I) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
|
|
- Rainer Weiß
- vor 6 Jahren
- Abrufe
Transkript
1 I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i = 1,2,3,..., m j - te Variable (Spalte), j = 1,2,3,..., n Definition m x n Matrix Matrix mit m Zeilen und n Spalten = Zahlenschema Lineare Algebra Seite 1/ von 49 Folien
2 A( mn, ) a11 a1n =, aik R a m1 a mn Praxisanwendungen: 1) Lösen von linearen Gleichungssystemen 2) Geometrische Transformationen Der Formalismus: y = A* x y1 a11 a1n x1 = y m ( ) am1 a mn ( ) x n m,1 m, n ( n,1) Lineare Algebra Seite 2/ von 49 Folien
3 Beispiele von Matrizen Beispiel 1: Schnitt zweier Ebenen x1+ x2 + 2x3 = 4 1 3x1+ x2 x3 = x 2 = x 3 x Beispiel 2: spezielle Matrizen a) Die Einheitsmatrix E n 1 0 = 0 1 ( nn, ) Lineare Algebra Seite 3/ von 49 Folien
4 b) Die Nullmatrix O mn, 0 0 = 0 0 ( mn, ) c) Reelle Zahlen r als 1x1 Matrizen ( r ) ( 1,1 ) Lineare Algebra Seite 4/ von 49 Folien
5 Rechnenregeln 1) Gleichheit A = B m= p n= q a = b i j mn, pq, ij ij, 2) Multiplikation mit einem Skalar s, A mn, a 11 1n mn, = s a m1 a mn s A a sa11 sa1n = sam1 sa mn Lineare Algebra Seite 5/ von 49 Folien
6 Für s = n Amn, = am1 a mn ( 1) a Rechenregeln: a (1) s A= As (2) p( qa) = ( pq) A (3) 0A = Omn, Nullmatrix Lineare Algebra Seite 6/ von 49 Folien
7 3) Die Addition / Subtraktion: funktioniert nur wenn beide Matrizen die gleiche Anzahl Zeilen und Spalten haben. C = A + B mn, mn, mn, a11 a1n b11 b1 n + = a a b b m1 mn m1 mn a + b a + b a + b a + b n 1n m1 m1 mn mn Elementweise Addition: Subtraktion: ( 1) ( ) A B = A+ B = a b mn, mn, ij ij mn, Lineare Algebra Seite 7/ von 49 Folien
8 Rechenregeln: A + B = B+ A A + B + C = A+ B+ C A + 0 = A A + A = ( ) ( ) ( ) 0 1 A = A p( A+ B) = pa+ pb p+ q A= pa+ qa ( ) Bemerkung: Diese formalen Regeln der Operationen mit Matrizen sind ähnlich wie die entsprechenden Regeln der Vektorrechnung. Deshalb können Matrizen im abstrakten Sinne auch als "Vektoren" eines abstrakten 'Vektorraumes' aufgefaßt werden. Lineare Algebra Seite 8/ von 49 Folien
9 4) Die Multiplikation von Matrizen wobei = C mn, A mk, C kn, k cij = aip bpj p= 1 d.h. das Element c ij der Produktmatrix ist das Skalarprodukt der Zeile i von A mit der Spalte j von B. Lineare Algebra Seite 9/ von 49 Folien
10 Das Falk Schema = B A= = C Lineare Algebra Seite 10/ von 49 Folien
11 Beispiele für die Matrixmultiplikation 1) Produkt möglich 2) Produkt nicht möglich 3) Quadratische Matrizen 4) Reihenfolge 2 A= ( ), B = ) Nullteiler A=, B. 1 1 = 1 1 6) Potenzen 101 n n A= 010. A =? ( a 13 = n) 001 7) Symmetrische Matrizen 8) a = f(, i j) ij Lineare Algebra Seite 11/ von 49 Folien
12 Rechenregeln 1) ( λ A) B = A( λb) = λ( AB). 2) A B BA 3) ( A BC ) = ABC ( ) = ABC 4) A( B+ C) = AB+ AC 1 0 5) AE = E A= A, E = Hausaufgabe: Aufg. 6,8,10-13,16 BzM 2 Transponieren Definition: Zeilen mit Spalten vertauschen T ( ) ( ) A = a A = A = a ij Rechenregeln T 1) ( A + B) = A + B 2) ( T A ) T T T = A 3) ( ) T T T AB = B A ji Lineare Algebra Seite 12/ von 49 Folien
13 Anwendung der Matrixmultiplikation bei linearen Abbildungen Definition: R R sind defi- Lineare Abbildungen niert als L : 2 2 y = L( x) = A x wobei A eine 2x2 Matrix ist und 2 x, y R. Beispiele Geometrische Transformationen der Ebene wie Rotationen, Spiegelungen, Streckungen usw. werden durch lineare Abbildungen 2 2 L : R R beschrieben. Lineare Algebra Seite 13/ von 49 Folien
14 Spiegelungen an der x-achse haben als Transformationsmatrix S 1 0 = 0 1 Rotationen um den Ursprung O (0 0) mit Drehwinkel ϕ haben die Drehmatrix R cosϕ sinϕ = sinϕ cosϕ Bei der Verkettung von geometrischen Trafos werden die Matrizen multipliziert. Lineare Algebra Seite 14/ von 49 Folien
15 Beispiel Gegeben sind A(0 0), B(0 1), C (1 1). Bestimmen Sie die Koordinaten der Eckpunkte des Dreiecks ABC nach: a) einer Rotation um O (0 0) mit ϕ = π /4. b) einer Spiegelung an der x-achse. c) der Rotation a) gefolgt von der Spiegelung b). d) Trafo b) gefolgt von a). Lineare Algebra Seite 15/ von 49 Folien
16 II) DETERMINANTEN Definition ( ) A = ai, j,1 i, j n. Entwicklung nach der Zeile i: n i+ j i, j i, j j= 1 det( A) = a ( 1) U Entwicklung nach der Spalte j: n i+ j i, j i, j i= 1 det( A) = a ( 1) U wobei U i, j die Unterdeterminante ist, in der die Zeile i und die Spalte j entfernt wurden. Bemerkungen 1) Rekursive Definition (n=2, 3,...) 2) Sarrusregel als Alternative nur für n=3. 3) Schachbrettregel für die Vorzeichen Lineare Algebra Seite 16/ von 49 Folien
17 Beispiele: 1) = Entwicklung nach der 2. Zeile. Ergebnis = 4. 2) BzM 2: Aufgaben 20a, 18b, 19c 3) Satz: det( A B) = det( A) det( B) Hausaufgabe: BzM 2, Aufg. 20b, 18c, 22, 23 Lineare Algebra Seite 17/ von 49 Folien
18 III) DIE INVERSE MATRIX Definition: A inva ( ) = inva ( ) A= E Bezeichnung: inv( A) = 1 A Satz: Wenn A eine quadratische Matrix ist und det( A) 0, dann ist die Matrix invertierbar. Bemerkung: Matrizen mit der Eigenschaft det( A) 0 werden reguläre Matrizen genannt; wenn det( A ) = 0 ist die Matrix singulär und nicht invertierbar. Lineare Algebra Seite 18/ von 49 Folien
19 Die Berechnung der Inversen für 2x2 Matrizen A a b 1 =, A =? c d Beispiel A 2 1, 1 x y A? = 1 3 = = z t Lösung: x y A A = z t 2x z 2y t 1 0 = = x+ 3z y+ 3t 0 1 Lineare Algebra Seite 19/ von 49 Folien
20 2x z = 1 x = 3/7 2y t 0 = y = 1/7 x+ 3z = 0 z = 1/7 y+ 3t = 1 t = 2/7 Ergebnis: A = Probe: A A = = E = = 0 1 Lineare Algebra Seite 20/ von 49 Folien
21 Berechnung der Inversen für 2x2 Matrizen: A a b 1 1 d b, A = c d = det( A) c a Berechnung der Inversen für nxn Matrizen mit dem Gauß Algorithmus * (optional) Verfahren: ( A E) ( E inv( A) ) Beispiel* (optional): A = ; A =? Die Zeilenoperationen sind in den eckigen Klammern angegeben. Lineare Algebra Seite 21/ von 49 Folien
22 [ Z3 5Z1 2Z3] [ Z3 2Z3 Z2] Z1 Z Z 2+ Z ( 1) Z Z2 Z2/ Z1 Z1 Z Lineare Algebra Seite 22/ von 49 Folien
23 / [ Z Z ] Ergebnis: A = Probe: 1 1 AA = A A= E Lineare Algebra Seite 23/ von 49 Folien
24 Rechenregeln 1) 2) 1 1 AA = A A= E 1 1 ( A ) = A AB = B A 1 T T A = A 3) ( ) ) ( ) ( ) 1 1 5) Ax = b x = A b 6) xa= b x = ba * 7)* A = A det A ( ) ( ) Anwendungen der Inversen 1) Lösen von LGS 2) Lösen von Matrixgleichungen 3) Berechnung von geometrischen Transformationen. T Hausaufgabe:Aufg. 36, 37, 46 Lineare Algebra Seite 24/ von 49 Folien
25 IV) LINEARE GLEICHUNGSSYSTEME (LGS) Definition: LGS mit m Gleichungen, n Unbekannten xk, k = 1,2, n und Koeffizienten a, b : i = 1, 2,, m; k = 1, 2, n : ik i a11 x1 + a12 x2 + + a1n xn = b1 a21 x1 + a22 x2 + + a2n xn = b2 a x + a x + + a x = b m1 1 m2 2 mn n m Matrixdarstellung: a11 a1n x1 b1 = a a x b m1 mn n m Lineare Algebra Seite 25/ von 49 Folien
26 A x = b = Matrix, x R, A m n n b R m 1. Die Lösung durch Gauß Elimination Durch elementare Umformungen der erweiterte Systemmatrix A = ( Ab) wird die Systemmatrix A auf eine Dreiecks- oder Trapezform gebracht (je nach Dimension). Das zugehörige äquivalente gestaffelte System ist durch Substitutionen leicht lösbar. Elementare Umformungen sind lineare Kombinationen von Zeilen der Matrix A = ( Ab). Sie werden mit dem Symbol ~ bezeichnet. Spaltentausch ist auch zulässig. Lineare Algebra Seite 26/ von 49 Folien
27 Beispiel 1: 2x1+ x2 x3 = 1 2x2 + x3 = 7 5x1+ 2x2 3x3 = 0 Lösung: A = [ Z3 5Z1 2Z3] [ Z3 2Z3 Z2] Lineare Algebra Seite 27/ von 49 Folien
28 Das entsprechende gestaffelte System ist von unten nach oben lösbar: x = x2 = (7 x3 ) = x1 = (1 x2 + x3 ) = 1 2 Beispiel 2: 2x1+ 3x2 + 7x3 + 4x4 = 6 x1 2x2 4x3 + 5x4 = 1 4x1+ 3x2 x3 2x4 = 0 6x1+ 5x2 + x3 7x4 = 2 Lösung: Lineare Algebra Seite 28/ von 49 Folien
29 ~ ~[ S 2 S 3] ~ Lineare Algebra Seite 29/ von 49 Folien
30 ~ ~ ~ Lineare Algebra Seite 30/ von 49 Folien
31 Das entsprechende gestaffelte System: x4 = 0 (siehe Spaltentausch) x2 = x3 = (8 7 x2) = = x = 1+ 4x + 2x = Beispiel 3: x1 6x2 + 4x3 = 1 3x1 4x2 + 5x3 = 1 2x1 + 2x2 + x3 = 1 Lösung: Lineare Algebra Seite 31/ von 49 Folien
32 ~ ~ = 1! Das System führt zu einem Widerspruch und ist somit nicht lösbar. Beispiel 4: x1 8x2 3x3 = 1 3x1 4x2 + 5x3 = 1 2x1 + 2x2 + x3 = 1 Lösung: Lineare Algebra Seite 32/ von 49 Folien
33 ~ ~ Das System ist unterbestimmt und durch Einführung eines Parameters lösbar: x 3 = t 1 x2 = (1 + 7 t ) x1 = 1 8 (1+ 7 t) + 3t = t 14 7 Lineare Algebra Seite 33/ von 49 Folien
34 x1 3/7 t xt () = x 2 = (1+ 7)/14 t = x 3 t 3/7 1 xt ( ) = 1/14+ t 1/2, t R. 0 1 Das System hat somit Lösungen, die auf einer Gerade liegen. Beispiel 5: x1 5x2 = 5 x1 + 2x2 = 4 2x 3x = Lösung: Das System ist überbestimmt. Lineare Algebra Seite 34/ von 49 Folien
35 ~ ~ Die Lösung ist: x = x = 5 = Rang einer Matrix Definition: Rang einer Matrix Der Rang einer Matrix ist die maximale Anzahl seiner linear unabhängigen Zeilen. Satz : Der Rang einer Matrix ist die Anzahl der von verschiedenen Zeilen nach der Gaußelimination. Lineare Algebra Seite 35/ von 49 Folien
36 Beispiele: 1) rang( A) =rang( A)=3 2) rang( A) =rang( A)=4 3) rang( A) =2; rang( A)=3 4) rang( A) =rang( A)=2 5) rang( A) =rang( A)=2 Hauptsatz der Linearen Algebra: Das LGS A x = b ist lösbar genau wenn rang( A) =rang( A) Lineare Algebra Seite 36/ von 49 Folien
37 Die Lösungsalternativen: A sei eine m n Matrix und r der rang von A 1) Wenn A quadratisch ist und wenn gilt rang( A)=dim( A)=n, dann liegt eine eindeutige Lösung vor. 2) Wenn r=rang( A) =rang( A) < m, dann liegt eine ( m r) - parametrige Lösungsschar vor. 3) Wenn rang( A) rang( A), dann ist das System nicht lösbar. 3. Systeme mit Parameter Beispiel 6: x1 + x2 + p x3 = 1 x1 + p x2 + x3 = p px1 + x2 + x3 = p 2, p R Lösung: Lineare Algebra Seite 37/ von 49 Folien
38 1 1 p p 1 1 p 1 p ~ 0 p 1 1 p p p 1 1 p 0 1 p 1 p p p 1 1 p 1 ~ 0 p 1 1 p p p p p 1 Fallunterscheidung nach p R: 1) Für p R \{1, 2} : 2 p 1 ( p 1)( p+ 1) x3 = = 2 2 p p ( p 1)( p+ 2) p + 1 p 2 x3 = + Lineare Algebra Seite 38/ von 49 Folien
39 1 p + 1 x2 = p 1 ( p 1) p 1 p x2 = p p + 1 x1 = 1 + p p+ 2 p+ 2 x = 1 p 2 + 2p+ 1 p + 2 1) Für p = 2: 1 1 p 1 A~ 0 p 1 1 p p p p p = Lineare Algebra Seite 39/ von 49 Folien
40 Und somit ist das System nicht lösbar (Widerspruch). 2) Für p = 1: 1 1 p 1 A~ 0 p 1 1 p p p p p = Das System besitzt eine 2 parametrige Lösungsschar: x3 = s, x2 = t, x = 1 s t 1 Die Lösungen liegen in der Ebene: Lineare Algebra Seite 40/ von 49 Folien
41 x1 s x = x(,) s t = x 2 = t x 3 1 s t x = 0+ s 0 + t 1 ; s, t R Die Cramerregel Es sei A eine 3 3 Matrix mit den Spaltenvektoren a 1, a 2, a 3 : ( ) A a a a =, und A x = b ein lineares Gleichungssystem. Das System A x = b ist eindeutig lösbar genau wenn det( A) 0. Die Lösung ist: Lineare Algebra Seite 41/ von 49 Folien
42 x x x = = = ( ba a) det det( A) 2 3 ( a b a ) det det( A) 1 3 ( a a b ) det 1 2 det( A) Beispiel 6: Lösung mit Cramerregel 5 Homogene Systeme Definition: 1) Das System A x = 0 wird homogenes System genannt. 2) Die Lösung x = 0 wird triviale Lösung gemannt. Satz: Ein homogenes System A x = 0mit quadratischer Matrix A hat nichttriviale Lösungen genau wenn det( A) 0. Lineare Algebra Seite 42/ von 49 Folien
43 Beispiel 7: Für welche Werte des Parameters p R hat das folgende System nichttriviale Lösungen. Welches sind diese? px1 x2 + 2x3 = 0 2x1 + px2 x3= 0, p R. px2 + x3= 0 Lösung: p 1 2 p det( A) = 2 p 1 = p ( 1) p p 1 2 p + 2 = 2p p = 2( p+ 1) 0 p 2 2 Es gilt: det( A ) = 0 für p = 1. Lineare Algebra Seite 43/ von 49 Folien
44 Die nichttrivialen Lösungen für p = 1 berechnen wir mit der Gauß Elimination: ~ ~ Das System ist unterbestimmt: x3 = t, x = t, 2 x = 2t t = t 1 V) ANWENDUNGEN DER LINEAREN ALGEBRA A) EIGENWERTPROBLEME Lineare Algebra Seite 44/ von 49 Folien
45 Viele Praxisanberechnungen (z.b. Frequenz von Schwingungen, Hauptachsen von Ellipsoiden) werden zurückgeführt auf das folgende Problem: Wann ist der Vektor Av parallel zu v? (EWP) Eigenwertprobleme: A ist eine quadratische Matrix der Dimension n. Gesucht sind Zahlen λ ( λ 0) und Vektoren v 0 für die gilt: Av = λ v Die Zahlen λ mit dieser Eigenschaft werden Eigenwerte (EW) der Matrix A genannt, die entsprechenden Vektoren v sind die Eigenvektoren (EV) zum Eigenwert λ. Die Lösung: ( ) Av = λ v Av λ v= 0 A λ E v= 0 Lineare Algebra Seite 45/ von 49 Folien
46 Mathematisch ist ein AWP ein homogenes LGS mit einem Parameter λ. Satz Die EW der Matrix A sind die Lösungen λ = λ1, λ2,... der charakteristischen Gleichung: Die EV zum EW ( λ ) P( λ) = det A E = 0; λ = λ sind die Lösungen v k des homogenen (unterbestimmten) Systems: ( A λ E) v 0 k k =. Beispiel 1: 2 1 A = 1 2 Lineare Algebra Seite 46/ von 49 Folien
47 Lösung 1) Berechnung der Eigenwerte Ansatz: 2 λ 1 det( A λe) = 0 = λ 2 (2 λ) 1= 0 λ = 1, λ = ) Berechnung der Eigenvektoren Ein Eigenvektor zum Eigenwert λ = λ1 : Ansatz: 1 1 v1 0 ( A λ1e) v = 0 = 1 1 v 2 0 v = (unterbestimmtes LGS!) 1 v2 0 Lineare Algebra Seite 47/ von 49 Folien
48 Eine Lösung des LGS ist v 1 = v 2 = 1 und 1 1 ein Eigenvektor v = 1. Für λ 2 = 3 ergibt sich analog v 2 1 = 1. Beispiel 2: A 2 1 = 1 2 Lösung 1) Berechnung der Eigenwerte 2 λ 1 det( A λe) = 0 = λ 2 ( 2 λ) + 1= 0 λ R 1,2 (siehe komplexe Zahlen, Mathe 2) Lineare Algebra Seite 48/ von 49 Folien
49 2) 5 4 A = 1 2 3) A = Hausaufgabe: BzM 2 Aufg. 47, Prüfungsaufgaben: A = 1 1 1, B = Wiederholungsaufgaben BzM2, Prüfungen ab S2000, Blatt Lineare Algebra, B) ABBILDUNGEN BzM 2, Seite und Folien Lineare Algebra Seite 49/ von 49 Folien
Besteht 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.
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
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
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
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.................................
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
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
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
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
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
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
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
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
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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
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
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
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
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
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
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
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:
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 Gleichungssysteme
Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Übersicht Lineare Gleichungssystem mit 2 Variablen 1 Lineare Gleichungssystem mit 2 Variablen Beispiele 2 Fakultät Grundlagen Folie: 2 Beispiel I Lineare
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,
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/
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
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
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
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.
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
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
Mehr3 Matrizen und Determinanten
31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel
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.
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
MehrDefinition, Rechenoperationen, Lineares Gleichungssystem
Bau und Gestaltung, Mathematik, T. Borer Aufgaben / Aufgaben Matrizen Definition, Rechenoperationen, Lineares Gleichungssystem Lernziele - die Bezeichnung der Matrixelemente kennen und verstehen. - den
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 =
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 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
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
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
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
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 +
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 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
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
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,
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
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
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
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
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)
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2013/14 Hochschule Augsburg Spezialfälle und Rechenregeln Spezialfälle der Matrimultiplikation A = (m
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
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 - 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
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
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
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
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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
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 )
MehrMatrizen. Aufgabe 1. Sei f R 2 R 3 definiert durch. x y x Berechnen Sie die Matrix Darstellung von f. Lösung von Aufgabe 1.
Matrizen Aufgabe Sei f R R 3 definiert durch ( x 3y x f x + y y x Berechnen Sie die Matrix Darstellung von f Lösung von Aufgabe ( f ( f 3 Die Matrix Darstellung von f ist somit A 3 Aufgabe Eine lineare
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
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
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
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)
MehrEinleitung 19. Teil I Einführung 23. Kapitel 1 Motivation 25
Inhaltsverzeichnis Einleitung 19 Konventionen in diesem Buch 19 Törichte Annahmen über den Leser 20 Was Sie in diesem Buch finden 20 Was Sie in diesem Buch nicht finden 20 Wie dieses Buch aufgebaut ist
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 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 +...
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
Mehr2.4 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
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
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
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
MehrAufgabensammlung zur Vorlesung. Höhere Mathematik für Wirtschaftswissenschaftler Algebra
Aufgabensammlung zur Vorlesung Höhere Mathematik für Wirtschaftswissenschaftler Algebra Freiberg, den 3 November 0 Inhaltsverzeichnis Kapitel Lineare Algebra 5 Operationen mit Matrizen 5 Lineare Gleichungssysteme
Mehr5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix
5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix Jörn Loviscach Versionsstand: 20. März 2012, 16:02 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
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
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 Roger Burkhardt roger.burkhardt@fhnw.ch
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
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
KAPITEL 2 Lineare Gleichungssysteme Lernziele dieses Abschnitts sind: Begrie: Matrix, Vektor spezielle Matrix, transponierte Matrix, inverse Matrix nur fur quadratische Matrizen erklart, Determinante,
MehrPer Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................
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
MehrDer Rang einer Matrix A. Beispiel
Der Rang einer Matrix A ist gleich Anzahl der Zeilen ungleich 0, nachdem die Matrix durch elementare Zeilenoperationen in Zeilenstufenform gebracht worden ist. Bezeichnung: ranga oder rga. Beispiel A =
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:
MehrEINFÜHRUNG IN DIE ANALYTISCHE GEOMETRIE UND LINEARE ALGEBRA
EINFÜHRUNG IN DIE ANALYTISCHE GEOMETRIE UND LINEARE ALGEBRA VON SIEGFRIED BREHMER UND HORST BELKNER MIT 146 A B B I L D U N G E N VEB DEUTSCHER VERLAG DER WISSENSCHAFTEN BERLIN 1966 INHALTSVERZEICHNIS
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
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
MehrDEUTSCHE SCHULE MONTEVIDEO BIKULTURELLES DEUTSCH-URUGUAYISCHES ABITUR ( AUF SPANISCH )
Grundlegende Bemerkungen : Der Begriff des Vektors wurde in den vergangenen Jahren im Geometrieunterricht eingeführt und das mathematische Modell des Vektors wurde vor allem auch im Physikunterricht schon
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
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,
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
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
MehrMatrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie
Regina Gellrich Carsten Gellrich Matrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie Mit zahlreichen Abbildungen, Aufgaben mit Lösungen und durchgerechneten Beispielen
Mehr