12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
|
|
- Dirk Simen
- vor 6 Jahren
- Abrufe
Transkript
1 12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
2 Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn sie bezüglich der algebraischen Operationen Addition und Skalarmultiplikation abgeschlossen ist, wenn also x, y M αx + βy M α, β Ã.
3 Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn sie bezüglich der algebraischen Operationen Addition und Skalarmultiplikation abgeschlossen ist, wenn also x, y M αx + βy M α, β Ã. Ein Unterraum ist damit selber ein Vektorraum, weil er die Rechenregeln vom zu Grunde liegenden Vektorraum erbt.
4 Beispiele für Unterräume Sind x 1,...,x k X, so heißt U = span {x 1,...,x k } = { z = α 1 x α k x k : α 1,...,α k } Ã der von x 1,...,x k aufgespannte Unterraum.
5 Beispiele für Unterräume Sind x 1,...,x k X, so heißt U = span {x 1,...,x k } = { z = α 1 x α k x k : α 1,...,α k } Ã der von x 1,...,x k aufgespannte Unterraum. Aufgabe: Man zeige, dass U tatsächlich ein Unterraum ist.
6 Beispiele für Unterräume Sind x 1,...,x k X, so heißt U = span {x 1,...,x k } = { z = α 1 x α k x k : α 1,...,α k à } der von x 1,...,x k aufgespannte Unterraum. Aufgabe: Man zeige, dass U tatsächlich ein Unterraum ist. Für k = 1 und x 1 0 ist U die Gerade durch den Nullpunkt mit Richtung x 1.
7 Linare Abbildungen Seien X, Y Vektorräume über dem Körper Ã. Eine Abbildung f : X Y heißt linear, wenn f (αx + βy) = αf (x) + βf (y) α, β Ã x, y X.
8 Linare Abbildungen Seien X, Y Vektorräume über dem Körper Ã. Eine Abbildung f : X Y heißt linear, wenn f (αx + βy) = αf (x) + βf (y) α, β Ã x, y X. Sind x 1,...,x k Vektoren in X, so ist f durch die Werte f (x 1 ),..., f (x k ) eindeutig auf dem von x 1,...,x k aufgespannten Unterraum festgelegt.
9 Beweis Mit einem Induktionsschluss folgt nämlich aus der Bedingung der Linearität, dass f (α 1 x α k x k ) = α 1 f (x 1 ) α k f (x k ).
10 Beweis Mit einem Induktionsschluss folgt nämlich aus der Bedingung der Linearität, dass f (α 1 x α k x k ) = α 1 f (x 1 ) α k f (x k ). Insbesondere: Ist x 1,...,x n eine Basis des Vektorraums, so ist die lineare Abbildung f auf ganz X durch die Werte f (x 1 ),...,f (x n ) festgelegt.
11 Matrixdarstellung einer linearen Abbildung Sei f : à n à m linear. Wir nehmen die kanonische Basis e 1,...,e n von à n und entwickeln die Werte f (e i ) nach der kanonischen Basis e 1,...,e m von à m f (e j ) = m a ij e i. i=1
12 Matrixdarstellung einer linearen Abbildung Sei f : à n à m linear. Wir nehmen die kanonische Basis e 1,...,e n von à n und entwickeln die Werte f (e i ) nach der kanonischen Basis e 1,...,e m von à m f (e j ) = m a ij e i. i=1 Die a ij stellen wir als Matrix zusammen a a 1n A =.. = (a ij ) i=1,...,m, j=1,...,n à m n. a m1... a mn
13 Matrixdarstellung einer linearen Abbildung Für folgt x = (x 1,...,x n ) T = ( n ) f (x) = f x j e j = = n j=1 m j=1 i=1 n x j e j j=1 n x j f (e j ) j=1 a ij x j }{{} Zeile Spalte e i = Ax.
14 Matrix-Multiplikation Um f (x) = Ax zu bekommen, wird die Multiplikation Matrix Vektor so definiert, wie sie definiert ist.
15 Matrix-Multiplikation Um f (x) = Ax zu bekommen, wird die Multiplikation Matrix Vektor so definiert, wie sie definiert ist. Gleiches gilt für die Multiplikation zweier Matrizen: Sie soll die Komposition zweier linearer Abbildungen darstellen.
16 Matrix-Multiplikation Um f (x) = Ax zu bekommen, wird die Multiplikation Matrix Vektor so definiert, wie sie definiert ist. Gleiches gilt für die Multiplikation zweier Matrizen: Sie soll die Komposition zweier linearer Abbildungen darstellen. Seien f : à m à l und g : à n à m mit Matrixdarstellungen A à l m von f und B à m n von g, also f (y) = ij a ij y j e i, g(x) = kl b kl x l e k, mit {e i }=Basis von Ãl, {e i }=Basis von Ãm.
17 Matrix-Multiplikation Damit gilt ( ) f (g(x)) = f b kl x l e k = kl kl b kl x l f (e k ) = kli b kl x l a ik e i = kli a ik b }{{ kl x } l e i = ABx. Zeile Spalte
18 Folgerungen Das Hintereinanderschalten von allgemeinen Abbildungen ist assoziativ. Insbesondere gilt das für lineare Abbildungen. Daher ist auch das Matrizenprodukt assoziativ (AB)C = A(BC).
19 Folgerungen Das Hintereinanderschalten von allgemeinen Abbildungen ist assoziativ. Insbesondere gilt das für lineare Abbildungen. Daher ist auch das Matrizenprodukt assoziativ (AB)C = A(BC). Jede lineare Abbildung f : à n à m ist eindeutig bestimmt durch ihre Matrix A à m n. Daher dim{f : à n à m linear} = dim à m n = mn.
20 Kern und Bildraum einer linearen Abbildung Seien X, Y Vektorräume über dem Körper à und die Abbildung f : X Y sei linear. Der Kern oder Nullraum von f ist Kernf = {x X : f (x) = 0} X. Wegen f (0) = 0 ist der Kern nichtleer.
21 Kern und Bildraum einer linearen Abbildung Seien X, Y Vektorräume über dem Körper à und die Abbildung f : X Y sei linear. Der Kern oder Nullraum von f ist Kernf = {x X : f (x) = 0} X. Wegen f (0) = 0 ist der Kern nichtleer. Der Bildraum von f ist f (X) = {y = f (x) : x X } Y.
22 Kern und Bildraum einer linearen Abbildung Seien X, Y Vektorräume über dem Körper à und die Abbildung f : X Y sei linear. Der Kern oder Nullraum von f ist Kernf = {x X : f (x) = 0} X. Wegen f (0) = 0 ist der Kern nichtleer. Der Bildraum von f ist f (X) = {y = f (x) : x X } Y. Satz Kernf ist Unterraum von X und f (X) ist Unterraum von Y.
23 Beweis Sind x, x Kernf, so f (αx + βx ) = αf (x) + βf (x ) = 0, also αx + βx Kernf.
24 Beweis Sind x, x Kernf, so also αx + βx Kernf. f (αx + βx ) = αf (x) + βf (x ) = 0, Sind y, y f (X), so gibt es x, x X mit f (x) = y und f (x ) = y. Daher αy + βy = αf (x) + βf (x ) = f (αx + βx ) f (X).
25 Die Rangformel Ist X endlich dimensional und f : X Y linear, so definieren wir den Rang rang(f ) und den Defekt defektf von f durch rangf = dim f (X), defektf = dim Kernf.
26 Die Rangformel Ist X endlich dimensional und f : X Y linear, so definieren wir den Rang rang(f ) und den Defekt defektf von f durch rangf = dim f (X), defektf = dim Kernf. Klar, rang f, defektf dimx. Satz (Rangformel) Es gilt defektf + rang f = dimx.
27 Beweis der Rangformel Sei dimx = n. Sei x 1,...,x k eine Basis von Kernf. Diese können wir dann durch x k+1,...,x n zu einer Basis von X ergänzen. Es gilt f (X) = span {f (x 1 ),..., f (x n )} = span {f (x k+1 ),..., f (x n )}
28 Beweis der Rangformel Sei dimx = n. Sei x 1,...,x k eine Basis von Kernf. Diese können wir dann durch x k+1,...,x n zu einer Basis von X ergänzen. Es gilt f (X) = span {f (x 1 ),..., f (x n )} = span {f (x k+1 ),..., f (x n )} Wären die Vektoren f (x k+1 ),...,f (x n ) linear abhängig, so α k+1 f (x k+1 ) α n f (x n ) = 0, und damit α k+1 x k α n x n Kernf.
29 Beweis der Rangformel Sei dimx = n. Sei x 1,...,x k eine Basis von Kernf. Diese können wir dann durch x k+1,...,x n zu einer Basis von X ergänzen. Es gilt f (X) = span {f (x 1 ),..., f (x n )} = span {f (x k+1 ),..., f (x n )} Wären die Vektoren f (x k+1 ),...,f (x n ) linear abhängig, so α k+1 f (x k+1 ) α n f (x n ) = 0, und damit α k+1 x k α n x n Kernf. Dies widerspricht der Konstruktion der x i, denn ein nichttriviales Element des Kerns darf sich nicht als Linearkombination der x k+1,...,x n darstellen lassen. Daher rang f = dim f (X) = n k.
30 Lineare Gleichungssystem und Abbildungen Sei A à m n und b à m. Das lineare Gleichungssystem Ax = b können wir auch mit der zugehörigen linearen Abbildung f : à n à m, f (x) = Ax deuten.
31 Lineare Gleichungssystem und Abbildungen Sei A à m n und b à m. Das lineare Gleichungssystem Ax = b können wir auch mit der zugehörigen linearen Abbildung f : à n à m, f (x) = Ax deuten. Seien a 1,...,a n die Spaltenvektoren von A, A = (a 1... a n ). Dann Ax = b n x j a j = b f (x) = b j=1 mit x = (x 1,...,x n ) T.
32 Lineare Gleichungssystem und Abbildungen Das Gleichungssystem Ax = b ist daher genau dann lösbar, wenn b f (Ã n ).
33 Lineare Gleichungssystem und Abbildungen Das Gleichungssystem Ax = b ist daher genau dann lösbar, wenn b f (Ã n ). Wir definieren den Spaltenrang rang A als die Anzahl der linear unabhängigen Spaltenvektoren von A. Dieser stimmt mit dem Rang der zugehörigen Abbildung f (x) = Ax überein.
34 Lineare Gleichungssystem und Abbildungen Das lineare Gleichungssystem Ax = b ist daher genau dann für jede rechte Seite b lösbar, wenn ranga = m.
35 Lineare Gleichungssystem und Abbildungen Das lineare Gleichungssystem Ax = b ist daher genau dann für jede rechte Seite b lösbar, wenn ranga = m. Dazu ist natürlich n m erforderlich.
36 Lineare Gleichungssystem und Abbildungen Das lineare Gleichungssystem Ax = b ist daher genau dann für jede rechte Seite b lösbar, wenn ranga = m. Dazu ist natürlich n m erforderlich. Ist x eine Lösung von Ax = b so ist die Lösungsmenge der affine Raum x + Kernf. In Matrixschreibweise ist Kern f = {y : Ay = 0}.
37 Lineare Gleichungssystem und Abbildungen Das lineare Gleichungssystem Ax = b ist daher genau dann für jede rechte Seite b lösbar, wenn ranga = m. Dazu ist natürlich n m erforderlich. Ist x eine Lösung von Ax = b so ist die Lösungsmenge der affine Raum x + Kernf. In Matrixschreibweise ist Kern f = {y : Ay = 0}. Nach der Rangformel ist defektf = dim Kernf = n rang A.
38 Der Spezialfall m = n Bei m = n gibt es folgende Möglichkeiten: ranga = n : Das lineare Gleichungssystem Ax = b ist für alle b eindeutig lösbar. ranga < n : Das lineare Gleichungssystem Ax = b ist nicht für alle b lösbar. Gibt es eine Lösung x, so ist die Lösungsmenge der affine Raum x + Kernf mit dimkernf = n rang A.
39 Der Spezialfall m = n Liegt der Fall rang A = n vor, so heißt die Matrix A regulär.
40 Der Spezialfall m = n Liegt der Fall rang A = n vor, so heißt die Matrix A regulär. Meine Lieblingsfrage in einer Prüfung: Nennen sie die 1000 äquivalenten Bedingungen zur Regularität von A.
41 Äquivalente Bedingungen für reguläres A im Fall m = n ranga = n
42 Äquivalente Bedingungen für reguläres A im Fall m = n ranga = n Das Gleichungssystem Ax = b ist für alle b eindeutig lösbar.
43 Äquivalente Bedingungen für reguläres A im Fall m = n ranga = n Das Gleichungssystem Ax = b ist für alle b eindeutig lösbar. Das Gleichungssystem Ax = b ist für alle b lösbar.
44 Äquivalente Bedingungen für reguläres A im Fall m = n ranga = n Das Gleichungssystem Ax = b ist für alle b eindeutig lösbar. Das Gleichungssystem Ax = b ist für alle b lösbar. Das homogene Gleichungssystem Ax = 0 ist eindeutig lösbar (durch x = 0).
45 Äquivalente Bedingungen für reguläres A im Fall m = n ranga = n Das Gleichungssystem Ax = b ist für alle b eindeutig lösbar. Das Gleichungssystem Ax = b ist für alle b lösbar. Das homogene Gleichungssystem Ax = 0 ist eindeutig lösbar (durch x = 0). det A 0
46 Die Inverse von regulären Matrizen Ist die n n-matrix regulär, so können wir für jedes b das Gleichungssystem Ax = b lösen.
47 Die Inverse von regulären Matrizen Ist die n n-matrix regulär, so können wir für jedes b das Gleichungssystem Ax = b lösen. Insbesondere sind Ax i = e i eindeutig lösbar, e 1,...,e n sind die kanonischen Einheitsvektoren.
48 Die Inverse von regulären Matrizen Wir stellen die Lösungen von Ax i = e i als Spaltenvektoren einer Matrix zusammen: A 1 = (x 1... x n ) AA 1 = (Ax 1... Ax n ) = (e 1... e n ) = E
49 Die Inverse von regulären Matrizen Wir stellen die Lösungen von Ax i = e i als Spaltenvektoren einer Matrix zusammen: A 1 = (x 1... x n ) AA 1 = (Ax 1... Ax n ) = (e 1... e n ) = E mit der Einheitsmatrix E =
50 Die Inverse von regulären Matrizen Wir stellen die Lösungen von Ax i = e i als Spaltenvektoren einer Matrix zusammen: A 1 = (x 1... x n ) AA 1 = (Ax 1... Ax n ) = (e 1... e n ) = E mit der Einheitsmatrix E = Es gilt also AA 1 = A 1 A = E. Die regulären n n-matrizen bilden eine Gruppe mit neutralem Element E.
51 Gauß-Algorithmus Wenn in der Klausur keine Aufgabe vorkommt, in der der Gauß-Algorithmus an einem konkreten Beispiel vorgeführt werden muss, gebe ich einen aus.
52 Gauß-Algorithmus Wenn in der Klausur keine Aufgabe vorkommt, in der der Gauß-Algorithmus an einem konkreten Beispiel vorgeführt werden muss, gebe ich einen aus. Sei A à m n und b à m. Zu lösen ist Ax = b mit Hilfe des Gauß-Algorithmus, dem Standard-Verfahren für dieses Problem.
53 Gauß-Algorithmus Wenn in der Klausur keine Aufgabe vorkommt, in der der Gauß-Algorithmus an einem konkreten Beispiel vorgeführt werden muss, gebe ich einen aus. Sei A à m n und b à m. Zu lösen ist Ax = b mit Hilfe des Gauß-Algorithmus, dem Standard-Verfahren für dieses Problem. Wir betrachten immer das erweiterte System (A b) à m (n+1), wobei b (wie immer bei uns) als Spaltenvektor aufgefasst wird.
54 Gauß-Algorithmus Die Lösungsmenge von Ax = b wird nicht verändert, wenn eine Zeile von (A b) auf eine andere addiert wird,
55 Gauß-Algorithmus Die Lösungsmenge von Ax = b wird nicht verändert, wenn eine Zeile von (A b) auf eine andere addiert wird, eine Zeile mit einem α Ã \ {0} multipliziert wird,
56 Gauß-Algorithmus Die Lösungsmenge von Ax = b wird nicht verändert, wenn eine Zeile von (A b) auf eine andere addiert wird, eine Zeile mit einem α Ã \ {0} multipliziert wird, zwei Zeilen von (A b) miteinander vertauscht werden.
57 Gauß-Algorithmus im Fall m = n Sei A regulär. Mit Hilfe der angegebenen Operationen erreicht man in diesem Fall, dass A zu einer rechten oberen Dreiecksmatrix wird: (Ã b) =
58 Gauß-Algorithmus im Fall m = n Sei A regulär. Mit Hilfe der angegebenen Operationen erreicht man in diesem Fall, dass A zu einer rechten oberen Dreiecksmatrix wird: (Ã b) = In diesem Fall sind die Elemente auf der Hauptdiagonalen 0 und die eindeutige Lösung wird durch Elimination von unten nach oben bestimmt.
59 Gauß-Algorithmus im Fall m = n Ist ranga < n, so wendet man am besten Spaltenvertauschung an, wenn man in einer Spalte kein Pivot-Element findet.
60 Gauß-Algorithmus im Fall m = n Ist ranga < n, so wendet man am besten Spaltenvertauschung an, wenn man in einer Spalte kein Pivot-Element findet. Vertauscht man die Spalte i mit Spalte j, so werden auch die Unbekannten x i und x j miteinander vertauscht, was man sich merkt.
61 Gauß-Algorithmus im Fall m = n Sei ranga = n 1. Mit Hilfe der angegebenen Operationen erreicht man in diesem Fall: 0 (Ã b) = b n
62 Gauß-Algorithmus im Fall m = n Ist b n 0, so ist das lineare Gleichungssystem unlösbar, weil die letzte Gleichung nicht erfüllt werden kann.
63 Gauß-Algorithmus im Fall m = n Ist b n 0, so ist das lineare Gleichungssystem unlösbar, weil die letzte Gleichung nicht erfüllt werden kann. Ist b n = 0, so kann man für x n einen beliebigen Wert vorgeben und man erhält eine Lösung x.
64 Gauß-Algorithmus im Fall m = n Ist b n 0, so ist das lineare Gleichungssystem unlösbar, weil die letzte Gleichung nicht erfüllt werden kann. Ist b n = 0, so kann man für x n einen beliebigen Wert vorgeben und man erhält eine Lösung x. Um den Kern zu bestimmen, gibt man sich im homogenen System Ãx = 0 für x n die 1 Ã vor und bestimmt wieder von unten nach oben einen Vektor y, der das homogene System löst. Die Lösungsmenge ist dann x + {λy : λ Ã}.
65 Gauß-Algorithmus - m < n Ist A Ã m n mit m < n, so ist das Gleichungssystem unterbestimmt. Hat man Vollrang, also ranga = m, so erreicht man mit den angegebenen Operationen die Form 0. (Ã b) = , a ii 0 für i = 1,...,m
66 Gauß-Algorithmus - m < n Man setzt x m+1,...,x n = 0 und erhält eine Lösung von Ax = b. Den Kern bestimmt man wieder, indem man b = 0 und ein x j, j = m + 1,...,n zu 1 setzt. Die zugehörigen x (j) bilden dann eine Basis des Kerns.
67 Gauß-Algorithmus - m < n Man setzt x m+1,...,x n = 0 und erhält eine Lösung von Ax = b. Den Kern bestimmt man wieder, indem man b = 0 und ein x j, j = m + 1,...,n zu 1 setzt. Die zugehörigen x (j) bilden dann eine Basis des Kerns. Spaltenvertauschungen rückgängig machen!
68 Gauß-Algorithmus - m > n Bei einem überbestimmten Gleichungssystem m > n erhalten wir im Fall ranga = m nach Anwendung des Gauß-Algorithmus die Form ( ) R br (Ã b) =. 0 b0
69 Gauß-Algorithmus - m > n Bei einem überbestimmten Gleichungssystem m > n erhalten wir im Fall ranga = m nach Anwendung des Gauß-Algorithmus die Form ( ) R br (Ã b) =. 0 b0 R ist eine reguläre rechte obere Dreiecksmatrix. Das Gleichungssystem ist genau dann lösbar, wenn b 0 = 0.
70 Das Unterraum-Zugehörigkeitsproblem Sei X = Ã n und U = span {x 1,...,x k }. Gehört x X zu U?
71 Das Unterraum-Zugehörigkeitsproblem Sei X = Ã n und Gehört x X zu U? U = span {x 1,...,x k }. Wir stellen die Spaltenvektoren x i zu einer Matrix zusammen: A = (x 1... x k ) Ã n k und wenden auf das Gleichungssystem Ay = x den Gauß-Algorithmus an. x U genau dann, wenn Ay = x lösbar ist.
72 Testen auf lineare Abhängigkeit Sind die Vektoren x 1,...,x k à n linear abhängig oder linear unabhängig?
73 Testen auf lineare Abhängigkeit Sind die Vektoren x 1,...,x k à n linear abhängig oder linear unabhängig? Auf A = (x 1... x k ) à n k wenden wir wieder den Gauß-Algorithmus an. Die Vektoren sind genau dann linear unabhängig, wenn Ay = 0 nur durch y = 0 gelöst wird.
74 Ähnlichkeitstransformation Zwei Matrizen A, B n n heißen ähnlich, wenn es eine reguläre Matrix T gibt mit A = T 1 BT.
75 Ähnlichkeitstransformation Zwei Matrizen A, B n n heißen ähnlich, wenn es eine reguläre Matrix T gibt mit A = T 1 BT. Ähnlichkeit ist eine Äquivalenzrelation.
76 Ähnlichkeitstransformation Zwei Matrizen A, B n n heißen ähnlich, wenn es eine reguläre Matrix T gibt mit A = T 1 BT. Ähnlichkeit ist eine Äquivalenzrelation. Sei T = (t 1... t n ). y = Tx lässt sich so interpretieren: Der Vektor y lässt sich als i t ix i darstellen. Also sind die x i die Koordinaten von y, wenn er durch die Basis {t i } dargestellt wird.
77 Ähnlichkeitstransformation Zwei Matrizen A, B n n heißen ähnlich, wenn es eine reguläre Matrix T gibt mit A = T 1 BT. Ähnlichkeit ist eine Äquivalenzrelation. Sei T = (t 1... t n ). y = Tx lässt sich so interpretieren: Der Vektor y lässt sich als i t ix i darstellen. Also sind die x i die Koordinaten von y, wenn er durch die Basis {t i } dargestellt wird. B ist daher die Darstellungsmatrix der Abbildung f (x) = Ax, wenn f bezüglich der Basis {t i } dargestellt wird.
78 Eigenwerte und Eigenvektoren Von nun an X = n und à =! x n \ {0} heißt Eigenvektor zum Eigenwert λ der Matrix A n n, wenn Ax = λx.
79 Eigenwerte und Eigenvektoren Von nun an X = n und à =! x n \ {0} heißt Eigenvektor zum Eigenwert λ der Matrix A n n, wenn Ax = λx. Interpretation: U = span {x} ist ein invarianter Raum der Matrix A, also A(U) U.
80 Eigenwerte und Eigenvektoren Von nun an X = n und à =! x n \ {0} heißt Eigenvektor zum Eigenwert λ der Matrix A n n, wenn Ax = λx. Interpretation: U = span {x} ist ein invarianter Raum der Matrix A, also A(U) U. Gibt es n linear unabhängige Eigenvektoren, wissen wir, wie die Matrix tickt.
81 Eigenwerte und Eigenvektoren Sei A λ = A λe, E ist die Einheitsmatrix.
82 Eigenwerte und Eigenvektoren Sei A λ = A λe, E ist die Einheitsmatrix. Es gilt λ ist Eigenwert A λ ist singulär det A λ = 0.
83 Eigenwerte und Eigenvektoren Sei A λ = A λe, E ist die Einheitsmatrix. Es gilt λ ist Eigenwert A λ ist singulär det A λ = 0. p(λ) = det A λ heißt charakteristisches Polynom. Es gilt gradp = n.
84 charakteristisches Polynom p(λ) = det A λ = det(a λe). Ähnliche Matrizen haben das gleiche charakteristische Polynom: det(tat 1 λe) = det(t(a λe)t 1 ) = det T det A λ det T 1 = det A λ = p(λ).
85 charakteristisches Polynom p(λ) = det A λ = det(a λe). Ähnliche Matrizen haben das gleiche charakteristische Polynom: det(tat 1 λe) = det(t(a λe)t 1 ) = det T det A λ det T 1 = det A λ = p(λ). Für p(λ) = b n λ n + + b 1 λ + b 0 gilt offenbar b n = ( 1) n, n b 1 = ( 1) n 1 a ii = ( 1) n 1 spur A, a 0 = det A. i=1
86 charakteristisches Polynom p(λ) = det A λ = det(a λe). Ähnliche Matrizen haben das gleiche charakteristische Polynom: det(tat 1 λe) = det(t(a λe)t 1 ) = det T det A λ det T 1 = det A λ = p(λ). Für p(λ) = b n λ n + + b 1 λ + b 0 gilt offenbar b n = ( 1) n, n b 1 = ( 1) n 1 a ii = ( 1) n 1 spur A, a 0 = det A. i=1 Diese Größen müssen bei ähnlichen Matrizen gleich sein!
87 Algebraische und geometrische Vielfachheit Nach dem Fundamentalsatz der Algebra hat p(λ) = det A λ genau n Nullstellen, wenn man mehrfache Nullstellen auch mehrfach zählt, p(λ) = (λ 1 λ) α 1...(λ k λ) α k mit k α i = n. i=1
88 Algebraische und geometrische Vielfachheit Nach dem Fundamentalsatz der Algebra hat p(λ) = det A λ genau n Nullstellen, wenn man mehrfache Nullstellen auch mehrfach zählt, p(λ) = (λ 1 λ) α 1...(λ k λ) α k mit k α i = n. i=1 λ 1,...,λ k sind die Eigenwerte. α i heißt algebraische Vielfachheit des Eigenwerts λ i.
89 Algebraische und geometrische Vielfachheit Nach dem Fundamentalsatz der Algebra hat p(λ) = det A λ genau n Nullstellen, wenn man mehrfache Nullstellen auch mehrfach zählt, p(λ) = (λ 1 λ) α 1...(λ k λ) α k mit k α i = n. i=1 λ 1,...,λ k sind die Eigenwerte. α i heißt algebraische Vielfachheit des Eigenwerts λ i. γ i = dimkerna λi heißt geometrische Vielfachheit des Eigenwerts λ i.
90 Algebraische und geometrische Vielfachheit KernA λi heißt Eigenraum zum Eigenwert λ i.
91 Algebraische und geometrische Vielfachheit KernA λi heißt Eigenraum zum Eigenwert λ i. γ i = dim KernA λi ist daher die Anzahl der linear unabhängigen Eigenvektoren zum Eigenwert λ i.
92 Algebraische und geometrische Vielfachheit KernA λi heißt Eigenraum zum Eigenwert λ i. γ i = dim KernA λi ist daher die Anzahl der linear unabhängigen Eigenvektoren zum Eigenwert λ i. Lemma Es gilt γ i α i.
93 geometrische algebraische Vielfachheit - Beweis Sei x 1,...,x γi eine Basis des Eigenraums zum Eigenwert λ i. Ergänze dies durch x γi +1,...,x n zu einer Basis des n.
94 geometrische algebraische Vielfachheit - Beweis Sei x 1,...,x γi eine Basis des Eigenraums zum Eigenwert λ i. Ergänze dies durch x γi +1,...,x n zu einer Basis des n. Setze Dann T = (x 1... x n ). λ i λ i... T 1 AT = λ i 0.
95 geometrische algebraische Vielfachheit - Beweis Sei x 1,...,x γi eine Basis des Eigenraums zum Eigenwert λ i. Ergänze dies durch x γi +1,...,x n zu einer Basis des n. Setze Dann T = (x 1... x n ). λ i λ i... T 1 AT = λ i 0. Daher p(λ) = (λ i λ) γ ip 0 (λ).
96 Verschiedene Eigenwerte Lemma Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig.
97 Verschiedene Eigenwerte Lemma Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig. Beweis: Durch Induktion über die Anzahl k der Eigenvektoren. Da ein Eigenvektor nicht verschwindet, ist k = 1 gezeigt.
98 Verschiedene Eigenwerte Lemma Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig. Beweis: Durch Induktion über die Anzahl k der Eigenvektoren. Da ein Eigenvektor nicht verschwindet, ist k = 1 gezeigt. Seien λ 1,...,λ k+1 paarweise verschiedene Eigenwerte der Matrix A. Die Induktionsvoraussetzung ist dann: Die zugehörigen Eigenvektoren x 1,...,x k sind linear unabhängig.
99 Beweis Angenommen, x k+1 ließe sich nach den x i entwickeln, x k+1 = k i=1 α ix i. Dann k λ k+1 α i x i = λ k+1 x k+1 = Ax k+1 i=1
100 Beweis Angenommen, x k+1 ließe sich nach den x i entwickeln, x k+1 = k i=1 α ix i. Dann k λ k+1 α i x i = λ k+1 x k+1 = Ax k+1 i=1 ( k ) = A α i x i = i=1 k λ i α i x i. i=1
101 Beweis Angenommen, x k+1 ließe sich nach den x i entwickeln, x k+1 = k i=1 α ix i. Dann k λ k+1 α i x i = λ k+1 x k+1 = Ax k+1 i=1 ( k ) = A α i x i = i=1 k λ i α i x i. i=1 Da die x i linear unabhängig sind, folgt λ k+1 α i = λ i α i, i = 1,..., k. Wegen x k+1 0 muss α i0 0 gelten für ein i 0.
102 Beweis Angenommen, x k+1 ließe sich nach den x i entwickeln, x k+1 = k i=1 α ix i. Dann k λ k+1 α i x i = λ k+1 x k+1 = Ax k+1 i=1 ( k ) = A α i x i = i=1 k λ i α i x i. i=1 Da die x i linear unabhängig sind, folgt λ k+1 α i = λ i α i, i = 1,..., k. Wegen x k+1 0 muss α i0 0 gelten für ein i 0. Das liefert jedoch λ k+1 = λ i0 und damit einen Widerspruch.
103 Diagonalisierbare Matrizen Bilden die Eigenvektoren von A n n eine Basis des n, so heißt A diagonalisierbar.
104 Diagonalisierbare Matrizen Bilden die Eigenvektoren von A n n eine Basis des n, so heißt A diagonalisierbar. A ist genau dann diagonalisierbar, wenn γ i = α i für i = 1,...,k (vgl. letztes Lemma).
105 Diagonalisierbare Matrizen Bilden die Eigenvektoren von A n n eine Basis des n, so heißt A diagonalisierbar. A ist genau dann diagonalisierbar, wenn γ i = α i für i = 1,...,k (vgl. letztes Lemma). In diesem Fall schreiben wir Ax i = λ i x i, i = 1,...,n. Wir können die Eigenvektoren zu einer Matrix zusammenstellen T = (x 1 x 2... x n ) AT = DT A = T 1 DT mit λ 1 0 D = λ n
106 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T,
107 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T, oder allgemeiner: Normale Matrizen, d.h. AA T = A T A,
108 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T, oder allgemeiner: Normale Matrizen, d.h. AA T = A T A, insbesondere orthogonale Matrizen, d.h. UU T = E.
109 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T, oder allgemeiner: Normale Matrizen, d.h. AA T = A T A, insbesondere orthogonale Matrizen, d.h. UU T = E. Komplexe Matrizen (A n n ) Hermitesche Matrizen, d.h. A = A H,
110 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T, oder allgemeiner: Normale Matrizen, d.h. AA T = A T A, insbesondere orthogonale Matrizen, d.h. UU T = E. Komplexe Matrizen (A n n ) Hermitesche Matrizen, d.h. A = A H, oder allgemeiner: Normale Matrizen, d.h. AA H = A H A,
111 Wichtige Klassen diagonalisierbarer Matrizen Reelle Matrizen (A Ê n n ) Symmetrische Matrizen, d.h. A = A T, oder allgemeiner: Normale Matrizen, d.h. AA T = A T A, insbesondere orthogonale Matrizen, d.h. UU T = E. Komplexe Matrizen (A n n ) Hermitesche Matrizen, d.h. A = A H, oder allgemeiner: Normale Matrizen, d.h. AA H = A H A, insbesondere unitäre Matrizen, d.h. UU H = E.
112 Beispiel 1 Man bringe die Matrix ( ) auf Normalform.
113 Beispiel 1 Man bringe die Matrix ( ) auf Normalform. 1. Schritt: Eigenwerte bestimmen: p(λ) = det(a λe) = ( λ)((3 λ) + 2 = 0 λ 1 = 1, λ 2 = 2. Da die Eigenwerte verschieden sind, ist A diagonalisierbar.
114 Beispiel 1 λ 1 = 1, λ 2 = Schritt: Eigenvektoren bestimmen: ( ) ( ) A λ1 = x 1 =, 1 2 1
115 Beispiel 1 λ 1 = 1, λ 2 = Schritt: Eigenvektoren bestimmen: ( ) ( ) A λ1 = x 1 =, ( ) ( ) A λ2 = x 2 = 1 1 1
116 Beispiel 1 ( ) ( ) ( ) A =, x 1 =, x 2 = Schritt: T und T 1 bestimmen.
117 Beispiel 1 ( ) ( ) ( ) A =, x 1 =, x 2 = Schritt: T und T 1 bestimmen. Im diagonalisierbaren Fall wird die Matrix T aus den Eigenvektoren gebildet: ( ) ( ) T = T 1 = Es gilt dann D = T 1 AT mit D = diag(1, 2).
118 Beispiel 2 Man bringe die Matrix ( ) auf Normalform.
119 Beispiel 2 Man bringe die Matrix ( ) auf Normalform. 1. Schritt: Eigenwerte bestimmen: p(λ) = det(a λe) = ( 2 λ)(2 λ) + 4 = λ 2 = 0 Die algebraische Vielfachheit von λ = 0 ist 2.
120 Beispiel 2 2. Schritt: Eigenvektor(en) bestimmen: ( ) ( ) A = A 0 = x =, 1 2 1
121 Beispiel 2 2. Schritt: Eigenvektor(en) bestimmen: ( ) ( ) A = A 0 = x =, Die geometrische Vielfachheit ist also nur 1.
122 Beispiel 2 2. Schritt: Eigenvektor(en) bestimmen: ( ) ( ) A = A 0 = x =, Die geometrische Vielfachheit ist also nur 1. In dieser Konstallation (α 1 = 2, γ 1 = 1) ist nach der Theorie der Jordanschen Normalform das Gleichungssystem lösbar. A 0 x 2 = x 1
123 Beispiel 2 2. Schritt: Eigenvektor(en) bestimmen: ( ) ( ) A = A 0 = x =, Die geometrische Vielfachheit ist also nur 1. In dieser Konstallation (α 1 = 2, γ 1 = 1) ist nach der Theorie der Jordanschen Normalform das Gleichungssystem lösbar. A 0 x 2 = x 1 Klar, die Lösung ist nicht eindeutig wegen A 0 x 1 = 0.
124 Beispiel 2 2. Schritt: Eigenvektor(en) bestimmen: ( ) ( ) A = A 0 = x =, Die geometrische Vielfachheit ist also nur 1. In dieser Konstallation (α 1 = 2, γ 1 = 1) ist nach der Theorie der Jordanschen Normalform das Gleichungssystem lösbar. A 0 x 2 = x 1 Klar, die Lösung ist nicht eindeutig wegen A 0 x 1 = 0. Eine Lösung ist x 2 = (1, 1) T.
125 Beispiel 2 ( ) ( ) 2 1 x 1 =, x 2 = Schritt: T und T 1 bestimmen.
126 Beispiel 2 ( ) ( ) 2 1 x 1 =, x 2 = Schritt: T und T 1 bestimmen. Die Vektoren x 1, x 2 bilden eine Jordan-Kette, also A 0 x 1 = 0, A 0 x 2 = x 1.
127 Beispiel 2 ( ) ( ) 2 1 x 1 =, x 2 = Schritt: T und T 1 bestimmen. Die Vektoren x 1, x 2 bilden eine Jordan-Kette, also A 0 x 1 = 0, A 0 x 2 = x 1. x 1 ist der Eigenvektor, x 2 heißt Hauptvektor.
128 Beispiel 2 ( ) ( ) 2 1 x 1 =, x 2 = 1 1 Die Matrix T wird in diesem Fall aus der Jordankette gebildet: ( ) ( ) T = T 1 =
129 Beispiel 2 ( ) ( ) 2 1 x 1 =, x 2 = 1 1 Die Matrix T wird in diesem Fall aus der Jordankette gebildet: ( ) ( ) T = T 1 = Es gilt J = T 1 AT mit ( ) 0 1 J =. 0 0
130 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = 3.
131 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 1: In diesem einfachen Fall bestimmt man den einzigen Eigenvektor x 1 und löst sukzessive A λ1 x 2 = x 1 und A λ1 x 3 = x 2.
132 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 1: In diesem einfachen Fall bestimmt man den einzigen Eigenvektor x 1 und löst sukzessive A λ1 x 2 = x 1 und A λ1 x 3 = x 2. Beide Probleme sind nicht eindeutig lösbar, eine beliebige Lösung reicht. Mit dieser Jordan-Kette setzt man T = (x 1 x 2 x 3 ) und es gilt λ J = T 1 AT mit J = 0 λ λ 1
133 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = 3.
134 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 2: Man bestimmt eine Basis des Eigenraums x 1, x 2.
135 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 2: Man bestimmt eine Basis des Eigenraums x 1, x 2. Hier haben wir das Problem, dass beide Probleme A λ1 x = x 1 und A λ1 x = x 2 unlösbar sein können.
136 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 2: Man bestimmt eine Basis des Eigenraums x 1, x 2. Hier haben wir das Problem, dass beide Probleme A λ1 x = x 1 und A λ1 x = x 2 unlösbar sein können. Man führt Gauß-Elimination mit dem erweiterten System (A x 1 x 2 ) (Ã x 1 x 2 ) durch. Man bestimmt dann beliebige µ 1, µ 2 (nicht beide = 0) mit µ 1 x 1,3 + µ 2 x 2,3 = 0 und dann den Hauptvektor x 3 mit A λ1 x 3 = µ 1 x 1 + µ 2 x 2.
137 Allgemeinere Fälle Wir betrachten n = 3 mit Eigenwert λ 1 mit α 1 = γ 1 = 2: Man bestimmt eine Basis des Eigenraums x 1, x 2. Hier haben wir das Problem, dass beide Probleme A λ1 x = x 1 und A λ1 x = x 2 unlösbar sein können. Man führt Gauß-Elimination mit dem erweiterten System (A x 1 x 2 ) (Ã x 1 x 2 ) durch. Man bestimmt dann beliebige µ 1, µ 2 (nicht beide = 0) mit µ 1 x 1,3 + µ 2 x 2,3 = 0 und dann den Hauptvektor x 3 mit A λ1 x 3 = µ 1 x 1 + µ 2 x 2. Man setzt y 2 = µ 1 x 1 + µ 2 x 2 und y 1 = x 1 oder y 1 = x 2, so dass y 1, y 2 eine Basis des Eigenraums bilden.
138 Allgemeinere Fälle A λ1 y 1 = 0, A λ1 y 2 = 0, A λ1 x 3 = y 2.
139 Allgemeinere Fälle A λ1 y 1 = 0, A λ1 y 2 = 0, A λ1 x 3 = y 2. Mit dem Eigenvektor y 1 und der Jordan-Kette y 2, x 3 setzt man T = (y 1 y 2 x 3 ) und es gilt λ J = T 1 AT mit J = 0 λ λ 1
140
9 Aus der linearen Algebra. Themen: Lineare Abbildungen Darstellung durch Matrizen
9 Aus der linearen Algebra Themen: Der à n Lineare Abbildungen Darstellung durch Matrizen Der à n besteht aus den n-tupeln mit x i Ã. x 1 x 2 x = (x 1, x 2,...,x n ) oder x =. x n Der à n besteht aus den
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrKlausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
Mehr3.3 Das charakteristische Polynom
LinAlg II Version 1 2. Mai 2006 c Rudolf Scharlau 209 3.3 Das charakteristische Polynom Wir setzen die im vorigen Abschnitt begonnene Untersuchung von Eigenvektoren und Eigenwerten fort und stellen den
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
Mehr5. Übung zur Linearen Algebra II -
5. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 2. Aufgabe 7 5 A := 2. 3 2 (i) Berechne die Eigenwerte und Eigenvektoren von A. (ii) Ist A diagonalisierbar?
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
Mehr1 Linearkombinationen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrÜbungen zu Lineare Algebra und Geometrie 1
Übungen zu Lineare Algebra und Geometrie 1 Andreas Čap Sommersemester 2015 Wiederholung grundlegender Begriffe (1 Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch f(x, y,
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
MehrLineare Algebra - Zusammenfassung
Lineare Algebra - Zusammenfassung Xiaojing George Zhang 15. Februar 2008 Zusammenfassung Eine Zusammenfassung basierend auf dem Skript Lineare Algebra für Ingenieure von Prof. H. Knörer und Lineare Algebra
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrDer Rangsatz für lineare Abbildungen
Der Rangsatz für lineare Abbildungen Satz Sei f : V W eine lineare Abbildung Dann gilt dim V = dim Kern(f) + dim Bild(f), also gleichbedeutend dim Kern(f) = dim V rg(f) Da uns in der Regel bei gegebenem
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehrist über C diagonalisierbar.
Prüfungsaufgaben A 1. (10 Punkte) Kreuzen Sie direkt auf de Aufgabenblatt an, ob die Behauptungen WAHR oder FALSCH sind. Sie üssen Ihre Antworten nicht begründen! Für jede richtige Antwort gibt es 1 Punkt.
MehrÜbungen zu Lineare Algebra und Geometrie für LAK
Übungen zu Lineare Algebra und Geometrie für LAK Andreas Cap Wintersemester 2010/11 Wiederholung grundlegender Begriffe (1) Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrKlausur Lineare Algebra I & II
Prof. Dr. G. Felder, Dr. Thomas Willwacher ETH Zürich, Sommer 2010 D MATH, D PHYS, D CHAB Klausur Lineare Algebra I & II Bitte ausfüllen! Name: Vorname: Studiengang: Bitte nicht ausfüllen! Aufgabe Punkte
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrMathematik 2 für ET. Vektoren in R n und C n. Addition von Vektoren Multiplikation von Vektor und Skalar. Der Nullvektor 0 =
Mathematik 2 für ET # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit Das Lernen mit Lernkarten funktioniert
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrOrientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops
15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
Mehr(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F.
Übung. Wiederholen Sie die folgenden Begriffe und geben sie jeweils Beispiele (a) Vektorraum (b) Vektorraumhomomorphismus mit Spezialfällen (c) Basis (d) Dualraum (e) Duale Basis (f) Koordinatenabbildung
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
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.
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
Mehr2.3 Lineare Abbildungen und Matrizen
2.3. LINEARE ABBILDUNGEN UND MATRIZEN 89 Bemerkung Wir sehen, dass die Matrix à eindeutig ist, wenn x 1,...,x r eine Basis ist. Allgemeiner kann man zeigen, dass sich jede Matrix mittels elementarer Zeilenumformungen
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
MehrZusammenfassung zum Thema Vektor- und Matrizenrechnung
Zusammenfassung zum Thema Vektor- und Matrizenrechnung Mathematischer Vorkurs für Physiker und Naturwissenschaftler WS 2014/2015 Grundbegriffe der Linearen Algebra Viele physikalische Größen (Geschwindigkeit,
MehrLeitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.
Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen
Mehr