6 Symmetrische Matrizen und quadratische Formen
|
|
- Etta Raske
- vor 7 Jahren
- Abrufe
Transkript
1 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 sie gleich ihrer Transponierten ist, wenn also A t = A gilt. Symmetrische Matrizen sind eine besonders häufig auftretende spezielle Sorte von Matrizen, die zugleich einige besonders günstige Eigenschaften haben. Ist A symmetrisch, so haben wir für alle Vektoren x, y R n stets (Ax y = x (A t y = x (Ay. Diese simple Beobachtung ergibt die folgende wichtige Tatsache: Eigenvektoren zu verschiedenen Eigenwerten einer symmetrischen Matrix stehen senkrecht aufeinander. Seien nämlich A eine symmetrische n n Matrix, λ, µ zwei verschiedene Eigenwerte von A und v E λ (A, w E µ (A zugehörige Eigenvektoren. Dann folgt λv w = (λv w = (Av w = v (Aw = v (µw = µv w = (λ µv w =, also v w = wegen λ µ. Tatsächlich gilt noch viel mehr: Satz 6. (Diagonalisierbarkeit symmetrischer Matrizen Sei A eine symmetrische n n Matrix. Dann gibt es eine aus Eigenvektoren von A bestehende Orthonormalbasis des R n. Insbesondere ist A diagonalisierbar, alle Eigenwerte von A sind reell und die Eigenräume zu verschiedenen Eigenwerten von A stehen senkrecht aufeinander. Weiter existiert eine orthogonale Matrix S mit S t AS = λ... λ n, wobei λ,..., λ n die mit Vielfachheit aufgezählten Eigenwerte von A sind. Beweis: Dass A diagonalisierbar mit reellen Eigenwerten ist wollen wir hier glauben. Die Aussage über die Orthogonalität der Eigenräume haben wir oben eingesehen. Ist nun u,..., u n eine aus Eigenvektoren von A bestehende Orthonormalbasis des R n, so haben wir S AS = λ... λ n, 9-
2 Mathematik für Ingenieure II, SS 9 Freitag 9.6 wobei S die Transformationsmatrix von der Basis u,..., u n zur kanonischen Basis des R n ist. Nach Satz ist S eine orthogonale Matrix und somit gilt S = S t. Es gibt nicht nur eine aus Eigenvektoren bestehende Orthonormalbasis des R n, wir können auch eine berechnen. Die Berechnung einer solchen Orthonormalbasis des R n ist mit uns schon bekannten Rechenverfahren einfach möglich. Die Rechnung läuft in den folgenden Schritten ab: Gegeben: Eine symmetrische n n Matrix A. Gesucht: Eine aus Eigenvektoren von A bestehende Orthonormalbasis des R n, beziehungsweise eine orthogonale Matrix S so, dass S t AS eine Diagonalmatrix ist. Diese beiden Aufgaben sind gleichwertig, die Spalten der Matrix S bilden die gesuchte Orthonormalbasis und umgekehrt. Verfahren: Die Rechnung läuft in den folgenden Schritten ab:. Berechne die Eigenwerte λ,..., λ s von A. Diese sind alle reell.. Für jeden Eigenwert λ = λ i ( i s löse das homogene lineare Gleichungssystem (λ Ax = und bestimme eine Basis v i,..., v ini seines Lösungsraums. Anders gesagt soll eine Basis des Eigenraums E λ (A berechnet werden. Dies kann man beispielsweise wie üblich durch Gauß Elimination tun.. Wende auf jede der in Schritt ( gefundenen Basen v i,..., v ini ( i n der jeweiligen Eigenräume das Gram Schmidtsche Orthonormalisierungsverfahren an, und erhalte eine Orthonormalbasis u i,..., u ini des Eigenraums E λi (A. 4. Setze die in Schritt ( für λ = λ i, i =,..., s gefundenen Basen zu einer Orthonormalbasis u,..., u n,..., u s,..., u srs des R n zusammen. Dies ist die gesuchte Orthonormalbasis u,..., u n. Die Matrix S deren Spalten die Vektoren u,..., u n sind ist orthogonal und S t AS ist eine Diagonalmatrix. Da dieses Verfahren sich nur aus uns schon bekannten Einzelschritten zusammensetzt, wollen wir hier nur ein Beispiel rechnen, nämlich die symmetrische Matrix A =
3 Mathematik für Ingenieure II, SS 9 Freitag 9.6 Wir suchen eine aus Eigenvektoren von A bestehende Orthonormalbasis des R 4. Zur Bestimmung der Eigenwerte berechnen wir das charakteristische Polynom x 9 χ A (x = x 9 x 9 x 9 x 9 x 9 x 8 x 8 = x 8 x 8 x 8 x 8 = x 8 x 8 x 8 x 8 x 9 x 9 x 9 x 8 x 8 x 9 x 8 x 8 5 x = (x 8 = (x 8 x 9 x 9 = (x 8 (x 9 x 9 + x 8 x 8 5 x = (x 8 ((x 9 x 8 5 x = (x 8 ((x x = (x 8 (x x + 96 = (x 8 (x. Wir haben also zwei Eigenwerte λ = 8 und λ =. Beginnen wir mit λ =. Die Gauß Elimination läuft dann als Die Lösungsmenge ist also gegeben durch und somit u = v, y = v, x = y + u + v = v E (A = Zur Orthonormalisierung muss dieser Basisvektor nur normiert werden, also u 4 :=. 9-
4 Mathematik für Ingenieure II, SS 9 Freitag 9.6 Dass wir nur einen Eigenvektor zu normieren haben, ist glücklicherweise der Normalfall, wir bereits mehrfach erwähnt hat eine zufällig gewählte Matrix in der Regel lauter verschiedene Eigenwerte, die damit alle einen eindimensionalen Eigenraum haben. Für λ = 8 ergibt sich für den Eigenraum dagegen = x = y + u v. Eine Basis des Eigenraums E 8 (A ist gegeben durch v =, v =, v = Hier sind wir also im untypischen Fall und müssen noch etwas weiter rechnen. Auf die Vektoren v, v, v müssen wir nun die Gram Schmidt Orthonormalisierung anwenden. Diesmal suchen wir dabei keine Orthonormalbasis des gesamten R 4 sondern nur eine Orthormalbasis des von v, v, v aufgespannten Teilraums. Wir rechnen w := v =, w w =, w = v w = w = v + w + w =., w w =,, w w = 4 und normieren u =, u = w = 6 6 6, u = w =. Damit haben wir die gesuchte Orthonormalbasis des R 4 berechnet. Mit der orthogonalen Matrix 6 8 S = 6 6 ist also St AS =
5 Mathematik für Ingenieure II, SS 9 Freitag Quadratische Funktionen und die Hauptachsentransformation Wie schon angekündigt wollen wir die bisher vorgestellte Theorie nun zur Untersuchung quadratischer Funktionen in mehreren Variablen nutzen, also Funktionen wie beispielsweise f(x, y = x + y xy x y +. Allgemein ist eine quadratische Funktion in n Variablen eine Funktion der Form f : R n R; x n a ij x i x j + b i x i + c i,j n i= mit Konstanten a ij, b i, c R ( i, j n. Für n = sieht die allgemeine quadratische Funktionen also ausgeschrieben wie folgt aus a x + a xy + a yx + a y + b x + b y + c x y Für unsere obige Beispielfunktion könnten wir etwa a = a = c =, a = b = b = und a = setzen. Da die definierende Summenformel etwas unhandlich ist, geht man nun zu einer Matrixbeschreibung der quadratischen Funktion f über. Hierzu setzt man A := und hat für jedes x R n i,j n a ij x i x j = a a n..... a n a nn und b := ( n n a ij x i x j = j= i= b. b n n (A t x j x j = (A t x y und n i= b ix i = b x. Die quadratische Funktion f in n Variablen können wir damit in der kompakten Form f(x = (A t x x + b x + c schreiben. Für i, j n mit i j taucht das Produkt x i x j zweimal auf, einmal als a ij x i x j und ein anderes Mal als a ji x j x i = a ji x i x j. Diese beiden Summanden können wir zusammenfassen und als j= a ij x i x j + a ji x j x i = (a ij + a ji x i x j = a ij + a ji 9-5 x i x j + a ij + a ji x j x i 4
6 Mathematik für Ingenieure II, SS 9 Freitag 9.6 schreiben. Diese neuen Koeffizienten (a ij + a ji / sind ssymmetrisch in i und j. Damit können wir immer erreichen, dass die Matrix A symmetrisch ist. In unserer Beispielfunktion werden ( ( A = und b =. Die offizielle Definition einer quadratischen Funktion wird jetzt zu: Definition 6.: Sei n N. Eine quadratische Funktion in n Variablen ist eine Funktion der Form f : R n R; x (Ax x + b x + c wobei A eine symmetrische n n Matrix ist, b R n ein Vektor ist und c R eine reelle Zahl ist. Ist dabei b = und c =, so nennt man f auch eine quadratische Form. Zum besseren Verständnis von f ist es hilfreich sich die Niveaumengen M t := {x R n f(x = t} für verschiedene Werte von t anzuschauen. Für unsere Beispielfunktion f(x, y = x + y xy x y + haben diese Mengen die Form.5 y.5.5 y x.5.5 x Niveaumengen Die Niveaumenge f(x, y = Wie Sie sehen sind die Niveaumengen hier allesamt Ellipsen. Für die Niveaumenge M haben wir auch die beiden Hauptachsen der Ellipse eingezeichnet, d.h. die Achsen auf denen die Ellipse minimalen oder maximalen Abstand von ihrem Schwerpunkt hat. Als Hauptachsentransformation bezeichnet man jetzt die Koordinatentransformation bei der der Nullpunkt des Koordinatensystems in den Schwerpunkt der Ellipse gelegt wird und die beiden Hauptachsen der Ellipse als Koordinatenachsen verwendet werden. Bezüglich eines Koordinatensystem mit Schwerpunkt im Mittelpunkt bei dem die 9-6
7 Mathematik für Ingenieure II, SS 9 Freitag 9.6 beiden Hauptachsen die Koordinatenachsen sind, hat eine Ellipse mit den Halbradiien a, b > die Form b a x a + y b =. Wir suchen also ein Koordinatensystem in dem unsere Niveaumenge M diese Form annimmt. Insbesondere können wir dann auch die beiden Halbradien unserer Ellipse berechnen. Es stellt sich heraus, dass man dann auch für allgemeinere quadratische Funktionen eine Hauptachsentransformation durchführen kann, dass das ganze also im Allgemeinen mit Ellipsen eigentlich nichts zu tun hat. Kommen wir allzu zur Situation f(x = (Ax x + b x + c in n Variablen zurück. Als erstes Ziel wollen wir den Nullpunkt unserer angestrebten Hauptachsentransformation finden. Wir untersuchen dazu erst einmal wie sich das Verschieben des Nullpunkts auf die quadratische Funktion auswirkt. Nehmen wir einmal an wir legen den Nullpunkt in den Punkt u R n. Sei x R n. Denken wir uns x bezüglich des neuen Koordinatenursprungs u, so sind die Koordinaten von x bezüglich des alten Nullpunkts gleich x + u. Setzen wir dies in die quadratische Funktion ein, so wird f(x + u = (A(x + u (x + u + b (x + u + c = (Ax + Au (x + u + b (x + u + c Setzen wir also = (Ax x + (Ax u + (Au x + (Au u + b x + b u + c = (Ax x + (Au + b x + c + (Au u + b u. b := Au + b und c := c + (Au u + b u = f(u, so wird f(x := f(x + u = (Ax x + b x + c. Wie müssen wir u wählen damit f möglichst einfach wird? Hier gibt es zwei mögliche Fälle, die wir gleich durchgehen werden. Fall. Es ist b Bild A. Dann können wir ein u R n mit Au = b = b = Au + b = 9-7
8 Mathematik für Ingenieure II, SS 9 Freitag 9.6 wählen und haben den linearen Anteil eliminiert. Fall. Es ist b / Bild A. Dann zerlegen wir den Vektor b in eine Summe b = b + b mit einem Teil b Bild(A und einem Vektor b der senkrecht auf dem Bild von A steht. Dann wählen wir u R n mit Au = b = b = Au + b = b, und wir haben den linearen Anteil senkrecht zum Bild von A gemacht. Weiter vereinfachen können wir in diesem Fall leider nicht, zumindest nicht durch Wahl des Koordinatenursprungs. Untersuchen wir einmal die Situation in unserem Beispiel f(x, y = x + y xy x y +. Hier ist die Matrix A invertierbar mit A = ( und für den Nullpunkt u erhalten wir u = A b = = A = 4 ( ( ( = Der Vektor u ist also tatsählich genau der Mittelpunkt unserer Ellipse, wie man im obigen Bild der Niveaumenge M tatsächlich sehen kann.. Wegen f(u = wird damit (. f(x = (Ax x beziehungsweise f(x, y = x + y xy. Bei der Transformation auf die Hauptachsen der Ellipse als Koordinatenachsen bleibt der Nullpunkt unverändert. Da der konstante Term keine Rolle spielt, müssen wir also nur noch eine quadratische Form f(x = (Ax x mit einer symmetrischen n n Matrix A betrachten. Nach Satz existiert eine orthogonale n n Matrix S mit λ S t AS =... =: D wobei λ,..., λ n die Eigenwerte von A sind. Diese Matrix existiert nicht nur, sondern wir hatten auch gesehen wie man sie ausrechnen kann. Die Matrix S ist die Transformationsmatrix von einer aus Eigenvektoren von A bestehenden Orthonormalbasis u,..., u n zur kanonischen Basis. In diesen transformierten Koordinaten wird die quadratische Form zu f(x := f(sx = (ASx (Sx = (S t ASx x = (Dx x = λ x + + λ n x n. An dieser Formel sehen wir insbesondere das die geometrische Form der quadratischen Funktion von den Vorzeichen der Eigenwerte der Matrix A bestimmt wird. Nehmen wir einmal das zweidimensionale Beispiel f(x, y = λ x + λ y. λ n 9-8
9 Mathematik für Ingenieure II, SS 9 Freitag x 6 8 y x λ, λ > λ λ < y Sind beide Eigenwerte λ, λ positiv, so haben wir bis auf Skalierungen der x- und y- Achse das Rotationparaboloid f(x, y = x +y. Sind λ, λ beide negativ, so liegt analog ein nach unten geöffnetes Rotationsparaboloid vor. Haben λ und λ verschiedene Vorzeichnen, also λ λ <, so hat unsere Funktion nach Umskalieren und eventuellen Spiegeln an der Diagonalen die Form von f(x, y = x y, ist also eine Sattelfläche. 9-9
6 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
Mehr6 Symmetrische und hermitesche Matrizen
Mathematik für Physiker II, SS 7 Freitag 3.6 $Id: quadrat.tex,v.3 7/6/3 :8:3 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6. Symmetrische und hermitesche Matrizen Wir kommen jetzt zu den symmetrischen
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
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Dienstag $Id: jordantex,v 8 9// 4:48:9 hk Exp $ $Id: quadrattex,v 9// 4:49: hk Exp $ Eigenwerte und die Jordansche Normalform Matrixgleichungen und Matrixfunktionen Eine
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,
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
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,
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
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)
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 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,
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
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrEigenwerte (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 =
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
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
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
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
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr6 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
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
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
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
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 =
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
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 +
MehrLineare 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
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
MehrLineare Algebra II (SS 13)
Lineare Algebra II (SS 13) Bernhard Hanke Universität Augsburg 03.07.2013 Bernhard Hanke 1 / 16 Selbstadjungierte Endomorphismen und der Spektralsatz Definition Es sei (V,, ) ein euklidischer oder unitärer
MehrProbeprüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Frühling 018 Probeprüfung Lineare Algebra I/II für D-MAVT Die Prüfung dauert 10 Minuten. Sie dient der Selbstevaluation. Die Musterlösungen folgen. Die Multiple Choice
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
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
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.48 2017/06/14 15:16:10 hk Exp $ $Id: jordan.tex,v 1.26 2017/06/16 10:59:58 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Zum Abschluss dieses Kapitels behandeln
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe Beispiel einer Koordinatentransformation Gegeben seien zwei
MehrQuadriken. Quadriken und Hauptachsentransformation. Lineare Algebra I, WS 10/11 Ingo Blechschmidt 13. März 2011
Hier eine kurze Erklärung zu der. Als Grundlage diente teilweise eine Beschreibung von Markus Göhl vom Sommersemester 00. Quadriken Definition. Eine Quadrik ist die Nullstellenmenge eines quadratischen
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
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)
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz SS 5 4.5.5 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt
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
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
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
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
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
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)
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
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
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)
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
MehrD-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler. Musterlösung 8. i=1. w 2, w 2 w 2 =
D-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 14 Manfred Einsiedler Musterlösung 8 1. Wir konstruieren eine Orthogonalbasis aus der Basis (v 1, v 2, v ) mit dem Gram- Schmidt-Verfahren. Wir wenden die Formel
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
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.)
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 :
Mehr7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
Mehr5.4 Hauptachsentransformation
. Hauptachsentransformation Sie dient u.a. einer möglichst einfachen Darstellung von Kegelschnitten und entsprechenden Gebilden höherer Dimension mittels einer geeigneten Drehung des Koordinatensystems.
MehrKapitel 3 Quadratische Formen und symmetrische Matrizen
Kapitel 3 Quadratische Formen und symmetrische Matrizen 3.1 Skalarprodukte und Normen Das übliche Skalarprodukt für Vektoren aus dem R ist folgendermassen erklärt: ( ) ( ) x1 x v w = := x 1 x +y 1 y. y
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
Mehr2 Koordinatentransformationen
Mathematik für Ingenieure III, WS 9/ Mittwoch 8. $Id: transform.tex,v.8 //4 :9: hk Exp $ Koordinatentransformationen. Lineare Koordinatentransformationen Wir überlegen uns dies zunächst im Spezialfall
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
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,
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
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 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.
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Motivierendes eispiel Lineare Abbildungen werden durch Matrizen dargestellt: Abbildung : Spiegelung A =. Abbildung A = : Verzerrung. ei der Spiegelung wird ~e auf sich selbst
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen Freitag, 6.. Sascha Frölich
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
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
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
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
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
MehrMathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.
MehrKapitel 3 Quadratische Formen und symmetrische Matrizen
Kapitel 3 Quadratische Formen und symmetrische Matrizen 3.1 Skalarprodukte und Normen Das übliche Skalarprodukt für Vektoren aus dem R ist folgendermassen erklärt: ( ) ( ) x1 x v,w =, := x 1 x +y 1 y.
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.2 27/7/5 :59:6 hk Exp $ $Id: orthogonal.tex,v.5 27/7/5 2::22 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6. Quadratische Formen und Hauptachsentransformation In der letzten Sitzung
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 =
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
MehrQuadriken. Quadriken und Hauptachsentransformation. Lineare Algebra II, WS 11/12 Ingo Blechschmidt 27. Februar 2012
Hier eine kurze Erklärung zu der. Als Grundlage diente größtenteils eine Beschreibung von Markus Göhl vom Sommersemester 00. Quadriken Definition. Eine Quadrik ist die Nullstellenmenge eines quadratischen
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
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
MehrMathematik I. Vorlesung 16. Eigentheorie
Prof Dr H Brenner Osnabrück WS 009/00 Mathematik I Vorlesung 6 Eigentheorie Unter einer Achsenspiegelung in der Ebene verhalten sich gewisse Vektoren besonders einfach Die Vektoren auf der Spiegelungsachse
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
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
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrD-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j
D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 0 Tom Ilmanen Musterlösung 2. Falls b := (v,,v n ) eine Orthonormalbasis von V ist, dann lassen sich die Komponenten von einem Vektor v = n i= t i v i bezüglich
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 22/3 Institut für Analysis 28..23 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Höhere Mathematik I für die Fachrichtung Physik 4. Übungsblatt (letztes Blatt)
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
MehrMathematische Probleme, SS 2015 Donnerstag $Id: quadratisch.tex,v /06/18 15:11:12 hk Exp $
Mathematische Probleme, SS 25 Donnerstag 8.6 $Id: quadratisch.tex,v. 25/6/8 5::2 hk Exp $ 4 Kegelschnitte Am Ende der letzten Sitzung haben wir mit der Diskussion der Kegelschnitte begonnen. Gegeben sind
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
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
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.
Mehr9 Lineare Differentialgleichungen
Mathematik für Ingenieure III, WS 29/2 Mittwoch.2 $Id: linear.tex,v.4 2/2/ :7:45 hk Exp hk $ 9 Lineare Differentialgleichungen 9.3 Differentialgleichungen mionstanten Koeffizienten Während sich allgemeine
MehrEinige Lösungsvorschläge für die Klausur zur Vorlesung
Prof Klaus Mohnke Institut für Mathematik Einige Lösungsvorschläge für die Klausur zur Vorlesung Lineare Algebra und analtische Geometrie II* - SS 7 Aufgabe Im R mit dem Standardskalarprodukt ist die folgende
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
Mehrfj 2 = f n f n+1. fj 2 = 0 2 = 0 = 0 1 = f 0 f 1. f 2 j = f n f n+1 +fn+1 = (f n +f n+1 )f n+1 = f n+2 f n+1 = f n+1 f (n+1)+1.
Stroppel Musterlösung 4..4, 8min Aufgabe 3 Punkte) Sei f n ) n N die Fibonacci-Folge, die durch f :=, f := und f n+ := f n +f n definiert ist. Beweisen Sie durch vollständige Induktion, dass für alle n
MehrMusterlösung Serie 21
D-MATH Lineare Algebra II FS 09 Prof. Richard Pink Musterlösung Serie Positiv-Definitheit und Singulärwertzerlegung. Welche der folgenden drei reellen symmetrischen Matrizen sind positiv definit? A : 6
Mehr