6 Symmetrische und hermitesche Matrizen
|
|
- Ute Martin
- vor 5 Jahren
- Abrufe
Transkript
1 $Id: quadrat.tex,v.2 27/7/5 :59:6 hk Exp $ $Id: orthogonal.tex,v.5 27/7/5 2::22 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6. Quadratische Formen und Hauptachsentransformation In der letzten Sitzung hatten wir den Satz über die Hauptachsentransformation quadratischer Funktionen bewiesen, und wollen hier noch einen besonders wichtigen Spezialfall dieses Satzes festhalten. Korollar 6. (Hauptachsentransformation quadratischer Formen Sei A eine reelle, symmetrische n n-matrix und bezeichne λ,..., λ n die mit Vielfachheit aufgezählten Eigenwerte von A. Sei f(x := (Ax x die zu A gehörige quadratische Form. Dann existiert eine orthogonale n n-matrix S mit für alle x R n. f(sx = λ x λ n x 2 n Beweis: In der Notation von Satz sind b = und c =. Dann sind wir in Fall und können u = als Koordinatenursprung verwenden. Insbesondere ist f(u = und alles folgt aus Satz. 6.4 Definite Matrizen Zu jeder symmetrischen Matrix A R n n gehört eine quadratische Form f(x = (Ax x, mit der wir uns im letzten Abschnitt ausgiebig beschäftigt haben. Man kann noch etwas weiter gehen und eine Art Skalarprodukt einführen, indem wir für x, y R n einfach x y A := (Ax y definieren. Die meisten Eigenschaften eines Skalarprodukts sind dann erfüllt, für alle x, y, z R n und alle λ R haben wir x + y z A = (A(x + y z = (Ax + Ay z = (Ax z + (Ay z = x z A + y z A x y + z A = (Ax (y + z = (Ax y + (Ax z = x y A + x z A, λx y A = (A(λx y = (λax y = λ((ax y = λ x y A, x λy A = (Ax (λy = λ((ax y = λ x y A und y x A = (Ay x = y (Ax = (Ax y = x y A. 22-
2 Wir nennen die Matrix A positiv definit wenn A tatsächlich ein Skalarprodukt ist, wenn also auch (Ax x > für alle x R n gilt. In anderen Worten soll die quadratische Form f die Bedingung f(x > für alle x R n erfüllen. Ähnliche Überlegungen kann man auch im komplexen Fall anstellen. Ist A C n n eine hermitesche Matrix, so können wir genau wie im reellen Fall ein Skalarprodukt x y A := (Ax y definieren, und dieses erfüllt für alle x, y, z C n und alle λ C die Gleichungen x + y z A = (A(x + y z = (Ax + Ay z = (Ax z + (Ay z = x z A + y z A x y + z A = (Ax (y + z = (Ax y + (Ax z = x y A + x z A, λx y A = (A(λx y = (λax y = λ((ax y = λ x y A, x λy A = (Ax (λy = λ((ax y = λ x y A und y x A = (Ay x = y (Ax = (Ax y = x y A. Auch in diesem Fall nennen wir die Matrix A positiv definit wenn A ein Skalarprodukt ist. Dies führt uns auf die folgende Definition. Definition 6.9: Sei A eine symmetrische n n Matrix über K = R oder eine hermitesche n n Matrix über K = C. Dann heißt A. positiv definit wenn (Ax x > für alle x K n ist, 2. negativ definit wenn (Ax x < für alle x K n ist,. positiv semidefinit wenn (Ax x für alle x K n ist, 4. negativ semidefinit wenn (Ax x für alle x K n ist und 5. indefinit wenn A weder positiv semidefinit noch negativ semidefinit ist. Dass die Matrix A indefinit ist, bedeutet also das es Vektoren x, y K n mit (Ax x > und (Ay y < gibt. Man kann die Definitheit einer Matrix an ihren Eigenwerten ablesen. Satz 6.2 (Charakterisierung definiter Matrizen über Eigenwerte Sei A eine symmetrische n n Matrix über K = R oder eine hermitesche n n Matrix über K = C. Bezeichne λ,..., λ n R die mit Vielfachheit aufgezählten Eigenwerte von A. Dann ist A genau dann. positiv definit wenn λ,..., λ n > ist, 2. negativ definit wenn λ,..., λ n < ist,. positiv semidefinit wenn λ,..., λ n ist, 4. negativ semidefinit wenn λ,..., λ n ist und 22-2
3 5. indefinit wenn es i, j n mit λ i > und λ j < gibt- Beweis: Nach Korollar 9 existiert im reellen Fall eine orthogonale Matrix S R n n und im komplexen Fall eine unitäre Matrix S C n n mit λ D := S AS =.... Wir behaupten das A dasselbe Defininiheitsverhalten wie D hat, also genau dann positiv definit, negativ definit, positiv semidefinit, negativ semidefinit oder indefinit ist wenn D dies ist. Da S insbesondere invertierbar ist, ist nämlich jeder Vektor y K n von der Form y = Sx mit x K n, und für jedes x K n gilt weiter λ n (ASx (Sx = (S ASx x = (Dx x, und die Zwischenbehauptung ist eingesehen. Für alle x K n gilt nun und damit sind alle Aussagen klar. (Dx x = n λ i x i 2, i= Wir wollen jetzt zeigen das die Determinante einer positiv definiten Matrix stets positiv ist. Etwas allgemeiner trifft dies sogar auf alle quadratischen Unterdeterminanten zu. Lemma 6. (Determinanten positiv definiter Matrizen Seien K {R, C}, n N mit n und A = (a ij i,j n K n n eine positiv definite Matrix. Weiter seien r n und Indizes k < k 2 <... < k r n gegeben. Dann gilt a k,k a k,k r..... >. a kr,k a kr,kr Beweis: Wir zeigen zunächst das det A > ist. Nach Satz 2 sind die mit Vielfachheit aufgezählten Eigenwerte λ,..., λ n > von A alle positiv und nach 5.Korollar 8 ist det A = λ... λ n >. Nun sei eine Untermatrix B := a k,k a k,k r..... a kr,k a kr,kr 22-
4 von A gegeben. Dann ist auch B symmetrisch beziehungsweise hermitesch und wir behaupten das B auch positiv definit ist. Sei hierzu x K r gegeben, und definiere den Vektor x K n durch Auffüllen der fehlenden Stellen mit Nullen, also x k i := x i für i r und x i := für i {,..., n}\{k,..., k r }. Dann ist auch x und (Bx x = (Ax x >. Damit ist B positiv definit, und wie bereits gezeigt folgt hieraus auch det B >. Zum Rechnen mit kleineren konkreten Matrizen kann Satz 2 etwas mühsam sein, da wir zu seiner Anwendung ja erst einmal die Eigenwerte von A ausrechnen müssen. Manchmal praktischer ist eine Umkehrung des vorigen Lemmas, die wir nun formulieren wollen. Satz 6.4 (Determinantenkriterium für positive Definitheit Sei A = (a ij i,j n eine symmetrische n n Matrix über R. Dann ist A genau dann positiv definit, wenn gelten. a >, a a 2 a 2 a 22 >, a a 2 a a 2 a 22 a 2 a a 2 a a a n >,... und..... > a n a nn Beweis: = Klar nach Lemma. = Diese Implikation beweisen wir durch vollständige Induktion nach n. Im Induktionsanfang n = haben wir ein reelle Zahl a > mit A = (a und dann gilt für alle x R stets (Ax x = ax 2 >, d.h. A ist positiv definit. Nun sei n N mit n 2 und nehme an das die behauptete Implikation für n gilt. Dann schreiben wir ( B u A = u t c mit einer symmetrischen (n (n -Matrix B, einem Vektor u R n und einem c R. Da dann auch B unsere Determinantenbedingung erfüllt, ist B nach der Induktionsannahme positiv definit. Die Determinantenbedingung besagt insbesondere det B >, also ist B invertierbar und wir können v := B u R n setzen. Sind dann b,..., b n die Spalten von B, so gilt u = Bv = v b + + v n b n, subtrahieren wir also für j < n das v j -fache der j-ten Spalte von A von der n-ten Spalte von A, so ergibt sich mit I. 8.Korollar 5 < det A = B u u t c = B u t c u v = (c u v det B, 22-4
5 es ist also u v < c. Sei nun y R n gegeben und schreibe ( x y = s mit x R n und s R. Wegen y ist dann x oder s. Es gilt ( B u (Ay y = y t Ay = (x t s u t c ( x s = (x t s ( Bx + su cs + u x = (Bx x + 2s(u x + cs 2. Ist s =, so ist x und somit (Ay y = (Bx x > da B positiv definit ist. Ist s, so haben wir (Ay y > (Bx x + 2s(u x + s 2 (u v = (Bx x + 2s(Bv x + s 2 (Bv v = (Bx x + s(bv x + s(bx v + s 2 (Bv v = B(x + sv (x + sv wieder da B positiv definit ist. Also gilt in beiden Fällen (Ay y > und A ist positiv definit. Beispielsweise haben wir damit für symmetrische 2 2 Matrizen ( a b positiv definit a > und ad b 2 >. b d Das Determinantenkriterium ist in der Literatur unter eine Vielfalt von Namen zu finden, gängige Bezeichnungen sind Hadamard Kriterium, Frobenius Kriterium und Jakobi Kriterium. Für eine positiv semidefinite Matrix A ergibt sich analog zu Lemma das die in diesem Lemma betrachteten Determinanten alle nichtnegativ sind. Tatsächlich gilt auch die Umkehrung dieser Tatsache, es müssen dann allerdings alle Unterdeterminanten betrachtet werden und nicht nur die Hauptunterdeterminanten wie im eben bewiesenen Satz. Da eine n n-matrix allerdings 2 n viele solche Unterdeterminanten hat, eignet sich diese Umkehrung nicht als ein praktisch anwendbares Kriterium für positive Semidefinitheit. Wir wollen uns nun an einem Beispiel davon überzeugen das es tatsächlich kein zum Satz analoges Determinantenkriterium für positiv semidefinite Matrizen gibt. Betrachten wir etwa die symmetrische Matrix A = so sind = = = aber mit dem Vektor x := gilt Ax = 22-5 sowie (Ax x = 2 <,
6 die Matrix A ist also nicht positiv semidefinit. Analog zum Induktionsschritt im Beweis des Determinantenkriteriums Satz 4 kann man immerhin zeigen das A positiv semidefinit ist wenn die ersten n Hauptunterdeterminanten alle positiv sind und det A ist, dies ist allerdings nur eine hinreichende und keine notwendige Bedingung. Durch Anwendung der bisherigen Ergebnisse auf A ergeben sich analoge Kriterien für die negative Definitheit. Rechnen wir einige Beispiele:. Sei A = ( 2 2 Dann ist a = > aber det A = <, d.h. A ist nicht positiv definit.. 2. Sei A := Diesmal haben wir a = >, >, aber = 2 4 = 4, d.h. auch diese Matrix ist nicht positiv definit.. Schließlich sei A = Diesmal haben wir a = >, = > und = 2 2 = 2 >, d.h. die Matrix A ist positiv definit. 7 Orthogonale und unitäre Matrizen Bereits in 6.2 hatten wir den Begriff einer orthogonalen Matrix im reellen Fall und einer unitären Matrix im komplexen Fall eingeführt. Wir hatten auch verschiedene 22-6
7 Beschreibungen für die Orthogonalität einer Matrix A gesehen A ist orthogonal A t A = AA t = und entsprechend im komplexen Fall A ist unitär A A = AA = Die Spalten von A sind eine Orthonormalbasis des R n Für alle x, y R n gilt (Ax (Ay = x y Die Spalten von A sind eine Orthonormalbasis des C n Für alle x, y C n gilt (Ax (Ay = x y. In diesem Abschnitt interessiert uns vor allem der letztgenannte Aspekt. Mit x = y folgt für eine orthogonale beziehungsweise unitäre n n Matrix A auch Ax = (Ax (Ax = x x = x für jedes x im R n beziehungsweise C n, d.h. die Matrix A erhält die Länge von Vektoren. Weiter folgt, dass eine orthogonale Matrix A auch den Winkel φ zwischen Vektoren x, y R n erhält, denn dieser bestimmt sich ja durch die Formel x y = x y cos φ, und da A Länge und Skalarprodukt nicht ändert, haben wir auch (Ax (Ay = Ax Ay cos φ. Orthogonale Matrizen sind also die linearen Abbildungen, die Längen und Winkel erhalten. Nehmen wir Verschiebungen hinzu, so ergeben sich die sogenannten Bewegungen, dies sind die Abbildungen der Form f : R n R n ; x Ax + u mit einer orthogonalen n n Matrix A und einem Vektor u R n. Wir halten zwei Grundtatsachen über orthogonale und unitäre Matrizen fest: Satz 7. (Eigenwerte und Determinante orthogonaler und unitärer Matrizen Sei A eine orthogonale n n Matrix über K = R oder eine unitäre n n Matrix über K = C. Dann gelten: (a Ist λ C ein komplexer Eigenwert von A, so ist λ =. (b Ist K = R so gilt det A = oder det A =. 22-7
8 (c Ist K = C so gilt det A =. (d Ist K = R und ist die Dimension n ungerade und det A =, so ist ein Eigenwert von A. (e Ist K = R und ist die Dimension n gerade und det A =, so ist ein Eigenwert von A. Beweis: (a Da eine orthogonale Matrix als komplexe Matrix unitär ist, können wir uns auf den Fall K = C beschränken. Sei u C n ein Eigenvektor zu λ, also Au = λu. Dann erhalten wir also wegen u = auch λ =. (c Es gilt u = Au = λu = λ u, det A 2 = det(a det A = det(a det(a = det(a det(a t = det(a det(a = det(aa =, also ist auch det A =. (b Da A als komplexe Matrix unitär ist, gilt nach (c zunächst det A = und wegen det A R ist det A {, }. (d,e Es ist χ A ( = det( A = det(aa t A = det(a det(a t = det(a det(a = ( n det(a det( A = ( n det(aχ A (. In den beiden Fällen n ungerade, det A = und n gerade, det A = ist ( n det A =, also χ A ( = χ A (, und dies bedeutet χ A ( =, d.h. ist ein Eigenwert von A. Die Bewegungen f(x = Ax + u bei denen A eine orthogonale Matrix mit det A = ist nennt man auch eigentliche Bewegungen. Dies sind diejenigen Bewegungen, die sich tatsächlich physikalisch realisieren lassen. Die Bewegungen mit det A = haben immer einen Spiegelungsanteil. Wir führen jetzt eine Bezeichnung für die Menge aller orthogonalen beziehungsweise unitären Matrizen ein. Hierzu sei n N mit n gegeben. Dann seien O n R := {A R n n A ist orthogonal} (Orthogonale Gruppe, SO n R := {A O n R det A = } (Spezielle orthogonale Gruppe, U n C := {A C n n A ist unitär} (Unitäre Gruppe, SU n C := {A U n C det A = } (Spezielle unitäre Gruppe. 22-8
9 Oft verwendete alternativen Schreibweisen für diese Mengen sind O(n = O n R für die orthogonale Gruppe, SO(n = SO n R für die spezielle orthogonale Gruppe, U(n = U n C für die unitäre Gruppe und SU(n = SU n C für die spezielle unitäre Gruppe. Das Wort Gruppe hatten wir schon einmal in I. 8. im Zusammenhang mit der symmetrischen Gruppe bei der Einführung von Determinanten verwendet. Genau wie damals wollen wir hier keine abstrakte Definition einer Gruppe geben, gemeint ist das Produkte und Inverse von Elementen aus einer Mengen O n R, SO n R, U n C, SU n C wieder in der entsprechenden Menge sind. In der Vorlesung wurde dies nur mitgeteilt, aber an dieser Stelle wollen wir es kurz vorrechnen. Angenommen A, B O n R sind zwei orthogonale Matrizen derselben Größe. Dann ist auch das Produkt AB invertierbar mit (AB = B A = B t A t = (AB t, d.h. es ist auch AB O n R. Außerdem ist auch (A = A = A tt = (A t, d.h. A O n R. Für die unitäre Gruppe U n C ist die Rechnung analog und die Aussagen über die beiden speziellen Gruppen SO n R und SU n C folgen dann aus den Eigenschaften der Determinante. Sind beispielsweise A, B SO n R, so wissen wir bereits AB, A O n R und zusätzlich sind also AB, A SO n R. det(ab = det(a det(b = und det(a = det A =, 7. Spiegelungen Wir werden jetzt einen speziellen Typ orthogonaler Abbildungen untersuchen, die Spiegelung an einer Hyperebene. Im zweidimensionalen Fall n = 2 sind dies Geradenspiegelungen und im dreidimensionalen Fall n = handelt es sich um Ebenenspiegelungen. Da die Dimension für diese Überlegungen keine Rolle spielt, wollen wir hier gleich den n-dimensionalen Fall behandeln, und eine Hyperebene des R n war dann definitionsgemäß ein (n -dimensionaler affiner Teilraum des R n. Im letzten Semester hatten wir im Abschnitt I.. bereits eine auch hier nützliche Beschreibung von Hyperebenen kennengelernt. Jede solche Hyperebene E ließ sich in Hessescher Normalform als E = {x R n u x = c} schreiben, wobei c R ist und u ein senkrecht auf E stehender Vektor der Länge u = ist, ein sogenannter Normalenvektor auf E. Da wir hier an orthogonalen Matrizen, also an linearen Abbildungen, interessiert sind, brauchen wir Hyperebenen durch den Nullpunkt, also c =. 22-9
10 Eine Hyperebene durch den Nullpunkt läßt sich somit in der Form x u E = {x R n u x = } λ u beschreiben, wobei u ein Normalenvektor auf E ist. Wir wollen die Spiegelung S an der Hyperebene E berechnen. Sei also x R n. Dann schreiben wir x x = x + λu E mit einem Vektor x E und einem λ R. Sx Beim Spiegeln an E bleibt der Anteil x von x in E erhalten während der zu E senkrechte Anteil λu zu λu wird, d.h. insgesamt wird der Punkt x auf Sx = x λu abgebildet. Den zu u parallelen Anteil λu hatten wir auch bereits im I.. des letzten Semesters ausgerechnet, wegen u = ist λ = u x, also λu = (u xu. Für das Bild von x unter der Spiegelung folgt die Spiegelungsformel Sx = x λu = x + λu 2λu = x 2λu = x 2(u xu. Damit haben wir die Spiegelung an E berechnet. Auch als Matrix bezüglich der kanonischen Basis des R n läßt sich S leicht berechnen, es ist ja Sx = x 2(u xu = x 2u(u x = x 2uu t x = ( 2uu t x, als Matrix ist also S = 2uu t. Beachte dabei das das Produkt eines Spaltenvektors mit n Einträgen und eines Zeilenvektors mit n Einträgen eine n n-matrix ist. Wir wollen zwei Beispiele rechnen. Sei g die Gerade g := ( 4 = {( t 4t t R} im R 2. Senkrecht auf dem Richtungsvektor steht beispielsweise v = ( 4 und normiert u = v v = ( 4 5 v = 5 5. Für die Spiegelungsmatrix ergibt sich S = 2uu t = 2 25 vvt = 2 25 ( 4 (4 = 2 ( = (
11 Als ein zweites Beispiel betrachte die Ebene E := {(x, y, z R x + 2y 2z = } im R. Dann steht der Vektor v = (, 2, 2 senkrecht auf E, und wegen v = ist u := v = 2 2 ein Normalenvektor von E. Als die Spiegelungsmatrix an der Ebene E ergibt sich S = 2uu t = = Die Formel für Spiegelungen an Ebenen die nicht durch den Nullpunkt gehen läßt sich auf unsere Spiegelungsformel zurückführen. Angenommen die Hyperebene E R n ist in Hessescher Normalform als E = {x R n u x = c} gegeben, wobei u ein Normalenvektor auf E ist und c R ist. Wähle dann irgendeinen Punkt x E, also u x = c. Die Spiegelung kann man dann realisieren, indem zuerst x nach verschoben wird, dann an der zu E parallelen Hyperebene durch gespiegelt wird, und anschließend wieder nach x zurückgeschoben wird. Die zu E parallele Hyperebene durch hat dabei auch den Normalenvektor u. Wie sieht das als Formel aus? Sei x R n. Beim Verschieben geht x auf x x, und beim Spiegeln an der parallelen Hyperebene geht dieser Punkt auf x x 2(u (x x u = x x 2(u xu + 2(u x u = x x 2(u xu + 2cu. Dann wird zurückgeschoben und als Spiegelung ergibt sich S c x = x (u xu + 2cu = Sx + 2cu, wobei S = 2uu t ist. Wir wollen nun einen Satz angeben der die besondere Bedeutung von Spiegelungen für die orthogonale Gruppe herausstellt, überhaupt jede orthogonale Matrix läßt sich als ein Produkt von Spiegelungen schreiben. Satz 7.2: Jede orthogonale n n Matrix läßt sich als ein Produkt von höchstens n Spiegelungen schreiben. Dies kann man etwa durch Induktion nach n beweisen, man überlegt sich zunächst das es für je zwei u, v R n mit u = v = stets eine Spiegelung S mit Su = v gibt, hiermit kann man sich dann auf den Fall reduzieren das es für die betrachtete orthogonale Matrix A einen Vektor u R mit u = und Au = u gibt und die Induktionsannahme in u führt zum Ziel. Wir wollen hier darauf verzichten dies wirklich vorzuführen. Beachten wir das eine Spiegelung offenbar die Determinante 22-
12 hat, so hat ein Produkt einer geraden Anzahl von Spiegelungen die Determinante und ein Produkt einer ungeraden Anzahl von Spiegelungen hat die Determinante. Schauen wir uns einmal an was der Satz für die Ebene n = 2 sagt. Nach dem Satz ist jede orthogonale 2 2 Matrix entweder eine Spiegelung oder das Produkt von zwei Spiegelungen. Produkte von zwei Spiegelungen im R 2 stellen sich als Drehungen heraus, d.h. jede orthogonale 2 2-Matrix ist eine Spiegelung oder eine Drehung. Für unitäre Matrizen gibt es einen ähnlichen Satz, anstelle von Spiegelungen muss man aber auch die etwas allgemeineren Quasispiegelungen erlauben. Diese Dinge wollen wir hier aber nicht näher ausführen. 7.2 Drehungen Die wohl wichtigste Sorte othogonaler Matrizen sind die Drehungen. Wir werden diese im zwei und im dreidimensionalen Fall behandeln. In Dimension 2 kennen wir uns dabei bereits bestens aus, die Drehung um einen Winkel φ wird durch die Matrix ( cos φ sin φ D(φ = sin φ cos φ beschrieben, wie wir schon in Abschnitt I..2 im letzten Semester eingesehen haben. Wir wollen uns jetzt mit Drehungen im dreidimensionalen Raum beschäftigen. Hier reicht es zur Beschreibung einer Drehung nicht mehr aus, einen Winkel anzugeben. Neben dem Winkel benötigen wir auch noch die Drehachse, also die Ursprungsgerade um die herum die Drehung stattfindet. Die Achse sei dabei durch einen Vektor u der Länge gegeben. Es seien also ein u R mit u = und ein Winkel φ R gegeben. Wir wollen die Drehung D u (φ mit Drehachse in Richtung von u u und Drehwinkel φ berechnen. Sei x R und wir müssen das Bild D u (φx von x unter unserer Drehung bestimmen. Ist x u, liegt x also auf der Drehachse, so ist sofort D u (φx = x, wir können also x / u annehmen. Unsere Strategie ist es zu einer anderen Orthonormalbasis u φ, u 2, u des R überzugehen, in der D u (φ eine möglichst einfache Gestalt hat. Es ist naheliegend diese Basis mit der Drehachse selbst zu beginnen, also u := u. Den zweiten Basisvektor u 2 wählen wir jetzt zum Argument x passend. Den Punkt x selbst können wir leider nicht verwenden, da dieser weder normiert noch senkrecht zu u ist. Dies ist aber kein großes Problem, wir wenden einfach die uns schon 22-2
13 bekannte Gram Schmidt Orthonormalisierung auf u, x an, d.h. wir setzen y := x (u xu und u 2 := y y. Zur Bestimmung des dritten Basisvektors verwenden wir das in I..4 eingeführte Vektorprodukt, der Vektor u u 2 steht senkrecht auf u und u 2 und hat die Länge u u 2 = ( u 2 u 2 2 (u u 2 2 /2 =. Die gesuchte Orthonormalbasis wird somit vervollständigt durch u := u u 2 = u x u (x (u xu = y y da u u = ist. Beachte außerdem das die Basis u, u 2, u dann positiv orientiert ist, der Umlaufsinn unseres Drehwinkels ist also bezüglich dieser Basis genau derselbe wie bezüglich der Standardbasis. Bezüglich der Basis u, u 2, u wird x jetzt zu x = (u xu + y = (u xu + y u 2 = u x y In dieser Basis berechnet sich das Bild von x unter unserer Drehung als u x u x D u (φx = cos φ sin φ y = y cos φ. sin φ cos φ y sin φ Bezüglich der Standardbasis haben wir damit das Ergebnis D u (φx = (u xu + y cos(φu 2 + y sin(φu = (u xu + cos(φy + sin(φu x. = (u xu + cos(φx (u x cos(φu + sin(φ(u x = cos(φx + ( cos φ(u xu + sin(φ(u x. Dies ist bereits eine für praktische Zwecke nützliche Drehungsformel. Wir können die Formel auch noch in Matrixform umschreiben, hierzu müssen wir uns nur überlegen wie die Matrix der linearen Abbildung f(x = u x aussieht. Dies ist schnell berechnet u e = u u 2 u = u u 2, u e 2 = u e = u u 2 u u u 2 u u =, u 2 u = u, 22-
14 die Matrix von f ist also û := u u 2 u u u 2 u. Die Drehmatrix wird damit insgesamt zu D u (φ = cos φ + ( cos φuu t + sin(φû. Damit können wir nun Drehmatrizen berechnen. Wir können den Drehwinkel φ auch direkt aus der Matrix D u (φ ablesen, es ist ja tr û =, tr uu t = u 2 + u u 2 = und somit tr D u (φ = cos φ + cos φ = + 2 cos φ. Auch die von u aufgespannte Gerade können wir an der Matrix D u (φ ablesen. Es ist ja (uu t t = uu t aber û t = û, also D u (φ + D u (φ t = 2 cos φ + 2( cos φuu t = tr D u (φ + 2( cos φuu t. Ist also φ kein Vielfaches von 2π, so ist cos φ und es folgt u = Bild(D u (φ + D u (φ t tr(d u (φ +. Ist φ dagegen ein Vielfaches von 2π, also cos φ =, so findet überhaupt keine Drehung statt, und daher ist es nicht überraschend das wir keine Drehachse bestimmen können. Beachte übrigens das die Formel für die Drehachse nur den Teilraum u liefert, aber nicht u selbst, d.h. wir können auf diese Weise nicht zwischen u und u unterscheiden. Wenn man aber φ und ±u kennt, so ist ein leichtes durch Einsetzen in die Matrixform der Drehformel abzulesen welchen der beiden wir nehmen müssen. Wir wollen die Matrixformel einmal auf das Beispiel von Drehungen um u = (/ (,, anwenden. Es gelten uu t = (,, = Die Drehung um u mit dem Winkel φ wird damit zu und û = D u (φ = cos φ + ( cos φuu t + sin(φû = + 2 cos φ cos φ sin φ cos φ + sin φ cos φ + sin φ + 2 cos φ cos φ sin φ cos φ sin φ cos φ +. sin φ + 2 cos φ. 22-4
6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v 1.26 215/6/3 1:3:3 hk Exp $ $Id: orthogonal.tex,v 1.13 215/7/1 1:57:5 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.4 Definite Matrizen Wir hatten eine symmetrische reelle beziehungsweise
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
Mehr1 Analytische Geometrie und Grundlagen
Mathematische Probleme, SS 28 Dienstag 29.5 $Id: vektor.tex,v.46 28/5/29 6:4: hk Exp $ Analytische Geometrie und Grundlagen.6 Bewegungen und Kongruenzbegriffe Am Ende der letzten Sitzung hatten wir bereits
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
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.44 2018/05/17 14:11:13 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.6 Bewegungen und Kongruenzbegriffe Wir untersuchen gerade die Spiegelung an einer Hyperebene h R d. Ist ein
Mehr7 Orthogonale und unitäre Matrizen
$Id: orthogonal.tex,v.6 2/7/ 4::3 hk Exp $ $Id: mdiffb.tex,v.3 2/7/ 4::5 hk Exp hk $ 7 Orthogonale und unitäre Matrizen 7.2 Drehungen Wir wollen uns jetzt mit Drehungen im dreidimensionalen Raum beschäftigen.
MehrMathematische Probleme, SS 2013 Montag 3.6. $Id: convex.tex,v /06/03 20:40:11 hk Exp hk $
$Id: convex.tex,v 1.9 2013/06/03 20:40:11 hk Exp hk $ 3 Konvexgeometrie 3.3 Automorphismengruppen platonischer Körper Wir beschäftigen uns gerade mit Drehungen im R 3, und hatten nachgerechnet das die
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
MehrLie Gruppen, SS 2010 Montag $Id: intro.tex,v /04/23 12:56:11 hk Exp hk $
Lie Gruppen, SS 2 Montag 9.4 $Id: intro.tex,v.5 2/4/23 2:56: hk Exp hk $ Einleitung Wir wollen jetzt die Frage der Umkehrbarkeit der Exponentialfunktion behandeln. Zunächst werden wir einsehen, dass exp
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.24 2017/05/18 11:18:04 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.6 Bewegungen und Kongruenzbegriffe In diesem Abschnitt wollen wir die Automorphismengruppe der euklidischen
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Dienstag $Id: jordantex,v 8 9// 4:48:9 hk Exp $ $Id: quadrattex,v 9// 4:49: hk Exp $ Eigenwerte und die Jordansche Normalform Matrixgleichungen und Matrixfunktionen Eine
Mehr6 Symmetrische und hermitesche Matrizen
Mathematik für Physiker II, SS Freitag 4.6 $Id: quadrat.tex,v.8 /6/4 4:44:39 hk Exp hk $ 6 Symmetrische und hermitesche Matrizen 6. Prä-Hilberträume Wir sind gerade mit der Diskussion der sogenannten Ausgleichsgerade
Mehr6 Symmetrische und hermitesche Matrizen
Mathematik für Physiker II, SS 7 Freitag 3.6 $Id: quadrat.tex,v.3 7/6/3 :8:3 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6. Symmetrische und hermitesche Matrizen Wir kommen jetzt zu den symmetrischen
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
Mehr$Id: anageo.tex,v /01/18 21:24:38 hk Exp hk $
$Id: anageo.tex,v 1.3 9/1/18 1:4:38 hk Exp hk $ II. Lineare Algebra 1 Analytische Geometrie 1.1 Das Skalarprodukt v w u p Wir wollen noch eine weiteres Ergebnis der eben durchgeführten Überlegung festhalten.
MehrEinige Lösungsvorschläge für die Klausur zur Vorlesung
Prof Klaus Mohnke Institut für Mathematik Einige Lösungsvorschläge für die Klausur zur Vorlesung Lineare Algebra und analtische Geometrie II* - SS 7 Aufgabe Im R mit dem Standardskalarprodukt ist die folgende
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.48 2017/06/14 15:16:10 hk Exp $ $Id: jordan.tex,v 1.26 2017/06/16 10:59:58 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Zum Abschluss dieses Kapitels behandeln
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
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
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
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
Mehr1 Umkehrfunktionen und implizite Funktionen
Mathematik für Physiker III WS 2012/2013 Freitag 211 $Id: implizittexv 18 2012/11/01 20:18:36 hk Exp $ $Id: lagrangetexv 13 2012/11/01 1:24:3 hk Exp hk $ 1 Umkehrfunktionen und implizite Funktionen 13
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner SS 0 Blatt 9 9060 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach Lösungsvorschlag a Die gegebene Matrix
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
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.
Mehr8 Euklidische und unitäre Vektorräume. Skalarprodukte Orthogonalität Matrizen
8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen 8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen In diesem Kapitel werden nur endlich dimensionale
Mehr7.2 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.)
MehrLineare Algebra II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
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
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
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
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
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
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
MehrAnalytische Geometrie
21 Vorlesungen über Analytische Geometrie für Lehramtstudierende der Schulformen Grund-, Mittel- und Realschule Jens Jordan Universität Würzburg, Wintersemster 2015/16 Hier kommt noch ein schönes Bildchen
MehrT := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
MehrMathematische Probleme, SS 2015 Montag $Id: quadratisch.tex,v /06/22 12:08:41 hk Exp $
Mathematische Probleme, SS 15 Montag 6 $Id: quadratischtex,v 111 15/06/ 1:08:41 hk Exp $ 4 Kegelschnitte 41 Quadratische Gleichungen In der letzten Sitzung hatten wir die Normalform (1 ɛ )x + y pɛx p =
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen Freitag, 6.. Sascha Frölich
MehrEine Affinität α eines euklidischen Raumes heißt eine Bewegung, wenn sie Abstände (und damit auch Winkel) erhält, wenn also für alle Punkte X, Y gilt:
5 Zur Geometrie euklidischer Bewegungen 5.1 Bewegungen Eine Affinität α eines euklidischen Raumes heißt eine Bewegung, wenn sie Abstände (und damit auch Winkel) erhält, wenn also für alle Punkte X, Y gilt:
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
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
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
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,
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
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
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. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof. Dr. Streicher Dr. Sergiy Nesenenko Pavol Safarik SS 5. 9. Mai 6. Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G (Standardskalarprodukt Sei v, e R und es
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.39 2018/05/03 14:55:15 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.5 Abstände und Winkel Nachdem wir uns am Ende der letzten Sitzung an den Orthogonalitätsbegriff der linearen
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
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
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
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
MehrEXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen
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
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
Mehr2 Koordinatentransformationen
Mathematik für Ingenieure III, WS 9/ Mittwoch 8. $Id: transform.tex,v.8 //4 :9: hk Exp $ Koordinatentransformationen. Lineare Koordinatentransformationen Wir überlegen uns dies zunächst im Spezialfall
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
Mehr4 Orthogonale Endormorphismen
4 Orthogonale Endormorphismen Frage: Bei welchen Abbildungen R R bzw. R 3 R 3 bleibt der Abstand zwischen zwei Punkten erhalten? Für α R setzen wir cosα sin α D(α) = und S(α) := sin α cosα ( cos α sin
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Freitag, 16.03.2012 Sascha Frölich Ferienkurs Lin. Alg. -
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,
Mehr1.5 Kongruenz und Ähnlichkeit
19 1.5 Kongruenz und Ähnlichkeit Definition Sei A n der affine Standardraum zum Vektorraum R n. Eine Abbildung F : A n A n heißt Isometrie, falls d(f (X), F (Y )) = d(x, Y ) für alle X, Y A n gilt. Es
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) :=
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
MehrOrientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops
15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den
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
MehrHinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4.
Hinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4. Aufgabe 2.1 (8 Punkte) Es sei K ein Körper, n N, V ein 2n-dimensionaler K -Vektorraum und U
Mehr3 Geometrische Klassifikation der Bewegungen im R 2 und R 3
3 Geometrische Klassifikation der Bewegungen im R 2 und R 3 Sei f : R n R n eine Bewegung Sie kann beschrieben werden in der Form Dabei ist T (f)(x) = A x f(x) = Ax + b mit A O(n) und b R n Definition:
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
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
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrKlausur zur Vorlesung Lineare Algebra B im SS 2002 an der Universität Hannover
Dozent: Prof. Dr. Wolfgang Ebeling Übungsleiter: Dr. Detlef Wille Klausur zur Vorlesung Lineare Algebra B im SS an der Universität Hannover Joachim Selke 9. Februar Lineare Algebra B SS Klausur zur Vorlesung
MehrBonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen
Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen Orthogonale und unitäre Endomorphismen Wir untersuchen nun lineare Abbildungen in euklidischen und unitären Vektorräumen
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrLina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
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
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
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
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 :
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
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
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
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
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)
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
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;
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.43 2018/05/15 16:07:13 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.5 Abstände und Winkel Am Ende der letzten Sitzung hatten wir begonnen zwei weitere Aussagen über Winkel zu beweisen,
Mehr