Diagonalisieren. Nikolai Nowaczyk Lars Wallenborn
|
|
- Krista Voss
- vor 7 Jahren
- Abrufe
Transkript
1 Diagonalisieren Nikolai Nowaczyk Lars Wallenborn März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit und Lineare Unabhängigkeit 3 Diagonalisieren 4 3 Anwendungen 6 31 Matrixpotenzen 7 3 Differentialgleichungen 7 33 Rekursiv definierte Zahlenfolgen 8 Index 10 1 Matrizen Ich würde Ihnen ja mehr erzählen, aber dann müsste ich Sie töten James Bond, Geheimagent 11 Definition Matrix Seien n, m N Eine reelle m n Matrix A ist ein zweidimensionales Tupel A a ij,,m,j1,,n aus Zahlen a ij R Die Menge aller solchen Matrizen schreibt man auch als R m n Man nennt die a ij auch die Einträge der Matrix A 1 Definition Matrixaddition Seien A, B R m n Dann heißt die Matrix C : A + B R m n, deren Einträge definiert sind durch Summe von A und B c ij a ij + b ij 13 Definition Skalarmultiplikation Sei A R m n und c R Dann ist B : ca R m n die Matrix mit den Einträgen b ij ca ij Diese Art von Multiplikation einer Matrix mit einer Zahl heißt Skalarmultiplikation
2 1 Matrizen 14 Definition Matrixmultiplikation Für zwei Matrizen A R m n, B R n k ist das Produkt C : AB R m k die Matrix, deren Einträge definiert sind durch c ij : m a iν b νj 1 Definition Einheitsmatrix Die Matrix E R n n mit den Einträgen { 1, i j, e ij 0, i j ν1 heißt Einheitsmatrix Streng genommen ist das für jedes n eine andere Matrix Wollen wir das in der Notation unterscheiden, schreiben wir E n 16 Definition Nullmatrix Die Matri R n n, deren Einträge ausschließlich aus Nullen besteht, heißt Nullmatrix und wird etwas schlampig ebenfalls mit 0 bezeichnet obwohl dies eigentlich für unterschiedliches n unterschiedliche Matrizen sind 17 Satz Rechenregeln für Matrizen Es gelten folgende Regeln für das Rechnen mit Matrizen: Seien A, B, C R n n und a, b R gilt: i A + B + C A + B + C ii A + 0 A iii A + A 0, wobei A : 1A iv A + B B + A v aba aba vi 1A A vii a + ba aa + ba viii aa + B aa + ab ix ABC ABC Man sagt auch der R n n ist eine R-Algebra 18 Definition invertierbar Eine Matrix A R n n heißt invertierbar, falls es eine Matrix B R n n gibt, sodass AB BA E Man schreibt dann auch A 1 : B Die Menge aller invertierbaren Matrizen notieren wir mit GLn Das steht für General Linear Group 19 Satz Ausrechnen des Inversen Sei A GLn Dann lässt sich die Inverse A 1 durch das so genannte simultane Gauß-Verfahren ausrechnen A E E A Satz Determinante Es gibt eine Funktion det : R n n R, genannt Determinante mit der Eigenschaft, dass A R n n : A GLn deta 0 Diese Funktion hat außerdem folgende Eigenschaften:
3 11 Einschub: Invertierbarkeit und Lineare Unabhängigkeit 3 i detab deta detb ii detca c n deta, c R, iii deta 1 deta 1, iv deta deta t Theoretisch kann man die Determinante einer Matrix immer konkret ausrechnen Es gilt nämlich für n a11 a det 1 a 11 a a 1 a 1 11 a 1 a und für allgemeines A R n n die rekursive Vorschrift 1 j n : deta 1 i+j a ij deta ij, wobei A ij R n 1 n 1 die Matrix ist, die aus A durch Streichung der i-ten Zeile und der j-ten Spalte hervorgeht 111 Satz Inverse von -Matrizen Für ein A GL gibt es eine besonders schöne Formel für das Inverse a b A GL A 1 1 d b c d deta c a 11 Einschub: Invertierbarkeit und Lineare Unabhängigkeit 11 Definition linear unabhängig Ein System von Vektoren v 1,, v n R n heißt linear unabhängig, falls für alle c 1,, c n R gilt: c i v i 0 1 i n : c i Satz Ein System von Vektoren v 1,, v n R n ist genau dann linear unabhängig, falls die Matrix S bestehend aus dem Spaltensystem S v 1,, v n invertierbar ist Damit können wir jetzt die Nicht-Invertierbarkeit einer Matrix charakterisieren 114 Lemma i Für jede Matrix A R n n gilt: Falls es ein v R n gibt, sodass v 0, aber Av 0, dann ist A sicherlich nicht invertierbar ii Die Umkehrung gilt auch: Falls A R n n nicht invertierbar ist, dann gibt es ein v 0, sodass Av 0 Beweis i Angenommen A wäre invertierbar Dann existiert per Definition ihr Inverses A 1, welches ebenfalls per Definition erfüllt: v Ev A 1 Av A Nach Voraussetzung ist aber v 0 Widerspruch!
4 Diagonalisieren 4 ii Sei v R n irgendein Vektor Schreibt man die Matrix A als System ihrer Spalten A A 1 A n so gilt: Av v i A i Daher sieht man mit dieser Gleichung ein: Wäre Av 0 für alle Vektoren v 0, dann wäre das Spaltensystem vom A linear unabhängig Gemäß Satz 113 wäre also die Matrix A invertierbar Wir hatten aber A als nicht invertierbar vorausgesetzt Widerspruch! Diagonalisieren Ganz einfach: Man muss nur den hydraulischen Phasenverschiebungsemulator nehmen und an die transdimensionale Photonenschleuder anschließen Rumms! Neuer Turm Blutelfen-Pionier, Ingenieur 1 Definition Diagonalmatrix Eine Matrix A R n n heißt Diagonalmatrix oder schlicht diagonal, falls gilt: 1 i, j n : i j a ij 0 Mit anderen Worten: Alle Einträge von A sind Null, außer die auf der Hauptdiagonalen von oben links nach unten rechts Bemerkung Die Einheitsmatrix ist zum Beispiel eine Diagonalmatrix 3 Lemma Seien A, B R n n diagonal Dann ist auch C : AB diagonal und es gilt 1 i n : c ii a ii b ii Daher ist eine diagonale Matrix A R n n invertierbar genau dann, wenn alle ihre Diagonaleinträge ungleich Null sind 4 Bemerkung Das Rechnen mit Diagonalmatrizen ist also erheblich einfacher als mit allgemeinen Matrizen Daher hätte man gerne ein Verfahren, um aus einer beliebigen Matrix eine Diagonalmatrix zu machen Dieses Verfahren heißt Diagonalisieren und soll im folgenden erklärt werden Definition diagonalisierbar Eine Matrix A R n n heißt diagonalisierbar, falls es eine Matrix S GLn gibt, sodass S 1 AS diagonal ist 6 Bemerkung Wir wollen uns im Folgenden damit beschäftigen, Kriterien zu entwickeln, wann man eine solche Matrix S finden kann und wie
5 Diagonalisieren 7 Definition Eigenwert Sei A R n n Eine Zahl λ R heißt Eigenwert von A, falls es einen Vektor v R n gibt, sodass v 0 und Av λv Wir nennen v dann einen Eigenvektor von A zum Eigenwert λ Wir nennen EA, λ : {v R n v ist Eigenvektor von A zum Eigenwert λ} {0} den Eigenraum von A zum Eigenwert λ Die Menge spec A aller Eigenwerte von A nennt man auch das Spektrum von A 8 Satz Struktur von Eigenräumen Ein Eigenraum EA, λ ist ein Unterraum, dh es gilt: Für alle v, w EA, λ und c R sind sowohl v + w EA, λ als auch cv EA, λ 9 Definition Charakteristisches Polynom Das charakteristische Polynom einer Matrix A R n n ist χ A X : detxe A 10 Satz Eigenwerte und charakteristisches Polynom Sei A R n n Dann ist λ R genau dann ein Eigenwert von A, falls λ eine Nullstelle von χ A ist Beweis Nach Definition ist λ genau dann ein Eigenwert von A, wenn es einen Vektor v R n mit v 0 gibt, sodass Av λv Nun gilt aber Av λv Av λv 0 A λev 0 deta λe 0 Der letzter Schritt bedarf vielleicht zusätzlicher Erklärung: Nach Voraussetzung ist ja v 0 Wenn also A λev 0 ist, so kann nach Lemma 114 die Matrix A λe nicht invertierbar sein Das ist nach Satz 110 äquivalent zu deta λe 0 Ist umgekehrt deta λe 0, so ist wie gesagt A λe nicht invertierbar Daher gibt es gemäß Lemma 114 ein v R n mit v 0, sodass A λev 0 Also ist v EA, λ und insbesondere λ spec A 11 Satz Notwendiges Kriterium für Diagonalisierbarkeit Sei A R n n diagonalisierbar Dann zerfällt χ A vollständig in Linearfaktoren Beweis Es sei A R n n diagonalisierbar Dann gibt es also eine Diagonalmatrix D R n n und eine Matrix S GLn, sodass S 1 AS D Daher gilt also unter Benutzung von Satz 110: χ A X detxe A detxe SDS 1 detxss 1 SDS 1 detsxe DS 1 dets detxe D dets 1 n dets dets 1 detxe D X d ii 1 Satz Hinreichendes Kriterium für Diagonalisierbarkeit Es sei A R n n und es bestehe spec A aus n paarweise verschiedenen Eigenwerten λ 1,, λ n Dann ist A diagonalisierbar Sind v 1,, v n Eigenvektoren zu λ 1,, λ n, dann erfüllt die Matrix S R n n gegeben durch das Spaltensysten S v 1 v n
6 3 Anwendungen 6 die Gleichung S 1 AS D, wobei D die Diagonalmatrix ist, deren Diagonale gegeben ist durch λ 1,, λ n Beweis Es gilt AS A v 1 v n Av1 Av n λ1 v 1 λ n v n v 1 v 1 D SD Wenn wir jetzt noch zeigen, dass S invertierbar ist, sind wir fertig Denn dann ist obige Gleichung äquivalent zu S 1 AS D Gemäß Satz 113 zeigen wir dazu, dass Eigenvektoren v 1,, v n zu paarweise verschiedenen Eigenwerten λ 1,, λ n linear unabhängig sind Diese Aussage wiederum beweisen wir ganz profan per Induktion nach n: Schritt 1 n 1: Die Gleichung c 1 v 1 0 impliziert sicherlich c 1 0, da nach Voraussetzung v 1 0 denn v 1 ist ja ein Eigenvektor Schritt n n + 1: Es sei die Aussage für n schon gezeigt und es gelte n+1 c i v i 0 1 Wendet man nun die Matrix λ n+1 E A auf diese Gleichung an, so erhält man 0 c i λ n+1 E Av i + c n+1 λ n+1 E Av n+1 c i λ n+1 v i λ i v i + c n+1 λ n+1 v n+1 Av n+1 c i λ n+1 λ i v i Nach Induktionsvoraussetzung folgt daher, dass für alle 1 i n gilt: c i λ n+1 λ i 0 Daher sind alle diese c i 0, denn da ja 1 i n, ist λ i λ n+1 nach Voraussetzung Setzt man dies jetzt wieder in die ursprüngliche Gleichung 1 ein, so erhält man n+1 0 c i v i c n+1 v n+1 Daraus folgt nun aber auch c n+1 0, da nach Voraussetzung v n Anwendungen Warum so ernst, Sohn Zaubern wir ein Lächeln auf dieses Gesicht Joker, Psychopath
7 31 Matrixpotenzen 7 31 Matrixpotenzen 31 Satz Matrixpotenzen Sei A diagonalisierbar, es gebe also ein S GLn sodass S 1 AS : D diagonal ist Dann ist Beweis Es ist und daher A n SD n S 1 S 1 AS D A SDS 1 A n SDS 1 n SDS } 1 SDS 1 {{ SDS 1 SDS 1 } SD n S 1 n-mal 3 Differentialgleichungen 3 Definition lineare Differentialgleichung Sei A R n n Dann heißt y Ay lineares Differentialgleichungssystem erster Ordnung Unter einer Lösung eines solchen Systems verstehen wir eine stetig differenzierbare Funktion y : I R n, I R ein Intervall, mit Man nennt y auch eine Lösungskurve t I : y t Ayt 33 Satz Sei A R n n diagonalisierbar und S GLn mit S 1 AS D diagonal Dann ist die Kurve y : Sz, wobei eine Lösung von y Ay 1 i n : z i t : expλ i t 31 Beweis Für eine Diagonalmatrix D mit Diagonale λ 1,, λ n kann man die Lösung von z Dz direkt hinschreiben: Sie ist gegeben durch 31 Eine Lösung von y Ay erhält man jetzt wie folgt: Weil A diagonalisierbar ist, können wir äquivalent auch das System y SDS 1 y lösen Weil S invertierbar ist, ist dies wiederum äquivalent zu S 1 y DS 1 y Wir nennen jetzt z : S 1 y und erhalten das Syste, z Dz Dessen Lösungen kennen wir aber jetzt aus 31 Daher ist die Lösung von y Ay gegeben durch y Sz 34 Definition Eine lineare Differentialgleichung der Ordnung n ist eine Gleichung der Form c i y i 0 3 i0 Unter einer Lösung versteht man eine n-mal stetig differenzierbare Abbildung y : I R, I R, ein Intervall, die 3 erfüllt
8 33 Rekursiv definierte Zahlenfolgen 8 3 Lemma Sei c i y i 0 33 i0 eine lineare Differentialgleichung n-ter Ordnung Definiere die Matrix A R n n durch 0 En 1 A 34 c 1 c n Wir sagen dann, dass die Matrix A zu der Gleichung 33 assoziiert ist Dann gilt: Ist A diagonalisierbar und γ die in eine Lösung des DGL-Systems y Ay aus Satz 33, so ist ϕ : γ 1 eine Lösung von 33 Beweis Sei γ die Lösung von y Ay aus Satz 33 Schreibt man diese Gleichung in Komponenten hin, so erhält man γ 1 y γ y 3 γ n n c iγ i Also erfüllt ϕ : γ 1 die Differentialgleichung Rekursiv definierte Zahlenfolgen 36 Satz Sei x n n N und es gebe a, b R, sodass n N : x n+1 ax n + bx n 1 Die Matrix erfüllt dann n N : A : xn+1 x n a b 1 0 xn A x n 1 Ist A diagonalisierbar mit S 1 AS D, dann gilt xn+1 SD n S 1 x1 x n Beweis Dies zeigen wir per Induktion nach n: Für n 1 gilt x ax1 + bx 0 x1 A SDS 1 x1 x 1 x 1 Für den Induktionsschluss n n + 1 betrachten wir xn+ xn+1 A ASD n S 1 x1 SDS 1 SD n S 1 x1 x n+1 x n SD n+1 S 1 x1
9 33 Rekursiv definierte Zahlenfolgen 9 Als Anwendung der Anwendung leiten wir eine berühmte Formel für die Fibonacci-Folge her 37 Definition Fibonacci Folge Die Zahlenfolge f n n N, welche rekursiv definiert ist durch heißt Fibonacci-Folge n N : f n+ f n+1 + f n, f 0 : 0, f 1 : Satz Formel von Moivre-Binet Für alle n gilt: f n λn + λ n, λ ± 1 ± 36 Die Zahl λ + heißt goldener Schnitt Man beachte übrigens, dass aus der rekursiven Definition der Fibonacci-Folge folgt, dass f n N, was aus dem expliziten Ausdruck 36 gar nicht so ersichtlich ist Beweis Schritt 1 Reduktion auf Matrixproblem: Wir machen uns zunächst einmal klar, dass aus der Definition 3 der Fibonacci-Folge folgt, dass für alle n N gilt: fn+ f n+1 Dadurch erhalten wir eine Matrix A R }{{} :A fn+1 Schritt Diagonalisierung von A: Wir wollen jetzt die Matrix A diagonalisieren Dazu bestimmen wir zunächst spec A, sprich die Eigenwerte Gemäß Satz 10 müssen wir dazu die Nullstellen des charakteristischen Polynoms Dieses lautet χ A X detxe A det f n X 0 0 X X 1 1 det X 1X 1 X X 1 1 X Die Nullstellen dieser quadratischen Gleichung bestimmt man gemäß der p-q-formel und erhält: λ ± 1 1 ± ± 1 ± Die Matrix A hat also genau die zwei verschiedenen Eigenwerte λ + und λ Gemäß Satz 1 ist A also diagonalisierbar und es gibt eine Matrix S GLn, sodass S 1 AS D, wobei λ+ 0 D, S v +, v, v + EA, λ +, v EA, λ 0 λ Wir müssen also ganz konkret Eigenvektoren v +, v R bestimmen Per Definition sind diese Vektoren Lösungen des linearen Gleichungssystems Av ± λ ± v ±
10 33 Rekursiv definierte Zahlenfolgen 10 Dies ganz man auch noch etwas konkreter hinschreiben: λ± v 1 ± 1 1 v ± λ ± v ± 1 v ± 1 0 v ± 1 + v ± v 1 ± Dies ist ein lineares Gleichungssystem mit zwei Gleichungen und zwei Unbekannten v 1 ± und v ±, das man jetzt nach einem beliebigen Verfahren lösen kann Man bekommt als Ergebnis die Lösungsmenge 1 EA, λ ± {cv ± c R}, v ±, ± 1 Die Matrix S ist also gegeben druch S v +, v Wir erhalten gemäß 11 dets 1 1 und daher unter Benutzung von Satz 111 S Schritt 3 Eintüten: Damit haben wir jetzt alles beisammen, um das Problem zu lösen Denn gemäß Satz 36 gilt jetzt für alle n N fn+1 SD n S 1 f SD n 1 f n f λ n 1 S λ n λ n + 1 λ n +1 Wir multiplizieren den letzten Ausdruck aus, aber nur die zweite Zeile Dann folgt nämlich insgesamt unter Benutzung der Definition von λ ± : f n λ λ + λ n + λ + λ n λ λn + λ n λ λ + λn + λ n λn + λ n λ ± 1 1 ± ± 1 ±
11 Index 11 Index Charakteristisches Polynom, Determinante, diagonalisierbar, 4 Diagonalmatrix, 4 Eigenraum, Eigenvektor, Eigenwert, Einheitsmatrix, Fibonacci Folge, 9 invertierbar, linear unabhängig, 3 lineare Differentialgleichung, 7 Matrix, 1 Matrixaddition, 1 Matrixmultiplikation, Nullmatrix, Skalarmultiplikation, 1 Spektrum,
5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
MehrKlausurenkurs 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
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
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
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
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrKlausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.
Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrLineare Algebra I - Prüfung Winter 2019
Lineare Algebra I - Prüfung Winter 209. (20 Punkte) Kreuzen Sie auf dem Abgabeblatt ihre Antwort an. Pro Teilaufgabe ist genau eine der vier Antwortmöglichkeiten richtig. Für jede richtig beantwortete
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Anwendungen in der Physik: Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors - Normalmoden
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
Mehr8 Eigenwerttheorie I 8. EIGENWERTTHEORIE I 139. Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet:
8. EIGENWERTTHEORIE I 139 8 Eigenwerttheorie I Wir hatten bereits früher den Polynomring in einer Variablen über einem Körper K betrachtet: K[x] = Abb[N, K] = {P ; P = a n x n + a n 1 x n 1 + + a 0 ; a
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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)
Mehr6.2 Rechnen mit Matrizen
62 Rechnen mit Matrizen 62 Rechnen mit Matrizen 103 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
Mehr7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
MehrSerie a) Welche der folgenden Vektoren sind Eigenvektoren der Matrix 1 0 1? 0 1 1
Prof. Norbert Hungerbühler Serie Lineare Algebra II ETH Zürich - D-MAVT. a Welche der folgenden Vektoren sind Eigenvektoren der Matrix? i (,,. ii (,,. iii (,,. iv (, 3,. v (,,. Ein Vektor v ist Eigenvektor
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
MehrLösung 13: Unitäre Vektorräume und normale Abbildungen
D-MATH Lineare Algebra II FS 2017 Dr. Meike Akveld Lösung 13: Unitäre Vektorräume und normale Abbildungen 1. a) Im Folgenden sei γ : V V C die Abbildung γ(v, w) v + w 2 v w 2 i v + iw 2 + i v iw 2. : Wir
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 95 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrKlausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 23): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag 3. Mit Hilfe elementarer Zeilenumformungen sowie der Tatsache, daß sich die Determinante
Mehr5.2 Diagonalisierbarkeit und Trigonalisierung
HINWEIS: Sie finden hier eine vorläufige Kurzfassung des Inhalts; es sind weder Beweise ausgeführt noch ausführliche Beispiele angegeben. Bitte informieren Sie sich in der Vorlesung. c M. Roczen und H.
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Darstellungsmatrizen 2 2 Diagonalisierbarkeit
MehrFür das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten
Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 6. Januar.009 Kapitel 6 Leontieff Modell, Lineare
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
MehrÜbungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 2017/18 Blatt 3 - Lösung
Technische Universität München Physik Department Pablo Cova Fariña, Claudia Nagel Übungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 207/8 Blatt 3 - Aufgabe : Darstellungsmatrizen Sei
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr45 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.
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 22/3 Institut für Analysis 28..23 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Höhere Mathematik I für die Fachrichtung Physik 4. Übungsblatt (letztes Blatt)
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,
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
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrMathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2
Fakultät Mathematik WS 27/8 Institut für Mathematische Stochastik / Institut für Analysis Dr. W. Kuhlisch, Dr. F. Morherr Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrMC-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
MehrMathematik I. Vorlesung 16. Eigentheorie
Prof Dr H Brenner Osnabrück WS 009/00 Mathematik I Vorlesung 6 Eigentheorie Unter einer Achsenspiegelung in der Ebene verhalten sich gewisse Vektoren besonders einfach Die Vektoren auf der Spiegelungsachse
MehrKapitel 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
Mehr5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrRichie Gottschalk Lineare Algebra I Seite 1. a) Welche der folgenden Ringe sind kommutativ? Es gibt genau einen Unterraum W von V mit dim(w ) = n.
Richie Gottschalk Lineare Algebra I Seite Aufgabe Im Folgenden sind K immer ein Körper und V ein K-Vektorraum. a) Welche der folgenden Ringe sind kommutativ? K[x] K[x] ist per se ein kommutativer Polynomring.
MehrMusterlösungen zur Linearen Algebra II Blatt 2
Musterlösungen zur Linearen Algebra II Blatt 2 Aufgabe. Sei R ein nullteilerfreier kommutativer Ring mit. Setze K := R R\{0}/ mit der Äquivalenzrelation definiert durch (a, b) (a, b ) genau dann, wenn
Mehra ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
Mehr1 Darstellungsmatrizen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Darstellungsmatrizen Vereinbarungen für dieses Kapitel: K Körper V und W endlich-dimensionale K-Vektorräume B = {v
MehrAbschnitt: Diagonalisierung von Endomorphismen
Abschnitt: Diagonalisierung von Endomorphismen Wiederholung: Endomorphismus von V ist eine lineare Abbildung von V nach V. Frage: f sei ein Endomorphismus. In welcher Basis ist die darstellende Matrix
Mehr2.2 Eigenwerte und Eigenvektoren
2.2. Eigenwerte und Eigenvektoren 39 2.2 Eigenwerte und Eigenvektoren Lineare Abbildungen werden je nach Basiswahl durch unterschiedliche Matrizen beschrieben. Besonders einfach ist die Diagonalform. Wir
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
MehrBeispiellösungen 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
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrMusterlösung Donnerstag - Determinanten und Eigenwerte
Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent,
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Mehr