1 Die Jordansche Normalform
|
|
- Georg Bachmeier
- vor 6 Jahren
- Abrufe
Transkript
1 Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag ( ) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme hilft die Jordansche Normalform. Die ist ein einfacher Vertreter der Äquivalenzklasse der zu einer trigonalisierbaren (charakteristisches Polynom zerfällt vollständig in Linearfaktoren) Matrix ähnlichen Matrix. Definition. Jordan. (λ K, l N >0 ) Ein Jordan-Block (alt: Jordan-Kästchen) der Länge l ist eine Matrix der Form λ Kl l 0 λ 2. A in Jordanscher Normalform J 0 J 2 A =... 0 J r 3. B heißt Jordansche Normalform von A, falls B in JNF und ähnlich zu A. Satz. A hat genau dann eine JNF, wenn χ A in Linearfaktoren zerfällt. (Für abgeschlossene Körper gilt das für jede quadratische Matrix.) Meistens ist die JNF nicht eindeutig, da das Vertauschen der Jordan-Blöcke erlaubt ist, da dies nur eine Umordnung der Basisvektoren entspricht. Satz.2 A und B sind genau dann ähnlich, wenn ihre JNF bis auf die Reihenfolge der Blöcke übereinstimmen. Um nun die JNF zu berechnen, sind folgende Formeln wichtig: Satz.3 χ A zerfällt in Linearfaktoren, B ist JNF von A, λ K Eigenwert von A:. Anzahl der Jordan-Blöcke der Länge e mit λ: rg(a λi n ) e 2rg(A λi n ) e + rg(a λi n ) e+ 2. Gesamtlänge der Jordan-Blöcke mit λ ˆ=m a (λ)
2 3. Anzahl der Jordan-Blöcke mit λ ˆ=m g (λ) Beispiel.: JNF. A = R χ A = (5 λ) (6 λ) ( + λ) = 0 Damit sind die Eigenwerte -, 5 und 6, jeweils mit m a =. Also ist B = diag(, 5, 6). (Reihenfolge vertauschbar) A = 4 4 R Eigenwert - mit m a = 3. A+I 3 hat Rang, da Spaltenvektoren paarweise linear abhängig. Daher jeein Jordanblock mit Länge und 2. JNF = R 3 3 oder JNF = R A R 4 4 mit nur einem Eigenwert λ, rg(a I 4 ) = 2. Also gibt es 2-2=2 Jordanblöcke, entweder mit den Längen 2,2 oder,3. Berechne die Anzahl der Jordanblöcke mit Länge mit Formel aus Satz.3: λ λ 0 0. Fall: Ergebnis:, dann JNF = 0 λ λ oder JNF = 0 λ λ λ λ λ Fall: Ergebnis:0, dann JNF = 0 λ λ λ Neben der JNF an sich, ist auch die tranformierende Matrix von Interesse. Die erhält man aus der Jordan-Basis. Definition.2 Jordan-Basis Basis bezüglich der ϕ A, die JNF von A als Darstellungsmatrix hat Zusatz. Berechnen der Jordan-Basis. JNF von A bekannt 2. Suche die Basisvektoren zu dem längsten Jordan-Kästchen von λ 3. Berechne Hauptraum: E (e) λ := {v Kn (A λi n ) e v = 0} 4. Ergänze Basis des Unterraums E (e ) zu einer Basis von E (e) mit Keimen der Basisvektoren der Jordan-Kästchen 2
3 5. Ist v E (e) ein Keim: v e := v, v e := Av e λv e,..., v := Av 2 λv 2 6. (falls vorhanden) nun Jordan-Kästchen mit niedrigerer Länge (e-): Gegen lineare Abhängigkeit mit den schon vorhandenen Vektoren: ergänze Basen von E(e 2) und (A λi n ) E (e) zu einer Basis von E (e ) Beispiel.2: Wir verwenden aus Beispiel. die zweite Matrix. Wir kennen den (einzigen) Eigenwert - und den Eigenraum E = {( 0, 5ɛ + κ ɛ κ) T ɛ, κ R} Für das große Jordankästchen wählen wir einen Vektor außerhalb von E, zbsp. v 2 := e. Damit ergibt sich v := Av 2 ( )v 2 = ( 2 4 0) T Damit haben wir das Jordan-Kästchen mit Länge 2 fertig, jetzt zu dem mit Länge. Wir suchen den Eigenvektor, der v zu einer Basis von E ergänzt, also einen Vektor v 3 E, der linear unabhängig von v ist. Eine Möglichkeit ist v 3 = (0 2 ). Damit ergibt sich die transformierende Basis Satz.4 exp(a) Für A C n n konvergiert exp(a) = e A := k=0 A k k! Zusatz.2 Für B = S AS mit S GL n (C) gilt Zusatz.3 A,B C n n kommutierend. (A + B) n = ( ) n n i=0 A r i B n i 2. exp(a + B) = exp(a) exp(b) 2 Skalarprodukte exp(b) = S exp(a)s Bisher haben wir uns in beliebigen Körpern bewegt. Dabei gab es keinen Begriff im Zusammenhang mit Abstand. Zur Bestimmung von Längen, Abständen und Winkeln führen wir daher in diesem Kapitel das Skalarprodukt wie folgt ein: Für den reellen Vektorraum ist dies gleich, wie das Skalarprodukt aus der Schule. 3
4 Definition 2. Standard-Skalarprodukt Das Standard-Skalarprodukt auf R n von v = v. v n und w = w. w n R n ist: n v, w := x i y i i= (= v T w) R Es gelten folgende Eigenschaften:. Bilinearität (a R): u, v + a w = u, v + a u, w & u + a v, w = u, w + a v, w 2. Symmetrie: v, w = w, v 3. (Positiv semi-definit:) v, v > 0 für v 0 Durch das Skalarprodukt erhält man neue Möglichkeiten zur Charakterisierung von Abbildungen. Definition 2.2 symmetrische Bilinearform V V R, (v, w) v, w heißt, falls sie symetrisch und bilinear ist. Die zusätzliche Eigenschaft positiv definit führt zum Skalarprodukt. (Skalarprodukt und reeller Vektorraum zusammen heißen euklidischer Raum.) Im komplexen Raum funktioniert die Definition des Standard-Skalarproduktes nicht, da es auch negativ sein kann. Daher müssen wir hier anders vorgehen. Mit Hilfe der Komplex-konjugierten z := a ib (statt + bei z) definiert man mit den Rechenregeln für komplexe Zahlen: z + w = z + w z w = z w z z = a 2 + b 2 z := z z Mit diesen Regeln erhält man als Skalarprodukt im komplexen Vektorraum: Definition 2.3 komplexes Skalarprodukt v, w := n x i y i i= ( v T w) C Zusätzlich weichen auch die Begrifflichkeiten im komplexen Vektorraum von denen des reellen ab: Definition 2.4 V komplexer Vektorraum: V V C, (v, w) v, w heißt 4
5 . sesquilinear, falls u, v + a w = u, v + a u, w & u + a v, w = u, w + ā v, w 2. hermitesch, falls v, w = w, v 3. positiv definit, falls v, v R& v, v 0 bei v 0. heißt Sesquilinearform, 2. hermitesche Form, komplexes Skalarprodukt. Kompl. Vektorraum und kompl. Skalarprodukt ergeben den unitären Raum. Mit dem Skalarprodukt haben wir nun ein Mittel für die Bestimmung von Längen: Definition 2.5 Länge/Norm und Abstand v := v, v R 0 ist die Länge bzw. Norm von v. d(v, w) := v w R 0 ist der Abstand von v und w. Für diese gilt nun: Zusatz 2. Schwarzsche Ungleichung v, w n w (Gleicheit bei linearer Abhängigkeit ((anti-)parallele Vektoren)) Und zusätzlich: Satz 2. Eigenschaften. v > 0 bei v 0 2. a v = a v (a Skalar) 3. v + w v + w (Dreiecksungleichung) 4. d(v, w) > 0beiv w 5. d(v, w) = d(w, v) 6. d(u, w) d(u, v) + d(v, w) (siehe 3.) Zusatz 2.2 (für spätere Vorlesungen interessant). v v erfüllt normierter Vektorraum 2. d: V V R 0 erfüllt Metrik metrischer Raum 3. Banachraum (vollständig (jede Cauchy-Folge konvergiert) und normiert), Hilbertraum (vollständig und euklidisch/unitär) Außer für den Abstandsbegriff benötigt man das Skalarprodukt auch für die Festlegung von Winkeln zwischen Vektoren: Definition 2.6 Winkel (zwischen v und w) V euklidisch/unitär cos(α) = v, w v w 5
6 . orthogonale (senkrechte) Vektoren: v, w = 0 2. S V Orthogonalsystemn, falls zwei verschiedene Vektoren paarweise orthogonal 3. S Orthonormalsystem, falls 2. und v = v 4. S Orthonormalbasis, falls 3. und Basis 5. orthogonales Kompliment zu Unterraum U V : U := {v V v, u u U} Um für den durch die Vektoren aufgespannten Raum eine ONB zu erzeugen, geht man wie folgt vor: Zusatz 2.3 Schmidtsches Orthogonalisierungsverfahren Vektoren v,..., v k Orthonormalbasis {u,..., u m } des erzeugten Unnterraums.. m := 0 2. Für i=,...,k : Schritte 3. und w i 0 m := m+ und w i = v i m u j, v i u j j= u m := w i w i Beispiel 2.: 3 V := 0, 0, Als erster normieren wir einen der Vektoren. u = w w = 3 3/5 5 0 = 0 4 4/5 Den zweiten normierten Vektor erhalten wir mit w 2 = v 2 u, u 2 u = 25 (6 0 2)T : 4/5 u 2 = 0 3/5 Der dritte Vektor ist u 3 = w 3 = v 3 u, v 3 u u 2, v 3 u 2 = 0. Die ONB ist also {u, u 2 }. (Man sieht schon aus den Vektoren am Anfang, dass nur zwei Vektoren übrig bleiben, da v 3 = 2 (v + v 3 ).) Zwischen euklidischen bzw. unitären Veoktorräumen kann man strukturerhaltende Abbildungen studieren. 6
7 Definition 2.7 orthogonale bzw. unitäre Abbildung V, W euklidisch/unitär, ϕ : V W orthogonal, falls ϕ(v), ϕ(w) = v, w v, w ist injektiv und abstandserhaltend ( d(ϕ(v), ϕ(w)) = d(v, w) ϕ(v) = v ( ˆ= Isometrie) Zum Abschluss legen wir noch ein paar Begriffe fest: Definition 2.8 spezielle Matrizen. A R n n orthogonal, wenn Satz 2.5 erfüllt. Gleichbedeutend: Spalten bzw Zeilen bilden Orthonormalbasis von R n 2. A C n n unitär, wenn Satz 2. erfüllt. Gleichbedeutend: Spalten bzw Zeilen bilden Orthonormalbasis von C n 3. orthogonale Gruppe: O n := {A R n n A T A = I n } GL n (R) spezielle orthogonale Gruppe: SO n := O n SL n (R) 4. unitäre Gruppe: U n := {A C n n A T A = I n } GL n (C) spezielle unitäre Gruppe: SU n := U n SL n (C) 3 Hauptachsentransformation Vereinbarung: A R n n Ziel des Kapitels ist der Nachweis, dass jede symmetrische, reelle Matrix diagonalisierbar ist. Wir fangen mit drei Hilfssätzen an: Zusatz 3.. Sei λ C ein Eigenwert von A ( C n n ), dann λ R 2. Unterraum {0} U R n mit u U : A u U U enthält einen Eigenvektor von A 3. λ und µ verschiedenen Eigenwerte von A und v E λ, w E µ : v, w = 0 Das Hauptergebis des Kapitels ist die Hauptachsentransformation. (Sie dient dazu, um Gleichungen von Hyperflächen (Dimension um geringer als umgebenden Raum) zweiter Ordnung in einer NOrmalform darzustellen.) Satz 3. Hauptachsentransformation Für symmetrischen Matrizen A gibt es eine Orthonormalbasis aus Eigenvektoren. S O n (R) mit, S AS = S T AS Diagnomalmatrix. A ist diagonalisierbar. (Satz gilt allgemein für R, jedoch nicht für C und Q.) Beispiel 3.: 2 A = 2 hat χ A = (x ) 2 (x 4). 2 7
8 Mit E 4 = haben wir schon den ersten normierten Vektor u 3 = 3. Auf E = 0, 0 und u = 6 u = Damit ist S bekannt und S AS = erhalten wir duch das Schmidtsche Orthogonalisierungsverfahren WICHTIG: Dies gilt alles nur für R, nicht für C oder Q. Zusätzlich sind folgende Definitionen sinnvoll. Definition 3. Eine symmetrische Matrix A heißt. positiv definit: alle Eigenwerte positiv 2. pos. semidefinit: alle Eigenwerte nicht negativ 3. negativ definit: alle Eigenwerte negativ 4. neg. semidefinit: alle Eigenwerte nicht positiv 5. indefinit: pos. und neg. Eigenwerte Gleichbedeutend ist folgendes: Satz 3.2 A positiv definit genau dann, wenn v R n \{0} : v, A v > 0 Für die anderen Fälle, ersetze > durch, < oder. 8
Orthonormalisierung. 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).
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
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
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 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,
MehrSteilkurs Lineare Algebra 1 einige wichtige Stationen
Steilkurs Lineare Algebra 1 einige wichtige Stationen Für einen Körper K ist ein K-Vektorraum V eine Menge mit einer kommutativen und assoziativen Verknüpfung + : V V V, für die es ein neutrales Element
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
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
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,
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,
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.
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
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
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 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
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
MehrMusterlösung der Klausur zur linearen Algebra II
David Blottière SS 7 Patrick Schützdeller Universität Paderborn Julia Sauter Musterlösung der Klausur zur linearen Algebra II Aufgabe 1 Bestimmen Sie Jordan-Normalformen der folgenden Matrizen, und schreiben
Mehra) Ein Gruppenhomomorphismus von G nach H ist eine Abbildung Φ : G H, sodass für alle g 1, g 2 G die Gleichung Φ(g 1 g 2 ) = Φ(g 1 ) Φ(g 2 )
I. (4 Punkte) Es seien (G, ) eine Gruppe mit neutralem Element e G und (H, ) eine weitere Gruppe. a) Geben Sie die Definition eines Gruppenhomomorphismus Φ : G H an und beweisen Sie, dass für solch einen
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
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)
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
MehrLineare Algebra II. Inhalt und Begriffe. Lineare Algebra II p. 1
Lineare Algebra II Inhalt und Begriffe Lineare Algebra II p. 1 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen Algebra... Lineare Algebra II p. 2 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
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 Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
MehrLineare Algebra 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.
MehrSkalarprodukte. Kapitel Bilinearformen
Kapitel 11 Skalarprodukte Das bekannte Skalarprodukt auf dem n dimensionalen Euklidischen Raum R n ist ein Spezialfall einer für viele Bereiche der linearen Algebra und der Funktionalanalysis außerordentlich
MehrKlausur zur Vorlesung Lineare Algebra II
Universität zu Köln Sommersemester 06 Mathematisches Institut 9. Juli 06 Prof. Dr. P. Littelmann Dr. Teodor Backhaus Klausur zur Vorlesung Lineare Algebra II Bearbeitungszeit 80 Minuten Bitte geben Sie
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
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Musterlösungen zu den Übungen Freitag, 6.. Sascha Frölich
MehrEuklidische und unitäre Vektorräume
Euklidische und unitäre Vektorräume In allgemeinen Vektorräumen gibt es keine Möglichkeit der Längenmessung von Vektoren und der Winkelmessung zwischen zwei Vektoren. Dafür ist eine zusätzliche Struktur
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
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
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 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
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
MehrProbeklausur Lineare Algebra für Physiker
Fachbereich Mathematik Prof. Dr. K. Grosse-Brauckmann D. Frisch Probeklausur Lineare Algebra für Physiker SS 8 26./27.6.27 Name:..................................... Vorname:.................................
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
MehrÜbungen zur Vorlesung Lineare Algebra
Übungen zur Vorlesung Lineare Algebra Institut für Reine Mathematik WS 2009/10 & SS 2010 Kapitel 1. Vektorräume Was ist ein Vektorraum? Sei X und K ein Körper. Wie macht man Abb (X, K) zu einem K -Vektorraum?
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
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
MehrZusammenfassung Lineare Algebra II
Zusammenfassung Lineare Algebra II CC BY: Tim Baumann, http://timbaumanninfo/uni-spicker Notation Sofern nicht anders angegeben, bezeichne K im folgenden einen beliebigen Körper, V einen (möglicherweise
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,
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,
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
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
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
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
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 2015/2016: Lösungen
Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert
MehrTutorium 3. 1 Nilpotente Endomorphismen. Definition. Sei Φ End(V ). Φ heißt nilpotent: n N : Φ n = 0
Tutorium 3 1 Nilpotente Endomorphismen Definition. Sei Φ End(V ). Φ heißt nilpotent: n N : Φ n = Bemerkung. Sei V {}. Dann ist λ = einziger EW. Und wegen H(Φ, ) = Kern((Φ id) k ) Kern(Φ n ) = Kern() =
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
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
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
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
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 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,
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
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 =
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
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrIna Kersten Analytische Geometrie und Lineare Algebra 1. L A TEX-Bearbeitung von Stefan Wiedmann
Ina Kersten Analytische Geometrie und Lineare Algebra 1 L A TEX-Bearbeitung von Stefan Wiedmann Universitätsverlag Göttingen 2005 Voraussetzungen 11 1 Einige Grundbegriffe 12 1.1 Die komplexen Zahlen 12
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
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
MehrL5.6 Symmetrische, hermitesche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen)
L5.6 Symmetrische, heresche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen) In diesem Kapitel kommen Matrizen in Zusammenhang Skalarprodukt vor.
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
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
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
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 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
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
MehrTutorium 7. Definition. Sei V ein C-Vektorraum. Eine Abbildung, : V V C heißt komplexes Skalarprodukt : det F k > 0 mit F k := (f i,j ) C k k
Skalarprodukte Tutorium 7 Bemerkung. Für jeden komplexen Vektorraum V mit dim V und jede komplexe Bilinearform P auf V findet man einen Vektor v mit P (v, v) =. Es gibt also keine positiv definite Bilinearformen
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichungen für Ingenieure WS 06/07 6. Vorlesung Michael Karow Themen heute: 1. Die geschlossene Lösungsformel für lineare DGL mit konstanten Koeffizienten. 2. Die Matrixexponentialfunktion
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
MehrPrüfung Lineare Algebra , B := ( ), C := 1 1 0
1. Es seien 1 0 2 0 0 1 3 0 A :=, B := ( 1 2 3 4 ), C := 1 1 0 0 1 0. 0 0 0 1 0 0 1 0 0 0 0 Welche der folgenden Aussagen ist richtig? A. A und C haben Stufenform, B nicht. B. A und B haben Stufenform,
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
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
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
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
Mehr10. Übung zur Linearen Algebra II -
0. Übung zur Linearen Algebra II - Lösungen Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 7 Der ( linearen ) Abbildung ϕ : R R sei bzgl. der kanonischen Basis die Matrix zugeordnet.
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
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
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
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
MehrBonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen
Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen Orthogonale und unitäre Endomorphismen Wir untersuchen nun lineare Abbildungen in euklidischen und unitären Vektorräumen
MehrL3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren...
L3 Euklidische Geometrie: Längen, Winkel, senkrechte Vektoren... (benötigt neue Struktur über Vektorraumaxiome hinaus) Sei Länge von nach Pythagoras: Länge quadratisch in Komponenten! - Für : Skalarprodukt
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. 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).
Mehr23. Die Jordan sche Normalform
Chr.Nelius, Lineare Algebra II (SS 2005) 1 23. Die Jordan sche Normalform Wir suchen für einen trigonalisierbaren Endomorphismus unter seinen dreiecksförmigen Darstellungsmatrizen eine Darstellungsmatrix,
MehrLineare Algebra für PhysikerInnen
Universität Wien, SS 2015 Lineare Algebra für PhysikerInnen Beispiele für Multiple-Choice-Fragen Punkteschlüssel: [Typ 1 aus 4] und [Typ 3 aus 4]... 0.8 Punkte [Typ 2 aus 4]... 1 Punkt Bei der schriftlichen
Mehr1. Hausübung ( )
Übungen zur Vorlesung»Lineare Algebra B«(SS ). Hausübung (8.4.) Aufgabe Es seien σ (3, 6, 5,, 4, 8,, 7) und τ (3,,, 4, 6, 5, 8, 7). Berechnen Sie σ τ, τ σ, σ, τ, die Anzahl der Inversionen von σ und τ
Mehr