Satz 25 A sei eine (n n)-matrix über K

Größe: px
Ab Seite anzeigen:

Download "Satz 25 A sei eine (n n)-matrix über K"

Transkript

1 Satz 25

2 Satz 25 A sei eine (n n)-matrix über K

3 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m.

4 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar,

5 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt,

6 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A =

7 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km,

8 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t)

9 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix

10 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0.

11 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =.

12 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen,

13 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar,

14 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1.

15 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t... λ m t½

16 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). λ m t... λ m t½

17 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, λ m t... λ m t½

18 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, dass P(A) =... λ m t½

19 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, dass P(A) = B P(Λ) B 1 =... λ m t½

20 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, dass 1) P(A) = B P(Λ) B 1 = B¼ P(λ m)½ B 1 P(λ λ m t½

21 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, dass 1) P(A) = B P(Λ) B 1 = B¼ P(λ... P(λ m)½ B... λ m t½ 1 = B0B 1

22 Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Dann gilt: A ist g.d. diagonalisierbar, wenn ℵ A in Linearfaktoren zerfällt, also ℵ A = (λ 1 t) k1...(λ m t) km, und das Polynom P = (λ 1 t)...(λ m t) annihiliert die Matrix A: P(A) = 0. Beweis =. Angenommen, die Matrix ist diagonalisierbar, also A = BΛB 1. Aus Satz 22 folgt, dass ℵ A in Linearfaktoren zerfällt. Wir wiederholen den Beweis. ℵ Λ = det ¼ λ 1 t... λ 1 t... λ m t = (λ 1 t) geo A(λ 1)...(λ m t) geo A(λ m). Zum aufwärmen haben wir gezeigt, dass 1) P(A) = B P(Λ) B 1 = B¼ P(λ... P(λ m)½ B... λ m t½ 1 = B0B 1 = 0.

23 Beweis =

24 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) =

25 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0,

26 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A.

27 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V:

28 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 :=

29 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 :=

30 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u)

31 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u)

32 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } =

33 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } =

34 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } =

35 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au

36 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au

37 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 :=

38 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 :=

39 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 :=

40 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 :=

41 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 }

42 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u)

43 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u)

44 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V }

45 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V }

46 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V }

47 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u

48 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 :=

49 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 :=

50 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u)

51 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u)

52 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } =

53 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } =

54 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } =

55 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } =

56 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.

57 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }..

58 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }. V m :=.

59 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }. V m := Bild fm Vm 1 :=.

60 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }. V m := Bild fm Vm 1 := {v V s.d. v = f m(u).

61 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }. V m := Bild fm Vm 1 := {v V s.d. v = f m(u).

62 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 }

63 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 }

64 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 }

65 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V }

66 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u

67 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u

68 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u für alle u V }.

69 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u für alle u V }.

70 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u für alle u V }.

71 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u für alle u V }. dim(v 1 )

72 Beweis = Angenommen, P(A) = (λ m Id A)...(λ 1 Id A) = 0, ist also Produkt von Linearfaktoren. Sei f i : V V die lineare Abbildung mit Matrix λ i Id A. Betrachte die folgende Untervektorräume von V: V 1 := Bild f1 := {v V s.d. v = f 1 (u) für irgendeinen u V } = {λ 1 u Au für alle u V }. V 2 := Bild f2 V 1 := {v V s.d. v = f 2 (u) für irgendeinen u V 1 } = {v V s.d. v = f 2 f 1 (u) für irgendeinen u V } = {(λ 2 Id A)(λ 1 Id A)u für alle u V }. V 3 := Bild f3 V 2 := {v V s.d. v = f 3 (u) für irgendeinen u V 2 } = {v V s.d. v = f 3 f 2 f 1 (u) für irgendeinen u V } = {(λ 3 Id A)(λ 2 Id A)(λ 1 Id A)u für alle u V }.. V m := Bild fm Vm 1 := {v V s.d. v = f m(u) für irgendeinen u V m 1 } = {v V s.d. v = f m... f 1 (u) für irgendeinen u V } = {P(A)u für alle u V }. dim(v 1 ) Dimensionsformel =

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Orthonormalisierung. 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).

Mehr

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

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

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

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

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte und Diagonalisierung Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende

Mehr

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar. Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:

Mehr

5 Eigenwerte und die Jordansche Normalform

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

Mehr

6 Hauptachsentransformation

6 Hauptachsentransformation 6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

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

Mehr

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

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

Mehr

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über

Mehr

Lineare Algebra und analytische Geometrie I

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

Mehr

Lineare Algebra II 6. Übungsblatt

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

Mehr

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ). Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A

Mehr

Variante A. Hinweise

Variante A. Hinweise Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche

Mehr

Einführung in die Kodierungstheorie

Einführung in die Kodierungstheorie Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht

Mehr

Definition 27 Affiner Raum über Vektorraum V

Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,

Mehr

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

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

Mehr

Diagonalisieren. Nikolai Nowaczyk Lars Wallenborn

Diagonalisieren. Nikolai Nowaczyk  Lars Wallenborn Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit

Mehr

45 Eigenwerte und Eigenvektoren

45 Eigenwerte und Eigenvektoren 45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.

Mehr

6 Eigenwerte und Eigenvektoren

6 Eigenwerte und Eigenvektoren 6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,

Mehr

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld. Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:

Mehr

Affine Geometrie (Einfachere, konstruktive Version)

Affine Geometrie (Einfachere, konstruktive Version) Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit

Mehr

Übungen zur Linearen Algebra 1

Übungen zur Linearen Algebra 1 Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem

Mehr

Klausur Linearen Algebra 1 Musterlösung: Aufgabe A

Klausur Linearen Algebra 1 Musterlösung: Aufgabe A Klausur Linearen Algebra 1 Musterlösung: Aufgabe A Wir betrachten den Unterraum V = K[X] 4 aller Polynome vom Grad 4 und die lineare Abbildung f : V K 2 ; P (P (1), P (0)). Es bezeichne v 1,..., v 5 die

Mehr

x y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)

x y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen) Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

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

Mehr

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? 1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

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

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

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

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

Mehr

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

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

Mehr

Anwendung: Teilbarkeitsregeln im Dezimalsystem

Anwendung: Teilbarkeitsregeln im Dezimalsystem Anwendung: Teilbarkeitsregeln im Dezimalsystem Seien α n,α n 1,,α 0 {0,,9} α n α n 1 α 0 sei die Zahl α n 10 n + + α 0 (Bsp 237 = 2 100 + 3 10 + 7) Frage: 2 : α n α n 1 α 0? (In Worten: teilt 2 die Zahl

Mehr

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

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

Mehr

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

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

Mehr

Algorithmus zur Berechnung der Jordannormalform

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

Mehr

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

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

Mehr

Lineare Gleichungssysteme

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

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG

KLAUSUR 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

Mehr

i) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.

i) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch. Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):

Mehr

Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften

Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,

Mehr

Erweiterte Koordinaten

Erweiterte Koordinaten Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten x des Punktes x K n sind Kn+ (Ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist; in dieser Vorlesung

Mehr

11 Normalformen von Matrizen

11 Normalformen von Matrizen 11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell

Mehr

Drehung um einen Punkt um Winkel α.

Drehung um einen Punkt um Winkel α. Drehung um einen Punkt um Winkel α. Sei A R 2 und α R. Drehung um A um Winkel α ist eine Abbildung D A (α) : R 2 R 2 welche wie folgt definiert ist: D A (α) = T A D 0 (α) T ( A), wobei die Abbildung D

Mehr

Beziehungen zwischen Vektorräumen und ihren Dimensionen

Beziehungen zwischen Vektorräumen und ihren Dimensionen Beziehungen zwischen Vektorräumen und ihren Dimensionen Lineare Algebra I Kapitel 9 20. Juni 2012 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008 KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch

Mehr

Musterlösungen zur Linearen Algebra II Übungsklausur

Musterlösungen zur Linearen Algebra II Übungsklausur Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,

Mehr

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w = 1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition

Mehr

11. BASIS, UNTERRAUM, und DIMENSION

11. BASIS, UNTERRAUM, und DIMENSION 11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eine Familie von Gleichungen der Form a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2............ a m1 x 1 + a m2 x 2 +... + a mn x n = b m

Mehr

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

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

Mehr

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks

Mehr

Lösungen zum 3. Aufgabenblatt

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

Mehr

Lineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt

Lineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt Lineare Algebra II Prof. Dr. Uwe Jannsen Sommersemester 2006 1 Transformation auf Dreiecksgestalt Sei K ein Körper. Definition 1.1 Zwei Matrizen A und A M n (K) heißen ähnlich (oder konjugiert), wenn es

Mehr

Lösungsskizzen zur Klausur

Lösungsskizzen 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

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben

Mehr

2.1 Codes: einige Grundbegriffe

2.1 Codes: einige Grundbegriffe Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen

Mehr

1.9 Eigenwerte und Eigenvektoren

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

Mehr

Eigenwerte und Eigenvektoren von Matrizen

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

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische Universität München Zentrum Mathematik. Übungsblatt 7 Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion

Mehr

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

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

Mehr

Übungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr.

Übungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr. Übungsblatt 13 Lineare Algebra I, Prof Dr Plesen, SS 2008 Aufgabe 1 (Transponierte lineare Abbildung) Sei α : V W linear Zeige: α tr ist injetiv (surjetiv) genau dann, wenn α surjetiv (injetiv) ist Ist

Mehr

2 Die Dimension eines Vektorraums

2 Die Dimension eines Vektorraums 2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1

Mehr

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

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

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

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

Mehr

Lineare Algebra II. Sommersemester Wolfgang Ebeling

Lineare Algebra II. Sommersemester Wolfgang Ebeling Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde

Mehr

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare

Mehr

Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)

Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen) Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

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

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

Mehr

Mathematische Grundlagen der Kryptografie (1321)SoSe 06

Mathematische Grundlagen der Kryptografie (1321)SoSe 06 Mathematische Grundlagen der Kryptografie (1321)SoSe 06 Nachklausur am 30.9.2006: Lösungsvorschläge zu den Aufgaben zu Aufgabe I.1 (a) Der Geheimtext als Folge von Elementen aus Z/26Z ist [13, 0, 22, 3].

Mehr

Kapitel 18. Aufgaben. Verständnisfragen

Kapitel 18. Aufgaben. Verständnisfragen Kapitel 8 Aufgaben Verständnisfragen Aufgabe 8 Gegeben ist ein Eigenvektor v zum Eigenwert λ einer Matrix A (a) Ist v auch Eigenvektor von A? Zu welchem Eigenwert? (b) Wenn A zudem invertierbar ist, ist

Mehr

Proseminar Lineare Algebra II, SS 11. Blatt

Proseminar 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

Mehr

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn. Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich

Mehr

4. Übungsblatt Matrikelnr.: 6423043

4. Übungsblatt Matrikelnr.: 6423043 Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613

Mehr

Codierungstheorie, Vorlesungsskript

Codierungstheorie, Vorlesungsskript Codierungstheorie, Vorlesungsskript Irene I. Bouw Sommersemester 2014 Inhaltsverzeichnis 1 Lineare Codes 2 1.1 Einführung.............................. 2 1.2 Eigenschaften linearer Codes....................

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen

Mehr

Prüfungsvorbereitungskurs Höhere Mathematik 3

Prüfungsvorbereitungskurs Höhere Mathematik 3 Prüfungsvorbereitungskurs Höhere Mathematik 3 Differentialgleichungssysteme Marco Boßle Jörg Hörner Mathematik Online Frühjahr 20 PV-Kurs HM 3 DGlSysteme - Zusammenfassung Allgemeine Differentialgleichungssysteme.Ordnung

Mehr

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,

Mehr

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

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

Mehr

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen. 1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

MAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7

MAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v

Mehr

7 Die Determinante einer Matrix

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

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 Eigenwerte und Eigenvektoren 3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse

Mehr

Lineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.

Lineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A. Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28

Mehr

Lineare Algebra II 5. Übungsblatt

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

Mehr

Computer Vision SS 2011. Skript

Computer Vision SS 2011. Skript Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie

Mehr

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra

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

Mehr

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

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

Mehr

Leitfaden Lineare Algebra: Determinanten

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

Mehr

40 Lokale Extrema und Taylor-Formel

40 Lokale Extrema und Taylor-Formel 198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:

Mehr

Sesqui- und Bilinearformen

Sesqui- und Bilinearformen Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn

Mehr

Lineare Algebra II. Prof. Dr. Karl-H. Neeb. Sommersemester 2003 Version 23. Februar 2004 (10:33)

Lineare Algebra II. Prof. Dr. Karl-H. Neeb. Sommersemester 2003 Version 23. Februar 2004 (10:33) Lineare Algebra II Prof. Dr. Karl-H. Neeb Sommersemester 3 Version 3. Februar 4 (:33) Inhaltsverzeichnis 7 Eigenvektoren und Eigenwerte 63 7. Eigenvektoren und Eigenwerte..............................

Mehr