10. LINEARE GLEICHUNGSSYSTEME, und LINEARE ABBILDUNGEN
|
|
- Chantal Abel
- vor 5 Jahren
- Abrufe
Transkript
1 10 LINEARE GLEICHUNGSSYSTEME, und LINEARE ABBILDUNGEN 1
2 Lineare Gleichungssysteme treten vielfältig auf 2
3 Beispiel: Elektrische Netzwerke In elektrischen Netzwerken fließt der Strom gemäß den Kirchhoff schen Regeln: 1 Die Summe aller Ströme, die in einen Knoten hineinfließen, ist in ihrer Stärke gleich der Summe aller Ströme, die aus dem Knoten hinausfließen 2 Die Summe aller Spannungsabfälle in einer Masche (Umlauf), erzeugt von Spannungsquellen oder Widerständen, ist gleich 0 Diese Regeln führen auf lineare Gleichungssysteme 3
4 I 2 R 2 I 1 I 0 R 1 U 0 Drei lineare Gleichungen für I 0, I 1, I 2 : I 0 = I 1 + I 2, U 0 = R 1 I 1, U 0 = R 2 I 2 4
5 Beispiel: Interpolation Aufgabe: Gesucht ist eine Funktion f(t), die an den n + 1 vorgegebenen Stellen die vorgegebenen Werte t 0 < t 1 < < t n annimmt f(t 0 ) = b 0,, f(t n ) = b n b 0 b 1 b 2 b 3 f(t) =? t 0 t 1 t 2 t 3 5
6 Der übliche Ansatz ist, f als Polynom vom Grade n zu wählen 6
7 Ein numerisches Beispiel mit n = 4 t 0 = 0, t 1 = 1, t 2 = 2, t 3 = 3, t 4 = 4 f(t 0 ) = 1, f(t 1 ) = 3, f(t 2 ) = 0, f(t 3 ) = 2, f(t 4 ) = 1 7
8 Ein günstiger Ansatz für das Polynom 4-ten Grades ist f(t) = c 0 +c 1 t+c 2 t(t 1)+c 3 t(t 1)(t 2)+c 4 t(t 1)(t 2)(t 3) Dann erhalten wir für die Koeffizienten c 0, c 1, c 2, c 3, c 4 die Gleichungen 1 = f(0) = c 0 3 = f(1) = c 0 + c = f(2) = c 0 + c c = f(3) = c 0 + c c c = f(4) = c 0 + c c c c
9 Die Gleichungen lassen sich bei diesem Ansatz leicht von oben nach unten auflösen: c 0 = 1, c 1 = 2, c 2 = 5/2, c 3 = ( )/6 = 10/6, c 4 = ( )/24 = 18/24 also f(t) = 1 + 2t 5 2 t(t 1) t(t 1)(t 2) 3 t(t 1)(t 2)(t 3) 4 Mit einem Computeralgebrasystem erhält man f(t) = t 63 4 t t3 3 4 t4 9
10 10
11 Allgemein macht man mit Newton für das Polynom den Ansatz f(t) = c 0 +c 1 (t t 0 )+c 2 (t t 0 )(t t 1 )+ +c n (t t 0 ) (t t n 1 ) zu machen Das Gleichungssystem ist leicht von oben nach unten zu lösen, da von Dreiecksgestalt: b 0 = f(t 0 ) = c 0 b 1 = f(t 1 ) = c 0 + c 1 (t 1 t 0 ) b n = f(t n ) = c 0 + c 1 (t n t 0 ) + + c n (t n t 0 ) (t n t n 1 ) 11
12 Man schreibt ein allgemeines lineares Gleichungssystem aus m Gleichungen in n Unbekannten x 1,, x n so auf: a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2 a m1 x 1 + a m2 x a mn x n = b m Die Zahl a ij ist der j-te Koeffizient in der i-ten Zeile 12
13 Das Rechnen mit Gleichungssystemen, wie von der Schule bekannt, ist unattraktiv und fehleranfällig Dem begegnet man in der Mathematik, indem man die verschiedenen Bestandteile in einem Gleichungssystem zu neuen Objekten zusammenzufasst Damit werden algebraische Manipulationen erleichtert und das Rechnen wird übersichtlicher Zugleich gewinnt man eine geometrische Intuition 13
14 Man betrachtet die Matrix A und die Spaltenvektoren x, b, gegen durch ihre Komponenten A = a 11 a 12 a 1n a 21 a 22 a 2n, x = x 1 x 2, b = b 1 b 2 a m1 a m2 a mn x n b m Insbesondere werden b und x als Elemente der Vektorräume R m und R n aufgefasst 14
15 Die Vektorräume R 2, R 3, R n 15
16 Der Vektorraum R 2 besteht aus allen Paaren x von reellen Zahlen Man schreibt die Paare als Spaltenvektor ( ) x1 x = x 2 und die Gesamtmenge aller Paare als R 2 = { ( x 1 x 2 ) x 1, x 2 R } 16
17 Wir können den R 2 mit einer Ebene identifizieren, wenn man sie mit einem Ursprung und einem (kartesischen) Koordinatensystem versehen hat ( x 1 x 2 ) wird dann mit dem Punkt der Ebene mit den Koordinaten x 1 und x 2 identifiziert Der Ursprung ist 0 = ( )
18 Wir betrachten nun nur Operationen auf dem R 2, die sich später auch auf den R 3 und R n übertragen lassen (Insbesondere lassen wir die komplexe Multiplikation beiseite) Das sind Addition zweier Vektoren ( ) x1 x 2 + ( y1 y 2 ) := ( x1 + y 1 x 2 + y 2 ) und Multiplikation mit einer reellen Zahl λ (man sagt Multiplikation mit einem Skalar) ( ) ( ) x1 λx1 λ := x 2 λx 2 18
19 In der Ebene entspricht das der Parallelogrammregel und Streckung von Vektoren y x + y x x x 19
20 Dies überträgt sich nahtlos auf den R 3 = { x 1 x 2 x 3 x 1, x 2, x 3 R } der sich mit dem dreidimensionalen Raum (versehen mit Ursprung und Koordinaten) identifizieren lässt, sowie für jede natürliche Zahl n auf den R n = { (x 1,, x n ) T x 1,, x n R} 20
21 Hier haben wir die Schreibweise x 1 x 2 x n = (x 1, x 2,, x n ) T eines Spaltenvektors als transponierten Zeilenvektor benützt Wieder definiert man x 1 y 1 + x n y n := x 1 + y 1 x n + y n, λ x 1 x n := λx 1 λx n 21
22 Wichtige Bemerkung: Die Räume R n sind Beispiele für reelle Vektorräume Abstrakt gesprochen ist ein reeller Vektorraum V eine Menge, mit deren Elementen man wie mit Vektoren im R n umgehen kann, dh man kann die Elemente addieren und mit reellen Zahlen, man spricht dann von den Skalaren, multiplizieren, mit denselben Rechenregeln wie im R n Beispiel: Die Menge aller Polynome f(x) = a 0 + a 1 x + + a n x n ist ein Vektorraum: Die Summe zweier Polynome und das Produkt eines Polynoms mit einer reellen Zahl ist wieder ein Polynom 22
23 LINEARFORMEN auf R 2, R 3, R n 23
24 Eine Linearform auf dem R n ist eine Funktion l : R n R vom R n in die reellen Zahlen mit der Eigenschaft, dass sie linear ist Dh für alle x, y R n und alle reellen Zahlen λ gilt l(x + y) = l(x) + l(y), l(λx) = λl(x) 24
25 Beispiel: l : R 2 R gegeben durch l ( ( ) x ) 1 = 2x1 x x 2 2 Man schreibt auch ( ) x1 x 2 x 1 2x 2 Die Linearität rechnet man nach 25
26 Der Graph von l(x) = 2x 1 x 2 y x 1 N = {x : l(x) = 0} x 2 26
27 Die Menge N = {x R 2 l(x) = 0} aller Vektoren x, die durch l auf die 0 abgebildet werden, heißt der Nullraum oder Kern von l Im Beispiel enthält er den Vektor ( ) 1 v = wegen l(v) = = 0 2 und alle skalaren Vielfache von v wegen l(λv) = λl(v) = 0 Es gilt damit N = {λv λ R} 27
28 Beispiel l ( (x 1, x 2, x 3 ) T ) = x 1 Der Nullraum enthält die Vektoren e 2 = 0 1, e 3 = 0 und wegen l(λe 2 + µe 3 ) = λl(e 2 ) + µl(e 3 ) auch alle ihre Linearkombinationen Also ist N = {λe 2 + µe 3 λ, µ R} eine Ebene im R 3 Dies gilt auch für andere Linearformen (abgesehen von dem Trivialfall l(x) = 0) 28
29 Wir bestimmen nun die allgemeine Gestalt einer Linearform auf R n Dazu setzen wir e 1 = 1 0 0, e 2 = 0 1 0,, e n = e i hat also als i-te Koordinate eine 1 und sonst lauter Nullen e 1,, e n heißt die kanonische Basis oder Standardbasis des R n 29
30 x 3 x 1 e 1 = e 3 = e 2 = x 2 30
31 Jeder Vektor x lässt sich (eindeutig) als Linearkombination der kanonischen Basis darstellen, nämlich x = x 1 x n = x 1e x n e n Deswegen spricht man von einer Basis! Denn: x 1 e 1 + x 2 e x n e n = x x x n = x 1 x 2 x n 31
32 Für eine Linearform l : R n R folgt l(x) = l(x 1 e x n e n ) = x 1 l(e 1 ) + + x n l(e n ) Setzen wir a 1 = l(e 1 ),, a n = l(e n ) so folgt insgesamt l(x) = a 1 x a n x n 32
33 Eine Linearform l : R n R ist also durch n reelle Zahlen a 1,, a n gegeben Man fasst sie zu einem Vektor a = (a 1,, a n ) zusammen, und zwar zu einem Zeilenvektor!! So unterscheidet man Linearformen von Vektoren des R n 33
34 Gerade in Anwendungen macht diese Unterscheidung zwischen Zeilen- und Spaltenvektoren Sinn Mögliche Interpretationen: 1 a i = Preis der Ware i (pro Einheit), x i = Menge der Ware i a 1 x a n x n sind die Gesamtkosten 2 34
35 Zwischen Zeilenvektoren und Spaltenvektoren der Länge n führt man ein Produkt ein ab = (a 1,, a n ) b 1 b n := a 1b a n b n Wir werden es bald auf Matrizen verallgemeinern, deswegen spricht man vom Matrizenprodukt 35
36 Jede Linearform hat also die Gestalt l(x) = ax für x R n mit einem Zeilenvektor a der Länge n 36
37 Die Vektoren x im Nullraum N erfüllen die Gleichung a 1 x a n x n = 0 Es handelt sich im Fall n = 2 (Ebene) um Geraden durch den Ursprung 0, im Fall n = 3 (drei-dimensionaler Raum) um Ebenen durch 0 und allgemein um (n 1)-dimensionale Teilräume, wie wir später präzisieren werden Man spricht von Hyperebenen 37
38 LINEARE ABBILDUNGEN auf R 2, R 3, R n 38
39 Abbildungen L : R n R m heißen linear, falls für alle x, y R n und alle reellen Zahlen λ gilt L(x + y) = L(x) + L(y), L(λx) = λl(x) Offenbar verallgemeinern sie den Begriff der Linearform 39
40 Unter der Abbildung bleiben also Parallelogrammregel und Streckung von Vektoren erhalten: x L x + y L(x + y) L(x) y L(y) x 16x L(16x) L L(x) 40
41 Beispiele für den Fall n = m = 2: 1 L(x) = 0, die Nullabbildung 2 L((x 1, x 2 ) T ) = (x 1, x 2 ) T Spiegelung an der x 1 -Achse 3 L((x 1, x 2 ) T ) = (x 2, x 1 ) T Spiegelung an der Winkelhalbierenden x 1 = x 2, denn L(e 1 ) = e 2, L(e 2 ) = e 1 was auf solch ein Spiegeln hinausläuft 41
42 4 L((x 1, x 2 ) T ) = ( x 2, x 1 ) Drehung um 90 Grad, denn L(e 1 ) = e 2, L(e 2 ) = e 1 5 L((x 1, x 2 ) T ) = (x 1, 0) Projektion eines Punktes x auf die x 1 -Achse 42
43 Für eine lineare Abbildung L : R n R m definiert man den Nullraum oder Kern als N = {x R n L(x) = 0} dabei steht 0 für den Ursprung im R m N besteht also aus allen x R m, die auf den Ursprung abgebildet werden Der Bildraum ( range ) von L ist R = {y R m y = L(x) für ein x R n } das sind alle Vektoren y R m, die Bildvektoren sind 43
44 Symbolisch: R n R m 0 N 0 R 44
45 Zwei einfache Beispiele für n = 3, m = 2: 1 L((x 1, x 2, x 3 ) T ) = (x 1, 2x 1 ) T Der Nullraum enthält alle Vektoren (0, x 2, x 3 ) T, er ist damit gegeben durch N = {x 2 e 2 + x 3 e 3 x 2, x 3 R} also die von e 2, e 3 aufgespannte Ebene im R 3 alle Vielfa- Der Bildraum enthält wegen (x 1, 2x 1 ) T = x 1 (1, 2) T chen von (1, 2) T, er ist eine Gerade: R = { ( ) 1 } λ λ R 2 45
46 2 L((x 1, x 2, x 3 ) T ) = (x 2, x 3 ) T Der Nullraum enthält alle Vektoren (x 1, 0, 0) T, es ist die Gerade N = {λe 1 λ R} Der Bildraum ist die gesamte Ebene R = R 2 46
47 Die allgemeine Form linearer Abbildungen: Für eine lineare Abbildung L : R n R m ist der Bildpunkt L(x) ein Element aus dem R m, also ein Spaltenvektor, dessen Komponenten von x abhängen Wir schreiben L(x) = l 1 (x) l m (x) mit l i : R n R für i = 1,, m 47
48 Mit L sind auch die l i lineare Abbildungen, dh es handelt sich um Linearformen Deswegen gibt es Zeilenvektoren mit a 1 = (a 11,, a 1n ),, a m = (a m1,, a mn ) l i (x) = a i x Eingesetzt folgt L(x) = l 1 (x) l m (x) = a 1 x a m x 48
49 Man schreibt und a 1 a 2 a m a 1 a 2 a m x = für a 1 x a 2 x a m x a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn Wieder liegt eine Matrix A mit m Zeilen und n Spalten vor, eine m n-matrix 49
50 Insgesamt: L(x) = Ax mit A = a 1 a 2 = a 11 a 12 a 1n a 21 a 22 a 2n a m a m1 a m2 a mn 50
51 Das Matrixprodukt Ax ist der Spaltenvektor Ax = a 1 x a 2 x a m x Jeder Zeilenvektor a i der Matrix wird wie früher mit dem Spaltenvektor x multipliziert, also a i x = a i1 x a in x n 51
52 Bildlich: Ax = b x 1 x j x n (a 11 a 1j a 1n ) (a i1 a ij a in ) (a m1 a mj a mn ) b 1 b i b m 52
53 Beispiel: ( ) a1 A = a 2 ( ) a11 a = 12 a 21 a 22 = ( 1 ) 2 2 5, x = ( ) 3 1 also a 1 x = = 5, a 2 x = ( 2) = 1 und Ax = ( )
54 ( ) a11 a A = 12 a 21 a 22 = ( 1 ) 2 2 5, e 1 = ( ) 1 0, e 2 = ( ) 0 1 also Ae 1 = ( ) 1 2, Ae 2 = ( ) 2 5 Dies sind die Spalten von A! 54
55 Entsprechend gilt allgemein: Ist L : R n R m linear, dann sind die n Spalten der zugehörige Matrix A gegeben durch L(e 1 ) bis L(e n ): A = ( L(e 1 ),, L(e n ) ) 55
56 Beispiel: Für die identische Abbildung L(x) = x auf dem R n gilt L(e i ) = e i und die zugehörigen Matrix ist E = (e 1,, e n ) = E hat in der Diagonale Einsen und sonst Nullen E heißt Einheitsmatrix 56
57 Produkte von Matrizen und Verkettung linearer Abbildungen Wir führen das Matrixprodukt einer m n-matrix A und einer n r-matrix A ein Die Spaltenzahl von A ist also gleich der Zeilenzahl von A!! 57
58 Dann kann man das Produkt A A = A definieren als a i1 a in a 1j a nj = a ij mit a ij gleich dem Produkt der i-ten Zeile von A mit der j-ten Spalte von A, also a ij = a i1 a 1j + + a in a nj 58
59 Beispiel ( A 3 4 = 0 1 ), A = ( 1 ) ergibt A A = ( 5 ) denn ( ) ( ( ) ( ( ) ( ( ) ( ) ) ) ) = ( 2) = 5 = = 26 = ( 2) = 2 = = 5 59
60 Verkettung von linearen Abbildungen Seien L : R n R m, L : R r R n linear mit zugehöriger m n-matrix A und n r-matrix A Dann gehört zu der Komposition L L : R r R m, x L (L (x)) die Produktmatrix A = A A 60
61 Beispiel: Seien L : R 2 R 2, L : R 2 R 2 zwei lineare Abbildungen mit (etwa) den Matrizen ( ) ( ) A 3 4 =, A 1 2 = Was ist die Matrix A von L = L L also L(x) = L (L (x)) 61
62 Sie ist gegeben durch die Spaltenvektoren L(e 1 ), L(e 2 ) A = ( a11 a 12 a 21 a 22 ) = (L(e 1 ), L(e 2 )) Auch ist L (e 1 ) die erste Spalte von A, also L (e 1 ) = ( ) L(e 1 ) = L (L (e 1 )) = L ( 1 ) = A 2 Genauso L(e 2 ) = A ( 2 5 ), also ( ) 1 2 ( ) 1 2 und 62
63 A = (L(e 1 ), L(e 2 )) = ( ( ) ( ) A 1, A 2 ) 2 5 A wird hier mit der ersten und zweiten Spalte von A multipliziert Das bedeutet für A = ( a11 a 12 a 21 a 22 ) : a ij ist das Produkt der i-ten Zeile von A mit der j-ten Spalte von A Oder: A = A A, A = ( 5 )
64 Rechenregeln für Matrixprodukte Verkettet man drei lineare Abbildungen L 1, L 2, L 3, so gilt L 1 (L 2 L 3 ) = (L 1 L 2 ) L 3 denn L 1 (L 2 L 3 )(x) = L 1 ((L 2 L 3 )(x)) = L 1 (L 2 (L 3 (x))) und (L 1 L 2 ) L 3 (x) = (L 1 L 2 )(L 3 (x)) = L 1 (L 2 (L 3 (x))) 64
65 Also gilt auch für drei Matrizen A 1, A 2, A 3 das Assoziativitätsgesetz A 1 (A 2 A 3 ) = (A 1 A 2 )A 3 vorausgesetzt man darf hier multiplizieren (dh Spaltenzahl von A 1 ist Zeilenzahl von A 2 und Spaltenzahl von A 2 ist Zeilenzahl von A 3 ) 65
66 Der Fall m = n Ist L : R n R n bijektiv, so existiert die Umkehrabbildung L 1 : R n R n Gehört zu L die Matrix A, so wir die zu L 1 gehörige Matrix mit A 1 bezeichnet Sie heißt die Inverse von A und erfüllt die Gleichung mit der n n-einheitsmatrix E AA 1 = A 1 A = E Beispiel ( ) = 1 3 ( ) 3 5, denn 1 2 ( ) ( ) = ( )
67 Man beachte: Nicht jede n n-matrix A besitzt eine inverse Matrix (da nicht jede lineare Abbildung L : R n R n bijektiv ist) Man beachte weiter: Für n n-matrizen A 1, A 2 kann man sowohl das Produkt A 1 A 2 wie A 2 A 1 bilden Dann kann aber durchaus gelten! A 1 A 2 A 2 A 1 Die Multiplikation von Matrizen ist nicht kommutativ 67
68 Zurück zu linearen Gleichungssystemen Das Gleichungsystem a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2 a m1 x 1 + a m2 x a mn x n = b m können wir nun abgekürzt schreiben als Ax = b mit der Matrix A und den Spaltenvektoren x, b 68
69 Der Matrix A können wir die lineare Abbildung zuordnen L(x) = Ax Die Lösungen des Gleichungssystems Ax = 0 sind genau die Elemente aus dem Nullraum N von L Ein solches Gleichungssystem heißt homogen Das Gleichungssystem Ax = b können wir genau dann lösen, wenn b im Bildraum R von L liegt Im Fall b 0 heißt das Gleichungssystem inhomogen 69
70 Noch ein Beispiel: Der Hamming-Code An vier Bits abcd (jedes Bit entweder gleich 0 oder 1) werden beim Hamming-Code zum Zweck der Fehlererkennung drei Prüfbits xyz angehängt Die Prüfbits bestimmen sich nach der Dreikreis-Regel : x In jedem Kreis ist die Summe gerade a + c + d + x = gerade y d a b c z a + b + d + y = gerade a + b + c + z = gerade 70
71 Wenn dann eines der sieben Bits abcdxyz falsch übertragen wird, lässt sich das korrigieren: Man bildet die Summen a + c + d + x, a + b + d + y, a + b + c + z Sind alle drei Summen ungerade, so kommt (bei einem Übertragungsfehler) nur a in Frage, man korrigiert also a Sind nur die Summen a + c + d + x, a + b + d + y ungerade, so wird analog d korrigiert Ist nur eine Summe ungerade, so wird das entsprechende Prüfbit korrigiert usw 71
72 Algebraisierung des Codes: Wir machen die Menge {0, 1} zum Rechenbereich, durch Die üblichen Rechenregeln sind alle erfüllt Man schreibt für diesen Rechenbereich Z 2 oder F 2 Motivation: Die Summe zweier gerader Zahlen ist gerade, wie auch die Summe zweier ungerader Zahlen Die Summe von gerade und ungerade ist ungerade Dann steht 0 für gerade und 1 für ungerade 72
73 Dann gehen die Kreisregeln über in das Gleichungssystem a + c + d + x = 0 a + b + d + y = 0 a + b + c + z = 0 In Matrixschreibweise: a b c d x y z = Die Matrix heißt Hammingmatrix oder Kontrollmatrix des Hamming- Codes und wird mit H bezeichnet 73
74 Wegen x + x = 0 löst sich die Gleichung a + c + d + x = 0 durch Addition von x rechts und links auf zu a + c + d = x, also x = a + c + d y = a + b + d z = a + b + c 74
75 Man kann nun auch die Vektorräume {0, 1} n = {(x 1,, x n ) T x i = 0 oder 1} betrachten, bestehend aus den endlich vielen 01-Folgen der Länge n Der Skalarenbereich sind nun nicht mehr die reellen Zahlen, sondern Z 2 Man kann die neuen Vektoren wieder (komponentenweise) addieren und mit den Skalaren aus Z 2 multiplizieren 75
76 Der Kodierungsvorschrift abcd abcdxyz entspricht eine lineare Abbildung L : {0, 1} 4 {0, 1} 7 ausgedrückt mit einer Matrix als a b c d x y z = a b c d Den Hamming-Code nennt man deswegen einen linearen Code 76
77 Bemerkung: Die Rechenbereiche R, C und Z 2 sind Beispiele für Körper Sie sind durch folgende Eigenschaften charakterisiert: 1 Man kann die Elemente des Körpers addieren und multiplizieren Dabei gelten die aus den reellen Zahlen bekannten Rechenregeln 2 Es gibt zwei verschiedene Elemente 0 und 1, wieder mit den bekannten Eigenschaften 3 Jedes Element x 0 besitzt ein inverses Element y, charakterisiert durch die Gleichung xy = 1 77
78 Der Skalarenbereich eines Vektorraumes braucht nicht die reellen Zahlen sein, man kann dazu auch andere Körper K benutzen 78
35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
MehrKapitel 15 Lineare Gleichungssysteme
Kapitel 15 Lineare Gleichungssysteme Kapitel 15 Lineare Gleichungssysteme Mathematischer Vorkurs TU Dortmund Seite 1 / 27 Kapitel 15 Lineare Gleichungssysteme Definition 15.1 (Lineares Gleichungssystem
Mehra 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
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 5. April 2018 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
Mehr2.4 Lineare Abbildungen und Matrizen
24 Lineare Abbildungen und Matrizen Definition 24 Seien V, W zwei K-Vektorräume Eine Abbildung f : V W heißt lineare Abbildung (lineare Transformation, linearer Homomorphismus, Vektorraumhomomorphismus
Mehr3 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
MehrKapitel 14 Lineare Gleichungssysteme
Kapitel 4 Lineare Gleichungssysteme Kapitel 4 Lineare Gleichungssysteme Mathematischer Vorkurs TU Dortmund Seite 83 / 246 Kapitel 4 Lineare Gleichungssysteme Definition 4. (Lineares Gleichungssystem LGS)
Mehr5 Vektorräume. (V1) für alle x, y V : x + y = y + x; (V2) für alle x, y, z V : (x + y) + z = x + (y + z);
5 Vektorräume Was wir in den vorangegangenen Kapiteln an Matrizen und Vektoren gesehen haben, wollen wir nun mathematisch abstrahieren. Das führt auf den Begriff des Vektorraumes, den zentralen Begriff
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 5 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
MehrKapitel II. Vektoren und Matrizen
Kapitel II. Vektoren und Matrizen Vektorräume A Körper Auf der Menge R der reellen Zahlen hat man zwei Verknüpfungen: Addition: R R R(a, b) a + b Multiplikation: R R R(a, b) a b (Der Malpunkt wird oft
Mehr8.2 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
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrLINEARE 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
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr11. BASIS, UNTERRAUM, und DIMENSION
11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn
MehrMathematik für Anwender I
Prof. Dr. H. Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 9 Lineare Abbildungen Definition 9.1. Es sei K ein Körper und es seien V und W Vektorräume über K. Eine Abbildung ϕ : V W
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2008/09 4 Einführung Vektoren und Translationen
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrKapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;
Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 51 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
Mehr8.2 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
MehrA = ( a 1,..., a n ) ii) Zwei Matrizen sind gleich, wenn die Einträge an den gleichen Positionen übereinstimmen. so heißt die n n Matrix
Matrizen Definition: i Eine m n Matrix A ist ein rechteckiges Schema aus Zahlen, mit m Zeilen und n Spalten: a a 2 a n a 2 a 22 a 2n a m a m2 a mn Die Spaltenvektoren dieser Matrix seien mit a,, a n bezeichnet
MehrZusammenfassung zum Thema Vektor- und Matrizenrechnung
Zusammenfassung zum Thema Vektor- und Matrizenrechnung Mathematischer Vorkurs für Physiker und Naturwissenschaftler WS 2014/2015 Grundbegriffe der Linearen Algebra Viele physikalische Größen (Geschwindigkeit,
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrMathematische Grundlagen der Computerlinguistik Lineare Algebra
Mathematische Grundlagen der Computerlinguistik Lineare Algebra Dozentin: Wiebke Petersen 10. Foliensatz Wiebke Petersen math. Grundlagen 30 Einleitung Die lineare Algebra beschäftigt sich mit Vektorräumen
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14052018 (Teil 1) 7 Mai 2018 Steven Köhler mathe@stevenkoehlerde mathestevenkoehlerde 2 c 2018 Steven Köhler 7 Mai 2018 Matrizen
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
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
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
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
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
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
Mehr9 Aus der linearen Algebra. Themen: Lineare Abbildungen Darstellung durch Matrizen
9 Aus der linearen Algebra Themen: Der à n Lineare Abbildungen Darstellung durch Matrizen Der à n besteht aus den n-tupeln mit x i Ã. x 1 x 2 x = (x 1, x 2,...,x n ) oder x =. x n Der à n besteht aus den
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
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
MehrUniversität 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
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
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrKapitel 2 Lineare Algebra II. 2.1 Lineare Abbildungen
Kapitel 2 Lineare Algebra II 21 Lineare Abbildungen Die mit der Vektorraumstruktur verträglichen Abbildungen zwischen Vektorräumen werden als linear bezeichnet Genauer definiert man: 21 Definition Eine
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
Mehr2.4 Matrizen und Lineare Abbildungen
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 73 2.4 Matrizen und Lineare Abbildungen Zum Schluss von Abschnitt 2.2 hatten wir Matrizen eingeführt, und zwar im Zusammenhang mit der abgekürzten Schreibweise
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
Mehr6. Vorlesung. Rechnen mit Matrizen.
6. Vorlesung. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
Mehr8 Lineare Abbildungen und Matrizen
8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
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
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehr9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
Mehr2 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
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
MehrEXKURS: 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
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
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
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrZusammenfassung 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)...
MehrVorlesung Mathematik für Ingenieure 1 (Wintersemester 2008/09)
Vorlesung Mathematik für Ingenieure Wintersemester 8/9 Kapitel 4: Matrizen, lineare Abbildungen und Gleichungssysteme Volker Kaibel Otto-von-Guericke Universität Magdeburg Version vom 5. November 8 Page-Rank
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
MehrMatrix. Unter einer (m n)-matrix (m, n N) über einem Körper K versteht man ein Rechteckschema. a m,1 a m,2 a m,n. A = (a i,j ) = Matrix 1-1
Matrix Unter einer (m n)-matrix (m, n N) über einem Körper K versteht man ein Rechteckschema a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = (a i,j ) =.... a m,1 a m,2 a m,n Matrix 1-1 Matrix Unter einer (m n)-matrix
Mehr4 Vektorräume. 4.1 Definition. 4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48. Sei K ein Körper.
4 Vektorräume Pink: Lineare Algebra 2014/15 Seite 48 4 Vektorräume 4.1 Definition Sei K ein Körper. Definition: Ein Vektorraum über K, oder kurz ein K-Vektorraum, ist ein Tupel (V,+,, 0 V ) bestehend aus
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra 2014/15 Seite 59 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
Mehr