Determinanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
|
|
- Sophie Fürst
- vor 6 Jahren
- Abrufe
Transkript
1 Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls ad cb, so erhalten wir y = av cu ad cb [ = und x = [ cu av cu av cu ud vb ad cb Daher spielt die Ungleichung ad cb eine entscheidende Rolle für die eindeutigen Lösbarkeit von (1) Die Verallgemeinerung der obigen Rechnung auf größere quadratische lineare Gleichungssysteme führt nun zur Theorie der Determinanten Definition 23: Sei K ein Körper, dessen Charakteristik ungleich 2 ist (dh ), und sei V ein K-Vektorraum mit dim V = n Eine Determinantenform ist eine nicht-triviale, alternierende, multilineare Abbildung : V V K, }{{} n mal dh erfüllt die folgenden Eigenschaften: (D) (D1) Für alle i = 1,,n und v 1,,v n V ist die Abbildung linear, dh (v 1,,v i 1, αx + βy,v i+1,,v n ) = für alle x,y V und alle α,β K (v 1,,v i 1,,v i+1,,v n ) : V K α (v 1,,v i 1,x,v i+1,,v n ) + β (v 1,,v i 1,y,v i+1,,v n ) (D2) Für alle i,j = 1,,n mit i j und für alle v 1,,v n V gilt (v 1,,v i,,v j,,v n ) = (v 1,,v j,,v i,,v n ) Falls V = K n, so können wir auf natürliche Weise jede Determinantenform : V V K mittels der Definition (A) := (a 1,,a n ), A = [ a 1 a n K n n auch als Abbildung vom K n n = K K nach K interpretieren Folgerung 12: Sei : V V K eine Determinantenform Dann gilt: (a) (v 1,,v i 1,v i + λv j,v i+1,,v n ) = (v 1,,v i 1,v i,v i+1,,v n ) für alle v 1,,v n V, λ K und i j 1
2 (b) (v 1,,v n ) =, falls v 1,,v n linear abhängig sind Bemerkung: Wir werden später sehen, dass auch die Umkehrung von Folgerung 12(b) gilt Beweis: (a) Sei obda i < j Es gilt (v 1,,v i + αv j,,v j,,v n ) = (v 1,,v i,,v j,,v n ) + α (v 1,,v j,,v j,,v n ) }{{} = = (v 1,,v i,,v j,,v n ), wobei der zweite Summand in der ersten Zeile verschwindet, da alternierend ist (b) Sei obda v 1 = n i=2 λ iv i Dann gilt ( n ) (v 1,,v n ) = λ i v i,v 2,,v n = i=2 n λ i (v i,v 2,,v n ) = i=2 Satz 15 / Definition 24: (a) Zwei Determinantenformen 1 und 2 auf V unterscheiden sich höchstens durch einen nichttrivialen skalaren Faktor, dh es existiert ein λ mit 2 = λ 1 (b) Es gibt genau eine Determinantenform auf dem K n (bzw dem K n n ) mit (e 1,,e n ) = 1 (bzw (I n ) = 1) Diese Determinantenform bezeichnen wir im Weiteren als die Determinante auf dem K n (bzw dem K n n ) und schreiben det statt Insbesondere gilt folgende Darstellung det(a) = π S n sign(π) n a iπ(i) (2) Dabei bezeichnet S n die Menge aller Permutationen der Menge {1,,n} und sign(π) das Vorzeichen der Permutation π Dieses ist definiert durch i=1 sign(π) := ( 1) T(π), wobei T(π) die Anzahl der Transpositionen ist, die man braucht um π zu darzustellen Bemerkung: Alternativ kann man das Vorzeichen einer Permutation auch wie folgt berechnen sign(π) = 1 i<j n π(i) π(j) i j Beweis: Zum Beweis sei auf die Literatur zur Linearen Algebra verwiesen; wir betrachten im Weiteren nur zwei Beispiele Beispiele: Die Elemente von S n sind per definitionem alle Permutationen, dh alle bijektiven Abbildungen der Menge {1,2,,n} in sich Da eine Permutation π eindeutig durch die Angabe ihrer Bilder als n-tupel ( π(1),π(2),,π(n) ) festgelegt ist, können wir im Weiteren jedes n-tupel (x 1,,x n ), x i {1,2,,n} und x i x j, i j eindeutig mit einer Permutation identifizieren Man unterscheidet sogenannte gerade und ungerade Permutationen Gerade Permutationen bestehen aus einer geraden Anzahl von Transpositionen (Transposition = Vertauschung von genau zwei Elementen), ungerade dementprechend aus einer ungeraden Anzahl von Transpositionen 1 Sei n = 2 Dann gilt S 2 = {(1,2),(2,1)} und sign(12) = 1 sowie sign(2,1) = 1 Damit erhalten a11 a12 wir aus (2) für die Determinante von A := [ a 21 a 22 die Darstellung a11 a12 det [ a 21 a 22 = a 11 a 22 a 12 a 21 2
3 2 Sei n = 3 Dann gilt S3 = {(1, 2, 3), (2, 3, 1), (3, 1, 2), (2, 1, 3), (3, 2, 1), (1, 3, 2)} Nun zeigt man leicht sign(1, 2, 3) = sign(2, 3, 1) = sign(3, 1, 2) = 1 und sign(2, 1, 3) = sign(3, 2, 1) = sign(1, 3, 2) = 1 h a11 a12 a13 i Daraus folgt nun fu r A := aa21 aa22 aa23 die Identita t 31 det A = X π S3 sign π 3 Y aiπ(i) i=1 = sign(1, 2, 3)a11 a22 a33 + sign(2, 3, 1)a12 a23 a31 + sign(3, 1, 2)a13 a21 a32 + sign(2, 1, 3)a12 a21 a33 + sign(3, 2, 1)a13 a22 a31 + sign(1, 3, 2)a11 a23 a32 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a12 a21 a33 a13 a22 a31 a11 a23 a32 Damit haben wir die sogenannte Regel von Sarrus gezeigt Diese stellt eine und anschauliche einfache Merkhilfe zur Berechnung der Determinante einer (3 3)-Matrix A = a b c d e f g h i dar Abbildung 1: Regel von Sarrus (Quelle: Wikipedia) Regel von Sarrus: Erst schreibt man die ersten beiden Spalten der Matrix rechts neben die Matrix und bildet die Produkte der sechs Diagonalen, dh die Produkte der Eintra ge, die auf den oben skizzierten Diagonalen stehen Dann addiert bzw subtrahiert man die sechs Terme gema ß des angegeben Vorzeichenschemas und erha lt auf diese Weise die Determinante von A als det A = aei + bf g + cdh gec hf a idb Satz 16: Die Abbildung det : Kn n K besitzt folgende Eigenschaften: (a) det In = 1 (b) det(ab) = det A det B fu r alle A, B Kn n (c) det A 6= genau dann, wenn A invertierbar ist (d) det A 1 = (det A) 1 fu r alle A GLn (K) (e) det A = det A fu r alle A Kn n 3
4 (f) a 11 a 11 a 12 a 1n a det 21 a 22 = det a 22 = n a ii i=1 a n1 a nn a nn Beweis: Siehe angegebene Literatur zur Linearen Albgebra Folgerung 12 : Die Spalten (bzw Zeilen) von A K n n sind genau dann linear unabhängig, wenn det A gilt Beweis: Man benutze Folgerung 12(b) und Satz 16(c) und (d) Satz 17 (Entwicklung von Determinanten): Sei A K n n, n 2 und bezeichne Âij diejenige (n 1) (n 1)-Matrix, die durch Streichen der i-ten Zeile sowie der j-ten Spalte entsteht Dann gilt: (a) Entwicklung nach der j-ten Spalte von A: det A = n ( 1) i+j a ij det Âij, i=1 wobei j {1,,n} beliebig, aber fest gewählt ist (b) Entwicklung nach der i-ten Zeile von A: det A = n ( 1) i+j a ij det Âij, j=1 wobei i {1,,n} beliebig, aber fest gewählt ist Beweis: Siehe angegebene Literatur zur Linearen Albgebra Beispiele: 1 Sei A = 2 Sei A = [ Dann gilt mittels Entwicklung nach der ersten Spalte det A = 1 det [ [ [ ( 1) = (4 3) (3 + 4) = 6 [ λ11 λ 2 λ 3, wobei ein Stern für einen beliebiges Element aus K steht λ 4 Dann gilt mittels wiederholter Entwicklung nach der ersten Spalte det A = λ 1 det Vergleiche auch Satz 16(f) [ λ2 λ 3 λ 4 + = λ 1 λ 2 det [ λ 3 λ 4 = λ1 λ 2 λ 3 λ 4 4
5 Eigenwerte, Eigenvektoren und das Spektrum einer Matrix Motivation: Wir wollen für A R n n das Verhalten von A k für k bzw das Verhalten von e ta := t k A k k= für t untersuchen [Beachte: Die Kurve t e ta x ist die formale Lösung der gewöhnlichen Differentialgleichung ẋ = Ax mit x() = x λ 1 Falls A diagonal ist, dh A =, so gilt offensichtlich λ n λ k 1 A k = λ k n k! und e ta = e tλ1 e tλn, also A k für λ i < 1, i = 1,,n und e ta für λ i <, i = 1,,n Problem: Wie kann man vorgeht, falls A nicht diagonal ist? Angenommen, wir könnten eine invertierbare Matrix T finden, so dass T 1 AT diagonal ist, also Dann wäre und somit λ 1 T 1 AT = =: Λ bzw A = TΛT 1 λ n A k = ( TΛT 1) k ( = TΛT 1 ) ( TΛT 1) (TΛT 1) = TΛ k T 1 = T }{{} k mal e tλ1 e ta = Te tλ T 1 = T T 1 e tλn λ k 1 λ k n T 1 Folglich hätte man das Problem auf den Fall, dass A diagonal ist, zurückgeführt Daher ist es im Weiteren unser Ziel zu verstehen, wann eine derartige, diagonalisierende Matrix T GL n (R) existiert Definition 25: (a) Sei A K n n Ein Skalar λ K heißt Eigenwert von A, falls es ein v K n, v gibt mit Av = λv (3) Umgekehrt bezeichnen wir v als Eigenvektor von A zum Eigenwert λ, falls Gleichung (3) gilt Die Menge aller Eigenwerte einer Matrix A bezeichnen wir als ihr Spektrum σ(a), dh σ(a) := {λ K v K n \ {} : Av = λv} 5
6 (b) Eine Matrix A K n n heißt diagonalisierbar (über K), falls es eine invertierbare Matrix T K n n gibt, so dass T 1 AT diagonal ist Bemerkung: 1 Die Diagonalisierbarkeit einer Matrix kann vom Körper K abhängen, so ist zb A := [ 1 1 R 2 2 C 2 2 über C, aber nicht über R diagonalisierbar 2 Es gibt jedoch auch n n Matrix (n 2), die über keinem Körper diagonalisierbar sind, zb ist A := [ 1 niemals diagonalisierbar Satz 18: Eine Matrix A K n n ist genau dann diagonalisierbar, wenn es eine Basis aus Eigenvektoren, also n linear unabhängige Eigenvektoren v 1,,v n K n von A gibt Insbesondere ist dann T := [ v 1 v 2 v n GLn (K) eine diagonalisierende Transformation, dh es gilt λ 1 T 1 λ 2 AT = λ n Dabei bezeichne λ i den Eigenwert zum Eigenvektor v i Beweis : Sei A diagonalisierbar, dh es existiert eine invertierbare Matrix T GL n (K) mit λ 1 T 1 AT = λ n und somit gilt λ 1 AT = T (4) λ n Bezeichnen wir nun mit t i K n die i-te Spalte von T, dh T = [ t 1 t 2 t n, so ist (4) äquivalent zu At 1 = λ 1 t 1, At 2 = λ 2 t 2,, At n = λ n t n, dh die Spalten von T bilden eine Basis aus Eigenvektoren von A : Seien v 1,,v n linear unabhängige Eigenvektoren von A Setze T := [ v 1 v 2 v n Dann gilt λ 1 AT = T, λ n wobei λ i den Eigenwert zu v i bezeichne Somit ist T GL n (K) eine diagonalisierende Transformation von A Satz 19: Sei A K n n Ein Skalar λ K ist genau dann ein Eigenwert von A, wenn det(a λi n ) = gilt Beweis Es gelten folgende Äquivalenzen: λ σ(a) v : Av = λv v : (A λi n )v = Ker(A λi n ) {} A λi n ist nicht invertierbar det(a λi n ) = 6
7 Definition 26: (a) Sei A K n n Wir bezeichnen das Polynom χ A (x) := det(a xi n ) P n (K) als das charakteristische Polynom von A (b) Für jedes λ σ(a) definieren wir E A (λ) := ker(a λi n ) K n als den Eigenraum von A zum Eigenwert λ Folgerung 13: Sei A K n n Dann gilt: (a) v E A (λ) \ {} v ist Eigenvektor von A zum Eigenwert λ (b) σ(a) = NS(χ A ) := {λ K χ A (λ) = } Beweis Die Behauptungen folgen unmittelbar aus Satz 19 und dessen Beweis Folgerung 14: Sei A K n n und sei T GL n (K) Dann gilt χ A = χ T 1 AT Beweis Nach Satz 16 gilt χ T 1 AT (x) = det(t 1 AT xi n ) = det ( T 1 (A xi n )T ) = dett 1 det(a xi n )det T = det(a xi n ) = χ A (x) Bemerkung: Matrizen A,B K n n, für die ein T GL n (K) existiert mit B = T 1 AT heißen ähnlich zueinander Folgerung 14 besagt also, dass ähnliche Matritzen dasselbe charakteristische Polynom besitzen Definitio 27: Sei A K n n und sei λ K ein Eigenwert von A Somit ist λ nach Folgerung 13 auch eine Nullstelle des charakteristischen Polynoms χ A Wir schreiben a(λ) für die Vielfachheit der Nullstelle λ im charakteristischen Polynom und bezeichnen diese als die algebraische Vielfachheit des Eigenwerts λ, dh χ A (x) = (x λ) a(λ) p(x) mit p(λ) Ferner heißt die Dimension des Eigenraum E A (λ) die geometrische Vielfachheit des Eigenwerts λ Wir schreiben hierfür g(λ) := dim E A (λ) Bemerkung: Man kann nun leicht mit Hilfe von Folgerung 14 zeigen, dass die Ungleichung g(λ) a(λ) immer erfüllt ist Gleichheit gilt im Allgemeinen jedoch nicht (siehe auf Folgerung 16) Satz 2: Sei A K n n und seien v 1,,v k Eigenvektoren von A zu paarweise verschiedenen Eigenwerten λ 1,,λ k Dann sind v 1,,v k linear unabhängig Beweis Wir betrachten das lineare Gleichungssystem und multiplizieren (5) von links mit der Matrix Damit erhalten wir µ 1 v 1 + µ 2 v µ k v k = (5) B := (A λ 2 I n )(A λ 3 I n ) (A λ k I n ) B(µ 1 v 1 + µ 2 v µ k v k ) = µ 1 (λ 1 λ 2 )(λ 1 λ 3 ) (λ 1 λ k )v 1 =, also µ 1 = Analog zeigt man µ i = für i = 2,,k und somit sind die Vektoren v 1,,v k linear unabhängig 7
8 Folgerung 15: (a) Sei A K n n Wenn das charakteristische Polynom χ A in n paarweise verschiedene Nullstellen (über K) zerfällt, so ist A (über K) diagonalisierbar Allgemeiner gilt: (b) Die Matrix A ist genau dann diagonalisierbar, wenn E A (λ 1 ) E A (λ 2 ) E A (λ k ) = K n, wobei λ 1,,λ k die paarweise verschiedene Nullstellen von χ A bezeichne Beweis (a) Dies folgt unmittelbar aus den Sätzen 18 und 2 sowie aus Folgerung 13 (b) = : Sei A diagonalisierbar Dann folgt aus Satz 18 und Folgerung 13, dass E A (λ 1 ) E A (λ 2 ) E A (λ k ) = K n =: Sei nun E A (λ 1 ) E A (λ 2 ) E A (λ k ) = K n Aus Satz 2 folgt, dass die Summe E A (λ 1 ) E A (λ 2 ) E A (λ k ) direkt ist, dh aus k i=1 v 1 = k i=1 ṽi mit v i,ṽ i E A (λ i ) folgt v i = ṽ i für alle i = 1,,k Somit zeigt man leicht, dass B := B 1 B k eine Basis aus Eigenvektoren liefert, falls B i jeweils eine Basis von E A (λ i ) ist Folgerung 16: Sei A K n n und seien λ 1,,λ k die paarweise verschiedenen Nullstellen des charakteristischen Polynoms χ A Die Matrix A K n n ist genau dann diagonalisierbar, wenn k i=1 g(λ i) = n Beweis Die Behauptung folgt unmittelbar aus Satz 2 und Folgerung 15(b) Abschließend zitieren wir einen tiefliegenden Satz der Linerane Algebra, der eine erstaunliche Eigenschaft des charakteristischen Polynoms zeigt Zum Beweis verweisen wir auf die angegebene Literatur Satz 21 (Satz von Cayley/Hamilton) Sei A K n n und sei χ A (x) = x n + a n 1 x n 1 + a 1 x + a Dann gilt A n + a n 1 A n 1 + a 1 A + a I n = K n n, oder kurz χ A (A) = Beispiel zur Diagonalisierbarkeit: Sei A = [ R Schritt (Bestimmung der Eigenwerte): Wir berechnen zuerst die Nullstellen des charakteristische Polynom χ A (x) := det(a xi 3 ) Dazu entwickeln wir die folgende Determinante nach der letzten Spalte det(a xi 3 ) = det = (3 x)det [ 1 x x also σ(a) = { 1, 3} 2 Schritt (Bestimmung der Eigenräume): [ 1 x x x = (3 x)(x 2 2x 3) = (x 3) 2 (x + 1), (1) Für λ = 3 erhalten wir E A (3) := ker(a 3I 3 ) als Lösung des linearen Gleichungssystems [ 2 2 [ x1 [ 2 2 x 2 = 1 1 x 3 }{{} A 3I 3 Mittels elementarer Zeilenumformungen erhält man das äquivalente System [ x1 [ x 2 = x 3 [ 1 1 8
9 und somit Ker(A 3I 3 ) = [ 11 [ 1 } {x 2 + x 3 x2,x 3 R [ 11 =,[ 1 (2) Für λ = 1 ergibt sich E A ( 1) := ker(a + I 3 ) als Lösung von [ x1 [ x 2 = x 3 [ (6) Wiederum durch elementare Zeilenumformungen bringt (6) in die äquivalent From [ x1 [ x 2 = x 3 Also gilt [ Ker(A 3I 3 ) = { [ 2 } [ x x3 R = Folglich finden wir eine Basis des R 3 bestehend aus Eigenvektoren von A, zb somit ist A diagonalisierbar (vgl Satz 18 und Folgerung 16) {[ 11 [ 2 },[, 2 und 1 1 9
klar. 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
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) =
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.
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
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
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
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
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:
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
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
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
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
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
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 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 )
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
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
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)
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
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.
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
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
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
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
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
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
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
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
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.
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:
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
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
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
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
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrDefinition 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,
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
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
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
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
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
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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
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
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:
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,
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,
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
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
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrFakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin
Fakultät für Mathematik und Informatik Lehrgebiet angewandte Mathematik Prof. Dr. H. Linden Dipl.-Math. H.-J. Schäfer Seminar über angewandte Analysis Sommersemester 2007 Der Kreissatz von Gerschgorin
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 ; : :
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
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
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
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
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
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
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
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
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
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrGleichungen Aufgaben und Lösungen
Gleichungen Aufgaben und Lösungen http://www.fersch.de Klemens Fersch 6. Januar 3 Inhaltsverzeichnis Lineare Gleichung. a x + b = c....................................................... Aufgaben....................................................
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
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
MehrLösen von linearen Gleichungssystemen mit zwei Unbekannten:
Lösen von linearen Gleichungssystemen mit zwei Unbekannten: 1. Additions- und Subtraktionsverfahren 3x = 7y 55 + 5x 3x = 7y 55 7y 5x + 2y = 4 3 5 werden, dass die Variablen links und die Zahl rechts vom
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,
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
MehrDirk Hachenberger Mathematik für Informatiker
Dirk Hachenberger Mathematik für Informatiker ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis Vorwort
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
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,
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
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Hochschule für Technik und Wirtschaft des Saarlandes University of Applied Sciences Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung
MehrMathematik für Ökonomen
Springer-Lehrbuch Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab Bearbeitet von Wolfgang Kohn, Riza Öztürk 1. Auflage 2012. Taschenbuch. xv, 377 S. Paperback
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
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
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
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.)
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
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
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
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
MehrDr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 3.1
.1 Dr. Jürgen Roth Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen und Gleichungssysteme Quadratische
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrWolfgang Kohn Riza Öztürk. Mathematik für Ökonomen. Ökonomische Anwendungen der linearen. Algebra und Analysis mit Scilab
Wolfgang Kohn Riza Öztürk Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab 3., erweiterte und überarbeitete Auflage ^ Springer Gabler Inhaltsverzeichnis Teil
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:
Mehrab (a wird gefunden als die Abcisse des Minimums). so erhält man eine
24 ab (a wird gefunden als die Abcisse des Minimums). so erhält man eine gerade Linie. Die (:~). Kurve (verg I. Fig. 5) ist ein Parabel. Wenn nun d gröszer als a wird. wird die Kurve wieder steigen. Die
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
Mehr1 Das Lemma von Burnside und seine Anwendungen
Das Lemma von Burnside und seine Anwendungen Mit dem Lemma von Burnside lassen sich Zählprobleme lösen, bei denen Symmetrien eine Rolle spielen. Betrachten wir als einführendes Beispiel die Anzahl der
MehrVorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)
Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen
MehrVorlesung Analysis I / Lehramt
Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch
Mehr