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)
|
|
- Paulina Hofer
- vor 6 Jahren
- Abrufe
Transkript
1 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 verwendet) Der Kern von f ist die folgende Teilmenge von V: Kern f = {v V so dass f(v) = } (Andere Bezeichnung: f ( ); wird oft in Analysis verwenden Man bemerke aber dass f nicht die inverse Abbildung nach unseren Definitionen ist; außerdem ist f keine Abbildung Also f ( ) ist nur die Bezeichnung) Bsp Betrachte die Abbildung f : R 2 R 3, f (( x y )) := x Es gilt: Bild f = y : wobei x,y R { } Kern f = (wird auf der nächsten Folie besprochen) x y
2 Satz 2 ( Dimensionsformel) Sei f : V U eine lineare Abbildung Dann gilt: (a) Bild f ist ein Untervektorraum von U (b) Kern f ist ein Untervektorraum von V (c) Ist V endlichdimensional, so gilt: dim(v) = dim(bild f )+dim(kern f ) Bsp Betrachte die Linearabbildung aus der Bsp oben f : R 2 R 3, f ( ( x y ) ) := x y Dann ( gilt: ) Kern f = { }, weil ( ) f x := x y = = ( ) ( ) x = y y ; also dim(kernf ) = { Bild f = x } y x,y R ist 2-dimensional (mit der Basis { }, ; also ist die Dimensionsformel dim(v) }{{} 2 = dim(bild f ) }{{} 2 +dim(kern f ) in diesem Bsp richtig }{{}
3 Beweis (a) Bild f ist ein Untervektorraum von U Beweis (a): Seien u,u 2 Bild f, dh u = f(v ), u 2 = f(v 2 ) Dann gilt: u +u 2 = f(v )+f(v 2 ) Linearität = f(v +v 2 ) Bild f λu = λf(v ) Linearität = f(λv ) Bild f
4 Beweis (b) Kern f ist ein Untervektorraum von V Beweis (b): Seien v,v 2 Kern f, dh f(v ) = f(v 2 ) = Dann gilt: f(v +v 2 ) Linearität = f(v )+f(v 2 ) = + =, dh v +v 2 Kern f f(λv ) Linearität = λf(v ) = λ =, dh λv Kern f
5 Konstruktion einer Basis in Bild f Kern f ist ein Untervektorraum des endlichdimensionalen Vektorraums V und ist deswegen auch nach Folgerung (d) aus Satz endlichdimensional Sei {v,,v k } eine Basis von Kern f Nach Folgerung (c) können wir die Basis {v,,v k } bis zum einer Basis in V erganzen: es gibt v k+,,v n so dass {v,,v n } eine Basis ist Wir zeigen: {f(v k+ ),,f(v n )} ist eine Basis in Bild f U Wir mussen zeigen, dass {f(v k+ ),,f(v n )} linearunabhängig und erzeugend ist
6 Wir zeigen: {f(v k+ ),,f(v n )} ist erzeugend Wir müssen zeigen, dass man jedes u Bild f als eine Linearkombination von Elementen f(v k+ ),,f(v n ) darstellen kann Offensichtlich, kann man jedes u Bild f als eine Linearkombination von Elementen f(v ),,f(v n ) darstellen In der Tat, jedes u Bild f ist Bild des irgentwelchen Vektors v Weil {v,,v n} eine Basis ist = λ v ++λ n v n, also u = f(v) = f(λ v ++λ n v n ) = λ f(v )++λ n f(v n ) Aber f(v ) = f(v 2 ) = = f(v k ) =, da v,,v k Kern f Dann u = λ k+ f(v k+ )+λ k+2 f(v k+2 )++λ n f(v n ) Also ist span({f(v k+ ),,f(v n )}) = Bild f
7 Wir zeigen: {f(v k+ ),,f(v n )} ist linear unabhängig Angenommen ist die Linearkombination λ k+ f(v k+ )++λ n f(v n ) = Zz: λ k+ = λ k+2 = = λ n = Wir haben: λ }{{} k+ f(v k+ )++λ n f(v n ) = k mal Da f(v ) = f(v 2 ) = = f(v k ) =, f(v )+f(v 2 )++f(v k )+λ k+ f(v k+ )++λ n f(v n ) = Weil f linear ist, f(v +v 2 ++v k +λ k+ v k+ ++λ n v n ) = Also, v +v 2 ++v k +λ k+ v k+ ++λ n v n Kern f Dann ist er die Linarkombination von Elementen v,,v k und deswegen (Satz 7(b)) λ k+ = λ k+2 = = λ n = Also gilt: dim(bild f ) = [Anzahl von Elementen in {f(v k+ ),,f(v n)}] = n k Dann gilt: dim(v) }{{} n = dim(kern f ) +dim(bild f ), }{{}}{{} k n k
8 Anwendung Dimensionsformel für Endomorphismen Def Wied: Endomorphismus = lineare Abbildung f : V V von Vektorraum V auf sich selbst Folgerung Sei f : V V ein Endomorphismus von endlichdimensionalen Vektorraum V Dann gilt: f ist surjektiv f ist injektiv Bemerkung In Hausaufgabe Blatt 5 mussten Sie mehrere Beispiele konstruieren Sie werden sehen, dass falls U und V verschiedene Dimensionen haben, ist die Aussage der Folgerung nicht richtig Idea des Beweises: wir spielen mit der Dimensionsformel (Satz 2): es gilt: dim(v) }{{} n = dim(bild f ) + dim(kern f )
9 Beweis (surjektiv) = (injektiv) Ist f surjektiv, so ist Bild f = V Wir haben dim(v) = dim(bild f ) + dim(kern f ) n = n +? Dann ist dim(kern f ) =, folglich Kern f = { } Nach Lemma c ist f injektiv
10 Beweis (surjektiv) = (injektiv) Ist f injektiv, so ist Kern f = { } Dann ist dim(kern f ) = Wir haben dim(v) = dim(bild f ) + dim(kern f ) n =? +, folglich dim(bild f ) = n Dann enthält eine Basis B in Bild f n = dim(v) linear unabhängige Vektoren Nach Folgerung (a) aus Satz ist dann B eine Basis in V, deswegen Bild f = span(b) = V,
11 Wiederholung und Plan: Ziel: alle linearen f : V U zu beschreiben, wobei V,U Vektorräume sind, sd dim(v) = n <, dim(u) = m < Wir benutzen: Hauptsatz der linearen Algebra: isomorph V R n, U isomorph R m Die Koordinatenabbildung CBV : V R n, C BU : U R m sind Isomophismen, wobei B V, B U Basen in V bzw U sind Strategie: Wir beschreiben alle linearen f : R n R m (Heute, Schema) Wir konstruieren ein Hauptbeispiel (Matrizen, nächste Folie) Wir zeigen, dass alle linearen f : R n R m wie im Hauptbeispiel sind Wir untersuchen, wie sich die Beschreibung ändert, wenn wir andere Basen B V, B U in V bzw U wählen später
12 Hauptbeispiel: Matrizen als lineare Abbildungen Def Seien m,n N Eine (m n)- Matrix ist ein rechteckiges Schema a a 2 a n a 2 a 22 a 2n A :=, a m a m2 a mn wobei alle a ij R Bsp: ( ist eine (3 2)-Matrix ) ist eine (2 3)-Matrix, Bemerkung Mathematisch exakt ist eine (m n)-matrix eine Abbildung A : {,,m} {,,n} R Das Bild von (i,j) {,,m} {,,n} ist dabei das, was im Schema an der ij Stelle steht
13 Eine (m n) Matrix A definiert eine Abbildung f A : R n R m : n x a x +a 2 x 2 ++a n x n i= x 2 f A := a 2 x +a 22 x 2 ++a 2n x n a n ix i = i= a 2ix i n a m x +a m2 x 2 ++a mn x n i= a mix i x n Diese Abbildung heißt Multiplikation der Matrix mit dem Vektor, statt f A (v) schreibt man gewöhnlich Av ; ZB f ( ) 2 3 ( ) = 2 = ( ) ( 3 ) ( ) a x +a 2 x 2 +a 3 x = = a 2 x +a 22 x 2 +a 23 x Für den j-ten Eintrag des Produkts ist nur die j-te Reihe der Matrix und der Vektor verantwortlich:??? a j a j2 a jn??? x x n =? a j x + a j2 x 2 + +a jn x n?
14 Mnemonische Regel Hilft auch die Parameter der Matrizen und Vektoren abzustimmen: Da für ein Skalarprodukt von Zeile und Vektor die Anzahl der Elemente gleich sein muss, multiplizieren wir eine (m n) Matrix mit einem Vektor aus dem R n Das Ergebniss hat dann genau soviel Zeilen wie die Matrix Skalarprodukt einer Zeile der Matrix mit einem Vektor und mnemonische Regel Sei (a i,a i2,a i3,,a in ) die i te Zeile einer Matrix A = (a ij ) und v = x x n R n Als Skalarprodukt dieser Zeile mit x x n verstehen wir die Zahl a i x +a i2 x 2 ++a in x n = n j= a ijx j Mnemonische Regel: Auf dem i ten Platz des Produkts von (m n) Matrix A und v R n steht das Skalarprodukt der i-ten Zeile der Matrix mit dem Vektor: a a 2 a n a 2 a 22 a 2n a m a m2 a mn x x 2 x n = a x +a 2 x 2 ++a n x n a 2 x +a 22 x 2 ++a 2n x n a m x +a m2 x 2 ++a mn x n
15 Mnemonische Regel: Auf dem i ten Platz des Produkts steht das Skalarprodukt der i-ten Zeile der Matrix mit dem Vektor ( ) 2 ( ) = = ( ) 4
16 Mnemonische Regel: Auf dem i ten Platz des Produkts steht das Skalarprodukt der i-ten Zeile der Matrix mit dem Vektor Aufgabe für Sie jetzt: Multiplizieren Sie die Matrix A mit dem Vektor v: Antwort:
17 Lemma 6 Multiplikation von Matrizen und Vektoren ist eine lineare Abbildung Beweis: Additivität: a a n a m a mn x x n + y y n = a a n a m a mn x + y x n + y n = a (x + y ) + + a n (x n + y n) a m (x + y ) + + a mn(x n + y n) = a x + + a n x n a m x + + a mnx n + a y + + a n y n a m y + + a mny n = a a n a m a mn x x n + a a n a m a mn y y n Ähnlich für λv
18 Wichtiges Beispiel Frage Wohin bildet diese Abbildung die Vektoren aus der Standard-Basis ab?wir rechnen es aus a a n a 2 a 2n a m a mn = a + a a n a 2 + a a 2n a m + a m2 + + a mn = a a 2 a m a a 2 a n a 2 a 22 a 2n a m a m2 a mn = a + a a n a 2 + a a 2n a m + a m2 + + a mn = a 2 a 22 a m2 Antwort Die Matrix multipliziert mit dem i-ten Basisvektor aus der Standard-Basis ist gleich die i-te Spalte der Matrix
19 Matrix einer linearen Abbildung Die Vektoren aus der Standard-Basis in R n werden wir mit e,,e n bezeichnen: e i = i-ter Platz Satz 3 f : R n R m sei eine lineare Abbildung Für jedes i {,,n} seien f(e i ) = u i := u i u 2 i u m i die Bilder der Standard-Basisvektoren Dann gilt für jeden Vektor v = v v 2 v n Rn : f(v)= u u un u 2 u2 2 un 2 u m u m 2 u m n In Worten: jede lineare Abbildung von R n nach R m ist die Multiplikation mit derjenigen Matrix, deren i-te Spalte das Bild von e i ist v v 2 v n
20 Bsp Aus der Vorlesung 9 (und aus Hausaufgabe 2 Blatt 4) Bsp ( Sei V = U = R 3, mit der Standardbasis e :=,e 2 :=,e 3 := ) Wir betrachten das Tripel ( u := 4,u 2 := 2 5,u 3 := 3 ) 6 von Vektoren aus R Nach Lemma 5 existiert eine lineare Abbildung f, die e u, e 2 u 2, e 3 u 3 abbildet Die Formel für f haben wir in Vorl 9 gefunden Wir wiederholen das Wir haben: f x ( y = f x +y +z ) = z ( f x ) ( +f y ) ( +f z ) = x 4+y z 3 x + 2y + 3z 6 = 4x + 5y + 6z 9 7x + 8y + 9z Wir sehen, dass die Abbildung genau f A ist (sie bildet also den Vektor v = x y z In der Tat, auf das Produkt Av ab), wobei die Matrix A = x x + 2y + 3z y = 4x + 5y + 6z z 7x + 8y + 9z ist
21 Satz 3 in Worten: Jede lineare Abbildung von R n nach R m ist die Multiplikation mit der Matrix, deren i-te Spalte das Bild von e i ist Beweis: Lemma 5: Es gibt genau eine lin Abbildung f mit f(e i ) = u i Wicht Bsp: Ae i ist die i te Spalte von A = Satz 3 Lemma 6: Multiplikation von Matrizen und Vektoren ist eine lineare Abbildung
22 Beweis noch einmal (dasselbe in Sätzen) Lemma 5: Es gibt genau eine lin Abbildung f mit f(e i ) = u i Wicht Bsp: Ae i ist die i te Spalte von A = Satz 3 Lemma 6: Multiplikation von Matrizen und Vektoren ist eine lineare Abbildung Wir behaupten im Satz 3, dass die lineare Abbidung f, die e,,e n jeweils auf u,,u n R m abbildet, die Multiplikation mit derjenigen Matrix A ist, deren Spalten die Vektoren u,,u n sind Multiplikation mit einer (m n) Matrix ist eine lineare Abbildung nach Lemma 6 Multiplikation mit derjenigen Matrix, deren Spalten die Vektoren u,,u n R m sind, bildet die Standard-Basisvektoren e,,e n auf die Vektoren u,,u n ab, wie wir im Wicht Bsp oben gezeigt haben Also erfüllt die Multiplikation mit dieser Matrix diese beiden Eigenschaften Aber nach Lemma 5 definieren diese Eigenschaften die Abbildung eindeutig: nach Lemma 5 ist die lineare Abbildung f, die die Basisvektoren (in unserem Fall e,,e n ) auf die Vektoren u,,u m abbildet, eindeutig Also fällt sie mit f A (wobei A diejenige Matrix ist, deren Spalten die Vektoren u,,u n sind), zusammen
23 Aufgabe: Finde die Matrix der linearen Abbildung (von R 2 nach ( R 2 ), ) die ( die Standardbasisvektoren ) e,e 2 jeweils in die Vektoren 2, überführt 3 4 Antwort: Nach Satz 3 sind( die Spalten ) der Matrix die Bilder der 2 Vektoren, also ist die Matrix 3 4
24 Finde die Matrix der linearen Abbildung (von ( R 3 ) nach ( R 2 )), die ( die) 2 5 Vektoren e,e 2,e 3 jeweils in die Vektoren,, überführt Antwort: ( )
25 Aufgabe Finde die ( Matrix ) ( der linearen ) Abbildung f (von ( R 2 nach) R 2 ), die die Vektoren, jeweils in die Vektoren, 2 ( ) 2 überführt 4 Lösung: Um Satz 3 zu benutzen, müssen wir die Bilder der Standard-Basisvektoren e,e 2 bestimmen Wir werden benutzen, dass e = ( ) ( ) ( ) = und e 2 = ( ) ) ( ) = 2 2 Dann gilt: ( (( Linearität = 2 f (( )) = f (( f )) = f )) + 2 f (( ( 2 ( ( 2 ( ) ( + 2 )) Voraussetz = 2 ( 2 ) ( 2 )) ( = 3 )) ) ) ( ) ( = Ähnlich, f Also haben wir die Bilder von e,e 2 ausgerechnet: f(e ) = ( ) und f(e 2 ) = ( ) 3 Dann können wir den Satz 3 benutzen und die Antwort bekommen ( ) Antwort: 3 )
26 Aufgabe Finde die Matrix der Abbildung Id : R n R n, Id(v) = v (in der Standard-Basis) Bemerkung Die Abbildung Id ist offensichtlich linear: zb Id(u +v) = u +v = Id(u)+Id(v) Lösung: Um Satz 3 zu benutzen, müssen wir Id(e i ) finden Aber Id(e i ) = e i!!! Also ist die i te Spalte der gesuchten Matrix e i Antwort heisst Einheitsmatrix Machen Sie bitte zu Hause die folgende Übung: multiplizieren Sie die Einheitsmatrix mit dem beliebigen Vektor das Ergebnis wieder x x n ist x x n, und stellen Sie fest, dass
27 Aufgabe Finde (bzgl der Standard-Basis) die Matrix der Streckung f : R n R n, v αv wobei α R Lösung: Um Satz 3 zu benutzen, müssen wir f(e i ) finden Aber f(e i ) = αe i Also ist die i te Spalte der gesuchten Matrix α e i α α Antwort α
28 Verkettung von Abbildungen Wiederholung A,B,C seien die Mengen, f : A B, g : B C seien Abbildungen Die Verkettung (Komposition, Superposition, Hintereinanderausführung) von Abildungen g und f ist die Abbildung g f : A C, g f(x) := g(f(x)) x A f g f(x) g(f(x)) B C
29 Lemma 7 Seien f : A B, g : B C, h : C D Abbildungen Dann gilt: h (g f) = (h g) f In Worten: Die Verkettung von Abbildungen ist assoziativ Beweis Man nehme ein (beliebiges) a A Zz: h (g f)(a) = (h g) f(a) ( ) a b c d Setze b := f(a), c := g(b) und d := h(c) Dann gilt: g f(a) = g(f(a)) = g(b) = c, h (g f)(a) = h(g f(a)) = h(c) = d Also ist die linke Seite von ( ) gleich d Wir rechnen jetzt die rechte Seite: f(a) = b, (h g) f(a) = h g(f(a)) = h g(b) = h(g(b)) = h(c) = d Also ist die rechte Seite von ( ) auch d
30 Folgerung Verkettung von Bijektionen ist bijektiv Folgerung Seien f : A B, g : B C bijektiv Dann gilt: g f : A C ist auch bijektiv A C B Wiederholung Lemma 3 Sei f : A B Dann gilt: f ist Bijektion f : B A (sd f f = Id A und f f = Id B ) Wiederholung die Bezeichnung f : Dies war die Bezeichnung für die inverse Abbildung; die Abbildung f : B A wurde durch die Eigenschaften f f = Id A und f f = Id B definiert Also hat g : C B nach unsere Bezeichnungen die Eigenschaften g g = Id B und g g = Id C
31 Folgerung Seien f : A B, g : B C bijektiv Dann gilt: g f : A C auch bijektiv Beweis der Folgerung Die Abbildungen f : A B, g : B C seien bijektiv Nach Lemma 3 existieren dann die inversen Abbildungen f : B A und g : C B Wir benutzen diese Abbildungen, um eine Abbildung zu konstruieren, die zu g f invers ist Wir zeigen nämlich, dass (g f) = f g Nach Definition der Inversen (g f) muss dies eine Abbildung von C nach A sein, die die folgenden Eigenschaften hat: (g f) (g f) = Id A und (g f) (g f) = Id C Die Abbildung f g ist eine Abbildung von C nach A, weil g : C B und f : B A Wir beweisen jetzt die Eigenschaften: (f g ) (g f) = [Da die Verkettung nach Lemma 7 assoziativ ist, können wir die Klammern beliebig umstellen] = f (g g) f = f }{{} (Id B f) = f f = Id A Id B Analog, (g f) (f g ) = g (f f ) g }{{} = g (Id B g ) = g g = Id C Id B Also existiert eine Inverse zu g f Die Abbildung g f ist dann nach Lemma 3 bijektiv
32 Wie berechnet man (g f)? Wir haben folgende Formel im Beweis der Folgerung bekommen: (g f) = f g wobei f : A B und g : B C Bijektionen sind (Copyright: MFO) Mnemonische Regel: (nach Coxeter): f = Socken anziehen f = Socken ausziehen g = Schuhe anziehen g = Schuhe ausziehen g f = zuerst Socken anziehen, dann Schuhe anziehen (g f) = f g = zuerst Schuhe ausziehen, dann Socken ausziehen A C A C - B Man kann analog beweisen, dass (f f 2 f k ) = (f k ) (f k ) (f ) - B
33 Lemma 8 Seien f : V U, g : U W lineare Abbildungen Dann ist g f : V W auch eine lineare Abbildung In Worten: Die Verkettung von linearen Abbildungen ist linear Beweis: g f(v+u) Definition Linearität von f Linearität von g = g(f(v +u)) = g(f(v)+f(u)) = g(f(v))+g(f(u)) Definition = g f(v)+g f(u) Ähnlich für λv
34 Schulden: Beweis, dass Satz den Satz impliziert Wiederholung Satz Sei (V,+, ) ein n dimensionaler Vektorraum Dann gibt es einen Isomorphismus f : V R n Wiederholung Lemma 4 ein bisschen schwächere Version: Ist g : U R n ein Isomorphismus, so ist g : R n U ebenfalls ein Isomorphismus Wiederholung Satz Sei (V,+, ) und (U,+, ) n dimensionale Vektorräume der gleichen Dimension n Dann gibt es einen Isomorphismus h : V U Wir folgern jetzt den Satz aus Satz und den heute bewiesenen Aussagen Lemma 7 und Lemma 8 Wir betrachten die Isomorphismen f : V R n und g : U R n, die nach Satz existieren Außerdem betrachen wir die Abbildung g, die nach Lemma 4 ein Isomorphismus ist Wir zeigen dass g f : V U ein Isomorphismus ist In der Tat, g f ist bijektiv nach Folgerung aus Lemma 7, als Verkettung von bijektiven Abbildungen g f ist linear nach Lemma 8 als Verkettung von linearen Abbildungen Dann ist h := g f ein Isomorphismus, wie behauptet, und die Vektorräume U und V sind, wie behauptet, isomorph
35 Multiplikation der Matrizen Wir definieren jetzt Produkt von zwei Matrizen: einer (k m) Matrix A und einer (m n) Matrix B Wiederholung Lemma 8 Seien f : V U, g : U W lineare Abbildungen ( in unserem Fall wird g = f A und f = f B ) Dann ist g f : V W auch eine lineare Abbildung Wiederholung Satz 3 Jede lineare Abbildung von R n nach R k ist die Multiplikation mit der (k n) Matrix, deren i-te Spalte das Bild von e i ist Lemma 8: Verkettung von linearen Abbildungen ist linear Satz 3: Jede lineare Abbildung: f : R n R m ist die Multiplikation mit einer (m n) Matrix = Seien f A : R m R k bzw f B : R n R m die Multiplikationen mit einer (k m)-matrix A bzw einer (m n) Matrix B, dh f A (v) := Av für v R m und f B (u) := Bu für u R n Die Verkettung f A f B : R n R k ist auch linear und ist deswegen auch die Multiplikation mit einer (k n)-matrix Def Seien f A : R m R k bzw f B : R n R m die Multiplikationen mit einer (k m)-matrix A bzw (m n) Matrix B dh, f A (v) := Av, f B (u) := Bu Dann heißt die Matrix von f A f B : R n R k das Produkt der beiden Matrizen und wird AB bezeichnet Dies ist eine (k n)-matrix
36 Konstruktion aus Definition in Bsp Wir nehmen A = ( ), B = Die( Matrix A entspricht der Abbildung f A : R 3 R 2, f A x ) ) y Die Matrix B entspricht der z = ( x +2 y +3 z 3 x +2 y + z Abbildung f B : R 2 R 3, f B ( (x y) ) = 5 x 7 y 6 x 6 y 7 x 5 y Die Abbildung f A f B ist die Abbildung von R 2 nach R 2 Sie bildet den Vektor ( ) x y auf den Vektor ( ) ( ) x y ab: Wir multiplizieren zuerst B mit ( ) x y und dann multiplizieren wir A mit dem Ergebnis Das ist eine lineare Abbildung (als Verkettung von linearen Abbildungen nach Lemma 8) Deswegen ist nach Satz 3 f A f B ( ( ) x y ) gleich dem Produkt einer (eindeutig bestimmten) (2 2) Matrix mit ( ) x y Diese Matrix heißt dann das Produkt von A und B
37 Frage: Wie kann man das Produkt von Matrizen ausrechnen? Satz 4 (Rechenregel für das Produkt von Matrizen) Seien f A : R m R k, f B : R n R m Multiplikationen mit den Matrizen a a 2 a m b b 2 b n a 2 a 22 a 2m A :=, B := b 2 b 22 b 2n a k a k2 a km b m b m2 b mn Dann ist die Matrix von f A f B gleich a a 2 a m a 2 a 22 a 2m a k a k2 a km b b 2 b n b 2 b 22 b 2n b m b m2 b mn := mi= mi= a i b i a 2i b i mi= a ki b i mi= a i b in mi= a 2i b in mi= a ki b in Mnemonische Regel: Auf dem (i, j)-ten Platz des Produkts steht das Skalarprodukt der i-ten Zeile der Matrix A mit der j-ten Spalte der Matrix B:
38 Mnemonische Regel: Auf dem (i, j)-ten Platz des Produkts steht das Skalarprodukt der i-ten Zeile der Matrix A mit der j-ten Spalte der Matrix B: ( ) = = ( ( ) )
39 Mnemonische Regel: Auf dem (i, j)-ten Platz des Produkts AB steht das Skalarprodukt der i-ten Zeile der Matrix A mit der j-ten Spalte der Matrix B Aufgabe für Sie jetzt: Multiplizieren Sie die Matrizen A und B: Antwort:
40 Beweis des Satzes 4: Mnemonische Regel: Auf dem (i, j)-ten Platz des Produkts AB steht das Skalarprodukt der i-ten Zeile der Matrix A mit der j-ten Spalte der Matrix B Satz 3: j te Spalte der Matrix AB ist das Bild f A f B (e j ) Satz 3: j-te Spalte der Matrix B ist das Bild f B (e j ) Rechenregel für Matr mal Vektoren: auf der i-ten Stelle des Bildes f A (f B (e j ))) Steht das Skalarprodukt der i-ten Zeile der Matrix A mit dem Vektor f B (e j ), also das Skalarprodukt der i-ten Zeile von A mit der j ten Spalte von B = Auf dem (i,j)-ten Platz des Produkts AB steht das Skalarprodukt der i-ten Zeile der Matrix A mit der j-ten Spalte der Matrix B
41 Ausführlicher: Beweis des Satzes anhand eines Bsp Finden wir die Matrix AB, wobei A und B wie im Bsp oben sind: A = ( ) , B = Wir benutzen Satz 3: Die j te Spalte der Matrix AB ist das Bild von e j Also, um AB auszurechnen, müssen wir die Bilder von f A f B (e j ) finden Machen wir es für j =, also für e = ( ) wir sollten die erste Spalte des Produkts bekommen ( ) ( ) ( ( )) ( Nach Definition der Verkettung, ist f A f B = f A f B Nach ) Wicht Bsp oben ist f B ( ( ) ) die erste Spalte von B, also Wicht Bsp vergessen hat, muß ( f A (f )) ( ( B = f ) A 5 ) 6 ( ) ( ) = ( Def von f A = ( ) ausrechnen) Also, ) Def von Av = (wer das und das muss die erste Spalte von AB sein Wir sehen, dass die Komponenten von AB, die in der ersten Spalte stehen, tatsächlich die Skalarprodukte der Zeilen von A und der ersten Spalte von B sind
42 Dasselbe für beliebige Matrizen A und B Was ist a a 2 a m a 2 a 22 a 2m a k a k2 a km b b 2 b n b 2 b 22 b 2n b m b m2 b mn des Produktes von Matrizen ist dies eine Matrix, sodass das Multiplizieren mit dieser Matrix den Vektor v = a a 2 a m a k a k2 a km ( x x n ) b b 2 b n x b m b m2 b mn x n? Nach der Definition auf den Vektor abbildet Um ihre j te Spalte nach Satz 3 auszurechnen, müssen wir die Bilder von e j ausrechnen Wir haben: ( ) a a 2 a m b b 2 b n Wicht Bsp e j = a k a k2 a km a a 2 a m a k a k2 a km b m b m2 b mn b j a b j + a 2 b 2j + + a m b mj Satz 3 = b mj a k b j + a k2 b 2j + + a km b mj (Eintrag Nummer i ist Skalarprodukt der i ten Zeile von A mit Be j, also mit j ter Spalte von B) Wir sehen also, dass an der (i,j) Stelle von AB das Skalarprodukt der i ten Zeile von A und der j ten Spalte von B steht, wie wir im Satz 4 behauptet haben
43 Folgerung Die Multiplikation von Matrizen ist assoziativ: (AB)C = A(BC) (falls definiert) Beweis: Nach Lemma 7 ist Verkettung von Abbildungen assoziativ Bemerkung Die Rechenregeln für das Produkt einer (k n) Matrix mit einem Vektor des R n sowie das Produkt von einer (k n) Matrix und einer (n ) Matrix ist gleich man kann Vektoren als (n ) Matrizen betrachten
44 Vektorraumsstruktur auf der Menge von (m n) Matrizen: Summe von Matrizen Seien A,B (m n)-matrizen über R Wir betrachten die Abbildung f : R n R m, f(v) := Av +Bv Diese Abbildung ist linear Def Die Matrix dieser Abbildung f heißt die Summe von Matrizen und wird mit A+B bezeichnt Rechenregel: a a n a m a mn + b b n b m b mn = a + b a n + b n a m + b m a mn + b mn Tatsächlich, Wicht Bsp j-te Spalte von A+B = (A+B)(e j ) Def Wicht Bsp = Ae j +Be j = j-te Spalte von A+j-te Spalte von B
45 Multiplikation von Matrizen mit Skalaren Sei A eine (m n) Matrix, λ R Wir betrachten die Abbildung f : R n R m, f(v) := λf A (v) = λ (Av) Die Abbildung ist linear (als Verkettung von zwei linearen Abbildungen) Def Die Matrix dieser Abbildung f heißt das λ-fache von A und wird mit λa bezeichnet Rechenregel: λ a a n λa λa n = a m a mn λa m λa mn Beweis von Rechenregel Wicht Bsp i-te Spalte von λa = λ(a(e i )) Def Wicht Bsp = λae i = λ-faches der i-ten Spalte von A
46 Bemerkung Die Multiplikation mit λ liefert dasselbe Ergebnis wie die Multiplikation von links mit der (m m) Matrix λ λ λ Multiplikation mit dieser Matrix wie wir vorher bewiesen haben multipliziert den Vektor ) mit λ, also ( λ λ (Av) λ A Def von λa = (λa)v v Assoziativität = λ λ (Av) =, weil
47 Vektorraum der Matrizen Bezeichnung Die Menge der (m n)-matrizen werden wir mit Mat(m, n) bezeichnen Aussage Mat(m, n) mit eben definierter Addition und Skalarmultiplikation ist ein Vektorraum der Dimension m n Tatsächlich, wir können eine Matrix folgenden Element aus R nm identifizieren: a a m a 2 a m2 a n a mn a a 2 a n a m a m2 a mn mit dem und dann sind die Operationen in Mat(m, n) dieselben wie in R nm Standard-Basis in Mat(m,n): Die Matrizen B ij, deren Einträge bis auf eine an der Stelle (i,j) alle sind ) = B2 Mat(2,3), Bsp: ( = B 3 Mat(3,2)
Definition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
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
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrLösungen 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.
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrWie kann man beweisen, dass (H, ) eine Gruppe ist?
Wie kann man beweisen, dass (H, ) eine Gruppe ist? Wie kann man beweisen, dass (H, ) eine Gruppe ist? (zb wenn die Multiplikation mit Hilfe einer Tabelle gegeben ist) Wie kann man beweisen, dass (H, )
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrElemente 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
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
Mehr2 Algebraische Grundstrukturen
2 ALGEBRAISCHE GRUNDSTRUKTUREN 1 8. November 2002 2 Algebraische Grundstrukturen Definitionen. Eine binäre Operation (binary operation) oder zweistellige Verknüpfung auf einer Menge M ist eine Abbildung
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt 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
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrKAPITEL 0. Einführung
Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
Mehr2.1 Codes: einige Grundbegriffe
Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrEuklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz
Tobias Kraushaar Kaiserstr. 178 44143 Dortmund Matr.- Nr.: 122964 Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz 1. EINLEITUNG... 2 2. HAUPTTEIL... 3 2.1. Der
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
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
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
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.
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrMathematik 1. Lösungsvorschläge zum 2. Übungsblatt
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrLineare 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
MehrFormelsammlung Mathematische Grundlagen für die Informatik
Formelsammlung Mathematische Grundlagen für die Informatik Wolfgang Führer wolfgang.fuehrer@web.de August 2007 Inhaltsverzeichnis Lineare Algebra. Vektorräume.................................... Abelsche
MehrKapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrLineare Algebra I. HP Butzmann. Vorlesung im HWS 09
Lineare Algebra I HP Butzmann Vorlesung im HWS 09 Inhaltsverzeichnis 1 Mengen und Abbildungen 2 2 Körper 15 3 Vektorräume 40 4 Basis und Dimension 53 5 Lineare Abbildungen 67 6 Matrizen 80 7 Lineare Gleichungssysteme
MehrInvariantentheorie. Vorlesung 5. Invariantenringe zu Untergruppen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invariantentheorie Vorlesung 5 Invariantenringe zu Untergruppen Proposition 5.1. Es sei R G R eine Operation einer Gruppe G auf einem kommutativen Ring durch
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrDiskrete Mathematik für Informatiker
Diskrete Mathematik für Informatiker Markus Lohrey Universität Siegen Wintersemester 2014/2015 Lohrey (Universität Siegen) Diskrete Mathematik Wintersem. 2014/2015 1 / 344 Organisatorisches zur Vorlesung
MehrTECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra
TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra Halbgruppen binärer Relationen auf einer 3-elementigen Menge Arbeit im Rahmen des
MehrZusatztutorium, 25.01.2013
Zusatztutorium, 25.01.2013 David Müßig muessig[at]mi.fu-berlin.de http://page.mi.fu-berlin.de/def/tutorium/ WiSe 12/13 1 Der Homomorphiesatz Der Homomorphiesatz scheint für viele eine Art rotes Tuch zu
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrProjektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:
Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein
MehrDefinition 3.1: Ein Differentialgleichungssystem 1. Ordnung
Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt
MehrAusgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik. Lineare Algebra. zusammengestellt von
Ausgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik Lineare Algebra zusammengestellt von Sabine Giese, Josef Heringlehner, Birgit Mielke, Hans Mielke und Ralph-Hardo Schulz 98 Aufgaben,
MehrLineare Algebra für Informatiker TUM Sommersemester 2011 Dozent: Christian Pötzsche
Lineare Algebra für Informatiker TUM Sommersemester 20 Dozent: Christian Pötzsche Janosch Maier 3. Juli 20 Herzlichen Dank an Lucas Westermann, Florian Scheibner (https://github. com/lswest/lamitschrift)
MehrLösungen zu Kapitel 7
Lösungen zu Kapitel 7 Lösung zu Aufgabe 1: Nach Definition 7.1 ist eine Verknüpfung auf der Menge H durch eine Abbildung : H H H definiert. Gilt H = {a 1,..., a m }, so wird eine Verknüpfung auch vollständig
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
Mehr2.2 Nebenklassen, Normalteiler und Faktorgruppen
Algebra I c Rudolf Scharlau, 2002 2012 61 2.2 Nebenklassen, Normalteiler und Faktorgruppen Bei der Konstruktion der Restklassengruppe Z/mZ hatten wir auf der Gruppe Z mit Hilfe einer Untergruppe mz eine
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrKochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf
Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
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
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
Mehr6.2 Perfekte Sicherheit
04 6.2 Perfekte Sicherheit Beweis. H(B AC) + H(A C) = H(ABC) H(AC) + H(AC) H(C) Wegen gilt Einsetzen in die Definition gibt = H(AB C). H(A BC) = H(AB C) H(B C). I(A; B C) = H(A C) H(AB C) + H(B C). Da
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
MehrRinge, Algebren und Körper
KAPITEL 3 Ringe, Algebren und Körper Wir kommen nun zu Strukturen mit zwei verträglichen Operationen, wobei wir etwas Hintergrund aus der linearen Algebra voraussetzen werden. Wir werden oft auf die Analogie
MehrVorlesung Endlichdimensionale Algebren. Dirk Kussin
Vorlesung Endlichdimensionale Algebren (Sommersemester 2013) Dirk Kussin Fakultät für Mathematik, TU Chemnitz E-mail address: dirk.kussin@mathematik.tu-chemnitz.de Inhaltsverzeichnis Kapitel 1. Grundlagen
MehrMathematik für Informatiker: Algebraische Strukturen
Mathematik für Informatiker: Algebraische Strukturen Vorlesungsskript 2009/205 Klaus Wirthmüller http://www.mathematik.uni-kl.de/ wirthm/de/mfi.html K. Wirthmüller Mathematik für Informatiker: Algebraische
MehrQualitative Datenanalyse
Qualitative Datenanalyse Prof. Dr. Stefan E. Schmidt Francesco Kriegel TU Dresden Fakultät Mathematik Institut Algebra SS 2007 28. September 2008 Inhaltsverzeichnis Kapitel 1 Formale Begriffsanalyse 1
MehrKarlsruher Institut für Technologie Institut für Algebra und Geometrie
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. Stefan Kühnlein Dipl.-Math. Jochen Schröder Einführung in Algebra und Zahlentheorie Übungsblatt 2 Aufgabe 1 (4 Punkte) Seien
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrÜbung zur Algebra WiSe 2008/2009, Blatt 1
Aufgabe 1: Zeigen Sie, dass die Untergruppe der Permutationsmatrizen in GL(n, R) isomorph zur symmetrischen Gruppe S n ist. Es sei Perm n die Menge der Permutationsmatrizen in GL(n, R). Der Isomorphismus
MehrNoethersche und artinsche Ringe
Noethersche und artinsche Ringe Seminar Kommutative Algebra und Varietäten Prof. Dr. K. Wingberg, Dr. J. Gärtner Vortrag 6 Yassin Mousa 05.06.2014 Im Folgenden bezeichne R immer einen kommutativen Ring
Mehr4. Abbildung / Funktion
4. Abbildung / Funktion In der Mathematik ist eine Funktion oder Abbildung eine Beziehung zwischen zwei Mengen, die jedem Element der einen Menge (Eingangsgröße, Funktionsargument, unabhängige Variable,
MehrMathematik II für Studierende der Informatik Kapitel. Kodierungstheorie
Mathematik II für Studierende der Informatik Kapitel Kodierungstheorie Markus Junker Sommersemester 2011 (korrigierte Version vom Sommersemester 2012) Einführung, Beispiele, Definitionen Ausgangspunkt
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrAlgebraische Kurven. Vorlesung 26. Die Schnittmultiplizität
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht
Mehr2. Universelle Algebra
2. Universelle Algebra Die Theorie der universellen Algebra verallgemeinert die Theorien der klassischen Algebren. Obwohl ursprünglich nur eine Sorte betrachtet wurde, werden wir hier gleich den mehrsortigen
MehrGNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
MehrBeispiel vor dem Beweis:
Beispiel vor dem Beweis: Beispiel vor dem Beweis: A = ¼3 6 2 3 11 2½ Beispiel vor dem Beweis: 2½ 2½ ¼3 6 A = 2 3 11 311 E 12 A = 3 6 Beispiel vor dem Beweis: 2½ 2½ ¼3 6 A = 2 3 11 311 E 12 A = 3 6 3 11
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrTaylorentwicklung der k ten Dimension
Taylorentwicklung der k ten Dimension 1.) Taylorentwicklung... 2 1.1.) Vorgehenesweise... 2 1.2.) Beispiel: f ((x, y)) = e x2 +y 2 8x 2 4y 4... 3 2.) Realisierung des Algorithmus im CAS Sage Math... 5
Mehr