Vektoren und Matrizen
|
|
- Irmgard Weber
- vor 6 Jahren
- Abrufe
Transkript
1 Vektoren und Matrizen Die multivariate Statistik behandelt statistische Eigenschaften und Zusammenhänge mehrerer Variablen, im Gegensatz zu univariaten Statistik, die in der Regel nur eine Variable untersucht. Formeln mit mehreren Variablen werden am einfachsten mit Hilfe von Vektoren und Matrizen angeschrieben, daher behandeln wir im folgenden deren zugrundeliegenden Rechenregeln. 1. Grundlegendes Skalare, also einzelne Zahlen, werden als Kleinbuchstaben und kursiv, manchmal auch als griechische Buchstaben geschrieben. z.b. c 3, ξ 5.2 Ein Vektor wird häufig durch n Zahlen dargestellt und in der Statistik als ein fetter Kleinbuchstabe geschrieben 1. Ein Vektor wird üblicherweise als Spaltenvektor angegeben 2. Ein transponierter Spaltenvektor (gekennzeichent durch ein hochgestelltes t oder ) ist ein Zeilenvektor. x 2 (1) x. x 1 x n z.b. 4 3 u 1, 0 vt (2, 8, 1, 12), w Ein Vektor könnte z.b. eine an n Objekten gemessene Variable sein, etwa die Körperhöhe von 20 Personen (ergibt einen Vektor mit 20 Komponenten, also mit der Dimension 20). Ein Vektor kann aber auch mehrere Messung an einem Fall beinhalten, z.b. 14 physiologische Variablen von einem Patienten. 1. In der Mathematik und Physik wird ein Vektor meist als ein kleiner Buchstabe mit einem Pfeil darüber geschrieben. Die Notation von Vektoren und Matrizen in der Statistik, an die wir uns im folgenden halten, unterscheidet sich von jener in der Mathematik oder Physik. An sich sind all diese Notationen keine strengen Regeln sondern eher Lesehilfen. 2. Das ist eine reine Konvention. Sie ist, wie sich noch zeigen wird, recht praktisch, sonst gibt es dafür aber keinen mathematischen Grund. 1
2 2 Eine Matrix kann als eine rechteckige Anordnung von Zahlen dargestellt werden und wird meist mit einer fett und groß geschriebenen Variable bezeichnet. Die Matrix A hat die Dimensionen n m ( Zeilenanzahl Spaltenanzahl) a 11 a 12 a 1m a 21 a 22 a 2m (2) A a n1 a n2 a nm Um eine Matrix (oder einen Vektor) zu transponieren, werden Zeilen und Spalten vertauscht. Eine transponierte Matrix wird meistens mit, t oder T gekenzeichnet. ( ) M, M t Es gibt einige spezielle Arten von Matrizen, die wir oft benötigen. Quadratische Matrizen weisen gleich viel Zeilen wie Spalten auf (Dimension n n). Für eine symmetrische Matrix S gilt S S t, das heißt s ij s ji, z.b S S t Die Diagonale einer Matrix ist die Zahlenreihe von links oben (a 11 ) nach rechts unten (a nn ), also für die Matrix A die Elemente a ii, i 1... n. Die Spur (engl. trace) einer Matrix ist die Summe ihrer Diagonalelemente, tr(a) n i1 a ii. Für die obige Matrix S, zum Beispiel, ist die Diagonale (2, 4, 0, 8) und tr(s) 14. Eine Diagonalmatrix ist eine Matrix, die beliebige Werte in der Diagonale aufweist und in allen anderen Feldern 0 stehen hat, z.b D Eine Identitätsmatrix oder Einheitsmatrix ist eine Diagonalmatrix, die in allen Diagonalfeldern 1 stehen hat, z.b.
3 I In der Arbeit mit empirischen Daten werden die p Variablen, die an n Fällen erhoben worden sind, meist in Form einer n p Datenmatrix dargestellt. Das ist also eine Matrix, in deren Zeilen alle p Messungen eines Falls stehen, und die für jeden der n Fälle je eine Zeile besitzt. Wir benutzen in der Statistik Matrizen aber auch um andere Informationen zu beschreiben, etwa Kovarianz- oder Korrelationsmatrizen. Eine Kovarianzmatrix ist eine p p Matrix, die alle Varianzen und Kovarianzen der p Variablen enthält: σ1 2 σ 12 σ 1p σ 21 σ2 2 σ 2p (3) S.,..... σ p1 σ p2 σp 2 wobei σ ij die Kovarianz der i-ten und er j-ten Variable ist und σi 2 die Varianz der i-ten Variable. Eine Kovarianzmatrix ist also quadratische und da σ ij σ ji auch symmetrisch. Eine Korrelationsmatrix enthät, analog zur Kovarianzmatrix, alle Korrelationen zwischen den Variablen. Da die Korrelation einer Variable mit sich selbst immer 1 ist, stehen in der Diagonale einer Korrelationsmatrix immer nur Einser: 1 ρ 12 ρ 1p ρ 21 1 ρ 2p (4) R ρ p1 ρ p Rechnen mit Vektoren und Matrizen 2.1. Addition von Vektoren und Matrizen. Um zwei Vektoren zu addieren, werden die einzelnen korrespondierenden Komponenten der Vektoren addiert. Daraus folgt, daß die Dimension (Anzahl der Komponenten) der beiden Vektoren gleich sein muss um eine Vektoraddition durchführen zu können.
4 4 a 1 b 1 a 1 + b 1 a 2 b 2 a 2 + b 2 (5) a + b +... a n + b n a n b n z.b Die Addition von Matrizen ist analog definiert. Die Summe von A und B hat im i, j-ten Element den Wert a ij + b ij. Damit zwei Matrizen addiert werden können, müssen sie die selben Dimensionen aufweisen, also z.b. beide 3 Spalten und 3 Reihen. Beispiel: Multiplikation mit einem Skalar. Die Multiplikation eines Vektors mit einem Skalar ist folgendermaßen definiert: ca 1 ca 2 ca. ca n z.b Die Multiplikation einer Matrix mit einem Skalar ist analog definiert: ca 11 ca 12 ca 1m ca 21 ca 22 ca 2m ca ca n1 ca n2 ca nm z.b.
5 ( ) ( ) ( ) ( 3) ( 2) Vektorprodukte. Es sind verschiedene Vektorprodukte definiert. Im folgenden werden die zwei für unsere Zwecke wichtigsten dargestellt. Das innere Produkt (Skalarprodukt, dot product ) zweier Vektoren ergibt einen Skalar. Die Rechenoperation wird mit einem Multiplikationspunkt geschrieben, kann aber auch weggelassen werden. Der Konvention nach ist das innere Produkt immer ein Zeilenvektor mal ein Spaltenvektor. Ähnlich wie die Vektoraddition, ist auch das Skalarprodukt nur für zwei Vektoren der gleichen Dimension definiert. (6) a t b a t b 2 b (a 1, a 2,, a n ) a 1 b 1 + a 2 b a n b n. Beim inneren Produkt werden also die korrepondierenden Komponenten der zwei Vektoren multipliziert und dann die einzelnen Produkte addiert. Es kann daher auch so angeschireben werden: b 1 b n (7) a t b Z.B. ( ) n a i b i i ( 2) + 2 ( 1) Das äußere Produkt (Dyadisches Produkt, Kronecker Produkt) zweier Vektoren ist folgendermaßen definiert: a 1 (8) a b t a 2. a n ) (b 1 b 2 b m a 1 b 1 a 1 b 2 a 1 b m a 2 b 1 a 2 b 2 a 2 b m a n b 1 a n b 2... a n b m
6 6 Jede Komponente des einen Vektors wird mit jeder Komponente des anderen Vektors multipliziert, das Ergebnis ist eine Matrix. Das äußere Produkt wird immer als ein Spaltenvektor mal einem Zeilenvektor angegeben, etwa 1 ( ) 1 ( 2) 1 ( 1) ( 2) 2 ( 1) ( 2) 3 ( 1) Vektorprodukte finden breite Anwendung in der multivariaten Statistik (siehe etwa Kapitel 3). Man kann auch Rechenoperationen aus der univariaten Statistik mit Vektoren anschreiben. Dafür führen wir den Einsvektor ein. Einsern besteht und mit der fetten Ziffer 1 geschrieben wird. Das ist ein Vektor mit beliebiger Länge, der nur aus (9) 1 (1, 1, 1,, 1) Wir können den Einsvektor benutzen um die Summe einer Zahlenreihe zu berechnen: n (10) 1 t a 1 a a a n a i, wobei 1 ein Einsvektor mit der selben Dimensions wie a ist. Der Mittelwert von a ist demnach i1 (11) a 1 n 1t a. Die Kovarianz zweier Variablen a und b läßt sich ebenfalls mit Vektoren schreiben wenn wir annehmen, daß die beiden Variablen zentriert sind, also a b 0. (12) σ ab 1 n 1 at b. Die Varianz von a ist demnach (13) σ 2 a 1 n 1 at a. Die Korrelation zweier Variablen ist deren Kovarianz standardisiert mit den beiden Standardabweichungen. Wir können daher schreiben: (14) ρ ab a t b a t a b t b.
7 2.4. Multiplikation von Matrizen. Zwei Matrizen A und B werden miteinander multipliziert, indem jeweils die Zeilen der ersten Matrix mit den entsprechenden Spalten der zweiten Matrix skalarmultipliziert werden. Das heißt, das i, jte Element von AB ist das Skalarprodukt der iten Zeile von A mit der jten Spalte von B. Die Multiplikation von Matrizen ist nur dann möglich, wenn die Anzahl der Spalten der ersten Matrix gleich ist der Anzahl der Zeilen der zweiten Matrix. Ist A eine Matrix der Dimension l m und B eine Matrix der Dimension m n, so ist das Produkt eine Matrix mit den Dimensionen l n. Man beachte, das Produkt AB ist nicht gleich BA! Im folgenden Beispiel ist A eine Matrix mit den Dimensionen 2 3, also 2 Reihen und 3 Spalten und B ist eine Matrix mit den Dimensionen 3 2. Das Produkt AB ergibt eine Matrix mit den Dimensionen 2 2: ( ) 6 1 ( ) ( ) ( ) (1 ( 1) ( 3)) 12 6 ( ) (4 ( 1) ( 3)) Das Produkt BA ergibt eine Matrix mit den Dimensionen 3 3: 6 1 ( ) ( (6 1 + ( 1) 4) (6 2 + ( 1) 5) (6 3 + ( 1) 6) ( ) ( ) ( ) (0 1) + ( 3) 4 (0 2 + ( 3) 5) (0 3 + ( 3) 6) ) Formal: Das Produkt der Matrizen A a ij und B b ij der Dimensionen l m und m n ist die Matrix C c ij mit den Komponenten c ij m k1 a ikb kj i 1,... l, j 1,... n. Die Identitätsmatrix I hat bei der Matrizenmultiplikation die selbe Rolle wie 1 bei der skalaren Multiplikation: IA AI A für jedes A. Die Verallgemeinerung der Division, sodaß a 1 a aa 1 1 falls a 0, wird folgendermaßen definiert: Wenn eine Matrix B existiert, sodaß BA AB I, dann wird B die Inverse von A genannt und als A 1 geschrieben (Nicht jede Matrix A hat eine Inverse!). 3. Geometrische Interpretation von Vektor- und Matrizenoperationen Die hier besprochenen Vektoroperationen können auch geometrisch interpretiert werden. Es ist oft wichtig, sich diese Operationen visuell vorstellen zu können, um ein Gefühl dafür zu bekommen, was mit den Daten geschieht. Die multivariate Statistik verwendet fast ausschließlich jene Rechenoperationen, die hier vorgestellt werden Vektorlänge. Die Länge eines Vektors a, auch Vektornorm genannt, wird a geschrieben. (15) a a a a2 n a t a
8 8 Z.B. (4, 0, 1, 3) Ein Einheitsvektor ist ein Vektor mit Länge 1. Man kann einen beliebigen Vektor durch Division mit seiner Vektornorm normieren; dann hat der normierte Vektor die Länge 1. z.b.: u 0 u u u 0 u t 0 u Winkel zwischen zwei Vektoren. Eine Folge des Skalarprodukts ist folgender Zusammenhang: x t y x y cosθ wobei θ der Winkel zwischen den beiden Vektoren x und y ist. Diesen Zusammenhang können wir umgekehrt dazu benutzen, um den Winkel zwischen zwei Vektoren mit Hilfe des Skalarprodukts zu berechnen: oder cosθ xt y x y θ arccos x t y x t x y t y, x t y x y. Daraus folgt, cosθ 0 nur wenn x t y 0, und wir sagen dann, daß x und y rechtwinkelig oder orthogonal zueinander sind. Wenn x t y 0 und x t x 1, y t y 1, dann spricht man von zwei orthonormalen Vektoren. Die Vektoraddition (Abb. 1) kann als Aneinanderreihen der Vektoren vorgestellt werden. Die Summe ist dann der Vektor vom Ursprung zum Ende des letzten Vektors. Die Multiplikation eines Vektors mit einem Skalar verlängert diesen Vektor entsprechend, ändert aber nicht dessen Richtung (Abb. 2). Multiplikation mit einem negativen Wert ändert zusätzlich die Orientierung des Vektors in die genau entgegengesetzte Richtung. Das inner Produkt oder Skalarprodukt zweier Vektoren kann als Projektion verstanden werden. Wichtig ist, daß der Vektor, auf den projiziert wird, ein Einheitsvektor sein muß. Die Länge der Projektion von x auf y ist x t y y t y, oder einfach xt y s wenn y t sy s 1, d.h. y s ist ein Einheitsvektor. Diese Länge ist auch x cos(α), wobei α der Winkel zwischen x und y ist (Abb.
9 9 b a a+b Figure 1. Vektoraddition 2.5 c c Figure 2. Multiplikation x α x cos(α) ( x t y y t y y ( y Figure 3. Projektion (Schatten) des Vektores x auf den Vektor y.
10 10 3). Die eigentliche Projektion, also nicht nur die Länge sonder der projizierte Vektor selbst, ist x t y y t y y, oder xt y s y. D.h. die Projektion ist der Vektor, auf den projiziert wird mal die Länge der Projektion. a b Figure 4. Projektion von zwei-dimensionalen Datenpunkten auf einen Vektor. Abbildung 4 zeigt die Projektion mehrerer Punkte auf einen Vektor. Die Koordinaten dieser Punkte können als Vektoren vom Ursprung aufgefaßt werden. Die Projektion funktioniert daher wie in Abb. 3. v u P v P u a u t u v t v 1 u t v 0 Datenpunkte... P b Figure 5. Rotation von Punkten. Das ist gleichbedeutend mit der Projektion der Punkte auf die neuen Koordinatenachsen. Man kann eine Rotation von Datenpunkten als die Projektion auf eine orthonormale Basis, also aufeinander rechtwinkelig stehende Einheitsvektoren, verstehen. Diese Vektoren sind dann das neue Koordinatensystem. Abb. 5a zeigt einige Punkte und zwei aufeinander rechtwinkelig stehende Vektoren u and v. Die beiden Vektoren sollen Einheitsvektoren sein, also u t u v t v 1. Die grauen Punkte sind die Projektionen auf die beiden Vektoren. Die Länge der Projektionen sind dann die Koordinaten für die gedrehten Punkte (Abb. 5b). Mit Hilfe der Matrizennotation können wir diese Operation sehr einfach anschreiben. Wir wissen, daß die Länge einer Projektion p t u ist, wobei p ein Punkt (oder Ursprungsvektor) ist
11 und u der Einheitsvektor auf den projiziert wird. Wenn wir mehrere Punkte projizieren wollen, bilden wir die Datenmatrix P mit der Dimensions n 2. Die Matrix besteht also aus n Zeilen (n ist die Anzahl der Punkte) und 2 Spalten (die Anzahl der Koordinaten bzw. Dimensionen). In jeder Zeile stehen dann die Koordinaten eines Punktes. Diese Matrix wird mit dem Vektor u multipliziert. Das Ergebnis ist ein Vektor Pv, der die Skalarprodukte von u mit jeder Zeile von P enthält, also insgesamt n Elemente. Dieser Vektor enthält die Koordinaten der Punkte entlang der neuen Koordinatenachse u. Das selbe gilt für die Projektion auf v. Man kann beide Koordinaten auch in einem Schritt errechnen. Bilden wir die Matrix R sodaß R (u v). R ist also eine 2 2 Matrix, die aus den beiden Spaltenvektoren u und v besteht. Die Matrizenmultiplikation PR ergibt eine n 2 Matrix die aufgebaut ist wie P jedoch die neuen, rotierten, Koordinaten der Punkte enthält. Man nennt R eine Rotationsmatrix. Jede Matrix, deren Spalten orthonormale Vektoren sind, ist eine Rotationsmatrix Matrizenzerlegung Wir wiederholen, das äußere Produkt zweier Vektoren erzeugt eine Matrix nach folgendem Schema: beziehungsweise a a t a b t a 1 a 2 a 3 a 4 a 1 a 2 a 3 a 4 ) (b 1 b 2 b 3 ) (a 1 a 2 a 3 a 4 a 1 b 1 a 1 b 2 a 1 b 3 a 2 b 1 a 2 b 2 a 2 b 3 a 3 b 1 a 3 b 2 a 3 b 3 a 4 b 1 a 4 b 2 a 4 b 3 a 1 a 1 a 2 a 1 a 3 a 1 a 4 a 2 a 1 a 2 a 2 a 3 a 2 a 4 a 3 a 1 a 3 a 2 a 3 a 3 a 4 a 4 a 1 a 4 a 2 a 4 a 3 a 4 Wenn man auf diese Weise genügend viele Matrizen erzeugt und addiert, kann man so jede beliebige Matrix konstruieren. solchen Vektorprodukten zerlegen: Oder umgekehrt, man kann jede Matrix in eine Summe von M u 1 v t 1 g 1 + u 2 v t 2 g u n v t n g n wobei M für eine beliebige Matrix steht, u i v i für das ite Vektorprodukt und g i für einen Gewichtungsfaktor für jedes Vektorprodukt. Der Wert für die Gewichtung wird mit jedem Element des Vektorprodukts multipliziert und gibt so an, wie viel jedes einzelne Vektorprodukt zur Gesamtmatrix beisteuert. Da a a t eine quadratische und symmetrische Matrix erzeugt, kann jede beliebige quadratische und symmetrische Matrix in eine Summe der Form
12 12 M u 1 u t 1 g 1 + u 2 u t 2 g u n u t n g n zerlegt werden. 5. Eigenwertzerlegung und Singulärwertzerlegung Gegeben sei eine beliebige quadratische und symmetrische Matrix Q. Den Vektor e 1, dessen äußeres Produkt e 1.e t 1 λ 2 die bestmögliche Darstellung von Q ist, nennt man den ersten Eigenvektor von Q. Den Skalar λ i nennt man den ersten Eigenwert von Q. Der zweite Eigenvektor e 2 ermöglicht die beste Darstellung von Q unabhängig (orthogonal) von e 1 usw. Daher gilt Q e 1 e t 1 λ 1 + e 2 e t 2 λ e n e t n λ n wobei λ 1 > λ 2 > > λ n. Diese Methode kann auf beliebige rechteckige Matrizen erweitert werden indem man ein Vektorprodukt aus zwei Vektoren verwendet, sodaß R u 1 v1 t d 1 + u 2 v2 t d u n vn t d n. Ist die Matrix u 1 v 1 d 1 die bestmögliche Approximation von R, dann heien u 1 und v 1 die ersten Singulärvektoren von R und d 1 der erste Singulärwert wobei d 1 > d 2 > > d n. Dr. Philipp Mitteroecker Department of Theoretical Biology University of Vienna Althanstrasse 14, 1091 Vienna address: philipp.mitteroecker@univie.ac.at
Korrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrLernmaterialblatt Mathematik. Vektorrechnung eine Einführung. Anwendung Mathematik I. Einleitung:
Vektorrechnung eine Einführung Einleitung: Um beispielsweise das Dreieck ABC in der Abbildung an die Position A'B'C' zu verschieben, muss jeder Punkt um sieben Einheiten nach rechts und drei nach oben
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
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
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
MehrSkalarprodukt und Orthogonalität
Skalarprodukt und Orthogonalität Skalarprodukt und Orthogonalität in R n Wir erinnern an das euklidische Skalarprodukt im R 2 : Wir erinnern an das euklidische Skalarprodukt im R 2 : < a, b >:= α 1 β 1
MehrGrundlagen der Vektorrechnung
Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
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:
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrLänge, Skalarprodukt, Vektorprodukt
Länge, Skalarprodukt, Vektorprodukt Jörn Loviscach Versionsstand: 20. April 2009, 19:39 1 Überblick Ein Vektorraum muss nur eine Minimalausstattung an Rechenoperationen besitzen: die Addition zweier Vektoren
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrVektoren. 2.1 Darstellung. Kapitel Subtraktion und Addition
Kapitel 2 Vektoren In diesem Kapitel werden wir im wesentlichen die verschiedenen Formen der Darstellung von Vektoren in MatLab sowie Verknüpfungen zwischen Vektoren betrachten. In letzterem Punkt ist
MehrMatrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie
Regina Gellrich Carsten Gellrich Matrizen und Determinanten, Lineare Gleichungssysteme, Vektorrechnung, Analytische Geometrie Mit zahlreichen Abbildungen, Aufgaben mit Lösungen und durchgerechneten Beispielen
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
MehrDefinition, Rechenoperationen, Lineares Gleichungssystem
Bau und Gestaltung, Mathematik, T. Borer Aufgaben / Aufgaben Matrizen Definition, Rechenoperationen, Lineares Gleichungssystem Lernziele - die Bezeichnung der Matrixelemente kennen und verstehen. - den
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
MehrKapitel 3: Geometrische Transformationen
[ Computeranimation ] Kapitel 3: Geometrische Transformationen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 3. Geometrische Transformationen
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
MehrVektoren. Jörn Loviscach. Versionsstand: 11. April 2009, 23:42
Vektoren Jörn Loviscach Versionsstand:. April 29, 23:42 Rechnen mit Pfeilen Bei den komplexen Zahlen haben wir das Rechnen mit Pfeilen schon kennen gelernt. Addition und Subtraktion klappen in drei wie
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
MehrVektoren. Kapitel 3. 3.1 Skalare, Vektoren, Tensoren. 3.2 Vektoren
Kapitel 3 Vektoren 31 Skalare, Vektoren, Tensoren Viele physikalische Größen lassen sich bei bekannter Maßeinheit durch Angabe ihres Betrages als reelle Zahl vollständig angeben Solche Größen nennt man
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrLineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
MehrVektoralgebra Anwendungen der Vektorrechnung VEKTORRECHNUNG. Prof. Dr. Dan Eugen Ulmet. Hochschule Esslingen 1/64
1/64 VEKTORRECHNUNG Prof. Dr. Dan Eugen Ulmet Hochschule Esslingen März 2011 2/64 Overview Vektoralgebra 1 Vektoralgebra 2 Was sind Vektoren? 3/64 Vektoren werden geometrisch definiert als Pfeilklassen:
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 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
Mehr1 Vorlesungen: und Vektor Rechnung: 1.Teil
1 Vorlesungen: 4.10.005 und 31.10.005 Vektor Rechnung: 1.Teil Einige in der Physik auftretende Messgrößen sind durch eine einzige Zahl bestimmt: Temperatur T K Dichte kg/m 3 Leistung P Watt = J/s = kg
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
MehrAnalytische Geometrie, Vektorund Matrixrechnung
Kapitel 1 Analytische Geometrie, Vektorund Matrixrechnung 11 Koordinatensysteme Eine Gerade, eine Ebene oder den Anschauungsraum beschreibt man durch Koordinatensysteme 111 Was sind Koordinatensysteme?
Mehr2 Geradengleichungen in Parameterform. Länge und Skalarprodukt
2 Geradengleichungen in Parameterform. Länge und Skalarprodukt Jörn Loviscach Versionsstand: 19. März 2011, 15:33 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
MehrVerbundstudium TBW Teil 1 Grundlagen 3. Semester
Verbundstudium TBW Teil 1 Grundlagen 3. Semester 1.1 Internationales Einheitensystem System (SI) Größe Symbol Einheit Zeichen Länge x Meter m Zeit t Sekunde s Masse m Kilogramm kg Elektr. Stromstärke I
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
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrÜbungsaufgaben Vektoren
Kallenrode, www.sotere.uos.de Übungsaufgaben Vektoren 1. Gegeben sind die Einheitsvektoren in Zylinderkoordinaten e ϱ = cos ϕ sin ϕ, e ϕ = sin ϕ cos ϕ und e z = 0 0 0 0 1 und Kugelkoordinaten: sin ϑ cos
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
MehrWas ist ein Skalarprodukt und wozu wird es verwendet?
Was ist ein Skalarprodukt und wozu wird es verwendet? FRANZ PAUER UND FLORIAN STAMPFER (UNIVERSITÄT INNSBRUCK) 1. Einleitung Es kommt selten vor, dass ein mathematischer Fachbegriff den Weg in die Tagespresse
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrLineare Algebra (Teil 1) (LinAlg_1.mw)
Lineare Algebra (Teil 1) (LinAlg_1.mw) Neue MAPLE-Befehle: Vector, DotProduct, CrossProduct, Norm, Matrix, Row, Column, Transpose, Rank, Basis, Determinant, MatrixInverse, Eigenvalues, Eigenvectors. Wir
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
MehrGrundsätzliches Produkte Anwendungen in der Geometrie. Vektorrechnung. Fakultät Grundlagen. Juli 2015
Vektorrechnung Fakultät Grundlagen Juli 205 Fakultät Grundlagen Vektorrechnung Übersicht Grundsätzliches Grundsätzliches Vektorbegriff Algebraisierung der Vektorrechnung Betrag 2 Skalarprodukt Vektorprodukt
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrMatrix-Algorithmen Matrixmultiplikation Allgemeiner Matrizen
Matrix-Algorithmen Matrixmultiplikation Allgemeiner Matrizen 15.04.2011 Inhaltsverzeichnis Grundlagen 1 Grundlagen Matrizen Vektoren 2 Skalarprodukt und Saxpy Matrix-Vektor-Multiplikation Gaxpy Matrix-Matrix-Multiplikation
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
Mehrx y f : R 2 R 3, Es gilt: Bild f = y : wobei x,y R Kern f = 0 (wird auf der nächsten Folie besprochen)
Def Wiederholung Sei f : V U eine lineare Abbildung Das Bild von f ist die folgende Teilmenge von U: Bild f = {u U so dass es gibt ein Element v V mit f (v) = u} (Andere Bezeichnung: f (V) wird in Analysis-Vorlesung
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
Mehr6.3.2 Vektorprodukt. Bemerkung: Die Axiome des Skalarprodukts lauten mit drei Vektoren x, y und z und dem Skalarα: x x 0, insbesondere x x R
63 Vektoroperationen Bemerkung: Die Axiome des Skalarprodukts lauten mit drei Vektoren x, y und z und dem Skalarα: x x 0, insbesondere x x R x x =0 x=0 komplex konjugiert αx y = {}}{ α x y x αy = α x y
MehrSpezialgebiet Mathematik(Christian Behon ) 1. Matrizen. Kapitel 1 Definitionen und Herleitung von Matrizen. Kapitel 2 Matrizenoperation
. Inhaltsverzeichnis.............. Spezialgebiet Mathematik(Christian Behon ) 1 Matrizen Kapitel 1 Definitionen und Herleitung von Matrizen 1.1 Was sind Matrizen 1.2 Arten von Matrizen Kapitel 2 Matrizenoperation
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
Mehr4. Vektorräume und Gleichungssysteme
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof Dr H M Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 41 und 42 4 Vektorräume
MehrMathematische Formeln für Wirtschaftswissenschaftler
Mathematische Formeln für Wirtschaftswissenschaftler Fred Böker Institut für Statistik und Ökonometrie Georg-August-Universität Göttingen Platz der Göttinger Sieben 5 D-37073 Göttingen Tel 0551-394604
Mehr1 Vektorrechnung als Teil der Linearen Algebra - Einleitung
Vektorrechnung als Teil der Linearen Algebra - Einleitung www.mathebaustelle.de. Einführungsbeispiel Archäologen untersuchen eine neu entdeckte Grabanlage aus der ägyptischen Frühgeschichte. Damit jeder
MehrMatrizen. Aufgabe 1. Sei f R 2 R 3 definiert durch. x y x Berechnen Sie die Matrix Darstellung von f. Lösung von Aufgabe 1.
Matrizen Aufgabe Sei f R R 3 definiert durch ( x 3y x f x + y y x Berechnen Sie die Matrix Darstellung von f Lösung von Aufgabe ( f ( f 3 Die Matrix Darstellung von f ist somit A 3 Aufgabe Eine lineare
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
MehrFachhochschule Südwestfalen Wir geben Impulse. Vektorrechnung in Octave
Fachhochschule Südwestfalen Wir geben Impulse Vektorrechnung in Octave Inhalt Erzeugung von Vektoren Zugriff auf Vektorelemente Addition und Subtraktion von Vektoren Betrag eines Vektors Berechnung des
MehrDas Skalarprodukt zweier Vektoren
Beim Skalarprodukt zweier Vektoren werden die Vektoren so multipliziert, dass sich ein Skalar eine Zahl ergibt. Die Berechnung des Skalarproduktes ist ziemlich einfach, aber die weiteren Eigenschaften
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrLineare Gleichungssysteme
KAPITEL 2 Lineare Gleichungssysteme Lernziele dieses Abschnitts sind: Begrie: Matrix, Vektor spezielle Matrix, transponierte Matrix, inverse Matrix nur fur quadratische Matrizen erklart, Determinante,
MehrBerechnen eines Bildpunktes bei Parallelprojektion: die Kavalierproduktion
Matrizen Projektionen: Bei einer Projektion werden Geraden (Projektionsstrahlen) durch die abzubildenden Raumpunkte gezogen und mit der Zeichenebene geschnitten. Die resultierenden Schnittpunkte sind die
Mehr