3.7 Eigenwerte und Eigenvektoren
|
|
- Michael Krüger
- vor 5 Jahren
- Abrufe
Transkript
1 3.7. EIGENWERTE UND EIGENVEKTOREN Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben, was durch die Auswahl geeigneter Basen geschieht. Zu einer besonders einfachen Form der f End K (V ) darstellenden Matrix verhelfen gegebenenfalls natürlich solche Basisvektoren, die von f auf ein Vielfaches von sich selbst abgebildet werden. Wir bemerken zunächst, daß für solche Vektoren folgendes gilt: f(v) = κ v (f κ id V )(v) = v Kern(f κ id V ). Wir führen deshalb die folgenden Bezeichnungen ein: Definition (Eigenwerte, Eigenvektoren, Eigenräume) Ist f End K (V ), dann heißt κ K Eigenwert von f genau dann, wenn Kern(f κ id V ) { V }. Die von Null verschiedenen Elemente des Kerns von f κ id V heißen ggf. Eigenvektoren zum Eigenwert κ, und als Eigenraum von f zum Eigenwert κ bezeichnen wir den gesamten Kern: E(κ) := {v V f(v) = κv} = Kern(f κ id V ). Falls die Dimension von V endlich ist, gibt es weitere dazu äquivalente Formulierungen, denn wir können die Determinante von f heranziehen: Hilfssatz Ist f End K (V ), dim K (V ) N, κ K, dann sind äquivalent: 1. κ ist Eigenwert von f, 2. Kern(f κ id V ) { V }, 3. det(f κ id V ) =, 4. f κ id V ist nicht injektiv, 5. f κ id V ist nicht surjektiv, 6. v V \{ V }: f(v) = κ v. Die Gleichung det(f κ id V ) = zeigt, daß die Eigenwerte von f als Nullstellen eines Polynoms aufgefaßt werden können. Wir wollen dies präzisieren und beginnen dazu mit Definition (Formale Potenzreihen, Polynome, Polynomabbildungen) (R, +, ) sei ein kommutativer Ring mit Einselement.
2 124 Wir erinnern zunächst an den Ring R N der formalen Potenzreihen über R in einer Unbestimmten x. Die Elemente p R N schreibt man gern in der Form p = p n x n, wobei p n := p(n). n= Dieser Ring wird meist mit R[x] bezeichnet, um die Bezeichnung der Unbestimmten x hervorzuheben. Er enthält auch das wurde bereits erwähnt den Teilring R[x] := {p R N p(n) =, für fast alle n} der Polynome über R in einer Unbestimmten x. Ist p R[x] und n N maximal mit p(n), dann heißt r n = p(n) der Leitkoeffizient von p und n der Grad von p. Dem Nullpolynom wird kein Grad zugeordnet. Zu p := r n x n R[x] gehört die Polynomabbildung P : R R, ρ r n ρ n. Ganz allgemein heißt f R R polynomiale Abbildung, wenn es p R[x] gibt mit P = f, d.h. P (ρ) = f(ρ), für alle ρ R. Falls Char(R) ist P nicht notwendig eindeutig bestimmt, z.b. ist P =, falls p = x+x 2 Z 2 [x]. ρ R heißt Wurzel von p, wenn ρ Nullstelle von P ist, d.h. wenn P (ρ) = gilt. Wir definieren: Definition (charakteristisches Polynom, charakteristische Koeffizienten) Ist f End K (V ), n := dim K (V ) N, B eine Basisfolge für V, A := M(B, f, B), dann heißt p A := det(a x E n ) = α i x i K[x] das charakteristische Polynom von A. Die α i heißen die charakteristischen Koeffizienten von A. Wegen det(a xe n ) = det(t AT 1 x E n ) ist dieses Polynom unabhängig von der Wahl der Basisfolge, wir können also p f := p A setzen und dieses Polynom auch als das charakteristische Polynom von f bezeichnen und die α i als die charakteristischen Koeffizienten von f.
3 3.7. EIGENWERTE UND EIGENVEKTOREN 125 Für gilt beispielsweise A := x 2 p A = det = x 2 5x x Hilfssatz Ist f End K (V ), n := dim K (V ) N, A = M(B, f, B) = (a ik ), dann gilt für die charakteristischen Koeffizienten von f bzw. A : α = det(a), α = ( 1) i a ii, α n = ( 1) n. Die Summe i a ii der Elemente in der Hauptdiagonalen von A heißt die Spur von A : Spur(A) := a ii. i Aus der Definition des charakteristischen Polynoms ergibt sich direkt: Folgerung Eigenwerte von f End K (V ) bzw. A = M(B, f, B) sind, bei endlichdimensionalem V, gegebenenfalls (!) genau die Wurzeln (in K!) des charakteristischen Polynoms p f = p A, also die Nullstellen der zugehörigen Polynomabbildung P f = P A. Deshalb liefern u.a. auch Hilfsmittel aus der Analysis, nämlich Aussagen über Nullstellen von Polynomabbildungen, Existenzsätze für Eigenwerte. So sagt z.b. der Fundamentalsatz der Algebra der meist in der Vorlesung über Funktionentheorie bewiesen wird aus, daß jede Polynomabbildung P : C C, p vom Grad n, n Nullstellen (die aber nicht paarweise verschieden sein müssen) in C hat. Das liefert, mit 4.3.9: Satz Jeder lineare Endomorphismus eines endlichdimensionalen Vektorraums V { V } über C besitzt Eigenwerte (und damit auch Eigenvektoren). Das gilt für K := R dagegen nicht, z.b. hat das Polynom p := 1 + x 2 keine Wurzeln in R, die lineare Abbildung f End R (R 2 ) mit 1 M(E, f, E) = 1 hat also keine Eigenwerte. Immerhin gilt noch Satz Ist n := dim R (V ) N, f End R (V ), dann gilt: 1. Ist n ungerade, dann besitzt f Eigenwerte, und zwar mindestens einen positiven (negativen), falls det(f) positiv (negativ) ist.
4 Ist n gerade und det(f) negativ, dann besitzt f mindestens einen positiven und einen negativen Eigenwert. Beweis: Bei ungeradem n ist a n = ( 1) n = 1, und nach Sätzen aus der Analysis ergibt sich, daß P f (x) mit x gegen geht, mit x dagegen nach. Wegen der Stetigkeit von P f folgt daraus mit dem Zwischenwertsatz die Behauptung. Analog folgt für gerade n die zweite Behauptung, da dann α = P f () = det(f). Kehren wir wieder zu dem allgemeinen Fall zurück Satz Jede Menge aus Eigenvektoren zu paarweise verschiedenen Eigenwerten ist linear unabhängig. Beweis: M bezeichne die gegebene Menge von Eigenvektoren. Wir haben zu zeigen, daß für jede endliche Teilmenge N := {v,..., v } M gilt: κ i v i = = i: κ i =. Der Beweis erfolgt per Induktion nach n : i I n = 1 : Die Menge {v } ist linear unabhängig, da v. II n n + 1 : Wir schließen indirekt. Wäre {v,..., v n } linear abhängig, dann gäbe es eine nicht triviale lineare Relation zwischen den Elementen dieser Menge. Ohne Einschränkung der Allgemeinheit können wir annehmen, sie sei von der Form v n = λ i v i, wobei nicht alle λ i gleich Null sind. Daraus würde sich aber folgendes ergeben, wenn v i Eigenvektor zum Eigenwert κ i ist, = f(v n ) κ n v n = λ i f(v i ) κ n λ i v i = λ i (κ i κ n )v }{{} i, ein Widerspruch zur Induktionsannahme, der linearen Unabhängigkeit von {v,..., v } Folgerung Ist f ein linearer Endomorphismus von V, dim K (V ) N, mit dim K (V ) paarweise verschiedenen Eigenwerten, dann besitzt V eine Basisfolge B aus Eigenvektoren. f wird also bezüglich dieser Basisfolge durch eine Diagonalmatrix M(B, f, B) beschrieben, in deren Hauptdiagonale die Eigenwerte von f stehen.
5 3.7. EIGENWERTE UND EIGENVEKTOREN Satz Ist V = U W, n = dim K (V ) N, f End K (V ), f(u) U, π W : V W, u + w w (die kanonische Projektion von V auf W ), dann gilt: Für g := π W f W haben wir p f = p f U p g. Beweis: Wir wählen eine Basisfolge B von V, die an die Zerlegung angepaßt ist, d.h. B = (b,..., b ), mit U = b,..., b m 1, W = b m,..., b. Dann gilt für A := M(B, f, B) und B = (b,..., b m 1 ), B 1 = (b m,..., b ) : B C A =, mit B = M(B D, f U, B ), sowie, wegen f(u) U, mit einer Nullmatrix aus n Zeilen und m Spalten, Damit erhalten wir: M(B 1, g, B 1 ) = M(B 1, π w, B) M(B, f W, B 1 ) C = ( E n m ) = D. D p f = det(a xe n ) = det(b xe m ) det(d xe n m ) = p f U p g Folgerung Ist U Unterraum von V mit f(u) U, dann teilt p f U das Polynom p f. Heißt κ K ein r facher Eigenwert von f, wenn (x κ) r Teiler von p f ist, und verstehen wir unter der Vielfachheit von κ das maximale dieser r, dann ergibt sich: Satz Die Dimension des Eigenraums von κ K ist höchstens gleich der Vielfachheit von κ als Eigenwert. Beweis: Man sieht sehr leicht, daß f E(κ) = κ id E(κ) gilt, also p f E(κ) = (κ x) dim(e(κ)). Dieses Polynom teilt aber, wegen f(e(κ)) E(κ) und das charakteristische Polynom p f, in dem der Faktor κ x genau mit dem Exponenten r steckt. Der Grad des Produkts zweier Polynome ist die Summe der Grade der Faktoren. Also ist die Summe der Vielfachheiten der Eigenwerte von f höchstens dim K (V ). Das, zusammen mit , ergibt:
6 Satz Ist f End K (V ) und n := dim K (V ) N, dann sind äquivalent: f läßt sich durch eine Diagonalmatrix beschreiben. V hat eine Basis aus Eigenvektoren. V ist direkte Summe der Eigenräume von f. p f ist Produkt von Linearfaktoren (:=Polynome vom Grad 1) und die Vielfachheiten der Eigenwerte gleichen den Dimensionen der zugehörigen Eigenräume. Will man eine Matrix auf Diagonalisierbarkeit untersuchen, wird man sich also zuerst das charakteristische Polynom vorzunehmen. Läßt es sich in Linearfaktoren zerlegen, hat man noch die Dimensionen n Rg(A κe) der Eigenräume zu ermitteln und mit den Vielfachheiten zu vergleichen Beispiel 1. Die Matrix A := hat das charakteristische Polynom det(a xe) = det 1 x 1 x 4 6 = (1 + x) 2 (2 x), 5 2 x also die Eigenwerte κ = 1 und κ 1 = 2. Wegen A κ E 3 = 4 6, 5 3 ist die Dimension des Eigenraums, also 3 Rg(A κ E), gleich 1 und damit kleiner als die Vielfachheit des Eigenwerts κ. Die Matrix A besitzt demnach keine Basis aus Eigenvektoren. 2. Für die Matrix A := dagegen gilt p A = (1 + x)(2 x)(3 x). Die Eigenwerte sind also κ = 1, κ 1 = 2 und κ 2 = 3. Nach existiert also eine Basis aus Eigenvektoren.
7 3.7. EIGENWERTE UND EIGENVEKTOREN Einen Eigenvektor b i zum Eigenwert κ i erhält man durch Lösen des Gleichungssystems (A κ i E n )b i =, für unser Beispiel erhält man beispielsweise (die Eigenvektoren sind nur bis auf Zahlenfaktoren eindeutig bestimmt!): b = 1, b 1 = 26/3 1 5, b 2 = 9 6 Eine deutlich schwächere Forderung an A als die Diagonalisierbarkeit ist die nach Trigonalisierbarkeit: Satz Ist f End K (V ) und n := dim K (V ) N, dann sind äquivalent: f ist trigonalisierbar, d.h. es gibt eine Basisfolge B, so daß A := M(B, f, B) eine obere Dreiecksmatrix ist. Es gibt eine Kette V := {} V 1... V V n := V f-invarianter Unterräume (d.h. f(v i ) = V i ) mit dim K (V i ) = i. Das charakteristische Polynom zerfällt in Linearfaktoren: Beweis: p f = (λ i x), λ i K. i= a) Die Äquivalenz der ersten beiden Punkte ist klar: Eine an eine solche Kette von invarianten Unterräumen angepaßte Basis liefert eine obere Dreiecksmatrix und umgekehrt. b) Ist A := M(B, f, B) eine obere Dreiecksmatrix, dann ist. det(a xe n ) = i (a ii x), also Produkt von Linearfaktoren. c) Zerfällt umgekehrt das charakteristische Polynom in Linearfaktoren, etwa p f = i= (λ i x), dann können wir die Trigonalisierbarkeit wie folgt per Induktion nach n beweisen: I n = 1 : Dieser Fall ist trivial. II n > 1 : f besitzt Eigenvektoren zum Eigenwert λ. Wir nehmen einen von ihnen, v, als -tes Element der Basisfolge B = (v,..., v ), so daß λ a 1... a, A = M(B, f, B) =. Ã.
8 13 Nun gilt aber V = v W, wenn W := v 1,..., v. Aus folgt demnach, wenn U := v, p f = p f U p g, mit g = π W f W. Es folgt, weil p f U = λ x, p g = (λ i x). i=1 Nun ist aber p g das charakteristische Polynom von Ã, so daß, nach Induktionsannahme, eine Kette W := {} W 1... W n 2 W = W aus g-invarianten Unterräumen W i (der Dimension i) existiert. Wir wollen zeigen, daß die Unterräume V i := U + W i 1 eine Kette f-invarianter Unterräume der gewünschten Dimensionen i bilden. Dazu bemerken wir, daß offenbar f W = h + k, mit h: W U, v j a j v, sowie k: W W, v j a ij v j. Sei jetzt v U + W i 1, etwa v = u + w, u U, w W i 1. Es gilt dann i=1 f(u + w) = f(u) + f(w) = f(u) + f W (w) = = f(u) + (h + k)(w) = f(u) + h(w) + k(w) U + W i 1. }{{}}{{} U =g(w) Demnach sind die V i wirklich f-invariant. Die Aussage über die Dimension ist leicht nachzuvollziehen. Dieser Beweis ergibt ein Verfahren zur sukzessiven Berechnung einer darstellenden Dreiecksmatrix anhand einer gegebenen Zerlegung p f = ± (λ i x) i= des charakteristischen Polynoms in Linearfaktoren: Man geht von der Standardbasis E aus, ermittelt zunächst einen Eigenvektor v zum Eigenwert λ und nimmt diesen als -tes Element v einer Basisfolge B = (v, e,..., e i 1, ê i, e i+1,..., e ), die aus v und geeigneten n 1 Elementen der Standardbasis besteht (unter Verwendung des Austauschsatzes, die Schreibweise ê i bedeute, daß e i ausgetauscht wurde). Die entsprechende Basistransformation T ergibt T M(E, f, E)T 1 = λ.... Ã.
9 3.7. EIGENWERTE UND EIGENVEKTOREN 131 Jetzt betrachten wir den von der Basisfolge (e,..., e i 1, ê i, e i+1,..., e ) erzeugten Unterraum und auf diesem die durch à dargestellte lineare Abbildung. Aus folgt pã = ± (λ i x), i=1 so daß man ganz analog zum vorherigen Schritt verfahren kann: Die Auswahl eines Eigenvektors v 1 zum Eigenwert λ 1 samt Anwendung des Austauschsatzes (mit i 1 i ) ergibt eine Basisfolge Die Transformation auf die Basisfolge (v 1, e,..., ê i,..., ê i1,..., e ). B 1 := (v, v 1, e,..., ê i,..., ê i1,..., e ) ergibt jetzt usw. T 1 M(E, f, E)T 1 1 = λ λ 1... λ à 1
4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
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
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehr5.2 Diagonalisierbarkeit und Trigonalisierung
HINWEIS: Sie finden hier eine vorläufige Kurzfassung des Inhalts; es sind weder Beweise ausgeführt noch ausführliche Beispiele angegeben. Bitte informieren Sie sich in der Vorlesung. c M. Roczen und H.
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
MehrKapitel 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
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,
Mehrm 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
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
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
MehrLineare Algebra II Lösungen zu ausgewählten Aufgaben
Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form
Mehr23. Die Jordan sche Normalform
Chr.Nelius, Lineare Algebra II (SS 2005) 1 23. Die Jordan sche Normalform Wir suchen für einen trigonalisierbaren Endomorphismus unter seinen dreiecksförmigen Darstellungsmatrizen eine Darstellungsmatrix,
MehrTrigonalisierung. Definition. 1) Sei F : V V linear, dim V = n. Dann heißt F trigonalisierbar, wenn es eine Basis B von V gibt sodass a 11 a 12..
Trigonalisierung Sei F : V V linear und dim V = n. Wir beschäftigen uns jetzt mit der Frage, ob es eine Basis B von V gibt, sodass M B (F ) eine Dreiecksmatrix ist. Definition. ) Sei F : V V linear, dim
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrLineare Algebra I Lösungsvorschläge zum 14. Übungsblatt U. Görtz
Lineare Algebra I Lösungsvorschläge zum 14. Übungsblatt U. Görtz Aufgabe 1 Sei V ein endlich-dimensionaler K-Vektorraum, und seien f und g Endomorphismen von V mit f g = g f. Zeige: a) Sind f und g diagonalisierbar,
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
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
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 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
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
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
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
MehrSommer 2017 Musterlösung
Sommer 7 Musterlösung. (5 Punkte) a) Sei V ein Vektorraum über K und sei T End(V ). Geben Sie die Definition eines Eigenwertes von T und zeigen Sie für endlichdimensionales V, dass λ K genau dann ein Eigenwert
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
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
MehrAusgewählte 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
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
Mehr1 Darstellungsmatrizen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Darstellungsmatrizen Vereinbarungen für dieses Kapitel: K Körper V und W endlich-dimensionale K-Vektorräume B = {v
Mehr7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
MehrKlausur 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
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
MehrSerie Sei V ein Vektorraum. Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt. Zeigen Sie:
Prof Emmanuel Kowalski Lineare Algebra II Serie 3 Sei V ein Vektorraum Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt Zeigen Sie: a Der Kern und das Bild einer Projektion
MehrEigenwerttheorie. Martin Gubisch Lineare Algebra I WS 2007/2008
Eigenwerttheorie Martin Gubisch Lineare Algebra I WS 27/28 Motivation Gegeben seien ein K-Vektorraum V der Dimension n < und eine K-lineare Abbildung f : V V Wir suchen eine Basis V = v 1,, v n von V,
MehrWir verallgemeinern jetzt den Begriff bilinear zu multilinear. Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante.
118 36 Determinanten Wir verallgemeinern jetzt den Begriff bilinear zu multilinear Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante 361 Definition (alternierend, symmetrisch,
MehrAlle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie-
1 Vorbemerkungen Alle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie- benen Vektoren. Wird die Matrix A = ( a 1,..., a n ) mit dem Vektor c = c 1. c n multipliziert,
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrDie 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
Mehr29 Lineare Algebra 2 (SS 2009) 4.9. Das charakteristische Polynom sei Produkt von linearen Polynomen.
9 Lineare Algebra (SS 009) 49 Das charakteristische Polynom sei Produkt von linearen Polynomen 49 Das charakteristische Polynom sei Potenz eines linearen Polynoms Wir betrachten nun eine Matrix A, sodass
Mehr3.4 Trigonalisierung und Jordansche Normalform
3.4 Trigonalisierung und Jordansche Normalform Definition 3.4.1. Sei V ein K-Vektorraum, F End K (V ). Ein Unterraum U V heißt F -invariant falls F (U) U. Bemerkung. (1) Falls U V ein F -invarianter Unterraum
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 215/216 Lineare Algebra und analytische Geometrie I Vorlesung 27 In der letzten Vorlesung haben wir die Haupträume zu einem Eigenwert λ zu einem Endomorphismus ϕ als Kern
Mehr12.3 Kommutierende Abbildungen
12.3 Kommutierende Abbildungen Definition 12.3.1 Sei V ein endlichdimensionaler Vektorraum, und sei F eine Familie linearer Abbildungen V V mit UT = TU für alle U, T in F. Dann nennt man F eine Familie
MehrHauptachsentransformation: 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
MehrBasisprüfung. 18. August 2015
Lineare Algebra I/II D-MATH, HS 4/FS 5 Prof Richard Pink Basisprüfung 8 August 25 [6 Punkte] Betrachte den reellen Vektorraum R 3 zusammen mit dem Standardskalarprodukt, und die Vektoren 9 3 v := 6, v
Mehr3.5 Duale Vektorräume und Abbildungen
3.5. DUALE VEKTORRÄUME UND ABBILDUNGEN 103 3.5 Duale Vektorräume und Abbildungen Wir wollen im Folgenden auch geometrische Zusammenhänge mathematisch beschreiben und beginnen deshalb jetzt mit der Einführung
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 0..08 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrAufgaben zur linearen Algebra und analytischen Geometrie I
Aufgaben zur linearen Algebra und analytischen Geometrie I Es werden folgende Themen behandelt:. Formale und logische Grundlagen 2. Algebraische Grundlagen 3. Vektorräume und LGS 4. Homomorphismen und
Mehr2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren
2 ÄHNLICHKEIT VON MATRIZEN, EIGENWERTE UND EIGENVEKTOREN 1 19. Mai 2000 2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren Motivation. Es seien: V ein K-Vektorraum mit dim V = n < und F End V, Φ,
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrLineare Algebra 2. Lösung zu Aufgabe 7.2:
Technische Universität Dortmund Sommersemester 2017 Fakultät für Mathematik Übungsblatt 7 Prof. Dr. Detlev Hoffmann 15. Juni 2017 Marco Sobiech/ Nico Lorenz Lineare Algebra 2 Lösung zu Aufgabe 7.1: (a)
MehrLineare Algebra I. Prof. Dr. Daniel Roggenkamp Vorlesung -
Lineare Algebra I Prof. Dr. Daniel Roggenkamp - 22.Vorlesung - Aus der letzten Vorlesung: Polynome K[t] (p 0, p,, p i K mit p i = 0 i > i 0 für ein i 0 = i 0 p i t i = p 0 + p t + p 2 t 2 + + p i0 t i
MehrTutorium 2. 1 Der Polynomring
1 Der Polynomring Tutorium 2 Wiederholung. Eine Einheit eines Rings ist ein multiplikativ invertierbares Element. Zum Beispiel sind {1, 1} die Einheiten in Z, und alle Zahlen außer der 0 in jedem Körper.
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
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
MehrLineare 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.
MehrLineare Algebra II Lösungen der Klausur
Prof Dr K Doerk 673 Jens Mandavid Christian Sevenheck Lineare Algebra II Lösungen der Klausur (a Diese Aussage ist richtig, sie stimmt nämlich für k = Sei nämlich n N beliebig und bezeichne N die Menge
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
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
MehrAusgewählte 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
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
Mehr3.3 Das charakteristische Polynom
LinAlg II Version 1 2. Mai 2006 c Rudolf Scharlau 209 3.3 Das charakteristische Polynom Wir setzen die im vorigen Abschnitt begonnene Untersuchung von Eigenvektoren und Eigenwerten fort und stellen den
MehrLösung zu Serie Zeige, dass das Minimalpolynom jedes Jordanblocks gleich seinem charakteristischen
Lineare Algebra D-MATH, HS 4 Prof. Richard Pink Lösung zu Serie. Zeige, dass das Minimalpolynom jedes Jordanblocks gleich seinem charakteristischen Polynom ist. Lösung: Das charakteristische Polynom eines
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
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
MehrKlausur zur Vorlesung Lineare Algebra und Geometrie I
Klausur zur Vorlesung Lineare Algebra und Geometrie I Ruhr-Universität Bochum Prof. Dr. Peter Eichelsbacher 3. April 2007, 9.00-13.00 Uhr, 240 Minuten Name und Geburtsdatum: Matrikelnummer: Hinweise: Überprüfen
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrKlausur zur Linearen Algebra I
Universität Konstanz Wintersemester 2009/2010 Fachbereich Mathematik und Statistik 24.03.2010 Klausur zur Linearen Algebra I Prüfen Sie sofort nach Beginn der Klausur, ob Sie alle 8 Aufgaben erhalten haben.
MehrLösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen
Technische Universität Berlin Sommersemester 2008 Institut für Mathematik 18 Juli 2008 Prof Dr Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Klausur zur Linearen Algebra II Aufgabe 1 (1+1+1 Punkte)
MehrLineare Algebra II 3. Übungsblatt
Lineare Algebra II 3. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 27./28. April 2011 Susanne Kürsten Tristan Alex Minitest Aufgabe M1 (Formale Polynome) Betrachten Sie die folgenden Polynome
MehrDefinitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.
Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Lineare Algebra 1 WS 2006/07 Lösungen Blatt 13/ Probeklausur. Lösungen zur. Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 13/2 29.1.27 en zur Probeklausur Aufgabe 1 (ca. 6 Punkte) Sei
MehrÜbungen zur Vorlesung Lineare Algebra II, SoSe 2016, Blatt 1
Übungen zur Vorlesung Lineare Algebra II, SoSe 216, Blatt 1 Mündliche Aufgaben Die Aufgaben aus diesem Blatt bestehen zu einem großen Teil aus den Aufgaben von Blatt 13 der LA1. Sie dienen vor allem der
MehrLösungsskizzen der Klausur zur Linearen Algebra im Herbst 2015
sskizzen der Klausur zur Linearen Algebra im Herbst 5 Aufgabe I. Es sei (G, ) eine Gruppe mit neutralem Element e und M {x G x x e}. Zeigen Sie: (a) Ist G kommutativ, so ist M eine Untergruppe von G. (b)
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
MehrMusterlösung Donnerstag - Determinanten und Eigenwerte
Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent,
Mehra) Die Abbildung µ h ist injektiv, da für alle g 1, g 2 G gilt: Daher ist µ h bijektiv. Zudem folgt aus µ h (g) = g auch
Aufgabe. (8 Punkte) Es sei (G, ) eine Gruppe und e G ihr neutrales Element. Für h G sei µ h : G G die Abbildung, die durch g G : µ h (g) := h g gegeben ist. a) Zeigen Sie, dass für jedes h G die Abbildung
Mehr3.2 Unabhängigkeitsstrukturen
80 3.2 Unabhängigkeitsstrukturen Unser Ziel ist der Nachweis, daß in Vektorräumen, also in Moduln über Körpern, Basen existieren und zwei endliche Basen gegebenenfalls von derselben Ordnung sind. (Basen
Mehr4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit
4.4 Simultane Diagonalisierbarkeit und Trigonalisierbarkeit Definition 4.41. Eine Familie F linearer Operatoren heißt vertauschbar oder kommutierend, wenn für je zwei Operatoren U,T in F gilt: UT = TU.
Mehrist (oder besser Abspalten von Linearfaktoren beschäftigen. Zu einem beliebigen Körper K betrachten wir die Menge (j,k) N N j+k=n
8. Polynomringe Das Umgehen mit Polynomen, d.h. mit Ausdrücken der Form a 0 + a 1 x + a 2 x 2 +... + a n x n ist aus der Schule vertraut, falls die Koeffizienten a 0,..., a n ganze oder rationale oder
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
MehrKlausur (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
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).
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
MehrSerie 17: Satz von Cayley-Hamilton & spezielle Endomorphismen
D-MATH Lineare Algebra I/II HS 2017/FS 2018 Dr. Meike Akveld Serie 17: Satz von Cayley-Hamilton & spezielle Endomorphismen 1. Sei V ein K-Vektorraum. a) Sei T End(V ). Zeigen Sie, dass die folgenden alles
Mehr