MC-Serie 11: Eigenwerte

Ähnliche Dokumente
Serie 12: Eigenwerte und Eigenvektoren

Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)

Ausgewählte Lösungen zu den Übungsblättern 9-10

Serie 10: Inverse Matrix und Determinante

Lineare Algebra II 3. Übungsblatt

Klausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3

45 Eigenwerte und Eigenvektoren

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2012/2013

Aussagenlogik. 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl. C: 2 ist eine Primzahl D: 7 7. F: 3 ist Teiler von 9

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016

Klausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 3

Aussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2018/2019

L7 Diagonalisierung einer Matrix: Eigenwerte und Eigenvektoren. Gegeben. Gesucht: Diagonalform: Finde und! Definition: Eigenvektor, Eigenwert

6 Eigenwerte und Eigenvektoren

Lineare Algebra I Lösungsvorschlag

6 Eigenwerte und Eigenvektoren

3.6 Eigenwerte und Eigenvektoren

Kapitel 5 : Eigenwerte und Eigenvektoren

Eigenwerte. Ein Eigenwert einer quadratischen n n Matrix A ist ein Skalar λ C (eine komplexe Zahl) mit der Eigenschaft Ax = λx (1)

Lösungsskizzen zur Klausur

Berechnung der Determinante

Lineare Algebra. 12. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching

Orientierung der Vektoren b 1,..., b n. Volumen des von den Vektoren aufgespannten Parallelotops

Diagonalisierbarkeit symmetrischer Matrizen

Lineare Algebra. 13. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching

und Unterdeterminante

und Unterdeterminante

Mathematik I. Vorlesung 16. Eigentheorie

Lösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:

Eigenwerte (Teschl/Teschl 14.2)

(also ) Oft wird Zusammenhang zwischen und mit einem Index angedeutet, z.b. wird der Eigenvektor v. durch gekennzeichnet.

Eigenwerte (Teschl/Teschl 14.2)

6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.

5 Eigenwerte, Eigenvektoren und Diagonalisierbarkeit

Lineare Algebra für Ingenieure

Klausurenkurs zum Staatsexamen (SS 2013): Lineare Algebra und analytische Geometrie 3 Lösungsvorschlag

Fachhochschule München Fachbereich 03 FA WS 2006/07. Diplomvorprüfung in Mathematik I (Lineare Algebra) Fahrzeugtechnik

TECHNISCHE UNIVERSITÄT MÜNCHEN FERIENKURS. Lineare Algebra FLORIAN NIEDERREITER & AILEEN WOLF

Serie 17: Satz von Cayley-Hamilton & spezielle Endomorphismen

Eigenwerte und Diagonalisierung

Lineare Algebra: Determinanten und Eigenwerte

Serie Sei V ein Vektorraum. Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt. Zeigen Sie:

18 λ 18 + λ 0 A 18I 3 = / Z 2 Z 2 Z Z Z 1

Scheinklausur, 2. Teil, Lineare Algebra I, WS 2001, Prof. Dr. G. Hiß. Ja oder

Kapitel 11 Eigenwerte und Eigenvektoren

D-ITET. D-MATL, RW Lineare Algebra HS 2017 Dr. V. Gradinaru T. Welti. Online-Test 2. Einsendeschluss: Sonntag, den

29.2 Lineare Differentialgleichungssysteme mit konstanten Koeffizienten Wir betrachten das homogene System. y = A y, t R, (1)

Klausur zu. Lineare Algebra II. Viel Erfolg! Fachbereich Mathematik WS 2012/13 Dr. habil. Matthias Schneider. Bonus Note. Aufgabe

1.11 Eigenwertproblem Anwendungen von Eigenwerten und Eigenvektoren Lineare Rekursionen Lineare Differentialgleichungssysteme Bestimmung von

Lösungsskizzen zur Klausur zur Linearen Algebra II. Definitionen

Sommer 2017 Musterlösung

3 Determinanten, Eigenwerte, Normalformen

Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2

Ökonometrische Analyse

Technische Universität Berlin Fakultät II Institut für Mathematik WS 03/04 Eppler, Richter, Scherfner, Seiler, Zorn 25.

4 Lineare Algebra (Teil 2): Quadratische Matrizen

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

Übungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen

Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.

Theoretische Fragen zu ausgewählten Themen in Lineare Algebra

Eigenwertprobleme. 25. Oktober Autoren: 1. Herrmann, Hannes ( ) 2. Kraus, Michael ( ) 3. Krückemeier, Paul ( )

5 Eigenwerte und die Jordansche Normalform

Lineare Algebra I für Mathematiker Lösungen

Mathematik für Physiker, Informatiker und Ingenieure

Musterlösungen zur Linearen Algebra II Übungsklausur

Definitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht

Lineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.

Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom

5.2 Charakteristisches Polynom und Eigenräume

Musterlösungen zur Linearen Algebra II Hauptklausur

4 Eigenwerte und Eigenvektoren

Orthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen

2.2 Eigenwerte und Eigenvektoren

Prüfung Lineare Algebra , B := ( ), C := 1 1 0

Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.

Klausurähnliche Aufgaben

Transkript:

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 verwenden. Sie dürfen während des 1. Welcher der folgenden Vektoren ist ein Eigenvektor von ( 3. ( ) 1 0? 3 2 Die Vektoren ( 1 3). ( 3 und ( ( ) 1 0 3 = 3 2) 1 ( ) 3 sind offenbar nicht kollinear. 11 Die Vektoren ( 3. ( 1 3) und ( ( ) ( 1 0 1 1 = sind offenbar nicht kollinear. 3 2) 3 9) Die Vektoren ( ) 1. 3 ( ) 3 und 1 ( ) ( ) ( 1 0 3 3 = sind offenbar nicht kollinear. 3 2 1 7) Offenbar ist ( ) ( ) ( ) 1 0 1 1 = ein Eigenvektor zum Eigenwert 1. 3 2 3 3

2. Welche der folgenden Aussagen ist korrekt? Jede reelle 2 2-Matrix hat zwei voneinander verschiedene Eigenwerte. Falsch, z.b. besitzt ( ) 1 1 den doppelten EW 1. 0 1 Jede reelle 2 2-Matrix hat zwei linear unabhängige Eigenvektoren. Falsch, z.b. besitzt ( ) ( 1 1 µ nur die EV, µ R. 0 1 0) Besitzt eine reelle 2 2-Matrix nur einen Eigenwert, so sind alle ihre Eigenvektoren kolinear (d.h. linear abhängig). Falsch, z.b. besitzt die Einheitsmatrix E 2 den einzigen EW 1 Besitzt eine reelle 2 2-Matrix nur einen Eigenwert, so ist dieser Eigenwert reell. Komplexe Eigenwerte treten als Paare auf, denn mit λ ist auch λ ein Eigenwert, und λ = λ genau dann, wenn λ reell ist. 3. Welche der Matrizen 1 4 5 0 1 2 1 0 0 A = 2 0 2, B = 1 0 3 und C = 0 1 0 3 2 5 0 3 0 0 0 1 hat 0 als Eigenwert? A. B. C. Keine. 0 kann per definitionem kein Eigenwert sein. Die Determinanten von B und C sind nicht 0, det B = 6 und det C = 1 also können diese beiden Matrizen nicht 0 als Eigenwert haben. Jedoch ist det A = 0 also muss 0 ein Eigenwert von A sein.

4. Welche der folgenden Aussagen ist falsch? Die Eigenwerte einer invertierbaren Diagonalmatrix sind alle 0. Richtig. Die Diagonaleinträge sind hier gerade die Eigenwerte. Wenn 0 ein EW ist, ist das Produkt der Diagonaleinträge also gleich Null. Dieses Produkt ist hier aber gleich der Determinanten der Matrix, die nach Voraussetzung von 0 verschieden ist. Jeder Eigenvektor einer invertierbaren Matrix ist auch ein Eigenvektor der Inversen Matrix. Richtig. Multipliziert man beide Seiten von A x = λ x von links mit A 1, so ergibt sich x = A 1 (A x) = A 1 λ x = λa 1 x, also A 1 x = 1 x. Ist also x ein EV der Matrix A zum EW λ, so ist x auch ein EV der λ inversen Matrix A 1 zum EW 1 λ. Jede Matrix mit negativer Determinante hat mindestens einen negativen Eigenwert. Richtig, die Determinante einer Matrix ist das Produkt ihrer Eigenwerte. Ein Produkt kann nur dann negativ sein, wenn eine ungerade Anzahl Faktoren negativ ist. Jede quadratische Matrix mit reellen Koeffizienten hat reelle Eigenwerte. ( ) 0 1 Falsch, z.b. hat das charakteristische Polynom χ(λ) = λ 1 0 + 1, welches keine reellen Nullstellen besitzt.

5. Welche Aussage über eine reelle quadratische Matrix ist falsch? Die komplexen Eigenwerte treten immer als Paare komplex konjugierter Zahlen auf. Ist λ ein Eigenwert einer reellen Matrix A zum Eigenvektor v dann gilt insbesondere λ v = λ v = A v = A v und somit ist λ ein Eigenwert von A zum Eigenvektor v. Die Eigenwerte einer Dreiecksmatrix sind stets reell. Für eine Dreiecksmatrix gilt, dass die Eigenwerte genau den Diagonaleinträgen entsprechen und diese sind, da es sich um eine reelle Matrix handelt, ebenfalls reell. Eine 4 4 Matrix besitzt mindestens einen reellen Eigenwert. 0 1 0 0 Nehmen wir zum Beispiel die Blockdiagonal-Matrix 1 0 0 0 0 0 0 1, dann hat 0 0 1 0 diese Matrix dieselben Eigenwerte, wie ihre beiden Blöcke, also die Eigenwerte ±i. Eine 5 5 Matrix besitzt mindestens einen reellen Eigenwert. Das charakteristische Polynom einer 5 5 Matrix ist eine Polynom 5ten Grades. Da komplexe Eigenwerte in Paaren kommen, können diese nur in gerader Zahl auftreten. Es muss also mindestens ein Eigenwert rein reellwertig sein. 1 2 3 4 6. Die Matrix 0 5 6 7 0 0 8 9 ist 0 0 0 0 diagonalisierbar und invertierbar. diagonalisierbar aber nicht invertierbar. nicht diagonalisierbar aber invertierbar. nicht diagonalisierbar und nicht invertierbar. Auf der Diagonalen einer Dreiecksmatrix stehen bereits die Eigenwerte. In diesem Fall sind diese alle verschieden und somit gibt es 4 linear unabhängige Eigenvektoren, einen zu jedem Eigenwert. Also gibt es eine Eigenbasis und somit ist die Matrix diagonalisierbar. Jedoch ist die Determinante der Matrix 0, da auf der Diagonalen eine 0 steht und somit ist die Matrix nicht invertierbar.

7. Welche der folgenden Aussagen ist korrekt? Jede invertierbare Matrix ist diagonalisierbar. Jede diagonalisierbare Matrix ist invertierbar. Die Eigenwerte einer invertierbaren Matrix sind alle nicht Null. Die Eigenwerte einer diagonalisierbaren Matrix sind alle nicht Null. Eine Matrix ist invertierbar, wenn sie Determinante 0 hat. Besitzt jedoch eine Matrix den Eigenwert 0, dann muss ihre Determinante = 0 und somit die Matrix singulär sein. ( ) 1 4 8. Sei A =. Welche der folgenden Aussagen ist korrekt? 5 5 A hat Eigenwerte 3 ± 4i. A hat Eigenwerte 3 ± 4i. A hat Eigenwerte 4 ± 3i. A hat Eigenwerte 4 ± 3i. Das charakteristische Polynom von A ist p (λ) = λ 2 + 6λ + 25. Das gibt die Eigenwerte λ 1,2 = 6 ± 6 2 4 25 = 3 ± 4i. 2 ( ) 2 0 9. Gegeben sei die Matrix A =. Welche der folgenden Aussagen ist 3 2 falsch? ( 0 ist eine Basis des Eigenraumes E 2. ( ) 0 ist eine Basis des Eigenraumes E 2 2. ( ) 0 ist eine Eigenbasis für A. 1 ( 0 ist keine Eigenbasis für A. 2) Offenbar ist 2 ein Eigenwert von A, denn das charakteristische Polynom ist p (λ) = (2 λ) 2. Der Nullraum von (A 2E 2 ) hat Rang 1, das heisst es gibt nur einen Eigenvektor zur λ = 2, also keine Eigenbasis. Man sieht leicht, das ( 0 Eigenvektor zu λ = 2 ist und somit eine Basis von E 2 bildet.

10. Für welche Matrix ist die Summe der Eigenwerte gleich 16? 1 2 3 4 2 3 4 5 3 4 5 6. 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12. 13 14 15 16 2 0 0 0 0 2 0 0 0 0 2 0. 0 0 0 2 2 0 4 0 0 0 5 1 0 0 3 1. 7 1 8 10 Wir wissen aus der Vorlesung, dass die Summe aller Eigenwerte genau der Spur der Matrix entspricht. Diese wiederum ist genau die Summe der Diagonaleinträge. Man berechnet Spur A = 1+3+5+7 = 16, Spur B = 1+6+11+16 = 34, Spur C = 2 + 2 + 2 + 2 = 8 und Spur D = 2 + 0 + 3 + 10 = 15.