Mathematik 1 für Studierende der Biologie Teil IV: Lineare Algebra
|
|
- Klaus Schwarz
- vor 6 Jahren
- Abrufe
Transkript
1 Mathematik 1 für Studierende der Biologie Teil IV: Lineare Algebra Christian Leibold 17. November 2014 Lineare Gleichungen und Matrizen Zwei-Dimensionale Lineare Gleichungssysteme Matrizen Determinanten Inverse Matrix Einführung in die Lineare Algebra Vektorräume Lineare Abbildungen Eigenvektoren
2 Zwei-Dimensionale Lineare Gleichungssysteme Bisher haben wir nur Probleme mit einer Unbekannten x untersucht. In vielen Fällen sind aber mehr als eine Größe zu bestimmen. Beispiel: Bestimmung einer Geraden durch zwei Punkte. Gegeben seien zwei Punkte (x 1, y 1 ) und (x 2, y 2 ). Wie lautet die Gleichung der Gerade y = a 1 x + a 2, die durch beide Punkte verläuft? Diese Frage läßt dich in die beiden folgenden Gleichungen übersetzen: y 1 = x 1 a 1 + a 2, y 2 = x 2 a 1 + a 2. Die beiden Zahlen a 1 und a 2 sind die zu bestimmenden Unbekannten, die Koordinaten x, y der Punkte sind die bekannten Koeffizienten des Gleichungssystems. Allgemeine Formulierung: Allgemein schreiben wir ein Gleichungsystem mit zwei Unbekannten x 1 und x 2 wie folgt: x 1 m 11 + x 2 m 12 = b 1 x 1 m 21 + x 2 m 22 = b 2 Die Koeffizienten m?? und b? sind dabei zunächst reelle Zahlen. Dieses lineare Gleichungssystem läßt sich folgendermaßen lösen. Wir nehmen an, dass einer der Koeffizienten m 11 oder m 21 von Null verschieden ist. Im anderen Fall ist das System sowieso nur 1-dimensional. Ohne Beschränkung der Allgemeinheit können wir die beiden Gleichungen so anordnen, dass m 11 = 0 ist und damit die erste Gleichung durch m 11 geteilt werden kann. Damit erhält man x 1 = b 1 m 12 x 2 m 11 m 11
3 Nach Einsetzen in die zweite Gleichung erhält man m 11 b 2 m 21 b 1 = x 2 (m 11 m 22 m 12 m 21 ) det. Der letzte Term (det) heißt Determinante, weil er bestimmt, ob die Gleichung lösbar ist oder nicht: Ist die Determinante von Null verschieden (det = 0) lautet die Lösung x 1 = m 22 b 1 m 12 b 2 det x 2 = m 11 b 2 m 21 b 1 det und diese Lösung ist eindeutig. Das heißt, es gibt keine andere Lösung des Gleichungssystems. Andererseits, falls die Determinante verschwindet (det=0), gibt es keine Lösung, wenn entweder der Zähler m 22 b 1 m 12 b 2 = 0 oder der Zähler m 11 b 2 m 21 b 1 = 0. Die Gleichung hat hingegen unendlich viele Lösungen, falls beide der Zähler verschwinden. In letzterem Fall ist jeder Punkt auf der Geraden eine Lösung. x 1 = b 1 m 11 x 2 m 12 m 11
4 Matrizen Lineare Gleichungssysteme können allerdings auch mehr als zwei Unbekannte enthalten. Um mit derartigen Glsys. bequemer umgehen zu können, führen wir eine Kurzschreibweise mittels Matrizen ein. Definition (Matrix) Seien m ij IR, mit 1 i m und 1 j n. Die Darstellung M = m m 1n.. m m1... m mn heißt reelle m n-matrix. Die Zahl (M) ij = m ij bezeichnet man als das Matrixelement der i-ten Zeile und j-ten Spalte. Definition (Vektor, IR n ) Die Menge aller reellen n 1 Matrizen heißt IR n. Ihre Elemente werden (Spalten-)vektoren bezeichnet. Elemente des IR n sind somit n-tupel reeller Zahlen x = Diese können elementweise addiert, subtrahiert und mit einer Konstanten multipliziert werden. Das heißt, mit a IR und x,y IR n ist auch x + a y IR n. x 1 x 2. x n
5 Definition (Matrixmultiplikation) Sei A eine reelle m n-matrix und B eine reelle n k-matrix. Als Matrixprodukt definiert man die m k-matrix n n (A) 1i (B) i1... (A) 1i (B) ik C = A B =.. n n (A) mi (B) i1... (A) mi (B) ik Die Anzahl n der Summanden bezeichnet man als innere Dimension der Multiplikation. Mittels Matrixmultiplikation erhält man eine einfachere Notation eines Lineares Gleichungssystems Sei A eine reelle m n- Matrix, b IR m und x IR n. Dann heißt das Gleichungssystem A x = b linear und von Dimension n (Anzahl der Unbekannten). Eine lin. Glsys. heißt homogen, wenn b = 0. Es heißt inhomogen, wenn b = 0.
6 Ehe wir uns weiter um die Lösung derartiger linearer Glsys. bemühen, wollen wir uns zunächst näher mit Matrizen, insbesondere dem Rechnen mit Matrizen auseinandersetzen. Die elementweise Addition der Matrixelemente definiert die Summe (bzw. Differenz) zweier Matrizen M = M 1 ± M 2. Die elementweise Skalarmultiplikation mit einer reellen Zahl k definiert eine Skalarmultiplikation der Matrizen k M. Eine weitere wichtige Matrixmanipulation ist die Transposition. Definition (transponierte Matrix) Sei A eine m n-matrix. Die transponierte Matrix A T ist eine n m-matrix, die aus A durch das Vertauschen von Zeilen mit Spalten hervorgeht, d.h., (A) ij = (A T ) ji Eine spezielle Matrixmultiplikation ist das Skalarprodukt. Definition (Skalarprodukt, Spaltenvektoren) Seien u,v IR n. Der Ausdruck u v = u 1 v u n v n = n u i v i IR heißt Skalarprodukt. Man kann das Skalarprodukt auch mittels der Transposition wie folgt schreiben: u v = u T v
7 Bemerkungen: 1) Das Skalarprodukt erlaubt die Berechnung der euklidischen Norm eines Vektors b = b b 2) Das Skalarprodukt erlaubt die Berechnung des Winkels α zwischen Vektoren a b cos α = a b 3) Das Skalarprodukt erlaubt die Feststellung der Orthogonalität: Zwei Vektoren sind orthogonal, wenn ihr Skalarprodukt verschwindet, a b = 0. Für Vektoren in IR 3 existiert das Kreuzprodukt Definition (Kreuzprodukt) Sei u,v IR 3. Der Ausdruck heißt Kreuzprodukt. u v = u 2 v 3 u 3 v 2 u 3 v 1 u 1 v 3 u 1 v 2 u 2 v 1 Die Länge des Kreuzprodukts u v bemißt den Flächeninhalt des von den Vektoren u und v aufgespannten Parallelograms. Der Ausdruck w (u v) heißt Spatprodukt und bemißt das Volumen des von den drei Vektoren aufgespannten Parallelepipeds.
8 Allgemein gelten folgende Matrix-Rechenregel i) A (B C) = (A B) C (Assoziativität) ii) (A + B) C = A C + B C, bzw. A (B + C) = A B + A C (Distributivität) iii) (A B) T = B T A T iv) x (Ay) = (A T x) y v) 1l A = A 1l = A Folgende Matrizen sollte man schon einmal gesehen und in ihrer Wirkung verstanden haben, da sie immer wieder auftreten und eine ganz spezielle (und speziell einfache) geometrische Deutung haben. Spezielle Matrizen Die Matrix l = heißt Einheitsmatrix. damit gilt A = 1lA = A 1l. Eine Matrix d d 2 0 diag(d1,..., d n ) = d n heißt Diagonalmatrix.
9 Die Matrix D 2 cos(α) (α) = sin(α) sin(α) cos(α) heißt 2-dimensionale Drehmatrix. Die Matrix cos(α) sin(α) 0 Dz 3 (α) = sin(α) cos(α) beschreibt eine Drehung um die z-achse in 3 Dimensionen. Die Matrizen cos(α) 0 sin(α) Dx 3 (α) = 0 cos(α) sin(α) Dy 3 (α) = sin(α) cos(α) sin(α) 0 cos(α) beschreiben Drehungen um die x- bzw. y-achse in 3 Dimensionen. Determinanten Die Determinante wurde bisher nur für 2 2-Matrizen definiert. Ein wesentliches Element zur Verallgemeinerung der Determinante auf beliebig große quadratische Matrizen ist die Permutation. Eine Permutation ist eine bijektive Abbildung der natürlichen Zahlen von 1 bis n auf sich selbst, d.h., jede Zahl darf nur einmal angenommen werden. Beispiel: Die Abbildung ist eine Permutation, wohingegen keine ist. (1, 2, 3, 4) (3, 2, 4, 1) (1, 2, 3, 4) (3, 3, 1, 2)
10 Jede Permutation σ hat ein Vorzeichen (sgn(σ) = ±1). Es bemisst wieoft zwei benachbarte Zahlen vertauscht werden müssen, bis die ursprüngliche Reihenfolge wiederhergestellt ist. Beispiel: (1, 2, 3, 4) (3, 2, 4, 1) ist eine gerade Permutation (sgn = +1): Die 1 nach vorne zu bringen braucht drei Vertauschungen, danach muss nur noch die 3 und die 2 vertauscht werden. (1, 2, 3, 4) (1, 2, 4, 3) ist eine ungerade Permutation (sgn = 1), weil nur eine Vertauschung von 3 und 4 nötig ist. Dies führt auf die allgemeine Definition nach Leibniz (Determinante) Sei A eine reelle n n-matrix und P n die Menge aller Permutationen σ : {1,..., n} {1,..., n}. Als Determinante von A bezeichnet man dann det(a) = n sgn(σ) (A) iσ(i). σ P n Geometrische Interpretation: Für n = 3 gilt a ( b c) = det(a, b,c) Damit können Determinanten als Volumina der von den Spaltenvektoren aufgespannten Parallelepipede interpretiert werden.
11 Bemerkungen: Die Determinante ist somit eine Summe von Produkten. Jedes dieser Produkte besteht aus n Faktoren, die allesamt Matrixelemente sind. In jedem dieser Produkt tritt jeder Zeilenindex, sowie jeder Spaltenindex genau einmal auf. Klammert man in jedem Summanden den Faktor der k-ten Zeile aus, so erhält man: det(a) = sgn(σ) (A) kσ(k) σ P n = n (A) kl ( 1) k+l l=1 i=k (A) iσ(i) σ P n 1 sgn(σ) i=k (A) iσ(i) wobei der Faktor ( 1) k+l den Beitrag zum Signum der Permutation beschreibt, den man durch das Herausnehmen des Indexes l in sgn(σ) verliert. Da diese Überlegung für beliebige Zeilen und Spalten gilt, führt diese auf eine alternative Definition der Determinante, die für die Praxis zur Berechnung der Determinante nützlicher ist: der Laplacesche Entwicklungssatz. Laplacescher Entwicklungssatz: Sei A eine reelle n n-matrix. Für jedes k mit 1 k n gilt det(a) = n (A) ki ( 1) k+i Minor(A) ki = n (A) ik ( 1) k+i Minor(A) ik wobei Minor(A) ki die Determinante der Matrix bezeichnet, die man aus A durch streichen der k-ten Zeile und i-ten Spalte erhält. Diese Definition ist somit rekursiv. Die erste Summe der Definition wird als Entwicklung nach der k-ten Zeile bezeichnet, die zweite Summe als Entwicklung nach der k-ten Spalte.
12 Aus der Definition ergeben sich folgende Rechenregeln (Determinanten) i) Die Determinante einer Matrix A verschwindet (det A = 0), wenn eine Zeile oder eine Spalte nur aus Nullen besteht. ii) Für eine Matrix A, die aus einer Matrix A durch Vertauschen zweier Zeilen oder zweier Spalten hervorgeht, gilt det(a ) = det(a). iii) Die Determinante einer Matrix A verschwindet (det A = 0), wenn zwei Zeilen oder zwei Spalten identisch sind. iv) Die Determinante einer Matrix A verschwindet (det A = 0), wenn eine Spalte (oder Zeile) aus einer Linearkombination anderer Spalten (bzw. Zeilen) hervorgeht. v) Sei A eine n n-matrix, dann gilt: det(a T ) = det(a). vi) Sei k IR und A eine n n-matrix, dann gilt det(k A) = k n det(a). vii) det(ab) = det(b) det(a) = det(ba). (Diese Eigenschaft kann im Rahmen des Skripts nicht bewiesen werden). Inverse Matrix Eine einfache Art die Lösung eines linearen Glsys. aufzuschreiben ist mittels der inversen Matrix. Definition (inverse Matrix) Sei A eine n n-matrix. Existiert eine Matrix A 1 mit 1l = A A 1 = A 1 A dann heißt A 1 die zu A inverse Matrix. Damit gilt für ein lin. Glsys. A x = b mit einer invertierbaren Matrix A: x = A 1 A x = A 1 b.
13 Konstruktion der inversen Matrix Sei A eine n n-matrix. Wenn det(a) = 0, so existiert die inverse Matrix und lautet A 1 = adj(a) (det A) 1 wobei die zur Matrix A adjunkte Matrix adj(a) die folgenden Matrix-Elemente besitzt: adj(a) ij = ( 1) i+j Minor(A) ji Beweis: Nach dem Laplace schen Entwicklungssatz sind alle Diagonalelemente der Matrix X = A adj(a) identisch und gleich det(a). Für die Ausserdiagonal-Elemente entspricht der Ausdruck X kk = n (A) ki ( 1) k+i Minor(A) k i der Determinante einer Matrix, die aus A entsteht in dem man die k -te Zeile durch die k-te Zeile ersetzt. Die k-te Zeile tritt somit zweimal auf und demnach ist X kk = 0. q.e.d.
14 Eine einfache Merkregel für die Lösung eines n n-gleichungs systems folgt aus dem Laplace schen-entwicklungssatz x i = (det A) 1 n ( 1) i+j Minor(A) ji b j. j=1 Die Summe auf der rechten Seite kann wiederum als Determinante interpretiert werden (Entwicklung nach der i-ten Spalte): die zugehörige Matrix erhält man aus A, indem die i-ten Spalte durch den Vektor b ersetzt wird. Damit folgt unmittelbar die Cramersche Regel. Cramersche Regel Sei A eine n n-matrix. Das lin. Glsys. Ax = b hat folgende Lösungseigenschaften: Gilt det A = 0, so berechnet sich die eindeutige Lösung (mit 1 i n) über (A) (A) 1(i 1) b 1 (A) 1(i+1)... (A) 1n x i = (det A) (A) n1... (A) n(i 1) b n (A) 1(n+1)... (A) nn Die Determinanten, in denen die i-te Spalte durch di Inhomogenitäten b j, j = 1,..., n ersetzt sind bezeichnen wir mit A i und damit schreibt man x i = (det A) 1 A i.
15 Bemerkung: Ist det A = 0, so hat das lin. Glsys. keine Lösung, wenn nur eine der Determinanten A i ungleich Null ist. Sind für det A = 0 alle Determinanten A i gleich Null wird das lin. Glsys. durch unendlich viele Vektoren x gelöst. Ist das Gleichungsystem derart unterbestimmt, löst man es i.d.r. mit dem Gaußschen Eliminationsverfahren, bei dem eine Unbekannte nach der anderen durch Auflösen einer der Gleichungen eliminiert wird. Vektorraumaxiome Die Vektordefinition kann über die Spaltenvektoren hinaus verallgemeinert werden: Eine Menge V heißt linearer Raum oder Vektorraum bezügliche der Addition + und der Skalarmultiplikation, falls für Elemente a, b,c V und die komplexen Zahlen λ und µ gilt λ a + b V für alle λ, a und b. a + ( b + c) = (a + b) + c a + b = b + a Es gibt eine 0 V, so dass a + 0 = 0 + a = a für alle a V. Für jedes a V existiert ein b V, so dass a + b = 0. λ (a + b) = λ a + λ b (λ + µ) a = λ a + µ a (λ µ) a = λ (µ a) Für alle a gilt 1 a = a.
16 Bemerkung: Beispiele für Vektorräume sind neben den Spaltenvektoren auch die Matrizen die Funktionen die elektrischen Felder (Licht) im Vakuum der Schall (näherungsweise) A vector is a vector is a vector is a vector... In gleicher Weise kann man eine Verallgemeinerung des Skalarprodukts definieren, welche nicht auf Spaltenvektoren beschränkt ist. Skalarprodukte (allgemein): Eine Abbildung : V V IC heißt Skalarprodukt, wenn sie folgende Eigenschaften erfüllt: a b = b a c (λa + b) = λ (c a) + c b. a a 0 und a a = 0, genau dann wenn a = 0 (positiv Definitheit). Jedes Skalarprodukt induziert eine Norm auf V : V IR, a a = (a a) 1/2 Diese spezielle Norm, nennt man 2-Norm oder Euklidische Norm. Für Spaltenvektoren a = (a 1,..., a d ) gilt a = a a2 d.
17 Aus den Skalarprodukt-Eigenschaften folgt die Cauchy-Schwarz Ungleichung a b a b Sie kann elementar aber etwas länglich bewiesen werden. Die (2-)Norm hat folgende Eigenschaften (allgemeine Norm-Definition): a 0 und a = 0 genau dann wenn a = 0. a + b a + b (aus der Cauchy-Schwarz Ungleichung) αa = α a. Jede Norm induziert eine Metrik d : V V IR, a, b d(a, b) = a b Mit Metriken kann man Distanzen zwischen zwei Punkten berechnen. Im Fall der 2-Norm für Spaltenvektoren gilt d(a, b) = d (a i b i ) 2 Dies entspricht dem verallgemeinerten Satz von Pythagoras. Eigenschaften der Metrik: d(a, b) = d( b,a) (Symmetrie) d(a, b + c) d(a, b) + d(a,c) (Dreieckungleichung) d(a, b) 0 und d(a, b) = 0 genau dann wenn a = b (positiv Definitheit).
18 Lineare Uabhängigkeit: Eine Menge von Vektoren {a 1,...,a l } heißt linear unabhängig, falls aus l a i λ i = 0, λ i IC folgt λ i = 0 i = 1,..., l Bemerkungen: 1) Bei den Spaltenvektoren bedeutet dies die Vektoren müssen in unterschiedliche Richtungen zeigen (ausgenommen genau entgegengesetzt). 2) Sind Vektoren nicht linear unabhängig, so heißen sie linear abhängig. Die maximale Anzahl von linear unabhängigen Vektoren heißt Dimension des Vektorraums. Sei V ein d-dimensionaler Vektorraum. Jede Menge {a 1,...,a d } von d linear unabhängigen Vektoren heißt Basis. Satz (Eindeutigkeit der Koordinaten) Sei {a 1,...,a d } eine Basis des d-dimensionalen Vektorraums V. Für jedes x V gibt es eindeutige Zahlen {ξ 1,..., ξ d }, so dass x = d ξ i a i Die Summe heißt Linearkombination von x, Die Zahlen ξ i heißen Koordinaten von x bezüglich der Basis {a 1,...,a d }.
19 Beweis: Wir nehmen an es gibt eine weitere Menge von Zahlen {η 1,..., η d } mit der Eigenschaft x = d η i a i. Damit wäre 0 = x x = d (ξ i η i )a i Da {a 1,...,a d } eine Basis ist folgt aus der linearen Unabhängigkeit ξ i η i = 0 und damit ξ i = η i. Die beiden Koordinatenmengen wären somit nicht verschieden und damit sind die Koordinaten eindeutig. Basistransformation: Seien {a 1,...,a d } und { b 1,..., b d } zwei Basen von V. Damit gibt es für jedes x V eindeutige Koordinaten {ξ 1,..., ξ d } und {η 1,..., η d }, so dass x = d ξ i a i = d η i bi. Wie nehmen nun das Skalarprodukt mit a j : a j x = d ξ i (a j a i ) = d η i (a j b i ) Für j = 1,..., d kann man diese Gleichungen effizient in Matrixform schreiben. Dazu führen wir die Matrizen A = (a j a i ) i,j=1,...,d und X = (a j b i ) i,j=1,...,d ein
20 Weiterhin identifizieren wir die Koordinaten ξ i und η i durch entsprechende Spaltenvektoren ξ und η. Damit gilt A ξ = X η A ist invertierbar, da wegen der linearen Unabhängigkeit der Vektoren a i die Determinante von A nicht 0 sein kann. Damit gilt ξ = A 1 X η Die Koordinaten bezüglich zweier Basen lassen sich somit durch eine einfache Matrixmultiplikation ineinander umrechnen. Orthonormalbasen: Ein in der Praxis sehr wichtiger und bequemer Typ von Basen sind Orthonormalbasen. Sie sind durch die Eigenschaft A = (a i a j ) i,j=1,...,d = 1l gekennzeichnet. Für Orthognormalbasen gilt ξ i = a i x. Ein Beispiel für eine Orthonormalbasis in IR 2 ist 1 0 a 1 =, a 0 2 = 1 aber auch a 1 = cos α sin α, a 2 = sin α cos α.
21 Lineare Abbildungen Wir betrachten zwei Vektorräume V und W der Dimensionen d V und d W. Eine Abbildung L : V W, V v L(v) W heißt linear falls für alle v 1, v 2 V und für alle µ IC gilt: L(v 1 + µ v 2 ) = L(v 1 ) + µ L(v 2 ). Die Anzahl der linear unabhängigen Vektoren in W, die man erhält wenn man eine Basis in V mit L nach W abbildet, heißt Rang von L. Der Rang ist min(d V, d W ). Sei nun d V = d W = d. Die Abbildung L hat vollen Rang falls sie jede Basis von V auf d linear unabhängige Vektoren in W abbildet. Hat L vollen Rang, heißt L (Vektorraum-) Isomorphismus. Konstruktion der linearen Abbildungen: Wir betrachten die Basen A = {a 1,..., a dv } von V und B = {b 1,..., b dw } von W. Ferner bezeichnen wir w k := L(a k ) W, k = 1,..., d V. Für jeden Vektor x V gibt es eindeutige Koordinaten α i, so dass x = d V α i a i. Ebenso gibt es für alle Vektoren w i eindeutige Koordinaten X ji, so dass w i = d W j=1 X ji b j. Aus der Linearität folgt nun L(x) = d V α i w i = d W j=1 b j ( d V X ji α i ). Damit sind die Koordinaten des Vektors L(x) W gegeben durch eine Matrixmultiplikation X α. Lineare Abbildungen sind somit äquivalent zu einer Matrixmultiplikation der Koordinatenvektoren. Der Rang einer Matrix ist die Anzahl der linear unabhängigen Spalten von X.
22 Eigenvektoren Eine Möglichkeit, sich eine bessere Vorstellung von dem Effekt einer Matrixmultiplikation zu machen, ist die Eigenvektoren und -werte der Matrizen zu berechnen. Die Idee hierbei ist nach Richtungen zu suchen, in denen eine Matrix sich wie eine Zahl verhält. Alle Operationen, die man mit Zahlen machen kann, kann man dann so auf Matrizen verallgemeinern. Insbesondere das Verhalten mehr-dimensionaler dynamischer Systeme wird, wie wir sehen werden, fundamental durch die Eigenvektoren und -werte der jeweiligen Matrizen bestimmt. Definition (Eigenvektor, Eigenwert) Sei A eine n n-matrix. Ein Vektor v = 0, der die Eigenwert- Gleichung A v = λv für ein λ IC erfüllt, heißt Eigenvektor. Die zugehörige Zahl λ heißt Eigenwert. Um Eigenvektoren zu bestimmen, schreiben wir die Eigenwertgleichung um und erhalten [A λ 1l]v = 0 Ein Eigenvektor ist somit die Lösung eines homogenen linearen Glsys. Wir wissen, dass dieses Glsys. genau dann eine eindeutige Lösung hat, wenn die Determinante der Matrix [A λ 1l] nicht verschwindet. In diesem Fall ist diese eindeutige Lösung aber der Null-Vektor. Da Eigenvektoren aber laut Definition von Null verschieden sein müssen, muss die Determinante der Matrix [A λ 1l] notwendigerweise gleich Null sein also det(a λ 1l) = 0. Die Determinante auf der linken Seite dieser Gleichung ist ein Polynom in λ vom Grade n. Es heißt charakteristisches Polynom der Matrix A. Die Eigenwerte sind demnach die Nullstellen des charakteristischen Polynoms. In der Regel gibt es deshalb n Eigenwerte. Diese können, müssen aber nicht, unterschiedlich sein, da ein Polynom auch mehrfache Nullstellen besitzen kann (z.b. (λ + 1) 2 = 0 hat die doppelte Nullstelle 1).
23 Sobald man die Eigenwerte einer Matrix gefunden hat, können die Eigenvektoren einfach durch Lösen des Glsys. [A λ 1l]v = 0 gefunden werden und zwar hintereinander für alle Eigenwerte λ. Tritt ein Eigenwert mehrfach auf, so gibt es zu ihm i.d.r. auch mehrfache Eigenvektoren, und zwar höchstens genau so viele wie die Vielfachheit des Eigenwerts. Findet man soviele unterschiedliche (eigentlich linear unabhängige) Eigenvektoren wie Eigenwerte (inklusive deren Vielfachheit), so heißt die Matrix diagonalisierbar. Falls nicht, ist die Matrix nicht diagonalisierbar. Ein Beispiel für eine nicht diagonalisierbare Matrix ist Der Ausdruck Diagonalisierbarkeit rührt von folgendem Zusammenhang her: Man nehme an, eine Matrix A hat n Eigenwerte {λ 1,..., λ n } und n dazugehörige Eigenvektoren {v 1,...,v n }, wobei A v k = λ k v k und k = 1,..., n. Man kann nun die n Vektoren in einer Matrix B zusammenfassen, derart dass B = (v 1... v n ), d.h., die Vektoren v k die Spalten der Matrix B bilden. Da B n linear unabhängige Spalten hat, ist detb = 0. Damit ist B invertierbar und es existiert B 1. So gilt B 1 A B = B 1 (λ 1 v 1,..., λ n v n ) = B 1 B 1l diag(λ 1,..., λ n ) Anschaulich wird die Matrix A durch die Matrix B zu einer Diagonalmatrix der Eigenwerte diag(λ 1,..., λ n ). Man spricht von einer Diagonalisierung der Matrix A.
24 Man nehme nun einen beliebigen Vektor x und betrachte das Produkt A x. Aufgrund der Invertierbarkeit von B kann man schreiben y = A x = B B 1 A B B 1 x = B diag(λ 1,..., λ n ) B 1 x Diese Gleichung kann man nun stark vereinfachen, wenn man anstelle der Vektoren x und y transformierte Vektoren ξ = B 1 x und η = B 1 y benutzt. Damit lautet sie nämlich η = diag(λ 1,..., λ n ) ξ. Das gekoppelte n-dimensionale Glsys. y = A x wird somit zu n unabhängigen linearen Gleichungen. Sind diese gelöst kann man die Vektoren wieder mittels x = B ξ und y = B η zurücktransformieren. Dieser Trick funktioniert nun nicht nur beim Auflösen von Gleichungssystemen, sondern kann immer angewandt werden, wenn man Manipulationen auf Matrizen anwenden will, die wir von den reellen Zahlen kennen. So kann man z.b. Funktionen von Matrizen definieren: f (A) = B diag (f (λ 1 ),..., f (λ n )) B 1 Damit kann man z.b. effizient Potenzen von Matrizen A t = A A einfach berechnen t Mal A t = B diag λ t 1,..., λ t n B 1 oder die Matrix Exponentialfunktion exp(a) = B diag e λ 1,..., e λ n B 1.
25 Eigenvektoren und Eigenwerte reell-symmetrischer Matrizen Sei A eine reelle symmetrische (A T = A) n n-matrix, so ist diese orthogonal diagonalisierbar. Das heißt, sie hat n reelle Eigenwerte λ 1,..., λ n und die dazu-gehörigen Eigenvektoren v 1,...,v n stehen paarweise aufeinander senkrecht. Sie bilden eine Orthonormalbasis! Beweis: Nach dem Fundamentalsatz der Algebra hat ein Polynom n-ter Ordnung mit reellen Koeffizienten n Nullstellen λ 1,..., λ n. Somit hat das charakteristische Polynom der Matrix A auch n Nullstellen, die Eigenwerte. Zu jedem dieser Eigenwerte gibt es nun einen Eigenvektor. Wir nehmen an dass die Eigenvektoren o.b.d.a normiert sind. Zunächst folgt aus Av i = A T v i λ i = λ i und damit dass λ i reell ist. Man betrachte nun weiter die Eigenvektoren v j und v i zu zwei Eigenwerten λ j = λ i und berechne die Skalarprodukte λ j (v i v j ) = v i (Av j ) = A T v i v j = (Av i ) v j = λ i λ i (v i v j ) Da λ j = λ i müssen v j und v i orthogonal sein. Falls λ j = λ i, gilt für alle Linearkombinationen w = a v i + b v j, A w = A (a v i + b v j ) = a λ j v i + b λ j v j = λ j w. Somit kann man v j und v i immer so wählen, dass Sie orthogonal sind.
26 Beispiel: Gegeben sind drei reelle Zahlen a, b, und c, sowie die Matrix a b A = b c Die Eigenwerte lauten λ 1,2 = a+c (a c) 2 ± b 2 und sind somit reelle Zahlen. Die Eigenvektoren erhalten wir aus c a 2 ±... b a c b 2 ± v = Dies führt zu v 1,2 = Die Orthogonalität folgt aus b a c 2... v 1 v 2 = b 2 + (a c)2 4 (a c) b 2 = 0.
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
MehrMathematik 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
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:
MehrLeitfaden 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
MehrVorlesung 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
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr7 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) =
MehrElemente 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
MehrA 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
MehrMathematik 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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehr2 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 )
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrLineare 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
MehrLösungen 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.
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrLineare 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
MehrÜbungen 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.
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrKapitel 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
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt 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
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrVorlesung. Komplexe Zahlen
Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems
MehrKomplexe Zahlen. 1) Motivierende Aufgabe. 2) Historisches
Annelie Heuser, Jean-Luc Landvogt und Ditlef Meins im 1. Semester Komplexe Zahlen Will man nur addieren und subtrahieren, multiplizieren und dividieren, kommt man uneingeschränkt mit reellen Zahlen aus.
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrEinführung in MATLAB
Kapitel 4 Einführung in MATLAB 41 Allgemeines MATLAB ist eine kommerzielle mathematische Software zur Lösung mathematischer Probleme und zur graphischen Darstellung der Ergebnisse Die Verfahren in MATLAB
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrKAPITEL 0. Einführung
Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert
MehrAufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrLineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Vorlesung an der Hochschule Heilbronn (Stand: 7 Mai ) Prof Dr V Stahl Copyright 6 by Volker Stahl All rights reserved Inhaltsverzeichnis Vektoren 4 Vektoren und Skalare
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Hochschule für Technik und Wirtschaft des Saarlandes University of Applied Sciences Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung
MehrLösen von linearen Gleichungssystemen mit zwei Unbekannten:
Lösen von linearen Gleichungssystemen mit zwei Unbekannten: 1. Additions- und Subtraktionsverfahren 3x = 7y 55 + 5x 3x = 7y 55 7y 5x + 2y = 4 3 5 werden, dass die Variablen links und die Zahl rechts vom
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrFakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin
Fakultät für Mathematik und Informatik Lehrgebiet angewandte Mathematik Prof. Dr. H. Linden Dipl.-Math. H.-J. Schäfer Seminar über angewandte Analysis Sommersemester 2007 Der Kreissatz von Gerschgorin
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrSO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrII. Klein Gordon-Gleichung
II. Klein Gordon-Gleichung Dieses Kapitel und die zwei darauf folgenden befassen sich mit relativistischen Wellengleichungen, 1 für Teilchen mit dem Spin 0 (hiernach), 2 (Kap. III) oder 1 (Kap. IV). In
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrGeometrische Maße oder,... wie kann man quantitative Aussagen über geometrische Objekte erhalten?
In der euklidischen Geometrie der Mittelstufe ging es zumeist um geometrische Konstruktionen und um qualitative Aussagen über geometrische Objekte in Bezug zueinander. Möchte man, insbesondere im dreidimensionalen
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrKapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen
TG TECHNOLOGISCHE GRUNDLAGEN Kapitel 3 Mathematik Kapitel 3.3 Algebra Gleichungen Verfasser: Hans-Rudolf Niederberger Elektroingenieur FH/HTL Vordergut 1, 877 Nidfurn 055-654 1 87 Ausgabe: Februar 009
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrZuammenfassung: Reelle Funktionen
Zuammenfassung: Reelle Funktionen 1 Grundlegendes a) Zahlenmengen IN = {1; 2; 3; 4;...} Natürliche Zahlen IN 0 = IN {0} Natürliche Zahlen mit 0 ZZ = {... ; 2; 1; 0; 1; 2;...} Ganze Zahlen Q = { z z ZZ,
MehrMathematische Grundlagen 2. Termrechnen
Inhaltsverzeichnis: 2. Termrechnen... 2 2.1. Bedeutung von Termen... 2 2.2. Terme mit Variablen... 4 2.3. Vereinfachen von Termen... 5 2.3.1. Zusammenfassen von gleichartigen Termen... 5 2.3.2. Vereinfachen
MehrAusgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik. Lineare Algebra. zusammengestellt von
Ausgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik Lineare Algebra zusammengestellt von Sabine Giese, Josef Heringlehner, Birgit Mielke, Hans Mielke und Ralph-Hardo Schulz 98 Aufgaben,
MehrMusterlösungen zu Prüfungsaufgaben über gewöhnliche Differentialgleichungen Prüfungsaufgabe a) Gegeben sei die lineare Differentialgleichung
Musterlösungen zu n über gewöhnliche Differentialgleichungen a) Gegeben sei die lineare Differentialgleichung y + - y = e - ln, > 0 Man gebe die allgemeine Lösung der homogenen Gleichung an Wie lautet
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
MehrEinführung in die Kodierungstheorie
Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
Mehr