Aufgaben zu Kapitel 22

Größe: px
Ab Seite anzeigen:

Download "Aufgaben zu Kapitel 22"

Transkript

1 Aufgaben zu Kapitel Aufgaben zu Kapitel Verständnisfragen Aufgabe. Gegeben sind kartesische Tensoren r ij k, s ij und t ij. Welche der folgenden Größen sind koordinateninvariant? s ii, s ij t jk, s ij t ji, r ijj, s ij t jk s ki Aufgabe. Warum verschwindet das doppelt-verjüngende Produkt s ij a ij, wenn der Tensor s ij symmetrisch und der Tensor a ij alternierend ist? Was ist s ij a ji? Aufgabe.3 Warum sind die Symmetrie und die Antisymmetrie eines kartesischen Tensors t ij zweiter Stufe koordinateninvariante Eigenschaften? Aufgabe.4 Beweisen Sie die folgende Aussage: Sind die Vektoren mit Komponenten a i, b i und c i linear unabhängig im R 3 und ist der Vektor v i darstellbar als die Linearkombination v i = αa i + βb i + γc i, so gilt für den ersten Koeffizienten α = ε ij k v i b j c k /ε ij k a i b j c k. Wie lauten die analogen Ausdrücke für β und γ? Aufgabe.5 Wie lautet das Quadrat a) des Rotationstensors t ik sowie b) jenes des Drehtensors d ij? Rechenaufgaben Aufgabe.6 Berechnen Sie im R 3 die nachstehend angeführten Ausdrücke, die alle das Kronecker-Delta enthalten: δ ii, δ ij δ jk, δ ij δ ji, δ ij δ jk δ ki. Aufgabe.7 Zerlegen Sie den Tensor t ij mit (t ij ) = in seinen symmetrischen Anteil s ij und seinen alternierenden Anteil a ij und berechnen Sie den Vektor d j = ε ij kt ik. Aufgabe.8 Berechnen Sie für den zyklischen Basiswechsel von B = (b, b, b 3 ) zu B = (b, b 3, b ) die Einträge a i j und ai j und überprüfen Sie dies beim kovarianten Metriktensor g ij. Aufgabe.9 Neben der kanonischen Basis (e, e, e 3 ) des R 3 sei B eine weitere Basis mit b =, b = 0, b 3 =. Berechnen Sie die Vektoren b, b und b 3 der Dualbasis B, den kovarianten Metriktensor g ij, den kontravarianten Metriktensor g ij durch Invertieren der Matrix (g ij ) und überprüfen Sie die Gleichung (.8). Aufgabe.0 Wir wechseln von der Basis B = (b, b, b 3 ) mit dem kovarianten Metriktensor (g ij ) = diag (,, ) zur Basis B = (b, b, b 3 ) mit b = b, b = b + b, b 3 = b + b + b 3. Wie sehen die neuen Komponenten t ij des Tensors t ij mit (t ij ) = aus? Berechnen Sie ferner die neuen Komponenten t i j, und zwar einerseits im neuen Koordinatensystem durch Hinaufziehen, andererseits aus den zugehörigen alten Komponenten nach dem jeweiligen Transformationsgesetz. Aufgabe. Wie ändert sich der symmetrische Tensor. Stufe (t ij ) = λ λ λ 3 wenn die zugrunde liegende orthonormierte Basis B um die x 3 -Achse durch 60 nach B verdreht wird?, Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

2 Aufgaben zu Kapitel Aufgabe. Berechnen Sie den Projektionstensor n ij zum Einheitsvektor n = (,, ) T und zerlegen Sie 6 den Vektor v = (,, ) T in zwei orthogonale Komponenten v und v, wobei v zu n parallel ist. Aufgabe.3 Die eigentlich orthogonale Matrix (d ij ) = 3 bestimmt einen Drehtensor. Berechnen Sie die Drehachse d und den auf die Orientierung von d abgestimmten Drehwinkel ϕ mit 0 ϕ<360. Aufgabe.4 Berechnen Sie die Werte ε ij k ε ij l und ε ij k ε ij k. Aufgabe.5 Sind e i die Komponenten eines Einheitsvektors und v i jene eines beliebigen Vektors des R 3, so gilt die Identität v i = v j e j e i + ε ij k e j ε klm v l e m. Begründen Sie diese Identität. Was bedeutet sie in Vektorform? Aufgabe.6 Beweisen Sie die Grassmann-Identität von Seite 645 u (v w) = (u w)v (u v)w unter Benutzung der Tensordarstellung (.) von Vektorprodukten. Anwendungsprobleme Aufgabe.7 Bestimmen Sie bei dem gegebenen Spannungstensor σ τ xτ S = τ σ yτ xτ yτ σ mit σ als Normalspannung und τ als Schubspannung die Konstanten x,y R derart, dass der Spannungsvektor auf der zu (,, ) T orthogonalen Ebene verschwindet. Aufgabe.8 In einem Punkt des Armes am abgebildeten Kran sind die durch die Last hervorgerufenen Dehnungs- und Gleitungsgrößen bezüglich des angegebenen Koordinatensystems bekannt: ε = , ε = , ε 3 = , γ = ,γ 3 = ,γ 3 = Bestimmen Sie die Hauptdehnungen und die Hauptdehnungsrichtungen des zugehörigen Verzerrungstensors V. x x x 3 Abbildung.4 Die Last verursacht eine Verzerrung im Träger des Kranes. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

3 Hinweise zu Kapitel 3 Hinweise zu Kapitel Verständnisfragen Aufgabe. Beachten Sie die Definition eines kartesischen Tensors auf Seite 740. Aufgabe. Es ist s ij = s ji und a ij = a ji. Aufgabe.3 Vergleichen Sie das Transformationsverhalten von t ij mit jenem von t ji. Aufgabe.4 Beachten Sie die Cramer sche Regel auf Seite 55 sowie die Formel (.). Aufgabe.5 Mit dem Quadrat ist die zweifache Anwendung gemeint. Beachten Sie die Formeln (.3) und (.6) oder auch die geometrische Bedeutung dieser Tensoren, dargestellt in den Abbildungen. und.3. In (.3) ist d =ω, in (.6) d = vorausgesetzt. Rechenaufgaben Aufgabe.6 In den Summen läuft jeder Summationsindex von bis 3. Aufgabe.7 Beachten Sie die Seite 74 sowie (.4). Aufgabe.8 B T B = (a i j ) und BT B = (a i j ). Aufgabe.9 Im Sinne der Bemerkung auf Seite 739 wird hier der Dualraum V mit dem Vektorraum V = R 3 identifiziert. Aufgabe.0 Die Transformation der Tensorkomponenten wird übersichtlicher, wenn sie in Matrizenschreibweise erfolgt. Aufgabe. Die B-Koordinaten der verdrehten Vektoren b j legen die a i j fest. Aufgabe. Beachten Sie die Seite 74 sowie die Abbildung.. Aufgabe.3 Beachten Sie die Spur und den alternierenden Anteil des Drehtensors. Aufgabe.4 Verwenden Sie die Gleichung (.5). Aufgabe.5 Verwenden Sie die Gleichung (.5). Aufgabe.6 Verwenden Sie die Gleichung (.5). Anwendungsprobleme Aufgabe.7 Beachten Sie die Erklärungen auf der Seite 744. Aufgabe.8 Beachten Sie die Anwendung auf Seite 745. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

4 4 Lösungen zu Kapitel Lösungen zu Kapitel Verständnisfragen Aufgabe. Koordinateninvariant sind s ii, s ij t ji und s ij t jk s ki. Aufgabe. s ij a ji = s ij a ij = s ij a ij = 0. Aufgabe.3 t ij =±t ji t ij =±t ji. Aufgabe.4 Es ist β = ε ij k a i v j c k /ε ij k a i b j c k und γ = ε ij k a i b j v k /ε ij k a i b j c k. Aufgabe.5 t ik t km = d i d m ω δ im. Das Quadrat des Drehtensors ist jener zum doppelten Drehwinkel, also ausführlich d ij d jk = d i d k ( cos ϕ) + δ ik cos ϕ ε ikl d l sin ϕ. Rechenaufgaben Aufgabe.6 δ ii = δ ij δ ji = δ ij δ jk δ ki = 3, δ ij δ jk = δ ik. Aufgabe.7 Es ist und d j = 4 3. Aufgabe.8 (s ij ) = , (a ij ) = (a i j ) = , (a i j ) = Aufgabe.9 g = g, g = g 3, g 3 = g, g = g 33, g 3 = g 3, g 33 = g. b = 0, b =, b 3 =. 0 (g ij ) = 3 0 0, (g ij ) = Aufgabe.0 (t ij ) = , (t i j ) = Aufgabe. (t ij ) = 4 λ + 3λ 3( λ + λ ) 0 3( λ + λ ) 3λ + λ λ 3 Aufgabe. Aufgabe.3 n ij =, v =, v = d = 0, cos ϕ = 3, ϕ = Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

5 Lösungen zu Kapitel 5 Aufgabe.4 ε ij k ε ij l = δ kl, ε ij k ε ij k = 6. Aufgabe.5 v = (v e) e + e (v e). Aufgabe.6 Anwendungsprobleme Aufgabe.7 Entweder x = y = und σ = τ = 0 oder σ = τ = 0 und x,y beliebig. Aufgabe.8 Die Hauptdehnungen sind und zweimal 0 und sie erfolgen in den Richtungen von h = 4 3, h = 0 3 0, h 3 = Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

6 6 Lösungswege zu Kapitel Lösungswege zu Kapitel Verständnisfragen Aufgabe. s ii ist ein Tensor 0. Stufe, also ein Skalar und damit koordinateninvariant. Es ist dies die Spur der Matrix (s ij ). r ik = s ij t jk ist ein Tensor. Stufe und damit nicht koordinateninvariant. Hingegen ist s ij t ji = r ii invariant und zwar die Spur des Matrizenproduktes (s ij )(t jk ). r ijj ist ein Tensor. Stufe, während s ij t jk s ki wieder ein Skalar ist, und zwar die Spur des Matrizenproduktes (s ij )(t jk )(s kl ). Aufgabe. Wenn wir in s ij a ij die beiden Summationsindizes i und j vertauschen, so entsteht Also ist t = 0. Zugleich ist s ij a ji = s ij a ij = t = 0. t = s ij a ij = s ji a ji = s ij a ij = t. Aufgabe.3 Nach der Definition kartesischer Tensoren auf Seite 740 ist t ij = a ik a jl t kl. Damit ist t ji = a jk a il t kl und nach Vertauschung der Summationsindizes k und l weiter t ji = a jl a ik t lk. Demnach gilt: t kl = t lk t ij = a ik a jl t kl = a ik a jl t lk = t ji t kl = t lk t ij = a ik a jl t kl = a ik a jl t lk = t ji Aufgabe.4 v i = αa i + βb i + γc i für i =,, 3 stellt ein System von drei linearen Gleichungen für die drei Unbekannten α, β und γ dar. Wegen der geforderten linearen Unabhängigkeit der Vektoren a = a i, b = b i und c = c i hat die Koeffizientenmatrix ((abc)) den Rang 3. Wir können die Lösungen nach der Cramer schen Regel angeben als Quotienten von Determinanten. So ist bei v = v i z. B. α = det(v, b, c)/ det(a, b, c). Nun übertragen wir die auftretenden Spatprodukte nach (.) mithilfe des Epsilon-Tensors in die Tensorschreibweise. Aufgabe.5 a) Aus t ik = ε ij k d j und d j d j = ω folgt mit der Formel (.5) t ik t km = ε ij k d j ε klm d l = ε kij ε klm d j d l = (δ il δ jm δ im δ jl )d j d l = d i d m δ im ω = ω ( d i d m δ im ), sofern wir d = ω d = d i setzen. Nach Abbildung. ist dies gleich dem mit ω multiplizierten Tensor der Normalprojektion auf die zu d orthogonale Ebene E. b) Das Quadrat des Drehtensors mit der Achse d zum Drehwinkel ϕ ist natürlich jener zum Drehwinkel ϕ. Wir bestätigen dies durch die folgende Rechnung, in der wir mehrfach d i d i = sowie ε jkm d j d m = 0 nutzen: d ij d jk = ( d i d j ( cos ϕ) + δ ij cos ϕ ε ij l d l sin ϕ ) ( dj d k ( cos ϕ) + δ jk cos ϕ ε jkm d m sin ϕ ) = d i d j d j d k ( cos ϕ) + d i d k ( cos ϕ)cos ϕ ε jkm d i d j d m ( cos ϕ)sin ϕ + d i d k cos ϕ( cos ϕ) + δ ik cos ϕ ε ikm d m sin ϕ cos ϕ ε ij l d j d k d l ( cos ϕ)sin ϕ ε ikl d l sin ϕ cos ϕ + ε ij l ε jkm d l d m sin ϕ Mithilfe der Summenformel (.5) folgt ε ij l ε jkm = (δ ik δ lm δ im δ lk ) und daher ( d ij d jk = d i d k ( cos ϕ) + ( cos ϕ)cos ϕ ) ε ikl d l sin ϕ cos ϕ + δ ik cos ϕ δ ik sin ϕ + d i d k sin ϕ ) = d i d k (( cos ϕ)( + cos ϕ) + sin ϕ + δ ik (cos ϕ sin ϕ) ε ikl d l sin ϕ cos ϕ = d i d k ( cos ϕ) + δ ik cos ϕ ε ikl d l sin ϕ. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

7 Lösungswege zu Kapitel 7 Rechenaufgaben Aufgabe.6 δ ii = δ + δ + δ 33 = 3. Notwendig dafür, dass ein Summand in δ ij δ jk nicht verschwindet, ist j = k. Somit ist δ ij δ jk = δ ik. Das zeigt auch die Matrizenschreibweise, denn (δ ij δ jk ) = (δ ij )(δ jk ) = E 3 E 3 = E 3 = (δ ik ). Somit ist δ ij δ ji = δ ii = 3 und weiter auch (δ ij δ jk )δ ki = δ ik δ ki = δ ii = 3. Aufgabe.7 Wir setzen M = (t ij ). Dann ist M ± M T = ± , daher und (s ij ) = (t ij + t ji ) = (a ij ) = (t ij t ji ) = d j ist der zur schiefsymmetrischen Matrix (a ij ) gehörige Vektor, also d j = (4, 3, ) T. Dies bestätigt auch die Rechnung: d j = ε ij kt ik = ε 3t 3 + ε 3 t 3 ε 3 t 3 + ε 3 t 3 ε 3 t + ε 3 t = = Zur Kontrolle könnte auch die Gleichung d j = ε ij kt ik = ε ij ka ik verwendet werden. Aufgabe.8 Wir beachten die Transformationsgleichungen b j = aj i b i in (.) sowie umgekehrt b j = a i j b i oder auch die Tatsache, dass in den Spalten der Transformationsmatrix B T B die B-Koordinaten der Vektoren aus B stehen, kurz BT B = (( B b, B b, B b 3 )) und analog B T B = (( B b, B b, B b 3 )). Beachten Sie die jeweilige Gleichheit der linken unteren Indizes. Wegen b = b, b = b 3, b 3 = b ist nun (a i j ) = BT B = Umgekehrt führen b = b 3, b = b, b 3 = b zur inversen Matrix (aj i ) = B T B = Der kovariante Metriktensor erfüllt die Transformationsgleichungen g ij = a k i al j g kl. Dies ergibt im vorliegenden Fall wegen der vielen Nullen in den Transformationsmatrizen g = a k al g kl = g, g = a k al g kl = g 3, g 3 = a k al 3 g kl = g, g = a k al g kl = g 33, g 3 = a k al 3 g kl = g 3, g 33 = a k 3 al 3 g kl = g. Der Rest folgt aus der Symmetrie. Aber natürlich sind die Komponenten des Metriktensors bezüglich B auch direkt als Skalarprodukte g ij = b i b j zu berechnen. Aufgabe.9 Der Vektor b ist durch die Gleichungen b b =, b b = b b 3 = 0 gekennzeichnet. Somit ist b ein geeignetes Vielfaches des Vektors b b 3. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

8 8 Lösungswege zu Kapitel Es gibt auch eine andere Möglichkeit zur Berechnung: Dazu bezeichnen wir die kanonische Basis hier ausnahmsweise mit B, also e i = b i. Die Dualbasis zur kanonischen Basis ist mit B identisch, d. h. b j = b j. Nun ist b i = a i j bj. Also sind die Zeilenvektoren in der Matrix (a i j ) die kanonischen Koordinaten der Vektoren bi aus der Dualbasis B. Die gegebenen B-Koordinaten der b i bestimmen die Matrix B T B = (aj i ) = 0 Invers dazu ist wegen b = (b b + b 3 ), b = b b 3 und b 3 = (b + b 3 ) BT B = (a i j ) = 0 0. Die Dualbasis zu B lautet somit b = 0, b =, b 3 = 0. Dies stimmt überein mit einer Bemerkung im Beispiel auf Seite 735. Demnach sind die kanonischen Koordinaten der b i die Zeilenvektoren in der zu B T B inversen Matrix, wobei die Spaltenvektoren in B T B die kanonischen Koordinaten der b j darstellen. Der kovariante Metriktensor von B lautet (g ij ) = (b i b j ) = Invers dazu ist (g ij ) = (b i b j ) = 8 6 = Nach (.8) sind die Vektoren der Dualbasis auch durch Hinaufziehen mithilfe des kontravarianten Metriktensors zu bestimmen, also b i = g ij b j. Wir beschränken uns auf den Fall i = :. b = g ( b + g b + g 3 b 3 = 0 + ) = 0. Aufgabe.0 Die Gleichungen b = b, b = b +b und b 3 = b +b +b 3 zusammen mit den Umkehrgleichungen b = b, b = b b und b 3 = b 3 b bestimmen die Transformationsmatrizen (a i j ) = 0, (aj i ) = Nun ist t ij = a k i al j t kl oder in Matrizenform (t ij ) = (a k i )T (t kl )(a l j ) und daher (t ij ) = = 3 0 = Aus dem gegebenen kovarianten Metriktensor g ij folgt durch Invertieren der Matrix der kontravariante Metriktensor (g ij ) = diag (,, ). Durch Hinaufziehen entsteht t i j = gik t kj. Das bedeutet in Matrizenschreibweise 0 0 (t i j ) = (gik )(t kj ) = =. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

9 Lösungswege zu Kapitel 9 Daraus berechnen wir t i j = a k i al j tk l. Dies bedeutet in Matrizenform (t i j ) = (a k i)(tk l )(al j ), also (t i j ) = = Der kovariante Metriktensor von B lautet (g ij ) = (ak i)(gkl )(a j l )T = = und ist invers zu (g ij ) = (b i b j ). Durch Hinaufziehen bezüglich der neuen Basis B entsteht 3 (t i k ) = (gij 0 )(t jk ) = = Aufgabe. Die verdrehten Basisvektoren sind b = (b + 3 b ), b = ( 3 b + b ), b 3 = b 3. Die B-Koordinaten von b j sind die a i j, die bei den Umrechnungen t ij = a k i al j t kl erforderlich sind. Nachdem der obere Index der Zeilenindex ist, ergibt dies in Matrizenschreibweise Aufgabe. Der Projektionstensor lautet (t ij ) = (a k i )T (t kl )(a l j ) = λ λ λ = λ + 3λ 3( λ + λ ) 0 3( λ + λ 4 ) 3λ + λ λ 3 (n ij ) = (n i n j ) = 6 4. Damit ist die eine Komponente von v v i = n ij v j = 6 4 =. 3 Als Differenz v = v v folgt v i = v i v i = (δ ij n i n j )v j = 4 3. Aufgabe.3 Ein Eigenvektor d zum Eigenwert der Matrix (d ij ) ist als Vektorprodukt zweier linear unabhängiger Zeilenvektoren der Matrix (d ij δ ij ) zu berechnen, also etwa d = = Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

10 0 Lösungswege zu Kapitel Durch Normierung entsteht daraus Die Spur von (d ij ) ergibt d = 0. d ii = 3 ( + + ) = 5 = + cos ϕ, 3 also cos ϕ = /3, ϕ = oder ϕ = Der alternierende Anteil von d ij ist nach (.6) (d ij d ji ) = 3 = = ε ij k d k sin ϕ 0 d 3 sin ϕ d sin ϕ d 3 sin ϕ 0 d sin ϕ d sin ϕ d sin ϕ 0 Ein Vergleich der Einträge an der Stelle (, 3) ergibt d sin ϕ = sin ϕ/ = /3, also sin ϕ = /3 > 0. Damit bleibt für ϕ nur die zwischen 0 und 90 gelegene Lösung. Aufgabe.4 Aus der Gleichung (.5) folgt Bei l = k entsteht ε ij k ε ij k = δ kk = 6. ε ij k ε ij l = δ jj δ kl δ jl δ jk = 3 δ kl δ kl = δ kl. Aufgabe.5 Wir formen den letzten Term auf der rechten Seite der gegebenen Gleichung mithilfe von (.5) und der Gleichung e i e i = um:. ε ij k e j ε klm v l e m = ε ij k ε lmk e j e m v l = (δ il δ jm δ im δ jl )e j e m v l = (δ jm e j e m )v i e l e i v l = v i v j e j e i. Wir brauchen nur noch den letzten Summanden auf die linke Seite zu bringen, um die obige Identität bestätigen zu können. Gemäß (.) bedeutet diese Identität in Vektorform v = (v e) e + (e (v e)). Aufgabe.6 Wir setzen z = u (v w). In Tensorschreibweise bedeutet dies mit (.) z i = ε ij k u j ε klm v l w m. Wir formen dies wie folgt um: z i = ε kij ε klm u j v l w m = (δ il δ jm δ im δ jl )u j v l w m = (u j w j )v i (u j v j )w i. Dies ist gleichbedeutend mit z = (u w) v (u v) w. Anwendungsprobleme Aufgabe.7 Der Spannungsvektor auf der zu n = (,, ) T orthogonalen Ebene lautet σ τ xτ τ σ yτ = 0 0. xτ yτ σ 0 Dies ist äquivalent zu σ + ( + x)τ = ( + y)τ + σ = (x + y)τ + σ = 0. Bei τ = 0 bleibt als einzige Möglichkeit σ = 0, während x und y beliebig sind. Bei τ = 0 ist x = σ + τ τ = y und τ σ + τ τ + σ = 0. Aus der letzten Gleichung folgt σ τ = 0, also σ = τ und weiter x = y =. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

11 Lösungswege zu Kapitel Aufgabe.8 Wir erhalten mit den Angaben den Verzerrungstensor V = (v ij ) = wobei wir eigentlich noch jede Komponente mit dem Faktor 0 6 multiplizieren müssen. Um die Rechnungen zu vereinfachen, lassen wir diesen Faktor vorläufig weg. Wir können die Eigenwerte und Eigenvektoren der Matrix V mithilfe des charakteristischen Polynoms ermitteln. Aber wenn wir die Matrix V etwas länger betrachten, vor allem die lineare Abhängigkeit der Spaltenvektoren, dann stellen wir fest, dass der Vektor v = (,, 3) T ein Eigenvektor ist, denn Vv = , = Damit haben wir bereits den Eigenwert 400 mit einem zugehörigen normierten Eigenvektor h = 4 3. ermittelt. Weil es eine Orthonormalbasis des R 3 aus Eigenvektoren von V geben muss, wählen wir einen zu h orthogonalen normierten Vektor h = 3 0. Dieser Vektor ist ein weiterer Eigenvektor von V, und zwar zum Eigenwert 0, wie die folgende 0 Rechnung zeigt: Vh = = Nun lautet der dritte Vektor der gesuchten Orthonormalbasis mit h 3 = h h = 40 Vh 3 = Also ist 0 ein zweifacher Eigenwert, wie auch rg V = zeigt = H = (h, h, h 3 ) ist somit eine orthonormierte Basis aus Eigenvektoren des Verzerrungstensors V. Nun berücksichtigen wir wieder den bisher vernachlässigten Faktor 0 6 : Die Hauptdehnungen sind und zweimal 0. Die Hauptdehnungsrichtungen sind durch h, h und h 3 gegeben. Wir erhalten mit der eigentlich orthogonalen Transformationsmatrix T = ((h, h, h 3 )) = T T VT, sodass also nur in der Richtung von h 3 eine positive Dehnung stattfindet. Arens et al., Mathematik, ISBN: , Spektrum Akademischer Verlag, 008

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung

Viele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele

Mehr

3 Matrizenrechnung. 3. November

3 Matrizenrechnung. 3. November 3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige

Mehr

3.6 Eigenwerte und Eigenvektoren

3.6 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

Mehr

5 Lineare Algebra (Teil 3): Skalarprodukt

5 Lineare Algebra (Teil 3): Skalarprodukt 5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale

Mehr

Kapitel 2. Mathematische Grundlagen. Koordinatensystem

Kapitel 2. Mathematische Grundlagen. Koordinatensystem Kapitel 2 Mathematische Grundlagen 2.1 Koordinatensystem Zumeist werden in diesem Buch rechtwinkelige kartesische Koordinatensysteme verwendet. Sie sind durch drei zueinander orthogonale Koordinatenachsen

Mehr

Aufgaben zu Kapitel 20

Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v

Mehr

2.3.4 Drehungen in drei Dimensionen

2.3.4 Drehungen in drei Dimensionen 2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1

Mehr

1 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 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

Mehr

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?

7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden? Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist

Mehr

4 Lineare Abbildungen

4 Lineare Abbildungen 17. November 2008 34 4 Lineare Abbildungen 4.1 Lineare Abbildung: Eine Funktion f : R n R m heißt lineare Abbildung von R n nach R m, wenn für alle x 1, x 2 und alle α R gilt f(αx 1 ) = αf(x 1 ) f(x 1

Mehr

Mathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren

Mathematik 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/

Mehr

4.4 Eigenwerte und Eigenvektoren

4.4 Eigenwerte und Eigenvektoren 4.4-1 4.4 Eigenwerte und Eigenvektoren 4.4.1 Die Eulersche Gleichung Der Drehimpulsvektor kann folgendermaßen geschrieben werden, (1) worin die e i o Einheitsvektoren in Richtung der Hauptachsen sind,

Mehr

Skript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014

Skript 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.................................

Mehr

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren

Kapitel 1. Vektoren und Matrizen. 1.1 Vektoren Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium 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 +

Mehr

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Definitionen. 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

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare 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

Mehr

Aufgaben zu Kapitel 15

Aufgaben zu Kapitel 15 Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation

Mehr

Mathematische Erfrischungen III - Vektoren und Matrizen

Mathematische Erfrischungen III - Vektoren und Matrizen Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen

Mehr

6 Eigenwerte und Eigenvektoren

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,

Mehr

1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.

1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. 1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit

Mehr

Zusammenfassung zum Thema Vektor- und Matrizenrechnung

Zusammenfassung zum Thema Vektor- und Matrizenrechnung Zusammenfassung zum Thema Vektor- und Matrizenrechnung Mathematischer Vorkurs für Physiker und Naturwissenschaftler WS 2014/2015 Grundbegriffe der Linearen Algebra Viele physikalische Größen (Geschwindigkeit,

Mehr

Aufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010

Aufgabensammlung 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

Mehr

Vektoren - Basiswechsel

Vektoren - Basiswechsel Vektoren - Basiswechsel Grundprinzip Für rein geometrische Anwendungen verwendet man üblicherweise die Standardbasis. Damit ergibt sich in den Zahlenangaben der Koordinaten kein Unterschied zu einem Bezug

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,

Mehr

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth

Lineare Algebra. Mathematik II für Chemiker. Daniel Gerth Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter

Mehr

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2

Mehr

Lineare Algebra: Determinanten und Eigenwerte

Lineare Algebra: Determinanten und Eigenwerte : und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b

Mehr

Bonusmaterial Matrizen und Determinanten. Reihen und Spalten Elementarmatrizen

Bonusmaterial Matrizen und Determinanten. Reihen und Spalten Elementarmatrizen Bonusmaterial Matrizen und Determinanten Zahlen in Reihen und Spalten 6 6 Elementarmatrizen 3 3 3 Wir betrachten die Matrix A = 3 3 3 R 3 3 3 3 3 Die folgende Multiplikation reeller Matrizen 0 0 3 3 3

Mehr

5.1 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

5.1 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

Mehr

9.2 Invertierbare Matrizen

9.2 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

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153

3.3 Skalarprodukte 3.3. SKALARPRODUKTE 153 3.3. SKALARPRODUKTE 153 Hierzu müssen wir noch die Eindeutigkeit (Unabhängigkeit von der Wahl der Basis bzw. des Koordinatensystems) zeigen. Sei hierzu β eine Bilinearform und q die entsprechende quadratische

Mehr

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Kapitel 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

Mehr

2 Die Algebra der Matrizen

2 Die Algebra der Matrizen Die Algebra der Matrizen Ein Hauptziel der Vorlesung zur Linearen Algebra besteht darin, Aussagen über die Lösungsmenge linearer Gleichungssysteme zu machen Etwa ob das Gleichungssystem x y + z 1 x + y

Mehr

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1 UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl Sommersemester 9 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive

Mehr

Serie 10: Inverse Matrix und Determinante

Serie 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

Mehr

10.2 Linearkombinationen

10.2 Linearkombinationen 147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition

Mehr

Kapitel 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 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

Lineare Algebra II 8. Übungsblatt

Lineare Algebra II 8. Übungsblatt Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.

Mehr

Lineare Algebra. Teil III. Inhaltsangabe

Lineare 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

Mehr

Aufgaben zu Kapitel 21

Aufgaben zu Kapitel 21 Aufgaben zu Kapitel Aufgaben zu Kapitel Verständnisfragen Aufgabe. Welche der nachstehend genannten Abbildungen sind quadratische Formen, welche quadratische Funktionen: a f(x = x 7x + x + x x x b f(x

Mehr

Orthonormalbasis. Orthogonalentwicklung

Orthonormalbasis. Orthogonalentwicklung Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 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,

Mehr

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2,

a b Q = b a 0 ) existiert ein Element p Q, so dass gilt: q 1 q 2 = 2 b 1 b 2 a 1 b 2 a 2 b 1 a 1 a 2 b 1 b 2 a 1 b 2 a 2 b 1 a b p = 1 det(q) C 2 2, Aufgabe I Es sei Q die folgende Teilmenge von C 2 2 : { ( ) a b Q a, b C b a Hier bezeichnet der Querstrich die komplexe Konjugation Zeigen Sie: (a) Mit den üblichen Verknüpfungen + und für Matrizen ist

Mehr

Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra

Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische

Mehr

1 Transponieren, Diagonal- und Dreiecksmatrizen

1 Transponieren, Diagonal- und Dreiecksmatrizen Technische Universität München Thomas Reifenberger Ferienkurs Lineare Algebra für Physiker Vorlesung Mittwoch WS 2008/09 1 Transponieren, Diagonal- und Dreiecksmatrizen Definition 11 Transponierte Matrix

Mehr

Euklidische und unitäre Vektorräume

Euklidische und unitäre Vektorräume Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein

Mehr

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben

Kapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen

Mehr

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =

C orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w = 1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition

Mehr

Klausur HM I H 2005 HM I : 1

Klausur HM I H 2005 HM I : 1 Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k

Mehr

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

3.9 Elementarmatrizen

3.9 Elementarmatrizen 90 Kapitel III: Vektorräume und Lineare Abbildungen 3.9 Elementarmatrizen Definition 9.1 Unter einer Elementarmatrix verstehen wir eine Matrix die aus einer n n-einheitsmatrix E n durch eine einzige elementare

Mehr

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1

Vektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 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

Damit haben wir schon die Koeffizienten der Gleichung gefunden, in dem wir n noch durch 6 teilen. 5x 2y + 13z = C. (2) = 36 = C.

Damit haben wir schon die Koeffizienten der Gleichung gefunden, in dem wir n noch durch 6 teilen. 5x 2y + 13z = C. (2) = 36 = C. Aufgabenblatt 6 0 Punkte Aufgabe 1 (Pyramide) Gegeben ist eine Pyramide P mit dem Dreieck ABC als Grundfläche und Spitze D. Es sei A(2 0 2), B(10 7 0), C(0 8 ) und D(8 1 10). a) Gib eine (möglichst einfache)

Mehr

mit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"

mit Skalarprodukt aus i-tem Zeilenvektor und j-tem Spaltenvektor Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"

Mehr

Vorkurs Mathematik B

Vorkurs Mathematik B Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein

Mehr

Proseminar Lineare Algebra II, SS 11. Blatt

Proseminar 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

Mehr

Eigenwerte und Diagonalisierung

Eigenwerte 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

Mehr

Brückenkurs Mathematik. Mittwoch Freitag

Brückenkurs Mathematik. Mittwoch Freitag Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs

Mehr

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Aussagenlogik. 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

Mehr

4 Lineare Abbildungen und Matrizen

4 Lineare Abbildungen und Matrizen Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt

Mehr

3.3 Klassifikation quadratischer Formen auf R n

3.3 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

Mehr

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse

Mehr

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).

Aufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a). Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =

Mehr

Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik

Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Universität Karlsruhe (TH) Institut für Algebra und Geometrie Dr. Klaus Spitzmüller Dipl.-Inform. Wolfgang Globke Lineare Algebra und Analytische Geometrie I für die Fachrichtung Informatik Lösungen zum

Mehr

3. Übungsblatt zur Lineare Algebra I für Physiker

3. Übungsblatt zur Lineare Algebra I für Physiker Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte

Mehr

a 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α

a 2β... a n ω alle Permutationen von α β γ... ω a 3 γ ( 1) k a 1α Mathematik 1 - Übungsblatt 7 Lösungshinweise Tipp: Verwenden Sie zur Kontrolle Scilab, wo immer es möglich ist. Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind

Mehr

Mathematik für Chemische Technologie 2

Mathematik für Chemische Technologie 2 Mathematik für Chemische Technologie 2 Themenüberblick: Funktionen mehrerer unabhängigen Veränderlichen Vektoralgebra Lineare Gleichungssysteme und Determinanten Fehlerrechnung Schwerpunkt des Sommersemesters

Mehr

Zusammenfassung 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 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

Mehr

Aufgaben zu Kapitel 5

Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Aufgaben zu Kapitel 5 Verständnisfragen Aufgabe 5. Geben Sie zu folgenden komplexen Zahlen die Polarkoordinatendarstellung an z i z + i z 3 + 3i). r 5 ϕ 5 4 3 π bzw. r 6 3 ϕ 6 4 5

Mehr

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.

Lineare 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

Mehr

2.2 Kollineare und koplanare Vektoren

2.2 Kollineare und koplanare Vektoren . Kollineare und koplanare Vektoren Wie wir schon gelernt haben, können wir einen Vektor durch Multiplikation mit einem Skalar verlängern oder verkürzen. In Abbildung 9 haben u und v die gleiche Richtung,

Mehr

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen

2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung

Mehr

Kapitel 15. Aufgaben. Verständnisfragen

Kapitel 15. Aufgaben. Verständnisfragen Kapitel 5 Aufgaben Verständnisfragen Aufgabe 5 Zeigen Sie, dass die Menge K m n aller m n-matrizen über einem Körper K mit komponentenweiser Addition und skalarer Multiplikation einen K-Vektorraum bildet

Mehr

Ergänzung zum HM Tutorium

Ergänzung zum HM Tutorium Ergänzung zum HM Tutorium Patrik Hlobil Niko Kainaris Dieses Dokument erhebt keinen Anspruch auf Vollständigkeit oder Korrektheit. Es stellt keine Vorlesungszusammenfassung dar, sondern soll euch lediglich

Mehr

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

Orthonormalisierung. 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).

Mehr

1 Vorlesungen: und Vektor Rechnung: 1.Teil

1 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

Mehr

Nun erinnern wir an die Konvention, dass die Komponenten von v V (bzgl. B) einen Spaltenvektor. v 1 v 2 v =

Nun erinnern wir an die Konvention, dass die Komponenten von v V (bzgl. B) einen Spaltenvektor. v 1 v 2 v = eim Rechnen mit Linearformen in V zusammen mit Vektoren in V ist es von Vorteil, mit der Dualbasis zu einer gewählten asis von V zu arbeiten Hierzu einige Erläuterungen Wie ede asis von V kann die Dualbasis

Mehr

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)

Vektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition) Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz

Mehr

Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls

Eine 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

Mehr

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1

++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen dx+ey+f = 0 1.1 Hauptachsentransformation. Einleitung Schneidet man den geraden Kreiskegel mit der Gleichung = + und die Ebene ++ + = 0 so erhält man eine quadratische Gleichung mit zwei Variablen +2 + +dx+ey+f = 0. Die

Mehr

Musterlösungen zur Linearen Algebra II Übungsklausur

Musterlösungen 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,

Mehr

täglich einmal Scilab!

täglich einmal Scilab! Mathematik 1 - Übungsblatt 7 täglich einmal Scilab! Aufgabe 1 (Definitionsformel für Determinanten) Determinanten quadratischer Matrizen sind skalare Größen (=einfache Zahlen im Gegensatz zu vektoriellen

Mehr

Tensoranalysis Mai 2010

Tensoranalysis Mai 2010 Tensoranalysis Mai 2010 Einführung Der Tensor ist ein mathematisches Objekt aus der Algebra und Differentialgeometrie. Der Begriff wurde ursprünglich in der Physik eingeführt und später mathematisch präzisiert.

Mehr

2 Die Dimension eines Vektorraums

2 Die Dimension eines Vektorraums 2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1

Mehr

& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors

& 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

Mehr

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.

[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V. Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv

Mehr

entspricht der Länge des Vektorpfeils. Im R 2 : x =

entspricht 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.

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation

Mehr

Skalarprodukte (Teschl/Teschl Kap. 13)

Skalarprodukte (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 +

Mehr

4 Lineare Abbildungen Basisdarstellungen

4 Lineare Abbildungen Basisdarstellungen 4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w

Mehr

5.7 Lineare Abhängigkeit, Basis und Dimension

5.7 Lineare Abhängigkeit, Basis und Dimension 8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n

Mehr

Kapitel 18. Aufgaben. Verständnisfragen

Kapitel 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

Mehr

Technische Universität München

Technische Universität München Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder

Mehr

44 Orthogonale Matrizen

44 Orthogonale Matrizen 44 Orthogonale Matrizen 44.1 Motivation Im euklidischen Raum IR n haben wir gesehen, dass Orthonormalbasen zu besonders einfachen und schönen Beschreibungen führen. Wir wollen das Konzept der Orthonormalität

Mehr

4.4. Rang und Inversion einer Matrix

4.4. 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

Mehr

Vektor- und Tensoralgebra

Vektor- und Tensoralgebra Begleitblatt Alg zur Vorlesung Höhere Festigkeitslehre TFH Berlin, FB VIII, Prof. Dr.-Ing. A. Krawietz Vektor- und Tensoralgebra {e 1, e 2, e 3 } : Orthonormierte Basis Vektoren: a = 3 a i e i, b = 3 k=1

Mehr