Professional Documents
Culture Documents
Silvio Bischof
D-ITET HS 2010
17.08.11
1/12
Silvio Bischof
1.1
Rechenregeln
AB =
1.2
B A A BC =
A BC AB C
A BC A B C
AC BC
Bsp.
3 1 0
1 2 0
4 3 0
=
2 2 1
0 1 1
2 1 2
1.2.2 Multiplikation
Multipliziert man eine Matrix mit einer Variablen , dann wird jeder Koeffizient der Matrix mit multipliziert. Eine k n Matrix multipliziert mit einer nm -Matrix ergibt eine k m -Matrix (Bem. die linke Matrix muss gleich viele Spalten haben
wie die rechte Zeilen). Es werden alle Zeilen der Rechtsmatrix mit den Spalten der Linksmatrix multipliziert.
Bsp.
1 1
0 0
3 1 0
2 5
2 1
1 2
2 1 =
2 2 1
2 3 5 0
2 1 1 2
2334=24
BT AT
1.2.3 Transponierte
T
1 2 3
1 4 7
4 5 6 = 2 5 8
7 8 9
3 6 9
AT
A B
AT BT
AB
A=
a b
,
c d
A =
1
adj A=
1
adj A
det A
d c
d
b
=
b a
c a
1
d
b
ad bc c a
fr 22 Matrizen
Bem. Die Inverse wird fr n2 meistens nicht mehr gebildet, da der Aufwand zu gross ist. Falls die Matrix symmetrisch ist, gilt
1
T
1
T =T , andernfalls wird oftmals substituiert z=T y .
Reglen:
A1 A= I n
1
1
A ist invertierbar und A1 = A
1
I n ist Invertierbar und I n = I n
1
AB ist invertierbar und AB =B1 A1
T
T
T 1
A ist invertierbar und A = A1
Bem. Ist eine mn -Matrix invertierbar, ist das Gleichungssystem Ax=b fr jedes b lsbar und das Gleichungssystem Ax=0
hat nur die triviale Lsung x=0 .
1.2.5 Orthogonale Matrix
A A= A A = I n
Skalarprodukt zweier Spalten =0
AT = A1 =orthogonal x= AT b fr Gleichungssysteme
AB ist orthogonal, wenn A , B orthogonal sind
A quadratisch, invertierbar, regulr
det A= i =1 : Lngentreue
Ax , Ay = x , y : Winkeltreue
D-ITET HS 2010
17.08.11
2/12
Silvio Bischof
1.2.6 LR-Zerlegung
Beispiel zum lsen eines Gleichungssystem mit Hilfe von LR-Zerlegung:
2x1
6x1
2x 1
x2
x2
7x 2
=
=
=
3x 3
10x 3
8x 3
4
1
25
Gauss:
2 1 3
1 10
3 6
1 2
7
8
2 1 3
0 4 1
2 0 8
5
2 1 3
0 4 1
0
0 3
Anstelle der Nullen speichern wir die Quotienten I kl und erhalten R und L:
2 1 3
3 4 1
1 2 3
2 1 3
R= 0
4 1 ,
0
0
3
L=
1
0 0
3
1 0
1 2 1
Es gilt
2
1 3
LR= A= 6
1
10
2 7 8
Bem. Falls das Endschema mit Zeilen vertauschen resultierte, muss man eine weitere, sogenannte Permutationsmatrix einbauen.
Die Permutationsmatrix entsteht wenn man wie beim Ausgangsschema auch bei der Einheitsmatrix I n die Zeilen vertauscht. Die
Beziehung zwischen den Matrizen wird:
LR= PA
Das Gleichungssystem wird schliesslich folgendermassen gelst:
Ax=b PAx=Pb LRx= Pb Lc= Pb
(a) LR-Zerlegung von A: Bestimme mit dem Gaussverfahren Matrizen L , R und P , so dass LR= PA .
(b) Vorwrtseinsetzen: Lse Lc= Pb nach c auf.
(c) Rckwrtseinsetzen: Bestimme die Lsungsmenge des Gleichungssystems Rx=c
Beispiel:
Lc=b
c1
3c1
c 1
Rx=c
2x 1
c2
2c2
c3
x2
4x 2
3x 3
x3
3x 3
=
=
=
=
=
=
4
1
25
4
13
3
c1
c2
c3
=
=
=
4
13
3
2
x= 3
1
Bem. Dieses Verfahren sollte man bei verschiedenen rechten Seiten anwenden.
2
Determinanten
2.1
Berechnung von Determinanten
Mittels Rekursion:
a
b
c
d
e
f
g
h
i
ef ihbdf gi cde gh
a ei fg b di fg c dheg
Satz von Sarrus: Hauptdiagonalen multipliziert und addiert, Nebendiagonalen multipliziert und subtrahiert:
a
b
c
d
e
f
g
h
i
D-ITET HS 2010
a
b
c
d
e
f
17.08.11
3/12
Silvio Bischof
Rechenregeln
det (A)
det ( AB)
det ( A T )
det ( A)
1
det A
det A
=
=
=
=
=
=
mdet (A) ,
det (A)det ( B) = det (BA)
det (A)
(1) Anzahl Zeilenvertauschungen det ( R)
1
(det A)
1
Hat die Matrix eine Nullstelle oder sind zwei Zeilen identisch gilt det A=0 .
Vertauscht man 2 Zeilen einer Matrix, so ndert die Determinante ihr Vorzeichen (dasselbe gilt fr Spalten bei quadr.
Matrizen).
Im Gauss-Verfahren ndert sich die Determinante nur durch das Vorzeichen beim Zeilenvertauschen, d.h. Es kann zu einer
Zeile ein beliebiges Veilfaches einer anderen Zeile addiert werden.
2.3
Folgerungen
Fr jede nn -Matrix sind folgende Aussagen quivalent:
(a) Die Matrix A ist invertierbar, regulr
(b) det A0
(c) Im Gauss-Endschema ist r=n
Aussagen ber Lsungsmengen:
det A=0
(a)
Sei A eine mm -Matrix, B eine mn -Matrix, C eine nn -Matrix und sei M die durch
M=
A
0
B
C
gegebene mn mn -Matrix, dann gilt: det M = det A det B . (Merke: det M =det M T )
Vektorrume
Die Elemente eines Vektorraums heien Vektoren. Sie knnen addiert oder mit Skalaren multipliziert werden, das Ergebnis ist
wieder ein Vektor desselben Vektorraums.
3.1
Unterrume
Def. Eine nichtleere Teilmenge U eines Vektorraumes V heisst Unterraum von V , falls folgende zwei Bedingungen erfllt
sind:
(a) Mit a ,bU ist auch abU
(b) Mit aU , a eine Zahl, ist auch aU
(c)
Seien U und W Unterrume von V , dann gilt: dim U W =dim U dimW dim U W
T
a1
b1
a
b
3 a 1
3 b 1
a=
,b=
a3
b3
2a 1 a3
2b1 b 3
D-ITET HS 2010
a1
a
3 a1
a=
a3
2a 1a 3
mit
x= a1
y= a 3
17.08.11
a1 b1
a
3 b3 a 1 b 1
ab=
a3 b3
2 a 1 b 1 a3 b3
mit
x= a1 b1
y=a3 b3
4/12
Silvio Bischof
nr : nicht erzeugend
r =n : linear unabhngig
r =m : erzeugend
Bsp.
(1)
(2)
3.2
n
m
[ ][ ] [ ]
x =b
det A0 : Basis
det A=0 : linear abhngig, nicht erzeugend
[
[
3 4 1
2
2
1
1
4 1
1 1
3
0
2 1
2 4
2 2 4 1
1 3 1
2
2 1
[ ]
] [
1
4 1
0 6
3
0
0 6
1 1
3
0
2
1
0 2 4 2 8 1 mgliche Basis:
0 0
0
4
8
1
1 1
0
2 4 2
1 3
2
Normierte Vektorrume
Normen in 3 :
3.3
x2 x 21 x 22 x 23 = x , x
x max x 1,x 2,x 3
euklidischer Norm:
Maximumnorm:
L p -Normen:
xp x 1p x 2p x 3p
Das Skalarprodukt
Skalarprodukt: x , y x T y , x , y , x , y x Ty , x , y
Winkel zwischen zwei Vektoren: cos=
a , b
ab
Skalarprodukt in C [a ,b] :
f t g t dt
a
Def. Eine Basis aus paarweise orthogonalen Einheitsvektoren heisst orthonormale Basis.
3.3.1 Das Schmidt'sche Orthogonalisierungsverfahren
Gegeben seien drei Vektoren a 1 ,a 2 und a 3
1
1. Schritt: e =
a 1
2. Schritt: c2 a2a 2 , e1 e 1
1
e2= 2 c 2
c
3
3
3
1
1
3
2 2
3. Schritt: c a a ,e e a ,e e
1
e3= 3 c3
c
Die Vektoren e 1 ,e 2 ,e 3 bilden eine orthonormale Eigenbasis.
D-ITET HS 2010
17.08.11
5/12
Silvio Bischof
Ausgleichsrechnung
4.1
Normalengleichung
y
z
y z
z
280
390
400
210
118
=
=
=
=
=
r1
r2
r3
r4
r5
280
390
x
y 400 =r
210
z
118
=x
1
1
1
0
0
1
0
1
0
0
1
1
=A
=c
3 1 1
T
Lse AT Ax= AT c : A A= 1 2 1 ,
1 1 3
1070
T
A c= 600
728
x
285.16
x= y = 100.33
z
114.17
Merke: Vektor c muss gleich viele Zeilen wie Matrix A Spalten haben.
4.2
QR-Zerlegung
A=QR mit R=
R0
0
, A : mn-Matrix mit mn ,
Rxd =s
Nun wird dieses Gleichungssystem R0 x=d 0 gelst, wobei man die Zeilen n1 abschneiden kann.
Bsp. Lse folgendes Ausgleichsproblem:
4x
7x
4x
y
y
4y
9
12
15
=
=
=
r1
4
1
r 2 mit gegebenem Q= 7
9
4
r3
1
4
8
4 1
9
A= 7 1 , c= 12
4 4
15
8
4
1
4
7
4 4 1
4
7
4 9
1
1
1 4
8 7 1 x 1 4
8 12 =
9
y 9
8
4
1
4
4
8
4
1
15
1
9
81 27
0 27
0 0
s
x 1 180 = 1
s2
63
y 9
9
s3
9 3 x
= 20
0 3 y
7
13
9
7
y=
3
x=
Lineare Abbildungen
Def. Bei einer linearen Abbildung vom Vektorraum V muss gelten:
i
ii
F x y= F x F y
F x = F x
Fr alle x , y V
Fr alle Zahlen und alle x V
Es gilt:
dim Kern A=nr , dim Bild A=dim Bild A T =dim Bild R=r
n
dim Kern Adim Bild A= nr r =n=dim V
D-ITET HS 2010
17.08.11
6/12
Silvio Bischof
2
A= 4
2
1
0
1
1
1
1
0
3
0
Gauss
2
0
0
1
2
0
1
3
0
{ }
3/ 4
1/ 4
setze x 4 = , x 3 = L= 3/2 3/2 ,
0
1
1
0
0
3
0
{ }
3
1
6
6
Kern A=span
,
0
4
4
0
{ }
2 1
fr Bild 2 linear unabhngige Spaltenvektoren: z.B. Bild A=span 4 , 0
2 1
5.1
Koordinatentransformation
x=Ty ,
xV
x ' V
T
n
y W
G
y ' W
F T =T G
G =T 1 F T
G : yW y ' T
1
ATyW
()
x= x 1
x2
( )
x ' = x1 + x 2
x 2 x 1
=
Drehung um (um den Ursprung im Uhrzeigersinn)
cos=
2=
x ' x
4
2
2 x2
2
b)
F e = F
2
F e =F
1 = 1 a1
0
1
0 = 1 a
1
1
A= a , a =
1 1
1 1
5.2
Orthogonale, Lngen- und Flchentreue Abbildungen
Orthogonale Abbildung: Winkel bleiben erhalten:
x ' , y ' = Ax , Ay = x , y
x' =Ax=x
Lngentreue Abbildung: Lngen bleiben erhalten:
det A=1
Flchentreue Abbildung: Flche bleibt erhalten:
5.3
Norm einer Matrix
Der Norm einer Matrix soll angeben, um welchen Faktor sich die Norm eines Vektors x maximal verndert.
A* sup
n
x V , x 0
{ }
Ax*
= sup {Ax* }
x*
x =1
{ }
n
A=max
a ,
ij
j =1
D-ITET HS 2010
1
A= 1
0
0
3
3
2
1
1
3
5 A=5
4
17.08.11
7/12
Silvio Bischof
Abbildungsgleichungen
bzw.
1
2
(
(
)
)
A= cos
sin
sin
cos
cos
sin
sin
cos
A=
b1
b2
)( ) ( )
x + v1
y
v2
( xy'' )=(10 bb )
( xy'' )=(10 b0 )
( xy'' )=(10 1b )
1
2
1
()
1
2
( )(
)( )
)( )
( )(
)( )
( )(
( ) ( )( )
( ) ( )( )
( ) ( )( )
1
x'
y' = 0
z'
0
0
cos
sin
cos
x'
0
y' =
z'
sin
cos
x'
y ' = sin
0
z'
0
x'
y' = 0
0
z'
0
1
0
0
sin
cos
x
y
z
sin
0
cos
x
y
z
x
y
z
sin
cos
0
0
0
1
0 0
1 0
0 1
x
y
z
1 0 0
x'
y' = 0 0 0
0 0 1
z'
x
y
z
1 0 0
x'
y' = 0 1 0
0 0 0
z'
x
y
z
D-ITET HS 2010
17.08.11
8/12
Silvio Bischof
Das Eigenwertproblem
Def.
n
Eine Zahl heisst Eigenwert der Matrix A , falls es einen Vektor x gibt, x0 , so dass Ax= x gilt.
n
Jeder Vektor x , x0 , fr den Ax= x gilt, heisst Eigenvektor der Matrix A zum Eigenwert .
det A I n = P A =0 Berechnung von mit charakteristischem Polynom
A I n x=0
Berechnung des Eigenvektors x
n
Merke: Ax= x ,
A x= x
Def.
Ist die Summe der geometrischen Vielfachheiten einer nn -Matrix gleich n , wird durch die Eigenvektoren eine
Eigenbasis aufgespannt.
quivalente Aussagen zu jeder quadratischen Matrix A :
Die Matrix A ist halbeinfach (fr jeden Eigenwert ist die geom. gleich der algebraischen Vielfachheit).
Die Matrix A besitzt eine Eigenbasis
1
Die Matrix A ist diagonalisierbar (Es gibt eine regulre Matrix T (Eigenvektoren), so dass T AT =diag 1 , , n ).
Bsp.
{ } { }
{ } { }
2 1 1
1 1
, = span 0 , 1
A= 1 2 1 , 1 ,2 =1 , 3 =4 E 1=
1 1 2
1
0
2 1
1
0
=4: A4I 3 x= 1 2 1 x= 0
0
1
1 2
1 1 1
T = 0
1 1
1
0 1
Gauss
1
1
E 4 = 1 = span 1
1
1
1 0 0
ist eine Eigenbasis zu Afr die gilt T 1 AT =D = 0 1 0
0 0 4
D=diag i , T =v 1 v n , v : Eigenvektoren
6.2
Die Kondition einer Matrix
Die Kondition beschreibt die max. Fehlerverstrkung bei nummerischen Berechnungen.
A=A A =
1
max
A=
min
D-ITET HS 2010
max
,
min
: Eigenwerte von AA
fr Asymmetrisch
17.08.11
9/12
Silvio Bischof
Lineare Differentialgleichungssysteme
7.1
x t = Ax t , x 0= x 0
t 1
t n
x t =Tx t =c 1 e u cn e u
Tc= x 0
1
1
1
7.2
a n cos n t bn sin n t
a1
1 b1
y 0=Tx 0=T , y 0=T x 0=T
an
n b n
Bsp. 2-Dimensionales AWP
y1 t =
6y 1 t 4y 2 t , y 1 0=3 , y 1 0=0
6
4
1
2
1
2
A=
mit 1 =
2 , 2 =
8 , u = 1 ,u =
2 T =
2
4
1
1
y2 t =2y1 t
4y 2 t ,
y 2 0=0 , y2 0=0
1
1
Ta= y1 0 = 3 a1 =1 , Tb= y 1 0 = 0
0
0
y 2 0
a2 =
1
y 2 0
8
b 1 =0 y t = cos 2 t2cos 8t
b 2 =0
cos 2 t
cos 8t
Singulrwertzerlegung
Sei A eine mn -Matrix mit Rang r und A=USV T .
S
, wenn mn
S= 0
S 0 , wenn nm
9
Matlab-Befehle
Befehl
Matrix
Einheitsmatrix
Inverse
Transponierte
LR-Zerlegung
Gleichungss. lsen ( Ax=b )
Determinante
QR-Zerlegung
Orthonormiere Basis
Diagonalenmatrix
Eigenwerte
Skalarprodukt
Vektorprodukt
Singulrwertzerlegung
Singulrwerte
D-ITET HS 2010
1) s 1 =A2 , s1 s 2 sr 0 ,
2) s i sind die Eigenwerte von A T A , wenn mn bzw. von AAT , wenn mn ist
Matlab
A[1 2; 3 4]
eye(A)
B=A^(-1), inv(A)
A'
[L,R,P]=lu(A)
x=A\b
det(A)
[Q,R]=qr(A)
orth(A)
diag(A)
[T,D]=eig(A)
a'*b, dot(a,b)
cross(a,b)
[U,S,V]=svd(A)
diag(S)
Befehl
Dimension
Kern
Rang
Modulo
Rest
Norm (eukl.)
Kondition
Spur
Exponentialf.
2-er-Potenz
Logarithmus
Trigonometrie
1. x Spalte und erste y Zeile
Wurzel
17.08.11
Matlab
ndims(A)
null(A)
rank(A)
mod(3,2)
Rem(3,2)
norm(a)
cond(A)
trace(A)
exp(x)
pow2(x)
log(x), log2(x)
sin(x), cos(x)
asin(x), acos(x)
R0=R[1:y,1:x]
sqrt(x)
10/12
Silvio Bischof
10 Sachverzeichnis
Begriff
Definition
hnliche Matrizen
Algebraische
Vielfachheit
Basis
Bild
Charakteristisches
Polynom
Diagonalisierbarkeit
Diagonalmatrix
Matrizen A , B sind hnlich wenn gilt A=T BT A , B haben dieselben Eigenwerte. Matrizen
Ist k -facher Eigenwert von A , bezeichnet k die algebraische Vielfachheit von . Eigenwertsproblem
Falls die Vektoren eines Erzeugendensystems linear unabhngig sind, nennt man das
Erzeugendensystem eine Basis.
Die Menge aller Bildvektoren y V m heisst Bild einer Matrix A
m
n
Bild A { yV Es gibt ein x V ,so dass y=Ax } , dies entspricht der Lsungsmenge
eines inhomogenen Gleichungssystems ( y Bild A ).
det 0 dim Bild =0 , det=0 dim Bild n
Das Bild ist immer der Vektorraum aufgespannt durch die einzelnen Spaltenvektoren der
Matrix (Anzahl Spaltenvektoren dimBild A ).
Das Polynom det A I n heisst charakteristisches Polynom der Matrix A.Es wird mit
P A bezeichnet.
Es existiert eine regulre Matrix T , so dass TAT 1 eine Diagonalmatrix ist. Die Matrix
muss halbeinfach (algebraische = geometrische Vielfachheit) sein.
Alle Koeffizienten, die nicht auf der Diagonalen liegen, sind gleich null:
5 0 0
D= 0 9 0 = diag 5 ,9 , 4
0 0 4
Besitzt der Vektorraum V {0} eine Basis b1 ,b 2 ,, b n , so schreibt man n=dimV
Dimension eines
Vektorraumes
Eigenbasis
Eigenvektor
Einheitsmatrix
Thema
1
Vektorrume
Lineare
Abbildungen
Eigenwerte
Matrizen
Matrizen
Vektorrume
Ist die Summe der geometrischen Vielfachheiten einer nn -Matrix gleich n , wird
Eigenvektoren
durch die Eigenvektoren eine Eigenbasis aufgespannt ( u1 u n ).
Ein Eigenvektor ist ein vom Nullvektor verschiedener Vektor, dessen Richtung durch die Eigenvertsproblem
Abbildung nicht verndert wird. Ein Eigenvektor wird also nur gestreckt, und man
bezeichnet den Streckungsfaktor als Eigenwert der Abbildung.
Alle diagonalen Koeffizienten sind 1, alle anderen 0:
Matrizen
1 0 0
I 3= 0 1 0
0 0 1
Kann jeder Vektor b eines Vektorraumes V als Linearkombination der Vektoren
Vektorrume
a 1 , a2 ,, ak von V dargestellt werden, so nennt man diese Vektoren a 1 , a2 ,, ak ein
Erzeugendensystem des Vektorraumes V .
Die Eigenvektoren spannen einen Eigenraum ( E )von einer Matrix A zum Eigenwert Eigenwertsproblem
auf. Die Dimension dieses Unterraumes E nennt man geometrische Vielfachheit von
.
Eine Drehung um einen bestimmten Winkel :
Lineare
1
0
0
cos 0 sin
cos
sin 0 Abbildungen
R x = 0 cos sin R y =
R z = sin cos 0
0
1
0
0 sin
cos
sin 0 cos
0
0
1
Eine Matrix ist halbeinfach, wenn ihre algebraische Vielfachheit der geometrischen
Matrizen
entspricht.
Ein lineares Gleichungssystem heisst homogen, falls alle rechten Seiten gleich null sind Lineare
Gleichungssysteme
(besitzt immer die triviale Lsung x 1== x n=0 . Es gilt:
Ein hom. Gl. System hat genau dann nichttriviale Lsungen, wenn r n bzw.
det =0 ist.
n
Matrizen
T
T
2
Q I n 2 uu , mit u u=
ui =1 . Die Householder-Matrix ist orthogonal.
[ ]
Erzeugendensystem
Geometrische
Vielfachheit
Givens-Rotation
Halbeinfach
Homogen
Householdermatrix
i=1
Inverse
Kern
D-ITET HS 2010
Matrizen
Eine nn -Matrix X, bei der AX = I n gilt. Falls eine Matrix eine Inverse hat, dann
heisst die Matrix invertierbar oder regulr, anderfalls singulr.
Die Menge aller Vektoren, welche auf null abgebildet werden, heisst Kern der Matrix A: Lineare
Abbildungen
Kern A {x V nAx =0} , dies entspricht der Lsungsmenge eines homogenen
Gleichungssystems ( y Kern A )
det 0 dim Kern=0 , det =0 dim Kern 0
17.08.11
11/12
Silvio Bischof
Matrizen
Alle Koeffizienten rechts oben sind gleich null: L ij =0 fr i j . Bsp.
2 0 0
L= 4 1 0
1 4 7
Jedes Element einer Matrix ist Null
Matrizen
T
Eine nn -Matrix A heisst orthogonal, falls A A= I n gilt (Norm der Spaltenvekoren Matrizen
ist =1 und das Skalarprodukt =0 ). Wenn A und B orthogonale Matrizen sind, gilt
folgendes:
1
T
AB ist orthogonal
I n ist orthogonal
[ ]
Nullmatrix
Orthogonale Matrix
Orthonormale Basis
Permutationsmatrix
Pivot
Quadratische Matrix
Eine nn -Matrix
Eine quadr. Matrix heisst einfach, wenn jeder Eigenwert die algebraische Vielfachheit 1
hat, halbeinfach, wenn fr jeden Eigenwert die geometrische gleich der algebraischen
Vielfachheit ist.
Rang
Die Anzahl nicht-Nullzeilen im Hauptteil eines Endschemas. Es gilt:
r 0 , r m , r n
Die Lsung eines linearen Gleichungssystems falls sie existiert ist genau
dann eindeutig, wenn r =n ist.
Es gilt rang AT =rang A ,
Rang B1 A=Rang A , Rang AB 2 =Rang A fr B 1 ,2 : regulre, quadratische Matrix
Rechtsdreiecksmatrix Alle Koeffizienten links unten sind gleich null: Rij=0 fr i j . Bsp:
1 3 1
R= 0 2 4
0 0 3
regulre Marix
Eine invertierbare Matrix heisst regulr. Das Gleichungssystem Ax=0 mit der regulren
Matrix A hat nur die triviale Lsung und die Determinante det A0 .
singulre Matrix
Eine nichtinvertierbare Matrix heisst singulr. Es gilt det A=0
Spaltenvektor
Eine m1 -Matrix
Spur
Die Spur einer Matrix ist die Summe derer Diagonalelemente.
Standardbasis
Basis, welche aus den Einheitsvektoren e 0 , e 1 ,, e n besteht
symmetrisch
Eine Matrix A ist symmetrisch, falls AT = A gilt
T
Transponierte
Spalten und Zeilen einer Matrix werden vertauscht ( A ij = A ji ):
T
3 1
3 2 5
= 2 4
1 4 6
5 6
Volumen
Fr linear unabhngige Vektoren gilt:
Vol nn a1 ,, a n =det a 1 a n
Zeilenvektor
Eine 1n -Matrix
Matrizen,
Eigenwertsproblem
Lineare
Gleichungssystem,
Matrizen
Matrizen
[ ]
D-ITET HS 2010
Matrizen
Matrizen
Matrizen
Matrizen
Matrizen
Matrizen
Matrizen
[ ]
17.08.11
Lineare
Abbildungen
Matrizen
12/12