Skalarprodukte. Kapitel Bilinearformen
|
|
- Hede Schäfer
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 11 Skalarprodukte Das bekannte Skalarprodukt auf dem n dimensionalen Euklidischen Raum R n ist ein Spezialfall einer für viele Bereiche der linearen Algebra und der Funktionalanalysis außerordentlich wichtigen allgemeineren Definition von Skalarprodukten und sogenannten Bilinearformen. Wir beschränken uns allerdings nach einer kurzen allgemeinen Betrachtung von Bilinearformen meist auf den Fall, dass der zugrundeliegende Körper entweder R oder C ist Bilinearformen Im Folgenden sei K wieder ein Körper, und V, W, X seien Vektorräume über K Definition. Eine Abbildung β : V W X heißt bilinear, falls β in jedem Argument linear ist, d. h. für λ, µ K, u, v V, w, z W gilt: β(λu + µv, w) = λβ(u, w) + µβ(v, w) β(v, λw + µz) = λβ(v, w) + µβ(v, z) Im Falle X = K spricht man von einer Bilinearform β. (Linearität im 1. Argument) (Linearität im 2. Argument) Eine bilineare Abbildung β : V V X heißt symmetrisch (bzw. schiefsymmetrisch), falls β(v, w) = β(w, v) (bzw. β(v, w) = β(w, v)) für alle v, w V gilt. Der Dualraum eines K-Vektorraums V ist der Vektorraum V d = Hom(V, K) der Linearformen Beispiele. (1) Das Standard Beispiel für eine symmetrische Bilinearform ist n β : K n K n K, β(u, v) = u j v j = u T v (u, v K n ). j=1 (2) Das Vektorprodukt : R 3 R 3 R 3 ist bilinear (aber keine Bilinearform) und schiefsymmetrisch. (3) Die Abbildung β : V d V K, (F, v) F (v) ist eine Bilinearform. Für dim V = n < ist V d isomorph zu V. 120
2 KAPITEL 11. SKALARPRODUKTE Satz und Definition. (Vektorraum der Bilinearformen) Die Bilinearformen β : V W K bilden einen Unterraum Bil(V, W ) des Raumes K V W. (1) Für jede Matrix A K m n ist β A : K m K n K, (v, w) v T A w eine Bilinearform, genannt die von A induzierte Bilinearform. Umgekehrt gibt es zu jeder Bilinearform β : K m K n K eine eindeutige Matrix A K m n mit β = β A. Genau dann ist β A symmetrisch bzw. schiefsymmetrisch, wenn A die entsprechende Eigenschaft hat. (2) Die Abbildung A β A ist ein Isomorphismus zwischen K m n und Bil(K m, K n ). (3)Für jede Bilinearform β Bil(V, W ) seien β 1 : V W d und β 2 : W V d definiert durch β 1 (v)(w) = β 2 (w)(v) = β(v, w). Die Abbildung β β 1 ist ein Isomorphismus zwischen Bil(V, W ) und Hom(V, W d ). Die Abbildung β β 2 ist ein Isomorphismus zwischen Bil(V, W ) und Hom(W, V d ). (4) Für endlich-dimensionale Vektorräume V, W mit dim V = m und dim W = n gilt also: Bil(V, W ) Hom(V, W ) Hom(W, V ) K m n K n m, dim Bil(V, W ) = m n. (5) Sowohl die symmetrischen als auch die schiefsymmetrischen Bilinearformen bilden je einen Unterraum von Bil(V, V ); für dim V = n ist der erste isomorph zum Raum der symmetrischen, der zweite zum Raum der schiefsymmetrischen n n Matrizen. Konkrete Isomorphismen zwischen Bil(V, W ) und K m n kann man nur nach Vorgabe geordneter Basen angeben: Satz. (Allgemeine Matrixdarstellung von Bilinearformen) Für geordnete Basen B = (b 1,..., b m ) von V und C = (c 1,...c n ) von W sei K B (v) der Koordinatenvektor von v V bezüglich B und K C (w) der Koordinatenvektor von w W bezüglich C. Dann gibt es zu jeder Bilinearform β Bil(V, W ) genau eine Matrix A = (α jk ) K m n mit β(v, w) = K B (v) T A K C (w) für alle v V, w W, nämlich A = A β = (β(b j, c k )). Die Abbildung β A β ist ein Vektorraum-Isomorphismus zwischen Bil(V, W ) und K m n Bemerkung. (Basistransformation bei Bilinearformen) Für geordnete Basen B = (b 1,..., b n ), C = (c 1,...c n ) von V und die Transformationsmatrix S = T C B mit K B(v) = S K C (v) gilt: Stellt A eine Bilinearform bezüglich B dar, so stellt S T A S sie bezüglich C dar Definition. Eine Bilinearform β : V V K ist nicht ausgeartet, wenn β 1 (bzw. β 2 ) injektiv, also jede Darstellungsmatrix invertierbar ist Satz. (Erzeugung von Bilinearformen durch Endomorphismen) Ist β Bil(V, V ) nicht ausgeartet, so ist die Abbildung G β : End(V ) Bil(V, V ), F β F mit β F (v, w) = β(f (v), w) ein Vektorraum-Isomorphismus, insbesondere also jede Bilinearform auf V als β F darstellbar.
3 KAPITEL 11. SKALARPRODUKTE Sesquilinearformen In diesem Abschnitt betrachten wir eine wichtige Variante der Bilinearformen, die sich für Vektorräume über dem Körper C der komplexen Zahlen als besonders nützlich erweist. Als Anwendung erhalten wir einen allgemeinen Abstandsbegriff in reellen und komplexen Vektorräumen Bemerkung. Über C kann ein von 0 verschiedener Vektor bezüglich der Bilinearform β(u, v) = u T v auf sich selbst senkrecht stehen, d. h. für n > 1 gibt es Vektoren v C n mit v T v = 0. Ein Beispiel ist v = (ı, 1) T C 2. Deshalb bevorzugt man im Komplexen folgende Variation: Definition. Das kanonische Skalarprodukt γ auf C n ist definiert durch γ(u, v) := u, v := u T v = v T u, wobei v T = (v 1,..., v n ) für v T = (v 1,..., v n ) Bemerkung. Die Konjugationsabbildung : C C, z = x + ıy z = x ıy ist ein selbstinverser Körperautomorphismus von C, d. h. z = z, z 1 + z 2 = z 1 + z 2, z 1 z 2 = z 1 z 2 und insbesondere αz = α z für α R. Damit ist diese Abbildung also auch ein R Algebren Homomorphismus. Ferner gilt für z = x + ıy: z z = z 2 = x 2 + y 2 > 0 z Folgerungen. (Eigenschaften des kanonischen Skalarprodukts) Für u, v C n gilt: (1) v, v = v T v = v T v 0, (2) v = v, v = v v n 2, (3) u, u > 0, falls u 0, (4) u, v 2 u v Definition. Es sei im Folgenden V ein C-Vektorraum. Eine Abbildung σ : V V C heißt Sesquilinearform ( fast bilinear ), falls für λ, µ C und u, v, w, z V gilt: σ(λu + µv, w) = λ σ(u, w) + µ σ(v, w), σ(v, λw + µz) = λ σ(v, w) + µ σ(v, z). Wir schreiben gelegentlich σ(v) für σ(v, v). Durch diese Werte ist σ vollständig festgelegt:
4 KAPITEL 11. SKALARPRODUKTE Satz. (Polarisationsformel) Für jede Sesquilinearform σ gilt: 4 σ(v, w) = σ(v + w) σ(v w) + ı σ(v + ı w) ı σ(v ıw) Bemerkungen. (1) Das Skalarprodukt γ ist eine Sesquilinearform. (2) Ist σ : C n C n C sesquilinear, so ist die Restriktion σ : R n R n C bilinear. (3) Die Restriktion γ : R n R n R ist das gewöhnliche reelle Skalarprodukt auf R n. (4) Eine Sesquilinearform σ : C n C n C ist keine Bilinearform, denn σ ist zwar linear im 1. Argument, aber nicht im 2. Argument. Jedoch wird die additive Gruppe C n mit der skalaren Multiplikation (nicht dem Skalarprodukt!) (z, v) = (z, (v 1,..., v n ) T ) zv = ( zv 1,..., zv n ) T zu einem C Vektorraum C n, und σ wird zu einer Bilinearform σ : C n C n C Satz und Definition. Für jede Matrix A C n n ist σ A : C n C n C, (u, v) u T A v eine Sesquilinearform, genannt die von A induzierte Sesquilinearform. Umgekehrt gibt es zu jeder Sesquilinearform σ : C n C n C genau eine Matrix A C n n mit σ = σ A. Die Abbildung A σ A ist ein Isomorphismus zwischen C n n und Bil(C n C n ), dem Vektorraum aller Sesquilinearformen auf C n. Allgemein kann man nach Vorgabe einer geordneten Basis B für einen n dimensionalen C- Vektorraum V jede Sesquilinearform σ : V V C durch genau eine Matrix A C n n darstellen, so dass für alle v, w V und ihre Koordinatenvektoren K B (v), K B (w) gilt: σ(v, w) = K B (v) T A K B (w) Definition. Jede im 1. Argument lineare Abbildung σ : V V C mit σ(v, w) = σ(w, v) heißt (nach dem Mathematiker Hermite) hermitesche Form oder (allgemeines) Skalarprodukt. Analog verstehen wir unter einem reellen Skalarprodukt eine symmetrische Bilinearform auf einem R Vektorraum Folgerung. Jede hermitesche Form ist sesquilinear, und ihre reelle Restriktion ist eine symmetrische Bilinearform Satz. Eine Sesquilinearform σ ist genau dann hermitesch, wenn σ(v) stets reell ist Definition. Eine hermitesche Form σ heißt positiv definit (bzw. positiv semi definit), falls σ(v) > 0 ( bzw. σ(v) 0) für alle v V gilt. Entsprechend nennt man σ negativ definit (bzw. negativ semi definit), falls σ positiv definit (bzw. positiv semi definit) ist Beispiele. (1) Standard Beispiel einer positiv definiten hermiteschen Form ist das Skalarprodukt γ.
5 KAPITEL 11. SKALARPRODUKTE 124 (2) Für jede reell-symmetrische Matrix A R n n ist σ A ein reelles Skalarprodukt. Wie wir später sehen werden, ist es genau dann positiv (negativ) definit, wenn alle Eigenwerte von A positiv (negativ) sind. (3) Für eine zweimal stetig differenzierbare Funktion f : R n R n ist die zweite Ableitung f (a) in jedem festen Punkt a R n nach einem Satz der Analysis ein reelles (symmetrisches!) Skalarprodukt. Es ist im Falle f (a) = 0 genau dann positiv (bzw. negativ) semidefinit, wenn f an der Stelle a ein lokales Minimum (bzw. Maximum) hat. (4) Es gibt aber auch wichtige verallgemeinerte Skalarprodukte auf unendlich dimensionalen Vektorräumen, z. B. das Skalarprodukt σ(f, g) = 1 0 f(x)g(x) dx auf dem Vektorraum der stetigen (reell oder komplexwertigen) Funktionen auf dem Einheitsintervall. Die Stetigkeit von f 0 sichert, dass σ(f, f) tatsächlich positiv ist. Für komplexwertige Funktionen f = u + ı v mit Realteil u und Imaginärteil v definiert man Integrale durch f(x) dx = u(x) dx + ı v(x) dx Bemerkungen. Orthogonalität bezüglich eines allgemeinen Skalarprodukts σ : V V C auf einem endlich-dimensionalen C-Vektorraum erklärt man wie im R n : u v : σ(u, v) = 0 (u, v V ). Eine Orthonormalbasis von V ist also eine Basis {b 1,..., b n } mit σ(b j, b k ) = δ jk. Dann gelten die entsprechenden Sätze und das Schmidtsche Orthonormalisierungsverfahren auch für σ. Zum Beispiel ist für endlich-dimensionales V und U V U := {v V u v für alle u U} stets ein Unterraum von V, und U ist genau dann Unterraum von V, wenn U = U gilt. In diesem Fall ist V die direkte Summe von U und U. In Verallgemeinerung des bekannten Abstandsbegriffes im R n vereinbaren wir: Definition. Eine Norm auf einem R- oder C-Vektorraum V ist eine Abbildung : V R mit folgenden Eigenschaften: (N1) v > 0 für v 0 (Positivität) (N2) λv = λ v (Homogenität) (N3) v + w v + w (Dreiecks Ungleichung). Ähnlich wie im Falle des kanonischen reellen Skalarprodukts auf R n zeigt man nun: Satz. (Induzierte Norm und Cauchy-Schwarzsche Ungleichung) Ist σ ein positiv definites reelles oder komplexes Skalarprodukt auf einem Vektorraum V, so wird durch v = σ(v) eine Norm auf V definiert, und es gilt für alle v, w V : σ(v, w) v w, wobei Gleichheit genau dann eintritt, wenn v und w linear abhängig sind.
6 KAPITEL 11. SKALARPRODUKTE Normale Matrizen In diesem Abschnitt studieren wir Matrizen über C, die eine Orthonormalbasis aus Eigenvektoren besitzen. Die erzielten Resultate lasssen sich mühelos auf Endomorphismen endlich dimensionaler C Vektorräume übertragen. Wir begnügen uns mit der matrizentheoretischen Version. Zu jeder Matrix A = (a jk ) C n n hat man die konjugierte Matrix A = (a jk ) C n n Definition. Für A C n n heißt A := ĀT die (bezüglich γ) zu A adjungierte Matrix Lemma. (Rechenregeln für die adjungierte Matrix) Für A, B C n n gelten: (1) A = A T (2) (A + B) = A + B (3) (λa) = λa (4) (AB) = B A (5) A = A (6) Av, w = v, A w Bemerkungen. Die Regeln (2) und (3) zeigen, dass die Abbildung : C n n C n n zwar R linear, aber nicht C linear ist. Wegen (5) ist sie ein selbstinverser R-Vektorraum- Automorphismus, aber wegen der Vertauschungsregel (4) kein Algebren-Automorphismus. Durch die Gleichung (6) ist A eindeutig bestimmt. Diese Gleichung motivierte die Bezeichnung adjungierte Matrix. Sind F und G Abbildungen von C n in C n, so dass F (v), w = v, G(w) für alle v, w C n gilt, so nennt man G zu F adjungiert. Man kann dann zeigen, dass sowohl F als auch G lineare Abbildungen sein müssen, und dass die zugehörigen Darstellungsmatrizen adjungiert sind. Mit reellen Sesquilinearformen sind im Folgenden Bilinearformen auf C n gemeint, deren Einschränkung auf R n nur reelle Werte hat Definition. Eine Matrix A C n n heißt hermitesch, falls A = A unitär, falls AA = E (bzw. A A = E bzw. A = A 1 ) normal, falls A A = AA Folgerungen. Für jede Matrix A C n n und die zugehörige Sesquilinearform σ A gilt: A reell symmetrisch σ A reell symmetrisch A reell schiefsymmetrisch σ A reell schiefsymmetrisch A reell orthogonal σ A reell und σ A = σ (A T ) 1 A hermitesch σ A hermitesch A unitär σ A = σ (A ) 1.
7 KAPITEL 11. SKALARPRODUKTE Diagramm. Es gelten folgende Implikationen: A reelle Diagonalmatrix A = E : Einheitsmatrix A = A T = A 1 = A : Spiegelung A reell symmetrisch A Diagonalmatrix A Permutationsmatrix A reell orthogonal A hermitesch A normal A unitär A diagonalisierbar Satz. (Spektralsatz für normale Matrizen) Für A C n n sind äquivalent: (a) A ist normal. (b) Av = A v für alle v C n. (c) Av λv = A v λv für alle v C n und λ C, insbesondere V (A, λ) = V (A, λ). (d) C n ist orthogonale Summe der Eigenräume von A. (e) C n hat eine Orthonormalbasis aus Eigenvektoren von A. (f) Es gibt eine unitäre Matrix C, so dass C A C eine Diagonalmatrix ist (mit den Eigenwerten von A in der Diagonalen und Eigenvektoren von A als Spalten von C) Satz. (Algebren normaler Matrizen) Für eine normale Matrix A ist auch jedes B C[A] normal und daher halbeinfach. Die einzigen normalen nilpotenten Matrizen sind die Nullmatrizen.
8 KAPITEL 11. SKALARPRODUKTE Folgerung. Folgende Matrizentypen sind durch unitäre Matrizen diagonalisierbar: (a) Reelle symmetrische Matrizen. (b) Reelle schiefsymmetrische Matrizen. (c) Reelle orthogonale Matrizen. (d) Hermitesche Matrizen. (e) Unitäre Matrizen Bemerkung. Im Falle (a) gelingt sogar die Diagonalisierung mittels reeller orthogonaler Matrizen (siehe Kapitel 7.1), nicht jedoch im Falle (b). Beispiel: Die Matrix ( ) 0 1 A = 1 0 ist schiefsymmetrisch und hat das charakteristische Polynom χ A = x 2 + 1, also die Eigenwerte ı, ı und die Eigenvektoren ( ) ( ) 1 1,. ı ı Die Matrix C = 1 ( ı ı ist unitär (aber nicht reell), und es gilt ( ) C ı 0 A C =. 0 ı ) Satz. (Spektralzerlegung normaler Matrizen) Für A C n n sind äquivalent: (a) A ist normal. (b) A besitzt eine Spektralzerlegung in hermitesche Idempotente. (c) A besitzt eine Spektralzerlegung in normale Idempotente Folgerung. (Hermitesche Idempotente) Für H C n n sind äquivalent: (a) H ist normal und idempotent. (b) H ist hermitesch und idempotent: H = H = H 2. (c) H = H H. ( ) Es 0 (d) Es gibt ein unitäres C mit H = C C. 0 0
9 KAPITEL 11. SKALARPRODUKTE Hermitesche und unitäre Matrizen Hermitesche und reell symmetrische Matrizen sind von großer Bedeutung für Algebra, Zahlentheorie, Geometrie und Funktionalanalysis, unter anderem wegen ihrer besonders bequemen Diagonalisierbarkeit (siehe und Kapitel 7). Jede komplexwertige Matrix besitzt eine eindeutige Zerlegung der Form A + ıb in einen Realteil A und einen Imaginärteil B Lemma. Sei H = A + ıb C n n mit A, B R n n. Dann gilt: H ist hermitesch A ist symmetrisch und B ist schiefsymmetrisch Satz. (Vektorraum der hermiteschen Matrizen) Die hermiteschen n n Matrizen bilden einen R-Vektorraum H n der Dimension n 2, jedoch keinen C Vektorraum Definition. A ist unitär (orthogonal) ähnlich zu B, falls es ein unitäres (orthogonales) U mit A U = UB gibt Satz. (Spektralsatz für hermitesche Matrizen) Für A C n n sind äquivalent: (a) A ist hermitesch. (b) A ist normal und hat nur reelle Eigenwerte. (c) A ist unitär ähnlich zu einer reellen Diagonalmatrix. (d) A hat reelle Eigenwerte und eine Spektralzerlegung in hermitesche Idempotente: A = λ j H j, H j = H j = H 2 j, λ j R. Wir fassen die verschiedenen Charakterisierungen reell-symmetrischer Matrizen zusammen: Satz. (Spektralsatz, Hauptachsentransformation symmetrischer Matrizen) Für A R n n sind äquivalent: (a) A ist symmetrisch. (b) AA T = A T A, und A ist über R diagonalisierbar. (c) A ist orthogonal ähnlich zu einer reellen Diagonalmatrix. (d) R n ist orthogonale Summe der Eigenräume von A. (e) R n hat eine Orthonormalbasis aus Eigenvektoren von A. (f) A hat eine reelle Spektralzerlegung in symmetrische Idempotente. Alle Eigenwerte reell symmetrischer Matrizen, aufgefasst als Matrizen über C, sind reell Bemerkung. Eine Matrix A R n n ist genau dann symmetrisch und idempotent, wenn à : R n R n, v Av eine Orthogonalprojektion, also {Ã, B} mit B = E A eine Spektralschar ist. In diesem Fall ist R n die orthogonale Summe von Ã[R n] und B[R n ].
10 KAPITEL 11. SKALARPRODUKTE Definition. Eine hermitesche Matrix A heißt positiv (semi )definit bzw. negativ (semi )definit, falls σ A die entsprechende Eigenschaft hat. Also ist A z. B. genau dann positiv definit, wenn v T A v > 0 für alle v C n gilt. Für ein reelles Intervall I (und die Menge Spec A der Eigenwerte von A) sei H n (I) := {A H n Spec (A) I}. Spezielle Intervalle sind R > := ] 0, [, R :=, [ 0, [, R < := ], 0 [, R := ], 0 ]. Wir definieren A ϱ B : A B H n ( R ϱ ) (ϱ {>,, <, }) Lemma. Die Relationen und sind Halbordnungen auf H n, und es gilt: A H n ( ] α, β [ ) αe < A < βe, A H n ( [ α, β [ ) αe A < βe, A H n ( ] α, β ] ) αe < A βe, A H n ( [ α, β ] ) αe A βe Satz. (Definitheit hermitescher Matrizen) Für jede hermitesche Matrix A gilt: A positiv definit A > O alle Eigenwerte sind positiv A positiv semi definit A O alle Eigenwerte sind größer oder gleich 0 A negativ definit A < O alle Eigenwerte sind negativ A negativ semi-definit A O alle Eigenwerte sind kleiner oder gleich Satz und Definition. (Transformationen hermitescher Matrizen) Für reelle Intervalle I, I sowie A H n (I) und ϕ : I I definieren wir r ϕ H (A) := ϕ(λ j )H j, j=1 wobei A = r j=1 λ j H j die Spektralzerlegung von A ist. Man erhält hierdurch eine Abbildung und es gilt ϕ H : H n (I) H n (I ), α < ϕ(t) < β = αe < ϕ(a) < βe (entsprechend für ) Satz. (Monotone Bilder hermitescher Matrizen) Ist ϕ : I I eine streng monotone Bijektion zwischen reellen Intervallen, so induziert ϕ eine Bijektion ϕ H : H n (I) H n (I ). Für ψ = ϕ 1 gilt ψ H = ϕ H 1. Die Spezialfälle ϕ : R >0 R >0, x x k, liefern: Folgerung. Zu jeder positiv definiten Matrix A und jeder natürlichen Zahl k > 0 existiert genau eine positiv definite Matrix W mit W k = A.
11 KAPITEL 11. SKALARPRODUKTE Folgerung. Für A C n n sind äquivalent: (a) A ist positiv definit, d. h. A = A > 0. (b) Es existiert genau ein positiv definites W mit W 2 = A. (c) Es existiert ein W GL (n, C) mit W W = A Folgerung. Die Abbildung exp : H n (R) H n (R >0 ), A e A = e λ j H j ist eine Bijektion zwischen der Menge der hermiteschen Matrizen und der Menge der positiv definiten Matrizen. Es gilt: e Spur A = det(e A ). Für reell symmetrische Matrizen lassen sich die meisten der vorangehenden Aussagen analog formulieren und beweisen Satz. (Sylvesterscher Trägheitssatz) Zu jeder reell symmetrischen Matrix A = A T R n n gibt es eine direkte Summenzerlegung R n = V + A V A V A, wobei σ A auf V A + eingeschränkt positiv definit, auf VA eingeschränkt negativ definit und auf VA eingeschränkt die Nullabbildung ist. Es gibt eine invertierbare Matrix B mit B T AB = diag (1,..., 1, 1,..., 1, 0,..., 0). Ist s + die Anzahl der Einsen und s die Anzahl der negativen Einsen, so gilt s + = dim V + A und s = dim V A. Die Signatur (s +, s ) hängt also nur von A, nicht von B ab Bemerkung. Unitäre Matrizen entsprechen den Orthonormalbasen des unitären Raumes C n mit dem Skalarprodukt γ. Die reellwertigen unitären Matrizen sind genau die orthogonalen. Im Falle positiver Determinante beschreiben sie (verallgemeinerte) Drehungen Satz. (Charakterisierung unitärer Matrizen) Für U C n n sind äqivalent: (a) U ist unitär. (b) U ist normal, und alle Eigenwerte haben den Betrag 1. (c) U ist unitär ähnlich zu diag (λ 1,..., λ n ) mit λ j = 1, insbesondere det U = 1. (d) Die Spalten bilden eine Orthonormalbasis bezüglich des kanonischen Skalarprodukts Satz. (Unitäre und orthogonale Gruppe) Die unitären Matrizen U C n n bilden eine Untergruppe U n von GL (n, C).
12 KAPITEL 11. SKALARPRODUKTE 131 Desgleichen bilden die orthogonalen Matrizen U U n R n n eine Untergruppe O n von GL (n, R), und O n enthält wiederum die Untergruppe O n + der Drehungen, d. h. der orthogonalen Matrizen mit Determinante 1. GL (n, R) GL (n, C) O n U n O + n Beispiel. Für n = 2 ist {( ) } O 2 + cos α sin α = α [ 0, 2π) sin α cos α eine Untergruppe von GL (2, R). Ihre Elemente beschreiben Drehungen um den Winkel α. {( ) } O2 cos α sin α = sin α cos α α R ist keine Untergruppe von GL (2, R). Ihre Elemente beschreiben Achsenspiegelungen. O 2 ist die disjunkte Vereinigung von O + 2 und O Satz. (Eulerscher Drehachsensatz) Jede Drehung U O 3 + hat eine Drehachse, d. h. einen Eigenvektor zum Eigenwert 1. Bei geeigneter ONB aus Eigenvektoren wird U transformiert auf cos α sin α. 0 sin α cos α Deshalb gilt für den Drehwinkel α: Spur U = cos α, d. h. cos α = Spur U Bemerkung. Die von einer symmetrischen Bilinearform σ : R n R n R induzierte Abbildung q : R n R, x σ(x, x) nennt man quadratische Form. Die weit entwickelte Theorie der quadratischen Formen, auf die wir hier nicht näher eingehen können, verallgemeinert die in Kapitel 7 gewonnenen Erkenntnisse über Quadriken.
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
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
Mehr1 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
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
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
MehrSesqui- und Bilinearformen
Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrTeil 2 LINEARE ALGEBRA II
Teil 2 LINEARE ALGEBRA II 27 Kapitel VII Euklidische und unitäre Vektorräume Wir beschäftigen uns jetzt mit Vektorräumen, die noch eine zusätzliche Struktur tragen Der Winkel zwischen Vektoren im IR 2
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
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
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
MehrLineare Algebra. Axiome der Linearen Algebra
Lineare Algebra Simon Fuhrmann Christian M. Meyer Axiome der Linearen Algebra Im Folgenden sei V ein beliebiger K-Vektorraum und P eine Punktmenge. V und P bilden einen affinen Raum. Seien außerdem U 1
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
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.
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
MehrKlausurenkurs 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
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
MehrMATHEMATIK II FÜR STUDIERENDE DER PHYSIK
- 87 - MATHEMATIK II FÜR STUDIERENDE DER PHYSIK 21 Vektorräume mit Skalarprodukt Wir halten uns hier im Wesentlichen an das Buch G.Fischer : Lineare Algebra, 14. Auflage, Kap. 5. 21.1 Definition und Beispiele
MehrBilinearformen und quadratische Formen
107 Kapitel 7 Bilinearformen und quadratische Formen 7.1 Bilinearformen 7.1.1 Linearformen Definition 7.1 Es sei V ein linearer Raum über dem Körper Ã. Als lineares Funktional oder Linearform bezeichnet
MehrLineare Algebra und analytische Geometrie
Max Koecher Lineare Algebra und analytische Geometrie Mit 35 Abbildungen Springer-Verlag Berlin Heidelberg New York Tokyo 1983 Inhaltsverzeichnis Teil A. Lineare Algebra I Kapitel 1. Vektorräume 1 1. Der
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
MehrLineare Algebra II. Sommersemester Wolfgang Ebeling
Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde
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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrTheorie der Vektorräume
Kapitel 3 Theorie der Vektorräume 3.1 Gruppen, Ringe, Körper In diesem Abschnitt führen wir die drei wichtigsten algebraischen Grundstrukturen ein, nämlich Gruppen, Ringe und Körper. Sie sind nicht nur
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
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
MehrAnalytische Geometrie
Kapitel 2 Analytische Geometrie 21 Vektoren Die Elemente des kartesischen Produktes R n, d h die n Tupel oder Zeilenvektoren (a 1,, a n ) mit a k R für k n, interpretiert man als Punkte eines n dimensionalen
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume 7.1 Skalarprodukte Definition 7.1.1 Es seien V und W Vektorräume über einem Körper K.Eine Abbildung s : V W K heißt Bilinearform, wenn gilt BF1 s(v 1 + v 2,w)
MehrMAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7
MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrLineare 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
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrLineare 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
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
Mehrx,y A = t xay v i,v j A = e i,e j t PAP
75 Lineare Algebra II SS 2005 Teil 6 Bilinearformen 6A Kongruenz quadratischer Matrizen Sei K ein Körper, sei A M(n n, K) eine quadratische Matrix Wie wir zu Beginn von Teil 3 gesehen haben, liefert A
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
MehrFerienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte
Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare
MehrHöhere Mathematik II. 7 Lineare Algebra II. für naturwissenschaftliche Studiengänge. 7.1 Wiederholung einiger Begriffe
Dr. Mario Helm Institut für Numerische Mathematik und Optimierung Fakultät für Mathematik und Informatik Höhere Mathematik II für naturwissenschaftliche Studiengänge Sommersemester 2013 7 Lineare Algebra
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
Mehr7 Vektorräume und Körperweiterungen
$Id: vektor.tex,v 1.3 2009/05/25 15:03:47 hk Exp $ 7 Vektorräume und Körperweiterungen Wir sind gerade bei der Besprechung derjenigen Grundeigenschaften des Tensorprodukts, die mit vergleichsweise wenig
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr3.8. Lineare Abbildungen.
38 Lineare Abbildungen 38 Lineare Abbildungen 38 Definition Es seien V und W Vektorräume über K Eine Abbildung α : V W heißt linear, wenn für alle Vektoren u, v V und alle Skalare k K gilt: α(u + v α(u
MehrMichael Artin. Algebra. Aus dem Englischen übersetzt von Annette A'Campo. Birkhäuser Verlag Basel Boston Berlin
Michael Artin Algebra Aus dem Englischen übersetzt von Annette A'Campo Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort Hinweise viii x Kapitel 1 MATRIZEN 1 1. Matrizenkalkül 1 2. Zeilenreduktion
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
Mehr1.5 Duales Gitter und Diskriminantengruppe
Gitter und Codes c Rudolf Scharlau 24. April 2009 27 1.5 Duales Gitter und Diskriminantengruppe Dieser Abschnitt ist im wesentlichen algebraischer Natur: Es spielt keine Rolle, dass unsere Gitter in einem
Mehrreflexiv, symmetrisch, asymmetrisch, antisymmetrisch, transitiv, linaer konnex Kommutator, Kommutatorgrupe, Normalreihe, auflösbare Gruppe
1 Lernliste 1.1 Relationen reflexiv, symmetrisch, asymmetrisch, antisymmetrisch, transitiv, linaer konnex Äquivalenzrelation, Kongruenzrelation Klasseneinteilung Hauptsatz über Äquivalenzrelationen Jede
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
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
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrKapitel 18. Aufgaben. Verständnisfragen
Kapitel 8 Aufgaben Verständnisfragen Aufgabe 8 Gegeben ist ein Eigenvektor v zum Eigenwert λ einer Matrix A (a) Ist v auch Eigenvektor von A? Zu welchem Eigenwert? (b) Wenn A zudem invertierbar ist, ist
MehrKomplexe Zahlen und konforme Abbildungen
Kapitel 1 Komplexe Zahlen und konforme Abbildungen 1.0 Geometrie der komplexen Zahlen Die Menge C der komplexen Zahlen, lässt sich mithilfe der bijektiven Abbildung C := {x + iy : x,y R}, C z = x + iy
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrSkript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels
aktuellste Version hier Skript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels Jannes Bantje 19. Juli 2013 Erstellt mit L A TEX Inhaltsverzeichnis 1. Isometrien
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
Mehr4 Affine Koordinatensysteme
4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
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
MehrLineare Algebra II. Prof. Dr. Karl-H. Neeb. Sommersemester 2003 Version 23. Februar 2004 (10:33)
Lineare Algebra II Prof. Dr. Karl-H. Neeb Sommersemester 3 Version 3. Februar 4 (:33) Inhaltsverzeichnis 7 Eigenvektoren und Eigenwerte 63 7. Eigenvektoren und Eigenwerte..............................
MehrEinführung 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
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
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.................................
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
MehrAnalysis II. Vorlesung 48. Die Hesse-Form
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen
MehrZusammenfassung der Lebesgue-Integrationstheorie
Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,
MehrMusterlösung Klausur zur Linearen Algebra II
Musterlösung Klausur zur Linearen Algebra II Samstag 8. Juli 6 -Uhr. a) Sei f : V W k-linear. Denieren Sie V und f : W V. b) Die Gruppe G operiere auf der Menge M. Denieren Sie die Bahn und die Isotropiegruppe
Mehr1 Vektoren, Vektorräume, Abstände: 2D
Vektoren, Vektorräume, Astände: D Definition: Die Menge aller (geordneten Paare reeller Zahlen (oder allgemeiner: Elemente eines elieigen Körpers, als Spalten geschrieen, ezeichnen wir als Vektoren: R
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
MehrLineare Algebra II. Prof. Dr. Dirk Ferus. Wintersemester 2001/2
Lineare Algebra II Prof. Dr. Dirk Ferus Wintersemester 2001/2 22. Oktober 2004 Inhaltsverzeichnis 0 Vorbemerkungen 6 1 Eigenwerte und -vektoren 9 2 Struktursätze in unitären und Euklidischen Räumen 15
MehrJürgen Hausen Lineare Algebra I
Jürgen Hausen Lineare Algebra I 2. korrigierte Auflage Shaker Verlag Aachen 2009 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
Mehr1.4 Homomorphismen und Isomorphismen
Algebra I 9. April 2008 c Rudolf Scharlau, 2002 2008 28 1.4 Homomorphismen und Isomorphismen Definition 1.4.1 Es seien (G, ) und (H, ) zwei Gruppen. Eine Abbildung ϕ : G H heißt (Gruppen-)Homomorphismus,
MehrPRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF.
Zuname: Vorname: Matrikelnummer: PRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF. (GITTENBERGER) Wien, am 5. Februar 2013 (Ab hier freilassen!) Arbeitszeit: 100 Minuten 1) 2) 3) 4) 5) 1)(8
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
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
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
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
Mehr1.9 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..
Mehr2.9 Skalarprodukte und euklidische Vektorräume
Lineare Algebra 25-2 c Rudolf Scharlau 7 2.9 Skalarprodukte und euklidische Vektorräume Viele der in der Mathematik auftauchenden reellen Vektorräume tragen eine zusätzliche Struktur, nämlich ein sogenanntes
MehrMathematik für Chemische Technologie 2
Mathematik für Chemische Technologie 2 Themenüberblick: Funktionen mehrerer unabhängigen Veränderlichen Vektoralgebra Lineare Gleichungssysteme und Determinanten Fehlerrechnung Schwerpunkt des Sommersemesters
Mehr8 Die Riemannsche Zahlenkugel
8 Die Riemannsche Zahlenkugel Wir untersuchen zunächst Geraden- und Kreisgleichungen in der komplexen Ebene C = R 2. Geradengleichungen Die Parameterdarstellung einer Geraden durch zwei Punkte z 1 z 2
MehrFormale Grundlagen 2008W. Vorlesung im 2008S Institut für Algebra Johannes Kepler Universität Linz
Formale Grundlagen Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Inhalt Vektoren in der Ebene Zwei Punkten P, Q in der Ebene
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
Mehr