algorithmus

⎡ ⎤ ⎡ ⎤
1 0 0 0 (Z2 ) − (Z1 ) 1 0 0 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
⎣ 1 −1 0 0 ⎦ % ⎣ 0 −1 0 0 ⎦ .
1 0 −1 0 0 0 −1 0

Die einzige Lösung ist α = β = γ = 0, d. h., v = 0 ⇒ U ∩ W = {0}.

Zusammenfassend: Wegen V = U + W und U ∩ W = {0} ist V = U ⊕ W .
d) V = U + W ? Wir kombinieren alle erzeugenden Vektoren von U und W als
Spalten in einer einzigen Matrix. Wir berechnen dann den Rang dieser Matrix, um
die Dimension von U + W zu bestimmen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1000 1000 10 0 0
⎢ (Z
⎥ 3 ) − (Z )
1 ⎢ (Z
⎥ 3 ) − (Z )
2 ⎢ ⎥
A = ⎣ 0 1 1 0 ⎦ % ⎣ 0 1 1 0 ⎦ % ⎣ 0 1 1 0 ⎦ ⇒ Rang(A) = 3.
1101 0101 0 0 −1 1

Es folgt dim(U + W ) = 3 also U + W = R3 .

U ∩ W = {0}? Es sei v ∈ U ∩ W . Wegen v ∈ U und v ∈ W gilt

⎡ ⎤
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ α ⎡ ⎤
1 0 0 0 10 0 0 ⎢ ⎥ 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ β
⎥⎢ ⎥ ⎢ ⎥
v = α ⎣0⎦ + β ⎣1⎦ = γ ⎣1⎦ + δ ⎣0⎦ ⇒ ⎣0 1 −1 0 ⎦ ⎢ ⎥ = ⎣0⎦ .
⎣γ ⎦
1 1 0 1 1 1 0 −1 0
δ

Dies LGS lösen wir mit dem Gauß-Algorithmus

6.4 • Berechnungsmethoden
337 6
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ ⎥
⎣ 0 1 −1 0 0 ⎦ % ⎣ 0 1 −1 0 0 ⎦ % ⎣ 0 1 1 0 0 ⎦.
1 1 0 −1 0 0 1 0 −1 0 0 0 1 −1 0

Eine Variable ist frei wählbar,

9 0 : z. B. δ = t. Aus
89 der
:; dritten Gleichung folgt dann
0
γ = δ = t. Somit ist v = t 1 , d. h. U ∩ W = 1 = ̸ {0}.
1 1
Es folgt: U + W ist keine direkte Summe (Aber es gilt: V = U + W ). "

Übung 6.39
••◦ 91: 90: 91:
a) Man zeige, dass die Vektoren 1 , 1 , 0 linear unabhängig über R sind.
0 1 1
b) Sind die Vektoren auch linear unabhängig über Z2 ?

v Lösung
Drei Vektoren sind genau dann linear unabhängig, wenn die Matrix, welche diese
Vektoren als Spalten enthält, eine nicht verschwindende Determinante hat.
a) Konkret:
⎡ ⎤
101 ( ( ( (
(
⎢ ⎥ (1 0(( ((0 1((
det ⎣1 1 0⎦ = ( (−( ( = 1 + 1 = 2 ̸= 0.
(1 1( (1 1(
011

Die Vektoren sind somit linear unabhängig über R. 91 0 1:

b) Über Z2 ist 2 = 0. Mit dem obigen Resultat erhalten wir det 110 = 2 = 0.
011
Folglich sind die Vektoren linear abhängig über Z2 . "

Übung 6.40 HF 1 G F 0 G F 1 G F 1 GI
• ◦ ◦ Man betrachte U = 1 , 1 , 0 , 0 . a) Man berechne die Dimension
0 1 1 0
0 0 0 1
von U über R. b) Wie lautet die Dimension von U über Z2 ?

v Lösung
Wir überprüfen mit dem Rangkriterium, ob die vorgegebenen Vektoren linear unab-
hängig sind.
a) Über R gilt
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 1 1 0 1 1 1 0 1 1
⎢1 0⎥ ⎢0 −1 ⎥ ⎢0
⎢ 1 0 ⎥ (Z2 ) − (Z1 ) ⎢ 1 −1 ⎥ (Z3 ) − (Z2 ) ⎢ 1 −1 −1 ⎥
⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥.
⎣0 1 1 0⎦ ⎣0 1 1 0 ⎦ ⎣0 0 2 1 ⎦
0 0 0 1 0 0 0 1 0 0 0 1

Da die Matrix Rang 4 hat, ist dimR (U) = 4.

338 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

b) In diesem Fall wiederholen wir dieselbe Rechnung wie in (a), aber müssen alle
Rechnungen in Z2 durchführen. Wegen −1 = 1 und 2 = 0, finden wir:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 1 1 0 1 1 1 0 1 1 1 0 1 1
⎢1 0⎥ ⎢0 −1 ⎥ ⎢0 −1 ⎥ ⎢0
⎢ 1 0 ⎥ (Z2 ) − (Z1 ) ⎢ 1 −1 ⎥ (Z3 ) − (Z2 ) ⎢ 1 −1 ⎥ ⎢ 1 1 1⎥⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥=⎢ ⎥
⎣0 1 1 0⎦ ⎣0 1 1 0 ⎦ ⎣0 0 2 1 ⎦ ⎣0 0 0 1⎦
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1
⎡ ⎤
1 0 1 1
⎢0
(Z4 ) − (Z3 ) ⎢ 1 1 1⎥⎥
% ⎢ ⎥.
⎣0 0 0 1⎦
0 0 0 0

Da die Matrix den Rang 3 hat, ist dimZ2 (U) = 3. "

Übung 6.41
• • ◦ Man zeige, dass die folgenden Vektoren eine Basis des C-Vektorraumes V = C4
bilden.
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 i 1 − 2i 1
⎢0⎥ ⎢1⎥ ⎢ −i ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥,⎢ ⎥,⎢ ⎥,⎢ ⎥.
⎣0⎦ ⎣1⎦ ⎣ i ⎦ ⎣ 0 ⎦
1 i 1 −1

v Lösung
Wir schreiben die gegebenen Vektoren als Matrix auf und wenden den Gauß-
Algorithmus an:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 i 1 − 2i 1 1 i 1 − 2i 1 1 0 0 1
⎢0 0 ⎥ ⎢ 0 1 −i 0 ⎥ ⎢0
⎢ 1 −i ⎥ (Z4 ) − (Z1 ) ⎢ ⎥ (Z3 ) − (Z2 ) ⎢ 1 −i 0 ⎥
⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥
⎣0 1 i 0 ⎦ ⎣0 1 i 0 ⎦ ⎣0 0 2i 0 ⎦
1 i 1 −1 0 0 2i −2 0 0 2i −2
⎡ ⎤
10 0 1
(Z4 ) − (Z3 )
⎢ 0 1 −i 0 ⎥
⎢ ⎥
% ⎢ ⎥.
⎣ 0 0 2i 0 ⎦
0 0 0 −2

Die Matrix hat Rang 4. Somit sind die vier Vektoren linear unabhängig. Der C-
Vektorraum C4 hat die Dimension 4. Somit bilden die gegebenen Vektoren eine Basis
von C4 (als C-Vektorraum). "

> Bemerkung
Die vier Vektoren in Übung 6.41 bilden keine Basis von C4 , wenn man diesen Vek-
torraum als einen Vektorraum über R betrachtet (d. h. wenn wir nur reelle Zahlen als
6.4 • Berechnungsmethoden
339 6
Koeffizienten benutzen dürften, um Linearkombinationen zu bilden). Eine Basis von
C (als R-Vektorraum) ist {1, i}. Somit hat C4 Dimension 8 über R (und nicht 4). Eine
Basis von C4 (als R-Vektorraum) braucht somit 8 Vektoren!

Übung 6.42
• • ◦ Für welche x1 , · · · , xn ∈ R sind die folgenden Vektoren linear unabhängig?
⎡ ⎤ ⎡ ⎤ ⎡ 2⎤ ⎡ n⎤
1 x1 x1 x1
⎢1⎥ ⎢x ⎥ ⎢x2 ⎥ ⎢xn ⎥
⎢ ⎥ ⎢ 2⎥ ⎢ 2⎥ ⎢ 2⎥
⎢.⎥ , ⎢ . ⎥, ⎢ . ⎥, ··· ,⎢ ⎥
⎢.⎥ ⎢.⎥ ⎢.⎥ ⎢ .. ⎥ .
⎣.⎦ ⎣.⎦ ⎣.⎦ ⎣.⎦
1 xn x2n xnn

Hinweis: Vandermonde Determinante (vgl. Übung 3.32).

v Lösung
Wir untersuchen, ob die Vektoren linear unabhängig sind mit dem Determinantenkri-
terium. Dabei erkennen wir die Vandermonde-Determinante (vgl. Übung 3.32)
( (
(1
( x1 x21 ··· xn1 ((
(1 x2 x22 ··· xn2 (( J
(
(. .. .. .. (( = (xi − xj ).
(. ..
(. . . . . (( i<j
(
(1 xn x2n · · · xnn (

Diese Determinante ist genau dann ungleich Null, wenn xi ̸= xj für alle i, j = 1, · · · , n
gilt. Die gegebenen Vektoren sind also genau dann linear unnabhängig, wenn alle
Zahlen x1 , · · · , xn paarweise verschieden sind. "

Übung 6.43
• ◦ ◦ Man bestimme, ob die folgenden Elemente des Vektorraumes V linear abhängig
oder linear unabhängig
⎡ ⎤ ⎡ ⎤ sind.
⎡ Bilden
⎤ diese Elemente ein Erzeugendensystem?
1 0 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
a) V = R3 : ⎣−1⎦ , ⎣0⎦ , ⎣ 2 ⎦ .
1 0 −3
9 : 9 : 9 :
b) V = R1×4 :
1 1 3 1 , 1 0 0 1 , 1 −1 0 0 .
% & % & % & % &
1 1 10 21 0 1
c) V = R2×2 : , , , .
1 −1 01 11 −1 1
340 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

v Lösung
a) Wir schreiben die gegebenen Vektoren in einer Matrix auf und wenden den Gauß-
Algorithmus an:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 1 (Z2 ) + (Z1 ) 1 0 1 3(Z3 ) + 4(Z2 ) 1 0 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z2 )/3 ⎢ ⎥
⎣ −1 0 2 ⎦ % ⎣0 0 3 ⎦ % ⎣ 0 0 1 ⎦.
1 0 −3 0 0 −4 0 0 0

Die Matrix hat Rang 2. Somit sind die drei Vektoren linear abhängig und sie bilden
kein Erzeugendensystem von V .
b) Wir gehen wie in Teilaufgabe (a) vor und schreiben die drei Zeilenvektoren als
Matrix auf. Mit dem Gauß-Algorithmus finden wir dann:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 3 1 (Z2 ) − (Z1 ) 1 1 3 1 1 1 3 1
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥ (Z3 ) − 2(Z2 ) ⎢ ⎥
⎣1 0 0 1⎦ % ⎣ 0 −1 −3 0 ⎦ % ⎣ 0 −1 −3 0 ⎦ .
1 −1 0 0 0 −2 −3 −1 0 0 3 −1

Da die Matrix Rang 3 hat, sind die vorgegebenen Zeilenvektoren linear unabhängig.
Da die Dimension von V aber gleich 4 ist, bilden diese 3 Vektoren kein Erzeugen-
densystem.
c) Wir identifizieren die (2 × 2)-Matrizen mit den Koordinatenvektoren bezüglich der
Standardbasis von R2×2 :
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & 1 % & 1 % & 2 % & 0
⎢1⎥ 10 ⎢0⎥ 2 1 ⎢1⎥ ⎢1⎥
1 1 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ 0 1 ⎢ ⎥
≡ ⎢ ⎥, ≡ ⎢ ⎥, ≡ ⎢ ⎥, ≡ ⎢ ⎥.
1 −1 ⎣1⎦ 01 ⎣0⎦ 1 1 ⎣1⎦ −1 1 ⎣−1⎦
−1 1 1 1

Dann gehen wir wie üblich weiter und schreiben diese Vektoren als Matrix auf
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 2 0 (Z2 ) − (Z1 ) 1 1 2 0 1 1 2 0
(Z3 ) − (Z1 ) (Z3 ) − (Z2 )
⎢ 1 1 ⎥ ⎢0 1 ⎥ ⎢0
⎢ 0 1 ⎥ (Z4 ) + (Z1 ) ⎢ −1 −1 ⎥ (Z4 ) + 2(Z3 ) ⎢ −1 −1 1 ⎥
⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥.
⎣ 1 0 1 −1 ⎦ ⎣0 −1 −1 −1 ⎦ ⎣0 0 0 −2 ⎦
−1 1 1 1 0 2 3 1 0 0 1 3

Da die Matrix Rang 4 hat, sind die vier Vektoren (und somit die entsprechenden
Matrizen in R2×2 ) linear unabhängig. Da die Dimension von V gleich 4 ist und
wir genau 4 linear unabhängige Elemente haben, bilden die 4 Matrizen eine Basis
von V . "
6.4 • Berechnungsmethoden
341 6

Übung 6.44
• ◦ ◦ Man bestimme die Dimension des folgenden Unterraumes V ⊂ R3×3 :
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
, 111 1 −1 0 0 1 −1 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
V = ⎣1 1 1⎦ , ⎣−1 0 1 ⎦ , ⎣−1 0 1 ⎦ .
111 0 1 −1 1 −1 0

v Lösung
Wir müssen einfach untersuchen, ob die vorgegebenen Matrizen linear unabhängig
sind. Dazu wenden wir zwei Methoden an.
Mit dem Rang-Kriterium: Wegen R3×3 ∼ = R9 identifizieren wir die vorgegebenen
(3 × 3)-Matrizen mit den folgenden Koordinatenvektoren in R9 :
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0
⎢1⎥ ⎢−1⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1⎥ ⎢0⎥ ⎢−1⎥
⎡ ⎤ ⎢ ⎥ ⎡ ⎤ ⎢ ⎥ ⎡ ⎤ ⎢ ⎥
111 ⎢1⎥ 1 −1 0 ⎢−1⎥ 0 1 −1 ⎢−1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1 1 1⎦ ≡ ⎢1⎥ , ⎣−1 0 1 ⎦ ≡ ⎢ 0 ⎥ , ⎣−1 0 1 ⎦ ≡ ⎢ 0 ⎥ .
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
111 ⎢1⎥ 0 1 −1 ⎢1⎥ 1 −1 0 ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1⎥ ⎢0⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1⎦ ⎣1⎦ ⎣−1⎦
1 −1 0

Dann schreiben wir diese Vektoren in einer Matrix auf und wenden den Gauß-
Algorithmus an, um den Rang der resultierenden Matrix zu bestimmen:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 0 1 1 0 1 1 0
⎢1 −1 1 ⎥ ⎢0 −2 1 ⎥ ⎢0 −2 1 ⎥
⎢ ⎥ ⎢ ⎥ 2(Z3 ) − (Z2 ) ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1 0 −1 ⎥ ⎢0 −1 −1 ⎥ (Z4 ) − (Z2 ) ⎢0 0 −3 ⎥
⎢ ⎥ ⎢ ⎥ 2(Z5 ) − (Z2 ) ⎢ ⎥
⎢1 −1 −1 ⎥ (Zi ) − (Z1 ) ⎢0 −2 −1 ⎥ 2(Z7 ) − (Z2 ) ⎢0 0 −2 ⎥
⎢ ⎥ ⎢ ⎥ (Z9 ) − (Z2 )
⎢ ⎥
⎢ ⎥ i = 2, · · · , 9 ⎢ ⎥ ⎢ ⎥
⎢1 0 0 ⎥ % ⎢0 −1 0 ⎥ % ⎢0 0 −1 ⎥ .
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1 1 1 ⎥ ⎢0 0 1 ⎥ ⎢0 0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢1 0 1 ⎥ ⎢0 −1 1 ⎥ ⎢0 0 1 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣1 1 −1 ⎦ ⎣0 0 −1 ⎦ ⎣0 0 −1 ⎦
1 −1 0 0 −2 0 0 0 −1

Die Matrix hat Rang 3. Somit sind die drei Matrizen linear unabhängig und dim(V ) =
3. Mit der Definition: Wir suchen Zahlen α1 , α2 , α3 ∈ R mit
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
111 1 −1 0 0 1 −1 000
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
α1 ⎣1 1 1⎦ + α2 ⎣−1 0 1 ⎦ + α3 ⎣−1 0 1 ⎦ = ⎣0 0 0⎦
111 0 1 −1 1 −1 0 000

d. h.
342 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

⎡ ⎤ ⎡ ⎤
α1 + α2 α1 − α2 + α3 α1 − α3 000
⎢ ⎥ ! ⎢ ⎥
⎣α1 − α2 − α3 α1 α1 + α2 + α3 ⎦ = ⎣0 0 0⎦ .
α1 + α3 α1 + α2 − α3 α1 − α2 000

Durch komponentenweises Vergleichen erhalten wir α1 = 0 (Eintrag (2,2)). Daraus

folgt α2 = 0 (Eintrag (3,3)) und α3 = 0 (Eintrag (1,3)). Somit sind die drei Matrizen
linear unabhängig und dim(V ) = 3, gleich wie bei Methode 1. "

Übung 6.45
• ◦ ◦ Man zeige, dass die Pauli-Matrizen (vgl. Übung 1.13)
% & % & % & % &
10 01 0 −i 1 0
σ0 = , σx = , σy = , σz =
01 10 i 0 0 −1

eine Basis von C2×2 bilden.

v Lösung
Wegen C2×2 ∼ = C4 identifizieren wir die vorgegebenen (2 × 2)-Matrizen mittels
Koordinatenvektoren in C4 (wegen C2×2 ∼
= C4 ):
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & 1 % & 0 % & 0 % & 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
10 ⎢0⎥ 0 1 ⎢1⎥ 0 −i ⎢−i⎥ 1 0 ⎢0⎥
≡ ⎢ ⎥, ≡ ⎢ ⎥, ≡ ⎢ ⎥, ≡ ⎢ ⎥.
01 ⎣0⎦ 1 0 ⎣1⎦ i 0 ⎣ i ⎦ 0 −1 ⎣0⎦
1 0 0 −1

Dann gehen wir wie üblich weiter und schreiben diese Vektoren in einer Matrix auf:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 0 0 1 1 0 0 1 1 0 0 1
⎢0 0 ⎥ ⎢0 0 ⎥ ⎢0
⎢ 1 −i ⎥ (Z4 ) − (Z1 ) ⎢ 1 −i ⎥ (Z3 ) − (Z2 ) ⎢ 1 −i 0 ⎥
⎥
⎢ ⎥ % ⎢ ⎥ % ⎢ ⎥.
⎣0 1 i 0 ⎦ ⎣0 1 i 0 ⎦ ⎣0 0 2i 0 ⎦
1 0 0 −1 0 0 0 −2 0 0 0 −2

Die Matrix hat Rang 4. Somit sind die vier Vektoren linear unabhängig. Die Pauli-
Matrizen sind also eine Basis von C2×2 . "

Übung 6.46
• ◦ ◦ Man zeige, dass die folgenden Matrizen
% & % & % &
1 i 1 i i −2
B1 = , B2 = , B3 =
01 02 0 i

eine Basis des Vektorraumes der komplexen (2 × 2)-oberen Dreiecksmatrizen bilden.

6.4 • Berechnungsmethoden
343 6
v Lösung
Der Vektorraum der komplexen (2 × 2)-oberen Dreiecksmatrizen hat Dimension 3. Es
sind genau 3 komplexe (2 × 2)-obere Dreiecksmatrizen vorgegeben. Wir müssen somit
nur die lineare Unabhängigkeit dieser Matrizen nachweisen. Dazu identifizieren wir die
(2 × 2)-Matrizen mit Koordinatenvektoren in C4 :
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
% & 1 % & 1 % & i
⎢i⎥ 1 i ⎢ i ⎥ i −2 ⎢−2⎥
1 i ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
≡ ⎢ ⎥, ≡ ⎢ ⎥, ≡ ⎢ ⎥.
01 ⎣0⎦ 0 2 ⎣0⎦ 0 i ⎣0⎦
1 2 i

Dann gehen wir wie üblich weiter und schreiben diese Vektoren in einer Matrix auf:
⎡ ⎤ ⎡ ⎤
1 1 i (Z2 ) − i(Z1 ) 1 1 i
⎢ ⎥ (Z3 ) − (Z1 ) ⎢ ⎥
⎣ i i −2 ⎦ % ⎣ 0 0 −1 ⎦ .
1 2 i 0 1 0

Die Matrix hat Rang 3. Somit bilden die vorgegebenen Matrizen eine Basis des
Vektorraumes der komplexen (2 × 2)-oberen Dreiecksmatrizen. "

Übung 6.47
• ◦ ◦ Man zeige, dass sin(x) und cos(x) linear unabhängig sind.

v Lösung
Wir wenden den Wronski-Test an. Die Abbildungen sind y1 (x) = sin(x) und y2 (x) =
cos(x). Die Wronski Determinante lautet dann
( ( ( (
(y (x) y (x)( ( sin(x) cos(x) ( K L
( 1 2 ( ( (
W (y1 , y2 ) = ( ′ (=( ( = − sin2 (x) + cos2 (x) = −1 ̸= 0.
(y1 (x) y′2 (x)( (cos(x) − sin(x)( @ AB C
=1

Wegen W ̸= 0 sind sin(x) und cos(x) linear unabhängig. "

Übung 6.48
• • ◦ Es sei V = ⟨1, x, ex , e−x ⟩.
a) Man bestimme die Dimension sowie eine Basis von V .
b) Man berechne die Koordinaten der Funktionen sinh(x) und cosh(x) in dieser Basis.

v Lösung
a) Wir untersuchen ob 1, x, ex , e−x linear unabhängig sind. Dazu berechnen wir die
Wronski-Determinante:
344 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

( ( ( (
( y1 (x) y2 (x) y3 (x) y4 (x) ( (1
( ( ( x ex e−x ((
( y′ (x) y′ (x) y′ (x) y′ (x) ( (0 (
( ( ( 1 ex −e−x (
W (y1 , y2 , y3 , y4 ) = ( ′′1 2 3 4 (=( (
( y1 (x) y′′2 (x) y′′3 (x) y′′4 (x) ( (0 0 ex −x
e ((
( ( (
(y′′′ (x) y′′′ (x) y′′′ (x) y′′′ (x)( (0 0 ex −e−x (
1 2 3 4
( (
(ex −x (
( e (
=1·1·( x ( = −2 ̸= 0.
(e −e−x (

Wegen W ̸= 0 sind 1, x, ex , e−x linear unabhängig. V hat somit die Dimension

dim(V ) = 4 und die Abbildungen 1, x, ex , e−x bilden eine Basis von V .
b) Es sei V versehen mit der Basis B = {1, x, ex , e−x }. Es gilt:
⎤ ⎡
0
ex − e−x 1 1 ⎢ 0 ⎥
⎢ ⎥
sinh(x) = = · ex − · e−x ⇒ [sinh(x)]B = ⎢ 1 ⎥ ,
2 2 2 ⎣ 2 ⎦
− 12
⎡ ⎤
0
ex + e−x 1 1 ⎢0⎥
⎢ ⎥
cosh(x) = = · ex + · e−x ⇒ [cosh(x)]B = ⎢ 1 ⎥ .
2 2 2 ⎣2⎦
1
2 "

Übung 6.49
• • ◦ Man zeige, dass {1, x, x2 , · · · , xn } eine Basis von Pn (R) ist.

v Lösung
Wir wenden den Wronski-Test an. Die Abbildungen sind y0 (x) = 1, y1 (x) = x, y2 (x) =
x2 , · · · , yn (x) = xn . Die Wronski-Determinante lautet dann:
( (
( y0 (x) y1 (x) y2 (x) · · · yn (x) (
( (
( y′ (x) y′ (x) y′ (x) · · · y′ (x) (
( 0 1 2 n (
W (y0 , y1 , y2 , · · · , yn ) = (( . . . . (
( .. .. .. . .. .. ((
( (n) (
(y (x) y(n) (x) y(n) (x) · · · y(n) (x)(
0 1 2 n
( (
(1 x x2 x3 · · · xn (
( (
( 2 n−1 (
(0 1 2x 3x · · · nx (
( n−2
(
(0 0 2 6x · · · n(n − 1)x (
( (
= (0 0 0 6 · · · n(n − 1)(n − 2)xn−3 (
( (
(. . . . .. (
(. . . . .. (
(. . . . . . (
( (
(0 0 0 0 · · · n! (

= 1 · 2 · 6 · · · n! ̸= 0.
6.4 • Berechnungsmethoden
345 6
Wegen W ̸= 0 sind 1, x, x2 , · · · , xn linear unabhängig. Außerdem spannen
1, x, x2 , · · · , xn den Raum Pn (R) auf. Folglich ist {1, x, x2 , · · · , xn } eine Basis von
Pn (R). "

Übung 6.50
• • ◦ Man zeige, dass {1, 1 + x, 1 + x + x2 , · · · , 1 + x + x2 + · · · + xn } eine Basis von
Pn (R) ist.

v Lösung
Wegen Pn (R) ∼
= Rn+1 identifizieren wir die Basiselemente durch ✿✿✿✿✿✿✿✿✿✿✿✿✿✿✿✿
Koordinatenvektoren
in R n+1 :
✿✿✿✿✿✿

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1 1
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1 ≡ ⎢0⎥ , 1 + x ≡ ⎢0⎥ , 1 + x + x2 ≡ ⎢1⎥ , · · · , 1 + x + x2 + · · · + xn ≡ ⎢1⎥ .
⎢.⎥ ⎢.⎥ ⎢.⎥ ⎢.⎥
⎢.⎥ ⎢.⎥ ⎢.⎥ ⎢.⎥
⎣.⎦ ⎣.⎦ ⎣.⎦ ⎣.⎦
0 0 0 1

Dann gehen wir wie üblich weiter und schreiben diese Vektoren in einer Matrix auf:
⎡ ⎤ ⎡ ⎤
1 1 1 ··· 1 1 1 1 ··· 1
⎢ ⎥ ⎢ ⎥
⎢0 1 1 ··· 1⎥ ⎢0 1 1 · · · 1⎥
⎢ ⎥ ⎢ ⎥
⎢0 0 1 1⎥ ⎢ 1⎥
⎢ ··· ⎥ ⇒ det ⎢0 0 1 · · · ⎥ = 1 ̸= 0 ⇒ Basis
⎢. .. .. .. ⎥
.. ⎥ ⎢. . . . .. ⎥
⎢. . ⎢. . . .. ⎥
⎣. . . .⎦ ⎣. . . .⎦
0 0 0 ··· 1 0 0 0 ··· 1

Alternative: Mit der Wronski-Determinante:

( (
( y0 (x) y1 (x) y2 (x) · · · yn (x) ((
(
( y′ (x) y′1 (x) y′2 (x) · · · y′n (x) ((
( 0
(
W (y0 , y1 , y2 , · · · , yn ) = ( .. .. .. .. (
.. (
( . . . . . (
( (n−1) (n−1) (n−1) (n−1)
(
(y (x) y (x) y (x) · · · y (x) (
0 1 2 n
( (
(1 1 + x 1 + x + x2 · · · 1 + x + x2 + · · · + xn (
( (
( (
(0 1 1 + 2x · · · 1 + 2x + · · · + nxn−1 (
( (
( · · · 2 + · · · + n(n − 1)xn−2 ((
= (0 0 2
(. . .. .. .. (
(. . . (
(. . . . (
( (
(0 0 0 ··· n! (

= 1 · 2 · · · n! ̸= 0 ⇒ Basis "
346 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Übung 6.51
•⎧•⎡◦ Man⎤ (bestimme eine
⎫ Basis der Heisenberg-Gruppe (vgl. Übung 2.58) H3 (R) =
⎪ 1
⎨ x z (( ⎪
⎬
⎢ ⎥(
⎣0 1 y⎦ ( x, y, z ∈ R . Was ist dim(H3 (R))?
⎪
⎩ ( ⎪
⎭
0 01 (

v Lösung
Eine Basis von H3 (R) besteht aus den folgenden drei Matrizen
⎧ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎪
⎨ 110 100 101 ⎪ ⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
Hx = ⎣0 1 0⎦ , Hy = ⎣0 1 1⎦ , Hz = ⎣0 1 0⎦ ,
⎪
⎩ ⎪
⎭
001 001 001

weil
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1xz 1x0 100 10z
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎣0 1 y⎦ = ⎣0 1 0⎦ + ⎣0 1 y⎦ + ⎣0 1 0⎦ = xHx + yHy + zHz .
001 001 001 001

Somit ist dim(H3 (R)) = 3 (es gibt 3 freie Parameter). "

Übung 6.52
• • ◦ Es seien

Symn (R) = {A ∈ Rn×n | AT = A}

Skewn (R) = {A ∈ Rn×n | AT = −A}

die Unterräume der symmetrischen bzw. schiefsymmetrischen reellen (n × n)-Matrizen.

a) Man finde je eine Basis für Sym2 (R) und Skew2 (R). Was ist dim(Sym2 (R)) und
dim(Skew2 (R))?
b) Genauso finde man je eine Basis für Sym3 (R) und Skew3 (R).

v Lösung
a) Wir überlegen uns, wie allgemeine Matrizen in Sym2 (R) oder Skew2 (R) aussehen.
A ist genau dann symmetrisch, wenn
%
& % &
ac ! ab
T
A = = =A ⇒ b = c.
bd cd

Bei einer symmetrischen Matrix müssen die Nichtdiagonalelemente gespiegelt

passend übereinstimmen. Eine beliebige Matrix in Sym2 (R) sieht dann wie folgt
aus:
6.4 • Berechnungsmethoden
347 6
&% % & % & % &
ab 10 01 00
A= =a +b +d .
bd 00 10 01

Eine Basis von Sym2 (R) konstruiert sich somit aus den folgenden drei Matrizen
6% & % & % &7
10 01 00
, , .
00 10 01

A ist genau dann schiefsymmetrisch, wenn

⎧
⎪ ⇒ a=0
⎨a = −a
% & % & ⎪
T a c ! −a −b
A = = = −A ⇒ b = −c .
bd −c −d ⎪
⎪
⎩
d = −d ⇒ d=0

Bei einer schiefsymmetrischen Matrix sind alle Diagonalelemente Null. Außerdem

sind die nichtdiagonalelemente gespiegelt passend jeweils das Gegenteil des ande-
ren. Eine beliebige Matrix in Skew2 (R) sieht also wie folgt aus:
% & % &
0 b 0 1
A= =b .
−b 0 −1 0

Eine Basis von Skew2 (R) ist entsprechend

6% &7
0 1
.
−1 0

Die Basis von Sym2 (R) besteht aus 3 Elementen, während die Basis von Skew2 (R)
nur ein Element enthält. Deshalb gilt

dim(Sym2 (R)) = 3 und dim(Skew2 (R)) = 1.

Bemerkung: In Übung 5.26 haben wir gezeigt, dass Sym2 (R) ⊕ Skew2 (R) = R2×2 .
Wir können somit dadurch auf eine weitere Art die folgende Formel verifizieren:
V = U ⊕ W ⇒ dim(V ) = dim(U) + dim(W ). Denn in unserem Beispiel gilt

dim(R2×2 ) = dim(Sym2 (R)) + dim(Skew2 (R)) !

@ AB C @ AB C @ AB C
=4 =3 =1

b) Eine beliebige Matrix in Sym3 (R) hat die Form:

⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
a11 a12 a13 100 000 000
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎣a12 a22 a23 ⎦ = a11 ⎣0 0 0⎦ + a22 ⎣0 1 0⎦ + a33 ⎣0 0 0⎦
a13 a23 a33 000 000 001
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
010 001 000
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
+ a12 ⎣1 0 0⎦ + a13 ⎣0 0 0⎦ + a23 ⎣0 0 1⎦ .
000 100 010
348 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

Eine Basis von Sym3 (R) hat die Gestalt

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎨ 100
⎪ 00 0 000 01 0 001 00 0 ⎪ ⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 0 0⎦ ⎣0 1
, 0⎦ ⎣0 0 0⎦ ⎣1 0
, , 0⎦ ⎣0 0 0⎦ ⎣0 0
, , 1⎦
⎪
⎩ ⎪
⎭
000 00 0 001 00 0 100 01 0

mit dim(Sym3 (R)) = 6. Eine beliebige Matrix in Skew3 (R) sieht wie folgt aus:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
0 a12 a13 0 10 0 01 0 0 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎣−a12 0 a23 ⎦ = a12 ⎣−1 0 0⎦ + a13 ⎣ 0 0 0⎦ + a23 ⎣0 0 1⎦ .
−a13 −a23 0 0 00 −1 0 0 0 −1 0

Eine Basis von Skew3 (R) besteht somit aus den folgenden drei Matrizen
⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫
⎨ 0 10
⎪ 0 01 0 0 0 ⎪ ⎬
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣−1 0 0⎦ , ⎣ 0 0 0⎦ , ⎣0 0 1⎦ .
⎪
⎩ ⎪
⎭
0 00 −1 0 0 0 −1 0

Daher ist dim(Skew3 (R))=3. Beachte dim(R3×3 ) = dim(Sym3 (R)) + dim(Skew3 (R)) !
@ AB C @ AB C @ AB C
=9 =6 =3
"

Übung 6.53
• • • Man bestimme dim(Symn (R)) und dim(Skewn (R)) für alle n ∈ N.

v Lösung
Eine beliebige Matrix in Rn×n hat n2 Einträge (freie wählbare Parameter). Bei ei-
ner symmetrischen Matrix stimmen die Nichtdiagonalelementen gespiegelt passend
überein, d. h. aji = aij ∀i ̸= j. Mit anderen Worten: Die Elemente links von der
Hauptdiagonalen werden von den Elemente rechts von der Hauptdiagonalen bestimmt.
Wie viele Elemente gibt es rechts von der Hauptdiagonalen? Man betrachte das
folgende Schema:
⎡ ⋆ ⋆ ··· ⋆
⎤
⋆ ··· ⋆
⎢ . . .. ⎥
⎣ . .⎦.
⋆

In der ersten Zeile sind es n − 1, in der zweiten Zeile sind es n − 2, usw. Insgesamt sind
es (Gauß-Formel):

n−1
' n(n − 1)
(n − 1) + (n − 2) + · · · + 1 = i= .
2
i=1

Bei einer symmetrischen Matrix haben wir somit

6.4 • Berechnungsmethoden
349 6
n(n − 1) n(n + 1)
n2 − =
2 2

frei wählbare Parameter. Folglich gilt

n(n + 1)
dim(Symn (R)) = .
2

Bei einer schiefsymmetrischen Matrix sind alle Diagonalelemente Null. Außerdem

aji = −aij ∀i ̸= j. Eine schiefsymmetrische Matrix hat also n(n−1)
2 freie Parameter.
Daher

n(n − 1)
dim(Skewn (R)) = .
2

Wir erhalten das folgende faszinierende Resultat:

dim(Rn×n ) = dim(Symn (R)) + dim(Skewn (R)) !

@ AB C @ AB C @ AB C
=n2 = n(n+1) = n(n−1)
2 2 "

Übung 6.54
• • • Man zeige, dass die Anzahl von möglichen Basen von (Z2 )n durch

(2n − 1)(2n − 2)(2n − 22 ) · · · (2n − 2k ) · · · (2n − 2n−1 )

n!

gegeben ist. Man vergleiche das Resultat mit Übung 6.36(b).

v Lösung
Eine Basis von (Z2 )n besteht aus n linear unabhängigen Vektoren. Nun, wie kann man
n linear unabhängige Vektoren in (Z2 )n konstruieren? Zuerst wählen wir einen Vektor
ungleich Null in (Z2 )n und nennen ihn v1 . Da jede Komponente von v1 entweder gleich 0
oder 1 ist, haben wir genau 2n − 1 Auswahlmöglichkeiten (nur der Fall [0, 0, · · · , 0]T ist
ausgeschlossen). Dann wählen wir einen beliebigen Vektor v1 ̸= v2 . Dafür gibt es noch
genau 2n −2 Möglichkeiten. Dann wählen wir einen weiteren Vektor v3 ∈ / ⟨v1 , v2 ⟩. Dazu
gibt es 2n − 22 Möglichkeiten. Und so weiter. Die Anzahl der Auswahlmöglichkeiten
einer Basis in dieser Reihenfolge ist gegeben durch

(2n − 1)(2n − 2)(2n − 22 ) · · · (2n − 2k ) · · · (2n − 2n−1 ).

Nun kann dieselbe Basis in n! verschiedenen Permutationen der oben beschriebenen

Auswahlen auftreten. Somit ist die Anzahl von möglichen Basen von (Z2 )n gleich

(2n − 1)(2n − 2)(2n − 22 ) · · · (2n − 2k ) · · · (2n − 2n−1 )

.
n!

Für n = 2 finden wir, dass die Anzahl Basen von (Z2 )2 gleich
350 Kapitel 6 • Vektorraumstruktur: Basis, Dimension und Koordinaten

(22 − 1)(22 − 2) 3·2

= =3
2! 2

ist. Dieses Resultat stimmt mit Übung 6.36(b) überein. "

6.5 Basiswechsel

In den vorausgegangenen Abschnitten haben wir erfahren, dass wir einen beliebigen
Vektor v eines Vektorraumes V beschreiben können, in dem wir die Koordinaten
von v bezüglich einer Basis von V angeben. Diese Koordinaten sind eindeutig, aber
hängen von der Wahl der Basis ab. Liegen zwei Basen B und C von V vor, so sind die
Koordinaten v in diesen Basen im Allgemeinen unterschiedlich:
⎡ ⎤
x1
⎢ .. ⎥
[v]B = ⎣ . ⎦ = Koordinaten von v in Basis B
xn
⎡ ⎤
y1
⎢ .. ⎥
[v]C = ⎣ . ⎦ = Koordinaten von v in Basis C
yn

In diesem letzten Abschnitt wollen wir uns mit der folgenden Aufgabe beschäftigen:
Wir wollen eine Transformationsmatrix T B→C derart finden, dass der Koordinaten-
vektor [v]B in der Originalbasis B mittels der Transformationsmatrix T B→C in den
entsprechenden Koordinatenvektor [v]C bezüglich der neuen Basis C übergeht:

[v]C = T B→C [v]B

Das folgende Diagramm zeigt den Zusammenhang:

6.5.1 Basiswechsel zwischen der Standardbasis E und einer

anderen Basis B

Wir beginnen mit einer einfachen Version des Basiswechsels, nämlich dem Basiswech-
sel zwischen der Standardbasis E und einer neuen Basis B .
6.5 • Basiswechsel
351 6
Konstruktion des Basiswechsels
Sei V ein Vektorraum versehen mit der Standardbasis E = {e1 , · · · , en } und einer
anderen Basis B = {b1 , · · · , bn }. Jeder Vektor v ∈ V lässt sich bekanntlich eindeutlich
sowohl als Linearkombination der Standarbasis E wie auch als Linearkombination
der Basis B darstellen, konkret:
⎡ ⎤
n x1
' ⎢ .. ⎥
v= xj bj ↔ [v]B = ⎣ . ⎦ = Koordinaten in Basis B (6.18)
j=1 xn
⎡ ⎤
n y1
' ⎢ .. ⎥
v= y i ei ↔ [v]E = ⎣ . ⎦ = Koordinaten in Standardbasis E (6.19)
i=1 yn

Uns interessiert: Was ist der Zusammenhang zwischen den Koordinaten x1 , · · · , xn

und y1 , · · · , yn ? Da E eine Basis ist, können wir die Basisvektoren von B als Linear-
kombination der Standardbasisvektoren e1 , · · · , en darstellen:
⎤ ⎡ ⎡ ⎤
n t11 t1n
' ⎢ ⎥ ⎢ ⎥
bj = tij ei , d. h. [b1