Matrix-Algorithmen Matrixmultiplikation Allgemeiner Matrizen
|
|
- Holger Beltz
- vor 7 Jahren
- Abrufe
Transkript
1 Matrix-Algorithmen Matrixmultiplikation Allgemeiner Matrizen
2 Inhaltsverzeichnis Grundlagen 1 Grundlagen Matrizen Vektoren 2 Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation 3 Bandmatrizen Dreiecksmatrizen Speichern Symmetrie
3 Matrizen Vektoren Grundlagen Matrixmultiplikation baut auf Hierarchie von Operationen der linearen Algebra auf solche Operationen sind: Skalarprodukt, Matrix-Vektor-Multiplikation, Matrix-Matrix-Mulitplikation Operationen können in zwei Formen ausgedrückt werden, per Algorithmus und in der Sprache der linearen Algebra hier soll gezeigt werden, wie sich die zwei Ausdrucksweisen ergänzen
4 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = a a 1n.... a m1... a mn, a ij R
5 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = Matrix-Operationen a a 1n.... a m1... a mn, a ij R
6 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = Matrix-Operationen a a 1n.... a m1... a mn transponierte Matrix: C = A T c ij = a ji, a ij R
7 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = Matrix-Operationen a a 1n.... a m1... a mn transponierte Matrix: C = A T c ij = a ji Addition: C = A + B c ij = a ij + b ij, a ij R
8 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = Matrix-Operationen a a 1n.... a m1... a mn transponierte Matrix: C = A T c ij = a ji Addition: C = A + B c ij = a ij + b ij, a ij R skalare Multiplikation: C = αa c ij = αa ij
9 Matrizen Vektoren Matrix-Notation A R mxn A = (a ij ) = Matrix-Operationen a a 1n.... a m1... a mn transponierte Matrix: C = A T c ij = a ji Addition: C = A + B c ij = a ij + b ij, a ij R skalare Multiplikation: C = αa c ij = αa ij Multiplikation: C = AB c ij = r k=1 a ikb kj (R mxr xr rxn R mxn )
10 Matrizen Vektoren Vektor-Notation
11 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = x 1.. x n, x i R
12 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R
13 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen
14 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen skalare Multiplikation: z = αx z i = αx i
15 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen skalare Multiplikation: z = αx z i = αx i Vektor-Addition: z = x + y z i = x i + y i
16 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen skalare Multiplikation: z = αx z i = αx i Vektor-Addition: z = x + y z i = x i + y i Skalarprodukt: c = x T y c = n i=1 x iy i
17 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen skalare Multiplikation: z = αx z i = αx i Vektor-Addition: z = x + y z i = x i + y i Skalarprodukt: c = x T y c = n i=1 x iy i Vektor-Produkt: z = x y z i = x i y i
18 Matrizen Vektoren Vektor-Notation Spaltenvektor: (R nx1 ) x R n x = Zeilenvektor: (R 1xn ) x = (x 1,..., x n ) x 1.. x n, x i R wenn x = Spaltenvektor y = x T = Zeilenvektor Vektor-Operationen skalare Multiplikation: z = αx z i = αx i Vektor-Addition: z = x + y z i = x i + y i Skalarprodukt: c = x T y c = n i=1 x iy i Vektor-Produkt: z = x y z i = x i y i Saxpy: y = αx + y y i = αx i + y i ( scalar α x plus y)
19 Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation die folgenden Algorithmen basieren auf der MATLAB-Software MATLAB-Prozeduren sind gut geeignet um den Aufbau von Algorithmen grundlegend zu erklären dennoch sollten die vorgestellten Algorithmen nicht als das non plus ultra betrachtet werden, sie sind nur eine Art der Herangehensweise und sollten kritisch angewendet werden
20 Algorithmus Skalarprodukt Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation Skalarprodukt.pdf >
21 Algorithmus Saxpy Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation Saxpy.pdf
22 Matrix-Vektor-Multiplikation Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation A R mxn z = Ax, x R n üblicher Weg für die Berechnung ist z i = n j=1 a ijx j daraus ergibt sich folgender Algorithmus
23 Algorithmus Matrix-Vektor-Multiplikation - Zeilenversion (Zeilenversion).pdf
24 Algorithmus Matrix-Vektor-Multiplikation - Spaltenversion (Spaltenversion).pdf
25 Matrizenzerlegung Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation beim Zeilenalgorithmus greift die Prozedur mittels der Zeilen auf A zu und beim Spaltenalgorithmus greift die Prozedur mittels der Spalten auf A zu Zerlegung der Matrizen in Zeilen und Spalten eine Matrix ist ein Stapel von Zeilenvektoren: a T 1 A =.., a k R n a T m eine Matrix ist eine Aneinanderreihung von Spaltenvektoren A = (a 1,..., a n ), a k R m das bedeutet für die Algorithmen:
26 Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation matvec.ij mit Matrizenzerlegung for i = 1 : m z i = a T i x end matvec.ji mit Matrizenzerlegung for j = 1:n z = z + x j a j end
27 Doppelpunkt-Notation Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation ein einfacher Weg die Zeilen und Spalten von Matrizen zu kennzeichnen ist die Doppelpunkt-Notation k-te Zeile von A: A(k, :) = (a k1,..., a kn ) a 1k k-te Spalte von A: A(:, k) =. a mk das bedeutet für die Algorithmen:
28 Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation matvec.ij mit Doppelpunkt-Notation for i = 1 : m z(i) = A(i, :)x end oder for i = 1 : m z(i) = dot(a(i, :), x) end matvec.ji mit Doppelpunkt-Notation for j = 1:n z = z + x(j)a(:, j) end oder for j = 1:n z = saxpy(x(j), A(:, j), z) end
29 Äußeres Produkt Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation Algorithmen, die auf Spalten zugreifen, erscheinen uns besser matvec.ji ist also matvec.ij vorzuziehen der Unterschied zwischen den Algorithmen ist die Anordnung der Schleifen hierzu betrachten wir die Berechnung des Äußeren Produkts: A A + xy T mit A R mxn, x R m, y R n xy T ist ein spezielles Matrix-Matrix-Produkt, deren Einträge wie folgt lauten: a ij = a ij + x i y j mit i = 1 : m und j = 1 : n
30 Algorithmus für Äußeres Produkt Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation ij-version: Vielfaches von y T wird zu jeder Zeile von A addiert for i = 1:m A(i,:)=A(i,:)+x(i)y T end ji-version: Vielfaches von y T wird zu jeder Spalte von A addiert for i = 1:n A(:,j)=A(:,j)+y(j)x end
31 Gaxpy Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation die meisten dieser Algorithmen können so arrangiert werden, dass die dominante Operation die Gaxpy-Operation ist z = y + Ax, mitx R n, y R m, A R mxn Gaxpy = general A x plus y
32 Gaxpy-Algorithmus Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation
33 Matrix-Matrix-Multiplikation Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation gegeben sind 2x2-Matrizen mit der Multipliaktion C=AB mit A R mxr, B R rxn jeder ( Eintrag ) ( in) C ist ( ein Skalarprodukt ) = jede Spalte von C ist eine Linearkombination der Spalten von A ( (saxpy) ) ( ) ( ( ) ( ) ( ) ( )) = C( ist eine ) ( Summe ) von ( ) äußeren Produkten ( ) = (5 6) + (7 8)
34 Algorithmus Matrix-Matrix-Multiplikation in Skalarproduktversion (Skalarproduktversion).pdf
35 Algorithmus Matrix-Matrix-Multiplikation in Gaxpyversion (Gaxpyversion).pdf
36 Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation Algorithmus Matrix-Matrix-Multiplikation in Gaxpyversion verkürzte Form: C(1:m, 1:n)=0 for j = 1:n C(:,j)=gaxpy(A,B(:,j),C(:,j)) end
37 Algorithmus Matrix-Matrix-Multiplikation in Äußeres-Produkt-Version (Outer-Product-Version).pdf
38 Schleifen Grundlagen Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation double-loop: Matrix-Vektor-Multiplikation kann mit 2!=2 Möglichkeiten berechnet werden triple-loop: Matrix-Matrix-Mulitplikation kann mit 3!=6 Möglichkeiten berechnet werden Schleifen- Innere Mittlere Datenzugriff ordnung Schleife Schleife Inn. Schleife ijk dot vektor x matrix A Zeilen, B Spalten jik dot matrix x vektor A Zeilen, B Spalten ikj saxpy Zeilengaxpy B Zeilen jki saxpy Spaltengaxpy A Spalten kij saxpy Zeilen-äuß.-Produkt B Zeilen kji saxpy Spalten-äuß.-Produkt A Spalten
39 Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Die Effektivität eines Matrix-Algorithmus hängt von vielen Faktoren ab (z.b. Anzahl der Rechnungen, notwendiges Speichern, Erinnerungen, Datenzugriffe, Anzahl der Schritte und Kosten) Hier schauen wir uns Band und Symmetrie einmal genauer an.
40 Bandmatrizen Grundlagen Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Gegeben ist A R mxn mit niedriger Bandbreite p, wenn a ij = 0 für i > j + p hoher Bandbreite q, wenn a ij = 0 für j > i + q Beispiel: 8x5-Matrix mit p=1 und q=2 x x x 0 0 x x x x 0 0 x x x x 0 0 x x x x x x
41 Diagonalmatrizen Grundlagen Bandmatrizen Dreiecksmatrizen Speichern Symmetrie D R mxn D = diag(d 1,..., d q ) mit q = min {m, n} d i = d ii Matrixart p q Diagonalmatrix 0 0 obere Dreiecksmatrix 0 n-1 untere Dreiecksmatrix m-1 0
42 Dreiecksmatrizen-Multiplikation Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Gegeben: A,B sind nxn-matrizen und obere Dreiecksmatrizen für C=AB ist C auch eine obere Dreiecksmatrix und die Einträge in C sind die Ergebnisse von abgekürzten inneren Produkten Beispiel für 3x3: a 11 b 11 a 11 b 12 + a 12 b 22 a 11 b 13 + a 12 b 23 + a 13 b 33 0 a 22 b 22 a 22 b 23 + a 23 b a 33 b 33 wenn a ik b kj = 0 mit k < i oder j < k c ij = j k=i a ikb kj
43 Algorithmus für Dreiecksmatrizen Dreiecksmatrix.pdf
44 Doppelpunkt-Notation Bandmatrizen Dreiecksmatrizen Speichern Symmetrie A R mxn ; p, q, r mit 1 p q n und 1 r m : A(r, p : q) = (a rp,..., a rq ) R nx(q p+1) wenn 1 p q m und 1 c n : a pc A(p : q, c) =. R q p+1 a qc
45 Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Algorithmus für Dreiecksmatrizen mit Doppelpunktnotation Dreiecksmartix mit Doppelpunktnotation.pdf
46 Symmetrie Grundlagen Bandmatrizen Dreiecksmatrizen Speichern Symmetrie A R nxn ist symmetrisch wenn A T = A: die Speicheranforderung für so eine Matrix kann halbiert werden, wenn das untere Dreieck wie folgt definiert wird: a ij = A.vec((j 1)n j(j 1)/2 + i) mit i j das bedeutet für den Algorithmus der Matrix-Vektor-Multiplikation
47 Algorithmus Matrix-Vektor-Multiplikation mit A.vec (z=ax, x R n ) Avec.pdf
48 Speichern per Diagonale Bandmatrizen Dreiecksmatrizen Speichern Symmetrie beim letzten Algorithmus gibt es das Problem, dass die i-schleife nicht auf die angrenzenden Array-Einträge zugreift wir benötigen ein kompaktes Speicherschema für symmetrische Matrizen in der die Matrix per Diagonale gespeichert wird A.diag = ( ) Allgemein: für i j gilt a i+k,i = A.diag(i + nk k(k 1)/2), (k 0)
49 Speichern per Diagonale Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Wenn A R mxn dann soll D(A, k) R mxn der k-te diagonale Teil von A sein: { } aij j=i+k, 1 i m, 1 j n [D(A, k)] ij = 0 sonst A = = } 0 {{ 0 } 0 } 0 {{ 0 } 0 } 0 {{ 6 } 0 } 5 {{ 0 } 3 } 0 {{ 0 } D(A,2) D(A,1) (A,0) D(A, 1) D(A, 2)
50 Algorithmus Matrix-Vektor-Multiplikation mit A.diag (z=ax, x R n ) Adiag.pdf
51 Quellen Grundlagen Bandmatrizen Dreiecksmatrizen Speichern Symmetrie Matrix Computation, Gene H. Golub und Charles F. Van Loan, 1989 Numerical Linear Algebra, Lloyd N. Trefethen und Daid Bau, 1997 Mathematik, Studienbriefe zur Fachdidaktik für Lehrer der Sekundarstufe II, MG2, DIFF 1983
52 Vielen Dank für Eure Aufmerksamkeit
LINEARE ALGEBRA. Julia Becker Bonn ROUTINEN
LINEARE ALGEBRA Julia Becker 04.04.2012 Bonn ROUTINEN Inhaltsverzeichnis Notation Matrizen Vektoren Matrizen und Vektoren Basis Routinen Skalarprodukt und Saxpy Matrix-Vektor Multiplikation und Gaxpy Matrizenmultiplikation
MehrBlockmatrizen und -Algorithmen
Grundlagen 15.04.2011 Grundlagen Inhaltsverzeichnis 1 Grundlagen Blockmatrizen Untermatrizen 2 3 4 Blockmatrizen Grundlagen Blockmatrizen Untermatrizen Allgemein kann man sowie Zeilen als auch Spalten
MehrDreiecksysteme und LR-Faktorzerlegung
Dreiecksysteme und 06.05.2011 Dreiecksysteme und Inhaltsverzeichnis 1 Dreieckssysteme Vorwärts-Substitution (Zeilen-Version) Rückwärts-Substitution (Zeilen-Version) Vorwärts-Substitution (Spalten-Version)
MehrMatrix- Algorithmen Householder- und Givens- Matrizen
Fast und 20. Mai 2011 und Inhaltsverzeichnis Fast 1 2 Fast und Fast ist eine eines Vektors an der Hyperebene durch die Null im euklidischen Raum Ein zur Spiegelebene orthogonaler Vektor v R n \ {0} wird
MehrKurzform. Choleskyzerlegung. Julia Hoeboer. 13. Mai 2011
Choleskyzerlegung Julia Hoeboer 13 Mai 2011 Inhalt: LDM T Zerlegung LDL T Zerlegung Cholesky Zerlegung Person Berechnung Gaxpy Algorithmus Effektivität LDM T Zerlegung LDM T Zerlegung lässt sich aus LR
MehrMLAN1 1 MATRIZEN 1 0 = A T =
MLAN1 1 MATRIZEN 1 1 Matrizen Eine m n Matrix ein rechteckiges Zahlenschema a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n a m1 a m2 a m3 amn mit m Zeilen und n Spalten bestehend aus m n Zahlen Die Matrixelemente
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.........
MehrQR-Zerlegung Allgemeines. Householder-Spiegelung. Givens-Rotation. Gram-Schmidt-Orthogonalisierung. Fazit. QR-Zerlegung.
20.0.2011 Inhaltsverzeichnis 1 2 3 4 1 2 3 4 der Matrix A R mxn, m n A = Q R Matrix Q: Q R nxn orthogonale Matrix (Spalten paarweise orthogonal) Q Q T = E Matrix R: R R mxn obere Dreiecksmatrix r 11 r
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
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrKapitel 2. Matrixalgebra. Josef Leydold Mathematik für VW WS 2017/18 2 Matrixalgebra 1 / 49
Kapitel 2 Matrixalgebra Josef Leydold Mathematik für VW WS 207/8 2 Matrixalgebra / 49 Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS.
MehrMatrixalgebra. Kapitel 2. Ein sehr einfaches Leontief-Modell. Matrix. Ein sehr einfaches Leontief-Modell. Vektor. Spezielle Matrizen I
Ein sehr einfaches Leontief-Modell Eine Stadt betreibt die Unternehmen ÖFFENTLICHER VERKEHR, ELEKTRIZITÄT und GAS Kapitel 2 Matrixalgebra Technologiematrix und wöchentliche Nachfrage (in Werteinheiten):
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
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
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
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
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
MehrMathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2018 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 32 8 Lineare Algebra: 1 Reelle Matrizen Grundbegriffe Definition
MehrLektion 3. 1 Theorie. NTS1-P Natur, Technik und Systeme 1 Praktikum Herbstsemester 2012
NTS1-P Natur, Technik und Systeme 1 Praktikum Herbstsemester 2012 Dr Christoph Kirsch ZHAW Winterthur Lektion 3 In dieser Lektion werden Sie in MATLAB mit Vektoren und Matrizen rechnen 1 Theorie Wie Sie
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
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
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
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
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
Mehr(A T ) T = A. Eigenschaft:
Elementare Matrizenrechnung m n-matrix von Zahlen A m n a 1,1 a 1,n a m,1 a m,n rechteckige Tabelle m n Dimension der Matrix Sprechweise: m Kreuz n wobei m Anzahl Zeilen, n Anzahl Spalten a i,j Element
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,
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrMatrizen. Lineare Algebra I. Kapitel April 2011
Matrizen Lineare Algebra I Kapitel 2 26. April 2011 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/~holtz Email: holtz@math.tu-berlin.de Assistent: Sadegh
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrMultiplikation von Matrizen
Multiplikation von Matrizen Die Regeln der Multiplikation von Zahlen können nicht direkt auf die Multiplikation von Matrizen übertragen werden. 2-E Ma Lubov Vassilevskaya Multiplikation ccvon Matrizen
MehrNumerische Lineare Algebra Spezielle Systeme
Numerische Lineare Algebra Spezielle Systeme Friedrich Solowjow 2. Mai 2012, Bonn 1 / 34 1 Einleitung Übersicht Definitionen 2 3 Datenzugriff Speichertechniken 2 / 34 Übersicht Definitionen Gliederung
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,
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
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
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 +
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
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:
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 8 Institut für Informatik Prof. Dr. Thomas Huckle Michael Rippl Fabio Gratl Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt: Gaußelimination mit Pivotsuche,
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
MehrNumerik I. Universität zu Köln SS 2009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva,
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-koeln.de Numerik I Musterlösung 1. praktische Aufgabe, Bandmatrizen Bei der Diskretisierung von
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 5 Lineare Algebra
MehrMATRIZEN. Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet. a 11 a a 1n a 21. a a 2n A = a m1 a m2...
MATRIZEN Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn A ist eine m n Matrix, dh: A hat m Zeilen und n Spalten A besitzt
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
Mehr4 Matrizenrechnung. Beide Operationen geschehen also koeffizientenweise. Daher übertragen sich die Rechenregeln von K(m n, k).
4 Matrizenrechnung Der Vektorraum der m n Matrizen über K Sei K ein Körper und m, n N\{0} A sei eine m n Matrix über K: a a 2 a n a 2 a 22 a 2n A = = (a ij) mit a ij K a m a m2 a mn Die a ij heißen die
MehrTutorium: Diskrete Mathematik. Matrizen
Tutorium: Diskrete Mathematik Matrizen Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de Definition I Eine Matrix ist eine rechteckige Anordnung (Tabelle) von Elementen, mit denen man in bestimmter
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
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
MehrInvertierbarkeit von Matrizen
Invertierbarkeit von Matrizen Lineare Algebra I Kapitel 4 24. April 2013 Logistik Dozent: Olga Holtz, MA 417, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de
MehrDreiecksmatrizen. Die Treppennormalform
Dreiecksmatrizen. Die Treppennormalform Lineare Algebra I Kapitel 4-5 8. Mai 202 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 4-6 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2015 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8 Such-Algorithmen
MehrSerie 5. Lineare Algebra D-MATH, HS Prof. Richard Pink. 1. [Aufgabe] Invertieren Sie folgende Matrizen über Q:
Lineare Algebra D-MATH, HS 214 Prof Richard Pink Serie 5 1 [Aufgabe] Invertieren Sie folgende Matrizen über Q: 1 a) 1 1 1 1 1 2 1 1 1 b) 1 2 1 1 1 1 2 1 1 1 1 2 1 2 3 1 c) 1 3 3 2 2 1 5 3 1 2 6 1 [Lösung]
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 2017 Dr. Stefanie Demirci Computer Aided Medical Procedures Technische Universität München Programm heute 7 Fortgeschrittene Datenstrukturen 8
MehrA = ( a 1,..., a n ) ii) Zwei Matrizen sind gleich, wenn die Einträge an den gleichen Positionen übereinstimmen. so heißt die n n Matrix
Matrizen Definition: i Eine m n Matrix A ist ein rechteckiges Schema aus Zahlen, mit m Zeilen und n Spalten: a a 2 a n a 2 a 22 a 2n a m a m2 a mn Die Spaltenvektoren dieser Matrix seien mit a,, a n bezeichnet
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrRechenaufwand der LR- und LDL T - Zerlegung
6. Großübung Rechenaufwand der LR- und LDL T - Zerlegung Rückwärtseinsetzen Der Algorithmus kann der Folie 3.0 entnommen werden. Dieser kann in die folgenden Rechenoperationen aufgesplittet werden: Für
MehrSpezielle Matrizen. Invertierbarkeit.
Spezielle Matrizen. Invertierbarkeit. Lineare Algebra I Kapitel 4 2. Mai 2012 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de
MehrMatrizen Matrizen
Matrizen 29 2 Matrizen Wir beschäftigen uns in diesem Kapitel mit Matrizen. Sie eignen sich insbesondere zur Darstellung von Gleichungssystemen und linearen Abbildungen. Wir führen eine Addition und eine
MehrMathematik 1 Bachelorstudiengang Maschinenbau
Mathematik 1 Bachelorstudiengang Maschinenbau Prof Dr Stefan Etschberger Hochschule Augsburg Sommersemester 2012 Übersicht 4 Lineare Algebra 1 Grundlegendes 2 Aussagenlogik 3 Mengen 4 Lineare Algebra Lernziele
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
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
Mehr3 Lineare Gleichungssysteme
3 Lineare Gleichungssysteme 3 Fortsetzung des Matrizenkalküls Als erstes beweisen wir einen einfachen Satz über den Rang von Matrizenprodukten Satz 3 (a) Für Matrizen A : Ã l m, B : Ã m n gilt rang AB
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
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
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
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
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
MehrEigenschaften der Matrizenmultiplikation. Transponierung. Spezielle Matrizen.
Eigenschaften der Matrizenmultiplikation. Transponierung. Spezielle Matrizen. Lineare Algebra I Kapitel 4 23. April 2013 Logistik Dozent: Olga Holtz, MA 417, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrBlockmatrizen. Arthur Wettschereck. 11. April 2012, Bonn
Komplexe und transponierte 11. April 2012, Bonn Komplexe und transponierte 1 Definition Blockmatrix Doppelpunkt Notation 2 Addition Zeilen und Spaltenweise Multiplikation Blockmatrixmultiplikation 3 Herkömliche
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrSchriftlicher Test zu C (90 Minuten) VU Einführung ins Programmieren für TM. 1. Oktober 2012
Familienname: Vorname: Matrikelnummer: Aufgabe 1 (2 Punkte): Aufgabe 2 (3 Punkte): Aufgabe 3 (2 Punkte): Aufgabe 4 (3 Punkte): Aufgabe 5 (2 Punkte): Aufgabe 6 (1 Punkte): Aufgabe 7 (2 Punkte): Aufgabe
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
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
MehrLineare Gleichungssysteme, LR-Zerlegung
Prof Thomas Richter 2 Juni 27 Institut für Analysis und Numerik Otto-von-Guericke-Universität Magdeburg thomasrichter@ovgude Material zur Vorlesung Algorithmische Mathematik II am 22627 Lineare Gleichungssysteme,
MehrAlgorithmen für die Speicherhierarchie
Lineare Algebra: untere Schranken Lehrstuhl für Effiziente Algorithmen Fakultät für Informatik Technische Universität München Vorlesung Sommersemester 2009 Gliederung 1 2 Zusätzliche Überlegungen Erinnerung
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
Mehr4. Übungsblatt zur Mathematik II für Inf, WInf
Fachbereich Mathematik Prof Dr Streicher Dr Sergiy Nesenenko Pavol Safarik SS 010 11 15 Mai 4 Übungsblatt zur Mathematik II für Inf, WInf Gruppenübung Aufgabe G13 (Basistransformation) ( ) 15 05 Die lineare
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 9 20. Mai 2010 Kapitel 9. Matrizen und Determinanten Der Begriff der Matrix Die transponierte Matrix Definition 84. Unter einer (reellen) m n-matrix
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Argumentationstechniken PLUS Direkter Beweis einer Implikation A B (analog
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
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
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
Mehra 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
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
Mehr$Id: matrix.tex,v /12/02 21:08:55 hk Exp $ $Id: vektor.tex,v /12/05 11:27:45 hk Exp hk $
$Id: matrixtex,v 14 2008/12/02 21:08:55 hk Exp $ $Id: vektortex,v 12 2008/12/05 11:27:45 hk Exp hk $ II Lineare Algebra 6 Die Matrixmultiplikation 63 Inverse Matrizen und reguläre lineare Gleichungssysteme
MehrLineares Gleichungssystem
Lineares Gleichungssystem Ein System von m linearen Gleichungen in n Unbekannten besteht aus einer Menge von algebraischen Relationen der Form n a ij x j = b i, i =,...,m, j= wobei a ij R, i m, j n, die
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
MehrD-MAVT Lineare Algebra I HS 2018 Prof. Dr. N. Hungerbühler. Lösungen = A 4 3 6
D-MAVT Lineare Algebra I HS 28 Prof. Dr. N. Hungerbühler Lösungen. Gegeben seien die Matrizen A := ( 2 3 3 ), B := Welche der folgenden Aussagen sind richtig? (a) (AB) T = A T B T. 5 3 2 6 Die Formel (AB)
MehrLineare Algebra 1. . a n1 a n2 a n3 a nm
Lineare Algebra 1 Lineare Algebra Hilfreiche Konzepte zur Vereinfachung der Darstellung und Berechnung stellt die lineare Algebra bereit. Auch wenn sie nur an wenigen Stellen des Buches verwendet wurden,
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
MehrLineare Algebra. 2. Übungsstunde. Steven Battilana. battilana.uk/teaching
Lineare Algebra. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching October 6, 017 1 Erinnerung: Lineare Gleichungssysteme LGS Der allgemeine Fall hat m lineare Gleichungen, n
MehrMathematische Computer-Software
Mathematische Computer-Software Kommerzielle Computeralgebrasysteme (CAS) Beispiele: Mathematica, Maple, Numerisches und symbolisches Verarbeiten von Gleichungen: Grundrechenarten Ableitung und Integration
Mehr