Proseminar Konvexe Mengen: Der Satz von Carathéodory
|
|
- Jens Innozenz Holzmann
- vor 7 Jahren
- Abrufe
Transkript
1 Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen Hülle behandelt. Dazu wird nach einer Auflistung wichtiger Begriffe, die bereits beannt sein sollten zunächst der Satz von Carathéodory bewiesen. Speziell werden danach noch die onvexe Hülle endlicher Mengen sowie die onvexe Hülle von offenen oder ompaten Mengen betrachtet. Als Grundlage für dieses Referat ist das Buch Convex sets and their applications von Steven R. Lay (New Yor etc.: John Wiley & Sons, 1982), Seite 16 bis 22, verwendet worden. Einige wichtige Begriffe In diesem Abschnitt werden einige Begriffe und Sätze aufgeführt, die bereits im ersten Referat vorgestellt worden sind. Sie werden aber später benötigt, so daß hier nur daran erinnert werden soll. Eine Anmerung zur Notation: Ein reeller Vetorraum R n mit Salarprodut wird mit E n bezeichnet. Definition (2.14): Eine Linearombination y = i=1 λ ix i von x 1,..., x E n mit reellen Koeffizienten λ i heißt Affinombination, falls i=1 λ i = 1, Konvexombination, falls i=1 λ i = 1 und λ i 0 für alle i. Satz (2.15): Für S E n gilt: Satz (2.16): Für S E n gilt: S onvex Jede Konvexombination von Elementen aus S liegt in S. S affin Jede Affinombination von Elementen aus S liegt in S.
2 Der Satz von Carathéodory Seite 2 Definition (2.17): Eine endliche Menge {x 1,..., x m } heißt affin abhängig, wenn es reelle Koeffizienten λ 1,..., λ m gibt, λ i = 0 für mindestens ein i, so daß m λ i = 0 i=1 und Andernfalls heißt die Menge affin unabhängig. Satz (2.18): Sei S E n. Es gilt: m λ i x i = 0. i=1 S hat (n + 1) Elemente = S ist linear abhängig, S hat (n + 2) Elemente = S ist affin abhängig. Der Satz von Carathéodory Bevor wir den Satz von Carathéodory 1 beweisen, führen wir zunächst die zentralen Begriffe der onvexen und der affinen Hülle ein und zeigen einen etwas allgemeineren Satz. Definition (2.20): Die onvexe Hülle einer Menge S ist der Durchschnitt aller onvexen Mengen, die S enthalten. Man bezeichnet sie als conv S. Definition (2.21): Die affine Hülle einer Menge S ist der Durchschnitt aller affinen Mengen, die S enthalten. Man bezeichnet sie als aff S. Bemerung: Die onvexe (affine) Hülle einer Menge S ist die leinste onvexe (affine) Menge 2, die die Menge S enthält. Es gilt: S onvex S = conv S, und S affin S = aff S. Da nach Satz (2.13) jede affine Menge A E n ein affiner Unterraum von E n ist, önnen wir die Dimension einer Menge S als die Dimension der affinen Hülle von S festlegen: dim S := dim(aff S) Satz (2.22): Für jede Menge S E n besteht die onvexe (affine) Hülle von S aus allen Konvexombinationen (Affinombinationen) von Elementen aus S: { } conv S = λ j x j J endlich, xj S, λ j 0, λ j = 1 j J j J { } aff S = λ j x j J endlich, xj S, λ j = 1 j J j J 1 Constantin Carathéodory: * Berlin, München, deutscher Mathematier griechischer Abstammung. 2 Zur Definition einer onvexen oder affinen Menge sei auf den ersten Vortrag von Norman Wirsi verwiesen.
3 Der Satz von Carathéodory Seite 3 Beweis: Der Beweis wird für onvexe Hüllen geführt. Für affine Hüllen ist der Beweis analog. Sei T := { j J λ j x j J endlich, xj S, λ j 0, j J λ j = 1 } die Menge aller Konvexombinationen von Elementen aus S. Nach Satz (2.15) liegen alle Konvexombinationen von Elementen aus conv S in conv S. Da S conv S, gilt: T convs. Seien x, y T mit x := α jx j und y := l β jy j. Für z xy folgt: Dabei ist: z = λx + (1 λy) für ein 0 λ 1 = λα j x j + l i=1 (1 λ)β i y i. 0 λα j 1 für alle j, 0 (1 λ)β i 1 für alle i, λα j + l i=1 (1 λ)β i = 1. Also ist z T. Da dieses für jedes z T gilt und x, y T beliebig gewählt sind, ist T onvex. Außerdem ist S T, da jedes x p eine Konvexombination ist: x p = λ i x i mit λ p = 1, λ i = 0 für i = p. i I Nach Definition der onvexen Hülle ist damit Insgesamt gilt also: conv S T. conv S = T. Der folgende Satz ist von zentraler Bedeutung für die Untersuchung onvexer Mengen. Während der vorige Satz, nach dem jedes Element in der onvexen Hülle einer Menge S als Konvexombination von endlich vielen Elementen x j aus S dargestellt werden ann, eine obere Schrane angibt für die Anzahl der notwendigen x j, begrenzt der Satz von Carathéodory diese: Für eine n-dimensionale Menge genügen n + 1 Elemente. Satz (2.23 Carathéodory): Sei S E n, S =. Dann gilt: Jedes x conv S läßt sich als Konvexombination von höchstens (n + 1) Elementen aus S darstellen: conv S = { n+1 λ j x j x j S, λ j 0, n+1 } λ j = 1.
4 Der Satz von Carathéodory Seite 4 Beweis: Nach Satz (2.22) läßt sich jedes x conv S als endliche Konvexombination darstellen. Sei x = λ jx j eine Konvexombination mit n + 2, x j S. Nach Satz (2.18) sind dann x 1,..., x affin abhängig, d. h. es gibt Salare α 1,..., α mit: α j x j = 0, j α j = 0, α l = 0 für ein l {1,..., } j Durch Umsortieren (falls notwendig) läßt sich in jedem Fall erreichen: α > 0, λ α λ j α j für alle j mit α j > 0. Für 1 j sei nun β j := λ j λ α α j. Dabei gilt: (I) β = 0 (II) β j = λ j λ α α j = 1 0 = 1 (III) β j 0 für alle j. Denn: Für α j 0 ist β j = λ j λ α α j λ j 0. ( Für α j > 0 ist β j = λ j λ λj α α j = α j Außerdem gilt, da β = 0: 1 β j x j = β j x j = α j ( λ j λ ) α j x j = α λ α 0 ) 0. λ j x j = x λ α α j x j = x. = 0 x conv S läßt sich also als Konvexombination von ( 1) Elementen aus S darstellen: x = 1 β jx j. Obiges Verfahren läßt sich so lange fortsetzen, bis x eine Konvexombination von n + 1 Elementen aus S ist. Dann ann man dieses Verfahren nicht mehr weiterführen, da dann die x 1,..., x n+1 im allgemeinen nicht affin abhängig sind. Damit läßt sich jedes x conv S E n als Konvexombination von höchstens (n + 1) Elementen aus S darstellen. Bemerung: Die onvexe Hülle einer Menge S E n ist die Menge aller Konvexombinationen von Elementen aus S. Damit läßt sich der Satz von Carathéodory wie folgt formulieren: x conv S x ist in der onvexen Hülle von höchstens (n + 1) Punten p S.
5 Die onvexe Hülle einer endlichen Menge Seite 5 Die onvexe Hülle einer endlichen Menge Definition (2.24): Die onvexe Hülle einer endlichen Menge S E n heißt Polytop (oder onvexes Polytop). Die onvexe Hülle einer Menge S = {x 1,..., x }, dim S =, heißt -dimensionales Simplex. Die Punte x 1,..., x werden dann als Ecpunte bezeichnet. x 3 x 4 x 2 x 1 x 1 x 3 x x 1 2 x 2 = 1 S = {x 1, x 2 } = 2 S = {x 1, x 2, x 3 } = 3 S = {x 1, x 2, x 3, x 4 } Abbildung 1: Beispiele für Simplizes von endlichen Mengen S. Im folgenden nehmen wir o. B. d. A. an, daß für eine -dimensionale Menge S = {x 1,..., x } E n gilt: Die Vetoren (x 2 x 1 ), (x 3 x 1 ),..., (x x 1 ) sind linear unabhängig. Satz (2.25): Sei S := {x 1,..., x } eine -dimensionale Menge, S E n. Dann besitzt jedes x im Simplex conv S eine eindeutige Darstellung als Konvexombination x = λ jx j. Beweis: Nach Satz (2.22) ist jedes x conv S als Konvexombination x = α jx j der + 1 Elemente von S darstellbar. Sei x = β jx j eine weitere Konvexombination. Mit λ j := α j β j folgt: Damit folgt: λ j x j = 0 mit 0 = λ j = α j β j = 1 1 = 0 λ 1 = (λ 2 + λ λ ) (1) λ j x j = λ j (x j x 1 ) Da nach obiger Annahme (x 2 x 1 ), (x 3 x 1 ),..., (x x 1 ) linear unabhängig sind, ist dieses nur erfüllt, falls λ j = 0 für 2 j + 1. Nach (1) ist dann λ 1 = 0. Für alle j gilt dann: α j = β j ; jedes x conv S besitzt also eine eindeutige Darstellung als Konvexombination der x j S.
6 Die onvexe Hülle einer endlichen Menge Seite 6 Definition (2.26): Sei T := conv{x 1,..., x } ein -dimensionales Simplex. Sei x T mit der eindeutigen Darstellung x = α jx j. Die Koeffizienten α j bezeichnet man als Schwerpuntoordinaten von x. Der Punt x 0 := 1 (x x ) heißt Zentrum des Simplex. Das relative Innere relint S ist das Innere einer Menge S bezüglich des minimalen affinen Unterraums, der S enthält. Zum Beispiel ist für einen Kreis im E 3 das relative Innere des Kreises die offene (zweidimensionale) Kreisscheibe. Mit Hilfe des Zentrums läßt sich zeigen, daß jede nichtleere onvexe Menge S ein relatives Inneres relint S hat. Dieses zeigen wir zunächst für Simplizes. Satz (2.27): Sei S := conv{x 1,..., x }. Ist S ein -dimensionales Simplex, so gilt: relint S =. Beweis: Für den Beweis werden die zwei Hilfssätze aus dem Anhang benötigt ( Anhang A). Sei S := conv{x 1,..., x } E n ein -dimensionales Simplex. Nach obiger Annahme sind die Vetoren (x 2 x 1 ),..., (x x 1 ) linear unabhängig. Nach dem Hilfssatz (1) sind dann die x 1,..., x affin unabhängig; und nach Hilfssatz (2) hat jedes x aff S eine eindeutige Darstellung als Affinombination der x 1,..., x. Man ann damit eine stetige Abbildung f definieren, die jedem x aff S das ()-Tupel der Koeffizienten der eindeutigen Affinombination von x zuordnet: f : aff S E, f (x) = f (α 1 x α x ) := (α 1,..., α ) Sei x 0 das Zentrum von S. Es gilt dann: ( ) f (x 0 ) = 1,..., 1 mit 1 > 0. Da f stetig ist, gibt es dann ein r > 0, so daß für alle x B(x 0, r) aff S, x = α jx j, gilt 1 : Für alle j ist α j > 0. Damit sind aber alle x B(x 0, r) aff S darstellbar als Konvexombination der x 1,..., x. Nach Satz (2.22) gilt dann: ( B(x 0, r) aff S ) conv S. Da S nach Voraussetzung ein Simplex ist, gilt conv S = S, also ( B(x 0, r) aff S ) S. Wegen x 0 B(x 0, r) und x 0 S aff S ist x 0 ( B(x 0, r) aff S ). Da aff S der leinste affine Unterraum ist, der S enthält, ist x 0 relint S. Korollar (2.28): Sei S E n onvex, dim S =. Dann gilt: relint S =. Beweis: Da dim S =, gibt es () affin unabhängige Punte x 1,..., x S. Die onvexe Hülle dieser Punte ist ein -dimensionales Simplex T. Nach Satz (2.27) gilt: relint T =. Da relint T relint S, ist relint S =. 1 Zur Erinnerung: B(x 0, r) := { x E n x x 0 < r }
7 Die onvexe Hülle offener und ompater Mengen Seite 7 Die onvexe Hülle offener und ompater Mengen Wir betrachten zunächst die onvexe Hülle einer offenen Menge. Satz (2.29): Die onvexe Hülle conv S einer offenen Menge S ist offen. Beweis: Sei S E n eine offene Menge. Dann ist S Rand(conv S) =. Wegen S conv S gilt: S int(conv S). Da conv S die leinste onvexe Menge ist, die S enthält, und da das Innere einer onvexen Menge onvex ist 1, ist conv S int(conv S). Es gilt ebenfalls: int(conv S) conv S. Damit ist insgesamt: conv S = int(conv S), d. h. conv S ist offen. Satz (2.30): Die onvexe Hülle conv S einer ompaten Menge S ist ompat. Beweis: Sei B := { (α 1,..., α n+1 ) n+1 α j = 1, α j 0 j } E n+1. Nach Hilfssatz (3) ( Anhang B) ist B ompat. Wir definieren nun eine stetige Abbildung: f : E n+1 E } n. {{.. E n } = E (n+1)2 E n, (n+1)-mal f (α 1,..., α }{{ n+1, x } 1,1,..., x 1,n,..., x n+1,1,..., x n+1,n ) := E n+1 E n E n n+1 α j (x j,1,..., x j,n ). Sei nun S E n ompat. Nach dem Satz von Carathéodory (2.23) gilt 2 : conv S = {x E n n+1 x = α j x j, x j S, α j 0, n+1 } α j = 1. Wir betrachten nun die Menge B S... S E n+1 E n... E n. Die oben definierte Abbildung f bildet diese Menge ab auf conv S: f : B S... S conv S, da B entsprechend gewählt ist. Da B ompat, S ompat, ist auch B S... S ompat. Da f stetig ist, ist conv S ompat. 1 Korollar (2.10) 2 Beachte: x j S E n, also x j = (x j,1,..., x j,n )
8 Anhang: A Zwei Hilfssätze Seite 8 Anhang A Zwei Hilfssätze Hilfssatz (1): Es gilt: {x 1,..., x } affin abhängig {x 2 x 1,..., x x 1 } linear abhängig. Bemerung: Aus Hilfssatz (1) folgt: {x 1,..., x } affin unabhängig {x 2 x 1,..., x x 1 } linear unabh. Beweis: : Sei {x 1,..., x } affin abhängig. Es gibt dann Salare α j für 1 j + 1 mit: (I) α l = 0 für mindestens ein l {1,..., + 1}, (II) α j = 0 α 1 = α j, (III) α jx j = 0. Aus (II) und (III) folgt: 0 = α 1 x 1 + α j x j = x 1 α j + α j x j = α j (x j x 1 ) Wegen (I) gilt α j = 0 nicht für alle j. Damit ist diese Gleichung nur erfüllt, wenn {x 2 x 1,..., x x 1 } linear abhängig. : Sei {x 2 x 1,..., x x 1 } linear abhängig. Es gibt dann Salare β j für 2 j + 1 mit: (I) β l = 0 für mindestens ein l {2,..., + 1}, (II) β j (x j x 1 ) = 0 x 1 Mit β 1 := β j folgt: β j + β j x j = 0. β j x j = 0 und β j = 0 Damit ist wegen (I) {x 1,..., x } affin abhängig. Hilfssatz (2): Sei S := {x 1,..., x } E n eine -dimensionale Menge. Für jedes x aff S gilt: x hat eine eindeutige Darstellung als Affinombination der x 1,..., x. Der Beweis dieses Hilfssatzes erfolgt analog zum Beweis des Satzes (2.25).
9 Anhang: B Eine ompate Menge Seite 9 B Eine ompate Menge Zum Beweis des Satzes (2.30) benötigen wir den folgenden Hilfssatz: Hilfssatz (3): Die Menge A := { (α 1,..., α n+1 ) n+1 Beweis: Wir zeigen: A ist beschränt und abgeschlossen. ➀ A ist beschränt, denn es gilt: } α j = 1, α j 0 j E n+1 ist ompat. (α 1,..., α n+1 ) A = α n+1 α j = 1 für alle 1 n + 1. ➁ A ist abgeschlossen. Dazu betrachten wir die lineare (und damit stetige) Abbildung f : E n+1 R, f (x) = f (x 1,..., x n+1 ) := n+1 x j. Wir definieren nun zwei Mengen: H := { x E n f (x) = 1 } = f 1 (1), Q := [0, 1]... [0, 1] E n+1. (n+1) mal Da die Menge {1} abgeschlossen ist, ist wegen der Stetigeit von f die Menge H abgeschlossen. Ebenfalls abgeschlossen ist die Menge Q. Es ist nun A = H Q; damit ist A als Durchschnitt zweier abgechlossener Mengen abgeschlossen.
8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt onvex, wenn sie mit je zwei Punten x,y auch stets deren Verbindungsstrece xy = {x + t xy 0 t } = {( t)x + ty 0 t } enthält. onvex nicht onvex Lemma 2. Der
Mehr3.3 Der Seitenverband
Diskrete Geometrie (Version 3) 10. Januar 2012 c Rudolf Scharlau 217 3.3 Der Seitenverband Wir setzen die Untersuchung der Relation ist Seite von auf der Menge aller konvexen Polytope in einem gegebenen
MehrKlausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1 1.1 (Herbst 2005, Thema 1, Aufgabe 1) Bestimmen Sie alle reellen Lösungen des folgenden linearen
Mehr11. Darstellung von Kurven und Flächen
H.J. Oberle Approximation WS 23/4. Darstellung von Kurven und Flächen Bézier Kurven. Unser Ziel ist es, polynomiale Kurven auf dem Rechner möglichst effizient darzustellen. Hierzu nutzen wir die Basisdarstellung
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
MehrProjektive Räume und Unterräume
Projektive Räume und Unterräume Erik Slawski Proseminar Analytische Geometrie bei Prof. Dr. Werner Seiler und Marcus Hausdorf Wintersemester 2007/2008 Fachbereich 17 Mathematik Universität Kassel Inhaltsverzeichnis
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehr2.1 Vektorräume. 1. für alle x, y U ist x + y U und. 2. für alle x U und alle λ R ist λx U. O V (= O U) U, und dass ( 1) x U, also x U.
Vektorräume Definition Eine nicht leere Menge V, für die eine Addition (dh eine Rechenvorschrift + derart, dass a + b V für alle a, b V ist und eine skalare Multiplikation (dh λa V für alle λ R (λ ist
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrTriangulierungen von Punktmengen und Polyedern
Triangulierungen von Punktmengen und Polyedern Vorlesung im Sommersemester 2000 Technische Universität Berlin Jörg Rambau 17.05.2000 Sekundärpolytop und 6 bistellare Operationen In diesem Kapitel werden
MehrDer Eulersche Polyedersatz in beliebiger Dimension
Der Eulersche Polyedersatz in beliebiger Dimension Rolf Stefan Wilke 17. Juli 2007 Definition. Sei P R d ein Polytop der Dimension d. Es bezeichne f k (P ) die Anzahl der k-dimensionalen Seitenflächen.
Mehr5.1 Affine Räume und affine Abbildungen
402 LinAlg II Version 1.2 21. Juli 2006 c Rudolf Scharlau 5.1 Affine Räume und affine Abbildungen Ein affiner Raum besteht aus zwei Mengen P und G zusammen mit einer Relation der Inzidenz zwischen ihnen.
MehrReihenentwicklung II. 1 Potenzreihenentwicklung von Lösungen
Vortrag zum Seminar Gewöhnliche Differentialgleichungen, 29.11.2011 Julia Rittich In dem vorherigen Vortrag haben wir erfahren, dass in vielen Anwendungsproblemen eine Differentialgleichung nicht in geschlossener
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
MehrVorlesung Mathematik WS 08/09. Friedel Bolle. Vorbemerkung
Vorlesung Mathemati WS 08/09 Vorbemerung Weshalb Mathemati für Öonomen? Das werden Sie selbst sehen im Grundstudium in - Miroöonomie - Statisti - Maroöonomie - BWL: Prodution und dazu in einer Reihe von
MehrLösung zu Serie [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren.
Lineare Algebra D-MATH, HS 2014 Prof. Richard Pink Lösung zu Serie 8 1. [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren. a 1 A 1 a 2 A 2 a 3
MehrProseminar: Konvexe Mengen
Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
Mehr3 Polytope. 3.1 Polyeder
28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch
MehrKapitel II. Vektorräume
Inhalt der Vorlesung LAAG I Prof. Dr. Arno Fehm TU Dresden WS2017/18 Kapitel II. Vektorräume In diesem ganzen Kapitel sei K ein Körper. 1 Definition und Beispiele 1.1 Beispiel. Ist K = R, so haben wir
Mehr6 Lineare Optimierung
6 Lineare Optimierung Um die Aufgabenstellung deutlich zu machen, beginnen wir mit einem (natürlich sehr vereinfachten) Beispiel: Produtionsplan einer (zugegebenermaßen sehr leinen) Schuhfabri. Hergestellt
Mehr4 Vektorräume. 4.1 Definition. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48. Sei K ein Körper.
4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48 4 Vektorräume 4.1 Definition Sei K ein Körper. Definition: Ein Vektorraum über K, oder kurz ein K-Vektorraum, ist ein Tupel (V,+,, 0 V ) bestehend aus
MehrMathematik I. Vorlesung 11. Lineare Unabhängigkeit
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 11 Lineare Unabhängigkeit Definition 11.1. Es sei K ein Körper und V ein K-Vektorraum. Dann heißt eine Familie von Vektoren v i, i I,
MehrBild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
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 2008/09 4 Einführung Vektoren und Translationen
MehrAffine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...
Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit
MehrKonvexe Mengen. Skript zur Seminar Wintersemester 2012/13 Universität Potsdam. Dr. H. Wendland
Konvexe Mengen Skript zur Seminar Wintersemester 2012/13 Universität Potsdam Dr. H. Wendland Stand vom 7. November 2012 Inhaltsverzeichnis 1 Konvexe Mengen im Euklidischen Raum 1 1.1 Affine Unterräume,
Mehr5 Vektorräume. (V1) für alle x, y V : x + y = y + x; (V2) für alle x, y, z V : (x + y) + z = x + (y + z);
5 Vektorräume Was wir in den vorangegangenen Kapiteln an Matrizen und Vektoren gesehen haben, wollen wir nun mathematisch abstrahieren. Das führt auf den Begriff des Vektorraumes, den zentralen Begriff
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
Mehr. TRENNENDE HYPEREBENEN
VORLESUNG ÜBER KONVEXITÄT Daniel Plaumann Universität Konstanz Wintersemester /.. HYPEREBENEN De nition.. Es sei V ein reeller Vektorraum. Eine lineare Abbildung ℓ V R heißt lineares Funktional auf V.
MehrHüllen und Kombinationen
Hüllen und Kombinationen 2 Die zulässigen Bereiche in der Linearen Optimierung sind Lösungen von linearen Ungleichungssystemen. Deswegen müssen wir die Werkzeuge der linearen Algebra um Elemente erweitern,
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 8 18. Mai 2010 Kapitel 8. Vektoren (Fortsetzung) Lineare Unabhängigkeit (Fortsetzung) Basis und Dimension Definition 80. (Lineare (Un-)Abhängigkeit)
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrKonvexgeometrie. Vorlesung im WS 2004/05 (R. Schneider)
i Konvexgeometrie Vorlesung im WS 2004/05 (R. Schneider) Konvexität ist ein Begriff, der in verschiedenen Zusammenhängen eine Rolle spielt und sich als nützlich erwiesen hat. Eine Punktmenge heißt konvex,
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 03.12.2013 Alexander Lytchak 1 / 16 Wiederholung und Beispiele Der Spaltenrang einer Matrix ist gleich ihrem Zeilenrang.
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Fachhochschule Nordwestschweiz (FHNW Hochschule für Technik Institut für Geistes- und Naturwissenschaft Lösungen Serie 6 (Vektorräume, Skalarprodukt Dozent: Roger Burkhardt Klasse: Studiengang ST Büro:
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen
MehrH. Stichtenoth WS 2005/06
H. Stichtenoth WS 25/6 Lösungsvorschlag für das. Übungsblatt Aufgabe : Der gesuchte Unterraum U ist die lineare Hülle von v und v 2 (siehe Def. 5. und Bsp. 5.5b), d. h. U : Spanv,v 2 } v R : v λ v + λ
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 3: Das Matching-Polytop Diskutieren Sie folgende Fragen in der
Mehr2.3 Basis und Dimension
23 Basis und Dimension Erinnerung Gegeben ein K-Vektorraum V, ein Vektorensystem x,, x n in V Eine Linearkombination in den x i ist ein Vektor der Form λ x + + λ n x n mit λ i K Die λ i heißen Koeffizienten
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.4 2017/04/13 14:48:29 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.1 Affine Geometrie im R d Wir hatten einen affinen Teilraum A des R d als eine Teilmenge der Form A = a + U definiert,
MehrExtremalprobleme mit Nebenbedingungen
Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des
MehrBAYERISCHE AKADEMIE DER WISSENSCHAFTEN MATHEMATISCH-NATURWISSENSCHAFTLICHE KLASSE SITZUNGSBERICHTE JAHRGANG MÜNCHEN 1961
BAYERISCHE AKADEMIE DER WISSENSCHAFTEN MATHEMATISCH-NATURWISSENSCHAFTLICHE KLASSE SITZUNGSBERICHTE JAHRGANG 1960 MÜNCHEN 1961 VERLAG DER BAYERISCHEN AKADEMIE DER WISSENSCHAFTEN In Kommission bei der C.
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma
MehrHM II Tutorium 1. Lucas Kunz. 24. April 2018
HM II Tutorium 1 Lucas Kunz 24. April 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Körper...................................... 2 1.2 Gruppen..................................... 2 1.3 Vektorraum...................................
MehrKAPITEL 4. Orthogonalität. 1. Der Winkel zwischen zwei Vektoren. Wir wiederholen die Definition des Skalarprodukts zweier Vektoren, Definition 1.7.
KAPITEL 4 Orthogonalität Der Winel zwischen zwei Vetoren Wir wiederholen die Definition des Salarproduts zweier Vetoren, Definition 7 DEFINITION 4 Seien a a, b b in n Wir definieren: a n b n () a, b a
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
Mehr1 Häufungswerte von Folgen
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heio Hoffmann WS 0/..0 Höhere Mathemati I für die Fachrichtung Informati. Saalübung (..0) Häufungswerte von Folgen Oft
MehrKonvexe Mengen. Kanglin,Chen. Universität Bremen, Proseminar WS 04/05
Konvexe Mengen Kanglin,Chen Universität Bremen, Proseminar WS 04/05 Satz. (Satz von Kirchberger) Sei P, Q E n kompakt und nicht leer. Dann gilt: P, Q sind durch eine Hyperebene streng trennbar. Für jede
MehrGEOMETRIE DER POLYEDER
GEOMETRIE DER POLYEDER Das Polyeder P sei gegeben durch P = x R n Ax b. Definition. (i) Die Hyperebene H = x R n c T x = d,c, heißt Stützhyperebene von P, falls die Ungleichungc T x d redundant ist bzgl.
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Mehr1. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme. f(x) min, x G (1.1) (Legende)
. Lineare Optimierungsaufgaben (LOA) als Teilklasse konvexer Optimierungsprobleme X Banachraum, wobei X = R n G zulässige Menge des Optimierungsproblems f: G R Zielfunktion f(x) min, x G (.) (Legende)
MehrLineare Algebra II Lösungen der Aufgaben 42 und 43
D Blottière SS 7 P Schützdeller Universität Paderborn Lineare Algebra II Lösungen der Aufgaben 4 und 43 Aufgabe 4 : Bemerkungen : Es sei V ein n-dimensionaler Vektorraum über einem Körper K und β : V V
Mehr3.4 Kombinatorische Äquivalenz und Dualität von Polytopen
222 Diskrete Geometrie (Version 3) 12. Januar 2012 c Rudolf Scharlau 3.4 Kombinatorische Äquivalenz und Dualität von Polytopen Dieser Abschnitt baut auf den beiden vorigen auf, indem er weiterhin den Seitenverband
MehrAnhang A. Etwas affine Geometrie. A.1 Die affine Hülle
Anhang A Etwas affine Geometrie In diesem Anhang stellen wir die wichtigsten Grundbegriffe aus der affinen Geometrie zusammen, soweit sie eben für uns von Nutzen sind. Für weiterführende Ergebnisse sei
Mehr5 Schnitt, Verbindung und Erzeugung affiner Unterräume: Fortsetzung
Kapitel II Lineare Algebra und analytische Geometrie 5 Schnitt, Verbindung und Erzeugung affiner Unterräume: Fortsetzung Wann liegt ein Punkt auf einem affinen Unterraum? Wann haben zwei affine Unterräume
MehrLösung zu Serie 20. Die Menge der Polynome vom Grad 4 ohne Nullstelle ist gegeben durch
Lineare Algebra D-MATH, HS 2014 Prof. Richard Pin Lösung zu Serie 20 1. (a) Bestimme alle irreduziblen Polynome vom Grad 4 in F 2 [X]. (b) Bestimme die Fatorisierung von X 6 + 1 und X 10 + 1 und X 20 +
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 Rechnen mit Matrizen 2 1.1 Matrixmultiplikation............................................
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 3: Das Matching-Polytop Diskutieren Sie folgende Fragen in der
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
MehrKlausur - Analysis 1
Prof. Dr. László Széelyhidi Analysis I, WS 22 Klausur - Analysis Lösungen Aufgabe. i Punt Definieren Sie, wann x n eine Cauchyfolge ist. Lösung : x n heisst Cauchyfolge wenn es zu jedem ε > ein N N gibt,
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
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
MehrAffine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
MehrLösung 5: Gram-Schmidt Orthogonalisierung, adjungierte Abbildungen
D-MATH Lineare Algebra II FS 7 Dr. Meike Akveld Lösung 5: Gram-Schmidt Orthogonalisierung, adjungierte Abbildungen. a) Wegen der Linearität im ersten Argument gilt sicherlich w S :, w =. Somit ist S und
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
MehrVorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 2: Vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. Oktober 2011) Vektoren in R n Definition 2.1
Mehr3.3 Austauschsatz, Basisergänzungssatz und Dimension
66 Kapitel III: Vektorräume und Lineare Abbildungen 3.3 Austauschsatz, Basisergänzungssatz und Dimension Montag, 15. Dezember 2003 Es sei V ein Vektorraum. Jedes Teilsystem eines linear unabhängigen Systems
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
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
MehrVorlesung Mathematik WS 10/11. Friedel Bolle. Vorbemerkung
Prof Dr Friedel Bolle Vorlesung Mathemati WS 0/ Friedel Bolle Prof Dr Friedel Bolle Vorbemerung Weshalb Mathemati für Öonomen? Das werden Sie selbst im Studium erfahren! Viele Probleme werden in der Sprache
MehrHilbertpolynom von I, i.z. a HP I.
9.4.4 Korollar/Def. Sei (1) I k[x 1,..., X n ] ein Ideal. Dann ist die affine Hilbertfunktion a HF I (s) für s 0 ein Polynom in s mit Koeffizienten in Q; es heißt das affine Hilbertpolynom von I, i.z.
MehrGeometrie kubischer Kurven
Geometrie kubischer Kurven Werner Hoffmann Wir wollen die Theorie nur soweit entwickeln, wie es zum Verständnis der Gruppenoperation auf einer irreduziblen kubischen Kurve nötig ist. Satz 1 In der affinen
Mehr5 Analytische Geometrie
5 Analytische Geometrie Die Grundidee der analytischen Geometrie ist es, geometrische Objekte in Räumen mittels linearer Algebra zu beschreiben 51 Affine Räume Definition 511 Ein affiner Raum (AR) über
Mehrtechnische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4
MehrDie lineare Hülle. heißt der Vektor. Linearkombination der Vektoren v i mit Koeffizienten α i. Direkt aus (12.6) folgt
Eine Menge v +U mit einem Untervektorraum U nennt man auch eine Nebenklasse des Untervektorraumes U. Sie entsteht, wenn man die Translation τ v auf die Menge U anwendet. Ausdrücke der Form αu + βv, auch
MehrDie Fundamentalgruppe des Kreises
Abschnitt 9 Die Fundamentalgruppe des Kreises Überlagerungen und die Fundamentalgruppe von S 1 Überlagerungen (die Definition folgt weiter unten stehen in engem Zusammenhang mit der Fundamentalgruppe.
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrKapitel III: Vektorräume
apitel III: Vektorräume 6 Vektorräume und Unterräume Definitionen und Beispiele In diesem Paragraphen kommen wir nun endlich zurück auf die in 1 erörterten Beispiele und behandeln diejenige Struktur, die
MehrUnterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie. Sommersemester Franz Pauer
Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie Sommersemester 2009 Franz Pauer INSTITUT FÜR MATHEMATIK, UNIVERSITÄT INNSBRUCK, TECHNIKERSTRASSE 13, 6020
Mehr( 1) k k 2. k=0. n n(n + 1) ( 1) k k 2 + ( 1) n+1 (n + 1) 2. k=0. + ( 1) n+1 (n + 1) 2 n(n + 1) + (n + 1) 2 )
Musterlösung zum 9. Blatt 8. Aufgabe: Sei n eine natürliche Zahl. Vermuten Sie eine Formel für ( ) k k und beweisen Sie diese durch vollständige Induktion. Lösung: Für jede natürliche Zahl n sei a n =
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 4
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 26/7): Lineare Algebra und analytische Geometrie 4 4. (Frühjahr 27, Thema, Aufgabe ) Zeigen Sie, dass die beiden folgenden Unterräume des R 3 übereinstimmen:
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
Mehr2 Vektorräume und Gleichungssysteme
2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum 2 Vektorräume und Gleichungssysteme 21 Der n-dimensionale K-Vektorraum Definition 21 Seien K = (K, +, ) ein Körper, V eine Menge und
Mehr