1 Matrizen und Vektoren
|
|
- Philipp Hoch
- vor 6 Jahren
- Abrufe
Transkript
1 Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Matrizen und Vektoren Definition 1.1 (Matrizen) Ein rechteckiges Zahlenschema aus m mal n Elementen eines Körpers K heißt m n-matrix. Man schreibt a 11 a 12 a 1n a 21 a 22 a 2n A =. Km n, a m1 a m2 a mn oder kurz A = (a ij ). K m n ist die Menge aller m n-matrizen mit Einträgen aus K. Bemerkungen: Zwei m n- Matrizen A = (a ij ) und B = (b ij ) sind gleich, falls a ij = b ij für alle i und j gilt. Eine 1 n-matrix (a 1,, a n ) K 1 n wird als Zeilenvektor bezeichnet. Eine m 1- Matrix a 1. a m K m 1 wird als Spaltenvektor bezeichnet. Eine Matrix A K m n mit m = n heißt quadratisch. Für A = (a ij ) K m n ist A T := (a ji ) K n m die transponierte Matrix. Eine quadratische Matrix heißt symmetrisch, falls A T = A gilt. Rechnen mit Matrizen Definition 1.2 (Addition) Für zwei Matrizen A = (a ij ) 1 i m, B = (b ij ) 1 i m K m n sei deren Summe A + B := (a ij + b ij ) 1 i m K m n. Definition 1.3 (Multiplikation einer Matrix mit einem Skalar) Für eine Matrix A = (a ij ) 1 i m K m n und einen Skalar λ K sei λa = λ(a ij ) 1 i m := (λa ij ) 1 i m K m n. 1
2 Definition 1.4 (Multiplikation von Matrizen) Für A = (a ij ) 1 i m, K m n, B = (b jk ) 1 k p K n p sei A B := C = (c ik ) 1 i m K m p mit c ik := 1 k p n a ij b jk. Es wird also nach dem Schema Zeile Spalte gerechnet. Damit ergibt sich auch die Schreibweise Ax = b für lineare Gleichungssysteme. Bemerkungen: 1. Distributivgesetz: (A 1 + A 2 ) B = A 1 B + A 2 B 2. Distibutivgesetz: A (B 1 + B 2 ) = A B 1 + A B 2 Folgend aus den Distributivgesetzen gilt: Die Multiplikation von Matrizen ist nicht kommutativ. Assoziativgesetz: (A B) C = A (B C) α (A B) = (α A) B = A (α B) (A B) T = B T A T Das Matrixprodukt ist nicht nicht nullteilerfrei. Die Nullmatrix und die Einheitsmatrix 1 n sind neutrale Elemente der Addition und Multiplikation j=1 2
3 2 Lineare Gleichungssysteme (LGS) Ein lineares Gleichungssystem (kurz LGS) ist in der linearen Algebra eine Menge von linearen Gleichungen mit einer oder mehreren Unbekannten, die alle gleichzeitig erfüllt sein müssen. Mit Gleichungssystemen werden Zusammenhänge modelliert, um interessierende Größen bestimmen zu können. Definition 2.1 (LGS) Ein System von Gleichungen der Gestalt a 11 x 1 + a 12 x a 1n x n = b 1 a 21 x 1 + a 22 x a 2n x n = b 2.. a m1 x 1 + a m2 x a mn x n = b m heißt lineares Gleichungssystem (LGS). Dabei sind x 1,..., x n die zu berechnenden Unbestimmten, die Koeffizienten a ij mit 1 i m und 1 j n und die auf der rechten Seite stehenden b i mit 1 i m entstammen einem zugrunde gelegten Körper K. Mit Hilfe des Summenzeichens kann man auch kompakter n a ij x j = b i für i = 1,..., m schreiben. j=1 Man ist an der Lösungsmenge des LGS interessiert, also an L := {(x 1,..., x n ) K n }. Diese Lösungsmenge kann natürlich auch leer sein. Zur Lösung des LGS nimmt man Äquivalenzumformungen vor, d.h. Umformungen, die die Lösungsmenge des Systems nicht verändern. Diese erkennt man daran, dass sie sich ohne Informationsverlust wieder vollständig rückgängig machen lassen: (i) Vertauschen zweier Gleichungen (ii) Beidseitige Multiplikation einer Gleichung mit einer Zahl 0. (iii) Addition eines beliebigen Vielfachen einer Gleichung zu einer anderen Gleichung. Lösungsstrategie Wenn die Unbekannte x 1 in der Lösungsmenge überhaupt vorkommt, so ist auf jeden Fall einer der Koeffizienten a 11,..., a m1 0. Ist allerdings der Koeffizient a 11 = 0, jedoch ein anderer a l1 0, so tauscht man im ersten Schritt die zwei Gleichungen aus (Umformung vom Typ (i)). Durch einfaches Umnummerieren der Koeffizienten gemäß Definition 2.1, wird einem Durcheinanderkommen vorgebeugt. Da nun a 11 0 kann man die erste Gleichung durch a 11 dividieren (Umformung vom Typ(ii)). Alle anderen Gleichungen bleiben gleich. Nun verwendet man mehrere Umformungen vom Typ (iii), um mit Hilfe der ersten Gleichung die Variable x 1 aus den anderen Gleichungen zu eliminieren. Dazu geht man wie folgt vor: 3
4 Substrahiere das a 21 -fache der 1. Zeile von der 2. Zeile Substrahiere das a 31 -fache der 1. Zeile von der 3. Zeile... Substrahiere das a m1 -fache der 1. Zeile von der m. Zeile Dies führt dazu, dass nur noch in Gleichung 1 die Variable x 1 vorkommt. Ab jetzt lässt man die 1. Gleichung des LGS und damit die 1. Variable x 1 unverändert und rechnet sinngemäß mit dem Teilsystem bestehend aus Gleichung 2 bis m genauso weiter. Setzt man dieses Verfahren entsprechend fort, so kommt man auf eine Stufenform, aus der man leicht das Ergebnis ablesen kann. Matrixschreibweise Ein LGS kann man abkürzend als Ax = b schreiben. Dabei heißt A = a ij K m n die Koeffizientenmatrix, x = x j K n ist der Vektor aus den Unbekannten und b = b i K m die Inhomogenität. Das LGS heißt homogen, wenn b 1 = b 2 =... = b m = 0, sonst inhomogen. Besonders ökonomisch für das Lösen des LGS ist die Schreibweise mit der erweiterten Koeffizientenmatrix (A b) K m (n+1). Die drei bereits formulierten erlaubten Umformungen werden deshalb jetzt nochmal für (erweiterte) Koeffizientenmatrix notiert. Elementare Zeilenumformungen: (i) Vertauschen zweier Zeilen (ii) Multiplikation einer Zeile mit einer Konstanten α 0. (iii) Addition des α-fachen einer Zeile zu einer anderen. Zeilenstufenform Mit der erweiterten Koeffizientenmatrix kann man nun genauso rechnen, wie mit dem damit verbundenen LGS. Mithilfe der elementaren Zeilenumformungen (angewandt in beliebiger Reihenfolge) kann man nun jede Matrix in Stufenform bringen. Definition 2.2 (Zeilenstufenform) Eine m n-matrix A K m n heißt in Zeilenstufenform, wenn sie entweder gleich der Nullmatrix ist oder wenn gilt: (1) Es gibt eine Zahl r (den Rang von A) mit 1 r m, so dass in den Zeilen mit den Indizes 1,..., r jeweils nicht nur Nullen un in den Zeilen mit den Indizes r + 1,..., m ausschließlich Nullen stehen. (2) Für jeden Zeilenindex i mit 1 i r sei j i der kleinste Index jeder Spalte, in der ein Element ungleich Null steht. Für diese Indizes gilt die Stufenbedingung j i < j 2 <... < j r. Den Prozess elementarer Zeilenumformungen bis hin zur Zeilenstufenform nennt man meist Vorwärtselimination, den Vorgang des Ablesens und Einsetzens von der letzten Gleichung bis hin zur ersten Rückwärtssubstitution und beides zusammen wird meist der Gauß-Algorithmus zu Lösung linearer Gleichungssysteme genannt. 4
5 Rang, Lösbarkeit und Struktur Definition 2.3 (Rang) Es sei A K m n und A K m n sei eine Matrix in Zeilenstufenform, die durch elementare Zeilenumformungen aus A hervorgegangen ist. Dann ist der Rang von A die Anzahl r der Zeilen in A, die mindestens einen Eintrag 0 haben. Eine quadratische Matrix A K n n heißt regulär, falls Rang(A) = n Die Lösungskriterien abhängig vom Rang der Koeffizientenmatrix und der erweiterten Koeffizientenmatrix, kann man leicht wie folgt zusammenfassen: Ax = b hat Rang(A) < Rang(A b) keine Lösung r = Rang(A) = Rang(A b) < n eine n r-parametrige Lösung r = Rang(A) = Rang(A b) = n eine eindeutige Lösung Satz 2.1 Es seien K ein Körper, A = (a ij ) K m n und 0 b = (b 1,..., b m ) K m. Dann gilt für die Lösungen des inhomogenen LGS Ax = b und des zugehörigen homogenen LGS Ax = 0: Spezielle Lösung + Allgemeine Lösung = Allgemeine Lösung des inhomogenen LGS des homogenen LGS des inhomogenen LGS Beispiel Wasserrohre sind in den Punkten A, B, C und D wie skizziert verbunden. Bei A, B und D wird Wasser eingeleitet mit 20 l min 1, 10 l min 1 und 20 l min 1. Der Fluss in Litern pro Minute in den anderen Rohren wird mit r 1,..., r 5 benannt (Richtung beliebig festgelegt). Da Wasser inkompressibel ist, führt dies auf 4 Gleichungen mit den 5 Unbekannten r 1,..., r 5 : A :r 1 + r 2 = 20 B :r = r 4 r 2 r 4 = 10 C :r 3 + r 4 r 5 = 0 D :r = r 3 r 1 r 3 = 20 Das LGS sieht etwas schöner geschrieben und in abgeänderter Reihenfolge so aus: r 1 + r 2 = 20 r 1 r 3 = 20 r 2 r 4 = 10 r 3 + r 4 r 5 = 0 5
6 Da links oben schon r 1 steht, ist in den Schritten 1 und 2 nichts zu tun. Für Schritt 2 substrahiert man die 1. Gleichung von der 2. Gleichung: r 1 + r 2 = 20 r 2 r 3 = 40 r 2 r 4 = 10 r 3 + r 4 r 5 = 0 Nachdem die 1. Variable r 1 nur noch in der 1. Gleichung vorkommt, wendet man sich jetzt der nächsten Variablen r 2 zu. Diese kommt in der 2. Zeile auch vor. Da der Koeffizient von r 2 in der 2. Gleichung 1 ist, multipliziert man diese mit 1. r 1 + r 2 = 20 r 2 + r 3 = 40 r 2 r 4 = 10 r 3 + r 4 r 5 = 0 Nun substrahiert man die 2. Gleichung von der 3. Gleichung und erhält: r 1 + r 2 = 20 r 2 + r 3 = 40 r 3 r 4 = 50 r 3 + r 4 r 5 = 0 Entsprechend geht es nun mit r 3 in der 3. Gleichung weiter, d.h. man multipliziert mit -1 und substrahiert dann die 3. Gleichung von der 4. Gleichung: r 1 + r 2 = 20 r 2 + r 3 = 40 r 3 + r 4 = 50 r 5 = 50 Damit sind die beschriebenen Eliminationsschritte erledigt, die angekündigte Stufenform ist erreicht. An der letzten Zeile kann man immerhin schon mal ablesen, dass r 5 nur die eindeutige Lösung 50 besitzt. Die Interpretation der anderen Zeilen gestaltet sich dagegen etwas schwieriger. Das Beispiel ist ein inhomogenes LGS Ax = b mit A = R4 5, b = R4, 6
7 (A b) = R4 6, r = r 1 r 2 r 3 r 4 r 5 R5. Es empfiehlt sich, die elementaren Zeilenumformungen auf dem Weg zu Zeilenstufenform jeweils mitzuschreiben Z2 Z2 Z Z3 Z3+Z Z4 Z4+Z Es ist m = 4, n = 5. Wegen Rang(A) = 4 = Rang(A b) ist das LGS lösbar. Man liest ab Rückwärtssubstitution liefert r 5 = 50, oder mit λ := r 4 R zusammen r 3 = 50 r 4, r 5 = 50, r 3 = 50 r 4, r 2 = 40 r 3, r 1 = 20 r 2. r 2 = 40 (50 r 4 ) = 10 + r 4, r 1 = 20 r 2 = 20 ( 10 + r 4 ) = 30 r 4 r 1 r 2 r 3 r 4 r 5 = λ Da λ R unendlich viele Werte annehmen kann, gibt unendlich viele Lösungen
8 3 Gruppen Eine Gruppe ist eine Menge von Elementen zusammen mit einer Verknüpfung, die je zwei Elementen der Menge ein drittes Element derselben Menge zuordnet und dabei drei Bedingungen, die Gruppenaxiome, erfüllt. Diese umfassen das Assoziativgesetz, die Existenz eines neutralen Elements und die Existenz von inversen Elementen. Eine der bekanntesten Gruppen ist die Menge der ganzen Zahlen mit der Addition als Verknüpfung. Definition 3.1 (Gruppe) Eine nichtleere Menge G zusammen mit einer Abbildung : G G G ist genau dann eine Gruppe, wenn sie die folgenden Eigenschaften hat (1) Assoziativität: a, b, c G : a (b c) = (a b) c (2) Neutrales Element: e G a G : e a = a e = a (3) Inverses Element: a G a G : a a = e (G, ) heißt abelsch oder kommutativ, wenn gilt (4) Kommutativgesetz: a, b G : a b = b a Für die Gruppenaxiome (2) und (3) gilt insbesondere: Für jedes neutrale Element e G gilt a e = a a G, d.h.jedes linksneutrale Element e ist auch rechtsneutral. Deshalb spricht man auch einfach von einem neutralen Element. Aus a a = e folgt jeweils auch a a = e, d.h. jedes linksinverse Element a ist auch rechtsinvers. Deshalb spricht man auch einfach von einem inversen Element. Es gibt genau ein neutrales Element e G. Zu jedem a G gibt es genau ein inverses Element a G. Deshalb ist es möglich, diesem Inversen ein eigenes Symbol zu geben: in additiven Gruppen schreibt man a, sonst meist a 1 Die Tatsache, dass sich das neutrale Element und das Inverse jeweils so schön abelsch verhalten, darf aber nicht dazu verleiten, das für alle Elemente anzunehmen. Bei nicht-abelschen Gruppen gilt immer noch a b b a für die meisten a, b G Beispiele (Z, +) ist eine abelsche Gruppe, (N, +) oder (N 0, +) dagegen nicht. (Q, +) ist eine abelsche Gruppe, aber auch (Q\{0}, ). Das gleiche gilt auch bei den anderen bekannten Körpern, wie R oder C. Rechenregeln für Gruppen (nicht notwendig abelsch) folgende Regeln nützlich: a G : (a 1 ) 1 = a a, b G : (a b) 1 = b 1 a 1 a, b G 1 x G : x a = b a, b G 1 y G : a y = b Für das Rechnen in Gruppen sind 8
9 Die symmetrische Gruppe Die symmetrische Gruppe S n ist die Gruppe, die aus allen Permutationen (Vertauschungen) einer n elementigen Menge besteht. Man nennt n den Grad der Gruppe. Die Gruppenoperation ist die Komposition (Hintereinanderausführung) der Permutationen; das neutrale Element ist die identische Abbildung. Die symmetrische Gruppe S n ist endlich und besitzt die Ordnung n!. Sie ist für n > 2 nicht abelsch. (i) Ist X eine Menge und A(X) die Menge aller Abbildungen φ : X X, so ist die Komposition eine innere Verknüpfung von A(X) (ii) Es gibt ein neutrales Element nämlich id X (iii) Die Komposition ist assoziativ: (f (g h))(x) = f(g h)(x) = f(g(h(x))) = (f g)(h(x)) = ((f g) h)(x) x (iv) Trotzdem ist (A(X), ) keine Gruppe, denn es sind ja nicht alle Abbildungen invertierbar! (v) Ist dagegen X eine Menge und S(X) die Menge aller bijektiven Abbildungen φ : X X, so ist (S(X), ) eine Gruppe, denn jetzt sind alle Elemente invertierbar. Definition 3.2 Es sei X eine Menge und S(X) die Menge aller bijektiven Abbildungen φ : X X. (S(X), ) heißt die Gruppe der Permutationen von X oder die symmetrische Gruppe von X. Im wichtigen Spezialfall X = {1, 2,..., n} schreibt man statt S({1, 2,..., n}) kürzer S n. Beispiele Mit Hilfe dieser Schreibweise kann man z.b. die Komposition von Abbildungen schnell berechnen oder die Inverse sofort angeben: ( ) 1 ( ) = ( ) ( ) ( ) = ( ) ( ) ( ) = Für endliches X ist S(X) = X! (mit n! := n k=1 k) In S 3 löst man z.b. ( ) ( y = indem man beidseitig von links (die Gruppe ist nicht abelsch!) mit dem Inversen ( ) von multipliziert: ( ) ( ) ( ) ( ) y = y = ), ( ( ) ) 9
10 4 Vektorräume Ein Vektorraum oder linearer Raum ist eine algebraische Struktur. Die Elemente eines Vektorraums heißen Vektoren. Sie können addiert oder mit Skalaren multipliziert werden, das Ergebnis ist wieder ein Vektor desselben Vektorraums. Entstanden ist der Begriff, indem diese Eigenschaften ausgehend von Vektoren des euklidischen Raumes abstrahiert wurden, sodass sie dann auf abstraktere Objekte wie Funktionen oder Matrizen übertragbar sind. Die Skalare, mit denen man einen Vektor multiplizieren kann, stammen aus einem Körper. Deswegen ist ein Vektorraum immer ein Vektorraum über einem bestimmten Körper. Sehr oft handelt es sich dabei um den Körper R der reellen Zahlen. Man spricht dann von einem reellen Vektorraum. Eine Basis eines Vektorraums ist eine Menge von Vektoren, die es erlaubt, jeden Vektor durch eindeutige Koordinaten darzustellen. Die Anzahl der Basisvektoren wird Dimension des Vektorraums genannt. Sie ist unabhängig von der Wahl der Basis und kann auch unendlich sein. Die strukturellen Eigenschaften eines Vektorraums sind eindeutig durch den Körper, über dem er definiert ist, und seine Dimension bestimmt. Definition 4.1 Es sei K ein Körper und V eine Menge mit innerer Verknüpfung + : V V V und einer äußeren Verknüpfung : K V V. V heißt ein K Vektorraum, wenn gilt: (1) (V, +) ist eine abelsche Gruppe (2) Die Multiplikation mit Skalaren ist auf folgende Weise mit (V, +) verträglich: Beispiele (i) (α + β) v = α v + β v α, β K, v V (ii) (αβ) v = α (β v) α, β K, v V (iii) α(v + w) = α v + α w α K, v, w V (iv) 1 v = v v V V = ({0}, +) ist mit der Multiplikation mit Skalaren k 0 := 0 für alle k K für jeden beliebigen Körper K ein Vektorraum, der so genannte nulldimensionale Vektorraum. Jeder Körper K ist auch ein K Vektorraum, wenn man für die Multiplikation mit Skalaren einfach die Körpermultiplikation verwendet. Man spricht in diesem Zusammenhang auch von dem eindimensionalen arithmetischen K Vektorraum. Für jeden Körper K ist das n-fache kartesische Produkt V = K n mit der Addition und der Multiplikation mit Skalaren (v 1,..., v n ) + (w 1,..., w n ) := (v 1 + w 1,..., v n + w n ) k (v 1,..., v n ) := (kv 1,..., kv n ) ein K-Vektorraum. Man spricht in diesem Zusammenhang auch von dem n-dimensionalen arithmetischen K-Vektorraum. Dies ist eine Verallgemeinerung des vorhergehenden Beispiels. 10
11 Ist K ein Körper, S eine beliebige nichtleere Menge und Dann ist V mit den Verknüpfungen ein K Vektorraum. Grundlagen V := K S = {f S K}. (f + g)(s) := f(s) + g(s) f, g V, s S (kf)(s) := k f(s) f V, k K, s S Satz 4.1 (Rechenregeln) Es sei K ein Körper und V ein K Vektorraum. Dann gilt: (1) 0 v = 0 v V (2) α 0 = 0 α K (3) α v = 0 α = 0 v = 0 α K, v V (4) ( α) v = α v = α ( v) α K, v V. Ein Untervektorraum ist eine Teilmenge eines Vektorraums, die selbst wieder einen Vektorraum darstellt. Dabei werden die Vektorraumoperationen Vektoraddition und Skalarmultiplikation von dem Ausgangsraum auf den Untervektorraum vererbt. Jeder Vektorraum enthält sich selbst und den Nullvektorraum als triviale Untervektorräume. Jeder Untervektorraum ist das Erzeugnis einer linear unabhängigen Teilmenge von Vektoren des Ausgangsraums. Die Summe und der Durchschnitt zweier Untervektorräume ergibt wieder einen Untervektorraum. Untervektorräume werden in der linearen Algebra unter anderem dazu verwendet, Kern und Bild von linearen Abbildungen, Lösungsmengen von linearen Gleichungen und Eigenräume von Eigenwertproblemen zu charakterisieren. Definition 4.2 (Unterraum) Es seien K ein Körper, V ein K-Vektorraum und U V. Die Menge U heißt Untervektorraum (oder einfach Unterraum, Teilraum oder auch linearer Teilraum), falls gilt: (U 1 ) U (U 2 ) u 1, u 2 U u 1 + u 2 U (U 3 ) u U, α K αu U Damit ist U (mit den gleichen Verknüpfungen wie in V ) ebenfalls ein Vektorraum und enthält den Nullvektor. 11
12 Beispiel ( U := {(x, 2x) R 2 1 x R} = R 2 ist ein Untervektorraum (UVR) des 2-dimensionalen arithmetischen Vektorraumes R 2, denn U ( ) ( ) ( ) ( ) λ 1, λ 2 2 U λ λ 2 2 U und 2 ( ) ( ) 1 1 λ U αλ U α R 2 2 Geometrisch betrachtet ist das eine Gerade durch den Ursprung. Bemerkungen: Der Unterraum U 1 + U 2 heißt Summenraum von U 1 und U 2. Die Lösungsmenge eines homogenen LGS Ax = 0 mit A K m n ist ein Unterraum von K n Die Vereinigung von Vektorräumen ist im Allgemeinen kein Vektorraum. Die Vereinigungsmenge zweier Geraden U 1, U 2 R 2 durch den Nullpunkt ist kein Unterraum (es sei denn U 1 = U 2 ). Satz 4.2 (Durchschnitt von Unterräumen) Der Durchschnitt beliebig vieler Unterräume eines Vektorraums ist ein Unterraum. Erzeugendensysteme Ein Erzeugendensystem ist eine Teilmenge der Grundmenge einer mathematischen Struktur, aus der durch Anwendung der verfügbaren Operationen jedes Element der gesamten Menge dargestellt werden kann. Speziell heißt das im Fall von Vektorräumen, dass alle Vektoren als Linearkombinationen aus Vektoren des Erzeugendensystems dargestellt werden können, im Fall von Gruppen, dass jedes Gruppenelement als Produkt aus Elementen des Erzeugendensystems und deren Inversen zerlegt werden kann. Das Erzeugendensystem ist in der Regel nicht eindeutig bestimmt. Die Existenz eines Erzeugendensystems ist hingegen meist leicht zu zeigen, da oft die Grundmenge selbst als Erzeugendensystem gewählt werden kann. Häufig wird daher versucht, ein minimales Erzeugendensystem zu finden. Definition 4.3 Es seien K ein Körper, V ein K Vektorraum, M V und U := {U U UVR von V mit M U} ) 12
13 die Menge der Unterräume V, die M umfassen. Der von M aufgespannt oder erzeugte Unterraum (auch lineare Hülle oder Spann genannt) ist definiert als M : U. U U Ist V = M, so heißt M ein Erzeugendensystem von V. M ist der kleinste M umfassende Teilraum von V. Satz 4.3 Es seien V ein K-Vektorraum, U 1, U 2 Unterräume und M := U 1 U 2. Dann gilt M = U 1 + U 2 Beispiele Sei v V ein Vektor. Dann ist v = K v = {a v a K}. M = : = 0, der Nullraum Es seien U 1, U 2 R 3 zwei verschiedene Geraden durch den Nullpunkt. Dann ist U 1 + U 2 eine Ebene. 13
1 Linearkombinationen
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 14/15 A 1 Linearkombinationen Unter einer Linearkombination versteht man in der linearen Algebra einen Vektor, der sich durch
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:
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrLineare Gleichungssysteme und Matrizen
Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x
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
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
Mehr1 Transponieren, Diagonal- und Dreiecksmatrizen
Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix
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
MehrDas inhomogene System. A x = b
Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbestimmten hat immer mindestens die Lösung 0. Ist r der Rang von A, so hat das System n r Freiheitsgrade. Insbesondere gilt: Ist
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
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrDer Kern einer Matrix
Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
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
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
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
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
MehrLineare Algebra I. Christian Ebert & Fritz Hamm. Gruppen & Körper. Vektorraum, Basis & Dimension. Lineare Algebra I. 18.
18. November 2011 Wozu das alles? Bedeutung von Termen Vektoren in R n Ähnlichkeiten zwischen Termbedeutungen Skalarprodukt/Norm/Metrik in R n Komposition von Termbedeutungen Operationen auf/abbildungen
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
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
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
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
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
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
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
MehrDas Lösen linearer Gleichungssysteme
Das Lösen linearer Gleichungssysteme Lineare Gleichungen Die Gleichung a 1 x 1 + a 2 x 2 +... + a n x n = b ist eine lineare Gleichung in den n Variablen x 1, x 2,..., x n. Die Zahlen a 1, a 2,..., a n
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
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
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
Mehr2.2 Lineare Gleichungssysteme
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 55 22 Lineare Gleichungssysteme Das Lösen von Gleichungen (ganz unterschiedlichen Typs und unterschiedlichen Schwierigkeitsgrades) gehört zu den Grundproblemen
MehrErgänzung zum HM Tutorium
Ergänzung zum HM Tutorium Patrik Hlobil Niko Kainaris Dieses Dokument erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit. Es stellt keine Vorlesungszusammenfassung dar, sondern soll euch lediglich
MehrLösungen der Aufgaben zu Abschnitt 5.4
A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
MehrMathematik 2 für ET. Vektoren in R n und C n. Addition von Vektoren Multiplikation von Vektor und Skalar. Der Nullvektor 0 =
Mathematik 2 für ET # 0 by Clifford Wolf # 0 Antwort Diese Lernkarten sind sorgfältig erstellt worden, erheben aber weder Anspruch auf Richtigkeit noch auf Vollständigkeit Das Lernen mit Lernkarten funktioniert
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
Mehr5 Die Allgemeine Lineare Gruppe
5 Die Allgemeine Lineare Gruppe Gegeben sei eine nicht leere Menge G und eine Abbildung (Verknüpfung) : G G G, (a, b) a b( a mal b ) Das Bild a b von (a, b) heißt Produkt von a und b. Andere gebräuchliche
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
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
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
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.
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
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
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
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
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
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 7 11. Mai 2010 Kapitel 8. Vektoren Definition 76. Betrachten wir eine beliebige endliche Anzahl von Vektoren v 1, v 2,..., v m des R n, so können
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
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
Mehr2.2 Lineare Gleichungssysteme
Lineare Algebra 2016/17 c Rudolf Scharlau 67 22 Lineare Gleichungssysteme Das Lösen von Gleichungen (ganz unterschiedlichen Typs und unterschiedlichen Schwierigkeitsgrades) gehört zu den Grundproblemen
MehrVektorräume und Lineare Abbildungen
Vektorräume und Lineare Abbildungen Patricia Doll, Selmar Binder, Lukas Bischoff, Claude Denier ETHZ D-MATL SS 07 11.04.2007 1 Vektorräume 1.1 Definition des Vektorraumes (VR) 1.1.1 Grundoperationen Um
Mehr1.3 Gruppen. Algebra I 9. April 2008 c Rudolf Scharlau,
Algebra I 9. April 2008 c Rudolf Scharlau, 2002 2008 18 1.3 Gruppen Der Begriff der Gruppe ordnet sich in gewisser Weise dem allgemeineren Konzept der Verknüpfung (auf einer Menge) unter. So ist zum Beispiel
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
MehrMathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 8.1 Reelle Matrizen
Mathematik I Herbstsemester 2014 Kapitel 8: Lineare Algebra 81 Reelle Matrizen Prof Dr Erich Walter Farkas http://wwwmathethzch/ farkas 1 / 31 1 2 3 4 2 / 31 Transponierte einer Matrix 1 Transponierte
MehrKapitel III. Matrizen und lineare Gleichungssysteme. Inhalt: 10. Matrizen 11. Lineare Gleichungssysteme 12. Der Gauß-Algorithmus
Kapitel III Matrizen und lineare Gleichungssysteme Inhalt: 10 Matrizen 11 Lineare Gleichungssysteme 12 Der Gauß-Algorithmus Wichtige Methoden beim Umgang mit Vektorräumen basieren auf der Matrizenrechnung
Mehr17. Das Gauß-Verfahren
7 Das Gauß-Verfahren 95 7 Das Gauß-Verfahren Nachdem wir jetzt viele Probleme der linearen Algebra (z B Basen von Vektorräumen zu konstruieren, Morphismen durch lineare Abbildungen darzustellen oder den
Mehr2.4 Matrizen und Lineare Abbildungen
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 73 2.4 Matrizen und Lineare Abbildungen Zum Schluss von Abschnitt 2.2 hatten wir Matrizen eingeführt, und zwar im Zusammenhang mit der abgekürzten Schreibweise
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 28. November 2011 Definition Beispiel: Wassermengen und Konzentrationen in einem Fluss Beispiel Zeilenstufenform Beispiel (Fortsetzung) Anhang
MehrKapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;
Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
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,
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
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
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
Mehr1 Lineare Gleichungssysteme und Matrizen
1 Lineare Gleichungssysteme und Matrizen Das Studium linearer Gleichungssysteme und ihrer Lösungen ist eines der wichtigsten Themen der linearen Algebra. Wir werden zunächst einige grundlegende Begriffe
MehrErneut: Matrizen und lineare Abbildungen
Erneut: Matrizen und lineare Abbildungen Mit Hilfe der Matrixmultiplikation lässt sich die Korrespondenz zwischen linearen Abbildungen und Matrizen elegant ausdrücken: Satz. e 1, e 2,..., e n sei die Standardbasis
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):
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
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,
MehrKapitel 13. Lineare Gleichungssysteme und Basen
Kapitel 13. Lineare Gleichungssysteme und Basen Matrixform des Rangsatzes Satz. Sei A eine m n-matrix mit den Spalten v 1, v 2,..., v n. A habe den Rang r. Dann ist die Lösungsmenge L := x 1 x 2. x n x
MehrLineare Algebra und analytische Geometrie I
Prof Dr H Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 12 Wege entstehen dadurch, dass man sie geht Franz Kafka Invertierbare Matrizen Definition 121 Es sei K ein
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrKapitel 16. Invertierbare Matrizen
Kapitel 16. Invertierbare Matrizen Die drei Schritte des Gauß-Algorithmus Bringe erweiterte Matrix [A b] des Gleichungssystems A x auf Zeilenstufenform [A b ]. Das System A x = b ist genau dann lösbar,
Mehr8 Lineare Gleichungssysteme
$Id: lgs.tex,v 1.6 2010/12/20 12:57:04 hk Exp $ $Id: matrix.tex,v 1.3 2010/12/20 13:12:44 hk Exp hk $ 8 Lineare Gleichungssysteme In der letzten Sitzung hatten wir mit der Besprechung linearer Gleichungssysteme
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
Mehr36 2 Lineare Algebra
6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrIV.3. RANG VON MATRIZEN 81
IV3 RANG VON MATRIZEN 8 Ist b,,b n eine Basis des reellen Vektorraums V, dann bildet b,,b n auch eine Basis des komplexen Vektorraums V C Mit V ist daher auch V C endlichdimensional und es gilt dim C V
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
Mehr5. Gruppen, Ringe, Körper
5. Gruppen, Ringe, Körper 5.1. Gruppen Die Gruppentheorie, als mathematische Disziplin im 19. Jahrhundert entstanden, ist ein Wegbereiter der modernen Mathematik. Beispielsweise folgt die Gruppe, die aus
MehrMatrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix
Inhaltsverzeichnis Matrizen, Gaußscher Algorithmus 1 Bestimmung der inversen Matrix Auf dieser Seite werden Matrizen und Vektoren fett gedruckt, um sie von Zahlen zu unterscheiden. Betrachtet wird das
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 6 Vektorräume Die Addition von zwei Pfeilen a und b, ein typisches Beispiel für Vektoren. Der zentrale
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
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. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
Mehr