Kapitel 5. LU Zerlegung. 5.1 L- und U-Matrizen
|
|
- Fabian Schmitt
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 5 LU Zerlegung In vielen Fällen interessiert uns die inverse Matrix A 1 gar nicht. Stattdessen suchen wir die Lösung der Matrixgleichung Ax = b bzw. x = A 1 b 5.1) für einen oder wenige Vektoren b. In diesem Fall ist das in diesem Kapitel besprochene LU Verfahren um etwa einen Faktor drei schneller als das Gauß-Jordan-Verfahren. Ein weiterer Grund weshalb wir dieses Verfahren diskutieren wollen ist der, dass wir sehen werden, dass sich Aufgaben der Linearen Algebra of deutlich vereinfachen lassen wenn man Matrizen auf eine bestimmte Form bringt. 5.1 L- und U-Matrizen Betrachten wir die beiden Matrizen L = l l 10 l l 20 l 21 l 22 0 l 30 l 31 l 32 l 33, U = u 00 u 01 u 02 u 03 0 u 11 u 12 u u 22 u u 33, 5.2) wobei die nichttrivialen Matrixelemente d.h. diejenigen ungleich Null) von L unterhalb bzw. auf der Diagonale stehen, und die nichttrivialen von U oberhalb bzw. auf der Diagonale. Wir vereinbaren: Eine Matrix deren Matrixelemente ungleich Null ausschließlich auf bzw. unterhalb engl. lower) der Diagonale stehen heißt L Matrix. 33
2 34 KAPITEL 5. LU-ZERLEGUNG Eine Matrix deren Matrixelemente ungleich Null ausschließlich auf bzw. oberhalb engl. upper) der Diagonale stehen heißt U Matrix. Im Laufe dieses Kurses werden wir öfters sehen, dass bestimmte Aufgaben besonders leicht für L- bzw. U-Matrizen durchgeführt werden können. Die wichtigste dieser Anwendungen ist die Matrixinversion. Betrachten wir die Gleichungen Lx = b, Ux = b, 5.3) wobei die Matrizen L bzw. U und der Vektor b vorgegeben sein sollen, und wir x bestimmen wollen. Aufgrund der besonderen Struktur der Matrizen L l ij = 0 für i > j) und U u ij = 0 für i < j) erhalten wir in Komponentenschreibweise i l ij x j = b i, j=0 n 1 u ij x j = b i. 5.4) j=i Nun kommt der entscheidende Schritt. Betrachten wir zuerst nur die L-Matrix. Für i = 0 erhalten wir aus Glg. 5.4) l 00 b 0 = x 0 b 0 = x 0 l ) Wir haben damit soeben x 0 bestimmt. Aber auch die anderen Komponenten können wir relativ einfach bestimmen. Dazu schreiben wir Glg. 5.4) in die Form i 1 l ii x i + l ij x j = b i 5.6) j=0 um; wenn wir die x i für i = 0, 1, 2,... berechnen stellen wir fest, dass für jedes i alle Größen bis auf das aktuelle x i gegeben sind, das wir sofort aus Glg. 5.6) bestimmen können. Das Verfahren zur Invertierung von Lx = b durch Vorwärtssubstitution d.h. für i = 0, 1, 2,...) lautet somit x i = 1 b i l ii ) i 1 l ij x j, i = 0, 1, 2,... n ) j=0
3 5.2. CROUT SCHER ALGORITHMUS 35 Crout scher Algorithmus zur LU Zerlegung einer n n-matrix A 1. Setze l ii = 1 für i = 0, 1, 2,... n 1 2. Schleife über Spalten j = 0, 1, 2,... n 1 a) Für i = 0, 1,... j u ij = a ij i 1 k=0 l iku kj b) Für i = j + 1, j + 2,... n 1 l ij = a ij ) j 1 k=0 l iku kj /u jj Box 5.1. Crout scher Algorithmus zur LU Zerlegung. Hierbei ist die Summe so zu verstehen, dass sie für i = 0 nicht durchlaufen wird. Andererseits lösen wir die Gleichung U x = b durch Rückwärtssubstitution d.h. für i = n 1, n 2,...) x i = 1 b i u ii n 1 j=i+1 u ij x j ), i = n 1, n 2, ) Aufgabe 5.1 Überprüfen Sie Glg. 5.8). Warum erfolgt die Auflösung i = n 1, n 2,... 0 in umgekehrter Reihenfolge? 5.2 Crout scher Algorithmus Im vorigen Abschnitt haben wir gesehen, dass die Matrixinversion für L- und U-Matrizen überaus einfach ist. Das LU Verfahren besteht darin, dass zur Lösung von Ax = b zuerst die Matrix in A = LU zerlegt wird, und danach die Matrixinversion bezüglich den im vorigen Abschnitt besprochenen Schritten erfolgt. Die Aufgabe der LU Zerlegung erfolgt mit Hilfe des Crout schen Algorithmus. Im Prinzip haben wir in der Wahl der L- und U-Matrizen eine gewisse Freiheit, da diese n 2 + n von Null verschiedene Matrixelemente besitzen und A = LU nur auf n 2 Bestimmungsgleichungen führt. Im Crout schen Algorithmus werden alle l ii auf Eins gesetzt. Danach werden die Matrixelemente l ij und u ij unter Ausnutzung der L- bzw. U-Matrixeigenschaften auf äußerst elegante Weise bestimmt. Der Algorithmus, den wir hier nicht ausführlich diskutieren
4 36 KAPITEL 5. LU-ZERLEGUNG a) i j b) i > j Abbildung 5.1: Schematische Darstellung der Crout schen LU-Zerlegung. wollen, ist in Box 5.1 dargestellt. Die Besonderheit besteht darin, dass zu jedem Zeitpunkt die benötigten Komponenten von L und U bereits zur Verfügung stehen. Das ist in Abbildung 5.2 schematisch dargestellt. Die Punkte entsprechen den Matrixelementen von U oberhalb bzw. auf der Diagonale) und L unterhalb der Diagonale; die Elemente l ii = 1 müssen nicht explizit gespeichert werden. Der schraffierte Bereich zeigt die Matrixelemente der Spalten an, die bereits vollständig berechnet wurden. Die mit Pfeilen versehenen Linien markieren die Matrixelemente, die zur Berechnung des aktuellen Elementes ij Symbol ) benötigt werden für: a) i j U-Matrix) und b) i > j L-Matrix). Man erkennt unmittelbar, dass das Verfahren stets auf bereits berechnete Elemente zugreift. 5.3 Rückeinsetzen im LU Verfahren Schließlich lösen wir die Gleichung LU x = b durch Rückeinsetzen in Rückwärts bzw. Vorwärtsrichtung. Unter Verwendung der Abkürzung Ly = b erhalten wir Ly = b, Ux = y. 5.9) Aufgabe 5.2 Überprüfen Sie Glg. 5.9). Das Lösungsverfahren mit Hilfe von Rückeinsetzen ist in Box 5.2 dargestellt.
5 5.4. IMPLEMENTIERUNG DES LU VERFAHRENS 37 Rückeinsetzen im LU Verfahren 1. Für i = 0, 1, 2,... n 1 y i = b i i 1 j=0 l ijy j 2. Für i = n 1, n 2,... 0 x i = y i ) n 1 j=i+1 u ijx j /u ii Box 5.2. Lösung der Gleichung LU x = b durch Rückeinsetzen. Dieses Verfahren wird zusammen mit dem Crout schen Algorithmus Box 5.1) verwendet. 5.4 Implementierung des LU Verfahrens Im Gegensatz zum Gauß-Jordan-Verfahren erfolgt die Lösung von Ax = b in zwei Schritten: 1) zuerst lösen wir A = LU; 2) danach lösen wir LU x = b für einen oder mehrere Vektoren b. Da wir die Matrizen L und U zwischenspeichern müssen, empfiehlt es sich, eine eigene Klasse zu definieren. Dies ist in den Dateien erfolgt. Betrachten wir zuerst die Datei LUdecomp.h 1 class LUdecomp { 2 3 public: 4 LUdecomp) : n0) {} 5 LUdecompconst matrix& m) { decomposem); } 6 7 void decomposeconst matrix& m); 8 void solvedouble x[], const double b[]) const; 9 10 int size ) const { return n; } private: 13 int n; 14 matrix lu; 15 }; Hier werden folgende Klassenfunktionen definiert Zeile 4. Standardkonstruktor.
6 38 KAPITEL 5. LU-ZERLEGUNG Zeile 5. Konstruktor, bei dem eine Matrix m nach dem Crout schen Algorithmus LU zerlegt wird. Zeile 7. Funktion, die eine Matrix m nach dem Crout schen Algorithmus LU zerlegt. Zeile 8. Lösung von LU x = b. Zeile 10, 13. Ordnung der zu invertierenden Matrix. Zeile 14. LU Matrix. In der LU Zerlegung, die in der Funktion decompose in LUdecomp.cc erfolgt, wird anstelle der beiden Matrizen L und U nur eine Matrix lu benutzt. Dies ist zulässig, da die nichttrivialen Elemente von L unterhalb der Diagonalen liegen auch die Diagonalelemente l ii = 1 müssen nicht gespeichert werden) und die nichttrivialen Elemente von U auf bzw. oberhalb der Diagonale stehen. In der Implementierung in LUdecomp ist das so erfolgt, dass wir am Anfang 1 #define li,j) lui, j) 2 #define ui,j) lui, j) definieren, und danach gewährleisten, dass in den Aufrufen von li, j) und ui, j) stets i < j bzw i j gilt. Schließlich erlaubt es die Funktion solve, die Gleichung LU x = b zu lösen Box 5.2). Aufgabe 5.3 Überprüfen Sie, ob das Matrixprodukt LU in der Funktion decompose tatsächlich A ergibt. Aufgabe 5.4 Überprüfen Sie mit Hilfe der Funktion solve, ob im LU Verfahren tatsächlich AA 1 = II erfüllt ist. 5.5 LU Verfahren mit Pivotisierung Was ist mit Pivotisierung? Das LU Verfahren sollte stets nur mit Pivotisierung verwendet werden! Im Gegensatz zum Gauß-Jordan-Verfahren erfolgt die Wahl des pivot Elementes durch Zeilenvertauschung. Hierbei gehen wir folgendermaßen vor. Betrachten wir in Box 5.1 die Croutsche Zerlegung für eine bestimmte Spalte j. Für i = j berechnet sich u jj nach
7 5.5. LU VERFAHREN MIT PIVOTISIERUNG 39 Abbildung 5.2: Schematische Darstellung des LU-Verfahrens mit Pivotisierung. Die aktuelle Spalte j ist mit gelbem Hintergrund unterlegt. Zuerst werden alle Matrixelemente entsprechend a ij mini 1,j 1) k=0 l ik u kj bestimmt. Danach wird unter den Elementen i j das größte Element gesucht Pivotelement). Schließlich werden die Zeilen j und die Zeile, in der das Pivotelement ) steht vertauscht und die Matrixelemente l ij mit i > j durch das Pivotelement dividiert. und für i > j berechnen sich die l ij nach j 1 u jj = a jj l ik u kj, 5.10) k=0 ) l ij = 1 j 1 a ij l ik u kj. 5.11) u jj Die entscheidende Beobachtung ist nun die, dass in beiden Fällen die Summe über k von 0 bis j 1 läuft, wie auch aus Abbildung 5.2 ersichtlich. Die Berechnung von u jj und l ij ist demzufolge vollkommen gleich, mit dem einzigen Unterschied, dass die Matrixelemente von l ij noch durch u jj dividiert werden. Diesen Sachverhalt nutzen wir bei der Pivotisierung aus Abbildung 5.5). Hierbei benutzen wir eine gemeinsame Matrix W zur Speicherung von L und U wie zuvor erklärt); die Elemente oberhalb bzw. auf der Diagonale interpretieren wir als die Elemente von U und die restlichen als die von L. Zur Berechnung der Matrixelemente von W in einer bestimmten Spalte j berechnen wir: k=0
8 40 KAPITEL 5. LU-ZERLEGUNG 1. zuerst die Matrixelemente u ij für i < j; 2. danach die Ausdrücke w ij = a ij j 1 k=0 l iku kj für i j. Schließlich bringen wir das größte Element von w ij, i = j, j + 1,... n durch Zeilenvertauschen auf die Diagonale, d.h. wir machen es zum Pivotelement u jj. Somit LU-zerlegen wir nicht die Matrix A sondern eine zeilenweise Permutation A. Aufgabe 5.5 Diskutieren Sie, welche Auswirkungen diese Zeilenvertauschung auf das anschließende Rückeinsetzen hat. Nach Zeilenvertauschen von W werden die Matrixelemente w ij mit i > j durch das Pivotelement u jj dividiert, und sind somit die gesuchten Elemente der L-Matrix. Genauso wie beim Gauß-Jordan-Verfahren ist es nicht nötig bei Zeilenvertauschung die Matrixelemente umzukopieren, sondern wir führen stattdessen ein Indizierungsarray perm ein. Der vollständige LU-Algorithmus mit Pivotisierung ist in Box 5.3 dargestellt. Aufgabe 5.6 Implementieren Sie das LU-Verfahren mit Pivotisierung. Gehen Sie folgendermaßen vor. 1. Deklarieren Sie im private-teil der Klassendefinition ein Array perm. 2. Reservieren Sie in der Funktion decompose genügend Speicherplatz für perm, und initialisieren Sie die Matrixelemente mit {0, 1, 2,... n 1}. 3. Ersetzen Sie alle Zugriffe auf lu i, j) durch luperm[i], j). Überprüfen Sie, ob die LU-Zerlegung weiterhin funktioniert. 4. Erstellen Sie die Pivotisierung in der Funktion decompose. Ersetzten Sie in der Funktion solve den Zugriff b[i ] durch b[perm[i]]. 5. Überprüfen Sie, ob das Verfahren richtig funktioniert. Wählen Sie Matrizen, die ohne Pivotisierung nicht LU-zerlegt werden könnten z.b. mit a 00 = 0). 5.6 Determinante Mit der LU-Zerlegung ist es auch besonders einfach, die Determinante einer Matrix zu bestimmen. Zuerst benutzen wir det A = det LU = det L det U. 5.12)
9 5.6. DETERMINANTE 41 LU Verfahren mit Pivotisierung 1. Initialisiere Matrix W die die Elemente von U und L speichert) 2. Initialisiere P = {0, 1, 2,... n 1} 3. Schleife über Spalten j = 0, 1, 2,... n 1 a) Schleife u über Zeilen b) Pivotisierung i. Initialisiere l = j ii. Schleife i > j über Spalten Falls w Pi)j > w Pl)j setze l = j iii. Falls l i vertausche Pi) mit Pl) c) Schleife i > j über Zeilen w Pi)j = a Pi)j mini 1,j 1) k=0 w Pi)k w Pk)j w Pi)j = w Pi)j /w Pj)j Rückeinsetzen im LU Verfahren mit Pivotisierung 1. Für i = 0, 1, 2,... n 1 y i = b Pi) i 1 j=0 w Pi)j y j 2. Für i = n 1, n 2,... 0 x i = y i ) n 1 j=i+1 w Pi)j x j /w Pi)i Box 5.3. LU Verfahren mit Pivotisierung. Wenn wir danach L und U entsprechend des Laplaceschen-Satzes 3.6) entwickeln, erkennen wir unmittelbar, dass aufgrund der besonderen Struktur von L- und U-Matrizen die Determinanten durch das Produkt der Diagonalelemente gegeben ist n 1 det A = i=0 u ii. 5.13) l ii n 1 Da in der Crout schen Zerlegung l ii = 1 gewählt wurde, gilt offensichtlich i l ii = 1. Eine kleine Komplikation entsteht dadurch, dass bei Pivotisierung die Determinante ihr Vorzeichen ändert, wenn eine ungerade Zahl von Vertauschungen nächster Nachbarzeilen verwendet wurde. Das kann man dadurch berücksichtigen, dass man i=0
10 42 KAPITEL 5. LU-ZERLEGUNG 1. eine zusätzliche Variable int det=1 einführt; 2. wann immer zwei Zeilen i und l bei der Pivotisierung vertauscht werden, die Variable det bezüglich 1 det =i+l%2)? 1 : 1; ändert. Aufgabe 5.7 Erklären Sie, warum die Multiplikation von dieser Form ist. Implementieren sie eine Klassenfunktion in LUdecomp, die die Determinante bestimmt. Benutzen Sie diese Funktion, um mit Hilfe von Glg. 3.9) die Inverse einer Matrix A zu bestimmen. Überprüfen Sie, ob tatsächlich AA 1 = II gilt. 5.7 Iterative Verbesserung Nehmen wir an, dass wir bei der Lösung von x = A 1 b mit Hilfe des LU-Verfahrens numerische Rundungsfehler gemacht haben. Wie können wir dies überprüfen? Indem wir wieder rückeinsetzen. Bezeichnen wir die tatsächliche Lösung mit x und die mit Rundungsfehlern behaftetet mit x + δx. In Wirklichkeit ist x + δx die Lösung des Problems Ax + δx) = b + δb. 5.14) Wir können nun Glg. 5.14) dazu benutzen, um den numerischen Lösungsvektor x + δx iterativ zu verbessern. Zuerst stellen wir fest, dass aus Glg. 5.14) unmittelbar Aδx = δb 5.15) folgt. Drücken wir die rechte Seite durch 5.14) aus, so erhalten wir Aδx = Ax + δx) b. 5.16) Demzufolge berechnet sich die verbesserte Näherung für den Lösungsvektor zu x + δx) x + δx) A 1 Ax + δx) b). 5.17)
11 5.7. ITERATIVE VERBESSERUNG 43 Beachten Sie, dass zur iterativen Verbesserung 5.17) sowohl die Matrix A als auch ihre Inverse bzw. die Matrizen L und U) benötigt werden. Im Folgenden wollen wir von dieser iterativen Verbesserung nicht Gebrauch machen. Aufgabe 5.8 Diskutieren Sie, wie Glg. 5.17) implementiert werden könnte.
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
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 8 Institut für Informatik Prof. Dr. Thomas Huckle Michael Rippl Fabio Gratl Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt: Gaußelimination mit Pivotsuche,
MehrNumerik für Informatiker und Bioinformatiker. Daniel Weiß
Numerik für Informatiker und Bioinformatiker Daniel Weiß SS 202 Folgende Literatur bildet die Grundlage dieser Vorlesung: P Deuflhard, A Hohmann, Numerische Mathematik, Eine algorithmisch orientierte Einführung,
MehrKapitel 11. Jacobi Verfahren Jacobi-Rotation
Kapitel 11 Jacobi Verfahren Im vorigen Kapitel haben wir gesehen, wie man für eine reell-symmetrische Matrix einige wenige Eigenwerte (z.b. größten oder kleinsten) bestimmt. In den folgenden Kapiteln wird
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
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
MehrAB = E, (4.1) a ik b kj = e ij, (4.2)
Kapitel 4 Gauß-Jordan-Verfahren 4.1 Einfaches Gauß-Jordan-Verfahren Betrachten wir die Matrixgleichung AB = E, (4.1) mit A einer beliebigen reellen Matrix der Ordnung n und E = II einer Einheitsmatrix
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
Mehrc i u i. (10.2) x = i
Kapitel 0 Von Mises Wielandt Verfahren Im Folgenden wollen wir uns ausschließlich auf reelle, symmetrischen Matrizen der Ordnung n beschränken. Wie im letzten Kapitel diskutiert, sind für solche Matrizen
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
Mehr4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 7 / 8 Institut für Informatik Univ.-Prof. Dr. Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 8. Übungsblatt:
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrCopyright, 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
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 1 Einführung Lineare Gleichungen Definition
Mehr4. Großübung. Lösung linearer Gleichungssysteme
4. Großübung Lösung linearer Gleichungssysteme Gesucht x, x, x 3, x 4 R, sodass gilt. mit A R 4 4, x R 4, b R 4 x x + 3x 3 + x 4 = 5 6x 3x 7x x 4 = 5 4x + 4x + 5x 3 5x 4 = 3 8x + x + x 3 + x 4 = 8 3 x
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
MehrCramersche 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
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 95 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrSerie 5. Lineare Algebra D-MATH, HS Prof. Richard Pink. 1. [Aufgabe] Invertieren Sie folgende Matrizen über Q:
Lineare Algebra D-MATH, HS 214 Prof Richard Pink Serie 5 1 [Aufgabe] Invertieren Sie folgende Matrizen über Q: 1 a) 1 1 1 1 1 2 1 1 1 b) 1 2 1 1 1 1 2 1 1 1 1 2 1 2 3 1 c) 1 3 3 2 2 1 5 3 1 2 6 1 [Lösung]
MehrLineare 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
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
Mehr9.2 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
Mehr37 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
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrLineare Gleichungssysteme: direkte Verfahren
Sechste Vorlesung, 24. April 2008, Inhalt Lineare Gleichungssysteme: direkte Verfahren Dreiecksmatrizen Gauß-Elimination LR-Zerlegung Anwendungen: Determinante, Inverse 1 Lösungsverfahren für lineare Gleichungssysteme
MehrDeterminante. Die Determinante. einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden.
Determinante Die Determinante det A = det(a 1,..., a n ) einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden. Multilineariät: det(..., αa j + βb j,...) = α det(...,
MehrSchriftlicher Test zu C (90 Minuten) VU Einführung ins Programmieren für TM. 1. Oktober 2012
Familienname: Vorname: Matrikelnummer: Aufgabe 1 (2 Punkte): Aufgabe 2 (3 Punkte): Aufgabe 3 (2 Punkte): Aufgabe 4 (3 Punkte): Aufgabe 5 (2 Punkte): Aufgabe 6 (1 Punkte): Aufgabe 7 (2 Punkte): Aufgabe
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 11 1. Juni 2010 Rechenregeln für Determinanten Satz 62. (Determinanten von Dreiecksmatrizen) Es sei A eine obere oder untere n n-dreiecksmatrix.
MehrLineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
MehrB - 8 Gauß - Elimination (1850) Lineare Systeme in zwei Variablen
B - 8 Die Grundlage dieses Verfahrens ist die Beobachtung, daß für zwei Funktionen f (x) und g(x) eines Vektors x und jeden beliebigen Skalar λ gilt: f (x) = 0 f (x) = 0 g(x) = 0 g(x) λf (x) = 0 } {{ }
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix: Beispiel 0 2 3 0 Um die inverse der Matrix A mit Gauß-Jordan-Algorithmus zu bestimmen, wird eine Folge von elementaren Zeilenoperationen durchgeführt.
MehrIn 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)
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 3 und lineare Gleichungssysteme und
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 0 Olga Holtz MA 378 Sprechstunde Fr 4-6 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do -4 und nv jokar@mathtu-berlinde Kapitel Die Determinante
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrA wird in diesem Fall invertierbar oder regulär genannt. Beispiel
Inverse Matrizen Definition Sei A eine quadratische Matrix vom yp (n,n) Existiert zu A eine Matrix X gleichen yps mit AX = XA = E (E: (n,n) Einheitsmatrix), so nennt man X die zu A inverse Matrix, oder
MehrLineare Gleichungssystem
Lineare Gleichungssystem 8. Juli 07 Inhaltsverzeichnis Einleitung Der Gauß-Algorithmus 4 3 Lösbarkeit von Gleichungssystemen 6 Einleitung Wir haben uns bisher hauptsächlich mit dem Finden von Nullstellen
MehrRückwärts-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
Mehr6.2 Rechnen mit Matrizen
62 Rechnen mit Matrizen 62 Rechnen mit Matrizen 103 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrLU-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
Mehr4 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,
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
MehrD-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6
D-MAVT Lineare Algebra I HS 28 Prof. Dr. N. Hungerbühler Lösungen. Gegeben seien die Matrizen A := ( 2 3 3 ), B := Welche der folgenden Aussagen sind richtig? (a) (AB) T = A T B T. 5 3 2 6 Die Formel (AB)
Mehr36 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
Mehr3 Lineare Gleichungen
Aufgabe 3. Man löse die lineare Gleichung a 2 x b 2 a a(b ax) b + b2 a = a, a b nach der Unbekannten x auf und diskutiere die möglichen Fälle. a 2 x b 2 a a(b ax) b + b2 a = a a b a 2 bx b 3 a 2 b + a
Mehr8.2 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
Mehr2. Direkte Verfahren zur Lösung. linearer Gleichungssysteme
2. Direkte Verfahren zur Lösung linearer Gleichungssysteme 1 Einleitung (1) Eine zentrale Rolle bei numerischen Berechnungen spielen lineare Gleichungssysteme Es sind die am häufigsten auftretenden numerischen
MehrDie 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
Mehr7.1 Matrizen und Vektore
7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
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.
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
MehrNumerik I. Universität zu Köln SS 2009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva,
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-koeln.de Numerik I Musterlösung 1. praktische Aufgabe, Bandmatrizen Bei der Diskretisierung von
MehrLineare 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
MehrEine 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
Mehr3 Lineare Gleichungssysteme
3 Lineare Gleichungssysteme 3 Fortsetzung des Matrizenkalküls Als erstes beweisen wir einen einfachen Satz über den Rang von Matrizenprodukten Satz 3 (a) Für Matrizen A : Ã l m, B : Ã m n gilt rang AB
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 + x 2 =
MehrMatrizenoperationen mit FORTRAN
Kapitel 2 Matrizenoperationen mit FORTRAN 21 Grundlagen Bei vielen Anwendungen müssen große zusammenhängende Datenmengen gespeichert und verarbeitet werden Deshalb ist es sinnvoll, diese Daten nicht als
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrLineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v
MehrWirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik Plus für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2012/13 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 +
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrLineare Algebra. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 6, 017 1 Erinnerung: Lineare Gleichungssysteme LGS Der allgemeine Fall hat m lineare Gleichungen, n
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
MehrIn diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen.
Kapitel 4 Lineare Gleichungssysteme 4 Problemstellung und Einführung In diesem Kapitel betrachten wir direkte Verfahren zur Lösung von linearen Gleichungssystemen Lineares Gleichungssystem: Gesucht ist
MehrKapitel 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
MehrAufgaben 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
MehrTest 2, Musterlösung. Name, Klasse: Semester: 1 Datum: Teil ohne Matlab
Test 2, Musterlösung Lineare Algebra donat.adams@fhnw.ch Institut für Mathematik und Physik Name, Klasse: Semester: Datum: 2..26. Teil ohne Matlab. Lineare Abbildungen Zeigen Sie, dass die folgenden Abbildungen
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
Mehr4.13. 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
Mehr8. 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( ) 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
MehrKapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24
Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt
Mehr1 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
Mehrmit "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"
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrErweiterungen der LR-Zerlegung
Prof. Thomas Richter 6. Juli 2017 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomas.richter@ovgu.de Material zur Vorlesung Algorithmische Mathematik II am 06.07.2017 Erweiterungen
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
MehrLineare Algebra 2013 Lösungen für Test und Zusatzfragen
Lineare Algebra 3 Lösungen für Test und Zusatzfragen Test Multiple Choice. Seien Für die Lösung x x x x 3 A, b des Systems Ax b gilt x 3 5 x 3 x 3 3 x 3 / Mit elementaren Zeilenoperationen erhalten wir
MehrLineare Gleichungssysteme Seite 98. Spaltenorientiert. Zeilenorientiert. 1. Vorgegeben: 1 kg Mehl, 2 kg Zucker
Definition und Beispiele Definition und Beispiele Im linearen Gleichungssystem Seite 98 a x + a x + + a n = b a x + a x + + a n = b a m x + a m x + + a mn = b m sind die Koeffizienten a ij und die rechten
Mehra 1 a 1 A = a n . det = λ det a i
49 Determinanten Für gegebene Vektoren a 1,,a n K n, betrachte die Matrix deren Zeilenvektoren a 1,,a n sind, also A = Ab sofort benutzen wir diese bequeme Schreibweise Definition Sei M : K n K }{{ n K
MehrLR Zerlegung. Michael Sagraloff
LR Zerlegung Michael Sagraloff Beispiel eines linearen Gleichungssystems in der Ökonomie (Input-Output Analyse Wir nehmen an, dass es 3 Güter G, G, und G 3 gibt Dann entspricht der Eintrag a i,j der sogenannten
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
MehrBlockmatrizen. Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 :
Blockmatrizen Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 : 2 1 3 1 1 0 1 0 1 0 0 2 1 1 11 1 1 4 0 1 0 1 0 1 4 1 0 2 1 0 1 0 1 0 3 1 2 1 = 2 4 3 5 11 1 1 4 0 1 0 1 0 1 5 1 2 1 2 4 3 5
MehrMusterlösung 11. D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung
D-INFK Lineare Algebra HS 27 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung. Wir bezeichnen die Spalten von A als A (a a 2 a 3 ) und die Spalten des Resultats der QR-Zerlegung mit Q (q q 2 q 3 ), R (r
MehrÜbungen 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
MehrBeispiele zur Matrixinvertierung
Kapitel 6 Beispiele zur Matrixinvertierung In diesem Kapitel wollen wir einige Anwendungen diskutieren, die auf der Invertierung von Matrizen beruhen. 6.1 Inverse einer Zufallsmatrix Oft ist es sinnvoll
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R. Käppeli L. Herrmann W. Wu Herbstsemester 2016 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6.1 Berechnen Sie die Determinanten der beiden
Mehr3 Lineare Gleichungssysteme
Lineare Gleichungssysteme Wir wissen bereits, dass ein lineares Gleichungssystem genau dann eindeutig lösbar ist, wenn die zugehörige Matrix regulär ist. In diesem Kapitel lernen wir unterschiedliche Verfahren
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
Mehr8.2 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