Lineare Algebra - Determinanten und Eigenwerte
|
|
- Christoph Voss
- vor 6 Jahren
- Abrufe
Transkript
1 Lineare Algebra - Determinanten und Eigenwerte 26 März Determinanten 11 Definition (Determinanten): Sei K ein Körper und N n 0 Dann nennt man eine durch det : M(n n, K) K, a det(a) definierte Abbildung eine Determinante, falls sie folgende Eigenschaften hat: D1 det ist linear in jeder Zeile, dh det a i + b i = det a i + det b i und det λa i = λ det a i wobei a i, b i n-dimensionale Zeilenvektoren bezeichnen D2 det ist alternierend, dh sind zwei Zeilen von A gleich, so gilt det(a) = 0 D3 det ist normiert und zwar det(1 n ) = 1 Der folgende Satz stellt die aus den Definitionen folgenden Eigenschaften der Determinanten zusammen Der Beweis soll in den Übungen erfolgen 12 Satz (Eigenschaften der Determinante): Für die Detmerinante M(n n, K) K und A, B M(n n, K)gelten die folgenden Rechenregeln R1 λ K gilt det(λa) = λ n det(a) R2 Ist eine Zeile von A gleich null, dann gilt det(a) = 0 R3 Vertauscht man bei A die Zeilen und erhält dadurch B, dann gilt det(b) = det(a) 1
2 R4 Addiert man zu A das λ-fache der i-ten Zeile zu der j-ten Zeile (i j), dh dann gilt det(a) = det(b) R5 Falls A eine obere Dreiecksmatrix a 11 a 12 a 1n a 21 a 22 a 2n B = a j1 + λa i1 a j2 + λa i2 a jn + λa in a n1 a n2 a nn λ 1 A = 0 λ n ist, dann gilt det(a) = λ 1 λ n Insbesondere gilt dies für eine Diagonalmatrix A = diag(λ 1,, λ n ) R6 Seien A 1, A 2 quadratische Matrizen, dann gilt für ein ( ) A1 A = 0 A 2 die Regel det(a) = det(a 1 ) det(a 2 ) R7 det(a) = 0 ist gleichbedeutend mit der Aussage Rang(A) < n R8 Für A, B M(n n, K) gilt det(a B) = det(a) det(b) R9 Für A Gl(n, K) gilt det(a 1 ) = (det(a)) 1 Bemerkung: Hiermit ist nicht die Umkehrabbildung von det gemeint Mit Hilfe dieser Regeln kann man eine Determinante prinzipiell durch Umformen von A in eine Zeilenstufenform berechnen Wir werden später auch noch andere Regeln zur Berechnung kennen lernen, wollen uns aber zunächst mit diesen Elementaren Rechenregeln vertraut machen Wir haben die Determinante asiomatisch über die Weierstraßschen Axiome eingeführt Es gibt aber eine äquivalente konstruktive Definition, welche eine direkte Berechnungsformel für Determinanten angibt, die Leibniz-Formel 13 Satz (Leibniz-Formel) Sei K ein Körper und n 1, so gibt es genau eine Determinante und für jedes M(n n, K) A = (a ij ) gilt det(a) = det : M(n n, K) K σ S n sign(σ) a 1σ(1) a nσ(n) Man geht also jede mögliche Anordnung der Komponenten von A durch, wobei man jedoch das Signum der Permutation beachten muss, welches garantiert, dass die Determinante alternierend ist Aus dieser Gleichung sind auch die elementaren Regeln zur Berechnung von det(a) begründet Für den Fall von 2 2-Matrizen gilt ( ) a b det = ad bc c d 2
3 und für 3 3-Matrizen gilt entsprechend a 11 a 12 a 13 det a 21 a 22 a 23 = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 (a 13 a 22 a 31 + a 12 a 21 a 33 + a 11 a 23 a 32 ) a 31 a 32 a 33 Die letzte Regel bezeichnet man auch als die Regel von Sarrus, welche besagt, dass man den Wert der Determinante einer 3 3-Matrix durch folgende Merkregel berechnen kann: Zunächst addiere man die Produkte der Komponenten auf den Diagonalen von links oben nach rechts unten und subtrahiere dann die Diagonalen von rechts oben nach links unten Vosicht! Die Regel gilt nur für n 3 Für Matrizen mit höherem n muss man auf andere Regeln zurückgreifen Als nächstes wollen wir den Entwicklungssatz von Laplace formuliere, welcher nicht nur oft eine erhebliche Erleichterung der Rechnung mit sich bringt, sondern erst die Berechnungen aller Determinanten von Matrizen mit n 4 ermöglicht Dafür bezeichnen wir mit A ij die (n 1) (n 1) Matrix, welche wir durch Streichen der i-ten Zeile und j-ten Spalte erhalten, also a 11 a 1(j 1) a 1(j+1) a 1n A ij = a (i 1)1 a (i 1)(j 1) a (i 1)(j+1) a (i 1)n a (i+1)1 a (i+1)(j 1) a (i+1)(j+1) a (i+1)n a n1 a n(j 1) a n(j+1) a nn Der Entwicklungssatz gestattet es uns nun, die Berechnung einer n n Matrix auf die Berechnung einer Summe von (n 1) (n 1) Matrizen zurückzuführen Dabei muss man aber noch die relativen Vorzeichen beachten 14 Satz (Entwicklungssatz von Laplace): Sei n 2 und A M(n n, K), so gilt für i {1,, n} n det(a) = ( 1) i+j a ij det(a ij) j=1 Entwicklung nach der i-ten Zeile und j {1,, n} n det(a) = ( 1) i+j a ij det(a ij) i=1 Entwicklung nach der j-ten Spalte Bemerkung: Zur Anwendung dieses Satzes ist es nicht notwendig, sich die Formel in genau dieser Form zu merken Es ist möglich sich eine einfachere, visuelle Regel abzuleiten Sei die folgende Determinante gegeben a 11 a 1n a n1 a nn Dann sieht die Laplace-Entwicklung nach der ersten Spalte folgendermaßen aus a 11 a 1n a 22 a 2n a 12 a 1n a 21 a 2n a 32 a 3n a 32 a 3n = a 11 a 21 + a n1 a nn a n2 a nn a n2 a nn 3
4 aus, wobei sich die Vorzeiche nach dem folgenden Schachbrettmuster verteilen wobei die Punkte eben die Fortsetzung dieses alternierenden Musters bedeuten sollen 15 Beispiel: Sei die folgende Matrix A = gegeben Wir wollen die Determinante von A mit Hilfe des Entwicklungssatzes berechnen, und zwar entwickeln wir zunächst nach der ersten Spalte ( ) ( ) ( ) det = 1 det 0 det + 3 det = a [7 + 2] + 3 [5 14] = 9 + 3( 9) = 18 Nun wiederholen wir die Prozedur zur Übung, nur dass wir nun nach der ersten Zeile entwickeln ( ) ( ) ( ) det = 1 det 5 det + 2 det = 1 [7 + 2] 5 [ 3] + 2 [ 21] = 18 Man muss natürlich auf das selbe Ergebnis kommen, aber der letzte Weg war der eindeutig arbeitsamere, da man eine Determinante mehr berechnen musste Nun erkennt man auch, dass man möglichst nach den Zeilen/Spalten entwickelt, die möglichst viele Nullen enthalten 16 Satz (Invertierung von Matrizen): Sei A Gl(n n, K) und C = (c ij ) M(n n, K) mit dann lässt sich das Inverse der Matrix A als schreiben c ij := ( 1) i+j det(a ij) A 1 = 1 det(a) CT Als nächstes geben wir noch eine nützliche Methode zur Berechnung von linearen Gleichungssystemen mit Hilfe von Determinanten an Satz (Cramersche Regel): Sei A Gl(n n, K), b K n und x = (x 1,, x n ) T K n erfülle Dann gilt A x = b x i = det(a1,, a i 1, b, a i+1,, a n ) det(a) wobei a i den i-ten Spaltenvektor von A bezeichnet Man erhält also die i-te Komponente der Lösung x dadurch, dass man den i-ten Spaltenvektor von A durch b ersetzt, die Determinante davon bildet und schließlich das Ganzen noch durch die Determinante der ursprünglichen Matrix A teilt 4
5 2 Eigenwerte Wir erinnern daran, dass ein Endomorphismus F auf einem Vektorraum V als eine lineare Selbstabbildung auf V definiert ist, also F : V V, linear Den Raum aller Endomorphismen auf V bezeichnen wir mit End(V ) 21 Definition (Eigenwerte): Sei F End(V ), dann nennt man ein λ K einen Eigenwert von F und V v 0 einen Eigenvektor zum Eigenwert λ und zum Endomorphimus F, wenn gilt F (v) = λ v Wir haben gelernt, dass sich jeder Endomorphismus aus V durch eine Matrix darstellen lasst Sei also A F die Matrix, welche F darstellt, dann schreibt sich die Eigenwertbedingung als A F v = λ v 22 Satz: Sei F End(V ) und v 1, v 2,, v k Eigenvektoren zu paarweise verschiedenen Eigenwerten λ 1, λ 2,, λ k, dann sind die Vektoren v 1, v 2,, v k linear unabhängig Nun wollen wir uns an die Arbeit machen, Endomorphismen durch Eigenwerte und Eigenvektoren zu charakterisieren 23 Definition (Diagonalisierbarkeit): Einen Endomorphismus nennt man diagonalisierbar, wenn es eine Basis von Eigenvektoren gibt 24 Hinweis: (1) Für eine gegebene Basis kann man jedem Endomorphismus F eine Matrix A F (Darstellungsgmatrix) zuordnen Dies bedeutet konkret, dass für eine Basis {v i : i = 1, 2,, n} die Komponenten von A F durch F (v i ) = (A F ) ij v j gewonnen werden können (2) Da jede Matrix auch ein Endomorphismus ist, gelten alle Aussagen, welche im Folgenden für Endomorphismen gegeben werden auch für Matrizen Entsprechend spricht man auch von diagonalisierbaren Matrizen (3) Die Bezeichnung Diagonalisierbarkeit rührt daher, dass der Endomorphismus F in der Basis der Eigenvektoren durch eine Diagonalmatrix dargestellt wird Dies wird klar, wenn man sich eine Basis aus Eigenvektoren v i, i {1, 2, 3,, n} konstruiert, denn dann gilt und daher (A F ) ij = λ i δ ij F (v i ) = λ i v i (4) Eine Matrix A M(n n, K) ist genau dann diagonalisierbar, wenn sie ähnlich zu einer Diagonalmatrix ist, dh es gibt eine invertierbare Matrix S Gl(n, K), so dass D = SAS 1 diagonal ist Die Einträge der Matrix D sind dann gerade die Eigenwerte von A, also D = diag(λ 1, λ 2,, λ n ) Für diesen Fall gilt dann die einfache Gleichung det(a) = für die Determinante einer diagonalisierbaren Matrix Als Nächstes wollen wir konkretere Aussagen formulieren, wann ein Endomorphismus diagonalisierbar ist, und wann gerade nicht Dazu führen wir die folgende Schreibweise für den durch die Eigenvektoren zu einem speziellen Eigenwert aufgespannten Raum ein 25 Definition (Eigenraum): Sei F : V V ein Endomorphismus und λ i, i {1, 2,, m} die zugehörigen Eigenwerte, dann nennt man n i=1 Eig(F, λ i ) := {v V : F (v) = λ i v} = ker(f λ i id V ) λ i 5
6 den Eigenraum von λ i Wenn ein Endomorphismus diagonalisierbar ist, dann zerfällt der Vektorraum V in ein direktes Produkt der Eigenräume zu paarweise verschiedenen Eigenwerten Als Nächstes wollen wir eine Methode angeben mit der sich die Eigenwerte eines Endomorphismus rezeptartig angeben lässt Sei also wiederum F ein Endomorphismus und A F die darstellende Matrix, dann muss wegen v 0 aus der Eigenwertbedingung folgen P F (λ) := det(a F λ 1 n ) = 0 und wir bezeichnen mit µ(p F, λ i ) die algebraische Vielfachheit des Eigenwertes λ i Dies gibt uns das sogenannte charakteristische Polynom P F (λ), dessen Lösungen uns wiederum alle Eigenwerte des Endomorphismus liefert Mit der Eigenwertgleichung lassen sich dann die Eigenvektoren zu den passenden Eigenwerten bestimmen 26 Bemerkung (Algebraische Vielfachheit): Jede algebraische Gleichung lässt sich nach dem Fundamentalsatz der Algebra in C lösen und P F zerfällt in Linearfaktoren, dh P F (λ) = ±(λ λ 1 ) µ(p F,λ 1) (λ λ m ) µ(p F,λ m) mit den Eigenwerten λ i, i {1, 2,, m} Die algebraische Vielfachheit ist somit nichts weiter als die Häufigkeit mit der ein Eigenwert Lösung des charakteristischen Polynoms ist Allgemein bezeichnet man das charkteristische Polynom als zerfallend, wenn es auf die oben angegebene Form gebracht werden kann Der nächste Satz ist das erste zentrale Resultat zur Charakterisierung von Endomorphismen und gibt uns konkrete Bedingungen für die Diagonalisierbarkeit, welche sich meistens konstruktiv ermitteln lassen 27 Satz: Ein Endomorphismus ist diagonalisierbar, wenn gilt (a) Das charakteristische Polynom zerfällt in Linearfaktoren (b) Die algebraische Vielfachheit der Eigenwerte des charakteristischen Polynoms ist gleich der geometrischen Vielfachheit (die Dimension der entsprechenden Eigenräume), dh µ(p F, λ i ) = dim Eig(F, λ i ) Praktisch geht man zum Beweis der Diagonalisierbarkeit folgendermaßen vor Zunächst bestimmt man das charakteristische Polynom eines Endomorphismus und zeigt, ob es in Linearfaktoren zerfällt (man erhält hiermit automatisch die algebraische Vielfachheiten der Eigenwerte) Dann konstruiert man Basen für die Eigenräume Eig(F, λ i ) und erhält dadurch deren Dimensionalität 28 Satz und Definition (Simultane Diagonalisierung): Seien F, G End(V ), dann nennt man F und G simultan diagonalisierbar, falls sie sich bzgl einer gemeinsamen Basis diagonalisieren lassen Dies ist immer dann möglich, wenn F, G diagonalisierbar und gilt F G = G F Nun fehlen uns noch die Fälle, wenn ein Endomorphismus nicht diagonalisierbar ist Dies ist nach den obigen Ausführungen immer dann der Fall, wenn die algebraische Vielfachheit ungleich der geometrischen ist (den Fall, dass das charakteristische Polynom nicht in Linearfaktoren zerfällt, lassen wir hier außer Acht) Dann lässt sich der Endomorphismus aber immer noch in die Form einer oberen Dreiecksmatrix bringen Das motiviert die folgende Definition 29 Definition (Trigonalisierung): Man nennt einen Endomorphismus F End(V ) trigonalisierbar, wenn eine es eine Basis gibt, so dass sich F durch eine obere Dreiecksmatrix darstellen lässt 210 Satz (Charakterisierung der Trigonalisierbarkeit): Ein Endomorphismus in einem endlichdimensionalen Vektorraum ist genau dann trigonalisierbar, wenn das charakteristische Polynom in Linearfaktoren zerfällt 211 Folgerung: Jeder Endomorphismus in einem endlich-dimensionalen komplexen Vektorraum lässt sich trigonalisieren 6
7 Mit dieser letzten Aussage sind wir mit der eigentlichen Charakterisierung der Endomorphismen auf einem endlich-dimensionalen Vektorraum an ein Ende gelangt Aber leider wissen wir im Falle einer Trigonalisierung nicht, wie die Komponenten der darstellenden Matrix außerhalb der Diagonalen aussehen Eine Darstellung für eine solche Dreiecksmatrix wird durch die Jordan-Normalform gegeben, welche wir im Folgenden erarbeiten wollen Das Problem mit der Trigonalisierung sind, wie schon erwähnt, die zu kleinen Eigenräume Mit der folgenden Definition lassen sich aber Räume der richtigen Dimensionalität erzeugen 212 Definition (Haupträume): Sei F : V V ein Endomorphismus und im Folgenden sei r i := µ(p F, λ i ) immer die algebraischen Vielfachheit, dann nennt man den Hauptraum von F zum Eigenwert λ i 213 Bemerkungen: Hau(F, λ i ) := ker ((F λ i id V ) ri ) (1) Für den Fall r i = 1 gilt immer Hau(F, λ i ) = Eig(F, λ i ) (2) Es gibt ein festes Schema, mit dem man häufig eine Basis für einen Hauptraum erzeugen kann Hat man durch die Eigenwertgleichung (F λ i id V )v 1 = 0 bereits einen Basisvektor gefunden, dann kann man durch (F λ i id V )v 2 = v 1 einen weiteren solchen berechnen Man fährt hierbei sukzessive fort bis man alle Basisvektoren bestimmt hat Man verifiziert dieses Resultat einfach durch Einsetzen und durch Beachtung der Relation ker(f λ i id V ) l 1 ker(f λ i id V ) l 214 Satz (Hauptraumzerlegung): Sei F End(V ) und das charakteristische Polynom zerfalle in die Linearfaktoren P F (λ) = ±(λ λ 1 ) r1 (λ λ m ) rm dann gilt (1) V = m Hau(F, λ i ) i=1 (2) F lässt sich in eine diagonale Matrix F D und eine nilpotente Matrix F N zerlegen, dh F = F D + F N Die Zerlegung ist zudem eindeutig falls man noch F D F N = F N F D fordert (3) F (Hau(F, λ i )) Hau(F, λ i ) und µ(f, λ i ) = dim (Hau(F, λ i )) Die darstellende Matrix A F von F lässt sich daher immer in die Form λ 1 1 r1 + N 1 Ã F = SA F S 1 λ 2 1 r2 + N 2 λm1rm + Nm wobei alle nichtausgefüllten Plätze durch Nullen aufzufüllen sind und diese Blöcke λ i λ i 1 ri + N i = 0 λ i 7
8 die Gestalt einer oberer Dreiecksmatrizen haben Allgemein kann man natürlich auch jede Matrix A M(n n, K) deren charakteristisches Polynom in Linearfaktoren P A (λ) = ±(λ λ 1 ) r1 (λ λ m ) rm zerfällt auf diese Form transformieren Leider lässt sich jetzt noch keine genauere Aussage über die Einträge der Jordanblöcke oberhalb der Diagonalen machen Dazu werden wir zunächst eine allgemeine Darstellung für nilpotente Endomorphismen vorstellen Für den nächsten Satz benötigen wir die sogenannten wir sogenannten Jordanmatrizen J d, die durch J d := M(d d, K) definiert sind 215 Satz (Darstellung eines nilpotenten Endomorphismus): Sei G ein nilpotenter Endomorphimus auf dem Vektorraum V und d := min{n N : G n = 0}, dann gibt es eindeutige Zahlen s 1, s d N mit d s d + (d 1)s d s 1 = dim(v ) und eine Basis, so dass man G durch die Matrix darstellen kann in der die Jordanmatrix J d exakt s d -mal in der Diagonalen vorkommt und zwar J d J d J d 1 Jd 1 J1 wobei die nicht ausgefüllten Felder mit Nullen gefüllt werden Wir geben jetzt einen konstruktiven Weg (für weitere Details siehe Fischer - Lineare Algebra ) an, wie man eine Basis und in der Folge auch die Zahlen s l berechnen kann Hierzu betrachten wir und erhalten folgende Kette dieser Räume U l := ker(g l ) {0} = U 0 U 1 U 2 U d 1 U d = V Hierbei ist zu beachten, dass dies tatsächlich echte Inklusionen sind, also 0 = dim(u 0 ) < dim(u 1 ) < dim(u 2 ) < < dim(u d ) = dim(v ) Ziel ist es nun V mit Hilfe dieser Räume auf solche Art zu zerlegen, dass man hierdurch ein Schema erhält um eine Basis (Jordanbasis) zu berechnen, in welcher der nilpotente Endomorphismus G die oben angegebene Form aus Jordanmatrizen annimmt Wir geben hier nur das Rezept an: (1) Zunächst bestimmen wir die Räume U l Dies geschieht durch Angabe einer Basis (2) Der Vektorraum V wird folgendermaßen zerlegt V = U d 1 W d, wobei natürlich W p U d 1 = {0} und W p + U d 1 = V gelten muss Da wie oben schon erwähnt U d 1 echt kleiner als V ist, lässt sich dies immer dadurch erreichen, indem man Basisvektoren w (d) 1,, w(d) s d für W d aus V auswählt, so dass diese linear unabhängig zu den Basisvektoren von U d 1 sind und w (d) 1,, w(d) s d zusammen mit der Basis aus U d 1 V aufspannt 8
9 (3) Man fährt nun sukzessive fort, indem man den Raum U d 1 weiter zerlegt, und zwar nach dem selben Schema wie schon zuvor Man erhält also U d 1 = U d 2 W d 1 und wählt sich eine passende Basis für W d (siehe Punkt (4)) Durch die wiederholte Verwendung der Vorschrift U l = U l 1 W l zerlegt man V schlussendlich vollständig in die Räume W l, also V = W 1 W 2 W d (4) Es kann des Weiteren gezeigt werden, dass G(W d ) W d 1 gilt, also kann man die Basisvektoren von W d mit Hilfe des Endomorphismus G auf den Raum W d 1 übertragen Allerdings kann es sein, dass die Vektoren G(w (d) 1 ),, G(w(d) s d ) den Raum W d 1 noch nicht ausspannen In diesem Fall muss man die Vektoren G(w (d) 1 ),, G(w(d) s d ) um weitere dazu linear-unabhängige Vektoren w (d 1) 1,, w s (d 1) d 1 ergänzen um somit eine Basis von W d 1 zu erhalten Durch Anwendung dieses Prinzips auf alle W l lässt sich das folgende Schema ableiten w (d) 1,, w(d) s d G(w (d) 1 ),, G(w(d) s d ), G d 1 (w (d) 1 ),, Gd 1 (w s (d) d ), w (d 1) 1,, w s (d 1) d 1 G d 2 (w (d 1) 1 ),, G d 1 (w s (d 1) d 1 ),, w (1) 1,, w(1) s 1 welches uns durch die folgende Merkregel die Basis gibt, in der G durch die Jordanmatrizenform darsgestellt wird: Man durchlaufe im oben angegebenen Schema die Spalten von unten nach oben und zwar bei der ersten Spalte beginnend und nach rechts fortfahrend Die so erhalten Reihenfolge von Basisvektoren von V ergibt die gewünschte Basis B (5) Die Zahlen s d, welche die Anzahl der Jordanmatrizen J d der Größe d angeben, berechnen sich über die Vorschrift s l = 2 dim(u l ) dim(u l 1 ) dim(u l+1 ) Nach dem Abschluss des noch fehlenden, formellen Teiles der Jordan-Normalform folgt ein Beispiel, mit dem dann hoffentlich klar wird, wie dieses Verfahren abläuft In unserem speziellem Falle wird der Raum V jeweils einer der Haupträume V i := Hau(F, λ i ) sein und G entspricht dann der Einschränkung G i = F λ i 1 ri Vi Dann können wir auch dort eine solche Zerlegung nach dem oben vorgeführten Muster durchführen 216 Jordan-Normalform: Die darstellende Matrix A F zu einem Endomorphismus F End(V ) lässt sich immer in die folgende Form zerlegen λ 1 1 r1 + N 1 λ 2 1 r2 + N 2 A F = λm1rm + Nm und man nennt diese Zerlegung die Jordan-Normalform von F, bzw A F Hierbei haben die Blöcke auf der Diagonalen die Form λ i 1 λ i 1 λ i 1 ri + N i = 1 λi 0 λ i 1 9
10 sind also die Summe aus der Diagonalmatrix λ i 1 ri und einer Zerlegung der Nilpotenten Matrix N i nach Jordanmatrizen, wie es weiter oben konstruiert wurde Da jeder Jordanblock λ i 1 λ i 1 1 λi 0 die geometrische Vielfachheit 1 besitzt, müssen genau dim Eig(F λ i 1 ri ) Jordanblöcke/Jordanmatrizen zu jedem Eigenwert existieren Die Anzahl der Jordanmatrizen der Größe l ist durch s l = 2 dim(u l ) dim(u l 1 ) dim(u l+1 ) und der Eigenwert kommt pro Block λ i 1 ri + N i in exakt seiner Vielfachheit vor Man geht nun zur Konstruktion der Jordannormalform folgendermaßen vor: 217 Beispiel: Sei gegeben, dann lautet das charakteristische Polynom A = P A (λ) = (2 λ) 4 und die algebraische Vielfachheit des Eigenwertes λ = 2 beträgt 4 Für den Eigenraum zu λ = 2 gilt aber Eig(A, 2) = span(e 3, e 4 ) und daher ist die geometrische Vielfachheit wesentlich kleiner als die algebraische Daher ist A nicht diagonalisierbar, daher wollen wir im Folgenden A auf Jordan-Normalform bringe Besser geht es nicht Zunächst einmal gilt G := A = und G 2 = 0 Wenn wir unser Schema von oben anwenden erhalten wir und wir zerlegen U 1 = Eig(A, 2) = span(e 3, e 4 ) U 2 = R 4 R 4 = U 1 W 2 und wählen für letzteren Raum die Basisvektoren e 1 und e 2 Dann erhalten wir weiterhin e 1 e 2 G(e 1 ) = e 3 G(e 2 ) = e 4 Durch das korrekte Durchlaufen dieses Schemas erhält man die Basis B = {b 1 = e 3, b 2 = e 1, b 3 = e 4, b 4 = e 2 } Wie schon früher erwähnt ist die Reihenfolge entscheidend Dadurch erhält man die Transformationsmatrix T 1 =
11 und es gilt A J = T AT 1 = Diese Form hätten wir auch ohne Angabe der Jordanbasis hinschreiben können Da wir ausschließlich den Eigenwert λ = 2 haben gibt es sowieso nur einen Eigenwert-Block Wegen dim(u l ) = 4, l 2 sowie dim(u 1 ) = 2 und dim(u 0 ) = 0 ergibt sich s 2 = = 2 s 1 = = 0 und daher gibt es zwei Jordanblöcke der Größe 2 und keinen der Größe 1, was unserem vorherigen Ergebnis entspricht 11
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,
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
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.
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 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
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.
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
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
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)
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
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
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
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
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
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
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
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,
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).
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
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
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:
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
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
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,
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
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.................................
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
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
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
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 Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
MehrLineare Algebra 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,
MehrKapitel V. Determinanten
Kapitel V. Determinanten Inhalt: 16. Definition und Eigenschaften der Determinante 17. Anwendung auf lineare Gleichungssysteme 18. Determinante eines Endomorphismus Lineare Algebra, Teil I 28. Januar 2011
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
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
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
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
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
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) =
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 +
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:
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
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.........................
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
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
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
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
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
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
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
Mehrx,y A = t xay v i,v j A = e i,e j t PAP
75 Lineare Algebra II SS 2005 Teil 6 Bilinearformen 6A Kongruenz quadratischer Matrizen Sei K ein Körper, sei A M(n n, K) eine quadratische Matrix Wie wir zu Beginn von Teil 3 gesehen haben, liefert A
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
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)
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
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 9 Basiswechsel Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge
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 II. Sommersemester Wolfgang Ebeling
Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde
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
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
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
MehrMATHEMATIK II FÜR STUDIERENDE DER PHYSIK
- 87 - MATHEMATIK II FÜR STUDIERENDE DER PHYSIK 21 Vektorräume mit Skalarprodukt Wir halten uns hier im Wesentlichen an das Buch G.Fischer : Lineare Algebra, 14. Auflage, Kap. 5. 21.1 Definition und Beispiele
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
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
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 KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
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
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
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
MehrKlausur Linearen Algebra 1 Musterlösung: Aufgabe A
Klausur Linearen Algebra 1 Musterlösung: Aufgabe A Wir betrachten den Unterraum V = K[X] 4 aller Polynome vom Grad 4 und die lineare Abbildung f : V K 2 ; P (P (1), P (0)). Es bezeichne v 1,..., v 5 die
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
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:
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
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
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
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrLineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt
Lineare Algebra II Prof. Dr. Uwe Jannsen Sommersemester 2006 1 Transformation auf Dreiecksgestalt Sei K ein Körper. Definition 1.1 Zwei Matrizen A und A M n (K) heißen ähnlich (oder konjugiert), wenn es
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
MehrJürgen Hausen Lineare Algebra I
Jürgen Hausen Lineare Algebra I 2. korrigierte Auflage Shaker Verlag Aachen 2009 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
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
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
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Hier
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,
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
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
MehrLineare Algebra I: Eine Landkarte
Bild F Algebra I: Eine Landkarte Faser Versuch einer Übersicht der Themen und Zusammenhänge der n Algebra 1. 1 Algebra I: Bild F Faser Sei B Basis von V. Jedes v V läßt sich eindeutig aus den Basisvektoren
MehrStichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016
Stichwortliste zur Vorlesung Lineare Algebra II Gabriela Weitze-Schmithüsen Saarbrücken, Sommersemester 2016 Kapitel I Jordansche Normalform Ziel: Wir möchten Matrizen bis aus Ähnlichkeit klassifizieren.
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
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
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
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
Mehr1 Alternierende Formen
79 Kapitel 7 Multilineare Algebra 1 Alternierende Formen Inhalt: Alternierende Bilinearformen, äußeres (oder Dach-)produkt, Differentialformen, Zusammenhang zwischen äußerem Produkt und Vektorprodukt,
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
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
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..
Mehr