Klausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag
|
|
- Kora Eberhardt
- vor 6 Jahren
- Abrufe
Transkript
1 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 23): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag 3. Mit Hilfe elementarer Zeilenumformungen sowie der Tatsache, daß sich die Determinante einer Dreiecksmatrix als Produkt ihrer Hauptdiagonalelemente errechnet, ergibt sich det(a) a) Es ist 2 aus II, 3 aus III, 4 aus IV, 5 aus V II I, III I, IV I, V I (((I+II)+III)+IV)+V Dreiecks- matrix 2 4 ( ) A ( ), also det(a ), A 2, also det(a 2 ), sowie A 3, also det(a 3 ) ++ ( ).
2 b) Für n 4 erhalten wir mit Hilfe des Laplaceschen Entwicklungssatzes det(a n ) Zeile.. A n ( ) + ( ) A n 2 +( ) +2 A n Spalte det(a n ) A n 2 det(a n ) det(a n 2 ).. c) Für alle n N mit n 4 gilt und analog det(a n ) det(a n ) det(a n 2 ) det(a n ) det(a n 2 ) det(a n 3 ), woraus det(a n ) det(a n 3 ) folgt. Damit ergibt sich für alle k N det(a 3k+ ) det(a ), det(a 3k+2 ) det(a 2 ) sowie det(a 3k+3 ) det(a 3 ). 3.3 a) Für die gegebene Matrix T n. 2.. R n n erhalten wir für n > 2 mit Hilfe des Laplaceschen Entwicklungssatzes det(t n ). T n
3 . ( ) n+(n ) T n ( ) n+n 2 T n ( ) 2n T n 2. +( ) 2n 2 T n T n det(t n ) n te Zeile (n ) te Spalte ( ) (n )+(n ) det(t n 2 )+2 det(t n ) ( ) 2n 2 det(t n 2 )+2 det(t n ) 2 det(t n ) det(t n 2 ). b) Für den Induktionsanfang ergibt sich bei n T ( ) und damit det(t ), und für n 2 T 2 2 und damit det(t 2 ) 2 ; für den Induktionsschritt n n erhält man unter Verwendung von a) det(t n ) 2 det(t n ) det(t n 2 ) Für die in Abhängigkeit vom Parameter α R gegebene Matrix α M α 2 R
4 ergibt sich (M α E 3 ) I II III 2I II αiii I+2II ( ) I ( ) II α α α 2 2 2α α α 2α 2α α 2 2 4α 2α 2α α 2 damit ist M α invertierbar, und für ihre Inverse gilt 2 4α 2α Mα M α 2α α R (E 3 M α ); Alternativ läßt sich die Invertierbarkeit der Matrix M α mit Hilfe ihrer Determinante nachweisen und ihre Inverse Mα über die zu M α komplementäre Matrix M α berechnen: wegen α det(m α ) 2 (+ 4α) ( 4α++) 2 4 Sarrus ist die Matrix M α für alle α R invertierbar, und es gilt M α det(m α ) M α +det(m det(m α ) ) det(m 2 ) +det(m 3 ) det(m 2) +det(m 22) det(m 32) +det(m 3 ) det(m 23 ) +det(m 33 ) 2 +4α 2α 2 4α 2α. 2α α Für die in Abhängigkeit vom Parameter α R gegebene Matrix α α α M α α R 3 3 α α 2α α 2
5 ergibt sich (M α E 3 ) II I III I III II α α α α α α α α α α α α α α α α α α Damit enthält die zur gegebenen Matrix M α zeilenäquivalente Matrix α α α α α R 3 3 α für α in der ersten Zeile eine Nullzeile sowie für α in der zweiten und dritten Zeile jeweils eine Nullzeile und ist damit in diesen Fällen insbesondere nicht invertierbar; folglich ist aber auch M α für α {,} nicht invertierbar. Für α R\{,} ergibt sich ferner α α α (M α E 3 ) α α α α I, α II α α III α α α α α α α I II α α α α α(α ) α II III (E α α 3 M α); α α damit ist M α invertierbar, und für ihre Inverse gilt M α M α α(α ) α α α α α R 3 3. Alternativ läßt sich die Invertierbarkeit der Matrix M α mit Hilfe ihrer Determinante überprüfen und gegebenenfalls ihre Inverse Mα über die zu M α komplementäre Matrix M α berechnen: wegen α α α ( det(m α ) α α 2 +α 2 +α 2) ( α 2 +α+α 3) α α Sarrus. 2α 2 α α 3 α ( α 2 2α+ ) α(α ) 2
6 ist die Matrix M α genau dann invertierbar, wenn det(m α ) α(α ) 2, also α R\{,}, gilt, und in diesem Fall ergibt sich M α det(m α ) M α +det(m ) det(m 2) +det(m 3) det(m α ) det(m 2 ) +det(m 22 ) det(m 32 ) +det(m 3 ) det(m 23 ) +det(m 33 ) α α(α ) α(α ) 2 α(α ) α(α ) α(α ) α(α ) α(α ) α α α α α 3.6 a) Eine Matrix M R n n (hier für n 3) ist genau dann invertierbar, wenn für ihre Determinante det(m) gilt. Wegen s det(a) s s s ( s) 2. Zeile s s. und s s det(b) s s 2 3. Zeile s2 s s für alle s R ist ( s) ( s 2) ( s) 2 (+s) s 2 (s 2 ) s 2 (s ) (s+) die Matrix A genau dann invertierbar, wenn s R\{,} gilt, sowie die Matrix B genau dann invertierbar, wenn s R\{,,} gilt. b) Für s R \ {,,} sind gemäß a) die beiden Matrizen A und B invertierbar; folglich ist auch ihr Matrixprodukt A B invertierbar und besitzt damit vollen Rang. In diesem Fall ist also Rang(A B) 3, und für die verbleibenden Fälle ergibt sich: Für s ist A B I 2 2 und damit Rang(A B). II+2I III 2I
7 Für s ist A B II I ( ) I und damit Rang(A B) 2. Für s ist A B und damit Rang(A B). 3.7 Es ist a b b a b b a b b det(a) b a a a+b a+b 2a III I b a a b a 2a b III II b a a 3a b 3. Zeile ( ) 3+3 (3a b) a b b a (3a b) (a a b b) ( a 2 b 2) (3a b); die Matrix A R 3 3 besitzt nun genau dann den vollen Rang 3, wenn sie invertierbar ist, also genau im Falle det(a), und es gilt det(a) ( a 2 b 2) (3a b) a 2 b 2 und 3a b a 2 b 2 und b 3a. 3.8 a) Die in Abhängigkeit von den Parametern a, b, c R gegebene Matrix a b 2 A a,b,c c 3 R4 4 besitzt die Determinante a b 2 a b 2 det(a a,b,c ) c 3 c 3 II 3 IV Laplace a 2 ( ) 2+3 (c 3) 2. Zeile Laplace (c 3) ( ) Zeile a (c 3) (a ),
8 und damit gilt det(a a,b,c ) (c 3) (a ) ( c 3 oder a ) ( c 3 oder a ). b) Für alle a, b, c R ergibt sich mit Hilfe elementarer Zeilenumformungen a b 2 A a,b,c c 3 I III II IV a b 2 c 3 a 2 b 3 c I II III b II, IV c II III a I wodurch die folgende Fallunterscheidung motiviert wird: a 2 b, 3 c Sei im ersten Fall a, also a ; wegen A a,b,c a 2 b a 2 b II III 3 c 3 c ergibt sich Rang(A a,b,c ) 3 3 c c 3. Sei im zweiten Fall a, also A a,b,c 2 b ; 3 c für b 2, also 2 b, gilt dann A a,b,c 2 b 3 c IV 3 c 2 b III 2 b und damit Rang(A a,b,c ) 3, und für b 2 gilt A a,b,c III IV 3 c 3 c und damit Rang(A a,b,c ) 3 3 c c 3.
9 Zusammenfassend erhält man demnach Rang(A a,b,c ) 3 (a und c 3) oder (a und b 2) oder (a und b 2 und c 3) 3.9 a) Es ist und damit A 2 a b c d a b a 2 +bc ab+bd c d ac+cd bc+d 2 D E 2 S A+A 2 a b a (ad bc) (a+d) + 2 +bc ab+bd c d ac+cd bc+d 2 ad bc a(a+d) b(a+d) a + 2 +bc ab+bd ad bc c(a+d) d(a+d) ac+cd bc+d 2 ad bc a 2 ad+a 2 +bc ab bd+ab+bd ac cd+ac+cd ad bc ad d 2 +bc+d 2. b) Für gilt im Falle S und D mit Hilfe von a) D E 2 S A+A 2 E 2 +A 2, also A 2 E 2, und im Falle b c und a 2 d 2 gemäß der Rechnung von a) a A 2 2 +bc ab+bd ac+cd bc+d 2 E 2. Für wird A 2 E 2 vorausgesetzt; im Falle S ergibt sich mit Hilfe von a) D E 2 S A+A 2 D E 2 +E 2 (D +) E 2, also D, und im Falle S a+d erhält man gemäß der Rechnung von a) a 2 +bc b(a+d) c(a+d) bc+d 2, also zunächst b c in der Nebendiagonale und danach a 2 d 2 in der Hauptdiagonale. 3. a) Die in Abhängigkeit von a, b, c R mit (a,b,c) (,,) gegebene Matrix a c b A b a c R 3 3 c b a
10 besitzt unter der Voraussetzung a+b+c die Determinante a c b a c b det(a) b a c c b a (III+I)+II b a c a+b+c a+b+c a+b+c (a+b+c) a c b a+b+c aus III }{{} b a c a c b b a c und ist folglich nicht invertierbar. b) Für a ergibt sich mit Hilfe der Regel von Sarrus c b det(a) b c c b ( +c 3 +b 3) (++) b 3 +c 3 ; da A alsnicht invertierbar vorausgesetzt ist, gilt det(a),also b 3 +c 3, woraus sich b 3 c 3 ( c) 3 und damit b c, also b+c ergibt. Mit a ist demnach a+b+c. c) Für a b c ergibt sich die Matrix A R 3 3, die wegen det(a) (++) (++) Sarrus nicht invertierbar ist; es ist aber a+b+c 3. Damit kann in b) auf die Voraussetzung a nicht verzichtet werden. 3. Wir bearbeiten zunächst die beiden Teilaufgaben a) und b) unter Verwendung der Determinante det(m) von M und der zu M komplementären Matrix M: a) Für alle s R gilt s s 2 det(m) s 2 s s s 2 Sarrus (( 3 +s 3 +(s 2 ) 3) ( s 2 s+ s s 2 +s s 2 )) +s 3 +s 6 3s 3 2s 3 +(s 3 ) 2 ( s 3) 2. Die Matrix M ist genau dann invertierbar, wenn det(m) ist; dies ist wegen det(m) ( s 3) 2 s 3 s genau für s R\{} der Fall.
11 b) Für alle s R ergibt sich für die zu M komplementäre Matrix +det(m M ) det(m 2 ) +det(m 3 ) det(m 2 ) +det(m 22 ) det(m 32 ) +det(m 3) det(m 23) +det(m 33) s 3 s( s 3 ) s 3 s( s 3 ), s( s 3 ) s 3 so daß wir für alle s R\{} die zu M inverse Matrix M det(m) M s 3 s( s 3 ) ( s 3 ) 2 s 3 s( s 3 ) s( s 3 ) s 3 s s s 3 s erhalten. Alternativ lassen sich die Teilaufgaben a) und b) auch mit Hilfe elementarer Zeilenumformungen lösen: Es ist s s 2 (M E 3 ) s 2 s II s2 I s s 2 III s I s s 2 s 3 s s 4 s 2 s 3 s Damit ist für s die Matrix M zur Matrix zeilenäquivalent und folglich nicht invertierbar. Für s ist s 3, und man erhält s s 2 (M E 3 ) s 3 s( s 3 ) s 2 II s 3 s 3 IV s s 3 s s 2 s s2 s 3 s 3 s I s II s 3 s 3 s s s 3 s 3 s2 s 3 s 3 s II s III s 3 s 3 s s 3 s 3 s s 3 s (E 3 3 M ) s s 3 s 3
12 Damit ist M invertierbar mit M M s 3 s s. s Die Bearbeitung für die Teilaufgabe c) ist unabhängig von dem für die beiden Teilaufgaben a) und b) gewählten Lösungsweg. c) Für s ist M nach a) invertierbar; damit besitzt das lineare Gleichungssystem M x b mit b genau eine Lösung, nämlich x M b s s s 3 s s s s. s 3 s s 3 +s+s 2 Für s gilt (M b) Damit ist λ µ L λ λ, µ R µ die Lösungsmenge des durch (M b) gegebenen linearen Gleichungssystems. 3.2 a) Für alle s R gilt s s 2 det(m) s s s 2 s Sarrus (( 3 +s s s 2 +s 2 s s ) ( s 2 s 2 + s s+s s )) ( +s 4 +s 4) ( s 4 +s 2 +s 2) 2s 2 +s 4 ( s 2)2. b) Die Matrix M s ist genau dann invertierbar, wenn det(m) ist; dies ist wegen det(m) ( s 2)2 s 2 s ±
13 genau für s R\{, } der Fall. Für alle s R ergibt sich für die zu M s komplementäre Matrix +det(m M 2 ) +det(m 3 ) s det(m 2 ) +det(m 22 ) det(m 32 ) +det(m 3) det(m 23) +det(m 33) s 2 s( s 2 ) s( s ) s 4 s( s 2 ), s( s 2 ) s 2 so daß wir für alle s R\{, } die zu M s inverse Matrix M s erhalten. det(m s ) M s s 2 s( s 2 ) ( s 2 ) 2 s( s 2 ) s 4 s( s 2 ) s( s 2 ) s 2 s s 2 s +s 2 s s c) Nach dem Kriterium von Hurwitz ist die symmetrische Matrix M s genau dann positiv definit, wenn ihre drei Hauptminoren s s 2 s det(), det s 2 und dets s ( s 2 ) 2 s s 2 s positiv sind; dies ist aber genau im Falle s 2 >, also für s ] ;[. 3.3 a) Für die zu betrachtende Matrix 6 2 A R ergibt sich E 3 A und damit (E 3 A)
14 Wegen (E 3 A) 2 (E 3 A) (E 3 A) E 3 (E 3 A) A (E 3 A) (E 3 A) (A E 3 A A) E 3 A A+A 2 E 3 2A+A 2 gilt also E 3 2A+A 2 und damit E 3 2A A 2 (2E 3 ) A A A (2E 3 A) A; damit ist die Matrix A R 3 3 invertierbar mit der inversen Matrix A 2E 3 A b) Ist λ R ein Eigenwert der Matrix A R 3 3, so gibt es einen Eigenvektor x R 3 mit A x λ x, also und damit (E 3 A) x E 3 x A x x λ x ( λ) x (E 3 A) 2 x ( (E 3 A) (E 3 A) ) x (E 3 A) ((E 3 A) x ) (E 3 A) (( λ) x ) λ R ( λ) ((E 3 A) x ) ( λ) (( λ) x ) ( ( λ) ( λ) ) x ( λ) 2 x. Wegen (E 3 A) 2 gilt ( λ) 2 x (E 3 A) 2 x x, woraus wegen x schon ( λ) 2, also λ bzw. λ, folgt; damit besitzt A höchstens einen Eigenwert, nämlich λ. Wegen A E II 3I III+I 5 2 ist Rang(A E 3 ) < 3; damit ist λ tatsächlich ein Eigenwert der Matrix A mit der geometrischen Vielfachheit γ 3 2. Insgesamt besitzt A R 3 3 genau einen Eigenwert, und der zugehörige Eigenraum ist von der Dimension γ 2; folglich gibt es höchstens zwei linear unabhängige Eigenvektoren von A, insbesondere also keine Basis von R 3 aus Eigenvektoren von A, so daß die Matrix A R 3 3 nicht diagonalierbar ist. 3.4 a) Aufgrund ihrer Symmetrie ist die Matrix B R 4 4 orthogonal diagonalisierbar. Wegen B ( )E 4 B +E 4
15 ist Rang(B+E 4 ) ; damit ist λ ein Eigenwert von B der Vielfachheit 3, und die Vektoren v, v 2, v 3 bilden eine Basis von E Eig(B;λ ). b) Wegen E {x R 4 x +x 2 +x 3 +x 4 } ist E R n mit n. Wegen 3 B n n 3 ist n ein Eigenvektor von B zum Eigenwert λ 2 3. Insgesamt besitzt also B den dreifachen Eigenwert λ sowie den einfachen Eigenwert λ 2 3, so daß sich für das charakteristische Polynom χ B (λ) (λ λ ) 3 (λ λ 2 ) (λ+) 3 (λ 3) ergibt. c) Für b gilt a b b b a det b a b b b b a b det a a a4 ; b b b a a und für b ergibt sich a a b b b b det b a b b b b a b b4 det a b a b4 χ B ( a ) b b b b b a a b ( b 4 a ) 3 ( b + a ) b 3 ( a+b) 3 ( a 3b) (a b) 3 (a+3b). Damit gilt für alle a, b R a b b b det b a b b b b a b (a b)3 (a+3b). b b b a
16 3.5 Eine Matrix A (s,s 2,s 3,s 4 ) R 4 4 ist genau dann orthogonal, wenn ihre Spalten s, s 2, s 3, s 4 eine Orthonormalbasis des R 4 bezüglich des Standardskalarprodukts bilden; folglich sind die Matrizen A und A 2 orthogonal, die Matrizen A 3 und A 4 wegen s s 2 aber nicht. Für alle λ R gilt λ χ A (λ) det(a λe 4 ) λ λ. Zeile λ λ ( λ) λ λ ( ) λ λ 3. Zeile ( λ) 2 λ + λ λ λ ( λ 2 + ) λ λ ( λ 2 + ) (( λ) 2 ( ) ) ( λ 2 + )2 > ; damit besitzt A keinen reellen Eigenwert und ist damit insbesondere nicht reell diagonalisierbar; dagegen ist A 2 als symmetrische Matrix (orthogonal) diagonalisierbar. Für alle λ R gilt λ χ A3 (λ) det(a 3 λe 4 ) 2 λ λ 3 4 λ Dreiecks matrix ( λ) (2 λ) (3 λ) (4 λ); damit besitzt A 3 die vier verschiedenen reellen Eigenwerte λ, λ 2 2, λ 3 3 und λ 4 4 und ist daher als 4 4 Matrix reell diagonalisierbar. Schließlich gilt für alle λ R λ χ A4 (λ) det(a 4 λe 4 ) λ λ λ Dreiecks matrix ( λ)4 ; damit ist λ der einzige Eigenwert der Matrix A 4 ; er besitzt die algebraische Vielfachheit α 4, wegen A 4 λ E 4 aber nur die geometrische Vielfachheit γ 4 Rang(A 4 λ E 4 ) 4 3, weswegen A 4 nicht reell diagonalisierbar ist.
17 3.6 Wir nehmen zum Widerspruch an, es gebe zur Matrix A 2 R eine invertierbare Matrix C R 3 3, so daß b b 2 b 3 B C AC b 22 b 23 R 3 3 b 33 eine obere Dreiecksmatrix ist. Damit sind aber die Matrizen A und B zueinander ähnlich und besitzen gemäß χ B (λ) det(b λe 3 ) det ( C AC λe 3 ) det ( C AC C (λe 3 )C ) det ( C (A λe 3 )C ) det(c) det(a λe 3 ) det(c) det(a λe 3 ) χ A (λ) für alle λ R dasselbe charakteristische Polynom; dies steht allerdings im Widerspruch dazu, daß b λ b 2 b 3 χ B (λ) b 22 λ b 23 Dreiecks- matrix b 33 λ (b λ) (b 22 λ) (b 33 λ) in die drei reellen Linearfaktoren b λ, b 22 λ und b 33 λ zerfällt, während λ χ A (λ) λ 2 3 λ (3 λ) 3. Zeile λ λ (3 λ) (( λ) 2 ( ) ) (3 λ) (λ 2 + ) neben dem reellen Linearfaktor 3 λ auch den quadratischen Faktor λ 2 + ohne reelle Nullstelle beinhaltet. Folglich kann es keine invertierbare Matrix C R 3 3 geben, so daß B C AC eine obere Dreiecksgestalt besitzt. 3.7 Nach Voraussetzung gibt es für die Matrix A R n n eine Orthonormalbasis b,...,b n des euklidischen R n aus Eigenvektoren von A; seien λ,...,λ n die zugehörigen Eigenwerte. Damit ist P (b,...,b n ) O n (R) eine orthogonale Matrix, und mit der Diagonalmatrix D diag(λ,...,λ n ) R n n gilt P A P D bzw. A P D P, wobei P P verwendet wird. Damit ergibt sich wegen D D dann A ( P D P ) ( P ) D P P D P A; folglich ist die Matrix A symmetrisch.
18 3.8 a) Nach dem Determinantenmultiplikationssatz gilt det(a B) det(a) det(b); da nun ein Produkt zweier reeller Zahlen genau dann ist, wenn mindestens einer der beiden Faktoren selbst ist, erhält man damit in det(ab) det(a) det(b) det(a) oder det(b) die Behauptung. b) Die Aussage ist falsch, denn für A und B zwar A und B, aber dennoch AB. R 2 2 gilt c) Zum Eigenwert λ R der Matrix A gibt es einen Eigenvektor x R n mit Ax λx. Damit gilt A 2 x A(Ax) A(λx) λ(ax) λ(λx) λ 2 x; damit ist x Eigenvektor von A 2 zum Eigenwert λ 2. Weiter gilt A 3 x (AA 2 )x A(A 2 x) A(λ 2 x) λ 2 (Ax) λ 2 (λx) λ 3 x; damit ist x Eigenvektor von A 3 zum Eigenwert λ 3. Führt man diese Überlegungen induktiv fort, so erhält man, daß x Eigenvektor von A k zum Eigenwert λ k für jedes k N ist. d) Die Aussage ist falsch, denn für A R 2 2 gilt zwar A E und A E, aber dennoch A 2 E. Damitsinddie Aussagena) undc) richtig, dieaussagen b) undd)dagegenfalsch. 3.9 Eine Matrix M R n n ist genau dann symmetrisch, wenn M M gilt, und genau dann orthogonal, wenn M M E n (oder gleichwertig M M E n ) ist. a) Die Matrizen A und B R 2 2 sind (wegen det(a) und det(b) ) invertierbar und symmetrisch, ihr Produkt A B ist allerdings nicht symmetrisch. a b b) Eine symmetrische Matrix A R 2 2 besitzt die Gestalt A mit b c Koeffizienten a, b, c R, und für die zu A inverse Matrix gilt dann A c b det(a) ; b a folglich ist auch A symmetrisch.
19 c) Es ist ( C AC ) C A (C ) C AC; A A folglich ist C AC eine symmetrische Matrix. d) Es ist (A B) (A B) ( B A ) (A B) B (A A ) B A AE 2 B E 2 B B B E 2 ; damit ist auch A B eine orthogonale Matrix. e) Es ist ( A ) A A A ( A ) A ( A A ) E 2 E 2; damit ist auch A eine orthogonale Matrix. f) Die Matrizen A und C R sind (wegen det(a) und det(c) 2) invertierbar; darüber hinaus ist A (als Einheitsmatrix) sogar orthogonal, aber die Matrix C AC ist etwa wegen det(c AC) 4, also det(c AC) ±, nicht orthogonal. Damit sind die Aussagen a) und f) falsch, die Aussagen b) bis e) dagegen richtig. 3.2 Sind die beiden Matrizen A und B R n n ähnlich, gibt es also eine invertierbare Matrix T R n n mit B T AT, so besitzen sie gemäß χ B (λ) det(b λe n ) det ( T AT λe n ) det ( T AT T (λe n )T ) det ( T (A λe n )T ) det(t) det(a λe n ) det(t) det(a λe n ) χ A (λ) für alle λ R insbesondere dasselbe charakteristische Polynom. Zur Widerlegung der falschen Aussagen wählen wir für n 2 speziell A R sowie T und damit B T A T GL 2 (R) mit T ( )( 2 ) ( 2 2 )( ) insbesondere sind also die Matrizen A und B zueinander ähnlich. ; 2
20 a) Ist λ R ein Eigenwert von A, so ist χ A (λ) ; folglich ist auch χ B (λ), so daß λ auch ein Eigenwert B ist. b) Für den Vektor v R 2 gilt v mit ( ( ( A v R 2 ) 2) ) und B v 2 2 / R ; damit ist v zwar ein Eigenvektor von A, aber nicht von B. c) Ist A invertierbar, so ist λ kein Eigenwert von A; gemäß a) ist dann λ auch kein Eigenwert von B, weswegen B invertierbar ist. d) Die Matrix A ist eine Diagonalmatrix, die Matrix B nicht. e) Ist A E n die Einheitsmatrix, so gilt B T E n T T T E n. f) Es ist det(a) χ A () χ B () det(b). Damit sind die Aussagen a), c), e) und f) richtig, die Aussagen b) und d) dagegen falsch. 3.2 a) Die Aussage ist richtig: so ist etwa 2 v 23, v , v 3, v 4 5 wegen 2 det(v,v 2,v 3,v 4 ) 7 Laplace Spalte ( )4+4 }{{} Laplace 3.Spalte ( )3+3 2 }{{} 7 2 ( 7) ( ) 94 eine Basis von R 4. b) Die Aussage ist falsch: so ist etwa die Matrix A R 2 2 gemäßa Asymmetrischunddamitinsbesonderediagonalisierbar,wegen det(a) allerdings nicht invertierbar.
21 c) Die Aussage ist falsch: so ist etwa die Matrix A R 2 2 wegen det(a) ( ) invertierbar; wegen χ A (λ) det(a λe 2 ) λ λ ( λ)2 ( ) λ 2 + > für alle λ R ist allerdings A ohne Eigenwert und damit insbesondere nicht diagonalisierbar. d) Die Aussage ist richtig: sei A R n n mit A 3 A. Für einen Eigenwert λ R von A gibt es einen Vektor x R n mit A x λ x, und es folgt A 2 x (A A) x A (A x) A (λ x) sowie λ (A x) λ (λ x) (λ λ) x λ 2 x A 3 x (A A 2 ) x A (A 2 x) A (λ 2 x) woraus sich wegen A 3 A zunächst also ergibt; wegen x folgt λ 2 (A x) λ (λ 2 x) (λ λ 2 ) x λ 3 x, λ 3 x A 3 x A x λ x, (λ 3 λ) x λ 3 x λ x, λ 3 λ λ (λ 2 ) λ (λ ) (λ+) und damit λ oder λ oder λ.
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.
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
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
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
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
MehrHöhere Mathematik I. 1. Gruppenübung zur Vorlesung Prof. Dr. M. Stroppel. Winter 2007/08
Dr. A. App Dr. M. Pfeil. Gruppenübung zur Vorlesung Prof. Dr. M. Stroppel Höhere Mathematik I Winter 7/8 Aufgabe P. Binomialkoeffizienten Berechnen Sie ohne Taschenrechner: ( ) (a) x = 5 ( ) ( ) ( ) (b)
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Hochschule für Technik und Wirtschaft des Saarlandes University of Applied Sciences Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung
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 )
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrKochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf
Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
MehrAusgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik. Lineare Algebra. zusammengestellt von
Ausgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik Lineare Algebra zusammengestellt von Sabine Giese, Josef Heringlehner, Birgit Mielke, Hans Mielke und Ralph-Hardo Schulz 98 Aufgaben,
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrLösung des Kleinste-Quadrate-Problems
Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung
MehrFakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin
Fakultät für Mathematik und Informatik Lehrgebiet angewandte Mathematik Prof. Dr. H. Linden Dipl.-Math. H.-J. Schäfer Seminar über angewandte Analysis Sommersemester 2007 Der Kreissatz von Gerschgorin
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
MehrMusterlösungen zu Prüfungsaufgaben über gewöhnliche Differentialgleichungen Prüfungsaufgabe a) Gegeben sei die lineare Differentialgleichung
Musterlösungen zu n über gewöhnliche Differentialgleichungen a) Gegeben sei die lineare Differentialgleichung y + - y = e - ln, > 0 Man gebe die allgemeine Lösung der homogenen Gleichung an Wie lautet
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrAusgleichungsrechnung I
Ausgleichungsrechnung I oder Die Anwendung statistischer Methoden in Vermessungswesen und GIS Gerhard Navratil mit Beiträgen von Martin Staudinger Institute for Geoinformation Technical University Vienna
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrZur Numerik großdimensionaler Eigenwertprobleme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik großdimensionaler Eigenwertprobleme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 8.11.2004 1 Einführung 1 Zusammenfassung Der
MehrDirk Hachenberger Mathematik für Informatiker
Dirk Hachenberger Mathematik für Informatiker ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis Vorwort
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrFormelsammlung Mathematische Grundlagen für die Informatik
Formelsammlung Mathematische Grundlagen für die Informatik Wolfgang Führer wolfgang.fuehrer@web.de August 2007 Inhaltsverzeichnis Lineare Algebra. Vektorräume.................................... Abelsche
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
MehrMusteraufgaben für das Fach Mathematik
Musteraufgaben für das Fach Mathematik zur Vorbereitung der Einführung länderübergreifender gemeinsamer Aufgabenteile in den Abiturprüfungen ab dem Schuljahr 013/14 Impressum Das vorliegende Material wurde
MehrEinführung in MATLAB
Kapitel 4 Einführung in MATLAB 41 Allgemeines MATLAB ist eine kommerzielle mathematische Software zur Lösung mathematischer Probleme und zur graphischen Darstellung der Ergebnisse Die Verfahren in MATLAB
MehrZur Numerik linearer Gleichungssysteme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik linearer Gleichungssysteme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 1.11.2004 1 Direkte Verfahren für lineare Gleichungssysteme
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrSchulinternes Curriculum. Mathematik
Gymnasium Zitadelle Schulinternes Curriculum (G 8) Stand: Schuljahr 2012/13 Gymnasium Zitadelle Schulinternes Curriculum Seite 1 EF Eingeführtes Lehrbuch: Lambacher Schweizer 10 Einführungsphase Funktionen
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr2.1 Codes: einige Grundbegriffe
Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen
MehrWolfgang Kohn Riza Öztürk. Mathematik für Ökonomen. Ökonomische Anwendungen der linearen. Algebra und Analysis mit Scilab
Wolfgang Kohn Riza Öztürk Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab 3., erweiterte und überarbeitete Auflage ^ Springer Gabler Inhaltsverzeichnis Teil
MehrK2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte
K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5
MehrMathematik für Ökonomen
Springer-Lehrbuch Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab Bearbeitet von Wolfgang Kohn, Riza Öztürk 1. Auflage 2012. Taschenbuch. xv, 377 S. Paperback
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrOrthogonale Funktionenräume
Orthogonale Funktionenräume Richard Küng February 27, 24 Contents Vektorräume mit Skalarprodukt 2 2 Lineare Abbildungen: Matrizen und Operatoren 8 2. Matrizen................................ 8 2.. Diagonalisieren
MehrVU Mathematische Modellierung 1, Projekt: Modellierung eines Verdunstungskühlschranks
VU Mathematische Modellierung, Projekt: Modellierung eines Verdunstungskühlschranks Julia Hauser und Anja Janischewski 30.06.203 Inhaltsverzeichnis Einführung 2. Ziel des Projekts................................
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrHans Walser, [20090509a] Wurzeln aus Matrizen
Hans Walser, [0090509a] Wurzeln aus Matrizen 1 Worum es geht Zu einer gegebenen,-matri A suchen wir,-matrizen B mit der Eigenschaft: BB = B = A. Wir suchen also Quadratwurzeln der Matri A. Quadrieren Wenn
MehrIngenieurinformatik Diplom-FA (Teil 2, C-Programmierung)
Hochschule München, FK 03 SS 2014 Ingenieurinformatik Diplom-FA (Teil 2, C-Programmierung) Zulassung geprüft: (Grundlagenteil) Die Prüfung ist nur dann gültig, wenn Sie die erforderliche Zulassungsvoraussetzung
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
MehrDer Golay-Code und das Leech-Gitter
Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,
Mehr