Mathematik 2 für Naturwissenschaften
|
|
- Alexandra Fiedler
- vor 6 Jahren
- Abrufe
Transkript
1 Hans Walser Mathematik 2 für Naturwissenschaften Modul 212 Determinanten
2 Hans Walser: Modul 212, Determinanten ii Modul 212 für die Lehrveranstaltung Mathematik 2 für Naturwissenschaften Sommer 2003 Probeausgabe Sommer 2004 Überarbeitung, neue Moduleinteilung Sommer 2005 Fehlerkorrekturen Sommer 2006 Kleine Ergänzung. Technische Überarbeitung Sommer 2007 Neue Moduleinteilung. Kürzungen. MathType. Zusammenfassung Frühjahr 2008 Geändertes Layout Frühjahr 2010 Erweiterung Frühjahr 2014 Technische Überarbeitung der Abbildungen. Neues Layout last modified: 26. Oktober 2013 Hans Walser Mathematisches Institut, Rheinsprung 21, 4051 Basel
3 Hans Walser: Modul 212, Determinanten iii Inhalt 1 (2, 2)-Matrizen Erinnerung Addition einer Spalte Vertauschen von Spalten Geometrische Bedeutung Multiplizieren einer Spalte (3, 3)-Matrizen Definition der Determinante Der Spat und sein Volumen Was ist ein Spat Spatvolumen Addition von Spalten Lineare Abhängigkeit und lineare Unabhängigkeit Situation Lineare Abhängigkeit: Folgen der linearen Abhängigkeit Lineare Unabhängigkeit: Folgen der linearen Unabhängigkeit Determinanten allgemein Erinnerungen an den Fall n = Analyse des Falles n = Übertragung auf den Fall n = Allgemeine Definition Entwickeln nach der ersten Zeile Beispiel n = Rechenbeispiel Sonderfall Dreiecksmatrix Untere Dreiecksmatrix Obere Dreiecksmatrix Umbau zur Dreiecksmatrix Rechenaufwand Anwendung der Definition Verfahren von LAPLACE Umbau zur Dreiecksmatrix mit Gauß-Algorithmus Übersicht Determinanten und Matrizenprodukt Zusammenfassung Matrizen Matrizen Eigenschaften von Determinanten Lineare Unabhängigkeit Lineare Abhängigkeit Determinanten allgemein... 24
4 Hans Walser: Modul 212, Determinanten 1 1 (2, 2)-Matrizen 1.1 Erinnerung Für eine (2, 2)-Matrix a 1,1 a 1,2 A = a 2,1 a 2,2 wird die Determinante nach folgender Formel berechnet: det( A) = a 1,1 a 2,2 a 1,2 a 2,1 Daraus folgt sofort, dass die transponierte Matrix A t a 1,1 a 2,1 = a 1,2 a 2,2 dieselbe Determinante hat. Das gilt auch allgemein für (n, n)-matrizen. 1.2 Addition einer Spalte a 1,1 a 1,2 a 1,1 + λa 1,2 a 1,2 A = a 2,1 a 2,2, A* = a 2,1 + λa 2,2 a 2,2 In der Matrix A* ist zur ersten Spalte das λ -fache der zweiten Spalte addiert worden. Dann ist det( A *) = Das gilt allgemein für (n, n)-matrizen: Wird zu einer Spalte ein Vielfaches einer anderen Spalte addiert, ändert sich die Determinante nicht. Wird zu einer Zeile ein Vielfaches einer anderen Zeile addiert, ändert sich die Determinante nicht. 1.3 Vertauschen von Spalten a 1,1 a 1,2 a 1,2 a 1,1 A = a 2,1 a 2,2, A* = a 2,2 a 2,1 In der Matrix A* sind die Spalten vertauscht worden. Dann ist det( A *) =
5 Hans Walser: Modul 212, Determinanten 2 Das gilt allgemein für (n, n)-matrizen: Werden in einer Matrix zwei Spalten vertauscht, ändert die Determinante das Vorzeichen. Werden in einer Matrix zwei Zeilen vertauscht, ändert die Determinante das Vorzeichen. Daraus können wir eine logische Folgerung ziehen: Sind in einer Matrix zwei Spalten gleich, ist ihre Determinante Null. Sind in einer Matrix zwei Zeilen gleich, ist ihre Determinante Null. Warum ist das so? Tipp: Die beiden Spalten vertauschen. 1.4 Geometrische Bedeutung Das Folgende gilt in dieser Form nur für (2, 2)-Matrizen. Für (n, n)-matrizen müssen wir die Dimension entsprechend erhöhen Wir arbeiten exemplarisch mit der Matrix A =. Die Vektoren u = und v = sind ihre beiden Spaltenvektoren. Diese beiden Vektoren spannen ein Parallelogramm 2 auf: v u Parallelogramm
6 Hans Walser: Modul 212, Determinanten 3 Nun addieren wir zu u das ( 1 2 ) -fache von v. Wir erhalten u* = u 0.5v = Dadurch ändert sich die Determinante nicht. Das Parallelogramm ändert seine Form, aber nicht seinen Flächeninhalt. v v u 0.5v u* u* Neues Parallelogramm mit gleichem Flächeninhalt 0 Wir fahren im gleichen Stil weiter: v* = v 0.4u* =. Die Determinante bleibt invariant, das Parallelogramm ändert seine Form, aber nicht seinen 2 Flächeninhalt. 0.4u* v* v u* Rechtecksfläche Das Parallelogramm ist nun ein Rechteck mit dem Flächeninhalt 5. Dies ist aber auch der Wert der Determinante. Allgemein: Wir beginnen mit einer Matrix a A = c a b mit den Spaltenvektoren u = und v =. c d b d
7 Hans Walser: Modul 212, Determinanten 4 Dann rechnen wir: und weiter: u* = u c d v = a c d b c c d d = a c 0 v* = v b a cb d 0 u* = d Die beiden Vektoren u* und v* spannen ein Rechteck mit dem Flächeninhalt ( a c d b )d = ad bc auf. Dies ist aber die Determinante der Matrix A. Noch ein Wort zur Vorsicht: Wenn wir die beiden Spalten vertauschen, ändert das Vorzeichen der Determinante. Kann aber ein Flächeninhalt negativ sein? Wir untersuchen die neue Matrix 1 3 A = mit u = und v =. Das sieht geometrisch so aus: 2 1 d b v + u u v Links alte, rechts neue Version In der Determinante bewirkt das Vertauschen zweier Spalten eine Vorzeichenänderung. Es ist daher sinnvoll, einen negativen Flächeninhalt einzuführen. Allgemein spricht man von einem orientierten Flächeninhalt, wenn die Orientierung des Drehwinkels vom ersten zum zweiten Vektor als Vorzeichen in den Flächeninhalt eingeht.
8 Hans Walser: Modul 212, Determinanten 5 Damit gilt: a b det c d = = orientierter Flächeninhalt des a von und c b d aufgespannten Parallelogramms 1.5 Multiplizieren einer Spalte Wird eine Spalte einer (2, 2)-Matrix mit einem Faktor λ multipliziert, ändert auch die Determinante um diesen Faktor. a 1,1 a 1,2 λa 1,1 a 1,2 A = a 2,1 a 2,2, A* = λa 2,1 a 2,2 In der Matrix A* ist zur ersten Spalte das λ -fache der ersten Spalte der Matrix A. Dann ist det( A *) = Wir können das auch geometrisch einsehen: das Parallelogramm wird in einer Richtung um den Faktor λ gestreckt. Das Resultat gilt aber allgemein für (n, n)-matrizen: Wird eine Spalte einer (n, n)-matrix mit einem Faktor λ multipliziert, ändert auch die Determinante um diesen Faktor. Wird eine Zeile einer (n, n)-matrix mit einem Faktor λ multipliziert, ändert auch die Determinante um diesen Faktor. Und wieder können wir eine logische Folgerung ziehen: Für (n, n)-matrizen gilt: Ist eine Spalte ein Vielfaches einer anderen Spalte, so ist die Determinante Null. Ist eine Zeile ein Vielfaches einer anderen Zeile, so ist die Determinante Null. Warum ist das so? Tipp: Faktor herausnehmen, es bleiben zwei gleiche Spalten.
9 Hans Walser: Modul 212, Determinanten 6 2 (3, 3)-Matrizen Alle Feststellungen des vorhergehenden Abschnittes gelten auch hier, lediglich die geometrische Bedeutung müssen wir adaptieren. 2.1 Definition der Determinante Wir gehen aus von der Matrix: Dann ist a 1,1 a 1,2 a 1,3 A = a 2,1 a 2,2 a 2,3 a 3,1 a 3,2 a 3,3 det( A) = a 1,1 a 2,2 a 3,3 a 1,1 a 2,3 a 3,2 a 1,2 a 2,1 a 3,3 +a 1,2 a 2,3 a 3,1 + a 1,3 a 2,1 a 3,2 a 1,3 a 2,2 a 3,1 Rechenschema: a 1, 1 a 1, 2 a 1, 3 a 1, 1 a 1, 2 a 2, 1 a 2, 2 a 2, 3 a 2, 1 a 2, 2 a 3, 1 a 3, 2 a 3, 3 a 3, 1 a 3, 2 minus plus Rechenschema Dieses Rechenverfahren geht auf Pierre Frédéric SARRUS ( ) zurück. Beispiel: det( A) = A =
10 Hans Walser: Modul 212, Determinanten Der Spat und sein Volumen Was ist ein Spat Die drei Spaltenvektoren spannen ein Parallelepiped oder Spat auf. Das ist das dreidimensionale Analogon zum Parallelogramm. Die Schwierigkeit ist, die schiefen Winkel als solche zu erkennen. Unser Gehirn orthogonalisiert die Winkel Spatvolumen Spat oder Quader? Orthogonalisierung im Kopf w u v Parallelepiped (Spat) Die Determinante ist nun das orientierte Spatvolumen. Die Orientierung ist positiv, wenn die drei Vektoren wie Daumen, Zeigefinger und Mittelfinger der rechten Hand stehen.
11 Hans Walser: Modul 212, Determinanten Addition von Spalten A := det( A) := µ 2 A_neu := µ µ 5 det( A_neu) := 62 Für (n, n)-matrizen gilt: Wir können zu einer Spalte eine Linearkombination anderer Spalten addieren, ohne dass sich die Determinante ändert. Wir können zu einer Zeile eine Linearkombination anderer Zeilen addieren, ohne dass sich die Determinante ändert. Warum gilt nun die folgende Regel?: Für (n, n)-matrizen gilt: A := det( A) := µ 2 A_neu := µ µ 5 det( A_neu) := 0 Ist eine Spalte eine Linearkombination von anderen Spalten, so ist die Determinante Null. Ist eine Zeile eine Linearkombination von anderen Zeilen, so ist die Determinante Null. 3 Lineare Abhängigkeit und lineare Unabhängigkeit 3.1 Situation Wir haben n Elemente{ v 1,...,v n }, zum Beispiel: Spalten einer Matrix
12 Hans Walser: Modul 212, Determinanten 9 Zeilen einer Matrix Vektoren Lineare Gleichungen mit n Unbekannten 3.2 Lineare Abhängigkeit: Mindestens ein v i v 1,....,v n { } kann als Linearkombination von anderen v j v 1,....,v n { } dargestellt werden Folgen der linearen Abhängigkeit Quadratische n,n-matrix A: Wenn die Zeilen (und damit auch die Spalten) linear abhängig sind, dann ist: det (A) = 0, kein Inverses, Rang r < n Vektoren: Dimensionsverlust, Inhalt = 0 Gleichungssystem: Unendlich viele Lösungen 3.3 Lineare Unabhängigkeit: Jedes v i { v 1,...,v n } ist wesentlich Folgen der linearen Unabhängigkeit Quadratische n,n-matrix A: Wenn die Zeilen (und damit auch die Spalten) linear unabhängig sind, dann ist: det (A) 0, reguläre Matrix Inverses existiert Rang r = n Vektoren: Volle Dimension Inhalt 0
13 Hans Walser: Modul 212, Determinanten 10 Gleichungssystem: Genau eine Lösung 4 Determinanten allgemein 4.1 Erinnerungen an den Fall n = 3 a 1, 1 a 1, 2 a 1, 3 a 1, 1 a 1, 2 a 2, 1 a 2, 2 a 2, 3 a 2, 1 a 2, 2 a 3, 1 a 3, 2 a 3, 3 a 3, 1 a 3, 2 minus Rechenschema plus a 1, 1 a 1, 2 a 1, 3 a 2, 1 a 2, 2 a 2, 3 a 3, 1 a 3, 2 a 3, 3 a 1, 1 a 1, 2 a 1, 3 minus plus a 2, 1 a 2, 2 a 2, 3 Stapeln
14 Hans Walser: Modul 212, Determinanten 11 a 1, 1 a 1, 2 a 1, 3 a 2, 1 a 2, 2 a 2, 3 a 3, 1 a 3, 2 a 3, 3 minus plus Kurvenfahren 4.2 Analyse des Falles n = 3 Leider gibt es für (4, 4)-Matrizen und größere kein Rechenschema mit ausschließlich Diagonalen. Das Berechnen der Determinanten ist aufwändiger. Dazu studieren wir nochmals den uns bekannten Fall der (3, 3)-Matrizen. a 1,1 a 1,2 a 1,3 A = a 2,1 a 2,2 a 2,3 a 3,1 a 3,2 a 3,3 det( A) = a 1,1 a 2,2 a 3,3 a 1,1 a 2,3 a 3,2 a 1,2 a 2,1 a 3,3 + a 1,2 a 2,3 a 3,1 + a 1,3 a 2,1 a 3,2 a 1,3 a 2,2 a 3,1 In jedem Summanden sind die ersten Indizes der drei Faktoren 1, 2, 3 in dieser Reihenfolge. In der Matrix gehen wir also von oben nach unten. Jeder Summand ist von der Form a 1,i a 2, j a 3,k Wie viele Möglichkeiten gibt es nun für die zweiten Indizes? Da jede der drei Zahlen 1, 2, 3 vorkommen soll, können wir einen kombinatorischen Baum studieren:
15 Hans Walser: Modul 212, Determinanten 12 1** 12* 13* 123 Ausgangslage 132 ungerade Anzahl Vertauschungen *** 2** 21* 23* 213 ungerade Anzahl Vertauschungen 231 gerade Anzahl Vertauschungen 3** 31* 32* 312 gerade Anzahl Vertauschungen 321 ungerade Anzahl Vertauschungen Möglichkeiten Wir haben 3! = 6 Permutationen der Ziffern 1, 2, 3. Bei drei Permutationen genügt eine einzige Vertauschung (ungerade Permutation), bei den anderen brauchen wir keine oder zwei Vertauschungen (gerade Permutation). Die geraden Permutationen stehen bei den positiven Summanden, die ungeraden bei den negativen Summanden. Die folgende Grafik versucht, die 3! = 6 Fälle als Wege von oben nach unten zu illustrieren. Gestrichelte Linien entsprechen den ungeraden Permutationen, also den negativ zu rechnenden Summanden. a 1, 1 a 1, 2 a 1, 3 a 1, 1 a 1, 2 a 1, 3 a 2, 1 a 2, 2 a 2, 3 a 2, 1 a 2, 2 a 2, 3 a 3, 1 a 3, 2 a 3, 3 a 3, 1 a 3, 2 a 3, 3 minus plus Rechenschema
16 Hans Walser: Modul 212, Determinanten Übertragung auf den Fall n = 4 Wenn wir das nun auf (4, 4)-Matrizen übertragen wollen, müssen wir mit 4! = 24 Summanden rechnen. Dies ist tatsächlich der Fall, wie Maple zeigt: a a a a 11, 12, 13, 14, a a a a 21, 22, 23, 24, A := a a a a 31, 32, 33, 34, a a a a 41, 42, 43, 44, det( A) := a a a a a a a a a a a a 11, 22, 33, 44, 11, 22, 34, 43, 11, 32, 23, 44, + a a a a + a a a a a a a a 11, 32, 24, 43, 11, 42, 23, 34, 11, 42, 24, 33, a a a a + a a a a + a a a a 21, 12, 33, 44, 21, 12, 34, 43, 21, 32, 13, 44, a a a a a a a a + a a a a 21, 32, 14, 43, 21, 42, 13, 34, 21, 42, 14, 33, + a a a a a a a a a a a a 31, 12, 23, 44, 31, 12, 24, 43, 31, 22, 13, 44, + a a a a + a a a a a a a a 31, 22, 14, 43, 31, 42, 13, 24, 31, 42, 14, 23, a a a a + a a a a + a a a a 41, 12, 23, 34, 41, 12, 24, 33, 41, 22, 13, 34, a a a a a a a a + a a a a 41, 22, 14, 33, 41, 32, 13, 24, 41, 32, 14, 23, Wir analysieren je einen positiven und einen negativen Summanden:
17 Hans Walser: Modul 212, Determinanten Allgemeine Definition Zur Definition der Determinante einer (n, n)-matrix gehen wir wie folgt vor. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = :. :. :. a n,1 a n,2 a n,n Es sei σ eine Permutation der Zahlen 1, 2,, n. Es gibt insgesamt n! solcher Permutationen σ. Ferner sei: sgn signum Vorzeichen ( σ ) = +1 falls σ gerade 1 falls σ ungerade Dann ist: ( ) = sgn( σ ) det A a 1,σ ( 1) a 2,σ( 2) a n,σ( n) Summe über alle σ Diese Definition der Determinante geht auf LEIBNIZ zurück. Gottfried Wilhelm von LEIBNIZ,
18 Hans Walser: Modul 212, Determinanten Entwickeln nach der ersten Zeile Beispiel n = 4 Zunächst die Permutationen von 1, 2, 3, 4: Die 4! = 24 Permutationen Nun zeichnen wir die Wege des ersten Blockes ein: a 1, 1 a 1, 2 a 1, 3 a 1, 4 a 2, 1 a 2, 2 a 2, 3 a 2, 4 a 3, 1 a 3, 2 a 3, 3 a 3, 4 a 4, 1 a 4, 2 a 4, 3 a 4, 4 Wege des ersten Blockes. Wie geht es weiter? Der erste Block zeigt folgendes: Wir müssen das Element a 11 mit der Determinante der Untermatrix aus den drei Zeilen und drei Spalten rechts unten multiplizieren. Weiter ist dann das Element a 12 mit der Determinante der Untermatrix, die aus den drei unteren Zeilen und der ersten, dritten und vierten Spalte besteht, zu multiplizieren; zusätzlich ist das Vorzeichen zu wechseln, weil wir eine Permutation weiter sind. So wird die ganze erste Zeile durchgearbeitet. Die Vorzeichen wechseln ab, die Untermatrix ergibt sich jeweils durch Streichen der ersten Zeile und Spalte Nr. j, in der das Element a 1j sitzt. Dieses Verfahren heißt Entwickeln nach der ersten Zeile. Wir können auch nach einer anderen Zeile entwickeln, müssen dabei mit dem richtigen Vorzeichen beginnen in der zweiten Zeile mit dem Minuszeichen, in der dritten aber
19 Hans Walser: Modul 212, Determinanten 16 mit dem Pluszeichen und so weiter und für die Untermatrix jeweils die betreffende Zeile und die aktuelle Spalte streichen. Sinngemäß kann auch nach einer Spalte entwickelt werden. In der Praxis ist es sinnvoll, nach einer Zeile oder Spalte zu entwickeln, welche möglichst viel Nullen enthält. Dieses Verfahren wurde von LAPLACE erarbeitet. Walser Pierre-Simon LAPLACE, Rechenbeispiel det(a) = A =
20 Hans Walser: Modul 212, Determinanten 17 Wir erhalten mit großem Rechenaufwand: 4.6 Sonderfall Dreiecksmatrix det(a) = Untere Dreiecksmatrix Eine untere Dreiecksmatrix hat oberhalb der Hauptdiagonalen nur Nullen. Maple gibt: a , a a , 22, A := a a a , 32, 33, a a a a 0 41, 42, 43, 44, a a a a a 51, 52, 53, 54, 55, det( A) := a a a a a 11, 22, 33, 44, 55, Es gilt: Determinante = Produkt der Diagonalelemente. Warum ist das so? Obere Dreiecksmatrix Eine obere Dreiecksmatrix hat unterhalb der Hauptdiagonalen nur Nullen. Maple gibt: a a a a a 11, 12, 13, 14, 15, 0 a a a a 22, 23, 24, 25, A := 0 0 a a a 33, 34, 35, a a 44, 45, a 55, det( A) := a a a a a 11, 22, 33, 44, 55, Es gilt auch in diesem Fall: Determinante = Produkt der Diagonalelemente
21 Hans Walser: Modul 212, Determinanten Umbau zur Dreiecksmatrix Bei einer Dreiecksmatrix ist die Determinante das Produkt der Elemente in der Hauptdiagonalen und daher sehr schnell berechnet. Wir nützen das aus, indem wir eine beliebige Matrix so in eine Dreiecksmatrix umbauen, dass sich ihre Determinante nicht ändert. Dies geschieht, indem wir geeignete Zeilen addieren, wie wir das schon beim Gauß Algorithmus gemacht haben. Beispiel: Erster Schritt: A = A = erste Zeile erste Zeile 0.5 erste Zeile Zweiter Schritt: A* = zweite Zeile 0.6 zweite Zeile
22 Hans Walser: Modul 212, Determinanten 19 Dritter Schritt: A ** = dritte Zeile Wir erhalten damit: und: A *** = det(a) = det(a*) = det(a **) = det(a ***) = ( 3.6) ( 2) = Rechenaufwand Zur Abschätzung des Rechenaufwandes der verschiedenen Methoden zählen wir die Anzahl der benötigten Multiplikationen und Divisionen ( Punktoperationen ) Anwendung der Definition n = n = 5
23 Hans Walser: Modul 212, Determinanten Verfahren von LAPLACE n = n = Umbau zur Dreiecksmatrix mit Gauß-Algorithmus n = n = 5
24 Hans Walser: Modul 212, Determinanten Übersicht Die folgende Tabelle gibt einen Vergleich bis n = 20: n Definition Laplace Gauß '600 1' '240 8' '240 69' '903' ' '659'200 6'235' '168'000 68'588' '269'017' '059' '724'249'600 10'699'776' '133'317'785' '796'873' '307'441'152'000 2'246'953'104' '841'848'320'000 35'951'249'665' '690'998'849'536' '171'244'308' '840'352'997'376'000 11'001'082'397'556' '189'611'807'358'980' '020'565'553'572' '225'138'155'356'200'000 4'180'411'311'071'440' Bemerkung: Der Anzahl der benötigten Punktoperationen beim Verfahren von Gauß kann mit der Formel 1 3 n3 + 2n 3 ( ) direkt berechnet werden.
25 Hans Walser: Modul 212, Determinanten 22 5 Determinanten und Matrizenprodukt Wir wählen zwei Matrizen A und B und berechnen deren Produkt AB. Dann berechnen wir die Determinanten: det(a), det(b) und det(ab) Allgemein gilt für (n, n)-matrizen: det(ab) = det(a) det(b) Folgerung: det( AA 1 ) = det( A) det( A 1 ) det( E) = det( A) det( A 1 ) det A 1 ( ) 1 = det( A) det A 1 ( ) = 1 det( A) ( ) = det A det A 1 ( ( )) 1 Für (n, n)-matrizen gilt: det A 1 ( ) = 1 ( ) det A
26 Hans Walser: Modul 212, Determinanten 23 6 Zusammenfassung Matrizen a 1,1 a 1,2 A = a 2,1 a 2,2 det( A) = a 1,1 a 2,2 a 1,2 a 2,1 Geometrische Bedeutung: Orientierter Flächeninhalt des durch die beiden Spaltenvektoren aufgespannten Parallelogramms Matrizen det A ( ) = a 1,1 a 2,2 a 3,3 a 1,1 a 2,3 a 3,2 a 1,2 a 2,1 a 3,3 + a 1,2 a 2,3 a 3,1 + a 1,3 a 2,1 a 3,2 a 1,3 a 2,2 a 3,1 a 1, 1 a 1, 2 a 1, 3 a 1, 1 a 1, 2 a 2, 1 a 2, 2 a 2, 3 a 2, 1 a 2, 2 a 3, 1 a 3, 2 a 3, 3 a 3, 1 a 3, 2 minus plus Geometrische Bedeutung: Orientiertes Volumen des durch die drei Spaltenvektoren aufgespannten Spates. 6.3 Eigenschaften von Determinanten Alle folgenden Regeln gelten auch für Zeilen. - Wird zu einer Spalte ein Vielfaches einer anderen Spalte addiert, ändert sich die Determinante nicht. - Wir können zu einer Spalte eine Linearkombination anderer Spalten addieren, ohne dass sich die Determinante ändert. - Werden in einer Matrix zwei Spalten vertauscht, ändert die Determinante das Vorzeichen. - Sind in einer Matrix zwei Spalten gleich, ist ihre Determinante Null. - Ist eine Spalte eine Linearkombination von anderen Spalten, so ist die Determinante Null. - Wird eine Spalte einer (n, n)-matrix mit einem Faktor λ multipliziert, ändert auch die Determinante um diesen Faktor.
27 Hans Walser: Modul 212, Determinanten 24 det(ab) = det(a) det(b) ( ) = 1 det A 1 ( ) det A 6.4 Lineare Unabhängigkeit Jedes v i v 1,....,v n { } ist wesentlich Quadratische n,n-matrix A: Wenn die Zeilen (und damit auch die Spalten) linear unabhängig sind, dann ist: det (A) 0, reguläre Matrix, Inverses existiert, Rang r = n Vektoren: Volle Dimension, Inhalt 0 Gleichungssystem: Genau eine Lösung 6.5 Lineare Abhängigkeit { } kann als Linearkombination von anderen { } dargestellt werden Mindestens ein v j v 1,....,v n v i v 1,....,v n Quadratische n,n-matrix A: Wenn die Zeilen (und damit auch die Spalten) linear abhängig sind, dann ist: det (A) = 0, kein Inverses, Rang r < n Vektoren: Dimensionsverlust, Inhalt = 0 Gleichungssystem: Unendlich viele Lösungen 6.6 Determinanten allgemein Laplace: Entwickeln nach der ersten Zeile Gauß: Umbau zu Dreiecksmatrix, dann Produkt der Diagonalenelemente
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
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
Mehr1 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
MehrMatrizen, 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
Mehr5.1 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
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrVektorräume 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
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrSkript 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.................................
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 203 Stochastische Unabhängigkeit Hans Walser: Modul 203, Stochastische Unabhängigkeit ii Inhalt 1 Bedingte Wahrscheinlichkeit... 1 1.1 Feuermeldeanlage,
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrLineare 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
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
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
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
Mehr(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:
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
Mehr4 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) in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a 1. b 2. ) und b = ( b 1
45 Determinanten Die orientierte Fläche eines von zwei Vektoren a ( a, a und b ( b, b in der Ebene aufgespannten Parallelogramms ist, wie wir wissen, gleich a b a b Bis auf das Vorzeichen ist dies der
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrGilt jedoch. det A = 0, so besagt dies:
3 eterminanten 3 efinition - Bedeutung - Anwendung urch eine spezielle Rechenvorschrift lassen sich jeder quadratischen Matrix A reelle Zahlenwerte zuordnen Man bezeichnet den Zahlenwert, der einer quadratischen
MehrDer Rang einer Matrix A. Beispiel
Der Rang einer Matrix A ist gleich Anzahl der Zeilen ungleich 0, nachdem die Matrix durch elementare Zeilenoperationen in Zeilenstufenform gebracht worden ist. Bezeichnung: ranga oder rga. Beispiel A =
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix
5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix Jörn Loviscach Versionsstand: 20. März 2012, 16:02 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrLineare 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
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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.
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
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 Roger Burkhardt roger.burkhardt@fhnw.ch
MehrMC-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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
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
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrLösungen zum 5. Aufgabenblatt
SS 2012, Lineare Algebra 1 Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com
MehrSpezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation
. Inhaltsverzeichnis.............. Spezialgebiet Mathematik(Christian Behon ) 1 Matrizen Kapitel 1 Definitionen und Herleitung von Matrizen 1.1 Was sind Matrizen 1.2 Arten von Matrizen Kapitel 2 Matrizenoperation
MehrLineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
Mehr3.11 Volumen und Determinanten
Im Wintersemester 2012/13 wurde in der Vorlesung Höhere Mathematik 1 für Ingenieurstudiengänge die Behandlung der Determinante neu gefasst: 311 Volumen und Determinanten 3111 Berechnung von Flächeninhalten
MehrAussagenlogik. 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
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrKommentiertes Beispiel für das Gaußsche Eliminationsverfahren
Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren oder: Wie rechnet eigentlich der TI 84, wenn lineare Gleichungssysteme gelöst werden? Hier wird an einem Beispiel das Gaußsche Verfahren zum
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrKapitel V. Determinanten
Kapitel V. Determinanten Inhalt: 16. Definition und Eigenschaften der Determinante 17. Anwendung auf lineare Gleichungssysteme 18. Determinante eines Endomorphismus Lineare Algebra, Teil I 28. Januar 2011
MehrMathematik für die Sekundarstufe 1
Hans Walser Mathematik für die Sekundarstufe 1 Modul 203 Zusammensetzung von Geradenspiegelungen Symmetriegruppen Hans Walser: Modul 203, Zusammensetzung von Geradenspiegelungen. Symmetriegruppen ii Inhalt
MehrAbschnitt: Determinanten
Abschnitt: Determinanten Bezeichnung Die i-te Zeile werden wir mit [a i ] bezeichnen Die Null-Zeile werden wir mit 0 bezeichnen A = a 11 a 1n a n1 a nn = [a 1 ] [a n] Def Eine Abbildung det : Mat(n, n)
MehrV DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren
SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrLineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap
Lineare Algebra und Geometrie für LehramtskandidatInnen (Kapitel 6 9) Wintersemester 2010/11 Andreas Čap Fakultät für Mathematik, Universität Wien, Nordbergstraße 15, A 1090 Wien E-mail address: Andreas.Cap@esi.ac.at
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
MehrKapitel 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
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrLösungen zur Mathematik für Informatiker I
Lösungen zur Mathematik für Informatiker I Wintersemester 00/03 Prof Dr H Lenzing Blatt 7 Sei M Ihre Matrikelnummer mit den Ziffern m, m, m 3, m 4, m 5, m 6, m 7 Aufgabe 6 ( Bonuspunkt): Wir betrachten
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für den Pflichtteil Baden-Württemberg mit Tipps und Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für den Pflichtteil Baden-Württemberg mit Tipps und Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Themen des Pflichtteils... Analysis Von der Gleichung
MehrGeometrie. Bei der Addition von Vektoren erhält man einen Repräsentanten des Summenvektors +, indem man die Repräsentanten von aneinanderfügt:
Geometrie 1. Vektoren Die Menge aller zueinander parallelen, gleich langen und gleich gerichteten Pfeile werden als Vektor bezeichnet. Jeder einzelne Pfeil heißt Repräsentant des Vektors. Bei Ortsvektoren:
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Mehr45 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.
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrWirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2015 (a + b) 2 = a 2 +2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) =a 2 b 2 Fakultät (Faktorielle) n! =1 2 3 4 (n 1) n Intervalle Notation
MehrProseminar 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
MehrRechnen mit Vektoren. 1. Vektoren im Koordinatensystem Freie Vektoren in der Ebene
Rechnen mit 1. im Koordinatensystem 1.1. Freie in der Ebene 1) Definition Ein Vektor... Zwei sind gleich, wenn... 2) Das ebene Koordinatensystem Wir legen den Koordinatenursprung fest, ferner zwei zueinander
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
MehrMathematische 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
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
MehrDownload. Basics Mathe Gleichungen mit Klammern und Binomen. Einfach und einprägsam mathematische Grundfertigkeiten wiederholen.
Download Michael Franck Basics Mathe Gleichungen mit Klammern und Binomen Einfach und einprägsam mathematische Grundfertigkeiten wiederholen Downloadauszug aus dem Originaltitel: Basics Mathe Gleichungen
Mehr3 Matrizen und Determinanten
31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrMathematik I Übungsblatt 5 WS 12/13 Prof. Dr. W. Konen, Dr.A.Schmitter
Bereiten Sie die Aufgaben parallel zu den in der Vorlesung besprochenen Themen für die nächsten Übungsstunden jeweils vor! Aufgabe 5.1 Vektoroperationen Gegeben sind die folgenden Vektoren: u = 3 1 2 v
Mehr