5.6 Lineare Abhängigkeit, Basis und Dimension

5.6. Lineare Abhängigkeit, Basis und Dimension
5.6
119
Lineare Abhängigkeit, Basis und Dimension
Seien v1 , . . . , vn Vektoren aus einem Vektorraum V über einem Körper K. Die Menge
aller Linearkombinationen von v1 , . . . , vn , nämlich
( n
)
X
lin(v1 , . . . , vn ) :=
αk vk αk ∈ K
k=1
bildet einen linearen Unterraum von V . Und zwar ist es der kleinste Unterraum
von V , der die vorgegebenen Vektoren enthält. Man nennt ihn den von v1 , . . . , vn
erzeugten Unterraum oder auch die lineare Hülle oder den Spann dieser Vektoren.
Denn sind u, v ∈ lin(v1 , . . . , vn ) der Form u = α1 v1 + · · · + αn vn und v = β1 v1 +
· · · + βn vn , so folgt u + v = (α1 + β1 )v1 + · · · + (αn + βn )vn und λ · u = (λα1 )v1 + · · · +
(λαn )vn . Also sind auch u + v und λ · u (für alle λ ∈ K) wieder von der behaupteten
Form.
5.6.1 Beispiele (a) Die eben diskutierte Gerade gv = {λv | λ ∈ R} ⊂ R2 wird
von dem fest gewählten Vektor v ∈ R2 erzeugt.
 
 
1
0
(b) Die Vektoren e1 =  0  und e2 =  1  erzeugen die x-y-Ebene in R3 .
0
0
(c) Hier ist ein Beispiel einer weiteren Ebene in R3 erzeugt von zwei Vektoren:

  
   


0
−1
0
−1 

E = lin  1  ,  0  = α  1  + β  0  α, β ∈ R .


0
1
0
1
Also ist




 −β 

E=
α
α, β ∈ R .

β
5.6.2 Definition Eine Menge von Vektoren {v1 , . . . , vn } ⊂ V (n ∈ N) heisst linear
abhängig, falls es Zahlen α1 , . . . , αn ∈ K gibt, die nicht alle gleichzeitig Null sind, so
dass gilt:
α1 v1 + · · · + αn vn = 0 .
Andernfalls heisst die Menge von Vektoren linear unabhängig.
Eine andere Möglichkeit, den Begriff zu formulieren ist folgende:
5.6.3 Bemerkung Eine Menge, die nur aus einem Vektor v besteht, ist genau dann
linear abhängig, wenn v der Nullvektor ist. Eine Menge {v, w} aus zwei Vektoren ist
genau dann linear abhängig, wenn w = αv für ein α ∈ K oder wenn v = 0 ist. Und
für n > 2 schliesslich gilt: die Menge {v1 , . . . , vn } ist genau dann linear abhängig,
wenn sich einer der vj als Linearkombination der anderen vi (i 6= j) schreiben lässt.
120
Kapitel 5. Lineare Algebra
5.6.4 Beispiel Zwei Vektoren in R3 sind genau dann linear abhängig, wenn sie auf
einer Gerade liegen. Drei Vektoren in R3 sind genau dann linear abhängig, wenn sie
in einer gemeinsamen Ebene liegen.
1
i
2
Im komplexen Vektorraum C sind die Vektoren v =
und w =
i
−1
linear abhängig, denn w = i · v.
5.6.5 Definition Eine (endliche oder unendliche) Teilmenge M eines Vektorraums
V wird als Erzeugendensystem von V bezeichnet, falls sich jedes Element von V als
Linearkombination einer passenden Auswahl endlich vieler Vektoren aus M schreiben lässt, das heisst
( n
)
X
V = lin(M) :=
αk vk | αk ∈ K, vk ∈ M, n ∈ N .
k=1
Unter einer Basis von V versteht man eine geordnete Menge B von Elementen von
V , die ein Erzeugendensystem von V bilden und zusätzlich linear unabhängig sind.
(Falls B aus unendlich vielen Elementen besteht, soll das heissen, dass jede endliche
Teilmenge von B linear unabhängig ist.) Eine Basis ist also ein minimal gewähltes
Erzeugendensystem.
1
0
5.6.6 Beispiele (a) Die Vektoren e1 :=
und e2 :=
bilden eine Basis
0
1
des R2 . Denn sie sind linear unabhängig und spannen den ganzen Raum auf:
x
= x · e1 + y · e2 ∈ lin(e1 , e2 ) für alle x, y ∈ R.
y
Allgemeiner bezeichnet man mit ej (für 1 ≤ j ≤ n) den Vektor in Rn , der
an der j-ten Stelle den Eintrag 1 und sonst nur Einträge Null hat. Diese
Vektoren sind die sogenannten kanonischen Basisvektoren und (e1 , . . . , en ) ist
die Standardbasis des Rn .
(b) Die eben definierten Vektoren ej können wir auch als Elemente des komplexen
Vektorraums Cn auffassen. Darin bilden sie wiederum eine Basis.
−1
2
bilden ebenfalls eine Basis des R2 .
und v2 =
(c) Die Vektoren v1 =
1
1
Da v1 und v2 nicht dieselbe Gerade aufspannen, sind sie linear unabhängig.
x
Ausserdem spannen sie den gesamten Vektorraum auf. Denn ist v =
, so
y
führt der Ansatz v = α1 v1 + α2 v2 auf das folgende lineare Gleichungssystem
für α1 und α2 :
−1
2α1 − α2
2 −1
α1
2
x
=
=
.
+ α2
= α1
1
α1 + α2
1 1
α2
1
y
Dies System hat die eindeutige Lösung α1 = x+y
, α2 = 2y−x
. Also lässt sich
3
3
2
jeder Vektor v ∈ R als Linearkombination von v1 und v2 schreiben.
5.6. Lineare Abhängigkeit, Basis und Dimension
121
(d) Sei n ∈ N fest gewählt. Die Menge der reellen Polynome von Höchstgrad n,
nämlich Pn := {an xn + an−1 xn−1 + · · · + a1 x + a0 | ak ∈ R} ist ein linearer
Unterraum des Vektorraums aller reellen Polynome, und (1, x, x2 , . . . , xn ) ist
eine Basis für Pn .
(e) Wir können die Menge der komplexen Zahlen als reellen Vektorraum auffassen, indem wir bei der Skalarmultiplikation nur die Multiplikation mit reellen
Zahlen zulassen. In diesem reellen Vektorraum sind die Zahlen 1 und i linear
unabhängig und bilden eine Basis für C über R.
5.6.7 Hauptsatz Wir bezeichnen den Grundkörper der Skalare, also entweder R
oder C wieder mit K. Sei V ein endlich erzeugter K-Vektorraum, das heisst, es gebe
eine endliche Teilmenge von Vektoren, die ganz V erzeugen. Dann hat V eine Basis
und jede der Basen von V besteht aus gleichvielen Elementen. Diese Anzahl an
Elementen einer jeden Basis nennen wir die Dimension von V über K.
Man kann zeigen, dass auch Vektorräume, die nicht endlich erzeugt sind, immer
eine Basis haben. Allerdings besteht diese Basis dann aus unendlich vielen Elementen. Der Raum der Polynome hat eine abzählbare, unendliche Basis, nämlich
(xn | n ∈ N0 ). Jede Basis des Funktionenraums F ([a, b], R) besteht sogar immer
aus überabzählbar vielen Elementen. Deshalb ist es schwierig, eine Basis explizit
anzugeben. Der Begriff der Basis ist für solche überabzählbar-dimensionalen Räume
nicht besonders praktisch. Wir werden uns jetzt im folgenden stets auf endlichdimensionale Vektorräume beschränken.
5.6.8 Beispiele Für einige Vektorräume haben wir bereits Basen angegeben. Also können wir die Dimensionen ablesen, nämlich: dim({0}) = 0, dimR (Rn ) = n,
dimR (Pn ) = n + 1, (für alle n ∈ N). Der Vektorraum der reellen m × n-Matrizen hat
die Dimension m · n über R. Weiter gilt dimC (Cn ) = n. Ausserdem ist die Dimension
jeder Ebene im R3 gleich 2, wie es der Anschauung entspricht.
Die Dimension kann davon abhängen, über welchem Grundkörper wir den Vektorraum betrachten. Zum Beispiel ist die Dimension von C, aufgefasst als komplexer
Vektorraum, gleich 1. Dagegen ist Dimension von C über R gleich 2, denn wie eben
bemerkt haben, bilden die Zahlen 1 und i eine Basis über R.
Zum Beweis des Hauptsatzes: Die Existenz einer Basis ist nicht schwierig einzusehen. Ist nämlich M = (v1 , . . . , vn ) irgendein endliches Erzeugendensystem für V ,
so können wir schrittweise linear abhängige Vektoren darin streichen, bis eine Basis
übrigbleibt. Genauer gehen wir so vor: Ist die Menge M linear abhängig, so gibt es
darin einen Vektor, etwa vj , der bereits in der linearen Hülle der anderen Vektoren
aus M enthalten ist. Also ändert sich die lineare Hülle nicht, wenn wir vj aus M
streichen. Sind die verbliebenen Vektoren linear unabhängig, so sind wir fertig. Ist
das noch nicht der Fall, dann wiederholen wir das Streichen von Vektoren, bis wir
schliesslich bei einer Basis angelangt sind. Damit haben wir eigentlich gezeigt, dass
jedes Erzeugendensystem eine Basis von V enthält.
Der schwierige Teil des Hauptsatzes ist die Aussage, dass alle Basen gleich viele
Elemente haben. Wir wollen dies durch einen Widerspruchsbeweis zeigen. Nehmen
122
Kapitel 5. Lineare Algebra
wir also an, es gebe zwei Basen A = (v1 , . . . , vn ) und B = (w1 , . . . , wm ) und es sei
n < m.
Jetzt werden wir schrittweise die Vektoren in A durch Vektoren aus B ersetzen,
ohne dass sich dabei jeweils die lineare Hülle ändert. Nach n Schritten werden noch
Vektoren aus B übrigbleiben, die sich dann als linear abhängig von (w1 , . . . , wn )
herausstellen, und damit ist der Widerspruch erreicht.
1. Schritt: Wir schreiben w1 als Linearkombination der vj in der Form
w1 = α1 v1 + · · · + αn vn .
Da B linear unabhängig und daher w1 6= 0, gibt es einen Index j mit αj 6= 0. Nach
eventueller Umsortierung der vj können wir annehmen, dass α1 6= 0. Dann folgt:
v1 =
1
(w1 − α2 v2 − · · · − αn vn ) ∈ lin(w1 , v2 , . . . , vn ) .
α1
Also erzeugt A′ := (w1 , v2 , . . . , vn ) den ganzen Vektorraum V .
2. Schritt: Jetzt schreiben wir w2 als Linearkombination von w1 und v2 , . . . , vn
in der Form:
w2 = β1 w1 + β2 v2 · · · + βn vn .
Da w1 und w2 linear unabhängig sind, gibt es einen Index j ≥ 2 mit βj 6= 0. Nach
eventueller Umnumerierung von v2 , . . . , vn können wir annehmen, dass β2 6= 0. Dann
folgt:
1
v2 = (w2 − β1 w1 − β3 v3 · · · − βn vn ) ∈ lin(w1 , w2 , v3 . . . , vn ) .
β2
Also erzeugt A′′ := (w1 , w2 , v3 . . . , vn ) ebenfalls den ganzen Vektorraum V .
Entsprechend fahren wir fort. Nach n Schritten sind alle vj ausgetauscht, und
es folgt, dass die Menge A(n) = (w1 , . . . , wn ) wiederum den ganzen Vektorraum
V erzeugt. Das bedeutet, dass die noch verbleibenden Vektoren wn+1 , . . . , wm aus
der Basis B als Linearkombinationen der Vektoren (w1 , . . . , wn ) geschrieben werden
können. Das ist aber ein Widerspruch zur linearen Unabhängigkeit von B.
q.e.d.
5.6.9 Folgerung (a) Jede linear unabhängige Teilmenge eines endlich erzeugten
Vektorraums kann zu einer Basis ergänzt werden.
(b) Ist dim V = n, so bildet jede Teilmenge aus n linear unabhängigen Vektoren
eine Basis.
(c) Ist W ein linearer Unterraum eines endlichdimensionalen Vektorraums V , so
ist auch W endlich erzeugt und es gilt
dim W ≤ dim V .
Gleichheit tritt nur genau dann ein, wenn W = V ist.
5.6. Lineare Abhängigkeit, Basis und Dimension
123
Beweis. (a) Sei B die linear unabhängige Teilmenge und A eine Basis von V . Dann
können wir, wie im Beweis des Hauptsatzes gezeigt, in der Basis A schrittweise
Elemente durch Vektoren aus B ersetzen, ohne dabei die lineare Hülle zu ändern.
Sind alle Vektoren aus B eingefügt, erhalten wir die gewünschte Basis, die B enthält.
(b) Dies ergibt sich direkt aus (a).
(c) Ist dim V = n, so besteht in V und damit auch in W jede linear unabhängige
Teilmenge aus höchstens n Elementen. Eine maximale linear unabhängige Teilmenge
von W muss aber bereits ein Erzeugendensystem für W sein. Also hat W eine Basis,
die wir nach (a) zu einer Basis von V ergänzen können. Daraus folgt die Behauptung.
q.e.d.
Wenden wir diese Folgerungen nun auf Lösungsmengen homogener Gleichungssysteme an. Sei A eine m × n-Matrix mit Einträgen im Körper K (K = R oder
K = C) und sei L := {x ∈ Kn | Ax = 0}. Dann ist L ein linearer Unterraum von Kn
und daher gilt dim(L) ≤ n. Die Dimension von L gibt an, wieviele freie Parameter in
der allgemeinen Lösung auftreten, und ist unabhängig davon, welche Beschreibung
der Lösungsmenge man gewählt hat. Das bedeutet auch, dass der Rang der Matrix
A wohldefiniert ist. Wir können nämlich festsetzen Rang(A) = n − dim L.
2x + y − z = 0
hat die Lösungs5.6.10 Beispiele (1) Das Gleichungssystem
3x − y
= 0

  

 α menge L =  3α  α ∈ R . Diese Menge wird erzeugt von dem Vektor


5α  
1
 3  ∈ R3 . Also ist hier dimR L = 1 und Rang(A) = 2.
5
2x + y − z
= 0
hat die Lösungsmenge
(2) Das Gleichungssystem
−4x
−
2y
+
2z
= 0



α




L=
β
α, β ∈ R. In diesem Fall gilt dimR L = 2 und Rang(A) =

2α + β  
 
1
0



1, die Vektoren v = 0 und w = 1  bilden eine Basis von L.
2
1
(3) Hier ein Gleichungssystem mit komplexen Koeffizienten:
2x + iy − z = 0
ix − y + 2z = 0




 (1 − 2i)α Die Lösungsmenge in C3 ist L =  (4 + i)α  α ∈ C und wird erzeugt


α


1 − 2i
von dem Spaltenvektor  4 + i . Also gilt hier dimC L = 1.
1
124
Kapitel 5. Lineare Algebra
Hier ist noch eine andere Art, den Rang einer Matrix zu interpretieren:
5.6.11 Bemerkung Sei A eine m × n-Matrix, und fassen wir die Zeilen von A
als Vektoren in Rn auf, die darin den Unterraum U erzeugen. Dann ist dim(U) =
Rang(A).
Beweis. Bei den elementaren Zeilenumformungen, die man macht, um die Matrix
A auf Zeilenstufenform zu bringen, bleibt die lineare Hülle der Zeilen jeweils unverändert. Ist aber A in Zeilenstufenform, dann tragen die Nullzeilen nichts zur
linearen Hülle bei, und die insgesamt r Nichtnullzeilen erzeugen offenbar einen linearen Unterraum der Dimension r.
q.e.d.


2 3 4
5.6.12 Beispiel Die Matrix A =  0 1 −2  hat den Rang 2, denn die ent4 7 6
sprechende Zeilenstufenform 
enthält
genau

 eineNullzeile.
 Die
 Zeilen der Matrix A,
2
0
4
aufgefasst als Vektoren u =  3 , v =  1 , w =  7 , erzeugen in R3 eine
4
−2
6
Ebene, denn der Vektor w = 2u + v ist von u, v linear abhängig.
Daraus ergibt sich für quadratische Matrizen die folgende Beobachtung:
5.6.13 Folgerung Eine n × n-Matrix A hat genau dann den Rang n, wenn die
Zeilen von A, aufgefasst als Vektoren in Rn , linear unabhängig sind. Dies ist auch
äquivalent dazu, dass die Spalten von A, aufgefasst als Vektoren im Rn , linear unabhängig sind.
Beweis. Wie eben bemerkt, ist der Rang von A genau dann gleich n, wenn die
Zeilen bereits den ganzen Rn aufspannen, also eine Basis des Rn bilden. Ein Satz
aus n Vektoren in Rn ist aber genau dann eine Basis, wenn die n Vektoren linear
unabhängig sind.
Nun haben wir bereits früher gesehen, dass der Rang von A genau dann gleich
n ist, wenn die Determinante von A nicht verschwindet. Ausserdem stimmt die
Determinante von A mit der Determinante der transponierten Matrix At , bei die
Zeilen als Spalten geschrieben werden, überein. Deshalb gilt auch die entsprechende
Aussage über die Spalten von A.
q.e.d.
Man kann also mithilfe der Determinante feststellen, ob ein vorgelegter Satz aus
n Vektoren im Rn linear unabhängig ist und damit eine Basis bildet.
5.6.14 Beispiel Die Vektoren






1
3
−1
u =  2  , v =  −2  , w =  0 
−1
4
−3
bilden eine Basis des Raumes R3 , denn die Determinante der aus diesen drei Spalten
gebildeten Matrix A ist det(A) = 18.
5.7. Exkurs: Stochastische Matrizen
5.7
125
Exkurs: Stochastische Matrizen
Nehmen wir an, wir beobachten ein System, das eine endliche Anzahl n von Zuständen annehmen kann und im Lauf der Zeit unter dem Einfluss von Zufall seinen
Zustand ändert. Man spricht dann von einem stochastischen Vorgang oder auch
einem Markov-Prozess. Unter der Übergangsmatrix dieses Vorgangs versteht man
die Matrix
A = (pij ) ,
wobei pij die Wahrscheinlichkeit dafür angibt, dass das System vom Zustand i in
den Zustand j wechselt.
5.7.1 Beispiel Die Entwicklung des Wetters unterliegt zu einem gewissen Grad
dem Zufall, und die Veränderung von heute auf morgen lässt sich als stochastischer
Vorgang auffassen. Wenn wir drei Zustände unterscheiden, nämlich (1) sonnig, (2)
bewölkt, und (3) regnerisch, dann ist die Übergangsmatrix eine 3 × 3-Matrix. Der
Eintrag p11 gibt die Wahrscheinlichkeit dafür an, dass es sonnig bleibt, der Eintrag
p12 gibt die Wahrscheinlichkeit dafür an, dass die Sonne hinter Wolken verschwindet,
usw.
Die Übergangsmatrix eines stochastischen Prozesses enthält nur Einträge, die
zwischen 0 und 1 liegen, weil es sich dabei um Wahrscheinlichkeiten handelt. Ausserdem addieren sich die Einträge jeder Zeile zu 1. Denn die Einträge in der Zeile
mit der Nummer i sind jeweils die Wahrscheinlichkeiten dafür, dass der Zustand i
in einen der Zustände 1, 2, . . . , n übergeht. Also ist pi1 + pi2 + . . . + pin = 1 für alle
i. Diese Beobachtung führt zum folgenden Begriff.
5.7.2 Definition Eine quadratische Matrix A = (aij ) vom Typ n × n heisst stochastisch, wenn sämtliche Einträge grösser oder gleich Null sind und für alle i gilt:
P
n
j=1 aij = 1. Die Matrix A heisst doppelt stochastisch, wenn zusätzlich auch alle
Spaltensummen gleich 1 sind.


8 1 1
1 
Zum Beispiel ist die Matrix A = 10
2 5 3  stochastisch.
3 5 2
5.7.3 Satz
1. Sind A, B Übergangsmatrizen zweier stochastischer Vorgänge im
System S, so ist AB die Übergangsmatrix des zusammengesetzten Vorgangs.
2. Sind A, B stochastische n × n-Matrizen, so ist auch das Produkt AB eine
stochastische Matrix.
Beweis. Nehmen wir an, der erste Vorgang wird durch die Matrix A = (aij ) und der
zweite Vorgang durch die Matrix B = (bij ) beschrieben. Ein Wechsel vom Zustand i
in zwei Schritten in den Zustand j kann auf n verschiedene Arten erfolgen, nämlich
von i nach 1 und dann nach j, oder von i nach 2 und dann nach j usw. Die Wahrscheinlichkeit für den Wechsel von i via k nach j beträgt aik bkj . Summiert man all
diese Wahrscheinlichkeiten auf, erhält man die Wahrscheinlichkeit cij dafür, dass in
126
Kapitel 5. Lineare Algebra
P
zwei Schritten ein Wechsel von i nach j stattfindet, das heisst: cij = nk=1 aik bkj . Die
Übergangsmatrix C = (cij ) des zusammengesetzten Vorgangs stimmt also überein
mit dem Produkt der Matrizen AB.
q.e.d.
Nehmen wir jetzt an, die Wahrscheinlichkeiten für die Zustandsänderungen seien
zeitlich stabil und wir beobachten einen Vorgang in k Schritten. Die entsprechende
Übergangsmatrix ist dann gerade die k-te Potenz der stochastischen Matrix A des
Einzelvorgangs. Der Grenzwert limk→∞ Ak beschreibt also (wenn er existiert) die
Entwicklung des Prozesses, wenn man die Zeit t gegen unendlich gehen lässt.
5.7.4 Beispiel Nehmen wir an, eine Nachricht der Form ”ja” oder ”nein” werde durch einen Kurier weitergegeben, aber nicht hundertprozentig zuverlässig. Mit
Wahrscheinlichkeit p werde die Nachricht ”ja” in ein ”nein” verfälscht, und mit
Wahrscheinlichkeit q werde die Nachricht ”nein” in ein ”ja”verfälscht. Dann
lautet
1−p
p
die Übergangsmatrix der Nachrichtenübermittlung: A =
. Dabei
q
1−q
sind 0 < p, q < 1. Hier gilt:
q
p k
p+q
p+q
lim A =
.
p
q
k→∞
p+q
p+q
Also ist die Wahrscheinlichkeit dafür, dass nach einer sehr langen Kette von Inq
formanten schliesslich ein ”ja” übermittelt wird, gleich p+q
, und zwar unabhängig
davon, um welche Nachricht es sich ursprünglich handelte.
Ist p = q, so erhalten wir
1 1
k
lim A = 21 12 .
k→∞
2
2
Das bedeutet also, dass schliesslich nach Weitergabe durch viele Zwischenkuriere die
Chance auf eine korrekte Übermittlung der Ausgangsnachricht noch 50% beträgt.
Für dies und auch für das folgende Beispiel ist es nützlich zu wissen, dass unter
bestimmten Voraussetzungen auch für Matrizen ein binomischer Lehrsatz gilt.
5.7.5 Satz Sind A, B quadratische Matrizen vom Typ n×n derart, dass AB = BA,
dann ist für alle n ∈ N
n X
n k n−k
n
A B
.
(A + B) =
k
k=0
Dabei ist nach Definition A0 = E = B 0 .
Beweis. Durch vollständige Induktion ganz ähnlich wie im Fall von Zahlen. Allerdings ist hier entscheidend, dass A und B miteinander kommutieren. Wenn das nicht
der Fall ist, stimmt auch die binomische Formel nicht.
q.e.d.
5.7. Exkurs: Stochastische Matrizen
127
5.7.6 Beispiel Nehmen wir jetzt an, ein Versuchstier werde mit n Türen konfrontiert, hinter denen sich jeweils Futter befindet. Bei jeder Fütterung hat das Tier die
Möglichkeit, eine der Türen auszuwählen. Das Tier habe nur ein kurzes Gedächtnis
und wähle mit Wahrscheinlichkeit a dieselbe Tür wie bei der vorigen Fütterung und
1−a
mit Wahrscheinlichkeit b = n−1
jeweils irgendeine der anderen Türen. Dann lautet


a b ... b
b a ... b
. Dabei sind 0 < a < 1 und
die n × n-Übergangsmatrix dazu: A = 
..
 ...

.
b b ... a
a + (n − 1)b = 1. Hier gilt:

1 1
. . . n1
n
n
. . . n1 
 n1
k
.

lim A =  .
..

..
k→∞
.
1
n
1
n
...
1
n
Beweis. Wir bezeichnen mit F diejenige n × n-Matrix, deren sämtliche Einträge
gleich 1 sind. Dann ist nach dem binomischen Lehrsatz (weil EF = F E):
k X
k
(a − b)k−j bj F j .
A = ((a − b)E + bF ) =
j
j=0
k
k
Durch vollständige Induktion kann man ausserdem zeigen: F j = nj−1 F für alle
j ∈ N. Also folgt
k 1 X k
k
k
(a − b)k−j bj nj )F =
A = (a − b) E + (
n j=1 j
1
1
1
((a − b + nb)k − (a − b)k )F = (a − b)k (E − F ) + F .
n
n
n
1
k
k
q.e.d.
Weil |a − b| < 1, ist limk→∞ (a − b) = 0, und daher limk→∞ A = n F .
(a − b)k E +
Auf lange Sicht wird also jede Tür mit derselben Wahrscheinlichkeit ausgewählt.
5.7.7 Beispiel Hier ist ein einfaches Modell eines Waldbestandes. Nehmen wir an,
der Wald bestehe aus drei Baumarten, die alle etwa die gleiche Lebensdauer haben.
Die Erneuerung des Waldes durch das Nachwachsen einer neuen Generation sei der
stochastische Vorgang, den wir beschreiben wollen. Der Eintrag pij der Übergangsmatrix P gebe an, mit welcher Wahrscheinlichkeit die Baumart i durch Baumart j
ersetzt wird. Wir gehen wieder davon aus, dass diese Übergangswahrscheinlichkeiten sich nicht ändern. Ausserdem halten wir in einem Zeilenvektor (ak , bk , ck ) fest,
welchen prozentualen Anteil am Gesamtbestand die drei Baumarten in der k-ten
Generation haben. Multipliziert man diesen Zeilenvektor von rechts mit der Übergangsmatrix, erhält man die prozentualen Anteile der Baumarten in der (k + 1)-ten
Generation:
(ak+1 , bk+1 , ck+1) = (ak , bk , ck )P .
128
Kapitel 5. Lineare Algebra
Denn das Produkt des Zeilenvektors mit der ersten Spalte von P lautet
ak p11 + bk p21 + ck p31 .
Die hier vorkommenden Einträge von P geben Wahrscheinlichkeiten dafür an, dass
jeweils der erste Baumtyp nachwächst. Wenn wir nun annehmen, dass sich der Bestand anteilsmässig genau so entwickelt, wie es die Wahrscheinlichkeiten vorhersagen, dann ist
ak p11 + bk p21 + ck p31 = ak+1 .
Entsprechendes können wir über das Produkt mit der zweiten und dritten Spalte
von P sagen. Durch Iteration erhalten wir schliesslich:
(ak , bk , ck ) = (a0 , b0 , c0 )P k
für alle k. .
Wir stellen nun die Frage, ob es eine Verteilung (a0 , b0 , c0 ) gibt, die über die Generationen hinweg stabil bleibt. Gesucht ist also ein Vektor (x, y, z) (mit x, y, z > 0
und x + y + z = 1), so dass (x, y, z)P = (x, y, z). Um einen solchen Vektor zu finden (wenn er denn
 existiert),
 ist ein lineares Gleichungssystem zu lösen. Ist etwa
1 4 5
1 
1
konkret P = 10
3 3 4 , so ist 157
(35, 71, 51) ein solcher stabiler Vektor. Das
2 7 1
bedeutet also, dass in dem entsprechenden Wald eine Aufteilung der Baumarten in
circa (22,3%,45,2%,32,5%) ein stabiles Ökosystem darstellt.