Eigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
|
|
- Karsten Gerstle
- vor 7 Jahren
- Abrufe
Transkript
1 Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein (rechtsseitiger) Eigenvektor von A zum Eigenwert λ. Ein Eigenvektor ist eindeutig bestimmt bis auf die Multiplikation mit einem Skalar α 0, da mit x auch αx ein Eigenvektor von A zum Eigenwert λ ist. Wir verlangen x 0, da Ax = λx für x = 0 für jeden Skalar λ erfüllt wäre. Gleichung (1) kann in der Form (λi A)x = 0 () geschrieben werden, wobei I die Einheitsmatrix ist. Dies ist ein homogenes lineares Gleichungssystem, und wie wir aus der Diskussion solcher Gleichungssysteme wissen, hat () eine nichttriviale Lösung x 0 genau dann, wenn die Matrix λi A singulär ist. Das ist aber genau dann der Fall, wenn det(λi A) = 0. (3) Die Eigenwerte von A sind also genau die Werte, die die Determinante det(λi A) verschwinden lassen. Für n =, A = a 11 a 1 a 1 a, (4) ergibt sich die sog. charakteristische Gleichung det(λi A) = 0 von A als det(λi A) = det λ 0 a 11 a 1 = det λ a 11 a 1 0 λ a 1 a a 1 λ a = (λ a 11 )(λ a ) a 1 a 1 = λ (a 11 + a )λ + a 11 a a 1 a 1 = λ sp(a)λ + det A = 0, 1
2 wobei allgemein für eine n n Matrix A die Spur von A (sp(a)) definiert ist als die Summe der Hauptdiagonalelemente, sp(a) = a 11 + a + + a nn = n a ii. (5) Die Eigenwerte der Matrix A in (4) sind also λ 1/ = a (a11 ) 11 + a + a ± (a 11a a 1a 1) (6) = sp(a) ± sp(a) 4 det A. (7) Es gilt in diesem Fall offenbar und Für eine 3 3 Matrix, A = λ 1 + λ 1 = sp(a) (8) λ 1 λ = det A. (9) a 11 a 1 a 13 a 1 a a 3, (10) a 31 a 3 a 33 ergibt sich die charakteristische Gleichung det(λi A) = 0 als λ a 11 a 1 a 13 det a 1 λ a a 3 = (λ a 11) det λ a a 3 (11) a 3 λ a 33 a 31 a 3 λ a 33 +a 1 det a 1 a 3 a 31 λ a 33 a 13 det a 1 λ a a 31 a 3 = 0. (1) Entwickelt man diese Formel weiter, so erhält man die Eigenwerte als Nullstellen eines Polynoms dritter Ordnung; geduldige Rechnung führt auf λ 3 (a 11 + a + a 33 )λ + ( )λ (13) (a 11 a a 33 + a 1 a 31 a 3 + a 13 a 1 a 3 a 31 a a 13 a 3 a 3 a 11 a 33 a 1 a 1 ) (14) = λ 3 sp(a)λ + ( )λ det A = 0, (15)
3 wobei der Koeffizient von λ (( )) nicht weiter ausgeführt wurde. Induktives Vorgehen anhand der Entwicklungsformel für die Determinante zeigt, dass für eine n n Matrix A det(λi A) allgemein ein Polynom n-ten Grades ist. A hat also (Vielfachheiten mitgezählt) n Eigenwerte, die durch die Lösung der charakteristischen Gleichung von A, C(λ) := det(λi A) = 0 (16) gegeben sind. C(λ) = det(λi A) ist das charakteristische Polynom von A. Die Menge der Eigenwerte von A heißt das Spektrum von A. Sind λ 1, λ,..., λ n die Eigenwerte von A, so ist C(λ) = det(λi A) = (λ λ 1 )(λ λ ) (λ λ n ) = n (λ λ i ). (17) Für den Fall n = 3 ist z.b. C(λ) = (λ λ 1 )(λ λ )(λ λ 3 ) (18) = λ 3 (λ 1 + λ + λ 3 )λ + ( )λ λ 1 λ λ 3. (19) Vergleicht man die Koeffizienten in (15) und (19), so ergibt sich auch hier wieder λ 1 + λ + λ 3 = a 11 + a + a 33 = sp(a) und λ 1 λ λ 3 = det A. Allgemein ist C(0) = det(0 I A) = det( A) = ( 1) n det(a) = n ( λ i ) = ( 1) n n λ i, (0) also n λ 1 λ λ n = λ i = det A. (1) Offenbar ist eine n n Matrix A genau dann nichtsingulär, wenn alle ihre Eigenwerte von Null verschieden sind. Es gilt ebenfalls allgemein sp(a) = n a ii = λ 1 + λ + + λ n = n λ i. () Die Summe der Eigenwerte ist gleich der Summe der Hauptdiagonalelemente, und das Produkt der Eigenwerte ist gleich der Determinante. 3
4 Die Eigenwerte einer oberen oder unteren Dreiecksmatrix (und als Spezialfall: einer Diagonalmatrix) sind gerade die Elemente auf der Hauptdiagonalen. Sei etwa A = (3) Die charakteristische Gleichung ist λ 3 1 λ 4 = (λ 3)(λ 4) = λ 7λ + 10 = 0, (4) mit den Lösungen (Eigenwerten) λ 1/ = 7 ± = 7 ± 3. (5) Die Eigenwerte sind also λ 1 = 5 und λ =. Für λ 1 = 5 ergibt sich ein zugehöriger Eigenvektor x 1 aus (λi A)x 1 = 5 3 x 1,1 = x 1,1 = 0, (6) x,1 1 1 x,1 0 x 1,1 x,1 = 0 (7) x 1,1 + x,1 = 0, (8) also x 1,1 = x,1. (9) Wie oben bemerkt, sind Eigenvektoren nur bis auf eine Multiplikative Konstante bestimmt. Normieren wir den Eigenvektor auf 1, also setzen wir x = x x = x 1 + x + + x n = 1, (30) so ist im vorliegenden Falle der Eigenvektor zum Eigenwert λ 1 = 5 gegeben durch x 1 = x 1,1 x,1 = 1 1. (31) 4
5 Für den Eigenwert λ = erhalten wir aus Ax = λx, also 3x 1, + x, = x 1, die Eigenvektoren aus der Bedingung x, = x 1,, also den auf 1 normierten Eigenvektor x = x 1, = 5. (3) 1 x,1 5 Die Eigenvektoren zu den beiden Eigenvektoren sind linear unabhängig, denn det(x 1, x ) = det 1 5 = 1 + = 3 0. (33) Eigenwerte sind im allgemeinen komplexe Zahlen. Als Beispiel für eine Matrix mit komplexen Eigenwerten betrachte A = mit der charakteristischen Gleichung , (34) λi A = (λ 1) +1 = λ λ+ = 0 λ 1/ = 1± 1 = 1± 1 = 1±i. (35) Eigenvektoren sind z.b. x 1 = (1, i) zum Eigenwert λ 1 = 1 + i und x = (1, i) zum Eigenwert λ = 1 i. Diese sind wegen det(x 1, x ) = i 0 erneut linear unabhängig. Diagonalisierung Die in den Beispielen gefundene Eigenschaft der Unabhängigkeit von Eigenvektoren gilt allgemein wie folgt: Satz: Sind λ 1, λ,..., λ r verschiedene Eigenwerte der n n Matrix A mit zugehörigen Eigenvektoren x 1, x,..., x r, so sind die Vektoren x 1, x,..., x r linear unabhängig. ************************************************************** Dieses Ergebnis kann mittels vollständiger Induktion bewiesen werden. Betrachten wir zunächst den Fall r =. 1 x 1 und x seien Eigenvektoren zu den Eigenwerten λ 1 und λ (λ 1 λ ), und c 1 und c seien Koeffizienten, so dass c 1 x 1 + c x = 0. (36) 1 Man könnte die Induktion auch bei r = 1 beginnen, denn wegen x 1 0 ist x 1 natürlich linear unabhängig. Der Fall r = macht aber die Logik klarer. 5
6 Multiplikation von Gleichung (36) mit A ergibt dann A(c 1 x 1 + c x ) = c 1 λ 1 x 1 + c λ x = 0, (37) und Multiplikation von Gleichung (36) mit λ 1 ergibt c 1 λ 1 x 1 + c λ 1 x = 0. (38) Zieht man Gleichung (38) von Gleichung (37) ab, so folgt c λ x c λ 1 x = c (λ λ 1 )x = 0, (39) also c = 0 wegen λ 1 λ und x 0 (x ist Eigenvektor). Setzt man dann c = 0 in (36) ein, so folgt wegen x 1 0 auch c 1 = 0. Gleichung (36) gilt also nur, wenn c 1 = c = 0, die beiden Vektoren x 1 und x sind also linear unabhängig. Sei die Behauptung nun richtig für r, und seien r + 1 verschiedene Eigenwerte λ 1,..., λ r+1 mit den Eigenvektoren x 1,..., x r+1 gegeben. Sei c 1 x 1 + c x + + c r x r + c r+1 x r+1 = 0. (40) Multiplikation von (40) mit A führt auf c 1 λ 1 x 1 + c λ x + + c r λ r x r + c r+1 λ r+1 x r+1 = 0. (41) Ist nun λ r+1 = 0, so sind alle anderen Eigenwerte ungleich Null (da alle verschieden sind), und aus der Induktionsvoraussetzung (x 1,..., x r unabhängig) folgt dann aus (41) c 1 = c = = c r = 0. Wegen x r+1 0 folgt dann aus (40) auch c r+1 = 0. Ist λ r+1 0, so ergibt Multiplikation von (40) mit λ r+1 c 1 λ r+1 x 1 + c λ r+1 x + + c r λ r+1 x r + c r+1 λ r+1 x r+1 = 0. (4) Zieht man Gleichung (4) von Gleichung (41) ab, so folgt c 1 (λ 1 λ r+1 )x 1 + c (λ λ r+1 )x + + c r (λ r λ r+1 )x r = 0. (43) Gleichung (43) enthält x r+1 nicht mehr, daher kann auf (43) die Induktionsvoraussetzung angewandt werden, wonach x 1,..., x r linear unabhängig sind. Damit ist c 1 (λ 1 λ r+1 ) = c (λ λ r+1 ) = = c r (λ r λ r+1 ) = 0, (44) 6
7 und damit wegen λ i λ j für i j, i, j = 1,..., r + 1, auch c 1 = c = = c r = 0 und schließlich in (40) auch c r+1 x r+1 = 0, also c r+1 = 0. ************************************************************** Dieses Ergebnis impliziert, dass eine n n Matrix A mit n verschiedenen Eigenwerten auch n linear unabhängige Eigenvektoren hat, d.h. die Eigenvektoren bilden dann eine Basis des R n (oder C n, wenn die Eigenwerte komplex sind). Die Matrix ist dann diagonalisierbar wie folgt: Sei A eine n n Matrix mit den verschiedenen Eigenwerten λ 1,..., λ n und zugehörigen Eigenvektoren x 1,..., x n, Λ eine n n Diagonalmatrix mit den verschiedenen Eigenwerten auf der Hauptdiagonalen, λ λ 0 0 Λ = 0 0 λ 3 0 (45) λ n und X eine n n Matrix mit den Eigenvektoren als Spalten, d.h. X = (x 1, x,..., x n ). (46) Damit ist dann AX = A(x 1, x,..., x n ) = (Ax 1, Ax,..., Ax n ) = (λ 1 x 1 λ x,..., λ n x n ) = XΛ, (47) also AX = XΛ. (48) Da X aus n linear unabhängigen Eigenvektoren besteht, ist X invertierbar, und es gilt A = XΛX 1 bzw. X 1 AX = Λ. (49) Zwei n n Matrizen A und B heißen ähnlich, wenn es eine nichtsinguläre Matrix Q gibt, so dass B = Q 1 AQ. Ist A ähnlich zu einer Diagonalmatrix (wie in (49)), so heißt A diagonalisierbar. 7
8 A ist genau dann diagonalisierbar, wenn A n linear unabhängige Eigenvektoren hat. (n verschiedene Eigenwerte sind dafür eine hinreichende, aber keine notwendige Bedingung, siehe unten.) Hat nun A eine Darstellung wie in (49), so ist A = (XΛX 1 ) = (XΛX 1 )(XΛX 1 ) = XΛX 1 XΛX 1 = XΛ X 1 (50) A 3 = XΛ 3 X 1 (51). (5) A k = XΛ k X 1, (53) und Λ k = λ k λ k λ k (54) Damit folgt genau dann, wenn λ k n lim k Ak = X( lim Λ k )X 1 = 0 (Nullmatrix) (55) k max { λ i } < 1, (56) 1 i n d.h. alle Eigenwerte sind dem Betrage nach kleiner als 1. (Anmerkung: Für einen komplexen Eigenwert λ i = u ± iv ist der Betrag durch λ i = u + v gegeben.) Gilt Bedingung (56), dann ist I A invertierbar (da dann det(i A) 0), und es ist (geometrische Reihe für n n Matrizen) i=0 A i = lim k k A i = I + A + A + A 3 + = (I A) 1. (57) i=0 Das folgt aus der Formel (siehe Vorwoche) I + A + A + + A k = (I A) 1 (I A k+1 ) (58) zusammen mit lim k Ak = 0. (59) 8
9 Die Bedingung (56) verallgemeinert also in gewisser Weise die Bedingung a < 1 für die Konvergenz von i=0 ai = 1 1 a = (1 a) 1. Die Äquivalenz von (55) und (56) sowie (57) gilt für alle (also auch nichtdiagonalisierbare) Matrizen..1 Mehrfache Eigenwerte Die Bedingung, dass die n n Matrix A n verschiedene Eigenwerte hat, ist eine hinreichende Bedingung für Diagonalisierbarkeit. Es kann auch der Fall eintreten, dass zu einem m fachen Eigenwert (also einer m fachen Nullstelle des charakteristischen Polynoms) m linear unabhängige Eigenvektoren gehören. Ein einfaches Beispiel ist die Einheitsmatrix. Diese hat den n fachen Eigenwert 1, aber da jeder Vektor x 0 Eigenvektor ist (Ix = x für beliebige Vektoren x), gibt es zu diesem Eigenwert n linear unabhängige Eigenvektoren. Die Einheitsmatrix ist natürlich in Rohform bereits diagonalisiert. Ist λ i eine m fache Nullstelle des charakteristischen Polynoms, so heißt m die algebraische Vielfachheit von λ i. Die geometrische Vielfachheit von λ i ist die Zahl der linear unabhängigen Eigenvektoren; diese ist stets höchstens so groß Vielfachheit. wie die algebraische Es gilt, dass die geometrische Vielfachheit des Eigenwerts λ i durch n rg(λ i I A) gegeben ist. Betrachte z.b. die Matrix A = (60) Für diese ist das charakteristische Polynom durch C(λ) = (λ ) (λ 5) gegeben, d.h. sie hat den zweifachen Eigenwert λ 1 = und den einfachen Eigenwert λ = 5. Die Matrix I A = (61) 9
10 hat offenbar den Rang 1 (genau ein linear unabhängiger Vektor), also hat der Eigenwert sowohl algebraische als auch geometrische Vielfachheit (n rg(λ 1 I A) = 3 1 = ). Eigenvektoren zu λ 1 = müssen als einzige Bedingung x 1 +x +x 3 = 0 erfüllen, wodurch zwei Freiheitsgrade verbleiben. Jeder Vektor 1 1 x 1 + x 3 0, x, x 3 R, (6) 0 1 erfüllt diese Bedingung. Daher kann A in (60) diagonalisiert werden wie in (49), wobei X z.b. durch gegeben ist. X = Anders sieht es aus mit der Matrix A = (63). (64) Diese hat den zweifachen Eigenwert λ =. Die Matrix λi A = 0 1 (65) 0 0 hat den Rang 1; A in (64) hat daher nur einen linear unabhängigen Eigenvektor und kann nicht diagonalisiert werden.. A nicht diagonalisierbar Ist die Matrix A nicht diagonalisierbar, d.h. gibt es nicht n linear unabhängige Eigenvektoren, so ist die obige Argumentation nicht mehr ohne Modifikationen anwendbar. Wesentliche Resultate gelten jedoch für alle Matrizen. Beschränken wir uns zur Illustration auf Matrizen mit einem zweifachen Eigenwert λ, zu dem nur ein Eigenvektor gehört. Ein Eigenvektor zu λ = 5 ist (1, 1, 1) ; dies ist die letzte Spalte in X. 10
11 Form Da A nicht ähnlich zu einer Diagonalmatrix ist, könnte man es mit einer Matrix der J = λ 1 0 λ (66) versuchen, d.h. möglicherweise existiert eine invertierbare Matrix X = (x 1, x ) mit AX = XJ bzw. A = XJX 1. (67) Dann wäre AX = [Ax 1, Ax ] = [x 1, x ] λ 1 0 λ = (λx 1, x 1 + λx ), (68) d.h. Ax 1 = λx 1 (69) Ax = x 1 + λx. (70) Somit ist x 1 der (einzige) Eigenwert der Matrix A, während der Vektor x (also die zweite Spalte von X) sich aus ergibt; Vektor x (A λi)x = x 1 (71) in (71) ist ein sog. verallgemeinerter Eigenvektor von A. Es kann gezeigt werden, dass eine Darstellung (67) mit (66) und (71) immer möglich ist. Damit gilt dann auch (55) (56), denn es folgt dann ebenso wie zuvor A k = XJ k X 1, und für J k erhalten wir via Induktion J = λ 1 λ 1 = λ λ, (7) 0 λ 0 λ 0 λ J 3 = λ 1 λ λ = λ3 3λ, (73) 0 λ 0 λ 0 λ 3. (74) J k = JJ k 1 = λ 1 λk 1 (k 1)λ k = λk kλ k 1, (75) 0 λ 0 λ k 1 0 λ k 11
12 und für λ < 1 gilt lim k kλ k = 0. 3 Die Matrix J in (66) ist ein einfaches Beispiel für die Jordansche Normalform, die an die Stelle der Diagonalmatrix Λ tritt, wenn keine Basis aus Eigenvektoren existiert. Betrachte als Beispiel die Matrix A = (77) 1 3 Diese hat das charakteristische Polynom (λ 5/)(λ 3/)+1/4 = λ (8/)λ+16/4 = λ 4λ + 4 = (λ ), also den zweifachen Eigenwert. Einen Eigenvektor erhalten wir aus der Gleichung x 1,1 x,1 = 0, (78) 0 also z.b. x 1 = (1, 1). Gleichung (71) wird dann zu x 1, = x, 1. (79) Diese Gleichung ist z.b. für x = (3, 1) erfüllt. Damit wäre Matrix X in (67) durch X = 1 3, mit X 1 = = 1 1 3, (80) gegeben, und X 1 AX = (81) = = 1 = λ 1 = J. (8) λ 3 Das folgt aus dem Vergleich der Konvergenzgeschwindigkeiten von Potenzfunktion und Exponentialfunktion: kλ k = k λ k = Wende die L Hospitalsche Regel an und berücksichtige ln λ > 0 für λ < 1. k. (76) e k ln λ 1
13 3 Anwendung: Lineare Differenzengleichungen mit konstanten Koeffizienten Siehe Vorlesung. 13
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 =
MehrEigenwerte 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
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
MehrVorlesung 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
MehrLineare 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
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung 13. (A ± I)x = 0 Ax ± x = 0 Ax = ±x Ax = λx
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 13 1. Die Matrix A±I ist singulär falls es einen Vektor x 0 gibt der die Gleichung (A±I)x = 0 erfüllt, d.h. wenn A ± I als
Mehr5 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
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
Mehr5 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
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrAussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
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
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
MehrKlausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 23): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag 3. Mit Hilfe elementarer Zeilenumformungen sowie der Tatsache, daß sich die Determinante
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
MehrKapitel 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
MehrL7 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
Mehr12 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
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Betrachtet wird eine (n,n)-matrix A. Eine Zahl λ heißt Eigenwert von A, wenn ein Vektor v existiert, der nicht der Nullvektor ist und für den gilt: A v = λ v.
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
Mehr(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
Mehr1.11 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
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrOrientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops
15. DETERMINANTEN 1 Für n Vektoren b 1,..., b n im R n definiert man ihre Determinante det(b 1,..., b n ) Anschaulich gilt det(b 1,..., b n ) = Orientierung der Vektoren b 1,..., b n Volumen des von den
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
MehrTechnische 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) :=
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
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
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
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
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
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
MehrKAPITEL 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
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichungen für Ingenieure WS 06/07 6. Vorlesung Michael Karow Themen heute: 1. Die geschlossene Lösungsformel für lineare DGL mit konstanten Koeffizienten. 2. Die Matrixexponentialfunktion
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
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
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrLösungen 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
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
MehrKapitel 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
MehrSysteme von Differentialgleichungen. Beispiel 1: Chemische Reaktionssysteme. Beispiel 2. System aus n Differentialgleichungen 1. Ordnung: y 1.
Systeme von Differentialgleichungen Beispiel : Chemische Reaktionssysteme System aus n Differentialgleichungen Ordnung: y (x = f (x, y (x,, y n (x Kurzschreibweise: y y 2 (x = f 2(x, y (x,, y n (x y n(x
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrEigenwerte 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
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
Mehre At = e λt e (A λi)t.
Priv.-Doz. G. Reißig, F. Goßmann M.Sc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik (LR-15) Email: felix.gossmann@unibw.de Moderne Methoden der Regelungstechnik, H 2016 Übung
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]
Mehr29.2 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System. y = A y, t R, (1)
292 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System y = A y, t R, ( wobei A C n n, und wollen ein Fundamentalsystem bestimmen Grundlegende Beobachtung:
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrTECHNISCHE 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
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrLösungsskizze 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
MehrEigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )
Eigenwertprobleme 5. Oktober Autoren:. Herrmann, Hannes (45969). Kraus, Michael (9). Krückemeier, Paul (899) 4. Niedzielski, Björn (7) Eigenwertprobleme tauchen in der mathematischen Physik an Stellen
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
MehrAufgabe 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
MehrHenning 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
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
MehrMathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2
Fakultät Mathematik WS 27/8 Institut für Mathematische Stochastik / Institut für Analysis Dr. W. Kuhlisch, Dr. F. Morherr Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie
Mehry hom (x) = C e p(x) dx
Gewöhnliche Differentialgleichungen F (x, y, y,..., y n ) = 0 Gleichung, die die Veränderliche x sowie die Funktion y = y(x) und ihre Ableitungen y,..., y n beinhaltet. Klassifiaktion: implizit F (...)
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
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
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
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
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
Mehr4 Determinanten, Eigenwerte, Diagonalisierung, Jordansche Normalform
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Donnerstag WS 2/2 4 Determinanten, Eigenwerte, Diagonalisierung, Jordansche Normalform 4 Determinanten 4 Definition
MehrD-INFK Lineare Algebra HS 2016 Özlem Imamoglu Olga Sorkine-Hornung. Musterlösung = = V A =
D-INFK Lineare Algebra HS 26 Özlem Imamoglu Olga Sorkine-Hornung Musterlösung 2. a) χ A (λ) = det(a λi) = (5 λ)( 2 λ) + 2 = λ 2 3λ + 2 = (λ 2)(λ ) λ = 2: Der Eigenvektor v zum Eigenwert λ erfüllt Av =
MehrAlle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie-
1 Vorbemerkungen Alle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie- benen Vektoren. Wird die Matrix A = ( a 1,..., a n ) mit dem Vektor c = c 1. c n multipliziert,
MehrKlausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
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
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
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
Mehr6 Die Schursche Normalform und einige Klassen von Matrizen
ME Lineare Algebra HT 28 111 6 Die Schursche Normalform und einige Klassen von Matrizen 61 Die Schur-Normalform und Hauptvektoren Für nichtdiagonalisierbare Matrizen gibt es andere Normalformen: Jordan-
Mehr9 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
Mehr9 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
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
Mehr6 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
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
MehrKlausur Lineare Algebra I am Es sind insgesamt 60 Punkte bei der Klausur zu erreichen.
Klausur Lineare Algebra I am 03.02.10 Es sind insgesamt 60 Punkte bei der Klausur zu erreichen. Aufgabe 1. (6 Punkte insgesamt) a.) (3P) Definieren Sie, was eine abelsche Gruppe ist. b.) (3P) Definieren
Mehr