Das Levi-Civita-Symbol alias ε-tensor

Größe: px
Ab Seite anzeigen:

Download "Das Levi-Civita-Symbol alias ε-tensor"

Transkript

1 1 Das Levi-Civita-Symbol alias ε-tensor Wir gehen aus vom Kreuzprodukt und schreiben dieses auf eine zunächst komplex anmutende Art: a a 2 b 3 a 3 b 2 0 a 3 a 2 b 1 b = a 3 b 1 a 1 b 3 = a 3 0 a 1 b 2 = a 1 b 2 a 2 b 1 a 2 a 1 0 b b 1 = a a a b 2 = b = a b Im Prinzip ist das seltsam ausschauende Objekt vor a b der ε-tensor in überanschaulicher Schreibweise. In ihm stecken alle Eigenschaften drin, die das Kreuzprodukt so mit sich bringt. Beispielsweise ist dessen Antisymmetrie dadurch erkennbar, dass die drei auftretenden Matrizen selbst antisymmetrisch sind. Bis jetzt ist zwar alles richtig, doch ist in praktischen Rechnungen das monströse Objekt nicht sehr hilfreich weil zu unhandlich. Infolgedessen betrachtet man immer nur eine einzige Komponente des Kreuzprodukts und schreibt dieses dann in folgender Form: ( a b) k = ε ijk a i b j i=1 j=1 Der erste Index i steht hierbei für die laufende Nummer der drei obigen Matrizen und die letzten beiden Indizes für die Zeilen bzw. Spalten einer solchen Matrix. (Zur Information für besonders Motivierte: Die drei auftretenden Matrizen sind die Generatoren der Lie-Algebra SO(3), also der dreidimensionalen reellen orthogonalen Matrizen (AA = A A = 1) mit Determinante 1. Das hat damit zu tun, dass das Kreuzprodukt selbst die Eigenschaften einer Liealgebra ausweist.) Summiert wird über die doppelt vorkommenden Indizes. Da diese im Endergebnis nicht mehr auftauchen, werden sie auch als stumme Indizes bezeichnet. Indizes, über die nicht summiert wird, müssen im Endergebnis wieder auftreten (Erhaltung der Indexstruktur); solche tragen die Bezeichnung

2 2 freie Indizes. Da über doppelte Indizes sowieso summiert wird, kann man die Summenzeichen eigentlich auch gleich weglassen. Diese sind unnötiger Ballast, den man nicht explizit hinschreiben muss. Theoretische Physiker sind wie Mathematiker nämlich faul. Also schreiben wir: ( a b) k = ε ijk a i b j Natürlich muss man die Summenzeichen immer im Hinterkopf behalten. Mit der Zeit bekommt man jedoch den Dreh raus. Diese berühmte Notation stammt von Albert Einstein persönlich. In der Relativitätstheorie treten nämlich auch sehr viele Summen auf und dann ist es besonders lästig, die Summenzeichen immer mitschleppen zu müssen. Es ist sinnvoll, auf den Begriff der totalen Antisymmetrie einzugehen. Dies bedeutet, dass sich das Vorzeichen von ε ijk ändert, sobald man zwei Indizes vertauscht: ε jik = ε ijk, ε ikj = ε ijk Setzen wir zwei Indizes gleich (also beispielsweise i = j), so gilt ε iik = ε iik, was nur für ε iik = 0 erfüllt ist. Analog funktioniert dies für die anderen Indizes. Sind also zwei oder mehr Indizes gleich, so verschwindet das Levi-Civita-Symbol. Setzt man ε 123 = 1, so gilt: ε 123 = 1, ε 231 = 1, ε 312 = 1 ε 321 = 1, ε 213 = 1, ε 132 = 1 ε 111 = 0, ε 112 = 0, ε 113 = 0, ε 121 = 0, ε 131 = 0, ε 311 = 0,... Die Antisymmetrie des Kreuzprodukts spiegelt sich in der Antisymmetrie des ε-tensors wieder. Zusammenfassend kann man sagen: 1 für (i, j, k) zyklisch aus (1, 2, 3) ε ijk = 1 für (i, j, k) antizyklisch aus (1, 2, 3) 0 sonst (zwei oder drei Indizes gleich) Erleben wir nun das Levi-Civita-Symbol in seiner Anwendung: 1.) Kreuzprodukt: Das Kreuzprodukt zweier Vektoren a und b ist wieder ein Vektor (der auf diesen beiden Vektoren senkrecht steht). Die k-te Komponente dieses neuen Vektors c lässt sich mit dem Levi-Civita-Symbol schreiben: c k = ( a b) k = 3 3 ε ijk a i b j i=1 j=1 Summiert wird über die beiden Indizes i und j. Der Index k ist frei, über diesen

3 3 wird nicht summiert. Führen wir also die Summationen aus: c 1 = ( a b) 1 = = ε }{{} 111 a 1 b 1 + ε 121 a }{{} 1 b 2 + ε 131 a }{{} 1 b 3 + ε 211 a }{{} 2 b 1 + ε }{{} 311 a 3 b 1 + ε 221 a }{{} 2 b 2 + ε 231 a }{{} 2 b 3 + ε 321 a }{{} 3 b 2 = =1 = 1 = a 2 b 3 a 3 b 2 Für die anderen beiden Komponenten gilt (wobei wir nun die ε ijk mit zwei oder drei gleichen Indizes sofort gleich null setzen): c 2 = ( a b) 2 = ε 132 a 1 b 3 + ε 312 a 3 b 1 = a 3 b 1 a 1 b 3 c 3 = ( a b) 3 = ε 123 a 1 b 2 + ε 213 a 2 b 1 = a 1 b 2 a 2 b 1 Zusammenfassend gilt also (wie wir aus der Schule wissen): a a 2 b 3 a 3 b 2 b = a 3 b 1 a 1 b 3 a 1 b 2 a 2 b 1 2.) Determinante einer Matrix: a.) 2 2-Matrix: det(a) = 2 2 ε ij a 1i a 2j = ε 12 a 11 a 22 + ε 21 a 12 a 21 = a 11 a 22 a 12 a 21 i=1 j=1 Hier haben wir also das zweidimensionale ε-symbol verwendet, das analog zum dreidimensionalen definiert ist. Es gilt also: ε ij = ε ji, ε ii = 0 ε 11 = ε 22 = 0, ε 12 = 1, ε 21 = 1

4 4 b.) 3 3-Matrix: det(a) = ε ijk a 1i a 2j a 3k = i=1 j=1 k=1 = ε 123 a 11 a 21 a 31 + ε 231 a 12 a 23 a 31 + ε 312 a 13 a 21 a 32 + ε 132 a 11 a 23 a 32 + ε 321 a 13 a 22 a 31 + ε 213 a 12 a 21 a 33 = = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 11 a 23 a 32 a 13 a 22 a 31 a 12 a 21 a 33 Das ist nichts anderes als die bekannte Sarrussche Regel. Determinanten höherdimensionaler Matrizen kann man mit einem entsprechenden höherdimensionalen Levi-Civita-Symbol definieren, das dieselben Eigenschaften hat. Damit wollen wir uns jedoch jetzt nicht beschäftigen. Wie behandelt man eine δ-funktion, deren Argument selbst wieder eine Funktion ist? Wir führen als erstes den allgemeinen Beweis für eine beliebige Funktion ). Dazu nehmen wir an, ) habe n Nullstellen x 1,..., x k,..., x n. Die Steigungen in den jeweiligen Nullstellen bezeichnen wir mit g (x 1 ),..., g (x k ),..., g (x n ). Auszuwerten ist nun folgendes: + δ())f(x) dx

5 5 Wir machen die Substitution y = ) mit = g (x) dx und erhalten: g( ) g( ) g (x) δ(y)f(g 1 (y)) An dieser Stelle teilen wir die Funktion bei der Integration in verschiedene Intervalle ein; in einem einzigen dieser Intervalle liege eine Nullstelle. Wie die Intervallgrenzen genau gewählt werden, ist hierbei egal. + + δ())f(x) dx = k ε) k +ε) 0 +ε) 0 ε) g (x k ) δ(y)f(g 1 (y)) g (x 1 ) δ(y)f(g 1 (y)) +... n+ε) n ε) g (x n ) δ(y)f(g 1 (y)) Nun müssen wir jedoch noch beachten, ob die erste Ableitung in der jeweiligen Nullstelle > 0 oder < 0 ist. Ist sie > 0 wie im ersten Bild, so können wir einfach die Integration ausführen, wobei wir beachten, dass g 1 (0) eine Nullstelle von ), also x k, ist. k +ε) k ε) g (x k ) δ(y)f(g 1 (y)) = 1 g (x k ) f(g 1 (0)) = 1 g (x k ) f(x k) für g (x k ) > 0 Im Falle g (x k ) < 0, wie auf dem zweiten Bild, müssen wir die Integrationsgrenzen

6 6 vertauschen, da dann die untere Integrationsgrenze größer ist als die obere: k +ε) k ε) g (x k ) δ(y)f(g 1 (y)) = k ε) k +ε) = 1 g (x k ) f(x k) für g (x k ) < 0 g (x k ) δ(y)f(g 1 (y)) = 1 g (x k ) f(g 1 (0)) = Zusammenfassend können wir mittels der Betragsfunktion schreiben; n k=1 1 g (x k ) f(x k) Damit ist die Wirkung von δ()) auf eine Testfunktion f(x) gezeigt und wir schließen daraus: δ()) = n k=1 1 g (x k ) δ(x x k) mit k ) = 0 und g (x k ) 0

Verschiedenes. Exponieren einer Matrix. Wir betrachten als Beispiel folgende Matrix: 0 1 A = 1 0

Verschiedenes. 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.

Mehr

In allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.

In allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle. Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:

Mehr

Prof. Dr. J. Schumacher Merkblatt zur Strömungsmechanik 1 Institut für Thermo- und Fluiddynamik Technische Universität Ilmenau

Prof. Dr. J. Schumacher Merkblatt zur Strömungsmechanik 1 Institut für Thermo- und Fluiddynamik Technische Universität Ilmenau Prof. Dr. J. Schumacher Merkblatt zur Strömungsmechanik 1 Institut für Thermo- und Fluiddynamik Technische Universität Ilmenau Mathematische Grundlagen Mit den folgenden mathematischen Grundlagen sollten

Mehr

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V. Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

Lösung 01 Klassische Theoretische Physik I WS 15/16

Lösung 01 Klassische Theoretische Physik I WS 15/16 Karlsruher Institut für Technologie Institut für theoretische Festkörperphysik www.tfp.kit.edu Lösung Klassische Theoretische Physik I WS 5/6 Prof. Dr. G. Schön Punkte Sebastian Zanker, Daniel Mendler

Mehr

Definition: Euklidischer Raum mit Skalarprodukt. Die kanonische Basis von Einheitsvektoren sind paarweise orthogonal zueinander:

Definition: 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:

Mehr

Aus dem Beispiel lässt sich ablesen (und auch beweisen, siehe Mathematikvorlesung): Die Einheitsvektoren des Koordinatensystems K sind die Spalten der

Aus dem Beispiel lässt sich ablesen (und auch beweisen, siehe Mathematikvorlesung): Die Einheitsvektoren des Koordinatensystems K sind die Spalten der 7 Aus dem Beispiel lässt sich ablesen (und auch beweisen, siehe Mathematikvorlesung): Folgerung: Drehmatrizen haben die Determinante. Folgerung: Drehmatrizen sind orthogonale Matrizen, das heißt D = D

Mehr

, c d. f + e + d. ae + bg a f + bh. ce + dg c f + dh

, c d. f + e + d. ae + bg a f + bh. ce + dg c f + dh Die Determinante Blockmatrizen Bemerkung: Für zwei 2 2-Matrizen gilt a b e f a b c d g h c d e g a b, c d f h a c b e + d a g, c f + ae + bg a f + bh ce + dg c f + dh b d h Sind die Einträge der obigen

Mehr

3 Rechnen mit Indizes

3 Rechnen mit Indizes 3 Rechnen mit Indizes Übersicht 3.1 Einstein sche Summenkonvention..... 91 3.2 Skalarprodukt und das Kronecker-Symbol..... 93 3.3 Der Levi-Civita-Tensor... 97 3.4 Produkte mit Kronecker und Levi-Civita...

Mehr

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

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

Mehr

5 Lineare Algebra (Teil 3): Skalarprodukt

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

Mehr

Tensoren. Oliver Jin, Florian Stöttinger, Christoph Tietz. January 24, 2012

Tensoren. Oliver Jin, Florian Stöttinger, Christoph Tietz. January 24, 2012 Tensoren Oliver Jin, Florian Stöttinger, Christoph Tietz January 24, 2012 Inhaltsverzeichnis Einleitung Einstein sche Summenkonvention Ko- und Kontravariant Stufen Transformationsverhalten Symmetrie Tensoralgebra

Mehr

Wirtschaftsmathematik Formelsammlung

Wirtschaftsmathematik Formelsammlung Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2019 (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) = a 2 b 2 Fakultät (Faktorielle) n! = 1 2 3 4 (n 1) n Intervalle

Mehr

Determinante. Die Determinante. einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden.

Determinante. Die Determinante. einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden. Determinante Die Determinante det A = det(a 1,..., a n ) einer quadratischen Matrix A mit Spalten a j kann durch folgende Eigenschaften definiert werden. Multilineariät: det(..., αa j + βb j,...) = α det(...,

Mehr

mit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"

mit 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"

Mehr

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

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

Mehr

3 Determinanten, Eigenwerte, Normalformen

3 Determinanten, Eigenwerte, Normalformen Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

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

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

Mehr

HM II Tutorium 3. Lucas Kunz. 10. Mai 2016

HM II Tutorium 3. Lucas Kunz. 10. Mai 2016 HM II Tutorium 3 Lucas Kunz 10. Mai 2016 Inhaltsverzeichnis 1 Theorie für das Tutorium 2 1.1 Definition der Determinante.......................... 2 1.2 Errechnung von Determinanten........................

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Was fehlt derzeit im Internet? Sicherlich eine verständliche Einführung in Tensoren.

Was fehlt derzeit im Internet? Sicherlich eine verständliche Einführung in Tensoren. Was fehlt derzeit im Internet? Sicherlich eine verständliche Einführung in Tensoren. Mehr von PLARTHIN gibt's im Internet auf http://plarthin.wordpress.com Literatur: - deutsche Wikipedia - Spacetime and

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

Mehr

a 1 a 1 A = a n . det = λ det a i

a 1 a 1 A = a n . det = λ det a i 49 Determinanten Für gegebene Vektoren a 1,,a n K n, betrachte die Matrix deren Zeilenvektoren a 1,,a n sind, also A = Ab sofort benutzen wir diese bequeme Schreibweise Definition Sei M : K n K }{{ n K

Mehr

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren

Kapitel 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

Mehr

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops 15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den

Mehr

Diagonalisierbarkeit symmetrischer Matrizen

Diagonalisierbarkeit 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

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

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

Mehr

Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen

Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen 27. bis 29. Oktober 2010 (1) Lösung von Aufgabe (1) : ad (a) : Die Aussage 2n + 1 < 2 n wird durch Induktion über n für alle n gezeigt.

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

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

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

Mehr

Klausur Sommersemester 2011 Tensorrechnung für Ingenieure Musterlösung

Klausur 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

Mehr

Im Falle einer zweimal differenzierbaren Funktion lässt sich das Krümmungsverhalten anhand der zweiten Ableitung feststellen.

Im Falle einer zweimal differenzierbaren Funktion lässt sich das Krümmungsverhalten anhand der zweiten Ableitung feststellen. Konvex, Konkav, Wendepunkt: Sei f : D R eine Funktion und sei I D ein Intervall. Gilt für alle x 1,x 2 I f ( x1 +x ) 2 2 f(x 1)+f(x 2 ), 2 dann heißt f konvex (linksgekrümmt) in I. Gilt für alle x 1,x

Mehr

zu beweisen, kann man sich daher auf einen speziellen, möglichst einfach strukturierten Raum

zu beweisen, kann man sich daher auf einen speziellen, möglichst einfach strukturierten Raum 9 Tensoren Im Teil I haben wir die wesentlichen Eigenschaften des physikalischen Raumes mit den Mitteln der linearen Algebra beschrieben. Die Orte im Raum haben wir mit den Punkten eines dreidimensionalen,

Mehr

= 9 10 k = 10

= 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

Mehr

Allgemeine Mechanik Musterlo sung 10.

Allgemeine Mechanik Musterlo sung 10. Allgemeine Mechanik Musterlo sung 0. U bung. HS 03 Prof. R. Renner Kanonische Transformation Gegeben sei die Hamiltonfunktion des harmonischen Oszillators H(q, p) p + q. m. Berechne die Bewegungsgleichung

Mehr

2.3.4 Drehungen in drei Dimensionen

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

Mehr

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

Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende

Mehr

Zusammenfassung zum Thema Vektor- und Matrizenrechnung

Zusammenfassung 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,

Mehr

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

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

Mehr

3 Matrizenrechnung. 3. November

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

Mehr

Lösung 10 Klassische Theoretische Physik I WS 15/16

Lösung 10 Klassische Theoretische Physik I WS 15/16 Karlsruher Institut für Technologie Institut für theoretische Festkörperphysik www.tfp.kit.edu ösung Klassische Theoretische Physik I WS 5/6 Prof. Dr. G. Schön Punkte Sebastian Zanker, Daniel endler Besprechung

Mehr

5.2 Rechnen mit Matrizen

5.2 Rechnen mit Matrizen 52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 95 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

Klassische Theoretische Physik I WS 2013/ Kronecker und Levi-Civita Symbole ( = 50 Punkte)

Klassische Theoretische Physik I WS 2013/ Kronecker und Levi-Civita Symbole ( = 50 Punkte) Karlsruher Institut für Technologie www.tkm.kit.edu/lehre/ Klassische Theoretische Physik I WS 2013/2014 Prof. Dr. J. Schmalian Blatt 4 Dr. P. P. Orth Abgabe und Besprechung 22.11.2013 1. Kronecker und

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 9 20. Mai 2010 Kapitel 9. Matrizen und Determinanten Der Begriff der Matrix Die transponierte Matrix Definition 84. Unter einer (reellen) m n-matrix

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

Lineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching

Lineare Algebra. 5. Übungsstunde. Steven Battilana. battilana.uk/teaching Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 2, 207 Erinnerung Definition. Ein Skalarprodukt ist eine Abbildung, : E n E n E, v, w v, w = n k= v

Mehr

Analysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit

Analysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in

Mehr

Nomenklatur. Frank Essenberger FU Berlin. 20. September

Nomenklatur. Frank Essenberger FU Berlin. 20. September Nomenklatur Frank Essenberger FU Berlin 20. September 2006 Inhaltsverzeichnis Vektorrechnung. Vektoren x.............................. 2.2 Matrixprodukt x M........................ 2.3 Inneres Produkt

Mehr

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2, Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist

Mehr

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6

1 Lineare Unabhängigkeit Äquivalente Definition Geometrische Interpretation Vektorräume und Basen 6 Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik Dr. Thomas Zehrt Vektorräume und Rang einer Matrix Inhaltsverzeichnis Lineare Unabhängigkeit. Äquivalente Definition.............................

Mehr

10.2 Linearkombinationen

10.2 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

Mehr

Vektorräume und Rang einer Matrix

Vektorräume 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

Mehr

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

Mehr

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

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

Mehr

3. Übungsblatt zur Lineare Algebra I für Physiker

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

Mehr

5.2 Rechnen mit Matrizen

5.2 Rechnen mit Matrizen 52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

Drehung. Die orthogonale n n-matrix 1 0. c s. Zeile j. s c

Drehung. Die orthogonale n n-matrix 1 0. c s. Zeile j. s c Drehung Die orthogonale n n-matrix Q i,j... Zeile i c s... Zeile j s c... mit c = cos ϕ und s = sin ϕ beschreibt eine Drehung um den Winkel ϕ in der x i x j -Ebene des R n. Drehung - Drehung Die orthogonale

Mehr

Mathematische Grundlagen der Tensoralgebra und Tensoranalysis

Mathematische Grundlagen der Tensoralgebra und Tensoranalysis Kapitel 2 Mathematische Grundlagen der Tensoralgebra und Tensoranalysis Zusammenfassung Die in der Kontinuumsmechanik betrachteten Größen sind Skalare, Vektoren und Tensoren, oder allgemeiner Tensoren

Mehr

Wiederholung von Linearer Algebra und Differentialrechnung im R n

Wiederholung von Linearer Algebra und Differentialrechnung im R n Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:

Mehr

Lösungshinweise zu den Hausaufgaben:

Lösungshinweise zu den Hausaufgaben: S. Hagh Shenas Noshari, 9. Gruppenübung zur Vorlesung S. Nitsche, C. Rösinger, A. Thumm, D. Zimmermann Höhere Mathematik Wintersemester 8/9 M. Stroppel Lösungshinweise zu den Hausaufgaben: Aufgabe H 33.

Mehr

, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.

, 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 =

Mehr

1 Lineare Gleichungssysteme und Matrizen

1 Lineare Gleichungssysteme und Matrizen 1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe

Mehr

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

FB 13, FG Kontinuumsmechanik Dipl.-Ing. J. FRISCHMANN Klausur Tensorrechnung Wintersemester 015/16 Prof Dr-Ing C TSAKMAKIS FB 13, FG Kontinuumsmechak Dipl-Ing J FRISCHMANN 0704016 Name, Vorname: Studiengang: Matrikel-Nr: Bearbeitungshinweise: Benutzen Sie

Mehr

D-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6

D-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6 D-MAVT Lineare Algebra I HS 28 Prof. Dr. N. Hungerbühler Lösungen. Gegeben seien die Matrizen A := ( 2 3 3 ), B := Welche der folgenden Aussagen sind richtig? (a) (AB) T = A T B T. 5 3 2 6 Die Formel (AB)

Mehr

Ausgewählte Lösungen zu den Übungsblättern 9-10

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

Mehr

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

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

Mehr

2.2 Kollineare und koplanare Vektoren

2.2 Kollineare und koplanare Vektoren . Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,

Mehr

Übungsblatt Wiederholung: Vektoralgebra, Nabla-Operator, Integralsätze.

Übungsblatt Wiederholung: Vektoralgebra, Nabla-Operator, Integralsätze. Übungsblatt 01 http://www.fluid.tuwien.ac.at/302.043 Wiederholung: Vektoralgebra, Nabla-Operator, Integralsätze. Im Folgenden stehen normal gedruckte Buchstaben ρ (x) für skalare Funktion die den R 3 nach

Mehr

1 Polynome III: Analysis

1 Polynome III: Analysis 1 Polynome III: Analysis Definition: Eine Eigenschaft A(x) gilt nahe bei a R, falls es ein δ > 0 gibt mit A(x) gilt für alle x (a δ, a + δ)\{a} =: U δ (a) Beispiele: x 2 5 nahe bei 0 (richtig). Allgemeiner:

Mehr

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung

Viele 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

Mehr

5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix

5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix 5 Determinante, Spatprodukt, Vektorprodukt, inverse Matrix Jörn Loviscach Versionsstand: 20. März 2012, 16:02 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:

Mehr

Zusammenfassung und Beispiellösungen. zur Linearen Algebra

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

Mehr

Matrizen: Grundbegriffe. 1-E Ma 1 Lubov Vassilevskaya

Matrizen: Grundbegriffe. 1-E Ma 1 Lubov Vassilevskaya Matrizen: Grundbegriffe -E Ma Lubov Vassilevskaya Lineares Gleichungssystem Abb. : Der Schnittpunkt P der beiden Geraden ist die graphische Lösung des linearen Gleichungssystem g : y = x, g 2 : y = 3 x,

Mehr

MLAN1 1 MATRIZEN 1 0 = A T =

MLAN1 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

Mehr

Tensoranalysis Mai 2010

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

Mehr

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten

Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.2 Determinanten www.math.ethz.ch/education/bachelor/lectures/hs2014/other/mathematik1 BIOL Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/

Mehr

Mathematische Probleme, SS 2019 Donnerstag $Id: dreieck.tex,v /04/12 17:03:16 hk Exp $

Mathematische Probleme, SS 2019 Donnerstag $Id: dreieck.tex,v /04/12 17:03:16 hk Exp $ $Id: dreieck.tex,v 1.53 2019/04/12 17:03:16 hk Exp $ 1 Dreiecke 1.1 Rechtwinklige Dreiecke Wir beschäftigen uns gerade mit den primitiven pythagoräischen Tripeln. Haben wir ein solches Tripel, also teilerfremde

Mehr

1 Analytische Geometrie und Grundlagen

1 Analytische Geometrie und Grundlagen $Id: vektor.tex,v 1.44 2018/05/17 14:11:13 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.6 Bewegungen und Kongruenzbegriffe Wir untersuchen gerade die Spiegelung an einer Hyperebene h R d. Ist ein

Mehr

Einführung in die theoretische Physik 1

Einführung in die theoretische Physik 1 Einführung in die theoretische Physik 1 Prof. Dr. L. Mathey Dienstag 15:45 16:45 und Donnerstag 10:45 12:00 Beginn: 23.10.12 Jungius 9, Hörs 2 1 Organisatorisches Vorlesung am 1.11.: wird dankenswerterweise

Mehr

Matrixelemente von Tensoroperatoren und die Auswahlregeln

Matrixelemente von Tensoroperatoren und die Auswahlregeln Vorlesung 3 Matrixelemente von Tensoroperatoren und die Auswahlregeln In der Quantenmechanik müssen wir ab und zu die Matrixelemente von verschiedenen Operatoren berechnen. Von spezieller Bedeutung sind

Mehr

Vektoren und Matrizen

Vektoren 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

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Invertierung von Matrizen und Multilinearformen

TECHNISCHE UNIVERSITÄT MÜNCHEN. Invertierung von Matrizen und Multilinearformen TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof Dr Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 2006/07 en Blatt 3 2902007 Invertierung von Matrizen und Multilinearformen Zentralübungsaufgaben

Mehr

Mathematik für Anwender I

Mathematik für Anwender I Prof Dr H Brenner Osnabrück WS 2011/2012 Mathematik für Anwender I Vorlesung 11 Rang von Matrizen Definition 111 Es sei K ein Körper und sei M eine m n-matrix über K Dann nennt man die Dimension des von

Mehr

Mengen und Relationen

Mengen und Relationen KAPITEL 1 Mengen und Relationen 1.1. Mengenlehre Georg Cantor (3.3.1845 6.1.1918: Cantor ist der Vater der modernen Mengenlehre, er definierte 1895: DEFINITION 1.1.1. Unter einer Menge verstehen wir jede

Mehr

5. Krümmung Der Riemann sche Krümmungstensor

5. Krümmung Der Riemann sche Krümmungstensor 5 Krümmung 51 Der Riemann sche Krümmungstensor Gegeben sei eine Riemann sche Mannigfaltigkeit (M,, ) mit Levi-Civita-Zusammenhang D Der Riemann sche Krümmungstensor von M bezüglich D ist die Abbildung

Mehr

6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66

6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten 6.1 Symmetrische Gruppe Definition: Eine bijektive Abbildung von einer Menge X auf sich selbst heisst eine Permutation von X. Satz-Definition:

Mehr

Serie 10: Inverse Matrix und Determinante

Serie 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

Mehr

L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert

L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors

Mehr

Diplom VP Informatik / Numerik 2. September 2002

Diplom VP Informatik / Numerik 2. September 2002 Diplom VP Informatik / Numerik. September 00 Aufgabe Gegeben sei das lineare Gleichungssystem A x = b mit 0 4 0 0 0 0 A = 4 0 0 0 0 0 0 0 0 und b = 4 4 8 5. Punkte a Berechnen Sie die Cholesky Zerlegung

Mehr

1.2 Das kartesische Koordinatensystem

1.2 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

Mehr

6.2 Rechnen mit Matrizen

6.2 Rechnen mit Matrizen 62 Rechnen mit Matrizen 62 Rechnen mit Matrizen 103 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij

Mehr

Kapitel 15 Lineare Gleichungssysteme

Kapitel 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

Mehr

Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten

Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.2 Determinanten Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 44 8. Lineare Algebra: 2. Determinanten Ein einführendes

Mehr

Das innere Produkt von zwei Vektoren in V entspricht dem standard Skalarprodukt ihrer Komponenten bezüglich einer Orthonormalbasis von V.

Das innere Produkt von zwei Vektoren in V entspricht dem standard Skalarprodukt ihrer Komponenten bezüglich einer Orthonormalbasis von V. L5.6 Orthogonale und unitäre Matrizen (invertierbare Abbildungen, die reelles bzw. komplexes Skalarprodukt invariant lassen) Reelles inneres Produkt in -Vektorraum [siehe L3.1b]: 'reeller Vektorraum' (i)

Mehr

3.9 Elementarmatrizen

3.9 Elementarmatrizen 90 Kapitel III: Vektorräume und Lineare Abbildungen 3.9 Elementarmatrizen Definition 9.1 Unter einer Elementarmatrix verstehen wir eine Matrix die aus einer n n-einheitsmatrix E n durch eine einzige elementare

Mehr

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

1 Mathematische Hilfsmittel

1 Mathematische Hilfsmittel Mathematische Hilfsmittel. Vektoranalysis Wiederholung Vektor: Länge und Richtung Vektoraddition: A + B = B + A (A + B) + C = A + (B + C) kartesische Koordinaten: B A + B = i (a i + b i )e i A+B Multiplikation

Mehr