Kapitel 3 Quadratische Formen und symmetrische Matrizen
|
|
- Gerhard Hausler
- vor 7 Jahren
- Abrufe
Transkript
1 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 1 y ( ) x Die Länge eines Vektors v =, die hier mit v notiert wird, ist nach dem Satz y von Pythagoras gegeben durch: v = x +y. Die geometrische Bedeutung des Skalarprodukts ist folgende: v w gibt die Länge der Projektion von v in Richtung von w, multipliziert mit der Länge von w an. Bezeichnet α den Winkel zwischen v und w, so gilt: v w = v w cosα. Also ist v w = 0 genau dann, wenn die Vektoren v und w senkrecht aufeinander stehen. Und es ergibt sich folgendes: 3.1 Satz (Cauchy-Schwarzsche Ungleichung) v w v w für alle v,w R. Gleichheit gilt genau dann, wenn v, w linear abhängig sind. Dieses Standardskalarprodukt ist das Vorbild für den folgenden Begriff: 3. Definition Ein Skalarprodukt (bzw. ein hermitesches Produkt) auf einem reellen (bzw. komplexen) Vektorraum V ist eine Abbildung :V V R (bzw. C) mit folgenden Eigenschaften: (i) v v R >0 für alle 0 v V; 0 0 = 0. (ii) u αv+βw = α u v +β u w für alle u,v,w V, α,β R (bzw. C). (iii) u v = v u für alle u,v V. Aus den Eigenschaften (ii) und (iii) folgt ausserdem: (iv) αv+βw u = α v u +β w u für alle u,v,w V, α,β R (bzw. C).
2 54 Kapitel 3. Quadratische Formen und symmetrische Matrizen Jedes Skalarprodukt auf V liefert auch einen Längenbegriff auf V, eine sogenannte Norm, nämlich v := v v für alle v V. Wegen der Eigenschaft (i) ist dieser Ausdruck wohldefiniert. 3.3 Beispiele 1. Das Standardskalarprodukt auf R n ist so erklärt: v 1 w 1 v w =.. = v n w n n v k w k. Die Eigenschaften (i)-(iii) sind erfüllt, wie man direkt nachrechnen kann. Die dazugehörige Länge ist die vertraute euklidische Länge: v = k=1 v v n für alle v V. Für n = 1 stimmt mit dem Betrag überein.. EineandereMöglichkeit, einskalarproduktaufr zuerklären,istzumbeispiel folgende: ( ) ( ) x1 x v w = = x y 1 y 1 x +3y 1 y. Auch hier sind ( die ) Rechenregeln (i)-(iii) erfüllt, und die zugehörige Norm x lautet hier = x y +3y. Man kann diese Art der Längenmessung so verstehen, dass wir die x- und die y-richtung jeweils neu skaliert haben. 3. Betrachten wir jetzt V = C als komplexen Vektorraum. Das hermitesche Standardprodukt ist folgendermassen definiert: z w := z w für z,w C. Die zugehörige Norm lautet für z = a+ib: z = zz = a +b = z. Hier stimmt also die Norm mit dem Betrag der komplexen Zahl überein. Zur Überprüfung der Eigenschaften: (i) v v = z > 0 für alle z 0. (ii) folgt durch Ausmultiplizieren (iii) v u = vu = v u = u v. 4. Entsprechend definiert man für V = C n z w := n z i w i und z = z z n. k=1
3 3.1. Skalarprodukte und Normen Sei V der Vektorraum der stetigen, reellwertigen Funktionen auf dem abgeschlossenen Intervall [a, b]. Dann definiert auch folgende Vorschrift ein Skalarprodukt: Die zugehörige Norm lautet: f g := b a b f(x)g(x)dx. f = a f (x)dx. Die Linearitätseigenschaft (ii) ergibt sich direkt aus der Linearität des Integrals und die Symmetrie (iii) ist offensichtlich. Für (i) ist es wichtig, dass es sich um stetige Funktionen handelt. Ist f C 0 [a,b], dann ist f eine stetige Funktion mit f (x) 0 für alle x. Eine nichtnegative, stetige Funktion kann nur dann als Integralwert Null liefern, wenn es sich um die Nullfunktion handelt. Sei jetzt V ein Vektorraum über R (oder C) mit fest gewähltem Skalarprodukt (bzw. hermiteschen Produkt). Man kann zeigen, dass auch hier die Cauchy-Schwarzsche Ungleichung gilt. 3.4 Satz (Cauchy-Schwarzsche Ungleichung) v w v w für alle v,w V. Gleichheit gilt genau dann, wenn v, w linear abhängig sind. In Anlehnung an die geometrische Bedeutung des Standardskalarprodukts des R und R 3 sagt man, zwei Vektoren u,v V seien senkrecht zueinander oder orthogonal, wenn v w = 0. Dafür gibt es auch die Notation v w. 3.5 Definition EineBasis(v 1,...,v n )vonv heisstorthonormalbasis,fallsv i v j für alle i j und v j = 1 für alle j. Das heisst anders ausgedrückt: v i v j = { 0 für i j 1 für i = j. Eine Orthonormalbasis liefert also ein rechtwinkliges Koordinatensystem. 3.6 Beispiele Standardbasis (e 1,...,e n ) für R n. ( ) ( Die Basis des R gebildet aus v 1 = 1 1 und v 1 = ( ) ( ) Die Vektoren i 1 und bilden eine Orthonormalbasis von C i mit dem Standardprodukt. ).
4 56 Kapitel 3. Quadratische Formen und symmetrische Matrizen Wenn man einen Vektor v V durch eine Orthonormalbasis ausdrücken möchte, muss man jeweils die Skalarprodukte von v mit den Basisvektoren bestimmen. Denn es gilt: 3.7 Bemerkung Ist (v 1,...,v n ) eine Orthonormalbasis von V, so gilt für jedes v V: n v = v j v v j. j=1 Das Skalarprodukt v j v gibt also jeweils die Projektion von v in Richtung von v j an. Beweis. Ist v = n k=1 α kv k, so gilt v j v = v j n k=1 α kv k = n k=1 α k v j v k = α j. Also stimmt v j v mit dem (eindeutig bestimmten) Koeffizienten α j überein. q.e.d. 3.8 Satz Jeder endlichdimensionale Vektorraum über R(oder C) mit Skalarprodukt (bzw. hermiteschem Produkt) hat eine Orthonormalbasis. Beweis. DazustartetmanmiteinerbeliebigenBasis(u 1,...,u n )vonv undkonstruiert daraus rekursiv mithilfe des Orthonormalisierungsverfahrens eine Orthonormalbasis (v 1,...,v n ), und zwar so, dass für k = 1,...,n gilt: lin(v 1,...,v k ) = lin(u 1,...,u k ). Den ersten Vektor v 1 wählt man parallel zu u 1, aber auf Länge 1 normiert, also v 1 := u 1. Um den zweiten Vektor v u 1 zu definieren, geht man aus von der Zerlegung von u in eine Komponente in Richtung von v 1 und eine Komponente w von u senkrecht zu v 1. Da v 1 u die Länge der Projektion von u auf v 1 bezeichnet, gilt: w = u v 1 u v 1. Nun wählt man v parallel zu w, aber auf Länge 1 normiert, also v := w. Der dritte Vektor v w 3 wird aus u 3 konstruiert, indem man zunächst die Projektionen auf v 1 und v abzieht und dann auf Länge 1 normiert, usw. Hier das Resultat: v 1 := u 1 u 1, v := u v 1 u v 1 u v 1 u v 1, und für k = 3,...,n v k := u k k 1 j=1 v j u k v j u k k 1 j=1 v j u k v j. Man kann direkt nachrechnen, dass (v 1,...,v n ) eine Orthonormalbasis ist. q.e.d. 3.9 Beispiel Sei V R 3 die Ebene, definiert durch die Gleichung x+3y z = 0, zusammen mit dem von R 3 geerbten Skalarprodukt. Die Vektoren u 1 = 1 0 und
5 3.. Hauptsatz über symmetrische Matrizen 57 u = 0 1 aus V sind linear unabhängig, stehen aber nicht senkrecht aufeinander, 3 denn u 1 u = 6. Das Orthonormalisierungsverfahren, angewendet auf (u 1,u ), liefert hier: v 1 = u 1 u 1 = Weiter ist v 1 u = 6 5 und daher u v 1 u v 1 = 1 5 v = Wir erhalten 3 Wie gewünscht, gelten v 1 v = 0 und v 1 = v = 1. Also ist (v 1,v ) eine Orthonormalbasis für die Ebene V. 3. Hauptsatz über symmetrische Matrizen In diesem Abschnitt geht es um symmetrische reelle Matrizen. Eine Matrix A heisst symmetrisch, wenn A = A t, das heisst a ij = a ji für alle i,j. Das Ziel ist es, den folgenden wichtigen Satz zu beweisen: 3.10 Hauptsatz Jede symmetrische reelle Matrix A M n n ist diagonalisierbar, und es gibt sogar eine Orthonormalbasis des R n aus Eigenvektoren von A. Anders gesagt: es gibteine invertierbare MatrixS mit S 1 = S t, so dasss t AS Diagonalform hat. Die von den Eigenvektoren aufgespannten Geraden nennt man Hauptachsen von A, und die Koordinatentransformation auf die Orthonormalbasis aus Eigenvektoren heisst deshalb auch Hauptachsentransformation Bemerkung Sind die Vektoren v 1,...,v n in R n linear unabhängig, so ist die aus den Spalten v 1,...,v n gebildete Matrix S bekanntlich invertierbar. Die Einträge der Produktmatrix S t S =: C geben die Skalarprodukte von Paaren von Vektoren an: c ij = v i v j für alle i,j. Also bilden die Vektoren v 1,...,v n genau dann eine Orthonormalbasis, wenn S t S = E ist, das heisst, wenn die Transponierte der Matrix S bereits ihre Inverse bildet. Eine solche Matrix S wird auch als orthogonal bezeichnet. Nun zunächst einige Beispiele zum Hauptsatz:
6 58 Kapitel 3. Quadratische Formen und symmetrische Matrizen ( ) 3.1 Beispiele 1. Die Matrix A = ist offenbar symmetrisch. Die Spur 5 dieser Matrix beträgt 7 und die Determinante ist 6. Die Eigenwerte von A sind also( λ 1 ) = 6 und λ = 1. Als ( zugehörige ) Eigenvektoren können wir wählen v 1 = zu λ 1 und v = 1 5 zu λ 1. Die Vektoren v 1,v sind so gewählt, dass sie Länge 1 haben, und sie stehen tatsächlich senkrecht aufeinander, denn v 1 v = 0. ( ) 3. DieMatrixB = ist nicht symmetrisch. B ist zwar ebenfalls diagonalisierbar, aber nicht durch( eine ) Orthonormalbasis. ( ) Denn die Eigenrichtungen, aufgespannt durch v 1 = und v 1 =, stehen nicht senkrecht aufeinander Die ebene Spiegelung an der Gerade g, die den Winkel ϕ zur x-achse bildet, wird beschrieben durch die Matrix ( ) cos(ϕ) sin(ϕ). sin(ϕ) cos(ϕ) Jede solche Matrix ist symmetrisch, und tatsächlich sind die Spiegelungsachse und die dazu senkrechte Gerade durch den Nullpunkt Eigenrichtungen der Spiegelung zu den Eigenwerten 1 bzw Dagegen ist eine Drehmatrix nur dann symmetrisch, wenn es sich um eine Drehung um 180 0, also eine Punktspiegelung oder um die Identität handelt. Für den Beweis des Hauptsatzes benötigen wir folgende Aussagen: 3.13 Satz Sei A M n n (R) symmetrisch. Dann gilt: (i) Av w = v Aw für alle v,w R n. (ii) Eigenvektoren zu verschiedenen Eigenwerten von A sind zueinander orthogonal. (iii) Alle Eigenwerte von A sind reell, das heisst, das charakteristische Polynom von A hat nur reelle Nullstellen. Beweis. Zu (i): Wir können das Standardskalarprodukt auf R n auch in der Form v w = v t w schreiben, wobei mit das Matrizenprodukt gemeint ist. Daraus ergibt sich für alle v,w R n : Av w = (Av) t w = v t A t w = v t (Aw) = v Aw. Zu (ii): Angenommen, die Vektoren 0 v,w R n sind Eigenvektoren von A zu den Eigenwerten λ µ. Das heisst Av = λv und Aw = µw. Mit Aussage (i) erhalten wir Av w = λ v w = v Aw = µ v w. Da λ µ ist, muss also v w = 0 sein.
7 3.. Hauptsatz über symmetrische Matrizen 59 Zu (iii): Sei λ C eine Nullstelle des charakteristischen Polynoms p A. Dann gibt es in C n einen Eigenvektor v 0 von A zum Eigenwert λ. Nun berechnen wir das hermitesche Produkt von v mit Av und erhalten: v Av = v λv = λ v. Andererseits gilt, weil A nach Voraussetzung symmetrisch ist, folgendes: v Av = v t Av = v t A t v = Av t v = Av v = λ v. Weil v 0, folgt λ = λ, und das bedeutet, dass λ eine reelle Zahl ist. q.e.d. Nun sind alle Vorbereitungen gemacht, um den am Anfang des Abschnitts formulierten Hauptsatz per Induktion über n beweisen zu können. Beweis des Hauptsatzes: Im eindimensionalen Fall ist A = (λ) für ein λ R. Also hat A bereits Diagonalform, und die Basis (e 1 ) leistet das Gewünschte. Sei jetzt n > 1. Wie eben gezeigt, hat das charakteristische Polynom von A (mit Vielfachheit gezählt) n reelle Nullstellen. Wir wählen einen Eigenwert λ R und einen dazugehörigen Eigenvektor u R n aus und betrachten nun das sogenannte orthogonale Komplement von u in R n, die Menge u := {v R n v u} = {v R n u 1 v u n v n = 0}. Die Menge V := u ist ein linearer Unterraum von R n der Dimension n 1, denn es handelt sich um die Lösungsmenge einer homogenen linearen Gleichung. Für jedes v V gilt Av V, denn weil A symmetrisch ist, haben wir: Av u = v Au = v λu = λ v u = 0. Also definiert die Multiplikation mit der Matrix A eine lineare Transformation von V: L:V V, v Av. Wir wählen für V eine Orthonormalbasis (w 1,...,w n 1 ) (bezogen auf das von R n geerbteskalarprodukt)underhaltensoeineorthonormalbasisa = (u,w 1,...,w n 1 ) von R n. Die Matrix T, gebildet aus den Spalten u,w 1,...,w n 1, beschreibt den Basiswechsel von der kanonischen Basis zur Basis A, und es gilt: λ M A (L A ) = T 1 AT = 0. B,wobei B eine (n 1) (n 1)-Matrix ist. 0 Weil die Spalten von T eine Orthonormalbasis bilden, ist die Matrix T orthogonal, das heisst T 1 = T t. Weil A symmetrisch ist, gilt (T 1 AT) t = T t A t (T 1 ) t = T 1 AT und daher B t = B. Also können wir die Induktionsvoraussetzung auf B anwenden. Das heisst, nach Induktion gibt es eine Orthonormalbasis B = (v 1,...,v n 1 ) von V, die nur aus Eigenvektoren von L besteht. Fügen wir den Eigenvektor u hinzu, erhalten wir eine Orthonormalbasis (v 1,...,v n 1,u) von R n aus Eigenvektoren von A wie gewünscht. q.e.d.
8 60 Kapitel 3. Quadratische Formen und symmetrische Matrizen 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen quadratischer Gleichungen in n Variablen zu verschaffen. Eine quadratische Gleichung in zwei Variablen x, y sieht so aus: c 1 x +c xy +c 3 y = c 4, (c 1,c,c 3,c 4 R vorgegeben). Zum Beispiel ist die Lösungsmenge der Gleichung x y + = 1 a b eine Ellipse, die die x-achse bei x = ±a und die y-achse bei y = ±b schneidet. Die Lösungsmenge der Gleichung xy = 1 dagegen ist eine Hyperbel. Wir wollen nun folgende Fragen beantworten: Kann man durch Wahl eines neuen Koordinatensystems jede quadratische Gleichung in eine möglichst einfache Form bringen? Wie lassen sich die möglichen Typen klassifizieren? Die linke Seite der quadratischen Gleichung fasst man zusammen zu einer sogenannten quadratischen Form Definition Unter einer quadratischen Form auf R n versteht man eine Abbildung nach R, die durch einen quadratischen Ausdruck in den Koordinaten gegeben ist, also: q:r n R, q(x 1,...,x n ) = α ij x i x j. i j Aus den Koeffizienten α ij können wir eine symmetrische Matrix A = (a ij ) i,j bilden, indem wir setzen: a ii = α ii für alle i und a ij = a ji = 1 α ij für alle i < j. Dann lässt sich die quadratische Form q so schreiben: q(v) = v t Av = v,av für v R n. Umgekehrt liefert jede symmetrische n n-matrix A (das heisst also eine Matrix mit a ij = a ji für alle i j) auf diese Art eine quadratische Form q A auf R n. Für n = heisst das konkreter: Die quadratische Form auf R, definiert durch q(x,y) = ax +bxy +cy, (a,b,c R), gehört zu der symmetrischen Matrix ( a 1 A := b ) 1 b c, denn q A (x,y) = (xy)a ( ) x = ax +bxy +cy. y
9 3.3. Klassifikation quadratischer Formen auf R n 61 Sei jetzt A eine reelle, symmetrische n n-matrix. Die zugehörige quadratische Form auf R n lautet dann q A :R n R, q A (v) := v t Av. Weil A symmetrisch ist, können wir zu einer Orthonormalbasis aus Eigenvektoren (v 1,...,v n ) übergehen. Bezeichnet T die entsprechende Transformationsmatrix, so ist λ T 1 AT = , 0... λ n wobei λ 1,...,λ n die Eigenwerte von A sind. Da T orthogonal ist, erhalten wir Setzen wir für v = q A (Tv) = (Tv) t ATv = v t (T t AT)v = v t (T 1 AT)v. x 1. x n v 1,...,v n besteht, folgendes Resultat: ein, erhalten wir, weil die Matrix T aus den Spalten 3.15 Satz Sei q = q A :R n R die quadratische Form zur symmetrischen Matrix A. Sei weiter (v 1,...,v n ) eine Orthonormalbasis von R n aus Eigenvektoren von A zu den Eigenwerten λ 1... λ n. Dann gilt q(x 1 v 1 + +x n v n ) = λ 1 x 1 + +λ n x n. WirkönnenalsojedequadratischeFormaufR n beigeeigneterwahldeskoordinatensystems als Summe von gewichteten Quadraten schreiben. Kommen wir nun zu den Lösungsmengen quadratischer Gleichungen zurück. Schauen wir uns zunächst den Fall n = genauer an Satz Sei A eine invertierbare symmetrische -Matrix mit Eigenwerten λ 1 λ. Dann gibt es für die Lösungsmenge der quadratischen Gleichung q A (v) = 1 in R drei Möglichkeiten. Ist λ 1,λ < 0, so ist die Lösungsmenge leer. Sind beide Eigenwerte positiv, handelt es sich um eine Ellipse. Ist λ 1 > 0 und λ < 0, so ist die Lösungsmenge eine Hyperbel. Beweis. Wie eben gezeigt, lässt sich die Gleichung vereinfachen, indem man zu einer Orthonormalbasis v 1,v von R aus Eigenvektoren von A zu den Eigenwerten λ 1 λ übergeht. Bezogen auf die neuen Koordinaten x 1,x nimmt die quadratische Gleichung folgende Gestalt an: ( ) q(x 1 v 1 +x v ) = λ 1 x 1 +λ x = 1. Wenn λ 1,λ < 0, ist λ 1 x 1 + λ x 0 für alle x 1,x. Also hat die Gleichung ( ) in diesem Fall keine reellen Lösungen.
10 6 Kapitel 3. Quadratische Formen und symmetrische Matrizen Sind beide Eigenwerte λ 1 und λ positiv, handelt es sich bei ( ) um eine Ellipsengleichung. Die Lösungsmenge in R ist eine Ellipse mit Hauptachsen in Richtung von v 1 bzw. v, die die v 1 -Achse bei x 1 = ± 1 λ1 und die v -Achse bei x = ± 1 λ schneidet. Ist λ 1 > 0 und λ < 0, so handelt es sich um eine Hyperbel (in einem allgemeineren Sinn). Denn wir können schreiben λ 1 x 1 +λ x = ( λ 1 x 1 + λ x )( λ 1 x 1 λ x ) = 1. Die Lösungsmenge dieser Gleichung ist eine Hyperbel mit Asymptoten, gegeben λ durch die Gleichungen x = ± 1 x λ 1. Die Hyperbel schneidet die v 1 -Achse bei x 1 = ± 1 λ1. q.e.d Beispiele Beginnen wir mit der quadratischen Form q(x,y) = x + ( xy + y ). Die Eigenwerte der entsprechenden symmetrischen Matrix A = 1 sind λ 1 1 = 3 und λ = 1, und als dazugehörige Eigenvektoren der ( ) ( ) Länge 1 können wir wählen v 1 = 1 1 und v 1 = 1 1. Also ist 1 die Lösungsmenge der Gleichung q(x, y) = 1 eine Ellipse mit Hauptachsen in Richtung von v 1 bzw. v. Die Gleichung x + 4xy + 5y = 1 ( beschreibt ) eine Ellipse ( mit) Hauptachsen in Richtung der Vektoren v 1 = und v = 1 5. Die Ellipse 1 schneidet die v 1 -Achse bei ± 1 6 und die v -Achse bei ±1. Die Gleichung 4x y = (x y)(x + y) = 1 beschreibt eine Hyperbel mit Asymptoten y = ±x. Das Verhältnis λ 1 λ = gibt die Steigung der Asymptoten an. Die Hyperbeläste schneiden die x-achse bei ± 1. Die klassische Hyperbel ist gegeben durch die Gleichung y = 1 oder äquivalent x dazu durch xy = 1. Diese Gleichung können wir auch in folgender Form schreiben xy = 1 4 ((x+y) (x y) ) = 1 (x 1 x ) = 1, wobeix 1 = 1 (x+y)undx = 1 (x y)diekoordinatenbezogenaufdiebasis ( ) ( ) aus Eigenvektoren v 1 = 1 1 und v 1 = 1 1 zu den Eigenwerten ± 1 1 angeben. Die entsprechende symmetrische Matrix ist hier A = ( ). Es gilt x 1 = x genau dann, wenn y = 0, und x 1 = x genau dann, wenn x = 0. Die entsprechenden Geraden sind tatsächlich die Asymptoten der Hyperbel.
11 3.3. Klassifikation quadratischer Formen auf R n Satz Sei jetzt A eine symmetrische 3 3-Matrix mit deta 0. Dann gibt es für die Lösungsmenge der quadratischen Gleichung q A (v) = 1 in R 3 insgesamt vier Möglichkeiten. 1. Sind alle Eigenwerte von A negativ, hat die Gleichung keine Lösungen in R 3.. Sind alle Eigenwerte von A positiv, handelt es sich um ein Ellipsoid. Die Eigenrichtungen geben die Hauptachsen und die Zahlen 1 λj jeweils den Halbachsenabschnitt an. 3. Sind zwei Eigenwerte positiv und einer negativ, so ist die Lösungsmenge ein einschaliges Hyperboloid. 4. Ist ein Eigenwert positiv und sind die zwei anderen negativ, so ist die Lösungsmenge ein zweischaliges Hyperboloid. Hierzu wiederum ein Beispiel Beispiel Sei q(x,y,z) = x +4xy y xz+4yz+z = 1 für x,y,z R. Die quadratische Form q ist gegeben durch die symmetrische Matrix A = Bestimmen wir nun die Eigenwerte von A, um den Typ der Lösungsmenge der Gleichung q(x, y, z) = 1 herauszufinden. Das charakteristische Polynom von A lautet: λ 1 p A (λ) = det(λe A) = λ+1 1 λ = (λ ) (λ+1)+8 (λ+1) 8(λ ). Durch Umformen erhält man p A (λ) = λ 3 3λ 9λ+7 = (λ 3)(λ 9) = (λ 3) (λ+3). Die Eigenwerte der Matrix A sind also 3 (doppelt) und 3 (einfach). Deshalb ist die Lösungsmenge der Gleichung q A (x,y,z) = 1 ein einschaliges Hyperboloid. 3.0 Definition Eine quadratische Form q auf einem Vektorraum V heisst positiv (bzw. negativ) definit, falls q(v) > 0 (bzw. q(v) < 0) für alle v 0. Die Form q heisst indefinit, falls q auf V sowohl positive als auch negative Werte (sowie den Wert 0) annimmt. Weil wir jede quadratische Form auf R n als Summe von gewichteten Quadraten schreiben können, gilt folgendes: 3.1 Bemerkung Sei A eine symmetrische n n-matrix. Die zugehörige quadratischeformq A aufr n istgenaudannpositiv(bzw.negativ)definit,wennalleeigenwerte von A positiv (bzw. negativ) sind. q A ist genau dannindefinit, wenn A mindestens einen positiven und einen negativen Eigenwert besitzt.
12 64 Kapitel 3. Quadratische Formen und symmetrische Matrizen Eine weitere Anwendung des Hauptsatzes über symmetrische Matrizen findet man in der Mechanik bei der Beschreibung der Drehbewegungen eines starren Körpers. Nehmen wir an, ein starrer Körper rotiere um eine (bewegliche) freie Achse, die durch den Schwerpunkt des Körpers geht. Der Vektor ω R 3 gebe mit seiner Richtung die momentane Richtung der Drehachse und mit seinem Betrag die Winkelgeschwindigkeit an. Die kinetische Energie der Bewegung erweist sich als quadratische Form der Winkelgeschwindigkeit. Deshalb gibt es eine symmetrische Matrix J M 3 3 (R), den sogenannten Trägheitstensor des starren Körpers, so dass: E = 1 wt Jw. Der Drehimpuls L R 3 der Bewegung ist gegeben durch L(t) = J ω(t). Ist ω ein Eigenvektor von J, so zeigen Drehimpuls und Rotationsachse in dieselbe Richtung. Das bedeutet, dass es dann keine Unwucht gibt. Weil der Trägheitstensor eine symmetrische Matrix ist, gibt es eine Basis des Raumes aus Eigenvektoren für J. Die Eigenrichtungen sind die sogenannten Hauptträgheitsachsen des starren Körpers. Wählt man Eigenvektoren als Basis, so wird aus dem Trägheitstensor eine Diagonalmatrix. In der Diagonalen stehen die Eigenwerte J 1,J,J 3, die jeweils die Trägheitsmomente bezüglich der gewählten Hauptträgheitsachsen angeben (und daher positive Zahlen sind). Denn in diesem Koordinatensystem nehmen die Gleichungen folgende Form an: L = J 1ω 1 J ω und E = 1 (J 1ω1 +J ω +J 3ω3 ). J 3 ω 3 Für eine Kugel ist J 1 = J = J 3, in diesem Fall ist jede beliebige Achse durch den Schwerpunkt eine Hauptträgheitsachse. Es gibt auch starre Körper, für die zwei der drei Eigenwerte zusammenfallen (zum Beispiel ein Bleistift). In diesem Fall ist die Hauptträgheitsachse zu dem einfachen Eigenwert eindeutig bestimmt, und alle dazu senkrechten Achsen durch den Schwerpunkt des Körpers sind Hauptträgheitsachsen für den doppelten Eigenwert. Ist der starre Körper zum Beispiel ein homogener Quader mit drei verschiedenen Seitenlängen, so sind alle Eigenwerte verschieden. Hier sind die Hauptträgheitsachsen gerade die drei Symmetrieachsen des Quaders. Stabil sind die Bewegungen um die Achse mit dem grössten und die Achse mit dem kleinsten Trägheitsmoment.
3.3 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
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.
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,
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
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
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 +
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
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.
MehrMathematik für Anwender II
Prof Dr H Brenner Osnabrück SS 22 Mathematik für Anwender II Vorlesung Euklidische Vektorräume Im Anschauungsraum kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor hat auch eine Länge,
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,
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
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
Mehr2.2 Eigenwerte und Eigenvektoren
2.2. Eigenwerte und Eigenvektoren 39 2.2 Eigenwerte und Eigenvektoren Lineare Abbildungen werden je nach Basiswahl durch unterschiedliche Matrizen beschrieben. Besonders einfach ist die Diagonalform. Wir
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
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
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).
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)
Mehr6.5 Lineare Abhängigkeit, Basis und Dimension
6.5. Lineare Abhängigkeit, Basis und Dimension 123 6.5 Lineare Abhängigkeit, Basis und Dimension Seien v 1,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von
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
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
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
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.)
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
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
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
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
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
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
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 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.
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
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
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
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
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
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
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
Mehr10 Unitäre Vektorräume
10 Unitäre Vektorräume Pink: Lineare Algebra 2014/15 Seite 98 10 Unitäre Vektorräume Die Theorie komplexer Vektorräume mit Skalarprodukt folgt denselben Linien wie die Theorie reeller Vektorräume mit Skalarprodukt;
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
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
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
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
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
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
Mehr6 Symmetrische und hermitesche Matrizen
Mathematik für Physiker II, SS Freitag 4.6 $Id: quadrat.tex,v.8 /6/4 4:44:39 hk Exp hk $ 6 Symmetrische und hermitesche Matrizen 6. Prä-Hilberträume Wir sind gerade mit der Diskussion der sogenannten Ausgleichsgerade
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
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) :=
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
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
Mehr11 Eigenwerte und Eigenvektoren
11 Eigenwerte und Eigenvektoren Wir wissen bereits, dass man jede lineare Abbildung ϕ : K n K n durch eine n n-matri A beschreiben kann, d.h. es ist ϕ() = A für alle K n. Die Matri A hängt dabei von der
MehrLineare Algebra und analytische Geometrie II
Prof Dr H Brenner Osnabrück SS 26 Lineare Algebra und analytische Geometrie II Vorlesung 2 Orthogonalität Mit dem Skalarprodukt kann man die Eigenschaft zweier Vektoren, aufeinander senkrecht zu stehen,
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
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 =
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrKapitel 2 Lineare Algebra II. 2.1 Lineare Abbildungen
Kapitel 2 Lineare Algebra II 21 Lineare Abbildungen Die mit der Vektorraumstruktur verträglichen Abbildungen zwischen Vektorräumen werden als linear bezeichnet Genauer definiert man: 21 Definition Eine
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
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
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
MehrAnalytische Geometrie
21 Vorlesungen über Analytische Geometrie für Lehramtstudierende der Schulformen Grund-, Mittel- und Realschule Jens Jordan Universität Würzburg, Wintersemster 2015/16 Hier kommt noch ein schönes Bildchen
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
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
MehrPrüfung Lineare Algebra 2
1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,
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
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
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
Mehr44 Spektralzerlegung normaler Operatoren im endlichdimensionalen Fall
44 Spektralzerlegung normaler Operatoren im endlichdimensionalen Fall 44 1 Zusammenfassung Dieser Paragraf richtet sich im Aufbau weitgehend nach 42, um den Zerlegungssatz (44.7) analog zum Satz über die
MehrLina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
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
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
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische
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
Mehr43911: Lineare Algebra/Geometrie Prüfungstermin Herbst 2015 Lösungsvorschlag
Dr. Erwin Schörner 49: Lineare Algebra/Geometrie Prüfungstermin Herbst 5 Lösungsvorschlag I.. a Die in Abhängigkeit vom Parameter t R für t t A t t t R und b R t + t t + t zu betrachtende Menge F t { x
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
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
MehrD-CHAB Frühlingssemester 2018
D-CHAB Frühlingssemester 2018 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 4 1) Nur für die folgenden Wahlen kann man das Produkt bilden: A A mit Dimension (2, 2) (2, 2) (2, 2): 1 2 A Y mit Dimension
Mehr++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1
Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die
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
Mehr1 Die Jordansche Normalform
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag (9.03.205) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
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
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
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
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrLeitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.
Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen
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
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
MehrMusterlösung zur Serie 10
D-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 1 Prof. Giovanni Felder, Thomas Willwacher Musterlösung zur Serie 1 1. a) Zur Erinnerung: Eine Äquivalenzrelation auf einer Menge M ist eine Relation, die 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
MehrSteilkurs Lineare Algebra 1 einige wichtige Stationen
Steilkurs Lineare Algebra 1 einige wichtige Stationen Für einen Körper K ist ein K-Vektorraum V eine Menge mit einer kommutativen und assoziativen Verknüpfung + : V V V, für die es ein neutrales Element
Mehr