3.1. JORDAN-NORMALFORM 63

Größe: px
Ab Seite anzeigen:

Download "3.1. JORDAN-NORMALFORM 63"

Transkript

1 3.1. JORDAN-NORMALFORM 63 Der Beweis ist mit Bedacht so gewählt, dass man noch diverse Strategien bei der Auffindung der linearen Abhängigkeiten anwenden kann. Im Unterschied zur Hauptraumzerlegung ist diese direkte Zerlegung in zyklische Summanden weit davon entfernt eindeutig zu sein: Es gibt viele solche Zerlegungen, aber man kann sich überlegen, dass Aut α (V ) transitiv auf der Menge der Zerlegungen, bei denen die zyklischen Summanden der α-länge nach geordnet sind, operiert. Wir können zunächst jeder Zerlegung in zyklische Räume eine Partition der natürlichen Zahl c, wo p c = χ α ist, als Längentupel zuordnen. Zur Erinnerung: Definition ) Eine Partition der natürlichen Zahl c ist ein k-tupel λ = (λ 1,..., λ k ) N k für ein k N mit λ 1 λ 2... λ k und λ 1 + λ λ k = c. 2) Ist λ = (λ 1,..., λ k ) N k eine Partition von c N, so ist die konjugierte Partition λ von λ definiert durch λ i := {j λ j i}. Man visualisiert üblicherweise die Partition durch Kästchen, die man linksbündig in Zeilen untereinander anordnet mit λ i Kästchen in der i-ten Zeile. Dies nennt man das Young-Diagramm der Partition. Die Young-Diagramme von λ und λ sind transponiert zueinander. Definition Sei α End(V ) mit χ α = p c mit irreduziblem p K[X]. Eine Zerlegung V = v 1 α v k α mit λ(v 1 ) λ(v k ) > 0 heißt der Längen nach geordnet. Ihr wird die Partition (λ(v 1 ),..., λ(v k )) von c zugeordnet. Nun zeigen wir noch, dass die Zuordnung einer Partition unabhängig von der gewählten Zerlegung von V ist, sondern nur von α abhängt, d.h. wir zeigen, dass zwei verschieden gewählte Zerlegungen die selbe Partition liefern. Satz Sei α End(V ) mit χ α = p c mit irreduziblem p K[X]. Je zwei der Längen nach geordnete Zerlegungen von V in zyklische Teilräume ist dieselbe Partition von c zugeordnet. Diese Partition heißt die zu α gehörige Partition. Beweis. Wir setzen V 0 = V und V i := Bild(p(α) i ) für i > 0. Mit jeder Zerlegung von V bekommen wir automatisch Zerlegungen der V i, so dass man sofort sieht: Die zu einer Zerlegung gehörige Partition ist die konjugierte Partition von (Dim K[X]/pK[X] (V 0 /V 1 ), Dim K[X]/pK[X] (V 1 /V 2 ),..., Dim K[X]/pK[X] (V m 1 /V m )), wo m minimal ist mit V m = {0}. Aus dieser Beschreibung wird die Unabhängigkeit von der speziellen Wahl der Zerlegung evident. q. e. d.

2 64 KAPITEL 3. ÄQUIVALENZ FÜR ENDOMORPHISMEN Es ist klar, dass man für allgemeine Endomorphismen eine Partition für jeden Hauptraum bekommt. Beispiel ) Ist m = c, so ist die zugeordnete Partition gleich (c) = (1,..., 1) N 1. 2) Ist m = 1, so ist die zugeordnete Partition gleich (1,..., 1) = (c) N c. Übung: Zeige ohne Benutzung der Existenz einer Zerlegung in zyklische Teilräume, dass die konjugierte Partition eines Endomorphismus wohldefiniert ist, dass also Dim K[X]/pK[X] (V i 1 /V i ) Dim K[X]/pK[X] (V i /V i+1 ) für alle i gilt. (Hinweis: ν = p(α) induziert einen Epimorphismus.) Übung: Ist a die zu α End(V ) gehörige Partition, so gilt a 1 = m, wobei µ α (X) = p m. Übung: Wie kann man statt mit V i := Bild(p(α) i ) mit V i bestimmt sich daraus die Partition? := Kern(p(α) i ) arbeiten? Wie Wir fassen die bisherigen Ergebnisse nochmals in Matrixform zusammen als folgenden Hauptsatz. Satz (Jordan) Sei V ein endlich erzeugter K-Vektorraum und α End(V ) mit charakteristischem Polynom χ α (X) = p c für ein normiertes irreduzibles Polynom p K[X]. Ist λ = (λ 1,..., λ k ) N k die zu α gehörige Partition von c, so gibt es eine Basis B von V mit B α B = Diag(J(p λ 1 ),..., J(p λ k )). Diese Matrix heißt (verallgemeinerte) Jordan-Normalform (für die α beschreibenden Matrizen). Wir wollen die Aussage des letzten Satzes in einem neuen Licht betrachten. Sei also wiederrum α End(V ) mit µ α = p m und χ α = p c mit irreduziblem p K[X] und seien v 1,..., v k V mit k V = v i α. Für 0 j c definiere nun U j = Kern(p(α) j ). Dann ist U c = V und U 0 = {0} und i=1 {0} = U 1 U 2 U c = V. Sei nun α i = α vi α, d.h. die Einschränkung von α auf den α-invarianten Teilraum v i α. Weiter sei µ αi,v i = p m i. Die einzigen α-invarianten Teilräume dieses Raums sind nach

3 3.1. JORDAN-NORMALFORM 65 Satz 3.9 die Räume Kern(p(α i ) j ) für 0 j m i. Also erhalten wir für 0 j c die Zerlegung k U j = Kern(p(α i ) j ) i=1 von U j in eine direkte Summe zyklischer Teilräume. Man beachte, dass obwohl für einen einzigen zyklischen Teilraum v α gilt, dass Kern(p(α) i ) = Bild(p(α) m i ), wobei m = λ(v), für beliebige Vektorräume stimmt dies ist nicht mehr, da ja die zyklischen Summanden alle unterschiedliche Längen haben können. Angenommen k = 5 und es sei (λ 1, λ 2, λ 3, λ 4, λ 5 ) = (3, 3, 2, 2, 1). Bildlich können wir uns die Situation dann so vorstellen: v 1 α v 2 α v 3 α v 4 α U 3 p(α)v 1 α p(α) 2 v 1 α v 5 α U 2 U 1 p(α) 3 v 1 α U 0 Nach Übungsaufgabe 40 wissen wir nun: Sind w 1,... w r U i, so dass (α l (w j ) + U i 1 1 j r, 0 l < d) eine K-Basis von U i /U i 1 sind, so ist w 1 α w r α = w 1 α... w r α. Weiterhin sehen wir, dass die Abbildug τ : U i /U i 1 U i 1 /U i 2 : u + U i 1 p(α)(u)+u i 2 injektiv ist: Sei τ(u+u i 1 ) = τ(w +U i 1 ), d.h. p(α)(u w) p(α)(u i 1 ) U i 2 = Kern(p(α) i 2 ). Also ist p(α) i 1 (u w) = 0, d.h. u w U i 1. Damit können wir nun einen Algorithmus angeben, um die Jordannormalform zu berechnen: Algorithmus zur Berechnung einer Jordanbasis: 1. Für i = 0,... berechne eine K-Basis für U j = Kern(p(α) j ). 2. Setze m = min{j U j = U j+1 }. 3. Seien v 1,... v r1 U m, so dass (α l (v j ) + U m 1 1 j r 1, 0 l < d) eine K-Basis von U m /U m 1 sind. 4. Für i = m 1,..., 1 seien bereits Vektoren w 1,..., w k U i+1 berechnet, so dass (α l (w j ) + U i 1 j k, 0 l < d) eine K-Basis von U i+1 /U i sind. Man beachte, dass diese Vektoren weiterhin linear unabhängig bleiben, wenn sie unter p(α) abgebildet werden. Ergänze nun (p(α)(α l (w j )) + U i 1 1 j k, 0 l < d) durch Vektoren u 1,..., u s, so dass (p(α)(α l (w j )a) + U i 1 1 j k, 0 l < d) (α l (u j ) + U i 1 1 j s, 0 l < d) eine K-Basis für U i /U i 1 ist.

4 66 KAPITEL 3. ÄQUIVALENZ FÜR ENDOMORPHISMEN Das folgende Beispiel soll demonstrieren, dass man in der Praxis durch Ad-hoc-Überlegungen, die meistens darauf basieren, dass man die zugehörige Partition vorraussagen kann, die Zerlegung meistens schneller als im Beweis von Satz 3.12 finden kann. Beispiel A := F hat Minimalpolynom (X 2) 3. Es gilt (A 2I 4 ) = Unseren ersten Vektor v wählen wir als Vektor in V, aber nicht in V 1 = Bild(A 2I) = Kern((A 2I) 2 ). Der Rang ist 1, wir werden also den ersten Jordan-Block aus dem zweiten Standardbasisvektor v bekommen. Dies liefert die Vektoren (v, p(a)v, p(a) 2 v) (man beachte, dass der Grad von p 1 ist). Weitherhin werden diese Vektoren durch den dritten Standardbasisvektor w zur Basis von W = Kern(A 2I 4 ) = E A (2) ergänzt. Also ist unsere neue Basis B = (v, (A 2I 4 )v, (A 2I 4 ) 2 v, w) und die transformierte Matrix ist F Es stellt sich abschließend die Frage nach trennenden Invarianten für die Konjugationsoperation. Der Satz von Jordan gibt einen Standardvertreter an und einen Algorithmus, diesen auszurechnen. Wir wollen dies nochmals in einem Satz ausdrücken. Satz Zwei Endomorphismen α, β End(V ) sind genau dann unter GL(V ) konjugiert, wenn gilt a) die Minimalpolynome sind gleich: µ α (X) = µ β (X) und b) für jeden normierten irreduziblen Teiler p K[X] des Minimalpolynoms sind die Partitionen des p-hauptraumes von (V, α) und von (V, β) gleich. In anderen Worten: Die Minimalpolynome zusammen mit den Partitionen bilden ein System trennender Invarianten für die Ähnlichkeitsklassen.

5 3.1. JORDAN-NORMALFORM 67 Beispiel Ähnlichkeitsklassen in C 4 4 : χ A (X) µ A (X) Partitionen Vertreter (X a) 4 X a (1, 1, 1, 1) Diag(a, a, a, a) (X a) 2 (2, 1, 1) Diag(J 2 (a), a, a) (X a) 2 (2, 2) Diag(J 2 (a), J 2 (a)) (X a) 3 (3, 1) Diag(J 3 (a), a) (X a) 4 (4) J 4 (a) (X a) 3 (X b) (X a)(x b) (1, 1, 1), (1) Diag(a, a, a, b) (X a) 2 (X b) (2, 1), (1) Diag(J 2 (a), a, b) (X a) 3 (X b) (3), (1) Diag(J 3 (a), b) (X a) 2 (X b) 2 (X a)(x b) (1, 1), (1, 1) Diag(a, a, b, b) (X a) 2 (X b) (2), (1, 1) Diag(J 2 (a), b, b) (X a) 2 (X b) 2 (2), (2) Diag(J 2 (a), J 2 (b)) (X a) 2 (X b)(x c) (X a)(x b)(x c) (1, 1), (1), (1) Diag(a, a, b, c) w=a,b,c,d (X w) (X a) 2 (X b)(x c) (2), (1), (1) Diag(J 2 (a), b, c) w=a,b,c,d (X w) (1), (1), (1), (1) Diag(a, b, c, d) Übung: Gib ein Vertretersystem aller Konjugiertenklassen von Endomorphismen von F und von R 3 3 an. Wir erinnern uns, dass dass C End(V ) (α) eine K-Teilalgebra von End(V ) ist und dass Aut α (V ) := GL(V ) C End(V ) (α) = Stab GL(V ) (α) = {β GL(V ) α β = β α}. Wir wollen noch die Bahnen von Aut α (V ) auf V andiskutieren. Satz Sei V ein endlich erzeugter K-Vektorraum und α End(V ) mit charakteristischem Polynom χ α (X) = p c für ein normiertes irreduzibles Polynom und λ = (λ 1,..., λ k ) N k die zugehörige Partition von c. Sei ω = (ω 1,..., ω l ) die Partition mit ω 1 >... > ω l und {λ 1,..., λ k } = {ω 1,..., ω l }. (D.h. in ω kommt jedes λ i nur einmal vor.) Dann ist die Anzahl der Bahnen von Aut α (V ) auf V beschränkt durch l i=1 (ω i + 1). Genau l dieser Bahnen sind dadurch ausgezeichnet, dass ihre Elemente als Erzeuger eines zyklischen Raumes in einer Zerlegung von V vorkommen. Die Anzahl der Bahnen auf Kern(p(α)) (mit ν := p(α)) ist auch gleich l. Beweis. An der Matrixbeschreibung sieht man, dass je zwei nach Längen geordnete Zerlegungen von V in zyklische Teilräume in derselben Bahn unter Aut α (V ) liegen und dass damit genau l Bahnen auf der Menge der Erzeuger von zyklischen Teilräume aus irgendeiner Zerlegung. Wir betrachten jetzt den Spezialfall λ 1 =... = λ k, also l = 1.. In diesem Fall folgt sofort

6 68 KAPITEL 3. ÄQUIVALENZ FÜR ENDOMORPHISMEN aus dem Beweis von Satz 3.12, dass die Menge der Erzeuger von zyklischen Teilräumen aus irgendeiner Zerlegung identisch ist mit V p(α)(v ). Da p(α) mit der Operation von Aut α (V ) vertauschbar ist, sieht man leicht, dass sämtliche Bahnen gegeben sind durch V p(α)(v ), p(α)(v ) p(α) 2 (V ),..., p(α) a(1) 1 (V ) {0}, {0}, also hat man λ Bahnen. Jetzt betrachten wir den allgemeinen Fall: V = W 1 W 2 W l wobei jedes W i direkte Summe von bezüglich α zyklischen Teilräumen der Länge λ i ist. Jedes v V hat also die Gestalt v = v v l mit v i W i. Wenn wir statt ganz Aut α (V ) nur die Untergruppe (Stabilisator der Zerleung) U := {g Aut α (V ) g(w i ) = W i, i = 1,... l} operieren lassen, sehen wir, dass jedes v i aus λ i + 1 vielen Bahnen kommen kann, also v aus l i=1 (λ i + 1) vielen Bahnen. (Man beachte jedoch, die Bahnen unter ganz Aut α (V ) sind sehr viel größer, so dass dies nur eine nicht sehr gute Abschätzung ist.) Sei nun zusätzlich p(α)(v) = 0. Dann gilt p(α)(v i ) = 0 für i = 1,..., l. Wir lassen es als Übungsaufgabe folgendes zu zeigen: Falls v v i 0 ist, dann liegt v v i genau dann in derselben Bahn unter Aut α (V ) wie v i, falls v i 0 gilt. q. e. d. Man beachte, dass im letzten Satz alle Elemente von V deren Minimalpolynom gleich dem Minimalpolynom von α ist, alle in einer Bahn unter Aut α (V ) liegen. Dies ist bei weitem die größte Bahn, wobei das Wort größte eigentlich noch genau spezifiziert werden müßte.

7 Kapitel 4 Allgemeine Bilinearformen und unitäre Vektorräume 4.1 Erinnerung an Bilinearfomen und Matrizen Definition 4.1. Sei V ein K-Vektorraum. 1) Eine Abbildung Φ : V V K : (v, w) Φ(v, w) heißt Bilinearform von V, falls Φ in jeder Komponente linear ist, d.h. und Φ(av + bv, w) = aφ(v, w) + bφ(v, w) für alle a, b K, v, v, w V Φ(v, aw + bw ) = aφ(v, w) + bφ(v, w ) für alle a, b K, v, w, w V Die Menge aller Bilinearformen von V bezeichnen wir mit Bifo(V ). 2) Eine Bilinearform Φ Bifo(V ) heißt symmetrisch bzw. schiefsymmetrisch, falls Φ(v, w) = Φ(w, v) bzw. Φ(v, w) = Φ(w, v) für alle v, w V. Die Menge der symmetrischen Bilinearformen von V bezeichnen wir mit Bifo + (V ) und die Menge der schiefsymmetrischen mit Bifo (V ). Ferner heißt Φ Bifo(V ) alternierend, falls Φ(v, v) = 0 für alle v V gilt. Die Menge der alternierenden Bilinearformen wird mit Bifo A (V ) bezeichnet. Beispiel 4.2. Seien δ 1, δ 2 V = Hom(V, K) für einen beliebigen K-Vektorraum V. Dann ist δ 1 δ 2 : V V K : (v, w) δ 1 (v)δ 2 (w) eine Bilinearform, die genau dann symmetrisch ist, wenn (δ 1, δ 2 ) linear abhängig ist. δ 1 δ 2 δ 2 δ 1 ist schiefsymmetrisch, sogar alternierend. Das letzte Beispiel ist eine allgemeine Konstruktion, die uns schnell zu einer Basis von Bifo(V ) für endlich erzeugte K-Vektorräume V führt. Übung: Sei δ (V ) n eine Basis des Dualraumes V von V, so ist (δ 1 δ 1, δ 1 δ 2,..., δ 1 δ n,..., δ n δ n ) Bifo(V ) n2 69

8 70KAPITEL 4. ALLGEMEINE BILINEARFORMEN UND UNITÄRE VEKTORRÄUME eine Basis von Bifo(V ). Der folgende Satz, der in Analogie zur Beschreibung von Endomorphismen durch Matrizen besteht, löst nicht nur diese Übungsaufgabe, sondern liefert gleichzeitig einen Kalkül zur Berechnung der Werte. Satz 4.3. Sei V ein K-Vektorraum mit Basis B V n. Dann gilt: Bifo(V ) K n n : Φ B Φ B ist ein Isomorphismus, wobei BΦ B : n n K : (i, j) Φ(b i, b j ) die Grammatrix von Φ heißt. Weiter gilt für alle v, w V : Φ(v, w) = v B BΦ B Bw wobei v B := ( B v) tr. 4.2 Struktur eines Vektorraumes mit Bilinearform Wir stellen wieder die Frage nach Invarianten, denn wir haben die offensichtliche Bemerkung: Bemerkung 4.4. GL(n, K) K n n K n n : (g, F ) g tr F g 1 ist eine Operation von GL(n, K) auf K n n. Jede Bahn besteht aus den Grammatrizen BΦ B einer (festen) Bilinearform Φ Bifo(V ) bezüglich aller Basen B V n von V. Offensichtliche Invarianten dieser Operation sind der Rang der Grammatrizen F und Dim(Kern(ϕ F )) = n Rg(F ). Wir wollen diese interpretieren, was ihre Bedeutung für Bilinearformen ist. Dabei beschränken wir uns auf den Fall symmetrischer oder schiefsymmetrischen Bilinearformen, weil es manchmal verwirrend ist, zwischen Links- und Rechtsorthogonalität zu unterscheiden. Definition 4.5. Sei Φ Bifo ± (V ), also Φ Bifo + (V ) oder Φ Bifo (V ). 1) Für M V heißt M,Φ = M := {v V Φ(w, v) = 0 für alle w M} der Orthogonalraum von M bezüglich Φ. 2) V heißt das Radikal von Φ. 3) Φ heißt nicht ausgeartet, falls V = {0}, anderenfalls ausgeartet.

Kapitel 11. Bilinearformen über beliebigen Bilinearformen

Kapitel 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

Mehr

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5

Klausurenkurs 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

Mehr

4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau

4.3 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

Mehr

Lineare Abbildungen. i=0 c ix i n. K n K m

Lineare 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

Mehr

Musterlösung Klausur zur Linearen Algebra II

Musterlösung 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

Mehr

Lineare Algebra II 6. Übungsblatt

Lineare 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

Mehr

6 Hauptachsentransformation

6 Hauptachsentransformation 6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten

Mehr

4 Affine Koordinatensysteme

4 Affine Koordinatensysteme 4 Affine Koordinatensysteme Sei X φ ein affiner Raum und seien p,, p r X Definition: Nach ( c ist der Durchschnitt aller affinen Unterräume Z X, welche die Menge {p,,p r } umfassen, selbst ein affiner

Mehr

2 Die Dimension eines Vektorraums

2 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

Mehr

Kapitel III. Lineare Abbildungen

Kapitel III. Lineare Abbildungen Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte 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

Mehr

Übungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr.

Übungsblatt 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

Mat(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

Mat(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 =

Mehr

Lineare 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. 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:

Mehr

Lineare Abbildungen und Darstellungsmatrizen

Lineare 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

Mehr

Lineare Algebra I Zusammenfassung

Lineare 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

Mehr

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Orthonormalisierung. 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).

Mehr

1.5 Duales Gitter und Diskriminantengruppe

1.5 Duales Gitter und Diskriminantengruppe Gitter und Codes c Rudolf Scharlau 24. April 2009 27 1.5 Duales Gitter und Diskriminantengruppe Dieser Abschnitt ist im wesentlichen algebraischer Natur: Es spielt keine Rolle, dass unsere Gitter in einem

Mehr

Lineare Algebra II, Lösungshinweise Blatt 9

Lineare 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

Mehr

Proseminar Lineare Algebra II, SS 11. Blatt

Proseminar 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

Mehr

Kapitel VI. Euklidische Geometrie

Kapitel VI. Euklidische Geometrie Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und

Mehr

Übungen zu Einführung in die Lineare Algebra und Geometrie

Übungen 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

Mehr

Übungen zur Linearen Algebra 1

Übungen 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

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische 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

Mehr

Euklidische und unitäre Vektorräume

Euklidische 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

Mehr

Vorkurs Mathematik B

Vorkurs 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

Mehr

Sesqui- und Bilinearformen

Sesqui- 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

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(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:

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. 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

Mehr

Stichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016

Stichwortliste 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.

Mehr

Definition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und

Definition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und 7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ

Mehr

Lineare Abhängigkeit

Lineare 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

Mehr

7 Vektorräume und Körperweiterungen

7 Vektorräume und Körperweiterungen $Id: vektor.tex,v 1.3 2009/05/25 15:03:47 hk Exp $ 7 Vektorräume und Körperweiterungen Wir sind gerade bei der Besprechung derjenigen Grundeigenschaften des Tensorprodukts, die mit vergleichsweise wenig

Mehr

Musterlösungen zur Linearen Algebra II Übungsklausur

Musterlösungen 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,

Mehr

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008

KLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008 KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch

Mehr

2 Euklidische Vektorräume

2 Euklidische Vektorräume Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen

Mehr

Masterarbeit. vorgelegt von Marco Sobiech. Fakultät für Mathematik Lehrstuhl für Algebra TU Dortmund

Masterarbeit. vorgelegt von Marco Sobiech. Fakultät für Mathematik Lehrstuhl für Algebra TU Dortmund Masterarbeit vorgelegt von Marco Sobiech Der Wittkern einer separablen Körpererweiterung vom Grad vier von quadratischen Formen über Körpern der Charakteristik zwei Fakultät für Mathematik Lehrstuhl für

Mehr

6 Eigenwerte und Eigenvektoren

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,

Mehr

Einführung in die Mathematik für Informatiker

Einführung in die Mathematik für Informatiker Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 12.12.2016 9. Vorlesung Eigenschaften linearer Abbildungen Beschreibung linearer Abbildungen durch Matrizen... Eigenschaften

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010 Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und

Mehr

1 Singulärwertzerlegung und Pseudoinverse

1 Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese

Mehr

Lösungen zu den Hausaufgaben zur Analysis II

Lösungen zu den Hausaufgaben zur Analysis II Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin

Mehr

Lineare Algebra und analytische Geometrie I

Lineare 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

Mehr

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe

Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:

Mehr

Kapitel 2: Mathematische Grundlagen

Kapitel 2: Mathematische Grundlagen [ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen

Mehr

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S

Elemente von S n = Aut([1, n]) heißen Permutationen. Spezielle Permutationen sind Transpositionen und Zyklen. (Vergl. Skript S Begriffe Faser: Es sei f : M N eine Abbildung von Mengen. Es sei n N. Die Menge f 1 ({n}) M nennt man die Faser in n. (Skript Seite 119). Parallel: Zwei Vektoren v und w heißen parallel, wenn für einen

Mehr

Übungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.

Übungsaufgaben 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

Mehr

2.2 Kern und Bild; Basiswechsel

2.2 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare

Mehr

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω 5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,

Mehr

Algebra I, WS 04/05. i 0)

Algebra I, WS 04/05. i 0) G. Nebe, M. Künzer Algebra I, WS 04/05 Lösung 5 Aufgabe 20. 1 Wir haben einen Normalteiler C 3 = 1, 2, 3. Es ist mit C 2 := 1, 2 der Schnitt C 3 C 2 = 1, und folglich aus Ordnungsgründen S 3 = C 3 C 2.

Mehr

Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger

Beispiellösungen 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

Mehr

Lineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A.

Lineare Hülle. span(a) := λ i v i : so dass k N, λ i R und v i A. Lineare Hülle Def A sei eine nichtleere Teilmenge des Vektorraums (V,+, ) Die lineare Hülle von A (Bezeichung: span(a)) ist die Menge aller Linearkombinationen der Elemente aus A { k } span(a) := λ i v

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

x,y A = t xay v i,v j A = e i,e j t PAP

x,y A = t xay v i,v j A = e i,e j t PAP 75 Lineare Algebra II SS 2005 Teil 6 Bilinearformen 6A Kongruenz quadratischer Matrizen Sei K ein Körper, sei A M(n n, K) eine quadratische Matrix Wie wir zu Beginn von Teil 3 gesehen haben, liefert A

Mehr

46 Eigenwerte und Eigenvektoren symmetrischer Matrizen

46 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

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Mathematik 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

Mehr

1 Euklidische und unitäre Vektorräume

1 Euklidische und unitäre Vektorräume 1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik 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

Mehr

Michael Artin. Algebra. Aus dem Englischen übersetzt von Annette A'Campo. Birkhäuser Verlag Basel Boston Berlin

Michael Artin. Algebra. Aus dem Englischen übersetzt von Annette A'Campo. Birkhäuser Verlag Basel Boston Berlin Michael Artin Algebra Aus dem Englischen übersetzt von Annette A'Campo Birkhäuser Verlag Basel Boston Berlin INHALTSVERZEICHNIS Vorwort Hinweise viii x Kapitel 1 MATRIZEN 1 1. Matrizenkalkül 1 2. Zeilenreduktion

Mehr

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte

Ferienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare

Mehr

Lineare Algebra und analytische Geometrie II

Lineare Algebra und analytische Geometrie II Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren

Mehr

Skript Lineare Algebra II Mitschrift der Vorlesung Lineare Algebra II von Prof. Dr. Arthur Bartels

Skript 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

Mehr

1 0 1, V 3 = M, und λ A = λa

1 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

Mehr

2. Symmetrische Gruppen

2. Symmetrische Gruppen 14 Andreas Gathmann 2 Symmetrische Gruppen Im letzten Kapitel haben wir Gruppen eingeführt und ihre elementaren Eigenschaften untersucht Wir wollen nun eine neue wichtige Klasse von Beispielen von Gruppen

Mehr

Übungen zur Linearen Algebra 1

Übungen zur Linearen Algebra 1 Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume

Mehr

Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen

Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen Anna Engels Seminar Riemannsche Geometrie und Spektraltheorie SS 003 Zusammenfassung Ich will erklären, wie man

Mehr

Klausur Linearen Algebra 1 Musterlösung: Aufgabe A

Klausur Linearen Algebra 1 Musterlösung: Aufgabe A Klausur Linearen Algebra 1 Musterlösung: Aufgabe A Wir betrachten den Unterraum V = K[X] 4 aller Polynome vom Grad 4 und die lineare Abbildung f : V K 2 ; P (P (1), P (0)). Es bezeichne v 1,..., v 5 die

Mehr

Charaktere. 1 Wiederholung. 2 Charaktere verschiedener Darstellungen. 1.1 Zerlegung von Darstellungen. 1.2 Schursches Lemma

Charaktere. 1 Wiederholung. 2 Charaktere verschiedener Darstellungen. 1.1 Zerlegung von Darstellungen. 1.2 Schursches Lemma Caraktere 1 Wiederolung 1.1 Zerlegung von Darstellungen Jede Darstellung läßt sic Zelegen in V = V a1 1 V a Wobei die V i irreduzible Darstellungen von G sind und a i N. Die Sätze der Carakterteorie liefern

Mehr

Zusammenfassung 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 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

Mehr

Gegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.

Gegeben 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

Mehr

9 Vektorräume mit Skalarprodukt

9 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

Mehr

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w = 1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition

Mehr

Lineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt

Lineare 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

Mehr

Grundlagen der Vektorrechnung

Grundlagen der Vektorrechnung Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt

Mehr

Skalarprodukte (Teschl/Teschl Kap. 13)

Skalarprodukte (Teschl/Teschl Kap. 13) Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +

Mehr

Kap 5: Rang, Koordinatentransformationen

Kap 5: Rang, Koordinatentransformationen Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv

Mehr

45 Eigenwerte und Eigenvektoren

45 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.

Mehr

1 Anmerkungen zu Wohldefiniertheit

1 Anmerkungen zu Wohldefiniertheit 1 Anmerkungen zu Wohldefiniertheit Wohldefiniertheit muss bewiesen werden, wenn von vornherin nicht klar ist, ob eine angegebene Zuordnungsvorschrift eine Abbildung definiert. Hier gibt es zwei typische

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x

Mehr

Mathematische Erfrischungen III - Vektoren und Matrizen

Mathematische Erfrischungen III - Vektoren und Matrizen Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen

Mehr

1 Angeordnete Körper. 1.1 Anordnungen und Positivbereiche

1 Angeordnete Körper. 1.1 Anordnungen und Positivbereiche 1 1 Angeordnete Körper 1.1 Anordnungen und Positivbereiche Definition 1.1. Eine zweistellige Relation auf einer Menge heißt partielle Ordnung, falls für alle Elemente a, b, c der Menge gilt: (i) a a (ii)

Mehr

(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge

(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,

Mehr

Beziehungen zwischen Vektorräumen und ihren Dimensionen

Beziehungen zwischen Vektorräumen und ihren Dimensionen Beziehungen zwischen Vektorräumen und ihren Dimensionen Lineare Algebra I Kapitel 9 20. Juni 2012 Logistik Dozent: Olga Holtz, MA 378, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz

Mehr

Lineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli.

Lineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli. Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Hier

Mehr

Lineare Algebra II. Sommersemester Wolfgang Ebeling

Lineare 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

Mehr

Jürgen Hausen Lineare Algebra I

Jürgen Hausen Lineare Algebra I Jürgen Hausen Lineare Algebra I 2. korrigierte Auflage Shaker Verlag Aachen 2009 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation

Mehr

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

Mehr

6. Übungsblatt zur Mathematik I für Maschinenbau

6. Übungsblatt zur Mathematik I für Maschinenbau Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)

Mehr

Lösungen Serie 6 (Vektorräume, Skalarprodukt)

Lösungen Serie 6 (Vektorräume, Skalarprodukt) Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9

Mehr

Lineare Algebra und analytische Geometrie I

Lineare Algebra und analytische Geometrie I Prof Dr H Brenner Osnabrück WS 205/206 Lineare Algebra und analytische Geometrie I Vorlesung 9 Basiswechsel Wir wissen bereits, dass in einem endlichdimensionalen Vektorraum je zwei Basen die gleiche Länge

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

00. Einiges zum Vektorraum R n

00. Einiges zum Vektorraum R n 00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 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

Mehr

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

Mehr

Affine Geometrie (Einfachere, konstruktive Version)

Affine Geometrie (Einfachere, konstruktive Version) Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit

Mehr

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21

5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21 5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11

Mehr

Teil 2 LINEARE ALGEBRA II

Teil 2 LINEARE ALGEBRA II Teil 2 LINEARE ALGEBRA II 27 Kapitel VII Euklidische und unitäre Vektorräume Wir beschäftigen uns jetzt mit Vektorräumen, die noch eine zusätzliche Struktur tragen Der Winkel zwischen Vektoren im IR 2

Mehr