Vorlesung Mathematik für Ingenieure (WS 17/18, SS 18, WS 18/19)
|
|
- Inge Gehrig
- vor 6 Jahren
- Abrufe
Transkript
1 1 Vorlesung Mathematik für Ingenieure (WS 17/18, SS 18, WS 18/19) Kapitel 4: Matrizen Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 4. Dezember 2017)
2 Matrizen 2 Definition 4.1 Eine m n-matrix ist ein rechteckiges Schema a 1,1 a 1,2 a 1,n A = a 2,1 a 2,2 a 2,n a m,1 a m,2 a m,n mit m Zeilen und n Spalten. Die Menge der m n-matrizen mit Einträgen aus K ist K m n (hier immer K = R oder K = C).
3 Bemerkungen 3 a i,j ist also der Eintrag in Zeile i und Spalte j. Schreibweisen: A = (a i,j ) = (a i,j ) i = 1,..., m j = 1,..., n Menge R m n der reellen Matrizen: a i,j R für alle i, j Menge C m n der komplexen Matrizen: a i,j C für alle i, j Hier: Beschränkung auf reelle Matrizen (komplexe Matrizen analog)
4 Beispiele 4 A = (a i,j ) = ( ) R 2 3 Z.B.: a 1,1 = 1, a 2,3 = 4 Die Matrix I n = = (c i,j) (mit c i,j = 1 für i = j und c i,j = 0 für i j) heißt die n n-einheitsmatrix.
5 Beispiele 5 Die Matrix O = O m,n K m n mit lauter Nullen ist die m n-nullmatrix. B = (b 1,1 ) K 1 1 ist eine 1 1-Matrix; wir können K 1 1 mit K identifizieren. Vektoren aus K k kann man als einspaltige k 1-Matrizen oder als einzeilige 1 k-matrizen auffassen. Konvention: Im Kontext der Matrizenrechnung identifizieren wir K k mit K k 1 (Spaltenvektoren)
6 Transponierte 6 Definition 4.2 Die Transponierte einer Matrix A = (a i,j ) K m n ist die Matrix A T = (b k,l ) K n m mit b k,l = a l,k für alle k {1,..., n}, l {1,..., m} (Vertauschung der Rollen von Zeilen und Spalten). A = ( ) R 2 3 A T = R
7 Addition und skalare Multiplikation 7 Definition 4.3 Für A = (a i,j ) K m n, B = (b i,j ) K m n und λ K definieren wir A + B := (a i,j + b i,j ) K m n (Matrizenaddition) und λa := (λa ij ) K m n (skalare Multiplikation).
8 Beispiele 8 ( ) ( ) = ( ) ( ( 2) ) = ( )
9 Rechenregeln 9 Für A, B, C K m n und λ, µ K gelten: (A + B) + C = A + (B + C) A + B = B + A A + O = A λ(µa) = (λµ)a λ(a + B) = λa + λb (λ + µ)a = λa + µa Wie K k bildet auch K m n einen Vektorraum.
10 Zeilen und Spalten Für A K m n : A i, K n ist der aus der i-ten Zeile von A gebildete Vektor (der Länge n). 10 i A,j K m ist der aus der j-ten Spalte von A gebildete Vektor (der Länge m). j
11 Matrizenmultiplikation Definition 4.4 Für zwei Matrizen A = (a i,j ) K m n und B = (b j,k ) K n p definiere AB = (c ik ) K m p mit n c i,k = a i,j b j,k (= A i,, B,k, falls K = R) j=1 für alle i {1,..., m}, k {1,..., p}. 11 k k i Länge: n Länge: n * = i
12 Beispiel = ( ) ( 1) ( 1) ( 1) ( 1) ( 1) =
13 Formate müssen passen 13 A = und B = kann man nicht multiplizieren (A hat 2 Spalten, aber B hat 3 Zeilen).
14 Weitere Beispiele ( ) = ( ) =
15 Weitere Beispiele 15 ( ( ) ) ( ( ) = ) = ( ( ) ) Bemerkung 4.5 Matrizenmultiplikation ist i.a. nicht kommutativ!
16 Rechenregeln Für Matrizen A, B, C jeweils passender Formate und λ K gelten: (AB)C = A(BC) 16 A(B + C) = AB + AC (A + B)C = AC + BC A(λB) = (λa)b = λ(ab) (AB) T = B T A T AI n = A = I m A O m,m A = O m,n = AO n,n
17 Multiplikation von Matrizen mit Vektoren Sei A = (a i,j ) K m n. Fasse x K n mit Komponenten x 1,..., x n als n 1-Matrix auf (Spaltenvektor). Definiere Ax K m als den Vektor mit m Komponenten, der als m 1-Matrix aufgefasst x 1 a 1,1 x a 1,n x n A. =..... x n a m,1 x a m,n x n A 1,, x =., falls K = R A m,, x ist. 17
18 Lineare Abbildungen Bemerkung 4.6 Die mittels einer Matrix A K m n definierte Abbildung ϕ A : K n K m, x Ax ist eine lineare Abbildung. 18 Bemerkung 4.7 Wir werden später sehen: Zu jeder linearen Abbildung f : K n K m gibt es auch eine Matrix A K m n mit f (x) = Ax für alle x K n.
19 Beispiel 19 f : R 2 R 3 mit f (x) = ( x1 x 2 ) = für alle x = (x 1, x 2 ) R 2, also 2x 1 + 3x 2 5x 1 + 0x 2 0x 1 + ( 1)x 2 f (x 1, x 2 ) = (2x 1 + 3x 2, 5x 1, x 2 ).
20 Bildmenge (Bild f (R) des Rechtecks R = [ 1, 1] [ 2, 2] unter f.)
21 Koordinatenprojektion 21 g : R 3 R 2 mit g(x 1, x 2, x 3 ) = ( ) x ( ) 1 x 2 x1 = x x 2 3 (Projektion auf die ersten beiden Koordinaten.)
22 Drehungen 22 Für einen Winkel Φ [0, 2π]: ( ) ( x cos(φ) sin(φ) = ỹ sin(φ) cos(φ) ) ( x y ) entsteht durch Drehung (gegen Uhrzeigersinn) um den Winkel Φ um den Ursprung.
23 23 Beispiel mit Φ = π
24 Mit anschließender x-streckung ( ) ( 2 cos(φ) 2 sin(φ) x sin(φ) cos(φ) y )
25 m = 1 und n = 1 Lineare Funktionen f : R R mit 25 für eine Konstante a R. f (x) = (a) (x) = ax Graph der Funktion f (x) = 1 3 x Die Graphen von linearen Funktionen R R sind Geraden durch den Ursprung.
26 m = 1 und n beliebig 26 Lineare Funktionen f : K n K mit f (x) = f (x 1,..., x n ) = (a 1,..., a n ) x 1. x n = a 1 x a n x n = a, x (= A i,, B,k, falls K = R) für einen konstanten Vektor a = (a 1,..., a n ) K n.
27 Graphen f : R 2 R mit f (x, y) = 2x + 4y Die Graphen von linearen Funktionen R n R sind (Hyper-)Ebenen im R n+1 durch den Ursprung.
28 Kerne von Matrizen 28 Definition 4.8 Der Kern einer Matrix A K m n ist ker(a) = {x K n Ax = O m } = ker(ϕ A ) (also der Kern der linearen Abbildung x A).
29 Zeilen- vs. Spaltenvektoren 29 Im Kontext von Matrizenmultiplikationen sind Vektoren v K q immer als Spaltenvektoren v 1 v =. K q 1 v q aufzufassen. Der zugehörige Zeilenvektor ist v T = (v 1,..., v q ) K 1 q.
30 Lineare Gleichungssysteme Definition 4.9 Ein lineares Gleichungssystem (LGS) in den Variablen x 1,..., x n hat die Form 30 a 11 x a 1n x n = b 1... a m1 x a mn x n = b m mit (konstanten) Koeffizienten a ij K und (konstanten) rechten Seiten b i K (für i {1,..., m} und j {1,..., n}). Es heißt homogen, wenn b 1 = = b m = 0 ist, sonst heißt es inhomogen.
31 Äquivalenz von LGS 31 Die Lösungsmenge von Ax = b ist {z K n Az = b}. Zwei lineare Gleichungssysteme Ax = b und Ãx = b (mit A K m n, b K m, Ã K m n, b K m ) heißen äquivalent, wenn sie die gleiche Lösungsmenge haben.
32 Zeilenoperationen 32 Die folgenden elementaren Zeilenoperationen überführen ein LGS Ax = b in ein äquivalentes LGS Ãx = b: (a) Vertauschung von Zeilen (b) Addition des λ-fachen einer Zeile A i, zu einer anderen Zeile A k, (mit k i) für ein λ K Das gleiche gilt für die Multiplikation einer Zeile mit einem Skalar λ 0 (Skalierung). Strategie: Bringe Ax = b durch elementare Zeilenoperationen (und evtl. Skalierung) in eine Form, an der man die Lösungen leicht ablesen kann.
33 Köpfe 33 Definition 4.10 Sei A K m n eine Matrix und i {1,..., m}. Falls A i, O n, so heißt (i, j) mit a i,1 = = a i,j 1 = 0 und a ij 0 der Kopf der i-ten Zeile von A; die Zahl a ij K ist dann die Kopfzahl der i-ten Zeile. Ist A i, = O n, so hat die i-te Zeile keinen Kopf.
34 Zeilenstufenform 34 Definition 4.11 Eine Matrix A R m n hat Zeilenstufenform (ZSF) wenn für ein p {1,..., m} A 1,,..., A p, O n und A p+1, = = A m, = O n gilt und für alle i, k {1,..., p} mit i < k der Kopf der k-ten Zeile weiter rechts als der Kopf der i-ten Zeile steht (insbesondere stehen unter jedem Kopf nur Nullen).Die Spalten, die Köpfe enthalten, heißen Basis-Spalten. Sind zusätzlich alle Kopfzahlen gleich 1 und stehen auch über allen Köpfen nur Nullen, so hat die Matrix A normierte Zeilenstufenform (NZSF).
35 Zeilenstufenform 35 (#: Zahl 0, : beliebige Zahl) 0 0 # 0 0 # 0 0 # #
36 Normierte Zeilenstufenform
37 Gauß-Algorithmus für ZSF 37 Eingabe: Ausgabe: A R m n à R m n in ZSF, die durch elementare Zeilenoperationen aus A entstanden ist (1) Falls A = O : à A (fertig) (2) Sonst suche eine Zeile, deren Kopf am weitesten links steht und vertausche diese Zeile mit der ersten Zeile.
38 Gauß-Algorithmus für ZSF 38 (3) Ist (1, j) der Kopf der ersten Zeile, so addiere für alle i {2,..., m} das ( a ) ij -fache der ersten zur i-ten Zeile a 1j (unter (1, j) stehen in der j-ten Spalte jetzt nur noch Nullen). (4) Sei à R (m 1) (n j) die entstandene Matrix ohne die erste Zeile und die ersten j Spalten; wende das Verfahren rekursiv auf à an.
39 ZSF-Transformation 39 Bemerkung 4.12 Mit dem Gauß-Algorithmus kann man jede Matrix A in eine Matrix à in ZSF transformieren. Diese ZSF-Matrix à ist aber durch A i. A. nicht eindeutig bestimmt (wegen der Wahlmöglichkeiten in Schritt 2). Die Anzahl der Rechenoperationen ist dabei beschränkt durch const mn min{m, n}.
40 Gauß-Algorithmus für NZSF 40 Eingabe: Ausgabe: à K m n in ZSF à K m n in NZSF, die durch elementare Zeilenoperationen und Skalierung aus à entstanden ist. (1) Dividiere jede Nicht-Null-Zeile durch ihre Kopfzahl. (2) Für i = m, m 1,..., 1 (falls à i, O n ): Subtrahiere geeignetes Vielfaches der i-ten Zeile von den Zeilen 1,..., i 1, so dass über dem Kopf der i-ten Zeile nur noch Nullen stehen.
41 NZSF-Transformation 41 Bemerkung 4.13 Mit dem Gauß-Algorithmus kann man jede Matrix à Km n, die in ZSF ist, in eine Matrix in NZSF transformieren. Die Anzahl der Rechenoperationen ist dabei beschränkt durch const mn min{m, n}.
42 Erweiterte Koeffizientenmatrix 42 Definition 4.14 Für ein LGS Ax = b mit A K m n, b K m heißt (A, b) K m (n+1) die erweiterte Koeffizientenmatrix von Ax = b. Das LGS Ax = b hat NZSF, wenn (A, b) NZSF hat.
43 Lösungsstruktur bei NZSF Satz 4.15 Sei Ax = b ein LGS in NZSF; sei r die Anzahl der Nicht-Null-Zeilen von A. (1) Falls b r+1 0 (oder b i 0 für i r + 1), so hat Ax = b keine Lösung. (2) Ansonsten (d. h. b r+1 = = b m = 0): (a) Falls r = n (jede Spalte ist Basisspalte): Ax = b hat die eindeutige Lösung x 1 = b 1,..., x n = b n. (b) Falls r < n: Ax = b hat unendlich viele Lösungen, die man erhält, indem man den Nicht-Basis-Variablen beliebige Werte zuweist und die Werte der Basis-Variablen anschließend jeweils mit Hilfe der Zeile ausrechnet, deren Kopf in der zugehörigen Spalte steht. 43
44 Lösungen von allgemeinen LGS 44 Bemerkung 4.16 Ein allgemeines LGS Ax = b kann man also lösen, indem man es zunächst via Gauß-Algorithmus in NZSF bringt und dann Satz 4.15 anwendet. Hat man eine beliebige Lösung z mit Az = b, so erhält man alle anderen Lösungen von Ax = b, indem man zu z beliebige Lösungen des homogenen Systems Ax = O addiert.
45 Der Rang 45 Definition 4.17 Der Rang rang(a) einer Matrix A K m n ist: Die Dimension des von den Zeilen bzw. Spalten erzeugten Unterraums von K n bzw. K m. Die Anzahl der Nicht-Nullzeilen in einer NZSF von A. n dim (ker A). Bemerkung 4.18 Für jede Matrix A K m n ist rang(a) = rang(a T ).
46 Quadratische Matrizen Definition 4.19 Eine Matrix heißt quadratisch, wenn sie genau so viele Zeilen wie Spalten hat. 46 Definition 4.20 Eine Matrix A = (a ij ) K n n hat obere bzw. untere Dreiecksform, wenn a ij = 0 für alle j < i bzw. für alle j > i gilt. Definition 4.21 Die Hauptdiagonale einer n n Matrix besteht aus den Positionen (i, i) (für i {1,..., n}).
47 Dreiecksmatrizen und LGS 47 Bemerkung 4.22 Sei A = (a ij ) K n n eine obere oder untere Dreiecksmatrix. 1. Ist a ii 0 für alle i, so sind für alle b, c K n die Systeme Ax = b und y T A = c T eindeutig lösbar. 2. Ist a ii = 0 für irgendein i, so ist Ax = e i nicht lösbar.
48 Invertierbarkeit 48 Definition 4.23 Eine quadratische Matrix A K n n heißt invertierbar (oder regulär), falls eine Matrix B K n n existiert mit AB = I n.eine solche Matrix B ist eindeutig bestimmt (wenn sie existiert); sie wird mit A 1 (Inverse von A) bezeichnet.eine nicht invertierbare quadratische Matrix heißt singulär. Korollar 4.24 Eine Dreiecksmatrix ist genau dann invertierbar, wenn sie auf der Hauptdiagonalen keine Null hat.
49 Rechenregeln 49 Seien A, B K n n invertierbar. Dann gelten: AA 1 = A 1 A = I n (A 1 ) 1 = A (A T ) 1 = (A 1 ) T (AB) 1 = B 1 A 1 Sind A 1,..., A k K n n invertierbar, so ist A 1 A 2 A k invertierbar mit (A 1 A 2 A k ) 1 = A 1 k A 1 2 A 1 1.
50 Invertierbarkeit und LGS Bemerkung Ist A K n n invertierbar, so hat für jedes b K n das LGS Ax = b genau eine Lösung: x = A 1 b. Satz 4.26 Eine Matrix A K n n ist genau dann invertierbar, wenn das LGS Ax = O n nur die Lösung x = O n hat. Korollar 4.27 Elementare Zeilen- und Spaltenoperationen ändern die Invertierbarkeit einer Matrix nicht. (Achtung: Die Inverse ändert sich i.a. aber schon.)
51 Kriterien für Invertierbarkeit 51 Korollar 4.28 Eine Matrix A K n n ist genau dann invertierbar, wenn ihre Spalten linear unabhängig sind. Korollar 4.29 Eine Matrix A K n n ist genau dann invertierbar, wenn ihre Zeilen linear unabhängig sind.
52 Invertierbarkeit und lineare Abbildungen 52 Satz 4.30 Eine durch ϕ(x) = Ax (mit A K n n ) definierte lineare Abbildung ϕ : K n K n ist genau dann umkehrbar, wenn A invertierbar ist. Die Umkehrabbildung ist dann definiert durch ϕ 1 (y) = A 1 y für alle y K n.
53 Elementarmatrizen 53 Definition 4.31 Eine Elementarmatrix ist eine Matrix, die aus einer Identitätsmatrix durch eine elementare Zeilenoperation oder eine Zeilenskalierung (mit λ 0) hervorgeht.
54 Invertierung von Elementarmatrizen Bemerkung Elementarmatrizen sind invertierbar. Ihre Inversen sind die Elementarmatrizen, die zu den jeweiligen Umkehroperationen (Vertauschen, Subtraktion des λ-fachen, Multiplikation mit Kehrwert) gehören. Entsteht à aus A K m n durch eine Folge von elementaren Zeilenoperationen und Zeilenskalierungen mit zugehörigen Elementarmatrizen E 1,..., E k K m m, so ist à = PA mit der invertierbaren Matrix P = E k E 2 E 1 K m m.
55 Invertierung mittels Gauß-Algorithmus Sei A K n n. Forme (A, I n ) K n 2n mittels elementarer Zeilenoperationen und Zeilenskalierungen in (Ã, B) um, so dass à in NZSF ist. Ist P K n n das Produkt der zugehörigen Elementarmatrizen (wie in Bem. 4.32), so ist (Ã, B) = P (A, I n ) = (PA, P), also B = P und à = PA = BA. Falls à = I n ist, so ist also I n = BA, folglich A 1 = B. Falls à I n (à hat NZSF), so hat à wenigstens eine Null auf der Hauptdiagonalen, also ist A nicht invertierbar. 55
56 Darstellungsmatrizen Definition 4.33 Seien V und W zwei endlich-dimensionale K-Vektorräume mit zwei geordneten Basen B = (b (1),..., b (n) ) von V und C = (c (1),..., c (m) ) von W. Die Darstellungsmatrix einer linearen Abbildung ϕ : V W bzgl. B und C ( ) CM(ϕ) B = Cϕ(b (1) ),..., C ϕ(b (n) ) K m n hat als Spalten die Koordinatenvektoren der Bilder ϕ(b (1) ),..., ϕ(b (n) ) der Basis B bzgl. der Basis C.
57 ... stellen lineare Abbildungen dar 57 Satz 4.34 Sind V und W endlich-dimensionale K-Vektorräume mit zwei geordneten Basen B von V und C von W, so gilt für jede lineare Abbildung ϕ : V W für alle v V : Cϕ(v) = C M(ϕ) B Bv
58 Verkettung linearer Abbildungen 58 Satz 4.35 Sind V, W, U endlich-dimensionale K-Vektorräume mit geordneten Basen B, C bzw. D, so gilt DM(ψ ϕ) B = D M(ψ) C CM(ϕ) B für alle linearen Abbildungen ϕ : V W, ψ : W U.
59 Darstellungsmatrizen und Basiswechsel 59 Satz 4.36 Sind B und C zwei geordnete Basen des endlich-dimensionalen K-Vektorraumes V, so gilt für jede lineare Abbildung ϕ : V V CM(ϕ) C = S 1 BM(ϕ) B S mit S = B M(id V ) C (die Matrix, deren Spalten die Koordinatenvektoren von C bzgl. B sind).
60 Wechsel von der Standardbasis 60 Bemerkung 4.37 Ist A K n n und ist C = (c (1),..., c (n) ) eine geordnete Basis von K n, so gilt für ϕ A : K n K n mit ϕ A (v) = Av: CM(ϕ A ) C = S 1 AS, wobei S K n n die Matrix mit Spalten c (1),..., c (n) ist.
61 Ähnlichkeit von Matrizen 61 Definition 4.38 Zwei Matizen A, A K n n heißen ähnlich zueinander, wenn es eine invertierbare Matrix S K n n gibt mit A = S 1 AS.
62 Parallelogramm 62
63 Spate/Parallelepipede 63
64 Streichungsmatrizen 64 Definition 4.39 Für A K n n und i, j {1,..., n} sei A (i,j) K (n 1) (n 1) die Matrix, die aus A entsteht, wenn man die i-te Zeile und die j-te Spalte heraus streicht.
65 Definition der Determinante Definition 4.40 Für beliebige n 1 definieren wir die Determinante det(a) K einer quadratischen Matrix A = (a ij ) K n n rekursiv: 65 Falls n = 1: A = (a 11 ) und det(a) := a 11 Falls n 2: det(a) := n i=1 ( 1) i+1 a i1 det(a (i,1) ) = a 11 det(a (1,1) ) a 21 det(a (2,1) ) + + ( 1) n+1 a n1 det(a (n,1))
66 Permutationen Definition 4.41 Eine Permutation von {1,..., n} ist ein bijektive Abbildung σ : {1,..., n} {1,..., n}. Eine Permutation σ repräsentiert also eine Reihenfolge (σ(1), σ(2),..., σ(n)) der Zahlen 1, 2,..., n. Eine Fehlstellung von σ ist ein Paar i < j mit σ(i) > σ(j). Das Signum von σ ist 66 sign(σ) := { +1, gerade viele Fehlstellungen 1, ungerade viele Fehlstellungen. Die Menge der Permutationen von {1,..., n} ist Π n.
67 Leibniz-Formel 67 Satz 4.42 Für die Determinante von A = (a ij ) K n n gilt: det(a) = σ Π n sign (σ) n j=1 a σ(j),j
68 Die Determinante der Transponierten 68 Satz 4.43 Für jede Matrix A K n n gilt: det(a) = τ Π n n sign (τ) a i,τ(i) = det(a T ) i=1
69 Nullzeilen und Nullspalten 69 Bemerkung 4.44 Hat A K n n eine Zeile oder eine Spalte mit lauter Nullen, so ist det (A) = 0.
70 Multilinearität der Determinanten 70 Satz 4.45 Ist A = (a ij ) K n n mit A k, = a + λa (a, a K n, λ K), so ist det(a) gleich A 1, A 1,.. a + λa = det a +λ det det. A n, Analoges gilt für Spalten.. A n, A 1,. a. A n,.
71 Die Determinante ist alternierend Satz 4.46 Entsteht à Kn n aus A K n n durch Vertauschung zweier Zeilen (oder zweier Spalten), so ist det (Ã) = det(a). 71 Korollar 4.47 Hat A K n n zwei gleiche Zeilen (oder zwei gleiche Spalten), so ist det (A) = 0.
72 Laplace-Entwicklung Satz 4.48 Für A = (a ij ) K n n (n 2), k, l {1,..., n} gilt: 72 det (A) = n ( 1) i+l a il det (A (i,l) ) i=1 (Entwicklung nach der l-ten Spalte) det (A) = n ( 1) k+j a kj det (A (k,j) ) j=1 (Entwicklung nach der k-ten Zeile)
73 Zeilen-/Spaltenadditionen 73 Satz 4.49 Entsteht à K n n aus A K n n durch Addition des λ-fachen der i-ten Zeile zur k-ten Zeile mit i k (oder des µ-fachen der j-ten Spalte zur l-ten Spalte mit j l), so ist det (Ã) = det (A).
74 Determinanten-Berechnung mit Gauß 74 Sei A K n n gegeben. Bestimme mit elementaren Zeilen- und Spaltenoperationen aus A eine Dreiecksmatrix à = (ã ij ) K n n. Sei t die Anzahl der durchgeführten Zeilenund Spaltenvertauschungen. Dann ist det (A) = ( 1) t n ã ii. i=1
75 Determinante und Kern 75 Satz 4.50 Für alle A K n n gilt: det (A) = 0 ker A {O n }
76 Determinanten-Multiplikationssatz 76 Satz 4.51 Für A, B K n n gilt det (AB) = det (A) det (B) Vorsicht: Im Allgemeinen ist aber det (A + B) nicht gleich det (A) + det (B)!
77 Rechenregeln 77 Seien A, B K n n. det (A T ) = det (A) det (A) 0 A invertierbar det (A 1 ) = 1 det (A), falls A invertierbar det (AB) = det (A) det (B) = det (BA) det (A k ) = (det (A)) k für alle k N det (λ A) = λ n det (A) für alle λ K det (I n ) = 1 det (O n n ) = 0
78 Cramers Regel 78 Satz 4.52 Ist A K n n invertierbar und b K n, so gilt für die eindeutige Lösung von Ax = b für alle j {1,..., n}: x j = 1 det A det ( A,1,..., A,j 1, b, A,j+1,..., A,n )
79 Diagonalisierbarkeit 79 Definition 4.53 Eine Matrix A K n n heißt diagonalisierbar, wenn es eine invertierbare Matrix S K n n gibt, so dass D = S 1 AS eine Diagonalmatrix ist.
80 Eigenwerte und -vektoren 80 Definition 4.54 Eine Zahl λ K heißt ein Eigenwert von A K n n, wenn es (wenigstens) einen Vektor v K n \ {O n } gibt mit Av = λv. Diese Vektoren heißen dann Eigenvektoren zum Eigenwert λ.
81 Kriterium für Diagonalisierbarkeit 81 Satz 4.55 Eine Matrix A K n n ist genau dann diagonalisierbar, wenn es eine Basis von K n aus lauter Eigenvektoren von A gibt. Schreibt man diese Basisvektoren als Spalten in eine Matrix S K n n, so ist S 1 AS eine Diagonalmatrix, auf deren Diagonalen die zu den Basisvektoren gehörenden Eigenwerte stehen.
82 Eigenräume 82 Definition 4.56 Für einen Eigenwert λ K von A K n n heißt Eig A (λ) = {v K n Av = λv} der Eigenraum zum Eigenwert λ.
83 Das charakteristische Polynom 83 Definition 4.57 Für eine Matrix A K n n heißt χ A = det(a x I n ) K[x] n das charakteristische Polynom von A. Satz 4.58 Die Eigenwerte von A K n n sind genau die Nullstellen des charakteristischen Polynoms χ A K[x] n von A.
84 Konsequenzen 84 Bemerkung 4.59 Eine Matrix A K n n hat also höchstens n Eigenwerte (weil χ A den Grad n hat). Satz 4.60 Jede Matrix in C n n hat wenigstens einen Eigenwert; wegen R n n C n n hat also jede reelle Matrix wenigstens einen Eigenwert in C.
85 Nicht-reelle Eigenwerte reeller Matrizen 85 Bemerkung 4.61 Die nicht-reellen Eigenwerte reeller Matrizen treten als Paare zueinander komplex-konjugierter komplexer Zahlen auf.
86 Vielfachheiten von Nullstellen 86 Jedes Polynom p(x) C[x] vom Grad n zerfällt in n Linearfaktoren: p(x) = α (λ 1 x) k1 (λ 2 x) k2 (λ r x) k r mit α C \ {O}, λ i λ j, k 1 + k k r = n λ 1,..., λ r sind genau die Nullstellen von p(x), ihre Vielfachheiten sind k 1,..., k r.
87 Vielfachheiten von Eigenwerten 87 Definition 4.62 Ist λ K ein Eigenwert von A K n n, so ist die algebraische Vielfachheit von λ die Vielfachheit der Nullstelle λ des charakteristischen Polynoms χ A von A; die geometrische Vielfachheit von λ ist dim (Eig A (λ)).
88 Algebraische und geometrische Vielfachheit 88 Satz 4.63 Die geometrische Vielfachheit eines Eigenwerts ist höchstens so groß wie seine algebraische Vielfachheit; für jeden Eigenwert gilt also: 1 geom. Vielf. alg. Vielf.
89 Diagonalisierbarkeit und Eigenwerte 89 Satz 4.64 Eine Matrix A K n n ist genau dann (über K) diagonalisierbar, wenn ihr charakteristisches Polynom χ A (über K) in Linearfaktoren zerfällt und für jeden Eigenwert die geometrische Vielfachheit so groß wie die algebraische ist.
90 Determinante und Spur Satz 4.65 Sind λ 1,..., λ r C die Eigenwerte einer Matrix A C n n mit algebraischen Vielfachheiten k 1,..., k r, so ist det (A) = λ k 1 1 λk 2 2 λk r r Spur (A) = k 1 λ 1 + k 2 λ k r λ r (Spur (A) = n A ii ) i=1
91 ... im charakteristischen Polynom 91 Bemerkung 4.66 Für jede Matrix A K n n ist χ A = ( 1) n x n +( 1) n 1 Spur (A)x n 1 + +det (A), Spur und Determinante findet man also in den Koeffizienten des charakteristischen Polynoms.
92 Komplex konjugierte Vektoren/Matrizen 92 Definition 4.67 Für v = (v 1,..., v n ) C n sei v = (v 1,..., v n ) C n der zu v komplex konjugierte Vektor; für A = (a ij ) C n n sei A = (a ij ) C n n die zu A komplex konjugierte Matrix.
93 Symmetrische reelle Matrizen 93 Satz 4.68 Jede symmetrische reelle Matrix A R n n ist über R diagonalisierbar. Satz 4.69 Die Eigenräume zu verschiedenen Eigenwerten einer symmetrischen reellen Matrix stehen orthogonal zueinander (d.h., je zwei Vektoren aus verschiedenen Eigenräumen haben Skalarprodukt Null).
94 Eine Matrix S R n n ist genau dann orthogonal, wenn die Spalten von S eine Orthonormalbasis von R n bilden. Orthonormalbasen, orthogonale Matrizen Definition 4.70 Eine Orthonormalbasis ist eine Basis von R n, deren Vektoren paarweise orthogonal aufeinander stehen und Norm Eins haben. 94 Definition 4.71 Eine Matrix S R n n heißt orthogonal, wenn S T S = I (d. h. S 1 = S T ) gilt. Bemerkung 4.72
95 Reelle symmetrische Matrizen 95 Satz 4.73 Für jede symmetrische Matrix A R n n gibt es eine orthogonale Matrix S R n n, so dass S T AS = D Diagonalgestalt hat. Die Eigenwerte von A stehen dabei mit ihren (algebraischen, geometrischen) Vielfachheiten auf der Diagonalen von D. Die Spalten von S bilden eine Orthonormalbasis von R n aus Eigenvektoren von A.
96 Hermitesche Matrizen 96 Definition 4.74 Eine Matix A C n n heißt hermitesch, wenn A T = A ist. Satz 4.75 Jede hermitesche Matrix A C n n ist diagonalisierbar und hat nur reelle Eigenwerte.
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,
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
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
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.................................
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
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
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
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
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
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
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
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
MehrCopyright, Page 1 of 5 Die Determinante
wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist
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,
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
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
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
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
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
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
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
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
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.
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.
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
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Lineare Gleichungssysteme und Determinanten. Lineare Gleichungssysteme.2 Determinanten 3 iii 2 LINEARE GLEIHUNGSSYSTEME UND DETERMINANTEN KAPITEL
MehrQuadratische Matrizen
Quadratische Matrizen (n n)-matrizen heißen quadratische Die entsprechenden linearen Abbildungen sind laut Definition Endomorphismen des R n (weil f A : R n R n ) Das Produkt von (n n)- Matrizen ist auch
MehrLineare Algebra KAPITEL III. 12 Matrizen und der Gauß-Algorithmus. I) Matrizen
KAPITEL III Lineare Algebra 12 Matrizen und der Gauß-Algorithmus I Matrizen Definition 121 Matrizen und der R n Es seien m,n 1 zwei positive ganze Zahlen a Eine m n-matrix über R ist ein rechteckiges Schema
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
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
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:
MehrMatrizen und Determinanten
Matrizen und Determinanten 1 Matrizen und Determinanten 1 Einführung in den Matrizenbegriff Zur Beschreibung und Lösung vieler physikalischer Probleme ist die Vektorrechnung vonnöten Durch Verwendung von
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
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
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
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
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
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,
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
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
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
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
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
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
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
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
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 Roger Burkhardt roger.burkhardt@fhnw.ch
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
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
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
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
MehrQuadratische Matrizen Inverse und Determinante
Kapitel 2 Quadratische Matrizen Inverse und Determinante In diesem Abschnitt sei A M(n, n) stets eine quadratische n n Matrix. Für nicht-quadratische Matrizen ergeben die folgenden Betrachtungen keinen
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:
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
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
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
MehrSpezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:
Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es
MehrII. Lineare Gleichungssysteme. 10 Matrizen und Vektoren. 52 II. Lineare Gleichungssysteme
52 II Lineare Gleichungssysteme II Lineare Gleichungssysteme 10 Matrizen und Vektoren 52 11 Der Gaußsche Algorithmus 58 12 Basen, Dimension und Rang 62 13 Reguläre Matrizen 66 14 Determinanten 69 15 Skalarprodukte
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
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.
MehrLineare Gleichungssysteme - Grundlagen
Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
MehrLineare Algebra und Geometrie für LehramtskandidatInnen. Andreas Čap
Lineare Algebra und Geometrie für LehramtskandidatInnen (Kapitel 6 9) Wintersemester 2010/11 Andreas Čap Fakultät für Mathematik, Universität Wien, Nordbergstraße 15, A 1090 Wien E-mail address: Andreas.Cap@esi.ac.at
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 +
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
Mehr8 Lineare Abbildungen
80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von R n nach R m wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R 2 und R 3 Man nennt
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
MehrInverse Matrix. 1-E Ma 1 Lubov Vassilevskaya
Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.
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
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
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
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
Mehr3 Matrizen und Determinanten
31 Matrizen 311 Matrizen und Gleichungssysteme Grundlegende Begriffe der linearen Algebra und linearen Optimierung sind die Begriffe Matrix, Vektor, Determinante und lineares Gleichungssystem Beispiel
MehrJürgen Hausen Lineare Algebra I
Jürgen Hausen Lineare Algebra I 2. korrigierte Auflage Shaker Verlag Aachen 2009 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation
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).
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
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
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. 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
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
MehrPer Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER
Per Jensen VORLESUNGSSKRIPT MATHEMATIK B FÜR CHEMIKER BERGISCHE UNIVERSITÄT WUPPERTAL THEORETISCHE CHEMIE Juli 2008 Inhaltsverzeichnis 1 Komplexe Zahlen............................. 5 1.1 Einführung............................
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
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
Mehrx LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg
SKRIPTUM { LINEARE ALGEBRA I JB COOPER Inhaltsverzeichnis: x Lineare Gleichungssysteme x Geometrie der Ebene und des Raumes x Vektorraume x Lineare Abbildungen Typeset by AMS-T E X x LINEARE GLEICHUNGSSYSTEME
Mehr7 Lineare Gleichungssysteme
118 7 Lineare Gleichungssysteme Lineare Gleichungssysteme treten in vielen mathematischen, aber auch naturwissenschaftlichen Problemen auf; zum Beispiel beim Lösen von Differentialgleichungen, bei Optimierungsaufgaben,
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
MehrLineare Algebra. I. Vektorräume. U. Stammbach. Professor an der ETH-Zürich
Lineare Algebra U Stammbach Professor an der ETH-Zürich I Vektorräume Kapitel I Vektorräume 1 I1 Lineare Gleichungssysteme 1 I2 Beispiele von Vektorräumen 7 I3 Definition eines Vektorraumes 8 I4 Linearkombinationen,
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 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:
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
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..
MehrLINEARE ALGEBRA I, WS 2010/11. NOTIZEN ZUR VORLESUNG.
LINEARE ALGEBRA I, WS 2010/11. NOTIZEN ZUR VORLESUNG. ULRICH GÖRTZ 1. Einführung, Motivation 1.1. Lineare Gleichungssysteme. LGS mit 1 Gleichung, 1 Unbestimmten; 1 Gleichung, n Unbestimmten; 2 Gleichungen,
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
MehrSkriptenreihe zur Vorlesung Mathematik für Elektrotechnik. Lineare Algebra. Institut für Analysis R. Löwen, A.E. Schroth, K.-J.
Skriptenreihe zur Vorlesung Mathematik für Elektrotechnik Lineare Algebra Institut für Analysis R. Löwen, A.E. Schroth, K.-J. Wirths Inhaltsverzeichnis Einleitung................................. L Lineare
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
MehrMathematik für Ingenieure I
Mathematik für Ingenieure I Wintersemester 203/4 W. Ebeling 2 c Wolfgang Ebeling Institut für Algebraische Geometrie Leibniz Universität Hannover Postfach 6009 30060 Hannover E-mail: ebeling@math.uni-hannover.de
Mehr