7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen

Größe: px
Ab Seite anzeigen:

Download "7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen"

Transkript

1 7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen 7.1 Der Elementarteileralgorithmus Matrizen über euklidischen Ringen Sei (R, gr) ein Euklidischer Ring. Definition (i) GL n (R) = (R n n ) heißt allgemeine lineare Gruppe über R (GL = general linear) (ii) 1 n := 1 GLn(R) (n n-einheitsmatrix) Lemma 7.1 GL n (R) = {U R n n det U R } (falls R = Z, U GL n (Z) U Z n n, det U = ±1) Beweis (i) U (R n n ) V R n n, V U = UV = 1 n 1 = det 1 n = det(uv ) = det U det U R R det }{{ V } R (ii) Sei U R n n, det U R. In LA I zeigt man für die Adjungierte U # von U: UU # = U # U = det U 1 n U # wird aus det W gewonnen, wo W Untermatrizen von U sind, also det W R U # R n n, det U R U 1 = 1 det U U # R n n U (R n n ) Definition B = (b ij ) R m n, so sei ggt(b) := ggt(b ij ) (i = 1,..., m und j = 1,..., n) Lemma 7.2 A R l m, B R m n. Dann gilt: (i) ggt(a) ggt(ab), ggt(b) ggt(ab) (ii) U GL m (R), V GL n (R), so ist ggt(ubv ) = ggt(b) 73

2 7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen Beweis (i) A = (a ij ), B = (b kl ), d = ggt(a) a ij = d a ij, a ij R. AB = C = (c rs), c rs = m j=1 d rjb js = d j a ij b js r, s : d c rs d ggt(c) = ggt(c rs r, s). ggt(b) = ggt(ab) genau so. (ii) ggt(b) ggt(ub) ggt(u 1 (UB)) = ggt(b) ggt(b) = ggt(ub). ggt(ub) = ggt((ub)v ) genau so Spezielle Matrizen: E ij Matrizeneinheiten, E ij,kl = δ ik δjl. Es steht in der i-ten Zeile und der j-ten Spalte eine Beispiel: Elementarmatrizen sollen folgende Matrizen genannt werden (in R n n ): 1.) Additionsmatriizen: A ij (b) = 1 n +b E ij (i j). =E n Beispiel: b ) Vertauschungsmatrizen: V ij = 1 n E ii E jj + E ij + E ji Beispiel: ) Einheitsdiagonalmatrizen : diag j (ɛ) = ɛ 1, ɛ R... 1 Laut LA: det A ij (b) = 1, det(v ij ) = 1(i j), det diag j (ɛ) = ɛ Alle Elementarmatriizen sind in GL n (R) Weiter Matrizen besonderer Form: Diagonalmatrizen: D = diag(d 1,..., d r, 0,..., 0) (in R m n ). Für r = 0 : D = 0. 74

3 7.1 Der Elementarteileralgorithmus d Beispiel: dr Bemerkung: Eine Matrix B R n n heiße in Elementarteilerform B = diag(d 1,..., d r, 0,...0), d 1,..., d r normiert und d r 0 und d 1 d 2... d r (dann d 1 = ggt(b)) Eine Elementaroperation (ausgeübt auf B R m n ) ist eine der folgenden Operationen: Zu Γ Elementarmatrix bilde B = ΓB oder B = BΓ und setzte wieder B := B. Liste: Zeilenoperationen B B =: B = A ij (b) B B B =: B = V ij B B B =: B = diag j (ɛ) B Spaltenoperationen B B =: B = B A ij (b) B B =: B = B V ij B B =: B = B diag j (ɛ) bewirkt Addition des b-fachen der j-ten Zeile von B zur i-ten Vertauschen der i-ten mit der j-ten Zeile Multiplikation der j-ten Zeile mit ɛ bewirkt Addition der i-ten Sapte b zur j-ten Vertauschen der i-ten mit der j-ten Spalte Multiplikation der j-ten Spalte mit ɛ Jeder Algorithmus der eine Matrix A durch eine endliche Folge von Elementaroperationen in Elementarteilerform überführt, heißt Elementarteileralgorithmus. Vorschlag: Bearbeite Tripel (U, B, V ) GL m (R) R m n GL n (R) beginnend mit (1 m, A, 1 n ), so dass immer B = UAV ist. Elementaroperationen hier (U, B, V ) (U, B, V ) := ( ΓU (U, B, V ) (U, B, V ) := ( U, ΓB, V ) (Zeilenoperation) oder =U =B =V, BΓ, V Γ ) (Spaltenoperation). =U =B =V Bedingung okay: ΓU AV U A V = ΓB = B, ebenso UAV Γ = BΓ = B Ziel: Steure die Operationen so, dass nach endlich vielen Elementaroperationen ein (U, B, V ) entsteht, mit B =: D eine Elementarteilerform, also A = UDV. Falls man so einen Algorithmus hat, so beweist das: Satz 7.3 (Elementarteilersatz) Sei R ein euklidischer Ring, m, n N +, A R m n 75

4 7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen (i) Dann gibt es ein U GL m (R), V GL n (R) und D R m n, D in Elementarform, derart, dass A = UDV (ii) D ist durch A eindeutig bestimmt Zur Eindeutigkeit (Beweis-Skizze): d 1 = ggt(d) = ggt(udv ) = ggt(a). Man kann zeigen: d 1... d j ist der ggt der Determinanten aller j j-untermatrizen von A. Bemerkung: 1.) A R m n, so det A = det U det D det V. Dann zur Berechnung von det A benutzt werden. 2.) Idee für LGS: Für A = D in Elementarteilerform kann Lösung unmittelbar abgelesen werden Lösung für A wird mittels Rücktransformation ermittelt. LGS: xa = b, A R m n, b R 1 n (Zeile) ist gegeben. Gesucht Lösung x R 1 m (Zeile). (LA oft Ax = b mit Spalten, Ax = b x T A T = b T ) Besser: Information über die Lösungsmenge: L(A, B) = {x R m = R 1 m xa = b} Antwort sehr leicht, falls A = D = d 1...! L(D, c), c = (c 1,..., c n ) yd = (y 1 d 1,..., y r d r, 0,..., 0) = (c 1,..., c n ) n-stück d r in Elementarteilerform. y = (y 1,..., y m ) Lösbarkeitsbedingung (notwendig und hinreichend): L(D, C) c r+1 = c r+1 =...c n = 0 und d 1 c 1, d 2 c 2,..., d r c r Falls Bedingung erfüllt, so hat man die spezielle Lösung (wo c j = d j y j, Bezeichnung y j = d 1 j c j ). y (0) = (d 1 1 c 1,..., d 1 r c r, 0,..., 0). Die allgemeine Lösung hat die Form: y = y 0 + n j=r+1 a je j, e j = (0,..., 0, 1, 0,..., 0) Einheitsvektor, a j R y L(D, c) yd = c(auch y 0 D = c) (y y 0 )D = 0 z = (y y 0 ) ist Lösung des zugehörigen homogenen Systems zd = 0, d.h. von der Form n j=r+1 a je j Es muss z j d j = 0, also z 0 = 0 für j = 1,..., r gelten. Man transformiert xa = b wie folgt auf Diagonalform: xa = b xu }{{ 1 } UAV y D yd = c, wo c = bv und y = xu 1, also x = yu ist. L(A, b) = L(D, bv ) U = bv c = 0. (U, B, V ) GL m (R) R m n GL n (R), B = UAV. 76

5 7.1 Der Elementarteileralgorithmus Elementarteileralgorithmus Idee: Falls B 0, so setzte gr(b) = min{gr(b ij, i = 1, 2,..., m, j = 1, 2,..., n, b ij 0}. Wenn es gelingt durch Elementaroperationen von B nach B überzugehen, so dass gr(b ) < gr(b), so ist man induktiv fertig. Zuerst benötigen wir einen Unteralgorithmus: ggtnachvorn(a): Er soll zu einem 0 A R m n (U 1, B 1, V 1 ) mit U 1 GL m (R), v 1 GL n (R), b 1 = U 1 AV 1 gilt, wobei Skizze: B = ( d1 0 0 A ), d 1 = ggt(a). 0. Initialisierung: (U, B, V ) := (1 m, A, 1 n ). 1. Bestimme(k, l) mit gr(b kl = gr(b). 2. Fall I: Es gibt eine Zeile i mit B kl b il. Division mit Rest: b ij = qb kl + r. Addiere ( q) faches der k ten Zeile. Das ergibt B mit b il = b il qb kl = r. Induktiv sind wir fertig, denn: gr(r) < gr(b kl ) = gr(b). Weiter bei Schritt Fall II: Es gibt eine Spalte j mit b kl b kj. Genau wie bei Schritt 2, nur mit Spaltenoperationen erhalten wir b kj = q b kl + r. Addieren wir nun das ( q ) fache der l-ten Spalte auf die j te Spalte, erhalten wir B mit gr(b ) < gr(b). 4. Fall III: b kl b il und b kl kj, i, j aber (i, j) mit b kl b ij. b il = q b kl, i k, l j. Addiere (1 q )-faches der k-ten Zeile zur i-ten hinzu: b il = b ij q b kl +(1 q )b kl = b kl b ij = b ij + (1 q )b k j = b kl = b il b ij (wegen b k l b ij, b kl b kl ) Fall II liegt vor mit i-ter statt k-ter Zeile. B := B, (k, l) := (i, l), weiter bei Schritt i, j : b kl b ij (letzter möglicher Fall). Vertausche k-te und 1. Zeile und l-te und j-te Spalte. Entsteht b mit 0 b 11 b ij i, j = b 11 ist ein ggt, = ɛ R : d 1 = ɛb 11 = ggt(b) Lemma = 2 ggt(a) = Multipliziere 1. Zeile mit ɛ: Es entsteht Matrix mit b 11 = d 1 = ggt(a). Wie bei Gaußalgorithmus erzeugt man jetzt in der ersten Spalte und ( ersten Zeile ) Nullen außer bei b 11. Jetzt hat man (U, B, V ) mit A = UBV ) und d1 0 B = 0 A. Ausgabe: (U 1, B 1, V 1 ) := (U, B, V ) Klar: Man kann genauso mit A weitermachen: Braucht: d n = ggt(a) = ggt(b 1 ) ggt(a ). Im Detail: ELT(A) : (1) Falls A 0, Ausgabe: (1 m, A, A n ). (2) Anderfalls liefert ggtnachvorn(a) (U 1, B 1, V 1 ) wie oben: Falls n = 1 oder M = 1, so fertig. Ausgabe (U, D, V ) := (U 1, B 1, V 1 ). Falls m,n>1 und A = 0, so wieder fertig. Ausgabe wie 77

6 7 Ganzzahlige lineare Gleichungen und Moduln über euklidischen Ringen oben. Falls A 0, so liefert ELT(A ) (U, D, V ) mit U D V = A und ( ) ( ) ( ) 1 0 d U 1 0 U 0 D 0 V V 1 =U 1 B = d U } D {{ V } V 1 =A =U 1 B 1 V 1 =A Ausgabe (U, D, V ) mit U, D, V passend wie in obiger Formel. Einschub Beispielrechnung Blätter abzutippen) (folgt vielleicht später, hab grade keine Lust, die zwei DinA4-7.2 Ganzzahlige Lösungen eines ganzzahligen linearen Gleichungssystems Betrache LGS xa = B, gegeben a R m n, b R 1 n. Gesucht:L(A, B) = {x R 1 m = R m : xa = b} Elementarteilersatz: A = UDV, D = diag(d 1, d 2,..., d r, 0,... ) in Elementarteilerform. U GL m (R), V GL n (R). Gesehen: L(A, b) = L(D, bv )U. c := bv = (c 1, c 2,..., c n ). Satz 7.4 (LGS-Satz) Mit diesen Voraussetzungen und Bezeichnungen gilt: (1) L(A, b) d i c i, i = 1, 2,..., r, c r+1 = c r+2 = c n = 0. (2) Lösung des homogenen Systems xa = 0: L(A, 0) = L(D, 0)U = m j=r+1 R(e ju). e j ist der j-te Einheitsvektor in R m. Das heißt, eine R-Basis von L(A, 0) ist gegeben durch Basis b r+1, b r+2,..., b m, mit b j = e j U, also die j-te Zeile von U ist. Falls m r, so L(A, 0) = 0, d-h- jede Lösung y L(A, 0) hat eindeutige Darstellung y = m j=r+1 a jb j, a j R. (3) Falls das LGS lösbar ist, so erhalt man die allgemeine Lösung x aus einer spezielen Lösung x 0 in der Form x = x 0 + y, y L(A, 0). Mann kann wählen: x 0 = (d 1 1 c 1, d 1 2 c 2,..., d 1 r c r, 0,..., 0). Beweis Alles schon bewiesen... Bemerkungen: (1) Ist A R n n, so gilt A GL n (R) D = 1 n 78

7 7.2 Ganzzahlige Lösungen eines ganzzahligen linearen Gleichungssystems (2) Jedes U GL n (R) ist Produkt von Elementarmatrizen. Beweis (1) A = UDV, U, V GL n (R). D GL n (R) n = r, d 1,..., d n = 1 = D = 1 n (2) A GL n (R) D = 1 n = A = UV = Behauptung Freunde der Algebra mögen beachten, dass für ein R-Modul M die selben Axiome wie für einen Vektorraum gelten, nur dass R ein Ring statt einem Körper ist. Das Z-Modul ist (fast) das selbe wie eine (additive) abelsche Gruppe. Die Hauptneuheit ist, dass man im Allgemeinen in M eine R-Basis hat. Ein Beispiel dazu ist mit R = Z das Modul M = (Z/2Z), +). Wäre die Basis die leere Menge, so wäre M = 0, Widerspruch. Ist nun b ein Element der Basis, so wären alle z b, z Z verschieden, also #M =, was auch ein Widerspruch ist. In der Algebra zeigt man leicht: Ist M = u 1,..., u m = { m i=1 α iu i α i R}, so existiert ein A R m n mit M = R n /R m A. Klar: A = UDV wie im Elementarsatz, also R m = R m U, R n = V R n = M = R n /R m UDV = R n V/R m DV = R n /R m D = (R R)/(Rd 1 Rd r 0 0) = R/Rd 1 R/R d r R R Damit ist die Struktur bestimmt. So kann die Eindeutigkeit von D auch bewiesen werden. Ist R = Z, so ist (Z/dZ, +) zyklisch, erzeugt von 1 + dz = 1, Z sowieso zyklisch. Als Ergebnis haben wir: Jede endlich erzeugbare abelsche Gruppe ist direktes Produkt zyklischer Gruppen. Die R-lineare Abbildung R l R k beschriebung durch Darstellungsmatrizen in R l k. Der Elementarteiler-Algorithmus liefert Mittel Kern(f) und Bild(f) explizit zu beschreiben. 79

8

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

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

Quadratische Matrizen

Quadratische Matrizen Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch

Mehr

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9

4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9 Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )

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

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen 3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange

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

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

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

Mehr

Algorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern

Algorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern Algorithmen zur Berechnung der Smith-Normalform und deren Implementation auf Parallelrechnern Gerold Jäger Institut für Experimentelle Mathematik Ellernstraße 29 45326 Essen 20. Juli 2001 1 Einführung

Mehr

4. Vektorräume und Gleichungssysteme

4. Vektorräume und Gleichungssysteme technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume

Mehr

3.4 Der Gaußsche Algorithmus

3.4 Der Gaußsche Algorithmus 94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,

Mehr

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S Begriffe Faser: Es sei f : M N eine Abbildung von Mengen. Es sei n N. Die Menge f 1 ({n}) M nennt man die Faser in n. (Skript Seite 119). Parallel: Zwei Vektoren v und w heißen parallel, wenn für einen

Mehr

Lineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich

Lineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,

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

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

Lineare Algebra I Zusammenfassung

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

Mehr

( ) 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

1 Zahlentheorie. 1.1 Kongruenzen

1 Zahlentheorie. 1.1 Kongruenzen 3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(Allgemeine) Vektorräume (Teschl/Teschl 9) (Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:

Mehr

1.3 Gruppen. Algebra I 9. April 2008 c Rudolf Scharlau,

1.3 Gruppen. Algebra I 9. April 2008 c Rudolf Scharlau, Algebra I 9. April 2008 c Rudolf Scharlau, 2002 2008 18 1.3 Gruppen Der Begriff der Gruppe ordnet sich in gewisser Weise dem allgemeineren Konzept der Verknüpfung (auf einer Menge) unter. So ist zum Beispiel

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

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden: Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare

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

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

3. Diskrete Mathematik

3. Diskrete Mathematik Diophantos von Alexandria um 250 Georg Cantor 1845-1918 Pythagoras um 570 v. Chr Pierre de Fermat 1607/8-1665 Seite 1 Inhalt der Vorlesung Teil 3: Diskrete Mathematik 3.1 Zahlentheorie: Abzählbarkeit,

Mehr

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

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

Mehr

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

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

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

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

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

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

Mehr

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag

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

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 4 Das Lemma von Bezout Satz 1. (Lemma von Bézout) Jede Menge von ganzen Zahlen a 1,...,a n besitzt einen größten gemeinsamen Teiler

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

Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus

Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus Proseminar: Primzahlen 1. Vortrag Der erweiterte euklidische Algorithmus Max Zoller 14. April 8 1 Der klassische euklidische Algorithmus Beispiel: ggt 15, 56? 15 = 1 56 + 49 56 = 1 49 + 7 49 = 7 7 + =

Mehr

2 Teilbarkeit in Z. (a) Aus a b folgt a b und a b und a b und a b. (b) Aus a b und b c folgt a c.

2 Teilbarkeit in Z. (a) Aus a b folgt a b und a b und a b und a b. (b) Aus a b und b c folgt a c. 2 Teilbarkeit in Z Bis auf weiteres stehen kleine Buchstaben für ganze Zahlen. Teilbarkeit. Sei a 0. Eine Zahl b heißt durch a teilbar, wenn es ein q gibt mit b = qa. Wir sagen dann auch: a teilt b (ist

Mehr

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.

Mehr

x LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg

x LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg SKRIPTUM { LINEARE ALGEBRA I JB COOPER Inhaltsverzeichnis: x Lineare Gleichungssysteme x Geometrie der Ebene und des Raumes x Vektorraume x Lineare Abbildungen Typeset by AMS-T E X x LINEARE GLEICHUNGSSYSTEME

Mehr

1 Modulare Arithmetik

1 Modulare Arithmetik $Id: modul.tex,v 1.10 2012/04/12 12:24:19 hk Exp $ 1 Modulare Arithmetik 1.2 Euklidischer Algorithmus Am Ende der letzten Sitzung hatten wir den größten gemeinsamen Teiler zweier ganzer Zahlen a und b

Mehr

Copyright, Page 1 of 5 Die Determinante

Copyright, Page 1 of 5 Die Determinante wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2. Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar

Mehr

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Mathematik I für Biologen, Geowissenschaftler und Geoökologen 28. November 2011 Definition Beispiel: Wassermengen und Konzentrationen in einem Fluss Beispiel Zeilenstufenform Beispiel (Fortsetzung) Anhang

Mehr

6 Hauptachsentransformation

6 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

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

x y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)

x y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen) Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung

Mehr

Lineare Algebra I Klausur. Klausur - Musterlösung

Lineare Algebra I Klausur. Klausur - Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.

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

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

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme

II. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme 52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte

Mehr

Lineare Differenzengleichungen und Polynome. Franz Pauer

Lineare Differenzengleichungen und Polynome. Franz Pauer Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 13/7, A-600 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at Vortrag beim ÖMG-LehrerInnenfortbildungstag

Mehr

1.5 Duales Gitter und Diskriminantengruppe

1.5 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

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

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

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 2 Beispiele für Gruppen Aus der Vorlesung Mathematik I sind schon viele kommutative Gruppen bekannt. Zunächst gibt es die additiven

Mehr

Lösungen zum 5. Aufgabenblatt

Lösungen zum 5. Aufgabenblatt SS 2012, Lineare Algebra 1 Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com

Mehr

2 Euklidische Vektorräume

2 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,

Mehr

Kapitel 2. Ganze Zahlen. 2.1 Teilbarkeit

Kapitel 2. Ganze Zahlen. 2.1 Teilbarkeit Kapitel 2 Ganze Zahlen In diesem Kapitel setzen wir voraus, dass die Menge Z der ganzen Zahlen, ihre Ordnung und die Eigenschaften der Addition und Multiplikation ganzer Zahlen dem Leser vertraut sind.

Mehr

Kapitel III. Lineare Abbildungen

Kapitel III. Lineare Abbildungen Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,

Mehr

6 Eigenwerte und Eigenvektoren

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

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010 Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und

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

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.

Lineare 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

Mehr

Prof. Dr. H. Brenner Osnabrück SS Zahlentheorie. Vorlesung 3. Der euklidische Algorithmus

Prof. Dr. H. Brenner Osnabrück SS Zahlentheorie. Vorlesung 3. Der euklidische Algorithmus Prof. Dr. H. Brenner Osnabrück SS 2008 Zahlentheorie Vorlesung 3 Der euklidische Algorithmus Euklid (4. Jahrhundert v. C.) Definition 3.1. Seien zwei Elemente a, b (mit b 0) eines euklidischen Bereichs

Mehr

Lösungen zur Mathematik für Informatiker I

Lösungen zur Mathematik für Informatiker I Lösungen zur Mathematik für Informatiker I Wintersemester 00/03 Prof Dr H Lenzing Blatt 7 Sei M Ihre Matrikelnummer mit den Ziffern m, m, m 3, m 4, m 5, m 6, m 7 Aufgabe 6 ( Bonuspunkt): Wir betrachten

Mehr

A2.3 Lineare Gleichungssysteme

A2.3 Lineare Gleichungssysteme A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen

Mehr

Mathematische Strukturen

Mathematische Strukturen Mathematische Strukturen Lineare Algebra I Kapitel 3 18. April 2012 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de

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

Lineare 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. 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:

Mehr

Rang und Inverses einer Matrix

Rang und Inverses einer Matrix Rang und Inverses einer Matrix wgnedin@math.uni-koeln.de 29. April 2014 In dieser Notiz werden Methoden und Beispiele zur Berechnung des Rangs einer Matrix sowie der Inversen einer invertierbaren Matrix

Mehr

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )

Mehr

Zahlentheorie I. smo osm. Thomas Huber. Inhaltsverzeichnis. Aktualisiert: 1. August 2016 vers Teilbarkeit 2.

Zahlentheorie I. smo osm. Thomas Huber. Inhaltsverzeichnis. Aktualisiert: 1. August 2016 vers Teilbarkeit 2. Schweizer Mathematik-Olympiade smo osm Zahlentheorie I Thomas Huber Aktualisiert: 1. August 2016 vers. 1.0.0 Inhaltsverzeichnis 1 Teilbarkeit 2 2 ggt und kgv 3 3 Abschätzungen 6 1 Teilbarkeit Im Folgenden

Mehr

9 Vektorräume mit Skalarprodukt

9 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

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eine Familie von Gleichungen der Form a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2............ a m1 x 1 + a m2 x 2 +... + a mn x n = b m

Mehr

Wiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE

Wiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE Wiederholungsblatt Elementargeometrie im SS 01 bei Prof. Dr. S. Goette LÖSUNGSSKIZZE Die Lösungen unten enthalten teilweise keine vollständigen Rechnungen. Es sind aber alle wichtigen Zwischenergebnisse

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

Proseminar Lineare Algebra II, SS 11. Blatt

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

Mehr

1.2 Eigenschaften der ganzen Zahlen

1.2 Eigenschaften der ganzen Zahlen Lineare Algebra I WS 2015/16 c Rudolf Scharlau 13 1.2 Eigenschaften der ganzen Zahlen Dieser Abschnitt handelt von den gewöhlichen ganzen Zahlen Z und ihren Verknüpfungen plus und mal. Man kann die natürlichen

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

Äquivalenzrelation. Tischler-Problem. Euklidischer Algorithmus. Erweiterter euklidischer Algorithmus. Lineare diophantische Gleichung

Äquivalenzrelation. Tischler-Problem. Euklidischer Algorithmus. Erweiterter euklidischer Algorithmus. Lineare diophantische Gleichung Äquivalenzrelation Tischler-Problem Euklidischer Algorithmus Erweiterter euklidischer Algorithmus Lineare diophantische Gleichung Rechnen mit Resten Restklassen Teilbarkeit in Z Beispiel einer Kongruenzgleichung

Mehr

Kapitel 17. Determinanten

Kapitel 17. Determinanten Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n

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

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Blockmatrizen. Arthur Wettschereck. 11. April 2012, Bonn

Blockmatrizen. Arthur Wettschereck. 11. April 2012, Bonn Komplexe und transponierte 11. April 2012, Bonn Komplexe und transponierte 1 Definition Blockmatrix Doppelpunkt Notation 2 Addition Zeilen und Spaltenweise Multiplikation Blockmatrixmultiplikation 3 Herkömliche

Mehr

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 4: Zahlentheorie

Diskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 4: Zahlentheorie Prof. Dr. Sebastian Iwanowski DM4 Folie 1 Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 4: Zahlentheorie Beutelspacher 5 Lang 7, Biggs 20, 22, 23 (jeweils teilweise,

Mehr

Lineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap

Lineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap Lineare Algebra und Geometrie für LehramtskandidatInnen (Kapitel 6 9) Wintersemester 2010/11 Andreas Čap Fakultät für Mathematik, Universität Wien, Nordbergstraße 15, A 1090 Wien E-mail address: Andreas.Cap@esi.ac.at

Mehr

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

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

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

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

Mehr

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11 Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)

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

Die Lineare Algebra-Methode. Mahir Kilic

Die Lineare Algebra-Methode. Mahir Kilic Die Lineare Algebra-Methode Mahir Kilic 23. Juni 2004 1 Einführung 1.1 Überblick Im Allgemein benutzt man die Lineare Algebra-Methode in der Kombinatorik wie folgt: Für die Bestimmung einer Obergrenze

Mehr

Seminararbeit zur Zahlentheorie. Die Gaußschen Zahlen

Seminararbeit zur Zahlentheorie. Die Gaußschen Zahlen Universität Paderborn WS 2007/2008 Warburger Str. 100 33098 Paderborn Seminararbeit zur Zahlentheorie Die Gaußschen Zahlen Tatjana Linkin, Svetlana Krez 20. November 2007 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis

Mehr

1 Modulare Arithmetik

1 Modulare Arithmetik $Id: modul.tex,v 1.11 2012/04/16 19:15:39 hk Exp $ $Id: gruppen.tex,v 1.11 2012/04/17 10:30:56 hk Exp $ 1 Modulare Arithmetik 1.3 Restklassen Wir waren gerade damit beschäftigt eine Beispiele zum Rechnen

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

x, 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

x, 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,

Mehr