1 Einstimmung 2. 2 Allgemeine Eigenwertprobleme Berechnung von Eigenwerten und Eigenvektoren Wichtige Eigenschaften...
|
|
- Harald Auttenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Wirtschaftswissenschaftliches Zentrum 4 Universität Basel Mathematik 2 Dr Thomas Zehrt Eigenwerte und Eigenvektoren Inhaltsverzeichnis Einstimmung 2 2 Allgemeine Eigenwertprobleme 5 2 Berechnung von Eigenwerten und Eigenvektoren 6 22 Wichtige Eigenschaften 8 3 Diagonalisierung einer Matrix 2 4 *Anwendung : Input-Output-Modelle* 4 4 Einführung 4 42 Modell ohne externe Nachfrage 5 43 Modell mit externer Nachfrage 9 5 *Anwendung 2: Demographische Entwicklung* 2 6 Übungsaufgaben 24
2 2 Einstimmung In den Wirtschaftswissenschaften treten Eigenwerte und Eigenvektoren vorwiegend in folgenden Bereichen auf: Stabilitätsuntersuchungen ökonomischer Systeme Wachstumsmodelle mit mehreren Sektoren Statistik und Ökonometrie Beispiel (Einkommensentwicklung in einer Volkswirtschaft mit 2 Sektoren Bezeichnungen: x,t x 2,t für t,, 2, Einkommen von Sektor in der t-ten Periode Einkommen von Sektor 2 in der t-ten Periode Es gelte die folgende Dynamik bei der Einkommensentwicklung: x,t+ x,t + 4 x 2,t oder x 2,t+ 3 x,t + 6 x 2,t ( x,t+ x 2,t+ } {{ } x t+ ( 4 ( x,t } 3 6 {{ }} x 2,t {{ } A x t Wir werden erkennen, dass die Systemdynamik ganz entscheidend vom Starteinkommen beider Sektoren abhängt Variante : Starteinkommen x ( Einkommensentwicklung beider Sektoren: x A x x 2 A x x 3 A x 2 x 4 A x 3 ( ( ( ( ( ( 4 9 ( ( 24 ( 4 9 ( ( 24 ( 259 3
3 3 Variante 2: Starteinkommen x ( 2 Einkommensentwicklung beider Sektoren: x A x ( ( 2 ( 24 2 x 2 A x ( ( 24 2 ( x 3 A x 2 ( ( ( x 4 A x 3 ( ( ( In beiden Sektoren wachsen die Einkommen in der 2 Variante mit demselben konstanten Faktor 2! Es herrscht dynamisches Gleichgewicht Der Grund dafür ist die spezielle Wahl des Startvektors ( 2 x x denn es gilt ( ( 2 ( 2 2 aber es gibt keine reelle Zahl λ, so dass ( ( ( λ
4 4 Auch in einer Graphik lässt sich der Unterschied zwischen beiden Startvektoren erkennen ( ( ( ( ( 2 ( 24 2 (
5 5 2 Allgemeine Eigenwertprobleme gegeben: quadratische Matrix A A n n gesucht: λ R und x R n, x, so dass A x λ x Definition 2 Eine solche (reelle Zahl λ heisst Eigenwert von A Der zugehörige Vektor x heisst Eigenvektor von A zum Eigenwert λ Ein Eigenvektor x zum Eigenwert λ ist nicht eindeutig bestimmt Eigentlich sollte man zunächst besser von Eigengeraden sprechen, denn mit jedem Eigenvektor ist auch jedes Vielfache dieses Vektors wieder Eigenvektor zum selben Eigenwert Genauer: Ist der Vektor x ein Eigenvektor von A zum Eigenwert λ, so ist auch jedes Vielfaches von x ein Eigenvektor von A zum selben Eigenwert Das zeigt sofort die folgenden Rechnung Ist α R, α, so gilt: A (α x α A x α (λ x λ (α x Also hat auch der um α gestreckte oder gestauchte Vektor α x die Eigenschaft eines Eigenvektors zum Eigenwert λ Deshalb wäre es eigentlich besser von Eigengeraden oder Eigenvektorräumen zu reden Beispiel 2 Es gilt ( ( 2 ( 24 2 ( 2 2 Berechnen Sie ( ( 4 2 ( ( 5
6 6 2 Berechnung von Eigenwerten und Eigenvektoren Für einen Eigenwert λ mit zugehörigem Eigenvektor x von A gilt: A x λ x A x λ I x A x λ I x (A λ I x Man erhält das homogene lineare Gleichungssystem (A λ I x das natürlich immer die Lösung x hat Dieser Vektor ist aber kein Eigenvektor (nach Definition Wir suchen also weitere Lösungen des Systems, was bedeutet, dass dieses System dann unendlich viele Lösungen haben sollte Natürlich gibt es genau dann (weitere Lösungen x, wenn die Matrix (A λ I singulär ist! Kriterium: (A λ I singulär det(a λ I }{{} p A (λ Definition 22 Der Ausduck p A (λ det(a λ I ist ein Polynom vom Grad n in λ, das als charakteristisches Polynom von A bezeichnet wird Die Nullstellen λ, λ 2, von p A (λ sind die Eigenwerte von A Um die zugörigen Eigenvektoren zu berechnen, lösen wir dann die linearen Gleichungssysteme: (A λ I x ( x ( Eigenvektor zu λ (A λ 2 I x (2 x (2 Eigenvektor zu λ 2 (A λ 3 I x (3 x (3 Eigenvektor zu λ 3
7 7 Aufgabe 2 Bestimmen Sie alle Eigenwerte und Eigenvektoren der Matrix Lösung: A 6 4 Charakteristisches Polynom: p A (λ λ 3 + 4λ 2 λ 6 Erste Nullstelle raten: λ Polynomdivision (siehe Vorkurs: ( λ 3 + 4λ 2 λ 6 : (λ + λ 2 + 5λ 6 Also: p A (λ λ 3 + 4λ 2 λ 6 (λ + ( λ 2 + 5λ 6 Nullstellen des quadratischen Polynoms λ 2 +5λ 6 bestimmen: λ 2 2 und λ ( x x 2 x 3 x ( t x x 2 x 3 x x 2 x 3 x (2 t x (3 t
8 8 22 Wichtige Eigenschaften Eigenschaft Satz p A (λ det(a λi ist ein Polynom vom Grad n in λ und hat höchstens n reelle Nullstellen ( a b Beispiel 22 n 2 A c d ( a λ b A λi c d λ p A (λ (a λ(d λ bc λ 2 (a + d λ + ad }{{}}{{ bc } :sp(a det(a Nullstellen: λ,2 a + d 2 ± (a + d 2 4 det(a Das charakteristische Polynom kann hier zwei verschiedenen reelle Nullstellen, zwei gleiche reelle Nullstellen oder keine reelle Nullstelle haben A ( 2 2 λ,2 ± ( 3 3, zwei (verschiedene reelle Nullstellen ( 3 A 3 λ,2 3 ± 9 9 3, 3 zwei (gleiche reelle Nullstellen ( A λ,2 ±? keine reellen Nullstellen
9 9 Eigenschaft 2 Satz 2 Eigenvektoren x,, x r zu paarweise verschiedenen Eigenwerten λ,, λ r sind linear unabhängig Beweis (r 2: Es gilt also Ax λ x und Ax 2 λ 2 x 2 mit λ λ 2 Ansatz: t x + t 2 x 2 Es folgt: A A(t x + t 2 x 2 t Ax + t 2 Ax 2 t λ x + t 2 λ 2 x 2 Also t x + t 2 x 2 λ t λ x + t 2 λ 2 x 2 t λ x + t 2 λ x 2 - ( t λ x + t 2 λ 2 x 2 t 2 (λ λ 2 }{{} Somit muss t 2 gelten und mit der ersten Gleichung folgt auch t Beide Eigenvektoren sind also linear unabhängig x 2
10 Aufgabe 22 Die Matrix (aus Aufgabe hatte die Eigenvektoren x A 6 4, x 2 2 4, x 3 3 9, zu den paarweise verschiedenen Eigenwerten, 2 und 3 Zeigen Sie, dass diese drei Vektoren linear unabhängig sind Lösung:
11 Eigenschaft 3 Satz 3 Ist die Matrix A symmetrisch (A T A, so sind Eigenvektoren zu verschiedenen Eigenwerten orthogonal Beweis: Es gelte Aa λa und Ab µb mit λ µ Dann gilt: λ a b λ a T b (Aa T b a T A T b a T (A T b a T (Ab a T µ b µ a T b µ a b und da λ µ ist, muss a b sein! Aufgabe 23 Die symmetrische Matrix hat die Eigenvektoren x 2 A 2 2, x 2, x 3, zu den paarweise verschiedenen Eigenwerten, 2 und 3 Zeigen Sie, dass diese drei Vektoren paarweise orthogonal sind Lösung:
12 2 3 Diagonalisierung einer Matrix Wir wollen die folgende Frage behandeln: Gibt es zu einer gegebenen (n n-matrix eine invertierbare Matrix B, so dass B AB eine Diagonalmatrix ist? ( Im allgemeinen gibt es eine solche Matrix nicht Betrachten Sie zb die Matrix Definition 3 Eine (n n-matrix A heisst diagonalisierbar, wenn es eine invertierbare Matrix B gibt, so dass B AB eine Diagonalmatrix ist Es gilt der folgende schöne Zusammenhang Satz 4 Eine (n n-matrix A ist genau dann diagonalisierbar, wenn sie n linear unabhängige Eigenvektoren hat Beweis: Seien b, b 2,, b n die linear unabhängigen Eigenvektoren von A zu den Eigenwerten λ, λ 2,, λ n Wir bilden die Eigenvektormatrix B b b 2 b n in der einfach alle Eigenvektoren als Spaltenvektoren zusammengefasst werden Dann gilt AB Ab Ab 2 Ab n dh die Spaltenvektoren von AB sind gerade die Vektoren Ab, Ab 2,, Ab n Beachten wir noch die Eigenvektoreigenschaft folgt AB Ab Ab 2 Ab n λ b λ 2 b 2 λ n b n λ b b 2 b n λ 2 λ n BD wobei D die Diagonalmatrix ist, deren Diagonaleinträge gerade die Eigenwerte von A sind Da die Spaltenvektoren von B linear unabhängig sind (nach Definition hat B maximalen Rang und ist invertierbar Aus der Gleichung AB BD folgt daher durch Multiplikation mit B von links B AB D Wir verzichten auf einen Beweis der zweiten Aussage des Satzes: Eine diagonalisierbare Matrix besitzt n linear unabhäbgige Eigenvektoren
13 3 Der angegebene Beweis gibt uns auch ein Rezept dafür, wie man eine (diagonalisierbare Matrix diagonalisieren kann Beispiel 3 Die Matrix A Also ist B ( 2 B AB und B ( 2 4 hat die Eigenwerte und Eigenvektoren ( λ 2 b ( λ 2 3 b 2 2 ( 2 ( 2 ( 2 4 und kurze und direkte Rechnung ergibt: ( 2 ( 2 3
14 4 4 *Anwendung : Input-Output-Modelle* 4 Einführung Wir betrachten n verschiedene Industrien (zb Stahlindustrie, Kohleförderung und Erzförderung in einem geschlossenen System Dann hängt einerseits der Ausstoss (Output zb der Stahlindustrie vom Eingang (Input der erzeugten Güter aus allen n Industien ab, denn um eine Tonne Stahl zu produzieren benötigt man (mindestens Erz, Kohle und auch Stahl einer bestimmten Menge Andererseits wird natürlich auch der Output von Stahl von (fast allen anderen Industrien als Input benötigt Im allgemeinen sollte man hier natürlich darum bemüht sein, dass die Outputmengen aller n Industrien zu den Inputmengen,,passen, dh dass man unter anderem nicht mehr und nicht weniger Stahl produzieren sollte, wie sämtliche Industriezweige benötigen Wir wollen zunächst einige vereinfachende Annahmen treffen: Jeder Industriezweig produziert genau ein Gut 2 Jeder Industriezweig benötigt ein festes Verhältnis von Inputgütern für die Produktion eines bestimmten Outputs 3 Die Produktion in jedem Industriezweig geschieht linear homogen, dh eine k-fache Erhöhung des (gesamten Inputs bringt auch einen k-fachen Output des entsprechenden Gutes hervor
15 5 42 Modell ohne externe Nachfrage Es seien die n verschiedenen Industrien H, H 2,, H n gegeben Die Produktionsmengen (zb gemessen in kg, Tonnen, Stück, sämtlicher Industrien werden zunächst einheitlich in CHF (als Preis der produzierten Menge angegeben Weiterhin sei a ij der Preis, für den Industrie H j von H i Waren einkaufen muss, um selbst seine eigene Ware im Wert von CHF (innerhalb einer festen Zeitperiode produzieren zu können Für n 3 Industrien könnte man den Warenaustausch durch das folgende Diagramm beschreiben: a H a 2 a 3 a 2 a 3 H 2 a 32 a 22 a 33 H 3 a 23 Einkauf H H 2 H 3 H a a 2 a 3 Verkauf H 2 a 2 a 22 a 23 H 3 a 3 a 32 a 33 Die Matrix A (a ij beschreibt dann die kompletten wirtschaftlichen Beziehungen der beteiligten Industrien Da keine Exporte stattfinden, ist die Summe der j-ten Spalteneinträge gleich dem Wert der Gesamtwarenmenge, die Industrie H j bei allen Produzenten einkaufen muss, um seine Ware im Wert von - CHF zu produzieren, dh für jedes j, 2,, n gilt n i a ij a j + a 2j + + a nj (CHF Bemerkung: Matrizen mit dieser Eigenschaft heissen stochastische Matrizen oder auch Markov-Matrizen Ist
16 6 der Vektor n Komponenten gleich, so gilt T A (,,, ( n i a i, (,,, n i a a n a 2 a 2n a n a nn a i2,, n i a in oder auch T A T ( T A T ( T T Beispiel 4 Wir betrachten n 3 Industrien, deren Warenaustausch durch das folgende Diagramm beschrieben wird: H H 8 2 H Einkauf H H 2 H 3 H 2 3 Verkauf H H Die den Produktaustausch beschreibende Matrix A hat damit die Gestalt A
17 7 In dem Vektor x x x 2 x n bezeichne x i die Gesamtproduktion der Industrie H i Die Grösse n j a ij x j a i x + a i2 x a in x n ist dann die Gesamtwarenmenge, die die Industrie H i an sämtliche Industrien liefert und ist damit gleich der Gesamtproduktion von H i (geschlossenes System, dh es gilt für alle i, 2,, n: n j a ij x j a i x + a i2 x a in x n x i ( oder Ax x (A Ix dh der Vektor x ist ein Eigenvektor von A zum Eigenwert λ Damit der Wirtschaftskreislauf reibungslos und ohne Überschüsse zu produzieren, funktioniert, müssen wir also zur Matrix A einen Eigenvektor x zum Eigenwert finden Beispiel 42 Wir betrachten wieder die in Beispiel beschriebene Situation Im Vektor x x x 2 x 3 bezeichne x i die Gesamtproduktion der Industrie H i Dann gilt (muss gelten x + 2x 2 + 3x 3 x 3x + x 2 + 3x 3 x 2 6x + 8x 2 + 4x 3 x 3 oder
18 8 9x + 2x 2 + 3x 3 3x x 2 + 3x 3 6x + 8x 2 6x 3 Um das Input-Output-Problem zu lösen, müssen wir den Vektor x bestimmen In Matrixschreibweise: II 2 II mit der Lösung x 3 t R, x t und x 3 7 t oder : x t 3/7 3/7 I : ( 4
19 9 43 Modell mit externer Nachfrage Die Situation bleibt die gleiche wie im vorhergehenden Abschnitt Wir verlangen nur zusätzlich, dass jede Industrie H i auch b i Einheiten ihres Gutes zur Erfüllung der (externen Endnachfrage produzieren soll Wir fassen diese Endnachfragemengen zu einem Vektor zusammen: b Ausserdem fällt die Bedingung, dass alle Spaltensummen der Matrix A gleich sind weg, da hier kein geschlossener Kreislauf vorliegt Die Gleichungen ( müssen dann entsprechend modifiziert werden: Für alle i, 2,, n gilt: b b 2 b n n j a ij x j + b i a i x + a i2 x a in x n + b i x i oder Ax + b x (A Ix b
20 2 5 *Anwendung 2: Demographische Entwicklung* Lineares dynamisches System zur Bevölkerungsentwicklung (vereinfachende Annahme: Die Bevölkerung bestehe nur aus Arbeitern und Rentnern und die Anzahl Arbeiter bzw Rentner am Ende des t-ten Jahres bezeichen wir mit A t bzw R t Ein Teil der Arbeiter geht in Rente, sagen wir ra t und neue Arbeiter werden geboren, sagen wir ba t Die Anzahl der Arbeiter im Jahr t + ist dann A t+ A t + ba t ra t ( + b ra t Ein Teil der Rentner stirbt und neue Rentner kommen hinzu Gehen wir wieder von stets konstanten Raten aus so ergibt sich im Jahr t + Matrizenschreibweise: R t+ R t dr t + ra t ( At+ R t+ ( + b r r d ( At R t Zentrale Fragen: Was sagt dieses Modell über die Bevölkerungsentwicklung ausgehend von einem beliebigen Startpunkt A, R? Wie entwickelt sich das Verhältnis von Rentnern zu Arbeitern, dh der Quotient über die Zeit? Bismarcks Zeit: R t A t Jede Frau bekam im Durchschnitt 3 Kinder und es arbeiteten fast ausschliesslich Männer Gehen wir davon aus, dass jeder Mann verheiratet war, so können wir die Geburten direkt den Arbeitern zurechnen Mit der Lebensarbeitszeit von 4 Jahren und einer Lebenserwartung von Jahren für Rentner erhalten wir: b 3 4, r 4, d 2 7-ger Jahre: Jede Frau bekam im Durchschnitt 2 Kinder und es arbeiteten etwa die Hälfte aller Frauen (jedes Kind zählt etwa für 5 Arbeiter Mit der Lebensarbeitszeit von 4 Jahren und einer Lebenserwartung von 5 Jahren für Rentner erhalten wir: b 5 4, r 4, d 5
21 2 3 Prognose für 25: Jede Frau bekommt im Durchschnitt 4 Kinder und es arbeiteten Frauen und Männer gleichermassen (jedes Kind zählt etwa für 2 Arbeiter Mit der Lebensarbeitszeit von 3 Jahren und einer Lebenserwartung von 2 Jahren für Rentner erhalten wir: b 7 3, r 3, d 2 Nun wollen wir versuchen, allgemeine Aussagen über den Quotienten Rt A t Nehmen wir an, dass die Matrix ( + b r U r d zu machen die Eigenwerte λ und λ 2 sowie die zugehörigen linear unabhängigen Eigenvektoren v und w hat, dh es gilt Uv λ v und Uw λ 2 w Dann können wir jeden Startvektor unserer Population schreiben als: ( A R a v + a 2 w a ( v v 2 + a 2 ( w w 2 mit a, a 2 R Dann gilt: ( At R t t Faktoren {}}{ U U U U ( A R U t U (a v + a 2 w U t (a Uv + a 2 Uw U t (a λ v + a 2 λ 2 w U t 2 ( a λ 2 v + a 2 λ 2 2w ( a λ t v + a 2 λ t 2w ( a λ t v + a 2 λ t 2w a λ t v 2 + a 2 λ t 2w 2
22 22 Aus der Kenntnis der Eigenwerte und Eigenvektoren von U könnten wir für jedes t auch den gesuchten Quotienten konkret bestimmen: Es gilt R t A t a λ t v + a 2 λ t 2w a λ t v 2 + a 2 λ t 2w 2 λ + b r und v r +r d λ 2 d und ( w Aufgabe 5 Berechnen Sie die Eigenwerte und Eigenvektoren der Matrix U und kontrollieren Sie das obige Resultat
23 23 Damit gilt: ( At R t ( a r a λ t b r+d λt + a 2 λ t 2 und somit R t a r b r+d λt + a 2 λ t 2 A t a λ t r b r + d + a 2 a ( t λ2 λ wobei der zweite Summand gegen konvergiert, falls λ > λ 2 bzw b + d > r gilt In diesem Fall folgt sofort R t lim t A t r b r + d und das,,langfristige,, Verhältnis von Rentnern zu Arbeitern ist nur noch von den Variablen b, r und d abhängig Aufgabe 52 Berechnen und interpretieren Sie den Ausdruck Bismarcks Zeit, 2 die 7-ger Jahre und 3 das Jahr 25 Welche persönlichen Schlussfolgerungen ziehen Sie aus diesem Ergebnis? r für die drei Fälle: b r + d
24 24 6 Übungsaufgaben Weisen Sie nach, dass die drei Vektoren v, v 2 2, v 3 paarweise orthogonale Eigenvektoren der Matrix A Ermitteln Sie die Eigenwerte und Eigenvektoren der Matrix A diagonalisieren Sie A (falls möglich 3 Ermitteln Sie die Eigenwerte und Eigenvektoren der Matrix A und diagonalisieren Sie A (falls möglich 4 Ermitteln Sie die Eigenwerte und Eigenvektoren der Matrix A sind ( und und diagonalisieren Sie A (falls möglich ( a a 5 Sei A 2 eine so genannte Markov-Matrix, dh A ist eine nicht-negative a 2 a 22 Matrix, deren sämtliche Spaltensummen gleich sind: a ij, a + a 2 und a 2 + a 22 Zeigen Sie, dass λ ein Eigenwert von A ist 6* (Zusatzaufgabe Sei A eine invertierbare Matrix und λ eine reelle Zahl mit der Eigenschaft (A λiv (für einen bestimmten Vektor v Zeigen Sie, dass (A Iv gilt λ (Kurz: Ist λ ein Eigenwert von A, so ist ein Eigenwert von λ A Merken Sie sich das, denn wenn Sie die Eigenwerte und Eigenvektoren der Matrix A kennen, kennen Sie auch die der Matrix A
25 25 Lösungen einiger Übungsaufgaben - 2 λ 3, x ( 3 Musterlösung ( und λ 2, x (2 ( 2 Zur Bestimmung der der Eigenwerte und der Eigenvektoren der Matrix 2 A 7 3 gehen wir schrittweise vor Wir bestimmen die Eigenwerte als Nullstellen des charakteristischen Polynoms von A p A (λ det(a λe det λ 2 7 λ 3 λ λ(7 λ(3 λ + 2(7 λ Die Nullstellenbestimmung eines Polynomes dritten Grades ist im Allgemeinen keine einfache Aufgabe Es gibt zwar eine Möglichkeit, eine reelle Nullstelle durch Wurzeln auszurechnen, wir haben diese Formel aber nicht behandelt Deshalb wird man den charakteristischen Polynomen in diesen Fällen mindestens eine Nullstelle,,ansehen,, können und man sollte im obigen Fall die Terme nicht ausmultiplizieren, sondern den gemeinsamen Faktor ausklammern Der Rest in den eckigen Klammern ist ein quadratisches Polynom, dessen beide reellen Nullstellen und 2 auch mit der p-q-formel hätte bestimmt werden können p A (λ λ(7 λ(3 λ + 2(7 λ (7 λ [ λ(3 λ + 2] (7 λ [ λ 2 3λ + 2 ] (7 λ (λ 2 (λ Die drei Eigenwerte sind also λ 7, λ 2 2 und λ 3 Nun setzen wir die gefundenen Eigenwerte in das homogene Gleichungssystem (in Matrixschreibweise λ 2 7 λ 3 λ ein und bestimmen alle Lösungsvektoren
26 26 λ 7 Wir erhalten hier das homogene Gleichungssystem mit der Lösung: x ( t +7 III : ( 3 λ 2 2 Wir erhalten hier das homogene Gleichungssystem III mit der Lösung: x (2 t λ 3 Wir erhalten hier das homogene Gleichungssystem III mit der Lösung:
27 27 x (3 t 2 Insgesamt haben wir also die folgenden Eigenwerte mit ihren zughörigen Eigenvektoren gefunden: λ 7, x ( λ 2 2, x (2 λ 3, x (3 2 4 λ 5, x ( λ 2 4, x (2 2 3 λ 3, x (3 5-6 Hinweis: Multiplizeren Sie die Gleichung (A λiv (von links mit der Inversen A
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.
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
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
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
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
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
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
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,
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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
MehrIn 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)
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
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
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrAufgabensammlung 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
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
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
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
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
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
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr2.4 Die Länge von Vektoren
.4 Die Länge von Vektoren 59 Wir können dies auch so sagen: Wir identifizieren (,1)-Spaltenmatrizen mit Vektoren (oder Punkten) aus R, das heißt die Menge R und R 1 werden miteinander identifiziert. Einen
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
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
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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
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:
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrKapitel 11. Bilinearformen über beliebigen Bilinearformen
Kapitel 11 Bilinearformen über beliebigen Körpern Wir können in diesem Kapitel rasch vorgehen, weil die meisten Konzepte im Zusammenhang mit Sesquilinearformen bereits eingeführt wurden. In diesem Abschnitt
MehrLineare Algebra 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
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
MehrLösungen 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
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
Mehr++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1
Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die
Mehr1 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
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
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
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
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.
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
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
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
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
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
MehrAufgabe 1: Bestimmen Sie Zahlen a b. ,, für die. = b. und gleichzeitig a + b + 1 = 0 gilt. Lösung zu Aufgabe 1:
WS 99/99 Aufgabe : Bestimmen Sie Zahlen a b,, für die 6 b a und gleichzeitig a + b + gilt. Lösung zu Aufgabe : WS 99/99 Aufgabe : Ein Unernehmen stellt aus ohstoffen (,,, ) Zwischenprodukte ( Z, Z, Z )
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrDynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29
Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die
Mehr8. Übungsblatt Aufgaben mit Lösungen
8 Übungsblatt Aufgaben mit Lösungen Aufgabe 6: Matrix Bestimmen Sie die allgemeine reelle Lösung des Differentialgleichungssystems u x = Aux für die A =, 9 indem Sie das System auf eine einzelne gewöhnliche
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
MehrMathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7
Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
MehrMathematische 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
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
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
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 +...
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehr20 Kapitel 2: Eigenwertprobleme
20 Kapitel 2: Eigenwertprobleme 2.3 POTENZMETHODE Die Potenzmethode oder Vektoriteration ist eine sehr einfache, aber dennoch effektive Methode zur Bestimmung des betragsmäßig größten Eigenwertes. Um die
MehrVektorgeometrie Layout: Tibor Stolz
Hanspeter Horlacher Vektorgeometrie Layout: Tibor Stolz 1. Einführung Eine Grösse, zu deren Festlegung ausser einer Zahl auch noch die Angabe einer Richtung nötig ist, heisst VEKTOR. P 2 P 1 P 1 P 2 P
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrKLAUSUR 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
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
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
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
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
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
Mehr2.2 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
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
Mehr