Aufgaben zu Kapitel 16

Größe: px
Ab Seite anzeigen:

Download "Aufgaben zu Kapitel 16"

Transkript

1 Aufgaben zu Kapitel 16 1 Aufgaben zu Kapitel 16 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 AB BAfür n n-matrizen A und B. Gilt det(ab) = det(ba)? Aufgabe 16.3 Hat eine Matrix A R n n mit n 2N + 1 und A = A T die Determinante 0? Aufgabe 16.4 Gilt für invertierbare Matrizen A, B K n n ad(ab) = ad(b) ad(a)? Aufgabe 16.5 Ist das Produkt symmetrischer Matrizen stets wieder eine symmetrische Matrix? Aufgabe 16.6 Ist das Inverse einer invertierbaren symmetrischen Matrix wieder symmetrisch? Aufgabe 16.7 Folgt aus der Invertierbarkeit einer Matrix A stets die Invertierbarkeit der Matix A T? Aufgabe 16.8 Wir betrachten eine Blockdreiecksmatrix, d. h. eine Matrix der Form M = ( A C 0 B ) K n n, wobei 0 K (n m) m die Nullmatrix ist und A K m m, C K m (n m), B K (n m) (n m) sind. Zeigen Sie: det M = det A det B. Rechenaufgaben Aufgabe 16.9 Berechnen Sie alle möglichen Matrizenprodukte mit jeweils zwei der Matrizen ( ) A =, B = 0 4, C = 1 1 1, D = ( ) Aufgabe Gegeben sind drei Matrizen A, B, C R 3 3 mit der Eigenschaft AB= C, ausführlich a b c 13 a b 22 2 = 4 3 c 23. a b c 33 Man ergänze die unbestimmten Komponenten. Aufgabe Sind die folgenden Matrizen invertierbar? Bestimmen Sie gegebenenfalls das Inverse A = 1 1 2, B = R 3 3, C = , D = R

2 2 Aufgaben zu Kapitel Aufgabe Bestimmen Sie ein lineares Gleichungssystem, dessen Lösungsmenge L = 0, 1 R ist. Aufgabe Bestimmen Sie eine LR-Zerlegung der Matrix 1/2 1/3 1/4 1/5 A = 1/3 1/4 1/5 1/6 1/4 1/5 1/6 1/7 1/5 1/6 1/7 1/8 und mit deren Hilfe die Determinante det A. Aufgabe Vervollständigen Sie die folgende Matrix A so, dass A R 3 3 eine orthogonale Matrix ist: 1/2 1/ 2 A = 1/2 1/2 1/ 2 Aufgabe Berechnen Sie die Determinanten der folgenden reellen Matrizen: A = , B = Aufgabe Berechnen Sie die Determinante der reellen n n-matrix d 1 A =. d d n... Anwendungsprobleme Aufgabe Für ein aus drei produzierenden Abteilungen bestehendes Unternehmen hat man durch praktische Erfahrung die folgenden Matrizen P R 3 3 für die Produktherstellung und R R 3 3 für die Rohstoffverteilung ermittelt: P = und R = (a) Welche Nachfrage v kann das Unternehmen befriedigen, wenn die Gesamtproduktion g durch g = 200 bei Auslastung 100 aller Maschinen vorgegeben ist? Welcher Rohstoffverbrauch r fällt dabei an? 90 (b) Durch eine Marktforschung wurde der Verkaufsvektor v = 54 ermittelt. Welche Gesamtproduktion g ist nötig, um 36 diese Nachfrage zu befriedigen? Mit welchem Rohstoffverbrauch r ist dabei zu rechnen? 200 (c) Nun ist die Rohstoffmenge r = 100 vorgegeben. Welche Gesamtproduktion g kann erzielt werden? Welche Nachfrage 200 v wird dabei befriedigt? Aufgabe In einer Population von Ameisen kann man Individuen mit drei verschiedenen Markmalen m 1, m 2 und m 3 unterscheiden. Die Wahrscheinlichkeit dafür, dass das Merkmal m i auf das Merkmal m j bei einem Fortpflanzungszyklus übergeht, bezeichnen wir mit p ij. Diese Zahlen sind in der Tabelle 1 gegeben. Diese Zahlen bilden eine sogenannte stochastische Matrix P = (p ij ) R 3 3.

3 Aufgaben zu Kapitel 16 3 Tabelle 1 Die Übergangswahrscheinlichkeiten der Merkmale m 1, m 2, m 3. m 1 m 2 m 3 m m m (a) Wie groß ist der Anteil der drei Merkmale nach einem Zyklus, wenn am Anfang Gleichverteilung vorliegt? (b) Welche Anfangsverteilung der drei Merkmale ändert sich nach einem Zyklus nicht? Aufgabe Für die Bewegungsgleichungen der beiden in der Abbildung skizzierten Massen m 1 und m 2 gilt ( ) m 1 ẍ 1 = (k 1 + k 2 )x 1 + k 2 x 2 m 2 ẍ 2 = k 2 x 1 (k 2 + k 3 )x 2 mit den Federkonstanten k 1,k 2,k 3 > 0. k 1 k 2 k 3 m 1 m 2 x 1 x 2 Abbildung Zwei Massen m 1 und m 2 sind mit Federn an einer Wand befestigt und miteinander mit einer weiteren Feder verbunden. Die Federkonstanten sind k 1, k 2 und k 3. Bestimmen Sie mit dem Ansatz z 1 (t) x 1 (t) z = z 2 (t) z 3 (t) = ẋ 1 (t) x 2 (t) z 4 (t) ẋ 2 (t) eine Matrix A mittels der sich das Differenzialgleichungssystem ( ) als Differenzialgleichungssystem ż = A z 1. Ordnung formulieren lässt.

4 4 Hinweise zu Kapitel 16 Hinweise zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Man prüfe dies an oberen und unteren 2 2-Matrizen nach und verallgemeinere die Beobachtung. Aufgabe 16.2 Man beachte den Determinantenmultiplikationssatz auf Seite 545. Aufgabe 16.3 Man beachte die Regeln in der Übersicht auf Seite 546. Aufgabe 16.4 Man beachte die Formel auf Seite 550. Aufgabe 16.5 Prüfen Sie, ob (AB) T = ABfür alle symmetrischen 2 2-Matrizen A und B gilt. Aufgabe 16.6 Prüfen Sie, ob für eine symmetrische Matrix A die Gleichung (A 1 ) T = (A T ) 1 gilt. Aufgabe 16.7 Beachte die Übersicht auf Seite 546. Aufgabe 16.8 Führen Sie Zeilenumformungen an der Matrix M durch. Rechenaufgaben Aufgabe 16.9 Berechnen Sie AB, AC, BA, CB, BD, DAund CC, DD. Aufgabe Führen Sie die Multiplikation durch und vergleichen Sie die Komponenten. Aufgabe Man verwende das auf Seite 524 beschriebene Verfahren. Aufgabe Das Gleichungssystem ist homogen, besteht nur aus einer Zeile und hat drei Unbekannte. Aufgabe Verwenden Sie den ab Seite 535 beschriebenen Algorithmus. Aufgabe Die Spalten bzw. Zeilen einer orthogonalen Matrix haben die Länge 1 und stehen senkrecht aufeinander. Aufgabe Verwenden Sie die Regeln in der Übersicht auf Seite 546. Aufgabe Unterscheiden Sie nach den Fällen n gerade und n ungerade. Anwendungsprobleme Aufgabe Man beachte die Anwendung auf Seite 527. Aufgabe Keine Veränderung der Verteilung heißt, dass nach einem Zyklus die Verteilung gleich ist. Machen Sie einen entsprechenden Ansatz. Aufgabe Beachten Sie die Methoden in der Anwendung auf Seite 520.

5 Lösungen zu Kapitel 16 5 Lösungen zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Ja. Aufgabe 16.2 Ja. Aufgabe 16.3 Ja. Aufgabe 16.4 Ja. Aufgabe 16.5 Nein. Aufgabe 16.6 Ja. Aufgabe 16.7 Ja. Aufgabe 16.8 Rechenaufgaben ( ) 4 11 Aufgabe 16.9 AB =, AC = 7 2 ( ) DA=, CC=, DD= ( ) , BA = ( ) Aufgabe A = 2 1 3, B = 0 2 2, C = , CB = 2 6, BD = 0 16, Aufgabe Die Matrizen A, B, C sind invertierbar, die Matrix D nicht. Es gilt A 1 = B 1 = 2 1 0, C 1 = Aufgabe x 1 + x 2 + x 3 = , Aufgabe ( ) 2/ A = 1/2 6/ /5 6/5 12/7 1 }{{} =:L ( 1/2 1/3 1/4 1/5 0 1/36 1/30 1/ /600 1/ /9 800 ) } {{ } =:R, 1 det A = /2 1/2 1/ 2 Aufgabe A = 1/2 1/2 1/ 2 1/ 2 1/. 2 0 Aufgabe det A = 21, det B = 0. Aufgabe det A = ( 1) n(n 1) 2 d 1 d 2...d n.

6 6 Lösungen zu Kapitel 16 Anwendungsprobleme Aufgabe (a) v = 18, r = 231 ; (b) g = 570, r = 486 ; (c) g = Aufgabe (a) 15 : 8 : 7. (b) 28 : 10 : Aufgabe A = m 1 (k 1 + k 2 ) 0 m 1 k R m 2 k 2 0 m 1 2 (k 2 + k 3 )

7 Lösungswege zu Kapitel 16 7 Lösungswege zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Die Aussage stimmt. Wir betrachten zwei Matrizen A, B K n n. Sind beide Matrizen obere Dreiecksmatrizen, so haben der i-te Zeilenvektor z i von A und der j-te Spaltenvektor s j von A die Gestalt b j1.. z i = (0,..., 0, a ii,..., a in ) und s j = b jj 0.. b jn Also gilt für i>jdie Gleichung z i s j = 0, und damit hat die Matrix ABunterhalb der Diagonalen, d. h. an den Stellen (i, j) mit i>j, nur Nullen als Komponenten, da an diesen Stellen die Produkte von z i mit s j stehen. Für untere Dreiecksmatrizen schließt man analog. Aufgabe 16.2 Die Aussage stimmt. Mit dem Determinantenmultiplikationssatz auf Seite 545 gilt nämlich det(ab) = det A det B = det B det A = det(ba). Aufgabe 16.3 Ja, denn mit den Regeln auf Seite 546 gilt sodass also det A = det A, d.h.deta = 0 gilt. Aufgabe 16.4 Die Aussage stimmt. Es gilt nämlich: det A = det( A T ) = ( 1) n det A = det A, ad(ab) = (AB) 1 det(ab) = B 1 A 1 det A det B = det BB 1 det AA 1 = ad(b) ad(a) Aufgabe 16.5 Die Aussage ist falsch. Das Produkt AB der symmetrischen Matrizen A = ( ) 1 2 und B = 2 0 ist nämlich nicht symmetrisch. Aufgabe 16.6 Weil die Einheitsmatrix symmetrisch ist, gilt für jede invertierbare Matrix A K n n also A T (A 1 ) T = E n, sodass (A T ) 1 = (A 1 ) T gilt. Ist A zudem symmetrisch, gilt also A T = A, so folgt also (A 1 A) T = E T n = E n, (A 1 ) T = (A T ) 1 = A 1. ( ) Also ist A 1 wieder symmetrisch. Aufgabe 16.7 Weil A invertierbar ist, gilt det A 0. Aus det A = det A T folgt det A T 0. Dies wiederum besagt, dass A T invertierbar ist, also ist die Aussage richtig. Aufgabe 16.8 Durch Zeilenumformungen an M macht man A zu einer oberen Dreiecksmatrix A. Dabei bleibt B unverändert, und aus C wird dabei C. Ist k die Anzahl der dabei ausgeführten Zeilenvertauschungen, so gilt det A = ( 1) k det A. Nun mache man B durch Zeilenumformungen an M zu einer oberen Dreiecksmatrix B. Dabei bleiben A und C unverändert. Ist l die Anzahl der dabei ausgeführten Zeilenvertauschungen, so gilt det B = ( 1) l det B.

8 8 Lösungswege zu Kapitel 16 Damit haben wir nun insgesamt eine obere Dreiecksmatrix ( ) M A C = K n n 0 B konstruiert. Nach den Regeln in der Übersicht auf Seite 546 gilt det M = det A det B. Wegen det M = ( 1) k+l det M folgt die Behauptung. Rechenaufgaben Aufgabe 16.9 Zwei Matrizen sind nur dann miteinander multiplizierbar, wenn der erste ( Faktor ) des Produktes ( so viele ) Spalten wie der zweite Faktor Zeilen hat. Damit erhalten wir die folgenden Produkte: AB=, AC=, ( ) ( ) BA= , CB= 2 6, BD= , DA=, CC= , DD= Aufgabe Wir führen die Multiplikation der Matrix A mit B durch und erhalten die Gleichung: 2 a 11 a 11 b b b a 11 2 a 21 a 21 b 12 + b b a 21 2 a 31 a 31 b 12 b 22 2 b a c 13 = 4 3 c c 33 Zwei Matrizen sind genau dann gleich, wenn sie gleich viele Zeilen und Spalten haben und komponentenweise übereinstimmen. Da beide Matrizen gleich viele Zeilen und Spalten haben, führen wir nun einen Vergleich der Komponenten durch. Dies sind neun Gleichungen: 2 a 11 = 2 2 a 21 = 4 2 a 31 = 0 a 11 b b b 32 = 3 a 21 b 12 + b b 32 = 3 a 31 b 12 b 22 2 b 32 = a 11 = c a 21 = c a 31 = c 33 Aus diesem (nicht-linearen) Gleichungssystem erhalten wir der Reihe nach a 11 = 1, a 21 = 2, a 31 = 0 und hieraus, indem wir diese Werte in die rechten drei Gleichungen einsetzen, c 13 = 11, c 23 = 10, c 33 = 6. Nun setzen wir diese sechs bekannten Werte in die mittleren drei Gleichungen ein und erhalten das lineare Gleichungssystem b b b 32 = 3 2 b 12 +b b 32 = 3 b 22 2 b 32 = 0 mit der eindeutig bestimmten Lösung b 12 = 2, b 22 = 2, b 32 = Also gilt A = 2 1 3, B = 0 2 2, C =

9 Lösungswege zu Kapitel 16 9 Aufgabe Wir wenden das Verfahren an, das auf Seite 524 beschrieben wurde. Für die Matrix A erhalten wir: Es ist also A invertierbar und A 1 = Für die Matrix B erhalten wir: Also ist B invertierbar und B 1 =

10 10 Lösungswege zu Kapitel 16 Bei der Matrix C gehen wir analog vor: Es ist also C invertierbar und C 1 = Bei der Matrix D wird das Verfahren abbrechen. Denn die Summe der ersten drei Zeilen ergibt die vierte Zeile. Also sind die Zeilen linear abhängig, sodass beim Anwenden von elementaren Zeilenumformungen eine Nullzeile entstehen wird. Wir führen das Verfahren dennoch durch: Es ist also D nicht invertierbar, da rg D = 3 gilt. Aufgabe Das gesuchte lineare Gleichungssystem muss homogen sein, da der Nullvektor eine Lösung ist. Weil die Dimension des Lösungsraumes 2 ist und die Lösungen im R 3 liegen, muss die Koeffizientenmatrix des Gleichungssystems den Rang 1 (= 3 2) und drei Spalten haben. Also können wir für das gesuchte Gleichungssystem annehmen, dass es von der folgenden Form ist: a 1 x 1 + a 2 x 2 + a 3 x 3 = 0. a 1 Die Homogenität des Gleichungssystems besagt, dass alle Lösungen senkrecht auf dem Vektor a = a 2 R 3 stehen. Dies a 3 liefert, wenn wir die zwei linear unabhängigen, erzeugenden Vektoren des Lösungsraumes L betrachten, die Bedingungen: Also können wir a 1 = a 2 = a 3 = 1 wählen. Damit ist also ein lineares Gleichungssystem, das L als Lösungsmenge hat. a 1 a 3 = 0 a 2 a 3 = 0 x 1 + x 2 + x 3 = 0

11 Lösungswege zu Kapitel Aufgabe Zunächst berechnen wir eine LR-Zerlegung von A. Dabei tragen wir die Eliminationsfaktoren m ij anstelle der Nullen an den entsprechenden Stellen ein: Somit besitzt A die LR-Zerlegung: 1/2 1/3 1/4 1/5 1/3 1/4 1/5 1/6 1/4 1/5 1/6 1/7 1/5 1/6 1/7 1/8 }{{} =A 1/2 1/3 1/4 1/5 2/3 1/36 1/30 1/30 1/2 1/30 1/24 3/70 2/5 1/30 3/70 9/200 1/2 1/3 1/4 1/5 2/ /2 6/5 1/600 1/350 2/5 6/5 1/350 1/200 1/2 1/3 1/4 1/5 2/3 1/36 1/30 1/30 1/2 6/5 1/600 1/350 2/5 6/5 12/7 1/9 800 ( ) 2/ A = 1/2 6/ /5 6/5 12/7 1 }{{} =:L ( 1/2 1/3 1/4 1/5 0 1/36 1/30 1/ /600 1/ /9 800 ) } {{ } =:R Für die Determinante det A gilt wegen des Determinantenmultiplikationssatzes det A = det L det R = det R = Aufgabe Wir bezeichnen die gesuchten Elemente: 1/2 a 1/ 2 A = 1/2 1/2 b c 1/ 2 d und nehmen nun an, dass die Matrix A orthogonal ist. Weil die Zeilen einer orthogonalen Matrix normiert sind, gelten für a und b: /4 + a 2 + 1/2 = 1 a =±1/2 1/4 + 1/4 + b 2 = 1 b =±1/ 2 Nehmen wir an, dass a = 1/2 gilt. Dann folgt ein Widerspruch zur Orthogonalität der Matrix A, weil das Skalarprodukt zwischen erster und zweiter Zeile den Wert Null ergeben muss: 1/4 1/4 + 1/ 2 b 0 Also ist a = 1/2. Damit folgt für b mittels des Skalarproduktes der ersten beiden Zeilen, 1/4 + 1/4 + 1/ 2 b = 0, sogleich b = 1/ 2. Nun kommen wir zu c. Weil die erste Spalte die Länge 1 haben muss, gilt 1/4 + 1/4 + c 2 = 1 c =±1/ 2.

12 12 Lösungswege zu Kapitel 16 Wir nehmen an, dass c = 1/ 2 gilt. Dann folgt durch Bildung des Skalarproduktes der ersten beiden Spalten ein Widerspruch zur Orthogonalität der Matrix A: 1/4 1/4 1/2 0 Also ist c = 1/ 2. Um schließlich d zu ermitteln, nutzen wir aus, dass die dritte Zeile die Länge 1 haben muss: Hieran erkennen wir, dass d = 0 gelten muss. Nun haben wir alle Komponenten der Matrix A bestimmt: 1/2 + 1/2 + d 2 = 1 1/2 1/2 1/ 2 A = 1/2 1/2 1/ 2 1/ 2 1/ 2 0 Jetzt ist noch nachzuprüfen, dass die Matrix tatsächlich orthogonal ist. In der Tat gilt für das Produkt A T A: 1/2 1/2 1/ 2 1/2 1/2 1/ 1/2 1/2 1/ 2 2 1/ 2 1/ 1/2 1/2 1/ / 2 1/ 2 0 = E 3 Aufgabe Da A eine Blockdreiecksmatrix (siehe Aufgabe 9) ist, ergibt sich det A = = = ( )( ) = ( 3)( 7) = 21. Da B zwei identische Zeilen (z. B. die erste und die letzte Zeile) hat, ist det B = 0. Aufgabe Zunächst sei n = 2 m gerade. Durch die m Zeilenvertauschungen 1 n,2 n 1,...,m m + 1 entsteht aus d 1. d 2 ( ) 0. d n... die Matrix d n d2, d 1 ( ) deren Determinante d 1 d 2 d n ist. Also gilt: d 1. d 2 = ( 1) m d 1 d 2...d n 0. d n... = ( 1) m(2 m 1) d 1 d 2...d n = ( 1) n(n 1) 2 d 1 d 2...d n

13 Lösungswege zu Kapitel Als nächstes sei n = 2 m + 1 ungerade. In diesem Fall ergibt sich die Matrix ( ) aus ( ) durch die m Zeilenvertauschungen 1 n,2 n 1,...,m m + 2, und es folgt genauso: d 1. d 2 = ( 1) m d 1 d 2...d n 0. d n... = ( 1) m(2 m+1) d 1 d 2...d n = ( 1) (n 1)n 2 d 1 d 2...d n Anwendungsprobleme Aufgabe Wir verwenden die Bezeichnungen von Seite (a) Wegen E 3 P = erhält man für v: v = (E 3 P) g = = Für den Rohstoffvektor erhält man r = R g = = (b) Wegen (E 3 P) 1 = 1 18 Dabei ergibt sich der Rohstoffvektor erhält man für g g = (E n P) 1 v = = r = R (E n P) 1 v = = = (c) Für den Vektor g, der die Gesamtproduktion darstellt gilt g = R 1 r. Das Inverse zu R ist die Matrix R 1 =

14 14 Lösungswege zu Kapitel 16 Damit erhalten wir für den gesuchten Vektor g g = R 1 r = = Damit ergibt sich für den zugehörigen Verkaufsvektor v = (E n P) R 1 r v = Aufgabe (a) Wegen der Gleichverteilung ist der Anfangszustand a 1 1/3 a 2 = 1/3. a 3 1/3 Damit erhalten wir nach einem Fortpflanzungszyklus die Verteilung: / /3 = 1/ /3 0.7 a 1 (b) Dass sich die Anfangsverteilung a = a 2 nicht ändert, bedeutet a 3 P a = a. Diese Bedingung liefert ein Gleichungssystem für die Zahlen a 1,a 2,a 3 : a 1 a a 2 = a a 3 a 3 Wir geben die erweiterte Koeffizientenmatrix an: Das Eliminationsverfahren von Gauß liefert die Lösungsmenge 28 L = λ λ R. Damit ist also 28 : 10 : 11 die gesuchte Verteilung. Aufgabe Wir setzen z 1 (t) x 1 (t) z = z 2 (t) z 3 (t) = ẋ 1 (t) x 2 (t) z 4 (t) ẋ 2 (t) und erhalten durch komponentenweises Differenzieren: ż 1 (t) ẋ 1 (t) z 2 (t) ż = ż 2 (t) ż 3 (t) = ẍ 1 (t) ẋ 2 (t) = m 1 1 (k 1 + k 2 )x 1 + m 1 1 k 2 x 2 z 4 (t) ż 4 (t) ẍ 2 (t) 1 m 2 k 2 x 1 m 1 2 (k 2 + k 3 )x 2

15 Lösungswege zu Kapitel Damit erfüllt die Matrix die Eigenschaft A = m 1 (k 1 + k 2 ) 0 m 1 k R4 4 1 m 2 k 2 0 m 1 2 (k 2 + k 3 ) 0 ż = A z.

Aufgaben zu Kapitel 14

Aufgaben 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

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

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

Mehr

9.2 Invertierbare Matrizen

9.2 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

Mehr

Serie 10: Inverse Matrix und Determinante

Serie 10: Inverse Matrix und Determinante D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die

Mehr

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Spezialfall: 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

Mehr

1 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 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

Mehr

5.1 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

5.1 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

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 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

Mehr

Kapitel 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 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

Mehr

6. Übungsblatt zur Mathematik I für Maschinenbau

6. Übungsblatt zur Mathematik I für Maschinenbau Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 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

Mehr

2.2 Kern und Bild; Basiswechsel

2.2 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

Mehr

4.4. Rang und Inversion einer Matrix

4.4. 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

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung 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:

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben

Mehr

Mathematik II Frühjahrssemester 2013

Mathematik 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

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

Lineare Algebra. Teil III. Inhaltsangabe Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24

Mehr

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

Mehr

Quadratische Matrizen Inverse und Determinante

Quadratische Matrizen Inverse und Determinante Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen

Mehr

Lineare Algebra I Klausur. Klausur - Musterlösung

Lineare Algebra I Klausur. Klausur - Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.

Mehr

Mathematik 1, Teil B. Inhalt:

Mathematik 1, Teil B. Inhalt: FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium Mathematik II, M Lösungen Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +

Mehr

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

Lineare 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 +...

Mehr

Vektorräume und Rang einer Matrix

Vektorräume 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

Mehr

7 Lineare Gleichungssysteme

7 Lineare Gleichungssysteme 118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,

Mehr

Kapitel 17. Determinanten

Kapitel 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

Mehr

Kap 5: Rang, Koordinatentransformationen

Kap 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

Mehr

Lösung (die Geraden laufen parallel) oder unendlich viele Lösungen.

Lösung (die Geraden laufen parallel) oder unendlich viele Lösungen. 1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer. Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen

Mehr

Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1

Prof. 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

Der Rang einer Matrix A. Beispiel

Der Rang einer Matrix A. Beispiel Der Rang einer Matrix A ist gleich Anzahl der Zeilen ungleich 0, nachdem die Matrix durch elementare Zeilenoperationen in Zeilenstufenform gebracht worden ist. Bezeichnung: ranga oder rga. Beispiel A =

Mehr

A2.3 Lineare Gleichungssysteme

A2.3 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

Mehr

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )

Mehr

WS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch

WS 2010/ Januar Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch Mathematisches Institut der Universität München Prof. Dr. Rudolf Fritsch WS 2010/2011 14. Januar 2011 Geometrie mit Übungen Übungsblatt 9, Musterlösungen Aufgabe 33. Es werden Kreise in der Euklidischen

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung 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

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 Roger Burkhardt roger.burkhardt@fhnw.ch

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Matrizen und Determinanten

Matrizen und Determinanten Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von

Mehr

Corinne Schenka Vorkurs Mathematik WiSe 2012/13

Corinne Schenka Vorkurs Mathematik WiSe 2012/13 4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:

Mehr

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs 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

Mehr

Lösungen zum 5. Aufgabenblatt

Lösungen zum 5. Aufgabenblatt SS 2012, Lineare Algebra 1 Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008 KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch

Mehr

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11 Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)

Mehr

Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung

Gliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,

Mehr

1 Rechnen mit 2 2 Matrizen

1 Rechnen mit 2 2 Matrizen 1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12

Mehr

Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:

Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben: Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

Aufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra

Aufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra Aufgabensammlung zur Vorlesung Höhere Mathematik für Wirtschaftswissenschaftler Algebra Freiberg, den 3 November 0 Inhaltsverzeichnis Kapitel Lineare Algebra 5 Operationen mit Matrizen 5 Lineare Gleichungssysteme

Mehr

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema

Mehr

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

3 Matrizen und Determinanten

3 Matrizen und Determinanten 31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel

Mehr

Brückenkurs Elementarmathematik

Brückenkurs Elementarmathematik Brückenkurs Elementarmathematik IV. Ungleichungen November 13, 2013 Inhalt 1 Ungleichungen 2 Umformungen von Ungleichungen 2.1 Äquivalenzumformungen 2.2 Addition und Multiplikation von Ungleichungen 3

Mehr

Lineare Gleichungssysteme

Lineare 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

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?

Prüfung 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

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

Homogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2

Homogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2 1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine

Mehr

Vektorgeometrie Layout: Tibor Stolz

Vektorgeometrie Layout: Tibor Stolz Hanspeter Horlacher Vektorgeometrie Layout: Tibor Stolz 1. Einführung Eine Grösse, zu deren Festlegung ausser einer Zahl auch noch die Angabe einer Richtung nötig ist, heisst VEKTOR. P 2 P 1 P 1 P 2 P

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare

Mehr

5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix

5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix 5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix Jörn Loviscach Versionsstand: 20. März 2012, 16:02 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

Mathematische Formeln für Wirtschaftswissenschaftler

Mathematische Formeln für Wirtschaftswissenschaftler Mathematische Formeln für Wirtschaftswissenschaftler Fred Böker Institut für Statistik und Ökonometrie Georg-August-Universität Göttingen Platz der Göttinger Sieben 5 D-37073 Göttingen Tel 0551-394604

Mehr

Mathematik Matrizenrechnung

Mathematik Matrizenrechnung Mathematik Matrizenrechnung Einstufige Prozesse Rechenregeln für Matrizen Mehrstufige Prozesse Inverse Matrix Stochastische Prozesse 6 Zyklisches Verhalten Einstufige Prozesse Einstufige Prozesse Zur Beschreibung

Mehr

Basiswissen Analytische Geometrie

Basiswissen Analytische Geometrie www.matheabitur.de Basiswissen Analytische Geometrie Alle Grundlagen und Rechentechniken der analytischen Geometrie S. und deren beschreibende Verfahren Wissenskatalog der Grundlagen. Lösen einfacher linearer

Mehr

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit

Mehr

Vorkurs: Mathematik für Informatiker

Vorkurs: Mathematik für Informatiker Vorkurs: Mathematik für Informatiker Lösungen Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Kapitel I: Mengen Aufgabe

Mehr

y x x y ( 2x 3y + z x + z

y x x y ( 2x 3y + z x + z Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie

Mehr

Matrizen. Aufgabe 1. Sei f R 2 R 3 definiert durch. x y x Berechnen Sie die Matrix Darstellung von f. Lösung von Aufgabe 1.

Matrizen. Aufgabe 1. Sei f R 2 R 3 definiert durch. x y x Berechnen Sie die Matrix Darstellung von f. Lösung von Aufgabe 1. Matrizen Aufgabe Sei f R R 3 definiert durch ( x 3y x f x + y y x Berechnen Sie die Matrix Darstellung von f Lösung von Aufgabe ( f ( f 3 Die Matrix Darstellung von f ist somit A 3 Aufgabe Eine lineare

Mehr

entspricht der Länge des Vektorpfeils. Im R 2 : x =

entspricht der Länge des Vektorpfeils. Im R 2 : x = Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

2 Euklidische Vektorräume

2 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,

Mehr

Basistext Lineare Gleichungssysteme. Eine lineare Gleichung mit einer Unbekannten hat die allgemeine Form! #=%

Basistext Lineare Gleichungssysteme. Eine lineare Gleichung mit einer Unbekannten hat die allgemeine Form! #=% Basistext Lineare Gleichungssysteme Eine lineare Gleichung mit einer Unbekannten hat die allgemeine Form! #=% Mit zwei Unbekannten gibt es die allgemeine Form:! #+% '=( Gelten mehrere dieser Gleichungen

Mehr

Mathematik II für Bauwesen. Ivan Izmestiev

Mathematik II für Bauwesen. Ivan Izmestiev Mathematik II für Bauwesen Ivan Izmestiev TU Darmstadt, SS 01 Inhaltsverzeichnis 1 Lineare Algebra 1 1 Lineare Gleichungssysteme und Matrizen............. 1 1.1 Matrizen........................... 1 1.

Mehr

Gilt jedoch. det A = 0, so besagt dies:

Gilt jedoch. det A = 0, so besagt dies: 3 eterminanten 3 efinition - Bedeutung - Anwendung urch eine spezielle Rechenvorschrift lassen sich jeder quadratischen Matrix A reelle Zahlenwerte zuordnen Man bezeichnet den Zahlenwert, der einer quadratischen

Mehr

Kapitel 12. Lineare Abbildungen und Matrizen

Kapitel 12. Lineare Abbildungen und Matrizen Kapitel 12 Lineare Abbildungen und Matrizen Lineare Abbildungen f : R n R m Wir wissen schon: Eine lineare Abbildung f : R n R m ist eindeutig durch ein n-tupel von Vektoren v 1, v 2,, v n des R m bestimmt

Mehr

8. Übungsblatt zur Mathematik I für Maschinenbau

8. Übungsblatt zur Mathematik I für Maschinenbau Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 8. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS / 6..-.. Aufgabe G (Matrixinversion mit Gauß-Algorithmus

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

4. Vektorräume und Gleichungssysteme

4. Vektorräume und Gleichungssysteme technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

3.11 Volumen und Determinanten

3.11 Volumen und Determinanten Im Wintersemester 2012/13 wurde in der Vorlesung Höhere Mathematik 1 für Ingenieurstudiengänge die Behandlung der Determinante neu gefasst: 311 Volumen und Determinanten 3111 Berechnung von Flächeninhalten

Mehr

) in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a 1. b 2. ) und b = ( b 1

) in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a 1. b 2. ) und b = ( b 1 45 Determinanten Die orientierte Fläche eines von zwei Vektoren a ( a, a und b ( b, b in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a b a b Bis auf das Vorzeichen ist dies der

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen

Mehr

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung

4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung 4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

Mehr