Bonusmaterial Matrizen und Determinanten. Reihen und Spalten Elementarmatrizen
|
|
- Herta Kappel
- vor 6 Jahren
- Abrufe
Transkript
1 Bonusmaterial Matrizen und Determinanten Zahlen in Reihen und Spalten 6 6 Elementarmatrizen Wir betrachten die Matrix A = R Die folgende Multiplikation reeller Matrizen / = bewirkt eine elementare Zeilenumformung an A, nämlich das Multiplizieren der zweiten Zeile von A mit dem Faktor /3 Vertauscht man die Faktoren, berechnet man also /3 0 = 3 3, so bewirkt diese Multiplikation eine elementare Spaltenumformung an A Man kann auch das Addieren eines Vielfachen einer Zeile zu einer anderen Zeile durch eine Matrizenmultiplikation ausdrücken, so ist etwa / = die Addition des /3-fachen der ersten Zeile zur zweiten? Welche Zeile ändert sich, wenn der Faktor /3 an der Stelle 3, dieser Matrix steht? Ein Vertauschen der Faktoren bewirkt wieder eine entsprechende Umformung an den Spalten: /3 0 = ? An welcher Stelle muss der Faktor /3 stehen, damit die zweite Spalte des Produktes nur als Komponenten hat? In der Tat lässt sich jede elementare Zeilenumformung bzw elementare Spaltenumformung an einer Matrix A K m n durch Multiplikation einer Matrix von rechts bzw von links darstellen Matrizen, die dies bewirken, werden wir Elementarmatrizen nennen Elementarmatrizen stellen elementare Zeilenumformungen bzw Spaltenumformungen dar Die elementaren Zeilenumformungen bzw elementaren Spaltenumformungen an einer Matrix A K m n sind die Umformungen i Zwei Zeilen bzw Spalten von A werden vertauscht; ii eine Zeile bzw Spalte wird mit einem Faktor λ = 0 multipliziert; iii zu einer Zeile bzw Spalte wird das Vielfache einer anderen Zeile bzw Spalte addiert Wir untersuchen nun, welche Matrizen diese Zeilen- bzw Spaltenumformungen an der Matrix A K m n durch Multiplikation von rechts bzw links bewirken Für λ K und i, j {,, m} mit i = j nennt man die m m-matrizen der Form D i λ := λ i i
2 6 Matrizen und Determinanten Zahlen in Reihen und Spalten und λ N i,j λ := j m m-elementarmatrizen i z i z i + z j z i + z j A = z j z j z j + z i + z j z i + z j = z i } {{ } =N i,j A z i + z j + z i z i =N i,j N j,i N i,j A } {{ } =N j,i N i,j A D j z j z i Kommentar: Die Matrizen D i λ für λ K \{0} und N i,j λ für λ K sind invertierbar, so ist D i λ das Inverse zu D i λ und N i,j λ jenes zu N i,j λ Damit führen also die Elementarmatrizen auch zum Vertauschen der Zeilen z i mit z j also zur elementaren Zeilenumformung i Diese Vertauschung bewirkt also letztlich die Matrix Für die m n-matrix A = z z m mit den Zeilenvektoren z,, z m K n berechnen wir nun die folgenden Matrizenprodukte: z z z i z i D i λ A = λ z i und N i,j λ A = z i + λ z j z i+ z i+ z m z m Also bewirkt die Matrizenmultiplikation von D i λ von links an A die Multiplikation der i-ten Zeile von A mit λ bzw die Matrizenmultiplikation von N i,j λ von links an A die Addition des λ-fachen der j-ten Zeile zur i-ten Zeile Diese beiden Multiplikationen bewirken also gerade für λ = 0 im ersten Fall die elementaren Zeilenumformungen der Art ii und iii an A Wir überlegen uns nun, welche Matrix das Vertauschen zweier Zeilen z i und z j für i = j von A bewirkt Wir multiplizieren an A von links Elementarmatrizen: P i,j := D j N i,j N j,i N i,j = 0 = 0 i j i j Man nennt P i,j eine Permutationsmatrix, sie vertauscht durch Multiplikation von links an A die Zeilen z i und z j Warum gilt P = E n für jede n n-permutationsmatrix?? Analog kann man nun auch elementare Spaltenumformungen von A durch Multiplikation von n n-elementarmatrizen von rechts an A K m n darstellen So bewirkt die n n-matrix D i λ mit λ = 0 durch Multiplikation von rechts an A eine Multiplikation der i-ten Spalte von A mit dem Faktor λ Und die Multiplikation von N i,j λ von rechts an A bewirkt die Addition des λ-fachen der i-ten Spalte zur j-ten Spalte Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
3 6 Elementarmatrizen 3 Spaltenrang ist gleich Zeilenrang und damit der Rang einer Matrix Eine Matrix A = a ij K m n hat Zeilenstufenform, wenn sie von der Form a j 0 a rj mit Zahlen a iji = 0 ist Mittels elementarer Zeilenumformungen kann jede Matrix A = a ij K m n auf Zeilenstufenform gebracht werden Den Rang einer Matrix haben wir dabei in einem Abschnitt im Buch auf Seite 470 als die Anzahl r der von der Nullzeile verschiedenen Zeilen in der Zeilenstufenform von A definiert Wir überlegen uns nun, dass diese Definition sinnvoll ist, also die Zahl r durch die Matrix A eindeutig bestimmt ist Für die Matrix z A = = s,, s n z m nennen wir den Untervektorraum z,, z m K n, der von den Zeilenvektoren erzeugt wird, bzw s,,s n K m, der von den Spaltenvektoren erzeugt wird, den Zeilenraum bzw Spaltenraum von A Die Dimension des Zeilenraumes nennen wir den Zeilenrang von A und die Dimension des Spaltenraumes den Spaltenrang von A Übt man an der Matrix A elementare Zeilenumformungen aus, so verändert sich dabei der Zeilenrang nicht Etwas erstaunlich, aber tatsächlich begründbar ist, dass Zeilenumformungen auch den Spaltenrang nicht ändern Und umgekehrt ändern Spaltenumformungen weder den Spalten- noch den Zeilenrang Bringt man die Matrix A mit elementaren Zeilenumformungen auf Zeilenstufenform A, so bilden die von der Nullzeile verschiedenen Zeilen der Matrix A eine Basis des Zeilenraumes der Matrix A Damit ist also r = rg A gerade der Zeilenrang und somit eindeutig festgelegt Um A zu erhalten, haben wir dabei m m-elementarmatrizen D i λ und N i,j λ mit λ K von links an A multipliziert Wir bezeichnen das Produkt dieser dabei auftretenden Elementarmatrizen mit L: LA= A = 0 r 0 0 Der Spaltenrang s von A ist derselbe wie jener von A, da Zeilenumformungen den Spaltenrang nicht ändern Nun gehen wir noch einen Schritt weiter Wir wenden nun auf die Matrix A mit Rang bzw Zeilenrang r elementare Spaltenumformungen an, um A auf die Gestalt A = Er 0 K m n 0 0 zu bringen Dabei ist E r K r r die r r-einheitsmatrix und die auftauchenden Nullmatrizen sind entsprechend gewählt Weil A den Spaltenrang r hat und der Spaltenrang von A gleich dem von A ist, muss also r = s, d h Zeilenrang von A gleich Spaltenrang von A gelten Zu jeder der durchgeführten Spaltenumformung gehört eine n n-elementarmatrix Das Produkt aller hierbei auftretenden Elementarmatrizen bezeichnen wir mit R, also gilt LAR = Er Und weil das Produkt invertierbarer Matrizen wieder invertierbar ist, erhalten wir: Der Rang einer Matrix Für jede Matrix A K m n gilt: Der Rang von A ist gleich dem Zeilenrang von A und dieser ist gleich dem Spaltenrang von A Es gibt invertierbare Matrizen L K m m und R K n n, sodass Er 0 LAR =, 0 0 wobei r der Rang von A ist Eine Matrix mit rga = r hat also r linear unabhängige Vektoren unter ihren Zeilenvektoren z,, z m und unter ihren Spaltenvektoren s,, s n Beispiel Der Rang der Matrix A := R4 5 ist hier leichter durch elementare Zeilenumformungen zu ermitteln Addition des -fachen der vierten zur dritten, des 3-fachen der vierten zur zweiten und des -fachen der vierten zur ersten Zeile, anschließende Addition der dritten zur zweiten und des 3-fachen der dritten zur ersten Zeile und schließlich Vertauschen von Zeilen überführt A Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
4 4 6 Matrizen und Determinanten Zahlen in Reihen und Spalten in An dieser Zeilenstufenform können wir ablesen: rga = An der Matrix B := R 3 3 führt man besser Spaltenumformungen durch, um den Rang zu bestimmen: Zur zweiten Spalte addiere man das - fache der vierten Spalte und zur dritten Spalte das - fache der vierten, sodann erkennt man den Spaltenrang und damit den Rang 3 Anwendungsbeispiel Eine invertierbare Matrix A K n n hat nach einem Ergebnis im Buch auf Seite 54 den Maximalrang n Dann kann A mit elementaren Zeilenumformungen auf die Form gebracht werden und mit weiteren 0 solchen Umformungen schließlich in die Einheitsmatrix E n umgewandelt werden Jede Umformung bedeutet eine Multiplikation von links mit einer Elementarmatrix Daher existieren zu der invertierbaren Matrix A Elementarmatrizen T,,T k mit sodass T k T A = E n, T k T = T k T E n = A Jede invertierbare Matrix A lässt sich mittels elementarer Zeilenumformungen in die Einheitsmatrix E n überführen Wendet man dieselben Umformungen in derselben Reihenfolge auf E n an, so erhält man A Dieses Vorgehen zum Invertieren einer invertierbaren Matrix ist genau dasselbe, das wir in einem Abschnitt im Buch auf Seite 54 geschildert haben Man schreibt E n rechts neben A, also A E n und wendet die Umformungen, die A in E n überführen, gleichzeitig auf E n an, man erhält also E n A Die Matrix A ist dann das Inverse A von A Kommentar: Wir haben mitbegründet: Jede invertierbare Matrix ist ein Produkt von Elementarmatrizen Ein Algebraiker würde diesen Sachverhalt wie folgt ausdrücken: Die Gruppe der invertierbaren Matrizen über einem Körper wird von den Elementarmatrizen erzeugt? Bestimmen Sie den Rang der folgenden Matrizen 0 0 A := 6 3 3, B := Zur Fehlerabschätzung bei der numerischen LR-Zerlegung Computeralgebrasysteme verwenden zur Lösung eines linearen Gleichungssystems häufig eine LR-Zerlegung der Koeffizientenmatrix Dabei kommt es zu Rundungsfehlern Der Fehler, den man bei der LR-Zerlegung macht, hält sich für kleine Matrizen in Grenzen Wir führen zu jeder quadratischen Matrix A R n n und jedem Vektor v R n eine Kenngröße ein, um abschätzen zu können, welche Fehler beim Lösen von linearen Gleichungssystemen mittels der LR-Zerlegung entstehen können Für die Matrix A = a ij R n n bezeichne n A := max a i=,, n ij j= die Zeilennorm der Matrix A Um A zu bestimmen, bildet man also die Summen der Beträge der Einträge der n Zeilen und erhält so n positive reelle Zahlen Als A wählt man dann den maximalen gefundenen Wert Für Vektoren v = v v n R n definieren wir analog: v := max i=,, n { v i } Nun gehen wir davon aus, dass wir das Gleichungssystem A x = b auf einem Rechner mit der Maschinengenauigkeit ε mittels einer LR-Zerlegung mit Pivotsuche von A R n n mit den Matrizen L und R gelöst haben Dabei haben wir den Vektor v als Näherungslösung erhalten Dann gilt für den Fehler b A v, den der Rechner bei dieser Näherung gemacht hat: n + ε b A v L R v, falls nε / nε Wir verzichten auf eine Begründung dieser Abschätzung Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
5 63 Symmetrische und schief-symmetrische Matrizen 5 Kommentar: Es besagt b A v =0, dass v die exakte Lösung des Systems A x = b ist 63 Symmetrische und schiefsymmetrische Matrizen Eine quadratische Matrix A R n n heißt symmetrisch, wenn A = A T erfüllt ist; sie heißt schiefsymmetrisch, wenn A = A T gilt Die Menge der symmetrischen bzw schiefsymmetrischen n n-matrizen über R wollen wir hier mit Sn, R bzw An, R bezeichnen Wir begründen: Es sind Sn, R und An, R Untervektorräume des R n n mit: dim Sn, R = nn+ und nn dim An, R = Jede Matrix M R n n besitzt genau eine Darstellung M = S + A mit S Sn, R, A An, R Bevor wir den allgemeinen Fall behandeln, sehen wir uns zunächst exemplarisch den Fall n = an Es gilt dim R = 4 Die Standardbasis des R ist B = {E, E, E, E } mit E = 0 00, E = 0 00, E = 00 0, E = 00 0 a b Die Darstellung von A = R c d als Linearkombination der kanonischen Basis ist A = a E + b E + c E + d E Wir setzen S = 0 0 = E + E, T = 0 0 = E + E Weil S und T linear unabhängig sind, ist {E, E, S, T} eine Basis des R Die Symmetrie bzw Schiefsymmetrie von A lässt sich folgendermaßen ausdrücken: A = A T b = c A = ab bd = = a d b 0 0 E, E, S, A = A T a = d = 0 und b = c A = 0 c c 0 = c 0 0 T Demnach ist {E, E, S} eine Basis von S, R, also dim S, R = 3, und {T} ist eine Basis von A, R, also dim A, R = Jede Matrix lässt sich auf genau eine Weise als Summe einer symmetrischen und einer schiefsymmetrischen Matrix schreiben: a b = c d a b+c b+c d } {{ } S, R + = a E + d E + b + c 0 b c b c 0 } {{ } A, R S b c Sind nun A, B Sn, R, dha T = A, B T = B, so folgt A + B T = A T + B T = A + B,dhA + B Sn, R, und λ A T = λ A T = λ A für λ R, dhλ A Sn, R Die Menge Sn, R ist demnach ein Untervektorraum des R n n Der Beweis für schiefsymmetrische Matrizen geht genauso So folgt etwa aus A T = A, B T = B sogleich A+B T = A T + B T = A B = A + B Wir kommen nun zu dem allgemeinen Fall: Wir gehen von der Standardbasis B ={E ij i, j n} des R n n aus Eine Matrix A = a ij R n n ist genau dann symmetrisch, wenn a ij = a ji für i<jgilt In diesem Fall kann man in der Darstellung A = n i,j= a ij E ij die beiden Summanden a ij E ij + a ji E ji zu einem einzigen, nämlich a ij E ij + E ji zusammenfassen Somit ist S ={E ii i n} {E ij + E ji i<j n} eine Basis von Sn, R, und es gilt dim Sn, R = S = nn + / Die MatrixA ist genau dann schiefsymmetrisch, wenn a ii = a ii,dha ii = 0 für alle Elemente in der Hauptdiagonalen von A gilt und a ij = a ji für i<j Man sieht dann analog, dass A ={E ij E ji i<j n} eine Basis von An, R ist Es folgt dim An, R = A = nn / Für eine beliebige Matrix M R n n gilt M = M + MT + M MT =S =A mit S T = M T + M T T = M T + M = S, dh S Sn, R, und A T = M T M T T = M T M = A,dhA An, R Ist M = S + A eine weitere solche Darstellung, so gilt S + A = S + A, und folglich ist S S = A A Sn, R An, R eine Matrix, die zugleich symmetrisch und schiefsymmetrisch ist Da die Nullmatrix 0 R n n die einzige Matrix mit dieser Eigenschaft ist, folgt S = S, A = A, und wir haben auch die Eindeutigkeit der Darstellung gezeigt T Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
6 6 6 Matrizen und Determinanten Zahlen in Reihen und Spalten Anwendung: Galilei-Transformation Wir vergleichen Zeit- und Ortskoordinaten ein und desselben Ereignisses, betrachtet aus zwei verschiedenen Bezugssystemen S und S Dabei bewege sich das Bezugssystem S relativ zum Bezugssystem S mit einer konstanten Geschwindigkeit v = v e + v e + v 3 e 3 Wir wählen im Bezugssystemen S bzw S ein kartesisches Koordinatensystem z x,y,z mit Ursprung O und Zeitkoordi- nate t bzw x,y,z mit Ursprung O und Zeitkoordinate t Durch Angabe von vier Werten für Orts- und Zeitkoordinaten wird ein Ereignis im jeweiligen Bezugssystem erklärt; zur Zeit z P t i ereignet sich am Ort x i,y i,z i in S i etwas, etwa ein Zusammenstoß von Teilchen Wir schreiben für ein solches Ereignis P im Bezugssystem S i kurz P = t i,x i,y i,z i x O S y O x S y Angenommen, wir kennen die vier Koordinaten t, x, y, z eines Ereignisses P im Bezugssystem S Welche Koordinaten t,x,y,z hat dieses Ereignis dann im Bezugssystem S? Wir stellen im Folgenden den Zusammenhang zwischen diesen Koordinaten her Wir nehmen vorerst an, dass wir in den beiden Bezugssystemen dieselbe absolute Zeit verwenden dürfen, also insbesondere t = t Dies führt zur Galilei-Transformation, die für Geschwindigkeiten gilt, die klein im Vergleich zur Lichtgeschwindigkeit sind Vereinfachend nehmen wir an, dass zum Zeitpunkt t = 0 = t die Ursprünge O und O zusammenfallen Gegeben ist ein Ereignis P = t,x,y,z in S Wir bestimmen die Koordinaten dieses Ereignisses bezüglich des Koordinatensystems im Bezugssystem S Wir gehen von t = t = t aus und erhalten für die einzelnen Ortskoordinaten des Ereignisses P x = x v t, y = y v t, z = z v 3 t Diesen Übergang von den Koordinaten eines Ereignisses bezüglich eines Bezugssystems zu den Koordinaten des Ereignisses bezüglich eines anderen Bezugssystems nennt man Galilei-Transformation Dieser Zusammenhang lässt sich mit einer Matrix A beschreiben, es gilt t t x y = v 0 0 x v 0 0 y z v z =:A Die Matrix A ist invertierbar, und zwar gilt A = v 0 0 v 0 0 v Damit erhalten wir die Koordinaten eines Ereignisses P = t,x,y,z im Koordinatensystem von S aus folgender Gleichung t t v 0 0 x y = z v 0 0 v x y z Ein Einstein sches Postulat besagt, dass die Lichtgeschwindigkeit c in allen Bezugssystemen die gleiche Größe hat Damit widerspricht die Galilei-Transformation diesem Postulat Bewegt sich nämlich das Bezugssystem S nur in x -Richtung gegenüber dem Bezugssystem S mit der Geschwindigkeit v, so hat ein Lichtstrahl im Bezugssystem S in y -Richtung vom Bezugssystem S aus betrachtet, die Geschwindigkeit c + v >c Für kleine Geschwindigkeiten stimmt die Galilei-Transformation mit den experimentellen Beobachtungen überein, für hohe Geschwindigkeiten jedoch ist eine andere Transformation zu wählen dies ist die Lorentz-Transformation Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
7 64 Die Vandermonde-Matrix 7 Beispiel und Es gilt etwa = Sn, R An, R 3 = Sn, R An, R 64 Die Vandermonde-Matrix Sind x 0,x,, x n verschiedene und y 0,y,,, y n beliebige reelle Zahlen, so existiert nach der Anwendung zur Newton-Interpolation im Kapitel 5 genau ein Polynom p R[X] n, d h vom Grad kleiner oder gleich n, mit px i = y i für alle i {0,,, n} Wir begründen dieses Ergebnis erneut mithilfe der Determinante Dabei spielt die sogenannte Vandermonde-Matrix eine wichtige Rolle Zu zeigen ist die Existenz und Eindeutigkeit reeller Zahlen a 0,, a n mit der Eigenschaft y i = a 0 + a x i + +a n x n i für i = 0,, n Es ist dann p = a 0 + a X + +a n X n R[X] n das eindeutig bestimmte Polynom mit der gewünschten Eigenschaft Die n + Gleichungen in liefern ein lineares Gleichungssystem für die n + zu bestimmenden Koeffizienten a 0,a,, a n R Das Gleichungsystem lautet ausführlich a 0 x 0 + a x + + a n x n = y a 0 x 0 + a x + + a n x n = y a 0 xn 0 + a x n + + a n xn n = y n Als Koeffizientenmatrix erhalten wir die sogenannte n + n + -Vandermonde-Matrix x 0 x0 x n 0 x x x n V = = xj i Rn+ n+ x n xn xn n Es existiert genau dann eine eindeutig bestimmte Lösung des Gleichungssystems, also das eindeutig bestimmte Polynom p = a 0 + a X + +a n X n mit a n,, a,a 0 R, wenn die Determinante der Vandermonde-Matrix von Null verschieden ist Wir berechnen nun diese Determinante Wir lassen die erste Spalte unverändert und subtrahieren von der zweiten Spalte das x 0 -fache der ersten Spalte, von der dritten Spalte das x 0 -fache der zweiten Spalte usw det V = x x 0 x = x 0x x n x 0x n x n x 0 xn x 0x n xn n x 0x n x x 0 x x 0 x x x 0 x n = x n x 0 x n x 0 x n x n x 0 x n n x x n = x i x 0 i= x n x n Bei diesem Schritt haben wir also die n + n + - Vandermonde-Matrix auf eine n n-vandermonde-matrix zurückgeführt Induktiv folgt nun unter Beachtung von det = die Formel det V = n n j=0 i=j+ x i x j Dies wird meistens in der Kurzform x 0 x0 x n 0 x x x n = i x j i>jx x n xn xn n geschrieben Es ist det V = 0 x i = x j für alle i = j Also existiert genau dann ein eindeutig bestimmtes Polynom p = a 0 + a X + +a n X n R[X] n mit px i = y i für i = 0,, n, wenn die vorgegebenen Stellen x 0,, x n verschieden sind Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
8 8 6 Matrizen und Determinanten Zahlen in Reihen und Spalten Antworten der Selbstfragen S Die dritte Zeile S An der Stelle, es geht aber auch die Stelle 3, S Weil P bedeutet, dass zwei Mal vertauscht wird, damit wird die ursprüngliche Vertauschung gerade rückgängig gemacht S 4 Es gilt rg A = und rg B = 3 Arens et al, Mathematik, ISBN: , Spektrum Akademischer Verlag, 008
Matrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
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,...,
Mehr3.9 Elementarmatrizen
90 Kapitel III: Vektorräume und Lineare Abbildungen 3.9 Elementarmatrizen Definition 9.1 Unter einer Elementarmatrix verstehen wir eine Matrix die aus einer n n-einheitsmatrix E n durch eine einzige elementare
MehrMatrizen - I. Sei K ein Körper. Ein rechteckiges Schema A = wobei a ij K heißt Matrix bzw. eine m n Matrix (mit Elementen aus K).
Matrizen - I Definition. Sei K ein Körper. Ein rechteckiges Schema A = a 11 a 12...... a 1n a 21 a 22...... a 2n............ a m1 a m2...... a mn wobei j K heißt Matrix bzw. eine m n Matrix (mit Elementen
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrAufgaben zu Kapitel 14
Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
MehrKapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben
Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrIV.3. RANG VON MATRIZEN 81
IV3 RANG VON MATRIZEN 8 Ist b,,b n eine Basis des reellen Vektorraums V, dann bildet b,,b n auch eine Basis des komplexen Vektorraums V C Mit V ist daher auch V C endlichdimensional und es gilt dim C V
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrTutorium: Diskrete Mathematik. Matrizen
Tutorium: Diskrete Mathematik Matrizen Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de Definition I Eine Matrix ist eine rechteckige Anordnung (Tabelle) von Elementen, mit denen man in bestimmter
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
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrAufgaben zu Kapitel 15
Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation
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 Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
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
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
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
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
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
Mehr5 Die Allgemeine Lineare Gruppe
5 Die Allgemeine Lineare Gruppe Gegeben sei eine nicht leere Menge G und eine Abbildung (Verknüpfung) : G G G, (a, b) a b( a mal b ) Das Bild a b von (a, b) heißt Produkt von a und b. Andere gebräuchliche
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
MehrZu zwei Matrizen A R m n und B R p q existiert das Matrizenprodukt A B n = p und es gilt dann. A B = (a ij ) (b jk ) = (c ik ) = C R m q mit c ik =
H 6. Die Matrizen A, B, C und D seien gegeben durch 5 A =, B =, C = 4 5 4, D =. 5 7 5 4 4 Berechnen Sie (sofern möglich) alle Matrizenprodukte X Y mit X, Y {A, B, C, D}. Zu zwei Matrizen A R m n und B
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrChr.Nelius : Lineare Algebra II (SS 2005) 1. Wir wollen hier eine Beschreibung des Gauß-Algorithmus mit Hilfe der sog. Elementarmatrizen vornehmen.
ChrNelius : Lineare Algebra II (SS 2005) 1 Einschub A) Elementarmatrizen Wir wollen hier eine Beschreibung des Gauß-Algorithmus mit Hilfe der sog Elementarmatrizen vornehmen (A1) DEF: Seien r, s IN mit
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrKapitel 15. Aufgaben. Verständnisfragen
Kapitel 5 Aufgaben Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation einen K-Vektorraum bildet
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrErneut: Matrizen und lineare Abbildungen
Erneut: Matrizen und lineare Abbildungen Mit Hilfe der Matrixmultiplikation lässt sich die Korrespondenz zwischen linearen Abbildungen und Matrizen elegant ausdrücken: Satz. e 1, e 2,..., e n sei die Standardbasis
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.
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
Mehr2.3 Lineare Abbildungen und Matrizen
2.3. LINEARE ABBILDUNGEN UND MATRIZEN 89 Bemerkung Wir sehen, dass die Matrix à eindeutig ist, wenn x 1,...,x r eine Basis ist. Allgemeiner kann man zeigen, dass sich jede Matrix mittels elementarer Zeilenumformungen
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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
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
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:
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
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
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
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
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
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
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,
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrMathematik IT 2 (Lineare Algebra)
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrMatrizen Definition: Typ einer Matrix
Matrizen Definition: Eine Matrix ist ein rechteckiges Zahlenschema. Die Matrix (Mehrzahl: Matrizen) besteht aus waagerecht verlaufenden Zeilen und senkrecht verlaufenden Spalten. Verdeutlichung am Beispiel:
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
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
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eine Familie von Gleichungen der Form a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2............ a m1 x 1 + a m2 x 2 +... + a mn x n = b m
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrRang und Inverses einer Matrix
Rang und Inverses einer Matrix wgnedin@math.uni-koeln.de 29. April 2014 In dieser Notiz werden Methoden und Beispiele zur Berechnung des Rangs einer Matrix sowie der Inversen einer invertierbaren Matrix
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 6
R. Hiptmair S. Pintarelli E. Spindler Herbstsemester 2014 Lineare Algebra und Numerische Mathematik für D-BAUG Serie 6 ETH Zürich D-MATH Einleitung. Diese Serie behandelt nochmals das Rechnen mit Vektoren
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrDas Lösen linearer Gleichungssysteme
Das Lösen linearer Gleichungssysteme Lineare Gleichungen Die Gleichung a 1 x 1 + a 2 x 2 +... + a n x n = b ist eine lineare Gleichung in den n Variablen x 1, x 2,..., x n. Die Zahlen a 1, a 2,..., a n
Mehr1 Linearkombinationen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch
Mehr8 Lineare Gleichungssysteme
$Id: lgs.tex,v 1.6 2010/12/20 12:57:04 hk Exp $ $Id: matrix.tex,v 1.3 2010/12/20 13:12:44 hk Exp hk $ 8 Lineare Gleichungssysteme In der letzten Sitzung hatten wir mit der Besprechung linearer Gleichungssysteme
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
Mehr7.1 Matrizen und Vektore
7.1 Matrizen und Vektore Lineare Gleichungssysteme bestehen aus einer Gruppe von Gleichungen, in denen alle Variablen nur in der 1. Potenz vorkommen. Beispiel Seite 340 oben: 6 x 2 = -1 + 3x 2 = 4 mit
Mehr1.) Matrix einer linearen Abbildung
1.) Matrix einer linearen Abbildung Aufgaben: 7 restart; with(linearalgebra): Definitionen MATH: Seien und Vektorräume über dem Körper mit Basen und. Wir wollen eine bequeme Art finden, eine lineare Abbildung
Mehr