Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
|
|
- Luisa Buchholz
- vor 6 Jahren
- Abrufe
Transkript
1 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Darstellungsmatrizen. Bestimme die Darstellungsmatrix M B,B (f ) für die lineare Abbildung f : 3, die durch f (x, y, z) = (4x + y z, y + z) definiert ist bezüglich der Koordinatensysteme B =,, und B = Die Basisvektoren von B werden linear abgebildet: f (,, ) = (, )., Dieses Ergebnis muss als Linearkombination der Basisvektoren von B dargestellt werden. Es gilt: I) α () + β () = und II) α () + β ( ) =. Daraus folgt α = a =, 5 und β = a =, 5. f (,, ) = (, ) I) α () + β () = und II) α () + β ( ) =. α = a = und β = a =. f (,, ) = (9, ) I) α () + β () = 9 und II) α () + β ( ) =. α = a 3 = 4 und β = a 3 = 5. Damit lautet die Darstellungsmatrix: M BB (f ) = 3 8. Diagonalisierbarkeit. Sind die folgenden Matrizen diagonalisierbar? 4 3, , Aileen Wolf & Florian Niederreiter.3.6
2 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen a) 4 3 A = 3 3 Das charakteristische Polynom lautet: χ A (λ) = ( λ)( λ)(3 λ). Somit muss überprüft werden, welche Dimension der Eigenraum zum Eigenwert 3 hat. Ist diese, ist die Matrix nicht diagonalisierbar; ist sie, ist die Matrix diagonalisierbar, da die Dimension der algebraischen Vielfachheit entspricht. 4 3 r g(a 3 ) = r g = A ist diagonalisierbar. b) 5 7 B = χ B (λ) = λ 3 + 3λ + 4 = (λ + )(λ ). 7 7 (B ) = Überprüfe die Anzahl der Eigenvektoren, die sich finden lassen. Es muss gelten: a b = c Das ist für die Vektoren (a,, a) T und (, a, ) T der Fall. Sei a =, der Eigenraum zum Eigenwert ist dann: Eig(B,) = span((,, ) T, (,, ) T ), Dim(Eig(B,)) =. B ist diagonalisierbar. c) C = 6 5 Das charakteristische Polynom lautet χ C (λ) = λ 3 + 5λ 8λ + 4 = (λ )(λ ). (C ) = der zugehörige Eigenvektor ist gegeben durch (a, a, a) T. Die Dimension des Eigenraumes ist somit < C ist nicht diagonalisierbar. Aileen Wolf & Florian Niederreiter.3.6
3 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen. Stellen Sie die Diagonalmatrix D folgender Matrix A auf: 3 A = 4 χ A (λ) = (3 λ)( λ)(4 λ), damit folgt: D = Stellen Sie die Diagonalmatrix D folgender Matrix A auf und überprüfen Sie Ihr Ergebnis mithilfe der Transformationsmatrix. 3 A = χ A (λ) = λ 3 + λ + λ = (λ )(λ )(λ + ), damit folgt: D = Die Reihenfolge der Eigenwerte ist beliebig, allerdings muss sie der Reihenfolge der Eigenvektoren in der Transformationsmatrix entsprechen! Berechne nun T und T : Eigenvektor v zum Eigenwert λ = : A = Man erhält I) x y = und II) y z = x =, 5y = z. Sei x =. Dann erhält man v = Z Z Z 3 +Z Aileen Wolf & Florian Niederreiter.3.6 3
4 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen Analog berechnen sich v und v 3 zu: v =, v 3 =. Die Eigenräume sind also: Für die Transformationsmatrix erhält man somit: E A () = {λ (,, ) T λ } E A () = {λ (,, ) T λ } E A ( ) = {λ (,, ) T λ } T = und für die Inverse: Der Test bestätigt, dass gilt T = T AT = D. 3 Jordan-Normalform 3. Stellen Sie die Jordan-Normalform folgender Matrix auf: 3 A = 4 4 Das charakteristische Polynom lautet χ A (λ) = λ 3 6λ 9λ 4. Eine Nullstelle erraten (λ = ), Polynomdivision und Mitternachtsformel ergeben: χ A (λ) = (λ + ) (λ + 4). Somit existiert ein -Block zum Eigenwert -4. r g(a + ) = r g 4 4 =. Damit gibt es n = 3 = Jordan-Blöcke zum Eigenwert -. Da - insgesamt mal in der Matrix vorkommt, müssen es -Blöcke sein, die Jordan-Matrix ist insbesondere eine echte Diagonalmatrix, Aileen Wolf & Florian Niederreiter.3.6 4
5 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen A JN F =. 4 Überprüft man noch die Dimension des Eigenraumes dim(eig(a,-)) zum Eigenwert -, sieht man dass sie genau der algebraischen Vielfachheit entspricht (Kriterium zur Diagonalisierbarkeit). 3. Stellen Sie die Jordan-Normalform folgender Matrix auf: Das charakteristische Polynom ist (x )(x ) 4. χ A (λ) = (λ ) (λ ) A = Zum Eigenwert λ = gibt es insgesamt Eintrag, zu λ = insgesamt 4. Es gilt r g(a )... r g = 3 Damit gibt es n 3 = 5 3 = Jordan-Blöcke zum Eigenwert. Dies können zwei -Blöcke oder ein - und ein 3 3-Block sein. Überprüfe die Anzahl der -Jordan-Blöcke ( oder ) zum Eigenwert : Berechne r g((a ) ): r g((a ) )... r g = Die Anzahl lautet: =, somit gibt es einen -Jordan-Block und einen 3 3-Block zum Eigenwert. Damit sieht die Jordan-Normalform bzw Diagonalmatrix folgendermaßen aus: A JN F =. Aileen Wolf & Florian Niederreiter.3.6 5
6 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen 4 Gram-Schmidt-Verfahren zur Bestimmung einer Orthonormalbasis 4. Bestimmen Sie die orthonormale Basis zu den Vektoren a =, b = und 4 c = Für den ersten Basisvektor wird einfachheitshalber a gewählt, da: a = = a a = b Nach Gram-Schmidt berechnet sich der zweite Basisvektor b indem man die Projektion auf b von ihm abzieht B = < > = b = B B = Anschließend wird die Projektion von c auf die anderen beiden Basen bestimmt B3 = 5 < 5 > < 5 > = 5 = B3 b3 = B 3 = Die zugehörige orthonomale Basis b, b, b 3 ist also die Basis der Einheitsvektoren des 5 Matrixexponential 5. 3 Bestimmen Sie das Matrixexponential von A = 4 mit Summenformel und das Matrixexponentail 5 6 von B = mit Transformation durch die Eigenwerte und Eigenvektoren 3 4 zu A) 3 4 A = 4, A =, A 3 = 5 e A = + A + A = 4 zu B) Das charakteristische Polynom ist: Aileen Wolf & Florian Niederreiter.3.6 6
7 Übungen zum Ferienkurs Lineare Algebra 5/6: Lösungen λ λ =, damit sind EW = und EW =, die Eigenvektoren sind EV = Mit der Transformationsbedingung aus der Vorlesung gilt: A = TST = e e A = T e S T e + e e + e = e = e e e e und EV = Aileen Wolf & Florian Niederreiter.3.6 7
6 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,
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,
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
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
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
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
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.
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
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
Mehr5 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
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
MehrHöhere Mathematik II. 7 Lineare Algebra II. für naturwissenschaftliche Studiengänge. 7.1 Wiederholung einiger Begriffe
Dr. Mario Helm Institut für Numerische Mathematik und Optimierung Fakultät für Mathematik und Informatik Höhere Mathematik II für naturwissenschaftliche Studiengänge Sommersemester 2013 7 Lineare Algebra
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrKapitel 18. Aufgaben. Verständnisfragen
Kapitel 8 Aufgaben Verständnisfragen Aufgabe 8 Gegeben ist ein Eigenvektor v zum Eigenwert λ einer Matrix A (a) Ist v auch Eigenvektor von A? Zu welchem Eigenwert? (b) Wenn A zudem invertierbar ist, ist
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
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
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,
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
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrLINEARE ALGEBRA 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
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/
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
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
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
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 =
MehrAnleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg WiSe / Dr Hanna Peywand Kiani 722 Anleitung zu Blatt 4 Differentialgleichungen I für Studierende der Ingenieurwissenschaften Lineare Differentialgleichungssysteme,
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
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.
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,
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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
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.................................
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
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
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
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 +
MehrMathematik II. (für Informatiker, ET und IK) Oliver Ernst. Sommersemester 2014. Professur Numerische Mathematik
Mathematik II (für Informatiker, ET und IK) Oliver Ernst Professur Numerische Mathematik Sommersemester 2014 Inhalt 7 Lineare Algebra 7 Lineare Algebra II Oliver Ernst (Numerische Mathematik) Mathematik
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..
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
MehrEin Beispiel für eine lineare Abbildung
Inhaltsverzeichnis Ein Beispiel für eine lineare Abbildung Lothar Melching Vorbemerkungen 2 Ein Beispiel 2 2 Definition der Abbildung f 2 22 Die Abbildungsmatrix 3 23 Anwendung 3 Eigenwerte 3 Die neue
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
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
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:
MehrProbeklausur zur Linearen Algebra II (B2)
Prof. Dr. Salma Kuhlmann Gabriel Lehéricy 12. Juli 2016 Lothar Sebastian Krapp Sommersemester 2016 Probeklausur zur Linearen Algebra II (B2) Klausurnummer: 1 Matrikelnummer: Pseudonym: Aufgabe 1 2 3 erreichte
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrKLAUSUR ZUR LINEAREN ALGEBRA I 22. Februar 2008
KLAUSUR ZUR LINEAREN ALGEBRA I. Februar 008 MUSTERLÖSUNG Diese Klausur wurde je nach Sitzreihe in zwei verschiedenen Versionen geschrieben. Die andere Version unterscheidet sich von der vorliegenden jedoch
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
MehrEinführung in die Mathematik für Informatiker
Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 12.12.2016 9. Vorlesung Eigenschaften linearer Abbildungen Beschreibung linearer Abbildungen durch Matrizen... Eigenschaften
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
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
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
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
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
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
MehrEigenwerte und Eigenvektoren
Ergänzung Eigenwerte und Eigenvektoren Motivation Definitionen Beispiele im IR 2 Beispiele im IR 3 Eigenwerte und Eigenvektoren Motivation Lineare Abbildungen, Ausgangsvektor und Bildvektor Lineare Abbildungen
MehrSesqui- und Bilinearformen
Kapitel 8 Sesqui- und Bilinearformen 8.1 Sesquilinearformen Definition 8.1.1 Sei V ein reeller oder komplexer K-Vektorraum (also K = R oder C). Eine Abbildung f : V V K heißt eine Sesquilinearform wenn
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
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrLineare Algebra. Axiome der Linearen Algebra
Lineare Algebra Simon Fuhrmann Christian M. Meyer Axiome der Linearen Algebra Im Folgenden sei V ein beliebiger K-Vektorraum und P eine Punktmenge. V und P bilden einen affinen Raum. Seien außerdem U 1
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
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
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrMATHEMATIK II FÜR STUDIERENDE DER PHYSIK
- 87 - MATHEMATIK II FÜR STUDIERENDE DER PHYSIK 21 Vektorräume mit Skalarprodukt Wir halten uns hier im Wesentlichen an das Buch G.Fischer : Lineare Algebra, 14. Auflage, Kap. 5. 21.1 Definition und Beispiele
MehrLineare Algebra II. Prof. Dr. Karl-H. Neeb. Sommersemester 2003 Version 23. Februar 2004 (10:33)
Lineare Algebra II Prof. Dr. Karl-H. Neeb Sommersemester 3 Version 3. Februar 4 (:33) Inhaltsverzeichnis 7 Eigenvektoren und Eigenwerte 63 7. Eigenvektoren und Eigenwerte..............................
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
MehrJürgen Hausen Lineare Algebra I
Jürgen Hausen Lineare Algebra I 2. korrigierte Auflage Shaker Verlag Aachen 2009 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation
MehrGewöhnliche inhomogene Differentialgleichungen der 1. und 2. Ordnung. Christopher Schael
Gewöhnliche inhomogene Differentialgleichungen der 1. und. Ordnung 1.1.) Anleitung DGL der 1. Ordnung 1.) DGL der 1. Ordnung In diesem Abschnitt werde ich eine Anleitung zur Lösung von inhomogenen und
MehrHauptkomponentenanalyse. Principal Component Analysis (PCA)
Hauptkomponentenanalyse Principal Component Analysis (PCA) Principal Component Analysis (PCA) Welche Ziele verfolgt man bei der Verwendung einer PCA? Repräsentation multidimensionaler Daten mit einer geringeren
Mehr1. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2010/11. j!(k j)!(n k)!(n j)! = n! j!(n j)! (k j)!(n j (k j))! = n! (n k)!
Dr. B. Ackermann, M. Borgart, Dr. I Rybak, M. Kutter, J. Veenman. Gruppenübung zur Vorlesung Höhere Mathematik Wintersemester / Prof. Dr. M. Stroppel Prof. Dr. A. Sändig Lösungshinweise zu den Hausaufgaben:
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
MehrLineare Algebra Zusammenfassung
Lineare Algebra Zusammenfassung Andreas Biri, D-ITET 2013 31.07.13 Lineares Gleichungssystem Gauss- Zerlegung Lösungsmenge: Menge aller Lösungen eines linearen Gleichungssystems (GS) Äquivalentes GS: 1)
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
MehrLineare Algebra II. Sommersemester Wolfgang Ebeling
Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde
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
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
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
MehrDrehung um einen Punkt um Winkel α.
Drehung um einen Punkt um Winkel α. Sei A R 2 und α R. Drehung um A um Winkel α ist eine Abbildung D A (α) : R 2 R 2 welche wie folgt definiert ist: D A (α) = T A D 0 (α) T ( A), wobei die Abbildung D
MehrAlgorithmus zur Berechnung der Jordannormalform
Algorithmus zur Berechnung der Jordannormalform Olivier Sète 19. Januar 2011 Inhaltsverzeichnis 1 Motivation 1 2 Algorithmus Wie und warum funktioniert das? 2 2.1 Zutat 1 Für einen Jordanblock.........................
MehrLineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt
Lineare Algebra II Prof. Dr. Uwe Jannsen Sommersemester 2006 1 Transformation auf Dreiecksgestalt Sei K ein Körper. Definition 1.1 Zwei Matrizen A und A M n (K) heißen ähnlich (oder konjugiert), wenn es
MehrLineare Algebra II und Geometrie
Lineare Algebra II und Geometrie LVA 405.120 C. Fuchs Rumpfskriptum zur Vorlesung 26.06.2014 Inhaltsübersicht Ziel des zweiten Teils der Linearen Algebra ist es, Vektorräume zu untersuchen, welche als
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrÜbungsblatt 13. Lineare Algebra I, Prof. Dr. Plesken, SS (β α) tr = α tr β tr.
Übungsblatt 13 Lineare Algebra I, Prof Dr Plesen, SS 2008 Aufgabe 1 (Transponierte lineare Abbildung) Sei α : V W linear Zeige: α tr ist injetiv (surjetiv) genau dann, wenn α surjetiv (injetiv) ist Ist
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
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
MehrMusterlösung Klausur zur Linearen Algebra II
Musterlösung Klausur zur Linearen Algebra II Samstag 8. Juli 6 -Uhr. a) Sei f : V W k-linear. Denieren Sie V und f : W V. b) Die Gruppe G operiere auf der Menge M. Denieren Sie die Bahn und die Isotropiegruppe
MehrLösungen - Serie 2 zu den Übungsaufgaben zur Vorlesung Algebraische Zahlentheorie
Lösungen - Serie zu den Übungsaufgaben zur Vorlesung Algebraische Zahlentheorie Aufgabe : Berechnen Sie für die folgenden Elemente x in einer Körpererweiterung L K die Norm Nm L K (x) und die Spur T r
Mehr8 Lineare Abbildungen
80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von R n nach R m wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R 2 und R 3 Man nennt
MehrStichwortliste zur Vorlesung. Lineare Algebra II. Gabriela Weitze-Schmithüsen. Saarbrücken, Sommersemester 2016
Stichwortliste zur Vorlesung Lineare Algebra II Gabriela Weitze-Schmithüsen Saarbrücken, Sommersemester 2016 Kapitel I Jordansche Normalform Ziel: Wir möchten Matrizen bis aus Ähnlichkeit klassifizieren.
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
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
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
Mehr2.4 Die Länge von Vektoren
.4 Die Länge von Vektoren 59 Wir können dies auch so sagen: Wir identifizieren (,1)-Spaltenmatrizen mit Vektoren (oder Punkten) aus R, das heißt die Menge R und R 1 werden miteinander identifiziert. Einen
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrEigenwertaufgaben. Heinrich Voss. Hamburg University of Technology Department of Mathematics. Eigenwertaufgaben p.
Eigenwertaufgaben Heinrich Voss voss@tu-harburg.de Hamburg University of Technology Department of Mathematics Eigenwertaufgaben p. 1/163 Einleitung Kleine Bewegungen eines Systems mit endlich vielen Freiheitsgraden
Mehr