Lineare Algebra. 1 Lineare Abbildungen
|
|
- Moritz Straub
- vor 6 Jahren
- Abrufe
Transkript
1 Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe von Matrizen und Vektoren dient. 1 Lineare Abbildungen Im Folgenden werden Abbildungen von Punkten (in der Ebene oder im dreidimensionalen Raum) mit Hilfe von Matrizen- oder Vektorgleichungen beschrieben. Dabei wird ein Punkt jeweils durch seinen Ortsvektor angegeben. Beispiel: Es sei! die Verschiebung um den Vektor 3 1. Unter dieser Verschiebung wird $ = 2 3 auf $ ' = 5 4 abgebildet. Der Punkt $ = 2 3 wird durch den Vektor * = 2 3 beschrieben. Dies kann folgendermassen notiert werden:! 2 3 = 5 4 bzw. allgemein!, - =, Einführungsaufgaben: 1) Bestimmen Sie das Bild von 2 3 und allgemein von, - unter der folgenden Abbildung: a) Verschiebung um 1 3. b) Spiegelung an der,-achse. 1 3 c) Punktspiegelung am Ursprung 0 = 0 0. d) Punktspiegelung an 1 2. e) Drehung um 90 um den Ursprung (im Gegenuhrzeigersinn). g) Spiegelung an der Geraden, = 3. 2) Bestimmen Sie das Bild von und allgemein von f) Streckung um 4 = 3 mit Zentrum im Ursprung 0 = 0 0., - 5 unter der folgenden Abbildung: a) Spiegelung am Ursprung 0 = b) Spiegelung an der -5-Ebene. c) Orthogonale (=senkrechte) Projektion auf die,--ebene. 1
2 In der linearen Algebra wird die Ebene bzw. der der dreidimensionale Raum als so genannter Vektorraum aufgefasst: DEFINITION Für die Ebene: Die Menge aller Vektoren der Form 6 =, -, wobei, und - reelle Zahlen sind, nennt man R8. Analog dazu für den dreidimensionalen Raum:, Die Menge aller Vektoren der Form 6 = -, wobei,, - und 5 reelle Zahlen sind, nennt man R :. 5 Notation: R ; =,, -, R und - R bzw. RA = -, R und - R und 5 R 5 So genannte lineare Abbildungen der Ebene bzw. des dreidimensionalen Raums auf sich selbst sind Abbildungen mit ganz bestimmten Eigenschaften: DEFINITION Eine Abbildung f heisst linear, wenn für alle Vektoren v und w gilt: f v + w = f v + f w, und für alle Zahlen λ R gilt: f λ v = λ f v. Beispiel: Die Spiegelung an der --Achse in der Ebene ist eine lineare Abbildung. Beweis: Diese Spiegelung hat die Gleichung G: R 8 R 8, G, - =, -. Für alle Vektoren 6 =, K - K und L =, M -M gilt: G 6 + L = G und für alle Zahlen N R gilt:, K - K +, M -M = G, K +, M - K + - M =, K +, M - K + - M = =, K, M - K + - =, K M - +, M K - = M = G 6 + G L G N 6 = G N, - = G N, N - = N, N - = N, N - = N, - = N G 6 2
3 Übungen: 1) Beschreiben Sie folgende Abbildungen vollständig und exakt mit Worten (Spiegelung an, Verschiebung um, Drehung um um, Projektion etc.). Bestimmen Sie auch, ob diese Abbildungen linear sind. a) G, - =, c) G, - = 2, e) G, - 5 = 2-, - 5 b) G, - = -, d) G, - =, 0 f) G, - 5 = 0-5 2) Zeigen Sie, dass aus der Eigenschaft G N 6 = N G 6 für N = 0 folgt, dass lineare Abbildungen den Nullvektor stets auf sich selbst abbilden. Bestimmen Sie mit Hilfe dieser Eigenschaft diejenigen drei Abbildungen in den Einführungsaufgaben auf Seite 1, welche nicht linear sind. 3) Es sei G eine lineare Abbildung mit G 1 0 = 2 3 und G 0 1 = 1 1. Bestimmen Sie G 4 5. Tipp: Schreiben Sie 4 5 als 4 5 = und verwenden Sie Linearitätseigenschaften. Challenges: 4) Es sei G eine lineare Funktion mit G 2 1 = 1 1 und G 3 2 = 2 4. Bestimmen Sie G ) Es sei G, - = O P 0 Q, G*RRS - 0 0, G*RRS - = 0 Zeigen Sie, dass G die Eigenschaft G N 6 = N G 6 erfüllt, aber nicht die Eigenschaft G 6 + L = G 6 + G L. 3
4 2 Matrizen und Abbildungen Lineare Abbildungen können durch so genannte Matrizen dargestellt werden. Beispiel einer Matrix: $ = Eine solche Zahlentabelle mit zwei Zeilen und zwei Spalten nennt man eine 2x2-Matrix. Das Element in der 2. Zeile und der 1. Spalte nennt man * 8U = 3. Diese Matrix kann dazu verwendet werden, eine Abbildung von R 8 nach R 8 zu beschreiben. Dazu wird das Produkt einer Matrix mit einem Vektor folgendermassen definiert: $ 6 = , - = 2, 4-3, + 5- Das Bild des Vektors 6 = 1 2 unter der Abbildung G 6 = $ 6 ist dann G 1 2 = = = 6 13 DEFINITION (MATRIX (SINGULAR) BZW. MATRIZEN (PLURAL)) Man nennt eine Zahlentabelle mit 2 Zeilen und 2 Spalten eine 2x2-Matrix: $ = * UU * U8 * 8U * 88 Allgemein: Eine W x X-Matrix ist eine Zahlentabelle mit Y Zeilen und Z Spalten. Das Element in der [-ten Zeile und der \-ten Spalte der Matrix $ heisst * ]^. * UU * U8 * U` * $ = 8U * 88 * 8` * au * a` Man nennt Y x Z die Ordnung der Matrix. DEFINITION (MATRIX-VEKTOR-PRODUKT) Eine 2x2-Matrix $ wird wie folgt mit einem Vektor in R 8 multipliziert: $ 6 = * UU * U8, * 8U * 88 - = * UU, + * U8 - * 8U, + * 88 - Analog wird eine 3x3-Matrix $ wie folgt mit einem Vektor in R : multipliziert: * UU * U8 * U:, * UU, + * U8 - + * U: 5 $ 6 = * 8U * 88 * 8: - = * 8U, + * * 8: 5 * :U * :8 * :: 5 * :U, + * :8 - + * :: 5 Übung: Berechnen Sie und
5 SATZ (LINEARE ABBILDUNGEN UND MATRIZEN) In der Ebene: Eine Abbildung G: R 8 R 8 ist genau dann linear, wenn es eine 2x2-Matrix $ gibt mit G 6 = $ 6, für alle 6 R 8 Analog dazu im Raum: Eine Abbildung R : R : ist genau dann linear, wenn es eine 3x3-Matrix $ gibt mit G 6 = $ 6, für alle 6 R : Man nennt $ die Matrix der linearen Abbildung G. Beispiel: Die Spiegelung an der --Achse (in R 8 ) ist eine lineare Abbildung (siehe 1. Kapitel). Der Gleichung der Spiegelung G, - =, - entspricht die Matrixgleichung , - =, -. Die Matrix der Spiegelung an der --Achse ist also $ = Bestimmen der Abbildungsmatrix: Wenn die Abbildung komplizierter ist als im obigen Beispiel, hilft es, die Bilder der Punkte 1 0 und 0 1 zu untersuchen. Für die lineare Abbildung mit der Matrix $ = * UU * U8 * 8U * 88 gilt G 1 0 = * UU * U8 * 8U * = * UU 1 + * U8 0 * 8U 1 + * 88 0 = * UU * 8U und G 0 1 = * UU * U8 * 8U * = * UU 0 + * U8 1 * 8U 0 + * 88 1 = * U8 * 88 Fazit: SATZ (SPALTEN DER ABBILDUNGSMATRIX) Die Spalten der Abbildungsmatrix einer linearen Abbildung G: R 8 R 8 sind die Bilder der Basisvektoren h U = 1 0 und h 8 = 0 1. Analog dazu besteht im dreidimensionalen Raum die Abbildungsmatrix aus den Bildern der drei Basisvektoren. Um die Matrix einer gegebenen Abbildung zu ermitteln, reicht es also, die Bilder der Basisvektoren zu bestimmen. 5
6 Beispiel: Die Drehung um den Ursprung um 30 ist eine lineare Abbildung der Ebene auf sich selbst. Bestimmen Sie die dazugehörige Matrix sowie das Bild des Punkts i 2 4. Lösung: Der Vektor h U = 1 0 wird abgebildet auf h U ' = cos 30 sin 30 = : 8 U 8. Der Vektor h 8 = 0 1 wird abgebildet auf h 8 ' = Damit lautet die Matrix der Drehung $ = Das Bild von i 2 4 ist : 8 U 8 U 8 : 8 : 8 U 8 cos sin U 8 : = = U 8 :, d.h. i Übungen: 1) Berechnen Sie die Bilder von Matrix gegeben ist: 2 5 und 1 3, wenn die lineare Abbildung durch die folgende a) b) c) d) ) Berechnen Sie die Bilder von und G 6 = unter der linearen Abbildung ) Bestimmen Sie die Matrizen der folgenden Abbildungen in R 8. a) Spiegelung an der,-achse. b) Spiegelung an der Geraden - =,. c) Streckung mit Zentrum im Ursprung um den Faktor 4 = 3. d) Drehung um 270 um den Ursprung. 1 e) Projektion in Richtung auf die,-achse. 1 f) Projektion parallel zur --Achse auf die Gerade - =,. g) Identität, d.h. die Abbildung mit G 6 = 6 für alle 6 R 8. h) Drehung um 45 um den Ursprung. 4) Bestimmen Sie die Matrizen der folgenden Abbildungen in R :. a) Spiegelung an der,--ebene. b) Drehung um 90 um die 5-Achse. c) Drehung um 60 um die,-achse. 6
7 3 Rechnen mit Matrizen Ähnlich wie mit Vektoren kann man auch mit Matrizen rechnen: DEFINITION (ADDITION UND SKALARE VIELFACHE VON MATRIZEN) Es seien $ = * UU * U8 * 8U * 88 und o = p UU p U8 p 8U p 88 zwei Matrizen. Dann ist Summe der beiden Matrizen $ + o definiert durch $ + o = * UU + p UU * U8 + p U8 * 8U + p 8U * 88 + p 88 Sei N R eine reelle Zahl und $ = * UU * U8 * 8U * 88 eine Matrix. Dann ist die Matrix N $ definiert durch N $ = N * UU N * U8 N * 8U N * 88 Die Addition und die skalaren Vielfache von 3x3- und anderen Matrizen werden analog definiert. Beispiel: = , = Rechengesetze: Für die obigen Operationen gelten folgende Rechengesetze, wie sie von den Zahlen her bekannt sind: 1 $ = $ 0 $ = 0 N $ = $ N N q $ = N q $ N + q $ = N $ + q $ N $ + o = N $ + N o $ + o + r = $ + o + r $ + o 6 = $ 6 + o 6 N $ 6 = N $ 6 Beispiel: Bestimmen Sie die Matrix s, für welche gilt: s =. Lösung: Eine solche Matrixgleichung löst man wie eine Zahlengleichung. Durch Isolieren von s erhält man: 3s s = s = 0 1 s = =
8 Das Produkt von zwei Matrizen wird wie folgt definiert: DEFINITION: PRODUKT VON ZWEI MATRIZEN Es seien $ = * UU * U8 * 8U * 88 und o = p UU p U8 p 8U p 88 zwei 2x2-Matrizen. Dann ist das Produkt der beiden Matrizen $ o definiert durch $ o = * UUp UU + * U8 p 8U * UU p U8 + * U8 p 88 * 8U p UU + * 88 p 8U * 8U p U8 + * 88 p 88 Allgemein: Jedes Element t ]^ einer Produktmatrix r = $ o ist das Skalarprodukt der [-ten Zeile der Matrix A und der \-ten Spalte der Matrix o. Beispiel für 2x2-Matrizen: = = Es wird also die 1. Zeile der ersten Matrix mit der 1. Spalte der zweiten Matrix skalar multipliziert, um das erste Element der Resultatmatrix zu erhalten etc. Beispiel für 3x3-Matrizen: = = Das Assoziativ-Gesetz: Ein wichtiger Grund, warum die Matrix-Multiplikation so kompliziert definiert wird, ist die Tatsache, dass auf diese Art das Assoziativ-Gesetz für alle Matrizen $ und alle Vektoren 6 gilt: $ o 6 = $ o 6 Die Bedeutung dieser Eigenschaft erschliesst sich, wenn man das Produkt von zwei Matrizen als Komposition bzw. Verkettung von zwei linearen Abbildungen auffasst. Zur Erinnerung: DEFINITION: KOMPOSITION BZW. VERKETTUNG VON ABBILDUNGEN Es seien G und v zwei Abbildungen. Dann ist die Komposition (oder Verkettung) G v von G und v die Abbildung definiert durch G v 6 = G v 6 8
9 Beispiel: Wenn G eine Drehung und v eine Spiegelung ist, dann ist G v diejenige Abbildung, bei welcher jeder Punkt zuerst gespiegelt und anschliessend gedreht wird. Achten Sie auf die Reihenfolge: Bei G v wird zuerst v ausgeführt, anschliessend G. Nun lässt sich die oben genannte Eigenschaft so formulieren: SATZ: KOMPOSITION UND MATRIX-MULTIPLIKATION Es seien G und v zwei lineare Abbildungen beschrieben durch die Matrizen $ bzw. o. Dann ist G v ebenfalls eine lineare Abbildung beschrieben durch die Matrix $ o. Beispiel: Es sei $ = die Matrix der linearen Abbildung G und o = jene der Abbildung v Bestimmen Sie die Abbildungsmatrizen von G v und v G und interpretieren Sie diese geometrisch. Lösung: $ o = = = o $ Die Zusammensetzung einer zentrischen Streckung am Ursprung mit Faktor 3 und einer Punktspiegelung am Ursprung ergibt eine zentrische Streckung am Ursprung mit Faktor 3, wobei die Reihenfolge keine Rolle spielt. Vorsicht: Im Allgemeinen ist G v v G, bzw. $ o o $, das heisst, die Matrix-Multipliaktion ist nicht kommutativ. Übungen: 1) Es sei G: R 8 R 8 die Spiegelung an der Geraden - =, und v: R 8 R 8 die Drehung um den Ursprung um 90. a) Bestimmen Sie die Matrix $ von G und die Matrix o von v. b) Bestimmen Sie die Matrix r der Verkettung v G. c) Die Matrix r beschreibt ebenfalls eine Spiegelung. Bestimmen Sie die Spiegelungsachse. d) Bestimmen Sie die Matrix x der Verkettung G v (Achtung: umgekehrte Reihenfolge!) e) Auch x ist die Matrix einer Spiegelung. Geben Sie die Spiegelungsachse an. 2) In Aufgabe 1) wurde deutlich, dass die Matrixmultiplikation im Gegensatz zur Multiplikation von Zahlen nicht kommutativ ist, das heisst im Allgemeinen ist $ o o $. Ein weiterer Unterschied zur Multiplikation von Zahlen zeigt sich in folgenden Übungen: 1 2 a) Berechnen Sie b) Berechnen Sie = ) Es sei G: R : R : die Spiegelung an der -5-Ebene. Bestimmen Sie die Matrix y von G und berechnen Sie anschliessend y 8. Interpretieren Sie Ihr Resultat. 9
10 4 Inverse Abbildungen und inverse Matrizen Einführungsaufgabe Es sei $ = Weiter sei 6 =, die Matrix einer linearen Abbildung G und o = U ein beliebiger Vektor. z : z jene von v. 1) Wählen Sie einen beliebigen Vektor 6 und berechnen Sie damit L = G 6. Benutzen Sie Ihr Resultat, um v L zu berechnen und zeigen Sie, dass Sie denselben Vektor 6, erhalten, wie Sie ursprünglich gewählt haben. 2) Berechnen Sie nun L = G 6 allgemein mit 6 =, - und mit Hilfe Ihres Resultats v L und beweisen Sie so, dass für jeden Vektor 6 gilt: v G(6 ) = 6. 3) Berechnen Sie das Matrix-Produkt o $. sowie das Matrix-Produkt $ o und zeigen Sie, dass Sie in beiden Fällen, dasselbe Resultate erhalten. Interpretieren Sie dieses Resultat. 10
11 In der Einführungsaufgabe handelt es sich um zwei wie man sagt zueinander inverse Abbildungen. In diesem Kapitel wird genau definiert, was man unter einer inversen Abbildung versteht. Weiter wird eine Formel hergeleitet, mit der man die Inverse einer linearen Abbildung bestimmen kann. DEFINITION Die lineare Abbildung mit der Eigenschaft, dass jeder Vektor auf sich selbst abgebildet wird, nennt man die Identitätsabbildung. Notation: [}, also [} 6 = 6 für alle Vektoren 6. Die Abbildungsmatrix der Identitätsabbildung heisst Einheitsmatrix. In R 8 gilt ~ = In R: gilt ~ = Die Identitätsabbildung ist das neutrale Element bezüglich der Komposition von Abbildungen. Für jede Abbildung G gilt G [} = [} G = G Analog ist die Matrix ~ das neutrale Element bezüglich der Matrixmultiplikation. Für jede Z Z-Matrix $ gilt $ ~ = ~ $ = $. DEFINITION Es seien G und G ÄU zwei lineare Abbildungen R 8 R 8 mit der Eigenschaft G G ÄU = [}. Dann nennt man G ÄU die inverse Abbildung zu G. Analog: Es seien $ und $ ÄU zwei Z Z-Matrizen mit der Eigenschaft, dass $ $ ÄU = ~. Dann nennt man $ ÄU die inverse Matrix zu $. Beispiel 1: Die Matrizen $ = , o = 1 4 U z : z sind invers zueinander (siehe oben), U : z z weil gilt $ o = U : = z z Die Matrix B ist die inverse Matrix von A und umgekehrt. Es gilt $ = o ÄU und $ ÄU = o. 11
12 Herleitung einer Formel für inverse Matrizen Gibt es für jede Matrix eine Inverse? Und wenn es eine gibt, wie bestimmt man sie? Die folgenden Berechnungen liefern Antworten auf diese Fragen: Gegeben ist die Matrix $ = * UU * U8 * 8U * 88. Wie lautet die inverse Matrix von $? Idee: Wir setzen $ ÄU =, - 5 L auf: und stellen ein Gleichungssystem für die vier Unbekannten,, -, 5, L Aus $ $ ÄU = ~ folgt * UU * U8 * 8U * 88, - 5 L = * UU, + * U8 5 * UU - + * U8 L * 8U, + * 88 5 * 8U - + * 88 L = Durch Vergleich der Komponenten entsteht das folgende 4x4 Gleichungssystem mit den Unbekannten,, -, 5, L : * UU, + * U8 5 = 1 * UU - + * U8 L = 0 * 8U, + * 88 5 = 0 * 8U - + * 88 L = 1 Subtrahiert man das * U8 -fache der 3. Gleichung vom * 88 -fache der 1. Gleichung, erhält man * UU * 88, * U8 * 8U, = * 88 Daraus folgt Analog erhält man die anderen Unbekannten: * 88, = * UU * 88 * U8 * 8U Also resultiert $ ÄU = * U8 - = * UU * 88 * U8 * 8U * 8U 5 = * UU * 88 * U8 * 8U * UU L = * UU * 88 * U8 * 8U 1 * 88 * U8 * UU * 88 * U8 * 8U * 8U * UU Fazit: Mit dieser Formel lässt sich die Inverse einer gegebenen Matrix bestimmen. Allerdings gibt es ein Problem, wenn der Term * UU * 88 * U8 * 8U im Nenner Null ist. In diesem Fall hat das Gleichungssystem keine eindeutige Lösung und die Matrix besitzt keine Inverse. 12
13 DEFINITION Die Determinante der Matrix ist die Zahl $ = * UU * U8 * 8U * 88 det $ = * UU * 88 * U8 * 8U SATZ Es sei $ die Matrix $ = * UU * U8 * 8U * 88 mit Determinante det $ = * UU * 88 * U8 * 8U. Falls det $ 0 gilt $ ÄU = U ÇÉÑ Ö * 88 * U8 * 8U * UU Falls det $ = 0 hat die Matrix $ keine Inverse, d.h. $ ÄU ist nicht definiert. Beispiel 1: Die Matrix $ = 1 2 ist invertierbar, d.h. die Inverse ist definiert, 3 4 denn }hü $ = = 2 0. Es gilt $ ÄU = = Beispiel 2: Matrixgleichungen $ = , $ =? Wenn man die ganze Gleichung von rechts mit ÄU = U Ä multipliziert, erhält man ÄU U à $ = à U ÄU $ = = 1 2 ÄU = =
14 Beispiel 3: Anwendung auf Gleichungssysteme Man kann jedes lineare Gleichungssystem mit Hilfe von Matrizen beschreiben und auch lösen. Betrachten Sie das folgende Beispiel: 2, + 2- = 2 5, + 6- = 6 Dieses Gleichungssystem kann auch so geschrieben werden: , - = 2 6 Die Inverse der Matrix $ = ist $ÄU = U Es gilt, - = $ÄU 2 6. Daraus folgt, - = U = Das Gleichungssystem hat also die Lösung, = 12, - = 11. SATZ Für das lineare Gleichungssystem * UU, + * U8 - = p U * 8U, + * 8U - = p 8 gilt: Falls det * UU * U8 * 8U * 88 0 ist, hat das Gleichungssystem genau eine Lösung, nämlich, - = * UU * U8 * 8U * 88 ÄU p U p 8. * UU * U8 Falls det * 8U * = 0 ist, hat das Gleichungssystem entweder keine Lösung oder 88 unendlich viele Lösungen. Bemerkung: Diese Lösungsmethode kann auch angewandt werden, um lineare Gleichungssysteme zu lösen, welche drei und mehr Unbekannte und entsprechend viele Gleichungen haben. Allerdings ist bereits ab drei Unbekannten der Aufwand für die Ermittlung der inversen Matrix so gross, dass sich die Lösungsmenge mit anderen Methoden effizienter bestimmen lässt. 14
15 Übungen 1) Die Matrix der Abbildung G ist $ = a) Bestimmen Sie die Matrix der inversen Abbildung G ÄU. b) Bestimmen Sie das Urbild des Vektors 6 = 10, d.h. denjenigen Vektor, welcher auf 10 8 abgebildet wird. 8 2) Die Abbildung G ist die Spiegelung an - =,; die Abbildung v ist die Drehung um 0 um 30. Ermitteln Sie die Matrizen von G und v und bestimmen Sie anschliessend die Matrix einer Abbildung h, für welche gilt: a) h G = v b) G h = v (Achtung: Bei Aufgabe a) muss die Gleichung von rechts, bei Aufgabe b) von links mit der Matrix von G ÄU multipliziert werden. Die beiden Lösungen sind unterschiedlich.) 3) Lösen Sie folgende Gleichungssysteme mit Hilfe einer inversen Matrix: a) 3, + 2- = 2 7, + 5- = 3 b), + - = 26, - = 8 c) 3, + 4- = 24, + 5- = 11 d) 8, = 0 4, = 0 e) 4, + 6- = 5 6, 9- = 8 f) 4, + 6- = 5 6, 9- = 7.5 4) Bestimmen Sie, indem Sie die Determinante der entsprechenden Matrix untersuchen, für welche Werte des Parameters das Gleichungssystem eine eindeutige Lösung besitzt. a) *, + - = 5, - = 8 b) p, + p- = 5 6, + p- = 8 c) 3, + 3t- = 5 t, +, + 3- = 8 15
16 5) In dieser Aufgabe geht es um eine geometrische Bedeutung der Determinante einer Matrix. Betrachten Sie dazu eine lineare Abbildung G mit Matrix $ = * p t }. a) Die Basisvektoren h U = 1 0 und h 8 = 0 spannen ein Quadrat mit dem Flächeninhalt ä = 1 1 auf. Bestimmen Sie den Flächeninhalt ä des Parallelogramms, welches von den Vektoren G h U und G h 8 aufgespannt wird. Tipp zur Berechnung der Fläche: Fügen Sie den Vektoren G h U und G h 8 eine dritte Komponente 5 = 0 an und verwenden Sie das Vektorprodukt. b) Stellen Sie die Matrix der folgenden Abbildungen R 8 R 8 auf und berechnen Sie den Flächenverzerrungsfaktor. i) Drehung um den Ursprung um den Winkel 150. ii) Zentrische Streckung am Nullpunkt um den Faktor 5. iii) Projektion auf die --Achse in Richtung 6 = ) Beweisen Sie: a) det $o = det $ det o b) det N$ = N 8 det $ c) det($ + o) det $ + det o 16
17 5 Kern und Bild In den Übungen zum vorangegangenen Kapitel wurden die folgenden Gleichungssysteme bearbeitet: 4, + 6- = 5 6, 9- = 8 und 4, + 6- = 5 6, 9- = 7.5 Weil det 4 6 = 0 ist, kann man diese Gleichungssysteme nicht mit der Inversen der Matrix 6 9 lösen. Wenn man sie auf konventionelle Art löst, stellt man leicht fest, dass das linke Gleichungssystem keine Lösung hat, das rechte hingegen unendlich viele. In diesem Kapitel werden Begriffe und Ideen eingeführt, mit denen man auf einfache Art feststellen kann, ob solche Systeme lösbar sind oder nicht. Geometrische Betrachtungsweise: Die obigen Gleichungssysteme könnte man auch so beschreiben: Gesucht ist ein Vektor 6 =, - mit der Eigenschaft, dass das Bild von 6 gerade der Vektor 5 8 bzw ist. Es ist hilfreich, alle möglichen Bilder zu einer Menge zusammenzufassen. Dazu wird der Begriff der Bildmenge einer linearen Abbildung verwendet: DEFINITION Sei G: R 8 R 8 eine Abbildung. Die Menge aller Bilder von G nennt man das Bild von G und schreibt dafür im G = G 6 6 R 8 Die Menge aller Vektoren, die auf den Nullvektor abgebildet werden, nennt man den Kern von G und schreibt dafür ker G = 6 R 8 G 6 = 0 Bemerkung: Manchmal spricht man auch vom Kern und Bild einer Matrix und meint dabei den Kern und das Bild der dazu gehörigen linearen Abbildung. Beispiel: Die lineare Abbildung G habe die Matrix $ = 4 6. Für das Bild eines allgemeinen 6 9, Vektors - gilt $, - = $,h U + -h 8 =,$h U + -$h 8 =, =, Die Vektoren in im G sind demnach alles Vielfache von 4 6. Somit ist im G = Ü 4 6 Ü R. Anders gesagt: Unabhängig davon, welchen Vektor 6 man wählt, $ 6 liegt sicher kollinear zur Geraden mit der Parametergleichung ç = Ü 4. So lässt sich auch erklären, warum die Gleichung 6 4, + 6- = 5 4 keine Lösung hat: Der Punkt 5 8 liegt nicht auf der Geraden ç = Ü 6, 9- = 8 6! 17
18 Die Bedeutung des Kerns einer Abbildung: Der Kern von G ist die Lösungsmenge der Gleichung $, - = 0 bzw. die Menge aller Vektoren, die auf den Nullvektor abgebildet werden. Beispiel (siehe oben): Die lineare Abbildung G habe die Matrix $ = Analog zur Berechnung von im G folgt $, - =, =, : =! 0 0. Also gilt ker G =, -, : 8 - = 0 = Ü 3 2 Ü R. Geometrisch ausgedrückt: Für alle Vektoren L, welche kollinear zur Geraden ç = Ü 3 2 liegen, gilt $ L = 0. Das Bild und der Kern einer linearen Abbildung haben spezielle Eigenschaften: Es sind so genannte Unterräume: DEFINITION Ein Unterraum von R 8 ist eine Menge è R 8 mit folgenden Eigenschaften: 1. Für alle 6, L è ist auch 6 + L è. 2. Für alle 6 è und alle N R ist auch N6 è. Bemerkungen: Ein Unterraum beinhaltet immer den Nullvektor. Es gibt drei Arten von Unterräume von R 8 : o Der nulldimensionale Unterraum è = 0. o Der zweidimensionale Unterraum è = R 8. o Eindimensionale Unterräume der Form è = Ü 6 Ü R. Die eindimensionalen Unterräume entsprechen genau den Geraden durch den Ursprung. SATZ Das Bild und der Kern einer linearen Abbildung sind Unterräume von R 8. Beweis für den Kern einer Matrix: 1. Seien 6 und L zwei Vektoren in ker G. Weil G linear ist, gilt G 6 + L = G 6 + G L = = 0. Somit ist 6 + L ker G. 2. Sei 6 ker(g) und N R. Weil G linear ist, gilt G N6 = NG 6 = N0 = 0. Somit ist auch N6 ker G. SATZ Das Bild einer linearen Abbildung ist die Menge aller Linearkombinationen der Spaltenvektoren der entsprechenden Matrix. 18
19 Beweis: Aus der Linearität der Abbildung folgt G, - = G,h U + -h 8 =,G h U + -G h 8. Weil G(h U ) und G(h 8 ) die Spalten der entsprechenden Matrix sind, folgt der obige Satz. SATZ Es sei G: R 8 R 8 eine lineare Abbildung mit der Matrix $. Dann sind die folgenden Aussagen äquivalent: 1. det $ 0 2. Die Spalten von $ sind linear unabhängig. 3. im G = R 8 4. ker G = 0 Beweis: Es werden die folgenden Implikationen bewiesen: : (Widerspruchsbeweis) Angenommen die Spalten von $ sind linear abhängig. Dann hat $ die Form $ = * 4 * p 4 p. Damit gilt det $ = * 4p 4* p = 0. Dies widerspricht 1. det $ 0. Also sind die Spalten linear unabhängig. 2 3: Dies, genauso wie 3 2, folgt direkt aus dem Satz von oben. 3 4: Für einen beliebigen Vektor, - ker G gilt G, - = G,h U + -h 8 =,G h U + -G h 8 = 0 Aus im G = R 8 lässt sich schliessen, dass die Spaltenvektoren G h U und G h 8 linear unabhängig sind (3 2). Somit hat die Gleichung G, - = 0 nur die Lösung, - = : (Widerspruchsbeweis) Es sei $ = * p die Matrix der Abbildung G, wobei ker G = 0. Annahme: det $ = 0. t } Es gilt für den Vektor 6 = } t : G 6 = * p t } } t Also ist 6 = } t ker G. Aus ker G = 0 folgt } t = 0 0. = *} pt t} }t = det $ 0 = 0. Analog gilt für L = p * : G L = * p t } p *p p* = * tp }* = 0 det $ = 0. Also ist auch L = p * ker G und aus ker G = 0 folgt wiederum p * = 0 0. Also ist Matrix $ = , welche jeden Vektor auf 0 0 abbildet. Dies steht im Widerspruch zu ker G = 0. Daraus folgt, dass det $ 0. 19
20 Übungen 1) Bestimmen Sie den Kern und das Bild der folgenden Matrizen. Wenn es sich dabei um eine eindimensionale Lösung handelt, ist eine Parametergleichung der entsprechenden Geraden anzugeben. $ = , o = , r = , x = , ~ = ) Es sei G eine Projektion auf die Gerade - =, in Richtung 6 = 1 1. Bestimmen Sie den Kern und das Bild. 3) Geben Sie eine Matrix an, deren Kern die Gerade v: ç = Ü 1 2 und deren Bild die --Achse ist. 4) Geben Sie eine Matrix $ an, deren Kern und Bild übereinstimmen. Berechnen Sie auch $ 8. Challenges: 5) Beweisen Sie, dass das Bild einer linearen Abbildung einen Unterraum bildet. Tipp: L ist genau dann ein Element von Im(G), wenn es ein 6 R 8 gibt, mit G 6 = L. 6) Beweisen Sie die folgende Aussage: Es sei G eine lineare Abbildung mit ker(g) = 0. Dann ist G injektiv. Erinnerung: Injektiv bedeutet: Aus G 6 = G(L) folgt 6 = L. Tipp: Betrachten Sie G 6 L. 20
21
22
23
24
25
26
27
28
29
30
Probeklausur zu Mathematik 2 für Informatik
Gunter Ochs Wintersemester 4/5 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immer ohne Garantie auf Fehlefreiheit. Gegeben sei das Dreieck im R mit den Eckpunkten A a Berechnen Sie die
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
MehrKapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 6 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe Das Kreuzprodukt als lineare Abbildung Oft findet man
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
MehrBlatt 10 Lösungshinweise
Lineare Algebra und Geometrie I SS 05 Akad. Rätin Dr. Cynthia Hog-Angeloni Dr. Anton Malevich Blatt 0 Lösungshinweise 0 0 Aufgabe 0. Es seien die Vektoren u =, v = und w = in R gegeben. a # Finden Sie
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Semestrale Lineare Algebra 1 Prof. Dr. F. Roesler
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Mehr2.2 Kollineare und koplanare Vektoren
. Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrLineare Gleichungssysteme
Kapitel 6 Lineare Gleichungssysteme 6. Gaußalgorithmus Aufgabe 6. : Untersuchen Sie die folgenden linearen Gleichungssysteme mit dem Gaußalgorithmus auf Lösbarkeit und bestimmen Sie jeweils die Lösungsmenge.
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrSerie 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
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:
MehrLernunterlagen Vektoren in R 2
Die Menge aller reellen Zahlen wird mit R bezeichnet, die Menge aller Paare a 1 a 2 reeller Zahlen wird mit R 2 bezeichnet. Definition der Menge R 2 : R 2 { a 1 a 2 a 1, a 2 R} Ein Zahlenpaar a 1 a 2 bezeichnet
MehrEXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen
MehrH. Stichtenoth WS 2005/06
H. Stichtenoth WS 25/6 Lösungsvorschlag für das. Übungsblatt Aufgabe : Der gesuchte Unterraum U ist die lineare Hülle von v und v 2 (siehe Def. 5. und Bsp. 5.5b), d. h. U : Spanv,v 2 } v R : v λ v + λ
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrMathematik und Logik
Mathematik und Logik 9. Übungsaufgaben 2007-01-23 1. Beweisen Sie geometrisch, daß die Addition von Vektoren in der Ebene assoziativ ist. Beweis. Man zeichnet die entsprechenden Parallelogramme. 2. Der
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrMathematik für Informatiker 1 Wintersemester 2013/14 Heimarbeitsblatt 14
Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker Wintersemester 3/4 Heimarbeitsblatt 4 Die Lösungshinweise dienen
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe Beispiel einer Koordinatentransformation Gegeben seien zwei
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrGrundwissen Abitur Geometrie 15. Juli 2012
Grundwissen Abitur Geometrie 5. Juli 202. Erkläre die Begriffe (a) parallelgleiche Pfeile (b) Vektor (c) Repräsentant eines Vektors (d) Gegenvektor eines Vektors (e) Welcher geometrische Zusammenhang besteht
MehrBeispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist
127 Die Schritte des Gauß-Algorithmus sind nun die Folgenden: 1. Wir bestimmen die am weitesten links stehende Spalte, die Einträge 0 enthält. 2. Ist die oberste Zahl der in Schritt 1 gefundenen Spalte
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrLineare Algebra I 14. Tutorium Lineare Abbildungen und Matrizen
Lineare Algebra I 4 Tutorium Lineare Abbildungen und Matrizen Fachbereich Mathematik WS / Prof Dr Kollross 7 Februar Dr Le Roux Dipl-Math Susanne Kürsten Aufgaben Aufgabe G (Bewegungen im ) Als Bewegung
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14.5.218 (Teil 2) 9. Mai 218 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 218 Steven Köhler 9. Mai 218 3 c 218
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrKapitel I: Vektorrechnung 2: Vektoren im Raum
WS 1/14 - Prof Dr Manfred Leitz 2 Vektoren im Raum A Grundbegriffe B Rechnen mit Vektoren C Der euklidische Betrag D Das euklidische Skalarprodukt E Vektorprodukt und Spatprodukt F Geraden und Ebenen im
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
MehrAufgabenskript. Lineare Algebra
Dr Udo Hagenbach FH Gießen-Friedberg Sommersemester 9 Aufgabenskript zur Vorlesung Lineare Algebra 6 Vektoren Aufgabe 6 Gegeben sind die Vektoren a =, b =, c = Berechnen Sie die folgenden Vektoren und
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrVektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1
Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrAufgabenskript. Lineare Algebra
Dr Udo Hagenbach FH Gießen-Friedberg Sommersemester Aufgabenskript zur Vorlesung Lineare Algebra 6 Vektoren Aufgabe 6 Gegeben sind die Vektoren a =, b =, c = Berechnen Sie die folgenden Vektoren und ihre
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
Mehry 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
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrLineare Algebra und Numerische Mathematik D-BAUG. Winter 2013 Prof. H.-R. Künsch. , a R. det(a) = 0 a = 1.
b Musterlösung Lineare Algebra und Numerische Mathematik D-BAUG. Multiple Choice) Gegeben sei die folgende Matrix Winter 3 Prof. H.-R. Künsch A = a a) deta) = genau dann wenn gilt x a =. a =. ), a R. x
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
MehrKapitel 15 Lineare Gleichungssysteme
Kapitel 15 Lineare Gleichungssysteme Kapitel 15 Lineare Gleichungssysteme Mathematischer Vorkurs TU Dortmund Seite 1 / 27 Kapitel 15 Lineare Gleichungssysteme Definition 15.1 (Lineares Gleichungssystem
Mehr10 Lineare Gleichungssysteme
ChrNelius : Lineare Algebra I (WS 2004/05) 1 10 Lineare Gleichungssysteme (101) Bezeichnungen: Ein System a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 ( ) a 21 x 1 + a 22 x 2 + + a 2n x n = b 2 a m1 x 1 + a
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
MehrGrundlagen der Vektorrechnung
Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 14: Ferienserie
D-MAVT Lineare Algebra I HS 7 Prof. Dr. N. Hungerbühler Lösungen Serie 4: Ferienserie . Finden Sie ein Erzeugendensystem des Lösungsraums L R 5 des Systems x + x x 3 + 3x 4 x 5 = 3x x + 4x 3 x 4 + 5x 5
MehrLineare 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 2 Rechenoperationen und Gesetze Gleichheit
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
MehrMathematischer Vorkurs
Mathematischer Vorkurs Dr Agnes Lamacz Mathematischer Vorkurs TU Dortmund Seite 1 / 17 Vektoren Kapitel 15 Vektoren Mathematischer Vorkurs TU Dortmund Seite 13 / 17 Vektoren 151 Denition: Vektoren im Zahlenraum
MehrL5.2 Inverse einer Matrix Betrachte im Folgenden lineare Abbildungen der Form: dann ist die Matrix, durch die A dargestellt wird, 'quadratisch', d.h.
L5.2 Inverse einer Matrix Betrachte im Folgenden lineare Abbildungen der Form: gleich viel Zeilen wie Spalten dann ist die Matrix, durch die A dargestellt wird, 'quadratisch', d.h. 'Identitätsabbildung':
MehrAnalytische Geometrie Spatprodukt
Analytische Geometrie Spatprodukt David Schmid, Reto Da Forno Kantonsschule Schüpfheim Januar 2005 Analytische Geometrie: Das Spatprodukt 1 Das Spatprodukt Hinweis: Die Vektoren werden aus darstellungstechnischen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Matrizen als lineare Abbildungen, Permutationen
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 2/7 Lösungen Blatt 2 3..2 Matrizen als lineare Abbildungen, Permutationen Zentralübungsaufgaben
MehrAufgabenskript. Lineare Algebra
Dr Udo Hagenbach FH Gießen-Friedberg Sommersemester Aufgabenskript zur Vorlesung Lineare Algebra 7 Vektoren Aufgabe 7 Gegeben sind die Vektoren a =, b =, c = Berechnen Sie die folgenden Vektoren und ihre
MehrMathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und
Mehr1 Definitionen: 6 Punkte gesamt
ANTWORTEN zum KOLLOQIUM zur Einführung in die Lineare Algebra Hans G. Feichtinger Sommersemester 2014 Fr., 25. Juli 2014, 10:00, Fakultät f. Mathematik Punktezahl: (1) 6 (2) 9 (3) 5 (4) 10 TOTAL (von 30):
MehrLineare Algebra. Wintersemester 2017/2018. Skript zum Ferienkurs Tag Claudia Nagel Pablo Cova Fariña. Technische Universität München
Technische Universität München Wintersemester 27/28 Lineare Algebra Skript zum Ferienkurs Tag 2-2.3.28 Claudia Nagel Pablo Cova Fariña Wir danken Herrn Prof. Kemper vielmals für seine Unterstützung bei
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrFragen zur Selbstkontrolle
Lineare Algebra und Geometrie I SS 2015 Thema 0 Grundlagen Fragen zur Selbstkontrolle Was ist eine Primzahl? Wie finde ich die Primfaktoren einer natürlichen Zahl? Wie bestimme ich den größten gemeinsamen
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
MehrKapitel 11 Eigenwerte und Eigenvektoren
Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare
Mehr1 Einführung Gleichungen und 2 Unbekannte Gleichungen und 3 Unbekannte... 4
Wirtschaftswissenschaftliches Zentrum 3 Universität Basel Mathematik 2 Dr Thomas Zehrt Lineare Gleichungssysteme Inhaltsverzeichnis Einführung 2 2 Gleichungen und 2 Unbekannte 2 2 3 Gleichungen und 3 Unbekannte
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
Mehr