Differentialgleichungen für Ingenieure WS 06/07
|
|
- Melanie Winter
- vor 6 Jahren
- Abrufe
Transkript
1 Differentialgleichungen für Ingenieure WS 06/07 6. Vorlesung Michael Karow Themen heute: 1. Die geschlossene Lösungsformel für lineare DGL mit konstanten Koeffizienten. 2. Die Matrixexponentialfunktion 3. Diagonalsierbarkeit 4. Jordansche Normalform
2 Einleitung: Die geschlossene Lösungsformel für die skalare lineare DGL mit konstantem Koeffizienten a Sei a C, J R ein Intervall, t 0 J und b : J C stetig. Sei ausserdem y : J C eine Lösung der DGL ẏ(t) = a y(t) + b(t) Dann gilt Eräuterungen: y(t) = e a(t t 0) y(t 0 ) }{{} =:y h (t) + t t 0 e a(t τ) b(τ) dτ }{{} =:y p (t). Die Funktion y h (t) löst das AWP ẏ h (t) = a y h (t), y h (t 0 ) = y(t 0 ). Wenn y(t 0 ) = 0 dann ist y h (t) 0. Die Funktion y p (t) löst das AWP ẏ p (t) = a y p (t) + b(t), y p (t 0 ) = 0. Wenn b(t) 0 dann ist y p (t) 0. Das Integral, durch welches y p definiert ist, nennt man Faltungsintegral.
3 Herleitung der geschlossenen Lösungsformel Ansatz (Variation der Konstanten): y(t) = e at c(t) Aus dem Ansatz folgt: ( ). ẏ(t) = a e at c(t) + e at ċ(t), a y(t) + b(t) = a e at c(t) + b(t). Gleichsetzen der linken und damit auch der rechten Seiten dieser Gleichungen ergibt e at ċ(t) = b(t), umgestellt ċ(t) = e at b(t) für alle t J. Aus Notationsgründen ersetzen wir hier die Variable t durch τ: Diese Gleichung wird integriert: c(t) c(t 0 ) = Aus ( ) folgt ausserdem Aus ( ) und ( ) folgt ċ(τ) = e aτ b(τ) für alle τ J. t t ċ(τ) dτ = e aτ b(τ) dτ. t 0 t 0 c(t 0 ) = e at 0 y(t 0). ( ) ( ) c(t) = e at 0 y(t 0) + Einsetzen in ( ) ergibt die Lösungsformel t t 0 e aτ b(τ) dτ. y(t) = e a(t t 0) y(t 0 ) + t t 0 e a(t τ) b(τ) dτ.
4 Bemerkungen: Grundlage der Herleitung der geschlossenen Lösungsformel ist die Tatsache, dass d dt eat = a e at. ( ) Die geschlossene Lösungformel gilt auch für den vektorwertigen Fall y(t) = y(t) = Vektor, b(t) = b(t) = Vektor, a = A = Matrix, wenn man den Ausdruck e at = e At für Matrizen geeignet definiert, nämlich so, dass ( ) weiterhin gilt. Dies wird auf den nächsten Seiten genau erklärt.
5 Die Fundamentalmatrix für konstante Koeffizienten und die Matrix-Exponentialfunktion Für quadratische Matrizen definiert man die Exponentialfunktion genau so wie für Zahlen, nämlich durch eine unendliche Reihe e A A k := exp(a) := k! = I + A + A2 2 + A A k=0 Man kann zeigen, dass diese Definition stets sinnvoll ist, d.h. die Reihe konvergiert für jede Matrix A C n n. Für die Funktion Y(t) := exp( A t) folgt wie im skalaren Fall Ẏ(t) = d (A t)2 (A t)3 (I + A t + + dt = (0 + A + A 2 t + A3 t 2 2 ( (A t)2 = A I + A t + 2 ) (A t) A4 t ) (A t) ) = AY(t). Ausserdem gilt Y(0) = exp(o) = I, also det(y(0)) = 1 0. Folgerung: Y(t) = exp(at) ist eine Fundamentalmatrix für die homogene DGL ẏ(t) = Ay(t).
6 Die geschlossene Lösungsformel für die vektorwertige lineare DGL mit konstanter Koeffizienten-Matrix A Sei A C n n, J R ein Intervall, t 0 J und b : J C n stetig. Sei ausserdem y : J C n eine Lösung der DGL ẏ(t) = A y(t) + b(t) Dann gilt y(t) = e A(t t 0) y(t 0 ) + t t 0 e A(t τ) b(τ) dτ. Bemerkung: Die Herleitung dieser Formel geht genau wie im skalaren Fall. Die Formel ist grundlegend für die Regelungstheorie.
7 Aud den folgenden Seiten geht es um die Berechnung von e At. Dabei werden einige Begriffe aus der Linearen Algebra wiederholt. Dieser Teil ist (zum Glück) nicht klausurrelevant.
8 Beispiel: Die Exonentialfunktion für Diagonalmatrizen Sei Λ = diag(λ 1,..., λ n ) = λ Dann ist (Λt) k = (λ 1t) k... für alle k N. Daher exp(λ t) = k=0 (Λ t) k k! = k=0 λ n (λ 1 t) k k!... (λ n t) k k! = k=0 (λ 1 t) k k!... (λ n t) k k=0 (λ n t) k k! = eλ 1 t... e λ n t = diag( e λ 1 t,..., e λ n t ). Folgerung: Das AWP ẏ1(t). = λ 1 ẏ n (t)... λ n y 1(t). = λ 1 y 1 (t)., y n (t) λ n y n (t) y 1(0). = v 1. y n (0) v n hat die Lösung (das erkennt man auch ohne Matrixexponentialfunktion) y 1(t). = exp(λ t) v 1. = y n (t) v n eλ 1 t... e λ n t v 1. = v n eλ 1 t v 1.. e λ n t v n
9 Das Ähnlichkeitsprinzip Erinnerung: Zwei quadratische Matrizen A,B C n n heissen ähnlich, falls es eine invertierbare Matrix V C n n gibt, so dass A = VBV 1. Ähnlichkeitsprinzip: A = VBV 1 exp(a) = V exp(b)v 1. Beweis: A = VBV 1 A k = (VBV 1 )(VBV 1 )(VB...BV 1 )(VBV 1 ) = VB (V 1 V) }{{} =I = VB k V 1. B(V 1 V)B...B(V 1 V)BV 1 exp(a) = k=0 A k k! = k=0 VBk V 1 k! = V ( ) k=0 Bk V 1 = V exp(b)v 1. k!
10 Erinnerung: Eine quadratische Matrix A C n n heisst diagonalisierbar, falls es eine invertierbare Matrix V C n n gibt, so dass A = VΛV 1, Λ = diag(λ 1,..., λ n ), λ k C. Nach den bisher gewonnenen Resultaten berechnet sich die Matrix-Exponentialfunktion für diagonalisierbare Matrizen wie folgt: exp(at) = exp(vλv 1 t) = exp(v(λ t)v 1 ) = Vexp(Λ t)v 1 = Vdiag(e λ 1 t,..., e λ n t )V 1.
11 Fazit: Wenn eine Matrix A diagonalisierbar ist, dann kann man exp(a t) berechnen, und so lineare DGL der Form ẏ(t) = Ay(t) + b(t) lösen. Fragen: 1. Wie diagonalisiert man eine Matrix? 2. Ist überhaupt jede Matrix diagonalisierbar? 3. Was bedeutet Diagonalisierbarkeit geometrisch?
12 Die geometrische Bedeutung von Diagonalisierbarkeit Sei A C n n und Λ = diag(λ 1,..., λ n ). Sei ausserdem V = [v 1,...,v n ] C n n, wobei die Vektoren v 1,...v n eine Basis des C n bilden. Dann existiert V 1 und man hat folgende Äquivalenzen: A = VΛV 1 AV = VΛ A[v 1,...,v n ] = [v 1,...,v n ] λ 1... λ n [Av 1,...,Av n ] = [ λ 1 v 1,..., λ n v n ] Av k = λ k v k, k = 1,..., n. Daraus folgt: Eine Matrix A ist genau dann diagonalisierbar, wenn sie eine Basis von Eigenvektoren besitzt. Wenn die Gleichung A = VΛV 1 gilt, dann sind die Spalten von V Eigenvektoren von A und die Diagonalelemente der Diagonalmatrix Λ sind die zugehörigen Eigenwerte.
13 Erinnerung: Die Eigenwerte einer Matrix A C n n sind die Nullstellen des charakteristischen Polynoms χ A (λ) = det(a λi) = ±λ n spur(a) λ n 1 ±... + det(a). Sei λ k ein Eigenwert, d.h. χ A (λ k ) = 0. Dann hat die Gleichung (A λ k I)v = 0 von 0 verschiedene Lösungen v C n. Für diese gilt Av = λ k v. Die Eigenvektoren v bilden (zusammen mit 0) einen Vektorraum (den Eigenraum), aus dem man eine Basis (des Eigenraums) auswählen kann.
14 Erinnerung: Zwei hinreichende Kriterien für Diagonalisierbarkeit 1. Wenn die Nullstellen des charakteristischen Polynoms alle einfach sind, (d.h. wenn keine Nullstelle höhere Vielfachheit hat, λ k λ j für k j), dann sind die Eigenräume eindimensional, d.h. der Eigenvektor v k zum Eigenwert λ k ist bis auf einen Faktor eindeutig bestimmt. Wählt man aus jedem Eigenraum einen Eigenvektor aus, so erhält so eine Basis v 1,...,v n des ganzen Raums C n. 2. Wenn die Matrix A reell und symmetrisch ist, dann sind alle Eigenwerte reelle Zahlen und gibt es eine Basis v 1,...,v n von Eigenvektoren, auch wenn die Nullstellen des char. Polynoms höhere Vielfachheit haben. Extrembeispiel: Die Einheitsmatrix I ist reell und symmetrisch. Ihr einziger Eigenwert ist λ = 1. Alle Vektoren des C n sind Eigenvektoren. Jede bliebige Basis ist eine Basis von Eigenvektoren. Diese Kriterien sind nur hinreichend. Auch wenn sie nicht erfüllt sind, kann eine Basis von Eigenvektoren existieren, muss aber nicht. Weiter hinreichende Kriterien für Diagonalisierbarkeit findet man z.b. im Skript zur linearen Algebra.
15 Beispiel für nicht diagonalisierbare Matrizen: Jordanblöcke Jordanblock der Dimension 4: λ 1 λ 1 J 4 (λ) = λ 1 C 4 4, λ C. λ Der einige Eigenwert ist λ. Der Eigenraum ist eindimensional, denn die einzigen Eigenvektoren sind die Vielfachen des ersten Standard-Basisvektors: λ 1 α α λ λ 1 0 = λ 0 α C. λ 0 0 Echte Jordanblöcke (Dimension > 1) sind nicht diagonalisierbar. Bemerkung: Ein Jordanblock der Dimension 1 ist per Definition eine 1 1-Matrix: J 1 (λ) = [λ].
16 Berechnung der Matrix-Exponentialfunktion für Jordanblöcke N ist nilpotent: Daher: λ 1 1 λ 1 J 4 (λ) = λ 1 = λ λ 1 1 } {{ 1 } =I } {{ 0 } =:N N = 0 0, N = 0 0, N 4 = exp(j 4 (λ) t) = exp(t λi + tn) = exp(t λi)exp(tn) = ( e λ t I ) k=0 = ( e λ t I ) 3 k=0 Diese Summe kann man leicht ausrechnen (tn) k k! (tn) k k! t 1 t 2 t 3 2 3! = e λ t t 1 t t 1
17 Eine Jordan-Matrix ist eine Blockdiagonalmatrix, deren Blöcke Jordan-Blöcke sind. Beispiel: J = λ λ 1 λ λ λ 1 λ λ λ 2 λ 2 2 λ λ λ 3 λ 4 = diag(j 2 (λ 1 ), J 3 (λ 1 ), J 3 (λ 2 ), J 1 (λ 2 ), J 1 (λ 2 ), J 3 (λ 3 ), J 1 (λ 4 )) Allgemein: J = diag(j i1 (λ k1 ),...,J ir (λ kr )).
18 Das Block-Prinzip Sei A eine Blockdiagonalmatrix: A 1 A = A 2... A r = diag(a 1,...,A r ), A k C n k n k. Dann gilt exp(a 1 t) exp(at) = exp(a 2 t)... = diag(exp(a 1 t),...,exp(a r t)). exp(a r t) Die zugehörige Rechnung ist dieselbe wie für Diagonalmatrizen. Insbesondere für Jordanmatrizen gilt: J = diag(j i1 (λ k1 ),...,J ir (λ kr )) exp(j t) = diag(exp(j i1 (λ k1 ) t),...,exp(j ir (λ kr ) t)).
19 Satz von der Jordanschen Normalform: Zu jeder Matrix A C n n gibt es eine invertierbare Matrix V C n n und eine Jordan-Matrix J, so daß A = VJV 1. Kurz: Jede quadratische Matrix ist ähnlich zu einer Jordan-Matrix. Zusatz: J ist bis auf die Reihenfolge der Jordan-Blöcke eindeutig bestimmt. A und J haben dieselben Eigenwerte. Folgerung: Ähnlichkeitsprinzip & Blockprinzip & Jordansche Normalform Matrix-Exponentialfunktion ist berechenbar: exp(at) = V exp(j t)v 1 = Vdiag ( exp(j i1 (λ k1 ) t),...,exp(j ir (λ kr ) t) ) V 1.
20 Jordanketten und Hauptvektoren (verallgemeinerte Eigenvektoren) Definition: Eine endliche Folge v 1,...,v p von Vektoren heißt Jordankette für A C n n zum Eigenwert λ C wenn: Av 1 = λv 1 (A λi)v 1 = 0 0 = (A λi) p v p Av 2 = λv 2 + v 1 (A λi)v 2 = v 1 v 1 = (A λi) p 1 v p Av 3 = λv 3 + v 2 (A λi)v 3 = v 2 v 2 = (A λi) p 2 v p.. Av p 2 = λv p 2 + v p 3 (A λi)v p 2 = v p 3 v p 3 = (A λi) 3 v p Av p 1 = λv p 1 + v p 2 (A λi)v p 1 = v p 2 v p 2 = (A λi) 2 v p Av p = λv p + v p 1 (A λi)v p = v p 1 v p 1 = (A λi)v p. Die Glieder einer Jordankette heissen Hauptvektoren (verallgem. Eigenvektoren) Eigenvektoren: (A λi)v = 0 Hauptvektoren: (A λi) j v = 0 für ein j N Matrixformulierung: Sei V = [v 1 v 2...v p ]. Dann gilt: v 1,...,v p ist eine Jordan-Kette für A genau dann, wenn λ 1 λ 1 0 AV = V = VJ p (λ) 0 λ 1 λ Mehr zu dieser Gleichung auf der nächsten Seite
21 Beispiel zur Matrixformulierung der Jordankettengleichungen Seien v 1,v 2,v 3 C n. Dann rechnet man folgendermaßen: Av 1 = λv 1 Av 2 = λv 2 + v 1 Av 3 = λv 3 + v A[v 1, v 2, v 3 ] = [Av 1, Av 2, Av 3 ] 2 = [ λv 1, λv 2 + v 1, λv 3 + v 2 ] = [ v 1 λ, v v 2 λ, v v 3 λ ] = [v 1, v 2, v 3 ] λ λ λ = VJ. Angenommen, die Vektoren v 1,v 2,v 3 bilden bereits eine Basis des ganzen Raumes C n, n = 3. Dann kann man die eben gewonnene Gleichung AV = VJ von rechts mit V 1 multiplizieren und bekommt so A = VJV 1 Analog verfährt man, wenn man eine Basis aus mehreren Jordanketten hat. Umgekehrt gilt: Wenn die Identität ( ) für eine Jordanmatrix J besteht, dann bilden die Spalten von V Jordanketten. Dies begründet die folgende Alternative Formulierung des Satzes von der Jordanschen Normalform: Jede quadratische Matrix A C n n besitzt eine Basis von Jordanketten. ( )
22 Frage: Die Berechnung der Matrix-Exponentialfunktion ist kompliziert. Muss man wirklich damit arbeiten, um die DGL zu lösen? ẏ(t) = Ay(t) + b(t) Antwort: Die Matrixexponentialfunktion ist ein wichtiges Mittel, um lineare DGL theoretisch zu verstehen. Man sollte wenigstens mal davon gehört haben. Bei der Berechnung von Lösungen kann man aber direkter vorgehen (Eigenwertmethode),
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,
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
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
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.
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
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
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
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
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
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,
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
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
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
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
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
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrLineare Differentialgleichungen
Kapitel 4 Lineare Differentialgleichungen 4.1 Lineare Systeme mit variablen Koeffizienten 4.2 Die Matrix Exponentialfunktion 4.3 Lineare System mit konstanten Koeffizienten 4.4 Lineare Differentialgleichungen
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
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
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:
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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
MehrLineare 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,
Mehr9.2 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
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
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 =
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..
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
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:
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
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
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
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
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).
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrAlgorithmus zur Berechnung der Jordannormalform
Algorithmus zur Berechnung der Jordannormalform Olivier Sète 19. Januar 2011 Inhaltsverzeichnis 1 Motivation 1 2 Algorithmus Wie und warum funktioniert das? 2 2.1 Zutat 1 Für einen Jordanblock.........................
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
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 I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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
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
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrDiplom Mathematiker Wolfgang Kinzner. 17. Oktober Technische Universität München. Die abc-formel. W. Kinzner. Problemstellung.
Diplom Mathematiker Wolfgang Kinzner Technische Universität München 17. Oktober 2013 1 / 9 Inhaltsverzeichnis 1 2 / 9 Inhaltsverzeichnis 1 2 2 / 9 Inhaltsverzeichnis 1 2 3 2 / 9 Inhaltsverzeichnis 1 2
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
MehrLineare 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
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
MehrLösung zur Übung 19 SS 2012
Lösung zur Übung 19 SS 01 69) Beim radioaktiven Zerfall ist die Anzahl der pro Zeiteinheit zerfallenden Kerne dn/dt direkt proportional zur momentanen Anzahl der Kerne N(t). a) Formulieren Sie dazu die
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
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
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrBetriebsanleitung für gewöhnliche lineare Differentialgleichungen. Prof. Dr. Dirk Ferus
Betriebsanleitung für gewöhnliche lineare Differentialgleichungen Prof. Dr. Dirk Ferus Version vom 30.10.2005 Inhaltsverzeichnis 1 Homogene skalare Gleichungen. 1 1.1 Einfache reelle Nullstellen.............................
MehrFormelsammlung. für den Teilbereich Zustandsraumdarstellung der Vorlesung. Einführung in die Regelungstechnik
Formelsammlung für den Teilbereich Zustandsraumdarstellung der Vorlesung Einführung in die Regelungstechnik Diese Formelsammlung ist ein Auszug aus der Formelsammlung zur Systemtheorie-Vorlesung von Matthias
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrVerfahren zur Berechnung der Exponentialmatrix
Verfahren zur Berechnung der Exponentialmatrix Konrad Waldherr Verfahren zur Berechnung der Exponentialmatrix p.1/14 Motivation In einem Quantensystem ist folgendes Produkt von besonderer Bedeutung: e
MehrMathematik 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)
Mehr2.9 Die komplexen Zahlen
LinAlg II Version 1 3. April 2006 c Rudolf Scharlau 121 2.9 Die komplexen Zahlen Die komplexen Zahlen sind unverzichtbar für nahezu jede Art von höherer Mathematik. Systematisch gehören sie zum einen in
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrEin Beispiel für eine lineare Abbildung
Inhaltsverzeichnis Ein Beispiel für eine lineare Abbildung Lothar Melching Vorbemerkungen 2 Ein Beispiel 2 2 Definition der Abbildung f 2 22 Die Abbildungsmatrix 3 23 Anwendung 3 Eigenwerte 3 Die neue
MehrStichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016
Stichwortliste zur Vorlesung Lineare Algebra II Gabriela Weitze-Schmithüsen Saarbrücken, Sommersemester 2016 Kapitel I Jordansche Normalform Ziel: Wir möchten Matrizen bis aus Ähnlichkeit klassifizieren.
MehrEuklidische 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
MehrProbeklausur zur Linearen Algebra II (B2)
Prof. Dr. Salma Kuhlmann Gabriel Lehéricy 12. Juli 2016 Lothar Sebastian Krapp Sommersemester 2016 Probeklausur zur Linearen Algebra II (B2) Klausurnummer: 1 Matrikelnummer: Pseudonym: Aufgabe 1 2 3 erreichte
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
MehrAnwendungen des Eigenwertproblems
Anwendungen des Eigenwertproblems Lineare Differentialgleichungssysteme 1. Ordnung Lineare Differentialgleichungssysteme 2. Ordnung Verhalten der Lösung von linearen autonomen DGLS Hauptachsentransformation
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
MehrLösung 05 Klassische Theoretische Physik I WS 15/16. y a 2 + r 2. A(r) =
Karlsruher Institut für Technologie Institut für theoretische Festkörperphsik www.tfp.kit.edu Lösung Klassische Theoretische Phsik I WS / Prof. Dr. G. Schön Punkte Sebastian Zanker, Daniel Mendler Besprechung...
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
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
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
Mehr8. Übungsblatt Aufgaben mit Lösungen
8 Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Matrix Bestimmen Sie die allgemeine reelle Lösung des Differentialgleichungssystems u x = Aux für die A =, 9 indem Sie das System auf eine einzelne gewöhnliche
MehrKurze Geschichte der linearen Algebra
Kurze Geschichte der linearen Algebra Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 20 Entwicklung Die Historische Entwicklung
MehrKlausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe 14/15 Dr. Hanna Peywand Kiani 06.07.2015 Klausurberatung Differentialgleichungen I für Studierende der Ingenieurwissenschaften Die ins Netz gestellten
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
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
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
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
MehrLinearisierung und Stabilität
Prof. Dr. Michael Eisermann Höhere Mathematik 3 (vertieft) Kapitel T Linearisierung und Stabilität Wie ist es möglich, daß die Mathematik, letztlich doch ein Produkt menschlichen Denkens unabhängig von
MehrLineare 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