Rechenmethoden der Physik Vorlesungsskript
|
|
- Inken Esser
- vor 5 Jahren
- Abrufe
Transkript
1 Rechenmethoden der Physik Vorlesungsskript Prof. Dr. Gernot Akemann Fakultät für Physik Universität Bielefeld
2
3 Inhaltsverzeichnis 0 Inhaltsübersicht Literatur: einige Standardwerke Übersicht Lineare Algebra Vektoren und Skalare Matrizen
4 Inhaltsverzeichnis 2
5 Inhaltsverzeichnis 3
6
7 0 Inhaltsübersicht 0.1 Literatur: einige Standardwerke S. Großmann, Mathematischer Einführungskurs für die Physik (10. Aufl.), Vieweg+Teubner Verlag, Wiesbaden, H. Schulz, Physik mit Bleistift (6. Aufl.), Verlag Harri Deutsch, Frankfurt am Main, C.B. Lang und N. Pucker, Mathematische Methoden in der Physik (2. Aufl.), Spektrum Akad. Verl., Heidelberg, I.N. Bronstein und K.A. Semendjaev, Taschenbuch der Mathematik (8. Aufl.), Verlag Harri Deutsch, G. Fischer, Lineare Algebra: Eine Einführung für Studienanfänger (18. Aufl.), Springer Fachmedien Wiesbaden, Wiesbaden, Semesterapparat 0.2 Übersicht 1. Lineare Algebra 2. Analysis in 1 Dimension 3. Analysis in 1 Dimension 4. Fourier-Transformation 5
8
9 1 Lineare Algebra Lit.: Gerd Fischer, Lineare Algebra 1.1 Vektoren und Skalare Gruppe G: Menge G mit Verknüpfung + : G G G G 0 abgeschlossen a, b G: a + b G G 1 + assoziativ (a + b) + c = a + (b + c) G 2 neutrales Element e: a G: e + a = a G 3 inverses a : a: a + a = e G ist abelsch, wenn a, b: a + b = b + a Körper K: Menge K mit 2 Verknüpfungen (K, +, ) K 1 (K, +) ist eine abelsche Gruppe, e = 0, a = a K 2 K K \ {0} ist eine Untergruppe: K K bzgl. und (K, ) ist abelsch, neutr. Element 1, a = a 1 K 3 Distributivgesetze a (b + c) = a b + a c, (a + b) c = a c + b c Beispiele: K = R oder K = C mit üblicher Addition und Multiplikation. Es gilt: e, a sind eindeutig, a K : a 0 = 0, a, b K : a b = 0 a = 0 oder b = 0. 7
10 1 Lineare Algebra Vektorraum über K (K-Vektorraum): K Körper, V Menge mit 2 Verknüpfungen +, ; + Addition V V V : v, w V v + w V Multiplikation mit Element aus dem Körper K V V : a K, v V a v V mit: V 1 (V, +) ist eine abelsche Gruppe, mit e 0 Nullvektor und inversem Element v zu v, so dass v + ( v) = 0 V 2 Distributivgesetze: (a + b) v = a v + b v, a(b v) = (ab) v, a ( v + w) = a v + a w, und 1 v = v, wobei 1 K. Die Elemente von K heißen Skalare (z. B. m, T,...), die von V Vektoren und werden mit gekennzeichnet (z. B. Geschwindigkeit r = v, Impuls m v = p, Drehimpuls r p = L,...) Beispiel: K = R (oder C) und V = R n, v n-tupel in oder V =Polynome Rn. Um zu einer expliziten Darstellung von Vektoren zu gelangen (u. a. um mit ihnen konkret zu rechnen) müssen wir eine Basis einführen Vektorenaddition u. skalare Multiplikation iteriert: (Geometrische Bedeutung Ü) Linearkombination: k a i v i V die Vektoren v 1,..., v k 0 sind linear unabhängig falls gilt k a i v i = 0 i = 1,..., k : a i = 0, (1.1) gibt es eine Lösung für (1.1) mit mind. einem a j 0, so sind die Vektoren linear abhängig: k v j = 1 a j a i v i. i j Basis (Fundamentalsystem): Die Menge von Vektoren e 1,..., e n bildet eine Basis von V falls 8
11 1.1 Vektoren und Skalare B 1 sie sind linear unabhängig, B 2 sie spannen V auf: V = span ( e i ),...,n : v V v 1,..., v n K mit v = n v i e i. Dann ist die Dimension dimv = n eine Wahl der Basis ist nicht eindeutig, z. B. { e 1, e 2 } Basis von R 2 { e 1 + e 2, e 1 e 2 } ist auch eine Basis nach Wahl einer Basis sind die Komponenten v i eines Vektors v bzg. dieser Basis eindeutig! Dann v 1,..., v n ; w 1,..., w n mit n n v = v i e i = w i e i 0 = v w = n (v i w i ) e i, e i linear unabh.,...,n, v i = w i. Beispiele: R 3 ist ein R-Vektorraum, Basis: { e 1, e 2, e 3 }, { e x, e y, e z }; v = (v 1, v 2, v 3 ) 3-Tupel mit kanonischer Basis e x = (1, 0, 0), e y = (0, 1, 0), e z = (0, 0, 1) und Addition komonentenweise (sowie Multiplikation) die Menge der Polynome mit maximalen Grad n ist ein (n + 1)-dim. Vektorraum Phasenraum eines Teilchens in der klass. Mechanik R 6 {x, y, z, p x, p y, p z } höhere Dim. für mehr Teilchen v, w V V V K Skalarprodukt: die Multiplikation von (inneresprodukt) Abb. in K ( v, w) v w K heißt Skalarprodukt falls gilt: ( v w = w w abelsch; es gibt auch nicht abelsch: K = C: v w), v (a 1 w 1 + a 2 w 2 ) = a 1 v w 1 + a 2 v w 2 linear, } v 2 v v 0 v 2 positiv definit, v ist die Norm ( Länge ) von v, = 0 v = 0 9
12 1 Lineare Algebra es gilt Cauchy-Schwarzsche Ungleichung: (Denn 0 λ v + w 2, obda v 0, wähle λ = v w/ v 2 u. Gl. v 2 0 ( v w) 2 + v 2 w 2.) Dreiecksungleichung: v w v w. (1.2) v + w v + w. (1.3) (Denn v + w 2 = v v w + w 2 v v w + w 2 ( v + w ) 2, oder geom. Beweis für R 2.) 2 Vektoren v, w V heißen orthogonal falls v w = 0. Wir definieren einen Winkel θ zwischen 2 Vektoren: für v, w 0 : cos θ := v w v w, (1.4) wegen Cauchy-Schwarz (1.2) gilt cos θ 1. insbesondere haben wir für θ = π/2: v w Orthogonalität. Orthonormale (ON) Basis: gegeben eine Basis { e 1,..., e n } von V, gilt i,j=1,...,n mit i j : e i e j = 0, so ist diese orthogonal. (1.5) Ist zusätzlich,...,n e i = 1 ist sie orthonormal. (Können wir immer durch Normierung erzielen e i e i e i, da i e i 0 (lin. unabh.!).) aus einer beliebigen Basis { a 1,..., a n } kann immer eine orthn. Basis rekursiv konstruiert werden: Gram-Schmidt Verfahren: 10
13 1.1 Vektoren und Skalare b1 := a 1, ( a 2 b 1 ) b2 := a 2. bk := a k k 1 b 1 2 b1, ( a k b i ) mit b i b j = 0 für i j, dann e j = b j / b j ist ON Basis. In einer ON Basis gilt: wegen ( n ) ( n ) v w = v i e i w j e j = j=1 b i 2 bi (1.6) n v i w j e i e j = i,j=1 n v i w i = v i w i (Einsteinsche Summenkonvention über gleiche Indizes), e i e j = δ ij = { 1, i = j 0, i j Kronecker Delta. (1.7) skalare Mult. bisher hatten wir K V V : a v Skalarprodukt V V K : v w. Gibt es weitere Multiplikationen, die wieder in V führen? R Ja!: 2 = C : z 1 z 2 C Mult. komplexer Zahlen z = v R 2 Ü R 3 : Vektorprodukt Vektorprodukt (Kreuzprodukt o. äußeres Produkt) auf V = R 3 : { R 3 R 3 R u v R 3 (1.8) mit folgenden Eigenschaften: ( ) antisymmetrisch: u v = v u u u = 0 linear: u (a v + b w) = a ( u v) + b ( u w)., 11
14 1 Lineare Algebra Wenn wir auf einer ON Basis defeinieren, ist es für alle Vektoren auf R 3 definiert: e 1 e Figur 1 (Rechtshändige ON Basis) = e zyklisch. In einer rechtshändigen ON Basis gilt: ( u v) = (u 1 e 1 + u 2 e 2 + u 3 e 3 ) (v 1 e 1 + v 2 e 2 + v 3 e 3 ) linear = (u 1 v 2 u 2 v 1 ) e 1 e }{{} 2 + (u 2 v 3 u 3 v 2 ) e 2 e 3 + (u }{{} 3 v 1 u 1 v 3 ) e 3 e }{{} 1 = e 3 = e 1 = e 2 =(u 2 v 3 u 3 v 2 ) e 1 + (u 3 v 1 u 1 v 3 ) e 2 + (u 1 v 2 u 2 v 1 ) e 3, 3 ( u v) i = ɛ ijk u j v k. (1.9) j,k=1 Total anti-sym. Epsilon-Tensor (3. Stufe: 3 Indizes) 0, wenn je 2 (oder mehr) Indizes gleich ɛ ijk = +1, wenn ijk zyklische Permutationen von {1, 2, 3} 1, wenn ijk nicht zyklische Permutationen von {1, 2, 3} (1.10) 3 Indizes 3! = 6 Permutationen: + - ɛ ɛ Vorzeichen ändert sich nicht bei zyklischer Vertauschung. Skalarprodukt und Vektorprodukt spielen eine wichtige Rolle in der Elektrodynamik, mit Ableitungen als Komponenten. (geometrische) Eigenschaften des Vektorprodukts: u 0 = 0, 0! = u ( u v) = u 1 (u 2 v 3 u 3 v 2 ) + u 2 (u 3 v 1 u 1 v 3 ) + u 3 (u 1 v 2 u 2 v 1 ) sowie 0 = v ( u v) (denn u v, v u oben, antisym.) (falls 0!) ( u v) ist senkrecht zu u und v, d. h. zur von u u. v aufgespannten Ebene (rechtshändig), Figur 2 (Normale und Winkel von/zwischen u und v.) 12
15 1.1 Vektoren und Skalare Flächenbestimmung: u v 2 = (u 1 v 2 u 2 v 1 ) 2 + (u 2 v 3 u 3 v 2 ) 2 + (u 3 v 1 u 1 v 3 ) 2 =... = u 2 v 2 ( u v) 2 = u 2 v 2 ( 1 cos 2 θ ), u v = u v 1 cos 2 θ = u v sin θ (1.11) = Fläche des von u und v aufgespannten Parallelogramms. Figur 3 (Parallelogramm u, v, θ.) Beispiel: u = 1 2 ( e x + e y ) u 2 = ( ) 2 ( ) = 1 v = e z v 2 = 1 u v = 0 u v spannen Einheitsquadrat auf u v = 1 2 ( e x + e y ) e z = 1 2 ( e y + e x ) u = 0 v = 0 u v 2 = = Fläche = 1 Außerdem gilt, dass diese { u, v, u v} eine neue ON Basis bilden. u v = 0, wenn: Kombinationen von u v v = v (±1) u u ( u v) i = j,k (oder mit: θ = 0, π) ɛ }{{} ijk u j u k anti }{{} sym. (±1) u v { Skalarprodukt und Vektorprodukt? Vektorprodukt und Vektorprodukt? 13
16 1 Lineare Algebra Spatprodukt: u ( v w) V V V K Zyklizytät 1) = v ( w u) 2) = w ( u v) denn: u ( v w) = n u i n ɛ ijk v j w k j,k, endliche Summen können immer Idee: ɛ ijk = ɛ jki = ɛ kij umgeordnet werden n n = ɛ jki w k u i 1) = j=1 n k=1 v j w k k,i n ɛ kij u i v j 2) (Später: schreibe Spatprodukt mit Determinante) i,j es gibt weitere Identitäten bei anti-zyklischer Vertauschung von ( v w) = ( w v) Vertauschbarkeit u ( v w)! = ( u v) w, denn: 2) oben, Skalarprodukt ist kommut. = w ( u v) Volumenbestimmung Volumen = Fläche Höhe Höhe = cos θ u u ( v w) = cos θ u v w Figur 4, Parallelepiped (= Spat) das von u, v, w aufgespannte Spatvolumen ist 0 u, v, w sind linear unabhängig (denn alle wechselseitigen Kreuzprodukte müssen 0 sein) Weitere Eigenschaften des Vektor- und Skalarproduktes: Graßmann-Identität u ( u w) = ( u w) v ( u v) w (1.12) (Beweis Übung) 14
17 1.2 Matrizen Lagrange-Identität ( u 1 u 2 ) ( v 1 v 2 ) = ( u 1 v 1 ) ( u 2 v 2 ) ( u 1 v 2 ) ( u 2 v 1 ) (1.13) (Beweis Übung) Jacobi-Identität u ( v w) + v ( w u) + w ( u v) = 0 (1.14) (Beweis Übung) Aus der Jacobi-Identität folgt, dass das Vektorprodukt i.a. nicht zyklisch ist u ( v w) ( u v) w, d.h. Klammern sind wichtig! Im Gegensatz dazu hatten wir u ( v w) = ( u v) w * Wir kommen später auf diese Formeln zurück in der Differential- und Integralrechnung in 3 Dimensionen. * weitere Multiplikationen von Vektoren die V V abbilden (in bel. Dim.): lineare Abbildungen und Matrixmultiplikation 1.2 Matrizen lineare Abbildung M : V V v w = M ( v) auf K-Vektorraum V, wenn gilt L 1 v, w V : M ( v + w) = M ( v) + M ( w), L 2 v V, a K : M (a v) = a M ( v). Darstellung der linearen Abbildung: Matrix wähle ON Basis { e i },...,n, so dass v = n v j e j = v j e j w = n w i = k=1 n j=1 w k e k = M ( v) L 1, 2 = n j=1 j=1 v j M ( e j ) e i, e i e k = δ ik v j e i M ( e j ) = M ij v j, wobei e i M ( e j ) M ij K, damit Resultat in K und M ij Darstellung von M in Basis { e i }. 15
18 1 Lineare Algebra Beispiele: lineares Gleichungssystem: w, M gegeben: w 1 M 11 v M 1n v n.. w i = M i1 v M in v n.. w n M n1 v M nn v n M 11 M M 1j... M 1n v 1 M 1 v M i M ij.. M. in v j = M i v, M n1 M n2... M nj... M nn v n M n v wobei Mi der i-te Zeilenvektor ist Nullmatrix: 0 n n =....., Einheitsmatrix: 1 n n = mit M ij = δ ij Im Allgemeinen betrachten wir im folgenden nur quadratische Matrizen M. ( ) Zeitreihen Rechteckige Matrizen (z.b. in der Finanzmathematik) Firmen Beispiele: ( ) M11 M 12 M 1 ( ) 13 v v M 21 M 22 M 2 w1 =, also M : R 3 R w v 2 3 M n m Matrix: R m R n. 16
19 1.2 Matrizen Transponierte Matrix: ( M ) = M ij ji (definiert für quadratisches und rechteckiges M insbesondere für Vektoren: MM quadratisch) v V als n 1 Matrix : v =. v 1 v n SpaltenVektor, v = ( v 1... v n ) Zeilenvektor. (1.15) Skalarprodukt als Matrixprodukt: w 1 v w = v i w i = ( ) v 1,..., v n. w n = v w Abbildung von R n R 1 Symmetrische Matrix: ( ( ) M ) a b = M ij ji = +M ij, z.b., b c antisymmetrische Matrix: ( ( ) M ) 0 b = M ij ji = M ij, z.b.. b 0 Operationen von Matrizen: M, N: V V elementweises Addieren (M + N) ij = M ij + N ij wichtig: gleiche Dimension mit Skalaren Multiplizieren (am) ij = am ij Hintereinanderausführung: v = N u, w = M v: =K. w = M (N u) w i = M ij N jk v k aber i.a. N (M u) (= N ij M jk u k ) ist assoziativ A(BC)=(AB)C und distributiv A(B+C)=AB+AC Vertauschen von 2 Matrizen: Kommutator [M, N] = MN NM Eigenschaften von * ( M ) = M * (M + N) = M + N 17
20 1 Lineare Algebra * (MN) = N M denn ( (MN) ) ij = M jk N kj = ( N ) ik (M) kj = ( N M ) ij z.b. MM ist symmetrisch In der Quantenmechanik brauchen wir Matrizen mit M ij C betrachte K = C Vektorraum, z.b. V = C n : konjungierte Matrix (M ) ij = (M ij ) komplexe Konjugation ( adjungierte Matrix ) M = (M ij ij) = ( M ) Kreuz ij (engl.dagger) selbstadjungierte oder hermitesche Matrix M = M wegen (z ) = z hat dieselben Eigenschaften wie (Notation Mathematik: oft z z, M M ) Beispiel: die Pauli-Matrizen sind hermitesch: σ x = ( ) 0 1, σ 1 0 y = ( ) ( ) 0 i 1 0, σ i 0 z = 0 1 (1.16) Funktionen von Matrizen viele wichtige Funktionen in der Physik besitzen eine Taylorreihendarstellung, die auf ganz R (oder sogar C) konvergiert Beispiele: * e x = n=0 1 n! xn * cos x = 1 2 (eix + e ix ) = (e ix = cos x + i sin x) n=0 Damit definieren wir z.b. ( e M) ij ( 1) n (2n)! x2n, etc. n=0 1 (M n ) n! ij, wegen AB BA gilt aber i.a. e AB e BA (nicht kommutierende Matrizen) oder allgemeiner: F (z) = a j x j F (M) = a j M j. j=0 Insbesondere sind einfache Beispiele P k Polynome vom Grad k: a j = 0 j > k : P 2 (M) = a1 + bm + cm 2, wobei a, b und c Skalare K. j=0 18
21 1.2 Matrizen Das transponierte M einer Matrix M ist wichtig z.b. bei Drehungen: lineare Abbildung (gegeben durch Matrixmultiplikation), die das Skalarprodukt invariant läßt (und damit insbesondere die Norm aller Vektoren!): =Länge x x = O x (= Ox als Spaltenvektor) mit x y! = x y = (x ) y = (O x) (O y) = x O O y! = x y O O = 1. (1.17) Matrizen, deren inverse Matrix O 1 = O, heißen orthogonal. Es gilt auch O O = 1. (O: orthogonale Transformation) für einen C-Vektorraum, z.b. C n läßt sich mit u, v C n : u v ein (nicht kommutatives) Skalarprodukt definieren, das eine positiv definite Norm hat. Dies wird durch folgende lineare Abbildung invariant gelassen: u u = U u, v v = U v ( u ) v = (Uu) Uv = u U Uv! = u v U U = 1, (1.18) solche Matrizen heißen unitär. Es gilt auch UU = 1. (U: unitäre Transformation) 19
Inhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrRechenmethoden der Physik Vorlesungsskript
Rechenmethoden der Physik Vorlesungsskript Prof. Dr. Gernot Akemann Fakultät für Physik Universität Bielefeld Inhaltsverzeichnis 0 Inhaltsübersicht 5 0.1 Literatur: einige Standardwerke........................
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
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
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
MehrMathematische Grundlagen der Computerlinguistik Lineare Algebra
Mathematische Grundlagen der Computerlinguistik Lineare Algebra Dozentin: Wiebke Petersen 10. Foliensatz Wiebke Petersen math. Grundlagen 1 Einleitung Die lineare Algebra beschäftigt sich mit Vektorräumen
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
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
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
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
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
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
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
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
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
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
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
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).
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
MehrAbbildung 1: Geordnete Paare im zweidimensionalen euklidischem Raum
Vektorrechnung Wir werden den Vektorbegriff anschaulich einführen und beschränken uns zunächst auf den zweidimensionalen euklidischen Raum. Die Elemente dieses Raumes sind Punkte P, Q, R, S,.... Geordnete
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
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
Mehr32 2 Lineare Algebra
3 Lineare Algebra Definition i Die Vektoren a,, a k R n, k N, heißen linear unabhängig genau dann, wenn für alle λ,, λ k R aus der Eigenschaft λ i a i λ a + + λ k a k folgt λ λ k Anderenfalls heißen die
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
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,
MehrVerschiedenes. Exponieren einer Matrix. Wir betrachten als Beispiel folgende Matrix: 0 1 A = 1 0
Verschiedenes Exponieren einer Matrix Wir betrachten als Beispiel folgende Matrix: A = Man kann die Funktion f(a) einer Matrix A so berechnen, indem man auf die Reihendarstellung der Funktion f(x) zurückgeht.
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrErgänzung zum HM Tutorium
Ergänzung zum HM Tutorium Patrik Hlobil Niko Kainaris Dieses Dokument erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit. Es stellt keine Vorlesungszusammenfassung dar, sondern soll euch lediglich
MehrHM II Tutorium 1. Lucas Kunz. 24. April 2018
HM II Tutorium 1 Lucas Kunz 24. April 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Körper...................................... 2 1.2 Gruppen..................................... 2 1.3 Vektorraum...................................
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
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
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 +
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,
MehrMathematischer Vorkurs
Mathematischer Vorkurs Dr Agnes Lamacz Mathematischer Vorkurs TU Dortmund Seite 1 / 17 Vektoren Kapitel 15 Vektoren Mathematischer Vorkurs TU Dortmund Seite 13 / 17 Vektoren 151 Denition: Vektoren im Zahlenraum
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
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
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrL5 Matrizen I. Matrix: (Plural: Matrizen)
L5 Matrizen I Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen - Beschreibung von Lorenz-Transformationen (spezielle
Mehr1.2 Das kartesische Koordinatensystem
Kapitel 1 Vektoralgebra 1.1 Einführung Am ersten Kapitel widmen wir uns den Grundlagen der Vektoralgebra, wobei wir speziell auf die Definitionen von Skalaren und Vektoren eingehen und Produkte zwischen
MehrMathematik für Chemische Technologie 2
Mathematik für Chemische Technologie 2 Themenüberblick: Funktionen mehrerer unabhängigen Veränderlichen Vektoralgebra Lineare Gleichungssysteme und Determinanten Fehlerrechnung Schwerpunkt des Sommersemesters
MehrDefinition: Euklidischer Raum mit Skalarprodukt. Die kanonische Basis von Einheitsvektoren sind paarweise orthogonal zueinander:
Definition: Euklidischer Raum mit Skalarprodukt Einsteinsche Summenkonvention (ES): über doppelt vorkommende Indizes wird summiert. Die kanonische Basis von Einheitsvektoren sind paarweise orthogonal zueinander:
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 Matrizenrechnung. Beide Operationen geschehen also koeffizientenweise. Daher übertragen sich die Rechenregeln von K(m n, k).
4 Matrizenrechnung Der Vektorraum der m n Matrizen über K Sei K ein Körper und m, n N\{0} A sei eine m n Matrix über K: a a 2 a n a 2 a 22 a 2n A = = (a ij) mit a ij K a m a m2 a mn Die a ij heißen die
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrMATRIZEN. Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet. a 11 a a 1n a 21. a a 2n A = a m1 a m2...
MATRIZEN Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn A ist eine m n Matrix, dh: A hat m Zeilen und n Spalten A besitzt
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
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
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
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
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
MehrKapitel 17 Skalar- und Vektorprodukt
Kapitel 17 Skalar- und Vektorprodukt Mathematischer Vorkurs TU Dortmund Seite 1 / 22 Bisher hatten wir die Möglichkeit Vektoren des R n zu addieren und Vektoren mit rellen Zahlen zu multiplizieren. Man
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
Mehr11. Vorlesung. Lineare Algebra und Sphärische Geometrie.
11. Vorlesung. Lineare Algebra und Sphärische Geometrie. In dieser Vorlesung behandeln wir eine geometrische Anwendung der linearen Algebra. Insbesondere betrachten wir orthogonale Abbildungen. 1. Orthogonale
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
MehrVektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1
Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,
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
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
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
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 Invertierbare Matrizen Die Inverse einer (2 2)-Matrix Eigenschaften invertierbarer Matrizen... 18
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik 2 Dr. Thomas Zehrt Vektoren und Matrizen Inhaltsverzeichnis Vektoren(Wiederholung bzw. Selbststudium 2. Linearkombinationen..............................
MehrL2. Vektorräume. Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer. Beispiele:
L2. Vektorräume Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer Beispiele: Masse, Volumen, Energie, Arbeit, Druck, Temperatur 2) Vektoren: vollständig
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 y + z = 1 + y z
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
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
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrTensoren auf einem Vektorraum
ANHANG A Tensoren auf einem Vektorraum In diesem Anhang werden einige Definitionen und Ergebnisse betreffend Tensoren ohne Anspruch auf mathematische Strenge zusammengestellt. Das Ziel ist, den modernen
MehrMatrizen. Lineare Algebra I. Kapitel April 2011
Matrizen Lineare Algebra I Kapitel 2 26. April 2011 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/~holtz Email: holtz@math.tu-berlin.de Assistent: Sadegh
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
MehrVektorprodukt. Der Vektor. ist zu a und b orthogonal, gemäß der. Rechten-Hand-Regel orientiert und hat die Länge c = a b
Vektorprodukt Der Vektor c = a b ist zu a und b orthogonal, gemäß der Rechten-Hand-Regel orientiert und hat die Länge c = a b sin( ( a, b)), die dem Flächeninhalt des von den Vektoren a und b aufgespannten
MehrL2. Vektorräume. Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer. Beispiele:
L2. Vektorräume Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer Beispiele: 2) Vektoren: vollständig bestimmt durch Angabe einer und einer Beispiele: Übliche
Mehr348 Anhang A Vektorrechnung
348 Anhang A Vektorrechnung A Vektorrechnung Kräfte, Momente und weitere Größen treten in der Mechanik als Vektoren im Anschauungsraum auf, d.h. zu ihrer Beschreibung ist neben einem Betrag die Angabe
MehrFH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB 5./7. November 2008 Prof. Dr. H.-R. Metz. Matrizen 1. a m1 a m2 a m3 a mn
FH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB./7. November 2008 Prof. Dr. H.-R. Metz (Matrix) Matrizen 1 Ein System von Zahlen a ik, die rechteckig in m Zeilen und n Spalten angeordnet
Mehr3 Matrizen und Lineare Gleichungssysteme
3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen
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
MehrLernhilfe Höhere Mathematik I
Lernhilfe Höhere Mathematik I Tim Weber 3. 24 Vielen Dank an Andreas del Galdo für seine Zusammenfassung, Jakob Haufe für seine Musterlösungen, Marco Oster für den Abschnitt über QR- Zerlegung, Robert
MehrMünchner Volkshochschule. Planung. Tag 08
Planung Tag 08 Prof.Dr. Nils Mahnke Mathematischer Vorkurs Folie: 181 Vektoren Analytische Darstellung: Jedem Punkt im Raum kann ein Ortsvektor zugeordnet werden. P: (6; 5) R 2 P(6; 5) a = OP = 6 5 a Vektoren
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
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
Mehr1 Vorlesungen: und Vektor Rechnung: 1.Teil
1 Vorlesungen: 4.10.005 und 31.10.005 Vektor Rechnung: 1.Teil Einige in der Physik auftretende Messgrößen sind durch eine einzige Zahl bestimmt: Temperatur T K Dichte kg/m 3 Leistung P Watt = J/s = kg
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
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.
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):
MehrKlausur Sommersemester 2011 Tensorrechnung für Ingenieure Musterlösung
Klausur Sommersemester 2011 Tensorrechnung für Ingenieure Musterlösung Prof Dr-Ing Ch Tsakmakis Dipl-Ing J Frischmann FB 13, FG Kontinuumsmechanik Aufgabe 1 (Klausuraufgabe) Seien drei Vektoren u, v, w
MehrVektorprodukt. Institut für Mathematik Humboldt-Universität zu Berlin & &
Vektorprodukt Institut für Mathematik Humboldt-Universität zu Berlin 18.02.2004 & 17.02.2005 & 11.07.2005 zu den Vorlesungen Lineare Algebra und analytische Geometrie I (L) im WS 2003/2004, Mathematik
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
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
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
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
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
Mehr5. Matrizen und Determinanten
technische universität dortmund Dortmund, im Januar 01 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 1 und Matrizen und
Mehr1 Grundzüge der linearen Algebra
Höhere Mathematik I für die Fachrichtung Elektrotechnik und Informationstechnik Teil: Lineare Algebra Wintersemester 2018/19 Ioannis Anapolitanos Karlsruher Institut für Technologie Institut für Analysis
Mehr