Lösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
|
|
- Maximilian Ritter
- vor 6 Jahren
- Abrufe
Transkript
1 D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares Vielfaches von v ist, d.h. wenn ein λ C mit Av = λv existiert. Rechnen ergibt A (,, ) = (,, ) = (,, ). (b) (,, ). A (,, ) = (,, ) λ(,, ), λ C. (c) (,, ). A (,, ) = (,, ). (d) (, 3, ). (e) (,, ). A (, 3, ) = (3,, 5). A (,, ) = (,, ) = (,, ). Ein Vektor v ist ein Eigenvektor von A :=, falls Av ein skalares Vielfaches von v ist, d.h. wenn ein λ C mit Av = λv existiert. Rechnen ergibt A (,, ) = (,, ) = (,, ), und A (,, ) = (,, ) = (,, ).
2 . Die Matrix hat die Eigenwerte... (a). (b). (c) i. (d) i. (e) i. Wir bestimmen die Eigenwerte mit Entwicklung der Determinante nach der dritten Zeile: det λ ( ) λ λ = ( λ) det = ( λ)(λ + ) =!. λ λ Wir erhalten also λ = und die Nullstellen λ,3 = ±i von λ + als Eigenwerte.
3 3. Welche der folgenden Matrizen A := 3, A := 3, A 3 :=, 3 3 haben als Eigenwert? (a) A. A 4 := e πi 3 e πi 3 e πi 3 e πi 3 4 e πi 3 e πi e πi 3 3 e πi 3 6 e πi 3 9 (b) A. (c) A3. (d) A 4. (e) Keine. Eine Matrix A hat genau dann als Eigenwert, wenn das Gleichungssystem Ax = eine nicht-triviale Lösung hat. Wir wenden also das Gaussverfahren auf die gegebenen Matrizen an: A A A 3 = (bereits in Zeilenstufenform). e πi 3 e πi 3 3A4 = e πi 3 e πi 3 e 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 e πi 3 = 3i e πi 3. e πi 3 e πi 3 3 Dabei haben wir die Formeln e πi = sowie e ix + e ix = cos x und e ix e ix = i sin x verwendet. Somit haben die Gleichungssysteme A x =, A 3 x = eine nicht-triviale Lösung und die Gleichungssysteme A x =, A 4 x = nur die triviale Lösung. Also ist ein Eigenwert von A und A 3, aber nicht von A und A 4.
4 4. Lösen Sie das Eigenwertproblem zu den folgenden Matrizen, d.h. bestimmen Sie alle Eigenwerte und ihre algebraischen Vielfachheiten, sowie die zugehörigen Eigenräume mit den geometrischen Vielfachheiten. ( 8 a) A = 5 7 c) C = Lösung: ), b) B = , a) 8 λ 5 7 λ = (8 λ)( 7 λ) + 5 = λ λ 6 = (λ 3)(λ + ) =! λ = 3, λ = (. Die ) algebraische ( ) Vielfachheit ist also jeweils. x Löse (A λ i I ) = für i =, : y λ = 3: 5 5 (E) 5 x = y, y freier Parameter {( )} E 3 = span geometrische Vielfachheit. λ = : 5 5 (E) x = y, y freier Parameter {( )} E = span geometrische Vielfachheit. b) Entwicklung der Determinante nach der ersten Zeile: 3 λ 3 λ 3 λ = ( 3 λ) 5 λ λ + + = (λ + 3)(λ 4λ + 5)! = λ = 3. Suche nun die Nullstellen von λ 4λ + 5. Die Lösungsformel für quadratische Gleichungen liefert λ,3 = ± i. Die algebraische Vielfachheit ist auch jeweils. Die geometrische Vielfachheit ist bei all diesen Eigenwerten auch, weil sie nach dem Satz aus der Vorlesung mindestens ist und kleiner gleich die algebraische Vielfachheit ist. Für die Eigenräume bekommen wir:
5 λ = 3: 6 (E) E 3 = span. z frei, y = z, x = z λ = + i: 5 i i 5 i (E) i 5 i i 5 i (E) i = z frei, y = + i z, x = E +i = span + i. λ 3 = i: Wir haben gerade gezeigt, dass Av = ( + i)v für v = + i gilt. Durch komponentenweise komplexe Konjugation dieser Gleichung erhalten wir Av = ( i)v für v := i. Somit gilt E i = span i. c) Entwicklung der Determinante nach der dritten Zeile: λ 5 5 det(c λi 3 ) = 9 λ 5 6 λ = λ 5 = λ 3 + 6λ 3! =. ( 6) λ 5 5 λ 5 + ( λ) 9 λ Durch Erraten finden wir die Nullstelle λ =. An ganzzahligen Nullstellen kommen offenbar nur Teiler von 3 infrage: Warum? Polynomdivision liefert nun λ 3 + 6λ 3 = (λ + )( λ + 8λ 6) = (λ + )(λ 4). Somit hat C die Eigenwerte λ = mit algebraischer Vielfachheit und λ = 4 mit algebraischer Vielfachheit.
6 λ = : λ = 4: (E) (E) z frei, y = 5z, x = 3z E = span 5 geometrische Vielfachheit (E) (E) z frei, y = z, x = E 4 = span geometrische Vielfachheit (kleiner als die algebraische Vielfachheit ).
7 5. Geben Sie in Matlab die Matrix A = ein. a) Berechnen Sie mit Matlab die Eigenwerte und die zugehörigen Eigenvektoren. Hinweis: [V,D] = eig(a) gibt die Eigenwerte in der Diagonalen von D und die zugehörigen Eigenvektoren in den Spalten von V zurück. b) Lösen Sie mit Matlab das Eigenwertproblem für A, A und A 3. Was stellen Sie fest? c) Beweisen Sie nun, dass für eine beliebige n n Matrix M mit Eigenwert λ und zugehörigem Eigenvektor x folgendes gilt: i) λ k ist ein Eigenwert von M k (k N) und x ein zugehöriger Eigenvektor. ii) Ist M invertierbar, so ist /λ ein Eigenwert von M und x ein zugehöriger Eigenvektor. Lösung: a) A=[ ; ; ] ; [V,D]= e i g (A) ; lambda=d(, ) lambda=d(, ) lambda3=d( 3, 3 ) v=v( :, ) v=v( :, ) v3=v( :, 3 ) b) %Aˆ [V,D]= e i g ( inv (A) ) ; lambda=d(, ) lambda=d(, ) lambda3=d( 3, 3 ) v=v( :, ) v=v( :, ) v3=v( :, 3 ) %Aˆ [V,D]= e i g (Aˆ ) ; %lambda =... %Aˆ3 [V,D]= e i g (Aˆ 3 ) ; %... c) Nach Voraussetzung gilt Mx = λx. i) Wir haben: M k x = M k Mx = M k λx = λm k x = λ M k x = = λ k x, λ k ist also ein Eigenwert von M k und x ein zugehöriger Eigenvektor.
8 ii) Sei M invertierbar. M kann keinen Eigenwert Null haben, denn sonst folgt = det(m I n ) = det M, was der Invertierbarkeit von M widerspricht. Es gilt also λ und damit gilt: x = I n x = M Mx = M λx λ M x = λ x. λ ist also ein Eigenwert von M und x ein zugehöriger Eigenvektor.
9 6. Für den skizzierten elektrischen Vierpol gilt zwischen Ein- und Ausgang die Beziehung ( ) ( ) U U = A mit der Kettenmatrix A = I I ( R+R 3 R R 3 R +R +R 3 R R R +R 3 R Man berechne die Eigenwerte und die Eigenvektoren von A. Für welche Werte von U I hat man (bei beliebigem I ) Widerstandsanpassung U I = U I? I I ). R 3 U R R U I I Lösung: Wir nehmen an, dass R, R und R 3 positive Widerstände sind. Zuerst bestimmen wir die Eigenwerte von A: ( ) ( ) R + R 3 R + R 3 det(a λi ) = λ λ R 3 (R + R + R 3 ) R R R R ( = λ + R 3 + R ) 3 λ + =!. R R Mit a := + R3 R + R3 R > erhalten wir die Eigenwerte λ, = a ± a. Wegen a > haben beide die algebraische Vielfachheit und daher auch die geometrische Vielfachheit. Die Eigenräume sind die Lösungen der Gleichungssysteme (A λ I )x = und (A λ I )x =. Da die geometrische Vielfachheit beider Eigenwerte gleich ist, haben die Koeffizientenmatrizen dieser Gleichungssysteme Rang. Da alle Zeilen dieser Matrizen verschieden von Null sind, sind die zweiten Zeilen dieser Matrizen jeweils ein Vielfaches von der ersten Zeile. Daher ist die zweite Gleichung obiger Gleichungssysteme automatisch erfüllt, wenn die erste Gleichung erfüllt ist. Somit ist der Eigenraum zum Eigenwert λ durch die erste Gleichung von (A λ I )x =, also durch ( R3 R 3 ) a R R x + R 3 x =
10 gegeben. Es gilt also Analog finden wir E λ E λ {( = span {( = span R3 R R3 R R 3 + R3 R + a R 3 + R3 R a )}. )}. Für einen beliebigen Eingangsstrom I liegt genau dann Widerstandsanpassung U I = U I vor, wenn ein λ mit U = λu und I = λi existiert. ( ) ( ) ( ) U U U Wegen = A ist dies äquivalent dazu, dass ein Eigenvektor I I I von A ist. Nach obiger Berechnung der Eigenvektoren ist dies genau für { } U = U R 3 I I R3 R + R3 R + a, R 3 R3 R + R3 R a der Fall.
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
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,
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
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
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
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,
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
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.
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
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
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
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
MehrEigenwerte 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
MehrKapitel 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
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
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
MehrTutorium 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 +
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
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
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
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
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:
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
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
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
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
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
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
Mehr46 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
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 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:
MehrDeterminanten. 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
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,
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
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr2.4 Die Länge von Vektoren
.4 Die Länge von Vektoren 59 Wir können dies auch so sagen: Wir identifizieren (,1)-Spaltenmatrizen mit Vektoren (oder Punkten) aus R, das heißt die Menge R und R 1 werden miteinander identifiziert. Einen
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
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.................................
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
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.
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)
Mehr6 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
MehrKLAUSUR 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
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrLineare Algebra 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,
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
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr5 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
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.
MehrLösungsskizzen 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
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 Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.
Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v
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
MehrMAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7
MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v
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
Mehr6.3 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(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
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
MehrRückblick 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
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
MehrHöhere 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
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
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
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) =
MehrVorlesung, 26. Mai 2011, Inhalt. Eigenwerte und Eigenvektoren. Gewöhnliche Differentialgleichungen
Vorlesung, 26. Mai 2011, Inhalt Eigenwerte und Eigenvektoren Gewöhnliche Differentialgleichungen 1 Eigenwerte und Eigenvektoren Es sei A eine n n-matrix, x ein vom Nullvektor verschiedener Vektor und λ
Mehr3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z
R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des
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
Mehrf 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
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
MehrKapitel 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
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
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
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
MehrLineare Algebra, Teil 2 Abbildungen
Lineare Abbildungen Vorlesung Lineare Algebra mit integrierten Übungen WS 12 13 Studiengang LBS Unterrichtsfach hmth Mathematiktik Lineare Algebra, Teil 2 Abbildungen Lineare Abbildungen Lineare Gleichungssysteme
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
Mehr1.9 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..
MehrLineare Abbildungen Definitionen von linearer Abbildung, linearer Transformation, affiner Abbildung. Parallentreue und Teilverhältnistreue
Lineare Abbildungen Vorlesung Lineare Algebra mit integrierten Übungen WS 12 13 Studiengang LBS Unterrichtsfach Mathematik Lineare Algebra, Teil 2 Abbildungen Lineare Abbildungen Lineare Eigenwerte, Eigenvektoren
MehrSerie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015
Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum
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
MehrAufgaben zu Kapitel 15
Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation
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 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
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
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
MehrAlgorithmus zur Berechnung der Jordannormalform
Algorithmus zur Berechnung der Jordannormalform Olivier Sète 19. Januar 2011 Inhaltsverzeichnis 1 Motivation 1 2 Algorithmus Wie und warum funktioniert das? 2 2.1 Zutat 1 Für einen Jordanblock.........................
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrLineare 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
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 I, WS 2010/11. NOTIZEN ZUR VORLESUNG.
LINEARE ALGEBRA I, WS 2010/11. NOTIZEN ZUR VORLESUNG. ULRICH GÖRTZ 1. Einführung, Motivation 1.1. Lineare Gleichungssysteme. LGS mit 1 Gleichung, 1 Unbestimmten; 1 Gleichung, n Unbestimmten; 2 Gleichungen,
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
MehrMusterlösung 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