4 Lineare Algebra (Teil 2): Quadratische Matrizen
|
|
- Andrea Bieber
- vor 7 Jahren
- Abrufe
Transkript
1 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig, so heißt sie regulär, andernfalls singulär. 4.1 Matrizeninversion Das Inverse einer regulären Matrix Def.: Die (n n-einheitsmatrix ist gegeben durch := ( Bem.: Für jede beliebige (n n-matrix A gilt: A 1 = 1 A = A. Satz: Die (n n-matrix A ist genau dann regulär, wenn es eine (n n-matrix A 1 gibt mit A 1 heißt die zu A inverse Matrix. A A 1 = A 1 A = 1. (13 Bem.: Die zu einer gegebenen (n n-matrix A Inverse A 1 ist eindeutig. Für eine (n n-matrix B mit A B = B A = 1 folgt nämlich B = B 1 = B (A A 1 = ( B A A 1 = 1 A 1 = A 1. (14 Bsp.: Zur Veranschaulichung betrachten wir zwei zueinander inverse Matrizen, ( ( 1 1 A = 1, A 1 = 3 3 1, (15 1 und stellen die entsprechende lineare Abbildung f : R R, x A x und deren Umkehrung f 1 graphisch dar. Gezeigt ist, auf welche Linien die Koordinatenlinien
2 und auf welche Vektoren die Vektoren der Standardbasis (linkes Bild durch f (Mitte bzw. durch f 1 (rechts abgebildet werden. Bem.: Sind A und B zwei reguläre (n n-matrizen, so gilt dies auch für die Matrizen C = A B, D = B A. (16 Wie man nämlich direkt durch Einsetzen sieht, sind deren Inverse gegeben durch ( 1 ( 1 C 1 A B = B 1 A 1 bzw. D 1 B A = A 1 B 1. (17 Somit bildet die Menge der regulären (n n-matrizen bezüglich der Matrizenmultiplikation eine (nicht-abelsche! Gruppe, mit der (n n-einheitsmatrix als Einselement Berechnung der inversen Matrix Die Berechnung des Inversen X = A 1 (x ij einer gegebenen (n n-matrix A = (a ij läuft auf n Gleichungen für n Unbekannte x ij hinaus (i, j = 1,..., n, ( A X ij n a ik x kj = δ ij. (18 k=1 Dies ist für jeden festen Wert von j {1,..., n} jeweils ein unabhängiges System für die n unbekannten Elemente x 1j,..., x nj der j-ten Spalte von X = A 1. Bsp. 9: Die Forderung ( ( 1 1 x11 x A X := x 1 x ( x11 + x 1 x 1 + x x 11 x 1 = ( (19 führt auf 4 Gleichungen. Diese zerfallen in zwei unabhängige Gleichungssysteme { } { } ( x11 + x 1 = 1 x1 + x, = X A 1 =. (0 x 11 = 0 x 1 =
3 4. Determinanten 4..1 Permutationen Def.: Wir betrachten die Menge N n := {1,,..., n} der ersten n natürlichen Zahlen. Jede invertierbare Selbstabbildung P : N n N n, k k = P(k (1 heißt eine Permutation dieser Zahlen. Man schreibt auch ( 1... n P =. ( P(1 P(... P(n Bsp. 11: Zwei Permutationen von N 4 sind etwa ( ( 4 4 P 1 =, P = Ihre Hintereinanderausführung, erklärt durch ( 1... n P P 1 := P (P 1 (1 P (P 1 (... P (P 1 (n ist wieder eine Permutation. Im aktuellen Beispiel ergibt sich ( ( 4 4 P P 1 = = P (4 P (1 P (3 P ( (3, (4. (5 Wie man sich leicht überzeugt, ist die Operation nicht kommutativ, P P 1 P 1 P. Satz 9/Def.: Die Gesamtheit aller Permutationen P : N n N n bildet bezüglich der Hintereinanderausführung eine (für n 3 nicht-abelsche Gruppe, die Symmetrische Gruppe S n. Diese ist endlich und hat genau n! Elemente. Bsp. 1: Die 3! = 6 Elemente der Symmetrische Gruppe S 3 sind ( ( ( P 1 =, P =, P =, 3 1 ( ( ( P 4 =, P =, P =. (6 1 3 Def.: Unter der Transposition P ij versteht man jene spezielle Permutation, bei der nur die beiden Elemente i, j N n ihren Platz tauschen, j (k = i, P ij (k = i (k = j, (7 k (sonst. 40
4 Bsp. 13: P 4, P 5 und P 6 in Bsp. 1 sind alle Transpositionen aus der S 3. Eine Transposition aus der S 7 ist etwa ( P 5 = S (8 Satz 10: Jede Permutation P S n läßt sich entweder durch eine gerade oder durch eine ungerade Anzahl hintereinanderausgeführter Transpositionen darstellen. Entsprechend spricht man von geraden oder ungeraden Permutationen. Bsp. 14: In Bsp. 1 sind P 1, P und P 3 die geraden und P 4, P 5 und P 6 die ungeraden Permutationen. Alle Transpositionen sind definitionsgemäß ungerade. 4.. Definition der Determinante Von den n Elementen einer (n n-matrix A = (a ij wählen wir n Elemente so aus, daß keine zwei von ihnen in der gleichen Zeile oder Spalte stehen. Eine solche Auswahl ist in der folgenden (3 3-Matrix durch Hervorhebung gekennzeichnet, (9 Die hier ausgewählten Elemente sind, nach Zeilenindex geordnet, a 1, a 1 und a 33. Ihre Spaltenindizes bilden eine bestimmte Permutation P der Zeilenindizes, } } ( {a 1, a 1, a 33 = {a 1,P(1, a,p(, a 3,P(3, P =. ( Daher können wir das Produkt dieser drei Elemente schreiben als n a 1 a 1 a 33 = a i,p(i a 1,P(1 a,p( a 3,P(3. (31 i=1 Unter der Determinante von A versteht man die Summe aller möglichen solchen Produkte von jeweils n Elementen, die auf die beschriebene Art ausgewählt sind, wobei ein Produkt immer dann negativ zur Summe beiträgt, wenn die Pernutation P ungerade ist: Def.: Die Determinante der (n n-matrix A M(n n, K ist die Zahl det A := P S n ( 1 P n i=1 a i,p(i P S n ( 1 P a 1,P(1...a n,p(n K. (3 Dabei ist ( 1 P = ±1, je nachdem ob die Permutation P gerade oder ungerade ist. 41
5 4..3 Praktische Berechnung von Determinanten Bsp.: Für die Fälle n = und n = 3 kann man sich leicht einprägen: ( a11 a det 1 a 1 a a 11 a 1 a 13 = a 11 a a 1 a 1, det a 1 a a 3 = +a 11 a a 33 + a 1 a 3 a 31 + a 13 a 1 a 3 + a 31 a 3 a 33 a 13 a a 31 a 1 a 1 a 33 a 11 a 3 a 3. (33 Für n 4 ist der Entwicklungssatz von Laplace nützlich: Satz: Für die (n n-matrix A = (a ij gilt (Entwicklung nach der k-ten Zeile det A = n a ki ( 1 k+i det A (ki. (34 i=1 Hier bezeichnet A (ij jene (n 1 (n 1-Matrix, die durch Streichen der i-ten Zeile und der j-ten Spalte aus A hervorgeht. Ebenso gilt (Entwicklung nach der k-ten Spalte det A = n a ik ( 1 i+k det A (ik. (35 i=1 Bsp.: Da hier die zweite Zeile viele Nullen enthält, entwickeln wir nach dieser: det = ( 1+1 det ( 1 +4 det [ = ( ( ] [ ] + 7 (7 + 1 ( = 166. (36 4
6 4..4 Eigenschaften der Determinante Satz: Eine Matrix A M(n n, K ist genau dann regulär, wenn gilt det A 0. (37 Bem.: Fassen wir det A als Funktion der n Spalten a i von A auf, det A = D(a 1,..., a n, (38 so gilt: (a Die Funktion D : K n... K n K ist in jeder ihrer n Variablen linear, D(a 1,..., a i = λb + µc,..., a n = λd(a 1,..., b,..., a n + µd(a 1,..., c,..., a n. (39 (b Sie ist antisymmetrisch bezüglich Vertauschen zweier Variable, D(a 1,..., a i,..., a j,..., a n = D(a 1,..., a j,..., a i,..., a n. (40 Mit (a und (b ist D eine alternierende Multilinearform. Mit obigem Satz folgt weiter: (c D ändert sich nicht, wenn zu einer Spalte das Vielfache einer anderen addiert wird. All diese Aussagen gelten entsprechend auch für die Zeilen von A Rechnen mit Determinanten Die Determinante ist sicherlich nicht additiv. So haben etwa die Matrizen ( ( A =, B = (41 die Determinanten det A = det B = 1 während offenbar gilt det ( A + B = 0. Für das Produkt zweier (n n-matrizen A und B gilt dagegen die einfache Formel ( ( ( ( det A B = det B A = det A det B. (4 Obwohl also die Produktmatrizen A B und B A im allg. voneinander verschieden sind, sind ihre Determinanten gleich. Für das Inverse einer regulären (n n-matrix A folgt det (A 1 = 1 det A. (43 Zur Berechnung der inversen Matrix selbst merken wir ohne Beweis an: 43
7 4..6 Matrizeninversion mit Hilfe der Determinante Satz: Das Element in der i-ten Zeile und der j-ten Spalte der zu einer gegebenen regulären (n n-matrix A inversen Matrix A 1 ist (A 1 ij det A(ji i+j = ( 1 det A. (44 Wie in Abschnitt 4..3 bezeichnet A (ji jene (n 1 (n 1-Matrix, die durch Streichen der j-ten Zeile und der i-ten Spalte aus A hervorgeht. Bsp.: Die reguläre (3 3-Matrix A = hat die Determinante det A = 5. Nach obigem Satz gilt also etwa (A 1 1 det A(1 1+ = ( 1 5 Insgesamt findet man auf diese Weise A 1 = 1 5 (45 ( 1 1 det 3 = = 1 5. (46. (47 44
8 4.3 Eigenwerte und Eigenvektoren Definition Def.: Der Vektor x K n \{0} heißt Eigenvektor der Matrix A M(n n, K zum Eigenwert λ K, wenn gilt A x = λx. (48 Bsp.: Eine ( -Matrix und zwei ihrer Eigenvektoren sind ( ( ( 1 1 A =, x 4 1 =, x = 1 denn für x 1 etwa gilt A x 1 = ( 1 4 ( 1 = ( 5 10, (49 = λ 1 x 1, λ 1 = 5. (50 Entsprechend findet man A x = 0 = λ x, mit dem zweiten Eigenwert λ = 0. Der Nullvektor 0 K n verhält sich wie ein Eigenvektor jeder (n n-matrix A, A 0 0 = λ0. (51 Er wird aber als einziger Vektor des K n nicht als Eigenvektor einer Matrix zugelassen. Der Eigenwert λ = 0 ist dagegen zugelassen und wichtig: Hat nämlich A den Eigenwert 0, dann existiert ein Vektor x 0 mit A x = 0x 0. (5 Dann hat also das homogene Gleichungssystem A x = 0 eine nicht-triviale Lösung x 0, was bedeutet, daß die Matrix A singulär ist. Eigenvektoren sind nur bis auf einen frei wählbaren Faktor c 0 festgelegt, ( A x = λx A (cx c A x = λ(cx. (53 Sind x 1 und x Eigenvektoren von A zum gleichen Eigenwert λ, so ist auch jede ihrer Linearkombinationen ein Eigenvektor zu diesem Eigenwert, A x A (c 1 x 1 + c x = c 1 (A x 1 + c (A x = λx. (54 45
9 Def.: Der Eigenwert λ einer (n n-matrix A heißt g-fach entartet, wenn es einen linear unabhängigen Satz {x 1,..., x g } von maximal g Eigenvektoren gibt, A x i = λx i (i = 1,..., g. (55 Der von diesen Eigenvektoren aufgespannte g-dimensionale Untervektorraum E λ K n heißt der zum Eigenwert λ gehörende Eigenraum von A. Bsp.: Die Matrix A = (56 hat offenbar den zweifach entarteten Eigenwert λ 1 = 5 und den nicht-entarteten Eigenwert λ = 7. Die entsprechenden zwei- bzw. eindimensionalen Eigenräume sind E 5 = c c 1 c 1, c R, E 7 = c 3 0 c 3 R. ( Bestimmung der Eigenwerte einer Matrix Ist λ K ein Eigenwert der Matrix A = (a ij M(n n, K, so gibt es nach unserer Definition einen (Eigen- Vektor x K n mit x 0 und A x = λx ( A λ1 x = 0. (58 Dies ist ein homogenes Gleichungssystem mit nicht-trivialer Lösung x. Dessen Matrix a 11 λ a 1... a 1n a 1 a λ... a n A λ1 =..... (59. a n1 a n... a nn λ muß also singulär sein, d.h.: ihre Determinante muß verschwinden, χ A (λ := det ( A λ1 = 0. (60 χ A (λ ist eine gewisse, durch die Matrix A festgelegte Funktion der Variable λ. Da λ nur in den n Diagonalelementen von A auftritt, ist χ A (λ ein Polynom n-ten Grades, genannt das charakteristische Polynom von A. Es gilt also: Satz: Eine Matrix A M(n n, K hat maximal n verschiedene Eigenwerte. Diese sind gerade die Nullstellen des charakteristischen Polynoms χ A (λ von A. 46
10 Bsp.: Die (3 3-Matrix A = (61 hat das charakteristische Polynom 1 λ 0 5 χ A (λ = det 1 λ λ = (1 λ [ (1 λ ] = λ 3 + 3λ 4λ + 1. (6 Dessen drei Nullstellen λ 1 = 3 und λ,3 = ± i sind die Eigenwerte von A. Um die zugehörigen Eigenvektoren x n zu bestimmen müssen wir für jeden Eigenwert λ n jeweils ein homogenes Gleichungssystem lösen, A x n = λ n x n. (63 Mit dem Ansatz x 1 = (u, v, w ist dieses System im Fall λ 1 = 3 gegeben durch u + 5w = 3u u + v + w = 3v v + w = 3w mit der eindimensionalen Lösungsmenge L 0 = { (5 u + 5w = 0 u v + w = 0 v w = 0, (64 w, w, w w C }. (65 Für den Eigenvektor x 1 ergibt sich also x 1 = 1 5w 4w w (w 0. (66 Den Wert von w 0 können wir beliebig wählen, da Eigenvektoren nur bis auf einen willkürlichen Faktor bestimmt sind. Mit den beiden anderen Gleichungssystemen findet man (nach geeigneter Wahl des jeweiligen willkürlichen Faktors die drei Eigenvektoren x 1 = 5 4, x = 1 i +1 i 1, x 3 = 1 + i +1 + i 1. (67 Im Fall K = R gibt es nur den einen Eigenwert λ 1 = 3 und den einen Eigenvektor x 1. 47
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
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrIn 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)
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
Mehr5 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
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Betrachtet wird eine (n,n)-matrix A. Eine Zahl λ heißt Eigenwert von A, wenn ein Vektor v existiert, der nicht der Nullvektor ist und für den gilt: A v = λ v.
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrOrientierung 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
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
MehrRichie Gottschalk Lineare Algebra I Seite 1. a) Welche der folgenden Ringe sind kommutativ? Es gibt genau einen Unterraum W von V mit dim(w ) = n.
Richie Gottschalk Lineare Algebra I Seite Aufgabe Im Folgenden sind K immer ein Körper und V ein K-Vektorraum. a) Welche der folgenden Ringe sind kommutativ? K[x] K[x] ist per se ein kommutativer Polynomring.
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Lineare : Einführung Beispiele linearer a) b) c) 2x 1 3x 2 = 1 x 1 + x 2 =
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
MehrLösungen 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
MehrWirtschafts- und Finanzmathematik
Prof Dr Stefan Etschberger HSA Wirtschafts- und Finanzmathematik für Betriebswirtschaft und International Management Wintersemester 2016/17 Determinanten: Vorüberlegung Permutationen und Inversionen
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrSerie a) Welche der folgenden Vektoren sind Eigenvektoren der Matrix 1 0 1? 0 1 1
Prof. Norbert Hungerbühler Serie Lineare Algebra II ETH Zürich - D-MAVT. a Welche der folgenden Vektoren sind Eigenvektoren der Matrix? i (,,. ii (,,. iii (,,. iv (, 3,. v (,,. Ein Vektor v ist Eigenvektor
Mehr36 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
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 13. Übung: Woche vom (Lin.Alg.
Übungsaufgaben 13. Übung: Woche vom 23. 1.-27. 1. 2017 (Lin.Alg. II): Heft Ü 3: 1.1.3; 1.1.7 (a,b); 1.1.8; 1.1.11; 3.4.3 (b); 1.3.3 (c); 1.2.3 (b,d); Hinweis 1: 3. Test (Integration, analyt. Geom.) ist
MehrKlausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.
Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren
MehrZusammenfassung und Beispiellösungen. zur Linearen Algebra
Zusammenfassung und Beispiellösungen zur Linearen Algebra Inhaltsverzeichnis TI Taschenrechner Funktionen für Matrizen... n*m Matrix... Diagonal und Dreiecksmatrix... Transponierte der Matrix A (AT)...
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07032016-11032016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Lineare Abbildungen 2 11 Homomorphismus 2 12 Kern
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
MehrKapitel 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
Mehr3 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
Mehr35 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
MehrFür das Allgemeine lineare Gleichungssystem mit n linearen Gleichungen und n Unbekannten
Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 008 6. Januar.009 Kapitel 6 Leontieff Modell, Lineare
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
MehrKurzübersicht Lineare Algebra. Vorlesung Multivariate Analysemethoden WS 2006/2007 (G. Meinhardt)
Kurzübersicht Lineare Algebra Vorlesung Multivariate Analysemethoden WS 2006/2007 (G. Meinhardt 21.11.2006 1 Lineare Gleichungen System linearer Gleichungen, allgemeine Form: a 11 x 1 + a 12 x 2 + + a
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe Beispiel einer Koordinatentransformation Gegeben seien zwei
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrDeterminante. 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(...,
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 22/3 Institut für Analysis 28..23 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Höhere Mathematik I für die Fachrichtung Physik 4. Übungsblatt (letztes Blatt)
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrKlausurähnliche Aufgaben
Sommersemester 2007/08 Lineare Algebra Klausurähnliche Aufgaben Aufgabe 1 Seien v 1, v 2, v 3, v 4, v 5, v 6 die Vektoren in R 5 mit v 1 = (1, 2, 3, 1, 2), v 2 = (2, 4, 6, 2, 4), v 3 = ( 1, 1, 3, 0, 3),
MehrÜbungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 2017/18 Blatt 3 - Lösung
Technische Universität München Physik Department Pablo Cova Fariña, Claudia Nagel Übungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 207/8 Blatt 3 - Aufgabe : Darstellungsmatrizen Sei
MehrBeispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist
127 Die Schritte des Gauß-Algorithmus sind nun die Folgenden: 1. Wir bestimmen die am weitesten links stehende Spalte, die Einträge 0 enthält. 2. Ist die oberste Zahl der in Schritt 1 gefundenen Spalte
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen 5.1 Einführendes Beispiel 5.1.1 Verallgemeinerung des Hookeschen Gesetzes Drei Schienen mögen ein gleichschenklig-rechtwinkliges Dreieck bilden. In dessen Ebene E wählen wir zwei
Mehr3.7 Eigenwerte und Eigenvektoren
3.7. EIGENWERTE UND EIGENVEKTOREN 123 3.7 Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben,
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrLineare Gleichungssysteme: eine Ergänzung
Lineare Gleichungssysteme: eine Ergänzung Ein lineares Gleichungssystem, bei dem alle Einträge auf der rechten Seite gleich sind heiÿt homogenes lineares Gleichungssystem: a x + a 2 x 2 +... + a n x n
Mehr5.1 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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehrbzw. 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
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14.5.218 (Teil 2) 9. Mai 218 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 218 Steven Köhler 9. Mai 218 3 c 218
Mehr