Vorlesung bzw. 23. Januar Determinanten 1. Cramersche Regel

Größe: px
Ab Seite anzeigen:

Download "Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel"

Transkript

1 Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3 b, a 2 a 3 >= 0 < a, a 2 a 3 > x =< b, a 2 a 3 > det(a, a 2, a 3 )x = det < b, a 2, a 3 > Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 2 / 88 Seite 7 Cramersche Regel mit a x + a 2 x 2 + a 3 x 3 = b det(a, a 2, a 3 ) 0 a, a 2, a 3 l u x = det (b, a2, a 3 ) det (a, a 2, a 3 ) x 2 = det (a, b, a 3 ) det (a, a 2, a 3 ) x 3 = det (a, a 2, b) det (a, a 2, a 3 ) Aber!!! Wende Cramer nur für kleine Dimension und bei dringender Notwendigkeit (Die gibt es so gut wie nie) an Beispiel: a a x x 2 x 3 x i = x i (a) = 2 3 Wenn Determinante verallgemeinert Cramersche Regel verallgemeinert Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 3 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 4 / 88

2 Überhaupt Man schätze die Bedeutung der in der linearen Algebra nicht zu hoch ein Sie sind nur später wichtiges Hilfsmittel in der Analysis Vereinbarung Zu A R (n,n) und i, j {,, n} Sei A ij R (n,n ) die Matrix, die durch Streichen der i ten Zeile und j ten Spalte aus A entsteht a a 2 a 3 a 4 A = a 2 a 22 a 23 a 24 a a 2 a 4 a 3 a 32 a 33 a 34 A 23 = a 3 a 32 a 34 a a 4 a 42 a 43 a 4 a 42 a Definition 52 (Rekursiv) Seite 7 det A := Determinante n = : A = (a ) det A = a n > : det A = ( ) +j a j det A j Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 5 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 6 / 88 A = Andere Schreibweise a a n a n a nn a a n det A = a n a nn Seite 72 n = 2 a a 2 a 2 a 22 = +a a a 2 a 2 a 22 a 2 a a 2 a 2 a 22 = a a 22 a 2 a 2 a a 2 a 3 n = 3 a 2 a 22 a 23 a 3 a 32 a 33 = a a 2 a 3 +a a 2 a 22 a 23 a 3 a 32 a 33 a a a 2 a 3 2 a 2 a 22 a 23 a 3 a 32 a 33 + a a a 2 a 3 3 a 2 a 22 a 23 a 3 a 32 a 33 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 7 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 8 / 88

3 Für n = 2, 3 spezielle Merkregel (Sarrus) a a 2 a 2 a 22 = a a 22 a 2 a 2 a a 2 a 3 a a 2 a 2 a 22 a 23 a 2 a 22 a 3 a 32 a 33 a 3 a 32 Seite 72 Aber wie komme ich an die Determinante für n 4? Effiziente Berechnung von mit dem Gaussalgorithmus Dafür müssen wir aber noch einige Eigenschaften der näher kennenlernen (auch für später, in der Analysis, nützlich) blaue Produkte addieren, rote Produkte subtrahieren Achtung! Für n 4 FALSCH Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 9 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 0 / 88 Satz 54 n 2; A R (n,n) B R (n,n) ergibt sich aus A durch Vertauschung zweier Zeilen det B = det A Seite 73 a a 2 a n a i a i2 a in A = vertauschen a j a j2 a jn a n a n2 a nn a a 2 a n a j a j2 a jn B = a i a i2 a in a n a n2 a nn Dann det B = det A Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 2 / 88

4 Beweis zu Satz ist etwas länglich Deshalb: Beweisskizze - Beweis ist induktiv - 2 Fälle unterscheiden Vertausche benachbarte Zeilen a) Nicht die ersten beiden Zeilen tauschen b) Vertausche Zeile mit Zeile 2 2 Vertausche beliebige Zeilen Beweis zu Satz 54 det ist induktiv definiert Beweis muss induktiv sein: Induktion über n 2 Induktionsverankerung: n = 2 A = ( ) a a 2 B = a 2 a 22 ( ) a2 a 22 a a 2 det A = a a 22 a 2 a 2 ; det B = a 2 a 2 a 22 a det B = det A (n = 2) Sei Behauptung bewiesen für det von (n, n ) Matrizen (n 3) Induktionsschluß: n n Wir betrachten nacheinander 2 Fälle - Vertauschung benachbarter Zeilen i i + - Vertauschung beliebiger Zeilen i j Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 3 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 4 / 88 Fall : Vertauschung benachbarter Zeilen i i + Definiton von det hängt an der ersten Zeile det A = ( ) +j a j det A j zu i 2: Zeile von A = Zeile von B dh a j = b j j =, 2,, n Induktionsannahme sagt det B j = det A j j =, 2,, n (n, n ) Matrix mit zwei vertauschten Zeilen noch unterscheiden i 2 und i = det B = = ( ) +j b j det B j ( ) +j a j ( det A j ) = det A Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 5 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 6 / 88

5 Nun zur det -Berechnung zu i = : (etwas schwieriger) Vertauschen der ersten und zweiten Zeile a a j a n a 2 a 2,j a 2,j+ a 2n a 2 a 2j a 2n A = A a 3 a 3,j a 3,j+ a 3n j = a n a nj a nn a n a n,j a n,j+ a nn a 2 a 2k a 2n a a,k a,k+ a n a a k a n B = B a 3 a 3,k a 3,k+ a 3n k = a n a nk a nn a n a n,k a n,k+ a nn A j ˆ= Streiche in A Zeile und Spalte j mit mit det A = ( ) +j a j det A j j det A j = ( ) +k a 2k det A j,2k + ( ) k a 2k det A j,2k k= k=j+ det B = ( ) +k a 2k det B k = ( ) +k a 2k det A 2k k= k= k det A 2k = ( ) +j a j det A 2k,j + ( ) j a j det A 2k,j j=k+ B k ˆ= Streiche in A Zeile 2 und Spalte k ˆ=A 2k A j,2k ˆ= Streiche in A Zeile und Spalte j und streiche Zeile 2 und Spalte k ˆ=A 2k,j det A j,2k = det A 2k,j Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 7 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 8 / 88 det A besteht aus den Summanden ( ) +j ( ) +k a j a 2k det A j,2k ; k < j n ( ) +j ( ) k a j a 2k det A j,2k ; j < k n det B besteht aus den Summanden ( ) +k ( ) +j a j a 2k det A j,2k ; j < k n ( ) +k ( ) j a j a 2k det A j,2k ; k < j n det B = det A Zwischenbilanz: Bisher bewiesen Vertauschen benachbarter Zeilen ändert Vorzeichen der det Fall 2: Vertauschung beliebiger Zahlen i j te Zeile i te Zeile A = (i < j) j te Zeile n te Zeile j i mal tausche i te Zeile mit unterem Nachbar i te Zeile steht an Position j weiterer Tausch i te Zeile steht an Position j j te Zeile steht an Position j j i mal tausche j te Zeile mit oberem Nachbar Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 9 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 20 / 88

6 Seite 74 Insgesamt mit (j i ) + + (j i ) = 2 (j i ) + Vertauschungen det B = ( ) 2 (j i )+ det A = det A Zusammenfassend Vertauschen zweier beliebiger Zeilen ändert das Vorzeichen der det Satz 55 von Laplace A R (n,n) i {,, n} : det A = ( ) i+j a ij det A ij Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 2 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 22 / 88 Definition 56 Entwicklung von det A nach i ter Zeile det A ij Minor zu a ij ( ) i+j det A ij Kofaktor zu a ij oder algebraisches Komplement oder Adjunkte a a j a n A ij = a i a ij a in i te Zeile in A a n a nj a nn j te Spalte in A Seite 74 Beweis zu Satz 55 Durch mehrfaches Anwenden von Satz 54 a a j a n A = a i a ij a in vertauschen a n a nj a nn Nach i Vertauschungen der i ten Zeile mit der jeweils darüberliegenden Zeile a i a ij a in a a j a n B = a n a nj a nn Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 23 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 24 / 88

7 oder Satz det B = ( ) i det A det A = ( ) i det B = ( ) i ( ) +j b j det B j = ( ) i ( ) +j a ij det A ij = ( ) i+j a ij det A ij Was soll das nun? Definition von det A ˆ= Entwicklung nach ter Zeile Entwicklungssatz von Laplace (Satz 2) ˆ= Es ist egal, nach welcher Zeile man det A entwickelt Egal bedeutet für uns dann natürlich, eine möglichst einfache Zeile zu wählen Einfach ˆ= viele 0-en in der Zeile Gilt für Rechnungen zu Fuß Computer: Gauss-Algorithmus Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 25 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 26 / 88 Berechne det A von A = Entwickel nach letzter Zeile Beispiel Leichte Folgerung aus Satz 54 und Satz 55 Satz 59 A R (n,n) besitzt zwei identische Zeilen Beweis det A = 0 Seite 76 det A = 0 det A det A det A 43 + det A = det die ist einfach [ ( ) ( ) ( ) ] = 0 det + 0 det + 9 det = 9 ( 6 2 5) = 99 ( 4) = 396 Entwickeln nach ter Zeile = viel mehr Arbeit = mehr Möglichkeiten, sich zu verrechnen Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 27 / 88 a) Zeile i = Zeile j (i j) Vertausche i te Zeile mit j ter Zeile; nenne die neue Matrix B Satz det B = det A aus a) B = A det B = det A Also det A = det A det A = 0 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 28 / 88

8 Satz 58 (i) det( ) ist linear in jeder Zeile a T a T 2 det λai T = λ det a T ị, Seite 75 Seite 76 Satz 50 A R (n,n), λ R; B R (n,n) ergebe sich aus A durch Addition von λ Zeile k auf Zeile i (mit i k) Beweis det B = det A det a T n b T i a T + c T i a T n a T n a T = det bị T (ii) A R (n,n), λ R Dann det(λ A) = λ n det(a) Beweis durch Entwickeln a T n + det a T c T ị a T n A = (a ij )ij =, 2,, n a a j a n a k a kj a kn Nach dieser B = Zeile entwickeln! a i + λa k a ij + λa kj a in + λa kn a n a nj a nn Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 29 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 30 / 88 Worin det B = = ( ) i+j (a ij + λa kj )det A ij ( ) i+j a ij det A ij +λ Zwei gleiche Zeilen det C = 0 } {{ } det A ( ) i+j a kj det A ij a a j a n a k a kj a kn C = a k a kj a kn a n a nj a nn det B = det A } {{ } λ det C Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 3 / 88 Satz 50 erinnert schon an Gauss-Algorithmus für berechnung: Eliminationsschritt ändert det nicht! Zeilenvertauschung (Pivotsuche) ändert Vorzeichen der det! Gauss-Algorithmus Dreiecksmatrix det dafür einfach: Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 32 / 88

9 Satz 52 untere oder obere Dreiecksmatrix (a ij )ij =,, n = A R (n,n) det A = Beweis A obere Dreiecksmatrix a a 2 a,n a,n 0 a 22 a 2,n a 2,n A = an,n a n,n 0 0 a n,n n i= a ii Seite 77 a a,n det A = a nn det a n,n a a,n 2 = a nn a n,n det a n 2,n 2 = a nn a n,n a n 2,n 2 a 22 det(a ) n = i= a ii Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 33 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 34 / 88 Einfaches Beispiel A untere Dreiecksmatrix a 0 0 A = a 2 a 22 0 a n a n2 a nn Jeweils nach oberster Zeile entwickeln det A = n i= a ii Dann 0 E n = 0 det E n = n N Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 35 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 36 / 88

10 Alles bereit für det -Berechnung mit Gauss-Algorithmus: Führe Eliminationsschritte durch Merke die Zeilenvertauschungen (bei Pivotsuche) in einem Zähler i Bricht Elimination vorzeitig ab (dh kein Pivotelement 0 in Spalte; es entsteht eine Nullzeile) det A = 0 Sonst (dh A R) i ˆ=Anzahl Zeilenvertauschungen det A = ( ) i det R n = ( ) i r jj Seite 77 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 37 / 88 Beispiel Berechne det A von A = (Eliminationsschritt) Zähler i = vertauschen Zähler i = = R det R = ( ) ( 6) ( 4) = 24 det A = ( ) i= det R = ( 24) = 24 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 38 / 88 Seite 78 Jetzt kennengelernt det -Berechnung über Gauss-Algorithmus oder Entwicklungs-Satz Wie denn nun? Grob überschlagen, wieviel man jeweils rechnen muss: Multiplikationen/Divisionen Rechenaufwand für Entwicklungssatz Behauptung: RA E (n) n! Für n 2 (n! = 2 3 (n ) n) Beweis: Induktion n = 2 : ( ) a a det 2 = a a 2 a a 22 a 2 a 2 RA E (2) = 2 2! 22 n n : det A = ( ) i+j a ij deta ij } {{ } RA E (n) n (n )! + n = n! + n n! RA E (n ) (n )! Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 39 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 40 / 88

11 Aufwand für Elimination unterhalb i ter Zeile Rechenaufwand für Gauss-Algorithmus Elimination unterhalb i ter Zeile: Für jede Zeile darunter: a) Berechne Eliminationsfaktor Mult/Div b) Multipliziere damit die i te Zeile n i Mult c) Eliminiere (keine Mult/Div) zusammen: n i + Mult/Div (n i) (n i + ) = (n i) 2 + (n i) Multipikationen Gesamtaufwand für Eliminationsprozeß: n { } (n i) 2 + (n i) i= rückwärts zählen n = {i 2 + i} vorwärts zählen i= = = n3 n (n ) (n + ) 3 3 Multipikationen n det R = r ii n Multipikationen i= Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 4 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 42 / 88 Also Gauss-Algorithmus für det: Entwicklungssatz für det: RA G (n) = n (n ) (n + ) + (n ) 3 RA E (n) n! RA(n) BEACHTE Logarithmische Skalierung! RA E RA G η Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 43 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 44 / 88

12 n RA E (n) RA G (n) Sätzchen A R (n,n) besitzt eine Nullzeile det A = 0 Beweischen a a 2 a n A = entwickeln (sei i-te Zeile) a n a n2 a nn det A = ( ) i+j 0 det A ij = 0 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 45 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 46 / 88 Nochmal Gauss-Algorithmus Seite 78 A singuläre Matrix Eliminationsprozeß produziert eine Nullzeile det A = 0 Satz 54 A R (n,n) A reguläre Matrix Eliminationsprozeß bildet R mit r ii 0 i =, 2,, n A regulär det A 0 det A 0 (det A = ( ) i n i= r ii 0) Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 47 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 48 / 88

13 Kleine Anwendung 56 Seite 79 a = (a, a 2, a 3 ) T, b = (b, b 2, b 3 ) T, c = (c, c 2, c 3 ) T Ortsvektoren von Punkten a, b, c nicht kollinear a, b, c legen Ebene fest Ebenengleichung einfach: x x 2 x 3 det a a 2 a 3 b b 2 b 3 = 0 c c 2 c 3 Entwicklung nach Zeile zeigt det() = 0 x + x 2 + x 3 + = 0 Ende der Vorlesung 2 ACHTUNG! Wenn a, b, c auf einer Geraden liegen det() = 0 x 0 + x x 3 0 = 0 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 49 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 50 / 88 Seite 80 Satz 58 A, B R (n,n) det(a B) = det A det B Vorlesung 3 39 bzw 30 Januar Beweis Einige Vorüberlegungen det l n+,i A = det A l n,i Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 5 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 52 / 88

14 2 A R = M n M P A 3 weil Zeile = B + n j=2 f j B j 2 Zeile = B 2 + n j=0 f 2j B j det(a) = ( ) v det R det(a B) = ( ) v det RB f 2 f n det 0 fn 2,n B = det B 4 det(diag(d,, d n ) B) = d B d 2 B 2 d n B n n d i det B i= Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 53 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 54 / 88 Leichte Folgerung Seite 8 Und damit ist der Beweis zack-zack erledigt: det(ab) = 2 ( ) v det(rb) = f 2 f n ( ) = ( ) v det diag(r r nn ) 0 fn 2,n B f 2 f n n 4 = ( ) v r ii det i= } {{ } 0 fn 2,n B = det(a)det(b) =( ) v det R } {{ } 3 det(b) Korollar 59 A R (n,n) regulär det A = = (det A) det A Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 55 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 56 / 88

15 Beweis (einfach) Also 0 det E n = det = 0 = det E n = det(a A) = deta det A A regulär det A 0 det A = det A A B = A = B = ( ) 2 ; det A = 5 2 ( ) 2 ; det B = Beispiel ( ) 5 8 ; det(a B) = 0 = 5 ( 2) = det A det B 5 6 A = 5 ( ) 2 ; deta = ( 2 5 )2 5 = 5 = det A Seite 8 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 57 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 58 / 88 P R (n,n) Permutationsmatrix e T i e T i2 P = P entsteht aus E n = e T e T n e T in durch k faches Vertauschen von Zeilen Noch ein Beispiel: Permutationsmatrizen (i, i 2,, i n ) Permutation von (, 2,, n) = { }} { det P = ( ) k det E n = ( ) k = + oder Seite 82 P ist orthogonale Matrix: P P T = E n = det E n = det(p P T ) = det P det P T Also = ( ) k det P T det P T = ( ) k = det P Merken für später!!! Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 59 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 60 / 88

16 Seite 8 Bisher nur ZEILEN manipuliert und daraus Regeln für det hergeleitet Alles bleibt auch gültig für SPALTEN-Manipulationen, denn Satz 52 A R (n,n) A = A A n det A = det A T = A T = ((A ) T,, (A n ) T ) = (a a 2 a n ) (a 2 a 22 a 2n ) (a n a n2 a nn ) a a 2 a 2 a 22 a n a 2n a n a n2 a nn Beweis zu Satz 520 Fall: A singulär A T singulär Dann det A = 0 = det A T 2 Fall: A regulär P R (n,n) Permutationsmatrix L, R Dreiecksmatrizen P A = L R det L = det L T, det R = det R T Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 6 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 62 / 88 Jetzt rechnen Wir haben Wir wissen aber schon det P det A = det(p A) = det(l R) = det L det R = det L T det R T = det R T det L T = det(r T L T ) = det((l R) T ) = det((p A) T ) = det A T det P T det P det A = det A T det P T det P = det P T Alle Aussagen über det, die sich auf ZEILEN beziehen, gelten auch für SPALTEN Und das bedeutet det A = det A T Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 63 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 64 / 88

17 A = (a ij ) i,,n R (n,n) Vertauschungen { } SPALTEN Vertauschen zweier ZEILEN Ändert das Vorzeichen von det A Entwicklungssatz von Laplace det A = ( ) i+j a ij det A ij Entwicklung nach j ter Spalte i= Additionen { SPALTEN } Addition des Vielfachen einer ZEILEN { } SPALTEN zu einer Anderen ändert die det A nicht ZEILEN Multiplikationen { } SPALTEN Multiplizieren einer mit dem Faktor ZEILEN λ R liefert B R (n,n) mit det B = λ det A det A = Entwicklung nach i ter Zeile ( ) i+j a ij det A ij Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 65 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 66 / 88 Nimmt man noch folgende Eigenschaften dazu det A = (a, a 2,, a n) = ã T ã T 2 ã T n Bemerkung det(a,, a i + b,, a n) = det(a,, a i,, a n) + det(a,, b,, a n) ã T ã T ã T + b T = det + det b T ã T i ã T n so sieht man, dass det : R (n,n) R multilineare Abbildung ist det E n = ã T i ã T n n N und der Vorzeichenwechsel bei Zeilentausch legen det als alternierende, normierte, multilineare Abbildung fest Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 67 / 88 ã T n Kurze Wiederholung det : R (n,n) R Definition: Rekursiv det(a ) = a A R (n,n), n 2 det A = ( ) +j a j det A j Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 68 / 88

18 Berechnung: n = 2, 3 : Sarrusche Regel n 2 allgemein Entwicklung nach beliebiger Zeile Entwicklung nach beliebiger Spalte Gauss-Algorithmus A singulär det A = 0 regulär PA = L R n det } {{ P } det A = det L det R det A = i= r ii ( ) Anzahl Zeilentausche det A = ( ) Anzahl Zeilentausche n i= r ii Rechenregeln Vertauschen zweier Addition eines Vielfachen einer ändert det A nicht Multiplikation einer det(a B) = det(a) det(b) det(a ) = (det(a)) det A T = det A { ZEILEN } SPALTEN ändert das Vorzeichen (um ) { ZEILE } { ZEILE } SPALTE zu einer anderen SPALTE { ZEILE } SPALTE mit λ R multipliziert det A mit λ R Hiermit kann man noch eine Menge von Rechenregeln herleiten (Zur Anwendung in den nächsten Übungen) nur einige Beispiele: Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 69 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 70 / 88 Ist A R (n,n) Blockdreiecksmatrix A A 2 A k A = 0 A A kk mit A ii R (n i,n i ), so ist k det A = det A ii i= Beweis: Nur für k = 2 notwendig (Warum?) ( ) A A A = 2 0 A 22 wenn A singulär wenn A 22 singulär Determinante bleibt erhalten Gauss Zeilen Gauss 2 Zeilen 0 ( ) R Ã 2 wenn A 0 R, A 22 regulär 22 λ 2 det A = det R det R 22 = det A det A 22 0 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 7 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 72 / 88

19 Definition 522 Seien t,, t n+ R(C) Dann heißt t t 2 t n t 2 t2 2 t n 2 B : = t n+ tn+ n Vandermondesche Matrix und det B Vandermondesche Determinante ( zu t,, t n+ ) Wozu die gut ist? zb zum Interpolieren! Was das ist? Seite 83 Durch zwei Datenpunkte geht genau eine Gerade Ansatz: y(t) = a 0 t 0 + a t y(t ) = a 0 t 0 + a t! = y y(t 2 ) = a 0 t a t 2! = y 2 Lineares ( ) ( Gleichungssystem ) ( ) t a0 y = t 2 a y 2 Vandermonde (t, t 2 ) y y 2 y t t 2 Ansatz: y(t) = a 0 t 0 + a t + + a n t n (n + ) Unbekannte (n + ) Bedingungen y(t i) = y i legen fest t 0 t t n tn+ 0 tn+ tn+ n a 0 a n = y 0 y n Vandermonde System t Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 73 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 74 / 88 Lemma 523 Lesehilfe Folgerung t t n det = t n+ tn+ n t t 2 t 3 t 2 t2 2 t2 3 t 3 t3 2 t3 3 = t 4 t4 2 t4 3 n n+ i= j=i+ (t j t i ) (t 2 t ) (t 3 t ) (t 4 t ) (t 3 t 2 ) (t 4 t 2 ) (t 4 t 3 ) i = i = 2 i = 3 det Vandermonde (t,, t n+ ) 0 Seite 83 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 75 / 88 t i t j, i j Beweis von Lemma 523 (Induktion) n = : ( ) t det = (t t 2 t ) 2 Sei Aussage für n-reihige richtig Dann: t t 2 t n t n t 2 t 2 2 t n t n 2 2 det t n+ t 2 n+ t n t n n+ n t 2 t t 2 2 t 2t t n t 2 t n 2 t n 2 2 t t n 2 = det t n+ t t 2 n+ t n+t t n n+ t t n 2 t n n+ n+ t t n n+ t 2 t (t 2 t )t 2 (t 2 t )t n 2 (t 2 2 t )t n 2 = det t n+ t (t n+ t )t n+ (t n+ t )t n 2 = n+ j=2 (t j t ) ( t 2 t n 2 det t n+ t n n+ (t n+ n+ t )t n n+ = ) n+ n+ i=2 j=i+ (t j t ) Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 76 / 88

20 Seite 84 Seite 84 Korollar Zu jedem Datensatz t t 2 t n+ y y 2 y n+ mit t i t j für i j gibt es genau ein Polynom p Π n (p(t) = a 0 + a t + + a n t n ) mit p(t i ) = y i, i =,, n + Hinweis: Es muss p nicht unbedingt den Grad n haben p hat höchstens diesen Grad y i = i =,, n + p(t) Grad 0 } y i = 0, i =,, n + p(t) 0 t Korollar 524 Ein Polynom p(t) = n i=0 α i t i hat höchstens n Nullstellen, oder α i = 0, i = 0,, n Beweislein Annahme p hat die (n + ) Nullstellen t,, t n+ Dann ist also p(t i ) = 0 i =,, n + p 0, dh α i = 0, i = 0,, n Korollar 525 Stimmen zwei Polynome p, p 2 Π n in mindestens n + Punkten t < t 2 < t n+ überein, so ist p = p 2 Beweislein: p : = p p 2 Dann p Π n und p(t ) = p(t 2 ) = p(t n+ ) = 0, also p 0, also p = p 2 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 77 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 78 / 88 Hinweis Man berechnet die Koeffizienten a o,, a n des Polynoms p(t) = a 0 + a t + a 2 t a n t n Π n mit p(t i ) = y i, i =,, n + Um Gottes Willen NICHT aus dem linearen Gleichungssystem t t 2 t n a 0 = t n+ tn+ 2 tn+ n a n Das ist Rechenzeitaufwendig 2 Numerisch instabil 3 Geht es besser! y y n Es folgen eine explizite Angabe der Inversen einer regulären Matrix eine explizite Lösungsformel für reguläre Gleichungssysteme (Cramersche Regel) Beide Formeln benutzt man praktisch nur bis n = 3 und sonst nur für THEORETISCHE ZWECKE! Praktisch viel zu TEUER! Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 79 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 80 / 88

21 Zu A R (n,n) regulär definiere B R (n,n) durch b ij : = ( ) i+j det A ji /det A Beispiel a a 2 a 3 A = a 2 a 22 a 23 a 3 a 32 a 33 + A A 2 + A 3 det A B = A 2 + A 22 A 32 + A 3 A 23 + A 33 Seite 85 Satz 527 Behauptung: B = A Beweis von B = A? Einfach A B = E finden: Sei C = A B Dann c ij = = ( = a ik b kj k= ( ) k+j a ik det A jk )/det A k= { für i = j 0 für i j Seite 85 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 8 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 82 / 88 Ax = b, A regulär x = A b x i = a ( ) ij b j = ( ) i+j b j det A ji /det A = ( ) ( ) i+j b j det A ji /det A } {{ } det B i Seite 86 B i R (n,n) entsteht aus A durch Ersetzen der i ten Spalte von A durch b Satz 529: Cramersche Regel x = x 2 = = Beispiel Ax = b x i = det B i det A = +3 = 3 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 83 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 84 / 88

22 Eine weitere Darstellung der Determinante Interessant für theoretische Zwecke Erhält man durch Einsetzen von a j a j = = a ij e i a i= xj in det A = det(a, a 2,, a n ) i Seite 87 Endresultat: Sei S n die Menge aller Permutationen von {,, n} Dann det A = a i a inn det(e i,, e in ) } {{ } (i,,i n) S n {+, } Definition Permutation (i,, i n ) ist gerade falls (i,, i n ) (,, n) mit gerader Anzahl von Vertauschungen, sonst ungerade { (i,, i sign(i,, i n ) = n ) gerade (i,, i n ) ungerade Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 85 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 86 / 88 det A = (i,,i n) S n a i a inn sign(i,, i n ) Man wird mit dieser Regel nur zur Strafe berechnen (lassen) Berechnen Sie einmal die Komplexität dieser Formel Ende des WS 203/204 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 87 / 88 Mackens/Voss (Technische Universität Hamburg-Harburg) Lineare Algebra I WiSe 3/4 88 / 88

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

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

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine

Mehr

Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: a 11 a 12 a a 1n a 21 a 22. det. a nn.

Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: a 11 a 12 a a 1n a 21 a 22. det. a nn. Die Determinante ist nur für beliebige quadratische Matrizen (n = m) definiert: Definition 1.2 (Leibniz-Formel) Die Determinante einer n n-matrix ist a 11 a 12 a 13... a 1n a 11 a 12 a 13... a 1n a 21

Mehr

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A

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

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

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

Copyright, Page 1 of 5 Die Determinante

Copyright, Page 1 of 5 Die Determinante wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

1 Lineare Gleichungssysteme

1 Lineare Gleichungssysteme MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden

Mehr

36 2 Lineare Algebra

36 2 Lineare Algebra 6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so

Mehr

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung 43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

Mehr

3 Matrizenrechnung. 3. November

3 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

Mehr

Cramersche Regel. Satz 2.26

Cramersche Regel. Satz 2.26 ramersche Regel Satz 6 Es sei A R n n eine quadratische Matrix mit det(a) 6= Für das LGS Ax = b sei A j := (a,,a j, b, a j+,,a n ), also die Matrix, die entsteht, wenn in A die j-te Spalte durch den Vektor

Mehr

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14. Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL

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

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)

Mehr

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren

KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0

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 12 Wege entstehen dadurch, dass man sie geht Franz Kafka Invertierbare Matrizen Definition 121 Es sei K ein

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer. Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen

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

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

Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n.

Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n. 1 Die Determinante Definition 1 Sei π ein Element aus der symmetrischen Gruppe S n der Permutationen aller natürlichen Zahlen von 1 bis n. a) Ein Fehlstand von π ist ein Paar (i, j) mit 1 i < j n und π(i)

Mehr

mit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"

mit Skalarprodukt aus i-tem Zeilenvektor und j-tem Spaltenvektor Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"

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

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte

6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n

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

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

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V. Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen 3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

Lineare Algebra I Zusammenfassung

Lineare Algebra I Zusammenfassung Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition

Mehr

Lineare Gleichungssysteme und Matrizen

Lineare Gleichungssysteme und Matrizen Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x

Mehr

Der Gaußsche Algorithmus und Varianten Vorlesung vom

Der Gaußsche Algorithmus und Varianten Vorlesung vom Der Gaußsche Algorithmus und Varianten Vorlesung vom 17114 Gaußsche Elimination und Rückwärtssubstitution: Motivation am Beispiel, Verallgemeinerung und Algorithmus Achtung: Durchführbarkeit nur bei nichtverschwindenden

Mehr

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

Lineare Algebra. Teil III. Inhaltsangabe Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24

Mehr

MLAN1 1 MATRIZEN 1 0 = A T =

MLAN1 1 MATRIZEN 1 0 = A T = MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente

Mehr

Lineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri

Lineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1

Mehr

Matrizen. Lineare Algebra I. Kapitel April 2011

Matrizen. Lineare Algebra I. Kapitel April 2011 Matrizen Lineare Algebra I Kapitel 2 26. April 2011 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/~holtz Email: holtz@math.tu-berlin.de Assistent: Sadegh

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Übungen zur Linearen Algebra, Kap. 1 bis Kap. 3

Übungen zur Linearen Algebra, Kap. 1 bis Kap. 3 Übungen zur Linearen Algebra, Kap. bis Kap. 3. Gegeben seien die beiden Matrizen Berechnen Sie Lösungen zu Übung 6 3 4, B = ( 3 5 4 A B, B A, (A B, (B A Dies ist fast eine reine Rechenaufgabe. Wir wollen

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

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

$Id: det.tex,v /12/19 13:21:08 hk Exp $ A = 1 3

$Id: det.tex,v /12/19 13:21:08 hk Exp $ A = 1 3 $Id: det.tex,v 1.24 2016/12/19 13:21:08 hk Exp $ 8 Determinanten Wir kommen jetzt zum Begriff der Determinante. Determinanten sind merkwürdigerweise über hundert Jahre älter als Matrizen, und sie wurden

Mehr

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

3.9 Elementarmatrizen

3.9 Elementarmatrizen 90 Kapitel III: Vektorräume und Lineare Abbildungen 3.9 Elementarmatrizen Definition 9.1 Unter einer Elementarmatrix verstehen wir eine Matrix die aus einer n n-einheitsmatrix E n durch eine einzige elementare

Mehr

Matrizen und Determinanten

Matrizen und Determinanten Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von

Mehr

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014 Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................

Mehr

Invertierbarkeit von Matrizen

Invertierbarkeit von Matrizen Invertierbarkeit von Matrizen Lineare Algebra I Kapitel 4 24. April 2013 Logistik Dozent: Olga Holtz, MA 417, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de

Mehr

Kapitel 17. Determinanten

Kapitel 17. Determinanten Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n

Mehr

1 Transponieren, Diagonal- und Dreiecksmatrizen

1 Transponieren, Diagonal- und Dreiecksmatrizen Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

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

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

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

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

Aufgaben zu Kapitel 16

Aufgaben zu Kapitel 16 Aufgaben zu Kapitel 16 1 Aufgaben zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2

Mehr

Numerische Lineare Algebra

Numerische Lineare Algebra Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

Rückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n

Rückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n Rückwärts-Einsetzen Bei einem linearen Gleichungssystem in oberer Dreiecksform, r 1,1 r 1,n x 1 b 1..... =., } 0 {{ r n,n } x n b n R mit det R = r 1,1 r n,n 0 können die Unbekannten x n,..., x 1 nacheinander

Mehr

Serie 8: Fakultativer Online-Test

Serie 8: Fakultativer Online-Test Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung

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

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen

Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen Das komplette Material finden Sie hier: School-Scout.de Thema: Lineare Algebra:

Mehr

Rechenaufwand der LR- und LDL T - Zerlegung

Rechenaufwand der LR- und LDL T - Zerlegung 6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für

Mehr

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen

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 IT 2 (Lineare Algebra)

Mathematik IT 2 (Lineare Algebra) Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme KAPITEL 2 Lineare Gleichungssysteme Lernziele dieses Abschnitts sind: Begrie: Matrix, Vektor spezielle Matrix, transponierte Matrix, inverse Matrix nur fur quadratische Matrizen erklart, Determinante,

Mehr

Lineare Gleichungssysteme und Gauß'scher Algorithmus

Lineare Gleichungssysteme und Gauß'scher Algorithmus Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier

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

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

Lineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap

Lineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap Lineare Algebra und Geometrie für LehramtskandidatInnen (Kapitel 6 9) Wintersemester 2010/11 Andreas Čap Fakultät für Mathematik, Universität Wien, Nordbergstraße 15, A 1090 Wien E-mail address: Andreas.Cap@esi.ac.at

Mehr

Kapitel V. Determinanten

Kapitel V. Determinanten Kapitel V. Determinanten Inhalt: 16. Definition und Eigenschaften der Determinante 17. Anwendung auf lineare Gleichungssysteme 18. Determinante eines Endomorphismus Lineare Algebra, Teil I 28. Januar 2011

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

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

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

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

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

täglich einmal Scilab!

täglich einmal Scilab! Mathematik 1 - Übungsblatt 7 täglich einmal Scilab! Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind skalare Größen (=einfache Zahlen im Gegensatz zu vektoriellen

Mehr

Abschnitt: Determinanten

Abschnitt: Determinanten Abschnitt: Determinanten Bezeichnung Die i-te Zeile werden wir mit [a i ] bezeichnen Die Null-Zeile werden wir mit 0 bezeichnen A = a 11 a 1n a n1 a nn = [a 1 ] [a n] Def Eine Abbildung det : Mat(n, n)

Mehr

2.2 Lineare Gleichungssysteme (LGS)

2.2 Lineare Gleichungssysteme (LGS) 2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +

Mehr

( ) Lineare Gleichungssysteme

( ) Lineare Gleichungssysteme 102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv

Mehr

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte

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

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,

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