7 Theorie der Eigenwertprobleme
|
|
- Markus Feld
- vor 6 Jahren
- Abrufe
Transkript
1 7 Theorie der Eigenwertprobleme 7.1 Definition und Eigenschaften SeiA n n.λ heißteigenwert(=rechtseigenwert) von A, wenn Ax = λx für ein x n \{0}. x ist dann Eigenvektor zu λ. λ ist daher genau dann Eigenwert, wenn die Matrix A λi singulär ist und damit das charakteristische Polynom von A φ(µ) = det(a µi) in λ eine Nullstelle besitzt. Die Größe σ(λ) = Vielfachheit der Nullstelle λ in φ heißt algebraische Vielfachheit von λ. Der Vektorraum heißt Eigenraum zu λ. Ferner heißt L(λ) = {x n : Ax = λx} ρ(λ) = diml(λ) geometrische Vielfachheit von λ. ρ(λ) ist die Zahl der linear unabhängigen Eigenvektoren zu λ. heißt Spektrum von A. σ(a) = {λ : λ ist Eigenwert von A} Satz 7.1 (a) Ist p(µ) ein Polynom und gilt Ax = λx für ein x 0, so besitzt p(a) ebenfalls den Eigenvektor x zum Eigenwert p(λ). (b) λ ist genau dann Eigenwert von A, wenn λ Eigenwert von A H ist. Insbesondere: Ist die Matrix A reellwertig, so ist mit einem komplexen Eigenwert λ von A auch λ Eigenwert von A. (d) Die Determinante von A stimmt mit dem Produkt aller Eigenwerte von A überein. (c) Ähnliche Matrizen besitzen das gleiche charakteristische Polynom, also auch die gleichen Eigenwerte. Wenn B = T 1 AT und A besitzt den Eigenwert λ mit Eigenvektor x, so besitzt B den Eigenwert λ mit Eigenvektor T 1 x. Beweis: (a) Aus Ax = λx folgt A k x = λ k x und p(a)x = a m A m x+...+a 0 x = p(λ)x. (b) det(a H λi) = det(a λi) H = det(a λi). (c) In φ(µ) = det(a µi) = ( 1) n (µ λ 1 )...(µ λ n ) setze man µ = 0. (d) Mit dem Determinantenmultiplikationssatz folgt det(b λi) = det(t 1 AT λi) = det ( T 1 (A λi)t ) = dett 1 det(a λi)dett = det(a λi). Ferner gilt BT 1 x = T 1 Ax = T 1 (λx) = λt 1 x. 62
2 Beispiel 7.2 Das Jordan-Kästchen der Länge ν zum Eigenwert λ ist definiert durch λ (7.1) C ν (λ) =... 1 ν ν. 0 λ Wegen det(c ν (µ) λi) = (µ λ) ν ist λ Eigenwert mit σ(λ) = ν, aber x = e 1 ist einziger Eigenvektor von C ν, also ρ(λ) = 1. Damit ist gezeigt, dass algebraische und geometrische Vielfachheit nicht übereinstimmen müssen. Lemma 7.3 Es gilt ρ(λ) σ(λ). Beweis: Sei ρ = ρ(λ) und x 1,...,x ρ seien die linear unabhängigen Eigenvektoren von A zu λ. Ergänze x 1,...,x ρ durch x ρ+1,...,x n zu einer Basis des n. Sei T = [x 1 x n ]. Für 1 i ρ gilt Te i = x i und damit T 1 x i = e i, also T 1 ATe i = T 1 Ax i = T 1 (λx i ) = λe i, 1 i ρ. Also gilt T 1 AT = λ λ 0 und damit det(t 1 AT µi) = (λ µ) ρ detr(µ). 7.2 Die Jordansche Normalform Es sei an die Definition des Jordan-Kästchens C ν (λ) in (7.1) erinnert. Satz 7.4 Sei A n n, λ 1,...,λ k seien die Eigenwerte von A mit geometrischen bzw. algebraischen Vielfachheiten ρ(λ i ) und σ(λ i ). Zu edem λ i gibt es Zahlen ν (i) 1,...,ν(i) ρ(λ i ) mit σ(λ i ) = ν (i) ν (i) ρ(λ i ) und eine reguläre Matrix T n n mit J = T 1 AT, C (1) ν (λ 1 ) C (1) ν (λ 1 ) ρ(λ J = 1 ) C (2) ν (λ 2 ) C ν (k) (λ k ) ρ(λ k ) J ist bis auf die Reihenfolge der Jordan-Kästchen eindeutig bestimmt. 63
3 Beweis: Den Beweis findet man in edem Lehrbuch der linearen Algebra. Entsprechend den Jordan-Kästchen partitionieren wir die Matrix T T = [ T (1) 1... T (1) T (2) 1... T (k) ρ(λ k )]. Wegen AT = TJ folgt Mit erhalten wir oder (A λ i I) [ t 1... t ν (i) ρ(λ 1 ) AT (i) = T (i) C (i) ν (λ i ). T (i) = [ t 1... ] t (i) ν ] = [ t1... t ν i ] = [ 0 t 1... ] t ν i (7.2) (A λ i I)t m = t m 1 für m = ν (i),...,2, (A λ i I)t 1 = 0. Mansagtauch:DieVektorent 1,...,t ν (i) bildeneinejordan-kette.t 1 isteineigenvektor,t 2,...,t ν (i) heißen Hauptvektoren. Die Spalten von T bestehen daher aus Eigen- und Hauptvektoren von A. Da T regulär ist, bilden die Eigen- und Hauptvektoren eine Basis des n. Die Eigenwerte hängen als Nullstellen eines Polynoms stetig von den Koeffizienten und damit auch von den Elementen der Matrix ab. Besitzt A ein Jordan-Kästchen der Länge ν > 1, so zerfällt dieses im Allgemeinen, wenn die Matrix gestört wird. Die Jordansche Normalform lässt sich daher numerisch nur schwer bestimmen. Eine Matrix heißt diagonalisierbar, wenn für alle Eigenwerte λ i gilt ρ(λ i ) = σ(λ i ). Wenn man dann mehrfache Eigenwerte auch mehrfach zählt, folgt wegen ν (i) = 1, J = λ λ n Anders ausgedrückt: Im diagonalisierbaren Fall gibt es eine Basis aus Eigenvektoren {x 1,...,x n } und die Matrix T hat die Gestalt T = [x 1... x n ] Die Schursche Normalform Wir nannten eine Matrix T unitär, wenn T H T = TT H = I. Sowohl die Zeilen als auch die Spalten einer solchen Matrix bilden eine Orthonormalbasis des n. Satz 7.5 Zu A n n gibt es eine unitäre Matrix U mit λ 1... U H AU = λ n wobei auf der Diagonale die nicht notwendig verschiedenen Eigenwerte von A stehen. 64
4 Beweis: durch vollständige Induktion über n. Für n = 1 ist u 11 = 1. Sei der Satz für alle Matrizen der Dimension n 1 richtig. Sei λ 1 ein Eigenwert von A mit Ax 1 = λx 1 und x 1 = 1. Ergänze x 1 durch x 2,...,x n zu einer Orthonormalbasis des n. Die Matrix X = [x 1... x n ] ist dann unitär mit X H AXe 1 = X H Ax 1 = X H (λx 1 ) = λ 1 e 1 oder [ ] X H λ1 a AX =. 0 A 1 Nach Induktionsvoraussetzung gibt es eine unitäre Matrix U 1 (n 1) (n 1) mit λ 2 U1 H A 1 U 1 = λ n Die Matrix [ 1 0 U = X 0 U 1 ist als Produkt zweier unitärer Matrizen unitär. Weiter gilt U H AU = [ U H 1 ] X H AX [ U 1 ] ] = λ λ n. 7.4 Hermitesche Matrizen Satz 7.6 Ist A n n hermitesch, so gibt es eine unitäre Matrix U = [x 1,...,x n ], deren Spalten aus Eigenvektoren besteht, mit λ 1 0 U 1 AU = U H AU = λ n mit reellen Eigenwerten λ 1,...,λ n. Damit ist A diagonalisierbar und die Eigenvektoren bilden eine Orthogonalbasis des n. Ordnet man die Eigenwerte so mit dem Rayleigh-Quotienten λ 1 λ 2... λ n, λ n = max x n \{0} R(x), λ 1 = min x n \{0} R(x), R(x) = (Ax,x) (x,x). Ist A reell und damit symmetrisch, so können die Eigenvektoren reell gewählt werden. 65
5 Beweis: Nach Satz 7.5 gibt es eine unitäre Matrix U, so dass U H AU eine rechte obere Dreiecksmatrix ist. Wegen A = A H gilt (U H AU) H = U H A H U = U H AU und U H AU = D ist eine reelle Diagonalmatrix. Aus AU = UD folgt, dass U aus den Eigenvektoren von A besteht und in D die zugehörigen Eigenwerte stehen. Wir normieren die Eigenvektoren x i zu x i = 1 und entwickeln x n x = α i x i. Wegen (x i,x ) = δ i gilt (Ax i,x ) = λ i δ i und (7.3) R(x) = n α i 2 λ i n α i 2 λ n n α i 2 n α i 2 = λ n. Andererseits gilt R(x n ) = λ n. Das Maximum des Rayleigh-Quotienten wir daher auf dem Eigenvektor x n angenommen. Korollar 7.7 Eine hermitesche Matrix ist genau dann positiv (semi)definit, wenn alle Eigenwerte von A positiv (nichtnegativ) sind. Dann gilt λ 1 x 2 (Ax,x) λ n x 2 für alle x n. Auch für die Eigenwerte λ 2,...,λ n 1 gibt es Charakterisierungen durch den Rayleigh-Quotienten: Satz 7.8 Sei A n n hermitesch mit Eigenwerten λ 1... λ n und zugehörigen Eigenvektoren x 1,...,x n. (a) (Rayleighsches Minimumprinzip) Mit ist E i = span{x 1,...,x i }, E 0 = {0}, λ i = min{r(x) : x E i 1, x 0} und das Minimum wird auf einem Vektor des Eigenraums von λ i angenommen. (b) (Minmax-Prinzip von Poincaré) Es gilt λ i = min max {R(x)} dim M=ix M\{0} und das Minimum wird auf M für i erste Eigenvektoren von A angenommen. (c) (Maxmin-Prinzip von Courant-Hilbert-Fischer) Es gilt λ i = max min{r(x) : x M, x 0} dimm i 1 und das Maximum wird auf M für i 1 erste Eigenvektoren von A angenommen. Bemerkung 7.9 Die etwas schwammig anmutende Formulierung, dass eine Extremum auf den ersten Eigenvektoren angenommen wird, ist der Tatsache geschuldet, dass im Falle mehrfacher Eigenvektoren die Extrema nicht eindeutig angenommen werden (siehe Beweis). 66
6 Beweis: (a) Ist x E i 1, so x = n =i α x und man schließt wie in (7.3), dass λ i das Minimum des Rayleigh-Quotienten über solche x ist. Ist λ i > λ i 1, so gilt für eden Eigenvektor x i zu λ i, dass λ i = R(x i ). Ist λ i = λ i 1, so orthogonalisieren wir einen Eigenvektor von λ i an die bereits gefundenen. Für diesen Eigenvektor x i gilt dann wieder λ i = R(x i ). (b) Sei M ein i-dimensionaler Teilraum des n. Aus Dimensionsgründen gibt es ein y M, y 0, mit y E i 1 = span{x 1,...,x i 1 }. Nach dem Rayleighschen Minimumprizip gilt dann R(y) λ i. Für M = span{x 1,...,x i } gilt max x M R(x) = R(x i ) = λ i. (c) Für i = 1 ist die Behauptung richtig, sei also i > 1. Wir setzen für Unterräume M mit dimm i 1 h(m) = min{r(x) : x 0, x M}. Nach dem Rayleighschen Minimumprinzip gilt h(e i 1 ) = λ i und damit max M h(m) λ i. Ist dimm i 1 und M E i 1, so gibt es einen Vektor y in E i 1 \{0} mit y M. Für diesen ist dann R(y) λ i 1. Im Gegensatz zum Rayleighschen Minimumprinzip lassen sich mit (b) und (c) Aussagen über höherer Eigenwerte treffen, ohne die niedrigen zu kennen. Beispiele 7.10 (i) Sind A,B Ê n n symmetrisch mit (Ax,x) (Bx,x) für alle x Ê n, so gilt nach (b) oder (c) λ i (A) λ i (B) für alle i = 1,...,n. (ii) Ist A Ê n n symmetrisch mit a i 0 und A 0, so ist der größte Eigenwert positiv und man kann den zugehörigen Eigenvektor nichtnegativ wählen. Wenn nämlich x ein Eigenvektor zum größten Eigenwert ist, so gilt für x = ( x 1,..., x n ), dass R(x) R( x). Ferner ist R(1,...,1) > 0, daher λ n > Eigenwertnäherung bei hermiteschen Matrizen Satz 7.11 Sei A n n hermitesch. Wenn für λ Ê und x n mit x = 1 gilt so gibt es einen Eigenwert λ i von A mit Ax λx ε, λ λ i ε. Beweis: Seien λ i Ê die Eigenwerte von A mit (x i,x ) = δ i. Da {x i } eine Basis bilden, gilt für x n mit x = 1 x = ( α i x i, 1 = x 2 = α i x i, i α x ) = α i 2 sowie ( Ax λx 2 = λ i α i x i λα i x i, i λ α x λα x ) = α i (λ i λ) 2 ε 2. Daher min λ λ 2 = min λ λ 2 α i 2 α i (λ i λ) 2 ε 2. Die numerische Berechnung der Eigenwerte einer hermiteschen Matrix ist daher ein gutartiger Algorithmus. 67
7 7.6 Normale Matrizen Eine Matrix A n n heißt normal, wenn AA H = A H A. Das wichtigste Beispiel für normale Matrizen sind unitäre Matrizen. Satz 7.12 Eine Matrix ist genau dann normal, wenn es eine unitäre Matrix U gibt mit λ 1 0 U 1 AU = U H AU = λ n Bemerkung 7.13 Normale Matrizen sind daher diagonalisierbar und besitzen orthogonale Eigenvektoren. Beweis: Sei A normal. Nach Satz 7.5 ist U H AU = R mit einer rechten oberen Dreiecksmatrix R. Dann Damit gilt RR H = U H AUU H A H U = U H AA H U = U H A H AU = (U H A H U)(U H AU) = R H R. (R H R) 11 = r 11 2 = (RR H ) 11 = r 1k 2, daher r 1k = 0 für k 2. Durch wiederholte Anwendung dieses Arguments erschließt man, dass R eine Diagonalmatrix ist. Sei nun umgekehrt U H AU = diag(λ 1,...,λ n ) = D. Dann gilt A = UDU H und mit D 2 = diag( λ 1 2,..., λ n 2 ) A H A = UD H U H UDU H = U D 2 U H = AA H. k=1 7.7 Singuläre Werte In diesem Abschnitt betrachten wir nicht notwendig quadratische Matrizen A m n. Die Matrizen A H A und AA H sind dann positiv semidefinit wegen Die Eigenwerte von A H A sind (A H Ax,x) = (Ax,Ax) = Ax 2 0. λ 1 λ 2... λ n 0. Wie in der Theorie der singulären Werte üblich, bezeichnen wir hier den kleinsten Eigenwert mit λ n. Lemma 7.14 Seien A,B m n. Dann besitzen AB H m m und B H A n n abgesehen von λ = 0 die gleichen Eigenwerte: σ(ab H )\{0} = σ(b H A)\{0}. Beweis: Für v 0 sei AB H v = λv mit λ 0. Dann ist B H v 0 und wegen (B H A)B H v = λb H v. auch Eigenvektor von B H A zum Eigenwert λ. Die andere Richtung zeigt man genauso mit dem Eigenwertproblem für B H A. 68
8 Wir schreiben λ k = σ 2 k mit σ k 0. Die Zahlen σ 1 σ 2... σ n 0 heißen singuläre Werte von A. Aufgrund des obigen Lemmas besitzen A H A und AA H die gleichen nichtverschwindenden singulären Werte. Für x = 1 ist Ax = R(x) mit dem Rayleighquotienten R zu A H A. Nach Satz 7.4 gilt dann Für m = n und A regulär folgt hieraus Ax σ 1 = A = max x n \{0} x, Ax σ n = min x n \{0} x. κ(a) = A A 1 = σ 1 σ n. Im Fall m = n gibt σ n den Abstand zur nächsten singulären Matrix an: Satz 7.15 Seien A,E n n. A besitze die singulären Werte σ 1... σ n 0. Dann gilt: (a) E σ n, falls A+E singulär. (b) Es gibt eine Matrix E mit E = σ n, so dass A+E singulär ist. Beweis: (a) Sei A+E singulär, also (A+E)x = 0 für x 0. Dann σ n x Ax = Ex E x. (b) Sei σ n > 0. Dann gibt es u,v n u = v = 1 mit Für E = σ n vu H gilt dann Wegen (a) folgt E = σ n. Au = σ n, v = 1 σ n Au. (A+E)u = Au σ n v(u H u) = Au σ n v = 0, E = σ n vu H = σ n max x =1 v(uh x) σ n v u = σ n. Satz 7.16 (Singulärwertzerlegung) Sei A m n. Dann gibt es eine unitäre m m-matrix U, eine unitäre n n-matrix V mit [ ] U H D 0 AV = Σ =, D = diag(σ 0 0 1,...,σ r ), wobei σ 1,...,σ r die nichtverschwindenden singulären Werte von A sind. A = UΣV H heißt Singulärwertzerlegung von A. 69
9 Beweis: Wir zeigen dies durch Induktion über m und n, d.h. wir nehmen für die Singulärwertzerlegung eines A m n an, dass die Singulärwertzerlegung für Matrizen B (m 1) (n 1) existiert. Zur Induktionsverankerung müssen wir daher den Fall A m 1 betrachten. Ist A = 0, so ist Σ = 0 und als U und V können wir beliebige unitäre Matrizen nehmen. Für A 0 wählen wir eine unitäre Matrix U m m mit erster Spalte A/ A, Σ = A e 1 m 1 sowie V = Dann gilt offenbar A = UΣV. Den Fall A 1 n behandelt man ganz analog. Sei A m n. Wenn A = 0, so ist Σ = 0 und für U und V können wir wieder beliebige unitäre Matrizen wählen. Sei also A 0. Wegen A = max v =1 Av gibt es einen Vektor v mit v = 1 und Av = A = σ > 0. Ferner setze u = Av/ Av. Wir ergänzen v und u zu unitären Matrizen V = [v V 1 ] n n und U = [u U 1 ] m m. Dann gilt [ ] [ ] [ ] u H u H σ w H à = U H AV = [Av AV 1 ] = [σu AV 1 ] = 0 A 1 U H 1 mit w = V1 HAH u und A 1 = U1 HAV 1 (m 1) (n 1). Aus ( ) ( ) σ 2 σ 2 +w H w 2 à = (σ 2 + w 2 ) 2 w A 1 w folgt à 2 σ 2 + w 2. Andererseits ist und daher w = 0. Damit besitzt σ 2 = A 2 = ρ(a H A) = ρ(vãh U H UÃV H ) = ρ(ãh Ã) = à 2, à die Gestalt [ σ 0 0 A 1 Nach unserer Induktionsvoraussetzung existiert die Singulärwertzerlegung von A 1. Der Beweis zeigt auch, dass man zu einer reellen Matrix eine reelle Singulärwertzerlegung A = UΣV T bekommen kann mit orthogonalen Matrizen U und V. Ist A = UΣV H so folgt ] U H 1 A H = VΣ T U. Die nichtverschwindenden singulären Werte von A und A H stimmen überein (vergleiche obiges Lemma). Aus dieser Darstellung der Singulärwertzerlegung von A H folgt auch A H A = VΣ T ΣV H, AA H = UΣΣ T U H. Damitbilden{v 1...,v n }bzw.{u 1,...,u m }OrthonormalsystemevonEigenvektorenvonA H Abzw. AA H. Beispiel 7.17 Wir bestimmen die Singulärwertzerlegung der Matrix ( ) A = Ê Um weniger rechnen zu müssen, bestimmen wir die Eigenwerte und Eigenvektoren der kleineren Matrix AA T Ê 2 2 ( ) 1 1 ( ) AA T 2 1 = 1 0 =
10 Die Eigenwerte sind λ 1 = 3 mit Eigenvektor x 1 = (1,1) T und λ 2 = 1 mit (1, 1) T. Entsprechend bekommen wir 1 1 ( ) A T A = 1 0 = Neben λ 1 = 3 und λ 2 = 1 gibt es hier noch den Eigenwert λ 3 = 0 mit Eigenvektoren λ 1 = 3 : y 1 = 1, λ 2 = 1 : y 2 = 1, λ 3 = 0 : y 3 = 1. 1 In A = UΣV H wird U aus den Eigenvektoren von AA T und V aus den Eigenvektoren von A T A gebildet. Daher ( )( ) 2/ 6 1/ 6 1/ 6 A = UΣV H = / 2 1/ 2 1/ 3 1/ 3 1/ Satz 7.18 Sei A = U H ΣV die Singulärwertzerlegung von A mit singulären Werten σ 1... σ r > σ r+1 =... = σ min{m,n} = 0 und Matrizen U = [u 1... u m ], V = [v 1... v n ], so ist (a) r der Rang von A, (b) Kern(A) = {x n : Ax = 0} = span{v r+1,...,v n }, (c) Bild(A) = {Ax : x n } = span{u 1,...,u r }, (d) A = r σ i u i v H i = U r Σ r V H r mit U r = [u 1... u r ], V r = [v 1... v r ], Σ r = diag(σ 1,...,σ r ), (e) A 2 = m =1 a i 2 = r σi. 2 Beweis: (a) Die Multiplikation mit den regulären Matrizen U H und V ändern den Rang von A nicht, daher RangA =RangΣ = r. (b) Wegen V H v i = e i ist Also gilt Av i = UΣV H v i = UΣe i = 0 für i = r +1,...,n. v r+1,...,v n Kern(A). Da dim Kern(A) = n r bilden diese Vektoren eine Basis von Kern(A). (c) Wegen A = UΣV H ist Bild(A) = U Bild(Σ) = U span{e 1,...,e r } = span{u 1,...,u r }. (d) Durch Ausmultiplizieren erhalten wir A = UΣV H = [u 1... u m ]Σ 71 v H 1. v H n = r σ i u i vi H.
11 (e) Mit A = [a 1... a n ] erhalten wir wegen Ux = x A 2 = a i 2 = U H a i 2 = U H A 2. Mit den Zeilen von U H A kann man genauso argumentieren, daher A 2 = U H AV 2 = Σ 2 = r σi Spektralradius und induzierte Matrizennormen Satz 7.19 Sei V eine Vektornorm auf n und V V die induzierte Matrix-Norm. Dann gilt für A n n λ A V V für alle Eigenwerte λ von A. Beweis: Aus Ax = λx folgt Ax V = λ x V und λ Ax V x V A V V. Wir erinnern daran, dass wir mit ρ(a) = max i λ i den Spektralradius der Matrix A bezeichnen. Nach dem letzten Satz gilt daher ρ(a) A V V. Es muss nicht unbedingt eine induzierte Matrixnorm mit ρ(a) = A V V geben. Als Beispiel wählen wir für A das Jordan-Kästchen C 2 (0) 2 2. Es gilt ρ(j 2 (0)) = 0, aber es ist J 2 (0) 0. Das folgende Resultat ist daher nicht zu verbessern. Satz 7.20 Zu eder Matrix A n n und edem ε > 0 gibt es eine Vektornorm V mit A V V = ρ(a)+ε. Beweis: Nach Jordan gibt es eine reguläre Matrix T mit TAT 1 = J = diag(c ν i (λ i )) mit Sei D ε = diag(1,ε,ε 2,...,ε ν 1 ). Dann λ C ν (λ) =. =: λi +E λ D 1 ε C ν (λ)d ε = D 1 ε (λi +E)D ε = λi +D 1 ε ED ε. Mit ε ε ED ε = = ε ν ε ν
12 folgt Also können wir äquivalent schreiben 0 ε 0 Dε ED ε =... ε 0 0 (7.4) TA T 1 = J, wobei die Jordan-Kästchen von J in der Nebendiagonalen ε statt 1 stehen haben. Ist S n n regulär, so ist eine Vektornorm mit induzierter Matrixnorm x S = Sx Ax S SAx A S S = sup = sup x 0 x S x 0 Sx SAS 1 x = sup = SAS 1. x 0 x Mit (7.4) folgt daher A T T = J ρ(a)+ε. 7.9 Der Rayleigh-Quotient bei allgemeinen Matrizen Satz 7.21 (Hausdorff, Bendixson) Sei A n n und R(x) = (Ax,x) (x,x) der Rayleigh-Quotient zu A. Ferner bezeichne G(A) den Wertebereich von R(x) für x n. Dann gilt: (a) G(A) ist konvex und enthält die Eigenwerte von A. (b) Ist A normal, so ist G(A) die konvexe Hülle der Eigenwerte von A. (c) Mit H 1 = 1 2 (A+AH ), H 2 = 1 2i (A AH ) sind H 1,H 2 hermitesch mit A = H 1 +ih 2. Für eden Eigenwert λ von A gilt dann Beweis: (a) Für Ax = λx, x 0, ist λ min (H 1 ) Reλ λ max (H 1 ), λ min (H 2 ) Imλ λ max (H 2 ). (7.5) R(x) = (Ax,x) (x,x) = λ. Die Konvexität von G(A) benötigen wir im Folgenden nicht. Auf den schwierigen Beweis soll daher verzichtet werden. 73
13 (b) Für eine normale Matrix haben wir die Darstellung A = U H DU mit einer unitären Matrix U und einer Diagonalmatrix D = diag(λ 1,...,λ n ). Dann { } { } (DUx,Ux) (Dy,y) G(A) = : x 0 = : y 0. (Ux,Ux) (y,y) Der Wertebereich von G(A) besteht daher genau aus der konvexen Hülle der Eigenwerte. (c) Wegen (7.5) folgt (Ax,x) Reλ maxre x 0 (x,x) = maxre x 0 = max x 0 ((A+A H )x,x) 2(x, x) = max x 0 Für den Imaginärteil beweist man das ganz genauso. i a ix x i (x,x) (Hx, x) (x,x). = max x 0 (Ax,x)+(x,Ax) 2(x, x) 7.10 Gerschgorin-Kreise Lemma 7.22 Seien A,B n n und λ sei Eigenwert von A, aber nicht von B. Dann gilt für ede induzierte Matrixnorm 1 (λi B) 1 (A B) (λi B) 1 A B. folgt Beweis: Aus und damit (A B)x = (λi B)x x = (λi B) 1 (A B)x x V (λi B) 1 (A B) x V. Wir wenden das Lemma an auf die Vektornorm x = max 1 i n x i mit der Zeilensummennorm als zugehöriger Matrixnorm, Ax A = A = sup = max x 0 x 1 i n Mit B = diag(a 11,...,a nn ) erhalten wir aus dem letzten Lemma Damit haben wir gezeigt: 1 (λi B) 1 1 (A B) = max 1 i n λ a ii Satz 7.23 (Gerschgorin) Die Vereinigung der Kreissscheiben K i = { µ : µ a ii enthält alle Eigenwerte der Matrix A n n. k=1, k i a ik. k=1 k=1, k i } a ik Zusatz Wenn k =1 K i eine Zusammenhangskomponente von i K i bildet, so liegen in dieser genau k Eigenwerte. 74 a ik.
14 Beweis: Schreibe A = D +R mit D diagonal und R ii = 0. In A(t) = D +tr, t [0,1], hängen die Eigenwerte von A(t) stetig von t ab. Sie können daher k =1 K i (t) nicht verlassen. Man kann die Gerschgorin-Kreise auch auf A T anwenden. Demnach liegen die Eigenwerte auch in den Kreisen um a ii mit einem Radius, der aus den Elementen der i-ten Spalte gebildet wird. Eine andere Möglichkeit besteht in der Anwendung der Gerschgorin-Kreise auf D 1 AD mit einer Diagonalmatrix D = diag(d 1,...,d n ), K i = {µ : µ a ii a ik d k d i }. k=1, k i In edem Fall erhält man vernünftige Abschätzungen nur für Matrizen mit großen Diagonalelementen. Beispiel 7.24 A n n heißt (strikt) diagonaldominant, wenn a ik < a ii für 1 i n. k=1, k i Nach dem Satz von Gerschgorin ist eine diagonaldominante Matrix regulär Abschätzungen von Nullstellen von Polynomen Zum Polynom p(λ) = a n λ n +a n 1 λ n a 0, a n 0, gehört die Frobeniusmatrix 0 γ F = , γ i = a i, a... n γ n 1 denn wenn wir det(f λi) nach der letzten Spalte entwickeln, erhalten wir det(f λi) = 1 a n ( 1) n p(λ). Damit können alle Eigenwertabschätzungen für die Abschätzung von Nullstellen von Polynomen herangezogen werden. Der Satz von Gerschgorin angewendet auf F oder F H liefert beispielsweise { a ( 0, (a) λ k max max 1+ a )} i, a n 1 i n 1 a n { (b) λ k max 1, n 1 a } i. a n i=0 Beispiel 7.25 Für das Polynom p(λ) = λ 3 6λ 2 +11λ 6 erhalten wir (a) max{6,1+ a i } = 12, (b) max{1,23} = 23. Die Nullstellen sind λ 1,2,3 = 1,2,3. 75
3.3 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.
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
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.
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 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
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
MehrKochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf
Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks
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
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
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
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) =
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
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 - 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
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
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
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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,
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
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 ; : :
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
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)
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
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
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
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,
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
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 )
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
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
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
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
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
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
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,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
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
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
Mehr13. Abzählen von Null- und Polstellen
13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.
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
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 +
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
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
MehrErgänzungen zur Analysis I
537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.
MehrZur Numerik großdimensionaler Eigenwertprobleme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik großdimensionaler Eigenwertprobleme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 8.11.2004 1 Einführung 1 Zusammenfassung Der
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:
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
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
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 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
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
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
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
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
Mehr1 Lineare Gleichungssysteme
MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrFortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum
Fortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum Peter Fleissner (Version 05.02.2008) Bisher wurde die Rechung nur mit zirkulierendem konstantem Kapital durchgeführt. Die
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrEin neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt
Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Leonhard Euler 1 Wann immer in den Anfängen der Analysis die Potenzen des Binoms entwickelt
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
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
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
MehrVorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)
Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen
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
MehrZur Numerik linearer Gleichungssysteme. Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau
Zur Numerik linearer Gleichungssysteme Werner Vogt Technische Universität Ilmenau Institut für Mathematik Postfach 100565 98684 Ilmenau Ilmenau, den 1.11.2004 1 Direkte Verfahren für lineare Gleichungssysteme
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
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
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
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
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
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]
MehrDirk Hachenberger Mathematik für Informatiker
Dirk Hachenberger Mathematik für Informatiker ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis Vorwort
Mehr