EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
|
|
- Christian Fried
- vor 6 Jahren
- Abrufe
Transkript
1 EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen aus der Schule bekannt sein werden, um uns daraufhin mit dem Zusammenhang zwischen Matrizen und linearen Gleichungssystemen zu beschäftigen, indem wir (m n)-matrizen als (lineare) Abbildungen R n R m interpretieren Am Ende dieses Exkurses werden wir als Anwendung mithilfe des Gelernten den sogenannten Satz vom Fußball beweisen, der besagt, dass es zu Beginn beider Halbzeiten eines Fußballspiels (bei dem nur ein Ball benutzt wird) beim jeweiligen Anstoß zwei antipodale Punkte auf der Oberfläche des Balles gibt, die sich an genau derselben Stelle im umgebenden Raum befinden Definition: (i) Es seien m, n N Eine (m n)-matrix A = (a ij ) 1 i m ist ein rechteckiges 1 j n Zahlenschema der Form a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn mit m Zeilen und n Spalten, deren Einträge a ij R sind Hierbei bezeichnet a ij oder A ij das Element in der i-ten Zeile und j-ten Spalte der Matrix A Für die i-te Zeile der Matrix A schreiben wir auch A i und für die j-te Spalte entsprechend A j Die Menge der (m n)-matrizen bezeichnen wir mit M(m n) Für m = n spricht man von quadratischen Matrizen und bezeichnet deren Gesamtheit kurz mit M(n) (ii) Eine Matrix A M(m n) kann mit einer Zahl r R skaliert werden a 11 a 12 a 1n r a 11 r a 12 r a 1n a 21 a 22 a 2n r A = r = r a 21 r a 22 r a 2n a m1 a m2 a mn r a m1 r a m2 r a mn und zwei Matrizen A, B M(m n) werden komponentenweise addiert
2 a 11 a 12 a 1n b 11 b 12 b 1n a 21 a 22 a 2n A + B = + b 21 b 22 b 2n a m1 a m2 a mn b m1 b m2 b mn a 11 + b 11 a 12 + b 12 a 1n + b 1n a 21 + b 21 a 22 + b 22 a 2n + b 2n = a m1 + b m1 a m2 + b m2 a mn + b mn (iii) Das Produkt C = A B M(m k) zweier Matrizen A M(m n) und B M(n K) ist definiert durch C = (c ij ) mit n c ij = a il b lj = a i1 b 1j + a i2 b 2j + + a in b nj Bemerkung: l=1 Man beachte hierbei, dass das Produkt A B nur erklärt ist, wenn A genauso viele Spalten wie B Zeilen hat (i) Das neutrale Element bezüglich Matrizenmultiplikation ist die (n n)- Einheitsmatrix 1 I n = 1 mit lauter Einsen auf der Diagonalen als einzige von Null verschiedene Einträge Es gilt I n A = A und B I n = B für alle A M(n k) und B M(m n) (ii) Als spezielle Matrizen interpretieren wir hier ebenfalls Zeilenvektoren (,, x n ) M(1 n) und Spaltenvektoren x m M(m 1) Vektoren x R n verstehen wir grundsätzlich als Spaltenvektoren x = (iii) Mittels Matrizenmultiplikation kann man Zeilen- und Spaltenvektoren miteinander multiplizieren und erhält eine reelle Zahl: y 1 y 2 (, x 2,, x n ) = y 1 + x 2 y 2 + x n y n M(1) = R y n x n
3 Aufgefasst als Vektoren im R n, nennt man dieses Produkt das kanonische Skalarprodukt oder das Standardskalarprodukt der Vektoren x = y = y 1 y n im R n und bezeichnet dies auch mit x, y =, x n y 1 y n = x T y x n und Dabei bedeutet die Notation x T lediglich, dass aus dem Spaltenvektor x ein Zeilenvektor gemacht wird Wir kommen auf diese Notation an späterer Stelle noch einmal zurück Das Skalarprodukt kann verwendet werden, um Winkel zwischen Vektoren zu messen Bemerkung: Nach der Ungleichung von Cauchy-Schwarz gilt für x, y R n 1 x, y x y 1 wobei hier z = z, z = z z2 n die Länge des Vektors z R n bezeichnet Somit gibt es genau eine Zahl (x, y) [, π] mit cos( (x, y)) = x, y x y Diese Zahl (x, y) nennt man den Winkel zwischen x und y Insbesondere sind x und y genau dann orthogonal, dh (x, y) = π/2 ( ˆ= 9 ), wenn x, y = In diesem Fall schreiben wir x y Wir kommen nun zu der schon angekündigten Interpretation von Matrizen als Abbildungen Definition: Es sei A M(m n) Dann erhalten wir eine Abbildung f A : R n R m duch f A (x) = A x Bemerkung: (i) Es gilt f A (λ x) = λ f A (x) und f A (x + y) = f A (x) + f A (y) für alle x, y R n und λ R Eine solche Abbildung nennt man linear und jede lineare Abbildung ist von dieser Form (siehe (ii)) 1 1 (ii) Es bezeichne e 1 =, e 2 = und ganz allgemein sei e i der Vektor im R n mit einer 1 an der i-ten Stelle und sonst nur Nullen, der sogenannten
4 i-te kanonische Einheitsvektor im R n Durch direktes Nachrechnen sieht man dann, dass gilt a 1i a 2i f A (e i ) = = A i a ni dh die i-te Spalte von A ist das Bild des i-ten Einheitsvektors unter der Abbildung f A Ist umgekehrt L : R n R m eine lineare Abbildung und A M(m n) die Matrix, deren i-te Spalte gerade durch das Bild L(e i ) gegeben ist, so gilt L = f A (vgl Übung) Beispiel: Ein lineares Gleichungssystem (kurz: LGS) mit m Gleichungen und n Unbekannten ist von der Form: a 11 + a 12 x a 1n x n = b 1 a 21 + a 22 x a 2n x n = b 2 a m1 + a m2 x a mn x n = b m und führt über die Koeffizientenmatrix A = (a ij ) auf die Matrix-/Vektorgleichung A x = b bzw f A (x) = b mit x = x n R n und b = b 1 b m R m Die Frage nach der Lösbarkeit/Lösungsmenge des linearen Gleichungssystems entspricht daher der Bestimmung von Urbildern der Abbildung f A : R n R m Ist diese Abbildung surjektiv, gibt es somit für jede rechte Seite b eine Lösung des LGSs und ist f A injektiv, so ist jede Lösung (falls existent) eindeutig Anschaulich entspricht die Lösungsmenge eines linearen Gleichungssystems, wie in der Vorlesung gesehen, einer Schnittmenge von geometrischen Objekten (Hyperebenen), wobei n die Dimension des zugrundeliegenden Raumes und m die Anzahl der Objekte ist Definition: Eine Matrix A M(n) ist invertierbar, falls es eine Matrix B M(n) mit A B = B A = I n gibt Eine solche Matrix B ist dann eindeutig bestimmt und wir mit A 1 bezeichnet und inverse Matrix von A genannt Satz: (i) Sind A, B M(n) invertierbar, so ist auch A B M(n) invertierbar mit (A B) 1 = B 1 A 1 (ii) Eine Matrix A M(n) ist genau dann invertierbar, wenn die Abbildung f A : R n R n bijektiv ist In diesem Fall ist dann f 1 A = f A 1 Die Implikation von Teil (ii) beweisen wir in dieser Vorlesung nicht Der Rest des Beweises wird als Übungsaufgabe gestellt
5 Beispiel: Ist A M(n) die Koeffizientenmatrix eines linearen Gleichungssystems und ist A invertierbar, so gibts es für jede rechte Seite b R n genau eine Lösung des LGSs und zwar x = A 1 b, denn f A ( x) = A x = A (A 1 x) = (A A 1 ) x = I n x = x Definition/Satz: a b (i) Die Determinante einer Matrix A = M(2) ist det(a) := ad bc c d und die Determinante einer Matrix a b c A = d e f M(3) g h i ist det(a) = a e i + b f g + c d h c e g a f h b d i (Formel von Sarrus) Eine Matrix A M(1) entspricht einfach einer reellen Zahl Der Vollständigkeit halber definieren wir die Determinante in diesem Fall durch det(a) = A (ii) Eine Matrix A M(n) ( mit ) n 3 ist genau dann invertierbar, wenn a b det(a) gilt Ist A = M(2), so ist in diesem Fall c d A 1 1 d b = det(a) 1 d b = c a ad bc c a Sind Verwechselungen ausgeschlossen, schreibt man oft auch einfach det A statt det(a) Ist det A, so ist im Fall n = 1 die Zahl A und A 1 = 1/A Im Fall n = 2 wird A 1 durch die obige Formel gegeben, wie man leicht durch direktes Nachrechnen überprüfen kann Für den Fall n = 3 kann man, falls deta, ebenfalls eine Formel für die Koeffizienten der inversen Matrix A 1 in Termen der Koeffizienten von A angeben, worauf wir hier allerdings nicht näher eingehen wollen Dass die Determinante einer invertierbaren Matrix ungleich Null sein muss, folgt aus dem nächsten Satz Satz: Es seien A, B M(n), n 3, invertierbar Dann gilt: (i) det I n = 1 und det(a B) = det(a) det(b) (ii) Bezeichnen wir mit A T = (a ji ) die sogenannte transponierte Matrix von A, deren Element A T ij gerade dem Element A ji von A entspricht, so gilt det(a T ) = det(a) und (A B) T = B T A T (iii) det(a 1 ) = det(a) 1 = 1 det(a) Beweis: Die Punkte (i) und (ii) beweist man durch direktes Nachrechnen Die Aussage in (iii) folgt dann aus 1 = det(i n ) = det(a A 1 ) = det(a) det(a 1 ) also det(a 1 ) = 1 deta
6 v1 w Bemerkung: Die Determinante einer Matrix A = 1 entspricht der orientierten Fläche des Parallelotops in der Ebene, das von den Vektoren v = v 2 w 2 v1 v 2 w1 und w = aufgespannt wird (vgl hierzu Kapitel 311 in Lineare Algebra w 2 von Gerd Fischer) Analog entspricht die Determinante einer Matrix A = u v w dem orientierten Volumen des von den Vektoren u, v, w R 3 aufgespannten Spats Insbesondere ist genau dann det A =, wenn die Spaltenvektoren linear abhängig sind, dh wenn das von den Spaltenvektoren aufgespannte Parallelogramm bzw der aufgespannte Spat entartet ist Definition: Man nennt eine Matrix A M(n) orthogonal, falls A das kanonische Skalarprodukt erhält, dh falls x T y = x, y = Ax, Ay = (Ax) T Ay = x T (A T A) y für alle x, y R n gilt Dies ist äquivalent dazu, dass A T A = I n gilt (vgl Übung) Die Menge O(n) = { A M(n) A T A = I n } heißt daher die orthogonale Gruppe Die Teilmenge SO(n) = {A O(n) det A = 1} heißt die spezielle orthogonal Gruppe (im Fall n 3) Dass diese Bezeichnung gerechtfertigt ist, zeigt der folgende Satz Satz: O(n) ist mit der Einschränkung der gewöhnlichen Matrizenmultiplikation eine Gruppe mit Untergruppe SO(n) (für n 3) Der Beweis wird als Übungsaufgabe gestellt Beispiel: Wie wir in der Vorlesung gesehen haben, ist eine Matrix A M(2) genau dann orthogonal, wenn es ein α [, 2π) gibt, so dass cos α sin α cos α sin α A = oder A = sin α cos α sin α cos α Im ersten Fall ist det A = 1 und f A ist eine Drehung in R 2 (um den Ursprung) um den Winkel α und im zweiten Fall ist det A = 1 und f A eine Spiegelung an der Ursprungsgeraden mit Schnittwinkel α/2 mit der x-achse Definition: Eine Matrix A M(n) hat einen Eigenwert λ R, falls es einen Vektor v R n mit A v = λ v gibt Einen solchen Vektor nennt man dann Eigenvektor zum Eigenwert λ
7 Beispiel: cos α sin α (i) Die Matrix D α = entspricht, wie gesehen, einer Drehung um ( den) Winkel α [, 2π) ( und hat ) somit bis auf die Spezialfälle sin α cos α 1 1 D = = I 1 n und D π = = I 1 n, dh α {, π}, keine Eigenwerte cos α sin α (ii) Die Matrix S α = entspricht, wie gesehen, einer Spiegelung an der Ursprungsgeraden R und hat damit zwei Eigen- sin α cos α cos(α/2) sin(α/2) cos(α/2) werte, nämlich λ 1 = 1 mit Eigenvektor (der Länge 1), da die sin(α/2) Gerade selbst unter ( der Spiegelung ) punktweise fixiert wird, und λ 2 = 1 cos α+π mit Eigenvektor 2 (der Länge 1), da die Gerade orthogonal zur sin α+π 2 Spiegelungsgeraden ebenfalls invariant gelassen wir (iii) Wegen A (r v) = r A v gibt es mit einem immer bereits unendlich viele Eigenvektoren zu einem Eigenwert, denn ist A v = λ v, so ist für alle r R A (r v) = r A v = r λ v = λ (r v) (iv) Ist λ ein Eigenwert von A O(n), so gilt für einen Eigenvektor v v, v = Av, Av = λ v, λ v = λ 2 v, v also λ 2 = 1 bzw λ {±1}, da v, v Da es nicht immer so leicht wie in diesem Beispiel ist, die Eigenwerte und Eigenvektoren einer gegebenen Matrix geometrisch zu bestimmen, benötigen wir eine algebraische Methode, um diese im allgemeinen Fall zu berechnen Bemerkung/Definition: Wegen A v = λ v A v λ v = (A λ I n ) v = folgt, dass λ genau dann ein Eigenwert von A ist, wenn P A (λ) = det(a λ I n ) = gilt Das Polynom P A (λ) (vom Grad n) nennt man das charakteristische Polynom von A Die Nullstellen des charakteristischen Polynoms entsprechen also gerade den Eigenwerten von A Für einen Eigenwert λ erhält man dann die zugehörigen Eigenvektoren entsprechend als Lösungen v des linearen Gleichungssystems (bzw der Matrix-/Vektorgleichung) (A λ I n ) v = Man beachte in den obigen Gleichungen, dass dort die, bis auf eine Ausnahme, stets den Nullvektor R n und nicht die Zahl R bezeichnet Nachdem wir nun die nötigen Begriffe kennengelernt haben, kommen wir nun am Ende dieses Exkurses zur bereits erwähnten Anwendung
8 Satz: (Satz vom Fußball) Bei jedem Fußballspiel, bei dem nur ein Ball benutzt wird, gibt es zwei Punkte auf der Oberfläche des Balles, die sich zu Beginn beider Halbzeiten (wenn der Ball auf dem Anstoßpunkt liegt) an derselben Stelle im umgebenden Raum befinden Wir wollen den Beweis hier lediglich argumentativ führen und die einzelnen Schritte skizzieren Einen ausführlichen Beweis finden Sie in Kapitel 5 des Buches Lineare Algebra von Gerd Fischer Beweiskizze: Die Beweisidee ist eigentlich recht einfach Vergisst man nämlich die Translationen, dh die Verschiebungen im Raum, so können die Drehungen des Balles durch Abbildungen f A : R 3 R 3 mit A SO(3) beschrieben werden Hierbei wird der Ball als einer der gewöhnlichen Bälle um den Ursprung B r () = {x R 3 x 2 = x x x 2 3 r 2 } und dementsprechend die Oberfläche des Balles als die Abstandssphäre S 2 (r) = {x R 3 x 2 = x x x 2 3 = r 2 } interpretiert Da SO(3) eine Gruppe ist, sind insbesondere die Kompositionen von solchen Drehungen wieder Drehungen Somit können wir die Lage (der Oberfläche) des Balles auf dem Anstoßpunkt zu Beginn der zweiten Halbzeit als Bild einer Sphäre S 2 (r) unter einer solchen Abbildung f A mit A SO(3) auffassen (es gilt f A (x) = x für alle x R 3 ) Die Aussage folgt nun aus der Tatsache, dass jede Matrix A SO(3) einen Eigenwert 1 hat Denn dann wird, für einen Eigenvektor v zum Eigenwert 1, die Ursprungsgerade R v von f A punktweise fixiert, dh f A (rv) = A (rv) = rv für alle r R, und die beiden Punkte, an denen die Gerade die Sphäre (dh die Oberfläche des Balles) durchstößt sind dann gerade die gesuchten Fixpunkte Es bleibt also zu zeigen, dass jede Matrix A SO(3) einen Eigenwert 1 hat Hierzu überlegen wir uns zuerst, dass es zu jedem A O(3) eine Matrix B O(3) gibt mit ±1 B 1 A B = a b c d und a b à = O(2) c d Um das zu sehen, bemerken wir, dass das charakteristische Polynom P A (λ) vom Grad 3 ist und somit eine Nullstelle hat, dh A hat einen Eigenwert Nach Punkt (iv) des letzten Beispiels gilt dann für den Eigenwert λ {±1} Sei nun v ein Eigenvektor zum Eigenwert λ von A Dann gibt es zwei Vektoren w 1, w 2 R 3 der Länge 1 mit w 1 v und w 2 v sowie w 1 w 2 Ist dann B die Matrix mit B e 1 = v, B e 2 = w 1 und B e 3 = w 2, dh B = v w 1 w 2 so kann man nachrechnen, dass B O(3) und damit B 1 AB O(3) ist Ferner gilt
9 (B 1 AB) e 1 = (B 1 A) (B e 1 ) = B 1 (A v) = B 1 (±v) = ±(B 1 v) = ±e 1 sowie für i {2, 3} Somit ist (B 1 AB) e i, e 1 B O(3) = A (B e i ), B e 1 = A w i, v A v=±v = ± A w i, A v A O(3) = ± w i, v = B 1 AB = mit à M(2), denn für einen Vektor z = Aus (B 1 AB) T (B 1 AB) = ±1 à z 1 z 2 R 3 ist z, e i = z i für i {1, 2, 3} z 3 1 à T Ã! = 1 I 2 folgt dann à O(2) Da in unserem Fall sogar A SO(3) gilt und ±1 det(ã) = det(b 1 AB) = det(b 1 ) det(a) det(b) = det(b) 1 det(a) det(b) = det(a) = 1 steht auf der Diagonalen von B 1 AB entweder 1 und es gilt det(ã) = 1 oder der Diagonaleintrag ist 1 und es gilt det(ã) = 1 Im ersten Fall ist dann aber B 1 AB e 1 = e 1 und im zweiten Fall entspricht fã einer Spiegelung in der von e 2 und e 3 aufgespannten Ebene Dann gibt es aber, wie gesehen, ein w e 1 mit B 1 AB w = fã(w) = w In jedem Fall hat also B 1 AB einen Eigenwert 1 Nun haben aber A und B 1 AB wegen P B 1 AB(λ) = det(b 1 AB λ I 3 ) = det(b 1 AB λ B 1 I 3 B) = det(b 1 (A λ I 3 ) B) = det(b 1 ) det(a λ I 3 ) det(b) = det(b) 1 det(a λ I 3 ) det(b) = det(a λ I 3 ) = P A (λ) dieselben Eigenwerte Somit hat A ebenfalls den Eigenwert 1 und die Behauptung folgt mit den obigen Überlegungen
Musterlösungen 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
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: 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
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
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
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
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
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
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
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 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
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
Mehr2 Matrizenrechnung und Lineare Gleichungssysteme
Technische Universität München Florian Ettlinger Ferienkurs Lineare Algebra Vorlesung Dienstag WS 2011/12 2 Matrizenrechnung und Lineare Gleichungssysteme 2.1 Matrizenrechnung 2.1.1 Einführung Vor der
Mehr35 Matrixschreibweise für lineare Abbildungen
35 Matrixschreibweise für lineare Abbildungen 35 Motivation Wir haben gesehen, dass lineare Abbildungen sich durch ihre Wirkung auf die Basisvektoren ausdrücken lassen Mithilfe von Matrizen können wir
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
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
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
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
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
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
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
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
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
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
MehrMischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.
Kapitel 5 Lineare Algebra 5 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
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. 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
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
Mehr2 Die Algebra der Matrizen
Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y
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.
Mehr8 Lineare Abbildungen und Matrizen
8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume
Mehr1. Hausübung ( )
Übungen zur Vorlesung»Lineare Algebra B«(SS ). Hausübung (8.4.) Aufgabe Es seien σ (3, 6, 5,, 4, 8,, 7) und τ (3,,, 4, 6, 5, 8, 7). Berechnen Sie σ τ, τ σ, σ, τ, die Anzahl der Inversionen von σ und τ
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 II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
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
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
MehrZusammenfassung zum Thema Vektor- und Matrizenrechnung
Zusammenfassung zum Thema Vektor- und Matrizenrechnung Mathematischer Vorkurs für Physiker und Naturwissenschaftler WS 2014/2015 Grundbegriffe der Linearen Algebra Viele physikalische Größen (Geschwindigkeit,
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
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
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
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrLineare Algebra. Gymnasium Immensee SPF PAM. Bettina Bieri
Lineare Algebra Gymnasium Immensee SPF PAM Bettina Bieri 6. Oktober 2011 Inhaltsverzeichnis 1 Matrizen 1 1.1 Einleitung............................. 1 1.2 Der Begriff Matrix........................ 1 1.2.1
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
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.
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
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
MehrMatrizen und Determinanten, Aufgaben
Matrizen und Determinanten, Aufgaben Inhaltsverzeichnis 1 Multiplikation von Matrizen 1 11 Lösungen 3 2 Determinanten 6 21 Lösungen 7 3 Inverse Matrix 8 31 Lösungen 9 4 Matrizengleichungen 11 41 Lösungen
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 +
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.
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 15.11.2013 Alexander Lytchak 1 / 12 Erinnerung Eine Abbildung f : V W zwischen reellen Vektorräumen ist linear, wenn
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):
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
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
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 =
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
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.
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
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
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,
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
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
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).
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,
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
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
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)
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
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
MehrKapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra)
Kapitel 6: Matrixrechnung (Kurzeinführung in die Lineare Algebra) Matrix: (Plural: Matrizen) Vielfältige Anwendungen in der Physik: - Lösung von linearen Gleichungsystemen - Beschreibung von Drehungen
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
MehrD-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 011 Tom Ilmanen. Musterlösung 12. a ij = v i,av j (A ist symmetrisch) = Av i,v j
D-MATH, D-PHYS, D-CHEM Lineare Algebra II SS 0 Tom Ilmanen Musterlösung 2. Falls b := (v,,v n ) eine Orthonormalbasis von V ist, dann lassen sich die Komponenten von einem Vektor v = n i= t i v i bezüglich
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehra 1 a 1 A = a n . det = λ det a i
49 Determinanten Für gegebene Vektoren a 1,,a n K n, betrachte die Matrix deren Zeilenvektoren a 1,,a n sind, also A = Ab sofort benutzen wir diese bequeme Schreibweise Definition Sei M : K n K }{{ n K
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
MehrPrüfung Lineare Algebra 2
1. Überprüfen Sie die folgenden Aussagen: (1) Zwei reelle symmetrische Matrizen sind genau dann ähnlich, wenn sie die gleiche Signatur haben. (2) Jede symmetrische Matrix ist kongruent zu einer Diagonalmatrix,
Mehr3 Definition: 1. Übungsblatt zur Vorlesung Lineare Algebra I. im WS 2003/2004 bei Prof. Dr. S. Goette
1. Übungsblatt zur Vorlesung Abgabe Donnerstag, den 30.10.03 1 Finden 2 Sei Sie reelle Zahlen a, b, c, so dass a (2, 3, 1) + b (1, 2, 2) + c (2, 5, 3) = (3, 7, 5). (V,, ) ein euklidischer Vektorraum. Zeigen
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrPrüfung Lineare Algebra , B := ( ), C := 1 1 0
1. Es seien 1 0 2 0 0 1 3 0 A :=, B := ( 1 2 3 4 ), C := 1 1 0 0 1 0. 0 0 0 1 0 0 1 0 0 0 0 Welche der folgenden Aussagen ist richtig? A. A und C haben Stufenform, B nicht. B. A und B haben Stufenform,
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
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrMATRIZEN. Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet. a 11 a a 1n a 21. a a 2n A = a m1 a m2...
MATRIZEN Eine Matrix ist eine rechteckige Anordnung von Zahlen, als ein Schema betrachtet A = a 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn A ist eine m n Matrix, dh: A hat m Zeilen und n Spalten A besitzt
Mehr1 Vektoren, Vektorräume, Abstände: 2D
Vektoren, Vektorräume, Astände: D Definition: Die Menge aller (geordneten Paare reeller Zahlen (oder allgemeiner: Elemente eines elieigen Körpers, als Spalten geschrieen, ezeichnen wir als Vektoren: R
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr2.3 Lineare Abbildungen und Matrizen
2.3. LINEARE ABBILDUNGEN UND MATRIZEN 89 Bemerkung Wir sehen, dass die Matrix à eindeutig ist, wenn x 1,...,x r eine Basis ist. Allgemeiner kann man zeigen, dass sich jede Matrix mittels elementarer Zeilenumformungen
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
Mehr