Lineare Algebra (Teil 1) (LinAlg_1.mw)
|
|
- Benjamin Schenck
- vor 7 Jahren
- Abrufe
Transkript
1 Lineare Algebra (Teil 1) (LinAlg_1.mw) Neue MAPLE-Befehle: Vector, DotProduct, CrossProduct, Norm, Matrix, Row, Column, Transpose, Rank, Basis, Determinant, MatrixInverse, Eigenvalues, Eigenvectors. Wir benoetigen fuer dieses Kapitel das package LinearAlgebra. Mit with(linearalgebra); koennen Sie sich ueber die darin enthaltenen MAPLE-Befehle informieren! Vektorrechnung Erzeugung eines Spalten-Vektors v_s bzw. eines Zeilen-Vektors v_z: restart: with(linearalgebra): v_s:=vector( [a1, a2, a3] ); # Spalten-Vektor (1.1.1) v_z:=vector[row]( [b1,b2, b3] ); # Zeilen-Vektor whattype(v_s), whattype(v_z); (1.1.2) (1.1.3) Umwandlung eines Zeilenvektors v_z in einen Spaltenvektor v_s - und umgekehrt mit Transpose(v). Transpose(v_s); Transpose(v_z); (1.1.4)
2 (1.1.4) Zugriff auf Vektorkomponenten (analog wie bei Listen): v:=vector( [-2, 0, 8] ); (1.1.5) v[1], v[2], v[3]; (1.1.6) Umwandlung einer Liste L in einen Spaltenvektor v und umgekehrt mit convert(l, Vector) bzw. convert(v, list). Man beachte hierbei die Gross- und Kleinschreibung in Vector und list! L:=[-1, 2, 4]; # Liste v:=convert( L, Vector); (1.1.7) (1.1.8) Beispiel: interface( imaginaryunit = j ): convert(v, list); Die Addition von Vektoren und die Multiplikation eines Vektors mit einer komplexen Zahl Letztere erfolgt mit dem *-Operator. Hinweis: Spaltenvektoren (bzw. Zeilenvektoren) koennen nur addiert werden, wenn sie die gleiche Anzahl an Komponenten enthalten. v1:=vector( [j, -2, 1] ); v2:=vector( [3*j, -4, 2] ) ; (1.1.9)
3 (1.2.1) v3:=3*v1-2*v2; (1.2.2) Skalarprodukt zweier Vektoren: DotProduct(Vektor_1, Vektor_2) Das Skalarprodukt zweier Vektoren ist ein Skalar (d.h. eine Zahl) und nur definiert, wenn beide Vektoren gleich viele Komponenten haben. Zur Berechnung des Skalarprodukts (v1 v2) wird die Summe der Produkte der Vektorkomponenten gebildet - jedoch werden bei Spaltenvektoren vorher die Komponenten des ersten Vektors komplexkonjugiert, bei Zeilenvektoren vorher die Komponenten des zweiten Vektors komplexkonjugiert. Mit der Option 'conjugate=false' kann man diese Konjugiert-komplex-Bildung verhindern. Die Konjugiert-Komplex-Bildung bleibt ohne Wirkung, wenn nur reelle Vektorkomponenten auftreten. Beispiel mit obigen Vektoren v1, v2: v1, v2; (1.3.1) a:= DotProduct(v1, v2); # a = b:= DotProduct(v1, v2, conjugate=false); # b = (1.3.2)
4 Betrag eines Vektors, Winkel zwischen zwei Vektoren Der MAPLE-Befehl Norm berechnet die Normen eines Vektors v. Speziell mit Norm(v, 2) erhaelt man den 'Betrag des Vektors v' (= Quadratwurzel aus dem Skalarprodukt v*v). Dabei gilt fuer die Kongugiertkomplex-Bildung wieder das oben Gesagte. Beispiel: v:=vector( [ 2*j, -1, 4 ] ); (1.3.3) (1.4.1) DotProduct(v, v); 21 Norm(v, 2); # Wurzel aus DotProduct(v, v) 21 Rechnung mit 'conjugate = false': DotProduct(v, v, conjugate=false); 13 Norm(v, 2, conjugate=false ); 13 (1.4.2) (1.4.3) (1.4.4) (1.4.5) Der Winkel zwischen zwei Vektoren v1 und v2 - mit gleicher Anzahl von reellen Komponenten - wird mit dem MAPLE-Befehl VectorAngle( v1, v2) berechnet. v1:=vector( [1, -2, 0] ): v2:=vector( [-1, 1, 1] ): alpha:=vectorangle( v1, v2); (1.4.6) Umwandlung in Grad: alpha:=evalf(convert( alpha, degrees), 4); (1.4.7) Das Vektorprodukt zweier Vektoren v1 und v2 (mit je 3 reellen Komponenten) ist ein Vektor und wird mit CrossProduct(v1, v2) berechnet.
5 restart: with(linearalgebra): v1:=vector( [ a[1],a[2],a[3] ] ): v2:=vector( [ b[1],b[2],b[3] ] ): CrossProduct(v1, v2); (1.5.1) CrossProduct liefert einen Zeilenvektor (bzw. Spaltenvektor), wenn beide Vektoren Zeilenvektoren (bzw. Spaltenvektoren) sind. Differenzieren und integrieren von Vektorfunktionen Eine Vektorfunktion ist ein Vektor, dessen Komponenten Funktionen von einer oder mehreren Variablen sind, z.b. F:=Vector( [sin(t), cos(t), t^2]); (1.6.1) Die Vektorfunktion wird differenziert bzw. integriert, indem die einzelnen Komponenten differenziert bzw. integriert werden. Das Ergebnis ist wieder eine Vektorfunktion. Diff('F',t)=map(diff, F, t); (1.6.2) Int('F',t)=map(int, F, t); (1.6.3)
6 Matrizenrechnung Die Erzeugung einer Matrix A erfolgt mit einer Liste von Zeilen-Listen: restart: with(linearalgebra): A:=Matrix( [ [1,-3,-2, 9], [0, 3, 4,-2], [1, -1, 1, -5] ]); (2.1.1) Die Zeilen der Matrix werden von oben nach unten, die Spalten von links nach rechts durchnumeriert. Jedes Matrixelement hat somit zwei Indizes: (Zeilennummer, Spaltennummer). Bei einer quadratischen Matrix wird die von links oben nach rechts unten verlaufende Diagonale als 'Haupt-Diagonale' bezeichnet. Sie enthaelt die Elemente a11, a22, a33,... Zugriff auf Matrixelemente, Zeilen, Spalten, Untermatrizen (wichtig fuer grosse Matrizen!): A[2,3]; # Element in der 2.Zeile, 3. Spalte 4 Row( A, 1); # 1.Zeile in A Column(A, 3); # 3. Spalte in A (2.1.2) (2.1.3) (2.1.4) AU:=SubMatrix(A, 2..3, 3..4); # Untermatrix (2.1.5) Erzeugung spezieller Matrizentypen: a) Null-Matrix mit m Zeilen, n Spalten: Matrix(m, n) N:=Matrix( 3,5 ); # mit 3 Zeilen und 5 Spalten
7 (2.1.6) Man kann anschliessend Nullen durch andere Zahlen ersetzen: N[1,1]:=8.14: N[2,4]:=7.5: N[3,2]:=-2.8: N; (2.1.7) b) Diagonal-Matrix (= quadratische Matrix, hat nur Nullen ausserhalb der Haupt- Diagonalen): DiagonalMatrix( [a11, a22,...] ) Dia_1:=DiagonalMatrix( [4, 2, 1] ); # Diag.elemente 4,2,1 (2.1.8) Mit obigem Befehl koennen auch Matrizen erzeugt werden, die Untermatrizen in der Haupt-Diagonale haben: Dia_2:=DiagonalMatrix( [ 1, A[2,3], AU, 7] ); (2.1.9) Speziell: Einheits-Matrix (Diagonalmatrix mit Einsen in der Hauptdiagonale): IdentityMarix(n) E:=IdentityMatrix(3);
8 (2.1.10) Transponieren und Rang einer Matrix A, Basisvektoren: mit Transpose(A), Rank(A), Basis(...) Transponieren bewirkt: Die 'Transponierte Matrix AT' einer Matrix A entsteht, indem man jeweils die in der k-ten Zeile stehenden Elemente von A in die k-te Spalte der Matrix AT schreibt (fuer k=1, 2,...). Rang(A) = r bedeutet a) die 'Dimension des Vektorraums, den die Spaltenvektoren von A aufspannen' b) Die n Spaltenvektoren (bzw. Zeilenvektoren) der Matrix A sind linear unabhaengig, wenn r = n ist, linear abhaengig, wenn r < n ist. Analoges gilt fuer die Zeilenvektoren (anstelle der Spaltenvektoren). Beispiel: AT:=Transpose(A): A, AT; (2.2.1) r:=rank(a); (2.2.2) Die n=4 Spaltenvektoren der Matrix A sind somit 'linear abhaengig', da r<n ist. Der Maple-Befehl Basis( [ a[1], a[2],..., a[n] ] ); liefert zu den Vektoren [ a[1], a[2],..., a[n] eine maximale Liste linear unabhaengiger Basisvektoren, welche den gleichen Vektorraum aufspannen wie a[1], a[2],..., a[n]. Beispiel: restart: with(linearalgebra): a[1]:=vector( [2,0,-1] ):
9 a[2]:=vector( [1,1,4] ): a[3]:=vector( [0,-2,-9] ): a[4]:=vector( [7,1,1] ): a[1], a[2], a[3], a[4]; (2.2.3) Basis( [a[1],a[2],a[3],a[4]] ); (2.2.4) Ergebnis: Die 4 Vektoren a[1],..., a[4] sind linear abhaengig und spannen einen 2- dimensionalen Vektorraum auf, d.h. jeder der 4 Vektoren a[k] kann als Linearkombination der 2 Basisvektoren dargestellt werden. Als Ergaenzung hierzu bilden wir eine Matrix, bestehend aus den 4 Spaltenvektoren a1,..., a4, und berechnen dann den Rang dieser Matrix (der dann auch r=2 sein muss). 1. Schritt: Umwandlung der Spaltenvektoren a[k] in Spaltenmatrizen m[k] m[1]:=convert(a[1], Matrix); m[2]:=convert(a[2], Matrix); m[3]:=convert(a[3], Matrix); m[4]:=convert(a[4], Matrix);
10 (2.2.5) 2. Schritt: Erzeugung einer Nullmatrix B passender Gröesse: B:=Matrix(3,4); (2.2.6) 3. Schritt: Auffuellen der Matrix B mit den Spaltenmatrizen m[k] B[1..3, 1..1] := m[1]:# 1. Spalte B[1..3, 2..2] := m[2]:# 2. Spalte B[1..3, 3..3] := m[3]:# 3. Spalte B[1..3, 4..4] := m[4]:# 4. Spalte B; (2.2.7) 4. Schritt: Berechnung des Rangs von B: Rank(B); 2 (2.2.8) Elementare Rechenoperationen mit Matrizen a) Das addieren von typgleichen Matrizen und Multiplikation mit Zahlenfaktoren erfolgt analog wie bei Vektoren. Hinweis: Zwei Matrizen koennen nur dann addiert (oder subtrahiert) werden, wenn ihre Zeilenzahl uebereinstimmt und wenn ihre Spaltenzahl uebereinstimmt.
11 B:=Matrix( [ [1, 4], [-2, 2] ] ); (2.3.1) E:=IdentityMatrix(2); (2.3.2) C:=B + 2 * E; (2.3.3) b) Die Matrizen-Multiplikation: Fuer die Matrizen-Multiplikation muss der Punktoperator. verwendet werden (also nicht *). Hinweis: Das Produkt A.B zweier Matrizen existiert nur, wenn die Spaltenzahl der linken Matrix gleich der Zeilenzahl der rechten Matrix ist. In A.B muss deshalb die Reihenfolge der Faktoren A und B beachtet werden! A.B = B.A gilt somit nicht allgemein!!! Beispiel: Transpose(B).C; (2.3.4) C.Transpose(B); (2.3.5) Die Multiplikation von Matrizen mit Vektoren (erfolgt wie bei der Matrizen- Multiplikation) Beispiel: v:=vector( [-2,4,0] );
12 (2.3.6) G:=Matrix( [ [1, 4,0], [-2, 1, 2] ] ); (2.3.7) G.v; (2.3.8) Die Determinante einer quadratischen Matrix A: Determinant(A) Die Determinante einer Matrix A ist nur definiert, wenn A quadratisch ist. det(a) ist eine Funktion aller Elemente von A (- Math.-Vorlesung). A:=Matrix( [ [3, 1, 1], [1, 3, -1], [0,0, 4]]); (2.4.1) Determinant(A); 32 (2.4.2) Die Inverse einer regulaeren Matrix A: MatrixInverse(A) Nur eine regulaere Matrix A, d.h. 'A ist quadratisch' und 'det(a) ungleich Null' besitzt eine 'inverse Matrix', die sog. 'Inverse von A'. Das Produkt einer regulaeren Matrix mit ihrer Inversen ergibt stets eine Einheitsmatrix. A1:=MatrixInverse(A); (2.5.1)
13 Probe: A.A1, A1.A; # Die Faktoren koennen hier vertauscht werden! (2.5.2) Eigenwerte und Eigenvektoren einer quadratischen Matrix A Definition: Fuer eine quadratische Matrix A und einen Vektor v gelte: A v = k v. Dann heisst v 'Eigenvektor von A zum Eigenwert k'. a) Berechnung der Eigenwerte einer Matrix C: Eigenvalues(C, output=list): restart: with(linearalgebra): C:=Matrix( [ [3, 1, 1], [1, 3, -1], [0,0, 4]]); (2.6.1) Eigenvalues(C, output=list); # Liste der Eigenwerte von C (2.6.2) whattype(%); list (2.6.3) b) Berechnung der Eigenvektoren einer Matrix C zusammen mit ihren Eigenwerten und deren Vielfachheit: Eigenvectors(C, output=list): E:=Eigenvectors(C, output=list); (2.6.4) Der Befehl Eigenvectors(A, output=list) liefert eine Liste von Listen. Jede Teilliste enthaelt [Eigenwert, seine Vielfachheit, Menge der zugehoerigen linear unabhaengigen
14 Eigenvektoren]. Also gilt im obigen Beispiel: Eigenwert 4, zweifach, dazu 2 linear unabhaengige Eigenvektoren. Eigenwert 2, 1-fach, dazu ein Eigenvektor, Wir betrachten die Listenelemente von E einzeln: E[1]; (2.6.5) E[2]; (2.6.6) E[1,3], E[2,3] ; # Mengen! (2.6.7) whattype(%[1]), whattype(%[2]); (2.6.8) Falls Mengen (sets) auftreten, koennen diese mit op(...) in einen Spaltenvektor umgewandelt werden. a:=op(e[1,3]); b:=op(e[2,3]); (2.6.9) whattype(a[1]); whattype(a[2]); whattype(b);
15 Vector Vector Vector (2.6.10) Zusammenstellung der 3 Eigenvektoren: a, b; (2.6.11)
IV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrÖkonometrische 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
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrFH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB 5./7. November 2008 Prof. Dr. H.-R. Metz. Matrizen 1. a m1 a m2 a m3 a mn
FH Gießen-Friedberg, FB 06 (MNI) Skript 8 Mathematik 1 für KMUB./7. November 2008 Prof. Dr. H.-R. Metz (Matrix) Matrizen 1 Ein System von Zahlen a ik, die rechteckig in m Zeilen und n Spalten angeordnet
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
Mehroder A = (a ij ), A =
Matrizen 1 Worum geht es in diesem Modul? Definition und Typ einer Matrix Spezielle Matrizen Rechenoperationen mit Matrizen Rang einer Matrix Rechengesetze Erwartungswert, Varianz und Kovarianz bei mehrdimensionalen
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
MehrMatrizen. 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
MehrMathematik 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
MehrMathematik 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
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
MehrAufgabe: Berechnen Sie die Aufgaben aus Kapitel 3 mit Maple resp. MatLab durch.
7 Anhang: Tools 7.1 Einbettung in die Matrizenrechnung 7.1.1 Erste Aufgaben zur Matrizenrechnung 1. Aufgabe: Definieren Sie die Matrizen A = 1 0-2 -3 5 1 4 2-1 und B = 2. Aufgabe: Matrizen addieren und
MehrMultiplikation von Matrizen
Multiplikation von Matrizen Die Regeln der Multiplikation von Zahlen können nicht direkt auf die Multiplikation von Matrizen übertragen werden. 2-E Ma Lubov Vassilevskaya Multiplikation ccvon Matrizen
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrMathematik 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
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrBasiswissen 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)
MehrInhalt. 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
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
Mehra 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
MehrMatrizen Definition: Typ einer Matrix
Matrizen Definition: Eine Matrix ist ein rechteckiges Zahlenschema. Die Matrix (Mehrzahl: Matrizen) besteht aus waagerecht verlaufenden Zeilen und senkrecht verlaufenden Spalten. Verdeutlichung am Beispiel:
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
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
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
Mehr1 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.............................
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrMatrizen: Grundbegriffe. 1-E Ma 1 Lubov Vassilevskaya
Matrizen: Grundbegriffe -E Ma Lubov Vassilevskaya Lineares Gleichungssystem Abb. : Der Schnittpunkt P der beiden Geraden ist die graphische Lösung des linearen Gleichungssystem g : y = x, g 2 : y = 3 x,
MehrLineare Algebra 1. . a n1 a n2 a n3 a nm
Lineare Algebra 1 Lineare Algebra Hilfreiche Konzepte zur Vereinfachung der Darstellung und Berechnung stellt die lineare Algebra bereit. Auch wenn sie nur an wenigen Stellen des Buches verwendet wurden,
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
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
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix: Beispiel 0 2 3 0 Um die inverse der Matrix A mit Gauß-Jordan-Algorithmus zu bestimmen, wird eine Folge von elementaren Zeilenoperationen durchgeführt.
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
MehrChr.Nelius: Lineare Algebra (SS 2008) 1. 4: Matrizenrechnung. c ik := a ik + b ik. A := ( a ik ). A B := A + ( B). ist A =
Chr.Nelius: Lineare Algebra SS 28 4: Matrizenrechnung 4. DEF: a Die Summe A + B zweier m n Matrizen A a ik und B b ik ist definiert als m n Matrix C c ik, wobei c ik : a ik + b ik für alle i, 2,..., m
MehrSkript 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.................................
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
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
Mehra 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α
Mathematik 1 - Übungsblatt 7 Lösungshinweise Tipp: Verwenden Sie zur Kontrolle Scilab, wo immer es möglich ist. Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind
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
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
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
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
MehrMatrix: Eine rechteckige Anordnung reeller Zahlen a ij (i = 1,..., n i ; j = 1,..., m) in Zeilen und Spalten. Die a ij heiÿen Elemente von A.
Matrizenrechnung Matrix: Eine rechteckige Anordnung reeller Zahlen a ij i = 1,..., n i ; j = 1,..., m in Zeilen und Spalten. Die a ij heiÿen Elemente von A. a 11 a 12... a ij... a 1m a 21 a 22.........
MehrOrthonormalbasis. Orthogonalentwicklung
Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrSkript 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.................................
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,
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
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
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
MehrIn allen Fällen spielt die 'Determinante' einer Matrix eine zentrale Rolle.
Nachschlag:Transposition von Matrizen Sei Explizit: Def: "Transponierte v. A": (tausche Zeilen mit Spalten d.h., spiegle in der Diagonale) m Reihen, n Spalten n Reihen, m Spalten z.b. m=2,n=3: Eigenschaft:
MehrGrundlagen der linearen Algebra
WINTERSEMESTER 006/07 SEITE Grundlagen der linearen Algebra. Grundbegriffe. Vektoren Aus der Vektorrechung ist bekannt, daß ein Vektor im zweidimensionalen Raum R bei gegebenem Koordinatensystem durch
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
Mehr3 Invertierbare Matrizen Die Inverse einer (2 2)-Matrix Eigenschaften invertierbarer Matrizen... 18
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik 2 Dr. Thomas Zehrt Vektoren und Matrizen Inhaltsverzeichnis Vektoren(Wiederholung bzw. Selbststudium 2. Linearkombinationen..............................
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
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,
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
Mehr2 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
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
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
MehrFormale Matrizenrechnung
LINEARE ALGEBRA Formale Matrizenrechnung Grundlagen: Formales Rechnen mit Matrizen Datei Nr. 6 Stand 3. September 5 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK 6 Matrizenrechnung: Grundlagen
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,...,
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
MehrL5 Matrizen I: Allgemeine Theorie
L5 Matrizen I: Allgemeine Theorie Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen - Beschreibung von Lorenz-Transformationen
Mehr[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
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:
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,
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.3 Ergänzungen
Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 83 Ergänzungen wwwmathethzch/education/bachelor/lectures/fs2015/other/mathematik2 biol Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas
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
Mehr(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Anwendungen in der Physik: Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors - Normalmoden
MehrKapitel 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
MehrKapitel 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
Mehrtäglich einmal Scilab!
Mathematik 1 - Übungsblatt 7 täglich einmal Scilab! Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind skalare Größen (=einfache Zahlen im Gegensatz zu vektoriellen
MehrProbeklausur 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
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
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 205): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2 2
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)
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
MehrSpezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation
. Inhaltsverzeichnis.............. Spezialgebiet Mathematik(Christian Behon ) 1 Matrizen Kapitel 1 Definitionen und Herleitung von Matrizen 1.1 Was sind Matrizen 1.2 Arten von Matrizen Kapitel 2 Matrizenoperation
Mehra ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
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
MehrDieses Skript ist urheberrechtlich geschützt. Ich behalte mir alle Rechte vor. Eine Vervielfältigung ist nicht gestattet und strafbar.
Dieses Skript ist urheberrechtlich geschützt. Ich behalte mir alle Rechte vor. Eine Vervielfältigung ist nicht gestattet und strafbar. 1 2 Hinweise zum Skript Grundlagen der Wirtschaftsmathematik und Statistik
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
Mehra a a a a a a a a a a a a a a
7 Lineare lgebra 7.1 Matrizen a a a k a a a a a a a a a a a a a 11 12 1 1n 21 22 2k 2n i1 i2 in m1 m2 mk mn i-te Zeile m Zeilen n Spalten k-te Spalte a : Matrixelement i 1,2,...,m k 1,2,...,n i: Zeilenindex
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
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
Mehr