LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

Größe: px
Ab Seite anzeigen:

Download "LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow"

Transkript

1 LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow

2 INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9 iii

3 2 EIGENWERTE UND EIGENVEKTOREN KAPITEL EIGENWERTE UND EIGENVEKTOREN. asiswechsel Sei V ein K-Vektorraum mit zwei asen A =(v,...,v n)und =(w,...w n). Jeder Vektor w j aus hat eine eindeutige Darstellung in der asis A w j = nx S ijv i Die Transformationsmatrix des asiswechsels von A nach ist i= S A := (S) ij 2 GL(n, K). Die Transformationsmatrix kann invertiert werden und (S A ) beschreibt dann die Transformationsmatrix des asiswechsels von nach A 2. Wir definieren die Koordinatensysteme A : K n V und : K n V. Die Transformationsmatrix der Koordinaten von A nach ist T A =( ) A : K n K n T A 2 GL(n, K). ein asisvektor in A wird reingesteckt, ein asisvektor in kommt raus 2 ein asisvektor in wird reingesteckt und heraus kommt ein asisvektor in A Sei u ein Vektor des Vektorraumes V. x sind die Koordinaten von u in der asis A. y sind die Koordinaten von u in der asis u = A(x) = (y). Der Zusammenhang von der Darstellung in Koordinaten bezüglich der asis dargestellt durch die Koordinaten des Vektors in der asis A ist gegeben durch y = T A x. Die Transformationsmatrizen des asiswechsels und die Transformationsmatrizen des Koordinatensystemwechsls hängen zusammn über T A =(S A ) S A = T A. Ein Endomorphismus F : V V werde bezüglich der asen A und dargestellt. Dann transformiert die Darstellung von der asis A in asis M = T A M A(T A ). Sowohl Spur nx nx Spur(F )= a ii = i i= i= als auch Determinante ny det A = i i= sind Invarianten von Endomorphismen, ändern sich also nicht beim Wechsel von einer asis in die andere. So kann die Determinante eines Endomorphismus F definiert werden über die Determinante dessen Darstellung bezüglich einer beliebigen asis det F := det M (F )..2 Eigenwertgleichung Sei V ein K-Vektorraum und F : V V ein Endomorphismus. Eigenwert von F, falls es ein v 2 V gibt mit v 6= und F (v) =. v 6= 2 V hei st Eigenvektor, wenn es ein 2 K gibt, so dass v F (v) = v. 2 K hei st Der Vektor ~ ist nie ein Eigenvektor. Vielfache von Eigenvektoren sind wieder Eigenvektoren, da F (µv) = µv, µ 2 K. Für V = K n, A 2 M(n n; K) und einen Endomorphismus F : V V,x 7 Ax gilt: 2 K ist Eigenwert von A, wenneseinx 2 K n gibt mit x 6= und Ax = x. x ist dann ein Eigenvektor zum Eigenwert.

4 EIGENWERTGLEIHUNG 3 4 EIGENWERTE UND EIGENVEKTOREN Eigenraum Der Eigenraum eines Endomorphismus F von V zum Eigenwert als Eig(F ; ):={v 2 V : F (v) = v} V. Für die Eigenräume von zwei verschiedenen Eigenwerten 6= 2 gilt Eig(F ; ) \ Eig(F ; 2) ={} ink ist definiert Sind v,v 2 2 V Eigenvektoren zu verschiedenen Eigenwerten 6= 2,soistder Vektor (v + v 2) kein Eigenvektor von F. Für eine Matrix A 2 M(n n; K) ist der Eigenraum zum Eigenwert 2 K definiert als Eig(A; ):={v 2 V : Ax = x} K n. Eigenschaften des Eigenraums a) Eig(F ; ) V ist ein Untervektorraum b) Eig(F ; ) 6= {~}, ist ein Eigenwert von F c) Eig(F ; ) \{} ist die Menge der Eigenvektoren zum Eigenwert. d) Eig(F ; )=Ker(F id V ) e) dim Eig(F ; )=dimv rang(f id V ) erechnung von Eigenwerten Sei A 2 M(n n; K), 2 K. ist genau dann ein Eigenwert von A, wenn erechnung von Eigenvektoren det(a E n)=. Ein Vektor x 2 K n ist ein Eigenvektor von A zum Eigenwert nichttriviale 3 des linearen Gleichungssystems ist. harakteristisches Polynom (A E n)x = 2 K, wenneseine Sei V ein K-Vektorraum der Dimension dimv = n mit asis, F : V V ein Endomorphismus mit Darstellung bezüglich M = A 2 M(n n; K). Das charakteristische Polynom von F ist definiert als 3 nichttrivial: ~x 6= P F =det(a XE n) 2 K[X] und ist ein Polynom vom Grad n. Die Nullstellen des charakteristischen Polynoms sind die Eigenwerte von F. Wir geben explizit das charakteristische Polynom für n =2undn = 3 an und diskutieren Eigenschaften für allgemeines n 2 N..) n=2 2.) n=3 3.) n 2 N a X a2 det(a XE n)=det a 2 a 22 X = X 2 (a + a 22) X +(a a 22 a 2a 2) det(a XE 3)=det(a ij X ij) = X 3 +(a + a 22 + a 33)X 2 (a a 22 a 2a 2 + a a 33 a 3a 3 + a 22a 33 a 23a 32) X +deta P A =det(a XE n)=b nx n + b n X n + + b X + b. Alle b n 2 K. FürdenKoe zienten der höchsten Potenz von X gilt b n =( ) n. Für den Koe zienten der zweithöchsten Potenz von X gilt Für den Koe b n =( ) n Spur (A) =( ) n (a + + a nn). zienten des konstanten Teil des Polynoms gilt b =deta. Allgemein lässt sich ein charakteristisches Polynom schreiben als P F =(X )...(X m) Q mit,..., m den Nullstellen von P F und Q 2 K[X] einem Polynom ohne Nullstellen in K. Esistapple m apple n =dimv und m +degq = n. Es kann vorkommen, dass das charakteristische Polynom P F mehrfache Nullstellen hat, d.h. P F =(X ) r (X k) rk Q mit paarweise verschiedenen Nullstellen,..., k. Es ist r,...,r k undr +...r k = m. Ist F : V V diagonalisierbar, so zerfällt das char. Polynom P F in Linearfaktoren mit,..., n 2 K und n =dimv. Ist dim V = n, F : V V und P F = ±(X ) (X n) P F = ±(X ) (X n) mit paarweise verschiedenen Eigenwerten,... n, soistf diagonalisierbar. Eigenvektoren v...,v m 2 V einer linearen Abbildung F : V V zu paarweise verschiedenen Eigenwerten,..., m sind stets linear unabhängig. Dabei ist m apple dim V.

5 DIAGONALISIERARKEIT 5 6 EIGENWERTE UND EIGENVEKTOREN Geometrische und Algebraische Vielfachheit Algebraische Vielfachheit Die algebraische Vielfachheit µ(p F ; ) des Eigenwerts von F ist definiert als die Vielfachheit der Nullstelle des charakteristischen Polynoms P F zu F. Geometrische Vielfachheit Die geometrische Vielfachheit d(f ; ) des Eigenwerts von F ist definiert als d(f ; ) := dim Eig(F ; ) Die geometrische Vielfachheit d(f ; ) ist die maximale Zahl linear unabhängiger Eigenvektoren zu 2 K. Ist 2 K ein Eigenwert von F,soistd(F ; ) undµ(p F ; ). Ist für einen Eigenwert 2 K das charakteristische Polynom dieses Eigenwerts P F ( ) 6=, hat das charakteristische Polynom also keine Nullstelle bei und ist demnach die algebraische Vielfachheit µ(p F ; ) =. ist dann kein Eigenwert von F, also ist auch d(f ; ) =. Für jeden Eigenwert von F gilt.3 Diagonalisierbarkeit apple d(f ; ) apple µ(p F ; ) apple dim V. Wann kann ein Endomorphismus durch eine Diagonalmatrix dargestellt werden? Sei V ein K-Vektorraum mit dim V = n<. Ein Endomorphismus F : V V hei st diagonalisierbar, wenn V eine asis =(v,...,v n) besitzt, die aus Eigenvektoren von F besteht. Dann gibt es zu jedem v i ein i ink, sodass F (v i)= iv i. M (F A n Eine Matrix A 2 M(n n; K) hei st diagonalisierbar, wenn F A : K n K n,x7 Ax diagonalisierbar ist. Dann existiert eine Transformationsmatrix S 2 GL(n; K), sodass SAS A n Mantra für symmetrische Matrizen: Ist A inm(n n; K) symmetrisch(a = t A, so zerfällt das charakteristische Polynom P A in reelle Linearfaktoren. A hat dann reelle Eigenwerte und je zueinander orthogonale Eigenvektoren und ist diagonalisierbar. mit paarweise verschiedenen Eigenwerten,..., n zerfällt, dann ist F diagonalisierbar. Die Eigenvektoren v,...,v m eines Endomorphismus F : V V zu paarweise verschiedenen Eigenwerten,..., m sind stets linear unabhängig, wobei m apple dimv. Die edingung für Diagonalisierbarkeit von Endomorphismen kann auch mit Hilfe der geometrischen und algebraischen Vielfachheit der Eigenwerte formuliert werden: Sei V ein K-Vektorraum mit dim V = n<. Ein Endomorphismus F : V V ist genau dann diagonalisierbar, wenn a) Das charakteristische Polynom P F zerfällt in K[X] in Linearfaktoren mit,..., n 2 K. P F = ±(X ) (X n) b) Für jeden Eigenwert von F ist die geometrische Vielfachhit des Eigenwerts gleich dessen algebraischer Vielfachheit d(f ; )=µ(p F ; ). Vergleicht man die Form des charakteristischen Polynoms in diesem Fall mit der allgemeinen Form eines charakteristischen Polynoms P F =(X ) r (X k) rk Q, sieht man dass r = = r n = ist, alle Eigenwerte haben also die algebraische Vielfachheit µ(p F ; K) =. Mit apple d(f ; ) apple µ(p F ; ) = folgt d(f ; ) =. Rechenverfahren zur Diagonalisierung. harakteristisches Polynom aufstellen 2. algebraische Vielfachheiten ablesen 3. Eigenräume berechnen (LGS aufstellen und lösen) 4. geometrische Vielfachheiten ablesen 5. Eigenvektoren berechnen 6. Transformationsmatrix aus Eigenvektoren aufstellen 7. Transformationsmatrix invertieren Sei F : V V ein Endomorphismus, dessen charakteristisches Polynom in Linearfaktoren P F = ±(X ) (X n) 8. Diagonalmatrix angeben D = SAS A = S DS

6 DIAGONALISIERARKEIT 7 8 EIGENWERTE UND EIGENVEKTOREN Ähnlichkeit Wir diagonalisieren einen Endomorphismus, indem wir einen asiswechsel zu einer asis aus Eigenvektoren vornehmen, in welcher die darstellende Matrix des Endomorphismus diagonal ist. Wir erinnern uns an den asiswechsel für einen Endomorphismus: Ein Endomorphismus F : V V werde bezüglich der asen A und dargestellt, wobei eine asis aus Eigenvektoren von F ist. Dann transformiert die Darstellung von F von der asis A in asis M = T A M A(T A ). In diesem Fall besteht die Spalten Matrix aus (T A) aus den Eigenvektoren von A. Mit folgendem eispiel für n = 3 demonstrieren wir, wieso dann die Matrix A Diagonalgestalt als Diagonalmatrix D annimmt. Wir benennen der Übersicht halber die Transformationsmatrix, welche aus den Eigenvektoren besteht, also der asis in die wir von der kanonischen asis transformieren, T =(v,v 2,v 3) mit den Eigenvektoren von Fv,v 2,v 3. Es ist dann D = T AT. Für die Diagonalmatrix D gilt natürlich, wenn wir das ild des kanonischen Einheitsvektors e = t (,, ) 2 A A 3 Nun verifizieren wir, dass das ild des kanonischen Einheitsvektors unter T AT das gleiche wie eben berechnet ist. In T stehen die Eigenvektoren von A als Spalten der Transformationsmatrix. T AT e = T A(v,v 2,v A = T Av = T v Hier haben wir benutzt, dass v der Eigenvektor zum Eigenwert von A ist. So wie T den ersten kanonischen Einheitsvektor e in v transformiert hat, so transformiert T diesen wieder zurück, sodass wir als Ergebnis erhalten T AT e = T v = e. Wir haben also die Gültigkeit der Identität gezeigt 4. D = T 4 Nicht von der Notation verwirren lassen In der Matrix ganz rechts stehen die Eigenvektoren von A als Spalten, egal ob man sie jetzt T oder S nennt. AT.4 Trigonalisierung Nicht immer ist es möglich einen Endomorphismus oder eine Matrix zu diagonalisieren. Zerfällt das charakteristische Polynom in Linearfaktoren, aber d(f ; ) 6= µ(p F ; ), so ist F nicht diagonalisierbar. Es ist aber möglich eine der Darstellungsmatrix ähnliche Matrix in oberer Dreiecksform anzugeben. Diese Matrix in oberer Dreiecksform hei st Jordan-Normalform (JNF) und die Abbildung ist dann trigonalisierbar. Jordan-Normalform Die einfachste Form, in der diese obere Dreiecksmatrix angegeben werden kann, ist die Jordan-Normalform. Existiert zu einem Endomorphismus F : V V eine asis, in der die darstellende Matrix J M (F )=J A J k annimmt mit Jordan-Kästchen J,...,J k, so nennt man die Matrix J eine Jordan- Normalform von F. Eine Matrix J l hei st Jordan-Kästchen zu einem 2 K, wenn J l A Sei F : V V ein Endomorphismus und dim V <. Zerfällt P F in Linearfaktoren, so ist F trigonalisierbar und es gibt eine asis von V, in der die darstellende Matrix eine Jordan-Normalform von F ist. Die Anzahl der Jordan-Kästchen zu einem Eigenwert ist die geometrische Vilfachheit d(f ; ) des Eigenwerts. In einem Jordan-Kästchen ist nur der Vektor ein Eigenvektor von F, dessen ild die erste Spalte vom Jordan-Kästchen ist..5 Zusatzmaterial Ein sehr gutes Vorlesungsvideo zu Eigenwerten und Eigenvektoren gibt es bei MIT Open ourse Ware. video-lectures/lecture-2-eigenvalues-and-eigenvectors/

7 AUFGAEN 9 EIGENWERTE UND EIGENVEKTOREN AUFGAEN. A. a) Zeigen Sie: F hat den Eigenvektor e = t (,,, ). b) Geben Sie alle Eigenwerte von F an. Dazu brauchen Sie nicht das charakteristische Polynom von F auswerten. c) Ermitteln Sie die Potenzen F k von F für k 2 N..2 estimmen Sie die Eigenwerte und Eigenvektoren der Matrix A = 3 2 M(n n; R)..3 Es sei K ein Körper, n 2 N, A 2 M(n n; K) symmetrischmitdenzwei verschiedenen Eigenwerten, 2 2 K. Zeigen Sie, dass für jeden Eigenvektor v zum Eigenwert und jeden Eigenvektor v 2 zum Eigenwert 2 gilt:.4 Gegeben ist die Matrix A = t v v 2 = 8i 2i 2 M(2 2; ). 5i 3i estimmen Sie det A, Spur A, Rang A, sowie die Eigenwerte und Eigenvektoren von A..5 Zeigen Sie: Ist det A =,so ist 2 K ein Eigenwert von A. Was folgt daraus für Rang und Invertierbarkeit von A? Hinweis: Wie lautet die allgemeine Form des charakteristischen Polynoms? Sie dürfen im zweiten Teil der Frage annehmen, dass A diagonalisierbar ist..6 Gegeben sei die Matrix A = i i 2 M(2 2; ). a) estimmen Sie die Spur und die Determinante von A. b) estimmen Sie das charakteristische Polynom von A. c) estimmen Sie den Eigenwert von A zum Eigenvektor t (, ). d) estimmen Sie die Menge M aller Eigenwerte von A..7 Zeigen Sie, dass eine hermitesche Matrix A 2 M(n n; ) (d.h. ( tā) =A) nur reelle Eigenwerte hat. Zeigen Sie au serdem, dass die Eigenvektoren v i 2 n zu den Eigenwerten i 2 8i 2 {,...,n} zueinander orthogonal sind, also t v i v j =füri 6= j..8 eantworten Sie folgende Fragen jeweils mit einer kurzen egründung: a) Gegeben ist ein Eigenvektor v zum Eigenwert einer Matrix A. Ist v auch Eigenvektor von A 2? Zu welchem Eigenwert? Wenn A zudem invertierbar ist, ist dann v auch ein Eigenvektor zu A? Zu welchem Eigenwert? b) Wieso hat jede Matrix A 2 M(n n; K) mita 2 = E n einen der Eigenwerte ± und keine weiteren? c) Haben ähnliche Matrizen dieselben Eigenwerte? Haben diese dann gegebenenfalls auch dieselben algebraischen und geometrischen Vielfachheiten? d) Haben die quadratischen n n-matrizen A und t A dieselben Eigenwerte? Haben diese gegebenenfalls auch dieselben algebraischen und geometrischen Vielfachheiten? e) Gegeben sei eine nilpotente Matrix A 2 M(n n; ) mit Nilpotenzindex p 2 N, d.h. es gilt A p = und A p 6= Ist die Matrix A invertierbar? egründen Sie weiterhin: Die Matrix A hat einen Eigenwert der Vielfachheit n..9 Sei A 2 M(n n; K) eine diagonalisierbare Matrix. Zeigen Sie, dass a) b) gilt, wobei gilt, wobei ny det A = i i= i, 8i =,...n die Eigenwerte von A sind. Spur A = nx i= i, 8i =,...n die Eigenwerte von A sind. Hinweis: Matrizen innerhalb der Spur vertauschen zyklisch: Spur (A) = Spur (A) =Spur (A).. Für welche Werte von a, b, c 2 R ist die reelle Matrix über R diagonalisierbar? a b M c a ba c a i

8 AUFGAEN. Diagonalisieren Sie die Matrix.2 3 A 3 A. 2 a) Die Zeilensummen von A =(a ij) 2 M(n n; K) seien alle gleich, d.h. es gibt ein 2 K mit = P n j= aij für alle i =,...,n. Zeigen Sie (ohne enutzung des charakteristischen Polynoms), dass Eigenwert von A ist und finden Sie einen zugehörigen Eigenvektor. b) estimmen Sie eine zu der Matrix 2 A 2 A 2 ähnliche Diagonalmatrix D 2 M(3 3;. Hinweis: enutzen Sie a), um einen reellen Eigenwert zu finden. Die Transformationsmatrix ist nicht gefragt..3 egründen Sie, warum die Matrix 5 2 A A 2 5 orthogonal diagonalisierbar ist und bestimmen Sie eine Transformationsmatrix T, so dass D := t T AT diagonal ist..4 Welche der folgenden Aussagen sind richtig? egründen Sie jeweils kurz die Antworten: a) Eine diagonalisierbare Matrix mit Eigenwert ist invertierbar. b) Wenn Ax = x und x = µx gilt, dann ist µ ein Eigenwert von A. c) Die Matrix hat die Eigenwerte =, 2 = d) Ist ein Eigenwert von A 2, so ist auch ein Eigenwert von A. e) Seien A, 2 M(n n; K) diagonalisierbar und 2 K ein Eigenwert zu A, dann ist auch ein Eigenwert zu A.

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ). Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 Die Darstellung linearer Abbildungen durch Matrizen 2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

7 Die Determinante einer Matrix

7 Die Determinante einer Matrix 7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks

Mehr

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

4. Übungsblatt Matrikelnr.: 6423043

4. Übungsblatt Matrikelnr.: 6423043 Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte 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

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

Mehr

Satz 25 A sei eine (n n)-matrix über K

Satz 25 A sei eine (n n)-matrix über K Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 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

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Lösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen

Lösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen Technische Universität Berlin Sommersemester 2008 Institut für Mathematik 18 Juli 2008 Prof Dr Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Klausur zur Linearen Algebra II Aufgabe 1 (1+1+1 Punkte)

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in

Mehr

Frohe Weihnachten und ein gutes neues Jahr!

Frohe Weihnachten und ein gutes neues Jahr! Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung 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:

Mehr

Lineare Algebra und analytische Geometrie II (Unterrichtsfach)

Lineare Algebra und analytische Geometrie II (Unterrichtsfach) MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00

Mehr

W-Rechnung und Statistik für Ingenieure Übung 11

W-Rechnung und Statistik für Ingenieure Übung 11 W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik

Mehr

Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)

Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Formelsammlung zur Kreisgleichung

Formelsammlung zur Kreisgleichung zur Kreisgleichung Julia Wolters 6. Oktober 2008 Inhaltsverzeichnis 1 Allgemeine Kreisgleichung 2 1.1 Berechnung des Mittelpunktes und Radius am Beispiel..... 3 2 Kreis und Gerade 4 2.1 Sekanten, Tangenten,

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Hans Walser, [20090509a] Wurzeln aus Matrizen

Hans Walser, [20090509a] Wurzeln aus Matrizen Hans Walser, [0090509a] Wurzeln aus Matrizen 1 Worum es geht Zu einer gegebenen,-matri A suchen wir,-matrizen B mit der Eigenschaft: BB = B = A. Wir suchen also Quadratwurzeln der Matri A. Quadrieren Wenn

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt

Mehr

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland

OECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

Mehr

Theoretische Grundlagen der Informatik WS 09/10

Theoretische Grundlagen der Informatik WS 09/10 Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

11 Normalformen von Matrizen

11 Normalformen von Matrizen 11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell

Mehr

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6

Mehr

3.1. Die komplexen Zahlen

3.1. Die komplexen Zahlen 3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Vorkurs Mathematik Übungen zu Polynomgleichungen

Vorkurs Mathematik Übungen zu Polynomgleichungen Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.

Mehr

Codierungsverfahren SS 2011. Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur

Codierungsverfahren SS 2011. Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur Wie die zyklischen BCH-Codes zur Mehrbitfehler-Korrektur eignen sich auch die sehr verwandten Reed-Solomon-Codes (= RS-Codes) zur Mehrbitfehler-Korrektur.

Mehr

Lineare Differentialgleichungen erster Ordnung erkennen

Lineare Differentialgleichungen erster Ordnung erkennen Lineare Differentialgleichungen erster Ordnung In diesem Kapitel... Erkennen, wie Differentialgleichungen erster Ordnung aussehen en für Differentialgleichungen erster Ordnung und ohne -Terme finden Die

Mehr

Abschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1

Abschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1 B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,

Mehr

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

Eigenwerte und Eigenvektoren

Eigenwerte und Eigenvektoren Eigenwerte und Eigenvektoren Motivierendes eispiel Lineare Abbildungen werden durch Matrizen dargestellt: Abbildung : Spiegelung A =. Abbildung A = : Verzerrung. ei der Spiegelung wird ~e auf sich selbst

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle Seminare im Bereich MS-Office Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

Mehr

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.

Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14. Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten

Mehr

Musterlösung Donnerstag - Determinanten und Eigenwerte

Musterlösung Donnerstag - Determinanten und Eigenwerte Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent,

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

8. Quadratische Reste. Reziprozitätsgesetz

8. Quadratische Reste. Reziprozitätsgesetz O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01 Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die

Mehr

Ausgewählte Lösungen zu den Übungsblättern 9-10

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

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016,

Klausur zur Vorlesung Lineare Algebra II, SoSe 2016, Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Definition 27 Affiner Raum über Vektorraum V

Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,

Mehr

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

Ferienkurs Lineare Algebra

Ferienkurs Lineare Algebra Ferienkurs Lineare Algebra Wintersemester 9/ Lösungen Eigenwerte und Diagonalsierbarkeit Blatt Diagonalisierbarkeit. Zeigen sie, dass für eine diagonalisierbare Matrix A folgendes gilt: det(a) = wobei

Mehr

Erstellen von x-y-diagrammen in OpenOffice.calc

Erstellen von x-y-diagrammen in OpenOffice.calc Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775, Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen

Mehr

Gleichungen und Ungleichungen

Gleichungen und Ungleichungen Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls

Mehr

Lösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)

Lösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.) Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen

Mehr