Eigenwerte und Diagonalisierung
|
|
- Pamela Braun
- vor 7 Jahren
- Abrufe
Transkript
1 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 Matrix MB A (F bzgl. dieser Basen. MB A(F ist eine m n Matrix. Die j-te Spalte von M B A (F ist der Koordinatenvektor von F (a j bzgl. B, falls A = {a, a,..., a n }. Ist RgF = r, dann existieren Basen A bzw. B in V bzw. W mit ( MB A(F = Er. Dies ist die einfachste Form, die eine darstellende Matrix haben kann. Beispiel. Wir betrachten den Endomorphismus F : R R mit F (x, x = (x + x, x x. Wählen wir ( in beiden Vektorräumen die kanonische Basis K, erhalten wir MK K(F =. Wählen wir A = ((,, (, und B = ((,, ( (,, dann ist F (a = b und F (a = b und damit MB A(F = = E. Was geschieht nun, wenn wir nur eine( Basis verwenden? Gibt es eine Basis A, sodass M A (F = MA A(F =? Wir nehmen an, es gäbe eine solche Basis A = (v, v. Dann wäre F (v = v. Mit v = (x, x würde sich ergeben, dass (x + x, x x = (x, x bzw. x + x = x, x x = x. Dies impliziert aber, dass x =, x =, ein Widerspruch.
2 Dies bedeutet, dass es keine Basis A gibt mit ( M A (F = MA A(F =. (Beachte auch, dass RgF = Wir stellen nun eine modifizierte Frage, ( nämlich ob es eine Basis A = (v, v gibt mit M A (F = MA A(F = λ, wo also M λ A (F = MA A (F eine Diagonalmatrix ist. In diesem Fall suchen wir also Vektoren v, v mit F (v = λ v, F (v = λ v also Vektoren v mit der Eigenschaft F (v = λv. Wir treffen den Ansatz v = (x, x und F (v = F (x, x = (x + x, x x = λ(x, x = (λx, λx. Dies führt zu einem homogenen Gleichungssystem x + x = λx x x = λx bzw. ( λx + x = x + ( λx =. Dieses homogene Gleichungssystem ist genau dann nichttrivial lösbar, wenn λ λ = λ = ist, also wenn λ, = ±. Für λ = + erhalten wir ( ( x x Für λ = erhalten wir ( ( + + x x = = ( ( ( v = ( v = + Die beiden Vektoren v, v Basis A von R. sind linear unabhängig und bilden damit eine
3 Es gilt F (v = v, F (v = ( v, M A (F = In diesem Fall gibt es also eine Basis A, sodass die darstellende Matrix von F bzgl. A eine Diagonalmatrix ist. (Ende des Beispiels. Die Diskussion des Beispiels führt zur allgemeinen Fragestellung : Sei V ein K-Vektorraum mit dim V = n und F : V V ein Endomorphismus. Wie muß eine Basis B gewählt werden, damit M B (F = MB B (F möglichst einfach wird? Die Transformationsformel für darstellende Matrizen besagt, dass zwei darstellende Matrizen A, B einer linearen Abbildung F : V W mittels B = SAT zusammenhängen (wobei T und S (invertierbare Transformationsmatrizen sind. Dies führte auch zum Begriff der äquivalenten Matrizen. Im jetzigen Fall mit F : V V und Basen A und B ergibt sich damit für A = M A (F = MA A(F und B = M B(F = MB B (F, dass B = SAS. Definition. Zwei Matrizen A, B M(n n; K heißen ähnlich, wenn es eine reguläre n n Matrix S gibt mit B = S AS gibt (bzw. gleichwertig B = SAS. Bemerkungen. (i Die Ähnlichkeit von n n Matrizen ist eine Äquivalenzrelation (Beweis analog wie im Falle äquivalenter Matrizen. (ii Für F : V V und Basen A, B sind A = M A (F und B = M B (F ähnlich. 3
4 Beispiel. (von vorher F : R R mit F (x, x = (x + x, x x. ( A = ((,, (, liefert A = M A (F =, B = ((, +, (, ( liefert B = M B (F =. Rechnung liefert S = und B = SAS. ( + + (, S = + Wir beobachten weiters, dass die Spalten von S durch die Vektoren v, v gebildet werden! Definition. Sei V ein K-Vektorraum und F : V V linear. (i λ K heißt Eigenwert (EW von F, wenn v V, v mit F (v = λv. (ii Jeder Vektor v mit F (v = λv heißt Eigenvektor (EV von F zum Eigenwert λ. Bemerkung. Sei dim V = n < und F : V V linear. Dann sind folgende Aussagen äquivalent : ( Basis von V, welche aus Eigenvektoren von F besteht, ( Basis B von V, sodass M B (F eine Diagonalmatrix der Form λ.. M B (F = λ ist. λ n Beweis. Ist B = (v, v,..., v n eine Basis von V, dann sind die Spalten von M B (F die Koordinatenvektoren von F (v, F (v,..., F (v n bzgl. 4
5 B. M B (F = λ.. λ λ n v i ist EV von F i. F (v i = λ i v i i Definition. (i F : V V heißt diagonalisierbar, wenn eine der beiden vorigen Bedingungen erfüllt ist. (ii Eine n n Matrix A heißt diagonalisierbar, wenn der zugehörige Endomorphismus L A : K n K n mit L A (v = Av diagonalisierbar ist ( A ist ähnlich zu einer Diagonalmatrix. Bemerkung. Nicht jede Matrix (und damit nicht jeder Endomorphismus ist diagonalisierbar. ( Beispiel. Sei K = R und A =. Dann ist L 5 A = F : R R mit F (x, x = (x, 5x + x. Sei nun v = (x, x ein EV von F. Dann λ mit F (v = λv. Also ist (x, 5x + x = λ(x, x bzw. x = λx, 5x + x = λx ( λx = 5x + ( λx =. Dieses homogene Gleichungssystem ist nichttrivial lösbar λ 5 λ =, woraus folgt, dass λ =. bzw. Mit λ = erhalten wir die Gleichungen x = x und 5x + x = x, womit x = und x = t beliebig ist. Damit ist v = t (,, t R und es kann keine Basis von R welche aus Eigenvektoren von F = L A besteht. geben, 5
6 Man beachte, dass λ = der einzige EW ist. Man kann nun zeigen: ( Sei F : V V linear und seien v,..., v m EV zu paarweise verschiedenen EW. Dann sind die Vektoren v, v,..., v m linear unabhängig. ( Ist dim V = n <, F : V V linear und paarweise verschiedene EW λ, λ,..., λ n, dann ist F diagonalisierbar. Definition. Sei F : V V linear und λ K. Dann heißt Eig(F ; λ = {v V bzgl. λ. : F (v = λv} der Eigenraum von F Bemerkungen. F (v = λv (F λid V (v = v Ker(F λid V Also ist Eig(F ; λ ein Untervektorraum von V, und Eig(F ; λ \ {} ist die Menge der zu λ gehörigen EV von F. λ ist EW von F Eig(F ; λ {} F λid V nicht injektiv. 3 F ist nicht injektiv λ = ist EW. 4 λ λ Eig(F ; λ Eig(F ; λ = {}. (v Eig(F ; λ Eig(F ; λ F (v = λ v, F (v = λ v (λ λ v = v = Sei nun dim V = n <, F : V V linear und seien A, B Basen von V. Mit A = M A (F und B = M B (F gilt wegen früher B = SAS damit det B = det(sas = det S det A det S = det A. und Damit können wir nun die Determinante eines Endomorphismus F 6
7 auf eindeutige Weise durch det F = det M A (F (A irgendeine Basis von V definieren. Damit gilt : λ ist EW von F det(f λid V =. (λ ist EW von F F λid V ist nicht injektiv F λid V ist nicht bijektiv det(f λid V = Ist darüberhinaus A eine Basis von V und A = M A (F, dann gilt offenbar M A (F λid V = A λe n und det(f λid V = det(a λe n. Definition. Mit der Unbestimmten t heißt dann a t a... a n P F (t = det(a te n = a a t... a n a n a n... a nn t das charakteristische Polynom von F. (Beachte, dass das charakteristische Polynom von F nicht von der Wahl der Basis A abhängt! Bemerkung. Setzen wir P F (t = α n t n + α n t n α t + α, dann kann man zeigen dass α n = ( n α n = ( n (a a nn ( a a nn heißt Spur von A α = det A. Bemerkung. Das charakteristische Polynom einer (quadratischen Matrix A ist das charakteristische Polynom des durch A definierten Endomorphismus x Ax und folglich gleich det(a λe n. Aufgabe. Man zeige, dass für ähnliche Matrizen A, B M(n n; K 7
8 gilt : P A (t = P B (t. Wollen wir also die Eigenwerte eines Endomorphismus bestimmen, müssen wir die Nullstellen des zugehörigen charakteristischen Polynoms bestimmen. Bemerkung. Ist F : V V Linearfaktoren. diagonalisierbar, dann zerfällt P F (t in Beweis. Laut Annahme existiert eine Basis A mit λ... M A (F = λ λ n Damit ist P F (t = (λ t(λ t...(λ n t. Bemerkung. F : K n K n Sei die n n Matrix A diagonalisierbar, i.e. mit F (v = Av ist diagonalisierbar. bzgl. der kanon- Dann ist bekannterweise die darstellende Matrix von F ischen Basis A gleich A. Weiters gibt es eine Basis B = (v,..., v n, sodass B = M B (F eine Diagonalmatrix ist. Wie früher erwähnt, gibt es dann eine invertierbare Matrix S mit B = S AS, und die j-te Spalte von S ist der Koordinatenvektor von v j bzgl. der kanonischen Basis A. Damit : Die Spalten von S sind die Vektoren v, v,..., v n. (Schreibt man B = SAS dann sind die Spalten von S die Vektoren v, v,..., v n 8
9 Beispiel. Sei A = Dann ist P A (t = t 3 t 3 3 t =... = (t (t +. Damit sind λ = λ = und λ 3 = die Eigenwerte. Nun zur Bestimmung der Eigenvektoren bzw. Eigenräume. Für λ = λ = erhalten wir das homogene Gleichungssystem x x = als Lösungsvektor x 3 x x x 3 =, damit x 3 = x + x und x x x + x = x + x Somit existieren zum (doppelten Eigenwert λ = zwei linear unabhängige Eigenvektoren (,,, (,,, welche den zugehörigen Eigenraum Eig(A; aufspannen. Für λ 3 = erhalten wir das homogene Gleichungssystem x 3 3 x 4 = und weiters als Lösungsvektor x 3 x x x 3 = x 3x x = x Zum (einfach auftretenden Eigenwert gibt es also einen linear unabhängigen Eigenvektor, etwa (, 3,, welcher den Eigenraum Eig(A; aufspannt. 3.. Die Vektoren (,,, (,,, (, 3, sind linear unabhängig, damit ist A diagonalisierbar und es gilt 9
10 S = 3 und SAS =. Beispiel. Gesucht sind die Eigenräume von F : P P, wobei p(τ ( + τp (τ 3p(τ. Ist A = (, τ, τ die kanonische Basis von P, dann ist F ( = 3, F (τ = τ, F (τ = τ τ, also 3 A = M A (F =. EW von A : 3 λ λ λ λ =, λ =, λ 3 = 3. = Zu λ = erhalten wir den Eigenvektor x I = und Eig(F ; = {p(τ P : p(τ = ν( + τ + τ, ν R}. Zu λ = erhalten wir den Eigenvektor x II = und Eig(F ; = {p(τ P : p(τ = ν( + τ, ν R}. Zu λ 3 = 3 erhalten wir den Eigenvektor x III = Eig(F ; 3 = {p(τ P : p(τ = ν, ν R}. und
11 ( cos α sin α Beispiel. Die Matrix A = sin α cos α des R. P A (t = cos α t sin α sin α cos α t = t t cos α + beschreibt eine Drehung Die Nullstellen von P A (t sind damit durch λ, = cos α ± cos α gegeben. λ, R cos α = α = oder α = π. Nur diese beiden Drehungen sind diagonalisierbar, - alle anderen Drehungen haben keine Eigenvektoren. ( cos α sin α Beispiel. Sei A = sin α cos α P A (t = t = (t + (t., α R. Damit gibt es zwei verschiedene Eigenwerte λ = und λ = und somit ist A diagonalisierbar. Man rechnet leicht nach, dass ( cos α Eig(A; = R sin α und Eig(A; = R ( cos α+π sin α+π. Geometrische Interpretation : A beschreibt eine Spiegelung an der Geraden Eig(A; = {v R : Av = v}. Frage. Was geschieht, wenn P F (t mehrfache Nullstellen besitzt? Wir bezeichnen dabei die Vielfachheit der Nullstelle λ mit µ(p F ; λ. Dabei gilt stets µ(p F ; λ dim Eig(F ; λ. (algebraische Vielfachheit von λ geometrische Vielfachheit von λ Satz. Sei F : V V linear und dim V = n. Dann sind folgende
12 Aussagen äquivalent : F ist diagonalisierbar, (i P F (t zerfällt in Linearfaktoren, und (ii µ(p F ; λ = dim Eig(F ; λ Eigenwerte λ 3 Sind λ,..., λ k die paarweise verschiedenen EW von F, dann ist V = Eig(F ; λ... Eig(F ; λ k. Zur konkreten Bestimmung, ob ein Endomorphismus diagonalisierbar ist, betrachten wir folgende Situation : F : V V linear, dim V = n, A eine Basis von V und A = M A (F. Schritt. Bestimme P F (t. Wenn eine Zerlegung von P F (t in Linearfaktoren nicht möglich ist, dann ist F nicht diagonalisierbar. Sonst Schritt. Für jeden EW λ von F bestimme nun eine Basis von Eig(F ; λ. Wenn µ(p F ; λ dim Eig(F ; λ, dann ist F nicht diagonalisierbar. Wenn µ(p F ; λ = dim Eig(F ; λ, dann ist F diagonalisierbar, und die EV von F bilden eine Basis B von V. Für B = M B (F gilt dann B = SAS und die Spalten von S sind die Koordinatenvektoren der Basisvektoren aus B bzgl. der Basis A. Beispiele. ( Sei A = 3 4 mit K = R und F : R R, F (x = Ax. P F (t = t 3 4 t = t 5t +.
13 P F (t ist in R nicht in Linearfaktoren zerlegbar, daher ist F nicht diagonalisierbar. Sei A = , K = R, F : R 3 R 3, F (x = Ax. P F (t = (5 tt, zerfällt also in Linearfaktoren (über K = R. Die EW sind λ = 5, λ = λ 3 =, des weiteren ist µ(p F ; 5 = und µ(p F ; =. Zu λ = 5 erhalten wir das homogene Gleichungssystem 7 x 8 3 x = x I = µ, µ R. 3 x 3 Damit ist dim Eig(F ; 5 =. Zu λ = λ 3 = erhalten wir das homogene Gleichungssystem 5 7 x 3/5 3 3 x = x II = µ, µ R. 3 3 x 3 Damit ist dim Eig(F ; = µ(p F ; =. Somit ist A bzw. F nicht diagonalisierbar. 3 Sei F : R 3 R 3 mit F (x, x, x 3 = ( x + x 3, 3x x + 3x 3, x x + 3x 3. Ist A die kanonische Basis im R 3, dann ist A = M A (F = P F (t = (t (t +, damit ist λ = λ =, λ 3 =. 3
14 Eig(F ; = R + R, Eig(F ; = R Somit dim Eig(F ; = = µ(p F ;, dim Eig(F ; = = µ(p F ;. Folglich ist A diagonalisierbar und,, 3 bilden eine Basis für R 3. SAS = und S = Definition. Sei F : V V linear, dim V = n. Dann heißt F trigonalisierbar, wenn es eine Basis B von V gibt sodass a a... a n A = M B (F = a... a n eine obere Dreiecksmatrix ist.... a nn Eine n n Matrix A heißt trigonalisierbar, wenn F : K n K n, F (x = Ax, trigonalisierbar ist (d.h. A ist ähnlich zu einer oberen Dreiecksmatrix. Satz. (ohne Beweis Sei F : V V linear, dim V = n. F trigonalisierbar P F (t zerfällt über K in Linearfaktoren Folgerung. Sei V ein endlich-dimensionaler C-Vektorraum und sei F : V V linear. Dann ist F trigonalisierbar. 4
15 (Nach dem Fundamentalsatz der Algebra zerfällt P F (t über C in Linearfaktoren Die getroffene Folgerung ist z.b. wichtig bei der Behandlung von Systemen linearer Differentialgleichungen. Ordnung mit konstanten Koeffizienten. Wir stellen uns die Frage ob es im Falle der Trigonalisierbarkeit möglichst einfache obere Dreiecksmatrizen als darstellende Matrizen gibt. Definition. Eine r r Matrix J heißt Jordanmatrix zum EW λ K, wenn J die Form besitzt λ.. J = λ λ Damit erhält man für r = J = (λ, für r = J = für r = 3 J = λ λ λ. ( λ λ und Satz. (Satz über die Jordansche Normalform Sei V ein K-Vektorraum mit dim V = n <, und sei F : V V linear. Dann gilt : Zerfällt P F (t über K in Linearfaktoren, dann gibt es eine Basis B von V, sodass J M B (F = J......, wobei die J i Jordanmatrizen sind... J l Man sagt, M B (F hat Jordansche Normalform. 5
16 Bemerkungen. (i Im allgemeinen ist die Anzahl der auftretenden Jordanmatrizen größer als die Anzahl der verschiedenen Eigenwerte von F. (ii Ist V ein C-Vektorraum, dann lässt sich jeder Endomorphismus F : V V durch eine Matrix in Jordanscher Normalform darstellen. 6
Eigenwerte, 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
MehrTrigonalisierung. Definition. 1) Sei F : V V linear, dim V = n. Dann heißt F trigonalisierbar, wenn es eine Basis B von V gibt sodass a 11 a 12..
Trigonalisierung Sei F : V V linear und dim V = n. Wir beschäftigen uns jetzt mit der Frage, ob es eine Basis B von V gibt, sodass M B (F ) eine Dreiecksmatrix ist. Definition. ) Sei F : V V linear, dim
Mehr5 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
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
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
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,
Mehr3.7 Eigenwerte und Eigenvektoren
3.7. EIGENWERTE UND EIGENVEKTOREN 123 3.7 Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben,
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
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
MehrEigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008
Eigenwerttheorie Martin Gubisch Lineare Algebra I WS 27/28 Motivation Gegeben seien ein K-Vektorraum V der Dimension n < und eine K-lineare Abbildung f : V V Wir suchen eine Basis V = v 1,, v n von V,
Mehr2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren
2 ÄHNLICHKEIT VON MATRIZEN, EIGENWERTE UND EIGENVEKTOREN 1 19. Mai 2000 2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren Motivation. Es seien: V ein K-Vektorraum mit dim V = n < und F End V, Φ,
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,
MehrLösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen
Technische Universität Berlin Sommersemester 2008 Institut für Mathematik 18 Juli 2008 Prof Dr Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Klausur zur Linearen Algebra II Aufgabe 1 (1+1+1 Punkte)
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
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
MehrLineare Algebra II Lösungen zu ausgewählten Aufgaben
Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
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
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,
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
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 =
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
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
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
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
Mehr23. Die Jordan sche Normalform
Chr.Nelius, Lineare Algebra II (SS 2005) 1 23. Die Jordan sche Normalform Wir suchen für einen trigonalisierbaren Endomorphismus unter seinen dreiecksförmigen Darstellungsmatrizen eine Darstellungsmatrix,
MehrKapitel 11 Eigenwerte und Eigenvektoren
Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare
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
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.
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
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
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
MehrProbeklausur Lineare Algebra 1 Achten Sie auf vollständige, saubere und schlüssige Argumentation! 100 Punkte sind 100%. Inhaltsverzeichnis
Prof. Dr. Wolfgang Arendt Manuel Bernhard Wintersemester 5/6 Probeklausur Lineare Algebra Achten Sie auf vollständige, saubere und schlüssige Argumentation! Punkte sind %. Inhaltsverzeichnis Aufgabe Aufgabe
Mehr1. Hausübung ( )
Übungen zur Vorlesung»Lineare Algebra B«(SS ). Hausübung (8.4.) Aufgabe Es seien σ (3, 6, 5,, 4, 8,, 7) und τ (3,,, 4, 6, 5, 8, 7). Berechnen Sie σ τ, τ σ, σ, τ, die Anzahl der Inversionen von σ und τ
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
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
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
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
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
MehrLineare Algebra II Lösungen der Klausur
Prof Dr K Doerk 673 Jens Mandavid Christian Sevenheck Lineare Algebra II Lösungen der Klausur (a Diese Aussage ist richtig, sie stimmt nämlich für k = Sei nämlich n N beliebig und bezeichne N die Menge
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.
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 25/26 Lineare Algebra und analytische Geometrie I Vorlesung 28 If it works, it s out of date David Bowie Ein Zerlegungssatz Satz 28 Sei ϕ: V V ein trigonalisierbarer K-Endomorphismus
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrLösungen 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
MehrLineare Algebra - Determinanten und Eigenwerte
Lineare Algebra - Determinanten und Eigenwerte 26 März 2011 1 Determinanten 11 Definition (Determinanten): Sei K ein Körper und N n 0 Dann nennt man eine durch det : M(n n, K) K, a det(a) definierte Abbildung
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
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
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
MehrMusterlösungen 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,
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
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
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
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 +
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrKLAUSUR 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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
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,
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 13. Übung: Woche vom 23. 1.-27. 1. 2017 (Lin.Alg. II): Heft Ü 3: 1.1.3; 1.1.7 (a,b); 1.1.8; 1.1.11; 3.4.3 (b); 1.3.3 (c); 1.2.3 (b,d); Hinweis 1: 3. Test (Integration, analyt. Geom.) ist
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
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
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
MehrDiplomvorprüfung LA H 06 VD : 1
Diplomvorprüfung LA H 6 VD : Aufgabe : (3 + + = 6 Punkte) Gegeben sei die Matrix A = a) Bestimmen Sie die Eigenwerte von A b) Bestimmen Sie alle Eigenvektoren der Matrix A c) Ist die Matrix A invertierbar?
Mehri) 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):
MehrLösungsskizzen der Klausur zur Linearen Algebra im Herbst 2015
sskizzen der Klausur zur Linearen Algebra im Herbst 5 Aufgabe I. Es sei (G, ) eine Gruppe mit neutralem Element e und M {x G x x e}. Zeigen Sie: (a) Ist G kommutativ, so ist M eine Untergruppe von G. (b)
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
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
Mehr6. Lineare DGL-Systeme erster Ordnung
HJ Oberle Differentialgleichungen I WiSe 22/3 6 Lineare DGL-Systeme erster Ordnung A Allgemeines Wir betrachten ein lineares DGL System erster Ordnung y (t = A(t y(t + b(t (6 und setzen voraus, dass die
MehrKlausur zur Vorlesung Lineare Algebra B im SS 2002 an der Universität Hannover
Dozent: Prof. Dr. Wolfgang Ebeling Übungsleiter: Dr. Detlef Wille Klausur zur Vorlesung Lineare Algebra B im SS an der Universität Hannover Joachim Selke 9. Februar Lineare Algebra B SS Klausur zur Vorlesung
MehrBasisprüfung. 18. August 2015
Lineare Algebra I/II D-MATH, HS 4/FS 5 Prof Richard Pink Basisprüfung 8 August 25 [6 Punkte] Betrachte den reellen Vektorraum R 3 zusammen mit dem Standardskalarprodukt, und die Vektoren 9 3 v := 6, v
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
MehrLineare Algebra I Lösungsvorschläge zum 14. Übungsblatt U. Görtz
Lineare Algebra I Lösungsvorschläge zum 14. Übungsblatt U. Görtz Aufgabe 1 Sei V ein endlich-dimensionaler K-Vektorraum, und seien f und g Endomorphismen von V mit f g = g f. Zeige: a) Sind f und g diagonalisierbar,
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): 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
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrLösung zu Serie Bestimme die Jordansche Normalform und eine zugehörige Basiswechselmatrix der folgenden reellen Matrizen: A := B :=
Lineare Algebra D-MATH, HS 204 Prof. Richard Pink Lösung zu Serie 2. Bestimme die Jordansche Normalform und eine zugehörige Basiswechselmatrix der folgenden reellen Matrizen: 0 2 0 0 0 2 0 0 0 0 0 0 0
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
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
Mehr3.3 Das charakteristische Polynom
LinAlg II Version 1 2. Mai 2006 c Rudolf Scharlau 209 3.3 Das charakteristische Polynom Wir setzen die im vorigen Abschnitt begonnene Untersuchung von Eigenvektoren und Eigenwerten fort und stellen den
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
MehrMusterlösungen für die Nachklausur in LinAlg vom
Musterlösungen für die Nachklausur in LinAlg vom 10.10.16 1. Finden Sie mindestens ) zwei Dreh )Matrizen ) M R 2 2 mit der Eigenschaft 1 0 M = : M = ± 1 1 2 ±1 1 k k 1 k 2. Sei A R 3 3 die Matrix A = 0
Mehr4 Determinanten, Eigenwerte, Diagonalisierung, Jordansche Normalform
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Donnerstag WS 2/2 4 Determinanten, Eigenwerte, Diagonalisierung, Jordansche Normalform 4 Determinanten 4 Definition
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
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
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.48 2017/06/14 15:16:10 hk Exp $ $Id: jordan.tex,v 1.26 2017/06/16 10:59:58 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Zum Abschluss dieses Kapitels behandeln
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
Mehr43911: Lineare Algebra/Geometrie Prüfungstermin Herbst 2015 Lösungsvorschlag
Dr. Erwin Schörner 49: Lineare Algebra/Geometrie Prüfungstermin Herbst 5 Lösungsvorschlag I.. a Die in Abhängigkeit vom Parameter t R für t t A t t t R und b R t + t t + t zu betrachtende Menge F t { x
MehrLineare Algebra 2. Lösung zu Aufgabe 7.2:
Technische Universität Dortmund Sommersemester 2017 Fakultät für Mathematik Übungsblatt 7 Prof. Dr. Detlev Hoffmann 15. Juni 2017 Marco Sobiech/ Nico Lorenz Lineare Algebra 2 Lösung zu Aufgabe 7.1: (a)
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
MehrSerie Sei V ein Vektorraum. Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt. Zeigen Sie:
Prof Emmanuel Kowalski Lineare Algebra II Serie 3 Sei V ein Vektorraum Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt Zeigen Sie: a Der Kern und das Bild einer Projektion
Mehr09. Lineare Abbildungen und Koordinatentransformationen
09. Lineare Abbildungen und Koordinatentransformationen Definition. Seien V und W Vektorräume. Unter einer linearen Abbildung versteht man eine Abbildung F : V W, v F v w mit folgender Eigenschaft: F λ
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)
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrMathematik 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/
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.)
Mehr