PLU Zerlegung, Rang und Äquivalenz von Matrizen
|
|
- Guido Franke
- vor 6 Jahren
- Abrufe
Transkript
1 PLU Zerlegung, Rang und Äquivalenz von Matrizen Lineare Algebra I Kapitel 5 5. Mai 202
2 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 4-6 Webseite: holtz Assistent: Sadegh Jokar, MA 620, Sprechstunden Donnerstag :30-3 Tutoren: Cronjäger, Guzy, Kourimska, Rudolf Anmeldung: über MOSES Fragen? Studentische Studienfachberatung, MA 847 Telefon: (030) Vorlesungen: VL am Dienstag 0-2 im MA004, Mittwoch 8-0 im H004 Klausur? Mittwoch 8-0 H004 Der Kurs gilt mit 50% Punkten für Hausaufgaben als bestanden Achtung: Die nächste Vorlesung ( um 8:00) ist in A 5.
3 PLU Zerlegung Theorem. Für jede Matrix A K n,n gibt es eine Permutationsmatrix P K n,n, eine untere Dreiecksmatrix L GL n (K) mit -Diagonale und eine obere Dreiecksmatrix U K n,n so dass A = PLU ist. Die Matrix U ist genau dann invertierbar, wenn A invertierbar ist.
4 PLU Zerlegung Theorem. Für jede Matrix A K n,n gibt es eine Permutationsmatrix P K n,n, eine untere Dreiecksmatrix L GL n (K) mit -Diagonale und eine obere Dreiecksmatrix U K n,n so dass A = PLU ist. Die Matrix U ist genau dann invertierbar, wenn A invertierbar ist. Beweis: A hat ihre TNF Ũ: S n S n S A = Ũ, wobei Ũ eine obere Dreiecksmatrix ist. Da die Matrizen S bis S n invertierbar sind, ist A genau dann invertierbar, wenn Ũ invertierbar ist: Ũ = S n S A = A = S S n Ũ.
5 PLU Zerlegung Theorem. Für jede Matrix A K n,n gibt es eine Permutationsmatrix P K n,n, eine untere Dreiecksmatrix L GL n (K) mit -Diagonale und eine obere Dreiecksmatrix U K n,n so dass A = PLU ist. Die Matrix U ist genau dann invertierbar, wenn A invertierbar ist. Beweis: A hat ihre TNF Ũ: S n S n S A = Ũ, wobei Ũ eine obere Dreiecksmatrix ist. Da die Matrizen S bis S n invertierbar sind, ist A genau dann invertierbar, wenn Ũ invertierbar ist: Ũ = S n S A = A = S S n Ũ. Jedes S i hat die Form S i = s i,i s i+,i s n,i P i,ji mit j i i.
6 PLU Zerlegung: Beweis I Also S n S =... s n,n s 22 s s n,2... P 2,j2 s n,n s n,n s s 2 s s n, P n,jn P,j mit j i i für alle i =,..., n.
7 PLU Zerlegung: Beweis II Es gilt aber, dass durch die Multiplikation mit P n,jn... s n 2,n 2 s n,n 2 s n,n 2 0 in höchstens die letzten beiden Zeilen vertauscht werden, also kann man schreiben P n,jn s n 2,n 2 = s n 2,n 2 P n,jn. s n,n 2 s n,n 2 s n,n 2 s n,n 2 (Durch die Multiplikation AP ij werden die Spalten i und j in A vertauscht.)
8 PLU Zerlegung: Beweis III Analog gilt P k,jk s l,l s l+,l.... s n,l = s l,l s l+,l.... s n,l P k,jk für k = 2,..., n, l =,..., k.
9 PLU Zerlegung: Beweis III Analog gilt P k,jk s l,l s l+,l.... s n,l = s l,l s l+,l.... s n,l P k,jk für k = 2,..., n, l =,..., k. Es folgt per Induktion, dass S n S die Form L P hat, wobei L eine untere Dreiecksmatrix und P eine Permutationsmatrix ist.
10 PLU Zerlegung: Beweis III Analog gilt P k,jk s l,l s l+,l.... s n,l = s l,l s l+,l.... s n,l P k,jk für k = 2,..., n, l =,..., k. Es folgt per Induktion, dass S n S die Form L P hat, wobei L eine untere Dreiecksmatrix und P eine Permutationsmatrix ist. Also ist A = S Sn Ũ = P L Ũ = PLU.
11 Rang Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet.
12 Rang Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang. Rang(A) min{m, n}.
13 Rang Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n.
14 Rang Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n. 3. Ist A = BC, so gilt Rang(A) Rang(B).
15 Rang Die Anzahl r der Pivotpositionen in der TNF von A K n,m wird der Rang von A genannt und Rang(A) bezeichnet. Eigenschaften vom Rang. Rang(A) min{m, n}. 2. A K n,n ist invertierbar genau dann wenn Rang(A) = n. 3. Ist A = BC, so gilt Rang(A) Rang(B). Beweis. Sei Q GL n (K), so dass QB in TNF ist. Dann QA = QBC. In der Matrix QBC sind höchstens die ersten Rang(B) Zeilen von Null verscheiden. Die TNF von QA ist gleich der TNF von A. Somit können in der TNF von A ebenfalls höchstens die ersten Rang(B) Zeilen von Null verschieden sein. Also Rang(A) Rang(B).
16 Weitere Eigenschaften von Rang 4. Es gibt Matrizen Q GL n (K) und Z GL m (K) mit [ ] Ir 0 QAZ = 0 0 genau dann wenn Rang(A) = r.
17 Weitere Eigenschaften von Rang 4. Es gibt Matrizen Q GL n (K) und Z GL m (K) mit [ ] Ir 0 QAZ = 0 0 genau dann wenn Rang(A) = r. Beweis. Ist Rang(A) = r = 0, dann ist A = 0. Sonst gibt es Q GL n (K) so dass QA in TNF ist. Es gibt dann eine Permutationsmatrix P K n,n, so dass wobei V K m r,r. PA T Q T = [ Ir 0 V 0 ],
18 Weitere Eigenschaften von Rang 4. Es gibt Matrizen Q GL n (K) und Z GL m (K) mit [ ] Ir 0 QAZ = 0 0 genau dann wenn Rang(A) = r. Beweis. Ist Rang(A) = r = 0, dann ist A = 0. Sonst gibt es Q GL n (K) so dass QA in TNF ist. Es gibt dann eine Permutationsmatrix P K n,n, so dass PA T Q T = [ Ir 0 V 0 wobei V K m r,r. Nehmen wir nun [ Ir 0 Y = V Es folgt YPA T Q T = Mit Z = P T Y T ergibt sich das Resultat. I m r [ Ir ], ]. ].
19 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt.
20 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit
21 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m.
22 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist
23 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist B = Q AZ.
24 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist B = Q AZ. Reflexivität: Sind A = Q BZ, B = Q 2 CZ 2, dann ist
25 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist B = Q AZ. Reflexivität: Sind A = Q BZ, B = Q 2 CZ 2, dann ist A = (Q Q 2 )C(Z 2 Z ).
26 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist B = Q AZ. Reflexivität: Sind A = Q BZ, B = Q 2 CZ 2, dann ist A = (Q Q 2 )C(Z 2 Z ). Frage: Was bildet eine vollständige Menge von Repräsentanten dieser Äquivalenz?
27 Äquivalenz von Matrizen Zwei Matrizen A, B K n,m heißen äquivalent, wenn es Matrizen Q GL n (K) und Z GL m (K) mit A = QBZ gibt. Reflexivität: A = QAZ mit Q = I n und Z = I m. Symmetrie: Ist A = QBZ, dann ist B = Q AZ. Reflexivität: Sind A = Q BZ, B = Q 2 CZ 2, dann ist A = (Q Q 2 )C(Z 2 Z ). Frage: Was bildet eine vollständige Menge von Repräsentanten dieser Äquivalenz? Antwort: Die Menge [ ] Ir 0 { K n,m : r min{n, m}}. 0 0
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
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) =
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
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
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:
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
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
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
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
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
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 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
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
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, )
MehrNumerisches Programmieren
Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches
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.
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
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
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
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
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
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
MehrDas Kryptosystem von McEliece. auf der Basis von linearen Codes
Das Kryptosystem von McEliece auf der Basis von linearen Codes Anforderungen Public-Key Kryptosysteme E e (m) = c Verschlüsselung D d (c) = m Entschlüsselung mit Schl. effizient effizient 2/25 Anforderungen
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
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
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
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.
MehrLösung des Kleinste-Quadrate-Problems
Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung
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
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
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
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)
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
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 )
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
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
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
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
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
MehrGrundlagen der Programmiersprache C für Studierende der Naturwissenschaften
Grundlagen der Programmiersprache C für Studierende der Naturwissenschaften Teil 8: Komplexität und Speicheraufwand Patrick Schreier Abteilung für Angewandte Mathematik Vorlesung vom 23. Juni 2014 Gliederung
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
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
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:
MehrFORD RANGER Ranger_2013.5_Cover_V2.indd 1 12/02/2013 12:59
FORD RANGER 1 2 3 4 5 1.8 m3 6 7 8 9 10 11 3 7 8 5 1 2 4 6 9 10 12 13 3500kg 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 [Nm] 475 450 425 400 375 350 325 [kw] [PS] 180 245 165 224 150 204 135 184
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
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
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
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrDienstag, 3. September Mittwoch, 4. September Donnerstag, 5. September Freitag, 6. September. Mittwoch, 25. September.
3. Semester Montag, 2. September Dienstag, 3. September Mittwoch, 4. September Donnerstag, 5. September Freitag, 6. September Montag, 9. September Dienstag, 10. September Mittwoch, 11. September Donnerstag,
MehrZusammenfassung der 6. Vorlesung
Zusammenfassung der 6. Vorlesung w-transformation Die w-transformationbildet das Innere des Einheitskreises der z-ebene in die linke w-ebene ab. z 1 w= z+1, bzw. z= 1+w 1 w Nach Anwendung der w-transformationist
MehrDatum Wochen Band DVD Band eingelegt Protokoll kontr. Recovery kontr. Tag Nr. RW Sign. Sign. Sign.
Monat: Januar Anzahl Bänder: 9 01.01.2015 Donnerstag Do DO 02.01.2015 Freitag Fr FR 03.01.2015 Samstag 04.01.2015 Sonntag 05.01.2015 Montag Mo1 MO 06.01.2015 Dienstag Di DI 07.01.2015 Mittwoch Mi MI 08.01.2015
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrEinführung in die Kodierungstheorie
Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht
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
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,
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
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
MehrStatistisches Programmieren
Statistisches Programmieren Session 1 1 Was ist R R ist eine interaktive, flexible Software-Umgebung in der statistische Analysen durchgeführt werden können. Zahlreiche statistische Funktionen und Prozeduren
MehrEinführung in die Programmierung (EPR)
Goethe-Center for Scientific Computing (G-CSC) Goethe-Universität Frankfurt am Main Einführung in die Programmierung (EPR) (Übung, Wintersemester 2014/2015) Dr. S. Reiter, M. Rupp, Dr. A. Vogel, Dr. K.
MehrLogik und diskrete Strukturen
Prof. Dr. Institut für Informatik Abteilung I Wintersemester 2012/13 Organisatorisches Vorlesung Dienstag und Donnerstag 10:15 11:45 Uhr (HS 1) und 12:30 14:00 Uhr (HS 2) Vorlesung am Vormittag = Vorlesung
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrInformationsverarbeitung im Bauwesen
V14 1 / 30 Informationsverarbeitung im Bauwesen Markus Uhlmann Institut für Hydromechanik WS 2009/2010 Bemerkung: Verweise auf zusätzliche Information zum Download erscheinen in dieser Farbe V14 2 / 30
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
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
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
Mehr4 Kongruenz und Modulorechnung
4 Kongruenz und Modulorechnung 39 4 Kongruenz und Modulorechnung In unserer Zeitrechnung haben wir uns daran gewöhnt, nur mit endlich vielen Zahlen zu rechnen. Es ist gerade 3 Uhr und in 50 Stunden muss
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
MehrInformationsveranstaltung zu den gemeinsamen Bioinformatik-Studiengängen Bachelor/Master und Diplom
Bioinformatik an den Münchner Universitäten Informationsveranstaltung zu den gemeinsamen Bioinformatik-Studiengängen Bachelor/Master und Diplom Informationsveranstaltung zum Studium der Bioinformatik,
MehrCodes und Codegitter. Katharina Distler. 27. April 2015
Codes und Codegitter Katharina Distler 7. April 015 Inhaltsverzeichnis 1 Codes 4 Codegitter 14 Einleitung Die folgende Seminararbeit behandelt das Konzept von Codes und Codegittern. Da sie bei der Informationsübertragung
MehrGenerated by Foxit PDF Creator Foxit Software
3.Jan 2011-10.Jul 2011 Dienstag, 11. Januar 2011 Donnerstag, 13. Januar 2011 Dienstag, 18. Januar 2011 Montag, 7. Februar 2011 Montag, 14. Februar 2011 Samstag, 26. Februar 2011 Donnerstag, 3. März 2011
Mehr5. Vorlesung. Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung
5. Vorlesung Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung Seite 120 The Ranking Problem Eingabe: D: Dokumentkollektion Q: Anfrageraum
MehrSpezielle Eigenfunktionen des Transfer-Operators für Hecke Kongruenz Untergruppen
Spezielle Eigenfunktionen des Transfer-Operators für Hecke Kongruenz Untergruppen Diplomarbeit 2005 Markus Fraczek Institut für Theoretische Physik Technische Universität Clausthal Abteilung Statistische
Mehr9. Natürliche Zahlen, rationale Zahlen, reelle Zahlen.
9-1 Funktionen 9 Natürliche Zahlen, rationale Zahlen, reelle Zahlen Hier soll ein Überblick gegeben werden, wie die reellen Zahlen ausgehend von den natürlichen Zahlen konstruiert werden Dies erfolgt in
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
Mehr5. Verschiedene Repräsentanten
5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und
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:
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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrMontag, 14.3 Dienstag, 15.3 Mittwoch, 16.3 Donnerstag, 17.3 Freitag, 18.3 Samstag, 19.3 Sonntag, 20.3. Programmiertes Entwerfen 1 KG1 Götte
14.3. 0.3.016 1. Woche Montag, 14.3 Dienstag, 15.3 Mittwoch, 16.3 Donnerstag, 17.3 Freitag, 18.3 Samstag, 19.3 Sonntag, 0.3, IGErasmus Interface Design 1, IGErasmus WP Interface Design, KGErasmus4, KGErasmus6
MehrComputergraphik I. Organisatorisches. G. Zachmann University of Bremen, Germany cgvr.informatik.uni-bremen.de
Computergraphik I Organisatorisches G. Zachmann University of Bremen, Germany cgvr.informatik.uni-bremen.de Voraussetzungen Ein wenig Mathematik Trigonometrie Lineare Algebra: Rechnen mit Vektoren und
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Vorlesung für den Bereich Diplom/Master Informatik
Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK KIT Universität des Landes
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
MehrMaster of Business Administration (MBA) WS 2006-2007
06. 10 07. 10 13. 10 14. 10 20. 10 21. 10 27. 10 28. 10 Zeiten FREITAG Zeiten SAMSTAG Zeiten FREITAG Zeiten SAMSTAG Zeiten FREITAG Zeiten SAMSTAG Zeiten FREITAG Zeiten SAMSTAG Account Analysis Account
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
MehrTheoretische Informatik 2 (WS 2006/07) Automatentheorie und Formale Sprachen / Kontextfreie Sprachen und Kellerautomaten
Inhalt 1 Einführung 2 Automatentheorie und Formale Sprachen Grammatiken Reguläre Sprachen und endliche Automaten Kontextfreie Sprachen und Kellerautomaten Kontextsensitive und Typ 0-Sprachen 3 Berechenbarkeitstheorie
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
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
MehrDer Golay-Code und das Leech-Gitter
Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,
Mehr