Musterlösung zur Serie 10

Größe: px
Ab Seite anzeigen:

Download "Musterlösung zur Serie 10"

Transkript

1 D-MATH, D-PHYS, D-CHAB Lineare Algebra II FS 1 Prof. Giovanni Felder, Thomas Willwacher Musterlösung zur Serie 1 1. a) Zur Erinnerung: Eine Äquivalenzrelation auf einer Menge M ist eine Relation, die die folgenden Eigenschaften hat: Reflexivität: a a a M, Symmetrie: a b b a a, b M, Transitivität: a b und b c a c a, b, c M. Wir müssen überprüfen, dass die gegebene Relation für A, B Mat n n (K) (also A B genau dann, wenn eine invertierbare Matrix S existiert, so dass S T AS = B) die obigen Eigenschaften erfüllt. Dies ist fast wörtlich derselbe Beweis, wie für die Relation der Ähnlichkeit von Matrizen, also bei der in der Definition S T durch S 1 ersetzt ist. Achtung: Verwechsle diese Relationen niemals! Ähnlichkeit von A und B bedeutet, dass die zugehörigen linearen Abbildungen v Av und v Bv in jeweils geeigneten Basen durch dieselbe Matrix beschrieben werden. Kongruenz von A und B bedeutet, dass die zugehörigen Bilinearformen v, w v T Aw und v, w v T Bw in jeweils geeigneten Basen durch dieselbe Matrix beschrieben werden. Reflexivität: Die Einheitsmatrix 1 n ist invertierbar und erfüllt (1 n ) T A1 n = A. Symmetrie: Seien A, B Mat n n (K). Falls A B, also falls eine invertierbare Matrix S existiert mit S T AS = B, dann folgt durch Multiplikation mit (S T ) 1 = (S 1 ) T (einfaches Lemma aus LA I) von links und mit S 1 von rechts die Gleichung (S 1 ) T BS 1 = A, also B A. Transitivität: Seien A, B, C Mat n n (K). Annahme A B und B C. Also existieren invertierbare S und U Mat n n (K) mit S T AS = B und U T BU = C. Substitution der 1. Gleichung in die 2. ergibt U T S T ASU = C. Dies kann man als (SU) T ASU = C schreiben, und da SU ebenfalls invertierbar ist, folgt A C. b) Falls A T = A folgt auch B T = (S T AS) T = S T A T (S T ) T = S T AS = B. Daher wird Symmetrie erhalten. Falls A T = A folgt auch B T = (S T AS) T = S T A T (S T ) T = S T ( A)S = B. Daher wird Schiefsymmetrie erhalten. Kommentar: Die Äquivalenzklassen bzgl. Kongruenz unter den symmetrischen Matrizen (also die Teilmengen M von Mat n n (K) symm, welche M = {A Bitte wenden!

2 Mat n n (K) A B} für irgendein B M erfüllen) lassen sich wie folgt beschreiben: Falls K = R ist, gibt der Sylvestersche Trägheitssatz eine solche Beschreibung: Jede solche Äquivalenzklasse enthält eine eindeutig bestimmte Diagonalmatrix der Form D(r, s, t) = wobei es r Einsen, s Minus-Einsen und t Nullen gibt (und r + s + t = n). Die gesamte Klasse ist dann die Menge der Matrizen der Form S T D(r, s, t)s wobei S die invertierbaren Matrizen durchläuft. Falls K = C ist, sind zusätzlich die Matrizen D(r, s, t) und D(r + s,, t) kongruent (siehe Lösung zur Aufgabe 7) und damit fallen die entsprechenden Äquivalenzklassen zusammen. Für beliebige Körper (selbst der Charakteristik, z. B. K = Q) ist die entsprechende Frage nach den Äquivalenzklassen schwierig. Sie führt auf die Theorie der quadratischen Formen. Viel einfacher ist die Sitation für schiefsymmetrische Matrizen. Dort ist jede Matrix kongruent zu einer wie der in Aufgabe 5 angegebenen. Also besteht eine Äquivalenzklasse genau aus den Matrizen eines bestimmten Rangs (siehe auch Aufgabe 7 b)). Dies ist wahr für jeden Körper (der Charakteristik 2). 2. Wir wissen, dass symmetrische Matrizen immer zu Diagonalmatrizen kongruent sind. Wegen der Transitivität der Kongruenz (Aufgabe 1 a)) genügt es für die jeweiligen Matrizen Diagonalformen zu bestimmen und unter diesen Kongruenzen zu finden. Eine Diagonalform einer symmetrischen Matrix (oder Bilinearform) kann man auf 2 Weisen bestimmen. Erstens unter Verwendung der Tatsache, dass es eine Orthonormalbasis aus Eigenvektoren gibt (Hauptachsentransformation, siehe auch Aufgabe 5, Serie 9). Dies bedeutet, dass eine orthogonale Matrix S existiert (deren Spalten eben diese ON-Basis aus Eigenvektoren bilden) mit der Eigenschaft S 1 AS = D wobei D diagonal ist, mit den Eigenwerten als Einträgen. Da S orthogonal ist, gilt S 1 = S T und die Gleichung lässt sich als S T AS = D Siehe nächstes Blatt!

3 schreiben. Da wir aber nur an irgendeiner invertierbaren Matrix S interessiert sind, so dass diese Gleichung mit irgendeiner Diagonalmatrix erfüllt ist, also nicht unbedingt mit den Eigenwerten als Diagonaleinträgen, ist die 2. Weise sehr viel ökonomischer. Sie ist das in der Vorlesung angegebene Verfahren mit dem eine solche Matrix S (eben nicht notwendigerweise orthogonal) bestimmt werden kann. Für eine Beschreibung des Verfahrens, siehe Musterlösung zur Aufgabe 6, Serie 9. Hier erhält man z. B. mit S := die Gleichung S T S = 1, 2 3 womit wir eine Diagonalform der 1. Matrix erhalten haben. Die Matrix S diagonalisiert auch die 2. Matrix: S T S = 1, womit wir eine Diagonalform der 2. Matrix erhalten haben. Für die restlichen 2 Matrizen bestimmt man z. B. die Matrix T := Es gilt dann T T T = T T T = , 1 1 1, womit wir Diagonalformen der 3. und 4. Matrix erhalten haben. Wir wenden den Sylvesterschen Trägheitssatz an, der insbesondere impliziert, dass 2 Diagonalmatrizen genau dann kongruent sind, wenn die Anzahlen der auftretenden Vorzeichen {+,, } unter den Diagonaleinträgen übereinstimmen. Es sind also die 1. und 4. Matrix über R kongruent, die restlichen sind jedoch zu diesen und untereinander nicht kongruent. Die 4 Matrizen zerfallen also in 3 Kongruenzklassen. Bitte wenden!

4 Über C sagt uns die Aufgabe 7, dass die 1. und 4. Matrix, bzw. die 2. und 3. Matrix untereinander kongruent sind, die 4 Matrizen also (nur noch) in 2 Kongruenzklassen zerfallen. Kommentar: Durch Anwenden des Verfahrens aus der Vorlesung erhält man u. U. andere Diagonalmatrizen. Man bekommt immer nur eine Übereinstimmung der Anzahl der auftretenden Vorzeichen {+,, } unter den Diagonaleinträgen. 3. Wir wissen zunächst, dass eine orthogonale Matrix ( ) λ µ S := µ λ (λ 2 + µ 2 = 1) existiert, so dass ( ) a b b c ( ) α = S T S β Durch allfälliges Multiplizieren der Gleichung in der Aufgabenstellung mit 1 können wir ferner o.b.d.a. annehmen, dass entweder 1. α =, β =, oder 2. α >, β =, oder 3. α >, β <, oder 4. α >, β >. Im ersten Fall ist die Gleichung linear und beschreibt daher offensichtich entweder eine Gerade, die gesamte R 2 -Ebene oder. In den restlichen Fällen ist es geschickt, ( ) ( ) x x = S y als neue Koordinaten einzuführen. Wir erhalten die neue Gleichung y α(x ) 2 + β(y ) 2 + δx + εy + f = wobei ( δ ε ) = ( d e ) S T. Wir betrachten nun die Fälle 2,3 und 4 getrennt. 2. Fall: Durch quadratische Ergänzung x = x + δ x -Richtung zu machen. Wir erhalten 2α α(x ) 2 + εy + f δ2 4α = können wir den linearen Term in Siehe nächstes Blatt!

5 Dies beschreibt offensichtlich genau dann eine Parabel, wenn ε. Der Kegelschnitt ist degeneriert im anderen Fall, besteht hier entweder aus 2 parallelen Geraden, 1 Gerade oder der leeren Menge. 3. Fall: Durch quadratische Ergänzung x = x + δ und 2α y = y + ε linearen Terme zu machen. Wir erhalten 2β können wir die α(x ) 2 + β(y ) 2 + f δ2 4α ε2 4β = Dies ist offensichtlich genau dann eine Hyperbel (mit Mittelpunkt (x, y ) = ), wenn f δ2 4α ε2 4β Im anderen Fall erhalten wir 2 Geraden, die sich im Punkt (x, y ) = schneiden. 4. Fall: Wie im 3. Fall können wir die linearen Terme durch quadratische Ergänzung x = x + δ und 2α y = y + ε zu machen. Wir erhalten 2β α(x ) 2 + β(y ) 2 + f δ2 4α ε2 4β = Dies ist offensichtlich genau dann eine Ellipse (mit Mittelpunkt (x, y ) = ), wenn f δ2 4α ε2 4β < (Einen Kreis, also den Fall α = β, verstehen wir hier als Spezialfall einer Ellipse). Im anderen Fall erhalten wir entweder den Punkt (x, y ) = oder die leere Menge. 4. Da die Matrizen aus Aufgabe 2 symmetrisch sind, existiert eine Orthonormalbasis v 1, v 2, v 3 aus Eigenvektoren. Drücken wir die Gleichung des Objektes in den entsprechenden Koordinaten aus, erhalten wir die Gleichung αx 2 + βy 2 + γz 2 = 1. wobei α β = S T AS γ wobei S die (orthogonale) Matrix ist, deren Spalten die Orthonormalbasis v 1, v 2, v 3 aus Eigenvektoren bilden. Beachte: daher ist S T = S 1! Aus dem Sylvesterschen Trägheitssatz können wir folgern, dass die Vorzeichen {,, +} von α, β und Bitte wenden!

6 γ dieselben sein müssen, wie diejenigen, die wir durch eine beliebige Basistransformation in Aufgabe 2 erhalten haben. Wir erhalten also die folgenden Fälle (siehe Musterlösung zur Aufgabe 2): α >, β <, γ = (1. und 4. Matrix): Der Schnitt der Figur mit der Ebene span(v 1, v 2 ) ist also eine Hyperbel. Da die Gleichung nicht von Z abhängt, erhalten wir die Spur dieser Hyperbel unter Verschiebungen in v 3 -Richtung (ein hyperbolischer Zylinder ). α >, β <, γ > (2. Matrix): Der Schnitt der Figur mit der Ebene span(v 1, v 2 ) ist wieder eine Hyperbel. Wenn wir die Figur zusätzlich entlang der v 1, v 2, v 3 -Achsen so dehnen oder stauchen, dass α = β = γ = 1, dann ist die Figur invariant unter Drehungen um die v 2 -Achse. Die Achse trifft die Figur nicht und bei Drehung um 18 werden die beiden Zusammhangskomponenten der Hyperbel vertauscht. Daher erhält man eine zusammenhängende Rotationshyperbel, die auch einschaliges Hyperboloid genannt wird. α >, β <, γ < (3. Matrix): Der Schnitt der Figur mit der Ebene span(v 1, v 2 ) ist wieder eine Hyperbel. Wenn wir die Figur zusätzlich entlang der v 1, v 2, v 3 -Achsen so dehnen oder stauchen, dass α = β = γ = 1, dann ist die Figur invariant unter Drehungen um die v 1 -Achse. Die Achse trifft die Figur in den Punkten mit den (neuen) Koordinaten (1,, ) und ( 1,, ). Daher erhält man eine Rotationshyperbel mit 2 Zusammenhangskomponenten, die auch zweischaliges Hyperboloid genannt wird. 5. Wir gehen wie im Hinweis angegeben vor. (Der Beweis funktioniert für jeden Körper K der Charakteristik 2). Wir benötigen den Induktionsanfang für n = und n = 1. Im ersten Fall ist die Aussage leer und im zweiten Fall trivial, da jede schiefsymmetrische Form auf K 1 offensichtlich ist und 1 eine Matrix von der geforderten Form ist. Nehmen wir nun also an, die Aussage sei für alle endlich dimensionalen Vektorräume der Dimension n 1 bewiesen. Sei V ein Vektorraum der Dimension n und φ eine schiefsymmetrische Bilinearform. Falls φ = ist, ist die zugehörige Matrix in einer beliebigen Basis gleich n und n ist eine Matrix von der geforderten Form. Also müssen wir nur noch den Fall φ behandeln. Dies bedeutet, dass Vektoren v 1 und v 2 V existieren, so dass φ(v 1, v 2 ) = α. Indem wir v 1 durch α 1 v 1 ersetzen, erhalten wir ein Paar von Vektoren v 1 und v 2 V mit φ(v 1, v 2 ) = 1 und (wegen der Schiefsymmetrie) φ(v 2, v 1 ) = 1. v 1 und v 2 sind linear unabhängig, da eine Relation v 2 = βv 1 sofort φ(v 1, v 2 ) = ergibt (wieder wegen der Schiefsymmetrie). Definiere nun W := {w V φ(v 1, w) = φ(v 2, w) = } (also das Orthokomplement von span(v 1, v 2 )). Siehe nächstes Blatt!

7 Definieren nun eine Abbildung (eine Art orthogonale Projektion auf span(v 1, v 2 )) durch: P : V span(v 1, v 2 ) v φ(v 1, v)v 2 φ(v 2, v)v 1. Man sieht leicht durch Einsetzen von v 1 und v 2, dass P die Identität auf span(v 1, v 2 ) ist und daher P 2 = P gilt. Wir haben bereits auf der Serie 4, Aufgabe 5 c) gezeigt, dass dann gilt: V = im(p ) ker(p ). (1) Hier ist, wie gesagt, im(p ) = span(v 1, v 2 ). Ebenfalls ist ker(p ) = W. Das ergibt sich direkt aus der Definition und der linearen Unabhängigkeit von v 1 und v 2. Die Gleichung (1) beweist man übrigens auch einfach wie folgt: Sie bedeutet nach Definition, dass jeder Vektor v V sich eindeutig als Summe v + w schreiben lässt, mit v im(p ) und w ker(p ). Setze nun v = P v und w = v P v. Offensichtlich ist P v im(p ) und wegen P 2 = P ist P w = P v P P v = P v P v = also w ker(p ). D.h. wir haben v als eine geforderte Summe geschrieben. Sei v = v + w nun eine beliebige solche Zerlegung. Durch Anwenden von P erhalten wir P v = P v P w = P v. Wegen P 2 = P ist aber P v = v, und daher v = P v und w = v P v. Die Zerlegung ist also eindeutig. Nach Induktionsvoraussetzung existiert auf W für φ W eine Basis v 3,..., v n der Form wie in der Aufgabenstellung gefordert. Diese Basis ergibt zusammen mit v 1 und v 2 eine Basis von V (wegen Gleichung 1 und der linearen Unabhängigkeit von v 1 und v 2 ). Wir wissen bereits φ(v 1, v 1 ) = φ(v 2, v 2 ) =, φ(v 1, v 2 ) = 1 und φ(v 2, v 1 ) = 1. Ferner ist φ(v 1, v i ) = φ(v 2, v i ) = φ(v i, v 1 ) = φ(v i, v 2 ) =, für i 3, weil nach Definition ganz W auf v 1 und v 2 orthogonal steht. Die Matrix von φ der Basis v 1,..., v n hat also die gewünschte Form! (Beachte, dass die Matrix A von φ in dieser Basis gerade die Einträge A ij = φ(v i, v j ) hat.) 6. a) Die Bilinearität von Re(, ) als reeller Form ist klar. Die Form ist positiv definit, da ja bereits v, v R v V gilt und daher Re( v, v ) = v, v (und Gleichheit, genau dann, wenn v = ), wegen der Postivdefinitheit von,. b) Wir haben Im(z) = Im(z) für alle z C und v, w = w, v, also für alle v, w V. Im( v, w ) = Im( w, v ) Bitte wenden!

8 c) Es gilt v, iw = i v, w also Re( v, iw ) = Re( i v, w ) = Im( v, w ) für alle v, w V. d) Es gilt iv, iw = i 2 v, w = v, w also insbesondere Re( iv, iw ) = Re( v, w ) für alle v, w V. 7. Es ist eine allgemeine Tatsache (über einem beliebigen Körper), dass der Rang unter Kongruenz erhalten bleibt, d.h. wenn zwei Matrizen A, B Mat n n (K) gegeben sind, und A kongruent zu B ist, dann gilt rang(a) = rang(b). Dies folgt sofort aus der einfachen Tatsache (LA I), dass rang(sc) = rang(cs) = rang(c) für S, C Mat n n (K) und S invertierbar! Wir können uns also beim Beweis der Teilaufgaben a) und b) auf den Fall beschränken. a) Seien zwei komplexe symmetrische Marizen A, B Mat n n (C) mit rang(a) = rang(b) gegeben. Wir müssen zeigen, dass A und B kongruent sind. Aufgrund der Transitivität der Kongruenz (Aufgabe 1 a)) reicht es zu zeigen, dass eine beliebige symmetrische komplexe Matrix A Mat n n (C) zu einer Diagonalmatrix der Form: I r :=... mit (rang(a) Einsen und n rang(a) Nullen) kongruent ist. Zunächst wissen wir, dass A zu einer Diagonalmatrix A kongruent ist. Durch Transformieren mit einer Permutationsmatrix sehen wir, dass die Diagonalmatrix A zu einer Matrix A der folgenden Gestalt kongruent ist: α 1... A = α r... Siehe nächstes Blatt!

9 wobei α i i. Da der Rang unter Kongruenz erhalten bleibt (siehe Beweis der Gegenrichtung zu Anfang) ist r = rang(a). Betrachte nun die Matrix (α 1 ) S = (αr) für beliebige komplexe Quadratwurzeln (α i ) 1 2 von α i (hier versagt der Beweis für K = R!). Offenbar gilt S T A S = I r, dass heisst A und damit A (wiederum Transitivität der Kongruenz) sind kongruent zu I r, mit r = rang(a), q.e.d. b) Seien zwei schiefsymmetrische Marizen A, B Mat n n (K) mit rang(a) = rang(b) gegeben. Wir müssen zeigen, dass A und B kongruent sind. Aufgrund der Transitivität der Kongruenz (Aufgabe 1 a)) reicht es zu zeigen, dass eine beliebige schiefsymmetrische komplexe Matrix A Mat n n (C) mit rang(a) zu einer Diagonalmatrix der Form aus Aufgabe 5 mit rang(a) von verschiedenen Zeilen kongruent ist. Wir wissen bereits (Aufgabe 5), dass A zu einer solchen Form kongruent ist. Da der Rang unter Kongruenz erhalten bleibt muss der Rang der Matrix der Form aus Aufgabe 5 dem Rang von A entsprechen. Diese Aufgabe schliesst die Klassifikation der Kongruenzklassen unter den symmetrischen, bzw. schiefsymmetrischen Matrizen für K = R und K = C ab (siehe Kommentar zur Aufgabe 1).

6 Hauptachsentransformation

6 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

Mehr

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau 312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind

Mehr

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153 3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische

Mehr

Kapitel 11. Bilinearformen über beliebigen Bilinearformen

Kapitel 11. Bilinearformen über beliebigen Bilinearformen Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt

Mehr

Lineare Algebra II 8. Übungsblatt

Lineare 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.

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. 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

Mehr

Proseminar Lineare Algebra II, SS 11. Blatt

Proseminar 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

Mehr

MAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7

MAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v

Mehr

9 Vektorräume mit Skalarprodukt

9 Vektorräume mit Skalarprodukt 9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden

Mehr

Prüfung Lineare Algebra 2

Prüfung Lineare Algebra 2 1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,

Mehr

Inhaltsverzeichnis INHALTSVERZEICHNIS 1

Inhaltsverzeichnis INHALTSVERZEICHNIS 1 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4

Mehr

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?

7. 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

Mehr

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2, Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium Mathematik II, M Lösungen Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +

Mehr

Satz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.

Satz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent. Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen

Mehr

6 Eigenwerte und Eigenvektoren

6 Eigenwerte und Eigenvektoren 6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,

Mehr

3.3 Klassifikation quadratischer Formen auf R n

3.3 Klassifikation quadratischer Formen auf R n 3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte 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

Mehr

Klausur Lineare Algebra I & II

Klausur 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

Mehr

Lineare Algebra und analytische Geometrie II

Lineare Algebra und analytische Geometrie II Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 39 Definitheit von Bilinearformen Wir möchten die symmetrischen Bilinearformen über den reellen Zahlen klassifizieren.

Mehr

D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j

D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 0 Tom Ilmanen Musterlösung 2. Falls b := (v,,v n ) eine Orthonormalbasis von V ist, dann lassen sich die Komponenten von einem Vektor v = n i= t i v i bezüglich

Mehr

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1 Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare Algebra II, Lösungshinweise Blatt 9 Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren

Mehr

Mathematische Erfrischungen III - Vektoren und Matrizen

Mathematische Erfrischungen III - Vektoren und Matrizen Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn

Mehr

Musterlösungen zur Linearen Algebra II Weihnachtszettel

Musterlösungen 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

Mehr

Sesqui- und Bilinearformen

Sesqui- und Bilinearformen Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn

Mehr

Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen

Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen Anna Engels Seminar Riemannsche Geometrie und Spektraltheorie SS 003 Zusammenfassung Ich will erklären, wie man

Mehr

Lineare Algebra I Zusammenfassung

Lineare 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

Mehr

Musterlösungen zur Linearen Algebra II Übungsklausur

Musterlösungen 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,

Mehr

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Klausur 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

Mehr

Eigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)

Eigenwerte. 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

Mehr

4 Lineare Abbildungen Basisdarstellungen

4 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

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Beispiellösungen 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

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. 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

Mehr

Musterlösung zur Probeklausur Lineare Algebra I

Musterlösung zur Probeklausur Lineare Algebra I Musterlösung zur Probeklausur Lineare Algebra I Aufgabe 1 5 Punkte: Welche der folgenden Aussagen sind wahr bzw. falsch? Setzen Sie in jeder Zeile genau ein Kreuz. Für jede korrekte Antwort erhalten Sie

Mehr

3.5 Duale Vektorräume und Abbildungen

3.5 Duale Vektorräume und Abbildungen 3.5. DUALE VEKTORRÄUME UND ABBILDUNGEN 103 3.5 Duale Vektorräume und Abbildungen Wir wollen im Folgenden auch geometrische Zusammenhänge mathematisch beschreiben und beginnen deshalb jetzt mit der Einführung

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs 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

Mehr

2 Die Dimension eines Vektorraums

2 Die Dimension eines Vektorraums 2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, 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

Mehr

Analysis II. Vorlesung 48. Die Hesse-Form

Analysis II. Vorlesung 48. Die Hesse-Form Prof. Dr. H. Brenner Osnabrück SS 2015 Analysis II Vorlesung 48 Die Hesse-Form Wir sind natürlich auch an hinreichenden Kriterien für das Vorliegen von lokalen Extrema interessiert. Wie schon im eindimensionalen

Mehr

Klausur HM I H 2005 HM I : 1

Klausur 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

Mehr

MC-Serie 11: Eigenwerte

MC-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

Mehr

5 Lineare Algebra (Teil 3): Skalarprodukt

5 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

Mehr

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1 UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive

Mehr

2.3 Basis und Dimension

2.3 Basis und Dimension Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit

Mehr

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)

Vektorräume. 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

Mehr

4.4 Symmetrische Bilinearformen

4.4 Symmetrische Bilinearformen 4.4. SYMMETRISCHE BILINEARFORMEN 195 4.4 Symmetrische Bilinearformen Alle betrachteten Vektorräume seien euklidisch. Wir betrachten Bilinearformen Φ: V V R, von denen wir nur voraussetzen, daß sie symmetrisch

Mehr

5.4 Hauptachsentransformation

5.4 Hauptachsentransformation . Hauptachsentransformation Sie dient u.a. einer möglichst einfachen Darstellung von Kegelschnitten und entsprechenden Gebilden höherer Dimension mittels einer geeigneten Drehung des Koordinatensystems.

Mehr

β 1 x :=., und b :=. K n β m

β 1 x :=., und b :=. K n β m 44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix

Mehr

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008

KLAUSUR 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

Mehr

Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012

Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012 Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes

Mehr

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a). Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =

Mehr

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung

Lineare Algebra 2 (SS 13) Blatt 13: Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 12 Wege entstehen dadurch, dass man sie geht Franz Kafka Invertierbare Matrizen Definition 121 Es sei K ein

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben

Mehr

Ausgewählte Lösungen zu den Übungsblättern 4-5

Ausgewählte 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

Mehr

Musterlösung 7 Lineare Algebra für die Naturwissenschaften

Musterlösung 7 Lineare Algebra für die Naturwissenschaften Musterlösung 7 Lineare Algebra für die Naturwissenschaften Aufgabe Entscheiden Sie, ob folgende Abbildungen linear sind, und geben sie für die linearen Abbildungen eine Matrixdarstellung (in einer Basis

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen

Mehr

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra

Theoretische 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................................................

Mehr

Kapitel 13. Lineare Gleichungssysteme und Basen

Kapitel 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

Mehr

Definitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.

Definitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}. Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren

Mehr

Lineare Algebra Weihnachtszettel

Lineare Algebra Weihnachtszettel Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet

Mehr

6.3 Hauptachsentransformation

6.3 Hauptachsentransformation Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter

Mehr

Konstruktion reeller Zahlen aus rationalen Zahlen

Konstruktion reeller Zahlen aus rationalen Zahlen Konstruktion reeller Zahlen aus rationalen Zahlen Wir nehmen an, daß der Körper der rationalen Zahlen bekannt ist. Genauer wollen wir annehmen: Gegeben ist eine Menge Q zusammen mit zwei Verknüpfungen

Mehr

5.7 Lineare Abhängigkeit, Basis und Dimension

5.7 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

Mehr

8 Lineare Abbildungen und Matrizen

8 Lineare Abbildungen und Matrizen 8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume

Mehr

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Orthonormalisierung. 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).

Mehr

2 Die Algebra der Matrizen

2 Die Algebra der Matrizen Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y

Mehr

3. Übungsblatt zur Lineare Algebra I für Physiker

3. Übungsblatt zur Lineare Algebra I für Physiker Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte

Mehr

11 Eigenwerte und Eigenvektoren

11 Eigenwerte und Eigenvektoren 11 Eigenwerte und Eigenvektoren Wir wissen bereits, dass man jede lineare Abbildung ϕ : K n K n durch eine n n-matri A beschreiben kann, d.h. es ist ϕ() = A für alle K n. Die Matri A hängt dabei von der

Mehr

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?

Prüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? 1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2

Mehr

Lineare Algebra II 6. Übungsblatt

Lineare 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

Mehr

Lineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.

Lineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April. Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische

Mehr

Klausurvorbereitungsblatt Lineare Algebra

Klausurvorbereitungsblatt 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

Mehr

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten

8. 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

Mehr

Lineare Algebra: Determinanten und Eigenwerte

Lineare 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

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 2 Ein guter Schüler lernt auch bei einem schlechten Lehrer Eigentheorie Unter einer Achsenspiegelung in der

Mehr

Übungen zur Diskreten Mathematik I Blatt 6

Übungen zur Diskreten Mathematik I Blatt 6 1 Blatt 6 Aufgabe 19 Es sei M := {n N : n 2} und R := {(n, m) M M : n teilt m}. a) Zeigen Sie, dass R eine Ordnungsrelation auf M ist. b) Überprüfen Sie, ob R eine totale Ordnung auf M ist. c) Zeigen Sie,

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn

Mehr

4 Affine Koordinatensysteme

4 Affine Koordinatensysteme 4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner

Mehr

Die Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche" Punkte mit inhomogenen K

Die Abbildung (x 1 ;x 2 ) 7! (x 1 ;x 2 ; 1) ist eine Einbettung von R 2 in P 2 (als Mengen). Punkte mit z 6= 0 sind endliche Punkte mit inhomogenen K Kapitel IV Projektive Geometrie In diesem Kapitel wird eine kurze Einführung in die projektive Geometrie gegeben. Es sollen unendlich ferne Punkte mit Hilfe von homogene Koordinaten eingeführt werden und

Mehr

3 Bilinearformen und quadratische Formen

3 Bilinearformen und quadratische Formen 3 Bilinearformen und quadratische Formen Sei V ein R Vektorraum. Definition: Eine Bilinearform auf V ist eine Abbildung s : V V R, welche linear in beiden Variablen ist, d.h.: Für u, v, w V und λ, µ R

Mehr

Lineare 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. 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:

Mehr

4 Lineare Abbildungen und Matrizen

4 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

Mehr

Vektoren und Matrizen

Vektoren und Matrizen Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,

Mehr

1 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 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

Mehr

Anwendung v. symmetrischen Matrizen: Hauptachsentransformation

Anwendung v. symmetrischen Matrizen: Hauptachsentransformation Zusammenfassung: Eigenwerte, Eigenvektoren, Diagonalisieren Eigenwertgleichung: Bedingung an EW: Eigenwert Eigenvektor charakteristisches Polynom Für ist ein Polynom v. Grad, Nullstellen. Wenn EW bekannt

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG. Serie 6

Lineare Algebra und Numerische Mathematik für D-BAUG. Serie 6 R. Hiptmair S. Pintarelli E. Spindler Herbstsemester 2014 Lineare Algebra und Numerische Mathematik für D-BAUG Serie 6 ETH Zürich D-MATH Einleitung. Diese Serie behandelt nochmals das Rechnen mit Vektoren

Mehr

9.2 Invertierbare Matrizen

9.2 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

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Kapitel 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

Mehr

Wiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE

Wiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE Wiederholungsblatt Elementargeometrie im SS 01 bei Prof. Dr. S. Goette LÖSUNGSSKIZZE Die Lösungen unten enthalten teilweise keine vollständigen Rechnungen. Es sind aber alle wichtigen Zwischenergebnisse

Mehr

10.2 Linearkombinationen

10.2 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

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 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

Serie 8: Fakultativer Online-Test

Serie 8: Fakultativer Online-Test Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung

Mehr

Vektorräume und Lineare Abbildungen

Vektorräume 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

Mehr

Definition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und

Definition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und 7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ

Mehr