Lineare Algebra 1. . a n1 a n2 a n3 a nm
|
|
- Klemens Pfaff
- vor 7 Jahren
- Abrufe
Transkript
1 Lineare Algebra 1 Lineare Algebra Hilfreiche Konzepte zur Vereinfachung der Darstellung und Berechnung stellt die lineare Algebra bereit. Auch wenn sie nur an wenigen Stellen des Buches verwendet wurden, kommt Matrizen und Vektoren u.a. bei der Analyse von Netzwerkstrukturen und der Lösung von Optimierungsproblemen wesentliche Bedeutung zu. A. Fundamentale Konzepte Matrizen erlauben kompakte Darstellungen von miteinander verknüpfbaren Elementen, Zahlen bzw. Funktionen. Eine Matrix ist ein rechteckiges Schema, das durch einen fettgedruckten Großbuchstaben symbolisiert wird und aus einer Anzahl von Zeilen (Zeilenvektoren) und Spalten (Spaltenvektoren) besteht Vektoren sind demnach spezielle Matrizen, die entweder nur eine Zeile oder nur eine Spalte umfassen und sich durch kleine fettgedruckte Buchstaben repräsentieren lassen. Das ij-te Eintrag der Matrix befindet sich in der i-ten Zeile und j- ten Spalte. Nach der Einführung grundlegender Begriffe werden lediglich besonders wichtige Kategorisierungen vorgestellt. A1. Matrizen, Vektoren und Skalare Eine Matrix A ist ein rechteckiges Zahlenschema, in dem n m Elemente a ij in n Zeilen und m Spalten arrangiert sind: a 11 a 12 a 13 a 1m a 21 a 22 a 23 a 2m A = (a ij ) = a n1 a n2 a n3 a nm Die Transposition einer Matrix bedeutet, dass ihre Spalten und Zeilen vertauscht werden. Die Transponierte der n m Matrix A wird mit A bezeichnet die k-te Zeile von A ist die k-te Spalte von A. Eine 1 1 Matrix ist ein Skalar (d.h. eine einzelne reelle Zahl). Eine Matrix, die aus n Zeilen und lediglich einer Spalte besteht, wird Spaltenvektor genannt und mit einem kleinen Buchstaben (wie z.b. x) bezeichnet. Ein Zeilenvektor (wie z.b. x ) liegt vor, wenn eine Matrix nur eine Zeile, aber m Spalten hat. A2. Einige Matrizentypen Besonders wichtige Arten von Matrizen sind: Quadratische Matrix: Eine Matrix, welche dieselbe Zahl von Zeilen und Spalten besitzt, wird quadratische Matrix genannt. Sie besitzt eine Hauptdiagonale (von links oben nach rechts unten). Symmetrische Matrix: Eine quadratische Matrix, deren Elemente über der Hauptdiagonale denjenigen unter der Hauptdiagonale entsprechen, ist symmetrisch. Bei Symmetrie gilt also A = A, so dass a ij = a ji für alle i und j erf llt ist.
2 2 Mathematischer Anhang Diagonalmatrix: Eine Diagonalmatrix liegt vor, wenn eine quadratische Matrix zumindest ein positives oder negatives Hauptdiagonalelement hat, aber sonst nur Nullen aufweist. Identitätsmatrix: Eine Diagonalmatrix, die ausschliesslich Einser in der Hauptdiagonale hat, heisst Identitätsmatrix und wird mit I bezeichnet. Nullmatrix: Eine Matrix, deren Elemente alle Null sind, ist eine Nullmatrix und wird mit 0 bezeichnet. Negativ oder positiv definite Matrix: Eine symmetrische Matrix, für die x Ax < 0 (x Ax > 0) für alle x 0 gilt, wird negativ (positiv) definite Matrix genannt. Daneben sind folgende Begriffe gebräuchlich: Werden die Zeilen und Spalten einer Matrix miteinander vertauscht, so erhält man ihre transponierte Matrix. Eine quadratische Matrix ist unzerlegbar, wenn sie durch keine Permutation ihrer Zeilen und Spalten in separate quadratische Untermatrizen überführt werden kann. Intuitiv gesprochen gibt es dann keine voneinander unabhängigen Teile der durch die Matrix repräsentierten Verflechtungen. B. Verknüpfungen und Rechenregeln Unter bestimmten Bedingungen lassen sich Matrizen, Vektoren und Skalare miteinander verknüpfen. Nach der Darstellung dieser Voraussetzungen werden die relevanten Berechnungsvorschriften spezifiziert. B1. Matrixverknüpfungen Zwei Matrizen A und B sind dann gleich, wenn sie dieselbe Dimension n m besitzen und ihre korrespondierenden Elemente allesamt gleich sind (d.h. a ij = b ij für alle i und j). Zwei n m Matrizen A und B werden addiert bzw. subtrahiert, indem sie man elementweise addiert bzw. subtrahiert. Eine Matrix A wird mit einem Skalar a multipliziert, indem man jedes Element von A mit a multipliziert. Bei der Multiplikation von zwei Matrizen A und B ist zu beachten: Ihre Multiplizierbarkeit im Sinne von AB ist nur gegeben, wenn die Spaltenzahl der linksstehenden Matrix A genau der Zeilenzahl der rechtsstehenden Matrix B entspricht. Bei der Multiplikation von zwei geeignet dimensionierten Matrizen gilt im Allgemeinen AB BA. Generell ist also zwischen Linksmultiplikation und Rechtsmultiplikation zu unterscheiden. Das Produkt einer n m Matrix A mit einer m q Matrix B ergibt eine n q Matrix C mit Elementen c ik = j a ij b jk für alle i und k. Wenn sie bezüglich der Dimension passend sind, gilt bei der Multiplikation von zwei Vektoren oder der Multiplikation einer Matrix mit einem Vektor:
3 Lineare Algebra 3 Wird ein Zeilenvektor mit einem Spaltenvektor (in dieser Reihenfolge) multipliziert, so liegt ein Skalarprodukt vor (d.h es resultiert ein Skalar). Wird ein Spaltenvektor mit einem Zeilenvektor (in dieser Reihenfolge) multipliziert, so resultiert eine Matrix. Wird eine Matrix mit einem Spaltenvektor (in dieser Reihenfolge) multipliziert, so resultiert ein Spaltenvektor. Wird ein Zeilenvektor mit einer Matrix (in dieser Reihenfolge) multipliziert, so resultiert ein Zeilenvektor. Wird eine quadratische Matrix A und ein korrespondierender Spaltenvektor X betrachtet, so liegt eine quadratische Form x Ax vor. Zu betonen ist, dass die Division mit einer Matrix nur bedingt durch die Bestimmung der inversen Matrix m glich ist. Die Inverse einer quadratischen Matrix A ist, sofern sie berhaupt existiert, eine quadratische Matrix A 1 für die AA 1 = A 1 A = I gilt. Bei einer symmetrischen Matrix ist stets auch die Inverse symmetrisch (d.h. A 1 = (A 1 ) = A 1 ). B2. Zentrale Rechenregeln Matrizen lassen sich nur verknüpfen, falls sie bezüglich der Zeilen- und Spaltenzahl zueinander passen. Es gelten dann folgende Rechenregeln: A + B = B + A, A + 0 = A, (A + B) + C = A + (B + C) = A + B + C, a(a + B) = aa + ab, (a + b)a = aa + ba, a(ba) = (ab)a = (ba)a = b(aa), (AB)C = A(BC) = ABC, A(B + C) = AB + AC, (B + C)A = BA + CA, a(ab) = (aa)b = A(aB) = aab, IA = AI = A, 0A = A0 = 0, (A ) = A, (A + B) = A + B, (AB) = B A, ABC = C B A. Entsprechend einer weit verbreiteten Praxis sind hier Skalare (im Gegensatz zu Matrizen und Vektoren) nicht fett gedruckt.
4 4 Mathematischer Anhang C. Stochastische Matrizen und Eigenwertaufgaben Stochastische Matrizen werden oftmals in der Soziologie z.b. bei Analysen von Netzwerkstrukturen und Prozessen (z.b. soziale Mobilität, Vakanzketten) verwendet. Nach der Klärung von Begriffen werden daher einschlägige Einsichten referiert. C1. Stochastische Matrizen Weist eine quadratische Matrix nur nichtnegative Einträge auf und sind ihre Spaltensummen (Zeilensummen) alle gleich Eins, dann nennt man sie eine spaltenstochastische (zeilenstochastische) Matrix. Für eine spaltenstochastische Matrix A = (a ij ) sind also a ij 0 für alle i, j und i a ij = 1 für alle j erfüllt. Bei einer zeilenstochastischen Matrix B = (b ij ) gelten dagegen b ij 0 für alle i, j und j b ij = 1 für alle i. Welche Variante stochastischer Matrizen man dabei wählt, hängt davon ab, ob man eher mit Spaltenvektoren oder eher mit Zeilenvektoren rechnen will. Diese Entscheidung hat mit der Matrizenmultiplikation und ihren Eigenschaften zu tun. Voraussetzung der Multiplikation von zwei Matrizen H und K ist bekanntlich, dass die Anzahl der Spalten von H mit der Anzahl der Zeilen von K übereinstimmt. Ist diese Bedingung erfüllt, kann P = HK berechnet werden und das ij-te Element der Produktmatrix P ergibt sich durch die Summe der Produkte aus den Einträgen der i-ten Zeile von H mit den jeweils korrespondierenden Einträgen aus der j-ten Spalte von K. Wichtig ist hierbei die fehlende Kommutativität der Matrizenmultiplikation im Gegensatz zur Produktbildung von zwei Zahlen bestimmt bei der Matrizenmultiplikation die Reihenfolge der beiden Faktoren (also der Matrizen) wesentlich das Ergebnis. Beispielsweise ergibt die Linksmultiplikation einer Matrix mit einem geeignet dimensionierten Zeilenvektor (d.h. die von links erfolgende Multiplikation des Vektors mit der Matrix) wiederum einen Zeilenvektor, dessen Einträge sich im Allgemeinen von denen des Spaltenvektors unterscheiden, der bei einer Rechtsmultiplikation derselben Matrix mit einem entsprechenden Spaltenvektor resultiert. Somit ist prinzipiell zwischen der Linksmultiplikation mit einem Zeilenvektor und der Rechtsmultiplikation mit einem Spaltenvektor zu unterscheiden. Dies gilt prinzipiell auch bei sogenannten Eigenwertaufgaben. C2. Eigenwertaufgaben Bei ihrer Lösung wird ein vom Nullvektor verschiedener Vektor durch die zugehörige quadratische Matrix vervielfacht. Die Vervielfachung wird durch den sogenannten Eigenwert bestimmt. Genauer gesagt: Ein rechtsseitiger Eigenvektor x zu einer quadratischen Matrix M löst ein lineares Gleichungssystem einer bestimmten Form, nämlich Mx = λx. Bei dieser im Sinne einer linearen Transformation auffassbaren Aufgabenstellung wird der Vektor durch die Matrix nur um einen (als Eigenwert bezeichneten) Faktor λ gestreckt oder gestaucht. Er wird also entsprechend verlängert oder verkürzt, ändert aber seine Richtung nicht. Somit bildet die Matrix den Eigenvektor auf sich selbst ab er ist ein Fixvektor der Matrix. Dies gilt auch für den linksseitigen Eigenvektor y, der ym = µ y löst und mit dem Eigenwert µ
5 Lineare Algebra 5 assoziiert ist. Eigenvektoren der Matrix M sind der Spaltenvektor x und der Zeilenvektor y, die keine Nullvektoren sind und sich typischerweise unterscheiden. Vertauscht man alle Zeilen und Spalten der Matrix jedoch miteinander (d.h. Bestimmung der transponierten Matrix) und berechnet erneut die Eigenvektoren, dann stimmen die linksseitigen Eigenvektoren der Matrix mit den rechtsseitigen Eigenvektoren ihrer transponierten Matrix überein und auch die zugehörigen Eigenwerte entsprechen einander. Bei Eigenwertaufgaben kann man sich daher auf entweder linksseitige oder rechtsseitige Eigenvektoren konzentrieren und die jeweilige Alternative ausblenden. Bei der Berechnung von Eigenvektoren sind möglicherweise unterschiedliche Eigenwerte zu bestimmen. Diese Tatsache spielt im Zusammenhang mit stochastischen Matrizen kaum eine Rolle, sofern man sich bei ihnen auf einen bestimmten reellwertigen Eigenwert beschränken kann. Unzerlegbare stochastische Matrizen besitzen einen größten Eigenwert von Eins. Der zugehörige Eigenvektor zum Eigenwert 1 einer unzerlegbaren stochastischen Matrix hat durchwegs positive Einträge; weil er nur bis auf ein Vielfaches eindeutig bestimmt ist, empfiehlt sich die Einführung der zusätzlichen Restriktion, wonach die Summe der Einträge des Eigenvektors jeweils Eins ergibt. Anders gesagt: Der Eigenvektor wird als Wahrscheinlichkeitsvektor berechnet, wodurch seine Eindeutigkeit gewährleistet ist (siehe hierzu und für einen Überblick zu Querverbindungen von Eigenwertaufgaben zu Graphentheorie und stochastischen Prozessen das Buch von Roberts 1976). Ein Eigenvektor gehört stets zu einer quadratischen Matrix bekanntlich bildet die Matrix den Eigenvektor auf sich selbst ab. Der Eigenvektor ist stationär oder ein Fixpunkt-Vektor. Betrachtet man daher selbstbezügliche Vorgänge oder Abläufe (z.b. Output als Input bei der nächsten Iteration eines Prozesses) und Beziehungsgeflechte (z.b. Tauschsysteme), so kann man den Eigenvektor als eine spezielle Gleichgewichtssituation auffassen, gegen den unter bestimmten Bedingungen eine langfristige Konvergenz besteht. Anders gesagt: Ein Eigenvektor repräsentiert eine Ruhekonstellation, die unweigerlich mit der zugrundeliegenden Matrix verknüpft ist und das Langzeitverhalten des dort betrachteten Systems oder Prozesses betrifft.
1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
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
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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,
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrSpezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation
. Inhaltsverzeichnis.............. Spezialgebiet Mathematik(Christian Behon ) 1 Matrizen Kapitel 1 Definitionen und Herleitung von Matrizen 1.1 Was sind Matrizen 1.2 Arten von Matrizen Kapitel 2 Matrizenoperation
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrLineare Algebra (Teil 1) (LinAlg_1.mw)
Lineare Algebra (Teil 1) (LinAlg_1.mw) Neue MAPLE-Befehle: Vector, DotProduct, CrossProduct, Norm, Matrix, Row, Column, Transpose, Rank, Basis, Determinant, MatrixInverse, Eigenvalues, Eigenvectors. Wir
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
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
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
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrMathematische Formeln für Wirtschaftswissenschaftler
Mathematische Formeln für Wirtschaftswissenschaftler Fred Böker Institut für Statistik und Ökonometrie Georg-August-Universität Göttingen Platz der Göttinger Sieben 5 D-37073 Göttingen Tel 0551-394604
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
MehrVektoren. 2.1 Darstellung. Kapitel Subtraktion und Addition
Kapitel 2 Vektoren In diesem Kapitel werden wir im wesentlichen die verschiedenen Formen der Darstellung von Vektoren in MatLab sowie Verknüpfungen zwischen Vektoren betrachten. In letzterem Punkt ist
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrMathematik Matrizenrechnung
Mathematik Matrizenrechnung Einstufige Prozesse Rechenregeln für Matrizen Mehrstufige Prozesse Inverse Matrix Stochastische Prozesse 6 Zyklisches Verhalten Einstufige Prozesse Einstufige Prozesse Zur Beschreibung
Mehr3 Matrizen und Determinanten
31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel
Mehr1.9 Eigenwerte und Eigenvektoren
.9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
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
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 Roger Burkhardt roger.burkhardt@fhnw.ch
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrLineare Gleichungssysteme
KAPITEL 2 Lineare Gleichungssysteme Lernziele dieses Abschnitts sind: Begrie: Matrix, Vektor spezielle Matrix, transponierte Matrix, inverse Matrix nur fur quadratische Matrizen erklart, Determinante,
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
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 +
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
Mehr10. Teil: Elemente der Linearen Algebra
0 Teil: Elemente der Linearen Algebra Skalare und Vektoren Manche physikalische Grössen, wie Temperatur T oder Masse m, erfordern zu ihrer Festlegung (oder Messung) nur die Angabe eines Zahlenwertes einer
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
MehrPer Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
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
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
MehrGilt jedoch. det A = 0, so besagt dies:
3 eterminanten 3 efinition - Bedeutung - Anwendung urch eine spezielle Rechenvorschrift lassen sich jeder quadratischen Matrix A reelle Zahlenwerte zuordnen Man bezeichnet den Zahlenwert, der einer quadratischen
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrLineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
MehrAufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra
Aufgabensammlung zur Vorlesung Höhere Mathematik für Wirtschaftswissenschaftler Algebra Freiberg, den 3 November 0 Inhaltsverzeichnis Kapitel Lineare Algebra 5 Operationen mit Matrizen 5 Lineare Gleichungssysteme
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
Mehr4 Kongruenz und Modulorechnung
1 4 Kongruenz und Modulorechnung In unserer Zeitrechnung haben wir uns daran gewöhnt, nur mit endlich vielen Zahlen zu rechnen. Es ist gerade 3 Uhr und in 50 Stunden muss ich abreisen. Wie spät ist es
MehrDEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
MehrJürgen Roth Didaktik der Linearen Algebra & Analytischen Geometrie
Jürgen Roth Didaktik der Linearen Algebra und Analytischen Geometrie Modul 12a: Fachdidaktische Bereiche juergen-roth.de/lehre/did_linalg_anageo/ Kapitel 3: Modellieren & Angewandte Mathematik 3.1 Inhalte
MehrWirtschaftswissenschaftliche Bücherei für Schule und Praxis Begründet von Handelsschul-Direktor Dipl.-Hdl. Friedrich Hutkap
Wirtschaftswissenschaftliche Bücherei für Schule und Praxis Begründet von Handelsschul-Direktor Dipl.-Hdl. Friedrich Hutkap Die Verfasser: Kurt Bohner Oberstudienrat Dipl.-Phys. Dr. Peter Ihlenburg Oberstudienrat
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
Mehr5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix
5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix Jörn Loviscach Versionsstand: 20. März 2012, 16:02 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrVorkurs Mathematik 1
Vorkurs Mathematik 1 Einführung in die mathematische Notation Konstanten i komplexe Einheit i 2 + 1 = 0 e Eulersche Zahl Kreiszahl 2 Einführung in die mathematische Notation Bezeichner Primzahlen, Zähler
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrInhaltsverzeichnis. 1 Lineare Algebra 12
Inhaltsverzeichnis 1 Lineare Algebra 12 1.1 Vektorrechnung 12 1.1.1 Grundlagen 12 1.1.2 Lineare Abhängigkeit 18 1.1.3 Vektorräume 22 1.1.4 Dimension und Basis 24 1.2 Matrizen 26 1.2.1 Definition einer
Mehr1 Zahlentheorie. 1.1 Kongruenzen
3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrVektorgeometrie Layout: Tibor Stolz
Hanspeter Horlacher Vektorgeometrie Layout: Tibor Stolz 1. Einführung Eine Grösse, zu deren Festlegung ausser einer Zahl auch noch die Angabe einer Richtung nötig ist, heisst VEKTOR. P 2 P 1 P 1 P 2 P
MehrBerechnen eines Bildpunktes bei Parallelprojektion: die Kavalierproduktion
Matrizen Projektionen: Bei einer Projektion werden Geraden (Projektionsstrahlen) durch die abzubildenden Raumpunkte gezogen und mit der Zeichenebene geschnitten. Die resultierenden Schnittpunkte sind die
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
MehrLernmaterialblatt Mathematik. Vektorrechnung eine Einführung. Anwendung Mathematik I. Einleitung:
Vektorrechnung eine Einführung Einleitung: Um beispielsweise das Dreieck ABC in der Abbildung an die Position A'B'C' zu verschieben, muss jeder Punkt um sieben Einheiten nach rechts und drei nach oben
MehrGliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
MehrLineare Algebra für Biologen
Lineare Algebra für Biologen Stefanie Muff (Teilweise nach einem Skript von A.D. Barbour) 3. August 2012 1 2 Lineare Algebra für Biologen HS 2012 Diese Vorlesung ist eine Einführung in die lineare Algebra.
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
MehrAnhang B. Matrixalgebra. B.1 Matrizen. B.2 Spezielle Matrizen
Anhang B Matrixalgebra In der Ökonometrie wie in vielen anderen Wissenschaften spielen lineare Gleichungssysteme eine wichtige Rolle Diese lassen sich mit Hilfe von Matrizen und Vektoren sehr viel einfach
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 ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
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
MehrAxiomatische Beschreibung der ganzen Zahlen
Axiomatische Beschreibung der ganzen Zahlen Peter Feigl JKU Linz peter.feigl@students.jku.at 0055282 Claudia Hemmelmeir JKU Linz darja@gmx.at 0355147 Zusammenfassung Wir möchten in diesem Artikel die ganzen
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/48
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
MehrAnalysis II. Vorlesung 48. Die Hesse-Form
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen
Mehr1 Rechnen mit 2 2 Matrizen
1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
Mehr