6 Vektorräume mit Skalarprodukt
|
|
- Jens Heintze
- vor 7 Jahren
- Abrufe
Transkript
1 6 Vektorräume mit Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind oder drei Vektoren in einer Ebene liegen. Reale Vektoren im physikalischen Raum V haben aber auch Längen und schließen Winkel miteinander ein. Dies ist Folge einer zusätzlichen Struktur dieses Vektorraums, die durch den Begriff des Skalarprodukts zweier Vektoren begründet wird. Das Standard-Skalarprodukt im R n, definiert durch a b a 1. a n b 1. b n := a 1 b a n b n, (487) haben wir zur anschaulichen Interpretation von Begriffen, etwa der Determinante als Volumen eines Parallelepipeds, bereits mehrmals benutzt. 6.1 Skalarprodukte Geometrische Motivation Im physikalischen Raum V wird für je zwei Vektoren a und b, mit Längen a, b R und Zwischenwinkel γ (mit γ π), ein Skalarprodukt a b definiert als a b := a b cosγ = ± a b a. (488) Hier ist b a der Vektor der Projektion von b auf die Richtung von a, b a := a b cosγ, (489) a und ± das Vorzeichen von cos γ. Das Skalarprodukt ist kommutativ (Eigenschaft S1), und positiv definit (S3), a b = b a, (49) a a a 2, wobei a a = genau dann, wenn a =. (491) Außerdem ist es im rechten (und somit auch im linken) Argument linear (S2), a (λb+µc) = a (λb)+a (µc) λa b+µa c (λ,µ R). (492) a (b+c) = a b+a c folgt aus der anschaulichen Beziehung (b+c) a = b a +c a. Die Eigenschaften (S1 3) werden der Definition von Skalarprodukten in abstrakten Vektorräumen zugrunde gelegt. Um auch den Fall K = C einzuschließen, müssen sie etwas modifiziert werden. 84
2 6.1.2 Allgemeine Definition Def.: Es sei V ein beliebiger Vektorraum über dem Körper K {R,C}. Ein Skalarprodukt ist eine Abbildung V V K, die jedem geordneten Paar von Vektoren a,b V eine Zahl (a,b) a b K zuordnet und dabei folgende Eigenschaften hat (mit a,b,c V und λ,µ K): (S1) Hermitezität (Charles Hermite, ), (S2) Linearität im zweiten Argument, (S3) Positive Definitheit, (b,a) = (a,b) ; (493) (a,λb+µc) = λ(a,b)+µ(a,c); (494) wobei (a,a) = dann und nur dann gilt, wenn a =. (a,a), (495) Im Fall K = R heißt das Skalarprodukt reell, im Fall K = C heißt es unitär. Entsprechend heißt V ein euklidischer bzw. ein unitärer Vektorraum. Bsp. 1a: Die Menge V = C n ist ein Vektorraum über K = C, wenn man definiert a 1 b 1 a 1 +b 1 a 1 λa :=., λ. :=. (λ C). (496) b n a n +b n a n λa n a n Wie in den Übungen gezeigt wird, ist ein Skalarprodukt in Cn gegeben durch a 1. a n b 1. b n := a 1 b a n b n C. (497) Als Beispiel mit n = 2 berechnen wir ( ) ( ) 1+2i 3+4i = (1 2i)(3+4i)+(2+ i)(5+2i) = 19+7i. (498) 2 i 5+2i Das Skalarprodukt eines Vektors mit sich selbst ist tatsächlich, ( ) ( ) 3+4i 3+4i = (3 4i)(3+4i)+(5+2i)(5 2i) = = 54.(499) 5 2i 5 2i 85
3 Bem.: Mit (S1) und (S2) ist ein Skalarprodukt im ersten Argument antilinear, (λa+µb,c) = λ (a,c)+µ (b,c). (5) (Soweit in der Physik; in der Mathematik wird Linearität im ersten Argument festgelegt!) Im Fall K = R gilt (a,b) (a,b), und das Skalarprodukt ist nach (S1) kommutativ, (a,b) = (b,a), und in beiden Argumenten linear. B = {v 1,...,v n } sei eine Basis von V. Für die Vektoren a = a i v i, b = b i v i (51) berechnen wir unter Ausnutzung der Eigenschaften (S1) und (S2) das Skalarprodukt, ( (a,b) = a i v i, ) b j v j = a i b j(v i,v j ) = g ij a i b j. (52) Man nennt G = (g ij ) die Matrix des Skalarprodukts bezüglich der Basis B, g ij := (v i,v j ), (53) gelegentlich auch den metrischen Tensor des Skalarprodukts bezüglich B. Bsp. 1b: Im Vektorraum P 2 (R) betrachten wir das Skalarprodukt (Übungen!) (f,g) := dtf(t)g(t). (54) Für die Polynome a(t) = t 2 4t+3 und b(t) = 2t 2 +t 5 ergibt sich also (a,b) = dt(t 2 4t+3)(2t 2 +t 5) = dt(2t 4 7t 3 3t 2 +23t 15) = (55) Bezüglich der Basis B = {1,t,t 2 } =: {v 1 (t),v 2 (t),v 3 (t)} lautet der metrische Tensor g 11 g 12 g g ij = dtv i (t)v j (t) g 21 g 22 g 23 = g 31 g 32 g 33 Mit (a 1,a 2,a 3 ) = (3, 4,1) und (b 1,b 2,b 3 ) = ( 5,1,2) folgt also (a,b) = g 11 a 1 b 1 +g 12 a 1 b g 33 a 3 b 3 = a 1 b 1 + a 1b 2 +a 2 b 1 2 = a 1b 3 +a 2 b 2 +a 3 b a 2b 3 +a 3 b 2 4. (56) + a 3b = (57)
4 6.1.3 Die Ungleichung von Cauchy-Schwarz Satz: Der Vektorraum V sei euklidisch oder unitär. Dann gilt für alle a,b V (a,b) 2 (a,a)(b,b). (58) (Gleichheit gilt genau dann, wenn {a, b} linear abhängig ist.) Beweis: OBdA sei b. Für beliebiges λ C gilt Speziell für λ = (b,a) (b,b) (a λb,a λb) = (a,a) λ (b,a) λ(a,b)+λ λ(b,b). (59) ergibt sich direkt die Behauptung. Bsp. 2a: Im Fall V = R n mit Standard-Skalarprodukt erhalten wir (a b) 2 (a a)(b b) ( ) 2 ( a k b k k=1 a 2 i )( a 2 j ). (51) Bsp. 2b: (Quantenmechanik!) Die stetigen Funktionen f : [,1] C, t f(t) einer reellen Variable t bilden einen ( -dimensionalen) Vektorraum V über K = C. Durch (f,g) := dtf (t)g(t) (511) wird in V ein unitäres Skalarprodukt erklärt (Übungen!). Folglich gilt dtf (t)g(t) 2 dt f(t) 2 dt g(t) 2 (512) Als Beispiel betrachten wir die Funktionen f(t) = t 5 und g(t) = t 8, = dtt 5 t dtt 1 dtt = (513) 87
5 6.1.4 Norm Def.: Sei V ein Vektorraum mit Skalarprodukt. Die Norm (oder der Betrag/die Länge ) eines Vektors a V wird definiert als a := (a,a). (514) Satz: Sei V ein VR mit Skalarprodukt. Dann gilt für a,b V die Dreiecksungleichung, a+b a + b. (515) Beweis: Allgemein gilt a+b 2 (a+b,a+b) = a 2 +(a,b)+(b,a)+ b 2 = a 2 +2Re(a,b)+ b 2. (516) Wegen Re(z) z, für beliebige z C folgt a+b 2 a 2 +2 (a,b) + b 2 ( a + b ) 2, (517) wobei im zweiten Schritt die Ungleichung von Cauchy-Schwarz benutzt wurde, (a, b) a b. (518) Wegen der Ungleichung von Cauchy-Schwarz kann man in beliebigen euklidischen Vektorräumen den Winkel γ zwischen je zwei Vektoren a und b definieren durch cosγ := (a,b) a b. (519) Bsp. 2c: Im R n mit dem Standard-Skalarprodukt ist der Winkel γ zwischen der Raumdiagonale und einer der Achsen gegeben durch 1 1 cosγ = 1 n 1.. = 1. (52) n 1 Es gilt also γ = 45 (n = 2), γ 54.7 (n = 3), γ = 6 (n = 4), sowie lim n γ = 9. Zwischen den beiden Polynomen a = t 2 4t+3 und b = 2t 2 +t 5 aus Bsp. 1b, mit (a,b) = (a,a)(b,b)cosγ = cosγ, (521) ließe sich ein Winkel γ mit cosγ.935 definieren! 88
6 6.1.5 Orthonormierte Basen (ON Basen) Def.: Zwei Vektoren a, b V heißen zueinander orthogonal, wenn gilt (a,b) =. (522) Bem. 1: Der Nullvektor V ist zu jedem Vektor a V orthogonal. Bem. 2: Sind die Vektoren v 1,...,v k paarweise orthogonal, (v i,v j ) = für alle i,j {1,...,k} mit i j, (523) und ist v i für alle i {1,...,k}, so ist {v 1,...,v k } linear unabhängig. Beweis: Sei k λ iv i =. Dann folgt für jedes j {1,...,k}, ( k ) k = (v j,) = v j, λ i v i = λ i (v j,v i ) = λ j (v j,v j ), (524) und also, wegen v j, λ j =. Def.: Eine Basis {v 1,...,v n } eines Vektorraums V mit Skalarprodukt heißt orthonormiert oder ON-Basis, wenn die Basisvektoren auf 1 normiert und paarweise orthogonal sind, v i = 1, (v i,v j ) = für alle i,j {1,...,n} mit i j. (525) Dies läßt sich mit Hilfe des Kronecker-Symbols δ ij kompakter formulieren, (v i,v j ) g ij = δ ij für alle i,j {1,...,n}. (526) Der metrische Tensor G von (,) bezüglich einer ON-Basis ist also die Einheitsmatrix E. Lemma 1: Sei B = {v 1,...,v n } eine ON-Basis von V und a V beliebig. Dann gilt a = a i v i, mit: a k = (v k,a). (527) Der k-te Koeffizient a k von a bezüglich B ist also genau das Skalarprodukt von v k mit a. Beweis: ( ) (v k,a) = v k, a i v i = a i (v k,v i ) = a }{{} k. (528) δ ki Lemma 2: Mit b = n b jv j folgt weiter ( ) (a,b) a i v i, b j v j = a i b j (v i,v j ) = }{{} δ ij a i b i. (529) 89
7 6.1.6 Das Schmidtsche Orthogonalisierungsverfahren Sei {v 1,...,v n } eine Basis von V. Wir wollen daraus eine ON-Basis {e 1,...,e n } konstruieren (und dadurch zeigen, daß dies immer möglich ist). Im ersten Schritt wählen wir e 1 := v 1 v 1. (53) Nun fahren wir induktiv fort. Sei also {e 1,...,e k } orthonormiert, wobei e i, mit 1 i k, jeweils eine Linearkombination von {v 1,...,v i } ist. Dann ist der Vektor v k+1 = v k+1 k (e j,v k+1 )e j (531) verschieden von, da hier von v k+1 eine Linearkombination der Vektoren {v 1,...,v k } subtrahiert wird. Insbesondere ist v k+1 orthogonal zu e i für alle i {1,...,k}, denn (e i,v k+1) = (e i,v k+1 ) = (e i,v k+1 ) k (e i,(e j,v k+1 )e j ) k (e j,v k+1 )(e i,e j ) }{{} =. (532) δ ij Eine orthonormierte Menge {e 1,...,e k+1 } ergibt sich also mit der Wahl Damit ist die Konstruktion der ON-Basis {e 1,...,e n } klar. e k+1 := v k+1 (533) v k+1. Bsp. 3: Für {v 1,v 2,v 3 } = {1,t,t 2 } P 2 (R) findet man bezüglich (f,g) = dtf(t)g(t) e 1 e 1 (t) = 1, e 2 e 2 (t) = 3(2t 1), e 3 e 3 (t) = 5(6t 2 6t+1). (534) Für die Polynome a a(t) = t 2 4t+3 und b b(t) = 2t 2 +t 5 aus Bsp. 1b/2c findet man mit a i = (e i,a) bzw. b i = (e i,b) folgende Darstellungen (Übungen!): a(t) = e 1(t) 2 e 2(t)+ 3 e 3(t), b(t) = e 1(t)+ 2 e 2(t)+ 15 e 3(t). (535) Ihr Skalarprodukt ergibt sich jetzt tatsächlich nach der Formel aus Abschnitt zu (a,b) 3 a i b i = = = (536) 9
8 6.2 Skalarprodukt und lineare Selbstabbildungen Notation: Zu einer komplexen (n m)-matrix A, mit den Elementen a ij, definieren wir die adjungierte Matrix A durch A := (A T ) a ij := a ji. (537) Insbesondere ist das Adjungierte eine komplexen Spalte a C n die Zeile Sind alle Elemente von A reell, so ist natürlich A A T. Bsp.: A= ( 1+2i 2 3i 5 6i ) a := (a 1,...,a n ). (538) ( ) ( ) 1 2i 5 2+i : A =, a= : a =(2 i,3i).(539) 2+3i 6i 3i Unitäre Selbstabbildungen Im physikalischen Raum V sei eine lineare Selbstabbildung f : V V, x y = f(x) dadurch festgelegt, daß jeder Bildvektor y gegen seinen Urvektor x mit dem gleichen Winkel φ um eine starr vorgegebene Achse e verdreht ist. Dann ist anschaulich klar, daß y die gleiche Länge hat wie x, und daß je zwei Bildvektoren y 1 und y 2 den gleichen Winkel einschließen wie die entsprechenden Urvektoren x 1 und x 2. Es gilt also y 1 y 2 f(x 1 ) f(x 2 ) = x 1 x 2, für alle x 1,x 2 V, (54) mit dem üblichen geometrischen Skalarprodukt in V. Man nennt f eine Drehung. Lineare Selbstabbildungen f : V V mit der Eigenschaft (54) heißen orthogonal. Es sind die sog. Drehspiegelungen, bei denen zusätzlich zur Drehung eine (Raum-) Spiegelung am Ursprung erfolgen kann. Wir wollen dies nun verallgemeinern. Def.: Sei V ein Vektorraum mit unitärem (bzw. reellem) Skalarprodukt. Eine lineare Selbstabbildung f : V V heißt unitär (bzw. orthogonal), wenn gilt (f(a),f(b)) = (a,b), für alle a,b V. (541) Bem.: Ist V endlich-dimensional, so gilt für eine unitäre Abbildung f : V V: (a) f(v) = v für alle v V; (b) f(v) = λv λ = 1 (alle Eigenwerte von f haben den Betrag 1); (c) f ist ein Isomorphismus, also invertierbar. 91
9 Satz: f : V V ist bereits unitär, wenn für eine ON-Basis {v 1,...,v n } von V gilt: (f(v i ),f(v j )) = δ ij für alle i,j {1,...,n}. (542) (Trivialerweise gilt dies umgekehrt für jede ON-Basis, wenn f unitär ist.) Beweis: Für zwei beliebige Vektoren a,b V, a = a i v i, b = b j v j, (543) folgt sofort (Lemma 2 aus Abschnitt 6.1.5!) (f(a),f(b)) = a ib j (f(v i ),f(v j )) = }{{} δ ij a ib i = (a,b). (544) Wir betrachten einen Vektor x V und seinen Bildvektor y = f(x) V, x = x i v i, y = y j v j, (545) wobei B = {v 1,...,v n } eine ON-Basis von V sei. Die Matrix A von f ist definiert durch x := x 1. x n, y := y 1. y n y = A x. (546) Die k-te Spalte von A enthält also die Koeffizienten des Vektors f(v k ) bezüglich B, f(v k ) = A ik v i. (547) Ist also f unitär, (f(v k ),f(v l )) = δ kl, so sollten die Spalten von A paarweise orthonormal sein, m.a.w.: eine ON-Basis des C n bilden, A ik A il = δ kl A ki A il (A A) kl = δ kl A A = E. (548) Tatsächlich gilt der Satz: Die invertierbare Matrix A, durch die eine unitäre Abbildung f : V V bezüglich einer ON-Basis {v 1,...,v n } dargestellt wird, hat die Eigenschaft A 1 = A. Beweis: Da f unitär ist, gilt δ kl (f(v k ),f(v l )) = A ika jl (v i,v j ) = }{{} δ ij A ika il = A ki A il = (A A) kl. (549) 92
10 6.2.2 Lineare Funktionale Def.: Unter einem linearen Funktional auf dem Vektorraum V versteht man eine lineare Abbildung f : V K von V in den Grundkörper K. Statt f,g,... schreiben wir α,β,..., α : V K, x α(x) K. (55) Linearität: Für λ,µ K und x 1,x 2 V muß gelten α(λx 1 +µx 2 ) = λα(x 1 )+µα(x 2 ). Bsp. 1a: Zwei lineare Funktionale α,β : V R auf V = P 2 (R) sind etwa gegeben durch α : x x(t) α(x) := 3 dtt 2 x(t), β : x x(t) β(x) := x(t=.8). (551) Für x x(t) = pt 2 +qt+r folgt α(x) = 48.6p+2.25q+9r und β(x) =.64p+.8q+r. Wie man sich leicht klarmacht (Übungen!), bildet die Menge aller linearen Funktionale auf V selbst einen Vektorraum, den sog. Dualraum V von V. Zwischen diesen Räumen besteht eine enge Beziehung: Bezüglich einer (ON-) Basis von V werden die Elemente von V selbst durch Spalten, diejenigen von V durch (1 n)-matrizen, also Zeilen dargestellt. Ehe wir den entsprechenden Satz beweisen, wollen wir dies noch etwas genauer betrachten. Die Matrix A von α V bezüglich einer Basis B = {v 1,...,v n } von V ist eine Zeile, α(x) = A x, A (A 11,...,A 1n ) = (α(v 1 ),...,α(v n )), (552) wobei x C n die aus den Komponenten x k von x = n k=1 x kv k gebildete Spalte ist. A ist das Adjungierte a einer durch α (und B) eindeutig bestimmten Spalte a C n, A = a, a a 1. a n = A 11. A 1n = α(v 1 ). α(v n ). (553) Wir können also schreiben α(x) = a x. Ist insbesondere B eine ON-Basis, so gilt α(x) a x = (a,x), (554) mit dem Vektor a V, der bezüglich B durch a dargestellt wird. Es deutet sich an: Satz: Sei V ein Vektorraum mit Skalarprodukt. Dann gibt es zu jedem α V genau ein a V, und umgekehrt zu jedem a V genau ein α V, sodaß gilt α(x) = (a,x), für alle x V. (555) 93
11 Beweis: Sei {v 1,...,v n } eine ON-Basis von V. Mit den n Zahlen α(v k ) C setzen wir a := α(v k ) v k. (556) k=1 Dann gilt für beliebiges x = n k=1 x kv k V, wobei x k = (v k,x) ist, tatsächlich α(x) = x k α(v k ) = k=1 (v k,x)α(v k ) = (a,x). (557) k=1 Sei umgekehrt α(x) = (b,x), mit einem b V. Speziell für x = a b folgt dann = (a,x) (b,x) = (a b,a b) a b = b = a. (558) Def.: Das dem Vektor a V durch die Bedingung α(x) = (a,x), für alle x V (559) eindeutig zugeordnete lineare Funktional α V heißt das Adjungierte a von a. Bsp. 1b: Wir betrachten das Funktional β aus Bsp. 1a und das Skalarprodukt (x,y) := dt x(t)y(t) (56) in P 2 (R). Mit b b(t) := 1.2t t.6 gilt für x x(t) = pt 2 +qt+r tatsächlich (b,x) = dt b(t)x(t) = =... dt(1.2t t.6)(pt 2 +qt+r) =.64p+.8q+r = f(.8) β(x). (561) Es gilt also β = b. Bem.: In der Quantenmechanik ist folgende Schreibweise (nach P.A.M. Dirac) üblich: x = x, β b = b, also: β(x) = b x. (562) 94
12 6.2.3 Die zu f : V V adjungierte Abbildung f : V V Sei a V ein fester Vektor und f : V V eine Selbstabbildung. Dann wird durch β(x) := (a,f(x)), x V (563) eine Abbildung β : V K festgelegt. Diese ist ein lineares Funktional, β V, denn β(λx 1 +µx 2 ) = (a,f(λx 1 +µx 2 )) = (a,λf(x 1 )+µf(x 2 )) = λβ(x 1 )+µβ(x 2 ). (564) Nach Abschnit gibt es also ein durch a eindeutig bestimmtes b V, sodaß gilt β(x) (a,f(x)) = (b,x), x V. (565) M.a.W.: Durch die Bedingung (a,f(x)) = (g(a),x), x V (566) wird eindeutig eine Abbildung g : V V, a b = g(a) festgelegt. Sie ist linear, denn (g(λa 1 +µa 2 ),x) = (λa 1 +µa 2,f(x)) = λ (a 1,f(x))+µ (a 2,f(x)) = λ (g(a 1 ),x)+µ (g(a 2 ),x) = (λg(a 1 )+µg(a 2 ),x). (567) Def.: Die zu einer gegebenen Abbildung f : V V durch die Bedingung (v,f(x)) = (f (v),x), x V (568) eindeutig festgelegte Abbildung f : V V heißt die zu f adjungierte Abbildung. Satz: Die Abbildung f : V V werde bezüglich der ON-Basis B = {v 1,...,v n } durch die Matrix A dargestellt. Dann wird f bezüglich B durch die Matrix A dargestellt. Beweis: Die gesuchte Matrix von f sei M, f (v l ) = M jl v j. (569) Wegen f(v k ) = n A ikv i folgt dann ( ) A lk = (v l,f(v k )) = (f (v l ),v k ) = M jl v j,v k = Mjl (v j,v k ) = Mkl. (57) Es folgt also A = M M = A, und die Behauptung ist bewiesen. 95
13 6.2.4 Unitäre und selbstadjungierte Abbildungen Def.: Die Abbildung f : V V heißt selbstadjungiert, wenn gilt f = f. Bem.: Während die Matrix U einer unitären Abbildung f : V V (bezüglich einer ON-Basis von V) invertierbar ist, mit der Eigenschaft ( unitär ) U = U 1, (571) so ist die Matrix H einer selbstadjungierten Abbildung charakterisiert durch H = H. (572) Solche Matrizen heißen hermitesch. (Reelle hermitesche Matrizen sind symmetrisch.) Bsp. 2a: Eine unitäre und eine hermitesche (2 2)-Matrix U bzw. H sind etwa, U = 1 ( ) ( ) 1 i 1 i, H =. (573) 2 i 1 i 1 Bem.: Alle Eigenwerte λ einer selbstadjungierten Abbildung f sind reell. Beweis: Sei nämlich f(v) = λv und (v,v) = 1. Dann folgt λ = (v,λv) = (v,f(v)) = (f (v),v) (f(v),v) = (λv,v) = λ, q.e.d. (574) Dasselbe gilt natürlich insbesondere auch für die Eigenwerte einer hermiteschen Matrix. Bsp.: Die allgemeine hermitesche (2 2)-Matrix lautet ( ) a x+ iy H = (a,b,x,y R). (575) x iy b Man beachte, daß die Diagonalelemente H ii, auch im Fall (n n), alle reell sein müssen! Das charakteristische Polynom, hat tatsächlich nur reelle Nullstellen, P H (λ) = λ 2 (a+b)λ+[ab (x 2 +y 2 )], (576) λ 1,2 = 1 2 [ (a+b)± ] (a b) 2 +4(x 2 +y 2 ). (577) Dies gilt natürlich erst recht im speziellen Fall y = einer symmetrisch-reellen Matrix! 96
14 6.2.5 ON-Basis aus Eigenvektoren Eigenvektoren v 1 und v 2 einer selbstadjungierten Abbildung f zu verschiedenen Eigenwerten λ 1 bzw. λ 2 sind zueinander orthogonal, denn λ 2 (v 1,v 2 ) = (v 1,f(v 2 )) = (f(v 1 ),v 2 ) = λ 1(v 1,v 2 ) λ 1 (v 1,v 2 ), (578) was wegen λ 2 λ 1 nur mit (v 1,v 2 ) = vereinbar ist. Auch bei einer unitären Abbildung f, mit f = f 1, sind Eigenvektoren zu verschiedenen Eigenwerten λ 1 = e iφ 1 bzw. λ 2 = e iφ 2 (mit φ 1,φ 2 R) zueinander orthogonal, e iφ 2 (v 1,v 2 ) = (v 1,f(v 2 )) = (f 1 (v 1 ),v 2 ) = (e iφ 1 v 1,v 2 ) = e iφ 1 (v 1,v 2 ), (579) was wiederum wegen φ 2 φ 1 nur mit (v 1,v 2 ) = vereinbar ist. Satz: Sei V ein endlich-dimensionaler Vektorraum über K {C, R} mit Skalarprodukt. Sei außerdem f : V V eine selbstadjungierte oder eine unitäre Selbstabbildung. Dann gibt es eine ON-Basis von V, die aus Eigenvektoren von f besteht. Auf den Beweis wollen wir hier verzichten. Dieser Satz hat fundamentale Bedeutung in der Quantenmechanik, wo er auf gewisse -dimensionale Vektorräume, sog. Hilbert-Räume verallgemeinert wird. Eine dem Satz analoge Aussage gilt natürlich für hermitesche oder unitäre Matrizen: Satz: Sei A eine komplexe (oder auch reelle) (n n)-matrix, die entweder hermitesch oder unitär ist. Dann existiert eine ON-Basis {v 1,...,v n } des C n aus Eigenvektoren von A. Im hermiteschen Fall sind alle Eigenwerte λ 1,...,λ n reell, A = A : A v k = λ k v k, λ k = λ k, (58) im unitären Fall sind sie im allg. komplex, haben dafür aber immer den Betrag 1, A = A 1 : A v k = λ k v k, λ k = e iφ k (φ k R). (581) Bsp. 2b: Die unitäre Matrix U aus Bsp. 2a hat die orthogonalen Eigenvektoren ( ) ( ) 1 1 v 1 =, v 1 2 =, (582) 1 zu den unimodularen komplexen Eigenwerten λ 1,2 = 2 1 2(1± i) e ±πi/4, mit µ 1,2 = 1. Dagegen hat die hermitesche Matrix H aus Bsp. 2a reelle Eigenwerte λ 1 = und λ 2 = 2; die Eigenvektoren sind aber ebenfalls orthogonal, v 1 = ( 1 i ), v 2 = 97 ( 1 i ). (583)
15 Bsp. 3: Für die Physik besonders wichtig ist der Spezialfall einer symmetrisch-reellen Matrix, die ja auch hermitesch ist. Als Beispiel diene die symmetrische (3 3)-Matrix A = (584) Wie man leicht nachrechnet, sind drei paarweise orthogonale Eigenvektoren gegeben durch v 1 = 1 2 1, v 3 2 = 1 2 2, v 3 3 = (585) Sie bilden offensichtlich eine ON-Basis des R 3, und die zugehörigen Eigenwerte sind reell, λ 1 = 18, λ 2 = 27, λ 3 = 45. (586) Zusammenfassung Drei Kategorien mathematischer Objekte: 1. Vektoren a,b,c,... V. 2. Lineare Selbstabbildungen f,g,h,... : V V. 3. Lineare Funktionale α,β,γ,... : V K. Zuenander adjungiert sein können: 1 3, 2 2, 3 1. Wählt man in V eine Basis {v 1,...,v n }: 1. Spalten a,b,c,... K n. 2. (n n)-matrizen F,G,H, Zeilen a,b,c,... 98
16 6.3 Hauptachsentransformation Einführung: Quadratische Funktionen Wir betrachten eine quadratische Funktion mit zwei reellen Variablen x und y, f(x,y) = 23x 2 +72xy 2y 2. (587) Zur graphischen Veranschaulichung denke man an jedem Punkt der xy-ebene je einen Stab vertikal (in z-richtung) aufgestellt, dessen Länge gleich dem jeweiligen Funktionswert f(x,y) ist. [Im Fall f(x,y) < muß der Stab nach unten zeigen.] Die freien Enden dieser Stäbe bilden eine gekrümmte, 3-dimensionale Fläche, den 3D-Plot der Funktion. Wie sieht dieser aus? DieNullstellen von f inderxy-ebenefolgenausder Gleichung 2y 2 +72xy 23x 2 =, y 1,2 = 36x±25 2 x = { (36±25 2) x (x ), (18±25 2) x (x ). (588) Dies sind die beiden Geraden y(x) = (36±25 2)x, also y 71.35x und y.65x. Sie schneiden sich im Ursprung (x,y) = (,) und schließen den Winkel 55 ein. Sie teilen diexy-ebeneinvier Sektoren auf, abwechselnd mit f(x,y) > bzw. f(x,y) <. Damit ist qualitativ klar, daß der 3D-Plot eine Sattelfläche sein muß. Ein klareres Bild läßt sich gewinnen, wenn wir in der xy-ebene zu verdrehten Koordinatenachsen übergehen. Dann gehen die alten Koordinaten x und y eines Punktes, zur Spalte r zusammengefaßt, über in die neuen Koordinaten x und y, bzw. r, r = U r ( ) ( ) ( x U11 U y = 12 x U 21 U 22 y ). (589) Die Spalten der Trafo-Matrix U sind die Koeffizienten der alten Basisvektoren e x und e y, dargestellt als LKen der neuen, e x und e y. Da U eine reine Drehung beschreibt, müssen diese Spalten zueinander orthogonale Einheitsspalten, die Matrix U selbst also orthogonal (d.h.: reel-unitär) sein, U 1 = U T. Für die genannte Funktion f erweist sich folgende orthogonale Matrix als hilfreich, U = 1 ( ) 3 4. (59) Mit der inversen Matrx U 1 = U T ergibt sich zunächst ( ) x 1 ( ) ( ) 3 4 x y y = 1 ( 3x 4y 5 4x +3y ). (591) 99
17 Setzt man dies in der quadratischen Funktion f(x,y) für x und y ein, f(x,y ) = 23 (3x 4y ) (3x 4y )(4x +3y ) 25 2 (4x +3y ) 2, (592) 25 so treten nur noch rein-quadratische Terme aber kein gemischter Term x y mehr auf, f(x,y ) = 25x 2 5y 2. (593) Die neuen Achsen {e x,e y } heißen daher die Hauptachsen der quadratischen Funktion. Wir werden sehen, daß jede quadratische Funktion (mit n Variablen) durch geeignete Verdrehung der n Koordinatenachsen, Hauptachsentransformation genannt, auf diese reinquadratische Form gebracht werden kann. Im einfachsten Fall n = 2 lautet eine Funktion in rein-quadratischer Form Ihr 3D-Plot... f(x,y) = ax 2 +by 2. (594) 1
18 6.3.2 Bilinearformen Def.: Eine Bilinearform (BF) auf dem Vektorraum V (mit oder ohne Skalarprodukt) ist eine Funktion Φ : V V R, die jedem geordneten Paar von Vektoren x,y V eine Zahl Φ(x,y) R zuordnet und dabei in beiden Argumenten linear ist, Φ(λx 1 +µx 2,y) = λφ(x 1,y)+µΦ(x 2,y), Φ(x,λy 1 +µy 2 ) = λφ(x,y 1 )+µφ(x,y 2 ). (595) Die BF heißt symmetrisch, wenn zusätzlich gilt Φ(x,y) = Φ(y,x). Bsp. 1a: Jedes (reelle) Skalarprodukt (x,y) in V bildet eine symmetrische BF auf V, Φ(x,y) := (x,y) (y,x). (596) Bsp. 1b: Im Fall V = R 2 ist eine BF Φ : R 2 R 2 R gegeben durch ( [ ] [ ] x Φ(x,y) Φ 1 y1 ), = 2x x 2 y 1 y 1 5x 2 y 2. (597) 2 Dies ist zwar symmetrisch aber kein Skalarprodukt, denn es ist etwa Φ([ 1 1 ],[1 1 ]) = 3 <. Bem.: Sei B = {v 1,...,v n } eine Basis von V. Dann gilt für eine BF allgemein ( ) Φ(x,y) Φ x i v i, y j v j = x i y j Φ(v i,v j ) A ij x i y j. (598) Jede BF Φ : V V R auf einem n-dimensionalen Vektorraum V wird also bezüglich einer Basis B von V durch eine (n n)-matrix A = (A ij ) beschrieben, mit A ij = Φ(v i,v j ). (599) Dabei ist Φ genau dann symmetrisch, wenn die Matrix A es ist. Bsp. 1c: Eine nicht-symmetrische BF Φ : R 2 R 2 R und ihre Matrix bezüglich der Standardbasis des R 2 sind 2 ( ) 2 3 Φ(x,y) = 2x 1 y 1 +3x 1 y 2 +7x 2 y 1 8x 2 y 2 = A ij x i y j, A =. (6) 7 8 Bsp. 1d: Im -dimensionalen Vektorraum der auf [a, b] stetigen Funktionen ist eine BF allgemein gegeben durch b b Φ(x,y) = ds dt A(s, t) x(s)y(t), (61) a a mit einer für Φ charakteristischen stetigen Funktion A(s, t) der zwei Variablen s und t. Diese bilden eine Verallgemeinerung die diskreten Matrixindizes i und j. 11
19 6.3.3 Quadratische Formen Def.: Jede BF Φ : V V R, (x,y) Φ(x,y) definiert durch die Vorschrift Q(x) := Φ(x, x) (62) eine Funktion Q : V R, x Q(x), die zu Φ gehörende quadratische Form (qf). Solange nicht anders betont, ist hier immer V = R n und B die Standardbasis des R n. Bem.: Aus der qf Q(x) läßt sich die BF Φ(x,y) nicht eindeutug rekonstruieren. Wegen x 1 x 2 = x 2 x 1 führen etwa die beiden BFen auf ein- und dieselbe qf Φ(x,y) = 2x 1 y 1 +5x 1 y 2 +5x 2 y 1 8x 2 y 2, Ψ(x,y) = 2x 1 y 1 +3x 1 y 2 +7x 2 y 1 8x 2 y 2 (63) Q(x) Φ(x,x) = 2x x 1x 2 8x 2 2 = Ψ(x,x). (64) Zur Erzeugung von qfen kannman sich daher auf symmetrische BFen(wie Φ imaktuellen Beispiel) beschränken. Die beliebige BF Ψ (mit Matrix M) erzeugt die gleiche qf Q(x) Ψ(x,x) = M ij x i x j = M ij +M ji x i x j =: 2 wie die symmetrische BF Φ mit der symmetrischen Matrix A ij x i x j, (65) A := 1 2 ( M +M T ) A ij := M ij +M ji 2 = A ji. (66) Wir können uns also bei qfen auf symmetrische Matrizen A beschränken. Folglich gibt es neben der Standardbasis B = {e 1,...,e n } im R n auch eine ON-Basis B 1 = {v 1,...,v n } aus Eigenvektoren von A. Jeder beliebige Vektor x R n hat die beiden Darstellungen x = x 1 e x n e n = ξ 1 v ξ n v n. (67) Die neuen Koordinaten ξ k sind mit den x i verknüpft durch eine unitäre Trafo-Matrix U, ξ k = U ki x i ξ = U x. (68) Wegen U 1 = U = U T (die unitäre Matrix U ist reell, also orthogonal) gilt umgekehrt x i = Uikξ T k x = U T ξ. (69) k=1 12
20 Wir setzen dies in der qf Q(x) für x i und x j ein, Q(x) = A ij x i x j = = ( )( ) A ij Uikξ T k Ujlξ T l k,l=1 k=1 l=1 U ki A ij Ujl T ξ kξ l = ) (U A U T k,l=1 kl ξ k ξ l. (61) Als Transformierte von A auf die ON-Basis B 1 aus Eigenvektoren ist A = U A U T die Diagonalmatrix mit den Eigenwerten λ 1,...,λ n auf der Diagonalen, (U A U T ) Damit haben wir folgenden Satz bewiesen, kl = λ k δ kl Q(x) = λ k ξk. 2 (611) Satz (Hauptachsen-Trafo): Jede quadratische Form Q : R n R,x Q(x), Q(x) = k=1 A ij x i x j, (612) läßt sich auf Hauptachsen transformieren. D.h.: Man kann im R n eine ON-Basis B 1 so wählen, daß Q(x) als Funktion der Koordinaten ξ k von x bezüglich B 1 die Form Q(x) = λ k ξk 2 (613) k=1 annimmt, mit n Parametern λ 1,..,λ n. B 1 besteht aus den Eigenvektoren von A, die Parameter λ k die zugehörigen Eigenwerte. Bsp.: Wir betrachten eine quadratische Form auf V = R 3, Q(x) = 4x x2 2 +2x2 3 4x 1x 2 +4x 2 x 3 = A ij x i x j. (614) Ihre (symmetrische!) Matrix A = (A ij ) hat die Eigenwerte λ 1 =,λ 2 = 3 und λ 3 = 6, 4 2 A = 2 3 2, det ( A λe ) = λ(λ 3)(λ 6). (615) 2 2 Drückt man also in Q(x) die x i durch die Koordinaten ξ k von x bezüglich der (noch nicht berechneten!) normierten Eigenvektoren von A aus, so muß sich also ergeben Q(x) λ 1 ξ 2 1 +λ 2ξ 2 2 +λ 3ξ 2 3 = 3ξ2 2 +6ξ2 3. (616) 13
21 Aus dieser Darstellung lesen wir ab, daß Q(x) für alle x R 3, daß aber bei x = trotzdem kein Minimum vorliegt. Man sagt in diesem Fall, Q sei positiv semidefinit (s.u.). Zu den Eigenwerten λ 1 =,λ 2 = 3 bzw. λ 3 = 6 gehören die normierten Eigenvektoren v 1 = , v 2 = , lvv 3 = (617) Sie bilden die Spalten der inversen Trafo-Matrix U 1 = U T, U T = (618) Der Vektor x = ξ 1 v 1 +ξ 2 v 2 +ξ 3 v 3 hat also bezüglich der Standardbasis die Koordinaten x 1 = 1 3 (ξ 1 +2ξ 2 +2ξ 3 ), x 2 = 1 3 (2ξ 1+ξ 2 2ξ 3 ), x 3 = 1 3 ( 2ξ 1 +2ξ 2 ξ 3 ). (619) Setzt man diese Ausdrücke in Q(x) = 4x 2 1+3x 2 2+2x 2 3 4x 1 x 2 +4x 2 x 3 ein, so ergibt sich nach mühsamem Ausmultiplizieren tatsächlich das einfache Ergebnis Q(x) = 3ξ ξ2 3. Def.: Seien λ 1,...,λ n die Eigenwerte der symmetrischen Matrix A. Dann heißt die qf Q(x 1,...,x n ) = A ij x i x j (62) (1) positiv definit, wenn die Menge Λ := {λ 1,...,λ n } nur positive Zahlen, (2) positiv semidefinit, wenn Λ positive Zahlen und Null(en), (3) negativ definit, wenn Λ nur negative Zahlen, (4) negativ semidefinit, wenn Λ negative Zahlen und Null(en), (5) indefinit, wenn Λ positive und negative Zahlen enthält. 14
6 Vektorräume mit Skalarprodukt
6 Vektorräume mit Skalarprodukt Der Begriff der linearen Abhängigkeit gestattet uns zu definieren, wann zwei bzw. drei Vektoren kollinear bzw. komplanar sind. Wir sind aber noch nicht in der Lage, die
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
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
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
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
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
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
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
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
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
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
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
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
Mehr4.3 Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen
196 KAPITEL 4. VEKTORRÄUME MIT SKALARPRODUKT 4. Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen In diesem Abschnitt betrachten wir Vektorräume über IR und über C. Ziel ist es, in solchen Vektorräumen
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
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
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).
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
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
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 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
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
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
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;
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
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)
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.
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
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
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
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 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.
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
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
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
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
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
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
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
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
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
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
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
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
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
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
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrSatz 2.8 V sei ein endlichdimensionaler euklidischer Vektorraum. Für jeden Unterraum
Orthogonalität 123 Dienstag, 27. April 04 Satz 2.8 V sei ein endlichdimensionaler euklidischer Vektorraum. Für jeden Unterraum U von V gilt dann (a) U + U = V, U U = {0}, U, U = 0. (b) (U ) = U. Wir sagen
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
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
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/
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,
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
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
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
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
MehrLösung 7: Bilinearformen
D-MATH Lineare Algebra II FS 207 Dr. Meike Akveld Lösung 7: Bilinearformen. a). Seien u, u 2 V, λ K, dann gelten nach Voraussetzung: L v (u + λu 2 ) =β(v, u + λu 2 ) = β(v, u ) + β(v, λu 2 ) =β(v, u )
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
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,
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
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
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
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
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
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
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
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
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
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.)
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
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,
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
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
MehrLineare Algebra. 9. Übungsstunde. Steven Battilana.
Lineare Algebra 9. Übungsstunde Steven Battilana stevenb@student.ethz.ch November 2, 26 Erinnerung Sei x, y 2 E n, 2 E, danngilt: hx, yi = kxkkyk cos( ). Ist m eine beliebige natürliche Zahl, apple i,
MehrQuadratische Formen. und. Symmetrische Matrizen
Quadratische Formen und Symmetrische Matrizen 1 Ouverture: Lineare Funktionen von R n nach R 1 2 Beispiel: n = 2 l : (x 1, x 2 ) T 0.8x 1 + 0.6x 2 = < x, g > mit g := (0.8, 0.6) T. Wo liegen alle x = (x
Mehr8 Lineare Abbildungen und Matrizen
8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
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
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
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
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
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,
MehrOrientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops
15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den
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
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
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
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
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
Mehr9 Lineare Algebra 2 (SS 2009)
9 Lineare Algebra 2 (SS 2009) Vorbemerkung: Das Einsetzen von quadratischen Matrizen in Polynome. Im folgenden sei R ein kommutativer Ring und R[T] der Polynomring mit Koeffizienten in R (dies ist wieder
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
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
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
Mehr