Theorie zufälliger Matrizen
|
|
- Georg Messner
- vor 7 Jahren
- Abrufe
Transkript
1 Theorie zufälliger Matrizen Susanna Röblitz (geb. Kube) Disputationsvortrag Berlin, 17. Dezember 2008
2 1,000,000 $ Kernphysik Multivariate Statistik /29 Susanna Röblitz
3 1,000,000 $ Kernphysik Zufallsmatrizen Multivariate Statistik /29 Susanna Röblitz
4 Zufallsmatrix Zufallsmatrix: Einträge sind Zufallsvariablen gegeben Verteilung der Matrix A gesucht Verteilung von f (A) (z.b. Eigenwerte, Eigenvektoren) für N /29 Susanna Röblitz
5 Kernphysik Schrödinger-Gleichung ı t ψ = Hψ Atomkern (Neutronenwechselwirkung): H oft unbekannt oder zu komplex H H zufällige hermitesche Matrix Hypothese: Die charakteristischen Energien eines chaotischen Systems verhalten sich lokal wie die Eigenwerte einer Zufallsmatrix. [E.P. Wigner(1951), C.E. Porter, N. Rosenzweig (1960), F. Dyson (1962)] /29 Susanna Röblitz
6 Multivariate Statistik A = [x 1,..., x n ] Stichprobe aus X N m (µ, Σ) empirische Kovarianz-Matrix S = 1 n 1 n (x i x)(x i x), x = 1 n i=1 n i=1 x i (n 1)S = ZZ W m (n 1, Σ) [J. Wishart (1928)] Anwendungsbeispiel: Hauptkomponentenanalyse Eigenwertverteilung? /29 Susanna Röblitz
7 Ein Milleniumproblem (1,000,000 $) Riemannsche Zeta-Funktion Im ζ(s) = n=1 1 n s = p prim 1 1 1/p s Re s C, R(s) > 1 Nullstellen geben Auskunft über Verteilung der Primzahlen! Riemannsche Vermutung (1859, Hilbert 1900): Nullstellen im kritischen Streifen liegen auf Geraden {s R(s) = 1/2} Hilbert-Pólya-Vermutung: Die Nullstellen der Riemannschen Zeta-Funktion entsprechen den Eigenwerten des Operators 1 + ıt, T hermitesch 2 1/ /29 Susanna Röblitz
8 Numerische Verifizierung Wahrscheinlichkeitsdichte der Abstände der Nullstellen der Riemannschen Zeta-Funktion (30000 Nullstellen, n 10 12, 10 21, ) 1 Wahrscheinlichkeit normalisierte Abstände http// tables/index.html /29 Susanna Röblitz
9 Weitere Anwendungen lineare Gleichungssysteme zufällige Graphen Datenkomprimierung (compressed sensing) Quantenfeldtheorie /29 Susanna Röblitz
10 1. Welche Zufallsmatrizen gibt es? 2. Was möchte man darüber wissen? 3. Wie bekommt man diese Informationen? /29 Susanna Röblitz
11 Ensemble von Zufallsmatrizen Hermite Laguerre Jacobi (Gauß) (Wishart) (MANOVA) H = (A + A )/2 W = A A J = A/(A + B) A G β (n, n) A G β (m, n) A W β (m 1, n) B W β (m 2, n) /29 Susanna Röblitz
12 Fragestellung Abstände benachbarter Eigenwerte Abstand zwischen k Eigenwerten mittlere Anzahl von Eigenwerten in einem fixen Intervall Verteilung des größten/kleinsten Eigenwertes... Wie kann man diese Statistiken bestimmen? /29 Susanna Röblitz
13 Monte-Carlo-Verfahren 1. Matrixverteilung wählen 2. Stichprobe ziehen (N N Matrix A generieren) 3. Eigenwert berechnen 4. Statistik aufstellen Problem: sehr zeitaufwändig für große N Ziel: effiziente Berechnung /29 Susanna Röblitz
14 Der klügere Weg Drei Schritte zum Erfolg 1. dünn besetztes Matrixmodell 2. Skalierung der Matrix 3. Vernachlässigen kleiner Einträge (cutoff) Werkzeugkasten numerische lineare Algebra orthogonale Polynome Differentialoperatoren /29 Susanna Röblitz
15 Das Hermite-Ensemble Hermite-Ensemble = Gaußsches Ensemble H β = (A + A )/2, A G β (n, n) Name β Eigenschaft Invarianz orthogonal (GOE) 1 (R) symmetrisch A Q AQ unitär (GUE) 2 (C) hermitesch A U H AU symplektisch (GSE) 4 (H) selbst-dual A S D AS z.b. GUE: A=randn(N)+i*randn(N); H=(A+A )/2; /29 Susanna Röblitz
16 Tridiagonales Matrixmodell [Trotter (1984), Dimitriu, Edelman (2002)] Eine beliebige N N Matrix A β N aus dem β-hermite-ensemble ist orthogonal ähnlich zu 2G χ(n 1)β H β N 1 χ (N 1)β 2G χ(n 2)β , β > 0 2β χ 2β 2G χβ χ β 2G Es gibt kein vollbesetztes Matrixmodell für β 1, 2, 4, jedoch ein tridiagonales Modell für beliebige β > 0! Eigenwerte bleiben erhalten! /29 Susanna Röblitz
17 β χ r r G [B. Sutton (2005)] H β N β H N = N 1 N 1 0 N Das Modell ist deterministisch! Frage: Was sind die Eigenwerte und Eigenvektoren dieser Matrix? H N = QΛQ /29 Susanna Röblitz
18 Orthogonale Polynome Hermitesches Polynom: Hermitesche Funktion: Drei-Term-Rekursion: xψ H n (x) = π H m(x)π H n (x)e x2 dx = δ mn ψ H n (x) = π H n (x)e x2 /2 n n ψh n 1(x) + 2 ψh n+1(x) /29 Susanna Röblitz
19 Drei-Term-Rekursion Matrixschreibweise: N N + 1 xψ H N (x) = 2 ψh N 1 (x) + ψn+1 H 2 (x) diag(x 1,..., x N ) [Ψ H j 1(x i )] i,j=1,...,n = [Ψ H j 1(x i )] i=1,...,n;j=1,...,n+1 T T = N 2 0 N 1 N 1 0 N /29 Susanna Röblitz
20 Drei-Term-Rekursion Seien z 1,..., z N die Nullstellen von π H N. diag(z 1,..., z N )[Ψ H j 1(z i )] i,j=1,...,n = [Ψ H j 1(z i )] i,j=1,...,n FH N F F = HN = QΛQ, Λ = diag(z 1,..., z N ), Q ij = ΨH N i (z j) KN 1 H (z j, z j ) Eigenwerte von H N = Nullstellen des Hermite-Polynoms πh N /29 Susanna Röblitz
21 Die Airy-Funktion Problem: Nullstellen sind unbeschränkt für N Airy-Funktion: Ai(x) = 1 π Nullstellen 0 > ξ 1 > ξ 2... [Szegö (1939)] 0 ( ) t 3 cos 3 + xt dt y Ai(x) x z N,k 2N 1 2 N 1/6 ξ k, z N,N+1 k 2N N 1/6 ξ k Um einen Grenzwert bilden zu können, muss man shiften und skalieren /29 Susanna Röblitz
22 Der Airy-Operator Setze h = N 1/3, H N H N = 2N 1/6 (H N 2NI N ) x k = hk (k = 1,..., N): ist Finite-Differenzen-Approximation an den Airy-Operator A = d 2 x auf [0, ), dx 2 Eigenwertzerlegung: RB: f (0) = 0, lim f (x) = 0 x A [Ai(x + ξ k )] = ξ k [Ai(x + ξ k )], 0 > ξ 1 > ξ 2 >... NST von Ai Die Eigenvektoren von H N sind diskretisierte Airy-Funktionen: H N v i = λ i v i, λ i = ξ i, v i (k) = Ai(x k + ξ i ), x k = kh (k = 1,..., N) /29 Susanna Röblitz
23 Cutoff Eigenvektor zum Eigenwert λ 1 = ξ v 1 (k) = Ai(x k + ξ 1 ), x k = kh (k = 1,..., N) Ai(x+ξ 1 ) cutoff: Bestimme den Index k, so dass x v(i) < ε i > k Ai(x i + ξ 1 ) < ε i > k wähle ε = 2 52 : hk = x k < 16 k < 16/h = 16N 1/ /29 Susanna Röblitz
24 β < H β N H N β 2G G G 2G G G 2G G G 2G, β > 0 H β N = 2N 1/6 (H β N 2NI N ) ist Finite-Differenzen-Approximation an den stochastischen Airy-Operator A β = d 2 dx 2 x + 2 β dw auf [0, ), RB: f (0) = 0, lim x f (x) = 0 Behauptung: Die Verteilung des größten Eigenwertes von A β entspricht der Verteilung des größten Eigenwertes von H β N /29 Susanna Röblitz
25 Numerische Verifizierung Histogramme der Wahrscheinlichkeitsdichten des skalierten größten Eigenwertes (10 5 Wiederholungen, N = 10 9 ) β=1 β=2 β=4 Wahrscheinlichkeit Wahrscheinlichkeit Wahrscheinlichkeit /29 Susanna Röblitz
26 Effizienz Berechnung des größten Eigenwertes (1 Durchlauf) Laufzeit in Sekunden (1 CPU, Opteron Prozessor, 2.2 MHz) Komplexität N = 10 4 N = 10 6 N = 10 9 N = vollbesetzt O(N 3 ) 180 (*) tridiagonal O(N) cutoff O(N 1/3 ) (*) out of memory /29 Susanna Röblitz
27 Zusammenfassung tridiagonales Matrixmodell Verallgemeinerung des Ensembles auf β > 0 Grenzwert N nur bei geeigneter Skalierung der Matrix Finite-Differenzen-Approximation an stochastischen Operator offene Probleme analytische Resultate für das Laguerre- und Jacobi-Ensemble analytische Resultate für allgemeine β > 0 stochastische Operatoren als möglicher neuer Zugang zur Riemannschen Vermutung /29 Susanna Röblitz
28 Literatur Einführung und Überblick: M. L. Mehta (2004), Random Matrices, Elsevier, Amsterdam. R. J. Muirhead (1982), Aspects of Multivariate Statistical Theory, John Wiley & Sons, New York. A. Edelmann, N.R. Rao (2005), Random matrix theory, Acta Numerica, Stochastische Operatoren: I. Dimitriu, A. Edelmann (2002), Matrix models for beta ensembles, J. Math. Phys., 43(11), B.D. Sutton (2005), The Stochastic Operator Approach to Random Matrix Theory, PhD thesis, MIT. A. Edelmann, B.D. Sutton (2007), From Random Matrices to Stochastic Operators, J. Statist. Phys., 127(6), /29 Susanna Röblitz
29 Vielen Dank für die Aufmerksamkeit! /29 Susanna Röblitz
Universalität für Wigner Matrizen
Universalität für Wigner Matrizen Benjamin Schlein, Universität Zürich HSGYM Tag 29. Januar 2015 1 1. Einführung Zufallmatrizen: sind N N Matrizen dessen Einträge Zufallsvariablen mit gegebenen Verteilung
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
MehrLiteratur zum Quantenchaos:
von Interesse für Untersuchungen zum Quantenchaos sind: Zeit Energie (Fourier-Transformation) Dynamik Eigenschaften von Energiespektren Eigenschaften der Eigenzustände gibt es chaotische Eigenfunktionen?
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrLatent Semantic Analysis. Christian Ebert & Fritz Hamm. Lineare Algebra IV: Diagonalisierungen. Latent Semantic. Analysis/Indexing. 12.
12. Januar 2012 Eigenwerte & Diagonalisierungen I Sei V ein K-Vektorraum und A ein Endomorphismus/eine n n Matrix über K {R, C} Erinnerung 1 Gilt A x = λ x, x 0 V, λ K, heißt λ Eigenwert und x Eigenvektor
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrTheorie der Zufallsmatrizen, Niveaustatistiken
24. Mai 2011 1 kanonische Transformationen 2 Wo äußert sich die Abstoßung? Warum gibt es unterschiedliche Abstoßungsgesetze? Abstoßungsverhalten bei kleinen Abständen 3 4 5 kanonische Transformationen
MehrZufallsmatrixtheorie eine Einführung
Zufallsmatrixtheorie eine Simon Heybrock 23. Mai 2007 Zufallsmatrixtheorie eine Inhalt 1 Grundgedanke Symmetrien 2 3 Abgeleitete Größen und Beispiele Verschiedenes Zufallsmatrixtheorie eine Gliederung
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
Mehr2 k k 1 k(k + 1) = 2n+1. n = 0 = k(k + 1) = 2n+1 n n. = 2 n+1 n + 2 (n + 1)(n + 2) + n. (n + 1)(n + 2)
Prof. Hesse Höhere Mathematik I und II Musterlösung 7. 0. 0, 80min Aufgabe (3 Punkte) Zeigen Sie mit vollständiger Induktion: Für alle n N gilt n k= k k k(k + ) = n+ n +. Induktionsanfang: k= Induktionsschluss
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
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
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
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
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.
MehrBegleitmaterial zur Vorlesung Numerik I
Begleitmaterial zur Vorlesung Numerik I Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik I 1 / 49 Inhalte der Numerik
Mehrcos(x)cos(2x)cos(4x) cos(2 n x) = sin(2n+1 x) 2 n+1 sin(x) = sin(2n+2 x) 2 n+2 sin(x).
Stroppel/Sändig Musterlösung 8. 3., min Aufgabe 5 Punkte Beweisen Sie für alle x R {zπ z Z} die Formel für n N mit Hilfe der vollständigen Induktion. cosxcosxcosx cos n x = sinn+ x n+ sinx Dabei dürfen
Mehr3 Eigenwertberechnung
3 Eigenwertberechnung (3.) Definition Eine Matrix A R, heißt (obere) Block-Dreiecksmatrix, wenn ein n existiert, sodass A[n + :, : n] = 0 gilt, d.h.: A = ( ) A[ : n, : n] A[ : n,n + : ] 0 A[n + :,n + :
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
MehrAnalysis. Lineare Algebra
Analysis Ableitung Ableitungsregeln totale und partielle Ableitung Extremwertbestimmung Integrale partielle Integration Substitution der Variablen Koordinatentransformationen Differentialgleichungen Lineare
MehrOrthogonalreihendarstellung eines zentrierten Gauß-Prozesses
Orthogonalreihendarstellung eines zentrierten Gauß-Prozesses Thomas Steinle Seminar Zufällige Felder Universität Ulm 18. November, 2008 Einleitung Inhalt Einleitung Wiederholung und Themenvorstellung Wichtiges
MehrFallstudien der mathematischen Modellbildung Teil 3: Quanten-Operationen. 0 i = i 0
Übungsblatt 1 Aufgabe 1: Pauli-Matrizen Die folgenden Matrizen sind die Pauli-Matrizen, gegeben in der Basis 0, 1. [ [ [ 0 1 0 i 1 0 σ 1 = σ 1 0 = σ i 0 3 = 0 1 1. Zeigen Sie, dass die Pauli-Matrizen hermitesch
MehrIII Das Symmetrische Eigenwertproblem (SEP)
III Das Symmetrische Eigenwertproblem (SEP) III3 Algorithmen für symmetrische tridiagonale Eigenwertprobleme Sei im folgenden a b A = b a b b n a n b n b n a n R n n, zb nach Householder- oder Lanczos(im
Mehr= 11 ± 5, also k 1 = 3 und k 2 = 8.
Stroppel Musterlösung.8.5, 8min Aufgabe (6 Punkte) Gegeben sei die Funktion f: R R: x x e x. (a) Zeigen Sie durch vollständige Induktion, dass für alle x R und alle k N gilt: f (k) (x) = ( ) k (x kx+(k
MehrIX. Das symmetrische Eigenwertproblem (SEP)
IX. Das symmetrische Eigenwertproblem (SEP IX.3. Algorithmen für symmetrische tridiagonale Matrizen Sei a b. b A =........ a n b n (IX. b n a n z. B. nach Householder- oder Lanczos-Triagonalisierung (Kapitel
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
MehrÜbungsaufgaben zu den mathematischen Grundlagen von KM
TUM, Institut für Informatik WS 2003/2004 Prof Dr Thomas Huckle Andreas Krahnke, MSc Dipl-Inf Markus Pögl Übungsaufgaben zu den mathematischen Grundlagen von KM 1 Bestimmen Sie die Darstellung von 1 4
MehrStroppel Musterlösung , 180min. Aufgabe 1 (4 Punkte) Bestimmen Sie die folgenden Grenzwerte und Funktionengrenzwerte.
Stroppel Musterlösung 3908, 80min Aufgabe 4 Punkte) Bestimmen Sie die folgenden Grenzwerte und Funktionengrenzwerte a) 4n 3 9 lim b) lim n n + n) n + )5n 4) c) lim x 0 sinlnx + )) sinhx) a) Es ist lim
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrDie wichtigste Funktion der Mathematik
Die wichtigste Funktion der Mathematik Mathematisches Seminar: Experimentelle Mathematik Stefan Angersbach Hochschule Darmstadt February 28, 2014 Inhaltsverzeichnis 1 Einleitung 2 Geschichte der ζ-funktion
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
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 :
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
MehrLösungen zu Mathematik I/II
Prof. Dr. E. W. Farkas ETH Zürich, Februar 11 D BIOL, D CHAB Lösungen zu Mathematik I/II Aufgaben 1. 1 Punkte a Wir berechnen lim x x + x + 1 x + x 3 + x = 1. b Wir benutzen L Hôpital e x e x lim x sinx
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
MehrZufallsmatrizen in stürmischen Zeiten
Zufallsmatrizen in stürmischen Zeiten NEC Europe Ltd C&C Research Laboratories Sankt Augustin Gemeinsame Arbeit mit Gabriel Frahm Universität Köln, Lehrstuhl für Statistik und Ökonometrie Statistische
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
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
MehrZeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
Algebra, Analytische Geometrie. 1. Sei 1, 0, 9 A := 1, 2, 3,. 2, 2, 2, Zeige, daß A nichtsingulär ist und berechne die Inverse Matrix. Lösung: A ist nicht singulär, wenn det A 0. Ist das der Fall, so gilt
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrT2 Quantenmechanik Lösungen 7
T2 Quantenmechanik Lösungen 7 LMU München, WS 7/8 7.. Lineare Algebra Prof. D. Lüst / Dr. A. Schmidt-May version: 28.. Gegeben sei ein komplexer Hilbert-Raum H der Dimension d. Sei { n } mit n,..., d eine
MehrBZQ II: Stochastikpraktikum
BZQ II: Stochastikpraktikum Block 3: Lineares Modell, Klassifikation, PCA Randolf Altmeyer January 9, 2017 Überblick 1 Monte-Carlo-Methoden, Zufallszahlen, statistische Tests 2 Nichtparametrische Methoden
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
MehrLineare Algebra. 13. Übungsstunde. Steven Battilana.
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch January 2, 27 Erinnerung Berechnung von Eigenwerten und Eigenvektoren Gegeben: A E n n (falls F : V V lineare Abbildung gegeben ist,
MehrKlausur zur Höheren Mathematik I (ET/IT/AI/IKT/P/MP) WS 2016/
Dr. P. Furlan Dr. J. Horst Fakultät Mathematik Technische Universität Dortmund Klausur zur Höheren Mathematik I (ET/IT/AI/IKT/P/MP) WS 06/7 6.0.07 Es sind insgesamt 50 Punkte erreichbar. Bei mindestens
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 13
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Serie 13 Diese letzte Serie des Semesters befasst sich noch einmal mit wichtigen Themen
MehrMusterlösung Serie 21
D-MATH Lineare Algebra II FS 09 Prof. Richard Pink Musterlösung Serie Positiv-Definitheit und Singulärwertzerlegung. Welche der folgenden drei reellen symmetrischen Matrizen sind positiv definit? A : 6
MehrEinführung in die Hauptkomponentenanalyse
Einführung in die Hauptkomponentenanalyse Florian Steinke 6. Juni 009 Vorbereitung: Einige Aspekte der multivariaten Gaußverteilung Definition.. Die -D Gaußverteilung für x R ist ( p(x exp (x µ σ. ( Notation:
Mehr1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von
1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von Wachstumsraten Bestimmung von Maximal- und Minimalwerten von
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
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
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.44 2018/05/17 14:11:13 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.6 Bewegungen und Kongruenzbegriffe Wir untersuchen gerade die Spiegelung an einer Hyperebene h R d. Ist ein
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 13. (A ± I)x = 0 Ax ± x = 0 Ax = ±x Ax = λx
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 13 1. Die Matrix A±I ist singulär falls es einen Vektor x 0 gibt der die Gleichung (A±I)x = 0 erfüllt, d.h. wenn A ± I als
MehrKlausur zu. Lineare Algebra II. Viel Erfolg! Fachbereich Mathematik WS 2012/13 Dr. habil. Matthias Schneider. Bonus Note. Aufgabe
Klausur zu Lineare Algebra II Fachbereich Mathematik WS 0/3 Dr. habil. Matthias Schneider Aufgabe 3 4 5 6 7 Bonus Note Punktzahl 4 3 3 3 3 0 erreichte Punktzahl Es sind keine Hilfsmittel zugelassen. Die
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
Mehr2 a 6. a 4 a Wir führen nun den Gauÿalgorithmus durch: 2 a a 2 4a 2 4a a a 2 2a 0 2 a
Aufgabe 8 Punkte). Bestimmen Sie die Lösungsmenge in R in Abhängigkeit von a R) des folgenden linearen Gleichungssystem: x + ax + 6x = 4, ax + 4x + ax =, x + 4x =. Lösung. Wir schreiben das lineare Gleichungssystem
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
Mehr(a), für i = 1,..., n.
.4 Extremwerte Definition Sei M R n eine Teilmenge, f : M R stetig, a M ein Punkt. f hat in a auf M ein relatives (oder lokales) Maximum bzw. ein relatives (oder lokales) Minimum, wenn es eine offene Umgebung
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
MehrGruppe II Lineare Algebra
Pflichtbereichs Klausur in der Lehrerweiterbildung am 7.Juni 22 Bearbeiten Sie 3 der folgenden 6 Aufgaben, dabei aus jeder der beiden Gruppen (Lineare Algebra und Analysis) mindestens eine Aufgabe! Zur
MehrD-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski. Serie 9
D-MATH Numerische Methoden FS 2016 Dr. Vasile Gradinaru Alexander Dabrowski Serie 9 Best Before: 24.5/25.5, in den Übungsgruppen (2 wochen) Koordinatoren: Alexander Dabrowski, HG G 52.1, alexander.dabrowski@sam.math.ethz.ch
MehrD-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz. Serie 10
D-MATH Numerische Methoden FS 2017 Dr. Vasile Gradinaru Luc Grosheintz Serie 10 Abgabedatum: 23.5/24.5, in den Übungsgruppen Koordinatoren: Luc Grosheintz, HG G 46, luc.grosheintz@sam.math.ethz.ch Webpage:
MehrAufgabe 2 (5 Punkte) y = 1 x. y + 3e 3x+2 x. von f. (ii) Für welches u in R 2 gilt f(u) = [3, 3, 4] T? x 2 + a x 3 x 1 4x 2 + a x 3 2x 4
Prof. Dr. B. Billhardt Wintersemester 4/5 Klausur zur Vorlesung Höhere Mathematik II (BNUW) 4.3.5 Aufgabe (a) Ermitteln Sie die Nullstellen des Polynoms p(z) = z 4 4z 3 + 3z + 8z. Tipp: p( + i) =. (b)
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
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.
MehrDiplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik. Lösungsvorschläge. det
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Herbst 9.9.9 Diplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge Aufgabe
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
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
MehrAnalytische Zahlentheorie
4. April 005. Übungsblatt Aufgabe (4 Punkte Sei k N. Beweisen Sie, dass f : N C mit f(n := n k streng multiplikativ ist. Sei τ die Funktion, die der natürlichen Zahl n die Anzahl der Teiler von n zuordnet
Mehr7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012)
Technische Universität München Zentrum Mathematik, M1 Prof. Dr. Boris Vexler Dr. Ira Neitzel Dipl.-Math. Alana Kirchner 7. Übungs-/Wiederholungsblatt zu Einführung in die Numerik (SS 2012) Diese Auswahl
MehrD-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j
D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 0 Tom Ilmanen Musterlösung 2. Falls b := (v,,v n ) eine Orthonormalbasis von V ist, dann lassen sich die Komponenten von einem Vektor v = n i= t i v i bezüglich
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
MehrLösungsskizzen zur Nachklausur
sskizzen zur Nachklausur Mathematik II für die Fachrichtungen Biologie und Chemie Sommersemester 22 Aufgabe Es seien die folgenden Vektoren 2 v = 2, v 2 = und v 3 = 2 im R 3 gegeben. (a) Zeigen Sie, dass
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
MehrTschebyscheff-Polynome
Institut für Numerische Mathematik Martin-Luther-Universiät Halle-Wittenberg 23. November 2006 1 Anwendung Definition Rekursionsgleichung 2 Symmetrie Nullstellen Extremwerte Asymtotisches Verhalten 3 Verhalten
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz SS 5 4.5.5 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
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
Mehr8. Vorlesung, 5. April Numerische Methoden I. Eigenwerte und Eigenvektoren
8. Vorlesung, 5. April 2017 170 004 Numerische Methoden I Eigenwerte und Eigenvektoren 1 Eigenwerte und Eigenvektoren Gegeben ist eine n n-matrix A. Gesucht sind ein vom Nullvektor verschiedener Vektor
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 13. Übung: Woche vom 23. 1.-27. 1. 2017 (Lin.Alg. II): Heft Ü 3: 1.1.3; 1.1.7 (a,b); 1.1.8; 1.1.11; 3.4.3 (b); 1.3.3 (c); 1.2.3 (b,d); Hinweis 1: 3. Test (Integration, analyt. Geom.) ist
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
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016 Bearbeiten Sie bitte zwei
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrLineare Algebra I Ferienblatt
Wintersemester 09/0 Prof. Dr. Frank-Olaf Schreyer Dr. Janko Boehm Lineare Algebra I Ferienblatt. Sei, das Euklidische Skalarprodukt auf R. Das Kreuzprodukt a b von Vektoren a, b R ist durch die Formel
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
Mehr