FB 13, FG Kontinuumsmechanik Dipl.-Ing. J. FRISCHMANN

Größe: px
Ab Seite anzeigen:

Download "FB 13, FG Kontinuumsmechanik Dipl.-Ing. J. FRISCHMANN"

Transkript

1 Klausur Tensorrechnung Wintersemester 015/16 Prof Dr-Ing C TSAKMAKIS FB 13, FG Kontinuumsmechak Dipl-Ing J FRISCHMANN Name, Vorname: Studiengang: Matrikel-Nr: Bearbeitungshinweise: Benutzen Sie nur dokumentenechte Stifte (keine Bleistifte oder radierbare Kugelschreiber) Benutzen Sie keine Stifte in den Korrekturfarben rot oder grün Füllen Sie das Deckblatt vollständig aus Schreiben Sie auf jedes Blatt Ihren Namen und Ihre Matrikelnummer Benutzen Sie die vorgegebene Notation Erlaubt sind alle cht-elektroschen Hilfsmittel sowie ein cht-programmierbarer Taschenrechner, insbesondere also keine Laptops oder Handys Die Bearbeitungszeit beträgt 90 Minuten A1 A A3 A4 Σ Bestehensgrenze: Punkte Note erreichte Punktzahl Korrekturwert Seite 1 von 13

2 Aufgabe 1 In einem dreidimensionalen Vektorraum E 3 seien die Vektoren g i (i = 1,, 3) bezüglich einer orthonormalen Basis e i gegeben durch g 1 = e 1 + e + e 3, g = e 1 + e e 3, g 3 = e 1 + e + e 3 a) Zeigen Sie, dass die Vektoren g 1, g, g 3 linear unabhängig voneinander sind und somit eine Basis g i in E 3 bilden b) Bestimmen Sie die zur Basis g i reziproke Basis g i sowie die zugehörigen Metrikkoeffizienten g bzw g Hinweis: Nutzen Sie eine geeignete Darstellung mit Kreuzprodukt für die reziproke Basis c) Stellen Sie den Vektor n = 4 g g 8 g 3 relativ zur Basis g i dar Lösung a) Da wir einen dreidimensionalen Raum betrachten, hat jede Basis die Dimension 3 und jedes Tripel aus linear unabhängigen Vektoren stellt eine Basis dar Wir weisen die lineare Unabhängigkeit von g 1, g, g 3 durch die folgende allgemeine Linearkombination nach: 0! = λ 1 g 1 + λ g + λ 3 g 3 = λ 1 e1 + e + e 3 + λ e1 + e e 3 + λ3 e1 + e + e 3 An dieser Stelle können wir benutzen, dass die Vektoren e i nach Voraussetzung eine Basis von E 3 bilden, und somit insbesondere linear unabhängig sind D h es gilt: 0! = α e 1 + β e + γ e 3 = α β γ = 0 (1) Daher sortieren wir obige Gleichung als Linearkombination der e i um: 0! = λ 1 e1 + e + e 3 + λ e1 + e e 3 + λ3 e1 + e + e 3 = λ 1 + λ λ 3 e1 + λ 1 + λ + λ 3 e + λ 1 λ + λ 3 e3 Hier müssen alle Klammern verschwinden, denn diese entsprechen den Vorfaktoren in Gleichung (1) Wir gewinnen also das Gleichungssystem λ 1 0 = λ = λ = Seite von 13

3 Dieses homogene Gleichungssystem besitzt nur die triviale Lösung λ 1 λ λ 3 = 0, denn die Koeffizientenmatrix ist cht invertierbar und somit lässt sich keine eindeutige cht triviale Lösung gewinnen Diese Argumentation gilt nur im homogenen Fall, da die triviale Lösung ein homogenes lineares Gleichungssystem immer identisch erfüllt b) Zuerst bestimmen wir die kovarianten Metrikkoeffizienten g aus den in der Aufgabenstellung gegebenen Basisvektoren g i gemäß der Defition g := g i g j : g 11 := g 1 g 1 = e 1 + e + e 3 e1 + e + e 3 = = 3, g := g g = e 1 + e e 3 e1 + e e 3 = = 3, g 33 := g 3 g 3 = e 1 + e + e 3 e1 + e + e 3 = = 3, g 1 g 1 := g 1 g = e 1 + e + e 3 e1 + e e 3 = = 1, g 13 g 31 := g 1 g 3 = e 1 + e + e 3 e1 + e + e 3 = = 1, g 3 g 3 := g g 3 = e 1 + e e 3 e1 + e + e 3 = = 1 Da diese Komponentenmatrix voll besetzt ist, wird eine Bestimmen der kontravarianten Metrikkoeffizienten g über Inversion der Metrikkoeffizienten g sehr aufwändig Daher nutzen wir den Hinweis aus und verwenden die im dreidimensionalen gültige Bestimmung der reziproken Basis über ein Kreuzprodukt Hierfür benötigen wir als Normierungsfaktor das Spatprodukt der bekannten Basisvektoren: g 1 g g 3 = (e1 + e + e 3 ) (e 1 + e e 3 ) ( e 1 + e + e 3 ) = (e 1 + e + e 3 ) 0 + e 3 e + e e 1 + e + e 1 0 = 4 Nun erhalten wir die kontravarianten Basisvektoren g i durch Bilden der Kreuzprodukte g 1 = g = g 3 = g g 3 g 1 [g g 3 ] = 1 4 (e 1 + e e 3 ) ( e 1 + e + e 3 ) = 1 (e 1 + e 3 ) g 3 g 1 g 1 [g g 3 ] = 1 4 ( e 1 + e + e 3 ) (e 1 + e + e 3 ) = 1 (e e 3 ) g 1 g g 1 [g g 3 ] = 1 4 (e 1 + e + e 3 ) (e 1 + e e 3 ) = 1 (e e 1 ) Seite 3 von 13

4 Die kontravarianten Metrikkoeffizienten g könnten wir nun direkt gemäß ihrer Defition g := g i g j gewinnen und erhalten g 11 := g 1 g 1 = e1 + e 3 e1 + e 3 = = 1 4 4, g := g g = e e 3 e e 3 = = 1 4 4, g 33 := g 3 g 3 = e e 1 e e 1 = = 1 4 4, g 1 g 1 := g 1 g = 1 1 e1 + e 3 e e 3 = 4 4, g 13 g 31 := g 1 g 3 = 1 1 e1 + e 3 e e 1 = 4 4, g 3 g 3 := g g 3 = 1 1 e e 3 e e 1 = 4 4 c) Wir können die gesuchte Darstellung n = n i g i durch Senken der Indizes der bereits bekannten Darstellung n = n i g i gewinnen Allgemein entspricht das Senken von Indizes: n i = g n j Durch einen Koeffizientenvergleich der allgemeinen Darstellung mit der Aufgabenstellung n n i g i = n 1 g 1 + n g + n 3 g 3! = 4 g g 8 g 3 erhalten wir die benötigten kontravarianten Komponenten n 1 = 4, n = 1, n 3 = 8 Nun erhalten wir die kovarianten Komponenten n i, indem wir die Indizes senken, d h n 1 = g 1 j n j = g 11 n 1 + g 1 n + g 13 n 3 = ( 8) = 16, n = g j n j = g 1 n 1 + g n + g 3 n 3 = ( 1) ( 8) = 48, n 3 = g 3 j n j = g 31 n 1 + g 3 n + g 33 n 3 = ( 1) ( 8) = 3 Die beiden Darstellungen des Vektors n lauten also n = 4 g g 8 g 3 = 16 g g 8 g 3 Seite 4 von 13

5 Aufgabe Sei T ein symmetrischer Tensor zweiter Stufe, dessen Komponenten bezüglich eines orthonormalen Basissystems e i gegeben sind durch T = Bestimmen Sie a) die drei Hauptinvarianten I T, I I T,, I I I T, b) die Eigenwerte λ i, c) die (normierten) Eigenvektoren e i, sowie d) die orthogonale Transformation Q, für die folgende Gleichung gilt: e i = Q e j Lösung a) Die Hauptinvarianten bestimmen wir anhand der Komponenten und erhalten I T = T 11 + T + T 33 = = 7, I I T = T 11 T + T 11 T 33 + T T 33 T 1 T 1 T 13 T 31 T 3 T 3 = = 14, I I I T = e k T 1i T j T 3k = = 8 b) Das charakteristische Polynom des Eigenwertproblems ist gegeben durch 0! = λ 3 I T λ + I I T λ I I I T = λ 3 7 λ + 14 λ 8 Einen Eigenwert können wir hier schnell erraten und finden ihn zu λ (1) = 1 Eine Polynomdivison liefert uns die quadratische Restgleichung für die anderne beiden Eigenwerte: 0 = (λ 1) (λ 6 λ + 8) = λ (1) = 1, λ () =, λ (3) = 4 c) Sei die i te Eigenrichtung durch den Vektor e i gegeben und gelte das Eigenwertproblem 0 = T λ (i) 1 e i Seite 5 von 13

6 Für den ersten Eigenwert λ (1) = 1 ergibt sich hieraus das folgende Gleichungssystem: = e 1 = 1 0 e 1 = e 1 = ±e Analog findet man für den Eigenwert λ () = das Gleichungssystem = e = e = e = ± 1 (e 1 + e ) Auch für den Eigenwert λ (3) = 4 stellen wir das Gleichungssystem auf und lösen dieses: = e 3 = e 3 = e 3 = ± 1 (e 1 e ) d) Die Orientierungen der Eigenrichtungen wollen wir so festlegen, dass diese wiederum ein rechtshändiges orthonormales Basissystem {e i } bilden Dazu legen wir zunächst die Orientierungen von e 1 und e durch das Vorzeichen fest, e 1 = e 3, e = 1 (e 1 + e ), und bestimmen den gesuchten dritten Basisvektor e 3 über das Kreuzprodukt 1 e 3 = e 1 e = e 3 (e 1 + e ) = 1 (e 3 e 1 + e 3 e ) = 1 (e e 1 ) Da wir hier die Eigenrichtungen betrachten, lässt sich die Transformation Q direkt angeben Die Komponentenmatrix dieser Hauptachsentransformation entspricht der Matrix, deren Spalten gerade den Einträgen der zugehörigen Eigenrichtungen entsprechen D h die erste Spalte entspricht der ersten Eigenrichtung, die zweite Spalte der zweiten und die dritte Spalte der dritten Eigenrichtung: Q = = Andererseits können wir die gesuchten Komponenten Q ebenfalls aus einem Koeffizientenvergleich gewinnen Hierzu vergleichen wir die direkten Berechnung der Eigenrichtungen e i aus dem Eigenwertproblem mit dem Resultat der Transformation e i = Q e j Seite 6 von 13

7 Für die erste Eigenrichtung e 1 ergibt sich somit e 1 = Q 11 e 1 + Q 1 e + Q 13 e 3! = e 3 Da beide Rechenwege zum selben Ergebs kommen müssen, müssen die Koeffizienten vor den Basisvektoren e j übereinstimmen und wir erhalten Q 11 = 0, Q 1 = 0, Q 13 = 1 Völlig analog ergibt sich für die zweite Eigenrichtung e = Q 1 e 1 + Q e + Q 3 e 3! = 1 (e 1 + e ), woraus wir direkt ablesen können, dass Q 1 = 1, Q = 1, Q 3 = 0 Es verbleibt der Koeffizientenvergleich für die letzte Eigenrichtung e 3 = Q 31 e 1 + Q 3 e + Q 33 e 3! = 1 (e e 1 ), bei der wir ein letztes Mal die Koeffizienten vergleichen und schließlich erkennen, dass Q 31 = 1, Q 3 = 1, Q 33 = 0 Seite 7 von 13

8 Aufgabe 3 Seien zwei Tensoren zweiter Stufe S, T und zwei symmetrische Tensoren C, U gegeben Bezeichne ferner T D den deviatorischen Anteil von T Zeigen Sie durch geeignete Rechnung, dass a) für invertierbare Tensoren T mit der Inversen : T S T 1 D = T S D, b) die folgende Identität gilt: Spur T 3 = I 3 T 3 I T I I T + 3 I I I T Hinweis: Nutzen Sie das Caley Hamilton Theorem c) für die erste Hauptinvariante von C := U : I C = I U I I U, d) mit Hilfe der beiden vorherigen Aufgabenteile für die zweite Hauptinvariante von C = U : I I C = I I u I U I I I U, Hinweis: Nutzen Sie das Caley Hamilton Theorem um U 4 geschickt darzustellen e) für die dritte Hauptinvariante von C := U : Lösung I I I C = I I I U a) Wir wollen den deviatorischen Anteil des Produktes T S näher bestimmen und setzen daher dessen Defition an: T S T 1 D := T S T Spur T S 1 Wir machen uns zunutze, dass wir innerhalb der Spur zyklischen permutieren dürfen: = T S 1 3 Spur S T 1 = T S 1 3 Spur (S) 1 Als nächstes klammern wir den Tensor T bzw seine Inverse aus und erhalten: = T S 13 Spur (S) 1 =: T S D Seite 8 von 13

9 b) Wir benutzen den Satz von Caley Hamilton und stellen diesen um, damit wir die Potenz T 3 durch edrigere Potenzen ausdrücken können: 0! = T 3 I T T + I I T T I I I T 1 = T 3 = I T T I I T T + I I I T 1 Bilden der Spur dieser Identität liefert uns weiter: Spur T 3 = Spur I T T II T T + III T 1 Ausnutzen der Linearität der Spur lässt uns die Terme auseinanderziehen: = I T Spur T I I T Spur (T) + I I I T Spur (1) (1) Bei diesem Ausdruck stört uns noch die Spur des Quadrates T Dieses wird benutzt um die zweite Invariante I I T zu defieren Daher können wir eben diese Defition ausnutzen und erhlaten nach Umstellung: I I T := 1 I T Spur T = Spur T = I T I I T Einsetzen dieser Darstellung in Gl (1) und Auswerten des Termes Spur (1) liefert: Spur T 3 = I T I T I I T I I T Spur (T) + 3 I I I T = I 3 T 3 I T I I T + 3 I I I T c) Wir beginnen bei der Defition der ersten Invariante I C und setzen die Defition des Tensors C aus der Aufgabenstellung ein: I C := Spur (C) = Spur U Analog zum vorangegangenen Aufgabenteil drücken wir wiederum die Spur des Quadrates mit Hilfe der zweiten Invariante I I U aus: I I U := 1 I U Spur U = I C = Spur U = I U I I U d) Wir beginnen mit der Defition der zweiten Invariante I I C und setzen in diese das Ergebs aus dem vorangegangenen Aufgabenteil sowie die in der Aufgabenstellung angegebene Darstellung für C ein: I I C := 1 I C Spur C = 1 I U I I U Spur U 4 () Seite 9 von 13

10 Hierbei müssen wir den hinteren Term noch geschickt darstellen Das gelingt uns, indem wir den Satz von Caley Hamilton mit dem Tensor selbst multiplizieren und umstellen, d h 0 = U 4 I U U 3 + I I U U I I I U U = U 4 = I U U 3 I I U U + I I I U U Einsetzen dieser Darstellung in Gl () liefert uns folglich I I C = 1 I U I I U Spur IU U 3 II U U + III U U Ausnutzen der Linearität der Spur und Auflösen der binomischen Formel liefert uns: = 1 I 4 U 4 I U I I U + 4 I I U I U Spur U 3 + I I U Spur U I I I U Spur (U) Erneut drücken wir Spur U mittels der Defition der zweiten Invariante aus: = 1 I 4 U 4 I U I I U + 4 I I U I U Spur U 3 + I I U I U I I U I I IU I U = 1 I 4U 3 I U I I U + I I U I U I I I U I U Spur U 3 An dieser Stelle nutzen wir Aufgabenteil b), um den Term Spur U 3 anders darzustellen: = 1 I 4 U 3 I U I I U + I I U I U I I I U I U I 3 U 3 I U I I U + 3 I I I U Zusammenfassen der Terme liefert uns schließlich: = 1 I 4U 3 I U I I U + I I U I U I I I U I 4U + 3 I U I I U 3 I U I I I U = 1 I I U 4 I U I I I U = I I U I U I I I U e) Wir setzen zuerst die Defition der Determinante sowie die Darstellung von C aus der Aufgabenstellung ein Danach nutzen wir lediglich noch aus, dass die Determinante eines Produktes dem Produkt der Einzeldeterminanten entspricht: I I I C := det C = det (U U) = (det U) (det U) = (det U) =: I I I U Seite 10 von 13

11 Aufgabe 4 Sei T ein invertierbarer Tensor zweiter Stufe mit der Inversen, d h T = 1 Zeigen Sie durch geeignete Rechnung, dass a) für die zeitliche Änderung der Inversen gilt, dass Ṫ 1 = = Ṫ, b) für symmetrisches T in Indexnotation gilt, dass T 1 T kl = = 1 T kl ik l j + il k j Hinweis: Stellen Sie den symmetrischen Tensor T = T T dar als T = 1 T + T T Sei W ein antisymmetrischer Tensor mit axialem Vektor w mit Komponenten w i = 1 ε k W k j bezüglich einer orthonormalen Basis c) Bestimmen Sie die Ableitung (w w) W Seien eine Basis g i, die Metrikkoeffizienten g := g i g j sowie die über g i, j = Γ k g k defierten Christoffelsymbolen Γ k gegeben d) Zeigen Sie durch geeignete Rechnung, dass die Christoffelsymbole Γ k alleine durch die Metrikkoeffizienten g bzw g bestimmt sind: Γ k = 1 g kl g jl,i + g il, j g,l Hinweis: Setzen Sie geeignet in die rechte Seite der Gleichung ein Lösung a) Anstatt die Ableitung Ṫ 1 direkt zu betrachten, leiten wir die folgende Identität nach der Produktregel der Tensordifferentiation ab und erhalten: 1 =: T = 0 = 1 = T = Ṫ + T Ṫ 1 Seite 11 von 13

12 Nach einer Multiplikation mit von links können wir diese Gleichung umstellen: 0 = Ṫ + T Ṫ 1 = Ṫ 1 = Ṫ b) Erneut gehen wir indirekt vor und leiten die obige Identität nach der Produktregel ab Das tun wir direkt in der Indexnotation und erhalten mit den Komponenten 0 kl 0, dass δ = T im m j = 0 = δ = T im = T im + T im Multiplikation mit von links, d h mit (Summation über den ersten Index!), liefert 0 = T im m j + T im = T im + δ nm Mit Hilfe dieser Gleichung erhalten wir die folgende Darstellung, denn die Kronecker Deltas sind konstant (Wert 0 bzw 1) und somit verschwindet deren Ableitung: n j = δnm m j 1 T = δ nm = T im Somit haben wir eine Darstellung für die gesuchte Ableitung gefunden Allerdings können wir diese cht direkt weiter umformen und müssen daher an dieser Stelle den Hinweis T = 1 (T + TT ) verwenden Nach der Summenregel ergibt sich für die gesuchte Ableitung:! 1 = [T im + T mi ] = 1 Tim + T mi Da die Tensorkomponenten linear unabhängig voneinander sind, müssen die Indizes der Ableitungen identisch sein und wir können die dadurch auftretenden Kronecker Deltas zum Umbenennen der entsprechenden Indizes verwenden: = 1 δ ik δ ml + δ mk δ il = 1 nk l j + nl k j c) Wir setzen die Komponentendarstellung des Skalarproduktes und die Komponenten w i (siehe Aufgabenstellung) an und leiten diese nach der Produktregel ab: (w i w i ) w i 1 = w i = W mn W mn ɛ k W k j W mn 1 ɛ ipq W qp Seite 1 von 13

13 Das Permutationssymbol ɛ ipq ist konstant und wir können dieses aus der Ableitung herausziehen Die linear unabhängigen Tensorkomponenten können wir dann direkt ableiten: = 1 ɛ k ɛ ipq W k j W qp W mn = 1 ɛ k ɛ ipq W k j δ qm δ pn Beide Permutationssymbole haben einen gemeinsamen Index i Daher können wir dieses Produkt wiederum durch Kronecker Deltas ausdrücken: = 1 δjp δ kq δ jq δ kp Wk j δ qm δ pn Auswerten der Kronecker Deltas und Ausnutzen der Antisymmetrie W nm = W mn liefert: = 1 (W mn W nm ) = 1 ( W mn) = W mn = (w w) W = W d) Wir betrachten zuerst nur den Summanden g, l und setzen in diesen die Defition der Metrikkoeffizienten sowie die angegebene Ableitung der Basisvektoren ein: g, l := (g i g j ),l = g i,l g j + g i g j,l = Γ m il g m gj + g i Γ m l j g m =: Γ m il g + Γ m l j g im Die anderen beiden Ableitungen bestimmen sich analog, d h wir gewinnen diese, in dem wir einfach nur die Indizes entsprechend umbenennen: g jl,i = Γ m ji g ml + Γ m il g jm, g il, j = Γ m g ml + Γ m jl g im Diese drei Darstellungen setzen wir nun in der rechten Seite der gesuchten Gleichung ein und beachten dabei die beiden Symmetrien Γ k = Γ i k j bzw g = g ji : 1 g kl Γ m ji g ml + Γ m il g jm + Γ m g ml + Γ m jl g im Γ m il g + Γ m l j g im = 1 g kl Γ m g ml = Γ m g kl g ml Die beiden Metrikkoeffizienten sind invers zueinander und daher erhalten wir: = Γ m δ k m = Γ k Seite 13 von 13

Kapitel 22. Aufgaben. Verständnisfragen. Rechenaufgaben

Kapitel 22. Aufgaben. Verständnisfragen. Rechenaufgaben Kapitel Aufgaben Verständnisfragen Aufgabe. Gegeben sind kartesische Tensoren r ij k, s ij und t ij. Welche der folgenden Größen sind koordinateninvariant? s ii, s ij t jk, s ij t ji, r ijj, s ij t jk

Mehr

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können

Mehr

Aufgaben zu Kapitel 22

Aufgaben zu Kapitel 22 Aufgaben zu Kapitel Aufgaben zu Kapitel Verständnisfragen Aufgabe. Gegeben sind kartesische Tensoren r ij k, s ij und t ij. Welche der folgenden Größen sind koordinateninvariant? s ii, s ij t jk, s ij

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 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

Mehr

5.1 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

5.1 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

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016 Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4 Lineare Algebra/Analytische Geometrie II SoSe 2016 Bearbeiten Sie bitte zwei

Mehr

Eigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )

Eigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( ) Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen

Mehr

1 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 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

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016 Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte

Mehr

BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2

BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2 Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete

Mehr

Kapitel 2. Mathematische Grundlagen. Koordinatensystem

Kapitel 2. Mathematische Grundlagen. Koordinatensystem Kapitel 2 Mathematische Grundlagen 2.1 Koordinatensystem Zumeist werden in diesem Buch rechtwinkelige kartesische Koordinatensysteme verwendet. Sie sind durch drei zueinander orthogonale Koordinatenachsen

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. 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

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter

Mehr

Übungsblatt

Übungsblatt Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen

Mehr

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1 UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive

Mehr

3. Übungsblatt zur Lineare Algebra I für Physiker

3. Übungsblatt zur Lineare Algebra I für Physiker Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte

Mehr

Wiederholungs-Modulprüfung: zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 1.Klausur

Wiederholungs-Modulprüfung: zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 1.Klausur Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Wiederholungs-Modulprüfung: zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 1.Klausur Bearbeiten

Mehr

5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit

5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem

Mehr

2 Matrizenrechnung und Lineare Gleichungssysteme

2 Matrizenrechnung und Lineare Gleichungssysteme Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der

Mehr

Tensoren auf einem Vektorraum

Tensoren auf einem Vektorraum ANHANG A Tensoren auf einem Vektorraum In diesem Anhang werden einige Definitionen und Ergebnisse betreffend Tensoren ohne Anspruch auf mathematische Strenge zusammengestellt. Das Ziel ist, den modernen

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium 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 +

Mehr

Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen

Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen 1 Lineare Abhängigkeit 1.1 Für welche t sind die folgenden Vektoren aus 3 linear abhängig? (1, 3, 4), (3, t, 11), ( 1, 4, 0). Das zur Aufgabe gehörige LGS führt auf die Matrix 1 3 4 3 t 11. 1 4 0 Diese

Mehr

Inhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015

Inhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015 Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler

Mehr

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:

a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema: Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag

Mehr

3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit

3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit 3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53

Mehr

3 Matrizenrechnung. 3. November

3 Matrizenrechnung. 3. November 3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige

Mehr

Drehachse und Drehwinkel

Drehachse und Drehwinkel Drehachse und Drehwinkel Jede Drehung Q im R 3 besitzt eine Drehachse, d.h. lässt einen Einheitsvektor u invariant, und entspricht einer ebenen Drehung um einen Winkel ϕ in der zu u orthogonalen Ebene.

Mehr

Lineare Algebra II 8. Übungsblatt

Lineare Algebra II 8. Übungsblatt Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.

Mehr

[5], [0] v 4 = + λ 3

[5], [0] v 4 = + λ 3 Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span

Mehr

Mathematik II Frühjahrssemester 2013

Mathematik II Frühjahrssemester 2013 Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik

Mehr

Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.

Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen

Mehr

Prüfungs-/Übungsschein-Klausur (Rechenteil) Lineare Algebra für Ingenieure/E-Techniker

Prüfungs-/Übungsschein-Klausur (Rechenteil) Lineare Algebra für Ingenieure/E-Techniker TECHNISCHE UNIVERSITÄT BERLIN WS 2/2 Fachbereich 3 - Mathematik Seiler / Rambau Prüfungs-/Übungsschein-Klausur (Rechenteil Lineare Algebra für Ingenieure/E-Techniker Name:................................................................................

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

I) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n

I) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n 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

Mehr

Eigenwerte und Diagonalisierung

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

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 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

Mehr

Kapitel 11 Eigenwerte und Eigenvektoren

Kapitel 11 Eigenwerte und Eigenvektoren Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik 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/

Mehr

Musterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr

Musterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung

Mehr

5 Lineare Algebra (Teil 3): Skalarprodukt

5 Lineare Algebra (Teil 3): Skalarprodukt 5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

Lineare Algebra: Determinanten und Eigenwerte

Lineare Algebra: Determinanten und Eigenwerte : und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b

Mehr

Tensoranalysis Mai 2010

Tensoranalysis Mai 2010 Tensoranalysis Mai 2010 Einführung Der Tensor ist ein mathematisches Objekt aus der Algebra und Differentialgeometrie. Der Begriff wurde ursprünglich in der Physik eingeführt und später mathematisch präzisiert.

Mehr

Systeme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.

Systeme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1. Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x

Mehr

Kapitel 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 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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische 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

Mehr

Höhere Mathematik I. Variante A

Höhere Mathematik I. Variante A Lehrstuhl II für Mathematik Prof Dr E Triesch Prof Dr O Sander Höhere Mathematik I WiSe / 4 Variante A Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind zehn handbeschriebene DinA4-Blätter (Vorder-

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

Lineare 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

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:

Mehr

Klausur zur Vorlesung Höhere Mathematik I

Klausur zur Vorlesung Höhere Mathematik I Name: 30. Januar 200,.00-3.00 Uhr Allgemeine Hinweise: Dauer der Klausur: Zugelassene Hilfsmittel: 20 min, 2 Zeitstunden Skript, Vorlesungsmitschrift Schreiben Sie bitte auf dieses Deckblatt oben rechts

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung

Mehr

Seminar 1. Epsilontik. 1.1 Der ε-pseudotensor und einige seiner Eigenschaften

Seminar 1. Epsilontik. 1.1 Der ε-pseudotensor und einige seiner Eigenschaften Seminar 1 1 Vektoralgebra, -Operator, Epsilontik 1.1 Der ε-pseudotensor und einige seiner Eigenschaften In in allen Bereichen der theoretischen Physik sehr gebräuchliches Hilfsmittel ist der ε-pseudotensor.

Mehr

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16

Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 25/6 Bearbeiten Sie bitte

Mehr

9.2 Invertierbare Matrizen

9.2 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

Mehr

Mathematik für Anwender I. Klausur

Mathematik für Anwender I. Klausur Fachbereich Mathematik/Informatik 27. März 2012 Prof. Dr. H. Brenner Mathematik für Anwender I Klausur Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.

Mehr

Lineare Algebra II 11. Übungsblatt

Lineare Algebra II 11. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des

Mehr

(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.

(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet. L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors

Mehr

2.3.4 Drehungen in drei Dimensionen

2.3.4 Drehungen in drei Dimensionen 2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1

Mehr

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript 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.................................

Mehr

Vorkurs: Mathematik für Informatiker

Vorkurs: Mathematik für Informatiker Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil

Mehr

Nun erinnern wir an die Konvention, dass die Komponenten von v V (bzgl. B) einen Spaltenvektor. v 1 v 2 v =

Nun erinnern wir an die Konvention, dass die Komponenten von v V (bzgl. B) einen Spaltenvektor. v 1 v 2 v = eim Rechnen mit Linearformen in V zusammen mit Vektoren in V ist es von Vorteil, mit der Dualbasis zu einer gewählten asis von V zu arbeiten Hierzu einige Erläuterungen Wie ede asis von V kann die Dualbasis

Mehr

Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT

Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in

Mehr

Übungsaufgaben Vektoren

Übungsaufgaben Vektoren Kallenrode, www.sotere.uos.de Übungsaufgaben Vektoren 1. Gegeben sind die Einheitsvektoren in Zylinderkoordinaten e ϱ = cos ϕ sin ϕ, e ϕ = sin ϕ cos ϕ und e z = 0 0 0 0 1 und Kugelkoordinaten: sin ϑ cos

Mehr

LINEARE ALGEBRA II. FÜR PHYSIKER

LINEARE ALGEBRA II. FÜR PHYSIKER LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders

Mehr

Mathematischer Vorkurs Lösungen zum Übungsblatt 5

Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und

Mehr

Mathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))

Mathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ)) Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung 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

Mehr

9 Lineare Algebra 2 (SS 2009)

9 Lineare Algebra 2 (SS 2009) 9 Lineare Algebra 2 (SS 2009) Vorbemerkung: Das Einsetzen von quadratischen Matrizen in Polynome. Im folgenden sei R ein kommutativer Ring und R[T] der Polynomring mit Koeffizienten in R (dies ist wieder

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016

Lineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016 P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Name a a Note Vorname Leginummer Datum 19.08.2016 1 2 3 4 5 6 Total 7P 11P 10P 11P

Mehr

Ausgewählte Lösungen zu den Übungsblättern 4-5

Ausgewählte Lösungen zu den Übungsblättern 4-5 Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit

Mehr

Hauptachsentransformation: Eigenwerte und Eigenvektoren

Hauptachsentransformation: Eigenwerte und Eigenvektoren Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung

Mehr

Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12

Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12 Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 12 Die Lösungshinweise dienen

Mehr

1. Klausur zu Vektor- und Matrizenrechnung I und II WS 2009/10 und SS 2010 am Dienstag, dem 27. Juli 2010

1. Klausur zu Vektor- und Matrizenrechnung I und II WS 2009/10 und SS 2010 am Dienstag, dem 27. Juli 2010 Dr. M. Scheer Fakultät für Mathematik Technische Universität Dortmund 1. Klausur zu Vektor- und Matrizenrechnung I und II WS 2009/10 und SS 2010 am Dienstag, dem 27. Juli 2010 Name: Vorname: Matr.-Nr.:

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013 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

47 Singulärwertzerlegung

47 Singulärwertzerlegung 47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar

Mehr

Aussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9

Aussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9 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

10. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 A =

10. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 A = O Alaya, S Demirel M Fetzer, B Krinn M Wied Gruppenübung zur Vorlesung Höhere Mathematik Wintersemester /3 Dr M Künzer Prof Dr M Stroppel Lösungshinweise zu den Hausaufgaben: Aufgabe H 34 a Gegeben ist

Mehr

Rückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n

Rückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n Rückwärts-Einsetzen Bei einem linearen Gleichungssystem in oberer Dreiecksform, r 1,1 r 1,n x 1 b 1..... =., } 0 {{ r n,n } x n b n R mit det R = r 1,1 r n,n 0 können die Unbekannten x n,..., x 1 nacheinander

Mehr

EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME

EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen

Mehr

m 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23

m 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23 Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x

Mehr

Exponentialabbildung für Matrizen und Systeme von Differentialgleichungen

Exponentialabbildung für Matrizen und Systeme von Differentialgleichungen Proseminar Lineare Algebra SS10 Exponentialabbildung für Matrizen und Systeme von Differentialgleichungen Simon Strahlegger Heinrich-Heine-Universität Betreuung: Prof. Dr. Oleg Bogopolski Inhaltsverzeichnis:

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Darstellungsmatrizen 2 2 Diagonalisierbarkeit

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Einführung in die Matrizenrechnung

TECHNISCHE UNIVERSITÄT MÜNCHEN. Einführung in die Matrizenrechnung TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 006/07 en Blatt 3.0.006 Einführung in die Matrizenrechnung Zentralübungsaufgaben

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 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

Mehr

Klausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.

Klausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren

Mehr

Vektoren - Basiswechsel

Vektoren - Basiswechsel Vektoren - Basiswechsel Grundprinzip Für rein geometrische Anwendungen verwendet man üblicherweise die Standardbasis. Damit ergibt sich in den Zahlenangaben der Koordinaten kein Unterschied zu einem Bezug

Mehr

. Name motiviert durch (hängt von Einbettung in höher dimensionalen Raum ab) folgendes Bild:

. Name motiviert durch (hängt von Einbettung in höher dimensionalen Raum ab) folgendes Bild: 1.4 Vektoren Jeder Vektor (Vierer-Vektor) lebt an einem bestimmten Punkt der Raumzeit. Dieser lässt sich bei Krümmung nicht einfach verschieben. Betrachte deshalb Menge alle Vektoren an einem Punkt p =

Mehr

L5.6 Symmetrische, hermitesche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen)

L5.6 Symmetrische, hermitesche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen) L5.6 Symmetrische, heresche, orthogonale und unitäre Matrizen (Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen) In diesem Kapitel kommen Matrizen in Zusammenhang Skalarprodukt vor.

Mehr

Ausgewählte Lösungen zu den Übungsblättern 9-10

Ausgewählte Lösungen zu den Übungsblättern 9-10 Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt

Mehr

Zusammenfassung und Beispiellösungen. zur Linearen Algebra

Zusammenfassung und Beispiellösungen. zur Linearen Algebra Zusammenfassung und Beispiellösungen zur Linearen Algebra Inhaltsverzeichnis TI Taschenrechner Funktionen für Matrizen... n*m Matrix... Diagonal und Dreiecksmatrix... Transponierte der Matrix A (AT)...

Mehr

Orthonormalbasis. Orthogonalentwicklung

Orthonormalbasis. Orthogonalentwicklung Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht

Mehr

Universität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n

Universität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine

Mehr

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1 Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die

Mehr

Kurzübersicht Lineare Algebra. Vorlesung Multivariate Analysemethoden WS 2006/2007 (G. Meinhardt)

Kurzübersicht Lineare Algebra. Vorlesung Multivariate Analysemethoden WS 2006/2007 (G. Meinhardt) Kurzübersicht Lineare Algebra Vorlesung Multivariate Analysemethoden WS 2006/2007 (G. Meinhardt 21.11.2006 1 Lineare Gleichungen System linearer Gleichungen, allgemeine Form: a 11 x 1 + a 12 x 2 + + a

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation

Mehr

Kapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24

Kapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. 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