5.2 Charakteristisches Polynom und Eigenräume
|
|
- Astrid Dieter
- vor 7 Jahren
- Abrufe
Transkript
1 5 Charakteristisches Polynom und Eigenräume Wie bestimmt man die Eigenwerte und Eigenräume einer Matrix? Den ersten Schritt beschreibt der folgende einfache Satz : Die Eigenwerte einer Matrix A aus K ( n x n ) charakteristischen Polynoms ( x ) det ( x E A ) sind die Nullstellen des Denn es gibt genau dann einen Vektor v 0 mit A v λ v, wenn die Gleichung ( λ E A ) v 0 eine nicht verschwindende Lösung v hat, dh im Falle det ( λ E A) 0 Häufig wird auch das Polynom χ A ( x ) det ( A x E) charakteristisches Polynom von A genannt Es unterscheidet sich von ( x ) nur für ungerades n und auch dann nur durch das Vorzeichen Deshalb haben beide Polynome die gleichen Nullstellen, und es sielt keine Rolle, welches davon man bei der Nullstellenbestimmung betrachtet Hat man eine Nullstelle λ (also einen Eigenwert) gefunden, so erhält man den zugehörigen Eigenraum V ( A, λ ) als Lösungsraum des linearen Gleichungssystems ( A λ E ) v 0 Man löst es zum Beisiel mit Hilfe der Gauß-Jordan-Elimination Der Lösungsraum darf nicht nur den Nullvektor enthalten! Satz : Für ungerades n hat jede Matrix aus R ( n x n ) mindestens einen reellen Eigenwert Denn als stetige Funktion muß ein Polynom, das von nach läuft, irgendwo "über den Jordan", dh die x-achse schneiden Polynome mit geradzahligem höchsten Exonenten haben diese Eigenschaft aber im allgemeinen nicht! Beisiel : Polynome dritten und vierten Grades ( x ) x x, ( x ) x x
2 Wegen Satz hat eine reelle x-matrix - entweder nur reelle Eigenwerte (und zwar höchstens drei) - oder einen reellen und zwei konjugiert komlexe Eigenwerte Male liefert das charakteristische Polynom einer Matrix A mit Hilfe des Befehls charoly(a,x) Sowohl Eigenwerte als auch zugehörige Eigenvektoren bekommt man mit Hilfe des Befehls eigenvectors(a) Will man nur die Eigenwerte wissen, verlangt man eigenvalues(a) Diagonalmatrizen haben als Eigenwerte die Diagonalelemente (alle anderen Einträge sind 0), und die kanonischen Einheitsvektoren sind zugehörige Eigenvektoren Beisiel : Zwei Diagonalmatrizen λ 0 0 A : 0 λ λ ( x ) ( x λ ) ( x λ ) ( x λ ) Eigenwerte, Vielfachheit, Eigenvektoren [ λ,, {[ 0, 0, ] } ], [ λ,, { [, 0, 0 ] }], [ λ,, {[ 0,, 0] } ] Jetzt eine x-matrix mit zwei doelten Eigenwerten: λ λ 0 0 A : 0 0 µ µ ( x ) ( x λ ) ( x µ ) Eigenwerte, Vielfachheit, Eigenvektoren [ λ,, { [, 0, 0, 0 ], [ 0,, 0, 0 ] }], [ µ,, {[ 0, 0,, 0 ], [ 0, 0, 0, ] }] Die letzte Zeile ist so zu interretieren: λ ist zweifache Nullstelle des charakteristischen Polynoms; der zugehörige Eigenraum ist zweidimensional und hat eine Basis, die aus den Einheitsvektoren [, 0, 0, 0 ] T und [ 0,, 0, 0] T besteht Entsrechendes gilt für den Eigenwert µ Satz (Fundamentalsatz der Algebra) Jede Matrix A aus C ( n x n ) hat n (komlexe) Eigenwerte, von denen mehrere zusammenfallen können Das charakteristische Polynom hat daher die Form ( x) n j n c n j ( x λ j ) x n c n ) n x( ( ) n c 0, wobei n λ j j a j, j Sur( A )
3 sowohl die Summe der Eigenwerte als auch die Summe der Diagonalelemente von A ist Andererseits ist c 0 n λ j det( A ) j sowohl das Produkt der Eigenwerte als auch die Determinante von A Insbesondere ist eine Matrix genau dann invertierbar (hat also eine nicht verschwindende Determinante), wenn sie nicht den Eigenwert 0 besitzt Im Sezialfall n gilt demnach ( x ) x Sur( A) x det( A ) Systematische Berechnung der Eigenwerte und Eigenräume beliebiger x-matrizen Eine Matrix A : a, a, a, a, hat das charakteristische Polynom ( x ) x ( a, a, ) x a, a, Mit der Abkürzung d a, a, λ a, a, λ sofern a, nicht 0 ist a, a, a, a, ergibt sich für dessen Nullstellen d a, a, der Eigenvektor v λ a,, a, d a, a, der Eigenvektor v λ a, Denn wegen ( λ j a, ) ( λ j a, ) a, a, ( λ j ) 0 ergibt sich λ λ j a, a j, a, λ a j a,, a, a 0, a, 0, also A v j λ j v j für j, Im Falle a, 0 hat man entsrechend die Eigenvektoren a, zu λ λ a und a, zu λ, λ a,, a, Der Fall a, a, 0 ist besonders einfach, denn dann ist A eine Diagonalmatrix, und als Eigenvektoren kann man die kanonischen Einheitsvektoren nehmen
4 Beisiel : Eigenwerte und Eigenvektoren einer -Matrix A : 5 7 Mit den obigen Formeln bekommt man sofort 6 6 λ 6, v, λ, 5 6 v 5 Oder mit dem Male-Befehl eigenvectors(a): Eigenwerte, Vielfachheit, Eigenvektoren 6,, { 6, }, 6,, { 6, } Das ist im Prinzi die gleiche Lösung, da Eigenvektoren ja nur bis auf Vielfache bestimmt sind Nullstellen von Polynomen Bei nxn-matrizen mit größerem n besteht das Hautroblem in der Bestimmung der Eigenwerte, dh der Nullstellen eines Polynoms n-ten Grades Beisiel : Drei ganzzahlige Eigenwerte Faktorisieren liefert also die Eigenwerte, und A : ( x ) x x x ( x ) ( x ) ( x ) ( x ) Beisiel 5: Ein reeller und zwei komlexe Eigenwerte Veränderung eines einzigen Koeffizienten in der Matrix A aus Beisiel bewirkt zwei komlexe Eigenwerte: - 0 B : B ( x ) x x 7 x 6 Die Nullstelle errät man durch Einsetzen Dann dividiert man B ( x ) durch x und bekommt den Komlementärfaktor mit den konjugiert komlexen Nullstellen i x x 6 und i
5 Leider ist es in der Praxis häufig recht schwierig, überhaut eine Nullstelle eines Polynoms dritten Grades zu finden MAPLE bietet eine exakte Lösung an, aber das Ergebnis ist meist eher verwirrend Beisiel 6: Der Trick von Tartaglia und Cardano Vorzeichenänderung des letzten Koeffizienten in der Matrix A aus Beisiel führt bereits auf eine ziemlich schwierige Eigenwertaufgabe: - 0 C : Determinantenberechnung liefert das charakteristische Polynom C ( x ) x x 6 Um hier eine reelle Nullstelle zu finden, hilft nur ein Trick weiter, der bereits im säten Mittelalter bekannt war und von den italienischen Mathematikern Tartaglia und Cardano ausgebaut wurde Die "Zaubersubstitution" führt auf bzw x w w C w w w w w w 6 w 6 ( w ) 6 w 0 w 0 mit der Lösung w, also w ( ) Daher ist ein reeller Eigenwert der Matrix C λ ( ) ( ) Um die weiteren Nullstellen von C zu finden, müssen wir den Linearfaktor x λ ausklammern Wegen C ( λ ) λ 6 0 bekommen wir λ C ( x ) x x 6 x x λ und der uadratische Faktor hat die Nullstellen λ ( ) x λ ( x λ x λ ),
6 und λ λ λ w w i w w λ λ λ w w i w w Male räsentiert uns mittels eigenvalues(c) die gleichen Werte, wenn auch nicht sehr übersichtlich Ohne Comutersysteme oder höhere Algebra ist es meist hoffnungslos, solche Nullstellen von Polynomen dritten (oder höheren) Grades zu finden Beisiel 7: Eine bösartige Matrix mit drei reellen Eigenwerten Wir verändern nochmals einige Vorzeichen in der Matrix A aus Beisiel 0 M : Das charakteristische Polynom bekommen wir noch hin: M ( x ) x 7 x Leider sind hier keine offenkundigen Nullstellen in Sicht MAPLE berechnet mit Hilfe der Formeln von Cardano und Tartaglia die folgenden Monster: ( 7 6 I 7 ) ( / ) Eigenwerte 7 ( 7 6 I 7 ) ( / ), ( 7 6 I 7 ) ( / ) 6 7 ( 7 6 I 7 ) ( / ) I ( 7 6 I 7 ) ( / ) 7, ( 7 6 I 7 ) ( / ) ( 7 6 I 7 ) ( / ) 6 I ( 7 6 I 7 ) ( / ) 7 ( 7 6 I 7 ) ( / ) 7 ( 7 6 I 7 ) ( / ) Näherungen I, I, I Drei echt komlexe Nullstellen? Das kann doch nicht sein! In Wirklichkeit sind hier die Imaginärteile allesamt Null, dh alle drei Eigenwerte sind reell und haben die Näherungswerte λ , λ , λ
7 Probe: M ( λ ) 0 0-7, M ( λ ) , M ( λ ) Tatsächlich kommt in allen drei Fällen fast genau 0 heraus Dreiecksmatrizen haben unterhalb oder oberhalb der Diagonale nur Nullen als Koeffizienten Bei solchen (oberen oder unteren) Dreiecksmatrizen stehen wieder die Eigenwerte in der Diagonale A : n : 5 a, a, a, a, a, 5 0 a, a, a, a, a, a, a, a, a, a, ( x ) ( x a, ) ( x a, ) ( x a, ) ( x a, ) ( x a 5, 5 ) Eigenwerte (,,,, ) a 5, 5 a, a, a, a, Die Reihenfolge der Eigenwerte wird von MAPLE willkürlich gewählt! Bei Dreiecksmatrizen entfällt die ansonsten manchmal mühselige bis hoffnungslose Suche nach Nullstellen des charakteristischen Polynoms Beisiel 8: Eine obere Dreiecksmatrix A : MAPLE berechnet als Eigenwerte und zugehörige Eigenvektoren: Eigenwerte, Vielfachheit, Eigenvektoren -5 -,, {,,, } - -, - -,, {,,, } 0-0, [ -5,, { [, -, 0, 0 ] }], [,, {[, 0, 0, 0] }] Da Vielfache eines Eigenvektors wieder Eigenvektoren sind, dürfen wir jeweils noch mit den Nennern durchmultilizieren Geordnet von links nach rechts haben wir also folgende Eigenwerte und Eigenvektoren: λ, v 5 0 0, λ 0 5, v, λ 0, v, λ 5, v 0 0 0
8 Ähnlichkeit von Matrizen Zwei uadratischen Matrizen A und Ä heißen ähnlich, falls es eine invertierbare Matrix B gibt mit B ( ) A B Ä Sehr nützlich für die Eigenwerttheorie ist der folgende Satz : Ähnliche Matrizen haben das gleiche charakteristische Polynom Denn aufgrund der Produktregel für Determinanten gilt B ( ) A B ( x ) det ( x E B ( ) A B ) det( B ( ) ( x E A ) B ) det( B ) ( ) det ( x E A ) det( B ) ( x ) Beisiel 9: Zwei ähnliche -Matrizen Wir erzeugen zwei zufällige ganzzahlige Matrizen: und bilden die transformierte Matrix Ä : A : B : Ä : B ( ) A B x 89 x 68 x Ä x 89 x 68 x So komliziert Ä ausfällt, die charakteristischen Polynome sind gleich! Satz 5: Jede uadratische Matrix ist zu einer oberen Dreiecksmatrix ähnlich, in deren Diagonale die Eigenwerte stehen (Dabei kann die Dreiecksmatrix echt komlexe Koeffizienten haben, auch wenn die Ausgangsmatrix reell war!) Kennt man die Eigenwerte, so kann man schrittweise eine solche Dreiecksmatrix berechnen Denn ist λ ein Eigenwert und (b,,b k )
9 eine Basis des zugehörigen Eigenraumes, so ergänzt man diese zu einer Basis B (b,,b n ) des K n und erhält in Kästchenschreibweise A B B λ E C 0 A Dann ist wegen der Kästchenregel für Determinanten ( x ) ( x ) ( x ) B ( ) A B λ k ( x ) Nun verfährt man ebenso mit A und setzt diese Prozedur fort, bis man eine Dreiecksmatrix hat Beisiel 0: Transformation auf Dreiecksgestalt Wir betrachten eine x-matrix mit doeltem Eigenwert: 9 A : -6 7 charoly ( A, x) Eigenwerte, Vielfachheit, Eigenvektoren eigenvectors( A) Beachten Sie, daß hier der Eigenwert 5 die Vielfachheit, der Eigenraum aber trotzdem nur die Dimension hat! Wir ergänzen den Eigenvektor in Saltenform durch einen Einheitsvektor zu einer Basis Das Ergebnis schreiben wir als Matrix B: Die Inverse von B ist dann Ähnliche obere Dreiecksmatrix Ä B ( ) A B mit den Eigenwerten in der Diagonalen: Ä Allgemein schließt man aus der obigen Transformation auf Dreiecksgestalt: Satz 6: Die geometrische Vielfachheit eines Eigenwerts, dh die Dimension seines Eigenraumes, ist höchstens so groß wie die algebraische Vielfachheit im charakteristischen Polynom, kann aber auch kleiner sein Diagonalisierbare Matrizen sind solche, die zu einer Diagonalmatrix Λ ähnlich sind: A B Λ bzw A B B Λ B ( )
10 Satz 7: Eine nxn-matrix A ist genau dann diagonalisierbar, wenn die Summe der Dimensionen der Eigenräume n ergibt In diesem Falle stehen in der Diagonalen der zu A ähnlichen Diagonalmatrix Λ die Eigenwerte von A, und die Salten der Transformationsmatrix B sind zugehörige Eigenvektoren Außerdem stimmt die algebraische Vielfachheit jedes Eigenwertes mit der geometrischen Vielfachheit überein Satz 8: Eigenvektoren zu verschiedenen Eigenwerten sind linear unabhängig Sind nämlich umgekehrt v,,v k linear abhängige Eigenvektoren zu Eigenwerten λ,,λ k und ist k minimal gewählt, so gibt es von 0 verschiedene Zahlen r,, r k mit k j k r j v j 0, also erst recht r j λ j v j A j k j k j und nach Differenzbildung r j ( λ j λ k ) v j 0, was wegen der linearen Unabhängigkeit von v,,v k ein j < k erzwingt r j v j 0, r j λ k v j 0 k j die Gleichung λ j λ k 0 für mindestens Folgerung: Hat eine Matrix keine mehrfachen Eigenwerte, so ist sie zu einer Diagonalmatrix ähnlich Die Salten der Transformationsmatrix sind Eigenvektoren zu je einem der Eigenwerte Beisiel : Eine Diagonalisierung Λ : B ( ) A B 9 - A : ( x ) x 5 x 89 x 7 ( x ) ( x 7 ) ( x 8 ) ( x 9 ) - λ 9, v, λ,,, 8 v λ 7 v - Matrix mit Eigenvektoren als Salten - B : Λ
11 Anhang: Polynomgleichungen Um die Eigenwerte einer nxn-matrix A zu finden, muss man die Polynomgleichung ( x ) x n ) n x( n x 0 0 lösen Das ist für n sehr einfach und auch für n kein Problem, aber schon für n recht schwierig Gleichungen Grades oder lineare Gleichungen x 0 haben die offensichtliche Lösung x Gleichungen Grades oder uadratische Gleichungen x x 0 reduziert man mittels "uadratischer Ergänzung" auf eine "rein uadratische Gleichung" x 0 mit den offensichtlichen Nullstellen x und x Gleichungen Grades oder kubische Gleichungen x x x 0 0 erfordern weitaus mehr Finessen, die (wie früher angedeutet) auf italienische Mathematiker des 6 Jahrhunderts zurückgehen Als grundsätzliches Hilfsmittel erweist sich die binomische Formel ( a b) a a b a b b Zunächst reduziert man die allgemeine Gleichung Grades mittels "kubischer Ergänzung", um das uadratische Glied zum Verschwinden zu bringen Dies geschieht durch die Substitution y x, also y x x x 7 Dadurch geht die obige Gleichung für x in eine für y folgender Gestalt über: y y 0 Jetzt macht man den Ansatz y y y - warum, wird sich gleich zeigen: Aus der Gleichung für y wird nämlich
12 y y ( ) y y y y 0, und das ist ist sicher erfüllt, wenn man das Gleichungssystem y y y y gelöst hat Die Lösungen hierfür sind: y, y und Einsetzen in die Gleichung zwischen y, y und y ergibt die berühmte Cardanische Formel y Diese Lösung ist im Allgemeinen echt komlex, kann aber auch dann reell sein, wenn der Ausdruck unter der Quadratwurzel negativ wird! Außerdem muß man rinziiell drei Nullstellen herausbekommen Für Gleichungen Grades wird leider alles noch viel komlizierter, und Gleichungen höheren Grades lassen sich überhaut nicht mehr mit Hilfe von Wurzelausdrücken lösen, wie der geniale Mathematiker Abel im 9 Jahrhundert gezeigt hat Man muss sich also bei der Nullstellensuche häufig mit Näherungslösungen begnügen - und für die Ingenieurraxis sind diese ohnehin fast immer ausreichend Von Newton stammt eine schöne Methode zur Aroximation von reellen Nullstellen Man legt an einen beliebigen Kurvenunkt die Tangente und bestimmt deren Schnittunkt mit der x-achse Zu diesem bestimmt man den Funktionswert und damit einen neuen, darüber oder darunter liegenden Kurvenunkt Iteriert man dieses Verfahren, so erhält man fast immer schnell gute Näherungen für eine Nullstelle Genaueres dazu säter!
MC-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
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
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
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
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/
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert
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
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,...,
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
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,
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
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,
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
MehrÜbungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 2017/18 Blatt 3 - Lösung
Technische Universität München Physik Department Pablo Cova Fariña, Claudia Nagel Übungen zum Ferienkurs Ferienkurs Lineare Algebra für Physiker WiSe 207/8 Blatt 3 - Aufgabe : Darstellungsmatrizen Sei
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) :=
MehrLineare Algebra II 3. Übungsblatt
Lineare Algebra II 3. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 27./28. April 2011 Susanne Kürsten Tristan Alex Minitest Aufgabe M1 (Formale Polynome) Betrachten Sie die folgenden Polynome
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
MehrEigenwerte (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 =
MehrSerie 12: Eigenwerte und Eigenvektoren
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie : Eigenwerte und Eigenvektoren Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom 7 und 9 Dezember Finden Sie für folgende
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,
MehrEigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
Zurück Stand 4.. 6 Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (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
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
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
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
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
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
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.
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
Mehr5.4 Hauptachsentransformation
. Hauptachsentransformation Sie dient u.a. einer möglichst einfachen Darstellung von Kegelschnitten und entsprechenden Gebilden höherer Dimension mittels einer geeigneten Drehung des Koordinatensystems.
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.
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
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
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
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
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
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
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
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
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
MehrLineare Algebra - Übungen 7 WS 2017/18
Prof. Dr. A. Maas Institut für Physik N A W I G R A Z Lineare Algebra - Übungen 7 WS 017/18 Aufgabe P0: Paulimatrizen Präsenzaufgaben 14. Dezember 017 Berechnen Sie für die Paulimatrizen σ 1 = ( ) 0 1,
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
MehrFachbereich Mathematik/Informatik 16. Juni 2012 Prof. Dr. H. Brenner. Mathematik für Anwender II. Testklausur mit Lösungen
Fachbereich Mathematik/Informatik 6. Juni 0 Prof. Dr. H. Brenner Mathematik für Anwender II Testklausur mit Lösungen Aufgabe. Definiere die folgenden (kursiv gedruckten) Begriffe. () Ein Skalarprodukt
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
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
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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
Mehr2.2 Eigenwerte und Eigenvektoren
2.2. Eigenwerte und Eigenvektoren 39 2.2 Eigenwerte und Eigenvektoren Lineare Abbildungen werden je nach Basiswahl durch unterschiedliche Matrizen beschrieben. Besonders einfach ist die Diagonalform. Wir
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
MehrMusterlösung Donnerstag - Determinanten und Eigenwerte
Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent,
MehrLineare Algebra II 12. Übungsblatt
Lineare Algebra II 12. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 13. / 14. Juli 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Probeklausur) Sprechen Sie über die Probeklausur
MehrZusammenfassung und Beispiellösungen. zur Linearen Algebra
Zusammenfassung und Beispiellösungen zur Linearen Algebra Inhaltsverzeichnis TI Taschenrechner Funktionen für Matrizen... n*m Matrix... Diagonal und Dreiecksmatrix... Transponierte der Matrix A (AT)...
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)
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
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
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,
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
MehrEin Produkt ist Null, wenn einer der Faktoren gleich Null ist. Die beiden Eigenwerte sind demnach. λ 1 = 0, λ 2 = 2i. 1 i
TU Dresden Fakultät Mathematik Institut für Numerische Mathematik Lösung zur Aufgabe (b des Übungsblattes Ermitteln Sie on der folgenden Matrix alle (komplexen Eigenwerte und zu jedem Eigenwert einen zugehörigen
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
MehrAnalytische Lösung algebraischer Gleichungen dritten und vierten Grades
Analytische Lösung algebraischer Gleichungen dritten und vierten Grades Inhaltsverzeichnis 1 Einführung 1 2 Gleichungen dritten Grades 3 3 Gleichungen vierten Grades 7 1 Einführung In diesem Skript werden
MehrLineare Algebra. Wintersemester 2017/2018. Skript zum Ferienkurs Tag Claudia Nagel Pablo Cova Fariña. Technische Universität München
Technische Universität München Wintersemester 27/28 Lineare Algebra Skript zum Ferienkurs Tag 3-2.3.28 Claudia Nagel Pablo Cova Fariña Wir danken Herrn Prof. Kemper vielmals für seine Unterstützung bei
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
MehrJordansche Normalform - Beispielrechnung. 1 Beispielrechnung an einer komplexen Matrix
Jordansche Normalform - Beispielrechnung Dieses kurze Skript soll die jordansche Normalform erklären die auch oft als Trigonalisierung von Matrizen bezeichnet wird da man die Matrix auf eine bestimmte
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
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
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
Mehr5 Numerische Mathematik
6 5 Numerische Mathematik Die Numerische Mathematik setzt sich aus mehreren Einzelmodulen zusammen Für alle Studierenden ist das Modul Numerische Mathematik I: Grundlagen verpflichtend In diesem Modul
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:
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
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)
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
Mehr5. Übung zur Linearen Algebra II -
5. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 2. Aufgabe 7 5 A := 2. 3 2 (i) Berechne die Eigenwerte und Eigenvektoren von A. (ii) Ist A diagonalisierbar?
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
Mehr4.6 Berechnung von Eigenwerten
4.6 Berechnung von Eigenwerten Neben der Festlegung auf den betragsgrößten Eigenwert hat die Potenzmethode den Nachteil sehr langsamer Konvergenz, falls die Eigenwerte nicht hinreichend separiert sind.
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
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
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
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
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
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
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
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrBlockmatrizen. Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 :
Blockmatrizen Beispiel 1 Wir berechnen das Produkt von A R 4 6 mit B R 6 4 : 2 1 3 1 1 0 1 0 1 0 0 2 1 1 11 1 1 4 0 1 0 1 0 1 4 1 0 2 1 0 1 0 1 0 3 1 2 1 = 2 4 3 5 11 1 1 4 0 1 0 1 0 1 5 1 2 1 2 4 3 5
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
Mehr1 Definitionen: 6 Punkte gesamt
ANTWORTEN zum KOLLOQIUM zur Einführung in die Lineare Algebra Hans G. Feichtinger Sommersemester 2014 Fr., 25. Juli 2014, 10:00, Fakultät f. Mathematik Punktezahl: (1) 6 (2) 9 (3) 5 (4) 10 TOTAL (von 30):
MehrKLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I UND II 2. Oktober 2008 MUSTERLÖSUNG Aufgabe 1 Es sei K ein Körper, V ein K-Vektorraum, und seien v 1,..., v n V (n N). (a) Definieren Sie, wann die endliche Familie v 1,...,
Mehr2.4 Die Länge von Vektoren
.4 Die Länge von Vektoren 59 Wir können dies auch so sagen: Wir identifizieren (,1)-Spaltenmatrizen mit Vektoren (oder Punkten) aus R, das heißt die Menge R und R 1 werden miteinander identifiziert. Einen
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
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
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
MehrLineare Gleichungssystem
Lineare Gleichungssystem 8. Juli 07 Inhaltsverzeichnis Einleitung Der Gauß-Algorithmus 4 3 Lösbarkeit von Gleichungssystemen 6 Einleitung Wir haben uns bisher hauptsächlich mit dem Finden von Nullstellen
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
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
MehrProbeklausur Lineare Algebra für Physiker
Fachbereich Mathematik Prof. Dr. K. Grosse-Brauckmann D. Frisch Probeklausur Lineare Algebra für Physiker SS 8 26./27.6.27 Name:..................................... Vorname:.................................
MehrVorkurs Mathematik Übungen zu linearen Gleichungssystemen
Vorkurs Mathematik Übungen zu linearen Gleichungssystemen Lineare Gleichungssysteme lösen Aufgabe. Lösen sie jeweils das LGS A x = b mit ( ( a A =, b = b A =, b = 6 Aufgabe. Berechnen Sie für die folgenden
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
Mehr