Musterlösung Donnerstag - Determinanten und Eigenwerte
|
|
- Alke Förstner
- vor 6 Jahren
- Abrufe
Transkript
1 Musterlösung Donnerstag - Determinanten und Eigenwerte 6. März Aufgabe : Zum Aufwärmen () Zeige, dass eine nilpotente Endomorphismus nur die Null als Eigenwert hat. Hinweis: Ein Endomorphismus heißt nilpotent, falls es ein k N gibt, so dass F k =. Beweis: F (v) = λv F (v) = λ v F k (v) = λ k v λ k = () Zeige, dass eine symmetrische -Matrix in R nur reelle Eigenwerte hat. Beweis: Da A symmetrisch ist, lässt sie sich folgendermaßen schreiben a b A = b d und dann folgt aus det(a λ() ) = λ ± = a + d (a d) ± + b 4 R (3) Zeige, dass ähnliche Matrizen das gleiche charakteristische Polynom haben. Hinweis: Zwei Matrizen A, à heißen zu einander ähnlich, falls es eine Matrix S Gl(n, K) gibt, so dass à = SAS. Beweis: PÃ(λ) = det(ã λ) = det(sas λss ) = det(s) (det(s)) det(a λ) = det(a λ) = P A (λ) (4) Sei V ein endlich-dimensionaler Vektorraum und F End(V ). Zeige Beweis: P F () F ist isomorph P F () P F () = det(a F ) F ist ein Isomorphismus F ist ein Isomorphismus det(a F ) = P F ()
2 (5) Zeige, das für A, B M(n n, K) im Allgemeinen nicht gilt. det(a + B) = det(a) + det(b) Beweis: Wir nehmen hier den Spezialfall n = heraus und definieren uns A =, B = dann ergibt sich det(a + B) = = det(a) + det(b) (6) Zeige, dass für ein invertierbares A Gl(n, K) gilt det(a ) = det(a) Beweis: Da A invertierbar ist gilt A A = n und daher Damit ist die Behauptung bewiesen. Aufgabe : Determinanten det(a A) = det(a ) det(a) = () Zeige, dass zu einer für meine Matrix A M(n n, K) gilt Hinweis: Verwende die Leibniz-Formel. det(a T ) = det(a) Beweis: Sei A = (a ij ) für die Komponenten der transponierten Matrix A T = (b ij ) gilt b ij = a ji, und somit det A T = P S n sign(p)b P() b np(n) = P S n sign(p)a P() a P(n)n = P S n sign(p)a P () a np (n) Setzten wir nun σ = P, dann gilt sign(p) = sign(σ) und daher det A T = σ S n sign(σ)a σ() a nσ(n) = det(a) Was zu zeigen war. () Berechnen Sie die folgenden Determinanten. () det 3 4 det = 4 6 = 3 4
3 () det (3) det det 5 5 = 3 det = 3 [6 5] = det 5 = 4 det 5 + det 3 3 det (4) det = 4 [ ] + [ ] [ ] = det = det 5 + (3) + ( ) 8 + ( 5) 5 + (4) (3) 5 + (3) 4 3(3) = det = det + () + () 3 3() 4 + ( ) 7 + ( ) 3 3( ) () 5 + () 8 3() = det = det 3 3 = { [ 5 + ]} = 54 (3) Berechne die folgenden Determinanten x () det x x Mit der Sarrus-Regel erhält man x det x = x x = (x ) (x + ) x 3
4 Die Zerlegung am Ende kann man z.b. durch Berechnung der Nullstellen des Polynoms einsehen. a b c () det c a b b c a det a b c c a b = a + b + c abc abc abc = a + b + c 3abc b c a a + ab ac (3) det ab b + bc ac bc c + det (4) det a + ab ac ab b + bc ac bc c + = (a + )(b + )(c + ) + a b c + a b c [a c (b + ) + a b (c + ) + b c (a + )] = (a b + a + b + )(c + ) a c a b b c a b c = a b c + a c + b c + c + a b + a + b + a c a b b c a b c = a + b + c + t t t + 4 Man addiere die zweite Spalte zu der ersten Spalte und addiert dann die dritte Spalte zu der zweiten Spalte, dann erhält man t + 3 t + det 5 t 3 = det t + t 6 6 t + 4 t t + 4 =(t + )(t ) det = (t + )(t ) det t + 4 t + 4 =(t + )(t )(t + 4) det = (t + )(t )(t + 4) (4) Sei x = (x,..., x n ) T, y = (y,..., x n ) T R n. Zeige, dass Folgendes gilt: xi y x und y sind linear abhängig det i = i, j {,..., n} x j y j Beweis: xi y x i = a y i, i det i x j y j a yi y det i a y j y j a yi y det i = y j y j 4
5 xi y det i = x x j y i y j y i x j = j x i y i = x j y j, i, j Setze nun xi y i =: C, dann gilt dies für alle i {,..., n} und daher folgt und x und y sind linear abhängig. Aufgabe 3: Eigenwerte x = c y () Sei λ ein Eigenwert zu einem invertierbaren F End(V ), dann gilt λ ist Eigenwert zu F. Hinweis: Kann ein invertierbarer Endomorphismus Null als Eigenwert haben? Beweis: Die Antwort auf den Hinweis lautet Nein!. Da det(f ) = k i= λ i gilt, würde aus der Annahme, dass Null Eigenwert sei, det(f ) = folgen, was im Widerspruch zur angenommen Invertierbarkeit steht. Daher können wir im folgenden λ i, i annehmen. F (v) = λv F (F (v)) = F (λv) v = λf (v) F (v) = λ v () Zeige: Falls AB einen Eigenwert gleich Null hat, dann gilt, dass A oder B einen Eigenwert gleich Null hat. Gilt die Umkehrung ebenfalls? Beweis: Angenommen, weder A noch B hätte einen Eigenwert gleich Null. Dann würde für jeden Vektor v gelten, dass Bv, denn ansonsten wäre Null ein Eigenwert. Setzt man nun w := Bv, dann muss aus dem selben Grunde Aw folgen. Daher schließt man ABv für jeden Vektor v, was im Widerspruch zur Annahme steht, dass AB einen Eigenwert gleich Null haben soll. Die Umkehrung gilt ebenfalls, nimmt man nämlich an, dass AB keinen Eigenwert gleich Null hat, dann folgt direkt, dass Bv für alle v und daher hat B keinen Eigenwert gleich Null, also det(b). Daher ist B insbesondere surjektiv und für v beliebig ist w := Bv wiederum beliebig. Daher würde wiederum folgen, dass Aw für w und sowohl A, als auch B hätten keinen Eigenwert ungleich der Null. Widerspruch! Seien A, B M(n n, K), dann zeige, dass AB und BA die selben Eigenwerte haben. Mit dem ersten Satz aus dieser Aufgabe folgt direkt, dass falls Null ein Eigenwert von AB ist, dies auch für BA zutrifft. Man nehme nun an, dass λ ein von Null verschiedener Eigenwert zu AB ist, dann existiert ein Vektor v derart, dass (AB)v = λv gilt. Setze nun w := Bv, dann gilt, dass w ist, da λ und v. Daher kann man aus (BA)w = BABv = λbv = λw folgern, dass der Eigenwert λ von AB ebenfalls ein Eigenwert von BA ist. 5
6 (3) Berechne das charakteristische Polynom der folgenden Matrizen und finde mit jenem deren Eigenwerte. () A = 5 3 Das charakteristische Polynom lautet und daraus ergeben sich die Eigenwerte () B = 4 P A (λ) = λ 5λ + λ ± = 5 ± Das charakteristische Polynom lautet P B (λ) = (λ 3 7λ + 5λ 9) Zunächst ließt man hiervon ab, dass λ = ein Eigenwert ist. Durch Polynomdivision erhält man dann λ 6λ + 9 = als weitere Bedingung für Eigenwerte. Damit erhält man, dass λ = Eigenwert der Vielfachheit und λ = 3 Eigenwert der Vielfachheit ist. 3 (3) C = Das charakteristische Polynom lautet P C (λ) = (λ 3 λ 6) Zunächst ließt man den Eigenwert λ = ab, und erhält dann durch Polynomdivision λ λ 8 = als weitere Bedingung für Eigenwerte. Schließlich ergibt sich der Eigenwert 4 mit der algebraischen Vielfachheit von und λ = mit der algebraischen Vielfachheit von. (4) Ist die Matrix A = invertierbar? Da das charkteristische Polynom P (λ) = λ λ lautet, ist λ = ein Eigenwert der Matrix und diese ist damit nicht invertierbar. (5) Zeige, ob die folgenden Matrizen diagonalisierbar sind und geben sie gegebenenfalls die Ähnlichkeitstransformation an. () A = 3 Das charakteristische Polynom lautet P A (λ) = ( λ) 6
7 und λ = ist daher Eigenwert mit der algebraischen Vielfachheit. Wir berechnen nun den Eigenraum zu diesem Eigenwert ( x = a x ) = a dim(eig(a, )) = = µ ( (λ ), ) und daher ist die Matrix nicht diagonalisierbar. 3 3 () B = Das charakteristische Polynom lautet P B (λ) = (λ 3 λ 4) Daraus errät man die Nullstelle λ = und erhält im Folgenden durch Polynomdivision λ λ 8 = als zusätzliche Bedingung für die Eigenwerte. Daraus ergibt sich schließlich, dass λ = ein Eigenwert mit algebraischer Vielfachheit und λ = 4 ein solcher mit algebraischer Vielfachheit ist. Als Nächstes berechnen wir die Basis zu dem Eigenraum Eig(B, ) x y = x y + z = z Daher erhält man zwei linear-unabhängige Lösungen, z.b. und es gilt dim Eig(B, ) = = µ(p B, ). x = ( ) und x = ( ) Jetzt folgt der Eigenraum zu λ = 4 und man erhält als Bedingung x { y = x = y 6 6 z y = z Daher ist der Lösungsraum wie erwartet eindimensional und als Basisvektor bietet sich x 3 = an. Die Matrix für die Ähnlichkeitstransformation lautet bei unserer Wahl der Basis S = und es gilt S AS = 4 7
8 (3) C = 3 a b a, a, b R Hinweis: Hier ist keine Transformationsmatrix anzugeben! Das charakteristische Polynom lautet und daher ergibt sich für die Eigenwerte P C (λ) = ( 3 λ)(b λ)( λ) λ = 3 λ = b λ 3 = Für die Fälle b und b 3 sind alle Eigenwerte paarweise verschieden und die Matrix daher für alle a R diagonalisierbar. Wir machen nun eine Fallunterscheidung: Für b = nimmt die Eigenwertgleichung für den doppelten Eigenwert λ = die Form 5 x a a x = x 3 an, und man erählt x = sowie ax 3 =. Für a = folgt, dass x und x 3 frei wählbar sind und somit für den Eigenraum dim(eig(c, )) = gilt. Ist aber a so erhält man x 3 = und nur noch x ist frei wählbar. Daher ist in diesem letzteren Fall dim(eig(c, )) = und die Matrix ist nicht diagonalisierbar. Nun der Fall b = 3. Dann muss der doppelte Eigenwert λ = 3 kritisch begutachtet werden. Man erhält aus der Eigenwertgleichung x a a x = 5 x 3 Für a = 5 erhält man x +x 3 = und x frei wählbar, dann ist dim(eig(c, 3)) = und die Marix ist diagonalisierbar. Ist aber a 5, so folgt x = x 3 = und nut noch x frei wählbar und daher dim(eig(c, 3)) = und somit echt kleiner als der die algebraische Vielfachheit und somit nicht diagonalisierbar. (6) Gib alle Eigenwerte und eine Basis jedes Eigenraumes des Endomorphismus F End(R 3 ) an, welcher durch F (x, y, z) := x + y y z y + 4z gegeben ist. Ist F diagonalisierbar? Die darstellende Matrix in der Standard-Basis des R 3 von ist durch A F = 4 gegeben. Damit ergibt sich als charakteristisches Polynom und daher sind, 3 Eigenwerte von F. P F (λ) = (λ ) (λ 3) 8
9 Wir berechnen die Eigenvektoren zum Eigenwert. Diese ergeben sich aus x y = y = y = y + z = z = z y z = x beliebig Daher ist dim ker(f λid R 3) = < = µ(f, ) (geometrische Vielfachheit echt kleiner der algebraischen Vielfachheit) und F ist nicht diagonalisierbar. Eine mögliche Wahl eines Eigenvektors zu λ = wäre x = was somit auch eine Basis für den Eigenraum Eig(F, 3) darstellt. Für die Basis des Eigenraumes zu λ = 3 setzt man an x x y = y = y + z = z y z = { x y = y + z = Eine mögliche Wahl für die Basis wäre x = (7) Berechnen Sie die Jordan-Normalform der folgenden Matrizen und geben sie die Jordanbasis an. () A = Beweis: Das charakteristische Polynom ist P (λ) = ( λ) 3 dann ist dim Hau(A, ) = 3 und es gilt mit G := A 3 G =, G = und somit ergibt sich U = {} U = span{, } U = R 3 Dann ergibt sich sofort s = 6 3 = s = 4 3 = und man kann daher einfach die Jordan-Normalform von A angeben, die da lautet A J = 9
10 Wir wählen als Basis für W den Vektor e = und erhalten damit den ersten Vektor für W und zwar G(e ) = Da aber W zweidimensional sein muss, ergänzen wir G(e ) durch e 3. Das Schema ergibt dann e G(e ) e 3 und die Jordanbasis schreibt sich B = b =, b =, b 3 = Außerdem erhalten wir die Transformationsmatrix T = mit der sich wieder die Jordan-Normalform erschließen lässt A J = T AT = () B = ( 3 ) Das charakteristische Polynom ist und wegen P B (λ) = ( λ) G = B = ( 5 ) ist die Matrix nicht diagonalisierbar. Aber es gilt U U = span{ } U = R und daher s = s = und tada: B J =
11 Zur Berechnung der Basis wählen wir e als Basisvektor für W und erhalten ( 5 G(e ) = 5) Daher schreibt die Basis als B = ( ( ( 5 b =, b 5) = )) und ebenso die Transformationsmatrix 3 (3) C = T = Hinweis: Die Aufgabe aus der Vorlesung! Das charakteristische Polynom lautet Für den Eigenwert λ = 5 5 P F (λ) = (λ )(λ + ) 3 G = und ein möglicher Basisvektor des zugehörigen Eigenraumes ist Für den Eigenwert λ = erhält man G =, G = 4 4 Man erhält dim Eig(C, ) = < = µ(c, ) und daher ist die MAtrix C nicht diagonalisierbar. Für den Eigenraum gibt es z.b. den Basisvbektor und man erhält für den Hauptraum Hau(C, ) = {x R 3 : x + 4x + x 3 = } und mögliche Basisvektoren sind h :=, h := 4
12 Nun muss man zur Bestimmung der richtigen Basis den Endomorphismus G auf den Hauptraum Hau(C, ) einschränken. Dies erreicht man durch Darstellung von G in der Basis von Hau(C, ): G (h ) = h + h G (h ) = h + h und man erhält die Darstellungsmatrix von G ind Hau(C, ) G (h) = Hier kann man wieder das Schema auf der Vorlesung anwenden und man erhält U U = span{ } U = R Für die Zerlegung R = W W wählt man ( W = span{ } ) und somit nach dem Schema die geordnete Basis lautet daher W = span{ } B (h) = ( (, )) Nun muss man diese Vektoren wieder in der ursprünglichen Basis darstellen B = h + h =, h = 4 und die Jordanbasis lautet B =,, 4 Die Matrix C stellt sich nun in Jordan-Normalform durch C J = dar.
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
MehrEigenwerte, 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
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,
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 12
Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 12 Hausaufgaben Aufgabe 12.1 Sei f : R 3 R 3 gegeben durch f(x) :=
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
Mehr4 Eigenwerte und Eigenvektoren
4 Eigenwerte und Eigenvektoren Sei V {0} ein K Vektorraum und f : V V K linear. Definition: Ein Eigenwert von f ist ein Element λ K, für die es einen Vektor v 0 in V gibt, so dass f(v) = λ v. Sei nun λ
MehrKlausurenkurs 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
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,
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
Mehra 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
Mehr18 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
MehrKLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008
KLAUSUR ZUR LINEAREN ALGEBRA II 19. Juli 2008 MUSTERLÖSUNG Name: Studiengang: Aufgabe 1 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter die Aufgabenstellung
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrLineare Algebra II Lösungen zu ausgewählten Aufgaben
Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form
MehrLineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 12. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching December 14, 2017 1 Erinnerung: Determinanten, Orthogonale/unitäre Matrizen Sei A R 2 2, dann kann die Inverse
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
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
MehrLösungsskizze zur Wiederholungsserie
Lineare Algebra D-MATH, HS Prof. Richard Pink Lösungsskizze zur Wiederholungsserie. [Aufgabe] Schreibe die lineare Abbildung f : Q Q 5, x +x +x x x +x +6x f x := x +x +8x x x +x +x. x +x +5x als Linksmultiplikation
Mehr2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren
2 ÄHNLICHKEIT VON MATRIZEN, EIGENWERTE UND EIGENVEKTOREN 1 19. Mai 2000 2 Ähnlichkeit von Matrizen, Eigenwerte und Eigenvektoren Motivation. Es seien: V ein K-Vektorraum mit dim V = n < und F End V, Φ,
MehrKlausur zu. Lineare Algebra II. Viel Erfolg! Fachbereich Mathematik WS 2012/13 Dr. habil. Matthias Schneider. Bonus Note. Aufgabe
Klausur zu Lineare Algebra II Fachbereich Mathematik WS 0/3 Dr. habil. Matthias Schneider Aufgabe 3 4 5 6 7 Bonus Note Punktzahl 4 3 3 3 3 0 erreichte Punktzahl Es sind keine Hilfsmittel zugelassen. Die
MehrLineare Algebra 2 (SS 13) Blatt 13: Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra 2 (SS ) Blatt : Musterlösung Aufgabe. Es sei C (R) der R-Vektorraum der unendlich oft differenzierbaren Funktionen auf R und : C (R) C (R), f f die Abbildung,
MehrTheoretische Fragen zu ausgewählten Themen in Lineare Algebra
Theoretische Fragen zu ausgewählten Themen in Lineare Algebra { Oren Halvani, Jonathan Weinberger } TU Darmstadt 25. Juni 2009 Inhaltsverzeichnis 1 Determinanten................................................
MehrLösungsskizzen der Klausur zur Linearen Algebra im Herbst 2015
sskizzen der Klausur zur Linearen Algebra im Herbst 5 Aufgabe I. Es sei (G, ) eine Gruppe mit neutralem Element e und M {x G x x e}. Zeigen Sie: (a) Ist G kommutativ, so ist M eine Untergruppe von G. (b)
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
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
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
Mehr3 Definition: 1. Übungsblatt zur Vorlesung Lineare Algebra I. im WS 2003/2004 bei Prof. Dr. S. Goette
1. Übungsblatt zur Vorlesung Abgabe Donnerstag, den 30.10.03 1 Finden 2 Sei Sie reelle Zahlen a, b, c, so dass a (2, 3, 1) + b (1, 2, 2) + c (2, 5, 3) = (3, 7, 5). (V,, ) ein euklidischer Vektorraum. Zeigen
MehrR 3 und U := [e 2, e 3 ] der von e 2, e 3 erzeugte
Aufgabe ( Es seien e =, e = Untervektorraum (, e = ( R und U := [e, e ] der von e, e erzeugte Weiter sei G := {A GL(, R A e = e und A U U} (a Zeigen Sie, dass G eine Untergruppe von GL(, R ist (b Geben
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
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
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
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
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrKlausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 23): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag 3. Mit Hilfe elementarer Zeilenumformungen sowie der Tatsache, daß sich die Determinante
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
MehrMusterlösungen zur Linearen Algebra II Weihnachtszettel
Musterlösungen zur Linearen Algebra II Weihnachtszettel Aufgabe. Welche der folgenden Matrizen 3 0 0 A = 0 4, B = 3, C = 0 0 0 6 0 0 0 sind über R und welche über C diagonalisierbar? Bestimmen Sie dazu
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
MehrL7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert
L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren Viele Anwendungen in der Physik: z.b. Bestimmung der - Haupträgheitsmomente eines starren Körpers durch Diagonalisierung des Trägheitstensors
Mehr2.11 Eigenwerte und Diagonalisierbarkeit
2.11. EIGENWERTE UND DIAGONALISIERBARKEIT 127 Die Determinante eines Endomorphismus Wir geben uns jetzt einen endlichen erzeugten K-Vektorraum V und einen Endomorphismus ϕ : V V vor. Wir wollen die Determinante
Mehre At = e λt e (A λi)t.
Priv.-Doz. G. Reißig, F. Goßmann M.Sc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik (LR-15) Email: felix.gossmann@unibw.de Moderne Methoden der Regelungstechnik, H 2016 Übung
MehrLineare 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
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:
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.
Mehra) Ein Gruppenhomomorphismus von G nach H ist eine Abbildung Φ : G H, sodass für alle g 1, g 2 G die Gleichung Φ(g 1 g 2 ) = Φ(g 1 ) Φ(g 2 )
I. (4 Punkte) Es seien (G, ) eine Gruppe mit neutralem Element e G und (H, ) eine weitere Gruppe. a) Geben Sie die Definition eines Gruppenhomomorphismus Φ : G H an und beweisen Sie, dass für solch einen
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung Lineare Differentialgleichungen Ausblick auf die heutige Vorlesung Lineare autonome Differentialgleichungen 2 Bestimmung des Fundamentalsystems 3 Jordansche Normalform
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
MehrMusterlösung der Klausur zur linearen Algebra II
David Blottière SS 7 Patrick Schützdeller Universität Paderborn Julia Sauter Musterlösung der Klausur zur linearen Algebra II Aufgabe 1 Bestimmen Sie Jordan-Normalformen der folgenden Matrizen, und schreiben
Mehr1. Hausübung ( )
Übungen zur Vorlesung»Lineare Algebra B«(SS ). Hausübung (8.4.) Aufgabe Es seien σ (3, 6, 5,, 4, 8,, 7) und τ (3,,, 4, 6, 5, 8, 7). Berechnen Sie σ τ, τ σ, σ, τ, die Anzahl der Inversionen von σ und τ
Mehr3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform
LinAlg II Version 1 29. Mai 2006 c Rudolf Scharlau 219 3.5 Trigonalisierbarkeit, verallgemeinerte Eigenräume und Jordansche Normalform Das Problem der Normalformen für Endomorphismen handelt kurz gesprochen
Mehr43911: Lineare Algebra/Geometrie Prüfungstermin Herbst 2015 Lösungsvorschlag
Dr. Erwin Schörner 49: Lineare Algebra/Geometrie Prüfungstermin Herbst 5 Lösungsvorschlag I.. a Die in Abhängigkeit vom Parameter t R für t t A t t t R und b R t + t t + t zu betrachtende Menge F t { x
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrJordansche Normalform - Beispielrechnung. 1 Beispielrechnung an einer komplexen Matrix
Jordansche Normalform - Beispielrechnung Dieses kurze Skript soll die jordansche Normalform erklären die auch oft als Trigonalisierung von Matrizen bezeichnet wird da man die Matrix auf eine bestimmte
Mehr{ id, falls sgn(σ) = 1, τ, falls sgn(σ) = 1,
Aufgabe I1 (4 Punkte) Es seien (G, ) und (H, ) Gruppen a) Wann heißt eine Abbildung Φ : G H ein Gruppenhomomorphismus? b) Es seien Φ, Ψ : G H zwei Gruppenhomomorphismen Zeigen Sie, dass eine Untergruppe
MehrLineare Algebra II 3. Übungsblatt
Lineare Algebra II 3. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 27./28. April 2011 Susanne Kürsten Tristan Alex Minitest Aufgabe M1 (Formale Polynome) Betrachten Sie die folgenden Polynome
MehrÜbungen zu Lineare Algebra und Geometrie 1
Übungen zu Lineare Algebra und Geometrie 1 Andreas Čap Sommersemester 2015 Wiederholung grundlegender Begriffe (1 Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch f(x, y,
Mehr5. Übung zur Linearen Algebra II -
5. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 2. Aufgabe 7 5 A := 2. 3 2 (i) Berechne die Eigenwerte und Eigenvektoren von A. (ii) Ist A diagonalisierbar?
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,
MehrKlausur Lineare Algebra I & II
Prof. Dr. G. Felder, Dr. Thomas Willwacher ETH Zürich, Sommer 2010 D MATH, D PHYS, D CHAB Klausur Lineare Algebra I & II Bitte ausfüllen! Name: Vorname: Studiengang: Bitte nicht ausfüllen! Aufgabe Punkte
MehrLineare 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
Mehr5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit
ME Lineare Algebra HT 2008 99 5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit 5.1 Ein Beispiel zur Motivation Als einfachstes Beispiel eines dynamischen Systems untersuchen wir folgendes Differentialgleichungssystem
MehrÜbungen zu Lineare Algebra und Geometrie für LAK
Übungen zu Lineare Algebra und Geometrie für LAK Andreas Cap Wintersemester 2010/11 Wiederholung grundlegender Begriffe (1) Bestimme Kern und Bild der linearen Abbildung f : R 3 R 3, die gegeben ist durch
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 53 Norm von Endomorphismen und Matrizen Definition 53.1. Es seien V und W endlichdimensionale normierte K-
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
MehrLineare Algebra I/II LVA ,
Lineare Algebra I/II LVA 401-1151-00,401-1152-00 Prof. G. Wüstholz, C. Fuchs Lösungen zur Basisprüfung, HS08/FS09 09.02.2010 1. a) (1 Punkt) Wir beginnen mit dem charakteristischen Polynom der Matrix A:
Mehr5 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
Mehr3.3 Das charakteristische Polynom
LinAlg II Version 1 2. Mai 2006 c Rudolf Scharlau 209 3.3 Das charakteristische Polynom Wir setzen die im vorigen Abschnitt begonnene Untersuchung von Eigenvektoren und Eigenwerten fort und stellen den
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrEigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)
Eigenwerte 1 Eigenwerte und Eigenvektoren Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1) für einen Vektor x 0. Vektor x heißt ein
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
Mehr6 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
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
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrZusammenfassung Lineare Algebra II
Zusammenfassung Lineare Algebra II CC BY: Tim Baumann, http://timbaumanninfo/uni-spicker Notation Sofern nicht anders angegeben, bezeichne K im folgenden einen beliebigen Körper, V einen (möglicherweise
MehrDefinitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.
Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren
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
Mehr3 Determinanten, Eigenwerte, Normalformen
Determinanten, Eigenwerte, Normalformen.1 Determinanten Beispiel. Betrachte folgendes Parallelogramm in der Ebene R 2 : y (a + c, b + d) (c, d) (a, b) x Man rechnet leicht nach, dass die Fläche F dieses
MehrKlausur zur Vorlesung Lineare Algebra I
Heinrich-Heine-Universität Düsseldorf 23.7.2 Mathematisches Institut Lehrstuhl für Algebra und Zahlentheorie Prof. Dr. Oleg Bogopolski Klausur zur Vorlesung Lineare Algebra I Bearbeitungszeit: 2 min Bitte
MehrAufgaben zur linearen Algebra und analytischen Geometrie I
Aufgaben zur linearen Algebra und analytischen Geometrie I Es werden folgende Themen behandelt:. Formale und logische Grundlagen 2. Algebraische Grundlagen 3. Vektorräume und LGS 4. Homomorphismen und
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
MehrD-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld. Clicker Fragen
D-Math/Phys Lineare Algebra II FS 2017 Dr. Meike Akveld Clicker Fragen Frage 1 Wenn eine reelle Matrix einen Eigenvektor hat, so hat es unendlich viele Eigenvektoren Sei u K n einen Eigenvektor von A M
MehrAufgabe I.1 (4 Punkte) Gegeben seien die Matrix H := und die Menge L := {A R 4 4 A HA = H} Zeigen Sie:
Aufgabe I (4 Punkte Gegeben seien die Matrix und die Menge Zeigen Sie: H := L := {A R 4 4 A HA = H} a L ist bezüglich der Matrizenmultiplikation eine Gruppe b Die Matrizen der Form ( E O, O B wobei E R
Mehrvon F bezüglich B eine obere Dreiecksmatrix ist, dh λ λ n x
3 Die Jordan-Normalform In diesem Abschnitt wollen wir Endomorphismen untersuchen, die nicht unbedingt diagonalisierbar sind Wir werden sehen, dass in vielen Fällen eine etwas schwächere Normalform der
Mehr, Uhr Dr. Thorsten Weist. Name Vorname Matrikelnummer. Geburtsort Geburtsdatum Studiengang
Nachklausur zur Linearen Algebra I - Nr. 1 Bergische Universität Wuppertal Sommersemester 2011 Prof. Dr. Markus Reineke 06.10.2011, 10-12 Uhr Dr. Thorsten Weist Bitte tragen Sie die folgenden Daten leserlich
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrGrundbegriffe aus der Vorlesung Lineare Algebra I+II
Grundbegriffe aus der Vorlesung Lineare Algebra I+II 30. Juli 2009 Eine Gruppe ist ein Paar (G, ) bestehend aus einer Menge G und einer Verknüpfung : G G G, (a, b) a b, mit: 1. (a b) c = a (b c) (Assoziativität)
MehrLineare Algebra B. Sommersemester W. Ebeling
Lineare Algebra B Sommersemester 2002 W Ebeling 1 c Wolfgang Ebeling Institut für Mathematik Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde 1 Determinanten 1 1 Determinanten
MehrLösung zu Serie 18. Lineare Algebra D-MATH, HS Prof. Richard Pink
Lineare Algebra D-MATH, HS 201 Prof. Richard Pink Lösung zu Serie 18 1. Sei V,, ein endlich-dimensionaler unitärer Vektorraum. Zeige, dass zu jeder Sesquilinearform f : V V C eine eindeutige lineare Abbildung
MehrLeitfaden 34. , dies ist eine reelle symmetrische Matrix, also diagonalisierbar.
Leitfaden 34 5. Euklidsche und unitäre Räume (und selbstadjungierte, orthogonale, unitäre, normale Endomorphismen). 5.1. Reelle symmetrische Matrizen sind diagonalisierbar. Satz: Reelle symmetrische Matrizen
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 0/06 Lineare Algebra und analytische Geometrie I Vorlesung... und ein guter Lehrer kann auch einem schlechten Schüler was beibringen Beziehung zwischen Eigenräumen Wir
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrLINEARE ALGEBRA FÜR ANALYSIS
LINEARE ALGEBRA FÜR ANALYSIS ALBERTO S. CATTANEO Zusammenfassung. Eine Zusammenfassung der wichtigsten in der Analysis gebrauchten Grundbegriffe aus der linearen Algebra (speziell für diejenigen, die lineare
Mehr2. 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