, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download ", v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }."

Transkript

1 154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 = und v 4 = Also ist V 1 die Gerade durch den Ursprung mit Richtungsvektor v Sei V = v 1, v der von den Vektoren v 1 und v aufgespannte Vektorraum. Das heisst, V = { c 1 v 1 +c v c 1,c R }. Insbesondere sind e 1 = 1 v v und e 3 = 1 v 1 1 v in V. Der Vektorraum V ist also die xz-ebene. 3. Sei V 3 = v 1, v, v 3. Der Vektor v 3 ist eine Linearkombination der Vektoren v 1 und v, v 3 = v 1 + v Also ist v 3 V und damit ist V 3 = V = v 1, v.

2 Sei V 4 = v 1, v, v 4. Nun ist v 4 keine Linearkombination der Vektoren v 1 und v. Da v 4 = e, sehen wir sofort, dass V 4 = R 3. Man möchte nun einen Vektorraum V = v 1,..., v r in R n mit möglichst wenigen Vektoren erzeugen. Wir haben im 3. gesehen, dass man einen Vektor v i weglassen kann, wenn man ihn als Linearkombination der anderen Vektoren schreiben kann. Definition Sei r. Die Vektoren v 1,..., v r in R n heissen linear abhängig, wenn sich einer der r Vektoren als Linearkombination der anderen r 1 Vektoren schreiben lässt. Ist dies nicht möglich, dann nennt man die Vektoren v 1,..., v r linear unabhängig. ( 1 ( 1 ( 7 Sind die Vektoren v 1 =, v =, v 3 = 1 linear abhängig? Wie überprüft man aber nun, dass gewisse Vektoren linear unabhängig sind? Dazu benutzt man eine äquivalente Definition von linear (un-abhängig. Und zwar sind die Vektoren v 1,..., v r in R n linear unabhängig, falls die Gleichung nur die (triviale Lösung c 1 v 1 + +c r v r = 0 c 1 = c = = c r = 0 hat. Andernfalls nennt man v 1,..., v r linear abhängig. Beschränken wir uns jedoch auf Vektoren in R und R 3, dann kann die Frage nach der linearen (Un-Abhängigkeit mit Hilfe von geometrischen Betrachtungen beantwortet werden. Vektoren in R Vektoren sind linear abhängig einer ist ein Vielfaches des anderen sie liegen auf der gleichen Geraden durch den Ursprung

3 156 3 oder mehr Vektoren sind stets linear abhängig. Machen wir nämlich den Ansatz c 1 v 1 +c v +c 3 v 3 = 0 für die drei Vektoren v 1, v, v 3 in R, dann ist dies ein homogenes lineares Gleichungssystem mit Gleichungen in den 3 Unbekannten c 1, c, c 3. Nach Satz 7.3 hat dieses unendlich viele Lösungen, insbesondere eine nichttriviale Lösung. Vektoren in R 3 Vektoren sind linear abhängig einer ist ein Vielfaches des anderen sie liegen auf der gleichen Geraden durch den Ursprung 3 Vektoren sind linear abhängig sie liegen auf der gleichen Ebene durch den Ursprung z z u u v y v y w w linear abhängige Vektoren linear unabhängige Vektoren x x 4 und mehr Vektoren sind stets linear abhängig Die letzte Aussage bei Vektoren in R und R 3 gilt allgemeiner. Satz 9.1 Seien v 1,..., v r Vektoren in R n. Ist r > n, dann sind v 1,..., v r linear abhängig. Begründen kann man dies wie in R mit Hilfe von Satz 7.3 über homogene lineare Gleichungssysteme (man hat n Gleichungen und r > n Unbekannte. Wie können wir konkret überprüfen, ob drei Vektoren in R 3 linear unabhängig sind oder nicht? Nun, drei Vektoren v 1, v, v 3 in R 3 spannen genau dann ein Parallelepiped auf, wenn sie linear unabhängig sind (d.h. nicht in einer Ebene liegen. In diesem Fall (und nur in diesem ist das Volumen dieses Parallelepipeds eine Zahl ungleich Null. Nach Satz 8.6 ist dieses Volumen gleich det(a, wobei A die 3 3-Matrix mit den Spalten v 1, v, v 3 ist. Es gilt also: v 1, v, v 3 linear unabhängig det(a 0 Auch dies gilt allgemeiner.

4 157 Satz 9. Seien v 1,..., v n Vektoren in R n und A die n n-matrix mit v 1,..., v n als Spalten. Dann gilt v 1,..., v n linear unabhängig det(a 0 e 1. Sind die Vektoren v 1 = ( 3 und v = ( 1 8 linear abhängig? ( 1 ( 0 ( 0 1. Sind die Vektoren v 1 =, v = und v 3 = linear abhängig? 1 3 ( 1 ( 1 ( 7 3. Auf Seite 149 haben wir gesehen, dass v 1 =, v =, v 3 = 1 linear abhängig sind. 9.3 Basis und Dimension Im letzten Abschnitt haben wir versucht, einen Vektorraum mit so wenigen Vektoren wie möglich zu erzeugen. Wird ein Vektorraum V = v 1,..., v r in R n mit linear abhängigen Vektoren v 1,..., v r erzeugt, so kann mindestens ein Vektor (einer, der sich als Linearkombination der anderen schreiben lässt weggelassen werden, ohne dass sich der Vektorraum V verkleinert. Optimal ist also, einen Vektorraum mit linear unabhängigen Vektoren zu erzeugen. Man nennt diese Vektoren dann eine Basis des Vektorraums. Definition Vektoren v 1,..., v n bilden eine Basis eines Vektorraums V, wenn sie die folgenden zwei Bedingungen erfüllen: (1 V = v 1,..., v n, das heisst, v 1,..., v n erzeugen V ( v 1,..., v n sind linear unabhängig Man nennt v 1,..., v n Basisvektoren von V. Basen sind wegen der folgenden Tatsache sehr wichtig und nützlich.

5 158 Satz 9.3 Bilden v 1,..., v n eine Basis des Vektorraums V, so kann jeder Vektor v in V eindeutig geschrieben werden als mit reellen Zahlen c 1,...,c n. Basen von R v = c 1 v 1 + +c n v n In Kapitel 7 haben wir bemerkt, dass die Schreibweise v = ( 1 v bedeutet ( ( 1 0 v = v 1 +v 0 = v 1 1 e 1 +v e. Die beiden Vektoren e 1 und e bilden eine Basis von R, die sogenannte Standardbasis. Die Vektoren e 1 und e spannen den ganzen Raum R auf, denn wie gerade gezeigt ist jedes v in R als Linearkombination von e 1 und e schreibbar. Zudem sind e 1 und e linear unabhängig. Ebensogut könnte man jedoch die Vektoren u 1 = ( 3 1 und u = ( 1 1 als Basis des R wählen. Denn jeder Vektor v = ( v 1 v von R lässt sich als Linearkombination von u 1 und u schreiben v = 1 4 (v 1 +v u (v 1 3v u. Das heisst, die Vektoren u 1 und u erzeugen R. Zudem sind u 1 und u linear unabhängig. Die Wahl einer Basis von R (bzw. R n ist nichts anderes als die Wahl eines Koordinatensystems für R (bzw. R n. Die Richtungen der Basisvektoren definieren die positiven Koordinatenachsen und ihre Längen legen die Masseinheiten fest. Können drei Vektoren in R eine Basis für R bilden? Nein, denn drei Vektoren in R sind stets linear abhängig (Satz 9.1. Kann ein einziger Vektor in R eine Basis für R sein? Nein, denn ein einzelner Vektor spannt nur eine Gerade auf, der R ist jedoch eine Ebene. Es folgt, dass eine Basis für R immer aus zwei Vektoren besteht. Satz 9.4 Hat ein Vektorraum endlich viele Basisvektoren, so ist die Anzahl der Basisvektoren für alle Basen gleich.

6 159 Definition Die Anzahl der Basisvektoren eines Vektorraums V heisst Dimension von V. Man schreibt dim(v. Der Vektorraum R hat also die Dimension. Für V = { 0} gilt dim({ 0} = 0. Basen von R 3 Schon in Kapitel 7 haben wir festgehalten, dass die Schreibweise v = v = v 1 0 +v 1 +v 3 0 = v 1 e 1 +v e +v 3 e ( v1 bedeutet v 3 Die Vektoren e 1, e und e 3 bilden die sogenannte Standardbasis von R 3. Die Dimension von R 3 ist also 3. Wie fürr könnenwirauch anderebasisvektoren fürr 3 wählen. Wir wissenmit Satz9.4, dass eine Basis für R 3 immer aus drei Vektoren besteht. Mit Hilfe der Determinante können wir schnell feststellen, ob drei gegebene Vektoren in R 3 linear unabhängig sind oder nicht. Ob die drei Vektoren auch den ganzen Raum R 3 erzeugen, ist mühsamer einzusehen (lineares Gleichungssystem lösen. Dank des folgenden Satzes bleibt uns dieser letzte Punkt jedoch erspart. Satz 9.5 Sei V ein n-dimensionaler Vektorraum und v 1,..., v n Vektoren in V. Dann gilt e v 1,..., v n bilden eine Basis von V v 1,..., v n = V v 1,..., v n sind linear unabhängig 1. Bilden die Vektoren v 1 = ( 4 und v = ( 3 5 eine Basis von R? (. Welche Dimension hat der Vektorraum V = v 1, v, v 3 von R 3 1 ( 1 1 mit v 1 =, v = 1 3 und v 3 =? ( 5 8 3

7 160 Standardbasis von R n Analog zu R und R 3 hat R n für beliebige n in N die Standardbasis e 1 = 0, e = 0,..., e n = Es gilt also dim(r n = n. Die Vektorräume R n und alle darin enthaltenen Vektorräume sind alles e von endlich-dimensionalen Vektorräumen, das heisst von Vektorräumen mit endlich vielen Basisvektoren. Hat eine Basis eines Vektorraums V unendlich viele Vektoren, so nennt man V unendlich-dimensional. Zum ist der Vektorraum aller reellen Funktionen unendlichdimensional. 9.4 Anwendungen auf Matrizen und lineare Gleichungssysteme Mit Hilfe der neuen Erkenntnisse über Vektorräume können wir sowohl den Rang einer Matrix als auch die freien Parameter des Lösungsraums eines linearen Gleichungssystems besser verstehen. Der Rang einer Matrix Sei A eine m n-matrix. Die m Zeilen von A fassen wir als Vektoren in R n auf. Sie spannen somit einen Vektorraum in R n auf, den sogenannten Zeilenraum. Nun gilt der folgende Zusammenhang mit dem Rang rg(a der Matrix A: rg(a = maximale Anzahl linear unabhängiger Zeilenvektoren = Dimension des Zeilenraums Bringen wir nämlich die Matrix A auf Zeilenstufenform, dann ersetzen wir bei einer elementaren Zeilenumformung eine Zeile durch eine Linearkombination dieser Zeile mit einer anderen; das heisst, der Zeilenraum wird dabei nicht verändert. Die Nichtnullzeilen in der Zeilenstufenform sind schliesslich linear unabhängig (wegen den Nullen unten links. Betrachten wirnundiespaltendermatrix A. DienSpaltensindVektoren inr m, spannen deshalb einen Vektorraum in R m auf, den sogenannten Spaltenraum. Erstaunlicherweise spielt es überhaupt keine Rolle, ob wir die Zeilen oder die Spalten der Matrix A betrachten, um den Rang zu bestimmen. Satz 9.6 Es gilt: rg(a = maximale Anzahl linear unabhängiger Zeilenvektoren = maximale Anzahl linear unabhängiger Spaltenvektoren In anderen Worten: Die Dimension des Zeilenraums ist gleich der Dimension des Spaltenraums.

8 161 Sei A = ( Der Rang einer Matrix ist also tatsächlich unabhängig vom Vorgehen, die Matrix auf Zeilenstufenform zu bringen. Dies war in Kapitel 7 (Seite 133 noch unklar. An dieser Stelle wollen wir einmal zusammenfassen, was der Rang einer n n-matrix alles aussagt. Satz 9.7 Sei A eine n n-matrix. Dann gilt: rg(a = n det(a 0 A ist invertierbar die Spaltenvektoren sind linear unabhängig die Spaltenvektoren sind eine Basis von R n die Zeilenvektoren sind eine Basis von R n die Zeilenvektoren sind linear unabhängig Weiter sind alle Aussagen von Satz 9.7 gleichbedeutend zur Aussage, dass das lineare Gleichungssystem A x = b für jedes b R n genau eine Lösung hat. Parameter der Lösungsmenge eines linearen Systems Sei A eine m n-matrix. Wir betrachten das homogene lineare Gleichungssystem A x = 0 für x in R n. Seien x 1 und x zwei Lösungen dieses Systems. Dann ist auch die Summe dieser beiden Lösungen eine Lösung, denn A( x 1 + x = A x 1 +A x = 0+ 0 = 0. Weiter sind die Vielfachen dieser Lösungen auch Lösungen, denn für t R gilt A(t x 1 = ta x 1 = t 0 = 0. In anderen Worten: Der Lösungsraum ist ein Vektorraum in R n!

9 16 Satz 9.8 Sei A eine m n-matrix. Dann ist die Lösungsmenge von A x = 0 ein Vektorraum in R n der Dimension k = n rg(a. Das heisst, es gibt k linear unabhängige Vektoren x 1,..., x k, so dass jede Lösung x eindeutig geschrieben werden kann als für t 1,...,t k in R. x = t 1 x 1 + +t k x k Die reellen Zahlen t 1,...,t k sind die Parameter der Lösung. Die Vektoren x 1,..., x k sind eine Basis des Lösungsraums. Geometrisch gesehen kommen als Lösungsräume eines homogenen linearen Systems mit 3 Unbekannten also nur der Nullvektorraum { 0}, eine Gerade durch den Ursprung, eine Ebene durch den Ursprung oder der ganze Raum R 3 in Frage. Wir betrachten das lineare Gleichungssystem x+y = 0 y z = 0 Dies ist ein homogenes System A x = 0 mit der Koeffizientenmatrix ( 1 0 A =, die wir schon im auf Seite 161 untersucht haben. Nach Satz 9.8 ist die Lösungsmenge ein Vektorraum der Dimension Es ist also eine Gerade g durch den Ursprung. Sie ist gegeben durch Von Satz 7.4 wissen wir, dass die Lösungsmenge L(G eines allgemeinen linearen Systems von der Form A x = b L(G = x P +L(hG ist, wobei L(hG die Lösungsmenge des zugehörigen homogenen Systems ist. Der Raum L(G ist also ein um den Vektor x P verschobener Vektorraum. Wir betrachten das lineare System A x = 0 mit A wie vorher und b = ( 1 0. Die Lösungsmenge ist nun eine zu g parallele Gerade g:

10 Orthogonale Vektoren Seien u = ( u 1 u und v = ( v 1 v in R, bzw. u = ( u1 ( v1 und v = in R 3. u 3 v 3 Definition Das Skalarprodukt von u und v ist definiert durch u v = u 1 v 1 +u v, bzw. u v = u 1 v 1 +u v +u 3 v 3. Man nennt dieses Produkt Skalarprodukt, weil das Ergebnis eine reelle Zahl, das heisst ein Skalar ist. Sei ϕ der (kleinere Zwischenwinkel von u und v (d.h. 0 ϕ π. Dann gilt u v = u v cosϕ. Insbesondere stehen zwei Vektoren u und v senkrecht aufeinander (d.h. der Zwischenwinkel ist ein rechter Winkel, wenn u v = 0. Die Vektoren heissen in diesem Fall orthogonal. Man setzt fest, dass der Nullvektor senkrecht zu jedem Vektor steht. Satz 9.9 Es gilt: u und v sind orthogonal u v = 0 Sind die Vektoren u = ( 1 3 und v = ( 6 orthogonal? Dieses Skalarprodukt kann man auf (Spalten-Vektoren u und v in R n erweitern. Sind u 1,...,u n und v 1,...,v n die Komponenten, dann definiert man u v = u T v = u 1 v 1 + +u n v n. Man nennt die Vektoren u und v orthogonal, wenn u v = 0. Satz 9.10 Für Vektoren u, v, w in R n und k R gilt: (i u v = v u (ii u ( v + w = u v + u w (iii k( u v = (k u v = u (k v (iv v v = v 0 und v v = 0 v = 0 An dieser Stelle sei kurz an das Vektorprodukt u v von zwei Vektoren u und v in R 3 erinnert. Es gilt u 1 v 1 u v 3 u 3 v u v = u =. u 3 v v 3 u 3 v 1 u 1 v 3 u v 3 u 3 v Das Ergebnis ist also wieder ein Vektor in R 3, wobei der Vektor u v senkrecht auf u und v steht. Das Vektorprodukt ist jedoch nur für Vektoren in R 3 definiert! Es wird auch Kreuzprodukt genannt.

11 164 Oftistespraktisch, einenvektor uineinenzueinemvorgegebenenvektor a 0parallelen und einen dazu senkrechten Summanden zu zerlegen. Der Vektor w 1 heisst Orthogonalprojektion von u auf a und wird mit proj a ( u bezeichnet. Der zweite Vektor ist dann gegeben durch w = u w 1. Satz 9.11 Für Vektoren u und a 0 in R n gilt proj a ( u = u a a a. Seien u = ( 3 1 und a = ( 4. Wir haben gesehen, dass es viele verschiedene Basen für den Vektorraum R n gibt. Die Standardbasis e 1,..., e n zeichnet sich dadurch aus, dass die Vektoren alle die Länge 1 haben und je zwei Vektoren orthogonal zueinander sind. Manchmal ist es nützlich, eine andere Basis mit diesen beiden Eigenschaften zu verwenden. Sei V ein Vektorraum in R n. Definition Man nennt eine Basis v 1,..., v n eine Orthonormalbasis von V, wenn gilt (1 v 1,..., v n sind paarweise orthogonal und ( v 1,..., v n haben die Länge 1. Eine Orthonormalbasis von R bilden die beiden Vektoren v 1 = 1 ( 1 1 und v = 1 ( 1 1.

12 165 Orthonormalbasen haben die folgende wichtige Eigenschaft. Satz 9.1 Sei v 1,..., v n eine Orthonormalbasis von V und v V beliebig. Dann gilt v = c 1 v 1 + +c n v n mit c i = v v i. Dies folgt sofort mit den Eigenschaften aus Satz Die einzelnen Summanden c i v i sind dabei die Orthogonalprojektionen von v auf die Basisvektoren v 1,..., v n. Sei v 1 = 1 ( 1 1, v = 1 ( 1 1 die Orthonormalbasis von R von vorher. Sei v = ( 1 3. Zu bestimmen sind c 1, c mit v = c 1 v 1 +c v. Ausgehend von einer beliebigen Basis von V kann mit Hilfe des sogenannten Gram- Schmidtschen Orthogonalisierungsverfahrens eine Orthonormalbasis konstruiert werden. Auf dieses Verfahren wollen wir hier aber nicht eintreten. Definition Eine n n-matrix A heisst orthogonal, wenn gilt A T A = AA T = E. Zum ist die Matrix A = 1 ( orthogonal. Satz 9.13 Sei A eine orthogonale n n-matrix. Dann gilt (1 Die Spalten (bzw. Zeilen bilden eine Orthonormalbasis von R n. ( A ist invertierbar und A 1 = A T. (3 det(a = ±1.

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

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

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

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

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

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i

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

3. Übungsblatt zur Lineare Algebra I für Physiker

3. Übungsblatt zur Lineare Algebra I für Physiker Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte

Mehr

Der Kern einer Matrix

Der Kern einer Matrix Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis

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

Serie 10: Inverse Matrix und Determinante

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

Mehr

1 Linearkombinationen

1 Linearkombinationen Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

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

Lineare Gleichungssysteme - Grundlagen

Lineare Gleichungssysteme - Grundlagen Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein

Mehr

Lineare Gleichungssysteme: eine Ergänzung

Lineare Gleichungssysteme: eine Ergänzung Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n

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

Serie 8: Fakultativer Online-Test

Serie 8: Fakultativer Online-Test Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung

Mehr

Beispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A

Beispiele 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

Mehr

β 1 x :=., und b :=. K n β m

β 1 x :=., und b :=. K n β m 44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix

Mehr

Ausgewählte Lösungen zu den Übungsblättern 4-5

Ausgewählte Lösungen zu den Übungsblättern 4-5 Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit

Mehr

IV.3. RANG VON MATRIZEN 81

IV.3. RANG VON MATRIZEN 81 IV3 RANG VON MATRIZEN 8 Ist b,,b n eine Basis des reellen Vektorraums V, dann bildet b,,b n auch eine Basis des komplexen Vektorraums V C Mit V ist daher auch V C endlichdimensional und es gilt dim C V

Mehr

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Lösungen 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

Mehr

Orthonormalbasis. Orthogonalentwicklung

Orthonormalbasis. Orthogonalentwicklung Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht

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

ein vom Nullvektor verschiedener Vektor, dann ist jeder dazu parallele (kollinear) Veka tor d ein Vielfaches von a. + λ 2 a 2

ein vom Nullvektor verschiedener Vektor, dann ist jeder dazu parallele (kollinear) Veka tor d ein Vielfaches von a. + λ 2 a 2 II. Basis und Dimension ================================================================= 2.1 Linearkombination und Basis -----------------------------------------------------------------------------------------------------------------

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

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 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische 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

Mehr

6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt

6.2 Basen. Wintersemester 2013/2014. Definition Seien V ein K-Vektorraum, n N 0 und v 1,..., v n V. (a) Man nennt Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 213/214 Markus Schweighofer Lineare Algebra I 6.2 Basen Definition 6.2.1. Seien V ein K-Vektorraum, n N und v 1,..., v n V. (a)

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 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

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

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen

Mehr

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen. 1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden

Mehr

Zusammenfassung 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 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

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

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153 3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische

Mehr

1 Vorlesungen: und Vektor Rechnung: 1.Teil

1 Vorlesungen: und Vektor Rechnung: 1.Teil 1 Vorlesungen: 4.10.005 und 31.10.005 Vektor Rechnung: 1.Teil Einige in der Physik auftretende Messgrößen sind durch eine einzige Zahl bestimmt: Temperatur T K Dichte kg/m 3 Leistung P Watt = J/s = kg

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

Allgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.

Allgemeines 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

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

Analytische Geometrie II

Analytische Geometrie II Analytische Geometrie II Rainer Hauser März 212 1 Einleitung 1.1 Geradengleichungen in Parameterform Jede Gerade g in der Ebene oder im Raum lässt sich durch einen festen Punkt auf g, dessen Ortsvektor

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können

Mehr

1 0 1, V 3 = M, und λ A = λa

1 0 1, V 3 = M, und λ A = λa Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a

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

Länge, Skalarprodukt, Vektorprodukt

Länge, Skalarprodukt, Vektorprodukt Länge, Skalarprodukt, Vektorprodukt Jörn Loviscach Versionsstand: 20. April 2009, 19:39 1 Überblick Ein Vektorraum muss nur eine Minimalausstattung an Rechenoperationen besitzen: die Addition zweier Vektoren

Mehr

Kapitel 13. Lineare Gleichungssysteme und Basen

Kapitel 13. Lineare Gleichungssysteme und Basen Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen

Mehr

4 Lineare Abbildungen

4 Lineare Abbildungen 17. November 2008 34 4 Lineare Abbildungen 4.1 Lineare Abbildung: Eine Funktion f : R n R m heißt lineare Abbildung von R n nach R m, wenn für alle x 1, x 2 und alle α R gilt f(αx 1 ) = αf(x 1 ) f(x 1

Mehr

Analytische Geometrie, Vektorund Matrixrechnung

Analytische Geometrie, Vektorund Matrixrechnung Kapitel 1 Analytische Geometrie, Vektorund Matrixrechnung 11 Koordinatensysteme Eine Gerade, eine Ebene oder den Anschauungsraum beschreibt man durch Koordinatensysteme 111 Was sind Koordinatensysteme?

Mehr

2.2 Lineare Gleichungssysteme (LGS)

2.2 Lineare Gleichungssysteme (LGS) 2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +

Mehr

2 Die Dimension eines Vektorraums

2 Die Dimension eines Vektorraums 2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1

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

$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

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

11.2 Orthogonalität. Wintersemester 2013/2014

11.2 Orthogonalität. Wintersemester 2013/2014 Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 2013/2014 Markus Scheighofer Lineare Algebra I 11.2 Orthogonalität Definition 11.2.1. Seien V ein K-Vektorraum mit Skalarprodukt

Mehr

2 Matrizenrechnung und Lineare Gleichungssysteme

2 Matrizenrechnung und Lineare Gleichungssysteme Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der

Mehr

Vorkurs Mathematik B

Vorkurs Mathematik B Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein

Mehr

4.4. Rang und Inversion einer Matrix

4.4. Rang und Inversion einer Matrix 44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert

Mehr

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

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

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

Besteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)

Besteht 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.

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

Länge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren

Länge 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(

Mehr

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a). Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =

Mehr

Kapitel 16. Invertierbare Matrizen

Kapitel 16. Invertierbare Matrizen Kapitel 16. Invertierbare Matrizen Die drei Schritte des Gauß-Algorithmus Bringe erweiterte Matrix [A b] des Gleichungssystems A x auf Zeilenstufenform [A b ]. Das System A x = b ist genau dann lösbar,

Mehr

Matrizen und Determinanten, Aufgaben

Matrizen und Determinanten, Aufgaben Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen

Mehr

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

Lösungen der Aufgaben zu Abschnitt 5.4

Lösungen der Aufgaben zu Abschnitt 5.4 A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ

Mehr

Länge, Skalarprodukt, Geradengleichungen

Länge, Skalarprodukt, Geradengleichungen Länge, Skalarprodukt, Geradengleichungen Jörn Loviscach Versionsstand: 9. April 2010, 18:48 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.youtube.com/joernloviscach

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

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

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)

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) 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)

Mehr

Skalarprodukte (Teschl/Teschl Kap. 13)

Skalarprodukte (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 +

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

( ) Lineare Gleichungssysteme

( ) 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

Mehr

Matrizen - I. Sei K ein Körper. Ein rechteckiges Schema A = wobei a ij K heißt Matrix bzw. eine m n Matrix (mit Elementen aus K).

Matrizen - I. Sei K ein Körper. Ein rechteckiges Schema A = wobei a ij K heißt Matrix bzw. eine m n Matrix (mit Elementen aus K). Matrizen - I Definition. Sei K ein Körper. Ein rechteckiges Schema A = a 11 a 12...... a 1n a 21 a 22...... a 2n............ a m1 a m2...... a mn wobei j K heißt Matrix bzw. eine m n Matrix (mit Elementen

Mehr

Lösung Semesterendprüfung (Nachprüfung)

Lösung Semesterendprüfung (Nachprüfung) MLAE Mathematik: Lineare Algebra für Ingenieure Frühlingssemester 6 Dr. Christoph Kirsch ZHAW Winterthur Lösung Semesterendprüfung (Nachprüfung Aufgabe : Aufgabe : a Gemäss Def. der Vorlesung müssen wir

Mehr

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

Lineare Gleichungssysteme (Teschl/Teschl 11.1) Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...

Mehr

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

1 Transponieren, Diagonal- und Dreiecksmatrizen

1 Transponieren, Diagonal- und Dreiecksmatrizen Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix

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

Kapitel 15. Aufgaben. Verständnisfragen

Kapitel 15. Aufgaben. Verständnisfragen Kapitel 5 Aufgaben Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation einen K-Vektorraum bildet

Mehr

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

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

Mehr

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

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

6 Lineare Gleichungssysteme

6 Lineare Gleichungssysteme 6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α

Mehr

Rang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya

Rang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man

Mehr

Übungen zu Einführung in die Lineare Algebra und Geometrie

Übungen zu Einführung in die Lineare Algebra und Geometrie Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax

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

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Mathematik 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

Mehr

Zu zwei Matrizen A R m n und B R p q existiert das Matrizenprodukt A B n = p und es gilt dann. A B = (a ij ) (b jk ) = (c ik ) = C R m q mit c ik =

Zu zwei Matrizen A R m n und B R p q existiert das Matrizenprodukt A B n = p und es gilt dann. A B = (a ij ) (b jk ) = (c ik ) = C R m q mit c ik = H 6. Die Matrizen A, B, C und D seien gegeben durch 5 A =, B =, C = 4 5 4, D =. 5 7 5 4 4 Berechnen Sie (sofern möglich) alle Matrizenprodukte X Y mit X, Y {A, B, C, D}. Zu zwei Matrizen A R m n und B

Mehr

Einführung in die Mathematik für Informatiker

Einführung in die Mathematik für Informatiker Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 12.12.2016 9. Vorlesung Eigenschaften linearer Abbildungen Beschreibung linearer Abbildungen durch Matrizen... Eigenschaften

Mehr

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops 15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den

Mehr

8 Lineare Abbildungen

8 Lineare Abbildungen 80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von R n nach R m wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R 2 und R 3 Man nennt

Mehr