Kapitel 3 Lineare Algebra
|
|
- Cornelius Kappel
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 3 Lineare Algebra
2 Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND ELEMENTARE UMFORMUNGEN... 7 LINEARE ABBILDUNGEN... 8 DETERMINANTEN... 9 SKALARPRODUKTE... 1 GRUNDLEGENDES... 1 ORTHOGONAL Lineare Algebra Markus Kessler Seite 2 von 11
3 Vektoren Ve k t o r r ä u m e Grundlegend besteht ein Vektor aus einem Körper K (z.b.: C, R, Z 2 ) sowie dessen Elemente (= Skalare). Als Beispiel betrachten wir einen Körper mit drei Skalaren: Definition Vektorraum x 1 x 1 K 3 = ( x 2 ) ; x 3 K K 3 2 = ( x 2 ) + ( x 3 y 1 y 2 x 1 + y 1 λ x 1 ) = ( x 2 + y 2 ) ; λ K 3 = ( λ x 2 ) y 3 x 3 + y 3 λ x 3 Man erkennt leicht, dass (K n, +) eine abelsche Gruppe bildet. Das neutrale Element ist der Nullvektor und das Inverse von x ist x. Betrachtet man nun V = K n, also (V, +) als abelsche Gruppe und K als Körper, dann ist die algebraische Struktur (V, +, K) ein Vektorraum (bzw. linearer Raum) über K, wenn folgende Eigenschaften für alle λ, μ K und x, y V erfüllt sind: λ (x + y ) = λ x + λ y (λ + μ) x = λ x + μ x (λμ) x = λ (μ x ) 1 x = x Die Prüfung eines Vektorraums ist einfach. Man nimmt zwei Vektoren x, y V sowie λ K und prüft ob x + y V sowie λ x V gültig ist. Definition Unterraum/Teilraum Man nimmt eine nichtleere Teilmenge U von V. Bildet (U, +, K) wieder einen Vektorraum, dann heißt U Unterraum oder Teilraum von V (Kurzschreibweise U V) Auch hier ist der Beweis gleich einfach wie beim Vektorraum. Man nimmt zwei Vektoren aus U und prüft die Gültigkeit der Addition sowie der skalaren Multiplikation. Zum Beispiel sind alle Vielfachen eines Vektors ein Unterraum von diesem. Definition Nebenraum Ein verschobener Unterraum, also eine Nebenklasse ist der Nebenraum N. N = x + U = {x + u u U} Ein Nebenraum besteht immer aus einem Ortsvektor x und dem eigentlichen Vektor u aus dem Unterraum. g = x + [v] ist also eine Gerade, die um x verschoben, aber parallel zu [v] (= skalares Vielfaches) ist. ε = {x = x + λ 1 v 1 + λ 2 v λ 2 1, λ 2 R} bildet eine Ebene. Die Vektoren v, 1 v 2 spannen einen Unterraum auf. Dieser Unterraum ist eine Ebene, der beide Vektoren enthält. Definition Linearkombination Eine Linearkombination besteht immer aus endlich vielen Vektoren sowie dem einzelnen Koeffizienten zu jedem Vektor. Die Idee dahinter ist, dass man untersuchen möchte, ob sich ein bestimmter Vektor durch die Summe von Vielfachen anderer Vektoren darstellen lässt. Die Menge aller Linearkombinationen einer Menge von Vektoren wird lineare Hülle genannt. Lineare Algebra Markus Kessler Seite 3 von 11
4 Beispiel in R Der Vektor ( 4) ist eine Linearkombination der Vektoren ( 2) und ( ), denn Definition Lineare Hülle ( 4) = 2 ( 2) + 5 ( ) Die lineare Hülle [M] einer nichtleeren Teilmenge M von V ist nichts anderes, als die Menge aller Vektoren, die durch Linearkombinationen von endlich vielen Vektoren gebildet werden können. Da man einen Vektor nicht verschieden darstellen kann, gibt es auch nur endlich viele Lösungen. Beispielweise ist [v ] = {λ v λ K} die lineare Hülle eines Vektors v. Es gilt M V [M] V sowie M V [M] ist der kleinste Unterraum der M enthält. L i n e a r e U n a b h ä n g i g k e i t u n d B a s e n Linear unabhängig Sind zwei Vektoren v, 1 v 2 linear unabhängig, bedeutet das, dass v 2 kein Vielfaches von v 1 ist. Weitet man diesen Grundsatz auf eine Menge M von Vektoren aus, so heißt diese Menge linear unabhängig, wenn kein Vektor aus M, durch eine Linearkombination der anderen Vektoren aus M dargestellt werden kann. Lässt sich ein Vektor aus M durch eine Linearkombination der anderen Vektoren darstellen, heißt die Menge linear abhängig. Auf den ersten Blick scheint das Überprüfen der linearen Unabhängigkeit relativ aufwendig zu sein. Als Hilfe kann folgender Grundsatz verwendet werden: λ 1 v 1 + λ 2 v λ n v n = Eine Menge M = {v 1, v 2,, v n } von Elementen eines Vektorraums V ist genau dann linear unabhängig, wenn nur die trivialen Linearkombinationen den Nullvektor darstellen. Jedenfalls heißt eine Linearkombination trivial, wenn alle Koeffizienten λ i = (1 < i n). Andernfalls wäre die Linearkombination nicht trivial. Eine anschauliche Erklärung findet man in der Beispielsammlung unter Aufgabe 479. Definition Basis Eine Basis B ist eine Teilmenge eines Vektorraums. Diese Teilmenge muss linear unabhängig sein und zusätzlich muss [B] (lineare Hülle von B) gleich V sein. Es lässt sich also jeder Vektor x V als Linearkombination von Vektoren der Basis darstellen. Die Koeffizienten der Linearkombination heißen Koordinaten von x bezüglich der Basis B. Kanonische Basis Die Kanonische Basis ist eine grundlegende Basis für Vektorräume. Für einen n-dimensionalen Vektorraum existieren n Basisvektoren. e 1 = 1, e 2 = 1,, e n = K n ( ) ( ) ( 1) Dabei ist jeder Basisvektor linear unabhängig, da er offensichtlich nicht durch eine Kombination der anderen Vektoren dargestellt werden kann. Lineare Algebra Markus Kessler Seite 4 von 11
5 Definition Dimension Besitzt ein Vektorraum V eine endliche Basis B, so ist die Dimension von V (= dim V) gleich der Anzahl der Vektoren von B (= B ). Besitzt V keine endliche Basis, so heißt der Vektorraum unendlichdimensional. Beispiel Kanonische Basis: Man betrachtet einen n-dimensionalen Raum. Mithilfe der Kanonischen Basis E = {e, 1 e, 2, }, e n kann man jeden Vektor aus K n darstellen. x 1 1 x 2 1 x = x 3 = x 1 + x x n ( x n) ( ) ( ) ( 1) x 1, x 2,, x n sind die Koordinaten bezüglich E. Für die Dimension gilt: dim K n = n. Koordinatenabbildung Wir möchten jetzt das Modell verallgemeinern. V sei ein allgemeiner Vektorraum der Dimension n und B = {b, 1, b 2, b } n eine Basis von V. Es lässt sich also jeder Vektor x V als eindeutige Linearkombination mithilfe der Basisvektoren darstellen. x = λ 1 b 1 + λ 2 b λ n b n Zu einer bestimmten Basis existiert also die bijektive Koordinatenabbildung φ B : V K n, die einem Vektor x V die Koordinaten zuordnet. λ 1 λ 2 φ B (x ) = λ 3 ( λ n) Diese Abbildung erfüllt zusätzlich noch folgende zwei Bedingungen: φ B (x + y ) = φ B (x ) + φ B (y ) und φ B (λ x ) = λ φ B (x ) Lineare Algebra Markus Kessler Seite 5 von 11
6 Matrizen R e c h n e n m i t M a t r i z e n Definition Matrix Eine Matrix ist eine tabellarische Ansammlung von Werten. Sie ist immer rechteckig, kann auch quadratisch sein. Die Größe einer Matrix wird auch mit Dimensionen ausgedrückt. Das ist die Anzahl der Spalten bzw. die Anzahl der Zeilen. Eine Matrix mit m-zeilen und n-spalten wird kurz als A K mxn bezeichnet. Definition transponierte Matrix (A T ) Eine transponierte Matrix, wird an ihrer Symmetrieachse gespiegelt. Bei einer symmetrischen Matrix, ist A und A T gleich. Multiplikation von Matrizen A = ( ) AT = ( 2 5) A = ( 2 5 4) A T = ( 2 5 4) Beispiel anhand der Multiplikation ( ) ( ) ( 1 3 ) ( 2 2 ) (1 2) = ( 2) = 2 (3 2) ( 2) = ( 2) ( 2) = 1 Definition Einheitsmatrix (I n ) In der Einheitsmatrix wird die Diagonale mit 1er gefüllt, alle anderen Stellen sind : I 2 = ( 1 1 ) I n v e r t i e r b a r e M a t r i z e n Definition inverse Matrix Existiert für eine Matrix A eine andere Matrix A 1, sodass gilt A A 1 = A 1 a = I n, so heißt diese Matrix invertierbar oder regulär. A 1 ist die inverse Matrix zu A. Eine Matrix ist dann invertierbar, wenn die lineare Hülle der Spalten von A ganz K n ist, also der Rang von A K nxn gleich n ist. Definition singuläre Matrix Eine nicht invertierbare Matrix wird als singulär bezeichnet. Überprüfung auf Invertierbarkeit Eine Matrix ist singulär, wenn ihre Determinante ist. Lineare Algebra Markus Kessler Seite 6 von 11
7 R a n g e i n e r M a t r i x u n d e l e m e n t a r e U m f o r m u n g e n Definition Rang Der Spaltenrang einer Matrix ist die Dimension der linearen Hülle der Spalten von A. Der Zeilenrang und Spaltenrang ist immer gleich, deshalb spricht man auch nur von dem Rang. Berechnung des Rangs Man entwickelt die Matrix in eine Dreiecksmatrix und zählt die Glieder der Hauptdiagonale ungleich. Dafür verwenden wir die elementaren Spaltenumformungen A = ( ) ( ) ( Der Rang dieser Matrix ist demnach 3. Definition der elementaren Spaltenumformungen Die drei elementaren Spaltenumformungen sind: (S2 2x S1, S3 + 3x S1) (S3 7x S2, S4 8x S2) (S4 S3) Multiplikation einer Spalte mit einem Skalar λ ) ( ) Addieren eines Vielfachen einer anderen Spalte, d.h. ersetzen der Spalte a j durch λa i + a j (i j) Vertauschen zweier Spalten a i, a j (i j) Definition der elementaren Zeilenumformungen Die drei elementaren Zeilenumformungen sind: Multiplikation einer Zeile mit einem Skalar λ Addieren eines Vielfachen einer anderen Zeile, d.h. ersetzen der Zeile a j durch λ a i + a j (i j) Vertauschen zweier Zeilen a i, a j (i j) Berechnung der inversen Matrix Zur Berechnung der inversen Matrix, wandelt man A in eine Dreiecksmatrix um. Dabei führt man die elementaren Zeilen- und Spaltenumformungen nicht nur auf A sondern auch auf A 1 aus. A Z2 Z1, Z3 Z1 Z3 Z ( ) ( ) ( ) Z1 + 2x Z2 Z2 ½ Z3 Z2 * (-1), Z3 * (- ½ ) ( ) ( ) ( 1 2 2) A 1 = ( 2 2) Lineare Algebra Markus Kessler Seite 7 von 11
8 Lineare Abbildungen Definition einer linearen Abbildung Eine Abbildung f: V W zwischen zwei Vektorräumen V und W (über demselben Körper K) ist linear, wenn sie die folgenden beiden Eigenschaften für x, y V; λ K hat. f(x + y ) = f(x ) + f(y ) f(λ x ) = λ f(x ) Kern von f Der Kern von f umfasst alle x V, für die f(x ) = gilt. Die Kurzschreibweise ist ker(f) Defekt von f Die Dimension des Kerns von f ist der Defekt von f. Die Kurzschreibweise ist def(f) Bild von f def(f) = dim(ker(f)) Das Bild von f definiert die Funktion f(v) = {f(x ) x V}. Die Kurzschreibweise ist f(v) Rang von f Die Dimension des Bildes von f ist der Rang von f. Die Kurzschreibweise ist rg(f) rg(f) = dim(f(v)) Rangformel rg(f) + def(f) = dim V Ein passendes Beispiel wäre Aufgabe 57 in der Beispielsammlung. Lineare Algebra Markus Kessler Seite 8 von 11
9 Determinanten Definition Determinante Die Determinante einer Matrix ist durch det A = sgn(π)a π(1)1 a π(2)2 a π(n)n π S n gegeben. (S n bezeichnet die Menge aller Permutationen der Zahlen 1,2,, n und sgn(π)das Vorzeichen einer Permutation π) Schreibweise der Determinante Berechnung der Determinante A = ( ) det A = Die Determinante einer 2x2 Matrix ist einfach zu berechnen (2! = 2): det A = a 11 a 12 a 21 a 22 = a 11 a 22 a 12 a 21 Man zieht also von dem Produkt der Hauptdiagonale das Produkt der anderen Diagonalen ab. Bei einer 3x3 Matrix gibt es allerdings schon 3! = 6 Permutationen: a 11 a 12 a 13 det A = a 21 a 31 a 22 a 32 a 23 = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31 a 12 a 21 a 33 a 11 a 23 a 32 a 33 Eine große Hilfe ist es, wenn man die Matrix zuerst mit dem Gauß schen Eliminationsverfahren vereinfacht, da in einer Dreiecksmatrix die Kreuzprodukte für die Subtraktion wegfallen. Sonstiges über die Determinante Eine Matrix ist genau dann invertierbar, wenn det A. det(a B) = det A det B A, B K nxn det(a 1 ) = (det A) 1 Wenn A K nxn invertierbar ist det(a T ) = det A A K nxn Lineare Algebra Markus Kessler Seite 9 von 11
10 Skalarprodukte G r u n d l e g e n d e s Definition des Skalarproduktes Das gewöhnliche Skalarprodukt von x, y R n ist die Summe der gliedweisen Multiplikation Das Skalarprodukt besitzt bestimmte Eigenschaften: x, y = y, x x, y 1 + y 2 = x, y 1 + x, y 2 x, λ y = λ x, y x, x ; x, x = x = Definition der Länge x, y = x 1 y 1 + x 1 y x n y n Die Länge eines Vektors x, ist die Wurzel des Skalarproduktes mit sich selber. Auch die Länge besitzt bestimmte Eigenschaften: x ; x = x = λx = λ x x = x, x = x x x n 2 x + y x + y Dreiecksungleichung: Abb (direkter Weg ist immer kürzer) Definition des Winkels Allgemein ist der Winkel zweier Vektoren so definiert: Dagegen kann noch der Spezialfall betrachtet werden: x, λx x λ x x, y cos φ = x + y λ x, x 1 (λ > ) = 2 = λ x 1 (λ < ) Mit der Winkel- und Längenmessung haben wir eine geometrische Struktur über dem Vektorraum! Ein Beispiel dazu ist Aufgabe 579 in der Beispielsammlung! Sonstiges Cauchy-Schwarz sche Ungleichung: x, y x y Es gilt: x + y 2 = x 2 + y 2, wenn x und y orthogonal sind (Beweis im Buch S. 134) Lineare Algebra Markus Kessler Seite 1 von 11
11 O r t h o g o n a l Definition orthogonal Sind zwei Vektoren orthogonal, ist deren Skalarprodukt. x, y = Außerdem bedeutet das, dass die Vektoren einen rechten Winkel bilden. Obwohl das in höheren Dimensionen nicht vorstellbar ist, gilt es für alle R n. Definition Orthonormalbasis (ONB) Eine Basis B = {b, 1, b 2, b } n des R n heißt Orthonormalbasis (ONB), wenn die Basisvektoren b, 1, b 2, b n normiert und paarweise orthogonal sind. Das bedeutet, dass das Skalarprodukt zweier unterschiedlicher Basisvektoren immer ergibt, während das Skalarprodukt eines Basisvektors mit sich selber 1 ergibt. Beispiel R 2 b, i b j = { 1, für i = j, für i j ( 1 ) ( 1 ) Definition orthogonale Matrix In einer orthogonalen Matrix ist jede Spalte normiert. Das Skalarprodukt zweier unterschiedlicher Spalten ist, das Skalarprodukt von einer Spalte mit sich selber ist 1. Dasselbe trifft auch auf die Zeilen zu. Es gilt: P P T = P T P = I n P T = P 1 Lineare Algebra Markus Kessler Seite 11 von 11
Lineare 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
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.
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
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
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
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
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:
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)
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
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
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
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
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 +
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
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
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
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) =
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
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
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,
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
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
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
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
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 )
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
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.
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
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
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
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
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
MehrSkript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
MehrEinführung in die Kodierungstheorie
Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht
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)
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
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
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
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
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.
MehrFormelsammlung Mathematische Grundlagen für die Informatik
Formelsammlung Mathematische Grundlagen für die Informatik Wolfgang Führer wolfgang.fuehrer@web.de August 2007 Inhaltsverzeichnis Lineare Algebra. Vektorräume.................................... Abelsche
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
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:
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrEinführung in MATLAB
Kapitel 4 Einführung in MATLAB 41 Allgemeines MATLAB ist eine kommerzielle mathematische Software zur Lösung mathematischer Probleme und zur graphischen Darstellung der Ergebnisse Die Verfahren in MATLAB
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
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
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
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
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
Mehr6 Fehlerkorrigierende Codes
R. Reischuk, ITCS 35 6 Fehlerkorrigierende Codes Wir betrachten im folgenden nur Blockcodes, da sich bei diesen das Decodieren und auch die Analyse der Fehlertoleranz-Eigenschaften einfacher gestaltet.
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
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
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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
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,
MehrFehlerkorrigierende Codes
Fehlerkorrigierende Codes SS 2013 Gerhard Dorfer 2 Inhaltsverzeichnis 1 Fehlerkorrigierende Codes 4 1.1 Einführende Beispiele................................. 4 1.2 Mathematische Grundlagen..............................
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
Mehr2 Algebraische Grundstrukturen
2 ALGEBRAISCHE GRUNDSTRUKTUREN 1 8. November 2002 2 Algebraische Grundstrukturen Definitionen. Eine binäre Operation (binary operation) oder zweistellige Verknüpfung auf einer Menge M ist eine Abbildung
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
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 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
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
MehrMαTZε frühstückt. Steffen Ohrendorf et al. http://earvillage.square7.ch. Revision 31 (14.01.2013)
MαTZε frühstückt Revision 31 (14.01.2013) Steffen Ohrendorf et al. http://earvillage.square7.ch Als Informatiker sollte man immer Linux zu Hause haben. Falls mal Besuch kommt. http://german-bash.org/83851
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
MehrWolfgang Kohn Riza Öztürk. Mathematik für Ökonomen. Ökonomische Anwendungen der linearen. Algebra und Analysis mit Scilab
Wolfgang Kohn Riza Öztürk Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab 3., erweiterte und überarbeitete Auflage ^ Springer Gabler Inhaltsverzeichnis Teil
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
MehrLineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Vorlesung an der Hochschule Heilbronn (Stand: 7 Mai ) Prof Dr V Stahl Copyright 6 by Volker Stahl All rights reserved Inhaltsverzeichnis Vektoren 4 Vektoren und Skalare
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
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
MehrVektorgeometrie. mathenachhilfe.ch. Version: 28. Dezember 2007 (Bitte nur für den Eigengebrauch verwenden) 1. Mathematische Operationen für Vektoren
Vektorgeometrie Version: 28. Dezemer 2007 Bitte nur für den Eigengerauch verwenden) mathenachhilfe.ch. Mathematische Operationen für Vektoren Addition + a + 3 = a + + + 3 + Sutraktion a 3 = a 3 Skalare
MehrARBEITSUNTERLAGEN ZUR VORLESUNG UND ÜBUNG AN DER UNIVERSITÄT DES SAARLANDES LINEARE OPTIMIERUNG
¾ REITSUNTERLGEN ZUR VORLESUNG UND ÜUNG N DER UNIVERSITÄT DES SRLNDES LINERE OPTIMIERUNG IM SS Lineare Optimierung (SS ). ufgabe (Graphische Lineare Optimierung) Nach einem anstrengenden Semester steht
MehrMathematik II für Studierende der Informatik Kapitel. Kodierungstheorie
Mathematik II für Studierende der Informatik Kapitel Kodierungstheorie Markus Junker Sommersemester 2011 (korrigierte Version vom Sommersemester 2012) Einführung, Beispiele, Definitionen Ausgangspunkt
MehrKapitel 0. Einführung. 0.1 Was ist Computergrafik? 0.2 Anwendungsgebiete
Kapitel 0 Einführung 0.1 Was ist Computergrafik? Software, die einen Computer dazu bringt, eine grafische Ausgabe (oder kurz gesagt: Bilder) zu produzieren. Bilder können sein: Fotos, Schaltpläne, Veranschaulichung
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
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
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
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.)
MehrGF(2 2 ) Beispiel eines Erweiterungskörpers (1)
GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr
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
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
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
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
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
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Hochschule für Technik und Wirtschaft des Saarlandes University of Applied Sciences Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung
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 ; : :
MehrDer Golay-Code und das Leech-Gitter
Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,
MehrSiegfried Bosch. Lineare Algebra. Vierte, überarbeitete Auflage
Springer-Lehrbuch Siegfried Bosch Lineare Algebra Vierte, überarbeitete Auflage 123 Prof. Dr. Siegfried Bosch Mathematisches Institut Universität Münster Einsteinstraße 62 48149 Münster bosch@math.uni-muenster.de
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrToDo-Liste für s Mathe-Abi 2009
ToDo-Liste für s Mathe-Abi 2009 7. Februar 2009 1 Grenzwerte und Folgen 1. Unterschied arithmetische Folge zu geometrische Folge 2. Rekursive Darstellung von Zerfalls- und Wachstumsvorgängen (a) lineares
MehrVisualisierung I 3. Datentypen und Datenrepräsentation
Visualisierung I 3. Datentypen und Datenrepräsentation Vorlesung: Mi, 9:00 11:00, INF 368 532 Übung: Do, 14:00 16:00, INF 350 OMZ R U011 JProf. Heike Jänicke http://www.iwr.uni-heidelberg.de/groups/covis/
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
MehrEuklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz
Tobias Kraushaar Kaiserstr. 178 44143 Dortmund Matr.- Nr.: 122964 Euklidischer Algorithmus, Restklassenring und seine Struktur, Chinesischer Restklassensatz 1. EINLEITUNG... 2 2. HAUPTTEIL... 3 2.1. Der
MehrGeometrische Maße oder,... wie kann man quantitative Aussagen über geometrische Objekte erhalten?
In der euklidischen Geometrie der Mittelstufe ging es zumeist um geometrische Konstruktionen und um qualitative Aussagen über geometrische Objekte in Bezug zueinander. Möchte man, insbesondere im dreidimensionalen
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
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
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.
MehrCodierungstheorie, Vorlesungsskript
Codierungstheorie, Vorlesungsskript Irene I. Bouw Sommersemester 2014 Inhaltsverzeichnis 1 Lineare Codes 2 1.1 Einführung.............................. 2 1.2 Eigenschaften linearer Codes....................
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
Mehr