13. Transformationen mit Matrizen

Slides:



Advertisements
Ähnliche Präsentationen
3. 3D-Betrachtungstransformationen
Advertisements

Schnelle Matrizenoperationen von Christian Büttner
• • • • • 3.2 Die projektive Erweiterung des E³
Prof. Dr. W. Conen 15. November 2004
Es sei SPEC = (, E) eine Spezifikation mit einer
Grundlagen der Geometrie
Lösung von linearen Gleichungssystemen - Grundlagen
WS Algorithmentheorie 08 – Dynamische Programmierung (2) Matrixkettenprodukt Prof. Dr. Th. Ottmann.
Die Geometrie der Ebene
Kapitel 5 Stetigkeit.
Kapitel 4 Geometrische Abbildungen
Lösung linearer Gleichungssysteme
Beispiele für Gleichungssysteme
(Ron Rivest, Adi Shamit, Leonard Adleman , 1977)
DVG Gaußscher Algorithmus1 Gaußscher Algorithmus.
Gaußscher Algorithmus
Quaternionen Eugenia Schwamberger.
Irreduzibilität Andreas Flesch.
§14 Basis und Dimension (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
Folie 1 § 30 Erste Anwendungen (30.2) Rangberechnung: Zur Rangberechnung wird man häufig die elementaren Umformungen verwenden. (30.1) Cramersche Regel:
§9 Der affine Raum – Teil 2: Geraden
§ 28 Multilineare und Alternierende Abbildungen
§14 Basis und Dimension  (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
§11 Skalarprodukt. Euklidische Räume
§8 Gruppen und Körper (8.1) Definition: Eine Gruppe G ist eine Menge zusammen mit einer Verknüpfung, die jedem Paar (a,b) von Elementen aus G ein weiteres.
§ 29 Determinanten: Eigenschaften und Berechnung
Matrix-Algebra Grundlagen 1. Matrizen und Vektoren
Seminar Stringtheorie und Geometrische Methoden der Physik
§10 Vektorraum. Definition und Beispiele
§17 Produkte und Quotienten von Vektorräumen
Computergraphik mit OpenGL Einführung. Bilder Objekt existiert im Raum unabhängig vom Betrachter Objekte sind beschrieben durch die Position verschiedener.
§24 Affine Koordinatensysteme
Vektoren Grundbegriffe für das Information Retrieval
5. Erweiterungen der Zahlenmenge
Lineare Algebra Komplizierte technologische Abläufe können übersichtlich mit Matrizen dargestellt werden. Prof. Dr. E. Larek
Zeit: 13h-15h Datum: Raum: IFW B42
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/
Quantum Computing Hartmut Klauck Universität Frankfurt WS 04/
§20 Der Rang einer Matrix Jede (m,n)-Matrix kann auch als ein n-Tupel von Spaltenvektoren geschrieben werden: wobei (20.1) Definition:
Folie 1 §15 Lineare Abbildungen (15.1) Definition: Eine Abbildung f zwischen K-Vektorräumen V und W ist linear (oder ein Vektorraumhomomorphismus), wenn.
§15 Lineare Abbildungen (15.1) Definition: Eine Abbildung f zwischen K-Vektorräumen V und W ist linear (oder ein Vektorraumhomomorphismus), wenn für alle.
Folie 1 § 28 Multilineare und Alternierende Abbildungen (28.1) Definition: V und W seien wieder ein K-Vektorräume. Eine Abbildung von V nach W stets linear.
Folie 1 Kapitel IV. Matrizen Inhalt: Matrizen als eigenständige mathematische Objekte Zusammenhang zwischen Matrizen und linearen Abbildungen Produkt von.
§23 Basiswechsel und allgemeine lineare Gruppe
§3 Allgemeine lineare Gleichungssysteme
Praktische Optimierung
Lineare Algebra, Teil 2 Abbildungen
Inhalt Vorbemerkung Vorstellung einer Unterrichtssequenz Kritik
Determinanten und Cramer‘sche Regel
Multivariate Statistische Verfahren
ENDLICHE KÖRPER RSA – VERFAHREN.
§22 Invertierbare Matrizen und Äquivalenz von Matrizen
Stetige Kleinste-Quadrate-Approximation
16. Zweidimensionale quadratische Formen.
Folie 1 §21 Das Produkt von Matrizen (21.1) Definition: Für eine (m,n)-Matrix A und eine (n,s)-Matrix B ist das (Matrizen-) Produkt AB definiert als (21.2)
Theorie, Anwendungen, Verallgemeinerungen
Grundlagen der Geometrie
6. Thema: Arbeiten mit Feldern
Graphische Datenverarbeitung
Folie 1 §8 Gruppen und Körper (8.1) Definition: Eine Gruppe G ist eine Menge zusammen mit einer Verknüpfung, die jedem Paar (a,b) von Elementen aus G ein.
Der Winkel zwischen Vektoren
PCA Principal Component Analysis. Gliederung PCA – Warum eigentlich? PCA – Was ist zu tun? Was passiert eigentlich? Anwendungen Zusammenfassung.
Fundamentalräume einer Matrix
Kapitel IV. Matrizen Inhalt:
§17 Produkte und Quotienten von Vektorräumen
§23 Basiswechsel und allgemeine lineare Gruppe
§ 25 Bilinearformen und spezielle Koordinaten
Kapitel I. Vorspann zum Begriff Vektorraum
§19 Matrizen als lineare Abbildungen
 Präsentation transkript:

13. Transformationen mit Matrizen

Manche geometrischen Probleme lassen sich leichter lösen, wenn man das Koordinatensystem "geeignet" wählt, d.h. die Vektoren transformiert oder abbildet. Offensichtlich werden lineare Abbildungen durch Matrizen bewirkt. Sei A eine mn Matrix und X eine n1 Matrix, d.h. ein Vektor mit n Komponenten, so führt die Abbildung fA: n  m Y = fA(X) = A  X auf einen Vektor Y mit m Komponenten. Die Umkehrabbildung ergibt sich mit Hilfe der inversen Matrix A-1 (falls diese existiert) A-1  Y = fA-1(Y) = X.

Manche geometrischen Probleme lassen sich leichter lösen, wenn man das Koordinatensystem "geeignet" wählt, d.h. die Vektoren transformiert oder abbildet. Offensichtlich werden lineare Abbildungen durch Matrizen bewirkt. Sei A eine mn Matrix und X eine n1 Matrix, d.h. ein Vektor mit n Komponenten, so führt die Abbildung fA: n  m Y = fA(X) = A  X auf einen Vektor Y mit m Komponenten. surjektiv, nicht injektiv injektiv, nicht surjektiv

13.1 Drehungen entgegen dem Uhrzeigersinn um den Winkel j um Z0 = W0 (j) = { U0, V0, W0 }  = { X0, Y0, Z0 } = (0) U0(0) = X0 U0(j) =

13.1 Drehungen entgegen dem Uhrzeigersinn um den Winkel j um Z0 = W0 (j) = { U0, V0, W0 }  = { X0, Y0, Z0 } = (0) U0(0) = X0 U0(j) = V0(j) =

Die Koordinaten eines im gedrehten System (j) festen Vektors sind in  A(j) = D  A(0) =  =

Um den Übergang von  nach (j) zu finden, benötigen wir die inverse Matrix D-1.

D-1 = DT Solche Matrizen heißen orthogonale Matrizen. Denselben Effekt erhält man durch Umkehrung der Drehrichtung, d. h. durch Ersetzen von j durch (-j).

13.4 Lösungsmengen irregulärer linearer Gleichungssysteme A  X = 0 homogen A  X = B mit B ≠ 0 inhomogen Sei A  C = B Alle anderen Lösungen C' sind dann von der Gestalt C' = C + C* wobei A  C* = 0 A  (C + C*) = A  C + A  C* = B + 0 = B

Es sei C' eine beliebige und C die bekannte Lösung, dann ist A  (C' - C) = A  C' - A  C = B - B = 0 Also ist (C' - C) = C*  C' = C + C*  Jedes homogene Gleichungssystem besitzt mindestens eine Lösung, nämlich die triviale Lösung C* = 0. Aber nicht jedes inhomogene Gleichungssystem besitzt eine Lösung. A  X = B hat genau eine (bzw. mehrere) Lösung(en)  A  X = 0 hat genau eine (bzw. mehrere) Lösung(en). A  X = 0 hat nur eine Lösung  A  X = B hat eine oder keine Lösung.

Definition. Die Menge aller Vektoren aus n, die auf den Null-vektor abgebildet werden, also die Lösungsmenge des homo-genen Gleichungssystems, nennen wir Kern der Abbildung: Kern (fA) = { X  n | fA(X) = 0 } Kern (fA) ist ein Unterraum des Definitionsbereichs, also des n-dimensionalen Vektorraums, denn Addition zweier Vektoren aus Kern (fA) sowie Multiplikation mit einem Skalar ergibt wieder einen Vektor aus Kern (fA). A  X = 0 und A  X' = 0  A  (X + X') = 0 A  X = 0  A  lX = l(A  X) = l0 = 0 n m

Definition. Die Menge aller Vektoren aus m, die Bilder von Vektoren X aus n sind, nennen wir Bild der Abbildung: Bild (fA) = { B  m | B = fA(X) } Bild (fA) ist ein Unterraum des m-dimensionalen Bildraums. Sind B und B' Bilder, d. h. A  X = B und A  X' = B', so ist auch B + B' ein Bild, nämlich von X + X', das mit X und X' auch zum Urbildraum gehört. A  X = B und A  X' = B'  A  (X + X') = B + B' A  X = B  A  lX = l(A  X) = lB n m

Definition. Die Dimension des Kerns dim (Kern (fA)) heißt Defekt der Abbildung. Definition. Die Dimension des Bildes dim (Bild (fA)) heißt Rang der Abbildung.

Abbildungen mit der mn Matrix A: (1) Die Lösungsmenge des homogenen Gleichungssystems A  X = 0 ist Kern (fA). Das homogene Gleichungssystems besitzt nur eine Lösung  Defekt (fA) = 0. (2) Das inhomogene Gleichungssystem A  X = B besitzt mindestens eine Lösung C  B  Bild (fA). (3) Sei C eine solche Lösung, dann ist die gesamte Lösungsmenge von A  X = B die Menge { C + Kern (fA) }. A  X = B hat dann genau eine Lösung  Defekt (fA) = 0. (4) Defekt (fA) + Rang (fA) = dim (n) = n.