Kapitel 1: Die Mathematik der Quantenmechanik

Größe: px
Ab Seite anzeigen:

Download "Kapitel 1: Die Mathematik der Quantenmechanik"

Transkript

1 Kapitel 1: Die Mathematik der Quantenmechanik Übersicht: 1.1 Die lineare Algebra der Quantenmechanik 1.2 Bracket-Notation 1.3 Matrixdarstellung von Operatoren Literatur: K. Nipp, D. Stoffer, Lineare Algebra, 5. Auflage, vdf Verlag 2002 P. W. Atkins, Molecular Quantum Mechanics, 5. ed.: Kapitel 1, Mathematical Background 4 H. Primas, U. Müller-Herold, Elementare Quantenchemie, Kapitel 3 und Voraussetzungen: Mathematik für Naturwissenschaftler I,II bzw. Mathematische Methoden I, II PC II und PC III

2 Warum soll man sich mit der Quantenmechanik beschäftigen? Die Quantentheorie ist eine der grossen kulturellen Leistungen unseres Jahrhunderts und ein Teil der allgemeinen Bildung für all jene, die über die mathematischen Voraussetzungen zu ihrem Verständnis verfügen. Die eindrücklichen Erfolge der molekularen Quantenmechanik und ihr immenser praktischer Wert lassen es vor allem für den experimentell arbeitenden Naturwissenschaftler wünschenswert erscheinen, die Grundlagen der Quantenchemie auch in den Einzelheiten tiefer zu verstehen. aus dem Vorwort zu Primas, Müller-Herold, Elementare Quantenchemie

3 Die Bedeutung der Quantenmechanik für die Chemie Moleküle sind Quantensysteme: Ihre Struktur und Eigenschaften lassen sich mit der Quantenmechanik beschreiben und verstehen Die Quantenmechanik ist die grundlegende physikalische Theorie der Chemie: Jeder chemische Prozess folgt den quantenmechanischen Gesetzen Ein vertieftes Verständnis der Quantenstruktur von Molekülen und chemischen Reaktionen ermöglicht es, Molekül- und chemische Eigenschaften besser zu kontrollieren

4 1.1 Die lineare Algebra der Quantenmechanik Vektorräume Ein Vektorraum V ist eine Menge von Objekten (genannt Vektoren) mit den folgenden Eigenschaften: Es ist eine Addition definiert, so dass a+b=c mit {a,b,c} Vektoren aus V Es ist eine Multiplikation eines jeden Vektors a aus V mit einer Zahl α definiert, so dass αa wieder ein Element von V ist. Ist α reell (komplex), so spricht man von einem reellen (komplexen) Vektorraum. Des Weiteren gelten folgende Rechenregeln (mit {a,b,c} V, {α,β} R oder C) : 1. a + b = b + a (Kommutativität der Addition) 2. (a + b) + c = a + (b + c) (Assoziativität der Addition) 3. Es gibt einen Nullvektor 0, für den gilt: a + 0 = a 4. Zu jedem a existiert ein entgegengesetzter Vektor (-a), so dass gilt: a + (-a) = 0 5. α(βa) = (αβ)a (Assoziativität der Multiplikation) 6. (α + β) a = αa + βa und α (a + b) = αa + αb (Linearität) 7. 1a=a Beispiele: Tafel

5 1.1.2 Basen Linearkombination der Vektoren a (1), a (2),..., a (k) : Gilt für einen Vektor b V die Darstellung kx b = x i a (i) (1.1.1) mit geeignet gewählten Zahlen x1,..., xk, so spricht man von einer Linearkombination von b aus den Vektoren a (i). Der Vektor b ist von den Vektoren a (i) linear abhängig. Lässt sich b nicht gemäss Gl. (1.1.1) durch die Vektoren a (i) darstellen, nennt man b linear unabhängig von den a (i). Kann jeder Vektor b eines Vektorraums V als Linearkombination der Vektoren a (1), a (2),..., a (k) dargestellt werden, so bilden die Vektoren a (1), a (2),..., a (k) ein Erzeugendensystem von V. Einen minimalen Satz untereinander linear unabhängiger erzeugender Vektoren von V nennt man eine Basis. Die Anzahl k der Basisvektoren definiert die Dimension des Vektorraums. Ein Vektorraum heisst endlichdimensional, wenn die Anzahl der Basisvektoren {a (1),...,a (k) } endlich ist (k< ). Andernfalls heisst er unendlichdimensional (k= ). Grundsätzlich können verschiedene Basen für einen Vektorraum gewählt werden. Verschiedene Basen für einen Vektorraum bestehen jedoch immer aus gleich vielen Basisvektoren. Beispiele: Tafel i=1

6 Anwendung in der Quantenmechanik: Ein quantenmechanisches Problem ist definiert durch seinen Hamiltonoperator Ĥ Ĥ = ~2 d 2 2m dx 2 + V (x) Operator für die kinetische Energie T und die dazugehörige Schrödingergleichung Ĥ = E Operator für die potentielle Energie V (1.1.2) (1.1.3) Hamiltonoperator Wellenfunktion Energie Die Schrödingergleichung hat die mathematische Form einer Eigenwertgleichung (siehe Abschnitt 1.3). Typischerweise existieren mehrere Lösungen für die Wellenfunktion ψ=ψn mit Energien E=En. Mann nennt die Lösungen ψn Eigenfunktionen von Ĥ. Die Menge aller möglichen Funktionen, die die Differentialgleichung (1.1.3) lösen, bilden einen Vektorraum. Dieser Lösungsraum ist ein Teil (ein Unterraum) von C 2 [a,b], dem Raum der zweimal stetig differenzierbaren Funktionen im Intervall [a,b] (beachte: im Hamiltonoperator Gl. (1.1.2) kommt die zweite Ableitung vor!). Die Eigenfunktionen ψn bilden eine Basis für diesen Lösungsraum. Da jede Linearkombination von Vektoren wieder ein Element des Vektorraums ist, ist insbesondere jede Linearkombination von Lösungen wieder eine Lösung der Schrödingergleichung!

7 Bsp.: das Teilchen im Kasten: quantemechanische Behandlung der Translationsbewegung (siehe PC I) Ein Teilchen ist in einem eindimensionalen Kasten mit unendlich hohen Potentialwänden bei x=0 und x=l eingesperrt. Hamiltonoperator Ĥ: Ĥ = ~2 2m d 2 dx 2 + V (x) (1.1.4) mit V(x)=0 für 0<x<L und V(x)= für x 0 und X L. Die Lösungen der betreffenden Schrödingergleichung apple ~ 2 d 2 Ĥ = 2m dx 2 + V (x) = E (1.1.5) sind die Funktionen n = p 2/L sin(n x/l) mit der Quantenzahl n=1,2,3,... und den Energien (1.1.6) n= ψ (6) ψ (5) E (6) E (5) E n = n 2 h 2 /(8mL 2 ) (1.1.7) Alle möglichen Lösungen ψ bilden einen Vektorraum und die ψn eine Basis für den Raum der Lösungen: Jede Linearkombination = X k c n n (cn eine Zahl) ist n=1 wieder eine Lösung. Überprüfe durch Einsetzen in die Schrödingergleichung! ψ (4) ψ (3) ψ (2) ψ (1) E (4) E (3) E (2) E (1)

8 1.1.3 Skalarprodukte und Normen Eine Vorschrift, die jedem Paar von Vektoren a,b eines Vektorraums V eine Zahl a b zuordnet, nennt man Skalarprodukt, falls gilt: 1. Linear im ersten Faktor: (i) ha + b ci = ha ci + hb ci (ii) h a bi = ha bi für alle a,b V für alle a,b V, α eine Zahl (1.1.8) 2. Symmetrisch: ha bi = hb ai für alle a,b V 3. Positiv definit: (i) ha ai > 0 für alle a V (ii) aus ha ai =0folgt a=0 Für komplexe Vektorräume kann das Skalarprodukt komplexe Werte annehmen und ist antisymmetrisch: ha bi = hb ai (1.1.9) Wobei * die komplexe Konjugationsoperation (d.h. i * = -i) bedeutet. Die Bedingungen 1. und 3. aus (1.1.8) gelten unverändert. Die Vorschrift, die jedem a V die Zahl Beispiele: Tafel a := p ha ai (1.1.10) zuordnet, nennt man die vom Skalarprodukt induzierte Norm (Längenmessung) von a. Die Norm ist für reelle und komplexe Vektorräume immer positiv definit.

9 Einen Vektorraum mit Skalarprodukt und induzierter Norm bezeichnet man als Hilbertraum. Zwei Vektoren a,b V sind orthogonal, falls gilt: Ein Vektor a V ist normiert, falls gilt: ha bi =0 (1.1.11) a = p ha ai =1 (1.1.12) Sind zwei Vektoren ai, aj orthogonal und normiert nennt man sie orthonormiert: δij ist hier das Kronecker-Delta-Symbol: ij =1, ha i a j i = ij (1.1.13) ij =0, i = j i 6= j (1.1.14) Gültige quantenmechanische Wellenfunktionen sind immer orthonormiert! Eine komplexe Matrix A nennt man die Adjungierte zu einer Matrix A, falls gilt: ha a bi = ha Abi Die Matrixelemente A ij der Adjungierten A erhält man aus: A ij = A ji d.h. durch Komplex-konjugieren und Transponieren der Matrix A. (1.1.15) (1.1.16)

10 Anwendung in der Quantenmechanik: Die Lösungen der Schrödingergleichung (die Wellenfunktionen ψ) sind ein Unterraum von C 2 [a,b], dem Raum der komplexwertigen, zweimal stetig differenzierbaren Funktionen. Auf diesem Vektorraum ist das Skalarprodukt h i ji = Z b definiert mit der induzierten Norm a i j dx (1.1.17) i = s Z b a i idx (1.1.18) Das Intervall [a,b] ist dabei durch die Randbedingungen des jeweiligen Problems bestimmt. Bsp.: das Teilchen im Kasten. Die Wellenfunktionen sind reell (d.h. ψ * =ψ) und das Intervall [a,b]=[0,l]. Das Skalarprodukt und die Norm sind somit: h i ji = Z L 0 i jdx i = s Z L 0 2 i dx (1.1.19)

11 1.2 Bracket-Notation Der Zustand eines quantenmechanischen Systems wird durch seine Wellenfunktion ψ definiert. Symbolisch bezeichnet man einen Zustand mit einem Ket i. Ein Bra h bezeichnet eine komplex-konjugierte Wellenfunktion ψ*. Wird ein Ket von links mit einem Bra multipliziert, ergibt sich ein Bracket und man versteht darunter die Bildung des Skalarprodukts: h i = Z b a (x) (x)dx (1.2.1)

12 1.3 Matrixdarstellung von Operatoren Motivation: Lösen der Schrödingergleichung Der direkteste Weg zur Lösung eines quantenmechanischen Problems ist, eine mathematische Lösung zur betreffenden Schrödingergleichung zu suchen. Die Schrödingergleichung apple Ĥ (x) = ~ 2 2m d 2 dx 2 + V (x) (x) =E (x) (1.3.1) ist eine lineare Differentialgleichung zweiter Ordnung in Form einer Eigenwertgleichung. Sie ist jedoch nur für die einfachsten Probleme (Teilchen im Kasten, harmonischer Oszillator, Wasserstoffatom,...) analytisch lösbar. Ist eine analytische Lösung der Schrödingergleichung nicht möglich, kann man immer eine Matrixdarstellung H des Hamiltonoperators Ĥ finden und dessen Eigenwerte und Eigenfunktionen durch Matrixdiagonalisierung bestimmen.

13 1.3.2 Diagonalisieren von Matrizen Repetieren Sie hierzu die Berechnung von Eigenwerten und Eigenvektoren aus Ihrer Mathematikvorlesung! Eine reelle oder komplexe n n Matrix H heisst diagonalisierbar, wenn sie sich durch eine Ähnlichkeitstransformation mit einer n n Transformationsmatrix T auf Diagonalform bringen lässt: T 1 HT = Λ ist hier eine Diagonalmatrix von der Form = (1.3.2) (1.3.3) worin λ1, λ2,...,λn die n Eigenwerte von H bezeichnen. Die Kolonnen der Transformationsmatrix T werden durch die normierten Eigenvektoren e (1),..,e (n) von H aufgespannt: T = e (1) e (2)... e (n) (1.3.4)

14 Eigenwerte und Eigenvektoren bestimmt man durch Lösen der Matrix- Eigenwertgleichung: He (i) = i I n e (i) (1.3.5) wobei In die n n Einheitsmatrix bezeichnet: I n = (1.3.6) Die Eigenwerte berechnen sich durch Bestimmen der Nullstellen des charakteristischen Polynoms: det H I n =0 (1.3.7) welches man durch Berechnen der Determinante der Matrix H-λIn erhält. Die Eigenvektoren e (i) erhält man durch Lösen des Gleichungssystems (1.3.8) Beispiele entnehmen Sie Ihrer Mathematik-Vorlesung und Übung 1.

15 1.3.3 Vorgehen 1. Wähle eine geeignete Basis φ=φ1, φ2, φ3,... von Funktionen zur Aufstellung der Hamiltonmatrix H. Die Matrix wird umso einfacher, je mehr die φi den Lösungen ψi der Schrödingergleichung entsprechen. Die Basisfunktionen müssen so gewählt werden, dass sie die Randbedingungen des Problems erfüllen! 2. Formuliere die Hamiltonmatrix H in dieser Basis. Die Matrixelemente Hij sind dabei gegeben durch die Skalarprodukte H ij = h' i Ĥ' j i def = h' i Ĥ ' j i = Die Matrix ist dabei von folgender Form: ' 1 i ' 2 i ' 3 i h' 1 h' 2 h' 3 Bras konstant in den Zeilen Z b h' 1 Ĥ ' 1 i h' 1 Ĥ ' 2 i h' 1 Ĥ ' 3 i h' 2 Ĥ ' 1 i h' 2 Ĥ ' 2 i h' 2 Ĥ ' 3 i h' 3 Ĥ ' 1 i h' 3 Ĥ ' 2 i h' 3 Ĥ ' 3 i (1.3.9) Kets konstant in den Kolonnen (1.3.10) In vielen Fällen ist der Lösungsraum unendlich-dimensional, es müssten also unendlich viele Basisvektoren φi gewählt werden, was zu unendlich grossen Matrizen führt. In der Praxis wählt man dann nur eine endliche, aber genügend grosse Anzahl an Basisvektoren φi. a ' i (x)ĥ' j (x)dx

16 3. Diagonalisiere die Hamiltonmatrix H. Die Eigenwerte Ei von H sind die gesuchten Energien der Zustände, die zugehörigen Eigenvektoren die Wellenfunktionen ausgedrückt als Linearkombination der ursprünglichen Basisvektoren φi. Beispiel: Tafel Die Hamiltonmatrix H ist selbstadjungiert (auch hermitesch genannt), d.h. es gilt: H = H d.h. H ij = Hji (s. Gl. (1.1.15) und Gl. (1.1.16)). Hermitesche Matrizen besitzen folgende Eigenschaften: (1.3.11) Sie sind immer diagonalisierbar. Alle Eigenwerte sind reell. Eigenvektoren zu verschiedenen Eigenwerten sind orthogonal. (1.3.12) Die Transformationsmatrix T der Eigenvektoren ist dann unitär, d.h. es gilt: T = T 1 (1.3.13) Die Diagonalisierungsbedingung Gl. (1.3.2) für H vereinfacht sich dadurch zu: T HT = (1.3.14)

17 Ist die Hamiltonmatrix H reell, dann ist sie symmetrisch. Für diesen Fall gelten dann insbesonders: H = H T = H (1.3.15) wobei H T die transponierte Matrix von H ist. (Erklärung: Adjungieren bedeutet Transponieren und Komplex-konjugieren einer Matrix. Ist die Matrix reell, verändert Komplex-konjugieren die Matrix nicht und nur das Transponieren ist relevant.) Die Transformationsmatrix T ist in diesem Fall orthogonal, d.h. es gilt: T 1 = T = T T (1.3.16) Die Diagonalisierungsbedingung für H Gl. (1.3.2) vereinfacht sich dadurch zu: T T HT = (1.3.17) Völlig analog zum für den Hamiltonoperator Ĥ besprochenen Vorgehen lässt sich für jeden quantenmechanischen Operator Ô (Ort, Impuls, Drehimpuls, etc.) eine Matrixdarstellung finden. Die entsprechenden Matrizen sind immer hermitesch!

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

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

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Lineare 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

Outline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie

Outline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende

Mehr

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)

Vektorräume. 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

Mehr

1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.

1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. 1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit

Mehr

Lineare Algebra II 8. Übungsblatt

Lineare Algebra II 8. Übungsblatt Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.

Mehr

Projektarbeit Quantenmechanik II

Projektarbeit Quantenmechanik II Projektarbeit Quantenmechanik II Konzepte der Quantenmechanik Kets, Bras und Operatoren Gruppe Born Stefan Brünner, Corinna Gressl, Barbara Krebl Stefan Sattler, Hans-Peter Zach Sommersemester 2008 Abstract

Mehr

5 Lineare Algebra (Teil 3): Skalarprodukt

5 Lineare Algebra (Teil 3): Skalarprodukt 5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 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

Mehr

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

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

Mehr

10.2 Linearkombinationen

10.2 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

Mehr

3 Matrizenrechnung. 3. November

3 Matrizenrechnung. 3. November 3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige

Mehr

4.4 Eigenwerte und Eigenvektoren

4.4 Eigenwerte und Eigenvektoren 4.4-1 4.4 Eigenwerte und Eigenvektoren 4.4.1 Die Eulersche Gleichung Der Drehimpulsvektor kann folgendermaßen geschrieben werden, (1) worin die e i o Einheitsvektoren in Richtung der Hauptachsen sind,

Mehr

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2, Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

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

Mehr

Technische Universität München

Technische Universität München Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder

Mehr

Proseminar Lineare Algebra II, SS 11. Blatt

Proseminar Lineare Algebra II, SS 11. Blatt Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2

Mehr

Prüfung Lineare Algebra 2

Prüfung Lineare Algebra 2 1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,

Mehr

Mathematik für Chemische Technologie 2

Mathematik für Chemische Technologie 2 Mathematik für Chemische Technologie 2 Themenüberblick: Funktionen mehrerer unabhängigen Veränderlichen Vektoralgebra Lineare Gleichungssysteme und Determinanten Fehlerrechnung Schwerpunkt des Sommersemesters

Mehr

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn. Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung

Mehr

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016, Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren

Mehr

Mathematische Erfrischungen III - Vektoren und Matrizen

Mathematische Erfrischungen III - Vektoren und Matrizen Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen

Mehr

4 Lineare Abbildungen Basisdarstellungen

4 Lineare Abbildungen Basisdarstellungen 4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w

Mehr

45 Eigenwerte und Eigenvektoren

45 Eigenwerte und Eigenvektoren 45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.

Mehr

5.7 Lineare Abhängigkeit, Basis und Dimension

5.7 Lineare Abhängigkeit, Basis und Dimension 8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n

Mehr

In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,

In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum, 2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

Vektorräume und Lineare Abbildungen

Vektorräume 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

Mehr

4.1. Vektorräume und lineare Abbildungen

4.1. Vektorräume und lineare Abbildungen 4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt

Mehr

Lineare Algebra: Determinanten und Eigenwerte

Lineare Algebra: Determinanten und Eigenwerte : und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b

Mehr

Lineare Algebra - Zusammenfassung

Lineare Algebra - Zusammenfassung Lineare Algebra - Zusammenfassung Xiaojing George Zhang 15. Februar 2008 Zusammenfassung Eine Zusammenfassung basierend auf dem Skript Lineare Algebra für Ingenieure von Prof. H. Knörer und Lineare Algebra

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

LINEARE ALGEBRA FÜR ANALYSIS

LINEARE ALGEBRA FÜR ANALYSIS LINEARE ALGEBRA FÜR ANALYSIS ALBERTO S. CATTANEO Zusammenfassung. Eine Zusammenfassung der wichtigsten in der Analysis gebrauchten Grundbegriffe aus der linearen Algebra (speziell für diejenigen, die lineare

Mehr

Einführung 17. Teil I Zu den Grundlagen der linearen Algebra 21. Kapitel 1 Schnelleinstieg in die lineare Algebra 23

Einführung 17. Teil I Zu den Grundlagen der linearen Algebra 21. Kapitel 1 Schnelleinstieg in die lineare Algebra 23 Inhaltsverzeichnis Einführung 17 Zu diesem Buch 17 Konventionen in diesem Buch 17 Törichte Annahmen über den Leser 17 Wie dieses Buch aufgebaut ist 18 Teil I: Zu den Grundlagen der linearen Algebra 18

Mehr

6 Eigenwerte und Eigenvektoren

6 Eigenwerte und Eigenvektoren 6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,

Mehr

Musterlösungen zur Linearen Algebra II Übungsklausur

Musterlösungen zur Linearen Algebra II Übungsklausur Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,

Mehr

Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik

Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum

Mehr

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $

$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

Mehr

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele

Mehr

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).

Mehr

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

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? 1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2

Mehr

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

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

Mehr

Definitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.

Definitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}. Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren

Mehr

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,

Mehr

6 Vektorräume mit Skalarprodukt

6 Vektorräume mit Skalarprodukt 6 Vektorräume mit Skalarprodukt Der Begriff der linearen Abhängigkeit gestattet uns zu definieren, wann zwei bzw. drei Vektoren kollinear bzw. komplanar sind. Wir sind aber noch nicht in der Lage, die

Mehr

2.2 Kern und Bild; Basiswechsel

2.2 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare

Mehr

1.9 Eigenwerte und Eigenvektoren

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

Mehr

Rückblick auf die letzte Vorlesung

Rückblick auf die letzte Vorlesung Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform

Mehr

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Musterlösungen zur Linearen Algebra II Weihnachtszettel Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu

Mehr

Kapitel 3 Quadratische Formen und symmetrische Matrizen

Kapitel 3 Quadratische Formen und symmetrische Matrizen Kapitel 3 Quadratische Formen und symmetrische Matrizen 3.1 Skalarprodukte und Normen Das übliche Skalarprodukt für Vektoren aus dem R ist folgendermassen erklärt: ( ) ( ) x1 x v w = := x 1 x +y 1 y. y

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016 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

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,

Mehr

MC-Serie 11: Eigenwerte

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

Mehr

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß

Lineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn

Mehr

Lineare Algebra Zusammenfassung

Lineare Algebra Zusammenfassung Lineare Algebra Zusammenfassung Gruppen, Körper, Vektorräume Gruppen Def.: Eine Gruppe (G, )besteht aus einer nicht-leeren Menge G und einer Verknüpfung zwischen Elementen dieser Gruppe. Folgende Eigenschaften

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014 Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................

Mehr

Das inhomogene System. A x = b

Das inhomogene System. A x = b Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbestimmten hat immer mindestens die Lösung 0. Ist r der Rang von A, so hat das System n r Freiheitsgrade. Insbesondere gilt: Ist

Mehr

f f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.

f f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0. Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Zusammenfassung zum Thema Vektor- und Matrizenrechnung

Zusammenfassung zum Thema Vektor- und Matrizenrechnung Zusammenfassung zum Thema Vektor- und Matrizenrechnung Mathematischer Vorkurs für Physiker und Naturwissenschaftler WS 2014/2015 Grundbegriffe der Linearen Algebra Viele physikalische Größen (Geschwindigkeit,

Mehr

Klausurähnliche Aufgaben

Klausurähnliche Aufgaben Sommersemester 2007/08 Lineare Algebra Klausurähnliche Aufgaben Aufgabe 1 Seien v 1, v 2, v 3, v 4, v 5, v 6 die Vektoren in R 5 mit v 1 = (1, 2, 3, 1, 2), v 2 = (2, 4, 6, 2, 4), v 3 = ( 1, 1, 3, 0, 3),

Mehr

Lineare Algebra und analytische Geometrie II

Lineare Algebra und analytische Geometrie II Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 53 Norm von Endomorphismen und Matrizen Definition 53.1. Es seien V und W endlichdimensionale normierte K-

Mehr

1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von

1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von 1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von Wachstumsraten Bestimmung von Maximal- und Minimalwerten von

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/

Mehr

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau 312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind

Mehr

(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F.

(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F. Übung. Wiederholen Sie die folgenden Begriffe und geben sie jeweils Beispiele (a) Vektorraum (b) Vektorraumhomomorphismus mit Spezialfällen (c) Basis (d) Dualraum (e) Duale Basis (f) Koordinatenabbildung

Mehr

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über

Mehr

11. BASIS, UNTERRAUM, und DIMENSION

11. BASIS, UNTERRAUM, und DIMENSION 11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen

Mehr

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

Leitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.

Leitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar. Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen

Mehr

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,

Mehr

3 Lineare Differentialgleichungen

3 Lineare Differentialgleichungen 3 Lineare Differentialgleichungen In diesem Kapitel behandeln wir die allgemeine Theorie linearer Differentialgleichungen Sie werden zahlreiche Parallelen zur Theorie linearer Gleichungssysteme feststellen,

Mehr

1 Euklidische und unitäre Vektorräume

1 Euklidische und unitäre Vektorräume 1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen

Mehr

Kapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;

Kapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation; Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen

Mehr

Lineare Algebra I Zusammenfassung

Lineare Algebra I Zusammenfassung Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition

Mehr

Vektorräume. Kapitel Definition und Beispiele

Vektorräume. Kapitel Definition und Beispiele Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

8 Lineare Abbildungen und Matrizen

8 Lineare Abbildungen und Matrizen 8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume

Mehr

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1 UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive

Mehr

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w = 1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition

Mehr

Lineare Algebra und analytische Geometrie II

Lineare Algebra und analytische Geometrie II Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 39 Definitheit von Bilinearformen Wir möchten die symmetrischen Bilinearformen über den reellen Zahlen klassifizieren.

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

Klausur Lineare Algebra I & II

Klausur Lineare Algebra I & II Prof. Dr. G. Felder, Dr. Thomas Willwacher ETH Zürich, Sommer 2010 D MATH, D PHYS, D CHAB Klausur Lineare Algebra I & II Bitte ausfüllen! Name: Vorname: Studiengang: Bitte nicht ausfüllen! Aufgabe Punkte

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(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:

Mehr

1 Matrizenrechnung zweiter Teil

1 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

Mehr

Zur Struktur der Quantenmechanik

Zur Struktur der Quantenmechanik Kapitel 1 ur Struktur der Quantenmechanik 1.1 Der quantenmechanische Hilbert Raum Linearer ustandsraum Die quantenmechanischen ustände (z.b. ψ( x,t) für 1 Teilchen) bilden einen linearen Raum. Sind ψ 1

Mehr

9. Übung zur Linearen Algebra II -

9. Übung zur Linearen Algebra II - 9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).

Mehr

Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER

Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................

Mehr

Lehr- und Übungsbuch Mathematik für Informatiker

Lehr- und Übungsbuch Mathematik für Informatiker Lehr- und Übungsbuch Mathematik für Informatiker Lineare Algebra und Anwendungen Bearbeitet von Wolfgang Preuß, Günter Wenisch 1. Auflage 1996. Buch. 328 S. Hardcover ISBN 978 3 446 18702 3 Format (B x

Mehr

Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen

Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen Orthogonale und unitäre Endomorphismen Wir untersuchen nun lineare Abbildungen in euklidischen und unitären Vektorräumen

Mehr

Ferienkurs Quantenmechanik I WKB-Näherung und Störungstheorie

Ferienkurs Quantenmechanik I WKB-Näherung und Störungstheorie Ferienkurs Quantenmechanik I WKB-Näherung und Störungstheorie Sebastian Wild Freitag, 6.. Inhaltsverzeichnis Die WKB-Näherung. Grundlegendes............................. Tunnelwahrscheinlichkeit.......................

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 2 Ein guter Schüler lernt auch bei einem schlechten Lehrer Eigentheorie Unter einer Achsenspiegelung in der

Mehr

i) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.

i) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch. Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):

Mehr

Mathematik 2 für ET. Vektoren in R n und C n. Addition von Vektoren Multiplikation von Vektor und Skalar. Der Nullvektor 0 =

Mathematik 2 für ET. Vektoren in R n und C n. Addition von Vektoren Multiplikation von Vektor und Skalar. Der Nullvektor 0 = Mathematik 2 für ET # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit Das Lernen mit Lernkarten funktioniert

Mehr

Vektoren, Vektorräume

Vektoren, 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

Mehr