Einige Beispiele zu Drehmatrizen Dr. W. Tenten fürs Forum "Abenteuer-Universum" zusammengestellt
|
|
- Rüdiger Haupt
- vor 7 Jahren
- Abrufe
Transkript
1 Einige Beispiele zu Drehmatrizen Dr. W. Tenten fürs Forum "Abenteuer-Universum" zusammengestellt Nov. 008 Die Hauptachsentransformation einer Quadrik in zwei Variablen liefert als Ergebnis eine Normalform eines Kegelschnittes. Wir bezeichnen im Folgenden die Variablen mit x und y statt mit x und x und benutzen die Matrizendarstellung [ x y ] a, x y x + [ a a ] + α 0. y Zunächst bestimmen wir die Eigenwerte λ und λ der symmetrischen Matrix A. a, Wir schreiben der Kürze halber α, α, α 4 a, und bekommen für A α α α α 4 nach einer früher gewonnenen Formel die Eigenwerte α α 4 λ + + ( α α 4 ) + 4 α 4 α α 4 ( α α 4 ) + 4 α 4 λ + und die zugehörigen Eigenvektoren v j λ j α 4, j,. α Die entsprechenden normierten Eigenvektoren bilden bei geeigneter Orientierung eine Drehmatrix R φ (Vorzeichen so setzen, daß die Determinante wird), welche den Kegelschnitt so dreht, daß seine Symmetrieachsen (Hauptachsen) danach parallel zu den Koordinatenachsen sind. Es gibt (durch Wahl der Reihenfolge der Eigenwerte bzw. der Koordinaten) mehrere Möglichkeiten, zu drehen - je nach Symmetrie eine, zwei oder vier! Die linearen Glieder muss man gegebenenfalls mit transformieren, also [ a, a ] durch [ a, a ] R φ ersetzen. Abschließend kann man durch quadratische Ergänzung die Koeffizienten der linearen Glieder zum Verschwinden
2 bringen. Beispiel : Eine gedrehte Ellipse > restart; interface(warnlevel0): with(plots): with(plottools): setoptions(scalingconstrained,axesnone): setoptionsd(scalingconstrained,stylepatchnogrid, lightmodellight): with(linalg): gren:color(rgb,0,.8,0): > q:(x,y)->6*x^+9*y^+4*x*y-80: 'q(x,y)'q(x,y); q ( x, y ) 6 x + 9 y + 4 y x 80 > Elschief:implicitplot(q(x,y)0,x-..,y-..,axesnormal): Elschief;
3 Symmetrische Matrix: > A:matrix(,,[6,,,9]): 'A'evalm(A); A 6 9 Charakteristisches Polynom: > p[a](x)sort(det(diag(x,x)-a),x); p A ( x ) x 65 x Eigenwerte: > print(lambda[]0,lambda[]45); λ 0, λ 45 Eigenvektoren: > print(v[] matrix(,,[9,]),v[] matrix(,,[,-9])); v 9, v -9
4 Drehmatrizen aus normierten Eigenvektoren: > print('r[phi]' matrix(,,[/5,-4/5,4/5,/5]),'r[psi]' matrix(,,[4/5,/5,-/5,4/5]));, R φ R ψ Drehwinkel: φ arccos 5 arcsin 4 5 arctan , ψ φ π Achsenparallele Ellipsen: + 0 x 45 y 80 0 bzw x 0 y 80 0 Normalformen: + x y bzw. + x y > Elnorm:implicitplot(0*x^+45*y^-800,x-..,y-..,colorb lue): Elsenk:implicitplot(45*x^+0*y^-800,x-..,y-..,colorg ren): display(elschief,elnorm,elsenk,axesnormal);
5 > Alternative Berechnung der Hauptachsentransformation Der Drehwinkel φ und die gesuchte Drehmatrix R φ cos( φ) sin( φ) sin( φ ) cos( φ) c s s c läßt sich auch direkt ohne Eigenwertberechnung finden: In der transformierten Matrix T β R φ A Rφ β β β 4 c sα α s c α c s α 4 s c α c + α s c + α 4 s ( α 4 α ) s c + α ( c s ) ( α 4 α ) s c + α ( c s ) α s α s c + α 4 c lautet der nicht auf der Diagonale stehende Koeffizient
6 β ( α 4 α ) sin( φ ) cos( φ) + α ( cos( φ) sin( φ) ) ( α 4 α ) sin( φ) + α cos( φ ). (Trigonometrische Summenformeln!) Um β 0, also eine Diagonalmatrix zu erreichen, setzt man cos( φ) α α 4 α cot( φ ) bzw. φ α 4 arccot sin( φ) α. α Weitere Lösungswinkel erhält man durch Addition ganzzahliger Vielfacher von π/ (Vierteldrehungen). Der Sonderfall α 0 ist hier unproblematisch, da A dann ja bereits eine Diagonalmatrix ist und man für R φ die Einheitsmatrix, d.h. φ 0 nehmen kann, was auch mit der Formel arccot( ) arccot( ) 0 zusammenpaßt. Beispiel : Eine gedrehte Hyperbel > q:(x,y)->x^+y^-4*x*y-: 'q(x,y)'q(x,y); q ( x, y ) x + y 4 y x > Hyschief:implicitplot(q(x,y)0,x-4..4,y-4..4,axesnormal): Hyschief;
7 Symmetrische Matrix: > A:matrix(,,[,-,-,]): 'A'evalm(A); Drehwinkel: cot( φ ) α α 4 0, α A - - π φ 4, cos( φ), sin( φ) Drehmatrizen: bzw. ψ π 4 (allgemein φ + n π ). > R: (/)*matrix(,,[sqrt(),-sqrt(),sqrt(),sqrt()]): print('r[phi]' R,'R[psi]' (/)*matrix(,,[sqrt(),sqrt(),-sqrt(),sqrt()]));
8 R φ, R ψ > print('r[phi]^t*a*r[phi]' evalm(transpose(r)&*a&*r)), 'R[psi]^T*A*R[psi]' evalm(r&*a&*transpose(r)); Achsenparallele Hyperbeln: T - 0 R φ A Rφ 0 T 0 R ψ A Rψ 0 - Normalformen: x + y 0 bzw. x y 0 x y + x y bzw.. > Hywaag:implicitplot(-x^+*y^-0,x-4..4,y-4..4,colorblue): Hysenk:implicitplot(*x^-y^-0,x-4..4,y-4..4,colorgren): display(hyschief,hywaag,hysenk,axesnormal);
9 > Die Hyperbel mit den "waagerechten" Ästen entstand durch Drehung um π/4 (Vierteldrehung gegen den Uhrzeigersinn), während die Hyperbel mit den "senkrechten" Ästen durch Drehung um π/4 (Vierteldrehung im Uhrzeigersinn) entstand. Verschiebung durch linearen Anteil: Hätten wir z.b. die Quadrik x + y 4 y x + x + y 5 0 zu untersuchen, so wäre noch der lineare Anteil zu transformieren, also [, ] R φ [, 0 ] zu bilden. Die transformierte Quadrik lautete dann x + y + x 5 0 bzw. ( x ) + y 0, und die ursprüngliche "waagerechte" Hyperbel wäre um Beispiel : Eine schiefe Parabel nach rechts verschoben.
10 > q:(x,y)->x^+*y^+*sqrt()*x*y-sqrt()*x+y+4: 'q(x,y)'q(x,y); q ( x, y ) x + y + x y x + y + 4 > Parschief:implicitplot(q(x,y)0,x0..6,y-5..0,axesnormal,nump oints000,view[-6..6,-6..6]): Parschief; Symmetrische Matrix: > A:matrix(,,[,sqrt(),sqrt(),]): 'A'evalm(A); A Charakteristisches Polynom: > p[a](x)sort(det(diag(x,x)-a),x); p A ( x ) 4 x x
11 Eigenwerte: > print(lambda[]0,lambda[]4); λ 0, λ 4 Eigenvektoren: > print(v[] matrix(,,[-,sqrt()]),v[] matrix(,,[,sqrt()])); - v, v Eine Drehmatrix (Determinante ) und eine Spiegelungsmatrix (Determinante -, symmetrisch): > print('r[phi]' matrix(,,[sqrt()/,/,-/,sqrt()/]), 'S[psi]' matrix(,,[/,sqrt()/,sqrt()/,-/])); R φ, S - ψ - π n π ψ π Drehwinkel: φ +, Steigungswinkel der Spiegelgeraden: 6 6. Transformation des linearen Anteils: > print('r[phi]^t'*matrix(,,[-sqrt(),]) evalm(matrix(,,[sqrt()/,-/,/,sqrt()/])&*matrix(,,[-s qrt(),])), 'S[psi]'*matrix(,,[-sqrt(),]) evalm(matrix(,,[/,sqrt()/,sqrt()/,-/])&*matrix(,,[-s qrt(),]))); Achsenparallele Parabeln: T R φ -, S 0 ψ 0-4 y x 4 0, 4 y + x + 4 0, 4 x y 4 0, 4 x + y + 4 0, x y +, x y, y x +, y x > Par:plot([-*y^-,y,y-..],colorblue): Par:plot([*y^+,y,y-..],colorblue): Par:plot([x,*x^+,x-..],colorgren): Par4:plot([x,-*x^-,x-..],colorgren): display(parschief,par,par,par,par4,axesnormal,view[-6..6,-6..6]);
12 > Invarianz des charakteristischen Polynoms Wegen der Produktregel für Determinanten gilt für Transformationen mit invertierbarer Matrix B det( B ( ) A B ) det ( B ) ( ) det( A ) det( B ) det( A ). Deshalb bleibt das charakteristische Polynom unverändert:. p A pb ( ) A B Insbesondere hat die transformierte Matrix B ( ) Vielfachheit) und auch die gleiche Spur wie A. Klassifikation der Kegelschnitte Wie erkennt man bei einer ebenen Quadrik A B genau die gleichen Eigenwerte (inkl. x + a, x + x x + x + a, x + a, 0
13 den Typ des dargestellten Kegelschnitts? Mit Hilfe der Eigenwerte bzw. der Determinante d det a, a, a, kann man sofort eine grobe Einteilung der Kegelschnitte vornehmen: Ellipse, Punkt oder leere Menge bei gleichem Vorzeichen der Eigenwerte (d > 0) Hyperbel oder Geradenpaar bei verschiedenem Vorzeichen der Eigenwerte (d < 0) Parabel, Parallelenpaar, Gerade oder leere Menge, falls der Eigenwert 0 auftritt (d 0). Die Achsenabschnitte bei Ellipsen und Hyperbeln findet man als reziproke Quadratwurzeln aus den positiven Eigenwerten. Zur feineren Unterscheidung braucht man außer d auch noch die Determinante der entsprechenden räumlichen Quadrik: Mit s + d a, det a, a,. a, a, a, hat man dann folgende Kriterien und Normalformen: d > 0, s d < 0 : Ellipse b x + a y a b d < 0, d 0, s d > 0 : leer b x + a y a b d 0 : Punkt b x + a y 0 d 0 : Hyperbel b x a y a b d 0 : sich schneidende Geraden b x a y 0 d 0 : Parabel x a y 0 d 0 : Parallele Geraden oder leer x a 0 Im letzten Fall handelt es sich nur um eine Gerade, falls die x-matrix den Rang hat. Satz über die Hauptachsentransformation symmetrischer Matrizen Jede symmetrische Matrix A aus R ( n x n ) hat nur reelle Eigenwerte und besitzt Orthonormalbasen (b,...,b n ) aus reellen Eigenvektoren. Spaltenweise zusammengesetzt bilden diese eine orthogonale Matrix B, so daß B T A B Λ eine Diagonalmatrix wird, deren Diagonalelemente die Eigenwerte von A sind.. Wir betrachten zunächst einen Eigenwert λ aus C und dazu einen Eigenvektor v. Es gilt also
14 A v λ v und folglich wegen A A A T : λ v T v ( λ v ) T v ( A v ) T v v T A T v v T A v λ v T v. Da v nicht der Nullvektor ist, also v T v v 0 gilt, muß λ λ reell sein.. Eigenvektoren zu verschiedenen Eigenwerten stehen aufeinander senkrecht: Ist A v λ v und A w µ w, so folgt und für v T ( λ µ ) w v T λ w v T µ w v T A w v T A w 0, λ µ erzwingt das v T w 0.. Jeder Eigenraum besitzt eine Orthonormalbasis. Wie man eine solche aus einer beliebigen Basis gewinnt, beschreiben wir weiter unten. 4. Man muß sich nun noch überlegen, daß algebraische und geometrische Vielfachheit der Eigenwerte im Falle einer symmetrischen Matrix übereinstimmen (was wir hier übergehen wollen). Dann kann man die in. gewonnenen Orthonormalbasen der Eigenräume zu einer Orthonormalbasis des Gesamtraumes R n zusammensetzen und bekommt mit der daraus gebauten Transformation die gewünschte Diagonalgestalt. Bei (x)-matrizen geht das einfach: - Entweder sind alle drei Eigenwerte verschieden, dann stehen die zugehörigen Eigenvektoren automatisch aufeinander senkrecht und müssen nur noch ggf. normiert werden, - oder alle drei Eigenvektoren sind gleich; dann ist A ein Vielfaches der Einheitsmatrix, und man kann irgendeine Orthonormalbasis des R (z.b. die kanonische) nehmen, - oder A hat einen einfachen und einen doppelten Eigenwert; dann nimmt man je einen normierten Eigenvektor zu diesen beiden Eigenwerten und ergänzt diese (orthogonalen!) Vektoren durch deren Kreuzprodukt zu einer Orthonormalbasis. Zusammenfassung: Hauptachsentransformation. Bestimmung aller Eigenwerte (notfalls näherungsweise).. Berechnung von Basen der Eigenräume mittels Elimination nach Gauß-Jordan.. Umformung in Orthonormalbasen. 4. Zusammensetzen zur Transformationsmatrix. Es bleibt zu klären, wie man aus einer gegebenen Basis eine Orthonormalbasis macht. Orthonormierung nach Gram-Schmidt: Ist c,...,c k Orthonormalbasis eines Unterraumes U und b ein nicht in U liegender Vektor, so erhält man eine Orthonormalbasis c,...,c k + des von U und b zusammen aufgespannten Raumes, indem man die Projektion von b auf U bildet: b U : b c +...+b ck, wobei b cj β j c j die Projektion von b auf c j mit β j b T c j ist, und den Lotvektor b b U 0 normiert, also c k + ( b b U ) setzt (zur Erinnerung: Der normierte Vektor u 0 entsteht aus u,
15 indem man durch den Betrag u dividiert). Wir verifizieren mit Hilfe des Skalarprodukts, daß b b U und damit auch c k + tatsächlich senkrecht auf jedem der Vektoren c j, j,...,k steht: T c j b k i T β i c i c j b T T wegen c j cj und c j ci 0 für i j. k i T T β i c j ci c j b b T c j 0 Durch Iteration dieses Verfahrens erhält man aus einer beliebigen Basis b,...,b r sukzessive eine Orthonormalbasis 0 0 T T T c : b, c : ( b c b b ), c : ( b c b c c b c ) 0... In der Praxis empfiehlt es sich meist, die Normierung erst ganz am Schluß vorzunehmen, um in den Zwischenschritten Wurzeln zu vermeiden: c : b, c : b α, c, c : b α, c α, c usw. mit α i, j T c i bj c i T ci Dann wird c 0, c 0, c 0... eine Orthonormalbasis. Beispiel 4: Orthonormalbasis eines Lösungsraumes Für das Gleichungssystem A x 0 mit der symmetrischen Matrix A : berechnet man mit dem Gauß-Jordan-Verfahren z.b. folgende Basisvektoren: b [,,, 0, 0 ], b [,, 0,, 0 ], b [, 4, 0, 0, ]. Hieraus bekommt man erst eine Orthogonalbasis durch die folgenden Schritte des Gram-Schmidt-Verfahrens: T c [,,, 0, 0 ], c c 6, T c b [,,, 0, 0 ] T [,, 0,, 0 ] 4, α,, c b α, c [,, 0,, 0 ] T c b [,,, 0, 0 ] T [, 4, 0, 0, ], 6, [,,, 0, 0],,,, 4 0, c T c 0, α,
16 T T c b,,,, 4 0 [, 4, 0, 0, ] 0, α,, [,,, 0, 0] c b α, c α, c [, 4, 0, 0, ],,,, 6 4 0,,,, 0, c T c 5. Probe: c c 0, c c 0, c c 0. Durch Normieren der Vektoren c j ergibt sich nun eine Orthonormalbasis: 0 [,,, 0, 0 ] 0 [,, 4,, 0] 0 [, 0,,, ] c, c, c MAPLE berechnet mit dem Befehl nullspace eine Basis des Lösungsraums von A x 0... > A:matrix(5,5,[,,,4,5,,,4,5,6,,4,5,6,7,4,5,6,7,8,5,6,7,8,9 ]); nullspace(a); A : {[, -,, 0, 0 ], [, -, 0,, 0 ], [, -4, 0, 0, ] } und daraus mit dem Befehl GramSchmidt eine Orthogonalbasis: > GramSchmidt(%); { [, -,, 0, 0 ],, } - -4,,,, 0,,,, Mit dem Befehl normalize wird schließlich noch normiert: > c[]:normalize([, -,, 0, 0]); c[]:normalize([/, -/, -4/,, 0]); c[]:normalize([/, 0, -/, -, ]); > c : c : c : 6 6 6,,, 0, ,, 0 0,, , 0,,, Wie man sieht, beseitigt MAPLE alle irrationalen Nenner. 5 5
5.4 Hauptachsentransformation
. Hauptachsentransformation Sie dient u.a. einer möglichst einfachen Darstellung von Kegelschnitten und entsprechenden Gebilden höherer Dimension mittels einer geeigneten Drehung des Koordinatensystems.
Mehr++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1
Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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
MehrLineare Algebra II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
Mehr7.1 Bewegungen und Polynome zweiten Grades
Kapitel 7 Quadriken Eine Quadrik ist die Nullstellenmenge eines Polynoms in mehreren Variablen, die nur quadratisch, linear oder in gemischten Gliedern, d.h. Produkten zweier verschiedener Variablen auftreten.
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
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,
MehrLösungen der Aufgaben zu Kapitel 11
Lösungen der Aufgaben zu Kapitel Vorbemerkung: Zur Bestimmung der Eigenwerte (bzw. des charakteristischen Polynoms) einer (, )-Matrix verwenden wir stets die Regel von Sarrus (Satz..) und zur Bestimmung
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
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)
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
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
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
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
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)
MehrEigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )
Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen
Mehr6 Metrische Klassifikation der Quadriken
6 Metrische Klassifikation der Quadriken A Wiederholung von Kap V, 5 Sei A = (a ij ) eine symmetrische n n Matrix. n x 1 q(x) := x t Ax = a ij x i x j, x =. i,j=1 ist dann ein quadratisches Polynom in
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrMathematische Probleme, SS 2015 Montag $Id: quadratisch.tex,v /06/22 12:08:41 hk Exp $
Mathematische Probleme, SS 15 Montag 6 $Id: quadratischtex,v 111 15/06/ 1:08:41 hk Exp $ 4 Kegelschnitte 41 Quadratische Gleichungen In der letzten Sitzung hatten wir die Normalform (1 ɛ )x + y pɛx p =
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert
MehrBeispiele. zum Tutorium Numerisches Rechnen und Lineare Algebra WS 2016/2017
Beispiele zum Tutorium Numerisches Rechnen und Lineare Algebra WS 6/7 Zur positiven Beurteilung der LV ist es notwendig, dass aus jedem der 9 Abschnitte (Lineare Gleichungssysteme, Determinanten, Vektorräume,
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr6 Symmetrische und hermitesche Matrizen
Mathematik für Physiker II, SS Freitag 4.6 $Id: quadrat.tex,v.8 /6/4 4:44:39 hk Exp hk $ 6 Symmetrische und hermitesche Matrizen 6. Prä-Hilberträume Wir sind gerade mit der Diskussion der sogenannten Ausgleichsgerade
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 27 L I N E A R E A L G E B R A F Ü R T P H, U E (.64) 2. Haupttest (FR, 9..28) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrAnwendung v. symmetrischen Matrizen: Hauptachsentransformation
Zusammenfassung: Eigenwerte, Eigenvektoren, Diagonalisieren Eigenwertgleichung: Bedingung an EW: Eigenwert Eigenvektor charakteristisches Polynom Für ist ein Polynom v. Grad, Nullstellen. Wenn EW bekannt
MehrLina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
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,
MehrEin Produkt ist Null, wenn einer der Faktoren gleich Null ist. Die beiden Eigenwerte sind demnach. λ 1 = 0, λ 2 = 2i. 1 i
TU Dresden Fakultät Mathematik Institut für Numerische Mathematik Lösung zur Aufgabe (b des Übungsblattes Ermitteln Sie on der folgenden Matrix alle (komplexen Eigenwerte und zu jedem Eigenwert einen zugehörigen
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrOrientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops
15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den
MehrEigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
Zurück Stand 4.. 6 Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch
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
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrMusterlösungen zur Linearen Algebra II Hauptklausur
Musterlösungen zur Linearen Algebra II Hauptklausur Aufgabe. Q ist unitär genau dann, wenn gilt Q Q = I n. Daraus folgt, dass a) und c) richtig sind. Die -Matrix A := (i) zeigt, dass i.a. A A t, d.h. b)
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/
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
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.44 2018/05/17 14:11:13 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.6 Bewegungen und Kongruenzbegriffe Wir untersuchen gerade die Spiegelung an einer Hyperebene h R d. Ist ein
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
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrKapitel 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
Mehr5.2 Charakteristisches Polynom und Eigenräume
5 Charakteristisches Polynom und Eigenräume Wie bestimmt man die Eigenwerte und Eigenräume einer Matrix? Den ersten Schritt beschreibt der folgende einfache Satz : Die Eigenwerte einer Matrix A aus K (
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)
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner SS 0 Blatt 9 9060 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach Lösungsvorschlag a Die gegebene Matrix
Mehr1 Analytische Geometrie und Grundlagen
Mathematische Probleme, SS 28 Dienstag 29.5 $Id: vektor.tex,v.46 28/5/29 6:4: hk Exp $ Analytische Geometrie und Grundlagen.6 Bewegungen und Kongruenzbegriffe Am Ende der letzten Sitzung hatten wir bereits
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung
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
MehrKlausur zu. Lineare Algebra II. Viel Erfolg! Fachbereich Mathematik WS 2012/13 Dr. habil. Matthias Schneider. Bonus Note. Aufgabe
Klausur zu Lineare Algebra II Fachbereich Mathematik WS 0/3 Dr. habil. Matthias Schneider Aufgabe 3 4 5 6 7 Bonus Note Punktzahl 4 3 3 3 3 0 erreichte Punktzahl Es sind keine Hilfsmittel zugelassen. Die
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
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
Mehr43911: Lineare Algebra/Geometrie Prüfungstermin Frühjahr 2014 Lösungsvorschlag
Dr. Erwin Schörner 49: Lineare Algebra/Geometrie Prüfungstermin Frühjahr 4 Lösungsvorschlag I.. Für einen R Vektorraum V der Dimension dim V n mit n N ist die lineare Abbildung f : V V mit der Eigenschaft
MehrZiel: Wir wollen eine gegebene Quadrik auf eine einfache Form transformieren, aus der sich ihre geometrische Gestalt unmittelbar ablesen lässt.
49 Quadriken 49.1 Motivation Quadriken (vgl. Def. 48.2) stellen eine wichtige Klasse geometrischer Objekte dar, mit Anwendungen in Computergrafik, Bildverarbeitung, Visualisierung, Physik u. a. Ziel: Wir
MehrLineare Algebra für Physiker 11. Übungsblatt
Lineare Algebra für Physiker 11. Übungsblatt Fachbereich Mathematik SS 01 Prof. Dr. Matthias Schneider./. Juli 01 Dr. Silke Horn Dipl.-Math. Dominik Kremer Gruppenübung Aufgabe G1 (Minitest) (a) Welche
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehrcos(x)cos(2x)cos(4x) cos(2 n x) = sin(2n+1 x) 2 n+1 sin(x) = sin(2n+2 x) 2 n+2 sin(x).
Stroppel/Sändig Musterlösung 8. 3., min Aufgabe 5 Punkte Beweisen Sie für alle x R {zπ z Z} die Formel für n N mit Hilfe der vollständigen Induktion. cosxcosxcosx cos n x = sinn+ x n+ sinx Dabei dürfen
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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,
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2016
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 26 L I N E A R E A L G E B R A F Ü R T P H, U E (3.64) 2. Haupttest (FR, 2..27) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
MehrLösungsskizzen zur Klausur Mathematik II
sskizzen zur Klausur Mathematik II vom..7 Aufgabe Es sei die Ebene im R 3 gegeben. E = +λ 3 + µ λ,µ R (a) Geben Sie die Hesse-Normalform der Ebene E an. (b) Berechnen Sie die orthogonale Projektion Π E
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
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
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
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 29. April 2011
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 29. April 2011 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
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
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
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
Mehr10. Übung zur Linearen Algebra II -
0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.
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
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) :=
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,
MehrKontrollfragen und Aufgaben zur 4. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Dr. Jens Schreyer und Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 4. Konsultation
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
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
MehrMathematische Probleme, SS 2013 Donnerstag $Id: quadratisch.tex,v /08/12 09:49:46 hk Exp $ c a b = 1 3. tan(2φ) =
Mathematische Probleme SS 13 Donnerstag 136 $Id: quadratischtexv 18 13/08/1 09:49:46 hk Exp $ 4 Kegelschnitte 41 Quadratische Gleichungen Nachdem wir in der letzten Sitzung die Hauptachsentransformation
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
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
MehrZusammenfassung und Beispiellösungen. zur Linearen Algebra
Zusammenfassung und Beispiellösungen zur Linearen Algebra Inhaltsverzeichnis TI Taschenrechner Funktionen für Matrizen... n*m Matrix... Diagonal und Dreiecksmatrix... Transponierte der Matrix A (AT)...
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
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)
MehrAufgabenskript. Lineare Algebra
Dr Udo Hagenbach FH Gießen-Friedberg Sommersemester 9 Aufgabenskript zur Vorlesung Lineare Algebra 6 Vektoren Aufgabe 6 Gegeben sind die Vektoren a =, b =, c = Berechnen Sie die folgenden Vektoren und
MehrKapitel V. Räumliche Geometrie. 1. Drehungen
Kapitel V Räumliche Geometrie 1. Drehungen Punkte in R 3 sind durch 3 Koordinaten (x 1,x 2,x 3 ) bestimmt. Wir benützen die Matrix-Schreibweise x 1 x = x 2 x 3 Eine Drehung um die Koordinatenachse x 3
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrEuklidische Vektorräume
ÜBUNG [00]: Lies dir sämtliche Informationen über das Begleitpraktikum II auf der Homepage durch, damit du informiert über den Ablauf bist. Beachte hierbei insbesondere die Fristen für die Anmeldung! Hinweis:
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.)
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
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
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
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Mehr