5 Eigenwerte und die Jordansche Normalform
|
|
- Nele Blau
- vor 6 Jahren
- Abrufe
Transkript
1 Mathematik für Ingenieure II, SS 9 Freitag 6 $Id: jordantex,v 7 9/6/ :8:5 hk Exp $ 5 Eigenwerte und die Jordansche Normalform 5 Die Jordansche Normalform Nachdem wir bisher das Vorgehen zur Berechnung der Jordanschen Normalform an einigen Beispielen gesehen haben, wollen wir jetzt den Algorithmus im allgemeinen Fall beschreiben Gegeben: Eine komplexe n n Matrix A (die Einträge von A dürfen natürlich auch alle reell sein) Gesucht: Eine Basis u,, u n des C n bezüglich derer A in Jordan Normalform ist, beziehungsweise äquivalent eine invertierbare, komplexe n n Matrix S so, dass S AS in Jordan Normalform ist Die Spalten solch einer Matrix sind gerade die Basis u,, u n und ungekehrt Verfahren: Wir führen die folgenden Rechenschritte durch: () Berechne die verschiedenen komplexen Eigenwerte λ,, λ t von A und ihre algebraischen Vielfachheiten a,, a t Dies kann man beispielsweise durch Berechnung des charakteristischen Polynoms mit anschließender Nullstellensuche tun () Gehe der Reihe nach die Eigenwerte λ = λ i (i =,, t) durch, und führe für jeden von diesen die folgenden Schritte (3) bis (33) durch (3) Bilde die Matrix N = A λ, und führe auf ihr das Gaußsche Eliminationsverfahren mit unbestimmter rechter Seite (y,, y n ) durch (3) Verwende die nicht verschwindenden r oberen Zeilen der in Schritt (3) erhaltenen Stufenform um die allgemeine Lösung der Gleichung Nx = y zu berechnen Die unteren Zeilen bei denen alle Matrixeinträge Null sind und wir nur eine rechte Seite haben werden dabei ignoriert (33) Verwende das Ergebnis von (3) um eine Basis v,, v di des Eigenraums E λ (A) zu berechnen, dieser ist ja der Lösungsraum des homogenen linearen Gleichungssystems Nx = Die Zahl d i ist dabei die geometrische Vielfachheit des Eigenwerts λ = λ i (3) Ist die in (33) berechnete geometrische Vielfachheit d i von λ gleich der algebraischen Vielfachheit a i, so nehme die Vektoren v,, v di als Ergebnis von Schritt (3) 7-
2 Mathematik für Ingenieure II, SS 9 Freitag 6 (35) Andernfalls bilde den Vektor u := t v + + t di v di und bezeichne seine Einträge als y,, y n Setze diese Werte in die rechten Seiten der unteren n r Zeilen der in (3) erhaltenen Stufenform ein Dies gibt ein homogenes lineares Gleichungssystem mit n r Gleichungen für die d i Unbekannten t,, t di (36) Löse das Gleichungssystem aus (35) Ist dann T,, T s eine Basis des Lösungsraums, so bilde für jedes T j = (t,, t n ) den zugehörigen Vektor u j = t v + +t di v di Weiter wähle unter den v,, v di genau l := d i s Vektoren aus, so dass keine von Null verschiedene Linearkombination der ausgewählten Vektoren eine Lösung des Gleichungssystem aus (35) ist Dies ist immer möglich (37) Die in (36) gewählten Vektoren sind dann genau die Basiselemente die den Jordankästchen zum Eigenwert λ entsprechen Die restlichen s Jordankästchen zu λ haben alle eine Größe mindestens Für jedes j s benutze jetzt das Ergebnis von (3) um einen Vektor v j mit Nv j = u j zu berechnen (38) Haben wir jetzt genug Vektoren beisammen, ist also s + l = a i, so füge die Vektoren v, u,, v s, u s zu den in (36) gewählten Vektoren hinzu, und diese alle sind dann das Ergebnis von Schritt (3) (39) Andernfalls bilde wie in (35) den Vektor u := t v + + t s v s und bezeichne seine Einträge als y,, y n Einsetzen in die unteren n r rechten Seiten in (3) gibt ein homogenes lineares Gleichungssystem mit n r Gleichungen für die s Unbekannten t,, t s (3) Löse das Gleichungssystem aus (39) und berechne eine Basis T,, T s seines Lösungsraums Für jedes T j = (t,, t s ) bilde den Vektor u j = t v + + t s v s Weiter wähle unter den Vektoren v,, v s genau l := s s Vektoren aus so, dass keine von Null verschiedene Linearkombination der ausgewählten Vektoren eine Lösung des Gleichungssystems aus (39) ist (3) Für jeden der in (3) gewählten l Vektoren v k füge v k und Nv k zu den bisher in (37) zusammengestellten Basisvektoren hinzu Diese entsprechen dann den l Jordankästchen der Größe Die restlichen s Jordankästchen zu λ haben alle eine Größe mindestens 3 Für jedes j s benutze jetzt das Ergebnis von (3) um einen Vektor v 3j mit Nv 3j = u j zu berechnen (3) Haben wir jetzt genug Vektoren beisammen, ist also 3s + l + l = a i, so füge die Vektoren v 3, u, Nu,, v 3s, u s, Nu s zu den bisher gewählten Basisvektoren hinzu, und dies ist das Ergebnis von Schritt (3) 7-
3 Mathematik für Ingenieure II, SS 9 Freitag 6 (33) Andernfalls wiederhole die Schritte (39) bis (3) entsprechend bis wir a i Vektoren beisammen haben Die in (3) und (3) hinzuzufügenden Ketten werden dabei bei jedem Schritt um eins länger, da wir ja die Basiselemente zu immer größeren Jordankästhen zusammenstellen Die Abbruchbedingung in (3) hat auf Stufe q die Form qs q + (q )l q + + l + l = a i () Fasse alle in Schritt (3) für i =,, t gefundenen Vektoren zu einer Basis zusammen, und ordne diese noch nach Eigenwerten und Größe der jeweiligen Jordankästchen Als ein letztes Beispiel zur Jordanschen Normalform betrachten wir nun die Matrix A := Wir werden hier das obige Verfahren durchführen, und der Deutlichkeit halber immer angeben bei welchem Schritt wir gerade sind Schritt Zuerst müssen wir die Eigenwerte von A und ihre algebraischen Vielfachheiten bestimmen Die Berechnung des charakteristisches Polynom haben wir schon an mehreren Beispielen gesehen so, dass wir diesmal nur das Ergebnis χ A (x) = x 6 x 5 + 6x 6x 3 + x 9x + 6 = (x ) 6 angeben Mit den Bezeichungen des Algorithmus ist also t =, λ = und a = 6 Wir haben also wieder nur Jordankästchen zum Eigenwert λ = Schritt 3 Nun bilden wir wieder die Matrix N := A und führen die Gauß- Elimination mit allgemeiner rechter Seite durch Da wir dies inzwischen oft genug gemacht haben, geben wir hier nur das Ergebnis an: 5 y 3 y 3 y + 3y y + y 3 + y y y 5 y 3 y y 6 + y 3 + y Schritt 3 Wir haben hier r = 3 Zeilen, die nicht nur aus Nullen bestehen Die Lösung 7-3
4 Mathematik für Ingenieure II, SS 9 Freitag 6 des aus den oberen drei Zeilen bestehenden Systems wird x 3 = (y + 3y + x 3x 6 ) = y + 3 y + x 3 x 6, x = (y + x + x 5 x 6 ) = y x x 5 + x 6, x = (y 3 + x + 3x 3 5x + x 5 + x 6 ) = y 3 + y + x + x 5 x 6 3 y 9 y 6x + 9 x 6 + 5x x 5 x 6 = 3 y 5 y y 3 + 3x + x 5 3 x 6 Dabei sind x, x 5, x 6 die frei bleibenden Variablen Schritt 33 Als nächster Schritt wird dann wieder der Eigenraum E (A) bestimmt Dieser ist die Lösungsmenge von Nx = wir müssen also nur y = y = y 3 = y = y 5 = y 6 = in die Formel aus (3) einsetzen, und erhalten die Basis v := 3, v :=, v 3 := Diese drei Vektoren sind dabei gerade durch die Festlegungen x =, x 5 = x 6 = für v, x 5 =, x = x 6 = für v und x 6 =, x = x 5 = für v 3 entstanden Die geometrische Vielfachheit ist hier also d = 3, und wir haben somit drei Jordankästchen Da d = 3 < 6 = a ist, sind wir mit Schritt 3 noch nicht fertig Schritt 35 Als nächstes müssen wir die Vektoren zweiter Stufe berechnen, und bilden den Vektor 3t + t 3t 3 t t + t 3 u := t v + t v + t 3 v 3 = t 3t 3 t t t 3 Setzen wir für y bis y 6 die sechs Einträge dieses Vektors ein, also y = 3t + t 3t 3, y = t t + t 3, y 3 = t 3t 3, y = t, y 5 = t und y 6 = t 3, so wird unsere Stufenform damit zu 5 t 3t 3 t t + t 3 3 t t + 3t 3 t 3 t t + t 3 t 3 t 7-
5 Mathematik für Ingenieure II, SS 9 Freitag 6 Das durch die rechten Seiten der drei unteren Zeilen gegeben homogene lineare Gleichungssystem besteht hier also effektiv nur aus der einen Gleichung t 3 = t da die anderen Zeilen nur Vielfache hiervon sind Schritt 36 Die Dimension des Lösungsraums des homogenen linearen Gleichungssystems aus (35) ist hier also s =, und eine Basis des Lösungsraums bilden die beiden Vektoren T = (,, ) und T = (,, ) Wir haben l = d s = Jordankästchen der Größe Wir müssen also nur einen unter den drei Vektoren v, v, v 3 auswählen Der Vektor v entspricht dabei t =, t = t 3 =, er löst also t 3 = t und darf daher nicht gewählt werden Wir entscheiden uns für den Vektor v Dieser ist also der Basisvektor zu einem Jordan Kästchen, und wir setzen u 6 := v = Wir nennen diesen Basisvektor gleich u 6 um uns das abschließende Sortieren in Schritt () zu sparen Das ist in diesen Rechnungen immer möglich, da man zu jedem Zeitpunkt die Anzahlen der jeweiligen Jordankästchen kennt Schritt 37 Es verbleiben s = Jordankästchen von Größe mindestens Wir bilden jetzt die Vektoren u := v = und u := v v 3 = 6 Die beiden Vektoren zweiter Stufe kriegen wir indem wir die Gleichungen Nv = u und Nv = u lösen Dies geschieht wieder durch Einsetzen in die Lösungsformel aus Schritt 3, und wir notieren hier nur die Ergebnisse v := und v := 5 Die drei freien Parameter x, x 5, x 6 haben wir dabei alle auf Null gesetzt Schritt 38 Es ist jetzt s + l = 5 < 6 = a, wir müssen also noch weiter machen 7-5
6 Mathematik für Ingenieure II, SS 9 Freitag 6 Schritt 39 Wir brauchen noch einen Vektor dritter Stufe, und hierzu setzen wir wieder Einsetzen in die Stufenform gibt u := t v + t v = t t t + 5t t t 5 t t t + 5t 3 9t + t t + t t t t + t Wir haben also erwartungsgemäß eine Bedingung t = t Schritt 3 Der Lösungsraum von t = t hat die Dimension s = mit Basisvektor T = (, ) Damit wird u := v v = Weiter müssen wir l := s s = der Vektoren v, v auswählen, wobei beide Vektoren möglich sind Wir entscheiden uns für v Schritt 3 Mit dem in (3) gewählten Basisvektor können wir nun das Jordan Kästchen angeben Wie oben numerieren wir gleich korrekt und setzen u 5 := v = und u := Nu 5 = Nv = u = Das Kästchen haben wir damit fertig gestellt Es verbleiben s = Kästchen der Größe mindestens 3 Mit der Lösungsformel aus (3) erhalten wir eine Lösung von 7-6 6
7 Mathematik für Ingenieure II, SS 9 Freitag 6 Nv 3 = u als v 3 = Schritt 3 Jetzt ist 3s + l + l = 6 = a, wir sind also am letzten Schritt angekommen Damit können wir die Basis vervollständigen u 3 := v 3 =, u := Nu 3 = Nv 3 = u = und u := Nu = Nu = Nv Nv = u u = Damit ist Schritt (3) abgeschlossen und in Schritt () ist nichts mehr zu tun da wir die Basisvektoren schon passend durchnumeriert haben Insgesamt haben wir damit die gesuchte Basis u, u, u 3, u, u 5, u 6 konstruiert Beispiele in denen mehr als nur ein Eigenwert auftaucht werden als Übungsaufgaben behandelt Diese stellen rechnerisch keinerlei neue Probleme, man führt die obige Rechnung nur so oft durch wie es verschiedene Eigenwerte gibt, und fasst alle erhaltenen Teilbasen in einer Gesamtbasis zusammen Zum Abschluß dieses Abschnitts wollen wir noch eine gelegentlich nützliche Eigenschaft der Eigenwerte einer Matrix festhalten Satz 56 (Summe und Produkt der Eigenwerte) Sei A eine komplexe n n Matrix und bezeichne λ,, λ n seine Eigenwerte, wobei jeder Eigenwert so oft aufgelistet sei wie es seiner algebraischen Vielfachheit entspricht Dann gelten λ + + λ n = tr(a) und λ λ n = det(a) Die Summe aller Eigenwerte ist also die Spur der Matrix und ihr Produkt ist die Determinante der Matrix Für eine Matrix in Jordan Normalform ist dies klar, denn die 7-7
8 Mathematik für Ingenieure II, SS 9 Freitag 6 Spur einer Matrix ist die Summe der Matrixeinträge auf der Diagonalen und bei einer Matrix in Jordan Normalform stehen dort gerade die Eigenwerte λ,, λ n Außerdem ist die Matrix eine obere Dreiecksmatrix, ihre Determinante ist also das Produkt der Diagonaleinträge, also das Produkt der Eigenwerte Für allgemeinere Matrizen sind diese Aussagen weiterhin wahr, aber dies wollen wir nicht weiter begründen 55 Matrixgleichungen und Matrixfunktionen Die Diagonalisierbarkeit einer Matrix erlaubt es viele sonst sehr komplizierte Rechnungen auf viel einfacherere Probleme zurückzuführen Wir wollen dies an einigen Beispielen vorführen Vor einiger Zeit haben wir bereits nachgerechnet, dass die Matrix A = diagonalisierbar ist und die Eigenwerte λ =, λ = und λ 3 = 3 hat Wir hatten auch eine passende Transformationsmatrix S = mit der Inversen S = 5 und S AS = berechnet Wir wollen jetzt die Matrixgleichung 3 6B 5B = 7A nach B auflösen, wir suchen also eine Matrix B die diese Gleichung erfüllt Derartige Matrixgleichung sind, wenn sie überhaupt lösbar sind, so gut wie nie eindeutig lösbar Aber wir wollen auch nicht alle Lösungen B berechnen, wir suchen nur irgendeine passende Matrix Um dies zu tun denken wir uns die Matrix A bezüglich der aus den Spalten von S gebildeten Matrix geschrieben, und bezüglich dieser Basis wird unsere Gleichung zu B 5B = 7 3 = 7 Als Ansatz bietet sich eine Diagonalmatrix x B = y z 7-8
9 Mathematik für Ingenieure II, SS 9 Freitag 6 an Dann wird B 5B = x 5x y 5y z 5z =! 7, und es sind einfach nur drei quadratische Gleichungen zu lösen Dies können wir wie üblich mit der pq-formel tun, und erhalten x =, y = und z = 5 Um das gesuchte B zu erhalten, müssen wir die aus x, y, z gebildete Diagonalmatrix nur noch auf die kanonische Basis des R 3 zurücktransformieren Die Transformationsmatrix hierzu ist S, dh wir haben B = S = 5 S = = In diesem Stil lassen sich Matrixgleichungen für diagonalisierbare Matrizen als rechte Seite sehr häufig über entsprechende Gleichungen für die Eigenwerte lösen Die Lösungen solcher Gleichungen sind in der Regel hochgradig nicht eindeutig, man kriegt also keinesfalls alle Lösungen über diese Methode 7-9
5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
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,
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
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
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
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
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
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 +
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.
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
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,
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
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
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
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
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
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
Mehr6. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 6. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 2/ 25..-.2. Aufgabe G (Lineare Gleichungssysteme)
Mehr1.9 Eigenwerte und Eigenvektoren
.9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
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
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrCorinne Schenka Vorkurs Mathematik WiSe 2012/13
4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:
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
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:
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrMathematik 1, Teil B. Inhalt:
FH Emden-Leer Fachb. Technik, Abt. Elektrotechnik u. Informatik Prof. Dr. J. Wiebe www.et-inf.fho-emden.de/~wiebe Mathematik 1, Teil B Inhalt: 1.) Grundbegriffe der Mengenlehre 2.) Matrizen, Determinanten
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Lineare Algebra: Lineare Gleichungssysteme und Matrizen Das komplette Material finden Sie hier: School-Scout.de Thema: Lineare Algebra:
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
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
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
MehrKommentiertes Beispiel für das Gaußsche Eliminationsverfahren
Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren oder: Wie rechnet eigentlich der TI 84, wenn lineare Gleichungssysteme gelöst werden? Hier wird an einem Beispiel das Gaußsche Verfahren zum
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
MehrBeispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger
Beispiellösungen zur Klausur Lineare Algebra bei Prof. Habegger Stefan Lell 2. Juli 2 Aufgabe. Sei t Q und A t = t 4t + 2 2t + 2 t t 2t 2t Mat 3Q a Bestimmen Sie die Eigenwerte von A t in Abhängigkeit
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
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
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
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.
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
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
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
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)
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
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.................................
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
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.
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
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
MehrMathematik für Wirtschaftswissenschaftler im WS 2013/14 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7
Mathematik für Wirtschaftswissenschaftler im WS 203/4 Lösungen zu den Übungsaufgaben (Vortragsübung) Blatt 7 Aufgabe 27 Sei eine lineare Abbildung f : R 4 R 3 gegeben durch f(x, x 2, x 3 ) = (2 x 3 x 2
MehrBasen von Schnitt und Summe berechnen
Basen von Schnitt und Summe berechnen 1 / 8 Voraussetzung Es seien U 1, U 2 Untervektorräume von K n. Wir wollen Basen des Schnittes U 1 U 2 und der Summe bestimmen. U 1 + U 2 2 / 8 Bezeichnung Der Einfachheit
Mehr3. Das Gleichungssystem
Lagerung: Damit das Fachwerk Kräfte aufnehmen kann, muss es gelagert werden, Die Lagerung muss so beschaffen sein, dass keine Starrkörperbewegungen oder Mechanismen mehr möglich sind. Die Verschiebungen
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
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
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 28. November 2011 Definition Beispiel: Wassermengen und Konzentrationen in einem Fluss Beispiel Zeilenstufenform Beispiel (Fortsetzung) Anhang
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
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
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
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
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
MehrLösungen zum 5. Aufgabenblatt
SS 2012, Lineare Algebra 1 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
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,
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
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
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,
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
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrAllgemeines Gleichungssystem mit zwei Gleichungen und zwei Variablen. Der erste Index bezeichnet die Nummer der Zeile, der zweite die der Spalte.
Lineare Gleichungssysteme. Einleitung Lineare Gleichungssysteme sind in der Theorie und in den Anwendungen ein wichtiges Thema. Theoretisch werden sie in der Linearen Algebra untersucht. Die Numerische
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
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 Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2016 Lineare Gleichungssysteme Schwerpunkte: Interpretation und Verständnis der Gleichungen Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik unter
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
MehrKurze Geschichte der linearen Algebra
Kurze Geschichte der linearen Algebra Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 20 Entwicklung Die Historische Entwicklung
MehrLineare Gleichungssysteme
Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4
MehrKapitel 17. Determinanten
Kapitel 17. Determinanten Vorschau: Determinanten Es gibt drei Problemfelder, für die Determinanten von großem Nutzen sind: die formelmäßige Überprüfung der linearen Unabhängigkeit eines Systems von n
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
MehrThemenheft mit viel Trainingsmaterial (Siehe Vorwort!) Unabhänge Vektoren und Erzeugung von Vektoren Gauß-Algorithmus Rang einer Matrix.
LINEARE ALGEBRA Lösbarkeit von linearen Gleichungssystemen Themenheft mit viel Trainingsmaterial (Siehe Vorwort!) Unabhänge Vektoren und Erzeugung von Vektoren Gauß-Algorithmus Rang einer Matrix Gleichungssysteme
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
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
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,
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
MehrLineare Algebra. 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
MehrAufgaben zu Kapitel 14
Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt
MehrEinleitung 19. Teil I Einführung 23. Kapitel 1 Motivation 25
Inhaltsverzeichnis Einleitung 19 Konventionen in diesem Buch 19 Törichte Annahmen über den Leser 20 Was Sie in diesem Buch finden 20 Was Sie in diesem Buch nicht finden 20 Wie dieses Buch aufgebaut ist
MehrGliederung. Links-Rechts-Zerlegung Elimination faktorisiert A = L R. Determinante Inverse. Kleinste Quadrate. Lösung durch. Links-Rechts- Zerlegung
Matrixzerlegungen. 7. Vorlesung 170004 Numerische Methoden I Clemens Brand 29. April 2010 Gliederung Elimination faktorisiert A = L R Die A = L R Faktorisieren: Zerlege A in ein Produkt (einfacherer) Angenommen,
Mehr