Erweiterte Koordinaten
|
|
|
- Erika Kurzmann
- vor 9 Jahren
- Abrufe
Transkript
1 Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In dieser Vorlesung kann man K = R annehmen) Rechnen ( ) ( Sie ) selbst: ( ) Was sind die erweiterten Koordinaten von 5,, 2 6 Antwort 2, 5 6, Zuerst sieht der Begriff Erweiterte Koordinaten künstlich aus: Wozu sollte man eine unten hinzufügen? Wir werden in der Theorie der Quadriken sehen, dass diese Schreibweise doch nützlich ist Hier werde ich zeigen, dass in einigen bereits erlernten Begriffen erweiterte Koordinaten ganz natürlich vorkommen
2 Bsp: Affine Kombinationen in erweiterten Koordinaten Wiederholung Der Punkt x K n ist eine affine Kombination der Punkte x,,x k K n, wenn es Zahlen λ,,λ k K gibt mit λ +λ 2 ++λ k = sodass x = λ x ++λ k x k ( ) Hier, in der affinen Kombination ( ), kann man statt x und statt x,,x k die erweiterten Koordinaten von x bzw x i einsetzen: ( ) ( Die ) Gleichung ( bleibt richtig: x x xk = λ ++λ k ), weil unten λ ++λ k = steht
3 Affinitäten Wiederholung Def Wiederholung Eine Affinität von K n ist eine Abbildung F : K n K n der Form F(x) = Bx +b, wobei B GL n (K) eine nichtausgeartete quadratische n n-matrix ist Eine wichtige Klasse von Affinitäten vom euklidischen Raum (R n,, ) bilden die Isometrien, also Affinitäten der Form F(x) = Ox +b, wobei O eine orthogonale Matrix ist
4 Bsp Affinitäten in erweiterten Koordinaten Man kann jede Affinität Bx + b (eigentlich jede affine Abbildung, wir werden aber nur Affinitäten benutzen) in der erweiterten Form schreiben: x = x n b B B B b n x = x n F Bx +b Erklärung: Ausrechnen ZB ist es einfach zu sehen, dass auf der letzten n+-ten Stelle des Produktes steht, weil die letzte Zeile von der erweiterten Matrix gleich ( ) ist Auf dem ersten Platz des Produktes steht (b b n b ) Bx +b Analog für jede Zeile x x n = (b b n ) x x n +b wie in
5 Abschnitt: Quadriken (im R n ) Wir arbeiten im R n mit Standard-Skalarprodukt und Standardkoordinaten x x n Def Die Lösungsmenge der Gleichung n n a ij x i x j + a i x i +a = i,j= i= heißt Quadrik (a ij,a i,a R A = (a ij ) wird vorausgesetzt ) Fragen: In welche beste Form kann man die Gleichung der Quadrik mit Hilfe einer Isometrie bzw einer affinen Transformation bringen? Gegeben eine Quadrik, wie kann man die beste Form der Quadrik finden, ohne die Transformation explizit anzugeben?
6 Gleichung einer Quadrik in Matrix-Form Die Gleichung n n a ij x i x j + a i x i +a = i,j= i= kann man in der Matrix-Form a a n x x (x x n) + (a a n) a n a nn x n x n + a = schreiben Ferner gilt: Man kann immer voraussetzen (obda), dass die Matrix A := (a ij ) smmetrisch isttatsächlich, wenn wir die Matrix A durch die Matrix 2 (A+At ) ersetzen (die offensichtlich smmetrisch ist), wird die Gleichung und deswegen die Lösungsmenge nicht geändert: x t Das ist Matrix Ax = (x t Ax) t Rechenregeln = x t A t x, und deswegen ist die ursprüngliche Gleichung dieselbe wie a a n a a n t x x (x x n) (a a n) + a = a n a nn a n a nn x n x n
7 Erweiterte Matrix der Gleichung Man kann die Gleichung einer Quadrik auch in folgender Form schreiben: (x x n ) a a n a /2 x a n a nn a n/2 x n a /2 a n/2 a }{{} Erweiterte (smmetrische) Matrix Erw Q = ) Beweis: Einfach nachrechnen und die Gleichung a a n x x (x x n) +(a a n) a n a nn x n x n +a = bekommen (Oder die äquivalente Gleichung n i,j= a ijx i x j + n i= a ix i +a = )
8 Rechnen Sie selbst: Schreiben Sie bitte die Gleichung x 2 2x x +6 + = in (a) Matrixform, (b)( der erweiterten )( ) Matrixform ( ) x x Antwort (a) (x ) +(4 6) 5 = 2 2 x (b) (x ) 2 3 = 2 3 5
9 Beispiele in dim 2: Ausgeartete Quadriken ist eine Quadrik: Die entsprechende Gleichung (eine von mehreren) x ) + = (x ) + = (x ) x = ( )( x Ein Punkt ist eine Quadrik: ZB ist ( ) 2 die Lösungsmenge der Gleichung (x ) 2 +( 2) 2 = Und diese Gleichung ist x x 4 +5 = (x ) (x ) 2 x 2 5 = ( )( x Eine Gerade ist eine Quadrik: ZB ist die Gerade ) ( x +( 2 4) { (x ) +5 = ) sodass x = } die Lösungsmenge der Gleichung (x ) 2 = Und diese Gleichung ist x 2 2x + 2 ) = (x ) = (x ) x = ( )( x (Die { Vereinigung von) Zwei Geraden ist eine Quadrik: ZB ist (x ) } (x ) } sodass x= { sodass x=- die Lösungsmenge der Gleichung (x )(x +) = Und diese Gleichung ist x 2 2 ) = (x ) = (x ) ( )( x x =
10 Nichtausgeartete Quadriken in dim 2 Ellipse: ax 2 +b 2 = c, wobei a >, b >, c > ) (x ) c = (x ) a b x = ( a b)( x c Hperbel: ax 2 b 2 = c, wobei a >, b > c ) (x ) c = (x ) a b x = ( a b)( x c Parabel: ax 2 +b =, wobei a, b ) +b = (x ) (x ) ( a )( x a b/2 x b/2 =
11 Quadriken als Kegelschnitte
12
13 Ein Doppel-Kegel ist eine Quadrik mit der Gleichung x tan 2 (θ)z 2 = Die { Schnittmenge dieses Kegels mit der Ebene x } + sx + tx 2 sodass ( ) s R 2 ist (als Punktmenge in der Ebene mit + s + t 2 z + sz + tz 2 t den Koordinaten s, t) die Menge (x +sx +tx 2 ) 2 +( +s +t 2 ) 2 tan 2 (θ)(z +sz +tz 2 ) 2 = (x tan 2 (θ)z) 2 t 2 +2(x x tan 2 (θ)z z 2 ) ts + }{{}}{{} a a 2=a 2 (x tan 2 (θ)z2) 2 ( s 2 +2 x x + tan 2 ) (θ)z z t + }{{}}{{} a 22 a 2 ( x 2 x + 2 tan 2 ) 2 (θ)z 2 z s +(x + 2 tan 2 (θ)z) 2 = }{{}}{{} a 2 a Wir sehen, dass die Menge eine Quadrik ist Man kann zeigen, dass man jede nichtausgeartete Quadrik bekommen kann, indem man eine geeignete Ebene (also, x, x, x 2 R 3 ) wählt z z 2 z 2
14 Was machen Affinitäten mit Quadriken? Sei F eine Affinität, sei Q eine Quadrik (in R n ) Frage Was ist Bild F (Q) einer Quadrik Q? Antwort (Lemma 6) Es ist eine Quadrik Beweis Da F eine Affinität ist, ist die Umkehrabbildung F auch eine Affinitätund hat deswegen die Form F (x) = Bx +b ( ) für ein b R n und eine nichtausgeartete n n Matrix B (In Vorl 8 haben wir sogar B und b ausgerechnet) Ist x Bild F (Q), so ist F (x) Q, also a a n x b ((b b n) + (x x t) n)b B + + }{{} (F (x)) t =(Bx+b) t a n a nn x n b n }{{} x b (a a n) B + x n b n }{{} x t B t AB }{{} A ( x + + a =, und deswegen F (x)=bx+b 2B t Ab + B t ) t t t a x + a b + b Ab + a }{{}}{{} a a F (x)=bx+b = ( ) Bemerkung Dies ist die Formel für die Gleichung der Quadrik Bild F (Q)
15 Formel ( ) für erweiterte Matrizen Erw Q = B t b b n a a n a n a nn a /2 a n/2 a /2 a n/2 a B B B b b n t Beweis: Z B Ausrechnen Man kann dies auch direkt sehen
16 Hauptsätze der Theorie der Quadriken (Normalformen) Satz 6 Man kann jede Quadrik mit Hilfe einer Isometrie in eine Quadrik mit der Gleichung λ (x x n) λ k x x + ( a }{{} k+ a n) + a = x n k x n überführen, sodass höchstens eines der a k+,,a n,a ungleich ist Satz 6 Man kann jede Quadrik mit Hilfe einer Isometrie in eine Quadrik mit der erweiterten Matrix rechts überführen (Höchstens eines der a k+,,a n,a ist ungleich ) Erw Q = λ λ k a k+ 2 an a 2 k+ an 2 2 a Bemerkung Da die Gleichungen f(x) = und λ f(x) = für λ gleiche Lösungsmengen haben, kann man noch eine Zahl gleich setzen, zb λ
17 Folgerung Bis auf Isometrien ist jede Quadrik in R 2 (mit dem Standard-Skalarprodukt) eine Ellipse, Hperbel, Parabel, ein Punkt, eine Gerade, ein Geradenpaar oder Beweis der Folgerung: Nach Satz 6 sieht die Gleichung einer Quadrik nach einer geeigneten Isometrie wie folgt aus (λ >, µ > ): ( λ (x ) µ )( x ) + c = λx 2 + µ 2 = c entspricht ( )( λ x (x ) + c = λx µ ) 2 µ 2 = c entspricht ( )( λ x (x ) + c = λx µ ) 2 = c entspricht c = c > c < c = c > c < ( )( λ x (x ) + µ ) ( c )( ) x = λx 2 = c entspricht c c = Punkt Ellipse Hperbel zwei nichtparallele Geraden Punkt zwei parallele Geraden { c = Gerade c Parabel
18 Satz 7 Man kann jede Quadrik mit Hilfe einer Affinität in eine Quadrik der Form ± (x x n) ± x x + ( a }{{} k+ a n) + a = x n k x n überführen, sodass höchstens eines der a k+,,a n,a ungleich ist (Man kann es sogar auf ± bringen) Man kann jede Quadrik mit Hilfe einer affinen Abbildung in eine Quadrik mit der rechts stehenden erweiterten Matrix überführen (wobei höchstens eines der a k+ a ungleich ist) Erw Q = a k+ 2 an a 2 k+ an 2 2 a
19 Folgerung Bis auf Anwendung einer affinen Abbildung ist jede Quadrik in R 2 ein Kreis, die Standard-Hperbel x 2 2 =, die Standard-Parabel = x 2, ein Punkt, eine Gerade, ein Geradenpaar [(x )(x +) = oder x 2 = ], oder (Beweis wie bei der Folgerung aus dem Satz 6)
20 Wiederholung: Diagonalisierung smmetrischer Matrizen über R Wiederholung: A heißt smmetrisch, falls A t = A Wiederholung Satz 37 Vorl 2 LA I Ist A smmetrisch, so gibt es eine orthogonale Matrix O, sodass O AO diagonal ist (Smmetrische Matrizen über R sind diagonalisierbar mit Hilfe von orthogonalen Transformationen) In Vorl 2 LAAG I haben wir gesehen, dass man auch die Reihenfolge der Diagonalelemente der Diagonalmatrix O AO beliebig wählen kann Für eine geeignete Matrix O gilt also: O AO = λ λ k Bemerkung: Nicht vergessen, dass für orthogonale Matrizen O = O t gilt
21 Idee des Beweises von Satz 6: Wir werden die Gleichung der Quadrik schrittweise (mit Hilfe von Isometrien) verbessern Beweis Man betrachte die Isometrie F, sodass F durch F (x) = +Ox = Ox gegeben ist, wobei O orthogonal ist Nach Lemma 6 ist Q := Bild F (Q) eine Quadrik, deren Gleichung t x t O t AO x + }{{} 2Ot A b +O t a }{{} x + a t b +a = x t O t AO x + a t O x + a = ist }{{}}{{}}{{} A } {{ } }{{} A ( a ) t a a Nach Satz 37 LA I kann man O so wählen, dass λ Dann betrachte man die Affinität F, sodass F die Translation A = F (x) = b + x ist Diese ist auch eine λ k Isometrie Nach Lemma 6 ist Bild F (Q ) eine Quadrik, deren Gleichung x t Id t A Id x + (2Id t A b + Id t a ) t x + ( a }{{} ) t b + a = x t A x + (2A b + (a ) t) t x + a t b + a = A }{{}}{{}}{{}}{{} a a a a ist Da A wie oben ist, können wir b so wählen, dass a = ( }{{} k a k+ a n ) (für i k setze b i = a i 2λ i, sonst b i = )
22 Ist k = n, oder (a k+,,a n ) = ( ), so sind wir fertig Wenn (a k+,,a n ) ( ) ist, betrachte man eine (n k) (n k) orthogonale Matrix O n k, sodass (für ein λ R) gilt λ a k+ O n k = a n Existenz: Mit dem Gram-Schmidt schen Verfahren kann man eine orthonormale Basis (o,,o n k ) finden, sodass o proportional zu a k+ a n ist Dann ist die Matrix O n k mit O n k e i = o i orthogonal (da die Basis orthonormal ist) und sie überführt ein Vielfaches von e in einen Vektor, der zu a k+ a n proportional ist
23 Man betrachte die Isometrie F 2 von R n mit F 2 gegeben durch F 2 (x) = + x x O n n k }{{} Das ist eine orthgonale Matrix, zb O Q 2 := Bild F2 (Q ) eine Quadrik mit der Gleichung (x x n) x t Oa=λx t e k+ =λe k+ t x λ (x x n) λk λ λk On k t x ( a n k a n) + a = On k t x n }{{} Nach Lemma 6 ist x x + ( λ ) }{{}}{{} + a = x n k n k x n x + x O n n k
24 Jetzt betrachten wir die Isometrie F 3, sodass F 3 die Translation F (x) = b +x ist, mit b = ( }{{} b k+ b n ) Ist ein a i, so k können wir b so wählen, dass a = (ZB a b = ( )) b }{{} i i te Stelle Satz 6 ist bewiesen Um Satz 7 zu beweisen, müssen wir noch die passende Skalierung x x n µ x µ n x n wählen, die offensichtlich eine affine Abbildung ist, um die von Null verschiedenen Koeffizienten auf ± zu bringen
25 Bsp zu Beweis von Satz 6 Wir betrachten die Quadrik im R 3 Nach dem Algorithmus im Beweis von Satz 6 sollen wir zuerst die Matrix diagonalisieren (mit Hilfe von orthogonalen Matrizen) In LA I haben wir gelernt, dass die Basis, in welcher die Matrix Diagonalgestalt hat, aus Eigenvektoren besteht Das charakteristische Polnom ist, die Nullstellen davon sind und die entsprechenden Eigenvektoren sind (Sie sind automatisch zueinander orthogonal, da die Eigenwerte verschieden sind Ich habe sie zusätzlich normiert, damit sie eine orthonormale Basis bilden)
26 Als orthogonale Transformationsmatrix erhält man dann O Im neuen Koordinatensstem x = O sieht die Gleichung nach Lemma 6 wie folgt aus: Wir müssen noch den zweiten Eintrag in a auf bringen: Da sehen wir, dass nach der Parallelverschiebung der Quadrik Normalform hat z z 2 = 2 + z 3 3 die Gleichung
Affine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...
Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit
Wie kann man die Normalform (bzgl. Affinen Transformationen) bestimmen, ohne die affine Abbildung bzw. Isometrie zu finden?
Wie kann man die Normalform (bzgl. Affinen Transformationen) bestimmen, ohne die affine Abbildung bzw. Isometrie zu finden? Antwort in Dim 2: Sei Q eine Quadrik in R 2 gegeben durch a 11... a 1n x 1 x
Technische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
6 Metrische Klassifikation der Quadriken
6 Metrische Klassifikation der Quadriken A Wiederholung von Kap V, 5 Sei A = (a ij ) eine symmetrische n n Matrix. n x 1 q(x) := x t Ax = a ij x i x j, x =. i,j=1 ist dann ein quadratisches Polynom in
Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Lemma 10. Die Menge Aff (K n ) aller Affinitäten von K n ist eine Gruppe bezüglich der Verkettung. Beweis. (vgl. Lemma 39 LAAG I sowie
Lemma 10. Die Menge Aff (K n ) aller Affinitäten von K n ist eine Gruppe bezüglich der Verkettung. Beweis. (vgl. Lemma 39 LAAG I sowie Noch ein Beispiel aus Vorl. 1, Seite 10) Zuerst zeigen wir, dass jede
Affine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
I (u +v)+w = u +(v +w) II u +v = v +u III Es existiert ein 0 V, s. d. 0+v = v IV Es existiert ein v V, s. d. v +v = 0
Def. Sei (K,+, ) ein Körper. Eine Wiederholung: (Hauptdefinition Menge V mit Abbildungen der LAAG1:) Vektorraum ist eine + : V V V Menge V mit zwei Abbildungen : K V V + : V V V, : R V heißt ein Vektorraum
Einige Lösungsvorschläge für die Klausur zur Vorlesung
Prof Klaus Mohnke Institut für Mathematik Einige Lösungsvorschläge für die Klausur zur Vorlesung Lineare Algebra und analtische Geometrie II* - SS 7 Aufgabe Im R mit dem Standardskalarprodukt ist die folgende
Quadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
1. Übungsblatt: Lineare Algebra II Abgabe: 8./ in den Übungsgruppen
Hannover, den 7. Februar 2002 Aufgabe. Übungsblatt: Lineare Algebra II Abgabe: 8./9.4.2002 in den Übungsgruppen (2, 2, 3 Punkte) Der Vektorraum V = C[, ] sei mit dem üblichen Skalarprodukt f, g = f(t)g(t)
Eigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
und Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
und Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Hinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4.
Hinweis: Die Klausur Lineare Algebra 2 für die Fachrichtung Informatik besteht aus den Aufgaben 2.1 bis 2.4. Aufgabe 2.1 (8 Punkte) Es sei K ein Körper, n N, V ein 2n-dimensionaler K -Vektorraum und U
7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
Lineare Algebra II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
Gleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung
Gleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung Def. Eine Gleitspiegelung ist eine Spiegelung an einer Geraden (Spiegelachse) verknüpft mit einer Translation parallel zu dieser
Quadriken. Quadriken und Hauptachsentransformation. Lineare Algebra I, WS 10/11 Ingo Blechschmidt 13. März 2011
Hier eine kurze Erklärung zu der. Als Grundlage diente teilweise eine Beschreibung von Markus Göhl vom Sommersemester 00. Quadriken Definition. Eine Quadrik ist die Nullstellenmenge eines quadratischen
KAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
9 Eigenwerte und Eigenvektoren
92 9 Eigenwerte und Eigenvektoren Wir haben im vorhergehenden Kapitel gesehen, dass eine lineare Abbildung von R n nach R n durch verschiedene Darstellungsmatrizen beschrieben werden kann (je nach Wahl
Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 8
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 204): Lineare Algebra und analytische Geometrie 8 8. (Herbst 202, Thema 3, Aufgabe 4) Bestimmen Sie die euklidische Normalform der Quadrik Q, gegeben
5 Quadriken. K = { R 2 ax 2 + bxy + cy 2 + dx + ey + f = 0} wobei a, b, c, d, e, f reelle Zahlen sind mit (a, b, c) (0, 0, 0).
5 Quadriken Kegelschnitte Ein Kegelschnitt ist eine Teilmenge K R 2, welche durch eine quadratische Gleichung in zwei Unbestimmten beschrieben werden kann: x K = { R 2 ax 2 + bxy + cy 2 + dx + ey + f =
Lineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
Tutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
Mathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG [email protected] http://www2.mathematik.uni-wuerzburg.de
43911: Lineare Algebra/Geometrie Prüfungstermin Frühjahr 2015 Lösungsvorschlag
Dr. Erwin Schörner 439: Lineare Algebra/Geometrie Prüfungstermin Frühjahr 5 Lösungsvorschlag I.. Für n N mit n ist das inhomogene lineare Gleichungssystem in den n Unbekannten x,..., x n mit den n Gleichungen
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
Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
2. Klausur zur Linearen Algebra II
Technische Universität Dortmund Fakultät für Mathematik Platznummer: Sommersemester 7.9.7. Klausur zur Linearen Algebra II Name: Vorname: Matrikelnummer: Studiengang: Wichtige Informationen: Prüfen Sie
Lineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
T := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Wiederholung und Plan:
Wiederholung und Plan: Ziel: alle linearen f : V U zu beschreiben, wobei V,U Vektorräume sind, sd dim(v) = n
(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Kapitel 14. Geometrie Eine kurze Einführung in die affine Geometrie
Kapitel 14 Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften vonr 3 interessieren, so stört manchmal dieausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
Kapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
Henning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
Anwendung v. symmetrischen Matrizen: Hauptachsentransformation
Anwendung v. symmetrischen Matrizen: Hauptachsentransformation Einleitende Bemerkungen: Gl. für Kreis: Gl. für Elllipse: (gestauchter Kreis) Gl. für Kugel: Gl. für Elllipsoid: (gestauchter Kugel) Diese
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF
TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF 07.03.2016-11.03.2016 Inhaltsverzeichnis Inhaltsverzeichnis 1 Darstellungsmatrizen 2 2 Diagonalisierbarkeit
fj 2 = f n f n+1. fj 2 = 0 2 = 0 = 0 1 = f 0 f 1. f 2 j = f n f n+1 +fn+1 = (f n +f n+1 )f n+1 = f n+2 f n+1 = f n+1 f (n+1)+1.
Stroppel Musterlösung 4..4, 8min Aufgabe 3 Punkte) Sei f n ) n N die Fibonacci-Folge, die durch f :=, f := und f n+ := f n +f n definiert ist. Beweisen Sie durch vollständige Induktion, dass für alle n
Diagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
Lineare Algebra II (SS 13)
Lineare Algebra II (SS 13) Bernhard Hanke Universität Augsburg 03.07.2013 Bernhard Hanke 1 / 16 Selbstadjungierte Endomorphismen und der Spektralsatz Definition Es sei (V,, ) ein euklidischer oder unitärer
4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Wiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
Eigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
SWS-Kongruenzsatz. A B = d(a,b) = A B und A C = d(a,c) ) = A C. Dann ist das Winkelmaß BAC = arccos
SWS-Kongruenzsatz. SWS-Kongruenzsatz. Es seien A,B,C und A,B,C Punkte des R 2, s.d. weder A,B,C noch A,B,C auf einer Geraden liegen. Dann gilt: es gibt eine Isometrie I, mit A A, B B, C C, genau dann wenn
2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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
Analytische Geometrie
21 Vorlesungen über Analytische Geometrie für Lehramtstudierende der Schulformen Grund-, Mittel- und Realschule Jens Jordan Universität Würzburg, Wintersemster 2015/16 Hier kommt noch ein schönes Bildchen
5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
12. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demirel M. Fetzer, B. Krinn M. Wied. Gruppenübung zur Vorlesung Höhere Mathematik Wintersemester / Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshinweise zu den Hausaufgaben: Aufgabe H 4. Hauptachsentransformation
BC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Aufgabe I.1 (4 Punkte) Gegeben seien die Matrix H := und die Menge L := {A R 4 4 A HA = H} Zeigen Sie:
Aufgabe I (4 Punkte Gegeben seien die Matrix und die Menge Zeigen Sie: H := L := {A R 4 4 A HA = H} a L ist bezüglich der Matrizenmultiplikation eine Gruppe b Die Matrizen der Form ( E O, O B wobei E R
Kapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
Kapitel 11 Eigenwerte und Eigenvektoren
Kapitel Eigenwerte und Eigenvektoren. Problem der Diagonalisierbarkeit Es sei wieder K gleich R oder. Eine n n)-matrix A mit Koeffizienten aus K wird als diagonalisierbar bezeichnet, wenn es eine invertierbare
Drehung um einen Punkt um Winkel α.
Drehung um einen Punkt um Winkel α. Sei A R 2 und α R. Drehung um A um Winkel α ist eine Abbildung D A (α) : R 2 R 2 welche wie folgt definiert ist: D A (α) = T A D 0 (α) T ( A), wobei die Abbildung D
Quadratische Formen. und. Symmetrische Matrizen
Quadratische Formen und Symmetrische Matrizen 1 Ouverture: Lineare Funktionen von R n nach R 1 2 Beispiel: n = 2 l : (x 1, x 2 ) T 0.8x 1 + 0.6x 2 = < x, g > mit g := (0.8, 0.6) T. Wo liegen alle x = (x
4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
Lösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Dienstag $Id: jordantex,v 8 9// 4:48:9 hk Exp $ $Id: quadrattex,v 9// 4:49: hk Exp $ Eigenwerte und die Jordansche Normalform Matrixgleichungen und Matrixfunktionen Eine
Hauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
Zurück Stand 4.. 6 Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - Lösungen
Lina II - Aufgaben zur Vorbereitung für die Klausur (Teil 1) - en Kommentare an HannesKlarner@FU-Berlinde FU Berlin SS 1 Dia- und Trigonalisierbarkeit Aufgabe (1) Gegeben seien A = i i C 3 3 und B = 1
1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von
1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von Wachstumsraten Bestimmung von Maximal- und Minimalwerten von
Anwendung v. symmetrischen Matrizen: Hauptachsentransformation
Zusammenfassung: Eigenwerte, Eigenvektoren, Diagonalisieren Eigenwertgleichung: Bedingung an EW: Eigenwert Eigenvektor charakteristisches Polynom Für ist ein Polynom v. Grad, Nullstellen. Wenn EW bekannt
Exkurs: Klassifikation orthogonaler 2 2-Matrizen.
Exkurs: Klassifikation orthogonaler 2 2-Matrizen. Aussage: Es gilt: (a) Jede orthogonale 2 2 Matrix A mit det(a) = 1 hat das Aussehen cos(α) sin(α) D(α) = sin(α) cos(α), wobei α [0,2π[. Ist sin(α) 0, so
Lineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
Eigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
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
6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
cos(x)cos(2x)cos(4x) cos(2 n x) = sin(2n+1 x) 2 n+1 sin(x) = sin(2n+2 x) 2 n+2 sin(x).
Stroppel/Sändig Musterlösung 8. 3., min Aufgabe 5 Punkte Beweisen Sie für alle x R {zπ z Z} die Formel für n N mit Hilfe der vollständigen Induktion. cosxcosxcosx cos n x = sinn+ x n+ sinx Dabei dürfen
