Lineare Algebra - Zusammenfassung
|
|
- Karl Hofmeister
- vor 7 Jahren
- Abrufe
Transkript
1 Lineare Algebra - Zusammenfassung Xiaojing George Zhang 15. Februar 2008 Zusammenfassung Eine Zusammenfassung basierend auf dem Skript Lineare Algebra für Ingenieure von Prof. H. Knörer und Lineare Algebra von K. Nipp. Der Verfasser dieses Dokuments garantiert auf keinen Fall für die Richtigkeit nachstehender Formeln und kann nicht zur Rechenschaft gezogen werden. Natürlich hat er nicht willentlich Fehler eingebaut. Es kann sein, dass diese Zusammenfassung länger ist als die erlaubte Anzahl Seiten. Wer die verschiedenen Tafeln und Bilder kopieren will, soll dies ohne Nachfrage machen. 1
2 INHALTSVERZEICHNIS 2 Inhaltsverzeichnis 1 Das Gausssche Eliminationsverfahren Vorgehen Existenz einer Lösung Matrizen Definitionen Inverse Rechenregeln für Matrizen Determinanten Eigenschaften Berechnen von Determinanten Determinante LGS Vektorräume VR Teilraum / Unterraum Linearkombination Erzeugendensystem Basis Norm, Skalarprodukt, Gram-Schmidt Norm Skalarprodukt Gram-Schmidt-Orthogonalisierungsverfahren Vektorprodukt in R Lineare Abbildungen Bild und Kern Dimension und LGS: Basis des Kerns Basis des Bildes Struktur des Lösungsraumes Vektorraumoperationen Koordinaten und darstellende Matrizen Transformation der Koordinatenvektoren bei Basiswechsel Darstellung linearer Abbildungen durch Matrizen Transformation der darstellenden Matrix bei Basiswechsel Orthogonale und Unitäre Abbildungen, QR-Zerlegung Orthogonale und unitäre Abbildungen QR-Zerlegung Eigenwerte, Eigenvektoren und Charakteristisches Polynom Berechnung Eigenschaften Diagonalisierbarkeit von Matrizen Eigenschaften Algorithmus für S
3 1 DAS GAUSSSCHE ELIMINATIONSVERFAHREN 3 1 Das Gausssche Eliminationsverfahren 1.1 Vorgehen Gegeben seien m Gleichungen mit n Unbekannten ˆ äquivalente Umformungen 1. Vertauschen von Zeilen (Gleichungen) 2. Addieren eines Vielfachen einer Zeile zu einer anderen 3. Multiplizieren einer Zeile mit einem Faktor λ 0 ˆ Eliminationsschritt: lineares Gleichungssystem (erweiterte Koeffizientenmatrix) in Zeilenstufenform (ZSF, Dreiecksgestalt) bringen ˆ Lösen der Gleichungen durch rückwärtseinsetzen oder ZSF in NZSF bringen und Ergebnis ablesen. ˆ Vergträglichkeitsbedingungen bei in einer Zeile kein Pivot steht 000 b 1 + b 2 + b 3 überprüfen freie Parameter treten auf, wo ˆ Rang r des LGS: Anzahl der Zeilen der Koeffizientenmatrix mit Kopf = max. Anzahl lin. unabh. Zeilen/Spalten ˆ freie Parameter: n r, hat die Zeile a i keinen Kopf, so ist x i ein freier Parameter ˆ normierte Zeilenstufenform: Jeder Kopf der NZSF 1 und über jedem Kopf stehen nur noch 0 Resultat direkt ablesbar 1.2 Existenz einer Lösung ˆ RangA < Rang([A b]): keine Lösung ˆ r = n: LGS hat eine eindeutige Lösung ˆ r = m oder r < m und Verträglichkeitsbedingungen erfüllt: mind. eine Lösung ˆ r < m und Verträglichkeitsbedingungen nicht erfüllt: keine Lösung ˆ ein homogenes LGS hat genau dann nicht triviale Lösungen, wenn r < n ist (n-r) freie Parameter ˆ Ist r < m, so lässt sich das LGS nicht für beliebige Seite lösen (Verträglichkeitsbedingungen) ˆ Ein lin. Gleichungssystem ist genau dann für beliebige rechte Seite lösbar, wenn das dazugehörige homogene System nur die triviale Lösung x i = 0 i besitzt.
4 2 MATRIZEN 4 Gleichungssystem A: m x n A: n x n Ax = c Ax = c Ax = 0 Rang(A) = Rang (A c) = r Rang(A) < Rang(A c) det A 0 det A = 0 det A 0 det A = 0 r = n r < n keine Lsg eindeutige Lsg Rang(A) = Rang(A c) = r < n Rang(A) Rang(A c) triviale Lsg x = 0 (n r) freie Parameter eindeutige Lsg (n r) freie Parameter (n r) freie Parameter keine Lsg 2 Matrizen 2.1 Definitionen Matrix: Eine m n-matrix hat m Zeilen und n Spalten. obere Dreieckmatrix: a ij = 0, i > j untere Dreieckmatrix: a ij = 0, i < j Diagonalmatrix: a ij = 0, i j, = diag(x 11,..., x nn ), wobei diag(a 11,..., a nn ) diag(b 11,..., b nn ) = diag(a 11 b 11,..., a nn b nn ) Einheitsmatrix: I n = E n = diag(1, 1,..., 1) symmetrische Matrix: A T = A oder a ij = a ji antisymmetrisch: A = A T a ij = 0, i = j adjungierte Matrix: A = a ij C n,n A := A T a ij := a ji selbst adjungierte: A = A a ij = a ji unitäre Matrix: a ij C A A = I n A = A 1 orthogonale Matrix: A T A = AA T = I n A T = A 1. Eine orthogonale n n-matrix bildet ein Bild längentreu ab. AB ist orthogonal, wenn A, B orthogonal sind, da (AB) T AB = I n Multiplikation: A(m n) B(q p) nur definiert für n=q! AB = n k=1 (A) ik(b) kj Spur: Summe aller Diagonalelemente, wobei spur(ab) = spur(ba)
5 3 DETERMINANTEN Inverse AX = XA = I n, A 1 := X X heisst Inverse der Matrix A. In 1 = I n Satz: Ist A invertierbar, so ist A x = b für jedes b lösbar und A x = 0 hat nur die triviale Lösung 0. Eine invertierbare Matrix heisst regulär, sonst singulär. Die Inverse kann mit dem Gauss (A I n ) (I m A 1 ) bestimmt werden oder mit der folgenden Formel: T A 1,1... A 1,n A 1 = 1 deta..... mit A i,k := ( 1) i+k S ik (A) (was niemand tut) A n,1... A ( n,n ) ( ) a b Bsp: 2 2-Matrix gilt: A = A c d 1 = 1 d b det(a) c a 2.3 Rechenregeln für Matrizen Die Assoziativität, Kommutativität und Distributivität gelten, wobei AB BA und AI n = A! (A T ) T = A (A + B) T = A T + B T (AB) T = B T A T (AB) 1 = B 1 A 1 (A 1 ) T = (A T ) 1 3 Determinanten Jeder quadratischen Matrix kann ein reeller Wert zugewiesen werden, die Determinante det. Die Determinante einer n n-matrix ist das Volumen des von den Spaltenvektoren R aufgespannten Parallelepipedes. Das Vorzeichen ist die Orientierung der Spaltenvektoren relativ zu den Standardbasen. 3.1 Eigenschaften 1. Vertauschen von 2 Zeilen ändert das Vorzeichen der Determinante 2. Wird ein Vielfaches einer Zeile zu einer anderen gezählt, so bleibt die Determinante gleich. 3. Wird eine Zeile/Spalte mit λ multipliziert, so vervielfacht sich die Determinante um λ 4. Sind die Zeilen/Spalten linear abhängig oder besteht eine Zeile/Spalte nur aus Nullen, so ist det = Determinante einer Dreiecksmatrix ist das Produkt ihrer Diagonalelemente, deti n = 1 6. Determinante orthogonaler Matrizen gleich ± 1: det(aa T ) = (deta) 2 = 1 7. Ist deta 0 Spalten/Zeilen sind lin. unabh. Rang A = n A 1 8. deta T = deta, deta = deta 9. det(ab) = deta detb, aber det(a + B) deta + detb 10. deta 1 = 1 deta, detb = det(aba 1 ), det(λa) = λ n deta 11. det( a 1 + λ b, a 2, a 3 ) = det( a 1, a 2, a 3 ) + λdet( b, a 2, 2 3 ) 12. spur(a) := d dt det(i n + ta) t=0 = Summe der Diagonalelemente
6 4 VEKTORRÄUME VR Berechnen von Determinanten 1. Matrix mittels Gaussverfahren in Dreiecksmatrix bringen 2. eine Zeile/Spalte der Matrix mit möglichst vielen Nullen erzeugen 3. QR-Zerlegung: detq = ±1, detr = r i=1 a ii 4. Laplascher Entwicklungssatz: deta = A := n k=1 a ik( 1) i+k dets ik (A) (Entwicklung nach Zeile) = n i=1 a ik( 1) i+k dets ik (A) (Entwicklung nach Spalte) mit S ik (A) := Streichungsmatrix mit Zeile i und Spalte k. 3.3 Determinante LGS A = ˆ ist r = n, so ist deta 0 A 1 A x = b immer lösbar b Lösung ist eindeutig A x = 0 hat nur die triviale Lösung x = 0. ˆ für A x = 0 deta = 0 unendliche viele Lsg. RangA < n ˆ für A x = b deta = 0 keine/unendlichviele Lsg a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 4 Vektorräume VR = (a 11a 22 a 33 + a 21 a 32 a 13 + a 12 a 23 a 31 ) (a 31 a 22 a 13 + a 21 a 12 a 33 + a 32 a 23 a 11 ) Vektorraum: Ein VR ist eine Menge von Objekten, wo eine Addition und eine Multiplikation mit reellen Zahlen definiert ist, ein neutrales Element ( 0) existiert und Kommutativität, Assoziativität und Distributivität gelten. Und dazu: a V a V mit a+( a) = 0. Dieselben Rechenregeln gelten auch im Raum R m,n aller Matrizen, im Raum R[x] aller Polynome und im Raum C[0, 1] aller stetigen Funktionen. Bsp Vektorräume: R n = x = x 1 x 2. x n x i R oder eine stetige Funktion C[a, b] im I = [a, b], wobei bei beiden (f + g)(x) := f(x) + g(x) und (cf)(x) := cf(x) gelten, d.h. stetige Funktionen haben auch Vektoreigenschaften wie Pfeile. ˆ x 1, x 2,..., x n heissen Koordinaten des Vektors x = n i=1 x i a i in R n bezüglich der Basis a 1, a 2,..., a n ˆ x 1. x n R heisst Koordinatenvektor. ˆ Sei A = ( a 1,..., a k ) eine Matrix. Die max. Anzahl lin. unabh. Vektoren von A ist der Rang r des Gauss-Endschemas. ( a 1,..., a k )(x 1,..., x k ) T = 0. Seien r i1, r i2,..., r in die Pivot-Spalten des Gauss-Endschemas. Dann sind die Vektoren a i1, a i2,..., a in lin. unabh. und bilden eine Basis.
7 4 VEKTORRÄUME VR Teilraum / Unterraum Ein Teilraum bildet selber wieder einen nicht leeren Vektorraum. U V falls a, b U, α R gilt: 1. a + b U 2. α a U 3. 0 und U sind Teilräume von U 4. Sind U 1, U 2 V, so sind auch U 1 + U 2 V, U 1 U 2 V und U 1 U 2 V, aber U 1 U 2 V. Bsp: diff bare Funktionen: C[a, b] = C (0) [a, b] C [a, b] C [a, b]... C (n) [a, b] 4.2 Linearkombination b = x1 a 1 + x 2 a x k a k heisst Linearkombination V mit a i V, x i R. Die Menge all dieser Vektoren nennt man die lineare Hülle. Diese ist ein Teilraum von V. Linear Unabhängig: Wenn für x 1 a 1 + x 2 a x k a k = 0 lediglich die triviale Lösung x 1 = x 2 =... = x k = 0 existiert. Der Nullvektor ist immer linear abhängig. 4.3 Erzeugendensystem Kann jeder Vektor b V als Linearkombination der Vektoren a i V dargestellt werden, so heissen a i ein Erzeugendensystem des Vektorraums V : V = span{ a 1, a 2,..., a n }. V heisst endlichdimensional, wenn er ein Erzeugendensystem ( a 1, a 2,..., a n ) besitzt, so dass V = span{ a 1, a 2,..., a n } gilt. Sonst ist er unendlichdimensional. 4.4 Basis 1. Seien a 1, a 2,..., a n ein Erzeugendensystem und linear unabhängig. Dann nennt man das Erzeugendensystem eine Basis. Eine Basis für Polynome sind beispielsweise die Monome 1, x, x 2, x 3,... oder die Legendre Polynome P 0 (x) = 1, P i (x) = 1 d i (x 2 1) i i > 0. 2 i i! dx i 2 2. Legrend-Polynome sind orthogonal zueinander. P n = 2n+1, P 0(t) = 1, P 1 (t) = t, P n+1 (t) = 2n+1 n+1 tp n(t) n n+1 P n 1(t) (rekursiv definiert). 3. Verschiedene Basen eines Vektorraumes bestehen aus gleich vielen Vektoren. Die Dimension von V ist dimv = maximale Anzahl linear unabhängige Vektoren = Anzahl Elemente einer Basis. dim{ 0} = Sei dimv = n. Mehr als n-vektoren = linear abhängig; weniger als n-vektoren = nicht erzeugend; bei n-vektoren, die linear unabhängig und erzeugend sind Basis. Direkte Summe: R n R m := ( x y ) mit dim = n + m
8 5 NORM, SKALARPRODUKT, GRAM-SCHMIDT 8 5 Norm, Skalarprodukt, Gram-Schmidt 5.1 Norm Eine Vorschrift, die jedem Vektor a V eine reelle Zahl a zuordnet, heiss Norm/Länge in V. 1. a > 0, a = 0 a = 0 2. α a = α a für α = u + iv, α := u 2 + v 2 3. a + b a + b (Dreiecks-Ungleichung) 4. a = < a, a > ˆ Euklidische Norm: x 2 = x x2 2 + x2 3 : Länge des Vektors in R3 ˆ Maximumsnorm: x := max( x 1, x 2, x 3 ) ˆ L p -Norm: x p := p x 1 p + x 2 p + x 3 p p 1 ˆ Normen von Funktionen: f 0 := max x I f(x), f 1 := max x I f(x) + max x I f (x) ˆ A C 2,2 : A 1 = i,k a ik, A = Max a ik ˆ p = N n=0 a nx n : p = N n=0 a n 5.2 Skalarprodukt Vorschrift, die jedem Vektor-Paar x, y eine reelle Zahlen < x, x > zuordnet, heisst Skalarprodukt in V. 1. < x, y 1 + y 2 >=< x, y 1 > + < x, y 2 > 2. < x, α y >= α < x, y > 3. < x, y >=< y, x >= x T y = y T x Standardskalarprodukt in R n < x, y >= < y, x > unitäres Skalarprodukt in C n 4. < x, x > 0, < x, x >= 0 x = 0 5. < x, y >= 0 x, y orthogonal 6. < x, x >= 1 x ist Einheitsvektor 7. < x, y > 2 < x, x >< y, y > < x, y > x y Schwarzsche Ungleichung ˆ Standardskalarprodukt in R n : < x, y >= x 1 y 1 + x 2 y x n y n, x, y V ˆ Standardskalarprodukt in C n : < x, y >= x 1 y 1 + x 2 y x n y n = x 1 y 1 + x 2 y x n y n, x, y C ˆ x = < x, x > heisst Norm ˆ sind x, y orthogonal: x + y 2 = x 2 + y 2 = x y 2 ˆ cos ϕ = < a, b> a b ˆ < f, g >:= b a f(t)g(t)dt < x, y >= 0 (Satz von Pythagoras) ˆ < f, g > in C auf {1, 2,..., N} := f(1)g(1) + f(2)g(2) f(n)g(n) = N n=1 f(n)g(n) ˆ orthogonale Projektion von x auf y: < x, y> < x, x> y ˆ paarweis orthogonale Einheisvektoren sind linear unabhängig und bilden eine orthonormale Basis.
9 6 LINEARE ABBILDUNGEN Gram-Schmidt-Orthogonalisierungsverfahren Basis b 1, b 2,..., b n erzeugt einen n-dimensionalen Verktorraum. Wir suchen eine orthonormale Basis e 1, e 2,..., e n mit < e i, e j >= δ ij, wobei span( e 1 ) = span( b 1 ), span( e 1, e 2 ) = span( b 1, b 2 ),..., span( e 1, e 2,..., e n ) = span( b 1, b 2,..., b n ). 1. e 1 = b 1 = b1 b 1 < b 1, b 1 > 1. Basisvektor normieren 2. (a) Lot fällen: c 2 := b 2 < b 2, e 1 > e 1 (b) Lot normieren: e 2 = c 2 c 2 = b 2 < b 2, e 1 > e 1 b 2 < b 2, e 1 > e 1 3. (a) Lot fällen: c 3 := b 3 < b 3, e 1 > e 1 < b 3, e 2 > e 2, oder c 3 = b 1 b 2 (b) e 3 = c 3 c Vektorprodukt in R 3 u 2 v 3 u 3 v 2 ˆ u v = u 3 v 1 u 1 v 3 u 1 v 2 u 2 v 1 u = ˆ u v = ( v u) u 1 u 2 u 3 v = v 1 v 2 v 3 R 3 ˆ < u, u v >= 0 Kreuzprodukt steht orthogonal zu u, v ˆ u v 2 = u 2 v 2 < u, v > 2 6 Lineare Abbildungen L : x V (Urbild) y = F ( x) W (Bildraum) heisst lineare Abbildung, falls gilt: 1. L( x + y) = L( x) + L( y) x, y V 2. L(α x) = αl( x) α C/R, x V Die lineare Struktur der Verktorräume bleibt somit erhalten. Bsp: Ableitung von Polynomen. L : x R n y = L( x) := A( x) R m, so ist A eine m n-matrix. 6.1 Bild und Kern Sei L : x V n y = A x V m linear. 1. Menge aller Vektoren, die auf Null abgebildet werden, heisst Kern der Matrix A, Kern(A): Kern(L) := { x V L( x) = 0} Kern(A) := { x V n A x = 0} 2. Menge aller Bildvektoren y V m heisst Bild der Matrix A, Bild(A), Bild(L) := { y W x V, dass y = L( x)} Bild(A) := { y V m x V n, dass y = A x} (a) Der Kern ist ein Teilraum von V n (b) Das Bild ist ein Teilraum von V m
10 6 LINEARE ABBILDUNGEN Dimension und LGS: ˆ b Bild(A) A x = b lösbar ˆ x ist genau dann ein Element vom Kern(A), wenn es A x = 0 löst. ˆ dim(kern(a)) = n r ˆ dim(bild(a)) = dim(bild(a T )) = r haben Spalten, die nach dem Gauss-Endschema einen Kopf ˆ dim(kern(a)) + dim(bild(a)) = dim(urbild(a)) = dim(v n ) = n Basis des Kerns 1. A in NZSF bringen und LGS A x = 0 betrachten 2. Variablen x 1, x 2,..., x n in r Kopfvariablen und n r Nicht-Kopfvariablen unterteilen Nicht-Kopfvariable gleich 1 setzen und alle anderen gleich 0. Homogenes LGS lösen 1. Basisvektor Nicht-Kopfvariable gleich 1 setzen und alle anderen gleich 0. Homogenes LGS lösen 2. Basisvektor 5. usw. Man bekommt so n r Basisvektoren des Kerns Basis des Bildes 1. Matrix A in ZSF bringen 2. Kopfvariablen bestimmen 3. Die Spaltenvektoren von A, die zu einer Kopfvariablen gehören, bilden eine Basis des Bildes ˆ Rang(A) = dim(bild(a)) = Anzahl Kopfvariablen der Matrix A. ˆ Spaltenvektoren von A bilden ein Erzeugendensystem des Bildes von A Struktur des Lösungsraumes L x = b, x 0 sei eine Lösung. Dann ist die Lösungsmenge x 0 + Kern(L) := { x 0 + n n Kern(L)}. Bsp: D sei der Differentialoperator, b = 2x + 1: partikuläre Lsg: p 0 (x) = x 2 + x, Kern von D: alle Konstanten Lösungsmenge: {x 2 + x + a a R} 6.2 Vektorraumoperationen { V W ˆ L, M L(V, W ) L + M v L( v) + M( v) L, M müssen beide von V W gehen. ˆ F : x V n y = A x V m, G : y V m z = B y V p H : x V n z = H( x) = G(F ( x)) V p, wobei H = G F H( x) = (BA)( x) = B(A( x)) Sofern die Abbildungen passen, gelten Assoziativität und Distributivität bei Multiplikation (Bild) ˆ L L(V, V ). L heisst invertierbar, falls M L(V, V ), sodass M L = L M = I v (Identität) M =: L 1. Eine lineare Abbildung ist nur umkehrbar, wenn L regulär ist.
11 7 KOORDINATEN UND DARSTELLENDE MATRIZEN 11 ˆ injektiv: L L(V, W ) Jeder Bildvektor hat einen Urbildvektor: Kern(L) = { 0} dim(kern(l)) = 0 ˆ surjektiv: L L(V, W ) Jeder Vektor im Zielraum W ist Bildvektor: Bild(L) = W dim(bild(l)) = dim(w ) 7 Koordinaten und darstellende Matrizen 7.1 Transformation der Koordinatenvektoren bei Basiswechsel Ein Vektor hat unterschiedliche Koordinatenvektoren (x 1,..., x n ), je nachdem, auf welche Basis sie sich beziehen. Siehe Abbildung 1. Abbildung 1: Transformation der Koordinatenvektoren bei Basiswechsel Konstruktion von S: 1. b 1 ist Linearkombination der Basisvektoren B 2 = { c 1,..., c n }. Die Koeffizienten sind die Koordinaten von b 1 bez. B 2 und bilden den ersten Spaltenvektor von S. 2. b 2 ist Linearkombination der Basisvektoren B 2 = { c 1,..., c n }. Die Koeffizienten sind die Koordinaten von b 2 bez. B 2 und bilden den zweiten Spaltenvektor von S. 3. dito. 7.2 Darstellung linearer Abbildungen durch Matrizen V sei ein Vektorraum der Dimenstion n und L eine lineare Abbildung von V nach V. Siehe Abbildung 2. Konstruktion von L B : 1. Jede Komponente der Basis mit L abbilden. 2. Jede abgebildete Basis bezüglich Standardbasis darstellen. 3. Die Koeffizienten der 1. abgebildeten Basis ist 1. Spaltenvektor von L B. 4. Die Koeffizienten der 2. abgebildeten Basis ist 2. Spaltenvektor von L B. 5. dito.
12 8 ORTHOGONALE UND UNITÄRE ABBILDUNGEN, QR-ZERLEGUNG 12 Abbildung 2: Darstellende Matrix L B 7.3 Transformation der darstellenden Matrix bei Basiswechsel Dieselbe lineare Abbildung wird durch verschiedene Matrizen dargestellt, falls sich diese auf verschiedene Basen beziehen. Die erste darstellende Matrix kann somit in die zweite umgerechnet werden. Siehe Abbildung 3 Abbildung 3: Transformation der darstellenden Matrix bei Basiswechsel 8 Orthogonale und Unitäre Abbildungen, QR-Zerlegung 8.1 Orthogonale und unitäre Abbildungen ˆ orthogonale Transformation: < x, y >=< R x, R y > ˆ R ist eine orthogonale Matrix, falls gilt: R T R = I n (orthonormale Spaltenvektoren) ˆ Bild einer ONB unter einer orthogonalen Transformation ist eine ONB. ( ) cos φ sin φ ˆ Bsp: R(φ) = Drehung um φ mit R(φ sin φ cos φ 1 )R(φ 2 ) = R(φ 1 + φ 2 )
13 9 EIGENWERTE, EIGENVEKTOREN UND CHARAKTERISTISCHES POLYNOM 13 ˆ Bsp: Spiegelung an e 1 -Achse: x ( ˆ unitäre Transformation: < U x, U y >=< x, y > ) x ˆ U ist eine unitäre Matrix, falls gilt: U U = I n (Spaltenvektoren bildn Orthonormalbasis in C n ) 8.2 QR-Zerlegung A = Q R, wobei dies ein einfaches Invertieren erlaubt ˆ A R m,n : jede Matrix kann QR zerlegt werden: A = ( a 1, a 2,..., a n ) ˆ Q R m,m : quadratische orthogonale Matrix. Bekommt man, indem man das Gram-Schmidt- Verfahren auf A anwendet: Q = ( q 1, q 2,..., q n ). Ist m > n, so muss man zu den Spalten noch m n Vektoren wählen, sodass man eine Basis im Raum R m erhält. < a 1, q 1 > < a 2, q 1 >... < a n, q 1 > r 11 r r 1n ˆ R R m,n 0 < a 2, q 2 >... < a n, q 2 > : obere Dreiecksmatrix = 0 r r 2n < a n, q n > r nn ˆ A = QR = (r 11 q 1, r 12 q 1 + r 22 q 2,..., r 1n q 1 + r 2n q r nn q n ) 9 Eigenwerte, Eigenvektoren und Charakteristisches Polynom Sei A K n,n. A x = λ x x ist Eigenvektor von A zum Eigenwert λ: Eine Streckung des Vektors selbst. 9.1 Berechnung 1. (A λ I n ) x = 0 2. charakteristisches Polynom von A lösen: p A (λ) = det(a λi n ) = 0 3. Eigenvektoren x i zu Eigenwerten λ i ausrechnen, indem man λ i in 1. einsetzt Matrix: p(λ) = λ 2 λ(spur(a)) + det(a) = 0 5. Für symmetrische Matrizen gelten: (a) Alle Eigenwerte sind reell. (b) Es existieren genau n linear unabhängige Eigenvektoren. (c) Geometrische Vielfachheit = Algebraische Vielfachheit (d) Eigenvektoren, die zu verschiedenen Eigenwerten gehören, sind orthogonal. 9.2 Eigenschaften ˆ Spur(A) = λ λ n ˆ det(a) = λ 1 λ 2... λ n ˆ Der Eigenvektor x zu λ spannt einen 1-dimensionalen Teilraum V λ, span{ x} auf: α x ist auch Eigenvektor zum selben λ α C\{0}.
14 10 DIAGONALISIERBARKEIT VON MATRIZEN 14 ˆ Die Algebraische Vielfachheit von λ ist die Multiplizität von λ als Nullstelle. ˆ Die Geometrische Vielfachheit ist die Dimension des Eigenraumes V λ zu einem λ. ˆ Geometrische Vielfachheit Algebraische Vielfachheit: tritt ein Eigenwert k-fach auf, so existieren mind. 1 höchstens aber k linear unabh. Eigenvektoren. ˆ Satz: Seien x 1,..., x k Eigenvektoren mit Eigenwerten λ 1,..., λ k. Sind λ 1,..., λ k verschieden, so sind x 1,..., x k linear unabhängig. 10 Diagonalisierbarkeit von Matrizen Symmetrische, selbstadjungierte (=hermetische), unitäre, quadratische Matrizen sind diagonalisierbar 10.1 Eigenschaften 1. Eine (n n)-matrix A ist diagonalisierbar, falls eine inv bare Matrix S C gibt, sodass Matrix D := S 1 AS diagonal ist. Es gibt eine Basis von Eigenvektoren. 2. Spalten von S bestehen aus Eigenvektoren. 3. Matrizen mit n verschiedenen Eigenvektoren sind diagonalisierbar D = diag(λ 1, λ 2,..., λ n ). 4. Ist A diagonalisierbar Eigenwerte gilt: algebraische = geometrische Vielfachheit. 5. Die Matrixdarstellung von A zur Basis bestehend aus Eigenvektoren ist diagonal 6. A = S 1 DS A k = S 1 D k S 7. Ist A symmetrisch (A = A T ), so ist A mit einer Orthogonalmatrix diagonalisierbar 8. Ist A selbstadjungiert (A T = A), so ist A mit einer unitären Matrix diagonalisierbar 9. Unitäre Matrizen sind stets diagonalisierbar 10. Ist A m = 0, m 1, so ist A nicht diagonalisierbar Algorithmus für S 1. Eigenwerte der (n n)-matrix mittels charakteristischem Polynom berechnen. 2. Lösungsmenge (= Eigenvektoren) der Gleichungssysteme Kern(A λ i I n ) = { x (A λ i I n ) x = 0} berechnen 3. Gilt für alle Eigenwerte: algebraische = geometrische Vielfachheit? Wenn nein Matrix A ist nicht diagonalisierbar 4. Eine Basis B i in Kern(A λ i I n ) wählen 5. B := {B 1,..., B k } ist eine Basis von Eigenvektoren. Die darstellende Matrix A B ist diagonal.
15
16
17
Lineare Algebra für Ingenieure
TECHNISCHE UNIVERSITÄT BERLIN SS 4 Fakultät II - Mathematik J Liesen/F Lutz/R Seiler Lineare Algebra für Ingenieure Lösungen zur Juli-Klausur Stand: 4 September 4 Rechenteil Aufgabe (8 Punkte Berechnen
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
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
MehrLineare Algebra. 13. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 3. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 29, 27 Erinnerung Satz. Axiomatischer Zugang, Eigenschaften der Determinante. Die Abbildung det :
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrTechnische Universität Berlin
Technische Universität Berlin Fakultät II Institut für Mathematik WS /4 M. Eigel R. Nabben K. Roegner M. Wojtylak.4.4 April Klausur Lineare Algebra für Ingenieure Lösungsskizze. Aufgabe 9 Punkte Gegeben
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 14: Ferienserie
D-MAVT Lineare Algebra I HS 7 Prof. Dr. N. Hungerbühler Lösungen Serie 4: Ferienserie . Finden Sie ein Erzeugendensystem des Lösungsraums L R 5 des Systems x + x x 3 + 3x 4 x 5 = 3x x + 4x 3 x 4 + 5x 5
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
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
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
MehrDeterminante und Inverse
Vorzeigeaufgaben: Determinante und Inverse Bestimmen Sie für welche a R die folgende Matrix invertierbar ist und berechnen Sie deren Inverse: A = a cos(x) sin(x) a sin(x) cos(x) Bestimmen Sie ob folgende
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 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24
Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt
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
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
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,...,
MehrGrundlegende Definitionen aus HM I
Grundlegende Definitionen aus HM I Lucas Kunz. März 206 Inhaltsverzeichnis Vektorraum 2 2 Untervektorraum 2 Lineare Abhängigkeit 2 4 Lineare Hülle und Basis 5 Skalarprodukt 6 Norm 7 Lineare Abbildungen
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
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
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:
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
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14.5.218 (Teil 2) 9. Mai 218 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 218 Steven Köhler 9. Mai 218 3 c 218
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
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)
Mehr1 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 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
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrD-ITET. D-MATL, RW Lineare Algebra HS 2017 Dr. V. Gradinaru T. Welti. Online-Test 2. Einsendeschluss: Sonntag, den
D-ITET. D-MATL, RW Lineare Algebra HS 7 Dr. V. Gradinaru T. Welti Online-Test Einsendeschluss: Sonntag, den..7 : Uhr Dieser Test dient, seriös bearbeitet, als Repetition des bisherigen Vorlesungsstoffes
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 =
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
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)
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
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,
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
MehrRichie Gottschalk Lineare Algebra I Seite 1. a) Welche der folgenden Ringe sind kommutativ? Es gibt genau einen Unterraum W von V mit dim(w ) = n.
Richie Gottschalk Lineare Algebra I Seite Aufgabe Im Folgenden sind K immer ein Körper und V ein K-Vektorraum. a) Welche der folgenden Ringe sind kommutativ? K[x] K[x] ist per se ein kommutativer Polynomring.
MehrProbeklausur zu Mathematik 2 für Informatik
Gunter Ochs Wintersemester 4/5 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immer ohne Garantie auf Fehlefreiheit. Gegeben sei das Dreieck im R mit den Eckpunkten A a Berechnen Sie die
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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
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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
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
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
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrLineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.
b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 8. Aufgabe 8.1. Dr. V. Gradinaru T. Welti. Herbstsemester 2017.
Dr. V. Gradinaru T. Welti Herbstsemester 7 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8. Multiple Choice: Online abzugeben. 8.a) (i) Welche der folgenden
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
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
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrFerienkurs Mathematik für Physiker I Skript Teil 3 ( )
Ferienkurs Mathematik für Physiker I WS 2016/17 Ferienkurs Mathematik für Physiker I Skript Teil 3 (29032017) 1 Lineare Gleichungssysteme Oft hat man es in der Physik mit unbekannten Größen zu tun, für
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
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
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
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)...
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
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
MehrErgänzung zum HM Tutorium
Ergänzung zum HM Tutorium Patrik Hlobil Niko Kainaris Dieses Dokument erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit. Es stellt keine Vorlesungszusammenfassung dar, sondern soll euch lediglich
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 6. Aufgabe 6.1. Dr. V. Gradinaru K. Imeri. Herbstsemester 2018.
Dr. V. Gradinaru K. Imeri Herbstsemester 8 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6. Multiple Choice: Online abzugeben. 6.a) (i) Welche der folgenden
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
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,
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
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. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
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
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
MehrHM II Tutorium 7. Lucas Kunz. 5. Juni 2018
HM II Tutorium 7 Lucas Kunz 5. Juni 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Orthogonalität und Orthonormalbasen.................... 2 1.2 Orthogonalraum................................. 2 1.3 Projektoren...................................
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): 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
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
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
MehrKontrollfragen und Aufgaben zur 3. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 3. Konsultation Termin: Ort: Determinante
MehrLösungen Serie 5. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler
D-MAVT Lineare Algebra II S 8 Prof. Dr. N. Hungerbühler Lösungen Serie 5. Die Abbildung V n R n, v [v] B, die jedem Vektor seinen Koordinatenvektor bezüglich einer Basis B zuordnet, ist linear. Sei B =
MehrT := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrLineare Algebra 2013 Lösungen für Test und Zusatzfragen
Lineare Algebra 3 Lösungen für Test und Zusatzfragen Test Multiple Choice. Seien Für die Lösung x x x x 3 A, b des Systems Ax b gilt x 3 5 x 3 x 3 3 x 3 / Mit elementaren Zeilenoperationen erhalten wir
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
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)
Mehr2.2 Kern und Bild; Basiswechsel
32 Kapitel 2. Lineare Algebra II 2.2 Kern und Bild; Basiswechsel Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum. 2.2. Satz Sei L: V W eine lineare
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
MehrMerke Spaltenvektoren: Bild der Basisvektoren. Matrix Sei A : R n R m linear. Die Basisvektoren e 1 =
Lineare Algebra Merke Spaltenvektoren: Bild der Basisvektoren Inhaltsverzeichnis Christian Schluchter, schluchc@eeethzch 0 Februar 008 1 Begriffe 1 Matrizen für lineare Abbildungen 1 1 Rechenregeln 1 11
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
MehrTechnische Universität Berlin Fakultät II Institut für Mathematik WS 03/04 Eppler, Richter, Scherfner, Seiler, Zorn 25.
A Technische Universität Berlin Fakultät II Institut für Mathematik WS 3/4 Eppler, Richter, Scherfner, Seiler, Zorn 5. Februar 4 Februar Klausur (Rechenteil) Lösungen: Lineare Algebra für Ingenieure Name:.......................................
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrSample Problems Algebra f. Physicists
Theory Part. Sample Problems Algebra f. Physicists Which of the following statements are true? (Give an argument resp. a counterexample!) ) A matrix A K n n is invertible if and only if zero is not a eigenvalue.
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)
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
Mehr