Lineare Algebra. Teil III. Inhaltsangabe
|
|
- Volker Baumgartner
- vor 7 Jahren
- Abrufe
Transkript
1 Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra Einführung Matrizen und Vektoren Spezielle Matrizen Die Spur einer Matrix Matrixdeterminanten Lineare Gleichungssysteme Lineare Unabhängigkeit Rang einer Matrix Lösbarkeit linearer Gleichungssysteme Inverse Matrizen Eigenwerte und Eigenvektoren Beispiele Inverse einer Rechtecksmatrix Eigenwerte einer 3 3-Matrix
2 3 Lineare Algebra 3.1 Einführung Slide 42 Chemische Reaktionsgleichung Kaliumdichromat (K 2 Cr 2 O 7 ) zerfällt bei 500 C in Kaliumchromat (K 2 CrO 4 ), Chromoxid (Cr 2 O 3 ) und Sauerstoff O 2. x 1 K 2 Cr 2 O 7 x 2 K 2 CrO 4 + x 3 Cr 2 O 3 + x 4 O 2 wie findet man die Unbekannnten x i, außer durch Raten? Woran sieht man, dass die Lösung nicht eindeutig ist? (wie immer bei chemischen Reaktionsgleichungen) Slide 43 Bilanzierung x 1 K 2 Cr 2 O 7 x 2 K 2 CrO 4 + x 3 Cr 2 O 3 + x 4 O 2 K : 2x 1 = 2x 2 Cr : 2x 1 = x 2 + 2x 3 O : 7x 1 = 4x 2 + 3x 3 + 2x 4 (Ladung : 0 = 0) Normalform: 2x 1 2x 2 = 0 (1) 2x 1 x 2 2x 3 = 0 (2) 7x 1 4x 2 3x 3 2x 4 = 0 (3) Slide 44 22
3 Matrizen und Vektoren 2x 1 2x 2 = 0 2x 1 x 2 2x 3 = 0 7x 1 4x 2 3x 3 2x 4 = 0 = Man ersetzt die Gleichung durch drei Objekte A, a und x.[0.4cm] x A = a = 0 x = x 2 x x 4 Diese Objekte nennt man Matrizen a und x sind Spezialfälle und heißen auch noch Vektoren Man kann dann schreiben: A x = a Was bedeuten die Symbole und welche Rechenregeln gibt es? 3.2 Matrizen und Vektoren Slide 45 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 j=1...m a 11 a a 1m a 21 a a 2m A = A = a n1 a n2... a nm die a ij sind reelle oder komplexe Zahlen eine n 1-Matrix (Spaltenmatrix) heißt (Spalten)Vektor v 11 v 1 v = v = v = v 2... v n1 v n 23
4 Zwei Matrizen A und B sind gleich, wenn die Zahl der Zeilen in A und B gleich sind, die Zahl der Spalten in A und B gleich sind, und wenn gilt a ij = b ij i, j. Slide 46 Matrixoperationen Wenn A und B beides n m-matrizen sind, dann ist die Summe der Matrizen C = A + B definiert als c ij = a ij + b ij mit 1 i n und 1 j m Wenn A eine m l-matrix und B eine l n-matrix ist, dann ist das Matrixprodukt C = A B definiert als c ij = l a ik b kj k=1 mit 1 i m und 1 j n Die Zahl der Spalten von A muss gleich der Zahl der Zeilen von B sein!! skalare Multiplikation: B = ka bedeutet b ij = k a ij i, j k C Die Multiplikation von Matrizen ist assoziativ aber ia. nicht kommutativ. Für Addition und Multiplikation gilt das Distributivgesetz. A B B A A (B C) = (A B) C A (B + C) = (A B) + (A C) 3.3 Spezielle Matrizen Slide 47 24
5 Spezielle Matrizen Eine quadratische Matrix hat genauso viele Zeilen wie Spalten (n n- Matrix). n heißt die Ordnung der Matrix. Eine diagonale Matrix D besitzt lediglich auf der Hauptdiagonalen (i = j) von Null verschiedene Elemente. d d d ij = d ij δ ij = 0 0 d d nn mit dem Kronecker-δ-Symbol δ ij = 1, wenn i = j und δ ij = 0 wenn i j. Die spezielle diagonale Matrix E mit e ij = δ ij heißt Einheitsmatrix. Eine Obere Dreiecksmatrix hat die Form u 11 u 12 u u 1n 0 u 22 u u 2n u ij = 0 0 u u 3n u nn also u ij = 0 wenn i > j. Analog heißt L eine Untere Dreiecksmatrix, wenn Sie die folgende Form (l ij = 0 wenn i < j) besitzt: l l 21 l l ij = l 31 l 32 l l n1 l n2 l n3... l nn Die Matrix N mit n ij = 0 i, j heißt Nullmatrix. 25
6 Die Matrix T = S T heißt die Transponierte von S, wenn gilt t ij = s ji i, j Eine 1 n-matrix S heißt Zeilenvektor. S ist die Transponierte eines Spaltenvektors A, also. s 1n = a n1 oder S = A T Das Produkt eines Zeilenvektors mit einem Spaltenvektor n S V = s i v i heißt Skalarprodukt Das Produkt eines Spaltenvektors mit einem Zeilenvektor V S = A i=1 mit a ij = v i s j heißt äußeres Produkt oder Tensorprodukt und ist eine quadratische Matrix. Die Matrix S heißt symmetrisch, wenn gilt s ij = s ji i, j Die Matrix A heißt antisymmetrisch, wenn gilt. Insbesondere gilt hier a ii = 0 a ij = a ji Die Matrix B = A ist die Adjungierte von A, wenn gilt b ij = (a ji ) Die Matrix H heißt hermitesch, wenn sie gleich Ihrer Adjungierten ist (wenn sie also selbstadjungiert ist). Dann gilt h ij = (h ji ) Insbesondere gilt, dass die Diagonalelemente reell sind, also h ii = (h ii ). Wenn alle Matrixelemente reell sind, ist die Matrix sowohl hermitesch als auch symmetrisch. i, j i, j 26
7 3.4 Die Spur einer Matrix Slide 48 Die Spur einer Matrix Die Summe der Diagonalelemente a ii einer Matrix A T r(a) = N i=1 a ii heißt die Spur der Matrix A. die Spur der n-dimensionalen Einheitsmatrix ist gleich n: T r(e n ) = n 3.5 Matrixdeterminanten Slide 49 Determinanten I Es gibt N! verschiedene Permutationen der Zahlen 1, 2,... N Die Determinante einer N N-Matrix A ist eine Zahl, berechnet nach a a 1N det(a) = A =.. a N1... a NN = N! i=1 ( 1) p i P i a 11 a a NN P i ist ein Permutationsoperator, der die Spaltenindizes vertauscht. Die Summe läuft über alle N! Permutationen. Slide 50 27
8 Determinanten II N! deta = ( 1) p i P i a 11 a a NN i=1 p i ist die Zahl der Transpositionen (Vertauschungen), die zur Wiederherstellung der Diagonalform notwendig sind. Es ist nur wichtig, ob die Zahl der Transpositionen gerade oder ungerade ist. Slide 51 Determinanten von 1 1 und 2 2-Matrizen ( ) a11 a Sei A = 12 a 21 a 22 Es gibt 2 Permutationen der Zeilenindizes 1 2 (p 1 = 0) 2 1 (p 1 = 1) Nach der Definition ist also a 11 a 12 a 21 a 22 = ( 1) 0 a 11 a 22 + ( 1) 1 a 12 a 21 = a 11 a 22 a 12 a 21 Die Determinante einer 1 1-Matrix ist das Matrixelement a 11 det(a 11 ) = a 11 Slide 52 28
9 3 3-Determinanten Entwicklungssatz a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 = a 11 a 22 a 23 a 32 a 33 a a 21 a a 31 a 33 + a 13 a 21 a 22 a 31 a 32 = a 11 a 22 a 33 a 11 a 23 a 32 a 12 a 21 a 33 +a 12 a 31 a 23 + a 13 a 21 a 32 a 13 a 31 a 22 Die 2 2-Determinante, die sich durch Streichen der i. Reihe und j. Spalte einer Determinante ergibt, heißt Minore oder Unterdeterminante M ij Der Cofaktor C ij (oft auch ã ij ) ist definiert als C ij = ( 1) i+j M ij Slide 53 Determinanten gößerer Matrizen Verallgemeinerung: (n 1) (n 1)-Unterdeterminanten M ij entstehen durch Streichen der i. Reihe und j. Spalte einer n n-determinante Verallgemeinerung des Entwicklungssatzes a a 1N N det(a) =.. = a kl C kl = a N1... a NN l=1 N a lk C lk l=1 Entwicklung nach beliebigen Zeilen oder Spalten möglich jede der n verschiedenen (n 1) (n 1)-Determinanten kann dann (rekursiv) wieder nach dem Entwicklungssatz berechnet werden, bis zur Ordnung 2 (oder 1). Slide 54 29
10 Sarrussche Regel a 11 a 12 a 13 a 11 a 12 a 21 a 22 a 23 a 21 a 22 a 31 a 32 a 33 a 31 a = det(...) = +a 11 a 22 a 33 +a 12 a 23 a 31 +a 13 a 21 a 32 a 13 a 22 a 31 a 11 a 23 a 32 a 12 a 21 a 33 Die Sarrussche Regel gilt nur für 3 3-Determinanten. (denn, z.b N=4: 4 blaue + 4 rote Terme 4! = 24 Terme) Slide 55 Eigenschaften von Determinanten det(a T ) = det(a) det(a ) = det(a) det(a B) = det(a) det(b) det A = 0, wenn alle Elemente einer Zeile (Spalte) gleich 0 sind Vertauschen von zwei Reihen (Spalten) ändert das Vorzeichen der Determinante det A = 0, wenn zwei Reihen (Spalten) identisch sind Der Wert der Determinante bleibt unverändert, wenn man ein beliebiges Vielfaches einer Reihe (Spalte) zu einer anderen Reihe (Spalte) addiert. die Determinanten einer Diagonalmatrix oder einer (oberen oder unteren) Dreiecksmatrix sind gleich dem Produkt der Diagonalelemente! 3.6 Lineare Gleichungssysteme Slide 56 30
11 Lösungsweg aus (1) = x 1 = x 2 in (2) = x 1 = 2x 3 = x 3 = x 1 2 in (3) = 3x x 1 = 3 2 x 1 = 2x 4 = x 4 = 3 4 x 1 x 1 = 4(Wahl!) x 2 = 4 x 3 = 2 x 4 = 3 algorithmische Lösung? 4K 2 Cr 2 O 7 4K 2 CrO 4 + 2Cr 2 O 3 + 3O 2 Slide 57 Gauß-Algorithmus allgemein sieht ein lineares Gleichungssystem (LGS) folgendermaßen aus: 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 a m1 x 1 + a m2 x a mn x n = b m in Matrixschreibweise: A x = b Slide 58 Lösungsverfahren nach Gauß 1. Elimination ( von ) x 1 aus den unteren (m 1) Gleichungen. Dazu zieht ai1 man das fache der ersten Glg. von der i.ten Glg. ab,z.b. in der a Glg. ( a 21 a ) ( 21 a 11 x 1 + a 22 a ) 21 a 12 x = b 2 a 21 b 1 a 11 a 11 a Dies führt für die unteren (m 1) Gleichungen auf ein System mit (n 1) Variablen (ohne x 1 ). 3. Mit diesem neuen Gleichungssystemn aus (m 1) Gleichungen mit (n 1) Unbekannten führt man wieder Schritt 1 durch. 31
12 = System aus m-2 Gleichungen mit n-2 Variablen... Gaußsches Eliminationsverfahren Slide 59 Beispiel Slide 60 Beispiel 32
13 Slide 61 Beispiel 33
14 3.7 Lineare Unabhängigkeit Slide 62 Definition der Linearen Unabhängigkeit 34
15 Definition: Lineare Unabhängigkeit Die Spalten einer Matrix A = (a ij ) R m n heißen linear abhängig, wenn es Zahlen λ 1, λ 2,..., λ n gibt, die nicht alle gleich Null sind und die Gleichungen λ 1 a i1 + λ 2 a i λ m a im = 0 i = 1,..., n erfüllen. Dies kann man auch schreiben als A λ = 0 Slide 63 Slide 64 mit λ = (λ 1,..., λ n ) T R n und 0 = Nullvektor in R m. Wenn die n Spalten nicht linear abhängig sind, heißen sie linear unabhängig. Lineare Abhängigkeit/Unabhängigkeit Lineare Abhängigkeit: ein λ 0 existiert. [1cm] Lineare Unabhängigkeit: es existiert nur λ = 0 als Lösung des LGS. Quadratische Matrizen Satz über LU von Matrizen Die Elemente einer quadratischen Matrix A sind genau dann linear unabhängig, wenn deta = A Rang einer Matrix Slide 65 Rang 35
16 Definition: Rang einer Matrix Der Rang rg(a) einer Matrix A ist die maximale Zahl linear unabhängiger Spalten. Diese Zahl ist gleich der maximalen Anzahl unabhängiger Zeilen der Matrix. Es gilt also: Zeilenrang = Spaltenrang Slide 66 Beispiel A Offenbar kann der Rang höchstens 2 sein, da Zeilen- und Spaltenrang gleich sein müssen und nur 2 Spalten existieren.[0.3cm] rg(a) = 2, weil sich Spalte 1 nicht durch Spalte 2 oder ein Vielfaches davon ausdrücken lässt. [0.3cm] Andererseits gilt: = Zeilenrang = 2 (Zeile 3) = 4 (Zeile 1) 2 (Zeile 2). Slide 67 Rang einer quadratischen Matrix Offenbar gilt dann: Der Rang einer quadratischen Matrix A R n n ist genau dann gleich n, wenn det(a) 0. Slide Lösbarkeit linearer Gleichungssysteme Gegeben sei ein System aus n Unbekannten und m Gleichungen. A x = b A heißt Koeffizientenmatrix mit Matrixelementen (a) ij C. 36
17 x ist der Vektor der n Unbekannten x i und b ist ein Vector, der die rechten Seiten des LGS (die Inhomogenitäten ) b i, i = 1,..., m beschreibt. Die Matrix (A b) = a 11 a a 1n b 1 a 21 a a 2n b a m1 a m2... a mn b m heißt erweiterte Koeffizientenmatrix. Sie entsteht, wenn man zur Matrix A den Spaltenvektor b hinzufügt. Slide 69 Lösbarkeit von LGSen Sei A R m n, b R m. Dann gilt: 1. Wenn rg(a) rg((a b)) : Das Gleichungssystem besitzt keine Lösung. 2. Wenn rg(a) = rg((a b)) = n : Das Gleichungssystem besitzt genau eine Lösung. 3. Wenn rg(a) = rg((a b)) < n : Das Gleichungssystem besitzt unendlich viele Lösungen und zwar n rg(a) linear unabhängige Lösungen Inverse Matrizen Slide 70 37
18 Inverse Matrix I Die Matrix B = A 1 heißt die Linksinverse von A, wenn gilt. A 1 A = E Analog heißt die Matrix C = A 1 die Rechtsinverse von A, wenn gilt. A A 1 = E Für quadratische Matrizen sind die Rechts- und die Linksinverse gleich und heißt die Inverse Matrix von A A A 1 = A 1 A = E Hermitesche Matrizen haben (i.d.r.) eine Inverse. Slide 71 Inverse Matrix II Für nichtquadratische Matrizen sind Rechtsinverse A R 1 und Linksinverse A L 1 nicht gleich. Wenn A eine n m-matrix ist, dann ist 1 A L A = E m Einheitsmatrix der Ordnung m 1 A A R = E n Einheitsmatrix der Ordnung n Beispiel Slide 72 38
19 Inverse einer 2 2-Matrix ( a11 a Gegeben sei eine 2 2-Matrix A mit A = 12 a 21 a 22 Dann ist die Inverse A 1 gegeben durch ( A 1 1 a22 a = 12 a 11 a 22 a 12 a 21 a 21 a 11 ) ) Die Inverse existiert also genau dann, wenn det(a) 0 ist. (Cramersche Regel) Dies kann auf beliebig große quadratische Matrizen verallgemeinert werden. Slide 73 Orthogonale und Unitäre Matrizen Eine Matrix O heißt orthogonal, wenn ihre Transponierte gleich ihrer Inversen O T = O 1 ist, also O O T = E Eine Matrix U heißt unitär, wenn ihre Adjungierte gleich ihrer Inversen U = U 1 ist, also U U = E Beachte: Aufgrund der Definition sind symmetrische, antisymmetrische, hermitesche, orthogonale und unitäre Matrizen notwendigerweise quadratisch!. Slide 74 Slide 75 Verfahren zur Inversion von Matrizen Allgemeine Verfahren zur Berechnung der Inversen für größere Matrizen basieren auf einer Kombination der Erweiterung der matrix mit der Einheitsmatrix E und dem Gaußschen Eliminationsverfahren. Konkret: Wende das Gaußsche Eliminationsverfahren auf die erweiterte Matrix (A E) an, bis alle Nebendiagonalelemente verschwinden und die Diagonalelemente = 1 sind, also (E A 1 ) erreicht ist. 39
20 Beispiel Slide 76 Beispiel Slide 77 Beispiel 40
21 Slide 78 Beispiel 3.11 Eigenwerte und Eigenvektoren Slide 79 Matrixeigenwertgleichungen I Multipliziert man einen Spaltenvektor von links mit einer quadratischen Matrix, so erhält man wieder einen Spaltenvektor. Multipliziert man einen Zeilenvektor von rechts mit einer quadratischen Matrix, so erhält man wieder einen Zeilenvektor. 41
22 a 11 a a 1n c 1 a 21 a a 2n c 2 A =.... und c = seien eine quadratische n n-matrix bzw. ein n-dimensionaler Spaltenvektor. λ sei ein... a n1 a n2... a nn c n Skalar (=Zahl). Slide 80 Slide 81 Matrixeigenwertgleichungen II Wenn c die Gleichung A c = λ c oder (A λe) c = 0 erfüllt, dann heißt c Eigenvektor von A, und λ heißt der dazugehörige Eigenwert von A. Eine solche Matrixeigenwertgleichung ist äquivalent zu einem gekoppelten homogenen linearen Gleichungssystem aus n Gleichungen (a 11 λ)c 1 +a 12 c a 1n c n = 0 a 21 c 1 +(a 22 λ)c a 2n c n = = 0 a n1 c 1 +a n2 c (a nn λ)c n = 0 Matrixeigenwertgleichungen III nichttriviale Lösungen der Matrixeigenwertgleichung existieren nur, wenn A c = λ c = λe c det(a λe) = 0 ( ) ( ) heißt die charakteristische Gleichung (oder das charakteristische Polynom) der Matrix A. Das charakteristische Polynom hat n Wurzeln für λ i. Einige der Wurzeln können gleich sein. Die Eigenwerte heißen dann entartet. Slide 82 42
23 Eigenwerte und Eigenvektoren Ist A diagonal, so sind die Wurzeln λ i = a ii, da det(a λe) = (a 11 λ) (a 22 λ)... (a nn λ) Eigenvektoren können durch Multiplikation mit einer Konstante normiert werden. Die Eigenwerte einer hermiteschen Matrix sind reell. Eigenvektoren zu zwei verschiedenen Eigenwerten λ 1 und λ 2 sind orthogonal, d.h. c 1 c 2 = 0 Für Eigenvektoren, die zu zwei entarteten Eigenwerten (also λ 1 = λ 2 ) gehören, lassen sich immer 2 zueinander orthogonale Linearkombinationen der Eigenvektoren konstruieren! Slide 83 Der n-dimensionale Vektorrraum eine hermitische n n-matrix hat also n Eigenvektoren, die alle zueinander orthogonal sind. Man sagt, dass die n Eigenvektoren einen n-dimensionalen (Vektor)Raum aufspannen. Jeder Vektor in diesem Raum kann durch eine Linearkombination der Eigenvektoren ausgedrückt werden. Die Eigenvektoren sind ein vollständiger Satz von Basisvektoren Beispiel 3.12 Beispiele Inverse einer Rechtecksmatrix Slide 84 43
24 Inverse einer Rechtecksmatrix I Betrachte die 1 2 Matrix A = ( 1 2 ) Eine Rechtsinverse ist offensichtlich A R 1 = ( 1 0 denn A A R 1 = = 1 = E 1. Eine andere Rechtsinverse ist offensichtlich ( ) A R 1 0 = 0.5 ) denn A A R 1 = = 1 = E 1 Slide 85 Inverse einer Rechtecksmatrix II die Matrix A hat offensichtlich keine Linksinverse, denn es müsste gelten: (a 1 L ) 11 a 11 = (a 1 L ) 11 1 (a 1 L ) 21 a 11 = (a 1 L ) 21 1 (a 1 L ) 11 a 12 = (a 1 L ) 11 2 (a 1 L ) 21 a 12 = (a 1 L ) 21 2! = 1 = e 11! = 0 = e 21! = 0 = e 12! = 1 = e 22 Zurück 44
25 Eigenwerte einer 3 3-Matrix Slide 86 Eigenwerte einer 3 3-Matrix Beispielmatrix: A = Die Matrix ist diagonal. Die Eigenwertgleichung lautet: A c (i) = λ i c (i) für i = 1, 2, 3 Es gibt also 3 verschiedene Eigenwerte und Eigenvektoren. 1 λ 0 0 Die charakteristische Gleichung lautet 0 2 λ λ = 0 Die Wurzeln lauten: λ 1 = 1, λ 2 = 2 und λ 3 = 3. Wie erhält man nun aus den Eigenwerten die Eigenvektoren? Slide 87 Eigenvektoren einer 3 3-Matrix Man setzt für jeden Eigenvektor separat den entsprechenden Eigenwert in die Eigenwertgleichung ein. also, für i = c (1) = Das dazugehörige Gleichungssystem lautet: c (1) 1 c (1) 2 c (1) 3 1c (1) 1 +0c (1) 2 +0c (1) 3 = 1c (1) 1 0c (1) 1 +2c (1) 2 +0c (1) 3 = 1c (1) 2 0c (1) 1 +0c (1) 2 +3c (1) 3 = 1c (1) 3 = 1 c (1) 1 c (1) 2 c (1) 3 Die offensichtliche Lösung lautet: c (1) 1 ist beliebig, c (1) 2 = c (1) 3 = 0. Slide 88 45
26 Eigenvektoren Wählen wir c (1) 1 = 1, erhält man den normierten Eigenvektor c (1) = Analog erhält man für λ 2 = 2 den Eigenvektor c (2) = und für λ 3 = 3 erhält man c (3) = 0 1 Die drei Vektoren sind orthogonal und spannen den gesamten dreidimensionalen Raum auf! Zurück Slide 89 Slide 90 Beispiel ( ) 1 1 Gegeben sei 1 1 Charakteristisches Polynome = 0? 1 λ 1 λ 1 1 = 0 (1 λ) = 0 1 2λλ = 0 Eigenwerte: λ 1/2 = 1 ± 1 2 = 1 ± i Die Matrix war nicht hermitesch Die Eigenwerte müssen nicht reell sein. 46
27 1. Eigenvektor Setzen wir nun λ 1 = 1 + i in die Eigenwertgleichung ein: ( ) ( ) ( ) 1 1 x x = (1 + i) 1 1 y y Gleichungssystem x + y = (1 + i)x x + y = (1 + i)y 1. Gleichung y = (1 + i)x x = ix in 2. Gleichung: y = ((1+i)y ) +x ( = )(1+i)ix+x = ix+i 2 x+x = ix x x = Wahlfreiheit für x: = y ix Slide Eigenvektor = Wahlfreiheit für x: ( x y ) = ( x ix ) Normierung: x 2 + ix 2 = 1 = 2 x 2 = 1 = x = 1 2 Also: 1. Eigenvektor: e 1 = ( x y ) = 1 2 ( 1 i Bemerkung: Man hätte als Vorfaktor auch 1 2 oder sogar eiφ 2 mit beliebigem reellen φ wählen können! selbst nach Normierung besteht noch Wahlfreiheit! ) 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
MehrVorlesung Numerische Methoden der Chemie Sommersemester 2018
Vorlesung Numerische Methoden der Chemie Sommersemester 2018 Eckhard Spohr Lehrstuhl für Theoretische Chemie Universität Duisburg-Essen D-45141 Essen, Germany eckhard.spohr@uni-due.de 16. April 2018 Inhaltsverzeichnis
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
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
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
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
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
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,
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
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
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.........
Mehr3 Matrizen und Lineare Gleichungssysteme
3 Matrizen und LGS Pink: Lineare Algebra HS 2014 Seite 38 3 Matrizen und Lineare Gleichungssysteme 3.1 Definitionen Sei K ein Körper, und seien m,n,l natürliche Zahlen. Definition: Eine Matrix mit m Zeilen
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
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
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,
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
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
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
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.................................
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
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)
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
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,
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
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
MehrIV. 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
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
MehrFerienkurs 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
MehrMathematik 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/
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
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 +
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
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
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
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,
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
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)
MehrMathematik 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
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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)
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
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.................................
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
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
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
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
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
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
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
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
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
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
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
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
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
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
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
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
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
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
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
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
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
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................................................
MehrPer Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................
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
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:
MehrKapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;
Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen
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.............................
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrWirtschafts- und Finanzmathematik
Prof Dr Stefan Etschberger HSA Wirtschafts- und Finanzmathematik für Betriebswirtschaft und International Management Wintersemester 2016/17 Determinanten: Vorüberlegung Permutationen und Inversionen
MehrMATHEMATIK II FÜR CHEMIKER
MATHEMATIK II FÜR CHEMIKER BERGISCHE UNIVERSITÄT GH WUPPERTAL SS 2000 1 Komplexe Zahlen 1.1 Einführung Betrachten wir das Polynom f(z = z 2 + 4z + 8. (1.1 Wir möchten die Nullstellen dieses Polynoms bestimmen.
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
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
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
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
Mehr3 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 +
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:
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
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.
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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019
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
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
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
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
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
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
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrHM II Tutorium 5. Lucas Kunz. 22. Mai 2018
HM II Tutorium 5 Lucas Kunz 22. Mai 2018 Inhaltsverzeichnis 1 Theorie 2 1.1 Wiederholung Lineare Gleichungsysteme................... 2 1.2 Wiederholung: Kern einer Abbildung..................... 3 1.3
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
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
Mehr