Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung
|
|
- Tobias Kaiser
- vor 6 Jahren
- Abrufe
Transkript
1 Zurück Stand Eigenwerte/Eigenvektoren/Eigenräume/Diagonalisierung Im Allgemeinen werden Vektoren durch Multiplikation mit einer Matrix gestreckt und um einen bestimmten Winkel gedreht. Es gibt jedoch spezielle Vektoren, die durch Multiplikation mit einer Matrix nur gestreckt werden, die Multiplikation lässt also ihre Richtung invariant. Die sogenannten Eigenvektoren. Der Streckfaktor heißt Eigenwert. Eigenwerte treten auf als Resonanzfrequenzen bei gekoppelten Schwingern in der Mechanik (gekoppelten Schwingkreisen in der Elektrotechnik) wenn A die Koppelungsmatrix ist. Gekoppelte Pendel Definition Eigenwert/Eigenvektor A sei eine komplexe (oder reelle) nxn Matrix. Dann heißt die Zahl λ C Eigenwert zum Eigenvektor wenn die folgende Gleichung erfüllt ist: E bezeichne die Einheitsmatrix Diag(,..) det(a λe) ist ein Polynom vom Grad n mit reellen Koeffizienten bei reellen Matrizen, komplexen Koeffizienten bei komplexen Matrizen. Nach dem Hauptsatz der Algebra hat dieses Polynom n (möglicherweise komplexe) Nullstellen, die Eigenwerte. Diese können auch mehrfache Nullstellen sein. Die Menge aller Eigenwerte nennt man Spektrum der Matrix. Die Eigenvektoren zu einem Eigenwert erfüllen also jeweils ein homogenes Gleichungssytem, das man zum Beispiel mit dem Gauß Verfahren lösen kann, wenn die zugehörigen Eigenwerte bekannt sind. Welche Lösungen kann man erwarten? Nach der Lösungstheorie für lin. Gleichungen ist für einen Eigenwert λ somit A v = λ v : A v = λv (A λe) v =, det(a λe) = Zu jedem Eigenwert gibt es also mindestens einen Eigenvektor (ungleich Null). Die Zahl der linear unabhängigen Eigenvektoren zu einem Eigenwert λ nennt man die geometrische Vielfachheit von λ, es ist zugleich auch die Dimension des sogenannten Eigenraums zum Eigenwert λ. v (A λe) v = r = Rang(A λe) n v Eigenvektoren sind schon nach der Definitionsgleichung nicht eindeutig. Ist skalare Vielfache t v,t denn t kürzt sich aus der Bestimmungsgleichung. v Eigenvektor, dann auch jedes t : A(t v ) = λ(t v ) A v = λv Hat eine Matrix nicht den maximalen Rang, dann hat sie mindestens einmal den Eigenwert Null, denn v. dann mindestens eine nichttriviale Lösung Die Gleichung A v = hat nämlich dann eine nichttriviale Lösung v. A v = hat Berechnung der Eigenwerte Die Eigenwerte λ kann man über die Determinante berechnen. Man bestimmt dazu die Nullstellen des charakteristischen Polynoms : p(λ) = det(a λe) =,
2 Die Vielfachheit einer Nullstelle λ nennt man die algebraische Vielfachheit des Eigenwerts Zu einer k fachen Nullstelle λ besitzt die Gleichung zwar immer mindestens eine, aber nicht zwangsläufig auch k linear unabhängige Lösungen. Daher gilt im allgemeinen nur (A λe) v = geometrische Vielfachheit algebraische Vielfachheit Gleichheit von geometrischer und algebraischer Vielfachheit bei allen Eigenwerten liegt sicher immer dann (aber nicht nur dann, siehe Beispiele!) vor, wenn alle Eigenwerte paarweise verschieden sind. Hat eine Matrix mehrfache Eigenwerte, so muss man stets alle Eigenvektoren zu jedem mehrfachen Eigenwert ausrechnen und die geometrischen Vielfachheiten mit den algebraischen vergleichen. Dann erst weiß man, ob ein linear unabhängiges System von n Eigenvektoren vorliegt. Siehe Beispiele unten. Satz: (a) Sind für jeden Eigenwert einer Matrix algebraische Vielfachheit und geometrische Vielfachheit gleich, dann besitzt Sie Matrix genau n linear unabhängige Eigenvektoren. Diese bilden dann eine Basis des Raumes (b) Sonderfall und Folgerung aus (a): Sind alle Eigenwerte paarweise verschieden, dann gibt es genau n linear unabhängige Eigenvektoren (nämlich zu jedem Eigenwert genau einen). C n Beachte: Auch eine reelle Matrix kann komplexe Eigenwerte und Eigenvektoren besitzen. Komplexe, nichtreelle Eigenwerte treten dann aber immer im "Doppelpack" mit ihrem konjugiert komplexen Pendant auf, weil die Koeffzienten des charakteristischen Polynoms reell sind. Zu jeder nichtreellen Nullstelle ist die konjugiert komplexe Zahl dann ebenfalls eine Nullstelle. Potenzen von Matrizen Potenzen der Eigenwerte. A λ v A k λ k Hat den Eigenwert mit Eigenvektor dann hat jede Potenz den Eigenwert zu demselben Eigenvektor. Beispiele Beispiel (a): 4 A v = λ v, A v = A A v = Aλ v = λa v = λ v, usw. A v = λ v, v = E v = A A v = λ A v, A v = λ v, λ 4 λ A =( ), A λe =( ), det(a λe) = ( λ + 4 =, = ± j Zwei konjugiert komplexe Eigenwerte. Eigenvektor zu λ = j ) λ, (A E) j 4 λ v = ( ) v = j v =( ) j Analog Eigenvektor zu λ = + j als Lösung des homogenen Systems (A E) λ v = j v =( ) Beispiel (b): ) λ, A =( ), det(a λe) = ( λ =, =
3 Doppelter reeller Eigenwert, algebraische Vielfachheit des EW zwei. (A E) = ( λ v ) v = v =( ) Zum doppelten Eigenwert gibt es also nur einen linear unabhängigen Eigenvektor, geometrische Vielfachheit von EW ist also eins. Somit gibt es keine Basis des R aus Eigenvektoren von A! Beispiel (c): 4 A =( ), det(a λe) = ( λ) 6 =, =, = 6, λ λ Zwei verschiedene Eigenwerte mit algebraischer Vielfachheit, ( geben. n = ), es muss zu jedem einen Eigenvektor (A E) λ v = =( v ), (A E) λ v = v =( ) Zwei linear unabhängige Eigenvektoren. Für jeden EW: algebraische Vielfachtheit = = geometrische Vielfachheit. Beispiel (a): = λ = 4 A =, det(a λe) = ( λ) ( λ ) = einfacher Eigenwert, algebraische Vielfachheit. λ doppelter Eigenwert, algebraische Vielfachheit. Eigenvektoren: (A E) λ v = 4, = v v =, (A E) λ,3 v = x + 4y + z =, z =, v = 4, λ = zum doppelten EW gibt es nur einen l.u. Eigenvektor : geometrische Vielfachheit von EW ist also eins. Beispiel (b): 4 A =, det(a λe) = ( λ) ( λ ) = Dieselben Eigenwerte und algebraischen Vielfachheiten wie in (a). Eigenvektoren: Zu λ = wie in (a), = = Zum EW λ,3 : v e
4 (A E) λ,3 v,3 = 4 v,3 = x + 4y + z = Lösungen sind damit zum Beispiel: oder zwei andere linear unabhängige Vektoren, welche die Gleichung erfüllen und damit denselben zweidimensionalen Vektorraum aufspannen wie v, v 3. Algebraische wie geometrische Vielfachheit von ist damit Die Matrix besitzt ein System von 3 linear unabhängigen Eigenvektoren. 5 v v3 4 =, =, λ =. x + 4y + z = Beispiel 3 Charakteristische Gleichung: (Ausklammern des Faktors ( λ) ) Nullstellen: λ =, λ =, λ3 = Berechnung der drei Eigenvektoren zu diesen drei (verschiedenen) Eigenwerten durch Lösen der 3 Gleichungssysteme Die Eigenvektoren sind wie immer nur bis auf skalare Vielfache eindeutig. Z.B. ist für jede Zahl t v = (t;t;t) T ein Eigenvektor zu λ = Diagonalähnliche Matrizen Wenn für jeden Eigenwert einer nxn Matrix algebraische und geometrische Vielfachheit übereinstimmen, dann besitzt die Matrix ein System von n linear unabhängigen Eigenvektoren. Damit kann man sie durch eine Koordinatentransformation auf Diagonalgestalt transformieren. Solche Matrizen nennt man diagonalähnlich, die Transformation eine Ähnlichkeitstransformation. Die Eigenvektoren zusammen auch packt man spaltenweise in eine Matrix genau in der Reihenfolge der Eigenwerte auf der Diagonalen der Diagonalmatrix. Ferner muss man U berechnen. D = Diag( λ,... λ n ) mehrfache Eigenwerte werden auch mehrfach aufgeführt. Dann gilt: denn für jeden Einheitsvektor A =, A λe = gilt: λ λ λ det(a λe) = ( λ ) ( + λ) 3( λ) = ( ( λ)( + λ) + 3 ) ( λ) = (A λ k ) v =, k =,,3 λ v λ v λ3 v 3 EV zu = :, EV zu = :, EV zu = :, U = ( v,..., v n ) A = UD U bzw. U AU = D = Diag( λ,... λ n ) e k v k t
5 U AU e k = U A v k = U λ k v k = λ k e k = Diag( λ,... λ n ) e k Da diese Gleichung für jeden der n linear unabhängigen Eigenvektoren erfüllt ist, sind die beiden Matrizen gleich. Beispiel 4 : Diagonalisierung einer nichtsymmetrischen Matrix Betrachte die Matrix aus Beispiel (b). Setze die berechneten Eigenvektoren spaltenweise zu einer Matrix U. zusammen. Die erste Spalte enthält den EV zum Eigenwert, die zweite und dritte den EV zum EW U = = U U Der Leser kann diese Zerlegung verifizieren, indem er nacheinander die drei l.u. Eigenvektoren von rechts an die Produktzerlegung von A multipliziert oder die drei Matrizen ausmultipliziert = A = UD = 4 Zusammenhang mit Spur und Determinante Die Spur ist die Summe der Eigenwerte und die Determinante das Produkt der Eigenwerte Symmetrische Matrizen, ON System von Eigenvektoren, unitäre Diagonalisierbarkeit. Bezeichnungen: Eine reelle nxn Matrix U heißt orthonormal, wenn U T U = E = UU T gilt. U U H U H U = E = U Eine komplexe nxn Matrix heißt unitär, wenn gilt. Eine reelle nxn Matrix heißt symmetrisch, wenn A T = A Eine komplexe nxn Matrix heißt hermitesch, wenn A H = A (zur Erinnerung: A H ist die Transponierte von A mit zusätzlich konjugiert komplexen Elementen.) Symmetrische (bzw hermitesche) Matrizen haben folgende bemerkenswerte Eigenschaft: Man kann aus den Eigenvektoren eine orthogonale Matrix bilden, somit durch Normierung der Spalten auf Länge auch eine orthonormale buw unitäre. Mit dieser kann man dann die sog. Hauptachsentransformation auf Diagonalgestalt ausgeführt werden. Satz über ON Systeme aus Eigenvektoren. A sei eine komplexe hermitesche (oder eine reelle symmetrische) nxn Matrix.. Dann sind alle Eigenwerte reell und es gibt n Eigenwerte, wenn man mehrfache entsprechend ihrer λ k algebraischen Vielfachheit zählt.. Es gibt n zueinander orthogonale (und damit lin. unabh.) Eigenvektoren, d.h.. Ist reell, so sind auch die Eigenvektoren reell. v k v l =,k l A v k u k = v k / v k 3. Normiert man alle Eigenvektoren auf die Länge (Orthonormalsystem ) und packt sie spaltenweise in eine Matrix U, so kann man damit A auf Diagonalgestalt transformieren: U H AU = D = Diag( λ,..., λ n ) bzw für reelle Matrizen U T AU = D = Diag( λ,..., λ n ) Die Spaltenzuordnung der Eigenvektoren in U muss dabei natürlich zu der Reihenfolge in D passen. Stets gilt dabei U H = U bzw U T = U, da die Spalten von U ein ON System bilden. k =,,..: D e k = λk e k U H AU e k = U H A u = k U H λ k u k = λk e k D = U H AU
6 A = UDU H Beispiel 5: ON System von Eigenvektoren: Berechnen Sie für die Matrix Spur, Determinante und alle Eigenwerte und Eigenvektoren der Matrizen A A 3 A. Ist A diagonalähnlich?\\ (nochmal zur Bestätigung dass das Produkt der Eigenwerte darstellt, sieht man mit ) Mit Primfaktorzerlegung der Determinanten erleichtern wir das Raten einer Nullstelle, wir vermuten einmal ganzzahlige : A = 7 7 A,,, = det(a λe) = 4 + 8λ 43) = (λ )(λ )(λ ) λ 3 λ λ λ λ3 = ( + + ) + ( + + )λ. λ 3 λ λ λ3 λ λλ λλ3 λλ3 λλλ3 det(a) λ = det(a) = λλλ3 = 43 = SpurA = 4 = λ + λ + λ3 Dazu passen die Eigenwerte λ = λ = 6, λ3 = Bestätigung durch Einsetzen. Alternative Methoden:.Entweder Lösungsformel für Nullstellen eines Polynoms von Grad 3 auf det(a λe) anwenden (sog. Cardano'sche Formeln, bis n=4 in CAS implementiert) oder. eine Nullstelle raten und dann Polynomdivision mit dem Linearfaktor durchführen: dann Nullstellen des quadratischen Ergebnisses mit der Lösungsformel für quadratische Gleichungen berechnen (6,). Eigenraum zum EW (A 6E) v = Eigenraum zum EW : ( lin. unabh. Eigenvektoren) durch Lösen des homogenen Gleichungssytems ( Eigenvektor): Die Eigenvektoren von A A 3 sind dieselben wie die von A, die Eigenwerte berechnet man aus λ( A ) = λ(a ). usw. Eigenwerte von A : 36 (doppelt ) und 44. Zu A : /6,/ usw. Die Eigenvektoren sind bereits orthogonal (Test!), damit aber U T U = E, d.h. also U = U T, unitäre Transformation auf Diagonalgestalt erf\"ullt ist, müssen die Eigenvektoren ( = Spalten von U ) noch auf die Länge normiert werden. Ergebnis: λ = 6 (λ 6) 6 ( λ 3 4 λ + 8λ 43) : (λ 6) = (λ 6)(λ ), Kern(A 6E) = span{(,, ) T, (,,) T }. Kern(A E) = span{(,, ) T, }
7 Es gilt U T AU = D (c) A ist positiv definit, da alle Eigenwerte positiv sind. Vorteil der Diagonalisierung: / / 3 / 6 U = / 3 / 6 D = / / 3 / Jede Matrix repräsentiert eine lineare Abbildung in einem bestimmten Koordinatensystem. Durch die Transformation geht man von den kartesischen Koordinaten zu einem Koordinatensystem aus orthonormalen Eigenvektoren von A über. Das nennt man Hauptachsentransformation. Symmetrische (hermitesche) Matrizen sind also immer auch diagonalähnlich, die Berechnung der Inversen der Transformationsmatrix entfällt weil es genau die Transponierte ist. Vergleiche auch Kapitel Vektorräume, Vorteil der Orthogonalität. In diesem neuen Koordinatensystem kann man die lineare Abbildung dann durch eine Diagonalmatrix beschreiben. Führt man die lineare Abbildung mehrfach hintereinander aus, so entspricht dies jeweils einer Matrixmultiplikation, man erhält so Potenzen von A. Man kann sich das als eine Box (System) vorstellen, in die man das Ergebnis immer wieder hineinsteckt und ein jeweils neues bekommt. w k+ = A w k,k =,,3, w k+ = A k w A nennt man dabei die Systemmatrix. Im Allgemeinen wären diese Potenzen also sehr umständlich zu rechnen. In der Diagonalgestalt geht das dagegen einfach, weil man nur die Diagonalelemente potenzieren muss. D = Diag( λ... λ n) = U H AUU H AU = U H AEAU = U H A U analog für höhere Potenzen. Die Beschreibung der linearen Abbildung (des Systems) durch eine Diagonalmatrix, somit die Koordinatentransfomation auf die EV Basis lohnt sich also, wenn man die lineare Abbildung mehrfach ausführen muss, wie es z.b. in Regelsystemen mit Feedback oder bei der Analyse von Rekursionsfolgen (z.b. Algorithmen aus Näherungsverfahren) geschieht. Kleines Beispiel dazu unten. Praktisches Bei der Berechnung der Eigenvektoren erhält man nur dann direkt ein Orthogonalsystem (das man dann nur noch normieren muss), wenn die Eigenwerte alle paarweise verschieden waren. Hat man jedoch einen Eigenwert mit algebraischer Vielfachheit größer eins, so kann es passieren, dass man zunächst nichtorthogonale Eigenvektoren bei der Rechnung bekommt. Man kann für deren Eigenraum aber dann immer ein ON System als Basis finden/berechnen, etwa mit dem Gram Schmidt Verfahren. Diese ON Basis besteht dann ebenfalls aus Eigenvektoren zu dem mehrfachen Eigenwert. Definite Matrizen A sei eine symmetrische reelle nxn Matrix. v T v v, v V > A Positiv definite Matrix. Definition: A > für alle Äquivalente Eigenschaft: Alle Eigenwerte positiv ( ). v T v v V A Positiv semidefinite Matrix. Definition: A für alle Äquivalente Eigenschaft: Alle Eigenwerte nicht negativ ( ).
8 A Negativ definite Matrix. Definition: A < für alle Äquivalente Eigenschaft: Alle Eigenwerte negativ ( ). A Negativ semidefinite Matrix. Definition: A für alle Äquivalente Eigenschaft: Alle Eigenwerte nicht positiv ( ). Die Eigenschaften folgen sofort aus der durch die Symmetrie möglichen Transformation auf Diagonalgestalt, durch Übergang zur orthonormalen EV Basis v T v v, v V < v T v v V u k,k =,...,n v =, A = D = k x k u k v T v v T U H v k x k λ k Mit positiv definiten Matrizen kann man ein gewichtetes Skalarprodukt im v A v = v T Av R n definieren: Man rechnet sofort nach, dass dies tatsächlich alle Eigenschaften eines Skalarprodukts besitzt. Man nennt dies auch positiv definite Bilinearform. Benutzt wird das in der Physik/Mechanik und bei numerischen Optimierungsverfahren.
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,
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
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
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
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
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.
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
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
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..
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/
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
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
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 +
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
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
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.................................
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
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
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
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).
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
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
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
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
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 7
Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion
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
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
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
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
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
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 =
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
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
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,
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
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
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
MehrDeterminanten. a e b f a c b d. b) x = , y = c) zu einem Spaltenvektor das Vielfache des anderen Spaltenvektors addiert wird,
Determinanten Wir entwickeln eine Lösungsformel für Gleichungssysteme mit zwei Variablen. ax + cy = e b bx + y = f a } abx bcy = be + abx + ay = af ya bc = af be Man schreibt y = af be a bc = a e b f analog
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)
MehrHomogenität Assoziativgesetz A (B 1 + B 2 ) = A B 1 + A B 2 Distributivgesetz 1 (A 1 + A 2 ) B = A 1 B + A 2 B Distributivgesetz 2
1. Formatbedingungen der Matrixoperationen Die Addition (Subtraktion) A ± B verlangt gleiches Format der Operanden A und B. Das Ergebnis hat das Format der Operanden. Skalarmultiplikation λa: Es gibt keine
MehrMusterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.2012
Musterlösung zur Klausur Lineare Algebra II für Lehramt 30.07.0 Aufgabe : Entscheiden Sie in dieser Aufgabe, ob die Aussagen wahr oder falsch sind. Begründungen sind nicht erforderlich. Ein korrekt gesetztes
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
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
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
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:
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
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
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
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,
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
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
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
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
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.
MehrMathematische 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
MehrEuklidische 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
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
MehrMAT Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7
MAT.4 - Lineare Algebra, SS 07 Prof. Joachim Rosenthal Lösung zu Übungsblatt 7 Aufgabe Sei ϕ : V V R eine symmetrische Bilinearform auf einem reellen Vektorraum V. Für die Vektoren v,...,v n V gelte ϕ(v
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
MehrC 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
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrKomplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01
Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die
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
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
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
MehrLösungen Serie 6 (Vektorräume, Skalarprodukt)
Name: Seite: 1 Fachhochschule Nordwestschweiz (FHNW) Hochschule für Technik Lösungen Serie 6 (Vektorräume, Skalarprodukt) Dozent: R. Burkhardt Büro: 4.613 Klasse: 1. Studienjahr Semester: 1 Datum: HS 28/9
MehrMathematik für Chemische Technologie 2
Mathematik für Chemische Technologie 2 Themenüberblick: Funktionen mehrerer unabhängigen Veränderlichen Vektoralgebra Lineare Gleichungssysteme und Determinanten Fehlerrechnung Schwerpunkt des Sommersemesters
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..............................
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
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
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
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
MehrVektoren, Vektorräume
Vektoren, Vektorräume Roman Wienands Sommersemester 2010 Mathematisches Institut der Universität zu Köln Roman Wienands (Universität zu Köln) Mathematik II für Studierende der Chemie Sommersemester 2010
MehrGrundlagen der Vektorrechnung
Grundlagen der Vektorrechnung Ein Vektor a ist eine geordnete Liste von n Zahlen Die Anzahl n dieser Zahlen wird als Dimension des Vektors bezeichnet Schreibweise: a a a R n Normale Reelle Zahlen nennt
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
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
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr00. Einiges zum Vektorraum R n
00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen
MehrMathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
MehrMathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11
Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
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
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
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
MehrEine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung ist bijektiv, d.h. ihre Matrix ist invertierbar, falls und nur falls (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr& sind die Vektorkomponenten von und sind die Vektorkoordinaten von. A x. a) Der Betrag eines Vektors
Einführu hnung Was ist ein Vektor? In Bereichen der Naturwissenschaften treten Größen auf, die nicht nur durch eine Zahlenangabe dargestellt werden können, wie Kraft oder Geschwindigkeit. Zur vollständigen
MehrVorkurs 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
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
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
Mehry = A(x) y + b(x). (1) y = A(x) y (2)
73 5.2 Lineare Systeme Sei weiterhin IK = C oder IK = IR. Seien = I IR ein offenes Intervall, x 0 I, y 0 IK n, A: I IK n n und b: I IK n stetige matrix- bzw vektorwertige Funktionen. Wir betrachten komplexe
MehrTeil 2 LINEARE ALGEBRA II
Teil 2 LINEARE ALGEBRA II 27 Kapitel VII Euklidische und unitäre Vektorräume Wir beschäftigen uns jetzt mit Vektorräumen, die noch eine zusätzliche Struktur tragen Der Winkel zwischen Vektoren im IR 2
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
Mehr