14 Skalarprodukt Abstände und Winkel
|
|
- Nicole Lange
- vor 7 Jahren
- Abrufe
Transkript
1 4 Skalarprodukt Abstände und Winkel Um Abstände und Winkel zu definieren benötigen wir einen neuen Begriff. Zunächst untersuchen wir die Länge eines Vektors v. Wir schreiben dafür v und sprechen auch von der Norm von v. 4. Beispiele.. v R : Mit dem Satz des Pythagoras gilt. v R : Wir setzen w = v, v, 0. Wie in. bekommt man w = v + v. Das Dreieck mit den Ecken 0, w und v hat einen rechten Winkel in w. Mit dem Satz des Pythagoras folgt Diese Beobachtung kann man verallgemeinern und bekommt die Definition. Für v R n heißt die reelle Zahl v := n vi v = + + vn die Norm oder die Länge von v. i= Man kann v genauer: v auch durch ein Produkt von Matrizen ausdrücken: v v = v + + vn = v... v n. = v T v. Ab sofort werden Vektoren stets als Spaltenvektoren vorgestellt. Sie werden also als Elemente von R n aufgefasst. Der zugehörige Zeilenvektor wird v T R n geschrieben. Man spricht auch vom transponierten Vektor. Der Ausdruck v T v ist streng genommen eine -Matrix, wird aber schlicht als Zahl behandelt. Später werden wir auch Matrizen transponieren. v n 68
2 Beispiel. v = = Es gilt Was ist die Transponierte eines Zeilenvektors? Um den Abstand zweier Vektoren v, w zu bestimmen, ermittelt man v w. Machen Sie sich anhand einer Skizze klar, dass das sinnvoll ist! Unsere Beobachtungen kombiniert mit dem Distributivgesetz für die Matrizenmultiplikation erlauben folgende Rechnung. v w = v w T v w = v T w T v v T w T w Für den letzten Ausdruck findet man = v T v w T v v T w + w T w = v + w w T v + v T w. Wir extrahieren daraus den entscheidenden Begriff für diesen Abschnitt. 4. Definition. Die Abbildung : R n R n R; v, w v w := v T w = n v i w i = v w + + v n w n i= heißt Skalarprodukt oder inneres Produkt auf R n. Wir halten die wichtigsten Eigenschaften des Skalarprodukts fest. 69
3 4. Das Skalarprodukt ist bilinear, d. h. linear in beiden Argumenten; symmetrisch, d. h. v, w R n : v w = w v; positiv definit, d. h. v R n : v v 0 und v v = 0 v = 0. Beweis. folgt direkt aus der Matrizendarstellung des Skalarprodukts v w = v T w. haben wir oben schon gezeigt. ist klar. 4.4 Bemerkung.. In der Gleichung λv w = λv w kommen drei verschiedene Produkte vor! Welche?. Für die Norm gilt v = v v. Mit dem neuen Begriff liest sich das Ergebnis von oben so: v w = v + w v w. Der Satz des Pythagoras und seine Umkehrung implizieren die Aussage v steht senkrecht auf w genau dann, wenn v w = 0. Erneut ist das Anlass zu einer 4.5 Definition. Man sagt v, w R n stehen senkrecht oder orthogonal, wenn v w = 0. Allgemeiner definieren wir den ungerichteten! Winkel α = v, w zwischen v und w durch cos α = v w mit α [0, π]. v w Auch diese Definition kann man durch eine elementare, geometrische Überlegung rechtfertigen. Wichtiger noch ist die Tatsache, dass diese Definition sinnvoll ist. Dies ergibt sich aus folgendem sehr bedeutendem Satz. 4.6 Ungleichung von Cauchy-Schwarz. Für alle v, w R n gilt v w v w. Dabei gilt Gleichheit genau dann, wenn v, w linear abhängig sind. Eine Konsequenz dieses Satzes ist die Ungleichung v w. Da das Intervall v w [, ] der Wertebereich der Cosinus-Funktion ist, existiert der Winkel α in obiger Definition. Nun führen wir den Beweis für die Cauchy-Schwarz schen Ungleichung. 70
4 Beweis der Ungleichung von Cauchy-Schwarz. Der Fall w = 0 führt auf die trivialerweise wahre Aussage v w = 0 = v 0. Wir können also w 0 annehmen. Der Trick besteht darin, den folgenden Ausdruck für λ R zu betrachten und dann λ geschickt zu wählen. Dabei wird 4. mehrfach ohne Hinweis genutzt. 0 v λw v λw = v v λv w λw v + λ w w = v + λ w λv w mit λ = v w w folgt 0 v + = v v w w 0 v w v w w v w w v w = v w v w v + w w v w w mal w > 0 Wurzelziehen auf beiden Seiten ergibt die erste Behauptung. Gilt Gleichheit, so ist v = λw mit dem oben gewählten λ, also sind v, w linear abhängig auch im Fall w = 0. Sind v, w linear abhängig so gilt v = λw. Einsetzen zeigt, dass Gleichheit vorliegt. Wir formulieren die wichtigsten Eigenschaften der Norm. Manche davon sind uns schon im Zusammenhang mit dem absoluten Betrag reeller sowie komplexer Zahlen begegnet. 4.7 Für alle v, w R n, λ R gilt v 0; v = 0 v = 0 λv = λ v v + w v + w Dreiecksungleichung 4 v w v w. Beweis. ist genau die Eigenschaft positiv definit aus 4.. λv = λv λv = λ v v = λ v v = λ v. Wir betrachten die Quadrate der linken wie der rechten Seite der Ungleichung: v + w = v + w v + w = v + w + v w v + w = v + w + v w. Mit der Cauchy-Schwarz schen Ungleichung 4.6 folgt v w v w, also v + w v + w Da beide Seiten positiv sind, kann man Wurzeln ziehen ohne die Ungleichung zu verändern die Funktion x x ist monoton auf R 0. Das ist die Behauptung. 4 folgt aus wie in
5 4.8 Bemerkung.. Aus der Dreiecksungleichung für die Norm kann man nun die Dreiecksungleichung für den Abstand herleiten.. Mit 4.7. ist auch der Beweis von erbracht.. Man kann den Satz des Pythagoras mit dem Skalarprodukt beweisen. Das ist aber im Grunde eine Mogelpackung, denn das Skalarprodukt ist so gemacht, dass er gilt! Wir betrachten einige Anwendungen Physik: In der Schule haben Sie gelernt, Energie sei Kraft Weg, also E = F s. Dabei wird nur die Komponente der Kraft in Richtung des Weges berücksichtigt. Eine Skizze zeigt: Die richtige Formel lautet E = F s. Die Energie ist das Skalarprodukt der beiden Vektoren! In der Statistik wird oft die Frage gestellt, ob Messgrößen korreliert 0 sind. Der Korrelationskoefizient κ dient dazu, das zu messen. Wir betrachten ein Beispiel: Sind Schuhgröße und Gewicht von Menschen korreliert? Dazu betrachten wir eine Menge von n Menschen und messen Schuhgröße s i und Gewicht g i der i-ten Person. Die Ergebnisse fassen wir zu zwei Vektoren s und g in R n zusammen. Nun wird von jeder Komponente von s bzw. g jeweils der Mittelwert subtrahiert, sodass wir die Vektoren s und g erhalten. Diese haben beide Mittelwert 0. Nun gilt κ := s g s g = coszwischenwinkel Dividieren durch die Norm stellt sicher, dass die Größe nicht vom verwendeten Maßstab abhängt. Ist κ, so sind die Größen korreliert die Vektoren s, g fast linear abhängig, gilt κ so sind sie indirekt korreliert und auch fast linear abhängig; zeigen aber in entgegengesetzte Richtungen. Im Fall κ 0 sind sie nicht korreliert die Vektoren s, g fast orthogonal. Dazu können Sie ein Experiment machen: Zwei Personen würfeln n = 00 mal und notieren die Ergebnisse. Dann subtrahieren Sie jeweils den Mittelwert sollte ungefähr.5 sein! und berechnen κ hier brauche Sie einen Rechner. Wenn das Ergebnis nicht nahe Null liegt, dann sind die beiden Personen würfelkorreliert! Ausgleichsgerade: Gesucht ist die Steigung m einer Gerade durch Null mit m = y m = y m 4 = y 0 Vorsicht, korreliert bedeutet nicht, dass die Größen wirklich voneinander abhängen. 7
6 Dieses lineare Gleichungssystem hat nur in Spezialfällen eine Lösung. Wenn die y i etwa Messgrößen sind, wird das nicht so sein. Trotzdem brauchen wir eine Lösung! Dazu versuchen wir den quadratischen Fehler zu minimieren: E := m y + m y + 4m y! = min Ableiten liefert die Bedingung m y + m y + 4m y 4 = 0. Auflösen nach m führt auf eine Näherungslösung für unser Gleichungssystem. m = y + y + 4y = a T a at y mit a =. 4 Im Fall y =,, T ergibt sich z. B. m Skizzieren Sie das Ergebnis! Im Spaltenbild bedeutet die Aufgabe ein m zu finden mit m a y. Es soll also m a möglichst nahe bei y sein. Bei obiger Wahl von m ist m a die Projektion von y auf die Gerade Ra. Das oben beschriebene Verfahren kann weitreichend verallgemeinert werden, und heißt dann Methode der kleinsten Quadrate. Beispiel. Eine Schülerin hat in ihren Mathe-Arbeiten den Notenvektor v =,,,, erzielt. Sie möchte die Durchschnittsnote N berechnen und verfällt auf die Methode der kleinsten Quadrate. Sie überlegt: Ich möchte meine Daten durch eine einzige Zahl darstellen, die möglichst nahe an allen Noten liegt. Ich suche also N mit N,,,, = v. Sie verwendet die obige Formel und erhält: N =,,,,,,,,,,,, v = 5 Kommt der Lehrer auf dasselbe Ergebnis? 5 v i =.... Orthogonale Projektion: Wir greifen das Thema Projektion auf Ra aus dem obigen Abschnitt nochmal auf. Zu gegebenem x R n suchen wir α R mit x αa a = 0. Dann heißt der Vektor αa die orthogonale Projektion von x auf die Gerade Ra. Wir rechnen 0 = x αa a = x a αa a = α = a x a a. Beachten Sie, dass das genau dieselbe Formel ist wie für m weiter oben. In Matrizenschreibweise sieht die Projektion so aus x a aat x! = a aat x Das ist nur deshalb möglich, weil die Matrizen zusammenpassen. Falsch wäre z. B. a T xa = a T xa, denn das Produkt xa ist nicht definiert! Hieraus erhält man die Projektionsmatrix P = a aat R n n, i= 7
7 die die Abbildung darstellt. Beispiel. Wir untersuchen den Fall n = und a =,. Die Matrix ergibt sich zu Eine Skizze bestätigt, dass P die orthogonale Projektion auf die Gerade R, T beschreibt. Die Hessesche Normalform Der Koordinatenform einer Ebene im R betrachten ein liegt auch das Skalarprodukt zugrunde. Wir Beispiel. Die Gleichung x y + z = 0, die eine Ebene E definiert, kann man auch so schreiben x y = 0. z Das bedeutet, dass die Elemente von E genau diejenigen Vektoren sind, die auf w :=,, T senkrecht stehen. Um eine Parameterdarstellung für E zu finden, muss man zwei zu w orthogonale, linear unabhängige Vektoren finden, etwa,, 0 T und 0,, T. Es gilt dann 0 E = R + R = Kern. 0 Nun betrachten wir F : x y + z =. Auch F ist eine Ebene, die aber nicht durch 0 verläuft. Eine einfache Rechnung zeigt 0 F = 0 + R + R = 0 + Kern Man erkennt, dass auch F senkrecht zur Geraden Rw steht. Das zeigt, dass die Ebenen E und F parallel liegen. 74
8 Hieraus ergibt sich eine Methode um aus einer Parameterdarstellung eine Koordinatendarstellung zu finden. Gegeben ist eine Ebene F = t + Rr + Rs in R. Gesucht sind ein Vektor v R und eine Zahl c R mit F : v x = c. Um v zu bestimmen muss das lineare Gleichungssystem r T v = 0 und s T v = 0 gelöst werden. Etwas ausführlicher r r r s s s v v v = Tatsächlich genügt ein Lösungsvektor v 0. Es gilt dann c = v t. 4.9 Bemerkung.. Diese Überlegungen gelten auch im R und können auf den R n übertragen werden.. Wer das Vektorprodukt oder Kreuzprodukt kennt, kann im R n =, sonst geht das nicht! auch v = r s rechnen.. Ist t ein Punkt auf F, so gilt auch F : v x t = Beispiele.. Bestimme eine Koordinatendarstellung der Geraden g = + R in R. Finde v, etwa v = Es gilt g : x y = 5.. Setze c =. Bestimme eine Koordinatendarstellung der Ebene E = + R + R Finde eine Lösung des linearen Gleichungssystems in R. = 5. v = 0 0 etwa
9 Wir fragen nach dem Abstand dy, E des Punktes y R von der Ebene E. Definition. Sei A R n eine nichtleere Teilmenge und y R n. dy, A := inf { y a ; a A } heißt Abstand des Punktes y R von der Menge A. Bemerkung. Die Menge { y a ; a A } ist nichtleer und nach unten beschränkt Schranke?. Wegen der Vollständigkeit der reellen Zahlen existiert das Infimum in obiger Definition, also auch der Abstand. Wir betrachten die Ebene F : v x t = 0 in Koordinatendarstellung und den Punkt y R. Anschaulich erwarten wir, dass die orthogonale Projektion ȳ F derjenige Punkt in F ist, der von y den kleinsten Abstand besitzt. Wir bestimmen zunächst ȳ: Dazu subtrahieren wir ein noch unbekanntes α-faches von v von y so, dass ȳ = y αv F. Es gilt dann Daraus erhält man 0 = v ȳ t = v y αv t = v y t αv v α = v y t = y ȳ = αv = v v v y t v = Der folgende Satz zeigt, dass unsere anschauliche Betrachtung richtig war. v 4. dy, F = y ȳ = y t v. v y t v. Beweis. Sei x F \ {ȳ} beliebig. Wir müssen zeigen, dass y ȳ < y x, dann ist y ȳ sogar Minimum der Menge { y a ; a F }, und unsere Behauptung gezeigt. Anschaulich ist klar, dass v senkrecht auf ȳ x steht. Wir rechnen das nach: v x ȳ = v x t ȳ t = v x t v ȳ t = = 0. Damit gilt y x = y ȳ x ȳ = y ȳ x ȳ y ȳ x ȳ = y ȳ y ȳ + x ȳ x ȳ y ȳ x ȳ = y ȳ + x ȳ αv x ȳ = y ȳ + x ȳ. Wegen x ȳ gilt x ȳ > 0 und somit y ȳ < y x. 76
10 4. Definition. Gegeben sei ein Vektor v R n \ {0} und d R. Die Menge H = {x R n ; v x = d} heißt Hyperebene in R n. Die Darstellung H : v x = d heißt Hessesche Normalform von H, wenn gilt v = und d Bemerkung.. Im R sind Hyperebenen genau die Geraden, im R sind es die Ebenen.. Die Hessesche Normalform ist einfach eine spezielle Koordinatendarstellung von H.. Nach unserer Definition von Hyperebenen existiert immer eine Hessesche Normalform. Nämlich ± H : v v x = ±d so dass ± d 0. v 4. Man sagt auch v ist der Einheitsvektor in Richtung v. Er hat die Norm. v 5. Unsere Vorüberlegungen einschließlich 4. gelten für alle Hyperebenen. Mit Hilfe der Hesseschen Normelform kann man den Abstand eines Punkte von einer Hyperebenen einfach berechnen. 4.4 Satz. Sei H : v x = d eine Hyperebene in Hessescher Normalform. Im Fall d = 0 ist H ein Untervektorraum der Dimension n. Bis auf den Fall d = 0 und H : v x = 0 ist die Hessesche Normalform von H eindeutig bestimmt. Für y R n gilt dy, H = v y d. falls v y d > 0 4 Sei ε das Vorzeichen von v y d, d. h. ε = falls v y d < 0. 0 falls v y d = 0 Im Fall d = 0 bedeutet ε =, dass y und v auf derselben Seite von H liegen; ε =, dass sie auf verschiedenen Seiten liegen. Im Fall d 0 bedeutet ε =, dass y und 0 auf derselben Seite von H liegen; ε =, dass sie auf verschiedenen Seiten liegen. Natürlich bedeutet ε = 0 in beiden Fällen y H. Beweis. H = Kernv T ist ein Untervektorraum von R n. Es hat Bildv T = R die Dimension. Die Dimensionsformel.6 zeigt die Behauptung. ohne Beweis. folgt aus den Vorbetrachtungen mit 4.. Man beachte, dass wir v = vorausgesetzt haben. 77
11 4 Wir greifen auf die Darstellung der orthogonalen Projektion ȳ vor 4. zurück: y = ȳ + αv mit α = v y t = v y d mit einem beliebiges t F. Im Fall d = 0 sind y und v auf derselben Seite von H genau dann, wenn α > 0. Im Fall d 0 gilt α = d < 0 falls y = 0. Den Rest macht man sich an Hand einer Skizze klar. 4.5 Beispiele.. Für g : x y = 5 gilt, =, also ist die Hesse Normalform g : x y = 5. Es gilt z. B. d 0, 0, g = 5 und d,, g = Es liegen 0 und, auf der selben Seite. 5 = =.. E : x x + x =. Man findet v =,, und d =, also E : x + x + x = 78
Brückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrDidaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra
A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
Mehr42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar der
MehrKurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 6 4. Mai 2010 Definition 69. Der Vektor f 3 x 2 (x 1, x 2, x 3 ) f 2 x 3 (x 1, x 2, x 3 ) f 1 x 3 (x 1, x 2, x 3 ) f 3 x 1 (x 1, x 2, x 3 ) f 2 x
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 1 (SS 2011) Abgabetermin: Donnerstag, 21. April http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Symmetrische
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
MehrVektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1
Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
Mehr03. Vektoren im R 2, R 3 und R n
03 Vektoren im R 2, R 3 und R n Unter Verwendung eines Koordinatensystems kann jedem Punkt der Ebene umkehrbar eindeutig ein Zahlenpaar (x, y) zugeordnet werden P (x, y) Man nennt x und y die kartesischen
Mehr12 Übungen zu Gauß-Algorithmus
Aufgaben zum Vorkurs B S. 2 Übungen zu Gauß-Algorithmus 2x x 2 = 7x +, 5x 2 = 7 Aufgabe 6: Aufgabe 7: Aufgabe 8: Aufgabe 9: 2x x 2 = x +2x 2 = 2 2x x 2 = 7x +, 5x 2 =, 5 x 2x 2 = x +x 2 = 5 2x +x 2 = 4
MehrVorlesung Mathematik 2 für Informatik
Vorlesung Mathematik für Informatik Inhalt: Lineare Algebra Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare Abbildungen Eigenwerte und Eigenvektoren Literatur
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
MehrKapitel 5. Vektorräume mit Skalarprodukt
Kapitel 5 Vektorräume mit Skalarprodukt 119 120 Kapitel V: Vektorräume mit Skalarprodukt 5.1 Elementare Eigenschaften des Skalarprodukts Dienstag, 20. April 04 Wollen wir in einem Vektorraum wie in der
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 25 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 8 Aufgabe 8 Basen für Bild und Kern Gegeben sind die beiden 2 Matrizen:
Mehr2.2 Kollineare und koplanare Vektoren
. Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,
MehrVollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit.
Kapitel 4 Reelle Zahlen 4.1 Die reellen Zahlen (Schranken von Mengen; Axiomatik; Anordnung; Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die
MehrVorkurs Mathematik. Vektoren, lineare Gleichungssysteme und Matrizen
Dorfmeister, Boiger, Langwallner, Pfister, Schmid, Wurtz Vorkurs Mathematik TU München WS / Blatt Vektoren, lineare Gleichungssysteme und Matrizen. In einem kartesischen Koordinatensystem des R sei eine
MehrKapitel 16 Skalar- und Vektorprodukt
Kapitel 16 Skalar- und Vektorprodukt Mathematischer Vorkurs TU Dortmund Seite 210 / 246 Bisher hatten wir die Möglichkeit Vektoren des Vektoren mit rellen Zahlen zu multiplizieren. n zu addieren und Man
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrGrundwissen Abitur Geometrie 15. Juli 2012
Grundwissen Abitur Geometrie 5. Juli 202. Erkläre die Begriffe (a) parallelgleiche Pfeile (b) Vektor (c) Repräsentant eines Vektors (d) Gegenvektor eines Vektors (e) Welcher geometrische Zusammenhang besteht
MehrVektoren - Basiswechsel
Vektoren - Basiswechsel Grundprinzip Für rein geometrische Anwendungen verwendet man üblicherweise die Standardbasis. Damit ergibt sich in den Zahlenangaben der Koordinaten kein Unterschied zu einem Bezug
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrLernunterlagen Vektoren in R 2
Die Menge aller reellen Zahlen wird mit R bezeichnet, die Menge aller Paare a 1 a 2 reeller Zahlen wird mit R 2 bezeichnet. Definition der Menge R 2 : R 2 { a 1 a 2 a 1, a 2 R} Ein Zahlenpaar a 1 a 2 bezeichnet
MehrAufgaben 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
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
MehrDefinition von R n. Parallelverschiebungen in R n. Definition 8.1 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R... R (n-mal), d.h.
8 Elemente der linearen Algebra 81 Der euklidische Raum R n Definition von R n Definition 81 Unter dem Raum R n (n N) versteht man das kartesische Produkt R R R (n-mal), dh R n = {(x 1, x 2,, x n ) : x
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 1. Vektorrechnung und Geometrie Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies
MehrKlausur 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
MehrHauptachsentransformation: 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
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrEXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
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
Mehr(x 1. Vektoren. g: x = p + r u. p r (u1. x 2. u 2. p 2
Vektoren Mit der Vektorrechnung werden oft geometrische Probleme gelöst. Wenn irgendwelche Aufgabenstellungen geometrisch darstellbar sind, z.b. Flugbahnen oder Abstandsberechnungen, dann können sie mit
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
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.
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
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):
MehrKapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben
Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen
MehrMathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.
MehrÜbungen zum Vorkurs Mathematik
Übungen zum Vorkurs Mathematik Blatt 1 W.S.2009/2010 - Ernst Bönecke Aufgaben zur Aussagenlogik 1.) Seien A, B, C Aussagen. Beweisen Sie mit Hilfe von Wahrheitstafeln, dass folgende Aussagen stets wahr
MehrAufgaben zu Kapitel 16
Aufgaben zu Kapitel 16 1 Aufgaben zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2
MehrLineare Algebra I. Eine Vorlesung von Prof. Dr. Klaus Hulek
Lineare Algebra I Eine Vorlesung von Prof. Dr. Klaus Hulek hulek@math.uni-hannover.de c Klaus Hulek Institut für Mathematik Universität Hannover D 30060 Hannover Germany E-Mail : hulek@math.uni-hannover.de
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
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
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
Mehr13 Lineare Abbildungen
13 Lineare Abbildungen Grob gesprochen sind lineare Abbildungen bei Vektorräumen dasselbe wie Homomorphismen bei Gruppen, nämlich strukturerhaltende Abbildungen. Auch in diesem Kapitel seien V, W Vektorräume.
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrDenition 6.1 Eine Gerade ist die Menge aller Losungen (x; y) einer linearen Gleichung. y = A B x + C B : Ax + By = C mit 6= 0
6 Der Vektorraum R n In den folgenden Wochen wenden wir uns der Linearen Algebra zu, die man als eine abstrakte Form des Rechnens mit Vektoren auassen kann. Ein zentrales Thema werden lineare Raume (=
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrLänge, Skalarprodukt, Geradengleichungen
Länge, Skalarprodukt, Geradengleichungen Jörn Loviscach Versionsstand: 9. April 2010, 18:48 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu: http://www.youtube.com/joernloviscach
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 5/.. Höhere Mathematik für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrProjektionen auf abgeschlossene konvexe Mengen
Projektionen auf abgeschlossene konvexe Mengen Seminarvortrag von Veronika Pick Seminar Optimierung bei Herrn Prof. Dr. F. Jarre Heinrich-Heine-Universität Düsseldorf SS 2006 1 Vorbemerkung Das Seminarthema
MehrLänge, Skalarprodukt, Vektorprodukt
Länge, Skalarprodukt, Vektorprodukt Jörn Loviscach Versionsstand: 20. April 2009, 19:39 1 Überblick Ein Vektorraum muss nur eine Minimalausstattung an Rechenoperationen besitzen: die Addition zweier Vektoren
MehrProf. Dr. Elmar Grosse-Klönne Institut für Mathematik
Prof. Dr. Elmar Grosse-Klönne Institut für Mathematik Lineare Algebra Analytische Geometrie I* Übungsaufgaben, Blatt Musterlösungen Aufgabe. Es seien A, B, C Teilmengen einer Menge X. Zeige: i A B C =
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrMathematik Analytische Geometrie
Mathematik Analytische Geometrie Grundlagen:. Das -Dimensionale kartesische Koordinatensystem: x x x. Vektoren und Ortsvektoren: a x = x x ist ein Vektor, der eine Verschiebung um x -Einheiten in x-richtung,
MehrGrundsätzliches Produkte Anwendungen in der Geometrie. Vektorrechnung. Fakultät Grundlagen. Juli 2015
Vektorrechnung Fakultät Grundlagen Juli 205 Fakultät Grundlagen Vektorrechnung Übersicht Grundsätzliches Grundsätzliches Vektorbegriff Algebraisierung der Vektorrechnung Betrag 2 Skalarprodukt Vektorprodukt
MehrEuklidische und unitäre Vektorräume
Euklidische und unitäre Vektorräume In allgemeinen Vektorräumen gibt es keine Möglichkeit der Längenmessung von Vektoren und der Winkelmessung zwischen zwei Vektoren. Dafür ist eine zusätzliche Struktur
MehrFerienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte
Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
MehrKapitel 2. Zahlenbereiche
Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,... } = N {0} N. Rationale Zahlen Q := { m n m Z, n N }. Beachte:
MehrDie lineare Hülle. heißt der Vektor. Linearkombination der Vektoren v i mit Koeffizienten α i. Direkt aus (12.6) folgt
Eine Menge v +U mit einem Untervektorraum U nennt man auch eine Nebenklasse des Untervektorraumes U. Sie entsteht, wenn man die Translation τ v auf die Menge U anwendet. Ausdrücke der Form αu + βv, auch
MehrSchulmathematik: Lineare Algebra & Analytische Geometrie. Kapitel 3: Lineare Analytische Geometrie. MAC.05043UB/MAC.05041PH, VU im SS 2017
Schulmathematik: Lineare Algebra & Analytische Geometrie Kapitel 3: Lineare Analytische Geometrie MAC.05043UB/MAC.0504PH, VU im SS 207 http://imsc.uni-graz.at/pfeiffer/207s/linalg.html Christoph GRUBER,
Mehra b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,
Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
Mehr1.1. Geradengleichung aus Steigung und y-achsenabschnitt
Version vom 4. Januar 2007 Gleichungen von Geraden in der Ebene 1999 Peter Senn * 1.1. Geradengleichung aus Steigung und y-achsenabschnitt In dieser Form lautet die Gleichung der Geraden wie folgt: g:
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
Mehr