1 Mathematische Modellierung und Grundlagen
|
|
- Etta Berg
- vor 6 Jahren
- Abrufe
Transkript
1 1 Mathematische Modellierung und Grundlagen 1.1 Grundlagen mathematischer Modellierung Das Ziel der mathematischen Modellierung ist die verlässliche Vorhersage des Verhaltens zumeist naturwissenschaftlicher oder ökonomischer Systeme. Beispielsweise modellierte Galileo Galilei 1 im Jahre 1590 den freien Fall eines Körpers aus einer zum Erdboden gemessenen Höhe h. Er fand heraus, dass zum Zeitpunkt t die Höhe dieses Körpers durch die Formel ht = h 1 gt 1.1 beschrieben wird, wobei g 9.81 m der Fallbeschleunigung der Erde entspricht. Insbesondere ist die Abbildung 1: Galileo Galilei sec Fallgeschwindigkeit nach diesem Modell unabhängig von der Masse des Körpers und kann ungebegrenzt groÿ werden. Die Vorgehensweise zur Aufstellung eines mathematischen Modells ist die folgende: 1. Aneignung der wissenschaftlichen Grundlagen durch Beobachtungen und Messungen sowie Studium früherer Ergebnisse. Hier: Beobachtung von Fallprozessen, Bestimmung von g.. Mathematische Modellierung durch Einführung mathematischer Variablen als Platzhalter für relevante Gröÿen wie Zeit, Temperatur, elektrische Ladung, etc. Hier: Höhe ht, Zeit t und Formel Mathematische Analyse, d.h. Bestimmung der Lösung des formulierten mathematischen Problems und/oder Herleiten von interessanten Eigenschaften. Hier: Unbegrenzte Fallgeschwindigkeit, Unabhängigkeit der Formel von der Masse und Form des fallenden Körpers, etc. 4. Modellkritik durch Abgleich der Ergebnisse mit der Realität oder neuen wissenschaftlichen Erkenntnissen. Hier: Abgleich der Messdaten von verschiedenen Fallobjekten mit 1.1. In der Regel erweist sich aufgrund der Erkenntnisse aus Punkt 4 das Modell als verbesserungswürdig. Nach den Fallgesetzen Galileis besitzt ein Blatt Papier auf der Erde 1 Galileo Galilei , bedeutender italienischer Physiker mit Beiträgen u.a. in den Bereichen Kinematik und Astronomie, Hauptwerk: Discorsi e dimostrazioni matematiche, intorno a due nuove scienze. 1
2 dieselbe Fallzeit wie ein Betonklotz, was nicht den Beobachtungen des Alltags entspricht. Darum muss das Modell auf den nichtfreien Fall erweitert werden, d.h. zur Beschreibung der allgemeinen Situation muss ein Korrekturterm zur Berücksichtigung von atmosphärebedingten Reibungseekten eingeführt werden. kompliziertere Modellierung ist erforderlich kompliziertere Gleichungen und Lösungsverfahren müssen entwickelt werden Stimulation für mathematische Forschung Gerade im Bereich der mathematischen Modellierung zeigt sich, dass die meisten alltäglichen Situationen zu kompliziert sind, um eine geschlossene Lösung angeben zu können; kein Mathematiker könnte beispielsweise eine detaillierte verlässliche Vorhersage der zeitlichen Entwicklung der Temperaturverteilung auf dem Karlsruher Marktplatz abgeben. Im Laufe dieses Kurses werden wir Modelle aus der Populationsdynamik untersuchen. Sind diese Modelle wie in den ersten drei Vorlesungen linear, so können wir die Lösungen explizit bestimmen. Später werden wir Aussagen über Modelle herleiten, deren Lösung wir nicht explizit bestimmen können, d.h. in diesem Fall steht uns keine Lösungsformel zur Verfügung. 1. Wachstum einer Bakterienkultur Unser erstes Ziel ist die Voraussage der Entwicklung einer Bakterienkultur in einer Petrischale oder konkret: Wie groÿ ist die Bakterienpopulation gemessen durch den von Bakterien bevölkerten Flächeninhalt nach t Stunden? Abbildung : Entwicklung einer Bakterienkultur Beobachtungen und Messungen: Der Zuwachs einer ktiven Bakterienkultur in einer Stunde ist proportional zu ihrem aktuellen Bestand.
3 Mathematische Modellierung: Wir verwenden die mathematischen Gröÿen: t : Zeit in ganzen Stunden, X t : Flächeninhalt der Bakterienkultur nach t Stunden in mm. Die Beobachtungen liefern dann X t+1 X t = rx t für eine gewisse Wachstumsrate r > 0. Die Zahl r muss strikt positiv sein, da wir einen Zuwachs der Bakterienkultur beobachten. Da zudem X 0 > 0 gilt, erhalten wir X 0 > 0, X t+1 = 1 + rx t für alle t N Mathematische Analyse: Wir erhalten aus 1. X 1 = 1 + rx 0, X = 1 + rx 1 = 1 + r 1 + rx 0 = 1 + r X 0, X 3 = 1 + rx = 1 + r 1 + r X 0 = 1 + r 3 X 0,... Es folgt ohne formalen Beweis durch vollständige Induktion: X t = 1 + r t X 0 für alle t N 0 Jetzt lassen sich weitere Fragen beantworten. Zum Beispiel: Eine Bakterienkultur bedecke zu Beginn 10mm und habe die Wachstumsrate r = 0.. Zu welchem Zeitpunkt überdeckt die Population erstmals eine Fläche von 50mm? Das mathematische Modell liefert die Antwort: Sei t der bestimmende Zeitpunkt, d.h. X t = 50. Die Voraussetzungen liefern X 0 = 10 und r = 0.. Wir erhalten 50 = X t = 1 + r t X 0 = 1. t 10 = 5 = 1. t = log5 = log1. t = t log1. = t = log5 log Graphisch lässt sich dies anhand des folgenden Schaubilds erkennen, wobei hier die diskreten Zustände bei t = 0, 1,,... durch Linien verbunden wurden: 3
4 ¼ ½¼ ½ º ¾ Abbildung 3: Beispiel für r = 0. und X 0 = 10 Modellkritik: Das Modell ist sehr vereinfacht, z.b. würde eine solche Bakterienkultur binnen 10 Tagen die gesamte Erdoberäche km bedecken. Tatsächlich wird die Entwicklung eher durch das folgende Schaubild beschrieben: ¼ ½¼ ½ ½¼ Abbildung 4: realistischeres Beispiel für r = 0. und X 0 = 10 Das Modell müsste daher noch verbessert werden, um die Entwicklung über den Zeitpunkt t = 10 hinaus korrekt zu schreiben. Dabei ist zu berücksichtigen: 1. Die Petrischale ist nicht unendlich groÿ, d.h. eine wachstumsbeschränkende Bedingung muss in das Modell integriert werden.. Fehler durch Diskretisierung der Zeit? 3. Einussnehmende Faktoren wie Lichteinstrahlung, Feuchtigkeit, Temperatur etc. werden nicht berücksichtigt. Später werden wir sehen, welch verheerende Auswirkungen der begrenzende Faktor 1 X t auf die Dynamik des Systems haben kann. 4
5 1.3 Kaninchen-Population nach Fibonacci: Das folgende Modell zur Beschreibung einer Kaninchenpopulation geht auf Leonardo von Pisa 3 zurück. Es beruht auf den folgenden Annahmen: 1. Es gibt ein Kaninchenpaar zu Beginn.. Jedes Kaninchenpaar bringt ab dem zweiten Monat monatlich genau ein Paar zur Welt. Die Entwicklung lässt sich folgendermaÿen darstellen: Abbildung 5: Leonardo von Pisa ÓÖØÔ ÒÞÙÒ Ã Ò Ò ÒÔ Ö ÓÖØÔ ÒÞÙÒ ÙÒ Ã Ò Ò ÒÔ Ö Ð Ã Ò Ò ÒÔ Ö Ã Ò Ò Ò ÐØ ÖÒ¹Ã Ò Ò Ò Ò Ö Abbildung 6: Schematische Veranschaulichung des Fibonacci-Modells Wie erhalten somit die sogenannte Fibonacci-Folge 1, 1,, 3, 5,... und es drängt sich die Frage auf, wie diese Folge fortzusetzen ist. Mathematische Modellierung: t : Zeit in ganzen Stunden, X t : Ein Hundertstel der Anzahl der Kaninchenpaare nach t Monaten, X 0 = 1 Wir möchten anhand der Annahmen den Generationswechsel von X t nach X t+1 beschreiben. Da alle Kaninchenpaare der Vorgeneration überleben, beschreibt X t+1 X t 3 Leonardo von Pisa ungefähr , einer der herausragendsten Mathematiker des Mittelalters, förderte die Verbreitung des arabischen Zahlensystems und hielt die Regeln der Arithmetik Rechenregeln in seinem Hauptwerk liber abbaci für die Nachwelt fest. Diesem Werk entstammt auch das hier zitierte Modell der Kaninchen-Population. 5
6 die Anzahl der neugeborenen Kaninchenpaare ist. Aufgrund der zweiten Annahme bringen alle Kaninchenpaare, die Monate alt oder älter sind - dies sind X t 1 Stück - genau ein neues Kaninchenpaar zur Welt. Es folgt X t+1 X t = X t 1 bzw. X t+1 = X t + X t 1 X 0 = 1, X 1 = 1 für alle t N Mathematische Analyse: Zur Lösung der Reskursionsgleichung X t+1 = X t + X t 1 machen wir den folgenden Ansatz: Xt = λ t. Es gilt X t+1 = X t + X t 1 für alle t N λ t+1 = λ t + λ t 1 für alle t N λ = λ + 1 λ 1, = 1 ± = 1 ± 5 Somit sind sowohl X t = λ t 1 als auch X t = λ t Lösungen der Rekursionsgleichung. Dennoch sind sie keine Lösungen des Problems wegen X 1 1. Darum betrachten wir X t := aλ t 1 + bλ t, a, b R. Dann gilt immer noch X t+1 = X t + X t 1, denn X t+1 = aλ t bλ t+1 = aλ1 t 1 λ 1 + bλ t 1 λ = aλ1 t 1 λ bλ t 1 λ + 1 = aλ t 1 + aλ t bλ t + bλ t 1 = aλ t 1 + bλ t + aλ t bλ t 1 = X t + X t 1. Die zu erfüllenden Anfangsbedingungen X 0 = 1 und X 1 = 1 bestimmen a und b: X 0 = 1, X 1 = 1 a + b = 1, aλ 1 + bλ = 1 Ergebnis unserer Untersuchungen ist die sogenannte b = 1 a, aλ aλ = 1 a = 1 λ = λ 1 λ = 5 5, b = 1 a = = 5. 6
7 Formel von Binet X t = t t Modellkritik: Eine Auswahl an Kritikpunkten: 1. Die Population wächst über alle Maÿen.. Die Anzahl der Nachkommen ist deterministisch. 3. Das Sterben der Kaninchen wird nicht berücksichtigt. 4. Die Nachkommenschaft ist nur sehr vereinfacht durch Pärchen modellierbar. 1.4 Vollständige Induktion Die vollständige Induktion ist eine Beweismethode, um eine für alle natürliche Zahlen formulierte Aussage zu beweisen. Zum Beispiel: n i=1 i 1 = n, d.h n 1 = n für alle n N. Für alle n N ist 3 n+4 n 1 durch 7 teibar. Um den Beweis zu erbringen, geht man folgendermaÿen vor: 1. Induktionsanfang: Man zeigt die Behauptung für n = 1.. Induktionsschritt: Man nimmt an, die Aussage sei für ein nichtpräzisiertes n N wahr und zeigt davon ausgehend die Aussage für n + 1. Sind beide Schritte erfolgreich durchgeführt, so ist die Behauptung für alle natürlichen Zahlen n N gezeigt. Im ersten Beispiel verfährt man daher folgendermaÿen: 1. Induktionsanfang: Für n = 1 beträgt die linke Seite 1 1 = 1 ebenso wie die rechte Seite. Damit stimmt die Aussage für n = 1 und der Induktionsanfang ist erledigt. 7
8 . Induktionsschritt: Es gelte die Aussage für ein n N, d.h. es gelte n i=1 i 1 = n. Dann gilt n+1 i 1 = i=1 n i 1 + n = n + n + 1 = n + 1 i=1 Folglich stimmt die Aussage für n + 1. Der Induktionsbeweis ist damit durchgeführt. 1.5 Grundbegrie der Analysis in R Im letzten Kapitel haben wir die Objekte X t oder X 0, X 1,... kennengelernt, die man als Folgen bezeichnet. Manchmal sind auch sogenannte Teilfolgen von X t von Interesse, etwa X 0, X, X 4, X 6,... oder X 1, X 3, X 6, X 10, X 15,.... Eine Folge X t heiÿt monoton fallend bzw. monoton wachsend, falls X t+1 X t bzw. X t+1 X t für alle t N gilt. Die Denition des zentralen Begris der gesamten Analysis geht auf die Mathematiker Weierstraÿ und Cauchy zurück: Denition 1.1. Eine Folge X t heiÿt konvergent mit Grenzwert x, falls für alle ε > 0 ein t 0 N existiert mit der Eigenschaft, dass für alle t t 0 die Ungleichung X t x < ε. a Karl Theodor Wilhelm Weierstraÿ b Augustin Louis Cauchy In diesem Fall schreibt man lim t X t = x oder auch X t x. Beispiele: 1. X t = 1 t. Wir zeigen lim t X t = 0. Sei ε > 0. Dann existiert ein t 0 N mit t 0 ε 1. Es folgt für alle t t 0 X t 0 = 1 t 1 t 0 ε. 8
9 . X t = 3 t 1 t + 1. Hier gilt lim t X t = 1. Sei ε > 0. Dann existiert ein t 0 N mit t 0 4ε 1. Es folgt für alle t t 0 X t 1 = 3 t 1 t 3 t + 1 t t 0 t 0 4ε = ε. 4ε 1 3. X t = κ t für κ 1, 1. In diesem Fall gilt lim t X t = X t = 1 t. Die Folge X t konvergiert nicht. Abbildung 7: Verlauf der obigen Folgen a X t = 1 t b X t = 3 t 1 t + 1 c X t = 0.8 t d X t = 1 t Wir verwenden in diesem Kurs die folgenden Resultate: Satz 1.. Sei X t beschränkte Folge und sei X t monoton wachsend oder monton fallend. Dann konvergiert X t gegen ein x R. Satz 1.3. Sei f : R R stetig und es gelte X t+1 = fx t für alle t N 0. Ist die Folge X t konvergent mit Grenzwert x R, dann gilt x = fx. 9
10 Lineare Rekursionen 1./. Ordnung mit konstanten Koezienten.1 Denitionen Bisher haben wir zwei mathematische Modelle kennengelernt, die durch Gleichungen der Form 1. X t+1 = 1 + rx t für alle t N 0 Bakterienwachstum. X t+1 = X t + X t 1 für alle t N 0 Fibonacci-Folge beschrieben wurden. Die erste Gleichung ist ein Beispiel einer Rekursionsgleichung erster Ordnung, da zur Berechnung der t + 1-ten Generation nur die Zustände der t-ten Generation benötigt werden. Rekursionsgleichungen erster Ordnung sind gegeben durch Gleichungen der Form 4 Xt+1 = fxt für alle t N0. Analog dazu bezeichnen wir die zweite Gleichung als Rekursionsgleichung zweiter Ordnung, da die Zustände zweier vorheriger Generationen benötigt werden. X t+1 = fx t, X t 1 für alle t N. Im Falle der Fibonacci-Folge: fx t, X t 1 = X t + X t 1.. Die Rekursionsgleichung X t+1 = ax t + b Wir betrachten die Rekursionsgleichung X t+1 = ax t + b für alle t N 0, wobei a, b R..1 Unser Ziel ist es, eine explizite Formel für X t herzuleiten. Die ersten Folgeglieder lauten: X 1 = ax 0 + b, X = ax 1 + b = aax 0 + b + b = a X 0 + a + 1b, X 3 = ax + b = a a X 0 + a + 1b + b = a 3 X 0 + a + a + 1b. 4 Im oben genannten Beispiel: fx t = 1 + rx t mit r > 0. 10
11 Satz.1. Sei X t Lösung der Rekursionsgleichung.1. Dann gilt: Falls a 1 : Falls a = 1 : X t = a t X 0 + b 1 at 1 a, X t = X 0 + bt Beweis: Wir zeigen zunächst X t = a t X 0 + b t 1 i=0 ai. Auf dem Übungsblatt wird gezeigt, dass das die Behauptung impliziert. Induktionsanfang: Zeige die Behauptung für t = 1! r.s. = a 1 X 0 + b 0 a i = ax 0 + b, i=0 l.s. = X 1 = ax 0 + b, also stimmt die Behauptung für t = 1. Induktionsschritt: Wir nehmen an, die Aussage gelte für ein t N. Dann: X t+1 = ax t + b = a a t 1 t X 0 + b a i + b i=0 t 1 = a t+1 X 0 + b a i+1 + b = a t+1 X 0 + b = a t+1 X 0 + b i=0 t a i + b Folglich gilt die Behauptung für t + 1 der Induktionsbeweis ist vollbracht. i=1 t i=0 a i Bemerkung: Im Folgenden sei 0 0 := 1..3 Die Rekursionsgleichung X t+1 = a 1 X t + a X t 1 Die Rekursionsgleichung X t+1 = a 1 X t + a X t 1 ist eine Verallgemeinerung der im Fibonacci-Modell auftretenden Gleichung X t+1 = X t + X t 1. Dort waren wir mit dem Ansatz X t = aλ t 1 + bλt erfolgreich. Wir werden nun in einem mathematisch strikten Sinne beweisen, dass alle Lösungen solcher Rekursionsgleichungen dieser Form sind: 11
12 Satz.. Seien λ 1 λ reelle Nullstellen des Polynoms P x = x a 1 x a und sei X t Lösung der Rekursionsgleichung X t+1 = a 1 X t + a X t 1. Dann gilt Beweis: Sei X t eine Lösung und Y t := X t Z t für X t = λ X 0 X 1 λ λ 1 λ t 1 + λ 1X 0 + X 1 λ λ 1 λ t. Z t := λ X 0 X 1 λ λ 1 } {{ } =:c 1 λ t 1 + λ 1X 0 + X 1 λ λ 1 } {{ } =:c 1 λ t.. Wir wollen zeigen X t = Z t, d.h. Y t = 0. Per Voraussetzung wissen wir X t+1 = a 1 X t + a X t 1, also Ferner gilt Y t+1 = X t+1 Z t+1 = a 1 X t + a X t 1 c 1 λ t c λ t+1 = a 1 X t + a X t 1 a 1 c 1 λ t 1 + c λ t + a c 1 λ t c λ t 1 = a 1 X t + a X t 1 a 1 Z t + a Z t 1 = a 1 Y t + a Y t 1. Y 0 = X 0 Z 0 = X 0 λ X 0 X 1 λ λ 1 + λ 1X 0 + X 1 λ λ 1 = 0 Y 1 = X 1 Z 1 = X 1 λ X 0 X 1 λ λ 1 λ 1 + λ 1X 0 + X 1 λ λ 1 λ = 0. Ein Induktionsbeweis liefert Y t = 0 für alle t N 0. Somit folgt X t = Z t und damit die Behauptung. Frage: Wie sieht es in den Fällen aus, wo das Polynom zweiten Grades P nur reelle Nullstelle oder überhaupt keine reellen Nullstellen besitzt? Den Fall genau einer Nullstelle, also a 1 + 4a = 0, lösen wir auf dem Übungsblatt: Satz.3. Sei λ R gegeben mit P x = x a 1 x a = x λ, sei X t Lösung der Rekursionsgleichung X t+1 = a 1 X t + a X t 1. Dann gilt X t = tλ t 1 X 1 + λ t 1 tx 0. Beweis: Siehe Übungsblatt. Falls P keine reellen Nullstellen besitzt, müssen wir auf komplexe Zahlen ausweichen, um ein ähnliches Resultat zu bekommen. 1
13 .3.1 Komplexe Zahlen Die komplexen Zahlen a + ib mit a, b R wurden bereits im 16. Jahrhundert von Mathematikern zur Lösung polynomieller Gleichungen verwendet. Es gelten dieselben Rechenregeln wie für reelle Zahlen: 1. Kommutativgesetz: z 1 z = z z 1 bzw. z 1 + z = z + z 1. Assoziativgesetz: z 1 z z 3 = z 1 z z 3 bzw. z 1 + z + z 3 = z 1 + z + z 3 3. Distributivgesetz: z 1 z + z 3 = z 1 z + z 1 z 3 bzw. z 1 + z z 3 = z 1 z 3 + z z 3. Die imaginäre Zahl i ist vage formuliert eine Zahl mit i = 1. Aus mathematischer Sicht ist dies allerdings zu unpräzise. Denition.4. Eine komplexe Zahl z ist ein Paar a, b reeller Zahlen a, b R, wir schreiben z = a + ib. Die Menge der komplexen Zahlen bezeichnet man mit C. Die komplexe Zahl i entspricht daher dem Zahlenpaar 0, 1. Die Rechenoperationen für komplexe Zahlen lauten 5 : 1. Addition: a 1 + ib 1 + a + ib := a 1 + a + ib 1 + b. Subtraktion: a 1 + ib 1 a + ib := a 1 a + ib 1 b 3. Multiplikation: a 1 +ib 1 a +ib := a 1 a b 1 b +ia 1 b +b 1 a 4. Division: a 1+ib 1 a +ib := a 1a +b 1 b + i a 1b +b 1 a a +b a +b Die Beziehung i = 1 folgt dann aus i = 0 + i i 1 = i = 1. Eine reelle Zahl a R kann als komplexe Zahl a + i 0 = a, 0 betrachtet werden. Man visualisiert die komplexen Zahlen durch Erweiterung der Zahlengerade zu einer Zahlenebene: Satz.5. Seien λ 1 λ C komplexe Nullstellen des reellen Polynoms P x = x a 1 x a und sei X t Lösung der Rekursionsgleichung X t+1 = a 1 X t +a X t 1. Dann gilt 6 X t = λ X 0 X 1 λ λ 1 λ t 1 + λ 1X 0 + X 1 λ λ 1 λ t. 5 Wichtig: Diese Operationen müssen deniert werden und sind nicht oensichtlich. 6 Besonders interessant ist, dass diese Formel trotz der komplexen Zahlen λ 1, λ eine reelle Zahl X t ergibt, denn X 0, X 1 sind reell und wegen X t+1 = a 1X t + a X t 1 sind auch X, X 3,... reelle Zahlen. 13
14 Beweis: Der Beweis ist identisch zu dem von Satz i 3 + i i Abbildung 8: komplexe Zahlenebene.4 Übung Lösen Sie die folgenden Gleichungen mit Hilfe der Mitternachtsformel in den komplexen Zahlen: i x = 1 ii x = 10 iii x + x + 1 = 0 Bestimmen Sie alle Lösungen der Rekursionsgleichung X t+1 = X t X t 1. Lösung: i x = ±i ii x = ± 10i iii x = 1 ± 3 i Zur Lösung der Rekursionsgleichung sind die Nullstellen des Polynoms P x = x +x+1 zu bestimmen. Nach Satz.5 lautet die Lösung X t = 1 i 3 X 0 X 1 i i t 1 + i 3 X 0 + X 1 i i t. 14
15 3 Lineare Rekursionen in Dimensionen Wir nennen eine Gleichung der Form X t+1 = f 1 X t, Y t Y t+1 = f X t, Y t eine zweidimensionale Rekursion erster Ordnung, da hier die Entwicklung zweier sich gegenseitig beeinussender Variablen X t und Y t untersucht werden und nur die Zustände der unmittelbaren Vorgängergeneration zur Bestimmung von X t+1 und Y t+1 benötigt werden. Im Spezialfall einer sogenannten linearen Rekursion X t+1 = α 1 X t + α Y t 3.1 Y t+1 = β 1 X t + β Y t können wir den in der letzten Vorlesung studierten Ansatz vom Eindimensionalen ins Zweidimensionale übertragen 7 : Xt a1 = λ t, d.h. X t = a 1 λ t, Y t = a λ t für a 1, a, λ R. 3. Y t a Verwenden wir nun diesen Ansatz 3. zur Lösung von 3.1, so muss für alle t N 0 gelten: a 1 λ t+1 = X t+1 = α 1 X t + α Y t = α 1 a 1 λ t + α a λ t = α 1 a 1 + α a λ t, 3.3 a λ t+1 = Y t+1 = β 1 X t + β Y t = β 1 a 1 λ t + β a λ t = β 1 a 1 + β a λ t. 3.4 Die Gleichungen 3.3, 3.4 sind äquivalent zu α1 α a1 α1 a := 1 + α a λa1 = =: λ β 1 β a β 1 a 1 + β a λa Dies ist ein sogenanntes Eigenwertproblem. Das Eigenwertproblem ist das zentrale Problem der linearen Algebra, welches in den ersten Semestern eines Mathematik-nahen Studiums ausführlich behandelt wird. Wegbereiter der modernen Eigenwerttheorie, die Anwendung in vielen Gebieten der Mathematik 7 Tatsächlich ist dieser Ansatz auf beliebig endlich viele Dimensionen übertragbar, sobald die im Folgenden studierten Konzepte der Eigenwerte und Eigenvektoren im Mehrdimensionalen deniert worden sind. Dies ist Gegenstand einer einführenden Mathematik-Vorlesung an der Universität. a1 a 15
16 und in den Naturwissenschaften ndet war der deutsche Mathematiker David Hilbert 8, auf den auch folgendes Zitat zurückgeht: "Denn im Allgemeinen erfreut sich die Mathematik, wenn auch ihre Bedeutung anerkannt wird, keiner Beliebtheit. Das liegt an der verbreiteten Vorstellung, Mathematik sei eine Fortsetzung oder Steigerung der Rechenkunst." α1 α Denition 3.1. Sei A := a1 0 eine Matrix. Ein Vektor heiÿt Eigenvektor der Matrix zum Eigenwert λ R, falls gilt β 1 β a 0 α1 a A v = λ v, d.h 1 + α a a1 = λ. β 1 a 1 + β a a Haben wir alle Eigenwerte und Eigenvektoren bestimmt, so besteht die Honung, dass wir wie in der letzten Vorlesung eine allgemeine Lösungsformel angeben können. Die Bestimmung von Eigenwerten und Eigenvektoren erfolgt über die Lösung eines linearen Gleichungssystems: a1 α1 a λ = 1 + α a a β 1 a 1 + β a { 0 = α 1 λa 1 + α a 0 = β 1 a 1 + β λa Beachte: Oft gibt es genau zwei unterschiedliche Eigenwerte, aber die zugehörigen Eigenvektoren sind nur bis auf skalare Vielfache eindeutig bestimmt: Ist der Vektor Eigenvektor, so auch jedes Vielfache von ihm, also auch Abbildung 9: David Hilbert 1 6, oder 4 1. Es genügt, zu beiden Eigenwerten jeweils einen Eigenvektor zu bestimmen. 3.1 Übung Zeigen Sie, dass die Vektoren, Eigenvektoren der Matrix 1 Wie lauten die jeweiligen Eigenwerte? 1 3 sind. 6 8 David Hilbert , einer der bedeutendsten Mathematiker mit Verdiensten in den Bereichen Zahlentheorie, Klassische Geometrie, Algebraische Geometrie, Logik, Mathematische Physik, Allgemeine Relativitätstheorie, etc.. Die mathematischen Leistungen dieses Mannes ist nicht zu unterschätzen! 16
17 Lösung: Es gilt = = = 0, = = = Bestimmen Sie die Eigenwerte und jeweils einen Eigenvektor der Matrix Lösung: Das zu lösende Gleichungssystem für a 1, a, λ lautet { { 0 = 5 λa 1 a 0 = 5 λ a 1 a = 0 = 3a λa 0 = 5 λ1 λ + 3 a a { 0 = 5 λ a 1 a = 0 = λ 6λ + 8 a 1 Da wir die Situation a 1 = a = 0 vermeiden wollen, nehmen wir a 1 0 an und erhalten für λ folgende Werte sprich λ 1 = und λ = 4. λ = 6 ± = 3 ± 1, Für λ 1 erhalten wir aus der ersten Gleichung die Bedingung 0 = 3a 1 a, für λ hingegen 0 = a 1 a und es gilt: 1 Eigenwert λ 1 =, Eigenvektor, 3 1 Eigenwert λ = 4, Eigenvektor Bestimmen Sie die Eigenwerte und jeweils einen Eigenvektor der Matrix Lösung: Das zu lösende Gleichungssystem für a 1, a, λ lautet { { 0 = λa 1 + 3a 0 = λ a 1 + 3a = 0 = 4a λa 0 = λ λ a a { 0 = λ a 1 + 3a = 0 = λ + 3λ + 10 a 1 17
18 Wieder verlangen wir a 1 0 und erhalten sprich λ 1 = 5 und λ =. λ = 3 ± = 3 ± 7, Für λ 1 erhalten wir die Bedingung 0 = 3a 1 + 3a, für λ 0 = 4a 1 + 3a. Somit: 1 Eigenwert λ 1 = 5, Eigenvektor 1 3 Eigenwert λ =, Eigenvektor 4 3. Fortsetzung Analog zu Satz. erhalten wir, dass die allgemeine Lösung eine Linearkombination der oben beschriebenen Eigenvektor-Lösungen ist. Satz 3.. Seien λ 1 λ komplexe Eigenwerte 9 α1 α der Matrix A := mit Eigenvektoren,. Dann ist die Lösung der β 1 β a1 b1 Rekursion a b Xt+1 Y t+1 α1 α = β 1 β Xt Y t gegeben durch Xt Y t = b X 0 Y 0 b 1 a 1 b b 1 a }{{ } =:c 1 λ t 1 a1 a + a X 0 + Y 0 a 1 a 1 b b 1 a }{{ } =:c λ t b1 b. Beweis: Seien Wir wollen Z t = X t Y t := c 1 λ t a1 1 + c a λ t 0 für alle t N 0 0 zeigen. b1 b, Z t := Xt Y t X t Y t. 9 Eine x-matrix besitzt maximal Eigenwerte, kann aber auch nur einen oder gar keinen reellen Eigenwert besitzen! 18
19 Es gilt: Xt+1 Z t+1 = Y t+1 α1 α = β 1 β α1 α = β 1 β α1 α = β 1 β α1 α = β 1 β α1 α = β 1 β α1 α = β 1 β X t+1 Y t+1 Xt Y t Xt c 1 λ t+1 1 a1 a + c λ t+1 b1 b c Y 1 λ t a1 1 λ 1 + c t a λ t b1 λ b Xt c Y 1 λ t α1 α 1 a1 + c t β 1 β a λ t α1 α b1 β 1 β b X t c Y 1 λ t a1 1 + c t a λ t b1 b X t X t Y t Y t Z t. Ferner X 0 = 0, Y 0 = 0, d.h. Z 0 = 0. Vollständige Induktion liefert Z t = t N 0 und wir erhalten X t = X t, Y t = Y t für alle t N 0, was zu zeigen war. 0 für alle 0 Bemerkung: Die Tatsache, dass wir wie bei den eindimensionalen Rekursionen.Ordnung die Existenz unterschiedlicher Eigenwerte/Nullstellen verlangen, verdeutlicht die strukturellen Gemeinsamkeiten der beiden Objekte. In der Tat ist jede Dierenzengleichung.Ordnung in einer Dimension X t+1 = fx t, X t 1 mittels der Transformation Y t := X t 1 äquivalent zu einem System erster Ordnung in Dimensionen: Xt+1 fxt, Y = t. Y t+1 X t 3.3 Übung Bestimmen Sie die allgemeine Lösung der Dierenzengleichung von Xt+1 4 Xt =. 1 Y t+1 Wie lautet die Lösung dieser Gleichung mit der Eigenschaft X 0 = 1, X = 16? Y t 19
20 Lösung: Zunächst sind Eigenwerte und zugehörige Eigenvektoren zu bestimmen: { { 0 = λa 1 + 4a 0 = 0 a 1 + λ λ + 4 a = 0 = a 1 + λa 0 = a 1 + λa { 0 = λ + 4λ a = 0 = a 1 + λa Wir verlangen a 0 und erhalten λ 1 = 0 und λ = 4. Für λ 1 erhalten wir die Bedingung 0 = a 1 + a, für λ 0 = a 1 a. Daher sind folgende Vektoren Eigenvektoren: Eigenwert λ 1 = 0, Eigenvektor 1 Eigenwert λ = 4, Eigenvektor 1 Die Lösungen sind somit gegeben durch hier 0 0 = 1 Xt = c 1 0 t + c 1 4 t 1 Die Anfangsbedingung X 0 = 1 und X = liefern Y t 1 = X 0 = c 1 + c = c 1 + c 16 = X = c c 4 = 3c Die einzige Lösung dieses Systems ist oenbar c 1 = 0, c = 1 Xt = 1 Y t 4t = 4 t und es folgt 0
1 Mathematische Modellierung und Grundlagen
1 Mathematische Modellierung und Grundlagen 1.1 Grundlagen mathematischer Modellierung Das Ziel der mathematischen Modellierung ist die verlässliche Vorhersage des Verhaltens zumeist naturwissenschaftlicher
Mehr1 Einführende Beispiele und vollständige Induktion
Einführende Beispiele und vollständige Induktion. Mathematische Modellierung Das Ziel der mathematischen Modellierung ist die verlässliche Vorhersage des Verhaltens eines zumeist naturwissenschaftlichen
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
MehrSerie 4 2 = 10. ) ist). Dann gilt für alle n n 0
Serie 4. Aufgabe 336 Punkte) Gegeben seien zwei reelle Zahlenfolgen durch a n : 0 n, n N b n : n n, n N Bestimmen Sie die Grenzwerte a bzw. b der Folgen a n ) n N bzw. b n ) n N. Geben Sie jeweils zu gegebenem
MehrFolgen und Reihen Folgen
Folgen und Reihen 30307 Folgen Einstieg: Wir beginnen mit einigen Beispielen für reelle Folgen: (i),, 4, 8, 6, (ii) 4,, 6, 3, 7, (iii) 0,,,, 3,, (iv), 3, 7,,, Aufgabe : Setzt die Zahlenfolgen logisch fort
Mehr1 Einführende Beispiele und vollständige Induktion
1 Einführende Beispiele und vollständige Induktion 1.1 Mathematische Modellierung Das Ziel der mathematischen Modellierung ist die verlässliche Vorhersage des Verhaltens eines zumeist naturwissenschaftlichen
MehrLösungen 4.Übungsblatt
Karlsruher Institut für Technology (KIT) WS 2011/2012 Institut für Analysis Priv.-Doz. Dr. Gerd Herzog Dipl.-Math.techn. Rainer Mandel Lösungen 4.Übungsblatt Aufgabe 13 (K) Bestimmen Sie sämtliche Häufungswerte
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrRechenoperationen mit Folgen. Rekursion und Iteration.
Rechenoperationen mit Folgen. Die Menge aller Folgen in V bildet einen Vektorraum, V N, für den die Addition und skalare Multiplikation wie folgt definiert sind. (a n ) n N + (b n ) n N := (a n + b n )
MehrEinige Gedanken zur Fibonacci Folge
Einige Gedanken zur Fibonacci Folge Im Folgenden gehe ich auf einige Aspekte von Aufgabe 4 auf Übungsblatt, d.h. auf Aufgabe 4 auf Seiten und 3 des Buches Hahn-Dzewas: Mathematik, ein. Die Aufgabe hat
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 13
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Serie 13 Diese letzte Serie des Semesters befasst sich noch einmal mit wichtigen Themen
MehrNumerische Verfahren und Grundlagen der Analysis
Numerische Verfahren und Grundlagen der Analysis Rasa Steuding Hochschule RheinMain Wiesbaden Wintersemester 2011/12 R. Steuding (HS-RM) NumAna Wintersemester 2011/12 1 / 26 1. Folgen R. Steuding (HS-RM)
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
MehrANALYSIS 1 Kapitel 6: Stetige Funktionen
ANALYSIS 1 Kapitel 6: Stetige Funktionen MAB.01012UB MAT.101UB Vorlesung im WS 2017/18 Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen Karl-Franzens-Universität Graz 6.1 Grundbegrie
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 10. Übungsblatt. < 0 für alle t > 1. tan(x) tan(0) x 0
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 03/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 0. Übungsblatt Aufgabe
MehrMathematik für Naturwissenschaftler I WS 2009/2010
Mathematik für Naturwissenschaftler I WS 2009/2010 Lektion 8 10. November 2009 Kapitel 2. Konvergenz von Folgen und Reihen Definition 27. Eine (reelle bzw. komplexe) Zahlenfolge ist eine R- bzw. C-wertige
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr1 Die Mandelbrotmenge
1 Die Mandelbrotmenge In diesem Abschnitt wollen wir mathematische Aspekte der sogenannten Mandelbrotmenge beleuchten, die wir im Folgenden mit M bezeichnen wollen. 1 Ihr Name ist ihrem Entdecker Benoît
MehrVorlesung. Inhalt. Lineare Algebra und Wahrscheinlichkeitsrechnung für Informatik Gunter Ochs, Nico Rompos Sommersemester 2016
Vorlesung Lineare Algebra und Wahrscheinlichkeitsrechnung für Informatik Gunter Ochs, Nico Rompos Sommersemester 2016 Inhalt Polynome, Algebraische Strukturen Vektorrechnung Lineare Algebra Elementare
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
Mehr30 KAPITEL 2. REELLE UND KOMPLEXE ZAHLEN
30 KAPITEL 2. REELLE UND KOMPLEXE ZAHLEN 2. Wir beginnen wieder mit x 0. Sei m die kleinste natürliche Zahl mit m > x. Eine solche Zahl existiert, da N wohlgeordnet ist. Dann ist m 1 x < m, da m 1 < m.
MehrDie reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen. Steven Klein
Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen Steven Klein 04.01.017 1 In dieser Ausarbeitung konstruieren wir die reellen Zahlen aus den rationalen Zahlen. Hierzu denieren wir zunächst
MehrFolgen und Reihen. Mathematik-Repetitorium
Folgen und Reihen 1.1 Vollständige Induktion 1.2 Zahlenfolgen 1.3 Eigenschaften konvergenter Zahlenfolgen 1.4 Konvergenzkriterien 1.5 Unendliche Reihen 1.6 Eigenschaften unendlicher Reihen 1.7 Rechnen
MehrHöhere Mathematik I für die Fachrichtung Informatik. Lösungsvorschläge zum 4. Übungsblatt
KARLSRUHER INSTITUT FÜR TECHNOLOGIE INSTITUT FÜR ANALYSIS Dr. Christoph Schmoeger Heiko Hoffmann WS 0/4 Höhere Mathematik I für die Fachrichtung Informatik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrKapitel 2. Zahlenbereiche
Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,... } = N {0} N. Rationale Zahlen Q := { m n m Z, n N }. Beachte:
MehrKarlsruher Institut für Technologie (KIT) WS 2012/13 Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning
Karlsruher Institut für Technologie (KIT) WS 212/13 Institut für Analysis 14.1.213 Prof. Dr. Tobias Lamm Dr. Patrick Breuning Aufgabe 1 Höhere Mathematik I für die Fachrichtung Physik 12. Übungsblatt Sei
MehrStefan Ruzika. 24. April 2016
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 2: Körper 24. April 2016 1 / 21 Gliederung 1 1 Schulstoff 2 Körper Definition eines Körpers
MehrZahlen und elementares Rechnen
und elementares Rechnen Christian Serpé Universität Münster 7. September 2011 Christian Serpé (Universität Münster) und elementares Rechnen 7. September 2011 1 / 51 Gliederung 1 2 Elementares Rechnen 3
Mehr3. Folgen und Reihen. 3.1 Folgen und Grenzwerte. Denition 3.1 (Folge) Kapitelgliederung
Kapitelgliederung 3. Folgen und Reihen 3.1 Folgen und Grenzwerte 3.2 Rechenregeln für konvergente Folgen 3.3 Monotone Folgen und Teilfolgen 3.4 Ein Algorithmus zur Wurzelberechnung 3.5 Reihen 3.6 Absolut
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
Mehr2 Rechentechniken. 2.1 Potenzen und Wurzeln. Übersicht
2 Rechentechniken Übersicht 2.1 Potenzen und Wurzeln.............................................. 7 2.2 Lösen linearer Gleichungssysteme..................................... 8 2.3 Polynome.........................................................
MehrÜbungen zu Einführung in die Analysis
Übungen zu Einführung in die Analysis (Nach einer Zusammengestellung von Günther Hörmann) Sommersemester 2011 Vor den folgenden Aufgaben werden in den ersten Wochen der Übungen noch jene zur Einführung
MehrLösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik II für biw/ciw/mach/mage/vt
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. F. Hettlich Dr. S. Schmitt Dipl.-Math. J. Kusch Karlsruhe, den 09.06.20 Lösungen zum 9. Übungsblatt zur Vorlesung Höhere Mathematik
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)
WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 18. Januar 2012 ZÜ DS ZÜ XII
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
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
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
MehrMusterlösung zu Blatt 6, Aufgabe 2
Musterlösung zu Blatt 6, Aufgabe 2 I Aufgabenstellung Es sei F = R N der Raum aller reellen, mit N induzierten Folgen. Weiter bezeichne N alle Nullfolgen, K alle konvergenten Folgen und B alle beschränkten
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
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
MehrElementare Beweismethoden
Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe
Mehr24 KAPITEL 2. REELLE UND KOMPLEXE ZAHLEN
24 KAPITEL 2. REELLE UND KOMPLEXE ZAHLEN x 2 = 0+x 2 = ( a+a)+x 2 = a+(a+x 2 ) = a+(a+x 1 ) = ( a+a)+x 1 = x 1. Daraus folgt dann, wegen x 1 = x 2 die Eindeutigkeit. Im zweiten Fall kann man für a 0 schreiben
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
MehrMitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester
Mitschrift Mathematik, Vorlesung bei Dan Fulea, 2. Semester Christian Nawroth, Erstellt mit L A TEX 23. Mai 2002 Inhaltsverzeichnis 1 Vollständige Induktion 2 1.1 Das Prinzip der Vollstandigen Induktion................
Mehr7 KONVERGENTE FOLGEN 35. inf M = Infimum von M. bezeichnet haben. Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt.
7 KONVERGENTE FOLGEN 35 und die größe untere Schranke mit bezeichnet haben. inf M = Infimum von M Definition. Sei (a n ) n N eine beschränkte Folge in R. Dann heißt der Limes superior der Folge, und lim
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
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
MehrKapitel 2. Zahlenbereiche
Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,...} = N {0} N. Rationale Zahlen Q := { m } n m Z, n N. Beachte:
MehrFolgen und Reihen. Thomas Blasi
Folgen und Reihen Thomas Blasi 02.03.2009 Inhaltsverzeichnis Folgen und Grenzwerte 2. Definitionen und Bemerkungen............................. 2.2 Konvergenz und Beschränktheit.............................
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
MehrMathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017
Mathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017 Dozent: Dr. M. V. Barbarossa (barbarossa@uni-heidelberg.de) Vorlesung+ Übung: Mo/Mi/Fr. 8:15-9:45Uhr, SR 1, INF 205 Termin
MehrMathematischer Vorkurs
Mathematischer Vorkurs Dr. Agnes Lamacz Mathematischer Vorkurs TU Dortmund Seite 1 / 170 Vollständige Induktion Kapitel 13 Vollständige Induktion Mathematischer Vorkurs TU Dortmund Seite 117 / 170 Vollständige
MehrHöhere Mathematik II für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. SS 6 9.4.6 Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge zum. Übungsblatt Aufgabe
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 =
MehrExplizite Formeln für rekursiv definierte Folgen
Schweizer Mathematik-Olympiade Explizite Formeln für rekursiv definierte Folgen Aktualisiert: 6 Juni 014 In diesem Skript wird erklärt, wie man explizite Formeln für rekursiv definierte Folgen findet Als
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrFolgen. Kapitel 2. Folgen. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 2 Folgen Peter Becker (H-BRS) Analysis Sommersemester 2016 89 / 543 Inhalt Inhalt 1 Folgen Definition kriterien in C, R d und C d Peter Becker (H-BRS) Analysis Sommersemester 2016 90 / 543 Definition
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
MehrMusterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr
TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,
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
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrWeitere einfache Eigenschaften elementarer Funktionen
Kapitel 6 Weitere einfache Eigenschaften elementarer Funktionen 6.1 Polynome Geg.: Polynom vom Grad n p(x) = a 0 + a 1 x +... + a n 1 x n 1 + a n x n, also mit a n 0. p(x) = x n ( a 0 x + a 1 n x +...
MehrMusterlösung zum Weihnahchtsübungsblatt. Teil 1 von Martin Fabricius. Aufgabe 1
Musterlösung zum Weihnahchtsübungsblatt Teil von Martin Fabricius Aufgabe a) Diese Aufgabe kann z. B. durch ausmultiplizieren gelöst werden: (433) 7 = 4 7 3 +3 7 + 7 +3 7 0 = 4 343+3 49+ 7+3 = 37+47+4+3
Mehr3 Vollständige Induktion
3.1 Natürliche Zahlen In den vorherigen Kapiteln haben wir die Menge der natürlichen Zahlen schon mehrfach als Beispiel benutzt. Das Konzept der natürlichen Zahlen erscheint uns einfach, da wir es schon
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
MehrAlternativ kann man auch die Differenz a n+1 a n betrachten:
Aufgabe 1 Folgen auf Monotonie und Beschränktheit prüfen. a) Beschränktheit? Die Folge ( ) n N mit = n + ( 1) n ist nach unten beschränkt, denn es gilt n + ( 1) n n 1 1 für alle n N. Allerdings ist die
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
MehrMathematik B Prüfung Frühjahrssemester 2017
Mathematik B Prüfung Frühjahrssemester 2017 Dr. Reto Schuppli 26. Juni 2017 Mathematik B: Prüfung Frühjahrssemester 2017 1 phantom Teil I: Oene Fragen (50 Punkte) Allgemeine Anweisungen für oene Fragen:
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
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrVektorräume. Stefan Ruzika. 24. April Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 3: Vektorräume 24. April 2016 1 / 20 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume Erinnerung:
MehrANALYSIS 1 Kapitel 2: Reelle und komplexe Zahlen
ANALYSIS 1 Kapitel 2: Reelle und komplexe Zahlen MAB.01012UB MAT.101UB Vorlesung im WS 2017/18 Günter LETTL Institut für Mathematik und wissenschaftliches Rechnen Karl-Franzens-Universität Graz 2.1 Körperstruktur
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrRekursionen (Teschl/Teschl 8.1/8.2)
Rekursionen (Teschl/Teschl 8.1/8.2) treten in vielen Algorithmen auf: Eine Rekursion ist eine Folge von Zahlen a 0, a 1, a 2,.., bei der jedes a n aus seinen Vorgängern berechnet wird: Beispiele a n =
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrDifferenzengleichungen - Einführendes
Differenzengleichungen - Einführendes Stefan Lell 10.Oktober 2006 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Die Kaninchenfrage........................ 3 1.2 Allgemeines und erste Definitionen...............
MehrBrückenkurs Rechentechniken
Brückenkurs Rechentechniken Dr. Jörg Horst Technische Universität Dortmund Fakultät für Mathematik SS 2014 1 Vollständige Induktion Vollständige Induktion 2 Funktionenfolgen Punktweise Konvergenz Gleichmäßige
MehrLösungsvorschlag zu den Hausaufgaben der 8. Übung
FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H
MehrVollständige Induktion
Angenommen, wir wollen zeigen, dass eine Aussage P(n) für alle n N wahr ist. Anders ausgedrückt: Es gilt n N : P(n) Hierzu können wir die Technik der vollständigen Induktion verwenden. Wir zeigen, dass
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
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und en Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 2008/2009 Übung 6 Einleitung Eventuell auftretende Fragen zum Übungsblatt sollen beantwortet werden. Dazu ist es erforderlich,
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
MehrMan kann die natürlichen Zahlen in verschiedenen Klassen einteilen:
A.1.1 Zahlenmengen Die Menge der natürlichen Zahlen, die mit N bezeichnet werden N = {1, 2, 3, 4, 5,... } benutzen wir im Alltag, um mehrere gleichartige Gegenstände zu zählen. Es gibt unendlich viele
MehrD-ITET Analysis II FS 13 Prof. Horst Knörrer. Musterlösung 1. 3xy 2 = 2 x 2. y y. 3 y y. 3 x v x + v = 2 3 v v.
D-ITET Analysis II FS 3 Prof. Horst Knörrer Musterlösung. a) Es gilt: dy d 3 + y 3 3y 3 y + y 3. Dies ist eine homogene Differentialgleichung, das heisst y hängt nur von y ab. Setze v : y y() v() y v +
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 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/
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Sätze PLUS Es gilt für A, B R n n : det(ab) = det A det B (Determinantenmultiplikationssatz)
MehrKapitel 1. Grundlegendes
Kapitel 1 Grundlegendes Abschnitt 1.4 Vollständige Induktion Charakterisierung der natürlichen Zahlen Die Menge N 0 = {0, 1, 2, 3,...} der natürlichen Zahlen läßt sich wie folgt charakterisieren: 1. 0
MehrLineare Differenzengleichungen und Polynome. Franz Pauer
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 13/7, A-600 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at Vortrag beim ÖMG-LehrerInnenfortbildungstag
MehrÜbungen. Mathematik für Studierende der Biologie und des Lehramtes Chemie
Übungen Mathematik für Studierende der Biologie und des Lehramtes Chemie Dominik Schillo Universität des Saarlandes 7..7 (Stand: 7..7, 3:47 Uhr) Blatt : Ausgabe:..7, Abgabe: 7..7, Übungen: 4..7, 7..7,
MehrDas Newton Verfahren.
Das Newton Verfahren. Ziel: Bestimme eine Nullstelle einer differenzierbaren Funktion f :[a, b] R. Verwende die Newton Iteration: x n+1 := x n f x n) f x n ) für f x n ) 0 mit Startwert x 0. Das Verfahren
MehrVorkurs Mathematik. Übungen Teil IV
Vorkurs Mathematik Herbst 009 M. Carl E. Bönecke Skript und Übungen Teil IV. Folgen und die Konstruktion von R Im vorherigen Kapitel haben wir Z und Q über (formale) Lösungsmengen von Gleichungen der Form
MehrDifferentialgleichungen sind überall!
Differentialgleichungen sind überall! Helmut Abels Fakultät für Mathematik Universität Regensburg Folien und Co.: http://www.uni-regensburg.de/mathematik/mathematik-abels/aktuelles/index.html Schnupperstudium
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrFolgen und Reihen. Folgen. Inhalt. Mathematik für Chemiker Teil 1: Analysis. Folgen und Reihen. Reelle Funktionen. Vorlesung im Wintersemester 2014
Inhalt Mathematik für Chemiker Teil 1: Analysis Vorlesung im Wintersemester 2014 Kurt Frischmuth Institut für Mathematik, Universität Rostock Rostock, Oktober 2014... Folgen und Reihen Reelle Funktionen
Mehr