Algebra - Cheatsheet.pdf

Algebra - Cheatsheet
Primfaktorzerlegung in den ganzen Zahlen Definition: Zerlegung einer ganzen Zahl in ein Produkt aus Primzahlen. Details: Jede ganze Zahl größer als 1 hat eine eindeutige Primfaktorzerlegung. Sei n eine ganze Zahl, dann gibt es Primzahlen p1, p2, ..., pk und positive ganze Zahlen α1, α2, ..., αk, sodass gilt: Beispiel: 60 = 2^2 * 3 * 5 Die Eindeutigkeit der Zerlegung folgt aus dem Fundamentalsatz d...

© StudySmarter 2024, all rights reserved.

Primfaktorzerlegung in den ganzen Zahlen

Definition:

Zerlegung einer ganzen Zahl in ein Produkt aus Primzahlen.

Details:

  • Jede ganze Zahl größer als 1 hat eine eindeutige Primfaktorzerlegung.
  • Sei n eine ganze Zahl, dann gibt es Primzahlen p1, p2, ..., pk und positive ganze Zahlen α1, α2, ..., αk, sodass gilt:
  • Beispiel: 60 = 2^2 * 3 * 5
  • Die Eindeutigkeit der Zerlegung folgt aus dem Fundamentalsatz der Arithmetik.

Homomorphismen und Isomorphismen

Definition:

Homomorphismus: Struktur erhaltende Abbildung zwischen zwei algebraischen Strukturen; Isomorphismus: Bijektiver Homomorphismus.

Details:

  • Homomorphismus: Abbildung \[ f: (G, \bullet) \rightarrow (H, \bullet) \] mit \[ f(a \bullet b) = f(a) \bullet f(b) \] für alle \( a, b \in G \).
  • Isomorphismus: Bijektiver Homomorphismus, d.h., es existiert eine Umkehrabbildung \( f^{-1} \), die ebenfalls ein Homomorphismus ist.
  • Beispiel: Gruppen, Ringe, Körper.
  • Eigenschaften: Strukturtreue Abbildungen bewahren Operationen und Identitäten.

Gaußscher Eliminationsalgorithmus

Definition:

Vereinfachung von linearen Gleichungssystemen durch Umformung zur Stufenform zur späteren Rücksubstitution.

Details:

  • Ergebnis: Dreiecksform der Matrix.
  • Schritte: Vorwärtselimination, Rücksubstitution.
  • Vorwärtselimination: Führende Nullen unterhalb der Pivot-Elemente erzeugen.
  • Rücksubstitution: Von unten nach oben lösen.
  • Matrixdarstellung: Ausgangs- und Zielmatrizen in Zeilenstufenform.

Inverse Matrizen

Definition:

Matrix A ist eine invertierbare (nichtsinguläre) Matrix, wenn es eine Matrix B gibt, sodass AB = BA = I (Einheitsmatrix).

Details:

  • Nur quadratische Matrizen haben Inverse.
  • Eine Matrix A ist invertierbar, wenn Det(A) ≠ 0.
  • Die Inverse A-1 kann durch Gauß-Jordan-Elimination bestimmt werden.
  • (A-1)-1 = A
  • (AB)-1 = B-1A-1

Fundamentalsatz der Algebra

Definition:

Fundamentalsatz der Algebra: Jede nicht-konstante polynomialische Gleichung mit komplexen Koeffizienten hat mindestens eine komplexe Lösung.

Details:

  • Polynom:
  • Form:
  • Jede Nullstelle

Eigenwerte und Eigenvektoren

Definition:

Eigenschaften von Matrizen, bei denen ein Vektor nur um einen Skalar skaliert wird.

Details:

  • Eigensystem: Ax = λx, wobei A eine Matrix, x ein Eigenvektor und λ ein Eigenwert ist.
  • Eigenwerte: Lösungen der Charakteristischen Gleichung det(A - λI) = 0
  • Eigenvektoren: Lösungen des Gleichungssystems (A - λI)x = 0
  • Jede Matrix hat bis zu n Eigenwerte, wobei n die Dimension der Matrix ist.

Lineare Unabhängigkeit

Definition:

Ein Vektorsystem ist linear unabhängig, wenn keine Vektoren als Linearkombination der anderen dargestellt werden können.

Details:

  • Gegeben sei ein Vektorraum V mit Vektoren \(\textbf{v}_1, \textbf{v}_2, \textbf{v}_3, ... , \textbf{v}_n\).
  • Die Vektoren \(\textbf{v}_1, \textbf{v}_2, \textbf{v}_3, ... , \textbf{v}_n\) sind linear unabhängig, wenn die Gleichung \(\textbf{0} = c_1 \textbf{v}_1 + c_2 \textbf{v}_2 + ... + c_n \textbf{v}_n\) nur die triviale Lösung \(c_1 = c_2 = ... = c_n = 0\) hat.
  • Linear abhängige Vektoren erfüllen obige Gleichung auch für \(c_1, c_2, ..., c_n\), die nicht alle null sind.

Lineare Abbildungen und deren Matrizen

Definition:

Lineare Abbildungen: Abbildungen zwischen Vektorräumen, die Addition und Skalarenmultiplikation respektieren. Matrizen: Repräsentation linearer Abbildungen.

Details:

  • Definition: Eine Abbildung \(f: V \rightarrow W\) ist linear, wenn \(f(u+v) = f(u) + f(v)\) und \(f(\lambda v) = \lambda f(v)\) für alle \(u, v \in V\) und \(\lambda \in \mathbb{K}\).
  • Matrixdarstellung: Jeder linearen Abbildung \(f: \mathbb{K}^n \rightarrow \mathbb{K}^m\) entspricht eine eindeutige Matrix \({A}\in \mathbb{K}^{m \times n}\).
  • Matrix-Vektor-Multiplikation: \(f(v) = A \cdot v\) für \(v \in \mathbb{K}^n\).
  • Darstellung: Wahl von Basis \(B_V\) für \(V\) und \(B_W\) für \(W\) liefert Matrixdarstellung \(A\) über \((B_V, B_W)\).
  • Komposition: Matrixdarstellung von \(g \circ f\) ist \(B \cdot A\), wobei \(A\) und \(B\) die Matrixdarstellungen von \(f\) und \(g\) sind.
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden