4 Orthogonale Endormorphismen
|
|
- Louisa Brauer
- vor 6 Jahren
- Abrufe
Transkript
1 4 Orthogonale Endormorphismen Frage: Bei welchen Abbildungen R R bzw. R 3 R 3 bleibt der Abstand zwischen zwei Punkten erhalten? Für α R setzen wir cosα sin α D(α) = und S(α) := sin α cosα ( cos α sin α sin α cos α Additionstheoreme für Sinus und Cosinus (Analysis) cos(α + β) = cosαcos β sin α sin β sin(α + β) = sin α cosβ + cosαsin β Betrachte die zu D(α) bzw. S(α) behörigen Endomorphismen x D(α) x bzw. x T(α) x Schreibe einen Vektor x R \0 auch in Polarkoordinaten: cos β x = λ, wobei λ = x und β = Arg x. sin β Geometrische Bedeutung der Abbildung x D(α) x: cosα sin α cosβ cosαcosβ sin α sin β D(α) x = λ = λ sin α cosα sin β sin α cosβ + cosα sin β cos(α + β) = λ = y, wobei y = x und Arg y = Arg x + α sin(α + β) ) 1
2 y x α λ β Also ist x D(α) x eine Drehung um den Winkel α mit Drehzentrum 0. Geometrische Bedeutung der Abbildung x S(α) x: cosα sin α cosβ cos(α β) y = S(α) x = λ = λ sin α cosα sin β sin(α β) y R cos α sin α (nachrechnen). α β x Fazit: x S(α) x ist die Spiegelung an der Achse R cos α sin α. Definition: O() := {D(α) α R} {S(α) α R} heißt Menge der orthogonalen Matrizen.
3 Worin unterscheiden sich in O() Drehungen und Spiegelungen? det S(α) = cos α sin α = 1, det D(α) = cos α + sin α = +1 Sei A M(, R). (4.1) Charakterisierung der Matrizen aus O(). Äquivalente Aussagen sind: a) A O() b) A t A = E (d.h.: A ist invertierbar und A 1 = A t ). c) Ax, Ay = x, y für alle x, y R. Also: x Ax ist eine Drehung, falls A t A = E und det A = +1. x Ax ist eine Spiegelung, falls A t A = E und det A = 1. Wegen S(α) t = S(α) gilt für Spiegelungen: S(α) = S(α) t S(α) = E. cosα + sin α cosα sin α 1 0 Beweis: a) b) = sin α cos α sin α cosα 0 1 wegen cos α + sin α = 1. Entsprechend zeigt man S(α) t S(α) = E. b) c) Ax, Ay = (Ax)t Ay = x t A t Ay = x t A t Ay = x t y = x, y c) b) Aus Ax, Ay = x, y folgt x, At Ay = = x t (A t Ay) = (Ax) t Ay = Ax, Ay = x, y für alle x, y R, also x, A t Ay y = 0 für alle x, y R insbesonder gilt dies für x = A t Ay y. Es folgt A t Ay y, A t Ay y = 0 für alle y R, d.h. 1 0 A t Ay = y für alle y R und A t A =. Setze (y = e und y = e ). b) a) Sei A M(, R) mit den Spalten a1 und a 1 0 a = A t A = 1, a 1 a 1, a 0 1 a, a 1 a, a also 3
4 a 1 a, a 1 = a 1, a 1 ( = 1 = a ). Es gibt daher ein 0 ϕ < π mit cosϕ sin ϕ a 1 = und a sin ϕ = ±. Damit ist cosϕ cosϕ sin ϕ A = = D(ϕ) oder A = sin ϕ cosϕ ( cosϕ sin ϕ sin ϕ cosϕ ) = S(ϕ). Fazit: Die Matrix A M(, R) ist genau dann orthogonal, wenn gilt: Ax, Ay = x, y für alle x, y R Allgemeine Definition: Sei (V,, ) ein euklidischer Vektorraum und f : V V linear. f heißt orthogonal, wenn gilt: f(v), f(w) = v, w für alle v, w V Die orthogonalen Endomorphismen des R sind somit die Drehungen und die Spiegelungen. Sei nun f : V V eine orthogonale lineare Abbildung des euklidischen Vektorraums (V, ). (4.) Grundeigenschaften orthogonaler Abbildungen: a) f(v) = v für alle v V (f ist normerhaltend). b) d(f(v), f(w)) = d(v, w) für alle v, w V ( f ist abstandstreu). c) Aus v w folgt f(v) f(w). d) f erhält Winkel zwischen Vektoren 0. e) Die möglichen Eigenwerte von f sind 1 und 1. f) Eigenvektoren zu verschiedenen Eigenwerten von f stehen aufeinander senkrecht. g) Jeder orthogonale Endomorphismus ist invertierbar, falls dim V <. Sind f und g orthogonal, so auch f g und f 1. h) Ist dim V < und B eine Orthonormalbasis von V, so ist auch f(b) eine Orthonormalbasis. 4
5 Beweis: a) f(v) = f(v), f(v) = v, v = v b) d(f(v), f(w)) = f(v) f(w) = f(v w) a) = v w = d(v, w) d) (v, w) = arccos v,w v w a) = f(v),f(w) f(v) f(w) = (f(v), f(w)) c) ist der Spezialfall (v, w) = π von d). e) Sei λ R und v 0 mit f(v) = λv. Dann ist 0 v, v = λv, λv = λ v, v und λ = 1, d.h. λ = ±1. f) Seien v 0, w 0 mit f(v) = v, f(w) = w. Dann ist v, w = v, w = v, w und daher v, w = 0. g) Wegen a) ist Ker f = 0 und daher f GL(V ). Sind f, g orthogonal, so gilt f(g(v)), f(g(w)) = g(v), g(w) = v, w und f g ist orthogonal. Noch zu zeigen: f 1 (v), f 1 (w) = v, w. Setze x = f 1 (v), y = f 1 (w). Dann gilt nach Voraussetzung f 1 (v), f 1 (w) = x, y = f(x), f(y) = v, w. Da offenbar id V orthogonal ist, folgt aus (4.1) g): Ist dim V <, so ist O(V ) := {f f : V V orthogonal und linear } eine Untergruppe von GL(V ) = Gruppe der Automorphismen von V. Man nennt O(V ) die orthogonale Gruppe von V. Definition: Eine Isometrie (oder Bewegung) des R n ist eine Abbildung g : R n R n, welche Abstände erhält, d.h. Offenbar gilt: d(x, y) = d(g(x), g(y)) für alle x, y R n (i) Zusammensetzungen von Isometrien sind wieder Isometrien. (ii) Orthogonale Endomorphismen sind Bewegungen. 5
6 (iii) Jede Translation x x 0 + x des R n um einen festen Vektor x 0 ist eine Isometrie (d(x 0 + x, x 0 + y) = (x 0 + x) (x 0 + y) = x y = d(x, y)). Damit ist jede Abbildung g : R n R n, der Form g(x) = x 0 + f(x) mit f O(V ) und x 0 R n fest eine Isometrie. Von dieser Tatsache gilt auch die Umkehrung. (4.3) Satz: a) Sei g : R n R n eine Bewegung. Dann gibt es ein f O(R n ) und einen festen Vektor x 0 R n, so dass g(x) = x 0 + f(x) für alle x R n Insbesondere ist jede Bewegung g mit g(0) = 0 aus O(R n ). b) Die Bewegungen des R n bilden eine Gruppe. Beweis: a) Setze x 0 := g(0) und f(x) := g(x) x 0. Damit ist Es ist zu zeigen, dass f O(R n ). g(x) = x 0 + f(x) für alle x R n, f(0) = 0. Beweis: f ist als Zusammensetzung von g und der Translation um x 0 offenbar abstandserhaltend. Wegen f(0) = 0 folgt f(x) = d(f(x), 0) = d(f(x), f(0)) = d(x, 0) = x, also ist f normerhaltend. Für x, y R n gilt, da f Abstände und Normen erhält f(x) f(y), f(x) f(y) = d(f(x), f(y)) = d(x, y) = x y, x y f(x), f(x) = f(x) = x = x, x, entsprechend f(y), f(y) = y, y. Es folgt mit (SP1): f(x), f(y) = f(x), f(x) + f(y), f(y) f(x) f(y), f(x) f(y) = x, x + y, y x y, x y = x, y, also (1) f(x), f(y) = x, y für alle x, y R n. Es ist noch zu zeigen, dass f linear ist, d.h. () w := f(x + λy) f(x) λf(y) = 0, falls x, y R n und λ R. 6
7 Es ist f(e i ), f(e j ) (1) = e i, e j = 0 falls i j und f(e i ) = e i = 1. Nach (.5) ist daher (f(e 1 ),...,f(e n )) eine Basis des R n. Ferner ist w, f(e i ) = f(x + λy) f(x) λf(y), f(e i ) = f(x + λy), f(e i ) f(x), f(e i ) λ f(y), f(e i ) (1) = x + λy, e i x, e i λ y, e i = 0 für i = 1,..., n. Schreibe w = n λ i f(e i ), λ i R. Dann ist w, w = w, λ 1 f(e 1 ) λ n f(e n ) = n λ i w, f(e i ) = 0 und w = 0. b) Offenbar ist id V eine Bewegung. Zusammensetzungen von Bewegungen sind Bewegungen. Ist g(x) = x 0 +f(x), f O(R n ), so ist g 1 (x) = f 1 (x 0 )+ f 1 (x), also eine Bewegung, denn mit f ist auch f 1 O(R n ). Wiederholgung aus der linearen Algebra: Koordinatendarstellungen von Endomorphismen. 1) Endomorphismen des R n. a) Für A M(n n, R) ist L A : R n R n, x Ax linear. b) Jeder Endomorphismus f : R n R n ist von der Form L A : Ist A die Matrix mit den Spalten f(e 1 ),...,f(e n ), so ist für x 1 x =. x n R n A (x) = x 1 f(e 1 )+x f(e )+...+x n f(e n ) = f(x 1 e x n e n ) = f(x). ) Koordinatensysteme und Basen. Sei B = (v 1,...,v n ) eine Basis des Vektorraums V. Schreibe v V in der Form Der Vektor x =. v = x 1 v x n v n mit x 1,...,x n R. x 1 x n heißt Koordinatenvektor von v bezüglich B. Φ B : R n V, x x 1 v x n v n = v ist ein Isomorphismus mit Φ 1 B (v) = Koordinatenvektor von v bezüglich B. Φ B heißt das B zugeordnete Koordinatensystem von V. 7
8 3) Die darstellende Matrix eines Endomorphismus bezüglich einer Basis. Sei f : V V linear. Die darstellende Matrix von f bezüglich B = (v 1,...,v n ) ist die eindeutig bestimmte n n Matrix A mit folgenden Eigenschaften: Ist x der Koordinatenvektor von v bezüglich B und y der Koordinatenvektor von f(v) bezüglich B, so ist Ax = y Da e j der Koordinatenvektor von v j bezüglich B ist, gilt: j te Spalte (A) = Ae j = Koordinatenvektor von f(v j ) bzgl. B, d.h.: Ist f(v j ) = n a ij v i, j = 1,...,n, so ist A = (a ij ) i,j=1,...,n. Für A schreibt man M B B (f), kürzer M B(f). 4) Koordinatentransformation. Sei B = (w 1,..., w n ) eine weitere Basis von V. Schreibe n w j = c ij v i, j = 1,...,n (c ij R) C = (c ij ) heißt Übergangsmatrix von B nach B. C ist invertierbar und es gilt die Transformationsformel M B (f) = C 1 M B (f)c Spezialfall: Ist f : V V ein Isomorphismus und w j = f(v j ), j = 1,...,n, so ist B = (w 1,...,w n ) eine Basis von V und es gilt: M B (f) ist die Übergangsmatrix von B nach B. Beweis: Sei (a ij ) = M B (f). Dann ist nach 3) n w j = f(v j ) = a ij v i, j = 1,...,n. Problem: Wie sieht man einer darstellenden Matrix an, ob f orthogonal ist? (4.4) Satz: Sei (V, σ) ein euklidischer Vektorraum, B = (v 1,...,v n ) eine Orthonormalbasis von V und A = M B (f), f End V. Dann sind folgende Aussagen äquivalent: 8
9 a) f ist orthogonal. b) B = (f(v 1 ),...,f(v n )) ist eine Orthonormalbasis. c) A t A = E n. Beweis: Genau dann ist B eine Orthonormalbasis, wenn { 1, für i = j σ(v i, v j ) = 0, für i j, d.h. wenn M B(σ) = E n. a) b) gilt nach 4. h) b) c) A = M B(f) ist die Übergangsmatrix von B nach B. Nach 3.3 ist daher E n = M B (σ) = A t M B (σ)a = A t A. c) a) Ist A = M B(f) invertierbar, so ist f ein Isomorphismus und B = (f(v 1 ),...,f(v n )) ist eine Basis von V. Nach 3.3 ist M B (σ) = A t M B (σ)a = A t A = E n. Wir betrachten die symmetrische Bilinearform s(v, w) := σ(f(v), f(w)). Es gilt s(v i, v j ) = σ(f(v i ), f(v j )), d.h. M B (s) = M B (σ) = E n = M B (σ). Nach 3. ist daher s = σ, d.h. σ(v, w) = σ(f(v), f(w)) für v, w V. Also ist f eine orthogonale lineare Abbildung. Definition: A GL(n, R) heißt orthogonal, falls A t A = E n. Nach 4.3 ist also A genau dann orthogonal, wenn die Spalten von A eine Orthonormalbasis bilden. Aus A t A = E n folgt 1 = det(a t A) = det A t det A = (det A), und somit det A = ±1, falls A orthogonal ist. (4.5) Definition und Notiz: Die Teilmengen O(n) := {A GL(n, R) A orthogonal } GL(n, R) und SO(n) := {A O(n) det A = +1} GL(n, R) sind Untergruppen von GL(n, R). Sie heißen Orthogonale Gruppe bzw. Spezielle Orthogonale Gruppe n ter Ordnung. Beweis: E t ne n = E n also E n O(n). Sind A, B O(n) so ist (AB) t AB = B t (A t A)B = B t B = E n und (A 1 ) t A 1 = (A t ) t A 1 = AA 1 = E n. Also sind AB und A 1 aus O(n). Somit ist O(n) eine Untergruppe von Gl(n, R). Analog zeigt man, dass SO(n) GL(n, R) eine Untergruppe ist. 9
6 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
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
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
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
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
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
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
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
MehrKapitel III. Lineare Abbildungen
Kapitel III. Lineare Abbildungen Beispiele: 1 Lineare Abbildungen a) Seien c 1,..., c n K vorgegeben. Betrachte die Funktion F (x 1,..., x n ) = c 1 x 1 + c 2 x 2 +... + c n x n in den Variablen x 1,...,
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
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
Mehr1 Vektoren, Vektorräume, Abstände: 2D
Vektoren, Vektorräume, Astände: D Definition: Die Menge aller (geordneten Paare reeller Zahlen (oder allgemeiner: Elemente eines elieigen Körpers, als Spalten geschrieen, ezeichnen wir als Vektoren: R
MehrEinführung in die Mathematik für Informatiker
Einführung in die Mathematik für Informatiker Prof. Dr. www.math.tu-dresden.de/ baumann 12.12.2016 9. Vorlesung Eigenschaften linearer Abbildungen Beschreibung linearer Abbildungen durch Matrizen... Eigenschaften
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,
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
MehrDrehung um einen Punkt um Winkel α.
Drehung um einen Punkt um Winkel α. Sei A R 2 und α R. Drehung um A um Winkel α ist eine Abbildung D A (α) : R 2 R 2 welche wie folgt definiert ist: D A (α) = T A D 0 (α) T ( A), wobei die Abbildung D
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
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
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
MehrLineare Abbildungen. i=0 c ix i n. K n K m
Kapitel 4 Lineare Abbildungen In diesem Abschnitt lernen Sie erstmals eine Klasse von strukturerhaltenden Abbildungen kennen. Diese Konzept ist von zentraler Bedeutung in der Algebra. Grob gesagt geht
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 )
MehrKlausurenkurs zum Staatsexamen (WS 2013/14): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 3/4): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr, Thema 3, Aufgabe 4) Im R 3 seien die beiden Ebenen E : 6x+4y z = und E : +s +t 4 gegeben.
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
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
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,
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 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
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
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume 7.1 Skalarprodukte Definition 7.1.1 Es seien V und W Vektorräume über einem Körper K.Eine Abbildung s : V W K heißt Bilinearform, wenn gilt BF1 s(v 1 + v 2,w)
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 =
MehrSurjektive, injektive und bijektive Funktionen.
Kapitel 1: Aussagen, Mengen, Funktionen Surjektive, injektive und bijektive Funktionen. Definition. Sei f : M N eine Funktion. Dann heißt f surjektiv, falls die Gleichung f(x) = y für jedes y N mindestens
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
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
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
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrWiederholungsblatt Elementargeometrie LÖSUNGSSKIZZE
Wiederholungsblatt Elementargeometrie im SS 01 bei Prof. Dr. S. Goette LÖSUNGSSKIZZE Die Lösungen unten enthalten teilweise keine vollständigen Rechnungen. Es sind aber alle wichtigen Zwischenergebnisse
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
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrLineare Algebra I. Eine Vorlesung von Prof. Dr. Klaus Hulek
Lineare Algebra I Eine Vorlesung von Prof. Dr. Klaus Hulek hulek@math.uni-hannover.de c Klaus Hulek Institut für Mathematik Universität Hannover D 30060 Hannover Germany E-Mail : hulek@math.uni-hannover.de
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:
Mehr6 Affine Abbildungen Bei der Definition affiner Abbildungen gehen wir von der linearen Algebra aus und kommen aus guten Gründen erst danach zum
Kapitel II Lineare Algebra und analytische Geometrie 6 Affine Abbildungen Bei der Definition affiner Abbildungen gehen wir von der linearen Algebra aus und kommen aus guten Gründen erst danach zum geometrischen
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
Mehr1 Rechnen mit 2 2 Matrizen
1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrThema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema
Thema 12 Differentialrechnung, Partielle Ableitungen, Differenzierbarkeit, Taylor-Formel, Lokale Extrema In diesem Kapitel befassen wir uns mit der Ableitung von Funktionen f : R m R n. Allein die Schreibweise
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
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 12 (SS 2011) Abgabetermin: Donnerstag, 7. Juli http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Hier
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 +
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
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
Mehr4.1 Definition. Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn. = y 1. = y 2. xfy 1. xfy 2
4.1 Definition Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn xfy 1 xfy 2 = y 1 = y 2 Y heißt Zielbereich oder Zielmenge von f. Statt (x, y) f oder xfy schreibt man y = f(x). Vollständige
MehrSymmetrien. Transformationen. Affine und euklidische Räume
Symmetrien Transformationen Der Gruppenbegriff entwickelte sich aus dem Begriff der Transformationsgruppe. In dieser Form tauchen auch die meisten Gruppen in der Mathematik, Physik, Chemie, Kristallographie,
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
MehrLineare Algebra für die Sekundarstufe I (L2/L5) SS Jürgen Wolfart
Lineare Algebra für die Sekundarstufe I (L2/L5 SS 2008 Jürgen Wolfart Skript: Cristina Sarti Bilder: Claudia Baden Kapitel 1 Lineare Gleichungssysteme Problemstellung: Finde Lösungsmengen von Gleichungen
MehrHÖHERE MATHEMATIK 2, Übungen, Sommersemester Übungsblatt für den
. Übungsblatt für den 4. 3. 2008 () Die Gerade g sei durch die Gleichung 2x y = 3 gegeben. Bestimmen sie Gleichungen der beiden Geraden, die parallel zu g sind und den Abstand 2 von g haben. Bestimmen
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
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
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
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
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:
MehrPRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF.
Zuname: Vorname: Matrikelnummer: PRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF. (GITTENBERGER) Wien, am 5. Februar 2013 (Ab hier freilassen!) Arbeitszeit: 100 Minuten 1) 2) 3) 4) 5) 1)(8
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/
MehrV DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren
SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )
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
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
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
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
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
MehrGerade, Strecke, Halbgerade, Winkel (in (R n,, ))
Gerade, Strecke, Halbgerade, Winkel (in (R n,, )) A B Winkel Gerade Halbgerade Strecke A A A Gerade ist Punktmenge L A,v := {A+t v t R}, wobei v 0. Halbgerade (Strahl) ist Punktmenge H A,v := {A+t v t
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrLorentz-Geometrie. Nikolai Nowaczyk Lars Wallenborn
Lorentz-Geometrie Nikolai Nowaczyk http://math.nikno.de/ Lars Wallenborn http://www.wallenborn.net/ 6.2.-8.2. 23 Inhaltsverzeichnis. Vektorrechnung 2.. Grundlegende
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.................................
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
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
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
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
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
MehrInhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
MehrLineare (affine) Abbildung
Lineare affine Aildung A e 2 a e Wir üerziehen die Eene neen dem vertrauten Quadrat-Gitternetz, das durch die Basisvektoren e und e 2 festgelegt ist, mit einem Parallelogramm-Gitternetz, dessen Maschen
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrLineare Abbildungen. Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls. d.h.
Lineare Abbildungen Es seien V und W Vektorräume über einem Körper K. Eine Abbildung f : V W heißt linear oder Homomorphismus, falls (1) u, v V : f( u + v) = f( u) + f( v). (2) v V α K : f(α v) = αf( v).
Mehr8 Die Riemannsche Zahlenkugel
8 Die Riemannsche Zahlenkugel Wir untersuchen zunächst Geraden- und Kreisgleichungen in der komplexen Ebene C = R 2. Geradengleichungen Die Parameterdarstellung einer Geraden durch zwei Punkte z 1 z 2
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
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
Mehr4 Elementare Vektorraumtheorie
4. ELEMENTARE VEKTORRAUMTHEORIE 51 4 Elementare Vektorraumtheorie Im folgenden sei K stets ein Körper. Definition. (i) Eine homogene Gleichung in den Unbekannten ξ 1,..., ξ n ist ein Ausdruck der Gestalt
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
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
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 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,
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
MehrAnalytische Geometrie, Vektorund Matrixrechnung
Kapitel 1 Analytische Geometrie, Vektorund Matrixrechnung 11 Koordinatensysteme Eine Gerade, eine Ebene oder den Anschauungsraum beschreibt man durch Koordinatensysteme 111 Was sind Koordinatensysteme?
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
Mehr