Übungsblatt 1 A = was bis auf Maschinengenauigkeit 0 sein sollte. Wie lautet dann das Minimalpolynom von A?
|
|
- Bella Maier
- vor 7 Jahren
- Abrufe
Transkript
1 Übungsblatt 1 1. Diagonalisieren Sie die Matrix und bestimmen Sie eine Basis aus Eigenvektoren. Nachdem Sie die Aufgabe mit Papier und Bleistift gelöst haben, vergleichen sie mit dem Matlab-Befehl [v,d]=eig(a); Berechnen Sie auch mit c=poly(a) die Koeffizienten des charakteristischen Polynoms und mit lam=roots(c) dessen Wurzeln. Durch null(a-lam(k)*eye(3)) k = 1, 2, 3 sollten Basen der Eigenräume zu den Eigenwerten bestimmt werden können. Berichten Sie über ev. auftretende Probleme bei der praktischen Durchführung. Wie können diese hier (ad hoc) vermieden werden? Was läßt dies für den allgemeinen Fall erwarten? Haben Sie Ideen, wie ein approximativer Kern einer Matrix bestimmt werden könnte (ev. mit der Singuläwertzerlegung der Matrix)? 2. Ein Experiment zum Minimalpolynom: Würfeln Sie sich eine quadratische Matrix A, mit Matlab etwa durch A=randn(5). Da die Potenzen A n,, n = 0, 1,... alle im C 25 liegen, ist die Menge { A k, 0 k < 25 } sicher linear abhängig. Bilden sie in Matlab die Matrix V v =zeros(25,26); for k=1:25; z=a^(k-1); v(:,k)=z(:);end deren Spalten die Matrixpotenzen A k, aufgefasst als Elemente des C 25 enthalten. Eine Abfrage der Form rank(v) sollte ans=5 liefern, in Übereinstimmung mit dem Satz von Calyey- Hamilton (worum geht es darin?). - Dass tatsächlich die ersten 5 Spalten von V linear unabhängig sind, überprüfen Sie am besten durch rank(v(:,1:5))! Es ist also die 6. Spalte (also A 6 ) von den ersten 5 Spalten linear abhängig. Um die Koeffizienten zu finden, berechnen Sie c=v(:,6). /v(:,1:5). norm(v(:,1:5)*c. -v(:,6)) was bis auf Maschinengenauigkeit 0 sein sollte. Wie lautet dann das Minimalpolynom von A? 3. Spektralverschiebung: Zeigen Sie: hat A die Eigenwerte λ 1,..., λ n, so hat A ci die Eigenwerte λ 1 c,..., λ n c. 4. Vektor-Iteration: Bestimmen Sie mittels Vektor-Iteration (und Matlab) den betragsgrößten Eigenwert und den zugehörigen Eigenvektor der Matrix Versuchen Sie, mittels Spektralshift einen weiteren Eigenwert zu gewinnen! Gelingt es, den zweitgrößten Eigenwert auf diese Weise zu bestimmen? 1
2 Suchen sie mittels Vektor-Iteration nach dem betragsgrößten Eigenwert der Matrix 8 5i 3 2i Q = 5i i 0 2 Suchen sie mittels Spektralshift nach weiteren Eigenwerten und -vektoren! Die Matrix hat betragsgrößte Eigenwerte λ 1,2 = ±2. Wenden sie die einfache Vektoriteration x i+1 = Ax i an; betrachten Sie die Folge z i = x i / x i 2 ; scheint diese zu konvergieren? Betrachten Sie analog die Teilfolgen z 2k, z 2k+1. Können Sie eine Erklärung für dieses Verhalten finden (betrachten Sie etwa die Matrix A 2 )? 5. Zeigen Sie: Das charakteristische Polynom einer hermiteschen Matrix hat reelle Koeffizienten. 6. Eigenwerte und -vektoren zyklischer Differenzenoperatoren: Sei x := (x 0,..., x n 1 ) (beachten Sie die Indizierung!) in C n ; der zyklische Differenzenoperator auf C n wird erklärt als x := (x 1 x 0, x 2 x 1,..., x n 1 x n 2, x 0 x n 1 ) Finden Sie die Abbildungsmatrix von bezüglich der Standardbasis. Bestimmen Sie (mit Hülfe von Matlab) für n = 5, 20, 100 Eigenwerte und Eigenvektoren von und stellen Sie sie geeignet dar. Betrachten Sie Real-und Imaginärteile der Eigenvektoren. Hegen Sie einen Verdacht bezüglich deren Gestalt! Der zyklische Translationsoperator ist auf C n folgendermaßen definiert: T 1 x := (x 1, x 2,..., x n 1, x 0 ), T k := T k 1 Es läßt sich leicht zeigen, dass Translationsoperator und Differenzenoperator miteinander vertauschen; aus den Vorlesungen LinALg 2 oder NumMod 1 ist Ihnen vielleicht noch in Erinnerung, dass mit allen Translationen vertauschbare Operatoren durch die diskrete Fourier-Transformation(DFT) diagonalisiert werden:d = F F mit einer Diagonalmatrix D (F die Matrix der (unitären) DFT). Überprüfen Sie diese Tatsache für kleine n mit Matlab. Wenn dies tatsächlich wahr wäre: was ließe sich dann über die Eigenvektoren von sagen? * Beweisen Sie, dass durch die DFT tatsächlich diagonalisiert wird! 7. Cholesky-Zerlegung: Bekanntlich ist eine (hermitesche) Matrix A M n (C) genau dann positiv definit, wenn sie in der Form Q Q geschrieben werden kann (Beweis?); numerisch interessant ist, dass Q als untere Dreiecksmatrix L mit positiven Diagonalelementen gewählt werden kann. Der Beweis kann induktiv nach der Dimension des Raums (= n) erfolgen. (Anleitung: Für n = 1 ist der Satz klar (?); n 1 n: An 1 b b a nn A n 1 ist dabei wieder pos. definit (da alle Hautpuntermatrizen einer pos. def. Matrix wieder diese Eigenschaft haben - Beweis??), also nach Ind.vor. A n 1 = L n 1 L n 1 mit pos. Diagonalelementen. Mit dem Ansatz Ln 1 0 L = c α 2
3 sollten Sie zum Ziel kommen; ein kleiner Stolperstein: Sie müssen nachweisen, dass α > 0. ) Die Matlab-Funktion chol berechnet die Cholesky-Zerlegung einer pos. definiten Matrix. Testen Sie das Programm für die positiv definite Matrix a=pascal(6)! Wenn A reell ist, so auch L. Im Zuge der Cholesky Zerlegung ist offensichtlich die Gleichung L n 1 c = b zu lösen; wie gechieht dies effizient? Versuchen Sie, Pseudo-Code für die Cholesky-Zerlegung aufzustellen. * Schreiben Sie ein Matlab-Programm zur Durchführung der Cholesky-Zerlegung. Sei A eine symmetrische, pos.def. Bandmatrix der Breite m. Zeigen Sie, dass in der Cholesky-Zerlegung LL die Matrix L ebenfalls Bandbreite m hat. Bei Problemen finden Sie Information etwa in [1]. 8. Spiegelungen, Householder-Transformationen, QR-Zerlegung: Eine Hyperebene im C n kann eindutig beschrieben werden als N h := {x C n, x, h = 0} für ein (ebenfalls eindeutig besimmtes) Element h C n, h 2 = 1. Die Abbildung P h x := x, h h ist die Orthogonalprojektion auf h. Trivialerweise ist id = P h + (id P h ). Eine Spiegelung an N h ist damit gegeben durch H h := I 2P h (a) Zeigen Sie, dass H h hermitesch und unitär ist, und schließen Sie, dass H h involutorisch ist, d.h. H 2 h = I. (b) Zeigen Sie, dass x, H h x R! (c) Weisen Sie nach, dass die Abbildungsmatrix von H h bezüglich der Standardbasis durch I hh gegeben ist. (d) Berechnen Sie die Eigenwerte und Eigenräume der Spiegelung. Geometrische Interpretation? (e) Sei 0 x C n. Finden Sie einen Vektor h C n, sodass H h x = ke 1. (Anleitung: Da H h isometrisch, folgt k = x 2 ; aus (8b) ergibt sich, dass kx e 1 reell sein muss arg k = arg x 1. Man zeige, dass dann der gewünschte Vektor ist. 1 ) h := x ke 1 x ke 1 2 Die Matrix H h heißt Householder-Matrix. Spezielle Matrizen dieser Art lassen sich verwenden, um eine Zerlegung einer quadratischen Matrix A von der Form QR, Q unitär, R obere Dreiecksmatrix zu erreichen: Wenn (A 1,..., A n ), finde h 1, sd. H h1 A 1 = ke 1 wie in 8e. Da k H h1 0 A ( 1) finde ( eine Householder-Transformation ) H h2 auf C n 1 mit H h2 A (1) 1 = k 2 e 1 ; für H 2 := 1 0 ist dann H 0 H 2 H 1 A von der Form h2 k 1 0 k A (2) Iteration liefert Q R mit oberer Dreiecksmatrix R; da Q unitär, ist es auch die Inverse, womit die Zerlegbarkeit gezeigt ist. Näheres in [1, Bd1,pp ] 1 allgemeiner ist H h (x) = y möglich x 2 = y 2 y, x R, wie Nachrechnen zeigt. 3
4 9. Schursche Normalform: Das charakteristische Polynom einer Dreiecksmatrix kann leicht bestimmt werden; auch ist bekannt, dass Ähnlichkeitstransformationen das char. Polynom nicht verändern (Beweis?). Sind die Ähnlichkeitstransformationen sogar unitär, wird dabei die Konditionszahl der Matrix nicht verändert. Beweisen Sie das folgende Resultat von Schur: Theorem 1 Zu jeder n n Matrix A gibt es eine unitäre Matrix U, sodaß λ 1. U AU = λ λ n Die λ i sind die Eigenwerte von A. Anleitung: Der Beweis kann durch Induktion nach n erfolgen: Für n = 1 ist der Satz trivial. Sei der Satz für n 1-reihige Matrizen bewiesen und A M n (C). Sei λ 1 ein Eigenwert von A, v 1 ein zugehöriger Eigenvektor mit v 1 2 = 1. Ergänze v 1 zu einer ONB von C n ; V sei die unitäre Matrix mit Spalten v i. Zeigen Sie (a) Für e 1 = (1, 0,..., 0) ist V AV e 1 = λ 1 e 1, (b) V λ1 a AV = 0 A 1 Nach Voraussetzung ist A 1 in Schurform( schreibbar: ) U 1A 1 U 1 = L mit oberer Dreiecksmatrix 1 0 L. Die unitäre (warum?) Matrix U = V leistet dann das Gewünschte. 0 U 1 Die Matlab-Funktion schur liefert die Schursche Normalform einer Matrix; die Form [U,T] = schur(a) liefert auch eine untäre Matrix U, sodass UAU = T ; berechnen Sie mit Hilfe dieser Funktion die Schursche Normalform der Matrix aus Aufgabe 1. Versuchen Sie auch, dies von Hand zu tun!! Vervollständigen Sie die obige Beweisskizze! Ist die Schursche Normalform eindeutig? Zeigen Sie: Die Schursche Normalform einer hermiteschen Matrix ist eine Diagonalmatrix. Ist diese eindeutig bestimmt? (Bem.: Dies ist ein alternativer Beweis des Spektralsatzes..) * Zeigen Sie mit Hilfe der Schurschen Normalform: Eine Matrix B ist genau dann normal (d.h. B B = BB ), wenn sie eine ONB aus Eigenvektoren besitzt. (Ansatz: mit B ist auch R := U BU normal, betrachten Sie die Diagonalelemente von RR = R R...) 10. Loewdin-Orthonormalisierung: Das Problem, zu einer Basis {a k, 1 k n} im C n die nächstgelegene ONB zu finden (im Sinn von a k u k 2 2 min!, u j,u k = δ jk ) ist äquivalent zu U 0 := argmin U U(n) A U F A GL n (C), und A F die Frobenius-Norm: A F = n i,j=1 a ij 2 = tr(aa ), tra die Spur von A. (A, U sind spaltenweise aus den Vektoren a k, u k zusammengesetzt). Die Lösung folgt aus dem Satz über die Polarzerlegung: Theorem 2 A GL n (C) W A W := A(A A) 1/2 unitär, A := (A A) 1/2 positiv definit und hermitesch. 4
5 Für U 0 wie oben ist A U 0 F = W A U 0 F = A W U 0 F (Frobenius-Norm ist invariant gegen Multiplikation mit unitären Matrizen). Da A = V DV, V unitär, D := diag {λ 1,..., λ n } Diagonalmatrix mit positiven Einträgen, ist der letzte Ausdruck weiter gleich D V (W U 0 )V F =: D T F mit unitärer Matrix T. In Koordinaten geschrieben ist das Quadrat dieses Ausdrucks n λ i t ii 2 + n t ij 2 [ = λ 2 i 2 Re (t ii λ i ) ] n + t ij 2 i=1 i j i=1 i,j=1 } {{ } =n Das Minimum wird also für t ii = 1 angenommen, was T = id bedeutet; dies ist genau für U 0 = W möglich. Eindeutigkeit von U 0 folgt aus der Eindeutigkeit der Polarzerlegung. (a) Zeigen Sie: die Polarzerlegung ist eindeutig. (Was ist mit dieser Aussage gemeint?) (b) Füllen Sie die Lücken in obiger Herleitung, zeigen Sie insbesondere: die Frobenius-Norm ist invariant gegen Links- und Rechtsmultiplikation mit unitären Matrizen. (Sie werden benötigen, dass tr(ab) = tr(ba) für n n Matrizen; zeigen Sie auch dies!) (c) Was ändert sich an obiger Herleitung, wenn die Frobenius-Norm durch die 2-Norm ersetzt wird? Können Sie eine geometrische Interpretation für diesen Fall angeben? *4. Verallgemeinern Sie die Loewdin-Orthonormalisierung auf den Fall, dass nur eine linear unabhängige Teilmenge {a k, 1 k m}, m n des C n vorliegt. Ist die Konstruktion noch eindeutig? (d) Wie kann man die Polarzerlegung in Matlab durchführen? 11. Skalarprodukte: Auf C n sind mitunter andere Skalarprodukte als das Standard-Skalarprodukt x, y = n k=1 x kȳ k sinnvoll bzw. notwendig (Bpe. finden sich weiter unten). Begründen Sie (gleich etwas allgemeiner) Theorem 3 Jede Sesquilinearform [x, y] auf C n C n lässt sich in der Form [x, y] = Ax, y mit eindeutib bestimmtem A M n (C) schreiben; ist [, ] hermitesch oder pos. definit, so auch A. Bezeichne nun (für pos. definites, hermitesches A) x, y A := Ax, y das A-Skalarprodukt, B die Adjungierte von B bezüglich dieses Skalarprodukts und x A y bezeichne Orthogonalität bezüglich des A-Skalarprodukts. Literatur Drücken Sie die A-Adjungierte einer Matrix B durch die Standard-Adjungierte aus! Für [x, y] := M k x, k y, α k 0, α 1 > 0 k=0 α k ( der zyklische Differenzenoperator) ist nachzuweisen, dass es sich um ein Skalarprodukt handelt; bestimmen Sie A, sodaß [x, y] = Ax, y. Bestimmen Sie für den Spezialfall [x, y] := x, y + x, y Ausdrücke für die Adjungierte einer Matrix bez. dieses Skalarprodukts. Wie schaut der Orthogonalraum von e 1 bezüglich dieses Skalarprodukts aus? [1] J. Stoer and R. Bulirsch. Numerische Mathematik 2. Eine Einführung - unter Berücksichtigung von Vorlesungen von F. L. Bauer. (Numerical mathematics 2. An introduction - under consideration of lectures by F. L. Bauer). 4., neu bearb. u. erweit. Aufl. Berlin: Springer. x, 376 p.,
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,
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
Mehr4.4 Orthogonalisierungsverfahren und die QR-Zerlegung
4.4 Orthogonalisierungsverfahren und die QR-Zerlegung Die Zerlegung einer regulären Matrix A R n n in die beiden Dreiecksmatrizen L und R basiert auf der Elimination mit Frobeniusmatrizen, d.h. R = FA,
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
MehrTU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
MehrT := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
MehrStudienrichtung: Physik / technische Mathematik, Lehramt, oder andere.
Lineare Algebra und Analytische Geometrie II Sommer 26 2.9.26 Zweite Klausur für Studierende der Mathematik (inkl. Lehramt) Dritte Klausur für Studierende der Physik Name (deutlich lesbar!):.......................................................................
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrSommer 2017 Musterlösung
Sommer 7 Musterlösung. (5 Punkte) a) Sei V ein Vektorraum über K und sei T End(V ). Geben Sie die Definition eines Eigenwertes von T und zeigen Sie für endlichdimensionales V, dass λ K genau dann ein Eigenwert
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
MehrLösung 13: Unitäre Vektorräume und normale Abbildungen
D-MATH Lineare Algebra II FS 2017 Dr. Meike Akveld Lösung 13: Unitäre Vektorräume und normale Abbildungen 1. a) Im Folgenden sei γ : V V C die Abbildung γ(v, w) v + w 2 v w 2 i v + iw 2 + i v iw 2. : Wir
Mehr10 Unitäre Vektorräume
10 Unitäre Vektorräume Pink: Lineare Algebra 2014/15 Seite 98 10 Unitäre Vektorräume Die Theorie komplexer Vektorräume mit Skalarprodukt folgt denselben Linien wie die Theorie reeller Vektorräume mit Skalarprodukt;
MehrLineare Algebra. 10. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 3, 26 Erinnerung Gram-Schmidt Verfahren Sei V ein euklidischer/unitärer Vektorraum mit dim(v ) n < Gegeben: W span{v,...,
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrLineare 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
MehrD-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld. Clicker Fragen
D-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld Clicker Fragen Frage 1 Wenn eine reelle Matrix einen Eigenvektor hat, so hat es unendlich viele Eigenvektoren Sei u K n einen Eigenvektor von A M
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrLösung 23: Sylvesters Trägheitssatz & Singulärwertzerlegung
D-MATH Lineare Algebra I/II HS 07/FS 08 Dr Meike Akveld Lösung 3: Sylvesters Trägheitssatz & Singulärwertzerlegung Wir wissen, dass eine Basis B von R n existiert, sodass p [β Q ] B I I q 0 n p q gilt
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe Beispiel einer Koordinatentransformation Gegeben seien zwei
MehrMusterlösungen für die Nachklausur in LinAlg vom
Musterlösungen für die Nachklausur in LinAlg vom 10.10.16 1. Finden Sie mindestens ) zwei Dreh )Matrizen ) M R 2 2 mit der Eigenschaft 1 0 M = : M = ± 1 1 2 ±1 1 k k 1 k 2. Sei A R 3 3 die Matrix A = 0
Mehr10. Übung zur Linearen Algebra II -
0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.
MehrSerie Sei V ein Vektorraum. Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt. Zeigen Sie:
Prof Emmanuel Kowalski Lineare Algebra II Serie 3 Sei V ein Vektorraum Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt Zeigen Sie: a Der Kern und das Bild einer Projektion
MehrAbschnitt 1. Jordan Normalform
Abschnitt Jordan Normalform Beispiel & Eigenschaften λ λ λ λ 2 λ 2 λ 2 λ 3 Voraussetzung: χ zerfällt Dann: ex. Basis, s.d. Darstellungsmatrix Jordan-Form hat Minimalpolynom µ hat Faktor zu jedem EW in
MehrProbeprüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Frühling 018 Probeprüfung Lineare Algebra I/II für D-MAVT Die Prüfung dauert 10 Minuten. Sie dient der Selbstevaluation. Die Musterlösungen folgen. Die Multiple Choice
MehrTest zum PS Lineare Algebra und Geomtrie 2 H. Feichtinger & D. Eiwen Wintersemester 2011 Datum: 28. Nov. 2011
**************************************************************** * NAME: Matr.Nr.: Test zum PS Lineare Algebra und Geomtrie H. Feichtinger & D. Eiwen Wintersemester Datum: 8. Nov. Bitte Studienausweis
Mehr17. Orthogonalsysteme
17. Orthogonalsysteme 17.1. Winkel und Orthogonalität Vorbemerkung: Sei V ein Vektorraum mit Skalaprodukt, und zugehöriger Norm, dann gilt nach Cauchy-Schwarz: x, y V \ {0} : x, y x y 1 Definition: (a)
MehrÜbungsaufgaben 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
MehrEinige Lösungsvorschläge für die Klausur zur Vorlesung
Prof Klaus Mohnke Institut für Mathematik Einige Lösungsvorschläge für die Klausur zur Vorlesung Lineare Algebra und analtische Geometrie II* - SS 7 Aufgabe Im R mit dem Standardskalarprodukt ist die folgende
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 42 Normale Endomorphismen Nach Satz 34.1 besitzt eine Isometrie über C eine Orthonormalbasis aus Eigenvektoren
MehrBasisprüfung. 18. August 2015
Lineare Algebra I/II D-MATH, HS 4/FS 5 Prof Richard Pink Basisprüfung 8 August 25 [6 Punkte] Betrachte den reellen Vektorraum R 3 zusammen mit dem Standardskalarprodukt, und die Vektoren 9 3 v := 6, v
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Anwendungen in der Physik: Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors - Normalmoden
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
MehrHinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4.
Hinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4. Aufgabe 2.1 (8 Punkte) Es sei K ein Körper, n N, V ein 2n-dimensionaler K -Vektorraum und U
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrD-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler. Musterlösung 8. i=1. w 2, w 2 w 2 =
D-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler Musterlösung 8 1. Wir konstruieren eine Orthogonalbasis aus der Basis (v 1, v 2, v ) mit dem Gram- Schmidt-Verfahren. Wir wenden die Formel
Mehr12.3 Kommutierende Abbildungen
12.3 Kommutierende Abbildungen Definition 12.3.1 Sei V ein endlichdimensionaler Vektorraum, und sei F eine Familie linearer Abbildungen V V mit UT = TU für alle U, T in F. Dann nennt man F eine Familie
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
Mehr6 Die Schursche Normalform und einige Klassen von Matrizen
ME Lineare Algebra HT 28 111 6 Die Schursche Normalform und einige Klassen von Matrizen 61 Die Schur-Normalform und Hauptvektoren Für nichtdiagonalisierbare Matrizen gibt es andere Normalformen: Jordan-
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
MehrLineare 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
MehrLernbuch Lineare Algebra und Analytische Geometrie, 2. Auflage 2012
Lernbuch Lineare Algebra und Analytische Geometrie, 2 Auflage 22 Korrekturen 8 statt y M lies y N 2 statt m + n = m +(n )=m +(n ) lies m + n = m +(n ) 2 statt #P(M) lies #P (M) 4 7 statt Beispiel c) lies
Mehr4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
MehrMusterlösungen zur Linearen Algebra II Hauptklausur
Musterlösungen zur Linearen Algebra II Hauptklausur Aufgabe. Q ist unitär genau dann, wenn gilt Q Q = I n. Daraus folgt, dass a) und c) richtig sind. Die -Matrix A := (i) zeigt, dass i.a. A A t, d.h. b)
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
Mehr13. Lineare Algebra und Koordinatenwechsel.
3. Lineare Algebra und Koordinatenwechsel. In dieser Vorlesung behandeln wir die Vorzüge von Koordinatenwechseln. Insbesondere werden wir über geeignete Koordinatenwechsle zu einer Klassifikation der lineare
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
MehrLineare Algebra II (NAWI) SS2014 Übungsblatt 1
Lineare Algebra II (NAWI) SS2014 Übungsblatt 1 Aufgabe 1. Welche der folgenden Abbildungen sind Sesquilinearformen oder Bilinearformen? Welche davon sind Skalarprodukte? (a) B 1 : R R R, (x, y) xy (b)
MehrLina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
MehrLineare Algebra II 9. Übungsblatt
Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)
MehrÜbungsblatt
Prof Dr Fabien Morel Lineare Algebra II Dr Anand Sawant Sommersemester 2018 Übungsblatt 11 20062018 Aufgabe 1 (2 Punkte) Berechnen Sie eine Jordan-Basis für die Matrix 3 1 1 M = 2 2 0 M 3 (R) 1 1 3 Wir
MehrÖkonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
MehrLINEARE ALGEBRA I (LEHRAMT GYMNASIUM) WINTERSEMESTER 2015/16
LINEARE ALGEBRA I (LEHRAMT GYMNASIUM) WINTERSEMESTER 2015/16 CAROLINE LASSER Inhaltsverzeichnis 1. Matrizen 2 1.1. Eliminationsverfahren (13.04.) 2 2. Euklidische Vektorräume 3 2.1. Skalarprodukte und
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. In dieser Aufgabe wollen wir die Parameter einer gewissen Modellfunktion aus ein paar gemessenen Werten bestimmen. Das Modell
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrLineare Algebra. 13. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 3. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 29, 27 Erinnerung Satz. Axiomatischer Zugang, Eigenschaften der Determinante. Die Abbildung det :
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrAlgorithmus 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.........................
MehrLösung zu Serie Bestimme die Jordansche Normalform und eine zugehörige Basiswechselmatrix der folgenden reellen Matrizen: A := B :=
Lineare Algebra D-MATH, HS 204 Prof. Richard Pink Lösung zu Serie 2. Bestimme die Jordansche Normalform und eine zugehörige Basiswechselmatrix der folgenden reellen Matrizen: 0 2 0 0 0 2 0 0 0 0 0 0 0
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrWiederholungsklausur zur Linearen Algebra II
Wiederholungsklausur zur Linearen Algebra II Prof. Dr. C. Löh/D. Fauser/J. Witzig 5. Oktober 2017 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen Sie,
Mehr13. Vorlesung. Lineare Algebra und Koordinatenwechsel.
3. Vorlesung. Lineare Algebra und Koordinatenwechsel. In dieser Vorlesung behandeln wir die Vorzüge von Koordinatenwechseln. Insbesondere werden wir über geeignete Koordinatenwechsle zu einer Klassifikation
MehrLineare Algebra für Physiker 11. Übungsblatt
Lineare Algebra für Physiker 11. Übungsblatt Fachbereich Mathematik SS 01 Prof. Dr. Matthias Schneider./. Juli 01 Dr. Silke Horn Dipl.-Math. Dominik Kremer Gruppenübung Aufgabe G1 (Minitest) (a) Welche
MehrLineare Algebra - Übungen 7 WS 2017/18
Prof. Dr. A. Maas Institut für Physik N A W I G R A Z Lineare Algebra - Übungen 7 WS 017/18 Aufgabe P0: Paulimatrizen Präsenzaufgaben 14. Dezember 017 Berechnen Sie für die Paulimatrizen σ 1 = ( ) 0 1,
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
MehrSingulärwert-Zerlegung
Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1 Singulärwert-Zerlegung Zu jeder
Mehra) Ein Gruppenhomomorphismus von G nach H ist eine Abbildung Φ : G H, sodass für alle g 1, g 2 G die Gleichung Φ(g 1 g 2 ) = Φ(g 1 ) Φ(g 2 )
I. (4 Punkte) Es seien (G, ) eine Gruppe mit neutralem Element e G und (H, ) eine weitere Gruppe. a) Geben Sie die Definition eines Gruppenhomomorphismus Φ : G H an und beweisen Sie, dass für solch einen
MehrLineare Algebra 2. Lösung zu Aufgabe 7.2:
Technische Universität Dortmund Sommersemester 2017 Fakultät für Mathematik Übungsblatt 7 Prof. Dr. Detlev Hoffmann 15. Juni 2017 Marco Sobiech/ Nico Lorenz Lineare Algebra 2 Lösung zu Aufgabe 7.1: (a)
Mehr4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit
4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit Definition 4.41. Eine Familie F linearer Operatoren heißt vertauschbar oder kommutierend, wenn für je zwei Operatoren U,T in F gilt: UT = TU.
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrUntersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. x y
Aufgabe 1 Untersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. (( )) 3x x (a) Sei f : R 2 R 3 mit f = 2y + x y x y ( ) 4 (b) Sei f : R R 2 mit f(x) = x + 1 (( )) ( ) x x y (c) Sei
Mehr