Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
|
|
- Angelika Schmitz
- vor 5 Jahren
- Abrufe
Transkript
1 Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46
2 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Ein kurzer Exkurs in die Matrxialgebra a 11 a 1p A (n p) =..... a n1 a np Ostap Okhrin 2 of 46
3 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Definition Notation Transposition Summe Differenz Skalarprodukt Produkt Rang Spur Determinante Inverse Generalisierte Inverse (g-inverse) A A + B A B c A A B rank(a) tr(a) det(a) = A A 1 Tabelle: Elementare Matrixoperationen. A : AA A = A Ostap Okhrin 3 of 46
4 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Name Definition Notation Beispiel Skalar p = n = 1 a ( 3 ) 1 Spaltenvektor p = 1 a ( 3 ) Zeilenvektor n = 1 a ( 1 3 ) 1 Einsvektor (1,..., 1) }{{} 1 n 1 Nullvektor n ( ) 0 (0,..., 0) }{{} 0 n 0 quadratische Matrix n ( ) 2 0 n = p A(p p) 0 2 Tabelle: Spezielle Matrizen und Vektoren. Ostap Okhrin 4 of 46
5 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Name Definition Notation Beispiel ( ) 1 0 Diagonalmatrix a ij = 0, i j, n = p diag(a ii ) ( 0 2 ) 1 0 Einheitsmatrix diag(1,..., 1) I }{{} p 0 1 p ( ) 1 1 Einsmatrix a ij = 1, n = p 1 n 1 n ( 1 1 ) 1 2 symmetrische Matrix a ij = a ji 2 3 Tabelle: Spezielle Matrizen und Vektoren. Ostap Okhrin 5 of 46
6 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Name Definition Beispiel ( ) 0 0 Nullmatrix a ij = obere Dreiecksmatrix a ij = 0, i < j ( ) idempotente Matrix A 2 1 = A ( 2 2 ) Orthogonalmatrix A A = I = AA Tabelle: Spezielle Matrizen und Vektoren. Ostap Okhrin 6 of 46
7 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Eigenschaften einer quadratischen Matrix Für beliebige Matrizen A(n n) und B(n n) und ein Skalar c ist: tr(a + B) = tr(a) + tr(b) tr(ca) = c tr(a) ca = c n A tr(ab) = tr(ba) AB = BA AB = A B A 1 = A 1 Ostap Okhrin 7 of 46
8 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Eigenwerte and Eigenvektoren quadratische Matrix A(n n) Eigenwert λ = Eval(A) Eigenvektor γ = Evec(A) Aγ = λγ Mithilfe der Spektralzerlegung kann gezeigt werden, dass A = tr(a) = n j=1 n j=1 λ j λ j Ostap Okhrin 8 of 46
9 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen Zusammenfassung: Matrixalgebra Die Determinante A ist ein Produkt der Eigenwerte von A. Die Inverse einer Matrix A existiert, falls A 0. Die Spur tr(a) ist die Summe der Eigenwerte von A. Die Summe der Spuren zweiter Matrix ist die Spur der Summe dieser beiden Matrizen. Die Spur tr(ab) entspricht tr(ba). Der Rang rank(a) ist die maximale Anzahl linear unabhängiger Zeilen (Spalten) von A. Ostap Okhrin 9 of 46
10 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Spektralzerlegung Jede symmetrische Matrix A(p p) kann zerlegt werden: A = ΓΛΓ p = λ j γ j γj j=1 Λ = diag(λ 1,, λ p ) Γ = (γ 1,, γ p ) Ostap Okhrin 10 of 46
11 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Kovarianzmatrix Eigenwerte: Σ = 1 λ ρ ( 1 ρ ρ 1 ) ρ 1 λ = 0 λ 1 = 1 + ρ, λ 2 = 1 ρ, Λ = diag(1 + ρ, 1 ρ) Eigenvektoren: ( ) ( ) ( 1 ρ x1 x1 = (1 + ρ) ρ 1 x 2 x 2 ) MVAspecdecomp Ostap Okhrin 11 of 46
12 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Überprüfe: A = ΓΛΓ x 1 + ρx 2 = x 1 + ρx 1 ρx 1 + x 2 = x 2 + ρx 2 Γ = (γ 1, γ 2 ) = x 1 = x 2. ( / 1 2 γ 1 = 1 / 2 ( / 1 2 γ 2 = 1 / 2 ). ). ( 1 / 2 1 / 2 1 / 2 1 / 2 ) Ostap Okhrin 12 of 46
13 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Eigenvektoren Die Richtung des ersten Eigenvektors ist die Hauptrichtung der Punktwolke. Der zweite Eigenvektor ist orthogonal zum ersten. Die Richtung dieses Eigenvektors ist im Allgemeinen verschieden von der Regressionsgeraden. Ostap Okhrin 13 of 46
14 normal sample, n=150 original data (y2), rotated data (y2) original data (x1), rotated data (x1) Punktdiagramm der beobachteten Daten ( ) (Stichprobenumfang n = 150) und dieselben Daten ( ) dargestellt im Koordinatensystem (Basis) der Eigenvektoren der Kovarianzmatrix.
15 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Singulärwertzerlegung (SWZ) A(n p), rank(a) = r A = Γ Λ ( ) Γ(n r), (p r), Γ Γ = = I r und Λ = diag λ 1/2 1,..., λ 1/2 r, λ j > 0. λ j = Eval(A T A) Γ und setzt sich aus den korrespondierenden Eigenvektoren AA und A A zusammen. g-inverse von A kann definiert werden durch A = Λ 1 Γ T. AA A = A Ostap Okhrin 15 of 46
16 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Zusammenfassung: Spektralzerlegung Die Jordanzerlegung ist die Repräsentation einer symmetrischen Matrix bezüglich ihrer Eigenwerte und -vektoren. Die Eigenvektoren des größten Eigenwerts zeigen in die Hauprichtung der Datenwolke. Die Jordanzerlegung erlaubt die einfache Berechnung der Potenz einer Matrix A: A α = ΓΛ α Γ. A 1 = ΓΛ 1 Γ, A 1/2 = ΓΛ 1/2 Γ. Ostap Okhrin 16 of 46
17 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Spektralzerlegung Zusammenfassung: Spektralzerlegung Die Singulärwertzerlegung ist eine Verallgemeinerung der Jordanzerlegung für nicht-quadratische Matrizen. Die Richtung des ersten Eigenvektors der Kovarianzmatrix einer zweidimensionalen Punktwolke ist verschieden von ihrer Regressionsgeraden. Ostap Okhrin 17 of 46
18 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Quadratische Formen Quadratische Formen A(p p) symmetrische Matrix kann geschrieben werden als Q(x) = x Ax = p p a ij x i x j i=1 j=1 Definitheit Q(x) > 0 für alle x 0 Q(x) 0 für alle x 0 positiv-definit (pd), positiv-semidefinit (psd). A ist positiv-definit (positiv-semidefinit), falls Q(x) = x Ax positiv-definit (positiv-semidefinit) ist. Ostap Okhrin 18 of 46
19 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Quadratische Formen Beispiel: ( ) Q(x) = x Ax = x1 2 + x 2 2, A = Eigenwerte: λ 1 = λ 2 = 1 positiv-definit ) Q(x) = (x 1 x 2 ) 2, A = ( Eigenwerte λ 1 = 2, λ 2 = 0 positiv-semidefinit Q(x) = x 2 1 x 2 2 Eigenwerte λ 1 = 1, λ 2 = 1 indefinit. Ostap Okhrin 19 of 46
20 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Quadratische Formen Theorem Falls A symmetrisch ist und Q(x) = x Ax die korrespondierende quadratische Form ist, dann existiert eine Transformation x Γ x = y, so dass x A x = p i=1 λ i y 2 i, wobei λ i die Eigenwerte von A sind. Lemma A > 0 λ i > 0, A 0 λ i 0, i = 1,..., p. Ostap Okhrin 20 of 46
21 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Quadratische Formen Theorem (Theorem 2.5) Falls A und B symmetrisch sind und B > 0, dann ist das Maximum von x Ax x Bx gegeben durch den größten Eigenwert von B 1 A. Allgemeiner ist max x x Ax x Bx = λ x Ax 1 λ 2 λ p = min x x Bx, wobei λ 1,..., λ p die Eigenwerte von B 1 A bezeichnet. Der Vektor, der x Ax x Bx maximiert (minimiert), ist der Eigenvektor von B 1 A, der zum größten (kleinsten) Eigenwert von B 1 A korrespondiert. Falls x Bx = 1, man bekommt max x x Ax = λ 1 λ 2 λ p = min x Ax x Ostap Okhrin 21 of 46
22 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Quadratische Formen Zusammenfassung: Quadratische Formen Eine quadratische Form kann durch eine symmetrische, quadratische Matrix A beschrieben werden. Quadratische Formen können stets diagonalisiert werden. Positive Definitheit einer quadratischen Form is äquivalent zur Bestimmtheit der Eigenwerte der Matrix A. Das Maximum und Minimum einer quadratischen Form unter Nebenbedingungen kann in Form von Eigenwerten ausgedrückt werden. Ostap Okhrin 22 of 46
23 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Ableitungen Ableitungen f : R p R, (p 1) Vektor x: f (x) Spaltenvektor der partiellen Ableitungen { x } f (x), j = 1,..., p x j f (x) x Zeilenvektor derselben partiellen Ableitungen f (x) wird Gradient von f genannt. x Ostap Okhrin 23 of 46
24 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Ableitungen Ableitungen zweiter Ordnung: 2 f (x) x x (p p) Hesse-Matrix der Ableitungen zweiter Ordnung { 2 } f (x), i = 1,..., p, j = 1,..., p. x i x j Eine nützliche Identität A(p p), x(p 1) R p, a(p 1) and A = A a x x = x a x = a Ostap Okhrin 24 of 46
25 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Ableitungen Beispiel: f : R p R, f (x) = a x a = (1, 2), x = (x 1, x 2 ) a x x = (x 1 + 2x 2 ) x = (1, 2) = a Ostap Okhrin 25 of 46
26 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Ableitungen Ableitungen der quadratischen Form x Ax x = 2Ax 2 x Ax x x = 2A Ostap Okhrin 26 of 46
27 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Ableitungen Zusammenfassung: Ableitungen Der Spaltenvektor Der Gradient a x x f (x) x wird Gradient genannt. = x a x entspricht a. Die Ableitung der quadratischen Form x Ax x entspricht 2Ax. Die Hesse-Matrix von f : R p R ist die Matrix (p p) der partiellen Ableitungen zweiter Ordnung 2 f (x) x i x j. Die Hesse-Matrix der quadratischen Form x Ax entspricht 2A. Ostap Okhrin 27 of 46
28 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Blockmatrizen ( ) A11 A A(n p), B(n p), A = 12 A 21 A 22 A ij (n i p j ), n 1 + n 2 = n und p 1 + p 2 = p A + B = B = AB = ( ) A11 + B 11 A 12 + B 12 A 21 + B 21 A 22 + B 22 ( B 11 B21 ) B12 B22 ( A11 B11 + A 12B12 A 11 B21 + A 12B22 A 21 B11 + A 22B12 A 21 B21 + A 22B22 ) Ostap Okhrin 28 of 46
29 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen A(p p)ist nicht-singulär zerlegt, so dass A 11, A 22 quadratische Matrizen sind. ( A 1 A 11 A = 12 ) A 21 A 22, wobei 22 A 1 def 21) A 11 = (A 11 A 12 A 1 A 12 = (A 11 2 ) 1 A 12 A 1 22 A 21 = A 1 22 A 21(A 11 2 ) 1 = (A 11 2 ) 1 A 22 = A A 1 22 A 21(A 11 2 ) 1 A 12 A 1 22 Ostap Okhrin 29 of 46
30 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Matrix A 11 ist nicht-singulär und A 22 nicht-singulär A = A 11 A 22 A 21 A 1 11 A 12 A = A 22 A 11 A 12 A 1 ( ) 1 b B = a A B = A ab = A 1 b A 1 a 22 A 21 (A ab ) 1 = A 1 + A 1 ab A 1 1 b A 1 a Ostap Okhrin 30 of 46
31 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Zusammenfassung: Blockmatrizen ( ) A11 A Für eine zerlegte Matrix A(n p) = 12 und A 21 A ( ) 22 B11 B B(n p) = 12 gilt B 21 B 22 ( A11 + B A + B = 11 A 12 + B 12 A 21 + B 21 A 22 + B 22 ). Ostap Okhrin 31 of 46
32 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Zusammenfassung: Blockmatrizen Das Produkt AB entspricht ( A11 B 11 + A 12B 12 A 11 B 21 + A 12B 22 A 21 B 11 + A 22B 12 A 21 B 21 + A 22B 22 ). Ostap Okhrin 32 of 46
33 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Zusammenfassung: Blockmatrizen Für eine nicht-singuläre Matrix A sind A 11, A 22 quadratische Matrizen ( A 1 A 11 A = 12 ) A 21 A 22 A 11 = (A 11 A 12 A 1 22 A 1 def 21) = (A 11 2 ) 1 A 12 = (A 11 2 ) 1 A 12 A 1 22 A 21 = A 1 22 A 21(A 11 2 ) 1 A 22 = A A 1 22 A 21(A 11 2 ) 1 A 12 A 1 22 Ostap Okhrin 33 of 46
34 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Blockmatrizen Zusammenfassung: Blockmatrizen ( ) 1 b Für B = und für nicht-singuläre Matrix A ist a A B = A ab = A 1 b A 1 a. (A ab ) 1 = A 1 + A 1 ab A 1 1 b A 1 a Ostap Okhrin 34 of 46
35 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Geometrische Aspekte Abstandsfunktion d : R 2p R + A = I p, Euklidischer Abstand d 2 (x, y) = (x y) A(x y), A > 0 E d = {x R p (x x 0 ) (x x 0 ) = d 2 } Beispiel: x R 2, x 0 = 0, x x 2 2 = 1 Norm eines Vektor bezüglich der Metrik I p x Ip = d(0, x) = x x Ostap Okhrin 35 of 46
36 Abstand d. d 2 (x, y) = (x y) (x y)
37 Kreis. A = I 2, (x 1 x 01 ) 2 + (x 2 x 02 ) 2 = d 2
38 Ellipsoid. E d = {x : (x x 0 ) A(x x 0 ) = d 2 }, γ j = Evec(A), A > 0
39 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Winkel zwischen Vektoren Skalarprodukt < x, y > = x y < x, y > A = x Ay Norm eines Vektors x Ip = x A = d(0, x) = x x x Ax Einheitsvektor {x : x = 1} Ostap Okhrin 39 of 46
40 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Winkel zwischen Vektoren Der Winkel zwischen den Vektoren x und y berechnet sich über: cos θ = x y x y Beispiel: Winkel = Korrelation Beobachtungen {x i } n i=1, {y i} n i=1 x = y = 0 xi y i r XY = x 2 i y 2 i = cos θ Korrelation korrespondiert zu dem Winkel zwischen x, y R n. Ostap Okhrin 40 of 46
41 Winkel zwischen den Vektoren. cos θ = x y x y = x 1y 1 + x 2 y 2 = cos θ 1 cos θ 2 + sin θ 1 sin θ 2 x y
42 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Spaltenraum X (n p) Datenmatrix C(X ) = {x R n a R p so that X a = x} Projektionsmatrix P(n n), P = P = P 2 (P ist idempotent) Sei b R n, a = Pb ist die Projektion von b auf C(P) Ostap Okhrin 42 of 46
43 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Projektion auf C(X ) X (n p), P = X (X X ) 1 X PX = X, P ist ein Projektor, PP = P. Q = I n P, Q 2 = Q PX = X QX = 0 p x = y x y 2 y Ostap Okhrin 43 of 46
44 Projektion. p x = y(y y) 1 y x = y x y 2 y
45 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Zusammenfassung: Geometrische Aspekte Ein Abstand zwischen zwei p-dimensionalen Punkten x, y ist eine quadratische Form (x y) A(x y) der Vektordifferenz (x y). Ein Abstand definiert die Norm eines Vektors. Iso-Abstandskurven eines Punktes x 0 sind alle Punkte, die denselben Abstand zu x 0 haben. Iso-Abstandskurven sind Ellipsoiden, deren Hauptachsen von den Richtungen der Eigenvektoren bestimmt werden. Die halbe Längen der Hauptachsen sind proportional zum Inversen der Wurzeln der Eigenwerte von A. Ostap Okhrin 45 of 46
46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Geometrische Aspekte Zusammenfassung: Geometrische Aspekte Der Winkel zwischen zwei Vektoren x und y ist gegeben durch cos θ = x Ay x A y A bezüglich der Metrik A. Für die Euklidische Distanz mit A = I ist die Korrelation zwischen zwei zentrierten Datenvektoren x und y ist gegeben durch den Cosinus des Winkels zwischen beiden Vektoren, d. h. cos θ = r XY. Die Projektion P = X (X X ) 1 X ist die Projektion auf den Spaltenraum C(X ) of X. Die Projektion von x R n auf y R n ist gegeben durch p x = y x y 2 y. Ostap Okhrin 46 of 46
Ökonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
MehrInhalt. 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
Mehr2. 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
MehrMusterlösungen 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
MehrGrundlagen der linearen Algebra
WINTERSEMESTER 006/07 SEITE Grundlagen der linearen Algebra. Grundbegriffe. Vektoren Aus der Vektorrechung ist bekannt, daß ein Vektor im zweidimensionalen Raum R bei gegebenem Koordinatensystem durch
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrVektoren und Matrizen
Vektoren und Matrizen Die multivariate Statistik behandelt statistische Eigenschaften und Zusammenhänge mehrerer Variablen, im Gegensatz zu univariaten Statistik, die in der Regel nur eine Variable untersucht.
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
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
MehrBC 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
MehrD-ITET. D-MATL, RW Lineare Algebra HS 2017 Dr. V. Gradinaru T. Welti. Online-Test 2. Einsendeschluss: Sonntag, den
D-ITET. D-MATL, RW Lineare Algebra HS 7 Dr. V. Gradinaru T. Welti Online-Test Einsendeschluss: Sonntag, den..7 : Uhr Dieser Test dient, seriös bearbeitet, als Repetition des bisherigen Vorlesungsstoffes
MehrLineare Algebra II (NAWI) SS2014 Übungsblatt 1
Lineare Algebra II (NAWI) SS2014 Übungsblatt 1 Aufgabe 1. Welche der folgenden Abbildungen sind Sesquilinearformen oder Bilinearformen? Welche davon sind Skalarprodukte? (a) B 1 : R R R, (x, y) xy (b)
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
MehrKlausurenkurs 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
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
MehrLineare 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
MehrVorlesung Mathematik für Ingenieure 2 (Sommersemester 2009)
1 Vorlesung Mathematik für Ingenieure 2 (Sommersemester 2009) Kapitel 10: Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 27. März 2009) Differenzialrechnung
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrTU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX
TU Ilmenau Institut für Mathematik FG Numerische Mathematik und Informationsverarbeitung PD Dr. W. Neundorf Datei: UEBG2.TEX Übungsaufgaben zum Lehrgebiet Numerische Mathematik - Serie 2 Beweise Sie folgende
MehrIV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
MehrQuadratische Formen. und. Symmetrische Matrizen
Quadratische Formen und Symmetrische Matrizen 1 Ouverture: Lineare Funktionen von R n nach R 1 2 Beispiel: n = 2 l : (x 1, x 2 ) T 0.8x 1 + 0.6x 2 = < x, g > mit g := (0.8, 0.6) T. Wo liegen alle x = (x
MehrLösungen 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
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrVorlesung Einführung in die Mathematische Optimierung (Wintersemester 2013/14)
Vorlesung Einführung in die Mathematische Optimierung (Wintersemester 3/4) Kapitel : Optimierung ohne Nebenbedingungen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom. Oktober 3) Gliederung
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrVorlesung Mathematik für Ingenieure II (Sommersemester 2008)
Vorlesung Mathematik für Ingenieure II (Sommersemester 8) Kapitel : Differenzialrechnung R n R m Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 8. Mai 8) Differenzialrechnung R R 4
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
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
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
MehrLineare 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
MehrAussagenlogik. 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
MehrPrüfung Lineare Algebra 2
1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
MehrKontrollfragen und Aufgaben zur 3. Konsultation
1 Technische Universität Ilmenau Fakultät für Mathematik und Naturwissenschaften Institut für Mathematik Prof. Dr. Michael Stiebitz Kontrollfragen und Aufgaben zur 3. Konsultation Termin: Ort: Determinante
Mehra ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
Mehr2 Die Algebra der Matrizen
Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrLineare Algebra und Geometrie II, Übungen
Lineare Algebra und Geometrie II, Übungen Gruppe (9 9 45 ) Sei A 2 Bestimmen Sie A und A Finden Sie weiters Vektoren u, v R 2 mit u und Au A, beziehungsweise v und Av A Zunächst die Berechnung der Norm
Mehr3 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
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).
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
MehrAussagenlogik. 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
Mehr47 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
MehrLineare 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 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 5 Lineare Algebra
MehrWirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2019 (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) = a 2 b 2 Fakultät (Faktorielle) n! = 1 2 3 4 (n 1) n Intervalle
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
Mehrtäglich einmal Scilab!
Mathematik 1 - Übungsblatt 7 täglich einmal Scilab! Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind skalare Größen (=einfache Zahlen im Gegensatz zu vektoriellen
MehrSingulärwert-Zerlegung
Singulärwert-Zerlegung Zu jeder komplexen (reellen) m n-matrix A existieren unitäre (orthogonale) Matrizen U und V mit s 1 0 U AV = S = s 2.. 0.. Singulärwert-Zerlegung 1-1 Singulärwert-Zerlegung Zu jeder
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
MehrLineare 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
Mehr10 Unitäre Vektorräume
10 Unitäre Vektorräume Pink: Lineare Algebra 2014/15 Seite 98 10 Unitäre Vektorräume Die Theorie komplexer Vektorräume mit Skalarprodukt folgt denselben Linien wie die Theorie reeller Vektorräume mit Skalarprodukt;
MehrLineare Algebra 2 SS2012 Übungsblatt
Lineare Algebra 2 SS2012 Übungsblatt 1 Übung 1. Seien A 1, A 2,..., A k quadratische n n-matrizen über einem Körper K. Zeige, daß das Produkt A 1 A 2... A k invertierbar ist genau dann, wenn alle A i invertierbar
MehrMathematik 1 Bachelorstudiengang Maschinenbau
Mathematik 1 Bachelorstudiengang Maschinenbau Prof Dr Stefan Etschberger Hochschule Augsburg Sommersemester 2012 Übersicht 4 Lineare Algebra 1 Grundlegendes 2 Aussagenlogik 3 Mengen 4 Lineare Algebra Lernziele
MehrFerienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen
Technische Universität München Department of Physics Ferienkurs zur Linearen Algebra Bilinearformen, Euklidische Vektorräume und Endomorphismen Freitag, 16.03.2012 Sascha Frölich Ferienkurs Lin. Alg. -
MehrLineare Algebra II (SS 13)
Lineare Algebra II (SS 13) Bernhard Hanke Universität Augsburg 03.07.2013 Bernhard Hanke 1 / 16 Selbstadjungierte Endomorphismen und der Spektralsatz Definition Es sei (V,, ) ein euklidischer oder unitärer
MehrLineare Algebra. 9. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 9. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching November, 07 Erinnerung Ein Skalarprodukt ist eine Abbildung, : E n E n E, (v, w) v, w n k v kw k so dass:
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
MehrHM II Tutorium 7. Lucas Kunz. 5. Juni 2018
HM II Tutorium 7 Lucas Kunz 5. Juni 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Orthogonalität und Orthonormalbasen.................... 2 1.2 Orthogonalraum................................. 2 1.3 Projektoren...................................
Mehra 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α
Mathematik 1 - Übungsblatt 7 Lösungshinweise Tipp: Verwenden Sie zur Kontrolle Scilab, wo immer es möglich ist. Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind
MehrI) 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
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,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
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.................................
MehrMathematik I für MB und ME
Mathematik I für MB und ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 28/29 Übungsaufgaben Serie 4: Lineare Unabhängigkeit, Matrizen, Determinanten, LGS Prüfen Sie, ob die folgenden
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
Mehr5 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
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,
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 207/8 2 Matrixalgebra / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrMatrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I
Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS Kapitel 2 Matrixalgebra Technologiematrix und wöchentliche Nachfrage (in Werteinheiten):
MehrA w w f f B w f w f A B w f w w A B A B A B. z = a 2 + b 2 =: r. c+id = ac+bd. 2 c 2 +d 2. z 2. z n = z. z = r cos(x) + ir sin(x) = reix
Formelsammlung Aussagenlogik Für beliebige Aussagen A, B gilt: Konjunktion Disjunktion Implikation Äquivalenz A B w f f f A B w w w f A B w f w w A B w f f w Mengenlehre Für beliebige Mengen A, B gilt:
Mehr