m 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
|
|
- Herbert Koch
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x ( t x ( t 3 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem m x = k (x x m x = k (x x k 3 (x x 3 m 3 x 3 = k 3 (x 3 x Führen wir den Vektor und die Matrix A := x(t := x (t x (t x 3 (t k k m m k m k +k 3 k 3 m m k 3 m 3 k 3 m 3 5
2 6 KAPITEL 5. EIGENWERTE ein, so können wir das Dgl.-system in der Form x = A x schreiben. Gesucht sind die Werte ω für die Frequenz und δ für die Phase, mit denen alle 3 Kugeln simultan schwingen können. Um sie aufzufinden, gehen wir mit dem Ansatz in die Dgl. in Matrixform ein und sehen also x(t := x sin(ωt δ ω x sin(ωt δ = A x sin(ωt δ A x = ω x Der Vektor x soll also nach Multiplikation mit A wieder in ein Vielfaches von x übergehen. Man sagt, x soll Eigenvektor und ω Eigenwert von A sein. Das formulieren wir jetzt allgemeiner: Wir fixieren wieder einen Körper K, etwa IR oder C. Weiter sei V ein K-Vektorraum der endlichen Dimension n. Definition. a Ist f : V V linear, so nennen wir eine Zahl λ K einen Eigenwert von f, wenn in V ein Vektor x mit f( x = λ x existiert. Der Vektor x wird Eigenvektor zu f zum Eigenwert λ genannt. b Sind f und λ wie unter (a, dann bezeichnen wir mit E(f, λ die Menge E(f, λ := { x V f( x = λ x} Dies ist ein Untervektorraum von V, den man auch den Eigenraum zu f zum Eigenwert λ nennt. Entsprechende Definitionen trifft man für Matrizen: Definition. a Ist A M(n n, K, so nennen wir eine Zahl λ K einen Eigenwert von A, wenn ein Vektor K n x mit A x = λ x existiert. b Sind f und λ wie unter (a, dann bezeichnen wir den Eigenraum von A zum Eigenwert λ mit E(A, λ die Menge E(A, λ := { x V A x = λ x} Das folgende ist zur Berechnung der Eigenwerte einer Matrix von Nutzen:
3 5.. DEFINITION UND BEISPIELE Hilfssatz. a Sei f End (V und λ K. Dann ist λ genau dann ein Eigenwert von f, wenn f λid nicht injektiv ist. b Ist A M(n n, K, so ist eine Zahl λ genau dann ein Eigenwert von A, wenn λe n A nicht invertierbar ist, wenn also χ A (t := det(te n A bei t = λ eine Nullstelle hat. Beweis. Genau dann ist λ ein Eigenwert von f, wenn ein Vektor x V \ { } existiert, so dass f( x = λ x, also x Ker (f λid, somit Ker (f λid nicht nur aus dem Nullvektor besteht. b Folgt aus a mit V = K n und f = f A. Definition. Für eine Matrix A M(n n, K nennt man χ A von A. Es gilt das charakteristische Polynom 5.. Hilfssatz. a Ist A eine quadratische n-reihe Matrix und S GL(n, K, so haben A und S A S dasselbe charakteristische Polynom. b Ist V ein K-Vektorraum der Dimension n und f End (V, so gilt: Ist B eine Basis von V, so haben f und A B,f,B dieselben Eigenwerte. Beweis. a Ist S GL (n, K, so gilt χ S A S (t = det(te n S A S = det(s (te n A S = det S χ A (t det S = χ A (t b Sei A = A B,f,B. Ist λ ein Eigenwert von f, so wählen wir einen Eigenvektor v zu λ für f. Dann wird aber A v = f( v B = (λ v B = λ v B also ist λ ein Eigenwert von A. Ist umgekehrt x ein Eigenvektor zu A zum Eigenwert λ, so gilt n f( x B n j b j = x B j f( n b j = λ x B j b j, j= j= also v := n j= xb j b j E(f, λ. Der Hilfssatz sagt also, dass zur Bestimmung der Eigenwerte die Nullstellen des charakteristischen Polynoms berechnet werden müssen. Dies ist nicht immer einfach. In jedem Fall gelingt es im Fall n =, wenn K = C. ( 6 Beispiele. a A = 3. Dann ist χ A (t = t t + 6 j=
4 8 KAPITEL 5. EIGENWERTE Seine Nullstellen sind komplex und nicht reell: λ = ( + 3i 7, λ := ( 3i 7 Weiter errechnen wir und b A = 9 + 4i + 6i 3 i 8 i 6 8i 6 + 6i E(A, λ = Span E(A, λ = Span ( +i 7 ( +i 7. Dann wird χ A (t = t 3 (5 + it + (5 + 5it 5i Sicher ist λ = eine Nullstelle dieses Polynoms. Weitere Nullstellen sind λ = 5, λ 3 = i. Als Eigenräume errechnen wir 7 E(A, λ = Span 5, E(A, λ = Span, E(A, λ 3 = Span 3 Nullstellen bei Polynomen vom Grad 3 Angenommen, es sei f 3 (x =: x 3 + ax + bx + c vom Grade 3 mit komplexen Koeffizienten. Durch Übergang zu g(x := f 3 (x a 3 = x3 + (b a x + c ab a3 7 können wir f 3 durch ein Polynom ersetzen, das die (normalisierte Form hat. Nun schreiben wir f(x := x 3 + px + q x := t p 3t
5 5.. DEFINITION UND BEISPIELE 9 und errechnen wir f(x = t 3 + q p3 7t 3 So sehen wir, dass x genau dann eine Nullstelle von f wird, wenn t 3 die quadratische Gleichung T + qt p3 7 = löst. Dann wählen wir t als eine dritte Wurzel aus T (dazu bestehen 3 Möglichkeiten und setzen das in die Gleichung für x ein. Beispiel: Sei etwa f(x = x 3 4x + x 6. Dann wird Ist dann x Nullstelle von g, so ist x und finden, dass g(x = äquivalent ist zu ist. Wir lösen die Gleichung und erhalten die Lösungen g(x := f(x = x3 3 x 8 7 eine Nullstelle für f. Nun setzen wir x := t + 9t t t 3 = T 8 7 T + 79 = T = 7 ( , T = 7 (9 3 9 Es gibt nun drei Lösungen zur Gleichung t 3 = T, nämlich Einsetzen in x = t + 9t t =.55788, t = i, t 3 = i ergibt dann x =.54955, x := i, x 3 = i Unser Polynom f hat seine Nullstellen bei s := , s := i, s 3 := i
6 KAPITEL 5. EIGENWERTE 5. Normalformen Triangulierung bei Matrizen Definition. Wir nennen eine Matrix A M(n n, K triangulierbar, wenn eine Basis B := { b,..., b n } des K n existiert, so dass A b j Span ( b,..., b j für alle j =,,..., n. Setzen wir f := f A, so bedeutet das, dass A B,f,B eine obere Dreiecksmatrix sein soll. Folgende Bedingung muss für triangulierbare Matrizen erfüllt sein: 5.. Satz. Ist A M(n n, K eine Matrix, deren charaktristisches Polynom χ A in Linearfaktoren zerfällt, so ist A triangulierbar. Beweis. (Induktion nach n. n = : klar. Ist die Behauptung für n richtig, so auch für n. Sei b ein Eigenvektor zu A. Wir verlängern b zu einer Basis b, b,..., b n von Kn. Diese ordnen wir zu einer Matrix S an. Es folgt S A S = λ a... a n. A Auf A ist die Induktionsannahme anwendbar und ergibt: Es gibt eine Matrix S GL(n, K, so dass S A S obere Dreicksgestalt hat. Nun leistet... S =. S S das Verlangte: S A S hat obere Dreicksgestalt. Beispiel. Die Matrix A := 7+3i 5 + i i 7+5i 5 i i +i i
7 5.. NORMALFORMEN Das charakteristische Polynom ist Weiter gilt A = ( i Die Matrix A = ( + i 3+i 5. Wir setzen also und bilden Das führt auf χ A (x = (x (x + i. Sei jetzt S := S A S = 5 i i i + i. Dann wird hat die Eigenwerte und i mit Eigenvektoren S = ( S = S ( 3+i 5 S = i S A S = 3+i 5 3+3i 5 i ( bezw. Notation. Ist A eine n n-matrix und p(x = a k x k + a k x k a ein Polynom, so soll p(a die Matrix p(a = a k A k + a k A k a E n bedeuten. Dann gilt a p(a q(a = q(a p(a für alle Polynome p und q. b Ist λ Eigenwert von A, so ist p(λ Eigenwert von p(a. 5.. Hilfssatz. Ist A M(n n, K, so besteht die Menge I(A derjenigen Polynome p mit p(a = nicht nur aus dem Nullpolynom. Es gibt ein eindeutig bestimmtes normiertes Polynom m A minimalen Grades in I(A. (Ein Polynom heißt dabei normiert, wenn sein Leitkoeffizient gleich ist. Dieses Polynom wird Minimalpolynom von A genannt. Alle Polynome aus I(A sind von der Form q(x m A (x.
8 KAPITEL 5. EIGENWERTE Beweis. In der Tat ist die Menge A n, A n,..., A, E n linear abhängig, da M(n n, K die Dimension n hat. Das zeigt die erste Behauptung. Wir wählen ein normiertes Polynom m A minimalen Grades in I(A aus. Ist dann p I(A, so gilt (Divisionsalgorithmus p = g m A + r mit Polynomen g und r, wobei der Grad von r kleiner als der von m A ist. Dann ist aber r(a = p(a g(a m A (A =, so dass auch r I(A gilt. Nun muss r = sein, sonst entstünde ein Widerspruch zur Wahl von m A. Die Eindeutigkeit von m A ist nun ebenfalls klar. Als eine erste Anwendung der Triangulierung haben wir den Satz von Cayley-Hamilton: 5..3 Satz. Ist A M(n n, C, so gilt χ A I(A und insbesondere ist m A ein Teiler von χ A. Beweis. Wir wählen eine invertierbare Matrix S, so dass S A S eine obere Dreiecksmatrix wird: λ a... a n S λ... a n A S = λ n Dann ist χ A (A = S χ A (S A S S = S χ S A S (S A S S, und es genügt, alles für den Fall zu zeigen, dass A selbst schon obere Dreiecksgestalt hat. Nun ist aber χ A (t = (t λ... (t λ n Setzen wir die obere Dreiecksmatrix ein, entsteht a... a n λ a... a n λ... a n a n λ n λ n λ a a n λ a n... a 3n λ n λ a a n λ a n λ 3... a 3n Das Produkt der ersten beiden Matrizen hat in den ersten beiden Spalten nur Nullen, das Produkt der ersten 3 Matrizen hat in den ersten 3 Spalten nur Nullen, usw. Zum Schluss erhalten wir die Nullmatrix.
9 5.. NORMALFORMEN 3 Folgerung. Ist A eine Matrix, so ist λ K genau dann Eigenwert von A, wenn m A (λ = ist. Beweis. Ist λ Nullstelle von m A, so auch von χ A. Umgekehrt sei λ ein Eigenwert für A. Dann gilt m A (λ ist Eigenwert von m A (A =, also ist m A (λ =. Diagonalisierung Definition. Eine lineare Abbildung f : V V (dim V = n heißt diagonalisierbar, wenn für V eine Basis existiert, die nur aus Eigenvektoren von f besteht. Entsprechend nennen wir eine Matrix A M(n n, K diagonalisierbar, wenn für K n eine Basis existiert, die nur aus Eigenvektoren von A besteht. Ob ein gegebenes f End (V diagonalisierbar ist oder nicht, hängt von der Größe der Eigenräume ab Hilfssatz. Sei f End (V und A M(n n, K. Dann gilt: a Sind λ,..., λ r paarweise verschiedene Eigenwerte von f und sind b E(f, λ,..., b r E(f, λ r vom Nullvektor verschieden, so sind b,..., b r linear unabhängig. b Sind λ,..., λ r die (paarweise verschiedenen Eigenwerte von A, so ist U := E(A, λ E(A, λ r ein Unterraum von K n. Wählen wir zu jedem E(A, λ j eine Basis B j, so ist B... B r eine Basis für U. c Ist λ ein Eigenwert von A und k = dim E(A, λ, dann enthält χ A den Faktor (t λ k. Beweis. a Für r = 3 gilt etwa dies: Wenn b = a b + b b 3 wäre, so hätte man λ b = f( b = af( b + bf( b 3 = aλ b + bλ 3 b3 Gleichzeitig ist λ b = aλ b + bλ b3. Es folgt aλ b + bλ 3 b3 = aλ b + bλ b3, also a(λ λ b = b(λ λ b 3. Also ist schon a b = b b 3. Das ergibt aber aλ b = f(a b = bf( b 3 = λ 3 b b 3 = λ 3 a b Nun folgt a(λ λ 3 b = und somit a =. Das erfordert aber b =, also b =, ein Widerspruch. Der allgemeine Fall kann durch ein Induktionsargument nach k erledigt werden. b Das folgt aus a. c Wir wählen eine Basis b,..., b k von E(A, λ und verlängern diese zu einer Basis B von K n. Diese Basisvektoren bilden die Spalten einer invertierbaren Matrix S, für welche nun gilt ( S λek A S = A
10 4 KAPITEL 5. EIGENWERTE Dann ist aber χ A (t = χ S A S (t = (t λ k q(t mit irgendeinem Polynom q vom Grade n k. So erhalten wir sofort den 5..5 Satz. Genau dann ist eine Matrix A M(n n, K diagonalisierbar, wenn das Polynom χ A in Linearfaktoren zerfällt und weiter, wenn die Zerlegung χ A (t = (t λ k... (t λ r kr mit paarweise verschiedenen Eigenwerten besteht, für jedes j =,..., r der Eigenraum E(A, λ j die Dimension k j hat. Beweis. Es gilt stets dim E(A, λ j k j, für j =,..., r, und ferner k k r = n. Damit ist dim U = n = k +...+k r genau dann, wenn dim E(A, λ j = k j, für j =,..., r. Dann ist aber die im Hilfssatz genannte Basis B von U eine gesuchte Basis von K n, die nur aus Eigenvektoren von A besteht. Aber Beispiel. Sei A := Dann ist χ A (t = t 3 4t + 5t = (t (t A E 3 = Wegen rg (A E 3 = folgt dim E(A, = 3 rg (A E 3 = <, also kann A nicht diagonalisierbar sein. In unserem Beispiel ist m A = χ A. Ein anderes Kriterium für die Diagonalisierbarkeit einer Matrix ist dieses: 5..6 Satz. Genau dann ist eine Matrix A M(n n, K diagonalisierbar, wenn m A nur einfache Nullstellen hat. Beweis. Sei m A (t = (t λ... (t λ r mit paarweise verschiedenen λ,..., λ r. Die λ j sind die Eigenwerte von A, wie wir schon wissen. Dann sei F j (t = m A (t t λ j für j =,..., r. Wir finden Polynome f,..., f r mit F (tf (t F r (tf r (t =
11 5.. NORMALFORMEN 5 Denn alle Polynome p, zu denen es Polynome g,..., g r mit F (tg (t+...+f r (tg r (t = p(t gibt, bilden eine Menge a, für die gilt: (i a ist mit der Addition eine abelsche Gruppe, (ii mit h a ist auch q h a, wenn q irgendein Polynom ist. Dann wählen wir aus a das normierte Polynom p mit minimalem Grad aus. Ist dann p a beliebig, so gilt p = qp + R mit einem Polynom R. Nun gehört auch R zu a und hat einen kleineren Grad als p. Also gilt R =, folglich teilt p jedes Polynom aus a. Sicher gehört jedes F j zu a, j r, also muss p jeden der Faktoren F j teilen und somit konstant sein, da die F,..., F r keinen gemeinsamen Teiler haben. So finden wir die gesuchten f,..,.f r. Nun sei x K n. Dann ist sicher und weiter (λ j E n A F j (A f j (A x = m A (A x = x = E n x = r j= F j (A f j (A x }{{} =: v j Somit wird x = v v r und v j Ker (f λ j Id = E(A, λ j, für j =,..., r. Aus früheren Überlegungen erhalten wir ferner, dass wir eine Basis von K n gewinnen, wenn wir zu jedem Eigenraum eine Basis hernehmen und dann die Vereinigung dieser Basen bilden. So finden wir eine Basis von Eigenvektoren zu A. Beispiel. Die Matrix, welche dem schwingungsfähigen System zu Beginn des Abschnitts assoziiert war, lautete Wir stellen fest, dass A := k k m m k m k +k 3 k 3 m m k 3 m 3 k 3 m 3 χ A (t = t ( b + at + t ( b := k k 3 + +, a := k + k + k 3 + k 3 m m m m 3 m m 3 m m m 3 Damit wird ein Eigenwert von A. Es zeigt sich, dass ein Eigenvektor zum Eigenwert ist. Die anderen Eigenwerte sind t = a + a 4b, t = a a 4b Es zeigt sich, dass a 4b > und damit t, t <. Die Eigenfrequenzen, mit denen die 3 Kugeln simultan schwingen könenn, sind nun ω = t, ω = t
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
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
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
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.
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 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(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
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
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
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,
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
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
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
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
MehrGegeben sei eine Menge V sowie die Verknüpfung der Addition und die skalare Multiplikation der Elemente von V mit reellen Zahlen.
1. Der Vektorraumbegriff...1 2. Unterräume...2. Lineare Abhängigkeit/ Unabhängigkeit... 4. Erzeugendensystem... 5. Dimension...4 6. Austauschlemma...5 7. Linearität von Abbildungen...6 8. Kern und Bild
MehrLineare Algebra II. Sommersemester Wolfgang Ebeling
Lineare Algebra II Sommersemester 2009 Wolfgang Ebeling 1 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@mathuni-hannoverde
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
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
MehrLineare Algebra II 5. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 25 J ai décidé d être heureux parce que c est bon pour la santé Voltaire Trigonalisierbare Abbildungen
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 Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html
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
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
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
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
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,
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
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr2 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
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
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
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
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
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
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
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
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/
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:
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
MehrKLAUSUR ZUR LINEAREN ALGEBRA I MUSTERLÖSUNG
KLAUSUR ZUR LINEAREN ALGEBRA I Wiederholungsprüfung MUSTERLÖSUNG. April 2008 Name: Studiengang: Aufgabe 2 3 4 5 6 Summe Punktzahl /50 Allgemeine Hinweise: Bitte schreiben Sie Ihre Lösungen jeweils unter
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
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.
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
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).
MehrKap 5: Rang, Koordinatentransformationen
Kap 5: Rang, Koordinatentransformationen Sei F : V W eine lineare Abbildung. Dann ist der Rang von F erklärt durch: rang F =dim ImF. Stets gilt rang F dimv, und ist dimv
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
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
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
Mehr11. BASIS, UNTERRAUM, und DIMENSION
11. BASIS, UNTERRAUM, und DIMENSION 1 Basen werden zu unterschiedlichen Zwecken benutzt: Um lineare Abbildungen in ihrer Matrixdarstellung zu vereinfachen, um die Dimension von Vektorräumen und ihren Unterräumen
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 =
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
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
MehrLineare Algebra II. Prof. Dr. Uwe Jannsen Sommersemester Transformation auf Dreiecksgestalt
Lineare Algebra II Prof. Dr. Uwe Jannsen Sommersemester 2006 1 Transformation auf Dreiecksgestalt Sei K ein Körper. Definition 1.1 Zwei Matrizen A und A M n (K) heißen ähnlich (oder konjugiert), wenn es
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
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
MehrMusterlösung Klausur zur Linearen Algebra II
Musterlösung Klausur zur Linearen Algebra II Samstag 8. Juli 6 -Uhr. a) Sei f : V W k-linear. Denieren Sie V und f : W V. b) Die Gruppe G operiere auf der Menge M. Denieren Sie die Bahn und die Isotropiegruppe
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
MehrElementare Zahlentheorie
Euklid-1 Euklid sche Ringe (Das Rechnen in Z und in K[T]). Ist K ein Körper und f K[T] ein Polynom, so nennt man f normiert, falls f 0 gilt und der höchste Koeffizient von f gleich 1 ist. (Natürlich gilt:
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar. http://www.math.uni-bielefeld.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 11 (WS 2010/2011) Abgabetermin: Donnerstag, 20. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung:
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
Mehr2. Der Grad von Körpererweiterungen
2. Der Grad von Körpererweiterungen 15 2. Der Grad von Körpererweiterungen Wenn wir untersuchen wollen, ob eine gegebene Konstruktion in der Ebene mit Zirkel und Lineal durchführbar ist, haben wir im vorigen
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrBild und Kern. Für eine lineare Abbildung L : V W bezeichnet man mit. Kern L = {v V : L(v) = 0} V. den Kern und mit
Bild und Kern Für eine lineare Abbildung L : V W bezeichnet man mit Kern L = {v V : L(v) = 0} V den Kern und mit Bild L = {w W : v V mit L(v) = w} W das Bild von L. Bild und Kern 1-1 Bild und Kern Für
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
MehrLineare Algebra I: Eine Landkarte
Bild F Algebra I: Eine Landkarte Faser Versuch einer Übersicht der Themen und Zusammenhänge der n Algebra 1. 1 Algebra I: Bild F Faser Sei B Basis von V. Jedes v V läßt sich eindeutig aus den Basisvektoren
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
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
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
MehrLineare Differenzengleichungen und Polynome. Franz Pauer
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 13/7, A-600 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at Vortrag beim ÖMG-LehrerInnenfortbildungstag
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
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
MehrKörper- und Galoistheorie
Prof. Dr. H. Brenner Osnabrück SS 2011 Körper- und Galoistheorie Vorlesung 17 Kummererweiterungen Ernst Eduard Kummer (1810-1893) Wir haben in der letzten Vorlesung gesehen, dass sich einige Eigenschaften
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 +
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
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
MehrKapitel 12. Lineare Abbildungen und Matrizen
Kapitel 12 Lineare Abbildungen und Matrizen Lineare Abbildungen f : R n R m Wir wissen schon: Eine lineare Abbildung f : R n R m ist eindeutig durch ein n-tupel von Vektoren v 1, v 2,, v n des R m bestimmt
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
MehrBesteht eine Matrix nur aus einer Spalte (Zeile), so spricht man auch von einem Spaltenvektor (Zeilenvektor)
Matrizenrechnung. Matrizen Matrizen sind bereits im Kapitel Lineare Gleichungssysteme aufgetreten. Unter einer (m n) -Matrix A verstehen wir ein rechteckiges Zahlenschema mit m Zeilen und n Spalten. Der.
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
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
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
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
MehrGeometrie von Flächen und Algebraischen Kurven Der Satz von Pascal
Geometrie von Flächen und Algebraischen Kurven Der Satz von Pascal Laura Hinsch November 005 Inhaltsverzeichnis 1 Einleitung 1 Algebraische Kurven 1 3 Singularitäten 3 4 Der Satz von Pascal 5 i 1 Einleitung
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.
MehrEin Beispiel für eine lineare Abbildung
Inhaltsverzeichnis Ein Beispiel für eine lineare Abbildung Lothar Melching Vorbemerkungen 2 Ein Beispiel 2 2 Definition der Abbildung f 2 22 Die Abbildungsmatrix 3 23 Anwendung 3 Eigenwerte 3 Die neue
MehrDie Dimension eines Vektorraumes
Die Dimension eines Vektorraumes Ist (b 1, b 2,..., b n ) eine Basis des Vektorraums V, so heißt n die Dimension von V. Die Möglichkeit dieser Definition beruht auf dem folgenden nichttrivialen Satz. Je
MehrLineare Abhängigkeit
Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x
Mehrx,y A = t xay v i,v j A = e i,e j t PAP
75 Lineare Algebra II SS 2005 Teil 6 Bilinearformen 6A Kongruenz quadratischer Matrizen Sei K ein Körper, sei A M(n n, K) eine quadratische Matrix Wie wir zu Beginn von Teil 3 gesehen haben, liefert A
MehrLineare Abbildungen und Darstellungsmatrizen
KAPITEL 4 Lineare Abbildungen und Darstellungsmatrizen 1. Lineare Abbildungen Definition 4.1 (Lineare Abbildungen). Seien V und W zwei Vektorräume über den selben Körper K. Eine Abbildung f : V W heißt
MehrAlgebra und Diskrete Mathematik, PS3. Sommersemester Prüfungsfragen
Algebra und Diskrete Mathematik, PS3 Sommersemester 2016 Prüfungsfragen Erläutern Sie die Sätze über die Division mit Rest für ganze Zahlen und für Polynome (mit Koeffizienten in einem Körper). Wodurch
MehrWURZEL Werkstatt Mathematik Polynome Grundlagen Teil II
Die WURZEL Werkstatt Mathematik Polynome Grundlagen Teil II Polynome nur zu addieren, multiplizieren oder dividieren ist auf die Dauer langweilig. Polynome können mehr. Zum Beispiel ist es manchmal gar
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr