7.3 Unitäre Operatoren
|
|
- Robert Eberhardt
- vor 5 Jahren
- Abrufe
Transkript
1 Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren U 1 und U 2 zerlegen, die die Eigenschaft U 1 = U 1 und U 2 = U 2 haben. Solche Operatoren nennen wir hermit sch: Definition Ein linearer Operator T heißt hermit sch oder selbstadjungiert, wenn T = T gilt. Das Hauptergebnis wird sein, dass selbstadjungierte Operatoren (sowohl reell als auch komplex) stets diagonalisierbar sind. Dazu benötigen wir noch einige Ergebnisse über unitäre Operatoren. Das sind diejenigen Vektorraumisomorphismen, die das innere Produkt respektieren. 7.3 Unitäre Operatoren Definition Seien V und W euklidische oder unitäre Vektorräume. Eine bijektive lineare Abbildung T : V W heißt ein Isomorphismus, wenn (Tv Tw) = (v w) für alle v, w V gilt. Wir nennen die beiden Räume in dem Fall isomorph. Beachten Sie, dass nicht jede bijektive lineare Abbildung ein Isomorphismus ist! Ist T ein Isomorphismus zwischen zwei inneren Produkträumen, so ist auch T 1 ein solcher. Wir wissen, dass es bis auf Isomorphie genau einen K-Vektorraum der Dimension n gibt. Dieser Beweis kann nicht einfach auf innere Produkträume übertragen werden, weil der Isomorphismus auch das innere Produkt respektieren muss. Man kann aber auch hier zeigen, dass die Dimension eindeutig den Isomorphietyp bestimmt: Satz V und W seien innere Produkträume, dimv = dimw <. Ferner sei T : V W eine lineare Abbildung. Dann sind die folgenden Aussagen äquivalent: 114
2 (i) (Tv Tw) = (v w) für alle v, w V. (ii) T ist ein Isomorphismus. (iii) T bildet eine gegebene Orthonormalbasis von V auf eine Orthonormalbasis von W ab. (iv) T bildet jede Orthonormalbasis von V auf eine Orthonormalbasis von W ab. Beweis (i) (ii) Das ist gerade die Definition von Isomorphismen, zusammen mit der Beobachtung, dass aus (i) Kern(T) = {0} folgt (wenn T(v) = 0, so gilt (T(v) T(v)) = (v v) = 0, also v = 0 wegen (IP4)). (iv) (iii) Banal, denn wenn jede Orthonormalbasis auf eine Orthonormalbasis geschickt wird, dann natürlich auch eine! (i) (iii), (i) (iv) Ist B = (b 1,..., b n ) eine Orthonormalbasis, so muss (T(b 1 ),...,T(b n )) ebenfalls eine Orthonormalbasis sein, weil T innere Produkte respektiert. (iii) (i) Sei B = (b 1,...,b n ) eine Orthonormalbasis von V und C = (c 1,... c n ) sei das Bild von B unter T, d.h. c i = T(b i ). C sei auch eine Orthonormalbasis von W. Es sei v = n i=1 b iβ i, w = n i=1 b iγ i. Dann ist (T(v) T(w)) = ( n i=1 c iβ i n i=1 c iγ i ) = n i=1 β iγ i = (v w). Korollar Zwei endlichdimensionale innere Produkträume sind genau dann isomorph, wenn sie dieselbe Dimension haben. Korollar Ist G C (n,n) Gram-Matrix eines inneren Produktes, dann gibt es eine invertierbare Matrix T mit T T = G. Ist umgekehrt G = T T für eine invertierbare Matrix T, so wird durch ( x1 x n ) G x 1. x n ein inneres Produkt auf C n definiert. Definition Ein Isomorphismus auf einem inneren Produktraum heißt unitär. Eine Matrix heißt unitär, wenn U = U 1 ist. Satz Die unitären Operatoren bilden mit der Verknüpfung eine Gruppe. Satz Ein Operator U auf V ist genau dann unitär, wenn es ein U gibt mit UU = U U = id V (beachten Sie, dass U immer existiert und dann sogar eindeutig ist, wenn V endlichdimensional ist, siehe Satz 7.2.5). 115
3 Beweis Ist U unitär, so gibt es U 1 und (U(v) w) = (U(v) UU 1 (w)) = (v U 1 (w)), weil U das innere Produkt respektiert. Das zeigt U 1 = U. Wir nehmen nun umgekehrt an, dass U existiert und UU = U U = id V gilt. Dann ist also U = U 1 und (U(v) U(w)) = (v U U(w)) = (v w), also respektiert U das innere Produkt, ist also ein unitärer Operator. Für Matrizen erhalten wir folgendes Korollar: Korollar Sei B eine Orthonormalbasis eines endlichdimensionalen inneren Produktraumes. Dann gilt: U unitär [U] B B ist unitär Beweis [U ] B B = ([U]B B ) nach Satz Wichtig ist hier, ähnlich wie im Fall von Satz 7.2.6, dass B bezüglich einer Orthonormalbasis dargestellt wird. Definition Eine Matrix A heißt orthogonal, wenn A A = A A = I ist. Für reelle Matrizen ist orthogonal ( dasselbe ) wie unitär, nicht jedoch für komplexe 2 3 i Matrizen, denn z.b. ist 3 i 3 2 orthogonal, aber nicht unitär Unitäre Diagonalisierbarkeit Definition Wir nennen einen Operator T auf V unitär diagonalisierbar, wenn es eine Orthonormalbasis gibt, bzgl. der T in Diagonalgestalt dargestellt werden kann. Was bedeutet unitäre Diagonalisierbarkeit für Darstellungsmatrizen? Wir nehmen an, T wird bzgl. einer Orthonormalbasis B dargestellt. Dann gilt [T] B B = ([id V ] B B ) 1 [T] B B [id V ] B B 116
4 Wir definieren eine lineare Abbildung U : V V durch U(b i ) = b i, wobei b i (bzw. b i ) der i-te Vektor von B (bzw. B ) ist. Es gilt also ist weil U unitär ist (S = [U] B B ). [id V ] B B = [U]B B, [T] B B = S [T] B B S Definition Zwei Matrizen T und T heißen unitär äquivalent wenn es eine unitäre Matrix S gibt mit T = S TS. Unitär äquivalente Matrizen beschreiben bzgl. geeigneter Orthonormalbasen identische lineare Abbildungen! Satz Ein linearer Operator T sei bzgl. einer Orthonormalbasis B dargestellt. Dann ist T genau dann unitär diagonalisierbar, wenn [T] B B unitär äquivalent zu einer Diagonalmatrix ist. Lemma Wenn ein Operator T unitär diagonalisierbar ist, so gilt TT = T T. Beweis Wir stellen T und T bzgl einer Orthonormalbasis B dar. Angenommen, [T] B B ist eine Diagonalmatrix. Dann gibt es also eine unitäre Matrix S derart, dass S [T] B B S eine Diagonalmatrix D ist. Es gilt Offenbar gilt D D = DD, also D = S [T] B B S D = S [T ] B B S [T] B B = SDS [T ] B B = SD S Daraus folgt [T] B B [T ] B B = [T ] B B [T]B B, also T T = T T. Dieses Argument zeigt auch: Lemma Ein linearer Operator auf einem reellen inneren Produktraum, der bzgl. einer orthogonalen Basis in Diagonalgestalt dargestellt wird, muss selbstadjungiert sein. 117
5 Definition Ein linearer Operator T heißt normal, wenn T T = T T gilt. Entsprechend nennen wir eine Matrix S normal, wenn S S = SS gilt. Beispiele normaler Operatoren sind die selbstadjungierten und die unitären Operatoren über C sowie die orthogonalen Operatoren über R. Unser Ziel ist es zu zeigen, dass normale Operatoren über C unitär diagonalisierbar sind. Für selbstadjungierte Operatoren gilt das sogar schon über R, wie wir zunächst zeigen wollen: Satz Sei V ein innerer Produktraum, und sei T selbstadjungiert. Dann ist jeder Eigenwert von T reell, und Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal. Beweis Sei T = γv, v 0. Dann gilt γ(v v) = (γv v) = (T(v) v) = (v T (v)) = (v T(v)) = (v γv) = γ(v v) also γ = γ. Sei nun T(v) = µw mit µ γ, v 0, d.h. µ ist ein anderer Eigenwert von T als γ. Wir erhalten γ(v w) = (T(v) w) = (v T(w)) = (v µw) = µ(v w) = µ(v w) weil µ reell sein muss (siehe oben), also (v w) = 0. Definition Sei V ein endlichdimensionaler innerer Produktraum, U V. Dann heißt U := {v V (u v) = 0 für alle u U} das orthogonale Komplement von U. Lemma Jeder Vektor v läßt sich schreiben als Summe v = u + u mit u U und u U. Diese Darstellung ist eindeutig. Beweis Offensichtlich ist U U = {0}, denn wenn v U U dann (v v) = 0, also v = 0. Das zeigt dim(u + U ) = dimu + dim U. (7.3) Wähle nun eine Orthonormalbasis (b 1,...,b n ), die eine Basis (b 1,..., b s ) von U enthält. Dann ist (b s+1,...,b n ) eine linear unabhängige Menge in U, wegen (??) also eine Basis. Daraus folgt auch unmittelbar die Eindeutigkeit der Darstellung. 118
6 Bemerkung Wenn wir einen Vektorraum V in der Form V = W W k mit W i V schreiben können, und wenn zusätzlich gilt dass jeder Vektor eindeutig als Summe von Vektoren in W i geschrieben werden kann, sprechen wir von einer direkten Summe. Ein Beispiel einer solchen Zerlegung haben wir bereits kennengelernt, nämlich die Zerlegung in Eigenräume eines diagonalisierbaren Operators. Hier ist nun eine weitere Zerlegung, nämlich in einen Unterraum und sein orthogonales Komplement. Man schreibt im Falle einer direkten Summe auch V = W 1... W k. Wir werden uns im zweiten Semester intensiver mit Zerlegungen eines Vektorraums in T-invariante Unterräume beschäftigen. Korollar dim U + dimu = dimv. Lemma Ist U ein T-invarianter Unterraum, so ist U ein T -invarianter Unterraum. Beweis Sei w U. Dann gilt (v w) = 0 für alle v U, also auch (T(v) w) = (v T (w)) = 0 für alle v U. Das bedeutet T (w) U, was zu beweisen war. Satz Sei V ein endlichdimensionaler innerer Produktraum. Wenn T selbstadjungiert ist, so hat T einen Eigenwert. Beweis Sei B eine Orthonormalbasis von V, und sei A = [T] B B. Wir betrachten den durch A definierten linearen Operator C n C n, also x 1 A(. ) = A x n Weil A = A beschreibt A einen selbstadjungierten Operator auf C n. Das charakteristische Polynom hat eine Nullstelle γ C, weil in C jedes Polynom in Linearfaktoren zerfällt. Es gibt also v C n mit Av = gammav. Wegen Satz ist γ reell und ist V ein reeller (also ein Euklidischer) Vektorraum, so können wir v R n wählen, weil A γi eine reelle singuläre Matrix ist. Also hat T in jedem Fall einen Eigenwert γ. Im reellen Fall konnten wir hier nicht einfach so tun, als ob T über C definiert ist. Deshalb der kleine Kunstgriff, die zu einer Darstellungsmatrix gehörende lineare Abbildung auf C n zu betrachten. Satz Sei V ein endlichdimensionaler innerer Produktraum, und sei T ein selbstadjungierter Operator auf V. Dann gibt es eine Orthonormalbasis von V, die aus Eigenvektoren von T besteht, d.h. T ist unitär diagonalisierbar. x 1. x n. 119
7 Beweis Wir wissen, dass T einen Eigenwert γ R hat. Sei v ein zugehöriger Eigenvektor mit v = 1. Sei W = v der von v aufgespannte Vektorraum. Das orthogonale Komplement von W ist T -invariant, also auch T-invariant. Nun ist W ebenfalls ein innerer Produktraum mit dim W = dimv 1. Wir setzen U := T W. Dann hat W mit Induktion eine Orthonormalbasis, die aus Eigenvektoren von U besteht. Korollar Ist A eine reelle symmetrische Matrix, so gibt es eine reelle orthogonale Matrix P so, dass P AP eine Diagonalmatrix ist. Wenn A bezüglich einer Orthonormalbasis in Diagonalgestalt dargestellt wird, so muss A symmetrisch sein (benutze (P AP) = P A P, also A = A weil P invertierbar). Zusammen mit Lemma erhalten wir Korollar Ein Operator in einem endlichdimensionalen Euklidischen Vektorraum wird genau dann bzgl. einer Orthonormalbasis in Diagonalgestalt dargestellt, wenn er selbstadjungiert ist. Im komplexen Fall gilt Korollar Ist A eine hermit sche komplexe Matrix, so gibt es eine unitäre Matrix P so, dass P AP eine Diagonalmatrix ist. Wir können nicht sagen, dass über V nur die selbstadjungierten Operatoren unitär diagonalisierbar sind, weil Lemma nur für reelle Vektorräume gilt! Lemma Sei V ein endlichdimensionaler innerer Produktraum, und sei T ein normaler Operator auf V. Dann gilt: v ist Eigenvektor on T zum Eigenwert γ genau dann wenn v ein Eigenvektor von T zum Eigenwert γ ist. Beweis Für normale Operatoren U gilt (Uv Uv) = (v U Uv) = (v UU v) = (U v U v). Ist γ ein Skalar, so ist T γid V normal (nachrechnen). Also gilt (T γid V )(v) = (T γid V )(v). Das zeigt: v ist Eigenvektor zum Eigenwert γ von T genau dann, wenn v Eigenvektro von T zum Eigenwert γ. Satz Ist T ein normaler Operator auf einem inneren Produktraum V. Wenn B = (b 1,..., b n ) eine Orthonormalbasis so ist, dass A := [T] B B eine obere Dreiecksmatrix ist, so ist T genau dann normal, wenn A eine Diagonalmatrix ist. Beweis Weil B orthonormal ist, ist A = [T ] B B. Wenn A eine Diagonalmatrix ist, so ist A eine normale Matrix, also ist T ein normaler Operator. 120
8 Sei nun umgekehrt T normal. Weil A = (α i,j ) = [T] B B eine obere Dreiecksmatrix ist, so gilt T(b 1 ) = α 1,1 b 1. Damit ist (Lemma ) b 1 auch ein Eigenvektor von T zum Eigenwert α 1,1. Wir können T (b 1 ) auch konkret ausrechnen: T (b 1 ) = n α 1,j b j (die α 1,j bilden die erste Spalte von T ). Das zeigt α 1,j = 0 für j > 1. Das zeigt α 1,2 = 0, also insbesondere T(b 2 ) = α 2,2 b 2, weil A eine obere Dreiecksmatrix ist. Das zeigt T (b 2 ) = α 2,2 b 2, also hat die zweite Spalte von T nur höchstens einen Eintrag 0, nämlich α 2,2. Die zweite Spalte von T ist aber die zweite Zeile von T. Fahre so fort. Wir zeigen nun, dass man jeden Operator auf einem endlichdimensionalen komplexen Vektorraum bzgl. einer Orthonormalbasis in oberer Dreiecksform darstellen kann: Satz Ist V ein endlichdimensionaler innerer Produktraum über C, so kann jeder lineare Operator auf V bzgl. einer Orthonormalbasis als obere Dreiecksmatrix dargestellt werden. Beweis Der Operator T hat mindestens einen Eigenwert γ mit Eigenwert v, weil das charakteristische Polynom von T mindestens eine Nullstelle hat. Wir betrachten das orthogonale Komplement W von v. Dieses ist T-invariant. Mit Induktion können wir annehmen, dass die Einschränkung von T auf W bzgl. einer Orthonormalbasis {b 1,... b n 1 } in einer oberen Dreiecksmatrix dargestellt werden. Bezüglich der Orthonormalbasis {b 1,...,b n } hat T eine obere Dreiecksmatrix als Darstellungsmatrix. Korollar Ein linearer Operator auf einem endlichdimensionalen komplexen inneren Produktraum ist genau dann unitär diagonalisierbar, wenn er normal ist. j=1 Beweis Lemma 7.4.4, Satz ,
7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
Mehr4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit
4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit Definition 4.41. Eine Familie F linearer Operatoren heißt vertauschbar oder kommutierend, wenn für je zwei Operatoren U,T in F gilt: UT = TU.
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
Mehr12.3 Kommutierende Abbildungen
12.3 Kommutierende Abbildungen Definition 12.3.1 Sei V ein endlichdimensionaler Vektorraum, und sei F eine Familie linearer Abbildungen V V mit UT = TU für alle U, T in F. Dann nennt man F eine Familie
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
Mehr5.2 Diagonalisierbarkeit und Trigonalisierung
HINWEIS: Sie finden hier eine vorläufige Kurzfassung des Inhalts; es sind weder Beweise ausgeführt noch ausführliche Beispiele angegeben. Bitte informieren Sie sich in der Vorlesung. c M. Roczen und H.
Mehr3 Bilinearform, Basen und Matrizen
Lineare Algebra II 2. Oktober 2013 Mitschrift der Vorlesung Lineare Algebra II im SS 2013 bei Prof. Peter Littelmann von Dario Antweiler an der Universität zu Köln. Kann Fehler enthalten. Veröentlicht
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
MehrBasisprüfung. 18. August 2015
Lineare Algebra I/II D-MATH, HS 4/FS 5 Prof Richard Pink Basisprüfung 8 August 25 [6 Punkte] Betrachte den reellen Vektorraum R 3 zusammen mit dem Standardskalarprodukt, und die Vektoren 9 3 v := 6, v
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
MehrSesqui- und Bilinearformen
Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn
MehrLösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen
Technische Universität Berlin Sommersemester 2008 Institut für Mathematik 18 Juli 2008 Prof Dr Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Klausur zur Linearen Algebra II Aufgabe 1 (1+1+1 Punkte)
Mehr44 Spektralzerlegung normaler Operatoren im endlichdimensionalen Fall
44 Spektralzerlegung normaler Operatoren im endlichdimensionalen Fall 44 1 Zusammenfassung Dieser Paragraf richtet sich im Aufbau weitgehend nach 42, um den Zerlegungssatz (44.7) analog zum Satz über die
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
Mehr10 Unitäre Vektorräume
10 Unitäre Vektorräume Pink: Lineare Algebra 2014/15 Seite 98 10 Unitäre Vektorräume Die Theorie komplexer Vektorräume mit Skalarprodukt folgt denselben Linien wie die Theorie reeller Vektorräume mit Skalarprodukt;
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
MehrLineare Algebra für Physiker 11. Übungsblatt
Lineare Algebra für Physiker 11. Übungsblatt Fachbereich Mathematik SS 01 Prof. Dr. Matthias Schneider./. Juli 01 Dr. Silke Horn Dipl.-Math. Dominik Kremer Gruppenübung Aufgabe G1 (Minitest) (a) Welche
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
MehrLineare Algebra II (SS 13)
Lineare Algebra II (SS 13) Bernhard Hanke Universität Augsburg 03.07.2013 Bernhard Hanke 1 / 16 Selbstadjungierte Endomorphismen und der Spektralsatz Definition Es sei (V,, ) ein euklidischer oder unitärer
MehrLösung 23: Sylvesters Trägheitssatz & Singulärwertzerlegung
D-MATH Lineare Algebra I/II HS 07/FS 08 Dr Meike Akveld Lösung 3: Sylvesters Trägheitssatz & Singulärwertzerlegung Wir wissen, dass eine Basis B von R n existiert, sodass p [β Q ] B I I q 0 n p q gilt
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 42 Normale Endomorphismen Nach Satz 34.1 besitzt eine Isometrie über C eine Orthonormalbasis aus Eigenvektoren
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
MehrLösung 13: Unitäre Vektorräume und normale Abbildungen
D-MATH Lineare Algebra II FS 2017 Dr. Meike Akveld Lösung 13: Unitäre Vektorräume und normale Abbildungen 1. a) Im Folgenden sei γ : V V C die Abbildung γ(v, w) v + w 2 v w 2 i v + iw 2 + i v iw 2. : Wir
MehrSommer 2017 Musterlösung
Sommer 7 Musterlösung. (5 Punkte) a) Sei V ein Vektorraum über K und sei T End(V ). Geben Sie die Definition eines Eigenwertes von T und zeigen Sie für endlichdimensionales V, dass λ K genau dann ein Eigenwert
MehrSteilkurs Lineare Algebra 1 einige wichtige Stationen
Steilkurs Lineare Algebra 1 einige wichtige Stationen Für einen Körper K ist ein K-Vektorraum V eine Menge mit einer kommutativen und assoziativen Verknüpfung + : V V V, für die es ein neutrales Element
Mehr8 Eigenwerttheorie I 8. EIGENWERTTHEORIE I 139. Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet:
8. EIGENWERTTHEORIE I 139 8 Eigenwerttheorie I Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet: K[x] = Abb[N, K] = {P ; P = a n x n + a n 1 x n 1 + + a 0 ; a
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
Mehr4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Darstellungsmatrizen 2 2 Diagonalisierbarkeit
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrÜbungsblatt
Prof Dr Fabien Morel Lineare Algebra II Dr Anand Sawant Sommersemester 2018 Übungsblatt 11 20062018 Aufgabe 1 (2 Punkte) Berechnen Sie eine Jordan-Basis für die Matrix 3 1 1 M = 2 2 0 M 3 (R) 1 1 3 Wir
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
Mehr3.7 Eigenwerte und Eigenvektoren
3.7. EIGENWERTE UND EIGENVEKTOREN 123 3.7 Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben,
MehrKontrollfragen und Aufgaben zur 4. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Dr. Jens Schreyer und Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 4. Konsultation
MehrPrüfung Lineare Algebra 2
1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
MehrVII.2. INNERE PRODUKTE 227
VII.2. INNERE PRODUKTE 227 der Abstand von v zum Teilraum W genannt. Dabei bezeichnet p: V W die Orthogonalprojektion aus Satz VII.2.32 und b 1,...,b k ist eine beliebige Orthonormalbasis von W. Offensichtlich
MehrMathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
MehrLineare Abbildungen. i=0 c ix i n. K n K m. linear. Wir können also jeder Matrix eine lineare Abbildung zuordnen.
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz SS 5 4.5.5 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt
MehrLineare Algebra II Lösungen zu ausgewählten Aufgaben
Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form
MehrKapitel 13. Normalformen Zyklische Unterräume
Kapitel 13 Normalformen In diesem ganzen Kapitel ist V ein n-dimensionaler K-Vektorraum und T End(V). Natürlich können Sie sich T auch immer als Matrix vorstellen, und wenn wir konkret rechnen, dann machen
MehrKontrollfragen und Aufgaben zur 3. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 3. Konsultation Termin: Ort: Determinante
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
MehrLineare Algebra II Lösungen der Klausur
Prof Dr K Doerk 673 Jens Mandavid Christian Sevenheck Lineare Algebra II Lösungen der Klausur (a Diese Aussage ist richtig, sie stimmt nämlich für k = Sei nämlich n N beliebig und bezeichne N die Menge
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
MehrD-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld. Clicker Fragen
D-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld Clicker Fragen Frage 1 Wenn eine reelle Matrix einen Eigenvektor hat, so hat es unendlich viele Eigenvektoren Sei u K n einen Eigenvektor von A M
MehrOrthogonale und unitäre Matrizen
Proseminar zur linearen Algebra Veranstalter: Prof. Bogopolski TU-Dortmund Proseminarbeitrag von Daniela Kreft Studiengang: Mathematik(Diplom) Thema: Orthogonale und unitäre Matrizen Orthogonale und unitäre
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
Mehr23. Die Jordan sche Normalform
Chr.Nelius, Lineare Algebra II (SS 2005) 1 23. Die Jordan sche Normalform Wir suchen für einen trigonalisierbaren Endomorphismus unter seinen dreiecksförmigen Darstellungsmatrizen eine Darstellungsmatrix,
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
MehrEigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008
Eigenwerttheorie Martin Gubisch Lineare Algebra I WS 27/28 Motivation Gegeben seien ein K-Vektorraum V der Dimension n < und eine K-lineare Abbildung f : V V Wir suchen eine Basis V = v 1,, v n von V,
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
MehrLeitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.
Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
MehrProbeklausur Lineare Algebra 1 Achten Sie auf vollständige, saubere und schlüssige Argumentation! 100 Punkte sind 100%. Inhaltsverzeichnis
Prof. Dr. Wolfgang Arendt Manuel Bernhard Wintersemester 5/6 Probeklausur Lineare Algebra Achten Sie auf vollständige, saubere und schlüssige Argumentation! Punkte sind %. Inhaltsverzeichnis Aufgabe Aufgabe
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
Mehr1 Darstellungsmatrizen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Darstellungsmatrizen Vereinbarungen für dieses Kapitel: K Körper V und W endlich-dimensionale K-Vektorräume B = {v
Mehr1 Grundlagen zur Darstellungstheorie
Seminar Gruppen in der Physik SS 06 Vortrag 1 Gruppen und ihr Darstellung Matthias Nagl 1 Grundlagen zur Darstellungstheorie In diesem Vortrag wird es nur um lineare Darstellungen endlicher Gruppen in
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 22/3 Institut für Analysis 28..23 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Höhere Mathematik I für die Fachrichtung Physik 4. Übungsblatt (letztes Blatt)
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
Mehr11.2 Orthogonalität. Wintersemester 2013/2014
Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 2013/2014 Markus Scheighofer Lineare Algebra I 11.2 Orthogonalität Definition 11.2.1. Seien V ein K-Vektorraum mit Skalarprodukt
MehrTrigonalisierung. Definition. 1) Sei F : V V linear, dim V = n. Dann heißt F trigonalisierbar, wenn es eine Basis B von V gibt sodass a 11 a 12..
Trigonalisierung Sei F : V V linear und dim V = n. Wir beschäftigen uns jetzt mit der Frage, ob es eine Basis B von V gibt, sodass M B (F ) eine Dreiecksmatrix ist. Definition. ) Sei F : V V linear, dim
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
Mehr29 Lineare Algebra 2 (SS 2009) 4.9. Das charakteristische Polynom sei Produkt von linearen Polynomen.
9 Lineare Algebra (SS 009) 49 Das charakteristische Polynom sei Produkt von linearen Polynomen 49 Das charakteristische Polynom sei Potenz eines linearen Polynoms Wir betrachten nun eine Matrix A, sodass
Mehr