1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
|
|
- Christel Feld
- vor 6 Jahren
- Abrufe
Transkript
1 1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen wir mit K (m,n). Die Menge K n ist die Menge der Spaltenvektoren. Die Einheitsmatrix der Größe n n ist I n. Abbildungen (ob linear oder nicht) bezeichnen wir mit φ,ψ,ϕ,..., also genauso wie Skalare, das sollte aber nicht zu Missverständnissen führen. Wenn wir zwei Abbildungen ϕ 1 : A B und ϕ 2 : B C haben, dann ist ϕ 2 ϕ 1 : A B diejenige Abbildung, die dem Element x A das Element ϕ 2 (ϕ 1 (a)) zuordnet. Abbildungen werden also von rechts nach links abgearbeitet. Basen sind hier stets als geordnete Basen zu interpretieren. Die kanonische Basis von K n bezeichnen wir mit E n. Den Körper mit p Elementen (p prim) bezeichnen wir mit F p (modulo p Arithmetik). 1.2 Lineare Abbildungen und Matrizen Wenn V = K n und W = K m und A K (m,n), so ist durch x Ax eine lineare Abbildung K m K n definiert. Wir bezeichnen diese Abbildung mit ϕ A. Dann gilt: Satz 1.1. Seien V = K n, W = K m, U = K l. Ferner sei A K (m,n) und B K (l,m). Dann gilt ϕ B ϕ A (x) = B A x, d.h. die Hintereinanderausführung der zu A und B gehörenden linearen Abbildungen entspricht der Matrixmultiplikation. Definition 1.2. Eine Matrix A K (n,n) heißt invertierbar, wenn es B K (n,n) gibt mit B A = I n. Bezeichnung: B = A 1. Bemerkung 1.3. ϕ A 1 = (ϕ A ) 1. Proposition 1.4. A A 1 = I n. Beweis. ϕ A 1 ϕ A = ϕ A ϕ A 1 weil die Inverse einer Abbildung sowohl rechtsals auch links-invers ist. 1.3 Darstellungsmatrizen Die Frage ist nun, ob Matrizen auch etwas mit linearen Abbildungen zu tun haben, wenn wir abstrakte Vektorräume haben und nicht konkret den K n und K m. Die Antwort ist ein klares ja, allerdings ist diese Darstellung basisabhängig. 1
2 Sei V ein Vektorraum der Dimension n mit einer Basis B = (b 1,...,b n ) (also eine geordenete Basis), so hat jeder Vektor v V eine eindeutige Darstellung Der Vektor v = [v] B := n b i λ i i=1 λ 1.. λ n heißt der Darstellungsvektor von v bezüglich der Basis B. Definition 1.5. Sei ϕ : V W eine lineare Abbildung zwischen zwei K- Vektorräumen V und W. Es sei B = (b 1,...,b n ) eine Basis von V und C = (c 1,...c m ) eine Basis von W. Dann heißt die m n-matrix [ϕ] B C := (α i,j ) i=1,...,m,j=1,...n die Darstellungsmatrix von ϕ bezüglich der Basen B und C, wobei die α i,j gegeben sind durch m ϕ(b j ) = c i α i,j. i=1 Satz 1.6. Sei ϕ : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Dabei sei B = (b 1,...,b n ) eine Basis von V und C = (c 1,...c m ) eine Basis von W. Dann gilt [ϕ(v)] C = [ϕ] B C [v] B. Beweis. Nachrechnen! Satz 1.7. Seien B = (b 1,...,b n ), C = (c 1,...,c p und D = (d 1,...,m) Basen von drei K-Vektorräumen U,V und W. Ferner seien ϕ : U V und ψ : V W zwei lineare Abbildungen. Dann gilt Beweis. Nachrechnen [ψ ϕ] B D = [ψ] C D [ϕ] B C. Das hat einige schöne Konsequenzen, beispielsweise Korollar 1.8 (Basiswechsel). Sei ϕ : V W eine lineare Abbildung. Ferner seien B und B zwei Basen von V, und C und C seien zwei Basen von W. Dann gilt [ϕ] B C = [id W ] C C [ϕ] B C [id V] B B. Korollar 1.9. Sei ϕ : V V eine lineare Abbildung, und seien B und C zwei (endliche) Basen von V. Dann gilt wobei P = [id] B C. [ϕ] B B = P 1 [ϕ] C C P, 2
3 Beweis. Beachten Sie, dass [id] C B [id]b C = [id]b B = I gilt, also [id]c B = ([id]b C ) 1. Beispiel Vorlesung! 1.4 Lineare Gleichungsysteme Definition Sei A K (m,n) Eine Gleichung der Form A x = b heißt lineares Gleichungssystem. Gilt b = 0, so nennen wir dieses Gleichungssystem homogen, sonst inhomogen. Bemerkung Ein homogenes lineares Gleichungssytem hat immer eine Lösung, nämlich x = 0 (wobei 0 K n ). Ein inhomogenes System kann lösbar sein, oder auch nicht. Die Lösungen eines linearen Gleichungssystems sind in der Regel nicht eindeutig. Beispiel Vorlesung! Satz Die Lösungsmenge eines homogenen linearen Gleichungssystems wie in Definition 1.11 ist ein Unterraum von K n, nämlich genau der Kern der linearen Abbildung ϕ A : K n K m mit ϕ A (x) = A x. Die Dimension ist n dim(bild(ϕ A )). Sie haben bereits gelernt, dass man jede Matrix durch elementare Zeilenumformungen in zeilenreduzierte Form bringen kann: Definition Eine Matrix A = (α i,j ) i=1,...,m,j=1...,n heißt zeilenreduziert, wenn es Zahlen 1 j 1 <... < j r n gibt mit α i,j = 0 für i > r. α i,ji 0 für i = 1,...,r. α i,j = 0 für j < j i. Die hier auftretende Zahl r ist der (Zeilen-)Rang von A. Wir nennen die Matrixinzeilenreduzierter Normalform,wennzusätzlichα k,ji = 0fürk < i gilt sowie α i,ji = 1 für i = 1,...,r. Definition Zwei Matrizen A und B heißen zeilenäquivalent, wenn sie durch eine Folge elementarer Zeilenumformungen auseinander hervorgehen. Satz Jede Matrix A ist zu einer Matrix B in zeilenreduzierter Form zeilenäquivalent. Dabei gilt: A x = 0 und B x = 0 haben dieselben Lösungsmengen. Jede Matrix ist zu genau einer Matrix in zeilenreduzierter Normalform zeilenäquivalent. 3
4 Bemerkung Die Lösungen von Bx = 0 kann man leicht angeben, wenn B zeilenreduziert ist. Die Variablen x i mit i / {j 1,...,j r } kann man frei wählen (freie Variablen), die Variablen x j1,...x jr sind dann bestimmt. Bemerkung Der Vektorraum, der von den Zeilen einer Matrix aufgespannt wird, ändert sich durch elementare Zeilenumformungen nicht. Die Dimension dieses Vektorraums ist der Rang der Matrix. Nun zeigen Sätze 1.14 und 1.17, dass sich die Dimension des Bildes der zugehörigen linearen Abbildung ϕ A nicht ändert. Das Bild der linearen Abbildung ist aber genau der Vektorraum, der von den Spalten der Matrix aufgespannt wird. Wir nennen die Dimension dieses Vektorraumes den Spaltenrang von A. Wir halten fest: Proposition Für zwei zeilenäquivalente Matrizen A und B gilt, dass sie identische Zeilenräume haben. Die Dimensionen der Spaltenräume sind ebenfalls gleich (und man nennt dies den Spaltenrang der Matrix). Wir behaupten nicht, dass die Spaltenräume gleich sind: Die Spaltenräume ändern sich bei elementaren Zeilenumformungen, nicht aber ihre Dimension. Man erkennt an einer zeilenreduzierten Matrix, bestehend aus genau r Zeilen 0, sofort, dass der Spaltenraum die Dimension r hat, also gleich dem (Zeilen-) Rang der Matrix ist. Satz Für jede Matrix A K (m,n) gilt Zeilenrang gleich Spaltenrang. Wir sprechen dann einfach vom Rang der Matrix, Rang(A). Korollar Die Dimension des Lösungsraumes eines homogenen linearen Gleichungssystems wie in Definition 1.11 ist n Rang(A). Bleibt die Frage, wie es im inhomogenen Fall aussieht. Sicherlich ist die Lösungsmenge in dem Fall kein Unterraum mehr (weil ja der Nullvektor keine Lösung ist). Es gilt aber: Satz Sei Ax = b ein inhomogenes lineares Gleichungsystem, und sei x 0 eine Lösung. Ferner sei U = {x K n : Ax = 0} (also die Lösungsmenge des zugehörigen homogenen Gleichungssystems). Dann gilt {x K n : Ax = b} = U +x 0, wobei U +x 0 = {u+x 0 : u U}. (1) Definition Sei V ein K-Vektorraum. Eine Teilmenge A V heißt ein affiner Unterraum von V, wenn es einen linearen Unterraum U V und einen Vektor x 0 gibt mit A = U +x 0 (wie in in (1)). Bleibt die Frage, wie wir eine Matrix in zeilenreduzierte (Normal)form bringen können: (0.) Setze i = 1. Die Zeilen der Matrix A seien a 1,...,a m. 4
5 (1.) Suche die erste Spalte j in A, die einen Eintrag α k,j 0 mit k i hat. Sonst STOP, es ist nichts mehr zu tun. Diese Spalte sei j i (2.) Durch Zeilenvertauschung erreiche α i,ji 0. (3.) Ersetze die Zeilen a k mit k > i in A durch a k α k,j i α i,ji a i. (4.) Die so erhaltene Matrix nennen wir nun A, wir erhöhen i um 1 (wenn schon i = m gilt: STOP) und gehen zu (1.). Man nennt dieses Verfahren die Gauß-Elimination. Wenn wir es etwas modifizieren, um eine Matrix in zeilenreduzierter Normalform zu erhalten, sprechen wir vom Gauss-Jordan-Verfahren. Wir müssen dann den Schritt (3.) auch für k < i durchführen und abschließend die Zeile i durch α i,ji dividieren. Satz Mit Hilfe des oben beschriebenen Verfahrens kann man zu jeder Matrix A in endlich vielen Schritten eine zeilenäquivalente Matrix B in zeilenreduzierter Form finden. Beweis. Der entscheidende Schritt ist (3.) (man nennt dies auch einen Pivotschritt): Nach dem Pivotschritt gilt α k,ji = 0 für alle k > i. Es gilt sogar α k,j = 0 für alle k > i und j j i. Deshalb muss beim nächsten Aufruf von (3.) eine Spalte mit einem Index echt größer als j i gewählt werden, es gilt also j i+1 > j i. Deshalb bricht das Verfahren auch nach endlich vielen Schritten ab, und offensichtlich ist die Matrix dann in zeilenreduzierter Form. Wenn wir Ax = b lösen wollen, so wenden wir Gauß-Elimination auf die erweiterte Matrix (A b) an: Proposition Seien A,A K (m,n) und b,b K m. Wenn (A b) zeilenäquivalent zu (A b ) ist, so haben Ax = b und Ax = b dieselben Lösungen. Beispiel Vorlesung! Wir wollen uns noch einmal zeilenäquivalente Matrizen A und B anschauen. In Proposition 1.20 haben wir bereits notiert, dass A und B dann dieselben Zeilenräume haben. Sie sind nach Definition genau dann zeilenäquivalent, wenn es eine Folge elementarer Zeilenumformungen gibt, die wir auf A anwenden, um B zu erhalten. Da elementare Zeilenumformungen nichts anderes sind als Multiplikationen von links mit Elementarmatrizen, erhalten wir also eine Folge von Elementarmatrizen P 1,...,P s mit B = P s P 1 A. Es gibt also eine invertierbare Matrix P mit B = P A. Umgekehrt nehmen wir an, dass A und B denselben Zeilenraum erzeugen. Dann muss es eine (offenbar invertierbare) Matrix P geben mit B = P A. Dieses P selber ist das Produkt 5
6 von Elementarmatrizen: Um das zu sehen, wende auf P Gauss-Elimination an. Weil P vollen Rang hat, ist die einzige zeilenreduzierte Matrix, zu der P zeilenäquivalent ist, I, wir können also I aus P durch elementare Zeilenumformungen erhalten und umgekehrt, also ist P selber Produkt von Elementarmatrizen. Satz Für je zwei Matrizen A,B K (m,n) sind die folgenden Aussagen äquivalent: (i) A und B sind zeilenäquivalent. (ii) Es gibt eine invertierbare Matrix P K (m,m) mit A = P B. (iii) Die Zeilenräume von A und B sind gleich. Beweis. Diskussion vor dem Satz. Satz Seien P K (n,n). Dann sind äquivalent: (i) P ist invertierbar. (ii) P ist Produkt von Elementarmatrizen. (iii) Px = 0 hat genau eine Lösung. (iv) Px = b hat genau eine Lösung für ein b. (v) Px = b hat genau eine Lösung für alle b. (vi) P ist zeilenäquivalent zu I n. Beweis. Man zeigt leicht die Äquivalenz aller Aussagen zu (vi). Bleibt die Frage, wie wir P 1 finden. Dazu betrachten wir für ein gegebenes A Paare (P A ) mit der Eigenschaft P A = A. (2) Wenn wir beide Seiten mit einer Elementarmatrix Q multiplizieren, gilt weiterhin (QP )A = QA. Wenn wir mit dem Paar (I A) beginnen und wenn B = P s P 1 A gilt, so hat auch das Paar (P s P 1 B) die Eigenschaft (2). Um also P zu finden, beginnen wir mit dem Paar (I,A) und wenden auf die Matrix links stets dieselbe elementare Zeilenumformung an wie auf die rechte Matrix, bis wir ein Paar (P,B) erhalten, bei dem B zeilenreduziert ist. Dann gilt B = P A. Beispiel Vorlesung! Wir können daraus ein sehr schönes Verfahren zum Invertieren einer quadratischen Matrix extrahieren. Sei dazu A K (n,n) und betrachte (I n A). Wende nun auf die linke und rechte Seite jeweils dieselben elementaren Zeilenumformungen an, bis auf der rechten Seite I n steht. Sollte das nicht möglich sein, war die Matrix nicht invertierbar, andernfalls steht dann links A 1. 6
7 Beispiel Vorlesung! Korollar Ist A eine untere Dreiecksmatrix und invertierbar, dann ist auch A 1 eine untere Dreiecksmatrix. Korollar 1.33 (LR-Zerlegung). Kann eine invertierbare Matrix A ohne Zeilenvertauschungen durch elementare Zeilenumformungen in eine obere Dreiecksmatrix transformiert werden, so gibt es eine untere Dreiecksmatrix L mit Diagonaleinträgen 1 sowie eine obere Dreiecksmatrix R mit LR = A. Beweis. P s P 1 A = R, wobei R zeilenreduziert ist (also obere Dreiecksmatrix), und die P i untere Dreiecksmatrizen sind: Weil wir ohne Zeilenvertauschungen auskommen, können wir als Pivotelemente stets die Diagonaleinträge wählen und dann Vielfache von Zeile i von den Zeilen k mit k > i abziehen. Diese Umformungen entsprechen Multiplikationen mit unteren Dreiecksmatrizen und Diagonaleinträgen 1. Auch die P 1 i Diagonaleinträgen 1, also A = P 1 1 P 1 P 1 1 P 1 s. sind untere Dreiecksmatrizen mit s R. Die untere Dreiecksmatrix L ist 7
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
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eine Familie von Gleichungen der Form 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 x 1 + a m2 x 2 +... + a mn x n = b m
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr( ) 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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
MehrLineare Algebra I: Eine Landkarte
Bild F Algebra I: Eine Landkarte Faser Versuch einer Übersicht der Themen und Zusammenhänge der n Algebra 1. 1 Algebra I: Bild F Faser Sei B Basis von V. Jedes v V läßt sich eindeutig aus den Basisvektoren
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehr2 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(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:
Mehr4.3 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
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrRang und Inverses einer Matrix
Rang und Inverses einer Matrix wgnedin@math.uni-koeln.de 29. April 2014 In dieser Notiz werden Methoden und Beispiele zur Berechnung des Rangs einer Matrix sowie der Inversen einer invertierbaren Matrix
Mehr[UV2] bedeutet Abgeschlossenheit bezüglich der Addition, [UV3] ist die Abgeschlossenheit bzgl. der Skalarmultiplikation. Bezeichnung U V.
3.2 Unterräume Definition 3.2.1 Sei V ein K-Vektorraum. Eine Teilmenge U V heißt ein Unterraum von V, falls gilt: [UV1] U { }. [UV2] Für alle v,w U gilt v +w U. [UV3] Für alle v U und λ K gilt v λ U. [UV2]
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
Mehr4 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
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
MehrLösung Semesterendprüfung (Nachprüfung)
MLAE Mathematik: Lineare Algebra für Ingenieure Frühlingssemester 6 Dr. Christoph Kirsch ZHAW Winterthur Lösung Semesterendprüfung (Nachprüfung Aufgabe : Aufgabe : a Gemäss Def. der Vorlesung müssen wir
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrEuklidische 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
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrLineare Abbildungen und Gleichungssysteme
Lineare Abbildungen und Gleichungssysteme Klaus-R Loeffler Lineare Abbildungen Definition: Lineare Abbildung Es wird vorausgesetzt, dass V und W Vektorräume sind Eine Abbildung f von V in W heißt dann
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
Mehr9 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
MehrKapitel 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
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrSesqui- 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:= 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
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrÜbungen 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
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
Mehrx LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg
SKRIPTUM { LINEARE ALGEBRA I JB COOPER Inhaltsverzeichnis: x Lineare Gleichungssysteme x Geometrie der Ebene und des Raumes x Vektorraume x Lineare Abbildungen Typeset by AMS-T E X x LINEARE GLEICHUNGSSYSTEME
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehr1 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
MehrDie Dimension eines Vektorraumes
Die Dimension eines Vektorraumes Ist (b 1, b 2,..., b n ) eine Basis des Vektorraums V, so heißt n die Dimension von V. Die Möglichkeit dieser Definition beruht auf dem folgenden nichttrivialen Satz. Je
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 28. November 2011 Definition Beispiel: Wassermengen und Konzentrationen in einem Fluss Beispiel Zeilenstufenform Beispiel (Fortsetzung) Anhang
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrSerie 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
MehrLösung Test 1 (Nachprüfung)
MLAE Mathematik: Lineare Algebra für Ingenieure Frühlingssemester 6 Dr. Christoph Kirsch ZHAW Winterthur Lösung Test (Nachprüfung Aufgabe : a Gemäss den Algorithmen im Kap.. der Vorlesung bringen wir die
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrMathematik 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
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 9 Basiswechsel Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrV DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren
SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrLösungen 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
MehrLineare 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,
MehrAufgaben zu Kapitel 14
Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt
MehrDefinition Sei V ein Vektorraum, und seien v 1,..., v n V. Dann heißt eine Linearkombination. n λ i = 1. mit. v = v i λ i.
Kapitel Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften von R 3 interessieren, so stört manchmal die Ausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrMathematik II für Bauwesen. Ivan Izmestiev
Mathematik II für Bauwesen Ivan Izmestiev TU Darmstadt, SS 01 Inhaltsverzeichnis 1 Lineare Algebra 1 1 Lineare Gleichungssysteme und Matrizen............. 1 1.1 Matrizen........................... 1 1.
MehrLineare 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
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrLineare 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
Mehr2 Einführung in die lineare Algebra
2 Einführung in die lineare Algebra 2. Vektorräume und ihre Unterräume Definition 2... Sei K ein Körper. Ein Vektorraum über K (oder K-Vektorraum) ist eine Menge V mit einer Addition genannten Verknüpfung
MehrAnhang A. Etwas affine Geometrie. A.1 Die affine Hülle
Anhang A Etwas affine Geometrie In diesem Anhang stellen wir die wichtigsten Grundbegriffe aus der affinen Geometrie zusammen, soweit sie eben für uns von Nutzen sind. Für weiterführende Ergebnisse sei
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
Mehr