Regelungs- und Systemtechnik 2 Winter 2017/2018
|
|
- Harald Burgstaller
- vor 5 Jahren
- Abrufe
Transkript
1 Regelungs- und Systemtechnik Winter 7/8 Wiederholung mathematischer Grundlagen Die folgende Zusammenstellung orientiert sich an den in der Vorlesung Regelungs- & Systemtechnik Anwendung findenden ingenieurmathematischen Grundlagen. Sie ist bewußt beispielhaft gehalten und als solche nicht dazu gedacht, eine eingängigere Wiederholung und Auseinandersetzung mit den Begriffen und Konzepten anhand einschlägiger Lehrbücher oder Vorlesungsmitschriften der Grundlagenmathematik zu ersetzen. Die Zusammenstellung erhebt keinerlei Anspruch auf Vollständigkeit. Vielmehr soll sie anregen, sich mit den bereits erlernten mathematischen Konzepten auf die Vorlesung fokusiert auseinanderzusetzen. Die mitunter angeführten Schritte zur Lösung einfacherer Aufgaben stellen im allgemeinen nur einen möglichen Lösungsweg dar. Eine in gewisser Hinsicht geschicktere Vorgehensweise ist durchaus möglich.. Lösung linearer skalarer Differentialgleichungen Die Lösung der skalaren linearen Differentialgleichung ẋt = at xt+ut mit xt, ut, at R ist gegeben als Summe der homogenen Lösung x h t und einer partikulären Lösung x p t, d.h. xt = x h t+ x p t. Die zugehörige homogene Differentialgleichung löst die Funktion ẋ h t = at x h t. x h t = exp aτ dτ c t mit beliebiger Konstanten c R. Eine partikuläre Lösung x p t von erhält man dann z.b. über die Variation der Konstanten, d.h. über den speziellen Lösungsansatz x p t = exp aτ dτ ct. t Einsetzen des Ansatzes in führt auf exp aτ dτ atct + exp aτ dτ ċt = at exp aτ dτ ct+ut t t t t ċt = exp aτ dτ ut t t τ ct = exp aτ dτ u τ d τ+c t t für beliebiges c R. Damit ist eine partikuläre Lösung für die Wahl c = nun t τ x p t = exp aτ dτ exp aτ dτ u τ d τ t t t t = exp aτ dτ u τ d τ t τ Prof. Johann Reger Seite 8. März 8
2 Regelungs- und Systemtechnik Winter 7/8 Damit ergibt sich die an den Anfangswert xt = x angepaßte allgemeine Lösung von zu t xt = exp aτ dτ x + exp aτ dτ u τ d τ. t t τ Für at a = konst. erhält die Lösung die etwas einfachere Darstellung t xt = expat t x + expat τ uτ dτ. t. Rang, Bild und Kern einer Matrix Der Spaltenrang einer Matrix A R m n ist die Anzahl von deren linear unabhängigen Spaltenvektoren. Der Zeilenrang einer Matrix A R m n ist die Anzahl von deren linear unabhängigen Zeilenvektoren. Man kann zeigen, daß Spaltenrang und Zeilenrang stets identisch sind. Daher spricht man häufig auch nur vom Rang einer Matrix. Der Rang einer Matrix kann z.b. mittels elementarer Zeilenoperationen festgestelt werden. Dabei versucht man durch elementare Zeilen- bzw. Spaltenoperation, d.h. Tausch von Zeilen Spalten und durch Addition von Vielfacher einer anderen Zeile Spalte auf eine Zeile Spalte, die Matrix so umzuformen, daß die Anzahl der linear unabhängigen Zeilen Spalten abgelesen werden kann. Diese Operationen verändern den Rang der Matrix nicht. Beispiel: A = Damit ist RangA = Das Bild einer Matrix A R m n, bezeichnet als BildA, ist der Raum, den die Spaltenvektoren der Matrix aufspannen. Für die Dimension dieses Raumes gilt offenbar dimbilda = RangA. Da die Spalten- bzw. Zeilenvektoren einer Matrix nicht notwendigerweise linear unabhängig sein müssen, ist die Dimension des Bildraums Im vorangehenden Beispiel: BildA = span, dimbilda min{m, n}., 4 = span,, Der Kern oder Nullraum einer Matrix A R m n, bezeichnet als KernA, ist der Raum, den alle möglichen Lösungsvektoren x R n der Gleichung A x = aufspannen. Für die Dimensionen von Bild und Kern einer Matrix gilt die Beziehung: dimbilda+dimkerna = n. Prof. Johann Reger Seite 8. März 8
3 Regelungs- und Systemtechnik Winter 7/8 Im vorangehenden Beispiel: Zur Bestimmung von KernA lösen wir das Gleichungssystem A x =. Wir nutzen, daß x x x x = x x 4 = x 4 x 4 Demnach ist x 4 = und x kann frei gewählt werden. Damit ist x = x, x = x, und somit KernA = span. Die Dimension des Kerns ist dimkerna =, wie erwartet.. Determinante, charakteristisches Polynom und Spur einer Matrix Die Begriffe Determinante und charakteristisches Polynom einer Matrix beziehen sich nur auf quadratische Matrizen A R n n. Anstatt die allgemeine Definition zu wiederholen, soll hier nur die Bestimmung der Determinanten einer Matrix mit Hilfe des Laplaceschen Entwicklungssatzes an einem Beispiel verdeutlicht werden. Beispiel: Wir bestimmen die Determinante der Matrix A = Die Einfärbung in den Farben rot und blau soll dabei negative und positive Vorzeichen für das bei der Berechnung zu verwendende Vorzeichenschachbrett kenntlich machen. Um den Aufwand zu reduzieren, ist es geschickt nach der 4. Zeile zu entwickeln und die Derminante der verbleibenden Matrix dann anschließend nach der. Spalte oder. Zeile. Wir erhalten deta = = + = 8 = 4 Für A, Ā R n n gilt:. deta Ā = deta detā. Das Polynom detλ I A heißt charakteristisches Polynom der Matrix A. Die dabei verwendete Matrix λ I A heißt charakteristische Matrix von A. Im vorangehenden Beispiel: detλ I A = λ λ+ λ λ = = λ4 λ 5λ + 4λ 4 Prof. Johann Reger Seite 8. März 8
4 Regelungs- und Systemtechnik Winter 7/8 Das charakteristische Polynom läßt sich in der Form detλ I A = λ n + a n λ n + +a λ+a schreiben. Der Vorfaktor des Monoms höchsten Grades, d.h. λ n, ist dabei stets und das konstante Element a des charakteristischen Polynoms erfüllt a = n deta. Der Koeffizient a n des Monoms zweithöchsten Grades ergibt sich als a n = spura. Dabei meint der Ausdruck spura die Spur der Matrix A, d.h. die Summe der Diagonaleinträge von A. Setzt man in das charakteristische Polynom detλ I A für den Parameter λ die Matrix A selbst ein, dann ergibt sich stets die Nullmatrix Satz von Cayley-Hamilton. Demnach gilt A n + a n A n + +a A+ a I =. Damit können alle Potenzen A i mit i n als Linearkombination von Potenzen niedrigeren Grades ausgedrückt werden. 4. Besondere Matrizen Für symmetrische Matrizen A R n n gilt: A T = A. Diagonale Matrizen sind als Sonderfall trivialerweise symmetrisch. Für schiefsymmetrische, oder auch antisymmetrisch genannte Matrizen A R n n gilt: A T = A. Die Adjungte zu einer Matrix A, bezeichnet als adja, bestimmt sich komponentenweise jeweils durch Bildung der Unterdeterminanten, die man erhält, wenn man Zeile und Spalte des betrachteten Elements in A streicht und das Vorzeichenschachbrett berücksichtigt. Die sich so ergebende transponierte Matrix ist die Adjungte von A. Beispiel Die Adjunkte von bestimmt sich gemäß adja = A = Die Inverse A einer Matrix A erfüllt die Beziehungen T A A = A A = I = 5 T = 5 Prof. Johann Reger Seite 4 8. März 8
5 Regelungs- und Systemtechnik Winter 7/8 Sie existiert genau dann, wenn die Matrix A nicht-singulär ist, d.h. deta =. Offenbar gilt deta = deta. Die Inverse läst sich über die Adjunkte nach der Beziehung A = deta adja bestimmen. Diese Beziehung ist vor allem dann von Relevanz, wenn die Matrix A nicht zahlenmäßig, sondern in Form von symbolischen Ausdrücken gegeben ist. Zur Bestimmung der Inversen einer zahlenmäßig gegebenen Matrix A, insbesondere wenn sie viele Nullen aufweist, ist es häufig geschickter, die erweiterte Matrix A I mittels elementarer Zeilenbzw. Spaltenoperation auf die FormI A zu transformieren. Im vorangehenden Beispiel: A I = Für orthogonale Matrizen A R n n gilt besonders vereinfachend A T A = A A T, A = d.h. es ist A = A T. Determinanten orthogonaler Matrizen sind entweder oder. Die Matrixexponentialfunktion einer Matrix A ist definiert über die Reihe Für zwei Matrizen A, B R n n gilt e A := A i i!. i= e A e B = e A+B A B = B A, d.h. die für Skalare übliche Regel für Exponenten gilt im Matrixfall nur, wenn A und B kommutieren. Für jede quadratische Matrix A R n n existiert die Inverse von e A. Sie lautet: e A = e A. Man kann zeigen, daß die Reihe der Matrixexponentialfunktion absolut konvergiert. Dann kann die Cauchysche Regel für das Produkt absolut konvergenter Reihen i= a i und j= b j verwendet werden. Das Produkt der Reihen ist dann ebenso absolut konvergent und es gilt: a i b j = i= j= c k mit c k = k= k a n b k n. n= Prof. Johann Reger Seite 5 8. März 8
6 Regelungs- und Systemtechnik Winter 7/8 5. Eigenwerte und Eigenvektoren einer Matrix, Ähnlichkeitstransformation Die Eigenwerte einer Matrix A R n n sind gerade die Nullstellen Wurzeln des charakteristischen Polynoms detλ I A. Für reellwertige Matrizen A sind die Koeffizienten des charakteristischen Polynoms reell. Damit sind die Eigenwerte entweder reell oder sie treten als konjugiert komplexe Paare auf. Zu einer Matrix der Dimension n n gehören n Eigenwerte λ,..., λ n, die aber im allgemeinen nicht paarweise voneinander verschieden sein müssen. Es liegen dann mehrfache Nullstellen des charakteristischen Polynoms vor. Die Vielfachheit der unterschiedlichen Eigenwerte λ i wird als algebraische Vielfachheit mult alg λ i bezeichnet. Die Eigenwerte einer Matrix sind genau diejenigen Zahlen λ, welche die charakteristische Matrix λ I A singulär machen. Damit ist für jeden Eigenwert λ i auch das zugehörige homogene lineare Gleichungssystem λ i I A v i =, d.h. die sogenannte charakteristische Gleichung lösbar. Lösungsvektoren v i C n können mit beliebigen, von null verschiedenen Faktoren skaliert bzw. normiert werden und sind dann wieder Lösungen der charakteristischen Gleichung. Im allgemeinen lösen zu einem Eigenwert λ i mehrere linear unabhängige Vektoren die charakteristische Gleichung. Diese zu einem Eigenwert λ i gehörenden linear unabhängigen Vektoren, heißen Eigenvektoren des Eigenwerts λ i. Alle zusammen spannen den zu λ i gehörigen Eigenraum auf. Zu einem Eigenwert λ i gibt es genau so viele linear unahängige Lösungsvektoren der charakteristischen Gleichung, wie der Rangdefekt der charakteristischen Matrix ist, d.h. deren Anzahl ist genau dimkernλ i I A = n dimbildλ i I A. Man nennt diese Anzahl auch geometrische Vielfachheit mult geo λ i des Eigenwerts λ i. Matrizen, bei denen für jeden Eigenwert λ i algebraische und geometrische Vielfachheit zusammenfallen, d.h. wenn für alle Eigenwerte λ i einer Matrix gilt mult geo λ i = mult alg λ i heißen diagonalisierbar, andernfalls nicht-diagonalisierbar. Da stets gilt mult geo λ i mult alg λ i, stellen Matrizen mit paarweise verschiedenen Eigenwerten einen Sonderfall der diagonalisierbaren Matrizen dar. Ist eine Matrix diagonalisierbar, so sagt man auch, sie ist diagonalähnlich. Jede diagonalisierbare Matrix A R n n läßt sich mit einer nicht-singulären, im allgemeinen aber komplexwertigen Matrix V C n n in folgender Form schreiben: A = V Λ V. Dabei ist Λ eine aus den Eigenwerten von A gebildete Diagonalmatrix Λ = diagλ,..., λ n und V bestimmt sich aus den in den zugehörigen Spalten angeordneten Eigenvektoren, d.h. V = v,..., vκ,..., v N,..., vκ N N der entsprechenden geometrischen Vielfachheit κ i Eigenwerte Reihenfolge beachten!. = mult geo λ i der N paarweise verschiedenen Prof. Johann Reger Seite 6 8. März 8
7 Regelungs- und Systemtechnik Winter 7/8 Zwei Matrizen A, Ā C n n heißen zueinander ähnlich, wenn sie über eine sogenannte Ähnlichkeitstransformation in Zusammenhang stehen, d.h. wenn es eine nicht-singuläre Matrix T C n n so gibt, daß Ā = T A T. Zu einander ähnliche Matrizen haben u.a. das selbe charakterische Polynom, wie man leicht mit Hilfe der Regeln zur Determinatenbildung von Matrizenprodukten herleiten kann. Auch an einer Matrix durchgeführte elementare Zeilen- und Spaltenumformungen ändern deren Eigenwerte nicht. Beispiel Wir untersuchen die Eigenwerte und Eigenvektoren der folgenden Matrix vom Typ Frobenius-Matrix auch Begleitmatrix genannt A =. Eigenwerte Das charakeristische Polynom berechnet sich zu λ detλ I A = det λ = λ λ+ λ +λ+ λ λ = λ + λ + λ+ Die Nullstellen dieses Polynoms, d.h. die Eigenwerte von A, sind λ =, λ = j und λ = j. Jeder Eigenwert hat die algebraische Vielfachheit mult alg λ i =, d.h. die Eigenwerte sind paarweise verschieden und A ist diagonalisierbar. Eigenvektoren Eigenvektoren zu λ = : Wir suchen Vektoren v C mit λ I A v = v =. Elementare Zeilenumformungen liefern: Wählen wir die zweite Komponente von v frei, so sieht man, daß alle Vektoren v = c mit c = Eigenvektoren zum Eigenwert λ = sind. Ohne Beschränkung der Allgemeinheit wählen wir die Konstante c zu c = und erhalten als einzigen linear unabhängigen Eigenvektor v =. Prof. Johann Reger Seite 7 8. März 8
8 Regelungs- und Systemtechnik Winter 7/8 Eigenvektoren zu λ = j: Wir suchen Vektoren v C mit λ I A v = Elementare Zeilenumformungen liefern: j j j+ j j j j+ j j j+ v = j j j Wählen wir die dritte Komponente von v frei, so sieht man, daß alle Vektoren v = c j mit c = Eigenvektoren zum Eigenwert λ = j sind. Ohne Beschränkung der Allgemeinheit wählen wir die Konstante c zu c = und erhalten als einzigen linear unabhängigen Eigenvektor v = Eigenvektoren zu λ = j: Da zu konjugiert komplexen Eigenwerten konjugiert komplexe Eigenvektoren gehören, folgt sofort der zum Eigenwert λ = j gehörende linear unabhängige Eigenvektor v = j. Bei jedem Eigenwert ist die geometrische Vielfachheit gleich der algebraischen Vielfachheit, wie man anhand der paarweisen Verschiedenheit der Eigenwerte schon erschließen konnte. j Damit folgt, daß die Matrix der spaltenweise eingetragenen Eigenvektoren V =. j j die zugehörige Matrix A diagonalisiert, denn V A V = Λ = j j, wie man leicht nachprüft. Da A hier eine Frobenius-Matrix ist, hätte man die Koeffizienten des charakteristischen Polynoms detλ I A = λ n + a n λ n + +a λ+a natürlich auch direkt als negative Einträge der letzten Zeile von A ablesen können, d.h. es gilt: a = A n, a = A n,..., a n = A n,n. Zudem gilt speziell für Frobenius-Matrizen, daß Eigenwerte eine geometrische Vielfachheit von aufweisen. Hat man die Eigenwerte λ i der Frobenius-Matrix ermittelt, so bestimmen sich die zugehörigen linear unabhängigen Eigenvektoren v i einfach aus der Beziehung v i =, λ i, λ i,..., λn i T, was den Berechnungsaufwand deutlich reduzieren hilft. Prof. Johann Reger Seite 8 8. März 8
9 Regelungs- und Systemtechnik Winter 7/8 Beispiel Wir untersuchen die Eigenwerte und Eigenvektoren der Matrix A =. Eigenwerte Da es sich um einer Dreiecksmatrix handelt, kann man die Eigenwerte der Matrix sofort von der Diagonalen ablesen und das charakteristische Polynom ist dann detλ I A = λ, d.h. der einzige Eigenwert λ = hat die algebraische Vielfachheit mult alg λ =. Eigenvektoren Wir bestimmen die zu λ = gehörenden Eigenvektoren, d.h. suchen Vektoren v C mit λ I A v = v = und erhalten v = c +c mit c, c =. Es gibt also zu λ = genau linear unabhängige Eigenvektoren, d.h. λ hat die geometrische Vielfachheit mult geo λ =. Da die algebraische Vielfachheit jedoch mult alg λ = beträgt, unterscheiden sich die Vielfachheiten. Konsequenz: Matrix A ist nicht-diagonalisierbar. 6. Eigenwerte und Eigenvektoren besonderer Matrizen Transponierte Matrix Die Eigenwerte der Transponierten A T fallen mit den Eigenwerten von A zusammen. Zu jedem Eigenwert sind die zugehörigen Eigenvektoren von A T orthogonal zu den entsprechenden Eigenvektoren von A. Symmetrische Matrix Symmetrische Matrizen weisen ausschließlich reelle Eigenwerte auf. Sind immer diagonalähnlich und Eigenvektoren zu verschiedenen Eigenwerten sind zueinander orthogonal. Zu jeder symmetrischen Matrix A R n n kann eine orthogonale Transformationsmatrix T R n n gefunden werden, so daß T T A T = diagλ,..., λ n mit den reellen Eigenwerten λ,..., λ n von A. Dies gelingt auf Grundlage der Eigenvektoren von A, indem man je unterschiedlichen Eigenwert alle zugehörigen Eigenvektoren des Eigenraums einer Orthonormalisierung Gram-Schmidt-Verfahren unterzieht und diese Vektoren dann spaltenweise in der Matrix T entsprechend der Numerierung der Eigenwerte anordnet. Prof. Johann Reger Seite 9 8. März 8
10 Regelungs- und Systemtechnik Winter 7/8 Inverse Matrix Die Eigenwerte von A ergeben sich als Kehrwerte der Eigenwerte von A. Die zu den jeweiligen Eigenwerten gehörenden Eigenvektoren sind genau die entsprechenden von A. Orthogonale Matrix Jeder Eigenwert λ einer orthogonalen Matrix hat den Betrag λ =, d.h. alle Eigenwerte befinden sich auf dem Einheitskreis der komplexen Zahlenebene. 6. Definitheit Die Definitheit einer Matrix definiert man üblicherweise anhand der Bilinearform x T A x. Da für beliebige A R n n stets die Zerlegung A = A+ A T + A A T gilt, kann man jede Matrix als Summe einer symmetrischen und einer schiefsymmetrischen Matrix darstellen. Man zeigt leicht, daß wenn A schiefsymmetrisch ist, für belieibge x R n gilt: x T A x =. Daher führt man Definitheit von Matrizen häufig nur für symmetrische Matrizen ein. Eine symmetrische Matrix A R n n heißt, positiv definit, wenn x T A x > positiv semidefinit, wenn x T A x negativ definit, wenn x T A x < negativ semidefinit, wenn x T A x für alle x R n \{} gilt. Sie heißt indefinit, wenn sie weder positiv noch negativ semidefinit ist. Kriterien I: Eine symmetrische Matrix A R n n ist positiv definit, wenn alle Eigenwerte λ i > positiv semidefinit, wenn alle Eigenwerte λ i negativ definit, wenn alle Eigenwerte λ i < negativ semidefinit, wenn alle Eigenwerte λ i indefinit, wenn sie positive und negative Eigenwerte hat Kriterien II: Eine symmetrische Matrix A R n n ist positiv definit, wenn alle führenden Hauptminoren Hauptabschnittsdeterminanten von A positiv sind negativ definit, wenn alle führenden Hauptminoren Hauptabschnittsdeterminanten von A positiv sind Prof. Johann Reger Seite 8. März 8
11 Regelungs- und Systemtechnik Winter 7/8 Beispiel Die Matrix A = ist positiv definit, denn alle führenden Hauptminoren sind positiv: >, = >, = 4 >. 7. Jacobi-Matrix Sei f = fx mit f : R n R m eine vektorwertige Funktion der vektorwertigen Größe x. Die Jacobi- Matrix f x ist gegeben als f f f x x x n f f x = f f x x x n f m x Beispiel f m x Wir bestimmen die Jacobi-Matrix von f mit fx = A x für A R m n. Mit f i x = A i x + + A in x n, i =,..., m, zeigt man leicht: f x = A. Beispiel Wir bestimmen die Jacobi-Matrix von f mit fx = x T A x für A R n n, d.h. den Gradienten der skalarwertigen Funktion f. Mit fx = n i= n j= A ijx i x j zeigt man: f m x n f x = f, f,..., f = x T A+ A T. x x x n Prof. Johann Reger Seite 8. März 8
MC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrTutorium Mathematik II M WM
Tutorium Mathematik II M WM 9.6.7 Lösungen Lösen Sie folgende Systeme von Differentialgleichungen der Form x = A x + b mit. A = 6 und b = et. e t Hinweis: Die Eigenwerte und -vektoren der Matrix A lauten:
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,
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
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
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,
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
MehrIV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrEigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
Zurück Stand 4.. 6 Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
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 =
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrLineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.
b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 13. (A ± I)x = 0 Ax ± x = 0 Ax = ±x Ax = λx
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 13 1. Die Matrix A±I ist singulär falls es einen Vektor x 0 gibt der die Gleichung (A±I)x = 0 erfüllt, d.h. wenn A ± I als
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
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
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
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
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 5/.. Höhere Mathematik für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrMathematik für Wirtschaftswissenschaftler I (Lineare Algebra) 2. Klausur Wintersemester 2011/
Mathematik für Wirtschaftswissenschaftler I (Lineare Algebra) 2. Klausur Wintersemester 2011/2012 21.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN. Nachname:...................................................................
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
Mehr6. Lineare DGL-Systeme erster Ordnung
HJ Oberle Differentialgleichungen I WiSe 22/3 6 Lineare DGL-Systeme erster Ordnung A Allgemeines Wir betrachten ein lineares DGL System erster Ordnung y (t = A(t y(t + b(t (6 und setzen voraus, dass die
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrEigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )
Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen
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
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
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
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)
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
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,
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrRichie Gottschalk Lineare Algebra I Seite 1. a) Welche der folgenden Ringe sind kommutativ? Es gibt genau einen Unterraum W von V mit dim(w ) = n.
Richie Gottschalk Lineare Algebra I Seite Aufgabe Im Folgenden sind K immer ein Körper und V ein K-Vektorraum. a) Welche der folgenden Ringe sind kommutativ? K[x] K[x] ist per se ein kommutativer Polynomring.
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichungen für Ingenieure WS 06/07 6. Vorlesung Michael Karow Themen heute: 1. Die geschlossene Lösungsformel für lineare DGL mit konstanten Koeffizienten. 2. Die Matrixexponentialfunktion
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07032016-11032016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Lineare Abbildungen 2 11 Homomorphismus 2 12 Kern
MehrLineare Algebra. 13. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 3. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 29, 27 Erinnerung Satz. Axiomatischer Zugang, Eigenschaften der Determinante. Die Abbildung det :
MehrKomplexe Lineare Algebra. Lösung allgemeiner Linearer Systeme (m n möglich) Die Lösbarkeit eines linearen Systems
Determinante und Inverse Lösung allgemeiner Linearer Systeme (m n möglich) Die Lösbarkeit eines linearen Systems Ax = b R m, x R n, A R mn hängt sehr stark vom sogenannten Rang der m n Matrix A ab Diese
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 13. Übung: Woche vom 23. 1.-27. 1. 2017 (Lin.Alg. II): Heft Ü 3: 1.1.3; 1.1.7 (a,b); 1.1.8; 1.1.11; 3.4.3 (b); 1.3.3 (c); 1.2.3 (b,d); Hinweis 1: 3. Test (Integration, analyt. Geom.) ist
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
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
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
MehrMathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und
MehrLineare Algebra für Ingenieure
TECHNISCHE UNIVERSITÄT BERLIN SS 4 Fakultät II - Mathematik J Liesen/F Lutz/R Seiler Lineare Algebra für Ingenieure Lösungen zur Juli-Klausur Stand: 4 September 4 Rechenteil Aufgabe (8 Punkte Berechnen
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
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung
Mehr5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
MehrMusterlösungen zur Linearen Algebra II Hauptklausur
Musterlösungen zur Linearen Algebra II Hauptklausur Aufgabe. Q ist unitär genau dann, wenn gilt Q Q = I n. Daraus folgt, dass a) und c) richtig sind. Die -Matrix A := (i) zeigt, dass i.a. A A t, d.h. b)
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
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
Mehr29.2 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System. y = A y, t R, (1)
292 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System y = A y, t R, ( wobei A C n n, und wollen ein Fundamentalsystem bestimmen Grundlegende Beobachtung:
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Betrachtet wird eine (n,n)-matrix A. Eine Zahl λ heißt Eigenwert von A, wenn ein Vektor v existiert, der nicht der Nullvektor ist und für den gilt: A v = λ v.
MehrKlausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 23): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag 3. Mit Hilfe elementarer Zeilenumformungen sowie der Tatsache, daß sich die Determinante
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
MehrLineare Algebra und Numerische Mathematik D-BAUG Winter 2013 Prof. H.-R. Künsch. Regeln Multiple Choice:
b Prüfung Lineare Algebra und Numerische Mathematik D-BAUG Winter 03 Prof. H.-R. Künsch c Alle Aufgaben haben das gleiche Gewicht. Die Lösungswege müssen, abgesehen von Aufgabe, nachvollziehbar dargestellt
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
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
MehrA w w f f B w f w f A B w f w w A B A B A B. z = a 2 + b 2 =: r. c+id = ac+bd. 2 c 2 +d 2. z 2. z n = z. z = r cos(x) + ir sin(x) = reix
Formelsammlung Aussagenlogik Für beliebige Aussagen A, B gilt: Konjunktion Disjunktion Implikation Äquivalenz A B w f f f A B w w w f A B w f w w A B w f f w Mengenlehre Für beliebige Mengen A, B gilt:
MehrA w w f f B w f w f A B w f w w A B A B A B. z = a 2 + b 2 =: r. c+id = ac+bd. 2 c 2 +d 2. z 2. z n = z. z = r cos(x) + ir sin(x) = reix
Formelsammlung Aussagenlogik Für beliebige Aussagen A, B gilt: Konjunktion Disjunktion Implikation Äquivalenz A B w f f f A B w w w f A B w f w w A B w f f w Mengenlehre Für beliebige Mengen A, B gilt:
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
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)
MehrFür das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten
Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 6. Januar.009 Kapitel 6 Leontieff Modell, Lineare
MehrProf. Steinwart Höhere Mathematik I/II Musterlösung A =
Prof. Steinwart Höhere Mathematik I/II Musterlösung 7..7 Aufgabe ( Punkte) (a) Bestimmen Sie die Eigenwerte und Eigenräume der Matrix A mit 3 3 A = 3 Ist die Matrix A diagonalisierbar? (b) Die Matrix A
MehrEigenwerte und Eigenvektoren
KAPITEL Eigenwerte und Eigenvektoren. Berechnung von Eigenwerten...................... Eigenvektoren...............................3 Algebraische und geometrische Vielfachheit von Eigenwerten.. 4.4 Zusammenfassung
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
MehrKapitel 11 Eigenwerte und Eigenvektoren
Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare
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) :=
MehrLösungen der Aufgaben zu Kapitel 11
Lösungen der Aufgaben zu Kapitel Vorbemerkung: Zur Bestimmung der Eigenwerte (bzw. des charakteristischen Polynoms) einer (, )-Matrix verwenden wir stets die Regel von Sarrus (Satz..) und zur Bestimmung
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Anwendungen in der Physik: Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors - Normalmoden
Mehr3 a) Berechnen Sie die normierte Zeilenstufenform der Matrix A = normierte Zeilenstufenform:
1. Aufgabe (9 Punkte) In dieser Aufgabe müssen Sie Ihre Antwort nicht begründen. Es zählt nur das Ergebnis. Tragen Sie nur das Ergebnis auf diesem Blatt im jeweiligen Feld ein. 0 1 3 a) Berechnen Sie die
MehrSerie a) Welche der folgenden Vektoren sind Eigenvektoren der Matrix 1 0 1? 0 1 1
Prof. Norbert Hungerbühler Serie Lineare Algebra II ETH Zürich - D-MAVT. a Welche der folgenden Vektoren sind Eigenvektoren der Matrix? i (,,. ii (,,. iii (,,. iv (, 3,. v (,,. Ein Vektor v ist Eigenvektor
Mehr