Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth
|
|
|
- Walter Bäcker
- vor 5 Jahren
- Abrufe
Transkript
1 Lineare Algebra Mathematik II für Chemiker Daniel Gerth
2 Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter Matrizen versteht, und wie man mit ihnen rechnet Was Determinanten, Eigenwerte und Eigenvektoren einer Matrix bedeuten Wie man lineare Gleichungssysteme löst Daniel Gerth (JKU) Lineare Algebra 2 / 67
3 Inhaltsverzeichnis 1 Vektoren 2 Geraden und Ebenen 3 Matrizen 4 Lineare Gleichungssysteme 5 Eigenwerte, Eigenvektoren 6 Ziele erreicht? Daniel Gerth (JKU) Lineare Algebra 3 / 67
4 Motivation Bislang wurden nur eindimensionale Größen betrachtet. Damit können Phänomene beschrieben werden, die nur von einer Zahl (einem Skalar = ein Zahlenwert bezüglich einer Skala) abhängen. Oft benötigt man jedoch einen Satz mehrerer Zahlen zur vollständigen mathematischen Beschreiben, zum Beispiel für Daniel Gerth (JKU) Lineare Algebra 4 / 67
5 Motivation Bislang wurden nur eindimensionale Größen betrachtet. Damit können Phänomene beschrieben werden, die nur von einer Zahl (einem Skalar = ein Zahlenwert bezüglich einer Skala) abhängen. Oft benötigt man jedoch einen Satz mehrerer Zahlen zur vollständigen mathematischen Beschreiben, zum Beispiel für geometrische Sachverhalte (Bewegung, Längen, Winkel, Abstände in 2D, 3D) Größen die in einem geometrischen Raum wirken (z.b. Kraft F wirkt im 3-dimensionalen Raum in x- y- und z-richtung, Geschwindigkeit v,...) Größen, die von mehreren Eigenschaften abhängen (zb Dichte des Gemischs mehrerer Stoffe) Sachverhalte, die in der mehrere Größen auf einmal beschrieben werden können/sollen Daniel Gerth (JKU) Lineare Algebra 4 / 67
6 Notation Wir betrachten allgemein den Raum R n bestehend aus n reellen Zahlen. (man kann -ganz analog- den Raum C n einführen). Aber starten wir mit den wichtigsten Spezialfällen: n = 1: R 1 = R, also die uns bekannten reellen Zahlen n = 2: R 2, geometrisch die 2-dimensionale ( ) Ebene. Es wird beschrieben mit x1 einem 2-Tupel (Vektor) reeller Zahlen n = 3: R 3, geometrisch der 3-dimensionale Raum. Er wird beschrieben mit x 2 x 1 einem 3-Tupel (Vektor) reeller Zahlen x 2 x 3 Daniel Gerth (JKU) Lineare Algebra 5 / 67
7 allgemein R n als n-tupel (Vektor) reeller Zahlen x 1 x 2. x n 1 x n zur besseren Übersicht schreiben wir (x 1, x 2, x 3, x 4,..., x n 1, x n ) T, dabei bezeichnet () T den transponierten Vektor (indem wir Spalten als Zeilen schreiben bzw. später Zeilen als Spalten) Daniel Gerth (JKU) Lineare Algebra 6 / 67
8 allgemein R n als n-tupel (Vektor) reeller Zahlen x 1 x 2. x n 1 x n zur besseren Übersicht schreiben wir (x 1, x 2, x 3, x 4,..., x n 1, x n ) T, dabei bezeichnet () T den transponierten Vektor (indem wir Spalten als Zeilen schreiben bzw. später Zeilen als Spalten) x i (i = 1,..., n) sind die Koordinaten oder Komponenten des Vektors Daniel Gerth (JKU) Lineare Algebra 6 / 67
9 allgemein R n als n-tupel (Vektor) reeller Zahlen x 1 x 2. x n 1 x n zur besseren Übersicht schreiben wir (x 1, x 2, x 3, x 4,..., x n 1, x n ) T, dabei bezeichnet () T den transponierten Vektor (indem wir Spalten als Zeilen schreiben bzw. später Zeilen als Spalten) x i (i = 1,..., n) sind die Koordinaten oder Komponenten des Vektors Notation: im geometrischen Zusammenhang schreiben wir x = (x 1,..., x n ) T. Ebenfalls üblich: x, x, x Im entsprechenden Kontext wird oft auch einfach x verwendet. Daniel Gerth (JKU) Lineare Algebra 6 / 67
10 Geometrische Interpretation am Beispiel n = 2 Gegeben sei ein rechtwinkliges Koordinatensystem in der Ebene mit Ursprung O = (0, 0) und Achsen x 1 und x 2. a x 2 p = ( p1 p 2 ) P (p 1, p 2 ) a 2 (0, 0) x 1 a 1 ( ) a1 Ein Vektor a = beschreibt eine Richtung gehe a a 1 Schritte in Richtung 2 positiver x 1 -Achse und a 2 Schritte in Richtung positiver x 2 -Achse. Jeder ( Punkt ) P = (p 1, p 2 ) in R 2 wird charakterisiert durch einen Vektor p1 p =, der am Ursprung angesetzt wird. p heisst dann Ortsvektor zu P. p 2 (analog für beliebiges n) Daniel Gerth (JKU) Lineare Algebra 7 / 67
11 Rechenoperationen Wir wollen Vektoren addieren: a + b =?, dies geschieht komponentenweise a 1 b 1 a 1 + b 1 a + a 2 b =. + b 2. = a 2 + b 2. a n b n a n + b n Daniel Gerth (JKU) Lineare Algebra 8 / 67
12 Rechenoperationen Wir wollen Vektoren addieren: a + b =?, dies geschieht komponentenweise a 1 b 1 a 1 + b 1 a + a 2 b =. + b 2. = a 2 + b 2. a n b n a n + b n und Vektoren mit einer Zahl multiplizieren: λ x =?, λ R x 1 λ x 1 x 2 λ x = λ.. = λ x 2.. x n λ x n Daniel Gerth (JKU) Lineare Algebra 8 / 67
13 Rechenoperationen Wir wollen Vektoren addieren: a + b =?, dies geschieht komponentenweise a 1 b 1 a 1 + b 1 a + a 2 b =. + b 2. = a 2 + b 2. a n b n a n + b n und Vektoren mit einer Zahl multiplizieren: λ x =?, λ R x 1 λ x 1 x 2 λ x = λ.. = λ x 2.. x n λ x n Beispiel, n = 2 ( ( ) = 1) 0.5 ( ) 1, ( ) 1 = 0.25 ( ) Daniel Gerth (JKU) Lineare Algebra 8 / 67
14 Vektorraum-Eigenschaften Sei a = (a 1, a 2,, a n ) T R n. Dann schreiben wir a für ( 1) a. Den Vektor (0, 0,, 0) T R n bezeichnen wir kurz 0. Damit gilt für a, b, c R n, λ, µ R: Daniel Gerth (JKU) Lineare Algebra 9 / 67
15 Vektorraum-Eigenschaften Sei a = (a 1, a 2,, a n ) T R n. Dann schreiben wir a für ( 1) a. Den Vektor (0, 0,, 0) T R n bezeichnen wir kurz 0. Damit gilt für a, b, c R n, λ, µ R: a) a + 0 = a b) ( a + b) + c = a + ( b + c) c) a + b = b + a d) a + ( a) = 0 e) (λ + µ) a = λ a + µ a f) λ ( a + b) = λ a + λ b g) 1 a = a Daniel Gerth (JKU) Lineare Algebra 9 / 67
16 Vektorraum-Eigenschaften Sei a = (a 1, a 2,, a n ) T R n. Dann schreiben wir a für ( 1) a. Den Vektor (0, 0,, 0) T R n bezeichnen wir kurz 0. Damit gilt für a, b, c R n, λ, µ R: a) a + 0 = a b) ( a + b) + c = a + ( b + c) c) a + b = b + a d) a + ( a) = 0 e) (λ + µ) a = λ a + µ a f) λ ( a + b) = λ a + λ b g) 1 a = a Definition 1.1 Eine Menge V mit Addition + und skalarer Multiplikation, so dass mit a, b V, λ R [λ C] auch a + b V, λ a V und bezüglich +, die Eigenschaften a)-g) gelten, heißt Vektorraum über R [über C] Hinweis: wir werden uns im Folgenden auf reelle Vektorräume beschränken Daniel Gerth (JKU) Lineare Algebra 9 / 67
17 Beachten Sie immer den Unterschied zwischen Punkt und Vektor! Ein Punkt ist fest durch Koordinatenursprung und Koordinaten (Ortsvektor) bestimmt. Ein Vektor beschreibt nur eine Richtung und kann an jedem Punkt angesetzt werden. Wie kommt man nun von einem Punkt zum anderen? x 2 P (p 1, p 2 ) P Q Q(q 1, q 2 ) p q x 1 Seien P = (p 1, p 2,..., p n ) und Q = (q 1, q 2,..., q n ) Punkte im R n. Der Vektor q 1 p 1 q 2 p 2 P Q = beschreibt die Richtung von Punkt P zu Punkt Q.. q n p n Es gilt q = p + P Q, wobei p und q die Ortsvektoren zu P und Q sind. Daniel Gerth (JKU) Lineare Algebra 10 / 67
18 Mit diesen Eigenschaften können wir uns im Vektorraum bewegen. Zur Beschreibung einer Bewegung bzw. eines Objekts benutzen wir jedoch oft spezielle Kenngrößen: Längen, Abstände und Winkel Welche Bedingungen sollte eine Länge erfüllen? Daniel Gerth (JKU) Lineare Algebra 11 / 67
19 Mit diesen Eigenschaften können wir uns im Vektorraum bewegen. Zur Beschreibung einer Bewegung bzw. eines Objekts benutzen wir jedoch oft spezielle Kenngrößen: Längen, Abstände und Winkel Welche Bedingungen sollte eine Länge erfüllen? Definition 1.2 Sei V ein Vektorraum über R. Eine Abbildung : V R heißt Norm auf V, falls folgende Bedingungen gelten: x V : x = 0 x = 0 und x 0 x V, λ R : λx = λ x x, y V : x + y x + y (V, ) heißt normierter Raum. Daniel Gerth (JKU) Lineare Algebra 11 / 67
20 Wie definiert man so eine Norm? Die natürlichste Möglichkeit kann vom Satz des Pythagoras abgeleitet werden: x x 2 Sei x = ( x1 x 1 x 2 ). Dann ist x = x x2 2. Daniel Gerth (JKU) Lineare Algebra 12 / 67
21 Wie definiert man so eine Norm? Die natürlichste Möglichkeit kann vom Satz des Pythagoras abgeleitet werden: x x 2 ( x1 ) Sei x =. Dann ist x = x x x Sein nun n = 3. Man kann wieder mittels Satz des Pythagoras herleiten: x = x x2 2 + x2 3 x 1 Daniel Gerth (JKU) Lineare Algebra 12 / 67
22 Wie definiert man so eine Norm? Die natürlichste Möglichkeit kann vom Satz des Pythagoras abgeleitet werden: x x 2 ( x1 ) Sei x =. Dann ist x = x x x Sein nun n = 3. Man kann wieder mittels Satz des Pythagoras herleiten: x = x x2 2 + x2 3 Definition 1.3 x 1 Sei x = (x 1, x 2,..., x n 1, x n ) T R n. Dann ist x 2 = x x x2 n 1 + x2 n die euklidische Norm. Man nennt sie auch Länge oder Betrag des Vektors und schreibt x statt x 2. Daniel Gerth (JKU) Lineare Algebra 12 / 67
23 Wie definiert man so eine Norm? Die natürlichste Möglichkeit kann vom Satz des Pythagoras abgeleitet werden: x x 2 ( x1 ) Sei x =. Dann ist x = x x x Sein nun n = 3. Man kann wieder mittels Satz des Pythagoras herleiten: x = x x2 2 + x2 3 Definition 1.3 x 1 Sei x = (x 1, x 2,..., x n 1, x n ) T R n. Dann ist x 2 = x x x2 n 1 + x2 n die euklidische Norm. Man nennt sie auch Länge oder Betrag des Vektors und schreibt x statt x 2. Beispiel x = 3 1. Dann x 2 = x = ( 3) = Daniel Gerth (JKU) Lineare Algebra 12 / 67
24 Der Betrag eines Vektors erüllt in der Tat die Bedingungen einer Norm. Es gibt auch andere Möglichkeiten eine Norm zu definieren. Daniel Gerth (JKU) Lineare Algebra 13 / 67
25 Der Betrag eines Vektors erüllt in der Tat die Bedingungen einer Norm. Es gibt auch andere Möglichkeiten eine Norm zu definieren. Definition 1.4 Ein Vektor der Länge eins heißt Einheitsvektor. Sei x = (x 1, x 2,..., x n 1, x n ) T. Der Vektor e x = x x heißt Einheitsvektor in Richtung x. Daniel Gerth (JKU) Lineare Algebra 13 / 67
26 Der Betrag eines Vektors erüllt in der Tat die Bedingungen einer Norm. Es gibt auch andere Möglichkeiten eine Norm zu definieren. Definition 1.4 Ein Vektor der Länge eins heißt Einheitsvektor. Sei x = (x 1, x 2,..., x n 1, x n ) T. Der Vektor e x = x x heißt Einheitsvektor in Richtung x. Mit einer Norm können wir auch Abstände berechnen. Da Vektoren frei verschiebbar sind, macht dies nur für Punkte, also Ortsvektoren, Sinn! Daniel Gerth (JKU) Lineare Algebra 13 / 67
27 Der Betrag eines Vektors erüllt in der Tat die Bedingungen einer Norm. Es gibt auch andere Möglichkeiten eine Norm zu definieren. Definition 1.4 Ein Vektor der Länge eins heißt Einheitsvektor. Sei x = (x 1, x 2,..., x n 1, x n ) T. Der Vektor e x = x x heißt Einheitsvektor in Richtung x. Mit einer Norm können wir auch Abstände berechnen. Da Vektoren frei verschiebbar sind, macht dies nur für Punkte, also Ortsvektoren, Sinn! Seien P = (p 1, p 2,..., p n ) und Q = (q 1, q 2,..., q n ) Punkte in R n mit Ortsvektoren p und q. Der Abstand zwischen P und Q ist P Q = q p = (q1 p 1 ) 2 + (q 2 p 2 ) (q n p n ) 2 Daniel Gerth (JKU) Lineare Algebra 13 / 67
28 Der Betrag eines Vektors erüllt in der Tat die Bedingungen einer Norm. Es gibt auch andere Möglichkeiten eine Norm zu definieren. Definition 1.4 Ein Vektor der Länge eins heißt Einheitsvektor. Sei x = (x 1, x 2,..., x n 1, x n ) T. Der Vektor e x = x x heißt Einheitsvektor in Richtung x. Mit einer Norm können wir auch Abstände berechnen. Da Vektoren frei verschiebbar sind, macht dies nur für Punkte, also Ortsvektoren, Sinn! Seien P = (p 1, p 2,..., p n ) und Q = (q 1, q 2,..., q n ) Punkte in R n mit Ortsvektoren p und q. Der Abstand zwischen P und Q ist Beispiel P Q = q p = (q1 p 1 ) 2 + (q 2 p 2 ) (q n p n ) 2 P = (1, 2, 3), Q = ( 1, 2, 4) P Q = P Q = ( 2) = 5 2 0, 1 Daniel Gerth (JKU) Lineare Algebra 13 / 67
29 Zur Messung von Winkeln führen wir das Skalarprodukt ein. Daniel Gerth (JKU) Lineare Algebra 14 / 67
30 Zur Messung von Winkeln führen wir das Skalarprodukt ein. Definition 1.5 Sei V ein Vektorraum über R. Eine Abbildung, : V V R heißt Skalarprodukt (inneres Produkt) auf V, falls folgende Bedingungen gelten: x V : x, x = 0 x = 0 und x, x 0 x, y V : x, y = x, y x, y, z V, λ, µ R : λx + µy, z = λ x, z + µ y, z (V,, ) heißt euklidischer Vektorraum. Daniel Gerth (JKU) Lineare Algebra 14 / 67
31 Zur Messung von Winkeln führen wir das Skalarprodukt ein. Definition 1.5 Sei V ein Vektorraum über R. Eine Abbildung, : V V R heißt Skalarprodukt (inneres Produkt) auf V, falls folgende Bedingungen gelten: x V : x, x = 0 x = 0 und x, x 0 x, y V : x, y = x, y x, y, z V, λ, µ R : λx + µy, z = λ x, z + µ y, z (V,, ) heißt euklidischer Vektorraum. Theorem 1 Sei (V,, ) ein euklidischer Vektorraum. Dann ist x = x, x eine Norm auf V, (V,, ) ein normierter Raum. Daniel Gerth (JKU) Lineare Algebra 14 / 67
32 Zur Messung von Winkeln führen wir das Skalarprodukt ein. Definition 1.5 Sei V ein Vektorraum über R. Eine Abbildung, : V V R heißt Skalarprodukt (inneres Produkt) auf V, falls folgende Bedingungen gelten: x V : x, x = 0 x = 0 und x, x 0 x, y V : x, y = x, y x, y, z V, λ, µ R : λx + µy, z = λ x, z + µ y, z (V,, ) heißt euklidischer Vektorraum. Theorem 1 Sei (V,, ) ein euklidischer Vektorraum. Dann ist x = x, x eine Norm auf V, (V,, ) ein normierter Raum. Theorem 2 Sei (V,, ) ein euklidischer Vektorraum mit Norm x := x, x,. Dann gilt die Cauchy-Schwarzsche Ungleichung x, y V : x, y x y Daniel Gerth (JKU) Lineare Algebra 14 / 67
33 Definition 1.6 Seien x = (x 1, x 2,..., x n ) und y = (y 1, y 2,..., y n ) Vektoren in R n. Das (euklidische) Skalarprodukt x, y is definiert als x, y = n x i y i = x 1 y 1 + x 2 y x n y n. i=1 Man schreibt auch x y anstatt x, y. Daniel Gerth (JKU) Lineare Algebra 15 / 67
34 Definition 1.6 Seien x = (x 1, x 2,..., x n ) und y = (y 1, y 2,..., y n ) Vektoren in R n. Das (euklidische) Skalarprodukt x, y is definiert als x, y = n x i y i = x 1 y 1 + x 2 y x n y n. i=1 Man schreibt auch x y anstatt x, y. Beispiel x = 3 2, y = Dann ist x, y = 3 ( 1) + ( 2) ( 2) = 5 4 Daniel Gerth (JKU) Lineare Algebra 15 / 67
35 Definition 1.6 Seien x = (x 1, x 2,..., x n ) und y = (y 1, y 2,..., y n ) Vektoren in R n. Das (euklidische) Skalarprodukt x, y is definiert als x, y = n x i y i = x 1 y 1 + x 2 y x n y n. i=1 Man schreibt auch x y anstatt x, y. Beispiel x = 3 2, y = Dann ist x, y = 3 ( 1) + ( 2) ( 2) = 5 4 Sei x = (x 1, x 2,..., x n ) T. Dann x 2 = x, x = x x , x2 n, also gerade die Länge des Vektors x. Mit anderen Worten: x 2 2 = x, x. Daniel Gerth (JKU) Lineare Algebra 15 / 67
36 x ϕ y Seien x, y R n und ϕ der von x und y eingeschlossene Winkel. Dann gilt cos ϕ = x, y x y Daniel Gerth (JKU) Lineare Algebra 16 / 67
37 x ϕ y Seien x, y R n und ϕ der von x und y eingeschlossene Winkel. Dann gilt cos ϕ = x, y x y Ist ϕ = 90, so stehen die Vektoren x und y senkrecht aufeinander. Definition 1.7 Seien x, y R n. Gilt x, y = 0, so nennen wir x und y orthogonal zueinander. Gilt zusätzlich x = y = 1, so nennen wir sie orthonormal. Daniel Gerth (JKU) Lineare Algebra 16 / 67
38 x ϕ y Seien x, y R n und ϕ der von x und y eingeschlossene Winkel. Dann gilt cos ϕ = x, y x y Ist ϕ = 90, so stehen die Vektoren x und y senkrecht aufeinander. Definition 1.7 Seien x, y R n. Gilt x, y = 0, so nennen wir x und y orthogonal zueinander. Gilt zusätzlich x = y = 1, so nennen wir sie orthonormal. Beispiel 1 3 x = 2, y = 0. Dann x = 6, y = 10, x, y = 4. Also cos ϕ = , also ϕ = Daniel Gerth (JKU) Lineare Algebra 16 / 67
39 Kreuzprodukt Im 3-dimensionalen Raum (und nur dort!) haben wir noch eine weitere wichtige Größe: Definition 1.8 Seien x und y Vektoren in R 3. Das Kreuzprodukt (auch Vektorprodukt genannt) ist definiert wie folgt: x 1 y 1 x 2 y 3 x 3 y 2 x 2 y 2 = x 3 y 1 x 1 y 3 x 3 y 3 x 1 y 2 x 2 y 1 Daniel Gerth (JKU) Lineare Algebra 17 / 67
40 Kreuzprodukt Im 3-dimensionalen Raum (und nur dort!) haben wir noch eine weitere wichtige Größe: Definition 1.8 Seien x und y Vektoren in R 3. Das Kreuzprodukt (auch Vektorprodukt genannt) ist definiert wie folgt: x 1 y 1 x 2 y 3 x 3 y 2 x 2 y 2 = x 3 y 1 x 1 y 3 x 3 y 3 x 1 y 2 x 2 y 1 Beispiel ( 1) 4 ( 2) 3 2 x = 1, y = 2, x y = = ( 2) 2 ( 1) 1 Daniel Gerth (JKU) Lineare Algebra 17 / 67
41 Eigenschaften des Kreuzprodukts Seien a, b, c R 3. Sei c = a b. Dann ist c orthogonal zu a und b. a, b, c bilden ein Rechtssystem c dentspricht dem Flächeninhalt des von a und b aufgespannten Parallelograms a b = ( b a) a ( b + c) = a b + a c Achtung: es gilt nicht ( a b) c = a ( b c) Daniel Gerth (JKU) Lineare Algebra 18 / 67
42 Spatprodukt Gegeben seien drei linear unabhängige Vektoren a, b, c, die ein Parallelepiped (Spat) im R 3 aufspannen. Definition 1.9 Das Spatprodukt ist definiert als Kombination von Kreuz-und Skalarprodukt: [ a, b, c] := ( a b) c Daniel Gerth (JKU) Lineare Algebra 19 / 67
43 Spatprodukt Gegeben seien drei linear unabhängige Vektoren a, b, c, die ein Parallelepiped (Spat) im R 3 aufspannen. Definition 1.9 Das Spatprodukt ist definiert als Kombination von Kreuz-und Skalarprodukt: [ a, b, c] := ( a b) c Für das Volumen V des Parallelepipeds gilt: V = ( a b) c ( a b) c = ( b c) a = ( c a) b weitere Eigenschaften können aus den Eigenschaften von Kreuz- und Skalarprodukt abgeleitet werden Daniel Gerth (JKU) Lineare Algebra 19 / 67
44 Spatprodukt Gegeben seien drei linear unabhängige Vektoren a, b, c, die ein Parallelepiped (Spat) im R 3 aufspannen. Definition 1.9 Das Spatprodukt ist definiert als Kombination von Kreuz-und Skalarprodukt: [ a, b, c] := ( a b) c Für das Volumen V des Parallelepipeds gilt: V = ( a b) c ( a b) c = ( b c) a = ( c a) b weitere Eigenschaften können aus den Eigenschaften von Kreuz- und Skalarprodukt abgeleitet werden Beispiel Seien a = (1, 1, 2) T, b = (0, 1, 0) T, c = (1, 0, 1) T. Dann ist V = ( a b) c = 1 Daniel Gerth (JKU) Lineare Algebra 19 / 67
45 Linearkombination Definition 1.10 Seien v 1, v 2,..., v k k Vektoren in R n. Ein Vektor u R n heißt Linearkombination der Vektoren v 1, v 2,..., v k falls es k reelle Zahlen λ 1, λ 2,..., λ k gib so dass k u = λ i v i. i=1 Daniel Gerth (JKU) Lineare Algebra 20 / 67
46 Linearkombination Definition 1.10 Seien v 1, v 2,..., v k k Vektoren in R n. Ein Vektor u R n heißt Linearkombination der Vektoren v 1, v 2,..., v k falls es k reelle Zahlen λ 1, λ 2,..., λ k gib so dass k u = λ i v i. i=1 Beispiel Sei v 1 = 2, v 2 = 3. Dann ist u = 13 eine Linearkombination von v und v 2 denn u = 2 v v 2 Daniel Gerth (JKU) Lineare Algebra 20 / 67
47 Definition 1.11 Seien v 1, v 2,..., v k k Vektoren in R n. Wir nennen v 1, v 2,..., v k (linear) Unabhängig, wenn gilt k λ i v i = 0 genau dann wenn λ i = 0 für alle i i=1 Daniel Gerth (JKU) Lineare Algebra 21 / 67
48 Definition 1.11 Seien v 1, v 2,..., v k k Vektoren in R n. Wir nennen v 1, v 2,..., v k (linear) Unabhängig, wenn gilt Beispiel 1 k λ i v i = 0 genau dann wenn λ i = 0 für alle i i=1 Seien v 1, v 2, u wie zuvor, also u = 2 v v 2. Dann ist u 2 v 1 3 v 2 = 0. Es gilt also λ 1 = 1, λ 2 = 2, λ 3 = 3. Die Vektoren sind folglich nicht linear unabhängig. Daniel Gerth (JKU) Lineare Algebra 21 / 67
49 Definition 1.11 Seien v 1, v 2,..., v k k Vektoren in R n. Wir nennen v 1, v 2,..., v k (linear) Unabhängig, wenn gilt Beispiel 1 k λ i v i = 0 genau dann wenn λ i = 0 für alle i i=1 Seien v 1, v 2, u wie zuvor, also u = 2 v v 2. Dann ist u 2 v 1 3 v 2 = 0. Es gilt also λ 1 = 1, λ 2 = 2, λ 3 = 3. Die Vektoren sind folglich nicht linear unabhängig. Beispiel Seien v 1 = 0, v 2 = 2, v 1 = 0 Nun gilt λ 1 v 1 + λ 2 v 2 + λ 3 v 3 = nur, falls λ 1 = 0, λ 2 = 0, λ 3 = 0. Die Vektoren sind folglich linear unabhängig. Daniel Gerth (JKU) Lineare Algebra 21 / 67
50 Untersuchung von Vektoren auf Unabhängigkeit führt i.a. auf ein lineares Gleichungssystem. Ausnahme: zwei Vektoren v 1, v 2 sind linear unabhängig, genau dann wenn sie parallel sind, d.h. es gibt ein λ R\{0} so dass v 1 = λ v 2 Daniel Gerth (JKU) Lineare Algebra 21 / 67 Definition 1.11 Seien v 1, v 2,..., v k k Vektoren in R n. Wir nennen v 1, v 2,..., v k (linear) Unabhängig, wenn gilt Beispiel 1 k λ i v i = 0 genau dann wenn λ i = 0 für alle i i=1 Seien v 1, v 2, u wie zuvor, also u = 2 v v 2. Dann ist u 2 v 1 3 v 2 = 0. Es gilt also λ 1 = 1, λ 2 = 2, λ 3 = 3. Die Vektoren sind folglich nicht linear unabhängig. Beispiel Seien v 1 = 0, v 2 = 2, v 1 = 0 Nun gilt λ 1 v 1 + λ 2 v 2 + λ 3 v 3 = nur, falls λ 1 = 0, λ 2 = 0, λ 3 = 0. Die Vektoren sind folglich linear unabhängig.
51 Definition 1.12 Die maximale Anzahl linear unabhängiger Vektoren eines Vektorraumes heißt Dimension. Der Raum R n hat die Dimension n. Daniel Gerth (JKU) Lineare Algebra 22 / 67
52 Definition 1.12 Die maximale Anzahl linear unabhängiger Vektoren eines Vektorraumes heißt Dimension. Der Raum R n hat die Dimension n. Definition 1.13 Eine Menge n linear unabhängiger Vektoren im R n heißt Basis. Theorem 3 Sei e 1, e 2,..., e n eine Basis in R n. Dann lässt sich jeder Vektor u R n \ 0 eindeutig als Linearkombination der Basisvektoren darstellen, d.h. es gilt mit mindestens einem λ i 0. u = n λ i e i i=1 Daniel Gerth (JKU) Lineare Algebra 22 / 67
53 Wir haben bisher -und werden auch weiterhin- die Standardbasis im R n verwenden, d.h. e 1 = , e 2 = , e n = Daniel Gerth (JKU) Lineare Algebra 23 / 67
54 Wir haben bisher -und werden auch weiterhin- die Standardbasis im R n verwenden, d.h. e 1 = , e 2 = , e n = Sei v = v 1 v 2 v 3 R 3. Dann gilt v = v v v = v 1 e 1 + v 2 e 2 + v 3 e 3. Daniel Gerth (JKU) Lineare Algebra 23 / 67
55 Geraden Wir beschränken uns nun auf den 3-dimensionalen Raum R 3. Wir wissen bereits, wie man einen Punkt im R 3 darstellt. Definition 2.1 Eine Gerade im R 3 wird bestimmt durch einen Punkt (mit Ortsvektor p), durch den sie geht, sowie die Richtung r, in die sie verläuft. g := x 1 x 2 x 3 = p 1 p 2 p 3 + λ r 1 r 2 r 3 = p + λ r, λ R Jeder Punkt auf der Gerade wird für ein bestimmtes λ erreicht. Sei Q = (q 1, q 2, q 3 ) R 3. Dann liegt Q auf der Geraden g genau dann wenn es ein λ 0 gibt so dass q = p + λ 0 r. Daniel Gerth (JKU) Lineare Algebra 24 / 67
56 Beispiel Sei P = (1, 2, 3) T, Q = (3, 2, 1) T. Die Gerade durch die Punkte P und Q ist gegeben durch g = x 1 x 2 = p + λ P Q = λ 4. x Der Punkt A(3, 2, 1) liegt (mit λ = 1) auf g, der Punkt B = (3, 1, 1) jedoch nicht. Daniel Gerth (JKU) Lineare Algebra 25 / 67
57 Ebenen Es gibt mehrere Wege eine Ebene zu beschreiben: über 3 gegebene Punkte (die nicht auf einer Geraden liegen) über 2 gegebene Punte und eine Richtung über 1 gegebenen Punkt und 2 (nicht parallele) Richtungen über 1 gegebenen Punkt und einen Normalenvektor Die Varianten 1-3 sind sehr ähnlich. Es ergibt sich die Parameterform Daniel Gerth (JKU) Lineare Algebra 26 / 67
58 Ebenen Es gibt mehrere Wege eine Ebene zu beschreiben: über 3 gegebene Punkte (die nicht auf einer Geraden liegen) über 2 gegebene Punte und eine Richtung über 1 gegebenen Punkt und 2 (nicht parallele) Richtungen über 1 gegebenen Punkt und einen Normalenvektor Die Varianten 1-3 sind sehr ähnlich. Es ergibt sich die Parameterform Definition 2.2 Ein Ebene im R 3 in Parameterdarstellung ist gegeben durch E := x 1 x 2 = p + λ r + µ s = p 1 p 2 + λ r 1 r 2 + µ s 1 s 2 x 3 p 3 r 3 s 3 wobei p der Ortsvektor zum Punkt P = (p 1, p 2, p 3 ) ist, r, s linear unabhängig sind und λ, µ R. Daniel Gerth (JKU) Lineare Algebra 26 / 67
59 Ebenen Es gibt mehrere Wege eine Ebene zu beschreiben: über 3 gegebene Punkte (die nicht auf einer Geraden liegen) über 2 gegebene Punte und eine Richtung über 1 gegebenen Punkt und 2 (nicht parallele) Richtungen über 1 gegebenen Punkt und einen Normalenvektor Die Varianten 1-3 sind sehr ähnlich. Es ergibt sich die Parameterform Definition 2.2 Ein Ebene im R 3 in Parameterdarstellung ist gegeben durch E := x 1 x 2 = p + λ r + µ s = p 1 p 2 + λ r 1 r 2 + µ s 1 s 2 x 3 p 3 r 3 s 3 wobei p der Ortsvektor zum Punkt P = (p 1, p 2, p 3 ) ist, r, s linear unabhängig sind und λ, µ R. Seien P, Q und R drei verschiedene Punkte im R 3. Dann ist die Ebene durch die Punkte gegeben durch E := p + λ P Q + µ P R. Daniel Gerth (JKU) Lineare Algebra 26 / 67
60 Eine Ebene ist bestimmt durch zwei Richtungen. Es gibt (bis auf das Vorzeichen) genau ein Richtung, die senkrecht auf der Ebene steht. Sei E = p + λ r + µ s und n = r s. Sei P = (p 1, p 2, p 3 ) T ein gegebener Punkt in der Ebene. Dann gilt für jeden weiteren Punkt X = (x 1, x 2, x 3 ) T in der Ebene x 1 p 1 n 1 P X n = 0 x 2 p 2 n 2 = 0 ( x p) n = 0 x 3 p 3 Diese Darstellung heißt Normalenform. Es gilt weiterhin: n 3 Daniel Gerth (JKU) Lineare Algebra 27 / 67
61 Eine Ebene ist bestimmt durch zwei Richtungen. Es gibt (bis auf das Vorzeichen) genau ein Richtung, die senkrecht auf der Ebene steht. Sei E = p + λ r + µ s und n = r s. Sei P = (p 1, p 2, p 3 ) T ein gegebener Punkt in der Ebene. Dann gilt für jeden weiteren Punkt X = (x 1, x 2, x 3 ) T in der Ebene x 1 p 1 n 1 P X n = 0 x 2 p 2 n 2 = 0 ( x p) n = 0 x 3 p 3 Diese Darstellung heißt Normalenform. Es gilt weiterhin: Es ist d := p n bekannt. Also ist n 3 ( x p) n = x n p n n 1 x 1 + n 2 x 2 + n 3 x 3 = d Dies ist die Ebenengleichung in Koordinatenform Daniel Gerth (JKU) Lineare Algebra 27 / 67
62 Eine Ebene ist bestimmt durch zwei Richtungen. Es gibt (bis auf das Vorzeichen) genau ein Richtung, die senkrecht auf der Ebene steht. Sei E = p + λ r + µ s und n = r s. Sei P = (p 1, p 2, p 3 ) T ein gegebener Punkt in der Ebene. Dann gilt für jeden weiteren Punkt X = (x 1, x 2, x 3 ) T in der Ebene x 1 p 1 n 1 P X n = 0 x 2 p 2 n 2 = 0 ( x p) n = 0 x 3 p 3 Diese Darstellung heißt Normalenform. Es gilt weiterhin: Es ist d := p n bekannt. Also ist n 3 ( x p) n = x n p n n 1 x 1 + n 2 x 2 + n 3 x 3 = d Dies ist die Ebenengleichung in Koordinatenform Sei e n := n n der Einheitsvektor in Richting n, d e := p e n. Dann ist die Hessesche Normalform der Ebene gegeben durch q e n = d e Daniel Gerth (JKU) Lineare Algebra 27 / 67
63 Beispiel Gegeben seien die Punkte P = (1, 2, 1), Q = ( 2, 1, 1), R = (5, 5, 0). Dann ist die durch die 3 Punkte aufgespannte Ebene in Parameterform x E := x 2 = 2 + λ 1 + µ 7, x 3 in Normalenform (mit P Q P R = (13, 11, 25) T ) x x = 0 x und in Koordinatenform 13x x x 3 = 10 Daniel Gerth (JKU) Lineare Algebra 28 / 67
64 Lagebeziehungen einfach: Punkt-Punkt, Punkt-Gerade, Punkt-Ebene Daniel Gerth (JKU) Lineare Algebra 29 / 67
65 Lagebeziehungen einfach: Punkt-Punkt, Punkt-Gerade, Punkt-Ebene Gerade-Gerade identisch parallel schneiden sich in einem Punkt windschief Daniel Gerth (JKU) Lineare Algebra 29 / 67
66 Lagebeziehungen einfach: Punkt-Punkt, Punkt-Gerade, Punkt-Ebene Gerade-Gerade identisch parallel schneiden sich in einem Punkt windschief Gerade-Ebene Gerade liegt in Ebene parallel schneiden sich in einem Punkt Daniel Gerth (JKU) Lineare Algebra 29 / 67
67 Lagebeziehungen einfach: Punkt-Punkt, Punkt-Gerade, Punkt-Ebene Gerade-Gerade identisch parallel schneiden sich in einem Punkt windschief Gerade-Ebene Gerade liegt in Ebene parallel schneiden sich in einem Punkt Ebene-Ebene parallel schneiden sich in einer Gerade Daniel Gerth (JKU) Lineare Algebra 29 / 67
68 Matrizen Matrizen beschreiben lineare Operatoren auf Vektoren, sie verallgemeinern die lineare Funktion y = ax. Sie treten auch bei linearen Gleichungssystemen auf. Daniel Gerth (JKU) Lineare Algebra 30 / 67
69 Definition 3.1 Unter einer reellen n m-matrix A R n m versteht man die n m Zahlen a ij, i = 1,..., n, j = 1,... m,die in dem rechteckigen Schema a 11 a 12 a 1,m 1 a 1,m a 21 a 22 a 2,m 1 a 2,m A =.... a n 1,1 a n 1,2 a n 1,m 1 a n 1,m a n,1 a n,2 a n,m 1 a n,m zusammengefasst werden. Wir schreiben auch kurz A = (a ij ). Die Matrix A besteht aus n Zeilen und m Spalten. Die Zahlen a ij heißen Matrixelemente. Die Elemente a i,i heißen Diagonalelemente. Eine Matrix heißt quadratisch wenn m = n. Daniel Gerth (JKU) Lineare Algebra 31 / 67
70 Definition 3.1 Unter einer reellen n m-matrix A R n m versteht man die n m Zahlen a ij, i = 1,..., n, j = 1,... m,die in dem rechteckigen Schema a 11 a 12 a 1,m 1 a 1,m a 21 a 22 a 2,m 1 a 2,m A =.... a n 1,1 a n 1,2 a n 1,m 1 a n 1,m a n,1 a n,2 a n,m 1 a n,m zusammengefasst werden. Wir schreiben auch kurz A = (a ij ). Die Matrix A besteht aus n Zeilen und m Spalten. Die Zahlen a ij heißen Matrixelemente. Die Elemente a i,i heißen Diagonalelemente. Eine Matrix heißt quadratisch wenn m = n. Beispiel Es sind A = ( ) R und A = R Daniel Gerth (JKU) Lineare Algebra 31 / 67
71 Definition 3.2 Eine Matrix I R n n mit 1 als Diagonalelementen und 0 sonst, I = heißt Einheitsmatrix (manchmal auch mit E bezeichnet) Daniel Gerth (JKU) Lineare Algebra 32 / 67
72 Definition 3.2 Eine Matrix I R n n mit 1 als Diagonalelementen und 0 sonst, I = heißt Einheitsmatrix (manchmal auch mit E bezeichnet) Weitere spezielle Matrizen: A heißt Diagonalmatrix: n i=1 a ii 0, i j a ij = 0 A heißt obere Dreiecksmatrix: a ij = 0 für i > j A heißt untere Dreiecksmatrix a ij = 0 für i < j Daniel Gerth (JKU) Lineare Algebra 32 / 67
73 Addition von Matrizen Definition 3.3 Seien A = (a ij ) R n m und B = (b ij ) R n m. Die Summe der Matrizen A und B erhält man durch komponentenweises addieren der Einträge a 11 a 12 a 1,m b 11 b 12 b 1,m a 21 a 22 a 2,m C : = b 21 b 22 b 2,m a n,m 2 a n,m b n,m 2 b n,m a 11 + b 11 a 12 + b 12 a 1,m + b 1,m a 21 + b 21 a 22 + b 22 a 2,m + b 2,m = a n,m 2 + b n,m 1 a n,m + b n,m Daniel Gerth (JKU) Lineare Algebra 33 / 67
74 Addition von Matrizen Definition 3.3 Seien A = (a ij ) R n m und B = (b ij ) R n m. Die Summe der Matrizen A und B erhält man durch komponentenweises addieren der Einträge a 11 a 12 a 1,m b 11 b 12 b 1,m a 21 a 22 a 2,m C : = b 21 b 22 b 2,m a n,m 2 a n,m b n,m 2 b n,m a 11 + b 11 a 12 + b 12 a 1,m + b 1,m a 21 + b 21 a 22 + b 22 a 2,m + b 2,m = a n,m 2 + b n,m 1 a n,m + b n,m Beispiel ( ) A =, B = ( ) ( ) , A + B = Daniel Gerth (JKU) Lineare Algebra 33 / 67
75 Sei 0 die Nullmatrix, deren Komponenten alle gleich 0 sind. Zu A = (a ij ) R n m ist A := ( a ij ) R n m die Matrix die entsteht, wenn man das Vorzeichen aller Komponenten ändert. Dann gilt: A + (B + C) = (A + B) + C A + 0 = 0 + A = A A + A = A + ( A) = A A = 0 A + B = B + A Daniel Gerth (JKU) Lineare Algebra 34 / 67
76 Sei 0 die Nullmatrix, deren Komponenten alle gleich 0 sind. Zu A = (a ij ) R n m ist A := ( a ij ) R n m die Matrix die entsteht, wenn man das Vorzeichen aller Komponenten ändert. Dann gilt: A + (B + C) = (A + B) + C A + 0 = 0 + A = A A + A = A + ( A) = A A = 0 A + B = B + A Man kann Matrizen auch mit Skalaren multiplizieren. Definition 3.4 Die Multiplikation einer Matrix A = (a ij ) R n m mit einem Skalar λ R ergibt eine Matrix B = λa, a 11 a 12 a 1,m λa 11 λa 12 λa 1,m a 21 a 22 a 2,m B = λ = λa 21 λa 22 λa 2,m a n,m 2 a n,m λa n,m 2 λa n,m Jede Komponente von A wird mit λ multipliziert. Daniel Gerth (JKU) Lineare Algebra 34 / 67
77 Sei 0 die Nullmatrix, deren Komponenten alle gleich 0 sind. Zu A = (a ij ) R n m ist A := ( a ij ) R n m die Matrix die entsteht, wenn man das Vorzeichen aller Komponenten ändert. Dann gilt: A + (B + C) = (A + B) + C A + 0 = 0 + A = A A + A = A + ( A) = A A = 0 A + B = B + A Man kann Matrizen auch mit Skalaren multiplizieren. Definition 3.4 Die Multiplikation einer Matrix A = (a ij ) R n m mit einem Skalar λ R ergibt eine Matrix B = λa, a 11 a 12 a 1,m λa 11 λa 12 λa 1,m a 21 a 22 a 2,m B = λ = λa 21 λa 22 λa 2,m a n,m 2 a n,m λa n,m 2 λa n,m Jede Komponente von A wird mit λ multipliziert. Matrizen mit dieser Addition und skalaren Multiplikation bilden einen Vektorraum Daniel Gerth (JKU) Lineare Algebra 34 / 67
78 Matrix-Vektor-Multiplikation Definition 3.5 Sei A = (a ij) R n m und x = (x 1, x 2,..., x m) T R m. Dann ist Ax R n, a 11 a 12 a 1,m x 1 a 11x 1 + a 12x a 1,mx m a 21 a 22 a 2,m x 2 Ax = = a 21x 1 + a 22x a 2,mx m. a n,1 a n,m 2 a n,m x m a n,1x a n,mx m Daniel Gerth (JKU) Lineare Algebra 35 / 67
79 Matrix-Vektor-Multiplikation Definition 3.5 Sei A = (a ij) R n m und x = (x 1, x 2,..., x m) T R m. Dann ist Ax R n, a 11 a 12 a 1,m x 1 a 11x 1 + a 12x a 1,mx m a 21 a 22 a 2,m x 2 Ax = = a 21x 1 + a 22x a 2,mx m. a n,1 a n,m 2 a n,m x m a n,1x a n,mx m Beispiel ( ) A =, x = 1, ( ) ( 1) ( 1) Ax = = ( 1) + ( 1) 2 ( ) Daniel Gerth (JKU) Lineare Algebra 35 / 67
80 Matrix-Vektor-Multiplikation Definition 3.5 Sei A = (a ij) R n m und x = (x 1, x 2,..., x m) T R m. Dann ist Ax R n, a 11 a 12 a 1,m x 1 a 11x 1 + a 12x a 1,mx m a 21 a 22 a 2,m x 2 Ax = = a 21x 1 + a 22x a 2,mx m. a n,1 a n,m 2 a n,m x m a n,1x a n,mx m Beispiel ( ) A =, x = 1, ( ) ( 1) ( 1) Ax = = ( 1) + ( 1) 2 ( ) A hat so viele Spalten wie x Komponenten. Das Ergebnis ist ein Vektor mit so vielen Komponenten, wie A Zeilen hat. Vektoren werden immer von rechts mit Matrizen multipliziert. Daniel Gerth (JKU) Lineare Algebra 35 / 67
81 Exkurs: lineare Abbildungen Definition 3.6 Seien V 1, V 2 zwei Vektorräume. Jede Abbildung A von V 1 nach V 2 heißt genau dann lineare Abbildung, wenn gilt: A(x + y) = Ax + Ay x, y V 1 A(λx) = λax x V 1, λ R Daniel Gerth (JKU) Lineare Algebra 36 / 67
82 Exkurs: lineare Abbildungen Definition 3.6 Seien V 1, V 2 zwei Vektorräume. Jede Abbildung A von V 1 nach V 2 heißt genau dann lineare Abbildung, wenn gilt: A(x + y) = Ax + Ay x, y V 1 A(λx) = λax x V 1, λ R Sei V 1 = R m, V 2 = R n. Jede lineare Abbildung A : R m R m ist darstellbar durch eine Matrix A R n m. Jede Matrix A R n m definiert eine lineare Abbildung von R m nach R n Daniel Gerth (JKU) Lineare Algebra 36 / 67
83 Exkurs: lineare Abbildungen Definition 3.6 Seien V 1, V 2 zwei Vektorräume. Jede Abbildung A von V 1 nach V 2 heißt genau dann lineare Abbildung, wenn gilt: A(x + y) = Ax + Ay x, y V 1 A(λx) = λax x V 1, λ R Sei V 1 = R m, V 2 = R n. Jede lineare Abbildung A : R m R m ist darstellbar durch eine Matrix A R n m. Jede Matrix A R n m definiert eine lineare Abbildung von R m nach R n Anwendungen Beispiele für lineare Abbildungen: Koordinaten-(Basis-)transformation, Drehung, Verschiebung, Diskrete Integration, Diskretes Differenzieren,... Daniel Gerth (JKU) Lineare Algebra 36 / 67
84 Matrizenmultiplikation anders ausgedrückt ist Ax = ( m j=1 a ijx j ) i=1,...,n. x als Vektor ist eine m 1-Matrix. Dies motviert folgende Verallgemeinerung auf Matrizen: Definition 3.7 Sei A R n m und B R m p. Dann ist C := A B R n p mit c ij = n a ik b kj, k=1 maw. das Element von C in der i-ten Zeile und j-ten Spalte ist das Skalarprodukt der i-ten Zeile von A mit der j-ten Spalte von B. Daniel Gerth (JKU) Lineare Algebra 37 / 67
85 Matrizenmultiplikation anders ausgedrückt ist Ax = ( m j=1 a ijx j ) i=1,...,n. x als Vektor ist eine m 1-Matrix. Dies motviert folgende Verallgemeinerung auf Matrizen: Definition 3.7 Sei A R n m und B R m p. Dann ist C := A B R n p mit c ij = n a ik b kj, k=1 maw. das Element von C in der i-ten Zeile und j-ten Spalte ist das Skalarprodukt der i-ten Zeile von A mit der j-ten Spalte von B. Beispiel Sei ( ) 2 1 3, B = ( ) Dann A B = Daniel Gerth (JKU) Lineare Algebra 37 / 67
86 Eigenschaften der Matrizenmultiplikation. Seien A R n m, B R m p, C R n p (A B) C = A (B C) (A + B) C = A C + B C A (B + C) = A B + A C I A = A I = A Daniel Gerth (JKU) Lineare Algebra 38 / 67
87 Eigenschaften der Matrizenmultiplikation. Seien A R n m, B R m p, C R n p (A B) C = A (B C) (A + B) C = A C + B C A (B + C) = A B + A C I A = A I = A ACHTUNG! Es gilt (im allgememeinen) nicht A B = B A Daniel Gerth (JKU) Lineare Algebra 38 / 67
88 Eigenschaften der Matrizenmultiplikation. Seien A R n m, B R m p, C R n p (A B) C = A (B C) (A + B) C = A C + B C A (B + C) = A B + A C I A = A I = A ACHTUNG! Es gilt (im allgememeinen) nicht A B = B A Beispiel ( ) ( ) ( ) = ( ) ( ) ( ) = Daniel Gerth (JKU) Lineare Algebra 38 / 67
89 Definition 3.8 Unter der transponierten Matrix versteht man die Matrix A T = (a ji ), die man durch Vertauschen von Zeilen und Spalten erhält. Gilt A = A T so heißt A symmetrisch. Ist A = A T, so heißt A schiefsymmetrisch Es gilt für A = (a ij ) R n m und B = (b ij ) R n m : Daniel Gerth (JKU) Lineare Algebra 39 / 67
90 Definition 3.8 Unter der transponierten Matrix versteht man die Matrix A T = (a ji ), die man durch Vertauschen von Zeilen und Spalten erhält. Gilt A = A T so heißt A symmetrisch. Ist A = A T, so heißt A schiefsymmetrisch Beispiel A = ( ) R 2 3 A T = 1 0 R Es gilt für A = (a ij ) R n m und B = (b ij ) R n m : Daniel Gerth (JKU) Lineare Algebra 39 / 67
91 Definition 3.8 Unter der transponierten Matrix versteht man die Matrix A T = (a ji ), die man durch Vertauschen von Zeilen und Spalten erhält. Gilt A = A T so heißt A symmetrisch. Ist A = A T, so heißt A schiefsymmetrisch Beispiel A = ( ) R 2 3 A T = 1 0 R Es gilt für A = (a ij ) R n m und B = (b ij ) R n m : (A T ) T ) = A (A + B) T = A T + B T (A B) T = B T A T (A 1 ) T = (A T ) 1 Daniel Gerth (JKU) Lineare Algebra 39 / 67
92 Definition 3.8 Unter der transponierten Matrix versteht man die Matrix A T = (a ji ), die man durch Vertauschen von Zeilen und Spalten erhält. Gilt A = A T so heißt A symmetrisch. Ist A = A T, so heißt A schiefsymmetrisch Beispiel A = ( ) R 2 3 A T = 1 0 R Es gilt für A = (a ij ) R n m und B = (b ij ) R n m : (A T ) T ) = A (A + B) T = A T + B T (A B) T = B T A T (A 1 ) T = (A T ) 1 Dabei ist A 1 die inverse matrix zu A (falls diese existiert). Wir werden diese demnächst kennenlernen. Daniel Gerth (JKU) Lineare Algebra 39 / 67
93 Inverse Matrix Definition 3.9 Eine Matrix A heißt regulär oder invertierbar, wenn es eine Matrix B gibt, so dass A B = B A = I mit der Einheitsmatrix I. B ist die inverse Matrix Wir bezeichnen sie mit A 1. Die Matrix A heißt dann regulär oder invertierbar. Eine Matrix, zu der es keine inverse gibt, heißt singulär Daniel Gerth (JKU) Lineare Algebra 40 / 67
94 Inverse Matrix Definition 3.9 Eine Matrix A heißt regulär oder invertierbar, wenn es eine Matrix B gibt, so dass A B = B A = I mit der Einheitsmatrix I. B ist die inverse Matrix Wir bezeichnen sie mit A 1. Die Matrix A heißt dann regulär oder invertierbar. Eine Matrix, zu der es keine inverse gibt, heißt singulär Theorem 4 Jede nicht-quadratische Matrix A R n m mit n m ist singulär. Daniel Gerth (JKU) Lineare Algebra 40 / 67
95 Inverse Matrix Definition 3.9 Eine Matrix A heißt regulär oder invertierbar, wenn es eine Matrix B gibt, so dass A B = B A = I mit der Einheitsmatrix I. B ist die inverse Matrix Wir bezeichnen sie mit A 1. Die Matrix A heißt dann regulär oder invertierbar. Eine Matrix, zu der es keine inverse gibt, heißt singulär Theorem 4 Jede nicht-quadratische Matrix A R n m mit n m ist singulär. Beispiel Die Matrix A = ( ) ( ) besitzt die inverse Matrix A = : 1 1 ( ) ( ) = ( ) 1 0, 0 1 ( ) ( ) 1 2 = 1 1 ( ) Daniel Gerth (JKU) Lineare Algebra 40 / 67
96 Inverse Matrix Definition 3.9 Eine Matrix A heißt regulär oder invertierbar, wenn es eine Matrix B gibt, so dass A B = B A = I mit der Einheitsmatrix I. B ist die inverse Matrix Wir bezeichnen sie mit A 1. Die Matrix A heißt dann regulär oder invertierbar. Eine Matrix, zu der es keine inverse gibt, heißt singulär Theorem 4 Jede nicht-quadratische Matrix A R n m mit n m ist singulär. Beispiel Die Matrix A = ( ) ( ) besitzt die inverse Matrix A = : 1 1 ( ) ( ) = ( ) 1 0, 0 1 ( ) ( ) 1 2 = 1 1 ( ) Daniel Gerth (JKU) Lineare Algebra 40 / 67
97 Rang einer Matrix Wir möchten Kriterien, die uns sagen, ob eine Matrix invertierbar ist oder nicht. Definition 3.10 Sei A R n m. Die maximale Anzahl linear unabhängiger Spalten von A heißt Spaltenrang von A. Die maximale Anzahl linear unabhängiger Zeilen von A heißt Zeilenrang von A. Es gilt stets, dass Zeilenrang und Spaltenrang identisch sind. Daher bezeichnen wir als Rang einer Matrix die maximale Anzahl linear unbhängiger Zeilen- bzw. Spaltenvektoren. Daniel Gerth (JKU) Lineare Algebra 41 / 67
98 Rang einer Matrix Wir möchten Kriterien, die uns sagen, ob eine Matrix invertierbar ist oder nicht. Definition 3.10 Sei A R n m. Die maximale Anzahl linear unabhängiger Spalten von A heißt Spaltenrang von A. Die maximale Anzahl linear unabhängiger Zeilen von A heißt Zeilenrang von A. Es gilt stets, dass Zeilenrang und Spaltenrang identisch sind. Daher bezeichnen wir als Rang einer Matrix die maximale Anzahl linear unbhängiger Zeilen- bzw. Spaltenvektoren. Beispiel ( ) ( ) A = hat Rang 2, B = hat Rang Daniel Gerth (JKU) Lineare Algebra 41 / 67
99 Rang einer Matrix Wir möchten Kriterien, die uns sagen, ob eine Matrix invertierbar ist oder nicht. Definition 3.10 Sei A R n m. Die maximale Anzahl linear unabhängiger Spalten von A heißt Spaltenrang von A. Die maximale Anzahl linear unabhängiger Zeilen von A heißt Zeilenrang von A. Es gilt stets, dass Zeilenrang und Spaltenrang identisch sind. Daher bezeichnen wir als Rang einer Matrix die maximale Anzahl linear unbhängiger Zeilen- bzw. Spaltenvektoren. Beispiel ( ) ( ) A = hat Rang 2, B = hat Rang Theorem 5 Sei A R n n. Dann ist A invertierbar genau dann, wenn sie Rang n hat. Daniel Gerth (JKU) Lineare Algebra 41 / 67
100 Determinanten Definition 3.11 Die Determinate det A = A einer quadratischen Matrix A ist eine Funktion, die der Matrix A R n n eindeutig ein Skalar zuordnet. Gilt det A 0, so ist A invertierbar. Die allgemeine Definiton der Determinante ist kompliziert und unpraktisch. Wir betrachten zuerst drei Spezialfälle: Daniel Gerth (JKU) Lineare Algebra 42 / 67
101 Determinanten Definition 3.11 Die Determinate det A = A einer quadratischen Matrix A ist eine Funktion, die der Matrix A R n n eindeutig ein Skalar zuordnet. Gilt det A 0, so ist A invertierbar. Die allgemeine Definiton der Determinante ist kompliziert und unpraktisch. Wir betrachten zuerst drei Spezialfälle: n = 1: det A = det a 11 = a 11 n = 2: det A = a 11 a 12 a 21 a 22 := a 11 a 22 a 12 a 21 n = 3: mit Regel von Sarrus a 11 a 12 a 13 det A = a 21 a 22 a 23 a 31 a 32 a 33 :=a 11a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31 a 12 a 21 a 33 a 11 a 23 a 32 Daniel Gerth (JKU) Lineare Algebra 42 / 67
102 Man kann Determinaten rekursiv berechnen. Definition 3.12 Sei A = (a ij ) R n n und A ij, die Matrix, die entsteht, wenn man in A die i-te zeile und j-te Spalte streicht. Dann heißt α ij := ( 1) i+j det A ij algebraisches Komplement zum Element a ij. Daniel Gerth (JKU) Lineare Algebra 43 / 67
103 Man kann Determinaten rekursiv berechnen. Definition 3.12 Sei A = (a ij ) R n n und A ij, die Matrix, die entsteht, wenn man in A die i-te zeile und j-te Spalte streicht. Dann heißt α ij := ( 1) i+j det A ij algebraisches Komplement zum Element a ij. Theorem 6 Sei j eine beliebige Spalte von A R n n. Dann gilt: det A = A = a 1j α 1j + a 2j α 2j + + a nj α nj = analog, sei i eine beliebige Zeile von A R n n. Dann gilt: det A = A = a i1 α i1 + a i2 α i2 + + a in α in = n a kj α kj k=1 n a ik α ik k=1 Daniel Gerth (JKU) Lineare Algebra 43 / 67
104 Beispiel Sei A = Wir entwickeln det A nach der ersten Spalte: det A =0 ( 1) ( 1) ( 1) ( 1) ( 1) = dies entwickeln wir nach der 2. Zeile = 0 ( 1) ( 1) ( 2) 1 3 ( 1) = = 2 (1 3 3 ( 1)) = 12 Daniel Gerth (JKU) Lineare Algebra 44 / 67
105 Mit Hilfe des algebraischen Komplements kann man zu gegebener regulärer Matrix A R n n die inverse Matrix berechnen. Es ist α 11 α 12 α 1n A 1 = 1 α 21 α 22 α 2n det A α n1 α n2 α nn Daniel Gerth (JKU) Lineare Algebra 45 / 67
106 Mit Hilfe des algebraischen Komplements kann man zu gegebener regulärer Matrix A R n n die inverse Matrix berechnen. Es ist α 11 α 12 α 1n A 1 = 1 α 21 α 22 α 2n det A α n1 α n2 α nn Inverse einer 2 2 Matrix ( ) ( ) a11 a Sei A = 12. Dann ist A a 21 a 1 1 a22 a = 12 a a 22 a 12 a 21 a 21 a 11 Daniel Gerth (JKU) Lineare Algebra 45 / 67
107 Mit Hilfe des algebraischen Komplements kann man zu gegebener regulärer Matrix A R n n die inverse Matrix berechnen. Es ist α 11 α 12 α 1n A 1 = 1 α 21 α 22 α 2n det A α n1 α n2 α nn Inverse einer 2 2 Matrix ( ) ( ) a11 a Sei A = 12. Dann ist A a 21 a 1 1 a22 a = 12 a a 22 a 12 a 21 a 21 a 11 Wir werden noch eine einfachere Möglichkeit zur Berechnung der inversen Matrix kennenlernen. Aber werfen wir erst einen Blick auf Eigenschaften der Determinante. Daniel Gerth (JKU) Lineare Algebra 45 / 67
108 Theorem 7 Sei A R n n. Dann ist A invertierbar (regulär), genau dann, wenn det A 0 Daniel Gerth (JKU) Lineare Algebra 46 / 67
109 Theorem 7 Sei A R n n. Dann ist A invertierbar (regulär), genau dann, wenn det A 0 Theorem 8 Sei A R n n eine (obere oder untere) Dreiecksmatrix. Dann ist die Determinante von A gleich dem Produkt der Diagonaleinträge det A = a 11 a 22 a nn Daniel Gerth (JKU) Lineare Algebra 46 / 67
110 Theorem 7 Sei A R n n. Dann ist A invertierbar (regulär), genau dann, wenn det A 0 Theorem 8 Sei A R n n eine (obere oder untere) Dreiecksmatrix. Dann ist die Determinante von A gleich dem Produkt der Diagonaleinträge Theorem 9 Seien A, B R n n. Dann gilt: det (A B) = det A det B det A = det A T det A = a 11 a 22 a nn det A 1 = (det A) 1 falls A invertierbar ist Theorem 10 Seien v 1,..., v n n Vektoren in R n. Dann sind die Vektoren genau dann linear unabhängig, wenn die Determinante v 1 v n mitden v i als Spalten ungleich Null ist. Daniel Gerth (JKU) Lineare Algebra 46 / 67
111 Rechenregeln für Determinanten Sei A R n n mit Spaltenvektoren ( a 1, a 2,..., a n ). Dann gilt für die Determinante det A = a 1 a 2... a n ein gemeinsamer Faktor einer Spalte kann vor die Determinante gezogen werden: a 1... a i 1 λ a i a i+1... a n = λ a 1... a i 1 a i a i+1... a n Daniel Gerth (JKU) Lineare Algebra 47 / 67
112 Rechenregeln für Determinanten Sei A R n n mit Spaltenvektoren ( a 1, a 2,..., a n ). Dann gilt für die Determinante det A = a 1 a 2... a n ein gemeinsamer Faktor einer Spalte kann vor die Determinante gezogen werden: a 1... a i 1 λ a i a i+1... a n = λ a 1... a i 1 a i a i+1... a n Bei Vertauschung zweier Spalten ändert sich das Vorzeichen der Determinante: a 1... a i 1 a i a i+1... a k 1 a k a k+1... a n = a 1... a i 1 a k a i+1... a k 1 a i a k+1... a n Daniel Gerth (JKU) Lineare Algebra 47 / 67
113 Rechenregeln für Determinanten Sei A R n n mit Spaltenvektoren ( a 1, a 2,..., a n ). Dann gilt für die Determinante det A = a 1 a 2... a n ein gemeinsamer Faktor einer Spalte kann vor die Determinante gezogen werden: a 1... a i 1 λ a i a i+1... a n = λ a 1... a i 1 a i a i+1... a n Bei Vertauschung zweier Spalten ändert sich das Vorzeichen der Determinante: a 1... a i 1 a i a i+1... a k 1 a k a k+1... a n = a 1... a i 1 a k a i+1... a k 1 a i a k+1... a n hat eine Matrix 2 gleiche (parallele) Spalten, so gilt det A = 0 Daniel Gerth (JKU) Lineare Algebra 47 / 67
114 Rechenregeln für Determinanten Sei A R n n mit Spaltenvektoren ( a 1, a 2,..., a n ). Dann gilt für die Determinante det A = a 1 a 2... a n ein gemeinsamer Faktor einer Spalte kann vor die Determinante gezogen werden: a 1... a i 1 λ a i a i+1... a n = λ a 1... a i 1 a i a i+1... a n Bei Vertauschung zweier Spalten ändert sich das Vorzeichen der Determinante: a 1... a i 1 a i a i+1... a k 1 a k a k+1... a n = a 1... a i 1 a k a i+1... a k 1 a i a k+1... a n hat eine Matrix 2 gleiche (parallele) Spalten, so gilt det A = 0 der Wert einer Determinante ändert sich nicht, wenn man zu einer Spalte ein vielfaches einer anderen Spalte addiert: a 1... a i 1 a i a i+1... a n = a 1... a i 1 ( a i + λ a k ) a i+1... a n Daniel Gerth (JKU) Lineare Algebra 47 / 67
115 Rechenregeln für Determinanten Sei A R n n mit Spaltenvektoren ( a 1, a 2,..., a n ). Dann gilt für die Determinante det A = a 1 a 2... a n ein gemeinsamer Faktor einer Spalte kann vor die Determinante gezogen werden: a 1... a i 1 λ a i a i+1... a n = λ a 1... a i 1 a i a i+1... a n Bei Vertauschung zweier Spalten ändert sich das Vorzeichen der Determinante: a 1... a i 1 a i a i+1... a k 1 a k a k+1... a n = a 1... a i 1 a k a i+1... a k 1 a i a k+1... a n hat eine Matrix 2 gleiche (parallele) Spalten, so gilt det A = 0 der Wert einer Determinante ändert sich nicht, wenn man zu einer Spalte ein vielfaches einer anderen Spalte addiert: a 1... a i 1 a i a i+1... a n = a 1... a i 1 ( a i + λ a k ) a i+1... a n Die gleichen Regeln gelten auch für Zeilen anstatt Spalten! Daniel Gerth (JKU) Lineare Algebra 47 / 67
116 Anwendung: man kann mit diesen Eigenschaften eine Determinante so umformen, dass man das Ergebnis leicht berechnen kann. Man überführt dabei eine beliebige Determinante a 11 a 12 a 1n a 21 a 22 a 2n... a n1 a n2 a nn in die Form ã 11 ã 12 ã 1n 0 ã 22 ã 2n, ã nn also in die Form einer oberen Dreiecksmatrix. Die Determinante ist dann gleich dem Produkt der Diagonalelemente, siehe Satz 8. Daniel Gerth (JKU) Lineare Algebra 48 / 67
117 Man addiert geschickt vielfache der Zeilen untereinander. Dies wird am besten in einem Beispiel deutlich: Beispiel Es ist (mit Z für Zeile ) = ( 3) 1 1/ Z=2.Z 2 1.Z 1 1/3 0 = ( 3) 0 8/ = ( 3) 8 1 1/ / Z=3.Z 2.Z = ( 3) 8 1 1/ / /8 = ( 3) 8 11 [ ] = 11 Daniel Gerth (JKU) Lineare Algebra 49 / 67
118 Lineare Gleichungssysteme Definition 4.1 Unter einem linearen Gleichungssystem (LGS) verstehen wir ein ein System aus m Gleichungen derselben n unbekannten Variablen x 1, x 2,..., x n : a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2. =. a m1 x 1 + a m2 x a mn x n = b m fasst man x 1,..., x n zum Lösungsvektor x, die Zahlen b 1,..., b m zu einem Vektor b und die Zahlen a ik zu einer Koeffizientenmatrix A zusammen, kann man das Gleichungssystem in Matrixform schreiben: Ax = b Lineare Gleichungssysteme gehören zu den häufigsten Problemen in der Mathematik, auch wir haben sie bereits früher angetroffen. Daniel Gerth (JKU) Lineare Algebra 50 / 67
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
= 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
K. 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
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
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
Kapitel 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
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
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
Matrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Kapitel 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.
Kapitel 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.
Matrixalgebra. 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):
Hilfsblätter 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,
Vektoren. 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,
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
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
Matrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
![Matrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte](/thumbs/71/64996309.jpg "Matrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte")
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
a 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
Vorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
Lineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
Kapitel 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
Vorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2018 Steven Köhler Wintersemester 2018/19 Inhaltsverzeichnis Teil 1 Teil
35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
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
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
03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Brückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Vorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 018/19 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de c 018 Steven Köhler Wintersemester 018/19 Inhaltsverzeichnis Teil 1 Teil Teil
03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
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.............................
2. 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
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
Vektoren, 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
Brückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
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
Mathematischer 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
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
Zusammenfassung 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
6 Lineare Algebra. 6.1 Einführung
6 Lineare Algebra 6.1 Einführung Die lineare Algebra ist für die Wirtschaftswissenschaften von zentraler Bedeutung. Einerseits liefert sie die theoretischen und praktischen Grundlagen für das Lösen linearer
Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08)
1 Vorlesung Mathematik für Ingenieure I (Wintersemester 2007/08) Kapitel 2: Der Euklidische Raum Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 30. Oktober 2007) Vektoren in R n Definition
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,
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
3 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..............................
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
Lösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
entspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
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
Mathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 71 Reelle Matrizen Prof Dr Erich Walter Farkas Mathematik I+II, 71 Reelle Matrizen 1 / 31 1 2 3 4 Prof Dr Erich
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
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
Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 29. April 2011
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 29. April 2011 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
Mathematische 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
EXKURS: 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
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
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/
Mathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
2 Matrizenrechnung und Lineare Gleichungssysteme
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der
Kapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41. : x i R, 1 i n x n
Kapitel Vektorräume Josef Leydold Mathematik für VW WS 07/8 Vektorräume / 4 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit x R n =. : x i R, i n x n und wird als n-dimensionaler
Kapitel 3. Vektorräume. Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41
Kapitel 3 Vektorräume Josef Leydold Mathematik für VW WS 2017/18 3 Vektorräume 1 / 41 Reeller Vektorraum Die Menge aller Vektoren x mit n Komponenten bezeichnen wir mit R n = x 1. x n : x i R, 1 i n und
Motivation: Physikalische Kräfte können nicht durch eine Zahl allein beschrieben werden, denn sie besitzen eine Richtung und einen
Höhere Mathematik 40 2 Lineare Algebra I 21 Vektoren und Vektorräume Motivation: Physikalische Kräfte können nicht durch eine Zahl allein beschrieben werden, denn sie besitzen eine Richtung und einen Betrag
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 32 8 Lineare Algebra: 1 Reelle Matrizen Grundbegriffe Definition
3 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
Ökonometrische Analyse
Institut für Statistik und Ökonometrie, Freie Universität Berlin Ökonometrische Analyse Dieter Nautz, Gunda-Alexandra Detmers Rechenregeln für Matrizen Notation und Matrixeigenschaften: Eine Matrix A der
Lineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Kurze Zusammenfassung (Stand: 3 Juli 2) Prof Dr V Stahl Copyright 28 by Volker Stahl All rights reserved V Stahl Lineare Algebra und Computer Grafik Zusammenfassung
13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
Grundsätzliches 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
Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13)
1 Vorlesung Mathematik für Ingenieure (WS 11/12, SS 12, WS 12/13) Kapitel 2: Vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. Oktober 2011) Vektoren in R n Definition 2.1
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
5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
Definition von R n. Parallelverschiebungen in R n. Definition 8.1 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R... R (n-mal), d.h.
8 Elemente der linearen Algebra 81 Der euklidische Raum R n Definition von R n Definition 81 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R R (n-mal), dh R n = {(x 1, x 2,, x n ) : x
2 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
Kapitel 16 Skalar- und Vektorprodukt
Kapitel 16 Skalar- und Vektorprodukt Mathematischer Vorkurs TU Dortmund Seite 210 / 246 Bisher hatten wir die Möglichkeit Vektoren des Vektoren mit rellen Zahlen zu multiplizieren. n zu addieren und Man
8. Elemente der linearen Algebra 8.1 Der euklidische Raum R n
8 Elemente der linearen Algebra 81 Der euklidische Raum R n Definition von R n Definition 81 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R R (n-mal), dh R n = {(x 1, x 2,, x n ) : x
Lineare 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
5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
Geometrie. Bei der Addition von Vektoren erhält man einen Repräsentanten des Summenvektors +, indem man die Repräsentanten von aneinanderfügt:
Geometrie 1. Vektoren Die Menge aller zueinander parallelen, gleich langen und gleich gerichteten Pfeile werden als Vektor bezeichnet. Jeder einzelne Pfeil heißt Repräsentant des Vektors. Bei Ortsvektoren:
Tutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14052018 (Teil 1) 7 Mai 2018 Steven Köhler mathe@stevenkoehlerde mathestevenkoehlerde 2 c 2018 Steven Köhler 7 Mai 2018 Matrizen
Probeklausur zu Mathematik 2 für Informatik
Gunter Ochs Wintersemester 4/5 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immer ohne Garantie auf Fehlefreiheit. Gegeben sei das Dreieck im R mit den Eckpunkten A a Berechnen Sie die
36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
Matrizen. 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
Skalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Grundsätzliches 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
LINEARE 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
8 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
Ferienkurs Mathematik für Physiker I Skript Teil 3 ( )
Ferienkurs Mathematik für Physiker I WS 2016/17 Ferienkurs Mathematik für Physiker I Skript Teil 3 (29032017) 1 Lineare Gleichungssysteme Oft hat man es in der Physik mit unbekannten Größen zu tun, für
Lineare 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
Vektorrechnung. 10. August Inhaltsverzeichnis. 1 Vektoren 2. 2 Grundlegende Rechenoperationen mit Vektoren 3. 3 Geometrie der Vektoren 5
Vektorrechnung 0. August 07 Inhaltsverzeichnis Vektoren Grundlegende Rechenoperationen mit Vektoren 3 3 Geometrie der Vektoren 5 4 Das Kreuzprodukt 9 Vektoren Die reellen Zahlen R können wir uns als eine
Mathematische 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
3 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 +
4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
Lineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 7 Was die Menschen verbin, ist nicht der Glaube, sondern der Zweifel Peter Ustinow Universelle Eigenschaft der
Skript Lineare Algebra
Skript Lineare Algebra sehr einfach Erstellt: 2018/19 Von: www.mathe-in-smarties.de Inhaltsverzeichnis Vorwort... 2 1. Vektoren... 3 2. Geraden... 6 3. Ebenen... 8 4. Lagebeziehungen... 10 a) Punkt - Gerade...
Basiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
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)