Lineare Algebra Vordiplom Kurs
|
|
- Karola Grosse
- vor 7 Jahren
- Abrufe
Transkript
1 Lineare Algebra Vordiplom Kurs Gabriel Puebla-Hellmann 19. Juli 2004 Inhaltsverzeichnis 1 Grundbegriffe Lineare Gleichungssysteme Vektorräume Lineare Abbildungen Matrizen Räume mit Skalarprodukt Euklidische Räume Gram-Schmidt sches Orthogonalisierungsverfahren Orthogonale (unitäre) Abbildungen Adjungierte Abbildungen QR-Zerlegung Determinanten Eigenschaften Eigenwerte und Eigenvektoren Allgemein Diagonalisieren Simultanes Diagonalisieren Bilineare Räume Allgemein Quadratische Formen Jordan Normalform 12 7 Dualität und Tensorprodukte Faktorräume Tensorprodukt Wedgeprodukt Der multilineare Fall Tensoralgebra, Äussere Algebra Lie Algebren Lie Algebren Die Exponentialabbildung Lie Algebren
2 9 Spezielle Gruppen 16 2
3 1 Grundbegriffe 1.1 Lineare Gleichungssysteme Sei H ein homogenes, B ein inhomogenes Gleichungssystem mit jeweils n Gleichungen und g Unbekannten. Seien L(H) und L(B) die Lösungsräume der Gleichungssysteme. Betrachtet man ein Homogenes Gleichungssystem so gilt: g > n : Es existiert eine Lösung 0 Betrachtet man ein beliebiges B so gilt: a) H B hat nur 0-Lösung = B hat genau eine Lösung. b) H B hat Lösung 0 = B hat keine oder viele Lösungen. 1.2 Vektorräume Vektorräume Definition 1.1 (G, ) heisst Gruppe, falls eine Verknüpfung auf G ist mit: 1) assoziativ 2) Neutralelement e 3) Jedes x G hat ein inverses. Definition 1.2 Ein Ring ist eine Menge R versehen mit zwei Verküpfungen und so dass gilt: 1) (R, ) ist kommutative Gruppe,Neutralelement =: 0. 2) ist assoziativ. 3) Distributivgesetz: x (x z) = (x y) (x z) x, y, z R. Definition 1.3 Ein Körper K ist eine Menge versehen mit zwei Verknüpfungen und so dass gilt: 1) (K, ) ist kommutative Gruppe, Neutralelement =: 0. 2) (K, ) ist kommutative Gruppe, Neutralelement =: 1; K := K {0}. 3) Distributivgesetz x (x z) = (x y) (x z) x, y, z K. Definition 1.4 Ein Vektorraum V über einem Körper K ist eine kommutative Gruppe (V, +), in der zusätzlich eine äussere Verknüpfung K V V, (k, v) kv, definiert ist, die wie folgt mit der Gruppenstruktur verträglich ist: 1) λ(µv) = (λµ)v 2) (λ + µ)v = (λv) + (µv) 3) λ(v + w) = (λv) + (λw) 4) 1v = v 3
4 Definition 1.5 Eine Teilmenge X eines VR V heisst affiner Unterraum, falls es ein v V und ein Unterraum W V gibt, so dass: X = v + W := {u V w W mit u = v + w} Sei X = v + W V ein affiner Unterraum. Dann gilt: Für ein beliebiges v X ist X = v +W. Ist v V und W V ein Untervektorraum mit v+w = v +W so folgt W = W und v v W Dimension, Basis Definition 1.6 (Lineare Abhängigkeit) Die Vektoren v 1,..., v n V heissen linear abhängig, fall es Skalare λ 1,..., λ n K gibt, die nicht alle 0 sind, mit n i=1 λ i v i = 0. Sind v 1,..., v n nicht linear abhängig, so heissen sie linear unabhängig. Jedes System von Vektoren, dass 0 enthält ist linear abhängig; speziell { 0} ist eine linear abhängige Menge. Definition 1.7 Eine Teilmenge S V heisst linear unabhängig, falls je endlich viele paarweise verschiedene Vektoren s 1,..., s k S linear unabhängig sind. Definition 1.8 Der Rang eines Systems von Vektoren a 1,..., a n, Rg{ a 1,..., a n } ist die grösste Zahl j derart, dass sich ein Teilsystem von j Vektoren { a i1,..., a ij } { a 1,..., a n } in linearer Unabhängigkeit befindet. Definition 1.9 Die Dimension eines Vektorraumes V ist dim V := sup{r r = Rg{endliches System von V ektoren aus V }} N { }. Manchmal schreibt man auch dim K V, da der Skalarkörper K ist. Sei dim V = n. Dann gilt: 1) jedes System von n+1 Vektoren ist linear abhängig. 2) es existiert ein linear unabhängiges System von n Vektoren in V Definition 1.10 Eine Teilmenge S V heisst Erzeugendensystem, falls [S] = V ist. Ist die Teilmenge linear unabhängig so ist S eine Basis. Jeder Vektorraum V besitzt eine Basis. Ist dim V = n, so besteht jede Basis von V aus n Vektoren. Sei S V linear unabhängig und t V [S]. Dann ist S {t} V linear unabhängig. Hieraus folgt: Sei dim V = n, S V Erzeugendensystem und t 1,..., t k V linear unabhängig. Dann existieren s 1,... n k S derart, dass {t 1,..., t k, s 1,... n k } Hieraus folgt der Ausstauschsatz von Steinitz: Ist ( a 1,..., a n ) eine Basis von V und sind b 1,..., b k V, k n linear unabhängig, so ist k n und es gibt k n Vektoren a i1,..., a in k { a 1,..., a n }, so dass ( b 1,..., b k, a i1,..., a in k ) eine Basis von V ist. 4
5 Definition 1.11 Die Unterräume U, V W heissen komplementär, falls U + V = W und U V = { 0} ist. Man schreibt dann W = U ˆ V. Ist dim V < und W V ein Unterraum, so existiert ein zu W komplementärer Unterraum U V. 1.3 Lineare Abbildungen Definition 1.12 Eine Abbildung x X y Y heisst linear wenn gilt: 1) f( x + y) = f( x) + f( y) x, y V 2) f(λ x) = λf( x) x V, λ K Hom(V, W ) := VR der linearen Abbildungen von V W. Seien f Hom(V, W ), g Hom(W, V ). g heisst invers zu f wenn gilt: f g = 1 W, g f = 1 V f Hom(V, W ) heisst Isomorphismus, wenn es eine inverse Abbildung g Hom(W, V ) gibt. V und W heissen dann isomorph zueinander (V = W ) Es ist f( 0) = 0. Ein Isomorphismus führt linear unabhängige Vektoren in linear unabhängige Vektoren über. Es gilt dim V = n V = K n. Definition 1.13 Sei f Hom(V, W ). Dann ist Bild(f) = {f( v) W v V } Kern(f) = { v V f( v) = 0} Ist f : V W ein Homomorphismus, so sind Bild(f) W und Kern(f) V Unterräume.f injektiv Kern(f) = { 0}. f bijektiv (f Isomorphismus) genau dann, wenn Kern(f) = 0 und Bild(f)= W. 1.4 Matrizen Allgemein Lineare Abbildungen werden bezüglich einer gewählten Basis durch Matrizen beschrieben. Sei A Hom(V m, W n ) und ( e 1,..., e m ) resp. ( d 1,..., d n ) eine Basis von V m resp. W n. A wird bestimmt durch seine Werte auf die Basisvektoren: ( e j ) = n i=1 a ijd i. A wird vollständig beschrieben durch die (n m)-matrix A = (a ij ). In einer anderen Darstellung, mit A( e j ) Vektor in W n : A = (A( e 1 ),..., A( e m )) Definition 1.14 A M n (K) regulär homogenes Gleichungssystem H(A) besitzt nur 0-Lösung A invertierbar. Definition 1.15 Gl(n, K) = {A M n (K) A invertierbar} ist die sogenannte lineare Gruppe. A regulär A Aut(K n ). A M n (R) symmetrisch A = A T ; A M n (C) hermitesch A = A T 5
6 Basistransformationen Gegeben V n mit Basis ( e 1,..., e n ). Betrachte neue Basis ( e 1,..., e n ) e i [ e 1,..., e n ] e i = t ji e j T = (t ji ) heisst die zur Basistransformation ( e 1,..., e n ) ( e 1,..., e m ) gehörige Matrix. T drückt die alten Basisvektoren durch die neuen aus. T ist regulär. Äquivalente und ähnliche Matrizen Definition 1.16 A heisst äquivalent zu A (A A ) U, S regulär mit UAS = A. ist eine Äquivalenzrelation. dh. symmetrisch (A A A A), reflexiv (A A) und transitiv (A B, B C A C) A B Rg(A)=Rg(B) Definition 1.17 A, B Hom(V m, W n ) heissen äquivalent Isomorphismen C : V m V m und D : W n W n mit BC = DA. Seien: A, B : V m W n : A B für jede Basis von V m resp. W n sind die Matrizen die A, B beschreiben äquivalent. Ist A Hom(V ( m, W n ), ) Basen von V m und W n Er 0 so, dass A durch eine Matrix der Form dargestellt 0 0 werden, mit E r M r (K) gleich der Einheitsmatrix. Definition 1.18 A : V m W n ; Rg A = dim Bild A Rg A + dim Kern A = dim Bild A + dim Kern A = m. Rg A = Rg A. A B Rg A = Rg B. A( B Rg ) A = Rg B Jede Matrix A ist äquivalent Er 0 zu einer Matrix der Form mit r = Rg A 0 0 Definition 1.19 A, A M n (K) heissen ähnlich (A = A ) falls T M n (K) regulär mit A = T AT 1. = ist eine Äquivalenzrelation. Es gilt A = A A A ( Rg A = Rg A ). Beachte, die Umkehrung gilt nicht. Definition 1.20 A, B M n (K) heissen kongruent, falls S M n (K) regulär mit B = SAS T. Kongruenz ist eine Äquivalenzrelation. Dualer Raum Definition 1.21 Der zu V duale Vektorraum V := Hom(V, K), ist der Vektorraum der linearen K-wertigen Funktionen auf V. Ist ( e 1,..., e n ) eine Basis von V, so ist (ε 1,..., ε n ), mit ε i V, die sogenannte duale Basis zu ( e 1,..., e n ) gegeben durch die Vorschrift: ε i ( e j ) := δ ij. 6
7 Definition 1.22 Sei A : V W eine lineare Abbildung. Dann ist die zu A transponierte Abbildung A T : W V definiert durch (A T (f))( v) = f(a v) f W, v V Wird A Hom(V m, W n ) bezüglich einer gewissen Basis durch A beschrieben, dann wird A T : (W n ) (V m ) bezüglich der dualen Basen beschrieben durch A T. Es gilt (BA) T = A T B T, (BA) T = A T B T, mit A regulär: (A T ) 1 = (A 1 ) T. Definition 1.23 Sei V ein VR, W V eine Teilmenge (nicht zwingend ein Unterraum). Dann heisst W A = {f V f( w) = 0 w W } Annihilator von W. W A V ist ein Unterraum. Ist dimv = n und W V dann gilt: dimw + dimw A = n. 2 Räume mit Skalarprodukt 2.1 Euklidische Räume Definition 2.1 Sei V ein R(C)-Vektorraum. Ein Skalarprodukt ( ) in V ist ein Funktion ( ) : V V R(C) mit: 1) ( v w) = ( w v) (R) (Symmetrie) ( v w) = ( w v) (C) 2) (α 1 v 1 + α 2 v 2 w) = α 1 ( v 1 w) + α 2 ( v 2 w) α 1, α 2 R(C), v 1, v 2, w V (Linearität) (( v λ w) = λ( v w) v, w V, λ C) 3) ( v v) > 0 falls v 0 (positiv definit) Ein R-Vektorraum V mit einem ausgezeichneten Skalarprodukt ( ) heisst Euklischer Raum (ER).Ein C-Vektorraum V mit einem ausgezeichneten Skalarprodukt ( ) heisst Unitärer Raum (UR). Definition 2.2 Sei V ein ER(UR). v, w V heissenorthogonal(unitär) falls ( v w) = 0. 0 ist orthogonal zu allen v V ; v orthogonal zu sich selbst v = 0 Definition 2.3 Sei B eine Basis ( e 1,..., e n ) vom ER V. B heisst orthogonal falls ( e i e j ) = 0 für i j, orthonormal wenn ( e i e j ) = δ ij Sind v 1,..., v n linear unabhängige Vektoren des ER V. Dann hat [ v 1,..., v n ] eine orthonormale Basis ( e 1,..., e n ) mit e i [ v 1,..., v n ]. Die Matrix A eines Skalarprodukts bez. einer Basis ( e 1,..., e n ) ist definiert mit: A = (a ij ), a ij = ( e i e j ). A ist regulär und symmetrisch mit a ii > 0, i in einem ER. Jede Matrix eines Skalarprodukts in einem endlich-dim. Vektorraumes ist kongruent zur Einheitsmatrix. 7
8 Definition 2.4 Die Norm (oder Länge) eines Vektors v eines ER V ist: v := ( v v). Es gilt: 1 λ v = λ v 2 v = 0 v = 0 3 v + w v + w 4 v + w v w 2.2 Gram-Schmidt sches Orthogonalisierungsverfahren Seien ( v 1,..., v n ) linear unabhängig. Wir wollen eine orthogonale Basis ( d 1,..., d n ) Wähle d 1 = v 1 und gehe dann Schrittweise vor mit der Formel: d j+1 = v j+1 ( v j+1 d i ) i j ( d i d i ) 2.3 Orthogonale (unitäre) Abbildungen Definition 2.5 Sei W V eine Unterraum. Dann ist W = { v V ( v w) = 0 w V }. d i Definition 2.6 L Hom(V, V ) heisst orthogonale Projektion auf W falls gilt: L( v) W, v V und v L( v) W, v V. Ist W V ein endlich-dim VR orthogonale Projektion auf W. Es gilt V = W ˆ W. Definition 2.7 A Hom(V, V ) heisst orthogonal falls A ein Isomorphismus ist und ( v w) = (A v A w) A M n (R) heisst orthogonal wenn: A T = A 1 A M n (C) heisst unitär wenn: A T = A 1 Orthogonale Abbildungen bilden orthonormale Basen auf orthonormale Basen ab. Wird eine Abbildung bez Basis B 1 durch A und bez Basis B 2 durch A beschrieben und sind B 1, B 2 orthonormal, dann sind A, A ähnlich und kongruent. 2.4 Adjungierte Abbildungen Definition 2.8 Sei V ER, A, B Hom(V, V ). A heisst adjungierte zu B falls: (A v w) = ( v B w), v, w V Sei V endlich-dim. A Hom(V, V ) : die Adjungierte A Hom(V, V ). Wird A bez. einer orthonormalen Basis durch A dargestellt, so wird A durch A T dargestellt. Definition 2.9 A Hom(V, V ) heisst selbstadjungiert, falls A = A Selbstadjungierte Abbildungen werden bez. orthonormalen Basen durch symmetrische(hermitesche) Matrizen beschrieben und umgekehrt. 8
9 2.5 QR-Zerlegung Sei A eine m n Matrix mit linear unabhängigen Spalten. Dann lässt sich A schreiben als A = Q R wobei Q eine m n Matrix deren Spalten eine orthonormale Basis des von den Spalten von A aufgespannten Vektorraum sind und R eine invertierbare n n obere Dreiecksmatrix ist. Ist A GL(n, R) dann ist Q eine orthogonale Matrix und R hat nur positive Einträge auf der Diagonalen. Um A zu zerlegen, wende das Gram-Schmidt sche Orthogonalisierungsverfahren auf die Spalten von A an und löse dann das Gleichungssystem A = QR auf nach den einzelnen Einträgen von R. r 11 = a11 q 11 usw. 3 Determinanten 3.1 Eigenschaften - A singulär det A=0 - det E = 1 - det[ a 1,..., a n ] = 0 falls i, j mit i j und a i = a j - det[ a 1,..., ( a i + k i α k a k ),..., a n ]=det[ a 1,..., a n ] oder: Die Determintante ist invariant unter Zeilen- und Spaltenoperationen. - det[ a 1,..., a i,..., a j,..., a n ]=-det[ a 1,..., a j,..., a i,..., a n ] falls i j - det(a)=det(a T ) - det(a) = n j=1 a ij( 1) i+j D ij (A) = n i=1 a ij( 1) i+j D ij (A) D ij : A ohne i-te Zeile, j-te Spalte. - det(ab) =deta detb, det(a 1 )=(deta) 1, A = B deta=detb - A orthogonal det A = ±1 - A unitär deta = 1 4 Eigenwerte und Eigenvektoren 4.1 Allgemein Definition 4.1 Sei V ein K-Vektorraum und A Hom(V, V ). Dann heisst x V Eigenvektor (EV) von A, falls: 1. x 0 2. λ K mit A x = λ x λ heisst Eigenwert von (EW) von A Definition 4.2 spec(a) := {λ K λ EW von A} heisst Spektrum von A. 9
10 Definition 4.3 Sei A Hom(V, V ) und µ K. Dann ist E µ (A) = E µ := { x V A x = µ x} E µ heisst der zu µ gehörige Eigenraum. E 0 = Ker A. Definition 4.4 Die geometrische Vielfachheit eines Eigenwertes ist definiert als: gv (λ) :=dim E µ. Es sind äquivalent: 1. A ist diagonalisierbar 2. V n = λ speca E λ 3. V n besitzt eine Basis aus Eigenvektoren von A. Ist A selbstadjungiert, dann ist A diagonalisierbar. Seien x 1,..., x n V die zu paarweise veschiedenen EW gehörigen EV. Dann sind x 1,..., x n linear unabhängig. Weiter Eigenschaften: spec(a) n spec(a) = n A ist diagonalisierbar. A 2 = A : idempotent spec(a) {0, 1} A nilpotent spec(a) {0} A orthogonal spec(a) { 1, +1} Aunitär spec(a) {e iϕ 0 ϕ < 2π} A Hom(C, C) selbstadjungiert spec(a) R Die Menge der Eigenwerte lässt sich aus schreiben als: spec(a) = {λ K det(a λe) = 0}. A = B. Dann ist spec(a)=spec(b). Definition 4.5 Sei A M n (K). Dann heisst χ A (x) := det(a xe) K[x]. Definition 4.6 Sei λ spec(a). Dann bezeichnet av(λ) die Vielfachheit der Nullstelle λ von χ A. av(λ) heisst algebraische Vielfachheit von λ. Es gilt immer χ A (0) = det (A). Das Spektrum ergibt sich aus den Nullstellen des charakteristischen Polynoms. Ist A = B χ A = χ B. Wenn A M n (K) dann gilt deg(χ A ) = n χ A (x) = ( 1) n x n + a n 1 x n 1 +,..., a 1 x + a 0 10
11 Fur die Koeffizienten von χ A (x) gilt: a 0 = det(a) ; a n 1 =( 1) n 1 Sp(A) gv(λ) av(λ) A symmetrisch χ A zerfällt in ein Produkt von linearen Polynomen. Eine Matrix A heisst unter(obere) Dreiecksmatrix falls a ij = 0 für j > i(j < i). Ist A eine Dreiecksmatrix so gilt: χ A (x) = n i=1 (a ii x) und spec(a)={a ii 1 i n}. Ist A M n (C) dann ist A ähnlich zu einer unteren Dreiecksmatrix. Satz von Cayley Sei A M n (C). Dann ist χ A (A) = 0 M n (C) 4.2 Diagonalisieren Allgemein Definition 4.7 Sei V ein ER. Dann schreibt man V = U W falls 1. V = U W 2. u u, w W u w Man sagt V ist die orthogonale direkte Summe aus U und W. Ist A : V V selbstadjungiert(a symmetrisch) dann ist A(A) diagonalisierbar, es existiert sogar eine orthogonale Basistransformation. Ähnliches gilt für A hermitesch (die Transformation ist dann unitär). Eine Funktion Φ heisst positiv definit, falls Ψ( x) > 0, x 0 alle EW positiv. Tricks Sei A M n (K). - A symmetrisch, n 1 - A nilpotent, idempotent, orthogonal (unitär) siehe Eigenschaften oben. - λ = Sp(A) = n λ spec (A) i=1 a ii - Rg(A) < n 0 spec(a) - max{f (x) x = 1} 4.3 Simultanes Diagonalisieren Seien A, B M n (K). Gesucht ist eine Basis in der beide Matrizen Diagonalform haben. Wähle eine Matrix aus und fasse diese als die Matrix eines Skalarprodukts auf (Achtung: Positiv Definit!). Bestimme eine orthonormale Basis bez. diesem Skalarprodukt (Gram/Schmidt mit neuem Skalarprodukt!). Führe eine Basistransformation in die Basis mit der zweiten Matrix durch. Bestimme die Eigenwerte und Eigenvektoren in der neuen Matrix und transformiere die Eigenvektoren zurück in die Standardbasis. Dies ist die gesuchte Basis. 11
12 5 Bilineare Räume 5.1 Allgemein Definition 5.1 Eine Funktion F : V V K heisst Bilinearform auf dem Vektorraum V, falls F (λ 1 v 1 +λ 2 v 2, w) = λ 1 F ( v 1, w)+λ 2 F ( v 2, w) und F ( w, λ 1 v 1 + λ 2 v 2 ) = λ 1 F ( w, v 1 ) + λ 2 F ( w, v 2 ) v 1, v 2, w V und λ 1, λ 2 K. Falls F ( v, w) = F ( w, v) heisst F symmetrisch, falls F ( v, w) = F ( w, v) alternierend (schief- oder antisymmetrisch). Unter der Matrix von F auf einem VR mit Basis ( e 1,..., e n ) verstehen wir die (n n)-matrix: (F ( e i, e j ) M)n(K) Sei V ein VR und B 1 : ( e 1,..., e n ), B 2 ( e 1,..., e n ) zwei Basen von V. Seien A 1, A 2 die Matrizen von F bez. B 1, B 2 und S die Matrix der Basistransformation B 1 B 2 A 1 = S T A 2 S. Bezüglich einer beliebigen Basis gilt: F symmetrisch A symmetrisch, F antisymmetrisch A antisymmetrisch. Der Rang von F ist Rg(A). 5.2 Quadratische Formen Definition 5.2 Sei V ein VR, F eine bilineare fkt. Dann heisst Q F K, x F ( x, x) die zu F gehörige quadratische Form. : V Q(λx) = λ 2 Q(x) x V λ K. Fur F gilt: F ( v, w) = 1 2 (Q F ( v + w) Q F ( v) Q F ( w)). Sind F, G symmetrisch dann gilt Q F = 0 F = 0 ; Q F = Q G F = G. Ist F antisymmetrisch Q F = 0 Für V endlich-dim VR und Q quadratische Form gibt es eine Basis von V in der Q durch eine diagonale Matrix dargestellt wird. 6 Jordan Normalform Sei T die Matrix so, dass T 1 AT = JNF(A), λ Spec(A). Für jedes λ wende folgende Schritte an: Sei C := A λe. Ker(C)=E 1 Ker(C 2 ) = E 2 = E 1 F 1 Ker(C 3 ) = E 3 = E 2 F 2 etc. bis F k = E k = Ek 1 Sei l i = dim F i. Dann ist F i = [v i1,..., v il1 ] wobei v i1,..., v il1 k-ten Schritt F k = so füllt man folgendes Schema aus. / E i. Ist beim (v k 1,1,..., v k 1,lk 1 ) (Cv k 1,1,..., Cv k 1,lk 1 ), (v k 2,1,..., v k 2,lk 2 ) (C 2 v k 1,1,..., C 2 v k 1,lk 1 ), (Cv k 2,1,..., Cv k 2,lk 2 ), (v k 3,1,..., v k 3,lk 3 ) etc. 12
13 Die Vektoren in jeder Zeile müssen ein linear unabhängiges System bilden. Tuhen sie dies nicht so streicht man die Linearkombinationen heraus. Man erhält eine Treppenform aus der nun Spaltenvektoren von T ausgelesen werden können, nach folgender Anleitung. Seien a, b, c, d, e, f, g, h, i Vektoren in oben genannten Schema mit F 4 =, F 3 = [a, b], Ca = c, Cb = d, F 2 = [e], C 2 a = f, C 2 b = g, Ce = h, F 1 = [i]: a b c d e f g h i Dann erhält man T in dem man von links unten angefangen immer eine Spalte von unten ausliest. Also ergibt sich: T = f c a g d b h e i, wobei a, b, c, d, e, f, g, h, i Spaltenvektoren von T sind. Dieser Vorgang wiederholt sich für jeden Eigenwert von T, wobei ein Eigenwert der algebraischen Vielfachheit k k Spaltenvektoren von T liefert. Interessiert man sich nur für die Gestalt der JNF und nicht für die Transformationsmatrix so erhält man die JNF folgendermassen. Die Eigenwerte werden ihrer algebraischen Vielfachheit entsprechend oft in die Diagonale geschrieben. Die Anzahl der Jordankästchen eines Eigenwertes λ ergibt sich als dim Ker(A λe). 7 Dualität und Tensorprodukte 7.1 Faktorräume Definition 7.1 v + U = { x V x v in U}: Nebenraum von U. Es gilt: v + U = w + U v w U Definition 7.2 V/U = { v + U v V }: Menge der Unterräume von U = Faktorraum von V nach U. V/U ist ein VR. Ist dimv < und U V ein Unterraum dann gilt: dimu + dimv/u = dimv 7.2 Tensorprodukt Sind (v i ) i I und (w j ) j J Basen von v, w ((v i, 0)) i I, ((0, W j )) j J eine durch I disjunkt vereinigt mit J indizierte Basis von V W Definition 7.3 Seien V, W VR über K. Das Tensorprodukt von V und W über K: V K W ist ein K-Vektorraum der zusammen mit der bilinearen Funktion η : V W V K W die universelle Eigenschaft besitzt: Zu jedem K-Vektorraum U mit bilinearer Funktion ξ : V W U gibt es genau eine lineare Funktion ξ : V K W U mit ξ = ξ η Als Diagramm: V W η ξ V K W ξ U 13
14 V K W kann auch als [(v i w j ) (i,j) I J ] geschrieben werden (v i w j ) (i,j) I J ist eine Basis von V K W. V K W = V (n, m) dimv K W = dimv dimw Rechenregeln: Ist η : V W V W und v w := η(v, w), so gilt für v, v V, w, w W und λ K: a) v w + v w = (v + v ) w, v w + v w = v (w + w ) b) (λv) w = v (λw) = λ(v w) Definition 7.4 S(V ) = [(v v v v) v,v V ] V V Definition 7.5 A(V ) = [(v v) v V ] V V 7.3 Wedgeprodukt Definition 7.6 Sei V ein K-VR, so gibt es ein K-VR V V mit einer antisymmetrischen Abbildung : V V V V mit der universellen Eigenschaft, dass es zu jedem K-VR W mit antisymmetrischer Abbildung ξ : V V W genau eine lineare Abbildung ξ : V V W gibt derart, dass das ξ = ξ. Als Diagramm: V V ξ V V ξ W Ist (v 1,..., v n ) eine Basis von V, so ist durch v i v j := (v i, v j ) mit 1 i < j n eine Basis von V V gegeben. dim (V V ) = ( ) n 2 = n(n 1) 2 Rechenregeln: Für v, v, w, w V, λ K gilt: (v + v ) w = v w + v w v (w + w ) = v w + v w (λv) w = v (λw) = λ(v w) v v = 0, v w = w v 7.4 Der multilineare Fall Die bekannten Definitionen vom Tensorprodukt und vom Wedgeprodukt werden ausgeweitet auf multilineare Funktionen. Tensorprodukt Seien V 1,..., V k, U K Vektorräume, ξ : V 1... V k U eine Multilineare Abbildung. Dann existiert genau eine lineare Funktion ξ : V 1... V k U mit ξ = ξ η. V 1... V k η ξ V 1... V k ξ U 14
15 Sei (v (j) 1,..., v(j) r j ) eine Basis von V (j). Dann ist v (1) i 1... v (k) i k : 1 i j r j eine Basis von V 1... V k. Es gilt dim(v 1... V k )=dim V 1... dimv k Ist T : V... V }{{ V... V. Dann nennt man die Elemente in T }}{{} p mal q mal p-fach kovariante, q-fach kontravariante Tensoren. Wedgeprodukt Seien V, U K Vektorräume, : V... V V... V eine antisymmetrische multilineare Abbildung, ξ : V... V U eine antisymmetrische multilineare Abbildung. Dann existiert genau eine lineare Funktion ξ : V... V U mit ξ = ξ η. V... V ξ V... V ξ U Sei (v 1,..., v n ) eine Basis von V. Dann ist v i1... v ik : 1 i 1 <... < i k n eine Basis von V... V = k V. Es gilt dim k V = ( n k) für 1 k n =dimv. Sind (v 1,..., v k ) linear abhängige Vektoren, dann ist v 1... v k = Tensoralgebra, Äussere Algebra Tensoralgebra Sei V ein K-Vektorraum. Dann heisst T V := k 0 V k die Tensoralgebra über V (V k ). TV ist ein K-Vektorraum mit der K-bilinearen Multiplikation: T V T V µ T V die auf erzeugende a 1... a k V k, b 1... b l V l definiert ist mittels: µ(a 1... a k, b 1... b l ) = a 1... a k b 1... b l V k+l. Einselement ist 1 K = V 0. Äussere(Grassmann) Algebra Analog definiert man die Äussere Algebra mittels: V = k V ( 0 := K) k 0 mit der K-bilinearen Multiplikation V V ν V die auf erzeugende a 1... a k k V, b 1... b l l V definiert ist mittels: ν(a 1... a k, b 1... b l ) = a 1... a k b 1... b l k+l V 15
16 8 Lie Algebren 8.1 Lie Algebren Die Exponentialabbildung Die Exponentialabbildung ist definiert als: exp(x) = inf n=0 1 n! Xn und hat folgende Eigenschaften: - exp(x)exp(y )=exp(x + Y ) falls [X, Y ] = 0 - exp(x) 1 =exp( X) - Aexp(X)A 1 =exp(axa 1 ) - det(exp(x))=exp(spur(x)) - exp(x )=(exp(x)), exp(x)=(exp(x)) T Ist X diagonalisierbar (X = A 1 DA) dann ist exp(x)=a 1 exp(d)a, wobei exp(d 11 ) 0 0 D = exp(d nn ) Lie Algebren Definition 8.1 Eine Lieklammer ist eine Abbildung [, ] : den Eigenschaften: V V V mit 1. [X, X] = 0 2. [X, Y ] = [Y, X] 3. [[A, B], C] + [[B, C], A] + [[C, A], B] = 0 (Jacobi Identität) Definition 8.2 Ein Vektorraum L zusammen mit einer Lieklammer heisst Liealgebra. 9 Spezielle Gruppen GL(n, R) Die Gruppe der invertierbaren reelen n n Matrizen. GL(n, C) Die Gruppe der invertierbaren komplexen n n Matrizen. GL(V ) Die Gruppe der invertierbaren linearen Abbildungen V V. O(n) Die Gruppe der orthogonalen Matrizen = {A GL(n, R A T A = 1} U(n) Die Gruppe der unitären Matrizen = {A GL(n, C A T A = 1} 16
17 SG Sei G GL(n, (R oder C)). Dann ist SG = {A G det A = 1} SO(n) Die spezielle Gruppe der orthogonalen Matrizen = {A GL(n, R) A T A = 1, det A = 1} SU(n) Die speziell Gruppe der unitären Matrizen = {A GL(n, C) A T A = 1 det A = 1} o(n) Die Liealgebra der Gruppe O(n) = {X M n (R) X T = X} so(n) Die Liealgebra der Gruppe SO(n) = {X M n (R) X T = X} u(n) Die Liealgebra der Gruppe U(n) = {X M n (C) X T = X} su(n) Die Liealgebra der Gruppe SU(n) = {X M n (C X T = X, Sp(X) = 0} 17
Definitionen. 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
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
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
MehrLösungsskizzen der Klausur zur Linearen Algebra im Herbst 2015
sskizzen der Klausur zur Linearen Algebra im Herbst 5 Aufgabe I. Es sei (G, ) eine Gruppe mit neutralem Element e und M {x G x x e}. Zeigen Sie: (a) Ist G kommutativ, so ist M eine Untergruppe von G. (b)
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
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).
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
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
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
Mehr3 Definition: 1. Übungsblatt zur Vorlesung Lineare Algebra I. im WS 2003/2004 bei Prof. Dr. S. Goette
1. Übungsblatt zur Vorlesung Abgabe Donnerstag, den 30.10.03 1 Finden 2 Sei Sie reelle Zahlen a, b, c, so dass a (2, 3, 1) + b (1, 2, 2) + c (2, 5, 3) = (3, 7, 5). (V,, ) ein euklidischer Vektorraum. Zeigen
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
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
MehrVerständnisfragen: Lineare Algebra und Analytische Geometrie I und II
Verständnisfragen: Lineare Algebra und Analytische Geometrie I und II Matrizen, lineare Gleichungssysteme Wie kommt man von einem linearen Gleichungssystem zu einer Matrix? Was ist die Zeilenstufenform?
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
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.)
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
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.
MehrAbschnitt 1. Jordan Normalform
Abschnitt Jordan Normalform Beispiel & Eigenschaften λ λ λ λ 2 λ 2 λ 2 λ 3 Voraussetzung: χ zerfällt Dann: ex. Basis, s.d. Darstellungsmatrix Jordan-Form hat Minimalpolynom µ hat Faktor zu jedem EW in
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
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,
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
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
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,
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
MehrFerienkurs Mathematik für Physiker I Skript Teil 2 ( )
Ferienkurs Mathematik für Physiker I WS 206/7 Ferienkurs Mathematik für Physiker I Skript Teil 2 (28.03.207) Vektorräume Bevor wir zur Definition eines Vektorraumes kommen erinnern wir noch einmal kurz
MehrFerienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte
Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
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
Mehr2.4 Lineare Abbildungen und Matrizen
24 Lineare Abbildungen und Matrizen Definition 24 Seien V, W zwei K-Vektorräume Eine Abbildung f : V W heißt lineare Abbildung (lineare Transformation, linearer Homomorphismus, Vektorraumhomomorphismus
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrLineare Algebra. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching November 9, 27 Erinnerung 2 Vektoräume Sei V ein Vektorraum, U V, U {}. U hiesst Untervektorraum, Unterraum,
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
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
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
Mehr1 Eigenschaften von Abbildungen
Technische Universität München Christian Neumann Ferienkurs Lineare Algebra für Physiker Vorlesung Dienstag WS 2008/09 Thema des heutigen Tages sind zuerst Abbildungen, dann spezielle Eigenschaften linearer
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
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;
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
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
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra 2014/15 Seite 59 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
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
Mehra) Ein Gruppenhomomorphismus von G nach H ist eine Abbildung Φ : G H, sodass für alle g 1, g 2 G die Gleichung Φ(g 1 g 2 ) = Φ(g 1 ) Φ(g 2 )
I. (4 Punkte) Es seien (G, ) eine Gruppe mit neutralem Element e G und (H, ) eine weitere Gruppe. a) Geben Sie die Definition eines Gruppenhomomorphismus Φ : G H an und beweisen Sie, dass für solch einen
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
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
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
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
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra HS 2014 Seite 56 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
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
MehrV. Lineare Algebra. 35 Lineare Abbildungen und Matrizen. 156 V. Lineare Algebra
156 V. Lineare Algebra V. Lineare Algebra 35. Lineare Abbildungen und Matrizen 156 36. Eigenwerte und Eigenvektoren 161 37. Hauptvektoren 165 38. Normen und Neumannsche Reihe 168 39. Numerische Anwendungen
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
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.
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrLineare Algebra I/II LVA ,
Lineare Algebra I/II LVA 401-1151-00,401-1152-00 Prof. G. Wüstholz, C. Fuchs Lösungen zur Basisprüfung, HS08/FS09 09.02.2010 1. a) (1 Punkt) Wir beginnen mit dem charakteristischen Polynom der Matrix A:
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
MehrR 3 und U := [e 2, e 3 ] der von e 2, e 3 erzeugte
Aufgabe ( Es seien e =, e = Untervektorraum (, e = ( R und U := [e, e ] der von e, e erzeugte Weiter sei G := {A GL(, R A e = e und A U U} (a Zeigen Sie, dass G eine Untergruppe von GL(, R ist (b Geben
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,
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
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
MehrMusterlösung der Klausur zur linearen Algebra II
David Blottière SS 7 Patrick Schützdeller Universität Paderborn Julia Sauter Musterlösung der Klausur zur linearen Algebra II Aufgabe 1 Bestimmen Sie Jordan-Normalformen der folgenden Matrizen, und schreiben
Mehr13 Partielle Ableitung und Richtungsableitung
3 PARTIELLE ABLEITUNG UND RICHTUNGSABLEITUNG 74 3 Partielle Ableitung und Richtungsableitung 3 Definition und Notiz Sei B R n offen, f : B R m, v R n, so heißt für γ x,v (t) = x + tv d dt f(x + tv) f(x)
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)
MehrÜbungen zu Lineare Algebra und Geometrie 1
Übungen zu Lineare Algebra und Geometrie 1 Andreas Čap Sommersemester 2015 Wiederholung grundlegender Begriffe (1 Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch f(x, y,
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
MehrMusterlösung Donnerstag - Determinanten und Eigenwerte
Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent,
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
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
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn
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
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,
MehrOrthogonale und unitäre Matrizen
Proseminar zur linearen Algebra Veranstalter: Prof. Bogopolski TU-Dortmund Proseminarbeitrag von Daniela Kreft Studiengang: Mathematik(Diplom) Thema: Orthogonale und unitäre Matrizen Orthogonale und unitäre
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrAufgabe I.1 (4 Punkte) Gegeben seien die Matrix H := und die Menge L := {A R 4 4 A HA = H} Zeigen Sie:
Aufgabe I (4 Punkte Gegeben seien die Matrix und die Menge Zeigen Sie: H := L := {A R 4 4 A HA = H} a L ist bezüglich der Matrizenmultiplikation eine Gruppe b Die Matrizen der Form ( E O, O B wobei E R
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
MehrKlausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.
Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
Mehr11 Multilineare Algebra
11 Multilineare Algebra Pink: Lineare Algebra 2014/15 Seite 117 11 Multilineare Algebra 11.1 Multilineare Abbildungen Definition: Betrachte K-Vektorräume V 1,...,V r und W. Eine Abbildung ϕ: V 1... V r
MehrVektorräume und lineare Abbildungen
Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
MehrAufgaben zur linearen Algebra und analytischen Geometrie I
Aufgaben zur linearen Algebra und analytischen Geometrie I Es werden folgende Themen behandelt:. Formale und logische Grundlagen 2. Algebraische Grundlagen 3. Vektorräume und LGS 4. Homomorphismen und
MehrLineare Algebra II. Inhalt und Begriffe. Lineare Algebra II p. 1
Lineare Algebra II Inhalt und Begriffe Lineare Algebra II p. 1 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen Algebra... Lineare Algebra II p. 2 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen
MehrMatrizen: Theorie und Anwendungen
Einführungsvortrag der Lehrerfortbildung am 23 September 2009 Markoff-Ketten, Call-Center und Google s PageRank: Zur Theorie und Anwendungen von Matrizen von Harm Pralle Institut für Mathematik Technische
Mehr1 Linearkombinationen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016 Bearbeiten Sie bitte zwei
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
MehrGrundbegriffe aus der Vorlesung Lineare Algebra I+II
Grundbegriffe aus der Vorlesung Lineare Algebra I+II 30. Juli 2009 Eine Gruppe ist ein Paar (G, ) bestehend aus einer Menge G und einer Verknüpfung : G G G, (a, b) a b, mit: 1. (a b) c = a (b c) (Assoziativität)
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
MehrÜbungen zu Lineare Algebra und Geometrie für LAK
Übungen zu Lineare Algebra und Geometrie für LAK Andreas Cap Wintersemester 2010/11 Wiederholung grundlegender Begriffe (1) Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
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
Mehr