Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2

Größe: px
Ab Seite anzeigen:

Download "Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2"

Transkript

1 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = R a) Zeigen Sie, dass λ = 3 ein Eigenwert von A ist, und bestimmen Sie den zugehörigen Eigenraum. b) Zeigen Sie, dass x = 2 R 3 ein Eigenvektor von A ist, und bestimmen Sie den zugehörigen Eigenwert. c) Zeigen Sie, dass A reell diagonalisierbar ist, und geben Sie eine invertierbare Matrix P = GL 3 (R) sowie eine Diagonalmatrix D R 3 3 mit P A P = D an. 2.2 (Herbst 23, Thema 3, Aufgabe 2) Betrachten Sie die reelle 3 3 Matrix B = 2 2. a) Berechnen Sie die Determinante von B. b) Bestimmen Sie alle Eigenwerte von B. c) Ermitteln Sie alle Eigenräume von B, indem Sie für jeden Eigenraum eine Basis angeben. d) Entscheiden Sie, ob B diagonalisierbar ist. 2.3 (Herbst 24, Thema, Aufgabe 2) Gegeben sei die reelle 3 3 Matrix M = 2. 3 a) Bestimmen Sie alle Eigenwerte und Eigenvektoren von M. b) Entscheiden Sie, ob M ähnlich zu einer Diagonalmatrix ist.

2 2.4 (Herbst 25, Thema 2, Aufgabe ) Gegeben sei die reelle Matrix M =. Bestimmen Sie eine reelle Diagonalmatrix D und eine invertierbare reelle Matrix T derart, dass D = T MT. 2.5 (Frühjahr 2, Thema, Aufgabe 2) a) Bestimmen Sie das charakteristische Polynom der Matrix M := b) Ist die Matrix M diagonalisierbar? 2.6 (Frühjahr 22, Thema 2, Aufgabe 4) Sei A :=. 2 3 a) Bestimmen Sie die Eigenwerte von A. b) Prüfen Sie, ob A über R diagonalisierbar ist. 2.7 (Frühjahr 23, Thema, Aufgabe 3) Zeigen Sie, dass die Matrix 4 2 A := reell diagonalisierbar ist und bestimmen Sie eine Basis des Vektorraums R 3 bestehend aus Eigenvektoren von A. 2.8 (Frühjahr 24, Thema, Aufgabe 3) Betrachten Sie die Matrix 4 A := 5. Berechnen Sie das charakteristische Polynom von A, zeigen Sie, dass A diagonalisierbar über R ist und bestimmen Sie eine Basis aus Eigenvektoren.

3 2.9 (Frühjahr 25, Thema, Aufgabe 5) a) Berechnen Sie die Eigenräume der Matrix 2 A =. 2 Ist A diagonalisierbar? b) Ist A invertierbar? c) Bestimmen Sie eine Basis des R 4, welche möglichst viele Eigenvektoren von A enthält. 2. (Herbst 25, Thema, Aufgabe 2) Gegeben sei die reelle Matrix A = a) Zeigen Sie, dass die Zahlen und Eigenwerte der Matrix A sind und bestimmen Sie die geometrischen Vielfachheiten dieser Eigenwerte. b) Berechnen Sie das charakteristische Polynom von A. c) Entscheiden Sie, ob A diagonalisierbar ist. 2. (Herbst 2, Thema 2, Aufgabe 5) 2 2 Die Vektoren v =, v 2 = 2 und v 3 = sind Eigenvektoren einer 5 Matrix A R 3 3 zu den Eigenwerten λ =, λ 2 = und λ 3 =. Berechnen Sie eine mögliche Matrix A! 2.2 (Herbst 22, Thema, Aufgabe 2) Es sei V der Vektorraum der reellen 3 3 Matrizen. Gegeben sei die Matrix A =. a) Berechnen Sie A 22. b) Zeigen Sie, dass die Matrizen A und A A 2 jeweils nur einen reellen Eigenwert haben und zeigen Sie ferner, dass die dazugehörenden Eigenvektoren übereinstimmen. c) Es sei U der von den Matrizen A, A 2 und A 3 aufgespannte Unterraum von V. Finden Sie ein x R 3, welches Eigenvektor zu jedem B U ist.

4 2.3 (Herbst 27, Thema 2, Aufgabe 3) Gegeben sei die symmetrische Matrix 2 M := Bestimmen Sie eine Basis des R 3, die aus Eigenvektoren von M besteht. 2.4 (Herbst 22, Thema 2, Aufgabe 2) a) Bestimmen Sie das charakteristische Polynom der Matrix 2 A = 2. 2 b) Zeigen Sie, dass die Matrix den Eigenwert 3 besitzt. c) Bestimmen Sie alle Eigenwerte und alle Eigenvektoren der Matrix A. 2.5 (Herbst 28, Thema 3, Aufgabe 4) Betrachtet werde die Matrix 2 A = Geben Sie eine orthogonale 3 3 Matrix S an derart, dass S t AS Diagonalform besitzt. 2.6 (Frühjahr 2, Thema 2, Aufgabe 2) Gegeben sei die reelle 3 3 Matrix S = R 3 3. a) Berechnen Sie die Eigenwerte dieser Matrix. b) Bestimmen Sie eine orthogonale Matrix P O 3 (R) und eine Diagonalmatrix D R 3 3 mit P t SP = D an. 2.7 (Frühjahr 2, Thema 3, Aufgabe 4) Gegeben sei die Matrix S = Zeigen Sie, dass v = (2,, 2) t ein Eigenvektor von S ist. Bestimmen Sie alle Eigenwerte von S und eine orthogonale Matrix T so, dass die Matrix T t ST Diagonalform besitzt.

5 2.8 (Frühjahr 2, Thema, Aufgabe 4) Bestimmen Sie zur Matrix 2 A = 2 2 eine Drehmatrix R und eine Diagonalmatrix D so, dass 2.9 (Herbst 2, Thema 3, Aufgabe 5) Sei A die Matrix A = D = R A R.. a) Zeigen Sie, dass A nur die Eigenwerte ±2 besitzt. b) Bestimmen Sie eine orthogonale Matrix M, die die Matrix A diagonalisiert. 2.2 (Frühjahr 29, Thema, Aufgabe 3) a) Untersuchen Sie die folgenden Matrizen auf reelle Diagonalisierbarkeit und begründen Sie das Ergebnis: A = 2 2, B = 2, C = b) Beweisen oder widerlegen Sie durch ein Gegenbeispiel die folgende Aussage über reelle 2 2 Matrizen: Sind die Matrizen A und B reell diagonalisierbar, dann ist auch ihr Produkt A B reell diagonalisierbar. 2.2 (Frühjahr 24, Thema 3, Aufgabe 2) Entscheiden Sie (mit Begründung), welche der folgenden vier Matrizen reell diagonalisierbar sind: M := , M 2 :=, M 3 :=, M 4 :=.

6 2.22 (Frühjahr 27, Thema 2, Aufgabe 2) In Abhängigkeit vom reellen Parameter t R sei die Matrix A t = t t + R 3 3 t + t + gegeben. a) Zeigen Sie, dass das charakteristische Polynom χ t von A t gegeben ist durch χ t (λ) = (λ + )(λ t)(λ ). b) Untersuchen Sie A t in Abhängigkeit von t R auf Diagonalisierbarkeit. c) Nun sei t =. Bestimmen Sie eine invertierbare Matrix P GL 3 (R) und eine Diagonalmatrix D R 3 3 mit P A P = D (Frühjahr 24, Thema 2, Aufgabe 3) Sei s R ein Parameter und sei A s die von s abhängige Matrix A s = s s s. a) Bestimmen Sie die Eigenwerte A s in Abhängigkeit von s. b) Für welche s R ist A s diagonalisierbar? Begründen Sie Ihre Antwort (Frühjahr 23, Thema 2, Aufgabe 4) Sei A die reelle, von einem Parameter c R abhängige Matrix c c A =. a) Für welche Werte von c R sind alle Eigenwerte von A reell? b) Für welche Werte von c R ist A über R diagonalisierbar? 2.25 (Herbst 2, Thema 3, Aufgabe 3) Untersuchen Sie die reelle 3 3 Matrix t t 2 C t = 2 in Abhängigkeit vom Parameter t R auf reelle Diagonalisierbarkeit (Herbst 22, Thema, Aufgabe ) α Gegeben sei die reelle Matrix A = 2, wobei α R. a) Berechnen Sie das charakteristische Polynom und die reellen Eigenwerte von A. b) Untersuchen Sie, für welche Zahlen α die Matrix A zu einer reellen Diagonalmatrix ähnlich ist.

7 2.27 (Herbst 2, Thema 3, Aufgabe 4) Es sei a b A = 2 a b 2 a mit a, b R. Zeigen Sie, dass A genau dann reell diagonalisierbar (d.h. zu einer reellen Diagonalmatrix ähnlich) ist, wenn b und a 2 > 4 b gilt (Herbst 25, Thema 3, Aufgabe ) Geben Sie eine diagonalisierbare reelle 3 3 Matrix S so an, daß S 2 = Y mit Y = (Frühjahr 29, Thema 2, Aufgabe 4) Gegeben sei die Matrix A = ( ) a) Berechnen Sie die Eigenwerte von A und eine Orthonormalbasis aus Eigenvektoren für A. b) Bestimmen Sie eine orthogonale 2 2 Matrix T und eine Diagonalmatrix D so, dass T A T = D. c) Folgern Sie aus b), dass für alle n N gilt A n = T D n T. d) Zeigen Sie mit c) A n = 5 n ( 2 n+2 + ) 2 n+ 2 2 n+ 2 2 n + 4 für alle n N. 2.3 (Frühjahr 22, Thema, Aufgabe 5) Zeigen Sie: a) Für Matrizen A M(n n, R) und S GL n (R) gilt SA 2 S = ( SAS ) 2. b) Ist B M(n n, R) diagonalisierbar und hat B nur nicht-negative Eigenwerte, so existiert eine Matrix A M(n n, R) mit A 2 = B. Bestimmen Sie c) eine Matrix A M(2 2, R), so dass ( ) 6 A 2 =. 9 5

8 2.3 (Frühjahr 26, Thema 2, Aufgabe ) 2 s Es sei s R und A s = s 2. 2 s a) Zeigen Sie, dass ein Eigenvektor von A s ist und berechnen Sie den zugehörigen Eigenwert λ s. Für welche s ist λ s =? b) Bestimmen Sie in Abhängigkeit von s R den Rang von A s. c) Bestimmen Sie in Abhängigkeit von s R die Lösungsmenge des linearen Gleichungssystems A s x = (Herbst 28, Thema 2, Aufgabe 3) Es sei B eine reelle n n Matrix mit B 2 = I n, wobei I n die n n Einheitsmatrix bezeichnet. Zeigen Sie: a) Für jeden Eigenwert λ von B gilt λ = oder λ =. b) Ist der einzige Eigenwert von B, so gilt B = I n. (Hinweis: Betrachten Sie für einen Spaltenvektor x R n das Produkt von B mit dem Vektor x Bx.) 2.33 (Frühjahr 22, Thema 3, Aufgabe 5) Sei A eine invertierbare reelle n n Matrix mit A = A. Die n n Einheitsmatrix wird mit E n bezeichnet. Zeigen Sie: a) Ist λ ein Eigenwert von A, so ist λ = oder λ =. b) (A + E n ) (A E n ) =. c) Ist kein Eigenwert von A, so ist A = E n. Ist kein Eigenwert von A, so ist A = E n (Frühjahr 23, Thema 2, Aufgabe 5) Sei A eine reelle n n Matrix mit A 2 + 2A =. a) Bestimmen Sie alle solchen Matrizen, welche invertierbar sind. b) Sei A wie oben, aber möglicherweise nicht invertierbar. Zeigen Sie: Für jeden Vektor v R n sind Av und v + Av entweder Null oder Eigenvektoren von 2 A. c) Zeigen Sie: A ist über R diagonalisierbar (Herbst 2, Thema, Aufgabe 3) Für n N mit n 2 werde eine reelle n n Matrix B betrachtet; es bezeichne B die zu B transponierte Matrix. Man beweise oder widerlege: a) Ist l R ein Eigenwert von B, so auch von B. b) Ist x R n ein Eigenvektor von B, so auch von B. c) Ist B diagonalisierbar, so auch B.

9 2.36 (Frühjahr 26, Thema, Aufgabe ) Es sei A eine reelle 2 2 Matrix mit den (nicht notwendig reellen) Eigenwerten λ und λ 2. Bekanntlich heißt A reell diagonalisierbar, wenn A ähnlich zu einer reellen Diagonalmatrix D ist, d.h., wenn es eine invertierbare reelle 2 2 Matrix T gibt mit A = T DT. Welche der folgenden Aussagen a),..., d) sind richtig, bzw. falsch? Geben Sie jeweils einen Beweis, bzw. ein Gegenbeispiel an! a) λ und λ 2 sind reell mit λ λ 2 = A ist reell diagonalisierbar; b) det(a) < = A ist reell diagonalisierbar; c) A ist nicht reell diagonalisierbar = λ und λ 2 sind nicht reell; d) A 2 ist reell diagonalisierbar = A ist reell diagonalisierbar (Herbst 26, Thema 2, Aufgabe 2) Es sei n 2 und A eine reelle n n Matrix. Zeigen Sie: a) A ist genau dann invertierbar, wenn kein Eigenwert von A ist. b) Ist λ R ein Eigenwert von A, so ist λ 2 ein Eigenwert von A 2. Ist zudem A invertierbar, so ist λ ein Eigenwert von A. c) Ist A reell diagonalisierbar, so gilt dies auch für A 2. d) Ist A 2 reell diagonalisierbar, so braucht dies für A nicht zu gelten. Hinweis: Betrachten Sie etwa spezielle Matrizen der Form ( ) a A = mit a. a 2.38 (Herbst 29, Thema, Aufgabe ) Es sei b R n und A eine reelle n n Matrix. Die affine Abbildung f : R n R n sei definiert durch f(x) = A x + b, x R n. Zeigen Sie: a) Die Menge der Fixpunkte von f Fix(f) = {x R n : f(x) = x} ist ein affiner Unterraum von R n oder sie ist leer. b) Wenn kein Eigenwert von A ist, dann hat f genau einen Fixpunkt.

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs 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

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

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

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. 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

Mehr

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

45 Eigenwerte und Eigenvektoren

45 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.

Mehr

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über

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

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag

Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,

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

Lösungsskizzen zur Klausur

Lösungsskizzen zur Klausur sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie

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

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

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

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

Variante A. Hinweise

Variante A. Hinweise Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche

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

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

Klausurenkurs zum Staatsexamen (WS 2013/14): Lineare Algebra und analytische Geometrie 7

Klausurenkurs zum Staatsexamen (WS 2013/14): Lineare Algebra und analytische Geometrie 7 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 3/4): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr, Thema 3, Aufgabe 4) Im R 3 seien die beiden Ebenen E : 6x+4y z = und E : +s +t 4 gegeben.

Mehr

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ). Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A

Mehr

Mat(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

Mat(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 =

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 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

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

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

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

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

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

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

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 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.

Mehr

Höhere Mathematik II. 7 Lineare Algebra II. für naturwissenschaftliche Studiengänge. 7.1 Wiederholung einiger Begriffe

Höhere Mathematik II. 7 Lineare Algebra II. für naturwissenschaftliche Studiengänge. 7.1 Wiederholung einiger Begriffe Dr. Mario Helm Institut für Numerische Mathematik und Optimierung Fakultät für Mathematik und Informatik Höhere Mathematik II für naturwissenschaftliche Studiengänge Sommersemester 2013 7 Lineare Algebra

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

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript 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.................................

Mehr

Diagonalisieren. Nikolai Nowaczyk Lars Wallenborn

Diagonalisieren. Nikolai Nowaczyk  Lars Wallenborn Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit

Mehr

Kapitel 18. Aufgaben. Verständnisfragen

Kapitel 18. Aufgaben. Verständnisfragen Kapitel 8 Aufgaben Verständnisfragen Aufgabe 8 Gegeben ist ein Eigenvektor v zum Eigenwert λ einer Matrix A (a) Ist v auch Eigenvektor von A? Zu welchem Eigenwert? (b) Wenn A zudem invertierbar ist, ist

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische 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

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

Vektorräume und Rang einer Matrix

Vektorräume 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

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

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(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:

Mehr

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

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

40 Lokale Extrema und Taylor-Formel

40 Lokale Extrema und Taylor-Formel 198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:

Mehr

( ) Lineare Gleichungssysteme

( ) Lineare Gleichungssysteme 102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Übungen zur Linearen Algebra 1

Übungen zur Linearen Algebra 1 Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem

Mehr

f f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.

f f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0. Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales

Mehr

Serie 10: Inverse Matrix und Determinante

Serie 10: Inverse Matrix und Determinante D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die

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

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung 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

Mehr

Lineare Abbildungen und Darstellungsmatrizen

Lineare 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

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

Lineare Algebra und analytische Geometrie II

Lineare Algebra und analytische Geometrie II Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Lineare Algebra. Axiome der Linearen Algebra

Lineare Algebra. Axiome der Linearen Algebra Lineare Algebra Simon Fuhrmann Christian M. Meyer Axiome der Linearen Algebra Im Folgenden sei V ein beliebiger K-Vektorraum und P eine Punktmenge. V und P bilden einen affinen Raum. Seien außerdem U 1

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

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7

Mathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

Lineare 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

Mehr

Mathematik II. (für Informatiker, ET und IK) Oliver Ernst. Sommersemester 2014. Professur Numerische Mathematik

Mathematik II. (für Informatiker, ET und IK) Oliver Ernst. Sommersemester 2014. Professur Numerische Mathematik Mathematik II (für Informatiker, ET und IK) Oliver Ernst Professur Numerische Mathematik Sommersemester 2014 Inhalt 7 Lineare Algebra 7 Lineare Algebra II Oliver Ernst (Numerische Mathematik) Mathematik

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

Übungen zu Einführung in die Lineare Algebra und Geometrie

Übungen 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

Mehr

Rückblick auf die letzte Vorlesung. Bemerkung

Rückblick auf die letzte Vorlesung. Bemerkung Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D

Mehr

Lineare Algebra Zusammenfassung

Lineare Algebra Zusammenfassung Lineare Algebra Zusammenfassung Andreas Biri, D-ITET 2013 31.07.13 Lineares Gleichungssystem Gauss- Zerlegung Lösungsmenge: Menge aller Lösungen eines linearen Gleichungssystems (GS) Äquivalentes GS: 1)

Mehr

6 Symmetrische und hermitesche Matrizen

6 Symmetrische und hermitesche Matrizen $Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind

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 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden

Mehr

5.1 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

5.1 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

Mehr

x,y A = t xay v i,v j A = e i,e j t PAP

x,y A = t xay v i,v j A = e i,e j t PAP 75 Lineare Algebra II SS 2005 Teil 6 Bilinearformen 6A Kongruenz quadratischer Matrizen Sei K ein Körper, sei A M(n n, K) eine quadratische Matrix Wie wir zu Beginn von Teil 3 gesehen haben, liefert A

Mehr

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Lösungen Serie 6 (Vektorräume, Skalarprodukt) Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

Aufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1:

Aufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1: WS 99/99 Aufgabe : Bestimmen Sie Zahlen a b,, für die 6 b a und gleichzeitig a + b + gilt. Lösung zu Aufgabe : WS 99/99 Aufgabe : Ein Unernehmen stellt aus ohstoffen (,,, ) Zwischenprodukte ( Z, Z, Z )

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

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, 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

Mehr

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1

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

Quadratische Formen und Definitheit

Quadratische Formen und Definitheit Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik 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

Mehr

Determinanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,

Determinanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird, Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 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

Mehr

2.2 Kern und Bild; Basiswechsel

2.2 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

Mehr

2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.

2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R. Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2. Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar

Mehr

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen

Lineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema

Mehr

Lineare Gleichungssysteme - Grundlagen

Lineare 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

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

:= 1. Der affine Unterraum Γ heißt Punkt, Gerade, Ebene oder Hyperebene, wenn dim K dim K

:= 1. Der affine Unterraum Γ heißt Punkt, Gerade, Ebene oder Hyperebene, wenn dim K dim K apitel II Lineare Algebra und analytische Geometrie 4 Punkte, Geraden, Ebenen, affine Unterräume in einem Vektorraum. Wie bisher ist V ein endlichdimensionaler Vektorraum über dem örper, oft ist V = n

Mehr

Aufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra

Aufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra Aufgabensammlung zur Vorlesung Höhere Mathematik für Wirtschaftswissenschaftler Algebra Freiberg, den 3 November 0 Inhaltsverzeichnis Kapitel Lineare Algebra 5 Operationen mit Matrizen 5 Lineare Gleichungssysteme

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG

KLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene

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

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

Aufgabe 1: Gleichungssystem mit Parameter ( / 12) Für welche Werte des reellen Parameters α besitzt das lineare Gleichungssystem

Aufgabe 1: Gleichungssystem mit Parameter ( / 12) Für welche Werte des reellen Parameters α besitzt das lineare Gleichungssystem 1 Hochschule München Fakultät 03 FA SS 2008 Diplomvorprüfung in Mathematik I (Lineare Algebra) Fahrzeugtechnik Arbeitszeit: Hilfsmittel: Aufgabensteller: 90 Minuten Formelsammlung, Skripten, Bücher, Taschenrechner

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

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 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen

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