Lösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
|
|
- Philipp Wetzel
- vor 6 Jahren
- Abrufe
Transkript
1 Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung T f : V V existiert mit x, y V : fx, y = T f x, y. Lösung: Sei B = v 1,..., v n eine Orthonormalbasis von V,,. Falls eine Abbildung T f mit der gewünschten Eigenschaft existiert, so folgt M BB T f = v j, T f v i = fv i, v j. 1 i,j n 1 i,j n Das zeigt die Eindeutigkeit von T f. Definieren wir umgekehrt die Abbildung T f EndV als den eindeutigen Endomorphismus mit Darstellungsmatrix M BB T f = fv i, v j, 1 i,j n so gilt für alle Elemente x = i a iv i und y = k b kv k in V T f x, y = a i fv i, v j v j, b k v k i j k = i,j,k a i b k fv i, v j δ jk = a i b j fv i, v j i,j = f a i v i, b j v j i j = fx, y. Damit ist T f die gewünschte Abbildung. 2. a Sei V,, ein unitärer Vektorraum. Zeige die Polarisationsformel x, y = 1 für alle x, y V. x + y 2 x y 2 i x + iy 2 + i x iy 2 1
2 b Sei f : V V eine lineare Abbildung. Zeige Lösung: a Für alle x, y V gilt f ist unitär v V : fv, fv = v, v 1 x + y 2 x y 2 i x + iy 2 + i x iy 2 = 1 x, x + x, y + y, x + y, y x, x x, y y, x + y, y i x, x + x, iy + iy, x + iy, iy +i x, x x, iy iy, x + iy, iy = 1 2 x, y + 2 y, x 2i x, iy 2i iy, x }{{}}{{} 2 x,y 2 y,x = x, y. b Die Richtung folgt direkt aus der Definition einer unitären Abbildung. Angenommen für f gilt v V : fv, fv = v, v, dann folgt aus der Polarisationsformel fv, fw = 1 fv + fw 2 fv fw 2 + i fv + ifw 2 i fv ifw 2 = 1 fv + w 2 fv w 2 + i fv + iw 2 i fv iw 2 = 1 v + w 2 v w 2 + i v + iw 2 i v iw 2 = v, w für alle v, w V, also ist f unitär. 3. Sei n 1 und sei ζ := e 2πi/n. Zeige, dass die komplexe Matrix unitär ist. A := 1 n ζ k 1l 1 Lösung: Für alle a Z mit 0 < a < n gilt l=1 1 k,l n ζ al 1 = ζan 1 ζ a 1 = 0 2
3 und für a = 0 gilt Wir erhalten also für alle a Z mit a < n. ζ al 1 = 1 = n. l=1 l=1 ζ at 1 = nδ a0 t=1 Mit A = A T = ζ m 1l 1 / n 1 l,m n folgt AA km = l 1 ζ k 1l 1 1 n ζ m 1l 1 = 1 n n ζ k ml 1 = δ km l für alle k, m, also AA = I n.. Sei T : V V ein Endomorphismus eines endlichdimensionalen unitären Vektorraums V,,, sodass gilt x, y V : x, y = 0 = T x, T y = 0. Zeige, dass eine unitäre Abbildung S : V V und ein c C existiert mit T = c S. Lösung: Sei f := T T und sei x V \ {0} ein beliebiger Vektor. Dann gilt y V : x, y = 0 = fx, y = 0, oder dazu äquivalent, dass fx orthogonal ist zu allen Vektoren, die orthogonal zu x sind. Es folgt fx x = x, also fx = λx für ein λ C. Damit ist jeder nicht-verschwindende Vektor aus V ein Eigenvektor von f, oder äquivalent dazu, f bildet jeden eindimensionalen Unterraum wieder in sich ab. Mit der Lösung zur Zwischenprüfung, Aufgabe 13, Implikation c b folgt f = b id V für ein b C. Die Abbildung f ist selbst-adjungiert und wegen v V : fv, v = T v, T v 0 zudem positiv-semidefinit. Es folgt b 0. Im Fall b = 0 ist T = 0 und die Aussage der Aufgabe gilt mit c := 0 und S := id V. Im Fall b > 0, sei c := b und S := T/ b. Dann ist wegen S S = T T/b = f/b = id V die Abbildung S unitär und es gilt T = cs. 5. Zeige je einmal mit und ohne den Spektralsatz, dass das charakteristische Polynom jeder hermiteschen Matrix reelle Koeffizienten hat. Lösung: mit Spektralsatz Jede hermitesche Matrix A ist nach dem Spektralsatz ähnlich zu einer Diagonalmatrix D mit reellen Diagonaleinträgen. Das 3
4 charakteristische Polynom P A X von A ist invariant unter Ähnlichkeit. Folglich ist es gleich dem charakteristischen Polynom der Matrix D, welche nur reelle Einträge besitzt. Also hat P A X reelle Koeffizienten. Lösung 2. ohne Spektralsatz Für jedes komplexe Polynom ϕx = a i X i definieren wir das komplex konjugierte Polynom durch ϕx := a i X i. Diese Konstruktion hat die Grundeigenschaft ϕ ψ = ϕ ψ. Für eine beliebige hermitesche Matrix A mit charakteristischen Polynom P A X = i a ix i gilt dann folglich a i = a i, also a i R für alle i. P A X = detxi n A = det XI n A = det XI n A = det XI n A = P A X, 6. Im Abschnitt der Vorlesung wurde der folgende Satz präsentiert. Führe seinen Beweis aus in Analogie zu dem entsprechenden Beweis im reellen Fall. Satz: Für jede hermitesche n n-matrix A = a kl k,l=1,...,n sind äquivalent: a Die Matrix A ist positiv definit. b Alle Eigenwerte von A sind positiv. c Es existiert eine invertierbare Matrix B mit A = B B. d Es existiert eine invertierbare obere Dreiecksmatrix R mit A = R R. Cholesky-Zerlegung e Es existiert eine invertierbare hermitesche Matrix C mit A = C C = C 2. f Die Determinante der Matrix A m := a kl k,l=1,...,m 1 m n. Hauptminorenkriterium ist positiv für jedes Lösung: e c folgt mit B := C. d c folgt mit B := R. c a: Sei B wie in c; dann ist für alle x C n mit x 0 auch Bx 0 und folglich x Ax = x B Bx = Bx Bx = Bx 2 > 0. Also ist A positiv definit. a d: Ist A positiv definit, so ist γ : C n C n C, x, y x Ay ein Skalarprodukt. Auf dieses und die Standardbasis e 1,..., e n von C n wenden wir das Gram-Schmidt-Orthogonalisierungsverfahren an und erhalten eine Orthonormalbasis b 1,..., b n bezüglich γ sowie Koeffizienten a kl C und a ll R >0, so dass für alle 1 l n gilt
5 e l = l a kl b k. k=1 Mit a kl := 0 für alle 1 l < k n ist dann R := a kl k,l eine invertierbare obere Dreiecksmatrix. Für die Matrix B := b 1,..., b n gilt dann I n = e 1,..., e n = b 1,..., b n R = BR. Dass b 1,..., b n eine Orthonormalbasis bezüglich γ ist, bedeutet andererseits B AB = b kab l k,l = δ kl k,l = I n. Zusammen folgt daraus R R = R I n R = R B ABR = BR ABR = I nai n = A. a b: Nach dem Spektralsatz existiert eine unitäre Matrix Q mit D := Q 1 AQ = Q AQ = diagλ 1,..., λ n für gewisse λ k R. Insbesondere ist A ähnlich zu D, und die λ k sind genau die Eigenwerte von A. Da Q invertierbar ist, ist jeder von Null verschiedene Vektor in C n gleich Qz für einen von Null verschiedenen Vektor z C n. Für diesen gilt dann weiter Qz AQz = z Q AQz = z Dz = k λ k z k z k = k λ k z k 2. Dass A positiv definit ist, ist also äquivalent dazu, dass dieser Ausdruck immer > 0 ist. Im Fall z = e k ist dieser Ausdruck gleich λ k, also muss jedes λ k > 0 sein; woraus die Implikation a b folgt. Ist umgekehrt jedes λ k > 0, so ist die rechte Seite immer 0 und = 0 nur, wenn alle z k = 0 sind. Da wir dies bereits ausgeschlossen haben, folgt die Implikation a b. b e: Seien Q und D = diagλ 1,..., λ n wie soeben, wobei alle λ k R >0 sind. Setze D := diag λ 1,..., λ n und C := QD Q. Dann gilt C = QD Q = Q D Q = QD Q = C, also ist C hermitesch. Weiter gilt C 2 = QD Q QD Q = QD Q QD Q = QD I n D Q = QD D Q = QDQ = QQ AQQ = QQ AQQ = I n AI n = A. a f: Betrachte die injektive lineare Abbildung ε: C m C n, x x 0 und die Sesquilinearform C m C m C, x, y εx Aεy. Dass A hermitesch und positiv definit ist, impliziert, dass auch diese hermitesch und positiv definit ist. Aus der Definition von A m folgt aber εx Aεy = 5
6 x A m y. Also ist A m hermitesch und positiv definit. Die bereits bewiesene Implikation a b auf A m angewendet zeigt daher, dass alle Eigenwerte von A m reell und positiv sind. Das Produkt dieser Eigenwerte ist aber deta m und somit ebenfalls reell positiv. f a: Wir benutzen Induktion über n. Im Fall n = 0 ist nichts zu beweisen. Sei also n > 0 und die Implikation bereits bewiesen für n 1. Dann gilt die Implikation insbesondere für A n 1. Da die Hauptminoren von A n 1 genau die Hauptminoren deta m für 1 m n 1 von A sind, ist also A n 1 positiv definit. Die bereits bewiesene Implikation a c auf A n 1 angewendet zeigt daher, dass A n 1 = B B ist für eine invertierbare n 1 n 1-Matrix B. Mit der n n-blockmatrix C := B gilt dann C AC = = B In 1. An 1 B = B 1 A n 1 B 1 Wegen C AC = C A C = C AC ist diese Matrix wieder hermitesch. Also gilt genauer C In 1 w AC = w λ für ein w C n 1 sowie ein λ = λ C, also ein λ R. Mit D := I n 1 w 1 folgt dann E := D C ACD = In 1 0 = 0 µ In 1 0 w 1 mit µ := λ w w R. Für dieses gilt dann In 1 w w λ In 1 w 0 1 µ = dete = detd C ACD = detd detc deta detc detd = detd detc deta detc detd = deta detd 2 detc 2. Da D und C invertierbar sind, ist detd detc 0 und somit detd 2 detc 2 > 0. Andererseits bedeutet der Spezialfall m = n der Voraussetzung f, dass deta > 0 ist. Also ist µ > 0. Somit ist die Matrix E positiv definit, zum Beispiel wegen der bereits bewiesenen Implikation b a. Da Positiv- Definitheit unter Basiswechsel invariant ist, ist also auch A positiv definit, was zu zeigen war. 7. Seien V und W endlichdimensionale unitäre Vektorräume und sei f : V W eine lineare Abbildung. Die Singulärwerte von f sind definiert als die Quadratwurzeln der positiven Eigenwerte von f f. Zeige: Ein Element σ R >0 ist ein Singulärwert von f genau dann, wenn gilt: Lösung: v V \ {0}, w W \ {0}: fv = σw f w = σv. 6
7 Sei σ ein Singulärwert von f. Dann gibt es einen Vektor v V \ {0} mit f fv = σ 2 v. Für w := fv/σ folgt also fv = σw und f w = f fv/σ = σv. Sei σ > 0 und seien v V \ {0} und w W \ {0} mit fv = σw und f w = σv. Wegen f fv = f σw = σ 2 v ist σ 2 ein Eigenwert von f f, also σ 2 = σ ein Singulärwert von f. 7
klar. 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
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.
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
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:
MehrLösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrErinnerung/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
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrAusgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik. Lineare Algebra. zusammengestellt von
Ausgewählte Aufgaben zum Grundbereich des Staatsexamens in Mathematik Lineare Algebra zusammengestellt von Sabine Giese, Josef Heringlehner, Birgit Mielke, Hans Mielke und Ralph-Hardo Schulz 98 Aufgaben,
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
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
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
MehrBerechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrLineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrGrundlagen der Mathematik II
Wintersemester 204/205 - Aufgabenblatt I Abgabe: bis Donnerstag, den 6. November 204, 9:00 Uhr Aufgabe : Untersuchen Sie, für welche 2 C die folgende Matrix c diagonalisierbar ist, und bestimmen Sie für
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr2 Lineare Gleichungssysteme
Beispiel.5: Funktion von Runge (V) Beispiel Martin-Luther-Universität Halle-Wittenberg, NWF III, Institut für Mathematik Martin Arnold: Grundkurs Numerische Mathematik (WiS 27/8) Abbildung.3: Interpolation
MehrHöhere Mathematik I. 1. Gruppenübung zur Vorlesung Prof. Dr. M. Stroppel. Winter 2007/08
Dr. A. App Dr. M. Pfeil. Gruppenübung zur Vorlesung Prof. Dr. M. Stroppel Höhere Mathematik I Winter 7/8 Aufgabe P. Binomialkoeffizienten Berechnen Sie ohne Taschenrechner: ( ) (a) x = 5 ( ) ( ) ( ) (b)
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrKAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren
KAPITEL 3. Lineare Gleichungssysteme, direkte Lösungsverfahren Beispiel 3.2. Gesucht u(x), das eine Differentialgleichung vom Typ u (x) + λ(x)u(x) = f(x), x [0,], mit den Randbedingungen u(0) = u() = 0
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrGNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
MehrLineare Algebra für Informatiker TUM Sommersemester 2011 Dozent: Christian Pötzsche
Lineare Algebra für Informatiker TUM Sommersemester 20 Dozent: Christian Pötzsche Janosch Maier 3. Juli 20 Herzlichen Dank an Lucas Westermann, Florian Scheibner (https://github. com/lswest/lamitschrift)
MehrFakultät für Mathematik und Informatik. Seminar über angewandte Analysis. Sommersemester 2007. Der Kreissatz von Gerschgorin
Fakultät für Mathematik und Informatik Lehrgebiet angewandte Mathematik Prof. Dr. H. Linden Dipl.-Math. H.-J. Schäfer Seminar über angewandte Analysis Sommersemester 2007 Der Kreissatz von Gerschgorin
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrQuantenautomaten und das Cut-Point-Theorem für beschränkte erkennbare Potenzreihen
Universität Leipzig Fakultät für Mathematik und Informatik Institut für Informatik Quantenautomaten und das Cut-Point-Theorem für beschränkte erkennbare Potenzreihen Bachelorarbeit Leipzig, September 2009
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
MehrStatistik II. Universität Ulm Abteilung Stochastik. Vorlesungsskript Prof. Dr. Volker Schmidt Stand: Wintersemester 2007/08
CURANDO UNIVERSITÄT ULM SCIENDO DOCENDO Statistik II Universität Ulm Abteilung Stochastik Vorlesungsskript Prof Dr Volker Schmidt Stand: Wintersemester 2007/08 Ulm, im Februar 2008 INHALTSVERZEICHNIS 2
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr2.1 Codes: einige Grundbegriffe
Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen
MehrOrthogonale Funktionenräume
Orthogonale Funktionenräume Richard Küng February 27, 24 Contents Vektorräume mit Skalarprodukt 2 2 Lineare Abbildungen: Matrizen und Operatoren 8 2. Matrizen................................ 8 2.. Diagonalisieren
MehrDefinition und Eigenschaften Finiter Elemente
Definition und Eigenschaften Finiter Elemente 1 Das letzte Mal Im letzten Vortrag haben wir zum Schluss das Lemma von Lax Milgram präsentiert bekommen, dass ich hier nocheinmal in Erinnerung rufen möchte:
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrModern Methods in Nonlinear Optimization
Modern Methods in Nonlinear Optimization Regularisierung Inverser Probleme Prof. Dr. Bastian von Harrach Technische Universität München, Fakultät für Mathematik - M1 Wintersemester 2010/2011 http://www-m1.ma.tum.de/bin/view/lehrstuhl/harrach_ws1011_modernmethods
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrLineare Gleichungssysteme. Lineare Gleichungssysteme. LR Zerlegung ohne Pivotsuche. Zerlegung regulärer Matrizen
Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Institute for Numerical Simulation Betrachte ein lineares Gleichungssystem Ax = b (1) Es sei A C n n eine gegebene regulär Matrix. Dann
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrTechnische Universität Berlin Institut für Mathematik. Bachelorarbeit im Studiengang Technomathematik
Technische Universität Berlin Institut für athematik Bachelorarbeit im Studiengang Technomathematik Vorkonditionierte Krylov-Unterraum-Verfahren zur Lösung linearer Gleichungssysteme arkus Wolff 323994
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
MehrModellierung, Simulation, Optimierung Diskretisierung 1
Modellierung, Simulation, Optimierung Diskretisierung Prof. Michael Resch Dr. Martin Bernreuther, Dr. Natalia Currle-Linde, Dr. Martin Hecht, Uwe Küster, Dr. Oliver Mangold, Melanie Mochmann, Christoph
MehrKapitel 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:
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
MehrQuelle/Referenz für dieses Kapitel: Springborn [2, Lectures 28/29] hx a,vi
8 Möbiusgeometrie Quelle/Referenz für dieses Kapitel: Springborn [2, Lectures 28/29] 17.+21. Juni 2013 8.1 Spiegelung an einer Sphäre Jede Hyperebene H R n kann in der Form H = {x 2 R n : hx werden, wobei
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrGalerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen
Galerkin-Diskretisierung von Eigenwertproblemen für partielle Differentialgleichungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science an der Technischen Universität Berlin Verfasser:
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrII. Klein Gordon-Gleichung
II. Klein Gordon-Gleichung Dieses Kapitel und die zwei darauf folgenden befassen sich mit relativistischen Wellengleichungen, 1 für Teilchen mit dem Spin 0 (hiernach), 2 (Kap. III) oder 1 (Kap. IV). In
MehrAlgebraische Kurven. Vorlesung 26. Die Schnittmultiplizität
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
MehrKAPITEL 0. Einführung
Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert
MehrNoethersche und artinsche Ringe
Noethersche und artinsche Ringe Seminar Kommutative Algebra und Varietäten Prof. Dr. K. Wingberg, Dr. J. Gärtner Vortrag 6 Yassin Mousa 05.06.2014 Im Folgenden bezeichne R immer einen kommutativen Ring
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
MehrSO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrHilbertraum-Methoden
Skript zur Vorlesung Hilbertraum-Methoden SS 2013 Peter Junghanns Hinweis: Das vorliegende Skript stellt nur ein Gerüst zu den Inhalten der Vorlesung dar. Die Vorlesung selbst bietet weiterführende Erläuterungen,
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
Mehr