LinAlg Cheatsheet 2. Matrizen 2.5 Transponierte 2.

7 Orthogonale Matrizen

Die Transponierte einer Matrix erhält man, indem man sie an Eine quadratische Matrix ist orthogonal, wenn sie aus zueinan-
Robin Frauenfelder - robinfr@[Link] 2.1 Matrixschreibweise ihrer Diagonalen spiegelt“. der orthogonalen Spaltenvektoren der Länge 1 besteht. Dies
” ist der Fall, wenn eine Matrix mit der Transponierten multipli-
Ergänzt von Barna Benke - bbenke@[Link] Ein lineares Gleichungssystem kann in Matrixschreibweise dar- T
gestellt werden:
a b ziert die Identität ergibt.
Version: 13. Mai 2022 Bsp: c d
a c e
1 b d f
x1 x2 e f QT Q I
Dieses Cheatsheet wurde in 18/19 erstellt. Die LATEX- a11 a12 b1
a11 a12 b1 x1
Templates findet ihr auf der Amiv-Website. a21 a22 b2 Rechenregeln: Multipliziert man einen Vektor mit einer orthogonalen Matrix,
a21 a22 b2 x2
a31 a32 b3
1 1 T
kann sich seine Orientierung ändern, jedoch nicht seine Länge.
a31 a32 b3 T T T T
A B A B A A Abbildungen sind deshalb kongruent.
1. Lineare Gleichungssysteme
T T T T
A B B A rang A rang A Eigenschaften:
2.2 Matrixmultiplikation Q orthogonal Spalten/Zeilen von Q sind zueinander or-
1.1 Zeilenstufenform c A
T
c A
T
det A
T
det A
thogonale Vektoren der Länge 1.
Jedes lineare Gleichungssystem kann durch wiederholtes Matrizen können auf folgende Weise miteinander multipliziert
Nur quadratische Matrizen können orthogonal sein.
T T T
A A eig A eig A
Ausführen folgender drei Rechenoperationen in die sogenannte werden:
Zeilenstufenform gebracht werden (Gaussalgorithmus): A und B orthogonal A B orthogonal
A B C cik n
j 1 aij bjk 2.6 Inverse Q orthogonal Q 1 orthogonal
Zeilen vertauschen 1 T -Wenn das erreicht werden
Die Inverse A 1 von A macht eine Multiplikation mit A Q Q
Ein Vielfaches einer Zeile zu einer anderen addieren rückgängig. Multipliziert man A mit A 1 , erhält man die Iden- 1
det Q will, Matrixnormieren
Eine Zeile mit beliebigem Skalar 0 multiplizieren titätsmatrix.
M x N M x L 2.8 LR-Zerlegung
A N x L C A v w A 1
w v
n: Anzahl Unbekannte B
1 1
A A A A I A L R
x1 x2 x3 xj xn 1
b1 Eigenschaften: Mit der LR-Zerlegung kann man eine quadratische Matrix A in
Assoziativ- & Distributivgesetz:
0 0 Nur quadratische Matrizen können invertierbar sein. das Produkt einer Linksdreiecksmatrix L sowie einer Rechts-
m: Anzahl Gleichungen

b2
dreiecksmatrix R zerlegen. Dies ermöglicht ein effizienteres
r: Rang

0 0 0 b1
A B C A B C Eine invertierbare Matrix nennt man regulär, eine nicht in-
. . . . . . A B C A C B C vertierbare singulär. Lösen von Ax bi mit vielen verschiedenen bi .
. . . . . . Die Inverse ist eindeutig.
. . . . . . A C D A C A D 2 5
A ist invertierbar A hat vollen Rang Bsp: Löse Ax b durch LR-Zerlegung von A
0 0 0 br 4 12
0 0 0 0 0 Achtung! Kommutativgesetz gilt nicht! i.A. A B B A A ist invertierbar AT ist invertierbar
br 1 Vorgehen:
. . . . . . A ist symmetrisch A 1 ist symmetrisch
. . . . . .
. . . . . . 2.3 Identitätsmatrix A ist eine Dreiecksmatrix A 1 ist eine Dreiecksmatrix 1 Bringe A durch Zeilensubtraktion in Dreiecksform. Bei
0 0 0 0 0 bm A ist invertierbar det A 0 erzeugten Nullstellen speichert man, das Wievielfache ei-
Die Identitäts- oder Einheitsmatrix ist eine quadratische Ma- ner anderen Zeile von dieser Zeile subtrahiert wurde.
trix, deren Hauptdiagonalenelemente 1 und deren Ausserdia- A ist invertierbar kein Eigenwert λ 0
Keine Lösung: m und bi 0 gonalelemente 0 sind. A und B sind invertierbar AB ist invertierbar 2 5 2 5
r i r
• hat nur die triviale Lösung bzw. Nullvektor Bsp: 4 12 2 2
1 0 0 Gauss-Jordan Algorithmus:
Eindeutige Lösung: r n m 2 : Von dieser Zeile wurde das 2-fache einer anderen subtrahiert.
0 1 0 Methode zur Bestimmung der Inversen. Man schreibt die Ma-
In . . . Rn n
trix und die Identität nebeneinander auf und führt den Gaus- 2 Bestimme L und R. L besteht aus den markierten Ein-
Unendlich Lösungen: r n und bi 0 i r . . .
. . . salgorithmus gleich auf beiden Seiten aus, sodass am Ende auf trägen und 1 auf der Diagonale, R aus den nichtmar-
Anzahl freie Parameter: n r 0 0 1 der linken Seite die Identitätsmatrix steht. kierten Einträgen.
Tipp: Erzeuge zuerst durch nach unten gaussen“ links eine
Ax = b für beliebiges Voller Rang: r m Rechenregel: Am n
In Im Am n
Am n
”
Rechtsdreiecksmatrix, dann durch nach oben gaussen“ eine Bsp:
2 5 1 0 2 5
b lösbar: oder ” 2 2
L
2 1
, R
0 2
Diagonalmatrix, und am Ende durch Zeilenmultiplikation die
m n, und Ax 0 hat nur die 2.4 Diagonal- und Dreiecksmatrizen Identitätsmatrix. 3 Löse Ly b (einfach, da L eine Dreiecksmatrix).
triviale Lösung x 0
Eine Diagonalmatrix ist eine quadratische Matrix, deren Ele- 1 2 0 1 0 0 1 0 0 3 2 0
4 Löse Rx y (einfach, da R eine Dreiecksmatrix).
Ax = b für beliebiges Voller Rang: r m und gleich viele mente ausserhalb der Hauptdiagonalen 0 sind. 2 3 0 0 1 0 0 1 0 2 1 0
b eindeutig lösbar: Gleichungen wie Unbekannte: m n 3 4 1 0 0 1 0 0 1 1 2 1
d1 0 0 LRP-Zerlegung mit Permutationsmatrix P
D diag d1 , d2 , d3 0 d2 0 A A 1
1.2 Homogenes Lineares Gleichungssystem 0 0 d3 Adjunktenformel für 2x2-Matrizen: P A L R
x1 x2 xn 1 Eine Dreiecksmatrix ist eine quadratische Matrix, deren Ele- a b
1
1 d b
0 Manchmal ist es notwendig, dass man bei 1 zusätzlich Zeilen
a11 a12 a1n mente entweder oberhalb oder unterhalb der Hauptdiagonalen c d c a
ad bc vertauschen kann. Dies wird durch eine Permutationsmatrix P
Nullvektor

a21 a22 a2n 0 Null sind. Man unterscheidet zwischen einer Rechtsdreiecks-
Rechenregeln: möglich.
. . . . matrix und einer Linksdreiecksmatrix.
.
.
.
.
.
.
.
. 1 T 1 1 T
Hierzu schreibe man zu Beginn die Identitätsmatrix neben A,
am1 am2 amn 0 r11 r12 r13 l11 0 0 I I A A und macht mit dieser alle Zeilenvertauschungen mit:
R 0 r22 r23 L l21 l22 0 A
1 1
A rang A
1
rang A
0 0 1 0 1 2 0 1 3 4
Hat immer die triviale Lösung x 0 r33 l31 l32 l33 Bsp:
0 1 3 4 1 0 1 2
k 1 1 k 1 1
A A det A det A
Hat ausschliesslich die triviale Lösung, wenn Rang Für Diagonal- und Dreiecksmatrizen gilt:
vollständig (r n, det A 0) c A
1
c
1
A
1
eig A
1
eig A
1 Auf der linken Seite steht am Ende die Permutationsmatrix P .
L und R werden auf die gleiche Weise wie üblich bestimmt.
Hat zusätzlich nichttriviale Lösungen, wenn Rang nicht det A a11 a22 a33 ann 1 1 1 Gröe
vollständig (r n, det A 0) eig A a11 , a22 , , ann
A B B A - Bei 3 löse man nun Ly P b, bei 4 weiterhin Rx y.
3 1
x
33 x

kompatibel?
2.9 Symmetrische Matrizen 3.2 Rechenregeln Determinante 3.4 Wichtige Zusammenhänge 4.4 Lineare Unabhängigkeit

Eine symmetrische Matrix ist eine quadratische Matrix, de- Neben den Zeilen/Spalteneigenschaften von 3.1 gelten folgen- Folgende Aussagen sind für An n äquivalent:
ren Einträge spiegelsymmetrisch bezüglich der Hauptdiagona- de Rechenregeln: rang A n xi vi 0
len sind. Das LGS Ax b ist für beliebiges b lösbar.
Dies ist der Fall, wenn sie gleich ihrer Transponierten ist: det AB det A det B Die Vektoren vi sind linear unabhängig, falls die Summe
Das LGS Ax b besitzt genau eine Lösung. nur die triviale Lösung x1 x2 xi 0 hat.

Schiersymerischeeine
T
det A det A
S ST Das homogene LGS Ax 0 besitzt nur die triviale Lösung.
det diag d1 , d2 , , dn d1 d2 dn Die Zeilen/Spalten von A sind linear unabhängig. Prüfen, ob Vektoren linear unabhängig:
Eigenschaften: det Dreiecksmatrix d1 d2 dn A ist invertierbar. 1 Matrix mit Vektoren als Spalten erstellen:
AT A und AAT sind immer symmetrisch. 1 0
det A 1 det A det A
V v 1
,v 2
, ,v n
Die Eigenwerte von S sind alle reell. Die Spalten von A bilden eine Basis in Rn .
Ist x ein Eigenvektor von S zum Eigenwert λ, so sind auch 3.3 Berechnungsmethoden Determinante Der Kern von A besteht nur aus dem Nullvektor. 2 Der Rang ist die Anzahl der linear unabhängigen Vekto-
konj x , Re x , Im x Eigenvektoren zum selben Eigen- ren.
Kein Eigenwert von A ist 0.
wert λ Es gibt verschiedene Methoden, die Determinante zu bestim- rang V n Vektoren sind linear unabhängig.
Die Eigenvektoren zu unterschiedlichen Eigenwerten sind or- men. Je nach Matrix eignen sich unterschiedliche Rechnungs-
4. Vektorräume
thogonal zueinander. wege oder Kombinationen davon. 4.5 Span, Erzeugendensystem und Basis
S ist halbeinfach, also diagonalisierbar. Fertige Formeln 4.1 Definition Vektorraum
Die lineare Hülle span v1 , v2 , , vn ist die Menge aller
S besitzt eine orthonormale Eigenbasis. Eignen sich nur bei kleinen Matrizen. Meistens für 3x3-Matrix endlichen Linearkombinationen der vi mit Skalaren aus R.
Sei V eine Menge von Objekten. V heisst Vektorraum, wenn
Transformationsmatrix T in Eigenbasis kann orthogonal bereits zu kompliziert. eine innere Operation (Kombination von zwei Objekten) und Falls für einen Vektorraum gilt span v1 , v2 , , vn V,
gewählt werden. eine äussere Operation (Kombination eines Objekts mit einem heisst v1 , v2 , , vn ein Erzeugendensystem von V.
1x1: a a
! ! Skalar) definiert sind, und folgende Axiome gelten:
Falls ein Erzeugendensystem für V aus linear unabhängigen
3. Determinante 2x2:
!a b! Innere Operation: Äussere Operation: Vektoren besteht, heisst es Basis von V. Jeder Vektor kann
!c d!
ad cb
: V V V : K V V eindeutig als Linearkombination von Basisvektoren dargestellt
3.1 Definition Determinante ! ! a, b a b α, a α a werden.
!a b c!
Die Determinante ist eine Zahl, die einer quadratischen Ma- 3x3: !d e f! aei bf g cdh gec hf a idb Axiome:
!g ! Aus Erzeugendensystem Basis finden:
trix zugeordnet wird und aus ihren Einträgen berechnet werden h i (A1) u, v V : u v v u
kann. Die folgenden Spalten/zeileneigenschaften sind Teil ihrer 1 Matrix aufstellen, deren Zeilen aus den transponierten
Definition. Laplace’scher Entwicklungssatz: (A2) u, v, w V : u v w u v w erzeugenden Vektoren besteht.
Zeileneigenschaften: Bei den meisten Matrizen ineffizient. Kann jedoch bei Matrix 2 Mit Gaussalgorithmus in Zeilenstufenform bringen. Da-
mit vielen Nullen in einer Zeile oder Spalte geschickt angewen- (A3) 0 V, u 0 u
durch wird lineare Abhängigkeit eliminiert.
det werden. u V :
a a 3 Die verbleibenden Nicht-Nullzeilen sind Basisvektoren.
1 Zeile oder Spalte auswählen (dort wo viele Nullen).
(A4) u V, u u 0
2 Jedem Element dieser Zeile/Spalte ein Vorzeichen zu- 4.6 Basiswechsel
u V :
ordnen (Schachbrett).
Sei V n ein Vektorraum mit Basen Q q1 , q2 , . . . , qn und
3 Für jedes Element die zugehörige Zeile und Spalte strei- (M1) α, β R, α β u α β u W w1 , w2 , . . . , wn . Sei v ein Vektor V .
chen und Unterdeterminante bestimmen. u V :
4 Jede Unterdeterminante mit zugehörigem Element und Basiswechsel von v q nach v w durchführen:
Vertauscht man zwei Zeilen von A, so ändert sich das Vor-
Vorzeichen multiplizieren und addieren. (M2) α, β R, α β u α u β u 1 Übergangsmatrix: Tq
zeichen der Determinante. w q1 w, . . . , qn w

Addiert man ein Vielfaches einer Zeile zu einer anderen, so Bsp: Entwicklung nach erster Spalte: u, v V : α u v α u α v
! ! 2 v Tq v
ändert sich die Determinante nicht. !1 2 1! ! ! ! ! w w q

!3 8 5! 1
!8 5!
3
!2 1!
0
(M3) u V : 1 u u O
!0 ! !3 2! !3 2! Tipps: det (Basiswektoren als Matrix)
Spalteneigenschaften: 3 2
4.2 Definition Unterraum Tw q Tq 1 w
Meist ist eine der beiden Basen die Standardbasis S. Die
Anwenden von Zeilen/Spalteneigenschaften Eine nichtleere Teilmenge eines Vektorraums V heisst Unter- Übergangsmatrix Tq s ist dann sehr einfach bestimmbar.
Durch vertauschen von Spalten/Zeilen (Vorzeichenänderung) raum von V, falls:
Die entegengesetzte Übergangsmatrix wird am schnellsten
oder Zeilen/Spaltenaddition (Determinante bleibt gleich) lässt durch invertieren gefunden.
sich die Matrix oft in eine einfachere Form bringen. 1 a, b U : a b U
Basiswechsel für Matrizen:
2 a U, α K: α a U Aw Tq w A q Tq 1 w
Blocksatz
Oft in Kombination mit Anwenden von Zeilen/Spalteneigen- Ein Unterraum ist selber ein Vektorraum. Falls T orthogonal: T 1
TT
Vertauscht man zwei Spalten von A, so ändert sich das Vor- ”
schaften“ nützlich. Ein Unterraum muss den Nullvektor enthalten!
zeichen der Determinante.
4.7 Koordinaten
Addiert man ein Vielfaches einer Spalte zu einer anderen, 4.3 Linearkombination
so ändert sich die Determinante nicht. Sei V ein Vektorraum mit Basis B b1 , , bn . Dann
Eine Linearkombination ist eine Summe von mit Skalaren xi kann jeder Vektor x V in eindeutiger Weise als Linearkom-
Folgerungen aus Zeilen/Spalteneigenschaften: multiplizierten Vektoren vi . (vi V, xi K) bination
LR-Zerlegung
n
Hat A zwei gleiche Zeilen/Spalten, so gilt det A 0. w x1 v1 x2 v2 xn vn x i 1 xi bi
Nur sinnvoll, wenn LR-Zerlegung bereits vorliegt.
Hat A eine Nullzeile/spalte, so gilt det A 0 w V x hat Lösung (V v ,v 1 2
, ,v n
) dargestellt werden. Die Koeffizienten x1 , , xn heissen Ko-
#Zeilenvertauschungen
det α An n
αn det A det A 1 r11 r22 rnn w ist Linearkombination von vi . ordinaten von x bezüglich der Basis B.

Signatur (positiv, atir,null)

Eigenwerte #der
e 7
5. Lineare Abbildungen 3 Resultate von Punkt 2 sind Spalten der gesuchten Ma- Eigenbasis: Die Eigenvektoren einer Matrix A Cn n
bilden L2 -Norm: v 2 v 2
1 v 2
2 ... v 2
n
trix. (Multiplikation mit Basisvektor = Extraktion von einen Basis für Cn die Matrix ist halbeinfach.
Spalte) L -Norm: v max v 1 , v 2 , . . . , v n
5.1 Definition Lineare Abbildung
6.6 Diagonalisierbarkeit
2 0 0 7.3 Lp -Normen für Funktionen
Eine Abbildung F heisst linear, falls x, y K Bsp: A
V, α 0 1 0 Eine quadratische Matrix A heisst diagonalisierbar, falls eine
reguläre Matrix T existiert, sodass D T 1 AT eine Dia- 1 p
1 Allgemeine Lp -Norm: f b
f x p
dx
F x y F x F y gonalmatrix ist. Wichtig: Reihenfolge von T genau umgekehrt p a
6. Eigenwertproblem wie bei Basiswechsel.
2 T: orthogonale Transformationsmatrix
F α x α F x Beispiele
6.1 Definition Eigenwerte und Eigenvektoren A halbeinfach A diagonalisierbar
Eine Abbildung ist linear bildet 0 auf 0 ab! L1 -Norm: f 1 b
a
f x dx
Eine Abbildung zwischen endlichdimensionalen VR ist linear
1 1 (Gibt den Betrag der Fläche unter der Kurve an)
λ C heisst Eigenwert von An n
, falls dieser für einen be- D T AT A T DT
kann mit einer m n-Matrix A mit Hilfe der Matri- stimmten Vektor v L -Norm: f max f x : x a, b
zenmultiplikation dargestellt werden. Matrix diagonalisieren (Basiswechsel in Eigenbasis) (Gibt den maximalen Ausschlag an)
A v λ v
1 Bestimme die Eigenwerte λi und die Eigenvektoren vi
5.2 Kern und Bild einer Matrix erfüllt. Der zum Eigenwert λ zugehörige Vektor v C n
heisst
7.4 Matrixoperatornormen
Eigenvektor. 2 Die Matrix D diag λ1 , . . . , λn ist eine Diagonal-
Kern: Der Kern einer Matrix ist die Menge aller Vektoren, die
matrix mit den Eigenwerten auf der Diagonalen.
durch Multiplikation auf den Nullvektor abgebildet werden.
6.2 Eigenwerte bestimmen A max x 2 1 Ax 2
Kern A x Rn A x 0 3 Die Matrix T v1 , . . . , vn hat die Eigenvektoren als
Multiplikation Basis. A 0 Spalten (Gleiche Reihenfolge wie bei D!). Beispiele
von
1 Bestimme die Determinante det A λ I
=

Kern bestimmen: Gleichungssystem Ax 0 lösen.

1 1
Wenn Rang nicht voll ist, gibt es unendlich viele Lösungen. Das Resultat ist das ”charakteristische Polynom” p λ 4 Bestimme T . Falls EV orthonormal T TT A quadratisch: A λmax AT A
Der Lösungsraum (am besten dargestellt als Linearkombi- 2 Bestimme die Nullstellen: p λ 0. A symmetrisch: A λmax A
nation von mit Parameter multiplizierten Vektoren) ist der Potenzen und Exponentialfunktion
Die Nullstellen λi heissen Eigenwerte. A orthogonal: A 1
Kern der Matrix. Potenzen/Exponentialfunktionen von diagonalisierbaren Ma-
linear unabhängigen A regulär: 1 1
Berechnung überprüfen trizen können einfach berechnet werden: A
λmin AT A
Bild: Das Bild einer Matrix A ist die Menge aller Bildvekto- Spur A a11 a22 ... ann λi 1 k 1
Ak T DT T diag λk k
1 , . . . , λn T
ren, also aller möglichen Ergebnisse“einer Multiplikation von
” det A λi 1
A mit einem beliebigen Vektor. eA eT DT T diag eλ1 , . . . , eλn T 1
8. Skalarprodukt
Bild A y Rm x Rn sodass y A x 6.3 Eigenvektoren bestimmen
1 2 8.1 Definition Skalarprodukt
Bild bestimmen: Bild span a , a ...a n
Nach dem Bestimmen der Eigenwerte können die zugehörigen 6.7 Ähnlichkeit
Ist nach einem Erzeugendensystem gefragt, reicht es, ein- Eigenvektoren bestimmt werden. Ein Skalarprodukt ordnet jedem Paar x, y von Vektoren eine
A und B heissen ähnlich, falls für eine beliebige Matrix T gilt:
fach die Spaltenvektoren hinzuschreiben. Zahl x, y zu.
1 Setze einen Eigenwert λk in A λk I ein
Achtung: Die Spaltenvektoren sind immer ein Erzeugenden- 1
2 Löse das Gleichungssystem A 0 A T BT Es muss folgende Bedingungen erfüllen:
system des Bildes, jedoch nicht unbedingt eine Basis! Um λk I x
Basis zu erstellen: Siehe 4.5 3 Das Gleichungssystem hat unendlich viele Lösungen. 1 x, y z x, y x, z
Ähnliche Matrizen haben:
Man erhält einen oder mehrere mit freien Parametern , sind in
Zusammenhänge die gleichen Eigenwerte unterschiedlichen 2 x, αy α x, y
multiplizierte Eigenvektoren vk .
Basen ausgedückt
dim Bild A Rang A die gleiche Determinante 3
Eigenschaften x, y y, x
für Am n
: dim Bild A dim Kern A n
Eigenvektoren sind per Definition 0 Satz: Ist v ein EV von A zum EW λ, so ist y T⑱1
v ein EV 4 x, x 0 und x, x 0 x 0
Bild A Kern AT
Eigenvektoren sind linear unabhängig. von B zum selben EW.
Fredholm Alternative: Ax b ist lösbar (b liegt im Bild) Beispiele für Skalarprodukte
Komplex konjugierte Eigenwerte haben komplex konjugierte
genau dann, wenn b senkrecht auf allen Lösungen des ad-
Eigenvektoren (spart Zeit bei Berechnung). 7. Normen Vektorlänge Standardskalarprodukt auf Rn : x, y xT y
jungierten LGS AT y 0 steht.
Hern und Bild sind immer Unterraum Funktionenskalarprodukt: f, g b
f x g x dx
6.4 Algebraische und geometrische Vielfachheit 7.1 Definition Vektornorm a
5.3. Abbildungsmatrix aus gegebener Abbildung
1 gVfh. von λ algVfh. von λ n Eine Norm im Vektorraum V ordnet jedem Vektor v eine relle 8.2 Von Skalarprodukt induzierte Norm
Idee: Wir bilden zuerst die Basisvektoren ab und konstruieren Zahl v zu und kann so als eine Art Mass verstanden werden.
uns aus den Ergebnissen unsere Matrix. Algebraische Vielfachheit Aus einem Skalarpodukt kann eine Norm induziert werden.
Sie muss folgende Bedingungen erfüllen: Dieser Ausdruck erfüllt alle Axiome für eine Norm (siehe 7.1.)
Bsp: P2 P1 : p x p x Die algebraische Vielfachheit ist die Vielfachheit einer Nullstel-
es gilt die
le im charakteristischen Polynom p λ beim jeweiligen Eigen- 1 v 0 und v 0 v 0 x x, x Parallelogrammregel
1 Finde Basis für Vektorraum aus dem man abbildet und wert λ. (siehe Anhang)
für Vektorraum in den man abbildet. 2 α v α v
Bsp: p λ λ 3 2 λ 2
8.3 Orthogonalität und Orthogonalprojektion
Bsp: Basis für P2 x2 , x, 1 λ 3 hat algVfh. 2 und λ 2 hat algVfh. 1 3 v w v w
Basis für P1 x, 1 Geometrische Vielfachheit Zwei Vektoren sind orthogonal, falls x, y 0.
2 Überlege, was nach gegebener Abbildungsvorschrift mit Die geometrische Vielfachheit von λ ist die Anzahl der zum Notation: x y
7.2 Lp -Normen im Rn
den Basisvektoren passiert und schreibe die Ergebnisse EW gehörigen EV = Anzahl der freien Parameter.
Die Orthogonalprojektion des Vektors x auf Vektor y ist:
in Vektorschreibweise.
6.5 (Halb)einfache Matrizen und Eigenbasis Allgemeine Lp -Norm: v p
vi p x,y
Bsp: x2 2 0 z y
p
2 x T
y,y

x 1 0 1 T
Einfachheit Beispiele
8.4 Gram-Schmidtsches Orthonormalisierungsverfahren
1 0 0 0 T
Eine Matrix ist halbeinfach jedes λ hat algVh = gVfh L1 -Norm: v 1 v 1 v 2 ... v n

einfach, wennjeder. Et alg. Vielf. = 1

Jede einfache Matrixi stauch halbeinpack
hogegen
Orthonomalo
Ziel des Gram-Schmidtschen Orthonormalisierungsverfahrens Um die Definitheit einer quadratische Form zu bestimmen, be- Die Basis, in der q x rein quadratisch wird, ist die Eigenbasis Skizziere zuerst in Normalform und transformiere Skizze mit
ist, aus einer beliebigen Basis eine sogenannte Orthonormal- stimme man die Definitheit der zugehörigen symmetrischen der zugehörigen symmetrischen Matrix A. Drehungsmatrix T und Verschiebungsvektor c.
basis zu erzeugen. Matrix A (siehe 9.3) Welche Punkte sind dem Ursprung am nächsten?
Bsp: q x x21 x22 3x23 6x1 x2
Bei einer Orthonormalbasis sind alle Basisvektoren: 9.3 Definitheit einer symmetrischen Matrix Falls Koordinatentransformation nur aus Drehung y Tx
Vorgehen: bestand, sind die gleichen Punkte dem Ursprung am nächsten
orthogonal zueinander: bi , bj 0 Je nach Aufgabe müssen nicht alle Punkte durchgeführt wer- wie in der Normalform.
Variante 1: Bestimmung der Eigenwerte
Einheitsvektoren: bi bi , b i 1 Die erste Möglichkeit ist, die Definitheit durch die Eigenwerte den. Für ausschliesslich Hauptachsentransformation reicht 1-3.
10. Kleinste Quadrate
zu bestimmen. Eine symmetrische Matrix heisst:
Orthonormalisierungsverfahren durchführen: positiv definit: Alle λ 0 1 Man bestimme die symmetrische Matrix A Rn n
,
Für die Durchführung benötigt man eine beliebige Basis, sowie sodass q x xT Ax 10.1 Kleinste Quadrate
negativ definit: Alle λ 0
ein beliebiges Skalarprodukt (meistens gegeben). positiv semidefinit: Alle λ 0 Trick: ax21 bx1 x2 cx22 A
a b 2
s Mit dem Prinzip der kleinsten Quadrate“ kann man zwar
b 2 c ”
negativ semidefinit: Alle λ 0 überbestimmte Gleichungssysteme nicht lösen, man kann je-
1 Wähle beliebigen ersten Basisvektor b1 und normiere 1 3 0 doch eine möglichst gute“ Lösung finden, indem man den qua-
mit von Skalarprodukt induzierter Norm. indefinit: sonst Bsp: 3 1 0 ”
A dratischen Fehler minimiert.
0 0 3
e1
b1 b1 Variante 2: Hurwitz-Kriterium 2x1 3x2 6
b1 b1 ,b1
Die zweite Möglichkeit ist, die Definitheit durch Bestimmung 2 Man diagonalisiere die Matrix A (siehe 6.6) und bestim- Bsp: 3x1 4x2 8 überbestimmt
von Unterdeterimanten zu bestimmen: me die Transformationsmatrix T . Da A symmetrisch ist, 2x1 1x2 3
2 Wähle zweiten Basisvektor b2 . Zuerst zu b1 parallelen
Teil abziehen, und dann normieren. kann T orthogonal gewählt werden und T 1 TT.
a b c a b c Wir bilden die Differenz (= Fehler) aus der rechten
a b T orthogonal wählen! Spalten von T normieren, falls
e2 b2 b2 , e 1 e1 A d e f A1 a , A2 , A3 d e f und der linken Seite und nennen sie Residuenvektor
g h i
d e
g e h zwei Eigenvektoren zum gleichen Eigenwert: 8.4
e e r:
2 2 3 0 0 0 1 2 1 2
e2 positiv definit: Alle det Ai 0 für i 1, . . . , n 2x1 3x2 6
e
2 e ,e
2 2 Bsp: D 0 2 0 , T 0 1 2 1 2 r1
negativ definit: Alle det Ai 0 für i 1, 3, 5, . . . 0 0 4 1 0 0 3x1 4x2 8 r2
3 Wiederhole für jeden weiteren Basisvektor bi : Alle det Ai 0 für i 2, 4, 6, . . . 2x1 1x2 3 r3
3 Multipliziere aus: q y y D y. Wir haben nun T
ei bi bi , e1 e1 bi , e 2 e2 unsere Hauptachsentransformation durchgeführt. Wir suchen x1 x2 T , sodass r minimal.
... bi , ei 1 ei 1 9.4 Extrema einer quadratischen Form quadratischer Fehler minimal
Bsp: y T Dy 3y12 2y22 4y32
e
i
e
i Kritische Punkte finden: Vorgehen:
ei 4 Falls in Aufgabe gefragt: Bringe Quadrik q x aT x
e e ,e Man setze den Gradienten der quadratischen Form Meist ist das Gleichungssystem in Aufgabe bereits in Form
1 in Normalform.
i i i
b
grad q x dq dq dq T
dx1 , dx2 , . . . , dxn 0. Durch A x c r gegeben (siehe oben).
Bestimme a Rn und b R.
Lösen des Gleichungssystems erhält man die Koordinaten &- Residuen veletor
9. Quadratische Formen 0 1 Man bestimme A und c
der kritischen Punkte.
1 1
Bsp: q x 2x3 3 1 a 0 , b 3
9.1 Definition Quadratische Form Kritische Punkte zuordnen: 2 2 3 6
Bsp: A 3 4 , c 8
1 Bilde Hessesche Matrix in der richtigen Dimension für 2 1 3
Quadratische Formen sind bestimmte Funktionen, die mit einer 5 Schreibe Quadrik in transformierter Form (ausmultipli-
symmetrischen Matrix A und einem Vektor x Rn gebildet jeden kritischen Punkt:
zieren): y T Dy aT T y b 1 2 Man berechne AT A und AT c Normalengleichung
werden. Es kommen maximal quadratische Terme vor. dq x 2 dq x 2
Leibtniz-Notation
Bsp: H2x2 d2 x1 dx1 x2
für Ableitungen
Bsp: y T Dy aT T y b 3y12 2y22 4y32 2y1 1
3 1
Bsp: AT A
17 20
, AT c
42
T dq x 2 dq x 2 20 2 53
qa x1 , x2 , . . . , xn q x x Ax d2 x2 (siehe Anhang)
dx1 x2 6 Falls noch lineare Terme übrig: Ergänze quadratisch
3 Man löse das Gleichungssystem AT A x AT c
Quadratische Formen, die mit einer diagonalen Matrix ge- 2 Bestimme Definitheit der Matrix (siehe 9.3). Bsp: 0 3y12 2y22 4y32 2y1 4
3
bildet werden (siehe qc ) nennt man rein quadratisch. 17 20 42 2.67
positiv definit lokales Minimum 3 y12 2
3 y1 2y22 4
3 4y32 Bsp: 20 2
x1
x2 53
x
0.17
Die symmetrische Matrix A legt die Gestalt der entstehen- negativ definit lokales Maximum 3 y1 2 2 2
2y22 2
4y32 4
2 3 2 3 3
den Fläche fest. 3 y1 2 2
2y22 2
4y3 4
3 1 2
indefinit Sattelpunkt 2 3
1 2
3 3
3 y1 3 2y22 4y32 1 10.2 QR-Zerlegung
Beispiele:
1 2 x1 9.6 Quadriken Durchführung der zweiten Koordinatentransformation
Mit der QR-Zerlegung kann eine beliebige Matrix A Rm n
qb x1 , x2 x1 x2
2 1 x2 z y c (Verschiebung). Man bestimme Vektor c.
in das Produkt einer orthogonalen Matrix Q Rn n und einer
Setzt man eine quadratische Form in eine Gleichung folgender Danach enthält die Gleichung nur noch rein quadratische
2
4x1 x2
2 oberen Rechtsdreiecksmatrix R Rm n verwandelt werden:
x1 x2 Form ein (x Rn , a Rn , b R), erhält man eine sogenann- Terme.
te Quadrik:
2 0 0 x1 1 3
Bsp: A Q R
qc x1 , x2 , x3 x1 x2 x3 0 3 0 x2 q x aT x b 1 c 0 Q z 3z12 2z22 4z32
0 0 1 x3 0
Ist die quadratische Form zweidimensional, erhält man einen Vorgehen:
2x1
2
3x2
2
1x3
2
sogenannten Kegelschnitt, ist sie dreidimensional erhält man 7 Falls gefragt: Gib die zusammengesetzte Koordinaten- Wir wollen nacheinander alle Elemente unterhalb der Haupt-
eine Fläche zweiten Grades. transformation an: z TTx c diagonalen von A eliminieren.

9.2 Definitheit einer quadratischen Form 9.6 Hauptachsentransformation einer quadr. Form 1 Man wähle zu eliminierendes Element und benenne es
Welche Hauptachse schneidet q x a 0 nicht? aij .
Eine quadratische Form heisst: Die mit dem negativen Eigenwert. Jeder Vektor auf dieser Ach-
Wir können durch zwei Koordinatentransformationen (Dre-
positiv definit: 0 0 se gibt in q x eingesetzt eine negative Zahl. 1 0
q x x hung y T x und Verschiebung z y c) jede quadratische Bsp: A 0 1 a31 soll eliminiert werden
negativ definit: q x 0 x 0 Form rein quadratisch machen. Wie skizziere ich die Quadrik in Normalform? 1 1
Während der Koordinatenvektor x die quadratische Form in In Normalform ist es nicht schwer, mehrere Punkte einzusetzen
positiv semidefinit: q x 0 x 0
und dann Linien durchzuziehen. 2 Lese i, j ab und notiere ajj , aij
negativ semidefinit: q x 0 x 0 der Standardbasis darstellt, stellt der Koordinatenvektor z die
quadratische Form in der neuen Basis dar. Wie skizziere ich die Quadrik im ursprünglichen System? Bsp: i 3, j 1 ajj 1, aij 1
indefinit: sonst
 3 Berechne w a2jj a2ij 11. Lineare Diff’gleichungssysteme 2 Man ersetze höchste Ableitung durch einfache Ableitung 1 Verlangt eine Bedingung, dass y t im Unendlichen be-
mit Substitution. schränkt sein soll, setze Konstanten vor Exponential-
Bsp: w 12 12 2 funktionen mit positiven Exponenten null.
11.1 Lösen von homogenem Diff’gleichungssystem Bsp: y2 t 4 y2 t 2 y1 t 3y0 t 0
4 Man finde die richtige Rotationsmatrix Q T . Man neh- Bsp: Zweite Bedingung lim y t 5 C3 0
Man sucht eine Lösung für ein System von Differentialglei- 3 Durch die Substitution hat man automatisch ein t
me zuerst die Identitätsmatrix I Rm m und set- Diff’gleichungssystem erster Ordnung erzeugt:
chungen, gegeben in folgender Form: 2 Man bestimme weitere Konstanten, indem man t
ze iii cos α , iij sin α , iji sin α ,
ijj cos α . y1 0
y0 y1 einsetzt.
y1 t a11 a12 a13 y1 t Bsp: y1 y2
1 0 0 cos α 0 sin α y2 t a21 a22 a23 y2 t , y2 0 y2 3 y0 2 y1 4 y2 Bsp: lim y t C1 5
Bsp: I 0 1 0 QT 0 1 0 y3 t a31 a32 a33 y3 t y3 0 t
0 0 1 sin α 0 cos α 4 Zum Schluss substituiere noch die Anfangsbedingungen
Die Anfangsbedingungen y 0 sowie die Matrix A sei bekannt, 3 Man bestimme die übrigen Konstanten, indem man t
aij Bsp: y0 0 1, y1 0 3, y2 0 2 0 einsetzt.
5 Setze in Rotationsmatrix sin α w und cos α gesucht ist y t .
ajj Das Problem kann durch Transformation in Eigenbasis (Ent- Bsp: y 0 5 3C2 2 C2 1
w siehe Anhang kopplung) gelöst werden.
immer angeben 11.3 Lösen von inhomogenem Diff’gleichungssystem
1 2 0 1 2
Bsp: Q T
0 1 0 y1 t 3 2 y1 t y1 0 3
1 2 0 1 2 Bsp:
y2 t 1 4 y2 t
,
y2 0 6
Man hat bereits mit dem in 11.1 beschriebenen Verfahren 12. Zusammenhangliste
die Lösung yh t für das homogene Diff’gleichungssystem
6 Berechne Q T
A A 1 y A y gefunden. Jetzt sucht man die Lösung für das
Vorgehen: (Transformation in Eigenbasis z T y) inhomogene System: 12.1 Der Rang von A Rn n
ist voll
1 2 0 1 2 1 0 2 1 2
Bsp: 0 1 0 0 1 0 1 1 Man diagonalisiere die Matrix A T DT 1 (siehe 6.6) y A y b: Die folgenden Aussagen sind äquivalent:
1 2 0 1 2 1 1 0 1 2 und bestimme die Transformationsmatrix T . Man kann A ohne Nullzeilen in Dreicksform bringen.
Bsp: 2 0 2 1 Das Prinzip ist, dass man eine partikuläre Lösung yp t findet, Die Spalten (und Zeilen) von A sind linear unabhängig.
7 Falls A keine obere Dreiecksmatrix, wiederhole (finde D , T
0 5 1 1 die die Diff’gleichung sicher erfüllt. Die allgemeine Lösung ist
Q T etc.) bis alle nötigen Elemente eliminiert. dann y t yh t yp t Das Bild ist n-dimensional.
2 Sei t i die i-te Spalte von T und dii der i-te Diagonal- Das LGS Ax b ist für beliebiges b lösbar.
1 0 0 2 1 2
Bsp: 0 2 3 1 3 ,A
eintrag von D. Vorgehen:
0 3 2 Das LGS Ax b besitzt genau eine Lösung.
T
Q
0 1 3 2 3 0 0 Die Lösung des Diff’gleichungssystems lautet dann:
1 2 1 Man nimmt an, dass die partikuläre Lösung yp t kon- Eine Inverse A 1 existiert.
y t z1 0 t ed11 t z2 0 t ed22 t ...
8 Wenn A R gefunden, berechne Q Q T
QT T
stant ist. Daraus folgt, dass yp t 0. Man löse also det A 0.
A Q R Bsp: y1 t
z1 0
2
e2t z2 0
1
e5t das Gleichungssystem A yp b Kein Eigenwert von A ist 0.
y2 t 1 1
2 Man addiere die homogene und die Partikuläre Lösung
Kleinste Quadrate mit QR-Zerlegung Falls dii imaginär, rechne normal mit einem EW zusammen: y t yh t yp t 12.2 Der Rang von A Rn n
ist nicht voll
Löst man ein Optimierungsproblem mit dem Computer, liefert und separiere Terme mit i. Dann ist Im y
das in 10.1 beschriebene Verfahren ungenaue Lösungen (da nu- Re y die Lösung. Die folgenden Aussagen sind äquivalent:
merisch instabil). Das Lösungsverfahren mittels QR-Zerlegung Tipp: eiωt 11.4 Differentialgleichung 2er Ordnung
cos ωt isin ωt Man kann A nur mit Nullzeilen in Dreicksform bringen.
ist besser. In Aufgabe nur machen, wenn explizit verlangt! 1 8i 1 8i 2t 8it
y1 t
5
e 2 8i t
5
e e Man sucht eine Lösung für ein System von Differentialglei- Die Spalten (und Zeilen) von A sind linear abhängig.
Vorgehen: y2 t
chungen, gegeben in folgender Form:
cos 8t 8sin 8t 8cos 8t sin 8t Das Bild ist n-dimensional.
e2t ie2t
5cos 8t 5sin 8t
1 Man bestimme A und c wie bei 10.1. y Ay Das LGS Ax b ist nicht für alle b lösbar.
Falls dii mehrmals mit gleichem Eigenvektor v
Das LGS Ax b besitzt keine oder unendlich viele
1 0 1 vorkommt, löse A λI p v Lösung ist dann: 1 Das Problem wie bei 11.1 entkoppeln und alle Eigenwer-
Bsp: A 0 1 , c 0 Lösungen.
1 1 1 y1 t
z1 0 edii t v z2 0 edii t t
v1 p1 te λi und Eigenvektoren vi berechnen.
y2 t v2 p2 Eine Inverse A 1 existiert nicht.
2 Man führe die QR-Zerlegung durch A QR 2 ωi λi einführen. System ist ein virtueller Oszilla- det A 0.
1 1
3 Variante 1: Bestimme T , danach z 0 T y 0 . tor z ωi2 z 0 Mindestens ein Eigenwert von A ist 0.
1 2 1 6 1 3 2 1 2
Variante 2: Bestimme z 0 durch Lösen des Gleichungs- Funktioniert nur für negative Eigenwerte!
Bsp: Q 0 2 3 1 3 ,R 0 3 2
0 0 systems T z 0 y 0 .
1 2 1 6 1 3 3 Lösung ist dann zi ai cos ωi t bi sin ωi t 13. Persönliche Ergänzungen
Falls keine Anfangsbedingungen gegeben, zi 0 Ci .
3 Man berechne d QT c 4 Mit y T z zurücktransformieren.
1 3 1 3 3 1 z1 0
Bsp: 1 3 2 3 6 5 z2 0
Lösungsräume & -Mengen von DGL-Systemen
0
Bsp: d QT c 2 3 5 Allgemeine Lösung:
haben keine gemeinsame Schnittmenge
2 3 y1 t
T
a1 cos ω1 t b1 sin ω1 t
11.2 Umwandlung höhere Ordnung in System 1. Ordnung y2 t a2 cos ω2 t b2 sin ω2 t
4 Man berechne löse das Gleichungssystem R0 x d0 ,
wobei R0 die extrahierte Dreiecksmatrix aus R ist und Man will eine Differentialgleichung höherer Ordnung in ein Dif-
ferentialgleichungssystem 1. Ordnung umwandeln: 11.5 Bedingungen im Unendlichen
d0 die dazugehörigen oberen Einträge von d
2 1 2 0 Bsp: 4 y 2 y t 3y t 0 Für das Bestimmen der Konstanten Ci sind nicht immer nur
Bsp: R0 , d0 y t t
0 3 2 2 3 Anfangsbedingungen yi 0 gegeben, sondern manchmal auch
y 0 1, y 0 3, y 0 2 Bedingungen wie lim yi t a.
t
Vorgehen:
Bsp: Bestimme Ci von y t C1 3C2 e t
C3 e2t
1 Man substituiere y y0 , y y1 etc. Die höchste mit y 0 2 und lim y t 5
Ableitung lasse man stehen. t

Bsp: y t 4 y2 t 2 y1 t 3y0 t 0 Vorgehen:

Kommutativität maximale gVfh Rotationsmatrizen (Rotation um )
Multiplikation zweier Matrizen , ist nur kommutativ, wenn: Bild und Kern von
• Input, Argument Output, Abbildung
Abbildungsmatrix
• oder um x-Achse:
mit EW
von der Matrix
ist regulär ist die max. gVfh
ist quadratisch
hat vollen Rang: oder
um y-Achse:
Einfachheit / Halbeinfachheit
Kern:
Eine Matrix ist einfach jeder EW hat algVfh
die Spalten von sind linear unabhängig Alle Vektoren, die von auf Null abgebildet werden, bzw.
die Zeilen von sind linear unabhängig Parallelogrammregel
ist lösbar für alle Teilmenge des Definitionsraumes um z-Achse:
hat eine eindeutige Lösung sodass für gilt: in Vektorräumen, in denen ein Skalarprodukt definiert ist, gilt:
hat nur die triviale Lösung
Kern bestimmen: lösen
ist invertierbar in 2D:
ist invertierbar Der Kern beinhaltet potentiell unendlich Vektoren wenn bei wobei die vom Skalarprodukt induzierte Norm ist:
ist invertierbar die Lösungsvektoren von Parametern abhängig sind (oft der Fall):
Schiefsymmetrisch
ist singulär max. wenn bei
ist nicht quadratisch
hat keinen vollen Rang Nullvektor ist und löst immer auf Orthonormalbasis von einem (Unter-)Raum projizieren gilt für der Form
hat keine oder Lösungen Nullvektor ist als gar nicht in einsetzbar
hat Lösungen
Erinnerung: oder oder
ist nicht invertierbar wenn nur die triviale Lösung hat, Quadratische Ergänzung
ist regulär und es gelten viele weitere Zusammenhänge
Polynome als Vektorprodukt
Bild:
Alle Vektoren, die den Lösungsraum aufspannen ( Basis), bzw.
Orthonormalbasis von :
das Erzeugendensystem des Lösungsraums:

ist die bestmögliche Darstellung von in und ist unter

Das Bild von von den Spaltenvektoren von
Umständen bloss eine Näherung mit der kürzesten Abstand zu
als Erzeugendensystem aufgespannt:

falls die Basis gefragt ist, muss man diese zusätzlich aus dem
ist also von einem Polynom z.B. der Basisvektor gefragt, Erzeugendensystem bestimmen!
sieht es so aus: Scheitelpunkt bei
Basis aus Erzeugendensystem bestimmen
Methode I:
Schneller, wenn Kern und Bild bestimmt werden müssen Leibnitz-Notation für Ableitungen
weil nur ein Mal gegausst werden muss
erste Ableitung
nach :
1.
zweite Ableitung
nach :
2. gaussen
Ableitung nach
und Ableitung nach :

Pivotspalten von
Ableitung nach
und Ableitung nach :
3.
sind die Basisvektoren von für

Methode II:

aufstellen und gaussen,

alle Spaltenvektoren,
die keine Nullzeilen sind,
sind die Basisvektoren von :
komplexer DGL-Lösungsanteil reell darstellen

zur Veranschaulichung in :

mit als n-ter Spaltenvektor der Transformationsmatrix und möglicherweise komplexen Einträgen
 Komplexe Eigenwerte (DGL) 2 3 4

falls In =
✗ +
iy ein EW von A ,
so ist Ja =
✗ -

iy = I.

(z.B )
Vorgehen bestimme den
Eigen raum von einem EW Xi Xs
: :

.
; ;

✗ =
Re ( Xi ) F- Im / Ii )

u = Re ( Vi ) f- Im ( v ; ) mit v; = EV zu EW Ii

¥ -7=1
[ (acos (Bt ) bsin ( Bt ) ) u (a bcos ( Bt ) )
"
IH ) =
e
- -
-
sin ( Bt ) + -

V]

a ,
b c- IR

:( ¥) ) ( f) ( %)
Bsp -
-
7. =
[Link] )
12=2 i " '
tty
-

b- +
y y
= -

A-
( 5- )
i
11--7 -12 ) , ✗ = 0 v. =

✗ =
Rehn ) =
2 ,
D= Im ( 711--1
a- Re (E) (E) =

,
✓ = Im (E) ( J ) =

( ¥ f- Et /([Link] -

bsinlt) ) (E) (asinltltbcoslt) ) ( I ) )

-

✗ ( t)
=
e
"
[ ( Za b) + cost + (a -
zb ) sin It) ]

Orthogonal Projiektion auf VR

Sei V ein VR und U ein UVR von V
Sei Beine Basis U
orthogonale von

auf U
2
p soll
Um }
orthogonal projiziert werden
D= { Ui ,
Uz ,
. . .
/

< "" P )
(p)
Proju
= .

UK
.
( Un Un) ,

falls B ortho normal ( Un ,

Un ) -1

Allgemeines
:

jede Matrix mit

negativer Determinante
•

3
hat min .

negativen EW

Matrix Produkt
•

Determinante einer ist

2 "
ihrer EW

Jeder EV invertierbaren Matrix ist

•

einer

auch EV der Inversen

reelle symmetrische Matrix hat EWEIR

•

•
Summe der EW ist die Spur einer Matrix
)
f- { MEIR } " ' ^
/ MT 2-
" ""
• = -
M
, dim ( v ) =

Sp :
a- •
b- =/ a- 1151 -

Cos (d)
""
) 1-
Signatur IR
•

=
(p , n ,
z von c-

D= # EW A
→

positive von

→
# A
n
negative EW von
=

→
2- = m -

p n
-

alg .

Vf .
des EWO
 Komplexe Eigenwerte (DGL) 2 3 4

falls In =
✗ +
iy ein EW von A ,
so ist Ja =
✗ -

iy = I.

(z.B )
Vorgehen bestimme den
Eigen raum von einem EW Xi Xs
: :

.
; ;

✗ =
Re ( Xi ) F- Im / Ii )

u = Re ( Vi ) f- Im ( v ; ) mit v; = EV zu EW Ii

¥ -7=1
[ (acos (Bt ) bsin ( Bt ) ) u (a bcos ( Bt ) )
"
IH ) =
e
- -
-
sin ( Bt ) + -

V]

a ,
b c- IR

:( ¥) ) ( f) ( %)
Bsp -
-
7. =
[Link] )
12=2 i " '
tty
-

b- +
y y
= -

A-
( 5- )
i
11--7 -12 ) , ✗ = 0 v. =

✗ =
Rehn ) =
2 ,
D= Im ( 711--1
a- Re (E) (E) =

,
✓ = Im (E) ( J ) =

( ¥ f- Et /([Link] -

bsinlt) ) (E) (asinltltbcoslt) ) ( I ) )

-

✗ ( t)
=
e
"
[ ( Za b) + cost + (a -
zb ) sin It) ]

Orthogonal Projiektion auf VR

Sei V ein VR und U ein UVR von V
Sei Beine Basis U
orthogonale von

auf U
2
p soll
Um }
orthogonal projiziert werden
D= { Ui ,
Uz ,
. . .
/

< "" P )
(p)
Proju
= .

UK
.
( Un Un) ,

falls B ortho normal ( Un ,

Un ) -1

Allgemeines
:

jede Matrix mit

negativer Determinante
•

3
hat min .

negativen EW

Matrix Produkt
•

Determinante einer ist

2 "
ihrer EW

Jeder EV invertierbaren Matrix ist

•

einer

auch EV der Inversen

reelle symmetrische Matrix hat EWEIR

•

•
Summe der EW ist die Spur einer Matrix
)
f- { MEIR } " ' ^
/ MT 2-
" ""
• = -
M
, dim ( v ) =

Sp :
a- •
b- =/ a- 1151 -

Cos (d)
""
) 1-
Signatur IR
•

=
(p , n ,
z von c-

D= # EW A
→

positive von

→
# A
n
negative EW von
=

→
2- = m -

p n
-

alg .

Vf .
des EWO
 Komplexe Eigenwerte (DGL) 2 3 4

falls In =
✗ +
iy ein EW von A ,
so ist Ja =
✗ -

iy = I.

(z.B )
Vorgehen bestimme den
Eigen raum von einem EW Xi Xs
: :

.
; ;

✗ =
Re ( Xi ) F- Im / Ii )

u = Re ( Vi ) f- Im ( v ; ) mit v; = EV zu EW Ii

¥ -7=1
[ (acos (Bt ) bsin ( Bt ) ) u (a bcos ( Bt ) )
"
IH ) =
e
- -
-
sin ( Bt ) + -

V]

a ,
b c- IR

:( ¥) ) ( f) ( %)
Bsp -
-
7. =
[Link] )
12=2 i " '
tty
-

b- +
y y
= -

A-
( 5- )
i
11--7 -12 ) , ✗ = 0 v. =

✗ =
Rehn ) =
2 ,
D= Im ( 711--1
a- Re (E) (E) =

,
✓ = Im (E) ( J ) =

( ¥ f- Et /([Link] -

bsinlt) ) (E) (asinltltbcoslt) ) ( I ) )

-

✗ ( t)
=
e
"
[ ( Za b) + cost + (a -
zb ) sin It) ]

Orthogonal Projiektion auf VR

Sei V ein VR und U ein UVR von V
Sei Beine Basis U
orthogonale von

auf U
2
p soll
Um }
orthogonal projiziert werden
D= { Ui ,
Uz ,
. . .
/

< "" P )
(p)
Proju
= .

UK
.
( Un Un) ,

falls B ortho normal ( Un ,

Un ) -1

Allgemeines
:

jede Matrix mit

negativer Determinante
•

3
hat min .

negativen EW

Matrix Produkt
•

Determinante einer ist

2 "
ihrer EW

Jeder EV invertierbaren Matrix ist

•

einer

auch EV der Inversen

reelle symmetrische Matrix hat EWEIR

•

•
Summe der EW ist die Spur einer Matrix
)
f- { MEIR } " ' ^
/ MT 2-
" ""
• = -
M
, dim ( v ) =

Sp :
a- •
b- =/ a- 1151 -

Cos (d)
""
) 1-
Signatur IR
•

=
(p , n ,
z von c-

D= # EW A
→

positive von

→
# A
n
negative EW von
=

→
2- = m -

p n
-

alg .

Vf .
des EWO
 Komplexe Eigenwerte (DGL) 2 3 4

falls In =
✗ +
iy ein EW von A ,
so ist Ja =
✗ -

iy = I.

(z.B )
Vorgehen bestimme den
Eigen raum von einem EW Xi Xs
: :

.
; ;

✗ =
Re ( Xi ) F- Im / Ii )

u = Re ( Vi ) f- Im ( v ; ) mit v; = EV zu EW Ii

¥ -7=1
[ (acos (Bt ) bsin ( Bt ) ) u (a bcos ( Bt ) )
"
IH ) =
e
- -
-
sin ( Bt ) + -

V]

a ,
b c- IR

:( ¥) ) ( f) ( %)
Bsp -
-
7. =
[Link] )
12=2 i " '
tty
-

b- +
y y
= -

A-
( 5- )
i
11--7 -12 ) , ✗ = 0 v. =

✗ =
Rehn ) =
2 ,
D= Im ( 711--1
a- Re (E) (E) =

,
✓ = Im (E) ( J ) =

( ¥ f- Et /([Link] -

bsinlt) ) (E) (asinltltbcoslt) ) ( I ) )

-

✗ ( t)
=
e
"
[ ( Za b) + cost + (a -
zb ) sin It) ]

Orthogonal Projiektion auf VR

Sei V ein VR und U ein UVR von V
Sei Beine Basis U
orthogonale von

auf U
2
p soll
Um }
orthogonal projiziert werden
D= { Ui ,
Uz ,
. . .
/

< "" P )
(p)
Proju
= .

UK
.
( Un Un) ,

falls B ortho normal ( Un ,

Un ) -1

Allgemeines
:

jede Matrix mit

negativer Determinante
•

3
hat min .

negativen EW

Matrix Produkt
•

Determinante einer ist

2 "
ihrer EW

Jeder EV invertierbaren Matrix ist

•

einer

auch EV der Inversen

reelle symmetrische Matrix hat EWEIR

•

•
Summe der EW ist die Spur einer Matrix
)
f- { MEIR } " ' ^
/ MT 2-
" ""
• = -
M
, dim ( v ) =

Sp :
a- •
b- =/ a- 1151 -

Cos (d)
""
) 1-
Signatur IR
•

=
(p , n ,
z von c-

D= # EW A
→

positive von

→
# A
n
negative EW von
=

→
2- = m -

p n
-

alg .

Vf .
des EWO
 Komplexe Eigenwerte (DGL) 2 3 4

falls In =
✗ +
iy ein EW von A ,
so ist Ja =
✗ -

iy = I.

(z.B )
Vorgehen bestimme den
Eigen raum von einem EW Xi Xs
: :

.
; ;

✗ =
Re ( Xi ) F- Im / Ii )

u = Re ( Vi ) f- Im ( v ; ) mit v; = EV zu EW Ii

¥ -7=1
[ (acos (Bt ) bsin ( Bt ) ) u (a bcos ( Bt ) )
"
IH ) =
e
- -
-
sin ( Bt ) + -

V]

a ,
b c- IR

:( ¥) ) ( f) ( %)
Bsp -
-
7. =
[Link] )
12=2 i " '
tty
-

b- +
y y
= -

A-
( 5- )
i
11--7 -12 ) , ✗ = 0 v. =

✗ =
Rehn ) =
2 ,
D= Im ( 711--1
a- Re (E) (E) =

,
✓ = Im (E) ( J ) =

( ¥ f- Et /([Link] -

bsinlt) ) (E) (asinltltbcoslt) ) ( I ) )

-

✗ ( t)
=
e
"
[ ( Za b) + cost + (a -
zb ) sin It) ]

Orthogonal Projiektion auf VR

Sei V ein VR und U ein UVR von V
Sei Beine Basis U
orthogonale von

auf U
2
p soll
Um }
orthogonal projiziert werden
D= { Ui ,
Uz ,
. . .
/

< "" P )
(p)
Proju
= .

UK
.
( Un Un) ,

falls B ortho normal ( Un ,

Un ) -1

Allgemeines
:

jede Matrix mit

negativer Determinante
•

3
hat min .

negativen EW

Matrix Produkt
•

Determinante einer ist

2 "
ihrer EW

Jeder EV invertierbaren Matrix ist

•

einer

auch EV der Inversen

reelle symmetrische Matrix hat EWEIR

•

•
Summe der EW ist die Spur einer Matrix
)
f- { MEIR } " ' ^
/ MT 2-
" ""
• = -
M
, dim ( v ) =

Sp :
a- •
b- =/ a- 1151 -

Cos (d)
""
) 1-
Signatur IR
•

=
(p , n ,
z von c-

D= # EW A
→

positive von

→
# A
n
negative EW von
=

→
2- = m -

p n
-

alg .

Vf .
des EWO