Skalarprodukt. Das gewöhnliche Skalarprodukt ist für reelle n-tupel folgendermaßen erklärt: Sind. und v := reelle n-tupel, dann ist
|
|
- Elsa Fleischer
- vor 7 Jahren
- Abrufe
Transkript
1 Orthogonalität p. 1 Skalarprodukt Das gewöhnliche Skalarprodukt ist für reelle n-tupel folgendermaßen erklärt: Sind u := u 1 u 2. u n reelle n-tupel, dann ist und v := v 1 v 2. v n u v := u 1 v 1 + u 2 v u n v n. Man spricht auch vom inneren Produkt und schreibt auch < u,v >.
2 Orthogonalität p. 2 Beispiel = ( 5) 2 + ( 1) ( 3) = 1. Hinweis: Betrachtet man u und v als n 1-Matrizen, so entspricht das Skalarprodukt dem Matrixprodukt u T v. ( 2, 5, 1 ) = ( 5) 2 + ( 1) ( 3) = 1.
3 Orthogonalität p. 3 Eigenschaften Sind u, v und w Vektoren des R n und ist λ R eine reelle Zahl, dann gilt 1. u v = v u, 2. (u + v) w = u w + v w, 3. (λu) v = λ(u v) = u (λv), 4. u u 0 und u u = 0 gdw. u = 0. Allgemeiner nennt man jede Abbildung, die je zwei Vektoren aus einem R-Vektorraum V eine reelle Zahl zuordnet und dabei die Bedingungen 1) 4) erfüllt, ein reelles Skalarprodukt auf V.
4 Orthogonalität p. 4 Länge Die Länge (oder Norm) eines reellen Vektors v ist diejenige nichtnegative reelle Zahl v, die durch bestimmt ist. v := v v = v 1 v 1 + v 2 v v n v n Is λ eine beliebige reelle Zahl, so gilt λv = λ v. Ein Vektor der Norm 1 ist ein Einheitsvektor.
5 Orthogonalität p. 5 Beispiel-Aufgabe Sei v := (1, 2, 2, 0). Finde einen Einheitsvektor u, der die gleich Richtung hat wie v. Lösung: Berechne zunächst die Länge von v: v 2 = v v = (1) 2 + ( 2) 2 + (2) 2 + (0) 2 = 9 1 Multiplikation von v mit v Einheitsvektor: v = 9 = 3 u = 1 v v = 1 3 v = ergibt den gesuchten ( 1 3, 2 3, 2 ) 3, 0.
6 Orthogonalität p. 6 Komplexes Skalarprodukt Vorsicht: will man Skalarprodukte auch für Vektoren aus C n verwenden, muss man die Definition modifizieren. Nach der obigen Definition hätte nämlich der Vektor (1, i) die Länge Null und der Vektor (0,i) die Länge 1. Für Vektoren u,v C n definiert man deshalb < u,v >:= u 1 v 1 + u 2 v u n v n, wobei für eine komplexe Zahl z := a + ib mit z die zu z konjugiert komplexe Zahl bezeichnet wird, also z := a ib. In den folgenden Beispielen bleiben wir beim reellen Skalarprodukt!
7 Orthogonalität p. 7 Abstand Als Abstand dist(v, w) definiert man Am Beispiel dist(v,w) := v w. u := (u 1,u 2,u 3 ),v := (v 1,v 2,v 3 ) erkennt man, dass diese Definition des Abstandes mit der üblichen Definition übereinstimmt: dist(u,v) = u v = (u v) (u v) = (u 1 v 1 ) 2 + (u 2 v 2 ) 2 + (u 3 v 3 ) 2.
8 Orthogonalität p. 8 Skalarprodukt für Polynome Sei P der R-Vektorraum der reellen Polynome in der Variablen x. Für Polynome p(x), q(x) P definiere < p(x),q(x) >:= 1 1 p(x)q(x)dx. Diese Definition erfüllt die Bedingungen 1) 4), es wird also ein Skalarprodukt auf dem Vektorraum P erklärt.
9 Orthogonalität p. 9 Länge eines Polynoms Beispiel: Das Polynom q(x) := x 2 hat bezüglich dieses Skalarprodukts die Norm 1 q(x) = x 2 = < q(x),q(x) > = = 1 1 x 4 1 dx = 5 x5 1 1 = q(x)q(x)dx
10 Orthogonalität p. 10 Abstand zweier Polynome Beispiel: Die Polynome p(x) := x und q(x) := x 2 haben bezüglich dieses Skalarprodukts den Abstand dist(x,x 2 ) = x x 2 = < x x 2,x x 2 > = = 1 (x x 2 ) 2 dx = x3 2 4 x x5 1 1 = 1 1 x 2 2x 3 + x 4 dx =
11 Orthogonalität p. 11 Wozu braucht man sowas? Die allgemeine Definition eines Abstandes erlaubt es, die geometrische Idee von nah und fern zu verallgemeinern. Man kann auf diese Weise auch z.b. von Funktionen, Tönen oder Bildern angeben, wie ähnlich oder unähnlich sie zueinander sind; dabei wird die Unähnlichkeit ausgedrückt durch den Abstand bezüglich eines gewählten Skalarproduktes. Ob dieser Ähnlichkeitsbgriff etwas taugt, hängt von der jeweiligen Modellbildung ab.
12 Orthogonalität p. 12 Ein Standardtrick Ein einfaches Problem in der Datenverarbeitung ist folgendes: Ein neu eingetroffenes Dokument soll darauf überprüft werden, ob in einer vorhandenen Sammlung von Dokumenten schon in ähnlicher Form vorhanden ist. Man geht dann oft so vor: Jedem Dokument wird nach festen Regeln ein Vektor zugeordnet, z.b. ein reellwertiger Merkmalvektor, eine Funktion, eine geometrische Form, und zwar so, dass ähnliche Dokumente auch ähnliche Vektoren erhalten, d.h. Vektoren, deren Abstand klein ist. Das neu eingetroffene Dokument wird dann mit denjenigen Dokumenten verglichen, deren Vektor einen kleinen Abstand zum Vektor des neuen Dokuments hat.
13 Orthogonalität p. 13 Es geht noch raffinierter! Wenn man Bilder, Musik, oder andere komplexe Information speichern oder versenden muss, lohnt es sich oft, die Komplexität zu verringern. Das kann dadurch geschehen, dass man das jeweilige Bild, Musikstück, etc. durch ein einfacheres, hinreichend ähnliches, approximiert. Eine Technik, die dies leistet, ist die der orthogonalen Projektion. Diese wird nun als nächstes behandelt.
14 Orthogonalität p. 14 Winkel Der Winkel δ zwischen Vektoren u und v (beide 0) wird definiert durch cosδ := u v u v. Man kann zeigen, dass dies eine Definition ist, weil der Bruch rechts des Gleichheitszeichens stets eine reelle Zahl zwischen 1 und 1 ist, und diese Definition in den Anschauungsräumen R 2 und R 3 auf den üblichen Winkelbegriff führt.
15 Orthogonalität p. 15 Orthogonalität Vektoren u und v heißen zueinander orthogonal, wenn ihr Skalarprodukt gleich Null ist (beachte cos π π 2 = 0 = cos 2 ). In Kurznotation: u v : u v = 0. Satz des Pythagoras: Genau dann sind u und v zueinander orthogonal, wenn u + v 2 = u 2 + v 2.
16 Orthogonalität p. 16 Zueinander orthogonale Polynome Beispiel: Die Polynome p(x) := x und q(x) := x 2 sind bezüglich des oben angegebenen Skalarprodukts zueinander orthogonal, denn es gilt: < x,x 2 >= 1 1 x x 2 dx = 1 1 x 3 dx = 1 4 x4 1 1 = 0.
17 Orthogonalität p. 17 Orthogonales Komplement Für einen Untervektorraum W eines Vektorraumes V mit Skalarprodukt bezeichnet W := {v V v w für alle w W } den Orthogonalraum von W. Es ist nicht schwer zu beweisen, dass der Orthogonalraum ein Untervektorraum von V ist. Die Summe der Dimensionen von W und W ist die Dimension von V.
18 Orthogonalität p. 18 Orthogonal machen v v u αu w Zu gegebenen Vektoren u 0 und v gibt es eine eindeutig bestimmte Zahl α derart, dass die Vektoren u und w := v αu orthogonal sind. Man nennt αu das Bild der orthogonalen Projektion von v auf u.
19 Orthogonalität p. 19 Orthogonale Projektion Man findet und zwar folgendermaßen: α = v u u u, (v αu) u = 0 v u αu u = 0 v u = αu u α = v u u u.
20 Orthogonalität p. 20 Orthogonalbasis Sei u 1,..., u p eine Basis eines Untervekorraumes W des R n, die aus paarweise orthogonalen Vektoren besteht. Dann hat jeder Vektor w W eine eindeutige Darstellung als Linearkombination der u i, und wenn w = c 1 u c p u p, dann ist für alle j {1, 2,...,p} c j = w u j u j u j. Eine Orthonormalbasis ist eine Orthogonalbasis, in der alle Basisvektoren die Norm 1 haben.
21 Orthogonalität p. 21 Projektion in einen Unterraum Ist (u 1,...,u p ) eine Orthogonalbasis eines Untervektorraumes W von R n und v ein beliebiger Vektor, dann definiert man durch proj W (v) := v u 1 u 1 u 1 u 1 + v u 2 u 2 u 2 u v u p u p u p u p die orthogonale Projektion von v nach W. Der Ergebnisvektor proj W (v) hat folgende charakteristische Eigenschaften: proj W (v) W, v proj W (v) W.
22 Orthogonalität p. 22 Beweis (1) Die orthogonale Projektion proj W (v) ist laut Definition eine Linearkombination der Basisvektoren von W, also selbst ein Element von W. Um zu zeigen, dass v proj W (v) zu W gehört, berechnen wir das Skalarprodukt von v proj W (v) mit dem Basisvektor u 1 : v u 1 v u 1 (v proj W (v)) u 1 = ( v u1 u 1 + v u 2 u v u ) p u p u 1 = u 1 u 1 u 2 u 2 u p u p ( ) v u1 u 1 u = v u 1 v u 1 = 0. u 1 u 1
23 Orthogonalität p. 23 Beweis (2) Weil v proj W (v) orthogonal zu allen Basisvektoren ist, gilt v proj W (v) W. Zu beweisen ist noch, dass diese Eigenschaften charakteristisch sind, d.h. dass es nur einen Vektor mit diesen beiden Eigenschaften geben kann. Wir nehmen also an, w und w seien Elemente aus W und z sowie z seien Elemente von W mit w + z = v = w + z. Dann gilt w w = z z.
24 Orthogonalität p. 24 Beweis(3) Es gilt w w = z z. Der Vektor links des Gleichheitszeichens gehört zu W, der auf der rechten Seite zu W. Sie stehen senkrecht aufeinander und sind außerdem gleich: Das kann nur der Nullvektor sein. Wir können also schließen: w w = 0 = z z, also w = w und z = z.
25 Orthogonalität p. 25 Orthonormalisierung Wie findet man eine Orthogonalbasis eines gegebenen Untervektorraumes W? Idee: Induktiv! Hat man bereits eine Orthogonalbasis eines Unterraumes U W und einen Vektor w W \ U, dann berechnet man die orthogonale Projektion ŵ U von w nach U, und daraus den Differenzvektor w ŵ, der dann zu allen Vektoren von U orthogonal ist. Diesen Differenzvektor fügt man der Basis hinzu und erhält eine Orthogonalbasis eines größeren Untervektorraumes. Es geht leichter, wenn man zwischendurch normalisiert.
26 Orthogonalität p. 26 Verfahren nach Gram und Schmidt Gegeben: ein Vektorraum W und eine Basis (w 1,...,w p ) von W. Gesucht: Eine Orthogonalbasis (u 1,...,u p ) von W. Setze u 1 := w 1 u 2 := w 2 w 2 u 1 u 1 u 1 u ( 1 w3 u 1 u 3 := w 3 u 1 + w ) 3 u 2 u 2 u 1 u 1 u 2 u 2. also u i+1 := w i+1 proj <u1,...,u i > (w i+1)
27 Orthogonalität p. 27 Ergebnis Die so gewonnenen Vektoren u 1,...,u p sind paarweise orthogonal, linear unabhängig und erzeugen den gleichen Vektorraum wie die w i. Genauer gilt: < u 1...,u i >=< w 1...,w i >, 1 i p. Man kann die u i noch normalisieren und erhält eine Orthonormalbasis. Sind die u i normiert, so berechnet sich die Projektion einfacher: proj W (v) = (v u 1 )u 1 + (v u 2 )u (v u p )u p.
28 Orthogonalität p. 28 Eleganter In Matrixschreibweise kann das Verfahren eleganter formuliert werden. Dazu sei (u 1,...,u p ) eine Orthogonalbasis von W und U die Matrix mit den Spalten u 1,...,u p. Dann ist U T U eine Diagonalmatrix und proj(v) = U U T v.
29 Orthogonalität p. 29 Bestapproximation Ist W ein Untervektorraum des R n und v R n ein Vektor, dann gilt für ˆv := proj W (v) v ˆv < v w für alle w W \ {ˆv}. In Worten: ˆv ist derjenige Vektor in W, der v am nächsten ist.
30 Orthogonalität p. 30 Least Squares Gegeben: ein lineares Gleichungssystem Ax = b. Gesucht: ein Vektor ˆx, für den Aˆx b minimal wird. Lösungsweg: Man projiziert b in den Spaltenraum Col(A) von A, berechnet also ˆb := proj Col(A). Die Lösungen des linearen Gleichungssystems Aˆx = ˆb sind dann genau die Lösungen des Ausgangsproblems. Sie sind zugleich genau die Lösungen der Normalgleichung A T Aˆx = A T b.
31 Orthogonalität p. 31 Beispiel (1) Das lineare Gleichungssystem 4x = 2, 2y = 0, x + y = 11 hat keine Lösung. Gesucht ist eine bestmögliche Approximation, eine Näherungslösung für ( x y ) =
32 Orthogonalität p. 32 Beispiel (2) A T A = ( A T b = ) ( ) =. ( ) Gesucht sind also genau die Lösungen des LGS ( ) ( ) ( ) 17 1 x 19 =. 1 5 y 11
33 Orthogonalität p. 33 Beispiel (3) Wegen (A T A) 1 = 1 84 ( ) ergibt sich ˆx = 1 84 ( ) ( ) = 1 84 ( ) = ( 1 2 ).
34 Orthogonalität p. 34 Ausgleichsgerade Wie findet man eine Gerade y = β 1 x + β 0, die eine vorgegebene Punktmenge {(x 1,y 1 ),...,(x p,y p )} möglichst gut annähert? Wenn die Punkte auf einer Geraden liegen, dann gilt 1 x x p ( β 0 β 1 ) = y 1. y p. Die approximierende Gerade erhält man, indem man die Bestapproximation dieses LGS bestimmt.
35 Orthogonalität p. 35 Periodische Funktionen Die Funktion f(x) := sin x ist periodisch mit Periode 2π, d.h. gilt für alle x R. sin(x + 2π) = sin x Es genügt deshalb, die Funktion auf einem Intervall der Länge 2π zu kennen, beispielsweise auf dem Intervall [ π,π]. Wir betrachten nun Funktionen auf [ π, π], die integrierbar sind.
36 Orthogonalität p. 36 Skalarprodukt im Funktionenraum Der Vektorraum der auf [ π, π] integrierbaren Funktionen hat ein Skalarprodukt: < f,g >:= π π f(t)g(t)dt. Für dieses Skalarprodukt gilt: < sin(n t), cos(m t) >= 0 für alle m,n N 0, < sin(n t), sin(m t) >= 0 für alle m n N 0, < cos(n t), cos(m t) >= 0 für alle m n N 0.
37 Orthogonalität p. 37 Ein Orthogonalsystem Die Funktionen 1, cos t, cos 2t,...,sin t, sin 2t,... bilden also ein Orthogonalsystem (aber keine Basis)! Den von ihnen erzeugten Untervektorraum nennt man den Raum der trigonometrischen Polynome. Ein trigonometrisches Polynom hat also die Form a a 1 cos t + + a n cosnt + b 1 sint + + b n sin nt = a n (a ν cos νt + b ν sin νt). ν=1
38 Orthogonalität p. 38 Fourierapproximation Die Idee der Fourierapproximation besteht darin, eine beliebige integrierbare Funktion auf [ π, π] durch trigonometrische Polynome zu approximieren. Aber Vorsicht! Unsere Definition der orthogonalen Projektion war für endlichdimensionale Untervektorräume formuliert. Der Raum der trigonometrischen Polynome ist aber unendlichdimensional! Problemlos berechnen können wir aber die orthogonale Projektion in den Raum der trigonometrischen Polynome von Grad n, und das für jede Zahl n.
39 Orthogonalität p. 39 Fourierkoeffizienten Die Funktion f(t) sei 2π-periodisch und im Intervall [ π, π] integrierbar. Die Zahlen a ν := 1 π b ν := 1 π π π π π f(t) cosνtdt,,ν = 0, 1, 2,... f(t) sinνtdt,,ν = 1, 2, 3... heißen Fourierkoeffizienten der Funktion f.
40 Orthogonalität p. 40 Fourierreihe Die mit den Fourierkoeffizienten gebildete Reihe a (a ν cos νt + b ν sin νt) ν=1 heißt Fourierreihe von f. Man kann zeigen, dass die Fourierreihe von f gegen f konvergiert, wenn die Funktion f stetig ist.
42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar der
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
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
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Mehr12. R n als EUKLIDISCHER VEKTORRAUM
12. R n als EUKLIDISCHER VEKTORRAUM 1 Orthogonalität in der Ebene. Die Vektoren in der Ebene, die (im üblichen Sinne) senkrecht zu einem Vektor x = (x 1, x 2 ) T stehen, lassen sich leicht angeben. Sie
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
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).
Mehr4.3 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
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
MehrEinführung in die Grundlagen der Numerik
Einführung in die Grundlagen der Numerik Institut für Numerische Simulation Rheinische Friedrich-Wilhelms-Universität Bonn Wintersemester 2014/2015 Normierter Vektorraum Sei X ein R-Vektorraum. Dann heißt
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
MehrMathematik für Anwender II
Prof Dr H Brenner Osnabrück SS 22 Mathematik für Anwender II Vorlesung Euklidische Vektorräume Im Anschauungsraum kann man nicht nur Vektoren addieren und skalieren, sondern ein Vektor hat auch eine Länge,
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
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
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
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
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
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
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
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
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 =
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
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
MehrLineare Algebra und analytische Geometrie II
Prof Dr H Brenner Osnabrück SS 26 Lineare Algebra und analytische Geometrie II Vorlesung 2 Orthogonalität Mit dem Skalarprodukt kann man die Eigenschaft zweier Vektoren, aufeinander senkrecht zu stehen,
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.
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
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
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
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
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
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
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
MehrOrthonormalbasis. Orthogonalentwicklung
Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Fachhochschule Nordwestschweiz (FHNW Hochschule für Technik Institut für Geistes- und Naturwissenschaft Lösungen Serie 6 (Vektorräume, Skalarprodukt Dozent: Roger Burkhardt Klasse: Studiengang ST Büro:
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
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 Abbildungen und Orthonormalsysteme
KAPITEL Lineare Abbildungen und Orthonormalsysteme. Lineare Abbildungen und Koordinatendarstellungen.. Lineare Abbildungen und ihre Basisdarstellung. Seien V, W Vektorraume uber R. Mit einer 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
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
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
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
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
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
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
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
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 6 4. Mai 2010 Definition 69. Der Vektor f 3 x 2 (x 1, x 2, x 3 ) f 2 x 3 (x 1, x 2, x 3 ) f 1 x 3 (x 1, x 2, x 3 ) f 3 x 1 (x 1, x 2, x 3 ) f 2 x
MehrSerie 5. ETH Zürich - D-MAVT Lineare Algebra II. Prof. Norbert Hungerbühler
Prof. Norbert Hungerbühler Serie 5 ETH Zürich - D-MAVT Lineare Algebra II. a) Die Abbildung V n R n, v [v] B, die jedem Vektor seinen Koordinatenvektor bezüglich einer Basis B zuordnet, ist linear. Sei
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrKonvergenz im quadratischen Mittel und die Parsevelsche Gleichung
Konvergenz im quadratischen Mittel und die Parsevelsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Dr. Gerhard Mülich Christian Maaß 6.Mai 8 Im letzten Vortrag haben wir gesehen, dass das
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
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
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
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
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
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
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:
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
Mehr43 Unitäre Vektorräume
43 Unitäre Vektorräume 43 1 Zusammenfassung In diesem Paragrafen werden die gleichen Themen wie in 41 abgehandelt, jetzt allerdings für den komplexen Fall. Die Aussagen entsprechen sich weitgehend, daher
MehrHöhere Mathematik I/II
Markus Stroppel Höhere Mathematik I/II Z. Zusätze. Z.. Skalarprodukte in Funktionenräumen. Wir wollen an einigen Beispielen zeigen, dass es nützlich sein kann, Skalarprodukte auch in ganz allgemeinen (reellen)
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
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
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
MehrAnalytische Geometrie, Vektorund Matrixrechnung
Kapitel 1 Analytische Geometrie, Vektorund Matrixrechnung 11 Koordinatensysteme Eine Gerade, eine Ebene oder den Anschauungsraum beschreibt man durch Koordinatensysteme 111 Was sind Koordinatensysteme?
Mehr14 Skalarprodukt Abstände und Winkel
4 Skalarprodukt Abstände und Winkel Um Abstände und Winkel zu definieren benötigen wir einen neuen Begriff. Zunächst untersuchen wir die Länge eines Vektors v. Wir schreiben dafür v und sprechen auch von
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
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
MehrKapitel II. Vektoren und Matrizen
Kapitel II. Vektoren und Matrizen Vektorräume A Körper Auf der Menge R der reellen Zahlen hat man zwei Verknüpfungen: Addition: R R R(a, b) a + b Multiplikation: R R R(a, b) a b (Der Malpunkt wird oft
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrVektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1
Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
1 Lineare Abhängigkeit 1.1 Für welche t sind die folgenden Vektoren aus 3 linear abhängig? (1, 3, 4), (3, t, 11), ( 1, 4, 0). Das zur Aufgabe gehörige LGS führt auf die Matrix 1 3 4 3 t 11. 1 4 0 Diese
MehrSkalarprodukt und Orthogonalität
Skalarprodukt und Orthogonalität Skalarprodukt und Orthogonalität in R n Wir erinnern an das euklidische Skalarprodukt im R 2 : Wir erinnern an das euklidische Skalarprodukt im R 2 : < a, b >:= α 1 β 1
Mehr10 Hilberträume. (b) λx,y = λ x,y für x,y X, λ K. (c) x, y = y, x für x, y X (Komplexe Konjugation nur im Falle K = C)
10 Hilberträume 10.1. Definition. Sei X ein Vektorraum über K. Eine Abbildung, : X X K heißt Skalarprodukt, falls (a) x 1 + x,y = x 1,y + x,y für x 1,x,y X (b) λx,y = λ x,y für x,y X, λ K (c) x, y = y,
Mehr4. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI), AngGeo
Fachbereich Mathematik Prof. J. Lehn Hasan Gündoğan, Nicole Nowak Sommersemester 8 4./5./8. April 4. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI, AngGeo Gruppenübung Aufgabe G9 (Multiple Choice Bei
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.
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
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
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
Mehr43 Fourierreihen Motivation Fourierbasis
43 Fourierreihen 43. Motivation Ähnlich wie eine Taylorreihe (vgl. MfI, Kap. 2) eine Funktion durch ein Polynom approximiert, wollen wir eine Funktion durch ein trigonometrisches Polynom annähern. Hierzu
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
Mehr$Id: hilbert.tex,v /06/21 13:11:01 hk Exp hk $
$Id: hilbert.tex,v 1.5 2013/06/21 13:11:01 hk Exp hk $ 7 Hilberträume In der letzten Sitzung hatten wir die Theorie der Hilberträume begonnen, und sind gerade dabei einige vorbereitende elementare Grundtatsachen
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
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
MehrDidaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra
A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
Mehr