KAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
|
|
- Hinrich Hartmann
- vor 6 Jahren
- Abrufe
Transkript
1 KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix und die Matrizen A,B,C,D Blöcke von X. Analog kann man Matrizen mit beliebig vielen Blöcken definieren, sofern die entsprechenden Größen der Matrizen zusammenpassen. Satz 8.2 (Produkt von Blockmatrizen). Es seien ( ) ( A B X = K (m 1+m 2 ) (n 1 +n 2 ) K L und Y = C D M N Blockmatrizen mit ) K (n 1+n 2 ) (p 1 +p 2 ) und dann ist A K m 1 n 1,B K m 1 n 2,C K m 2 n 1,D K m 2 n 2 K K n 1 p 1,L K n 1 p 2,M K n 2 p 1,N K n 2 p 2. XY = ( AK +BM AL+BN CK +DM CL+DN ) K (m 1+m 2 ) (p 1 +p 2 ). Satz 8.3 (Eigenschaften von quadratischen oberen Dreiecksblockmatrizen). Es sei ( ) A B X = K n n 0 C eine quadratische Blockmatrix mit Blöcken und Dann gilt: A K n 1 n 1,B K n 1 n 2,C K n 2 n 2 0 = K n 2 n 1. a) X ist invertierbar, genau dann wenn A und C invertierbar sind. 34
2 b) Falls X invertierbar ist, gilt ( X 1 A 1 A 1 BC 1 ) = 0 C 1 c) e) d) det(x) = det(a) det(c) χ X = χ A χ C Spektrum(X) = Spektrum(A) Spektrum(C) Korollar 8.4. Für obere Dreiecksmatrizen D = (d i,j ) i,j=1,...,n mit d i,j = 0 falls i > j gilt a) det(d) = n i=1 d i,i b) Spektrum(D) = {d 1,1,...,d n,n }.
3 2. Invariante Unterräume Definition 8.5. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Einen Unterraum U von V nennt man eine f-invarianten Unterraum, falls f(u) U. Ist A K n n so nennt man einen Unterraum U K n einen A- invarianten Unterraum, falls AU := {Au u U} U. Definition 8.6. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Ist x V, so nennt man den Unterraum Z x (f) := span{x,f(x),f 2 (x),...} V den zyklischen Unterraum von f bezüglich x V. Bemerkung: Jeder zyklische Unterraum von f ist f-invariant. Definition 8.7. Es sei V ein Vektorraum und f : V V ein Endomorphismus. Ist λ K ein Eigenwert von f, so nennt man Eig λ (f) = Kern(λ id f) = {x V f(x) = λx} den Eigenraum von f zum Eigenwert λ. Bemerkung: Jeder Eigenraum von f ist f-invariant. Satz 8.8. Sind λ 1 und λ 2 zwei unterschiedliche Eigenwerte eines Endomorphismus f : V V, so ist Eig λ1 (f) Eig λ2 (f) = {0}. Definition 8.9. Es sei V ein endlich dimensionaler Vektorraum. Und f : V V ein Endomorphismus. Nach Satz 7.8 und 7.16 lässt sich das charakteristische Polynom χ f in der Form χ f (t) = (λ 1 t) a 1...(λ k t) a k q(x) zerlegen, wobei λ 1,...,λ k die verschiedenen Eigenwerte von f sind und q ein Polynom ohne Nullstellen ist. a) Die Zahl a i nennt man algebraische Vielfachheit des Eigenwerts λ i. b) Die Zahl dimeig λi (f) nennt man geometrische Vielfachheit des Eigenwertes λ i. Satz Es sei V ein endlich dimensionaler Vektorraum. Für jeden endomorphismus f : V V gilt: Die geometrische Vielfachheit eines Eigenwertes ist kleiner oder gleich der algebraischen Vielfachheit. Lemma Es sei V ein endlich dimensionaler Vektorraum. Ist λ ein Eigenwert eines Endomorphismus f : V V und Eig λ (f) der zugehörige Eigenraum. Für die Abbildung f : Eig λ (f) Eig λ (f), x f(x) gilt: a) χ f = (t λ) g mit g = dimeig λ (f) b) χ f ist ein Teiler von χ f.
4 3. Diagonalisierbarkeit Definition Es sei V ein endlich dimensionaler Vektorraum. Einen Endomorphismus f : V V nennt man diagonalisierbar, falls es eine Basis B von V gibt, so dass die Darstellungsmatrix von f bezüglich B eine Diagonalmatrix ist. Eine quadratische Matrix A K n n nennt man diagonalsierbar, falls sie ähnlich zu einer Diagonalmatrix ist. Satz Es sei V ein endlichdimensionaler Vektorraum. Ein Endomorphismus f : V V ist genau dann diagonalisierbar, wenn die Darstellungsmatrix von f bezüglich irgendeiner Basis diagonalisierbar ist. Satz Es sei V ein endlich dimensionaler Vektorraum. Ein Endomorphismus f : V V ist genau dann diagonalisierbar, wenn V eine Basis bestehend aus Eigenvektoren von f besitzt. Eine Matrix A K n n ist genau dann diagonalsierbar, wenn K n eine Basis aus Eigenvektoren von A besitzt. Korollar Es sei V ein Vektorraumm der Dimension n N. Zu einem Endomorphismus f : V V bezeichne λ 1,...,λ k K die verschiedenen Eigenwerte, Eig λ1 (f),...,eig λk (f) die entsprechenden Eigenräume und g 1,...,g k die entsprechenden geometrischen Vielfachheiten. a) Äquivalent sind: (i) f ist diagonalisierbar (ii) Eig λ1 (f)+ +Eig λk (f) = V (iii) k j=1 g j = dim(v) b) Hat f n verschiedene Eigenwerte, dann ist f diagonalisierbar. c) Ist f diagonalisierbar, so ist für jeden Eigenwert die algebraische Vilefachheit gleich der geometrischen Vielfachheit.
5 4. Nilpotente Endomorphismen Definition Es sei V ein Vektorraum. Einen Endomorphismus f : V V nennt man nilpotent, falls es ein k N gibt, so dass f k die Nullabbildung ist. Eine Matrix A K n n nennt man nilpotent, wann es ein k N gibt, so dass A k = 0 ist. Lemma Ist der Endomorphismus f : V V nilpotent, so ist 0 der einzige Eigenwert von f. Satz Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Dann sind äquivalent: a) f ist nilpotent b) Das Minimalpolynom von f ist ein Monom c) Es gibt eine Basis von V bezüglich derer die Darstellungsmatrix von f eine oberer Dreiecksmatrix ist deren Diagonalelemente alle 0 sind. Lemma Es seien A,B K n n Matrizen welche AB = BA erfüllen. Es gilt: a) (A+B) n = n k=0 ( ) n A k B n k. k b) Ist B nilpotent, so ist auch AB nilpotent. c) Sind A und B nilpotent, so ist auch A+B nilpotent. Satz Es sei K ein Körper mit unendlich vielen Elementen. Es seien A,N K n n, N nilpotent und AN = NA, dann gilt χ A = χ A+N.
6 5. Das Lemma von Bezout (für Polynome) Definition Es seien p und q Polynome mit Koeffizienten aus einem Körper K. a) p ist ein Teiler von q, falls es ein r K[x] gibt, so dass pr = q ist. In diesem Fall sagt man auch q ist ein Vielfaches von p. b) p und q heißen teilerfremnd, fall aus r teilt p und r teilt q folgt, dass r konstant ist. c) p heißt irreduzibel, wenn aus p = qr folgt, dass q oder r konstant ist. Lemma Ist p K[x] irreduzibel und teilt p das Produkt fg für f,g K[x], so teilt p mindestens eines der beiden Polynome f,g. Satz Jedes nichtkonstante normierte Polynom p K[x] kann auf (bis auf Reihenfolge) eindeutige Weise als Produkt normierter irreduzibler Polynome dargestellt werden. Definition Es seien p,q K[x] Polynome mit p 0 und q 0. Das Polynom t heißt größter gemeinsame Teiler ( ggt(p,q)) von p und q, falls jeder andere gemeinsame Teiler von p und q ein Teiler von t ist. Lemma 8.25 (Bezout). Sind f,g K[x] teilerfremnd, so gibt es q 1,q 2 K[x], so dass fq 1 +gq 2 = 1 ist.
7 6. Zerlegung in f invariante Unterräume Lemma Es sei V ein Vektorraum und f : V V ein Endomorphismus. a) Für jedes Polynom p K[x] ist Bild(p(f)) und Kern(p(f)) f- invariant. b) Sind p und q Polynome und ist p ein Teiler von q, so ist Kern(p(f)) Kern(q(f)). Satz Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Das Minimalpolynom m f sei das Produkt zweier normierter, nichtkonstanter, teilerfremnden Polynome r und s. dann gilt: a) Die Unterräume U := Bild(r(f)) und W := Bild(s(f)) sind beide f-invariant. b) Es gilt V = U W. c) Es gilt U = Kern(s(f)) und W = Kern(r(f)) Satz Es sei V ein endlich dimensionaler Vektorraum und f : V V ein Endomorphismus. Weiter sei m f = p a 1 1 pa pa k k eine Zerlegung des Minimalpolynoms in normierte, irreduzible paarweise verschiedene Faktoren p 1. a) As gilt: V = Kern(p 1 (f) a 1 ) Kern(p 2 (f) a 2 ) Kern(p k (f) a k ). b) Es gibt eine Basis von V, so dass die Darstellungsmatrix von f bezüglich dieser Basis eine Blockmatrix mit Blöcken A 1 K d 1 d 1,..., A k K d k d k mit d i = dimkern(p i (f) a i ) ist. Korollar a) Es sei dim(v) = n < und f : V V ein Endomorphismus. Es seien q 1,q 2,...q k die irreduziblen normierten nichtkonstanten Faktoren des Minimalpolynoms m f, also m f = q a q a k k mit a 1,...,a k N. Dann gibt es eine Basis von V bezüglich derer die Darstellungsmatrix von f eine Blockdiagonalmatrix, mit quadratischen Blöcken A 1,A 2,...A k ist. Hier bei ist A i K d i d i mit d i = dimkern(q 1 (f) a 1 ). b) Es sei A K n n. Es seien q 1,q 2,...q k die irreduziblen normierten nichtkonstanten Faktoren des Minimalpolynoms m f, also m f = q a q a k k mit a 1,...,a k N. Dann gibt es ein T GL n (K) und eine Blockdiagonalmatrix, so dass A = TBT 1 ist. Für die quadratischen Blöcke A i K d i d i gilt d i = dimkern(q 1 (A) a 1 ).
8 7. Die Jordan Normalform I Satz Es sei K ein Körper mit unendlich vielen Elementen, V ein endlich dimensionaler Vektorraum über K und f ein Endomorphismus mit linear zerfallendem charakteristischem Polynom k χ f (x) = (x λ j ) m j. j=1 Die λ j K sind hierbei die verschiedenen Eigenwerte von f (die m j also die algebraischen Vielfachheiten) Dann gibt es eine Basis von V, so dass die Darstellungsmatrix von f eine Blockdiagonalmatrix A 1 A 2... Ak mit A j = λ j E + N j K m j m j und N j nilpotent ist für die alle Einträge n l,s mit l s Null sind. Korollar Es sei K ein Körper mit unendlich vielen Elementen und A K n n. Dann sind äquivalent: (i) Das charakteristische Polynom von A zerfällt linear (ii) A ist ähnlich zu einer oberen Dreiecksmatrix Lemma Es seien M K p p und N K q q nilpotent. Dann gibt es zu jedem C K p q genau ein X K p q, so dass X = MX XN +C.
9 8. Die Jordan Normnalform II Satz Es sei K ein Körper mit unendlich vielen Elementen, V ein Endlichdimensionaler Vektorraum und f : V V ein Endomorphismus. das Charakteristische Polynom von f sei linear zerfallend, d.h. χ f (x) = k (x λ j ) m j, λ i λ j falls i j. j=1 Dann gibt es eine Basis von f, so dass die Darstellungsmatrix von f Blockdiagonalmatrix A 1 A 2 A =, A j K m j m j... Ak ist. Jeder Block A j korrespondiert zum Eigenwert λ j und hat wieder Blockdiagonalgesatlt B j,1 B j,2..., B j,i K d i d i Bj,gj mit Blöcken der Form λ 1 0 ( ) λ (λ),, λ... 1 Kd i d i. λ Lemma Ist V ein endlich dimensionaler Vektorraum, und ist f : V V ein nilpotenter Endomorphismus, so gibt es zyklische Unterräume Z x1 (f),...,z xk (f), so dass V = Z x1 (f) Z xk (f). Lemma Ist V ein endlich dimensionaler Vektorraum, f : V V ein Endomorphismus, und V zyklisch (also V = Z x (f) für ein x V). Dann gibt es eine Basis von V, so dass die Darstellungsmatrix von V die Form hat. Bemerkung: Haben A K n n und à Kn n die selbe Jordan Normalform (bis auf Vertauschung der Blöcke) so sind A und à ähnlich zueinander.
10 9. Die Jordan Normalform III Satz Es sei K ein Körper mit unendlich vielen Elementen. a) Es sei V ein endlich dimensionaler Vektorraum über K und f : V V ein Endomorphismus mit charakteristischem Polynom χ f (t) = k j=1 (t λ j) m j. Die Jordan Normalform von f ist bis auf Vertauschung der Blöcke eindeutig. b) Sind A K n n und à Kn n ähnlich und haben A wie à jeweils ein charakteristisches Polynom welches in lineare Faktoren zerfällt, dann haben sie bis auf Vertauschung der Blöcke die selbe Jordan Normalform. Bemerkung: Mit den Bezeichungen aus Satz 8.33 folgt: a) g i (also die Anzahl der Blöcke B j i) ist die geometrische Vielfachheit. b) Ist m f (x) = k j=1 (x λ j) s j das Minimalpolynom von f, so ist s j = max{d 1,...,d gj }.
6 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,
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
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
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
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
Mehr5. Übung zur Linearen Algebra II -
5. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 2. Aufgabe 7 5 A := 2. 3 2 (i) Berechne die Eigenwerte und Eigenvektoren von A. (ii) Ist A diagonalisierbar?
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
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
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
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
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
Mehr18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 53 Norm von Endomorphismen und Matrizen Definition 53.1. Es seien V und W endlichdimensionale normierte K-
Mehr3.3 Das charakteristische Polynom
LinAlg II Version 1 2. Mai 2006 c Rudolf Scharlau 209 3.3 Das charakteristische Polynom Wir setzen die im vorigen Abschnitt begonnene Untersuchung von Eigenvektoren und Eigenwerten fort und stellen den
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
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
MehrLineare Algebra II. Inhalt und Begriffe. Lineare Algebra II p. 1
Lineare Algebra II Inhalt und Begriffe Lineare Algebra II p. 1 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen Algebra... Lineare Algebra II p. 2 Inhaltsverzeichnis Kapitel II Grundlagen der Linearen
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.
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrKlausur Lineare Algebra I & II
Prof. Dr. G. Felder, Dr. Thomas Willwacher ETH Zürich, Sommer 2010 D MATH, D PHYS, D CHAB Klausur Lineare Algebra I & II Bitte ausfüllen! Name: Vorname: Studiengang: Bitte nicht ausfüllen! Aufgabe Punkte
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
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.
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrLineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt
Lineare Algebra II Prof. Dr. Uwe Jannsen Sommersemester 2006 1 Transformation auf Dreiecksgestalt Sei K ein Körper. Definition 1.1 Zwei Matrizen A und A M n (K) heißen ähnlich (oder konjugiert), wenn es
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
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).
MehrLineare Algebra II 12. Übungsblatt
Lineare Algebra II 12. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 13. / 14. Juli 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Probeklausur) Sprechen Sie über die Probeklausur
MehrLeitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.
Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
MehrLineare Schieberegisterfolgen
Lineare Schieberegisterfolgen Sei K ein endlicher Körper. Man nehme zwei Vektoren x 0 a0 x n 1, a n 1 K n n 1 x n := a i x i und betrachte die lineare Abbildung : K n K n, die durch i=0, berechne x 0 x
Mehr1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von
1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von Wachstumsraten Bestimmung von Maximal- und Minimalwerten von
MehrBonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen
Bonusmaterial Euklidische und unitäre Vektorräume Geometrie in höheren Dimensionen Orthogonale und unitäre Endomorphismen Wir untersuchen nun lineare Abbildungen in euklidischen und unitären Vektorräumen
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
Mehrvon F bezüglich B eine obere Dreiecksmatrix ist, dh λ λ n x
3 Die Jordan-Normalform In diesem Abschnitt wollen wir Endomorphismen untersuchen, die nicht unbedingt diagonalisierbar sind Wir werden sehen, dass in vielen Fällen eine etwas schwächere Normalform der
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
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
MehrKapitel 5. Endomorphismen von Vektorräumen. 5.3 Nilpotente Endomorphismen
Kapitel 5 c M Roczen und H Wolter Preview zur aktuellen Fassung: Lineare Algebra individuell Online Ver 052, 1552005 Alle Rechte vorbehalten Endomorphismen von Vektorräumen V 0 sei ein Vektorraum über
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
MehrRinge. Kapitel Einheiten
Kapitel 8 Ringe Die zahlreichen Analogien zwischen Matrizenringen und Endomorphismenringen (beides sind zugleich auch Vektorräume) legen es nahe, allgemeinere ringtheoretische Grundlagen bereitzustellen,
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrÜbungen zu Lineare Algebra und Geometrie 1
Übungen zu Lineare Algebra und Geometrie 1 Andreas Čap Sommersemester 2015 Wiederholung grundlegender Begriffe (1 Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch f(x, y,
MehrKapitel 5. Endomorphismen von Vektorräumen. 5.4 Die jordansche Normalform
Kapitel 5 c M. Roczen und H. Wolter Preview zur aktuellen Fassung: Lineare Algebra individuell Online Ver. 0.52 28.5.2005 Alle Rechte vorbehalten Endomorphismen von Vektorräumen V 0 sei ein Vektorraum
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
MehrLineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin:
Lineare Algebra I - 9.Vorlesung - rof. Dr. Daniel Roggenkamp & Falko Gauß Korrektur: 2. Klausurtermin: 09.02.2017 Linearkombination von Vektoren lineare Hülle Erzeugendensystem S lineare Unabhängigkeit
Mehr(a) Bestimmen Sie die Matrixdarstellung dieser Abbildung bzgl. einer möglichst einfachen Basis von P n - (b) Bestimmen Sie die zu F duale Abbildung F.
Übung. Wiederholen Sie die folgenden Begriffe und geben sie jeweils Beispiele (a) Vektorraum (b) Vektorraumhomomorphismus mit Spezialfällen (c) Basis (d) Dualraum (e) Duale Basis (f) Koordinatenabbildung
Mehr3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153
3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische
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
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
MehrTrigonalisierung einer Matrix Version ( )
Trigonalisierung einer Matrix Version (21.05.04) > with(linalg): > B:=matrix(4,4,[3,-1,1,-1, 2,1,0,-2, -1,0,4,0, 1,-1,0,2]); 3 1 1 1 B := 2 1 0 2 1 0 4 0 1 1 0 2 B ist Darstellungsmatrix des Endomorphismus
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
MehrKlausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
MehrStichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016
Stichwortliste zur Vorlesung Lineare Algebra II Gabriela Weitze-Schmithüsen Saarbrücken, Sommersemester 2016 Kapitel I Jordansche Normalform Ziel: Wir möchten Matrizen bis aus Ähnlichkeit klassifizieren.
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 23 Die Gradformel Satz 1. Seien K L und L M endliche Körperweiterungen. Dann ist auch K M eine endliche Körpererweiterung und
MehrÜbungen zu Lineare Algebra und Geometrie für LAK
Übungen zu Lineare Algebra und Geometrie für LAK Andreas Cap Wintersemester 2010/11 Wiederholung grundlegender Begriffe (1) Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrSesqui- und Bilinearformen
Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrMathematik für Informatiker II
Universität Bielefeld SS 26 Fakultät für Mathematik HD W. Hoh Mathematik für Informatiker II Lineare Algebra TEXed by Christian Munier Marc Paffen Florian Sprengel Christian Thöns Eyla Willing Inhaltsverzeichnis
MehrLineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik
Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum
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
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
MehrSkript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels
aktuellste Version hier Skript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels Jannes Bantje 19. Juli 2013 Erstellt mit L A TEX Inhaltsverzeichnis 1. Isometrien
MehrLineare Algebra 2 SS Übungsaufgaben 1.
Lineare Algebra 2 SS 2009 http://wwwmathuni-bielefeldde/birep/la2/ Sei K ein Körper Übungsaufgaben 1 1 Im Fischer, p216 steht folgende Warnung: Sei A eine (n n)-matrix mit Koeffizienten in K Selbst wenn
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrLineare Algebra II. Prof. Dr. Peter Müller
Lineare Algebra II Prof. Dr. Peter Müller Inhaltsverzeichnis 11 Polynome über Körper 3 12 Direkte Summen 14 13 Minimalpolynome 19 14 Bilinearformen 42 15 Adjungierte und normale Endomorphismen 64 16 Orthogonale
MehrLineare Algebra II. Sommersemester Wolfgang Ebeling
Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 4
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band, Aufl Version, Kapitel 4 Polynomalgebren Abschnitt A, Variante zu Aufg a, p 77 : Man bestimme den größten
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
Mehr5 Lineare Abbildungen
5 Lineare Abbildungen Pink: Lineare Algebra HS 2014 Seite 56 5 Lineare Abbildungen 5.1 Definition Gegeben seien Vektorräume U, V, W über einem Körper K. Definition: Eine Abbildung f : V W heisst K-linear,
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
MehrMusterlösung Klausur zur Linearen Algebra II
Musterlösung Klausur zur Linearen Algebra II Samstag 8. Juli 6 -Uhr. a) Sei f : V W k-linear. Denieren Sie V und f : W V. b) Die Gruppe G operiere auf der Menge M. Denieren Sie die Bahn und die Isotropiegruppe
MehrDefinition 1.2. Eine kontinuierliche Gruppe mit einer endlichen Menge an Parametern heißt endliche kontinuierliche Gruppe. x cosξ sinξ y sinξ cosξ
8 Gruppentheorie 1 Lie-Gruppen 1.1 Endliche kontinuierliche Gruppe Definition 1.1. Eine Menge G mit einer Verknüpfung m heißt Gruppe, falls folgende Axiome erfüllt sind: (i) Die Operation m, genannt Multiplikation,
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrÜbungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr.
Übungsblatt 13 Lineare Algebra I, Prof Dr Plesen, SS 2008 Aufgabe 1 (Transponierte lineare Abbildung) Sei α : V W linear Zeige: α tr ist injetiv (surjetiv) genau dann, wenn α surjetiv (injetiv) ist Ist
Mehr