11 Normalformen von Matrizen

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "11 Normalformen von Matrizen"

Transkript

1 11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell geht es um die Frage, welche Normalformen solche Darstellungsmatrizen unter einer zugelassenen Klasse von Transformationen haben Dabei werden wir immer davon ausgehen, dass der betrachtete Vektorraum V nicht der triviale Nullraum ist Primärdekomposition IndiesemAbschnitt betrachtenwirhäufigeinelineareabbildung f : V V aufeinem Vektorraum V über dem Körper K und ein Polynom p(x) = p 0 +p 1 x+ +p n x n K[x] mit Koeffizienten in K Der Ausdruck p(f) bezeichnet die Einsetzung von f in p, also die lineare Funktion p(f) = p 0 id V +p 1 f + p n f f } {{ } n mal bzw p(f) : V V x p 0 x+p 1 f(x)+ +p n f n (x) Oft schreiben wir die Hintereinanderausführung (Komposition) von Funktionen ohne das Operationssymbol, also statt f p(f) schreiben wir etwa einfach fp(f) Definition 111: Ist f : V V eine lineare Abbildung auf dem Vektorraum V, so heisst der Teilraum W von V f-invariant oder f-stabil, wenn gilt f(w) W Beispiel 11: (a) Für jede lineare Abbildung f : V V sind die Teilräume im(f) und kern(f) f-invariant (b) Sei D : Pol(R) Pol(R) die Differentiationsabbildung auf dem Raum der Polynome mit reellen Koeffizienten Für jedes n ist der Teilraum Pol n (R), also der Raum der Polynome vom Grad kleiner oder gleich n, D-invariant (c) Der eindimensionale Teilraum, welcher von einem nicht-trivialen Vektor x 0 aufgespannt wird, ist f invariant genau dann, wenn x ein Eigenvektor von f ist (d) Ist V ein Vektorraum über dem Körper K, f : V V linear, und p Pol(K) ein Polynom mit Koeffizienten in K, dann ist der Teilraum kern(p(f)) ein f-invarianter Teilraum von V Ist etwa V ein reeller Vektorraum und p(x) = +x, dann ist p(f) = id V +f f y kern(p(f)) bedeutet also y +f(f(y)) = 0 Ist also x kern(p(f)), dann gilt wegen der Linearität von f also f(x) kern(p(f)) 0 = f(x+f(f(x)) ) = f(x)+f(f(f(x))) = p(f)(f(x)), } {{ } =0 Satz 113: Sei V ein Vektorraum über dem Körper K, sei f : V V linear, und sei p(x) K[x] ein Polynom mit Koeffizienten in K Dann sind die Unterräume im(p(f)) und kern(p(f)) beide f-invariant 139

2 Ist nun etwa V ein n-dimensionaler Vektorraum über K, f : V V linear, und W ein f-invarianter Teilraum von V der Dimension r, dann induziert f eine lineare Abbildung f W : W W w f(w) Sei B W = {w 1,,w r } eine Basis von W und sei B = {w 1,,w } {{ } r,v 1,,v n r } } {{ } W V eine Basis von V Die Darstellungsmatrix von f bzgl der Basis B hat also die Form einer sogenannten Blockmatrix ( ) X Y A(f,B,B) =, 0 Z wobei X die r r Matrix A(f W,B W,B W ) ist, Y Mat r (n r) (K), Z Mat (n r) (n r) (K) Nehmen wir nun weiter an, dass V = V 1 V ist, wobei sowohl V 1 als auch V f- invariante Teilräume von V sind Ist nun B 1 eine Basis für V 1 und B eine Basis für V, dann ist B = B 1 B eine Basis für V Man sieht, dass die Darstellungsmatrix von f bzgl B von der Form ( ) A1 0 A(f,B,B) = 0 A ist, wobei A 1 = A(f V1,B 1,B 1 ), A = A(f V,B,B ) Allgemein, für V = k i=1 V i, wobei V i jeweils f-invariant und B i eine Basis von V i ist, hat die Darstellungsmatrix von f bzgl der Basis B = k i=1 B i die Blockdiagonalform A 1 0 A A(f,B,B) =, 0 A k wobei A i = A(f Vi,B i,b i ) für alle 1 i k Unser Ziel besteht nun darin, für den Vektorraum V eine spezielle Basis B zu finden, bzgl welcher die Darstellungsmatrix von f eine besonders günstige Form hat Ist f linear aufv, so sind alledarstellungsmatrizen A(f,B,B)von f füreine beliebige Basis B ähnlich Ähnliche Matrizen haben dasselbe charakteristische Polynom (vgl Korollar zu Satz 8) Ausserdem haben ähnliche Matrizen dasselbe Minimalpolynom Ist nämlich B = PAP 1 und a(a) = n i=0 a ia i = 0, dann ist auch n n a(b) = a i (PAP 1 ) i = a i PA i P 1 = P ( n a i A i) P 1 = 0 i=0 i=0 140 i=0

3 Es ist also sinnvoll, vom charakteristischen Polynom bzw Minimalpolynom einer linearen Abbildung f zu sprechen, ohne auf eine bestimmte Basis Bezug zu nehmen Satz 114 (Primärdekomposition): Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum über K und sei f : V V linear Seien das charakteristische Polynom bzw das Minimalpolynom von f (bzw seiner Darstellungsmatrix) von der Gestalt c f = p d 1 1 pd pd k k bzw m f = p e 1 1 pe pe k k, wobei p 1,,p k K[x] irreduzible und paarweise relativ prime Polynome sind (also jeweils keinen gemeinsamen nicht-konstanten Faktor haben) (i) Dann ist jeder der Teilräume V i = kern(p e i i (f)) f-invariant und es gilt V = k i=1 V i (ii) Sei f i : V i V i jeweils die von f auf V i induzierte Abbildung Dann ist p d i i das charakteristische Polynom von f i und p e i i das Minimalpolynom von f i Korollar 1: Für alle 1 i k gilt: dim(v i ) = d i grad(p i ) Korollar : Liegen alle Eigenwerte von f im Körper K, ist also c f = (x λ 1 ) d1 (x λ k ) d k und m f = (x λ 1 ) e1 (x λ k ) e k fürλ 1,,λ k K, dannistv i = kern(f λ i id) e i einf-invarianterteilraumderdimension d i und es gilt V = k i=1 V i Beispiel 115: Wir betrachten die Abbildung f : R 3 R 3 (x,y,z) ( z,x+z,y +z) Bzgl der kanonischen Basis ist die Darstellungsmatrix von f von der Gestalt A = Daraus sehen wir durch einfache Rechnung, dass c f = m f = (x+1)(x 1) Wegen Korollar ist also R 3 darstellbar als die direkte Summe R 3 = kern(f +id) kern(f id), wobei der Summand kern(f + id) die Dimension 1 und der Summand kern(f id) die Dimension hat Nun gilt (f +id)(x,y,z) = (x z,x+y +z,y +z), {(1,,1)} ist also eine Basis für kern(f +id) Weiter gilt (f id) (x,y,z) = (x y +z, x+y z,x y +z), 141

4 {(0,1,1),(1,1,0)} ist also eine Basis für kern(f id) Eine Basis von R 3, bzgl welcher die Darstellungsmatrix von f eine Blockdiagonalform besitzt, ist also B = {(1,,1),(0,1,1),(1,1,0} Die Transformationsmatrix von B zur kanonischen Basis ist P = 1 1, und die Blockdiagonalmatrix, welche f bzgl der Basis B darstellt, ist somit 1 P 1 AP = Beispiel 116: Wir betrachten die Differentialgleichung (D n +a n 1 D n 1 + +a 1 D+a 0 )f = ( d dt )n f +a n 1 ( d dt )n 1 f + +a 1 d dt f +a 0f = 0 mit Koeffizienten a i C Der Lösungsraum aller unendlich oft differenzierbaren Funktionen f sei mit V bezeichnet; V ist ein Vektorraum über C Aus der Theorie der Differentialgleichungen wissen wir, dass die Dimension von V genau n ist Aus der Differentialgleichung extrahieren wir nun das Polynom m(x) = x n +a n 1 x n 1 + +a 1 x+a 0 Über dem algebraisch abgeschlossenen Körper C lässt sich m(x) zerlegen in Linearfaktoren, also für gewisse α i C und natürliche Zahlen e i haben wir m(x) = (x α 1 ) e 1 (x α ) e (x α k ) e k Also ist D : V V eine lineare Abbildung mit Minimalpolynom m(x) Wegen des Korollars ist also der Lösungsraum V die direkte Summe der Lösungsräume V i der Differentialgleichungen (D α i id) e i f = 0 Die Lösungen der Differentialgleichung (D α i id) r f = 0 können aber einfach bestimmt werden Durch Induktion weist man leicht nach, dass gilt (D αid) r f = e αt D r (e αt f) ( ) Die Funktion f ist also eine Lösung genau dann, wenn D r (e αt f) = 0 Das ist der Fall genau dann, wenn e αt f ein Polynom vom Grad höchstens r 1 ist Daher ist {e αt,te αt,,t r 1 e αt } eine Basis für den Lösungsraum von (D α i id) r f = 0 14

5 Wir betrachten nun noch einen Spezialfall des Primärdekompositionssatzes Wir nehmen an, dass jeder irreduzible Faktor p i von m f linear ist, und jeder Exponent e i = 1; also m f (x) = (x λ 1 ) (x λ k ) für paarweise verschiedene λ i K Wir wissen schon aus früheren Überlegungen, dass f : V V diagonalisierbar ist (also eine Diagonalmatrix als Darstellungsmatrix hat für eine geeignete Basis) genau dann, wenn V eine Basis besitzt, welche aus Eigenvektoren von f besteht Nun können wir die Diagonalisierbarkeit auch mittels der Faktorisierung des Minimalpolynoms charakterisieren Satz 117: Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum, und sei f : V V linear Dann sind die folgenden Aussagen äquivalent: (i) das Minimalpolynom m f von f ist das Produkt verschiedener Linearfaktoren; (ii) f ist diagonalisierbar Beispiel 118: Wir betrachten die lineare Abbildung f : R 3 R 3 (x,y,z) (7x y z, x+7y +z, x+y +10z) Bzgl der kanonischen Basis von R 3 hat f die Darstellungsmatrix 7 1 A = Durch einfaches Nachrechnen sieht man, dass c f = (x 6) (x 1) und m f = (x 6)(x 1) Somit folgt aus Satz 117, dass f diagonalisierbar ist Beispiel 119: Wir betrachten eine Matrix A bzw die dadurch dargestellte lineare Abbildung auf C : A = ( ) 1, 5 f A : ( C ( C x x A y) y) Das charakteristische Polynom von A bzw der Abbildung f A ist Die Eigenwerte sind also ±i Eigenvektor zu i : c A = c fa = x +1 = (x i)(x+i) ( ) +i, Eigenvektor zu i : 5 ( ) i 5 143

6 C hat also eine Basis B bestehend aus Eigenvektoren von A, und die Transformationsmatrix von B in die kanonische Basis ist ( ) +i i P =, mit P 1 = 1 ( ) 5i 1+i i 1 i Mittels dieser Transformationsmatrizen ist A diagonalisierbar: ( ) i 0 P 1 AP = 0 i Es gibt aber keine Matrix mit rationalen oder reellen Elementen, welche A diagonalisiert Satz 1110: Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum und seien f, g : V V diagonalisierbare lineare Abbildungen Dann sind f und g simultan diagonalisierbar (in dem Sinn, dass es eine Basis von V gibt, welche gleichzeitig aus Eigenvektoren von f und g besteht) genau dann, wenn gilt f g = g f Korollar: Seien A,B Mat n n (K) diagonalisierbar Die Matrizen A und B sind simultan diagonalisierbar (in dem Sinn, dass es eine invertierbare Matrix P gibt, für welche sowohl P 1 AP als auch P 1 BP Diagonalmatrizen sind) genau dann, wenn AB = BA Beispiel: ( )( ) 1 1 = ( 4 4 ) = ( 1 1 )( ) Dreiecksgestalt Im Primärdekompositionssatz haben wir gesehen, dass die Darstellungsmatrix einer linearen Abbildung auf einem endlichdimensionalen Vektorraum bzgl einer geeigneten Basis die Form einer Blockdiagonalmatrix hat Zerfällt das Minimalpolynom über dem Grundkörper K in paarweise verschiedene Linearfaktoren, so ist diese Blockdiagonalmatrix eine Diagonalmatrix Was aber passiert im Fall, dass das Minimalpolynom zwar in Linearfaktoren zerfällt, welche aber nicht notwendig verschieden sind; also im Fall m f = k (x λ i ) e i, e i 1? i=1 Diese Situation tritt immer ein, wenn K ein algebraisch abgeschlossenener Körper ist, etwa C Wir zeigen, dass in diesem Fall die Darstellungsmatriz bzgl einer geeigneten Basis obere Dreiecksgestalt hat, also unterhalb der Diagonale nur 0 vorkommt Definition 1111: Ein quadratische Matrix A = (a ij ) Mat n n (K) heisst triangulär bzw in (oberer) Dreiecksgestalt, wenn a ij = 0 für alle i > j Aufgrund von Korollar zu Satz 114 (Primärdekompositionssatz) haben wir in unserer Situation k k V = kern(f λ i id) e i = V i, i=1 i=1 144

7 wobei die direkten Summanden V i f-invariant sind Wie oben betrachten wir die Restriktion von f auf die Primärkomponente V i, also f i : V i V i Dann ist die e i -te Potenz der Abbildung f i λ i id die Nullabbildung auf V i Dafür führen wir einen neuen Begriff ein Definition 111: Eine lineare Abbildung f : V V heisst nilpotent gdw es ein m N gibt, sodass f m = 0 Ebenso heisst eine quadratische Matrix A nilpotent gdw es ein m N gibt, sodass A m = 0 Für jede Abbildung f Hom K (V,V) gilt f 0 = id V, und für jede Matrix A Mat n n (K) gilt A 0 = I n Ist also V nicht der Nullraum bzw n 0, dann ist f 0 0 und A 0 0 In allen diesen nichttrivialen Fällen bedeutet also nilpotent zu sein, dass eine Potenz f m bzw A m mit m > 0 verschwindet Beispiel 1113: (a) Die lineare Abbildung f(x,y,z) = (0,x,y) auf R 3 ist nilpotent Tatsächlich gilt f 3 (x,y,z) = f (0,x,y) = f(0,0,x) = (0,0,0), also f 3 = 0 (b) Sind alle Eigenwerte der linearen Abbildung f auf C n gleich 0, dann ist c f = x n Der Satz von Cayley-Hamilton besagt dann f n = c f (f) = 0, f ist also nilpotent (c) Die Differentiationsabbildung D auf Pol n (K) ist nilpotent Satz 1114: Sei V ein vom Nullraum verschiedener n-dimensionaler Vektorraum (n N), und sei f Hom(V,V) eine nilpotente lineare Abbildung Dann gibt es eine geordnete Basis B = (b 1,,b n ) von V, sodass f(b 1 ) = 0, f(b ) span({b 1 }), f(b n ) span({b 1,,b n 1 }) Korollar: Ist f nilpotent, dann gibt es eine geordnete Basis von V, bzgl welcher die Darstellungsmatrix von f triangulär ist, und in welcher ausserdem alle Diagonalelemente 0 sind Satz 1115 (Dreiecksgestalt): Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum über dem Körper K Sei f Hom K (V,V) eine lineare Abbildung auf V, deren charakteristisches Polynom und Minimalpolynom die Darstellung k k c f = (x λ i ) d i, m f = (x λ i ) e i i=1 haben, für paarweise verschiedene λ 1,,λ k K und e i d i Dann gibt es eine geordnete Basis von V, bzgl welcher die Darstellungsmatrix M von f triangulär ist Noch genauer gesagt ist die Darstellungsmatrix M eine Blockdiagonalmatrix der Form A 1 A M =, i=1 A k 145

8 wobei jede Teilmatrix A i eine (d i d i ) obere Dreiecksmatrix ist, in welcher alle Diagonalelemente λ i sind Korollar: Jede quadratische Matrix über C ist ähnlich zu einer Dreiecksmatrix Beispiel 1116: Wie in Beispiel 115 betrachten wir f Hom R (R 3,R 3 ) f : R 3 R 3 (x,y,z) ( z,x+z,y +z) Bzgl der kanonischen Basis ist die Darstellungsmatrix von f von der Gestalt A = In Beispiel 115 haben wir schon gesehen R 3 = kern(f +id) kern(f id), wobei der Summand kern(f + id) die Dimension 1 und der Summand kern(f id) die Dimension hat V 1 = kern(f +id) = span((1,,1)) Wir suchen nun eine Basis von V = kern(f id) im Sinne von Satz 1114 b 1 = ( 1,0,1) kern(f id)\{0} Als nächstes suchen wir nun einen Vektor b mit der Eigenschaft (f id)(b ) span(b 1 ), also (f id)(b ) = αb 1 für ein α R Der Vektor b = (0,1,1) erfüllt diese Bedingung Die Darstellungsmatrix von f id bzgl der geordneten Basis (b 1,b ) von V ist ( ) Die Darstellungsmatrix der Abbildung f, welche von f induziert wird auf V ist also ( ) Somit ist also die Darstellungsmatrix von f bzgl der geordneten Basis die Dreieckmatrix B = ((1,,1),( 1,0,1),(0,1,1)) Satz 1117 (Jordan-Dekomposition): Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum über dem Körper K, und sei f Hom K (V,V) eine lineare Abbildung auf V, welche alle ihre Eigenwerte in K hat (also c f zerfällt über K vollständig in Linearfaktoren) Dann gibt es lineare Abbildungen g,h Hom K (V,V), sodass 146

9 f = g +h, g ist diagonalisierbar, h ist nilpotent, und g h = h g Alternativ könnte man den Beweis zu Satz 1117 auch über die Darstellungsmatrix von f führen, die ja laut Satz 1115 Dreiecksgestalt besitzt Vergleiche dazu Beispiel 1118 Mankann auch zeigen, dass die Abbildungen g und h in Satz1117 eindeutig bestimmt sind Beispiel 1118: In Beispiel 1116 haben wir gesehen, dass bzgl der Basis die lineare Abbildung die Darstellungsmatrix B = ((1,,1),( 1,0,1),(0,1,1)) f : R 3 R 3 (x,y,z) ( z,x+z,y +z) T = besitzt Offensichtlich können wir T darstellen als R+S für R = und S = Das ist die Jordan-Dekomposition von T Mittels der Transformationsmatrix P = führen wir die Betrachtung zurück auf die kanonische Basis Wir erhalten die Darstellungsmatrizen PRP 1 = und PSP 1 = Der Diagonalanteil von f ist also g(x,y,z) = 1 (x+y z,x+z, x+y +z), 147

10 und der nilpotente Anteil von f ist h(x,y,z) = 1 ( x y z,0,x+y +z) Jordan-Normalform Um die Darstellung als Dreiecksmatrix noch zu verbessern, müssen wir uns fragen, ob wir noch bessere Basen finden können für die direkten Summanden im Primärdekompositionssatz Wie am Beginn des Kapitels vereinbart, ist V {0} Definition 1119: Für eine nilpotente lineare Abbildung f Hom K (V,V) ist der Index die kleinste positive ganze Zahl k mit f k = 0 Lemma 110: Sei f Hom K (V,V) nilpotent mit Index p Dann ist (i) {0} = kernf 0 kernf kernf p 1 kernf p = V eine Kette echt ineinander enthaltener Teilräume von V; (ii) {x,f(x),,f p 1 (x)} eine linear unabhängige Teilmenge von V, für jedes x V \ kernf p 1 Satz 111: Sei V ein endlichdimensionaler Vektorraum über K undsei f Hom K (V,V) so, dass kernf i kernf i+1 für ein i 1 Ist {v 1,,v s } eine Basis von kernf i und ist {v 1,,v s,w 1,,w t } eine Basis von kernf i+1, dannist S = {f(w 1 ),,f(w t )}einelinear unabhängigeteilmenge vonkernf i Definition 11: Sei λ K, und sei n eine positive natürliche Zahl Eine elementare Jordan-Matrix 1 zum Eigenwert λ ist eine (quadratische) n n Matrix J = (j kl ), in welcher j kk = λ für alle 1 k n, j k,k+1 = 1 für alle 1 k < n, und alle anderen Elemente 0 sind Also λ λ λ 0 0 J = λ λ Eine Jordan-Blockmatrix zum Eigenwert λ ist eine Blockmatrix der Form J 1 J, J k wobei k 1 und jeder Block eine elementare Jordan-Matrix zum Eigenwert λ ist Alle anderen Elemente sind 0 Satz 113: Sei V ein vom Nullraum verschiedener endlichdimensionaler Vektorraum über dem Körper K 1 Marie Ennemond Camille Jordan,

11 (i) Istf Hom K (V,V)nilpotent, danngibteseinegeordnetebasisvonv bzgl welcher die Darstellungsmatrix von f eine Jordan-Blockmatrix zum Eigenwert 0 ist; (ii) ist f Hom K (V,V) so, dass alle Eigenwerte von f in K sind (also c f (x) = (x λ 1 ) d1 (x λ k ) d k für λ1,,λ k K), dann gibt es eine geordnete Basis von V bzgl welcher die Darstellungsmatrix von f eine Blockdiagonalmatrix J 1 J J k ist, in welcher jedes J i eine Jordan-Blockmatrix zum Eigenwert λ i ist Definition 114: Sei f Hom K (V,V) so, dass alle Eigenwerte von f in K liegen Dann heisst eine Matrix von der Form wie in Satz 113(ii) eine Jordan-Matrix von f Sei A Mat n n (K) so, dass alle Eigenwerte von A in K liegen Dann ist die (eine) Jordan-Normalform von A die (eine) Jordan-Matrix einer (jeder) linearen Abbildung, welche A als Darstellungsmatrix (bzgl einer Basis) hat Bemerkung 115: Eine Jordan-Matrix zu einer Abbildung f ist (wenn überhaupt) nicht eindeutig definiert Insbesondere ist die Ordnung der Jordanblöcke nicht festgelegt Wohl aber ist die Anzahl der Blöcke, ihre Grösse, und die Anzahl der elementaren Jordanmatrizen in diesen Blöcken festgelegt Um einer Eindeutigkeit näher zu kommen, könnte man etwa die Blöcke absteigend nach Grösse anordnen Über dem Grundkörper R könnte man auch noch die Eigenwerte ordnen, und somit Eindeutigkeit herstellen Zusammenfassend lässt sich folgendes feststellen: Satz 116: Hat die lineare Abbildung f : V V bzw eine Darstellungsmatrix A von f (bzgl einer Basis) das charakteristische Polynom und das Minimalpolynom c(x) = (x λ 1 ) d1 (x λ k ) d k m(x) = (x λ 1 ) e1 (x λ k ) e k, dann hat die Jordan-Matrix von f bzw die Jordan-Normalform von A folgende Gestalt: der Eigenwert λ i kommt d i mal in der Diagonale vor (also so oft wie die algebraische Vielfachheit von λ i ), die Anzahl der elementaren Jordan-Matrizen zu λ i ist dimkern(f i λ i id) (also die geometrische Vielfachheit von λ i ), und zumindest eine dieser elementaren Jordan-Matrizenhatdie Grösseindex(f i λ i id) index(f i λ i id) Beispiel 117: Wir betrachten die nilpotente Abbildung f : R 4 R 4 (x,y,z,w) (0,x,w,0) 149

12 Der Index von f ist Mit der Notation aus dem Beweis von Satz 113 haben wir also W 1 = kernf = {(0,y,z,0) y,z R}, W = kernf = R 4 Als Basen für diese Teilräume haben wir etwa B 1 = {(0,1,0,0),(0,0,1,0)}, B = B 1 C = {(0,1,0,0),(0,0,1,0)} {(1,0,0,0),(0,0,0,1)} Das Bild von C unter f ist B 1, und somit erhalten wir (wie im Beweis von Satz 113 die Anordnung (1,0,0,0), (0,0,0,1), (0,1,0,0), (0,0,1,0) Zählen wir also nun diese Elemente spaltenweise von unten her auf, so erhalten wir die geordnete Basis B = ((0,1,0,0),(1,0,0,0),(0,0,1,0),(0,0,0,1)) Die Darstellungsmatrix von f bzgl B ist Das ist die Darstellung von f mittels einer Jordan Blockmatrix Beispiel 118: Die Matrix A = hat das charakteristische Polynom bzw das Minimalpolynom c A (x) = (x 1) 3 bzw m A (x) = (x 1) Aufgrund von Satz 116 ist somit die Jordan-Normalform von A Im Computeralgebrasystem Maple berechnet man die Jordan-Normalform der Matrix A wie folgt: > with(linearalgebra): > JordanForm(A); Maple kann möglicherweise eine andere Reihenfolge der elementaren Jordan-Blöcke erzeugen 150

13 Beispiel 119: Die Matrix A = hat das charakteristische Polynom Der Eigenraum zum Eigenwert 1 ist c A (x) = (x 1) 3 (x ) E 1 = {(0,0,x, x,0) T x R}, also die geometrische Vielfachheit des Eigenwertes 1 ist 1 Der Eigenraum zum Eigenwert ist E = {(x,y, y,0,0) T x,y R}, also die geometrische Vielfachheit des Eigenwertes ist Somit kommt in der Jordan-Normalform von A der Eigenwert 1 dreimal in der Diagonale vor mit nur einer zugehörigen elementaren Jordan-Matrix; der Eigenwert kommt zweimal in der Diagonale vor mit zugehörigen elementaren Jordan-Matrizen Also ist die Jordon-Normalform von A Beispiel 1130: (i) Wir betrachten die lineare Abbildung f : R 7 R 7 mit c f (x) = (x 1) 3 (x ) 4 und m f (x) = (x 1) (x ) 3 Für jede Jordan-Matrix von f gilt also: der Eigenwert 1 kommt dreimal in der Diagonale vor, und es gibt Blöcke zum Eigenwert 1, der Eigenwert kommt viermal in der Diagonale vor, und es gibt 3 Blöcke zum Eigenwert Bis auf mögliche Umordnungen der Jordan-Blöcke ist also

14 die Jordan-Matrix von f (ii) Seien f und c f wie in (i), aber m f (x) = (x 1) (x ) Dann kommt der Eigenwert viermal in der Diagonale der Jordon-Normalform vor, und es gibt Blöcke zum Eigenwert Abhängig von der konkreten Gestalt von f sind also und die möglichen Formen der Jordan-Normalform 1 1 Definition 1131: Sei f Hom K (V,V) so, dass alle Eigenwerte in K liegen Eine geordnete Basis von V, bzgl welcher die Darstellungsmatrix von f eine Jordan-Matrix ist, heisst eine zu f gehörige Jordan-Basis Algorithmus 113: (Berechnung einer Jordan-Basis) (i) Zu einer gegebenen elementaren Jordan-Matrix der Grösse m m λ 1 λ 1 J = λ 1 λ erfüllen die Elemente einer Jordan-Basis B = (b 1,,b m ) folgende Bedingungen: f(b 1 ) = λb 1, f(b ) = λb +b 1, f(b 3 ) = λb 3 +b, f(b m 1 ) = λb m 1 +b m, f(b m ) = λb m +b m 1 Die Elemente einer Jordan-Basis müssen also natürlich linear unabhängig sein und es muss gelten (i) b 1 kern(f λid), und (ii) (f λid)(b i ) = b i 1 für alle i =,,m Solche Basiselemente müssen also existieren (sonst könnte J nicht die Jordan-Matrix von f sein) und können bestimmt werden als die Lösungen des linearen Gleichungssystems 15

15 (i), (ii) (ii) Für eine allgemeine Jordan-Matrix wendet man obiges Verfahren an auf jede einzelne elementare Jordan-Matrix und fügt schliesslich die so gewonnenen Basen zu einer geordneten Basis des ganzen Raumes zusammen Beispiel 1133: Wir betrachten die lineare Abbildung f : R 3 R 3 (x,y,z) (x+y, x+3y, x+y +z) Bzgl der kanonischen Basis ist A = die Darstellungsmatrix von f Das charakteristische Polynom und das Minimalpolynom sind c f (x) = (x ) 3 und m f (x) = (x ) Also ist die Jordan-Normalform Die relevante Abbildung ist also J = 1 (f id)(x,y,z) = ( x+y, x+y, x+y) Wir wählen das erste Element der Jordan-Basis so, dass b 1 kern(f id), also etwa b 1 = (1,1,1) Wir wählen b so, dass es unabhängig ist von b 1 und (f id)(b ) = b 1 Für b = (u,v,w) muss also gelten u+v = 1 Der Vektor b = (1,,1) ist eine mögliche Wahl Schliesslich wählen wir b 3 so, dass es unabhängig ist von b 1 und b und b 3 kern(f id) Offensichtlich erfüllt b 3 = (1,1,0) diese Bedingung Somit ist B = ((1,1,1),(1,,1),(1,1,0)) eine Jordan-Basis zu f Die Basistransformationsmatrix von B zur kanonischen Basis ist P =

16 Damit lässt sich die Matrix A in die Jordan-Matrix J ähnlichkeitstransformieren: P 1 AP = J Beispiel 1134: Bzgl der kanonischen Basis {1,x,x,x 3,x 4 } von R 4 [x] (Polynome mit reellen Koeffizienten vom Grad 4) hat die Differentiationsabbildung D die Darstellungsmatrix A = Das charakteristische Polynom ist x 5, der einzige Eigenwert ist 0, und der Eigenraum zum Eigenwert 0 wird aufgespannt von {1} Daher hat die Jordan-Matrix von D die Gestalt J = Für eine Jordan-Basis (p 1,,p 5 ) muss also gelten Jordan-Basen zu D sind also Dp 1 = 0 und Dp i = p i 1 für i =,,5 (1,x, 1 x, 1 6 x3, 1 4 x4 ) oder (4,4x,1x,4x 3,x 4 ) Satz 1135: Jede quadratische Matrix A über C ist ähnlich zu ihrer Transponierten A T Beispiel 1136: Wir demonstrieren die Nützlichkeit der Jordan-Normalform etwa bei der Lösung von Systemen linearer Differentialgleichungen In Beispiel 8 haben wir bereits ein System linearer gewöhnlicher Differentialgleichungen mit konstanten Koeffizienten betrachtet Dabei handelt es sich um ein System von Gleichungen der Form x 1 = a 11 x 1 + a 1 x + + a 1n x n x = a 1 x 1 + a x + + a n x n x n = a n1 x 1 + a n x + + a nn x n, wobei a ij K, K = R oder C, und die gesuchten Lösungen x 1,,x n differenzierbare Funktionen in t über dem Körper K sind, also x i C K (t) In Matrixnotation können wir dieses Gleichungssystem schreiben als (1) X = AX, 154

17 wobei X = (x 1,,x n ) T und A = (a ij ) Wir nehmen an, dass A alle Eigenwerte in K hat, und ähnlich ist zur Jordan-Normalform J A Sei P die zugehörige Transformationsmatrix, also Setzen wir Y := P 1 X, so erhalten wir und somit P 1 AP = J A () PY = (PY) = X = AX = APY, (3) Y = P 1 X = P 1 APY = J A Y Die Form von J A bedeutet im allgemeinen, dass (3) deutlich einfacher zu lösen ist als (1) Die Lösungen Y von (3) können überdies mittels X = PY in Lösungen von (1) transformiert werden Wir führen diesen Ansatz für das System durch Also für schreiben wir das Gleichungssystem als Durch einfache Rechnung sehen wir x 1 = x 1 + x x = x 1 + 3x x 3 = x 1 + 4x x 3 x X = x, A = x X = AX c A (x) = (x+1)(x ) = m A (x) Die geometrische Vielfachheit beider Eigenwerte ist 1 Die Jordan-Normalform von A ist also 1 J A = 1 Wir bestimmen nun eine Jordan-Basis (p 1,p,p 3 ) zur von A definierten linearen Abbildung; die Elemente dieser Basis werden später die Spalten der Transformationsmatrix P sein Die Vektoren p 1,p,p 3 müssen linear unabhängig sein und die Bedingungen (A+I 3 )p 1 = 0, (A I 3 )p = 0, (A I 3 )p 3 = p erfüllen Geeignete Vektoren sind etwa p 1 = 0, p = 1, p 3 =

18 Also ist P = die Transformationsmatrix von A in die Jordan-Normalform: P 1 AP = J A Anstatt des ursprünglichen Systems betrachten wir nun das System also Y = J A Y, y 1 = y 1, y = y + y 3, y 3 = y 3 Die erste und die dritte Gleichung ergeben offensichtlich Die zweite Gleichung lautet somit und besitzt die Lösung y 1 (t) = α 1 e t und y 3 (t) = α 3 e t y = y +α 3 e t, y (t) = α e t +α 3 te t Für den Lösungsvektor Y ergibt sich also α 1 e t Y = α e t +α 3 te t α 3 e t Schliesslich erhalten wir daraus den allgemeinen Lösungsvektor α e t +α 3 (t 1)e t X = PY = α e t +α 3 te t α 1 e t +α e t +α 3 te t für das ursprüngliche Gleichungssystem 156

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

KAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.

KAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit. KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

23. Die Jordan sche Normalform

23. Die Jordan sche Normalform Chr.Nelius, Lineare Algebra II (SS 2005) 1 23. Die Jordan sche Normalform Wir suchen für einen trigonalisierbaren Endomorphismus unter seinen dreiecksförmigen Darstellungsmatrizen eine Darstellungsmatrix,

Mehr

3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform

3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

7.2 Die adjungierte Abbildung

7.2 Die adjungierte Abbildung 7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)

Mehr

Lineare Algebra II Lösungen zu ausgewählten Aufgaben

Lineare Algebra II Lösungen zu ausgewählten Aufgaben Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

9 Eigenwerte und Eigenvektoren

9 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

Mehr

9 Eigenwerte und Eigenvektoren

9 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

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.

6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar. Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

m 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23

m 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23 Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Musterlösungen zur Linearen Algebra II Weihnachtszettel Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

TECHNISCHE 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

Mehr

2.11 Eigenwerte und Diagonalisierbarkeit

2.11 Eigenwerte und Diagonalisierbarkeit 2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante

Mehr

Mathematik I. Vorlesung 16. Eigentheorie

Mathematik I. Vorlesung 16. Eigentheorie Prof Dr H Brenner Osnabrück WS 009/00 Mathematik I Vorlesung 6 Eigentheorie Unter einer Achsenspiegelung in der Ebene verhalten sich gewisse Vektoren besonders einfach Die Vektoren auf der Spiegelungsachse

Mehr

Lineare Algebra und analytische Geometrie I

Lineare 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

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof. Dr. H. Brenner Osnabrück WS 215/216 Lineare Algebra und analytische Geometrie I Vorlesung 27 In der letzten Vorlesung haben wir die Haupträume zu einem Eigenwert λ zu einem Endomorphismus ϕ als Kern

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 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

Mehr

1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen

1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen 1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01 Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen

Mehr

Berechnung der Determinante

Berechnung 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,...,

Mehr

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

6 Eigenwerte und Eigenvektoren

6 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,

Mehr

10 Unitäre Vektorräume

10 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;

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte 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

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

Proseminar Lineare Algebra SS10

Proseminar Lineare Algebra SS10 Proseminar Lineare Algebra SS1 Normalform von Matrizen Jordansche Normalform Philip Bauermeister Heinrich-Heine-Universität Betreuung Prof. Dr. Oleg Bogopolski 2 1 Matrizen linearer Abbildungen 1.1 Definition

Mehr

12 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 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

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

Mehr

6 Lineare Abbildungen

6 Lineare Abbildungen 6 Lineare Abbildungen Bei der Untersuchung einer algebraischen Struktur spielen im wesentlichen immer zwei Konzepte eine wichtige Rolle: Unterstrukturen, also Teilmengen mit derselben Struktur, und Morphismen,

Mehr

Ausgewählte Lösungen zu den Übungsblättern 9-10

Ausgewählte 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

Mehr

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

Die reellen Lösungen der kubischen Gleichung

Die reellen Lösungen der kubischen Gleichung Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................

Mehr

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

6 Hauptachsentransformation

6 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

Mehr

Unter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über

Unter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über 9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres

Mehr

Algorithmus zur Berechnung der Jordannormalform

Algorithmus zur Berechnung der Jordannormalform Algorithmus zur Berechnung der Jordannormalform Olivier Sète 19. Januar 2011 Inhaltsverzeichnis 1 Motivation 1 2 Algorithmus Wie und warum funktioniert das? 2 2.1 Zutat 1 Für einen Jordanblock.........................

Mehr

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2, Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Lösungsskizze zur Wiederholungsserie

Lösungsskizze zur Wiederholungsserie Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation

Mehr

Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS

Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen

Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

45 Eigenwerte und Eigenvektoren

45 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.

Mehr

Zusammenfassung und Beispiellösungen. zur Linearen Algebra

Zusammenfassung und Beispiellösungen. zur Linearen Algebra Zusammenfassung und Beispiellösungen zur Linearen Algebra Inhaltsverzeichnis TI Taschenrechner Funktionen für Matrizen... n*m Matrix... Diagonal und Dreiecksmatrix... Transponierte der Matrix A (AT)...

Mehr

MC-Serie 11: Eigenwerte

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

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

Definition. Fibonacci-Zahlen als Beispiel Für f = (f n ) n 0 = (0, 1, 1, 2, 3, 5, 8, 13, 21, 34,...) gilt Rekursion. Matrix-Formulierung. c 2.

Definition. Fibonacci-Zahlen als Beispiel Für f = (f n ) n 0 = (0, 1, 1, 2, 3, 5, 8, 13, 21, 34,...) gilt Rekursion. Matrix-Formulierung. c 2. Fibonacci-Zahlen als Beispiel Für f = (f n ) = (0,,, 2, 3, 5, 8, 3, 2, 34,...) gilt Rekursion erzeugende Funktion f n2 = f n f n (n 0), f 0 = 0, f = f(z) = f n z n = z z z 2 Partialbruchzerlegung mit φ

Mehr

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Klausur 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

Mehr

6 Lineare Abbildungen

6 Lineare Abbildungen 6 Lineare Abbildungen Bei der Untersuchung einer algebraischen Struktur spielen im wesentlichen immer zwei Konzepte eine wichtige Rolle: Unterstrukturen, also Teilmengen mit derselben Struktur, und Morphismen,

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

4.2 Die adjungierte Abbildung

4.2 Die adjungierte Abbildung 4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2

Klausurenkurs 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)

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. 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

Mehr

Lineare Algebra II 6. Übungsblatt

Lineare Algebra II 6. Übungsblatt Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Klausur Lineare Algebra I & II

Klausur Lineare Algebra I & II Prof. Dr. G. Felder, Dr. Thomas Willwacher ETH Zürich, Sommer 2010 D MATH, D PHYS, D CHAB Klausur Lineare Algebra I & II Bitte ausfüllen! Name: Vorname: Studiengang: Bitte nicht ausfüllen! Aufgabe Punkte

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Lineare Algebra II 12. Übungsblatt

Lineare Algebra II 12. Übungsblatt Lineare Algebra II 12. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 13. / 14. Juli 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Probeklausur) Sprechen Sie über die Probeklausur

Mehr

Lösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:

Lösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in

Mehr

Zusatztutorium, 25.01.2013

Zusatztutorium, 25.01.2013 Zusatztutorium, 25.01.2013 David Müßig muessig[at]mi.fu-berlin.de http://page.mi.fu-berlin.de/def/tutorium/ WiSe 12/13 1 Der Homomorphiesatz Der Homomorphiesatz scheint für viele eine Art rotes Tuch zu

Mehr

Kapitel 11 Eigenwerte und Eigenvektoren

Kapitel 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

Mehr

Eigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008

Eigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008 Eigenwerttheorie Martin Gubisch Lineare Algebra I WS 27/28 Motivation Gegeben seien ein K-Vektorraum V der Dimension n < und eine K-lineare Abbildung f : V V Wir suchen eine Basis V = v 1,, v n von V,

Mehr

DIFFERENTIALGLEICHUNGEN

DIFFERENTIALGLEICHUNGEN DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung

Mehr