MαTZε frühstückt. Steffen Ohrendorf et al. Revision 31 ( )
|
|
- Ina Hummel
- vor 8 Jahren
- Abrufe
Transkript
1 MαTZε frühstückt Revision 31 ( ) Steffen Ohrendorf et al.
2
3 Als Informatiker sollte man immer Linux zu Hause haben. Falls mal Besuch kommt.
4
5 Inhaltsverzeichnis Vorwort 1 Danksagung 2 Eine Bitte 3 I. Mathematische Grundlagen 4 1. Mengenlehre Definitionen Rechenregeln De Morgansche Regeln Relationen Gruppe Ring Körper Lineare Abbildungen Homomorphismus Modulo-Arithmetik Kombinatorik Komplexe Zahlen Sonstiges Polarkoordinaten Vollständige Induktion 13 i
6 Inhaltsverzeichnis II. Lineare Algebra Vektoren, Vektorräume Definitionen Vektorraum Untervektorraum Skalarprodukt Norm Errechnung von Normalen Orthonormalisierungsverfahren Operationen mit zwei Vektoren Kreuzprodukt Vektorraum aus Polynomen Ebenengleichungen Umformungen Parameterform zur Hesseschen Normalform Abstandbestimmung Schnittmengenbestimmung Matrizen Definition Rechenregeln Falksches Schema Quadratische Matrizen Lineare Gleichungssysteme Lösungsmethoden Gauß-Algorithmus Cramersche Regel Methode der kleinsten Quadrate Verallgemeinerte Inverse Darstellung unendlich vieler Lösungen Determinanten Rechenregeln Entwicklungssatz nach Laplace Berechnung nach Gauß Komplementärmatrix Umkehrmatrix Berechnung mit dem Gauß-Jordan-Algorithmus Berechnung mit der Komplementärmatrix Definitheit Hurwitz-Kriterium Transformationsmatrizen Basistransformation ii
7 Inhaltsverzeichnis 7.7. Orthogonale Matrizen Eigenwerte und -vektoren Lineare Abbildungen Definitionen Überprüfung auf Linearität Berechnung der Abbildung Vektorraum aus Matrizen III. Analysis Folgen Definitionen Wichtige Grenzwerte Rechenregeln Rekursive Folgen Reihen Definitionen Rechenregeln Kriterien Potenzreihen Definitionen Wichtige Grenzwerte Rechenregeln Wichtige Potenzeihen Taylorreihe Taylorreihenentwicklungen Newton-Verfahren Funktionen mehrerer Veränderlicher Allgemeines Stetigkeit Epsilon-Umgebung Weiteres Partielle Ableitungen Allgemeines Extrema Regressionsanalyse Extrema mit Nebenbedingungen Untersuchung der Hesse-Matrix iii
8 Inhaltsverzeichnis Bestimmung der Kandidaten IV. Stochastik Kombinatorik Grundlagen Zufallsexperiment Laplace-Experiment Bernoulli-Experiment Definitionen Zentraler Grenzwertsatz Verteilungen Binomialverteilung Grenzwertsatz von Moivre-Laplace Geometrische Verteilung Hypergeometrische Verteilung Poisson-Verteilung Normalverteilung Exponentialverteilung χ 2 -Verteilung Gamma-Funktion t-verteilung nach Student Mehrere Veränderliche Statistik/Schätzungen Konfidenzintervalle Übersicht 61 V. IT Grundlagen Zahlendarstellungen Stellenwertsystem Codierungen ASCII Unicode Unicode Transformation Format (UTF) Hamming-Code EAN (European Article Number) iv
9 Inhaltsverzeichnis Hash-Summen Huffman-Codierung Von-Neumann Rechnerarchitektur Komponenten CPU Control Unit RAM Bus Flaschenhals Erweiterungen Harvard-Architektur RISC/CISC Betriebssysteme Definition Anforderungen Aufgaben Typen Task Scheduler Batch-Systeme Dialogsysteme Echtzeitsysteme Strategien Speicherverwaltung Physische Speicherverwaltung Virtuelle Speicherverwaltung Auslagerungsstrategien Grafische Algorithmendarstellungen Struktogramme Flussdiagramme Speichermedien Diskette Magnetplatte Solid State Disc (SSD) Compact Disc RAID RAID Typen Dateisysteme Journaling Dateisystemtypen v
10 Inhaltsverzeichnis Windows Unix/Linux Rechteverwaltung Kryptologie Definitionen Einsatzgebiete und Anforderungen Einsatzgebiete Anforderungen Klassische Verfahren Moderne Verfahren Symmetrische Verfahren Asymmetrische Verfahren RSA Verfahren Anwendungsgebiete Signierung von Nachrichten Hybridverfahren Kryptoanalyse Datensicherheit Sicherheitsrisiken Sicherheitsmaßnahmen Bundesdatenschutzgesetz Assembler Grundlagen Register Mnemonics Datenbefehle Mathematische Befehle Sprünge Beispiele Muster von Dr. Alexander Voß Alternative Alternative Compiler-Optimierungen VI. Anhänge 105 A. Formelsammlung 107 A.1. Potenzreihen vi
11 Inhaltsverzeichnis A.2. Andere Reihen A.3. Wichtige Grenzwerte A.4. Integrale und Ableitungen A.4.1. Regeln A.4.2. Einfache Integrale A.4.3. Exponentialfunktionen A.4.4. Logarithmusfunktionen A.4.5. Trigonometrische Funktionen A.4.6. Hyperbolische Funktionen B. Tabellen 112 C. Beispiele 115 C.1. Konvergenz einer Folge C.2. Konvergenz einer Reihe C.3. Extremwerte einer Funktion mehrerer Veränderlicher C.4. Vollständige Induktion C.5. Schnittmengenbestimmung D. L A TEX Symbole 120 D.1. Griechische Buchstaben D.2. Sonstige Symbole D.3. Verhältnisoperatoren D.4. Operatoren D.5. Begrenzungen und Klammern D.6. Große Operatoren, Dekorationen D.7. Abstände D.8. Zahlenmengen D.9. Die MathBB-Zeichen im Überblick D.10.Beispiele D.10.1.Vergleich eingebettete Formeln und abgesetzte Formeln 124 E. Stichworte 125 Mathematik IT Grundlagen Glossar 135 Literaturverzeichnis 136 vii
12
13 Vorwort Wichtiger Hinweis Dieses Dokument ist nicht als Skript zu verstehen und sollte nicht als alleinige Basis zum Lernen dienen. Es ist als begleitendes Material gedacht, um eventuell das vorhandene Wissen aufzufrischen. Wer beim Durchlesen oder Nachschlagen ein Thema nicht voll versteht, sollte auf jeden Fall noch einmal einen Blick in das Skript der entsprechenden Vorlesung werfen. Es ist durchaus ratsam, das Studium ernst zu nehmen und in den Vorlesungen nicht zu schlafen, denn sonst passiert sowas hier: (Klausur Analysis I, WS 2011/12) 1
14 Danksagung Ich möchte folgenden Personen danken: Jens Hollmann, Dr. Alexander Voß, Hans Joachim Pflug und Benno Willemsen für die Vorlesungen, Präsentationen, Notizen und Inspirationen. Tim Böhmer für den Teil Kombinatorik auf Seite 10. Frederic Klein für einen wichtigen Teil von Lineare Gleichungssysteme auf Seite 26. Mike Boddin für das Korrekturlesen von Revision 21. Einem Spender, der mich dazu angespornt hat, den Teil Lineare Algebra noch einmal zu überarbeiten und zu vervollständigen. 2
15 Eine Bitte Bitte nehmen Sie sich die Zeit, mir über ch eine kurze Nachricht zukommen zu lassen. Ich weiß selbst, wie gern man etwas benutzt, ohne dem Schöpfer/Ersteller/Autor/etc. eine Nachricht zukommen zu lassen, wie seine Arbeit denn nun ankommt. Ich habe bereits einiges an Arbeit in dieses PDF investiert, und aufgrund der vermutlich geringen Nutzerbasis ist es schwer, überhaupt an Rückmeldungen zu gelangen. Mir geht es nicht darum, dass Sie mich loben lediglich eine Nachricht, dass Sie meine Arbeit nutzen, lässt mich weitermachen. Denn wozu sollte ich mir die Mühe machen, wenn sie ins Leere verpufft? Außerdem bitte ich Sie, nicht zu zögern, mir Fehler und Unvollständigkeiten mitzuteilen. Auf diese Weise weiß ich, dass mein PDF genutzt wird, und Sie helfen auch den anderen Lesern Fehler zu vermeiden. 3
16 Teil I. Mathematische Grundlagen 4
17
18 1. Mengenlehre 1.1. Definitionen Eine Menge ist eine Zusammenfassung von bestimmten wohl unterschiedenen Objekten unserer Anschauung oder unseres Denkens welche die Elemente der Menge genannt werden zu einem Ganzen. Explizite Aufzählung M = {a,b,c,d,...} Aufzählung nach Eigenschaft P = {x x ist Primzahl} (Cantor) Leere Menge oder {}. Achtung: { } = {{}} ist eine Menge, die eine leere Menge enthält. Es gilt M : M. (Echte) Teilmenge A ist (echte) Teilmenge von B: A B := A B a A : a B. Unechte Teilmenge A ist (unechte) Teilmenge von B: A B := a A : a B. Durchschnitt (Schnittmenge) A B := {x x A x B} Vereinigung A B := {x x A x B} Differenzmenge A\B := {x x A x / B} 1.2. Rechenregeln Prioritäten, absteigend sortiert: Klammern, Komplement, Durchschnitt, Vereinigung. Kommutativgesetz A B = B A, A B = B A Assoziativgesetz (A B) C = A (B C), (A B) C = A (B C) Distributivgesetz A (B C) = (A B) (A C), A (B C) = (A B) (A C) 6
19 1.3. Relationen Transitivgesetz A B B C A C Komplement R =, = R, A = A Potenzmenge Menge aller Teilmengen einer Menge: P(A). Es ist P(A) = 2 A. Kreuzprodukt A B := {(a,b) a A b B} De Morgansche Regeln A\(B C) = (A\B) (A\C) A\(B C) = (A\B) (A\C) (A B) = A B (A B) = A B 1.3. Relationen Eine Relation R auf einer Menge A ist eine (unechte) Teilmenge von A A. Reflexivität a A : (a,a) R Symmetrie a,b A : (a,b) R (b,a) R Transitivität a,b,c A : (a,b) R (b,c) R (a,c) R Äquivalenzrelation Eine Äquivalenzrelation auf einer Menge M muss reflexiv, symmetrisch und transitiv (rst) sein. Es gilt dann: (a,b) R a b Gruppe Eine nicht-leere Menge M, auf der eine Verknüpfung definiert ist, heißt Gruppe, wenn für x,y,z M gilt: Abgeschlossenheit x y M Assoziativität (x y) z = x (y z) Neutralelement Es existiert genau ein Element n M, für das gilt: x n = n x = x 7
20 1. Mengenlehre Inverses Element Zu jedem x M existiert ein x 1 M, für das gilt 1 : x x 1 = x 1 x = n Mit folgender zusätzlicher Bedingung heißt die Gruppe kommutativ bzw. Abelsch: Kommutativ x y = y x 1.5. Ring Eine nicht-leere Menge M heißt Ring, wenn auf ihr zwei Verknüpfungen und mit folgenden Eigenschaften definiert sind: 1. M ist eine kommutative Gruppe bezüglich. 2. Ohne das Neutralelement bzgl. erfüllt der Rest von M alle Axiome einer Gruppe bezüglich, jedoch nicht das Axiom des inversen Elements. 3. Es gelten die Distributivgesetze ( x, y, z M): (x y) z = (x z) (y z) x (y z) = (x y) (x z) Anmerkung: Das neutrale Element bezüglich der Addition wird oft mit 0 bezeichnet, das neutrale Element bezüglich der Multiplikation oft als Körper Eine nicht-leere Menge M heißt Körper, wenn sie die Eigenschaften des Ringes erfüllt und zusätzlich ein inverses Element bezüglich besitzt Lineare Abbildungen Funktion/Abbildung f : A B oder f : A a f(a) B Definitionsbereich Das A bei f : A B. Zielmenge Das B bei f : A B. Bildmenge f(a) B, auch: Wertemenge/Bild von A bzgl. f. Urbild f -1 (b) := {a A f(a) = b} A, Urbild von b B. 1 Das inverse Element x 1 ist nicht mit dem Kehrwert zu verwechseln. 8
21 1.8. Modulo-Arithmetik Injektivität f(u) = f(v) u = v. Surjektivität f(a) = B. Bijektivität Injektiv und surjektiv Homomorphismus A und B seien Vektorräume über einem Körper K. Eine Abbildung f : A B heißt Homomorphismus bzw. lineare Abbildung, falls gilt: Additivität x,y A : f(x + y) = f(x)+ f(y) Homogenität x A λ K : f(λx) = λf(x) Die Menge der linearen Abbildungen von A nach B wird auch mit Hom(A,B) bezeichnet. Kern von f bzw. Nullraum von f : Ker(f) = {x A f(x) = 0}. Enthält entweder genau ein Element (die 0) oder unendlich viele. Regulär Ker(f) = {0} Singulär Ker(f) = Isomorphismus ist ein bijektiver Homomorphismus Modulo-Arithmetik Zwei Zahlen a,b Z heißen zu einer festen Zahl m N \ {0} kongruent modulo m, wenn gilt: a b(modm) a b = n m, n N Das heißt, dass die Differenz beider Zahlen a und b durch m teilbar ist. Weiter gelten: (x + y) mod p = ((x mod p)+(y mod p)) mod p (x y) mod p = ((x mod p) (y mod p)) mod p x n mod p = (x mod p) n mod p 9
22 2. Kombinatorik Die Kombinatorik beschreibt eine Auswahl von k Objekten aus n Elementen, welche in einer Ergebnismenge zusammengefasst werden. Gesucht ist dann die Mächtigkeit a der Ergebnismenge. Permutation Berücksichtigung der Reihenfolge Kombination Ignorieren der Reihenfolge Permutation Kombination mit Wdh. PER MW (n,k) = n k KOM MW (n,k) ( ) n + k 1 = k ohne Wdh. PER OW (n,k) ( ) n = k! k KOM OW (n,k) ( ) n = k Betragsstriche beachten! Die Funktionen geben die Kombinationen bzw. Permutationen zurück. Teilchen-/Fächermodell Grundmenge: Fächer, Auswahl: Besetzung der Fächer mit Teilchen. Mächtigkeit der Grundmenge ist Anzahl der Fächer, Experiment erfolgt durch Verteilen der Teilchen in die Fächer. Urnenmodell Grundmenge: Kugeln in Urne, Auswahl: Ziehung der Kugeln. Mächtigkeit der Grundmenge ist Anzahl der Kugeln, Experiment besteht aus Ziehung der Kugeln. 10
23 3. Komplexe Zahlen Definition z = x + iy = re iϕ = r (cos(ϕ)+i sin(ϕ)) Konjugiert komplex z = x iy Betrag z = x 2 + y 2 = z z Potenzen z n = r n exp(n iϕ) Wurzeln n z = n r exp ( iϕ+2kπi n ) k = 0,1,...,(n 1) 11
24 4. Sonstiges 4.1. Polarkoordinaten { +arccos ( ) x füry 0 r ϕ = arccos ( ) x füry < 0 r ( x ) = (sign(y)+1 sign(y) ) arccos r 12
25 5. Beweis durch vollständige Induktion Beispiel vorhanden auf Seite 117. Induktionsanfang (IA) Beweise, dass eine Aussage f(n) = g(n) für ein gewähltes n 0 gilt (i.d.r. für n 0 = 1). Induktionsvoraussetzung (IV) Gleichsetzen der rekursiven Formel und der expliziten Formel, also f(n) = g(n) explizit aufschreiben. Induktionsbehauptung (IB) Satz: Wenn f(n) = g(n) für ein beliebiges aber festes n gilt, so gilt die Aussage auch für n +1. Induktionsschluss (IS) Überprüfen, ob f(n+1) = g(n+1) unter Verwendung der IV stets eine wahre Aussage ergibt, d.h., eine Seite der Aussage muss mit Hilfe der IV in die andere Seite umgeformt werden. Beim Einsetzen der IV sollte über dem Gleichheitszeichen IV stehen. Schlusssatz: Damit ist die IV bewiesen. 13
26 Teil II. Lineare Algebra 14
27
28 6. Vektoren, Vektorräume 6.1. Definitionen Vektor Gerichtete Strecke ohne Position. Gebundener Vektor Vektor mit Position, zwischen zwei Punkten: PQ. Ortsvektor Gebundener Vektor mit Position im Ursprung. Parallelität α : a = α b a b (gleiche Richtung: α > 0, gegensätzliche Richtung: α < 0). Orthogonalität a, b = 0 a b a + b 2 = a 2 + b Vektorraum Sei K ein beliebiger Körper und V eine nicht-leere Menge. V heißt Vektorraum, wenn für x,y V und λ,µ K gilt: Folgende Abbildungen sind definiert: x y : V V V, (x,y) x y x y : K V V, (λ,x) λ x V ist eine kommutative Gruppe bezüglich. λ (µ x) = (λ µ) x. 1 x = x (hier ist 1 das Neutralelement bzgl. der Multiplikation aus K). λ (x y) = (λ x) (λ y). (λ+µ) x = (λ x) (µ x). Dabei nennt man die x,y Vektoren und die λ,µ Skalare. Linearkombination n i=1λi vi heißt Linearkombination von v1,..., vn. Lineare Hülle Die Menge aller Linearkombinationen L = { n i=1 λi vi λi K} V heißt lineare Hülle von v 1,..., v n. 16
29 6.1. Definitionen Erzeugendensystem Gilt L( v 1,..., v n) = V, so bilden die Vektoren ein Erzeugendensystem. Basis Auch: minimales Erzeugendensystem. Ist ein Erzeugendensystem, bei dem die Vektoren linear unabhängig sind. Daher hat eine Basis für einen Vektorraum V mit dim(v) = n genau n Basisvektoren. Dimension Hat ein Vektorraum V eine Basis { v 1,..., v n}, so ist dim(v) = n Untervektorraum Eine Teilmenge U eines Vektorraums V über einem Körper K ist ein Untervektorraum, wenn gilt: U x,y U, λ K : x + y U λx U Skalarprodukt V sei bel. Vektorraum über einem Körper K {R,C} und a, b, c V sowie λ K, dann heißt, : V V K Skalarprodukt falls gilt: SP0 a,b K SP1 a, b = b, a (Gilt wegen fehlendem Imaginärteil auch für K C.) SP2 a,b + c = a,b + a,c und a + b,c = a,c + b,c SP3 λa,b = λ a,b = a,λb (Gilt wegen fehlendem Imaginärteil auch für K C.) SP4 a,a = 0 a = 0 und a,a > 0 a 0 Standardskalarprodukt a, b := i aibi Norm Sei V ein Vektorraum über R sowie a,b R n und λ R, dann heißt : V R Norm falls a,b R n und λ R gilt: N0 a R N1 a 0 N2 a = 0 a = 0 N3 λa = λ a 17
30 6. Vektoren, Vektorräume N4 a + b a + b (Dreiecksungleichung) Standardnorm a = a,a (auch euklidische Norm, Zweiernorm oder Betrag) Betragssummennorm a 1 = i ai (auch Einernorm) Maximumnorm a = max({ a i }) Einheitsvektor a = 1 Kanonischer Einheitsvektor a = 1 1a i : a i = Errechnung von Normalen Sei v ein Vektor mit n Komponenten, so lassen sich dazu n 1 linear unabhängige Normalen nach folgendem Prinzip errechnen: 1. Wähle eine Komponente n i Vertausche n i mit einer anderen Komponente n j (i j) und setze die restlichen Komponenten auf Negiere eine der gewählten gebliebenen Komponenten Orthonormalisierungsverfahren nach Gram-Schmidt Wird benutzt, um aus m linear unabhängigen Vektoren v 1,..., v m paarweise orthogonale normalisierte Vektoren w 1,..., w m zu erzeugen. 1. Ersten normalisierten Vektor erzeugen: w 1 = v1 v 1 2. Errechnen des nächsten orthogonalen Vektors: r k+1 = v k+1 3. Orthogonalen Vektor normalisieren: k v k+1, w i w i i=1 w k+1 = r k+1 r k+1 4. Für jeden weiteren Vektor bei 2. fortfahren. 18
31 6.2. Operationen mit zwei Vektoren Projektion von a in Richtung b a, b b, b b (Fußnote 1 ) Winkel zwischen a und b Schwarzsche Ungleichung a, b 6.2. Operationen mit zwei Vektoren = a b cos(ϕ) a, b a b Dreiecksungleichung a + b a + b Kreuzprodukt Das Kreuzprodukt 2 ist nur definiert 3 im R 3 : a b = a b sin(ϕ). Es gelten folgende Eigenschaften: Antikommutativität a ( ) b = - b a ( ) ( Distributivität a b + c = a ) ( b +( a c) ( a + ) b c analog.) ( ) ( ) Skalierbarkeit α R : (α a) b = α a b = a α b Keine Assoziativität ( a ) ( ) b c a b c Außerdem gilt: a b 2 = a, a b, b a, 2 b 6.3. Vektorraum aus Polynomen Rekursive Faktorzerlegung p n(x) = (x x 0)p n 1(x)+r Zerlegung mit n Nullstellen p n(x) = a n n i=1 (x xi) wobei xi die Nullstellen sind 4. Die Funktionen {1,x,x 2,...,x n } bilden eine Basis von P n (Polynome vom Grad n): dim(p n) = n +1. P n ist genau dann linear unabhängig, wenn n i=0 λixi = 0(x) λ i = 0 0 i n gilt. 1 Auch: Komponente von a entlang b. 2 Auch: Vektorprodukt 3 Das Kreuzprodukt lässt sich auch für beliebige R n definieren, indem man für n > 3 Komponenten auf 0 setzt bzw. Komponenten für n < 3 mit 0 ergänzt. 4 Siehe Hornerschema 19
32 6. Vektoren, Vektorräume 6.4. Ebenengleichungen Sei V ein n-dimensionaler Vektorraum über einem Körper K, x, p, n, r 1,...,n 1 V und λ 1,...,n 1 K. p ist der Ortsvektor der (Hyper-)Ebene, r 1,...,n 1 sind die Richtungsvektoren, n ist die Normale. Ein Körper der Dimension n 1 in einem Vektorraum der Dimension n wird als Hyperebene bezeichnet, für n = 2 als Gerade und für n = 3 einfach als Ebene. Parameterform E : x = p + n 1 i=1 λi ri (Fußnote5 ) Normalform E : x p, n = 0 bzw. E : x, n = p, n (Fußnote 6 ) Hessesche Normalform Wie gewöhnliche Normalform, nur mit n = 1. Koordinatenform Die Gleichung x, n = p, n ausgeschrieben: E : n 1 i=1 xini = p, n Umformungen nach von PF NF KF PF via KF s.u. NF s.u. s.u. KF via NF s.u. Tabelle 6.1.: Umformungswege Ebenengleichungen Parameterform zur Hesseschen Normalform Im R 3 : 1. Normale n bestimmen: Vektorprodukt der Richtungsvektoren bilden und normalisieren. 2. Gleichung aufstellen: E : x, n = p, n, dabei die rechte Seite durch das Ergebnis des Skalarprodukts ersetzen. Normalform zur Koordinatenform Die Gleichung x, n = p, n ausgeschrieben: E : n 1 i=1 xini = p, n. 5 Auch: Punkt-Richtungs-Form. 6 Auch: parameterlose Form. 20
33 6.5. Abstandbestimmung Koordinatenform zur Hesseschen Normalform 1. Aus den Faktoren der x i den Normalenvektor n bestimmen (der i-te Faktor ist die i-te Komponente der Normale) und ggf. normalisieren. 2. Einen beliebigen Punkt p der Ebene ermitteln. 3. Mithilfe der Parameterform die Hessesche Normalform ermitteln. Koordinatenform zur Parameterform 1. n paarweise verschiedene Punkte der Ebene ermitteln. 2. Einen Punkt als Ortsvektor p wählen. 3. Von den restlichen Punkten p abziehen, das sind dann die Richtungsvektoren r 1,...,n 1. Alternativen Die Umrechnung der Koordinaten- und Normalform zur Parameterform lässt sich auch mit Hilfe der Errechnung von linear unabhängigen Normalen zur Ebenennormale durchführen. Siehe dazu Seite Abstandbestimmung Allgemein: 1. Richtung r des Abstandsvektors bestimmen. 2. Vektor a als Vektor zweier beliebiger Punkte auf den beiden Objekten bestimmen (Verbindungsvektor). 3. Kürzester Abstandsvektor ist dann: d = a, r r, r r Hyperebenen r entspricht der Normale der Ebene. Geraden im R 3 Funktioniert nur bei nicht-parallelen Geraden, r entspricht dann dem Kreuzprodukt der Richtungsvektoren Schnittmengenbestimmung Beispiel vorhanden auf Seite Umformung beider Gleichungen in jeweils die parameterlose Form und die Parameterform. 21
34 6. Vektoren, Vektorräume 2. Parameterlose Form in die Parameterform einsetzen und Wert eines Parameters berechnen. 3. Erhaltenen Parameter in die Parametergleichung einsetzen. 22
35 7. Matrizen 7.1. Definition Eine m n-matrix besteht aus m Zeilen und n Spalten. Die Indizes der einzelnen Werte bestehen aus der Zeile gefolgt von der Spalte. a 11 a 12 a 1n a 21 a 22 a 2n A =... a m1 a m2 a mn Die Elemente einer Matrix vom Typ 1 (m,n) lassen sich mit a ij 1 i m 1 j n ansprechen. Man kann Matrizen auch alternativ A = (a ij), i = 1,...,m, j = 1,...,n schreiben. Gleichheit A = B bzw. (a ij) = (b ij) gilt, wenn die Typen gleich sind und i,j : a ij = b ij gilt. Addition, Subtraktion A+B := (a ij + b ij) Nullmatrix a ij = 0, i = 1,...,m, j = 1,...,n { 0 falls i j Einheitsmatrix E = (δ ij) mit δ ij = 1 falls i = j Transponierte Matrix Die transponierte Matrix A T einer Matrix A erhält man durch Vertauschung von Zeilen und Spalten. Inverse Matrix Für die inverse Matrix A -1 gilt AA -1 = A -1 A = E. Es gibt nicht immer ein A -1. Quadratisch m = n Zeilenmatrix m = 1 Spaltenmatrix n = 1 Rang Der Rang einer Matrix ist die Dimension der größten Untermatrix U, für die det(u) 0 ist. 1 Der Typ kann auch als m n geschrieben werden. 23
36 7. Matrizen 7.2. Rechenregeln Multiplikation mit Skalar λa := (λa ij) Multiplikation (allgemein) Voraussetzung: A ist eine m n-matrix, B eine n r-matrix. Dann gilt: C = A B := (c ik ) mit c ik = n j=1 aijb jk. Es entsteht eine m r-matrix. Achtung: Im allgemeinen ist AB BA. Sofern die Produkte existieren, gelten: Distributivgesetz A(B + C) = AB + AC Assoziativgesetz (AB)C = A(BC) = ABC (AB) T = B T A T EA = AE = A Falksches Schema Das Falksche Schema kann als Hilfsmittel zur Matrizenmultiplikation benutzt werden. 1 4 ( ) Hier ein Beispiel für Schritt 1: Die rechte Matrix etwas höher aufschreiben als die linke Schritt 2: Quasi die Skalarprodukte aus den Zeilen von A und den Spalten von B bilden. 24
37 7.3. Quadratische Matrizen... und so weiter Schritt 3: Produkt abschreiben. 1 6 C = Quadratische Matrizen Hauptdiagonale existiert nur bei quadratischen Matrizen (m = n), es sind die Elemente (a kk ) 1 k n gemeint. Nebendiagonalen Siehe unten. Nebendiagonalen (markiert mit n) heißen sowohl die Diagonalen direkt über und direkt unter der Hauptdiagonalen (H) als auch die zur Hauptdiagonalen senkrechte Diagonale. 25
38 7. Matrizen H n n n n n n H Dreiecksmatrix Wenn alle Elemente über der Hauptdiagonalen 0 sind heißt die Matrix untere Dreiecksmatrix. Sind die Elemente unter der Hauptdiagonalen 0, so heißt die Matrix obere Dreiecksmatrix. Diagonalmatrix i j a ij = 0 Symmetrische Matrix a ij = a ji A = A T 7.4. Lineare Gleichungssysteme Ein lineares Gleichungssystem (LGS) besteht aus m linearen Gleichungen und n Unbekannten: m a ijx j = b i, 1 i m j=1 Homogen i : b i = 0 Inhomogen i : b i 0 Koeffizientenmatrix (a ij) a 11x 1 + a 12x a 1nx n = b 1 a 21x 1 + a 22x a 2nx n = b a m1x 1 + a m2x a mnx n = b m Erweiterte Matrix Koeffizientenmatrix erweitert um die b i Äquivalenz Zwei erweiterte Matrizen A, B sind äquivalent (Schreibweise: A B), wenn sie dieselben Lösungen haben. Stufenform Die Koeffizientenmatrix der erweiterten Matrix bildet eine obere Dreiecksmatrix (von oben nach unten verschiebt sich die Pivot-Spalte nach rechts). Reduzierte Stufenform Die Koeffizientenmatrix hat pro Zeile und Pivot-Spalte genau eine 1 und sonst nur 0. Bei quadratischen Matrizen bildet die Koeffizientenmatrix eine Einheitsmatrix. 26
39 7.4. Lineare Gleichungssysteme Pivot-Element Das erste Element einer Zeile 2 0. Pivot-Spalte Spalte mit Pivot-Element. Unterbestimmt Weniger linear unabhängige Gleichungen als Unbekannte. Überbestimmt Mehr linear unabhängige Gleichungen als Unbekannte 3. Nicht lösbar Lösungsspalte der reduzierten Stufenform ist eine Pivot-Spalte. Eindeutig lösbar Die Koeffizientenmatrix der reduzierten Stufenform ist eine Einheitsmatrix. Bei quadratischen Koeffizientenmatrizen ist die Determinante 0 (Gleichungen sind linear unabhängig). Mehrdeutig lösbar Das LGS ist unterbestimmt. Bei quadratischen Koeffizientenmatrizen ist die Determinante = 0 (Gleichungen sind linear abhängig) Lösungsmethoden Einfache Verfahren sind Gleichsetzungs-, Einsetzungs- und Additionsverfahren (sinnvoll bis max. 3 Unbekannte). Gauß-Algorithmus Standardverfahren, auch bekannt als Gaußsches Eliminationsverfahren. Cramersche Regel Lösungsverfahren mit Hilfe von Determinanten. Methode der kleinsten Quadrate Wird benutzt, um bei überbestimmten Gleichungssystemen diejenige Lösung zu ermitteln, die die geringste Abweichung zum erwarteten Ergebnis liefert. Verallgemeinerte Inverse Wird bei unterbestimmten Gleichungssystemen benutzt, um die Lösung mit der geringsten Norm zu ermitteln Gauß-Algorithmus Ziel Bestimmung der zu einem LGS äquivalenten reduzierten Stufenform unter Verwendung von Äquivalenzumformungen. 2 Auch die Lösungsspalte kann ein Pivot-Element enthalten. 3 Über- und Unterbestimmtheit lassen sich erst nach Reduktion auf die Stufenform angeben. 27
40 7. Matrizen Verwendete Rechenschritte Addition eines Vielfachen einer Zeile zu einer anderen Vertauschen zweier Zeilen Skalarmultiplikation mit einem Skalar λ R\{0} Algorithmus 1. Spaltenweises Vorgehen: LGS in eine Stufenform überführen (nicht eindeutig). 2. Zeilenweises Vorgehen: Von unten nach oben das Pivotelement auf 1 bringen, Elemente darüber auf 0 bringen Cramersche Regel Sei A x = b ein lineares Gleichungssystem mit A (n n,k) und x, b K n sowie det(a) 0, dann wird eine Matrix A i definiert als Matrix A, in der die i-te Spalte durch b ersetzt wurde. Die Lösung des Gleichungssystems ist dann gegeben als x i = det(a i) det(a) Methode der kleinsten Quadrate Sei A M(m n,r), m n, A x = b, b R m, dann gilt für die beste Näherungslösung: x = (A T A) -1 A T b Verallgemeinerte Inverse Sei A M(m n,r), m < n, A x = b, b R m, dann gilt für die beste Näherungslösung mit der kleinsten Norm von x: x = A T (AA T ) -1 b Darstellung unendlich vieler Lösungen 1. Reduzierte Stufenform errechnen. 2. Nicht-Pivot-Spalten mit dem entsprechenden freien Koeffizienten durch Subtraktion auf die rechte Seite bringen. 3. Erweiterung um die fehlenden Zeilen: Konstante Vektoren um 0 ergänzen, abhängige Vektoren der entsprechenden freien Koeffizienten um 1 ergänzen. 28
41 7.5. Determinanten Beispiel: ( ) x = y ( ( ) 8 + z Determinanten ) ( ) 15 8 ( ) x 8 15 y = 2 +z 8 z 0 1 Determinanten können nur für quadratische Matrizen berechnet werden. Ihr Wert ist ein Skalar. Bis zur Größe 3 3 gibt es spezielle Gleichungen. Die Menge aller m n-matrizen über einem Körper K wird als M(m n,k) geschrieben. n = 1 det(a 1) = a 1 ( ) a1 b 1 n = 2 det = det( a, a 2 b b) = a 1b 2 b 1a 2 2 a 1 b 1 c 1 n = 3 det a 2 b 2 c 2 = det( a, b, c) = a 1b 2c 3+b 1c 2a 3+c 1a 2b 3 a 1c 2b 3 a 3 b 3 c 3 b 1a 2c 3 c 1b 2a 3 Letzteres lässt sich mit der Regel von Sarrus veranschaulichen: a 1 b 1 c 1 a 1 b 1 a 2 b 2 c 2 a 2 b Rechenregeln a 3 b 3 c 3 a 3 b Die folgenden Regeln lassen sich analog auch für den R n anwenden. Die Regeln für die Spalten gelten Aufgrund von D6 auch für Zeilen. D1 det( a, b, c) = det( c, a, b) = det( b, c, a) (Rotation von Spalten) D2 det( a, b, c) = -det( b, a, c) (Vertauschung von Spalten) D3 det( a, a, b) = 0 (Duplikat einer Spalte) 29
42 7. Matrizen D4 α R : det(α a, b, c) = α det( a, b, c) (Multiplikation einer Spalte mit einem Skalar) D5 det( a, b, c + d) = det( a, b, c)+det( a, b, d) (Addition zweier Spalten) D6 det(a) = det(a T ) (Invarianz bei Transponierung) Außerdem gilt im R 3 : a b, c = det( a, b, c) (Die Determinante im R 3 gibt also das Volumen des durch die Vektoren a, b und c aufgespannten Spats an.) Weiter gilt: det(ab) = det(a) det(b) Entwicklungssatz nach Laplace Sei A ij definiert als die (n 1) (n 1)-Untermatrix der Matrix A durch Streichen von Zeile i und Spalte j. Dann gilt für die Determinante: Entwicklung nach Zeile i det(a) = n j=1 (-1)i+j a ij det(a ij) Entwicklung nach Spalte j det(a) = n i=1 (-1)i+j a ij det(a ij) Dabei ergibt (-1) i+j ein Schachbrettmuster: Berechnung nach Gauß Formt man die Matrix in eine Dreiecksmatrix um, so gilt für die Determinante: n det(a) = Komplementärmatrix Die Komplementärmatrix (auch Adjunkte genannt) à = (ãij) zu einer Matrix A ist mit Hilfe der Unterdeterminanten (Minore, Einzahl Minor) definiert als Es bietet sich an: ã ij à i=1 a ii = (-1) i+j det(a ji) = adj(a) 30
43 7.5. Determinanten 1. Aufschreiben der Minore und nach dem Schachbrettmuster negieren (also ÃT aufschreiben). 2. Transponieren der neuen Matrix Umkehrmatrix Berechnung mit dem Gauß-Jordan-Algorithmus Funktioniert wie die Lösung eines linearen Gleichungssystems. Man Schreibt eine Blockmatrix der Form A E auf und versucht, diese mit den Rechenregeln für Determinanten in die Form E B zu bringen. Gelingt dies, so ist B = A Berechnung mit der Komplementärmatrix Es gilt A -1 = 1 det(a)ã Definitheit Eine symmetrische Matrix A ist: positiv definit x 0 : x T A x > 0 positiv semi-definit x 0 : x T A x 0 negativ definit x 0 : x T A x < 0 negativ semi-definit x 0 : x T A x 0 indefinit wenn keine Aussage zutrifft Hurwitz-Kriterium Sei D k die Determinante der k k-teilmatrix von A von links oben bzw. rechts unten. Dann gilt für A: positiv definit D k > 0 positiv semi-definit D k > 0 negativ definit (-1) k D k > 0 negativ semi-definit (-1) k D k 0 31
44 7. Matrizen 7.6. Transformationsmatrizen Die Koordinaten eines Vektors x zu einer Basis A werden als K A ( x) geschrieben und geben die Linearfaktoren zur Basis A an, wodurch die Linearkombination der Vektoren von A zu x eindeutig bestimmt ist. Zur Transformation der Koordinaten von einer Basis A zu einer Basis B und umgekehrt gilt folgendes: Von A nach B K B ( x) = B } {{ -1 A } K A ( x) T A B Von B nach A K A ( x) = A } {{ -1 B } K B ( x) T B A Dabei heißt T A B Transformationsmatrix von A nach B. In T A B stehen die Koordinaten der Einheitsvektoren von A zur Basis B Basistransformation Seien A und A Basen desr m sowie B und B Basen desr n undφ : R m R n eine lineare Abbildung, dann lässt sich eine Abbildungsmatrix M A B(Φ) von Φ bezüglich A und B angeben: K B (Φ( x)) = M A B(Φ) K A ( x) M A B (Φ) = TB B M B(Φ) T A A A K A ( x) T A A K A ( x) 7.7. Orthogonale Matrizen M A B K B (Φ( x)) M A B T B B K B (Φ( x)) Eine Matrix A M(n n,r) heißt orthogonal, wenn A T A = E bzw. A = A -1 gilt. Man schreibt A O(n). Die Spalten- bzw. Zeilenvektoren von A bilden jeweils ein Orthonormalsystem, daher gilt det(a) = 1. Drehmatrix im R 2 A = ( ) cos(ϕ) -sin(ϕ) sin(ϕ) cos(ϕ) 32
45 7.8. Eigenwerte und -vektoren 7.8. Eigenwerte und -vektoren 1. Lösung des charakteristischen Polynoms p(λ) = det(λe A)! = 0, die gefundenen λ sind die Eigenwerte. 2. Einsetzen der λ i in (λ ie A) x = 0. Die speziellen Lösungen x i sind die Eigenvektoren zu den entsprechenden Eigenwerten. 33
46 8. Lineare Abbildungen 8.1. Definitionen Seien V, W Vektorräume über einem Körper K (f : V W ), dann heißt f lineare Abbildung bzw. Homomorphismus, wenn x, y V und λ K gilt: f(x + y) = f(x)+ f(y) f(λx) = λf(x) Die Menge aller Homomorphismen über zwei Vektorräume V, W wird als hom(v,w) bezeichnet. Bild bild(f) = f(v) := {f(v) v V} W (V ist Unterraum von W, wenn f linear ist.) Die lineare Hülle der Spaltenvektoren der m n- Abbildungsmatrix einer Abbildung f : R n R m ist gleich bild(f). Kern ker(f) := {v V f(v) = 0} (auch genannt: Nullraum von f ). Es ist immer 0 ker(f). Außerdem: ker(f) {1, } Rang rg(f) = dim(bild(f)) Dimensionssatz dim(v) = dim(ker(f))+rg(f). Wenn dim(v) = dim(w) <, dann gilt: f injektiv f surjektiv. regulär ker(f) = {0} singulär ker(f) > 1 Injektivität f regulär f injektiv Matrixdarstellung Jede m n-matrix liefert eine lineare Abbildung. Isomorphismus f bijektiv, A quadratisch, det(a) 0. Das Bild der Basis von V ist eine Basis von W. Urbild f -1 := {v f(v) = w w W}. Immer vorhanden. Umkehrabbildung Urbild einer linearen Abbildung: f(f -1 (x)) = f 1 (f(x)) = x 34
47 8.1. Definitionen Überprüfung auf Linearität Es gibt zwei Möglichkeiten: 1. Obige Definition des Homomorphismus überprüfen. 2. f(x) als Matrixdarstellung Ax, dann prüfen, ob f(x) = Ax (gilt nur für R n R m ) Berechnung der Abbildung Seien V, W Vektorräume über einem Körper K, {v 1,...,v n} Basis von V, {w 1,...,w n} beliebige Vektoren von W, dann gilt: 1f : V W 1 i n : f(v i) = w i Damit ist f durch Abbildung der v i eindeutig bestimmt Vektorraum aus Matrizen Vektorraum der m n-matrizen über einem Körper K bzgl. der Matrixaddition und Multiplikation mit einem Skalar: M(m n, K). Invertierbarkeit Wenn A R n n : AA -1 = A -1 A = E gilt, dann heißt A invertierbar und A -1 Inverse von A. A ist genau dann invertierbar, wenn det(a) 0. Es gilt: (A -1 ) T = (A T ) -1 und (λa) -1 = 1 λ A-1. 35
48 Teil III. Analysis 36
49
50 9. Folgen Beispiel vorhanden auf Seite Definitionen Nach oben beschränkt S : a n S n Nach unten beschränkt S : a n S n Beschränkt S : a n S n Alternierend a n a n+1 < 0 n Häufungswert Eine Zahl h heißt Häufungswert, wenn es unendlich viele n gibt, für die h a n < ε gilt. Grenzwert Eine Zahl g heißt Grenzwert, wenn n 0 : g a n < ε n n 0 gilt. Dann ist g = lim n an. Konvergenz/Divergenz Eine Folge heißt konvergent, wenn sie einen Grenzwert besitzt, sonst divergent. Jede konvergente Folge ist beschränkt. Nullfolge Eine Folge mit Grenzwert 0 heißt Nullfolge. Satz von Bolzano-Weierstraß Jede beschränkte Folge hat einen Häufungswert. Aus obigen Definitionen lässt sich folgern: Jeder Grenzwert ist ein Häufungswert. Ist h der einzige Häufungswert einer Folge, so ist er auch der Grenzwert der Folge. Eine Folge mit mehreren Häufungswerten ist divergent. Ein h ist ein Häufungswert einer Folge (a n), wenn es eine Unterfolge (a n) gibt, deren Grenzwert h ist. 38
51 9.2. Wichtige Grenzwerte 9.2. Wichtige Grenzwerte n a 1 n n 1 n n! ( 1+ 1 n) n e ( 1+ a ) n e a n ( 1 a ) n e a n 1 n 1 n! n e a n n! 0 a n n! 0 n n n! ( ) a 0 a > 1 n a n n k a > 1 k = const. a n 0 a < 1 k = const. nk 9.3. Rechenregeln a n a b n b a n ± b n a ± b a n b n a b a n b n a fürb b n 0, b 0 an bn a b füra n > 0, a > 0 an c a c füra n > 0, a > 0, c R Arithmetisches Mittel a n a a 1+ +a n n a Geometrisches Mittel a n a, a n > 0 n a 1 a n a Quetschlemma a n,b n a a n x n b n n n 0 x n a Geometrische Folge a n = q n ist für q < 1 eine Nullfolge, für q > 1 divergent. Polynom-Brüche Für a n = P(n) sieht man das Verhalten, wenn man P und Q(n) Q durch die höchste Potenz von n im Nenner kürzt Rekursive Folgen Monotoniekriterium Jede monotone und beschränkte Folge ist konvergent. 39
52 9. Folgen Konvergenzkriterium von Cauchy Eine Folge (a n) konvergiert genau dann, wenn n 0 n,m > n 0 : a m a n < ε gilt 1. 1 Auch bekannt als Kriterium ohne Grenzwert. 40
53 10. Reihen Beispiel vorhanden auf Seite Definitionen Partialsumme s n := n k=0 a k heißt Partialsumme der unendlichen Reihe k=0 a k. Unendliche Reihe Die unendliche Reihe ist definiert als Folge der Partialsummen s n. Konvergenz/Divergenz Ist die Partialsummenfolge konvergent, so konvergiert auch die Reihe. Konvergiert die Partialsummenfolge nicht, so ist die Reihe divergent. Grenzwert Im Konvergenzfall von (s n) ist der Grenzwert der Partialsummenfolge g = lim n sn. Endliche geometrische Reihe n k=0 qk = 1 qn+1 1 q q 1 Geometrische Reihe k=0 qk konvergiert wenn q < 1. Dann ist der Grenzwert 1 1 q. Harmonische Reihe 1 k=0 konvergiert wenn a > 1. k a Notwendiges Konvergenzkriterium k=0 a k konvergiert nur, wenn (a k ) eine Nullfolge ist. Leibnizkriterium k=0 ( 1)k a k, a k > 0 konvergiert nur, wenn (a k ) eine monotone Nullfolge ist. Absolute Konvergenz k=0 a k heißt absolut konvergent, wenn k=0 a k konvergiert. Alternierend a k a k+1 < 0 k N 41
54 10. Reihen Rechenregeln Sind k=1 a k = a, k=1 b k = b konvergente Reihen und ist r R, so gilt: Addition k=1 (a k + b k ) = k=1 a k + k=1 b k = a + b Multiplikation k=1 r a k = r k=1 a k = r a Cauchy-Produkt ( k=0 a k) ( k=0 b k) = k=0 ( k i=0 ai b k i Cauchy-Produkt für absolut konvergente Reihen ( k=0 a k) ( k=0 b k) = a b Cauchy-Schwarz-Ungleichung n k=1 a k b k n k=1 a2 k n k=1 b2 k Minkowsky-Ungleichung n k=1 (a k + b k ) 2 n k=1 a2 k n k=1 b2 k Kriterien Majorantenkriterium k=1 x k ist absolut konvergent, wenn es eine konvergente Reihe k=1 a k a k > 0 gibt, für die k k 0 : x k < a k gilt. Minorantenkriterium k=1 x k ist divergent, wenn es eine divergente Reihe k=1 a k a k > 0 gibt, für die k k 0 : a k < x k gilt. Verdichtungskriterium Ist(x k ) eine monoton fallende Nullfolge, so sind k=1 x k und k=1 2k x (2 k ) entweder beide divergent oder beide konvergent. Quotientenkriterium Sei g = lim und x = k=1 x k, dann ist x absolut x k+1 k x k konvergent für g < 1, divergent für g > 1. Keine Aussage falls g = 1. k Wurzelkriterium Sei g = lim xk und x = k k=1 x k, dann ist x absolut konvergent für g < 1, divergent für g > 1. Keine Aussage falls g = 1. Grenzwertkriterium Sind(a k ) und(b k ) Folgen mit a k,b k > 0 und0 < lim ) a k k b k <, so sind die Reihen entweder beide konvergent oder beide divergent. Integralkriterium Ist f(x) > 0 monoton fallend auf[m, [, so zeigen k=m und f(k) f(x)dx dasselbe Konvergenzverhalten. m 42
55 11. Potenzreihen Definitionen Reihen der Form heißen Potenzreihen. a n(x x 0) n n=0 Koeffizienten sind die a n. Entwicklungspunkt ist das x 0. Konvergenzbereich Menge aller einsetzbaren x, so dass die entstehende numerische Reihe konvergiert. Konvergenzradius Der Konvergenzradius r wird bestimmt durch 1 = lim r oder 1 = lim. r a n+1 n a n n n an Ableitungsregel f (n) (x 0) = n! a n. Daraus folgen f (x) = n=1 nan(x x0)n 1 und f (x) = n=2 n(n 1)an(x x0)n 2, etc Wichtige Grenzwerte n=0 x n = 1 1 x x < 1 n=0 ( ) r x n = (1+x) r x < 1 n Rechenregeln Mit f(x) = n=0 anxn und g(x) = n=0 bnxn : f(x)± g(x) = (a n ± b n)x n n=0 43
56 11. Potenzreihen f(x) g(x) = c nx n mitc n = n=0 Siehe das Cauchy-Produkt auf Seite 42. f(g(x)) = n a k b n k k=0 ( ) n a n b k x k n=0 Potenzreihen dürfen summandenweise differenziert und integriert werden. Dabei bleibt der Konvergenzradius unverändert. k= Wichtige Potenzeihen Taylorreihe Das Taylorpolynom n-ten Grades der Funktion f bei x 0 ist definiert als T n(x) = n k=0 f (k) (x 0) (x x 0) k k! = f(x 0)+ f (x 0) 1! (x x f (x 0) 0)+ (x x 0) 2 + 2! Der Taylorsatz sagt: Ist f in einer Umgebung x 0 hinreichend oft differenzierbar, so gilt f(x) = T n(x) + R n(x), wobei das Restglied definiert ist als: R n(x) = f (n+1) (ξ) (x x0)n+1 (n +1)! wobei ξ zwischen x 0 und x liegt. Achtung! Da ξ i.d.r. nicht bekannt ist, kann man das Restglied nur abschätzen! Taylorreihenentwicklungen Bei rationalen Funktionen kann man eine Partialbruchzerlegung versuchen, um auf folgende Taylorreihen zu kommen (gilt nur für z < 1): 1 1 z = z n 1 1+z = ( 1) n z n 1 (1 z) = (n+1)z n 2 n=0 n=0 n=0 44
57 11.6. Newton-Verfahren Newton-Verfahren zur näherungsweisen Bestimmung: x n+1 = x n f(xn) f (x n) 45
58 12. Funktionen mehrerer Veränderlicher Allgemeines Schreibweise: f : R n R m. Folgen im R n : x n Analog: Konvergenz, Häufungspunkte, Grenzwert. Konvergenz: ε > 0 : n 0(ε) : n n 0(e) : x n x < ε. f lässt sich als Vektor von Komponentenfunktionen schreiben. Für viele (nicht alle) Eigenschaften gilt: f hat die entsprechende Eigenschaft, wenn alle Komponentenfunktionen diese Eigenschaft haben. Im R n sind alle Normen äquivalent Stetigkeit Sei U R n eine offene Menge, f : U R n, x 0 U. Dann heißt f stetig in x 0, wenn für alle Folgen x n mit Grenzwert x 0 gilt: ( ) lim f( xn) = f lim n n xn = f( x 0) Formal: lim f( x) := lim f( xn) für alle Folgen xn. x x 0 n Epsilon-Umgebung Sei eine Norm im R n, dann heißt U ε( x 0) = { x R n x x 0 < ε} eine Epsilon-Umgebung von x 0 bzgl Weiteres Sei D R n. Innerer Punkt x 0 heißt innerer Punkt, wenn gilt: ε > 0 : U ε( x 0) D. (D.h., x 0 ist kein Randpunkt von D.) Offene Menge D heißt offene Menge, wenn alle Punkte von D innere Punkte sind. 46
59 12.2. Partielle Ableitungen Häufungspunkt x heißt Häufungspunkt, wenn gilt: ε > 0 x x 0 D : x U ε( x 0) Abgeschlossen D heißt abgeschlossen, wenn D alle Häufungspunkte enthält. Kompakt D heißt kompakt, wenn D abgeschlossen und beschränkt ist. Konvex D heißt konvex, wenn a,b D : λ [0;1] : λa + (1 λ)b D gilt. In Worten: Die Verbindungslinie zwischen zwei Punkten a und b liegt komplett in D Partielle Ableitungen Allgemeines Schreibweisen für die Ableitung einer Funktion f( x) nach einer Komponente x i: x i f, D if, f xi. Partiell diff bar Alle partiellen Ableitungen existieren. Stetig partiell diff bar Alle partiellen Ableitungen sind stetig. Ist dies in einem Punkt x 0 der Fall, so ist f in x 0 stetig. Nabla-Operator := ( x 1 ) T x n Gradient Der Gradient einer Funktion f ist eine Zeilenmatrix mit den komponentenweisen partiellen Ableitungen: grad(f) := ( ) T f x1 f xn = f (f ist hier als Skalar anzusehen, sodass die Funktion mit jeder Komponente von multipliziert wird). Divergenz div( f) :=, f Punkte mit div( f) > 0 heißen Quellen, Punkte mit div( f) < 0 heißen Senken. Rotation rot( f) := f Jacobi-Matrix J := A f = f 1. f n Totale Diff barkeit f : R n R m heißt total/vollständig diff bar in x 0, wenn f( x) f( x eine Jacobi-Matrix existiert mit lim 0 ) J( x 0 )( x x 0 ) x x x x 0 = 0. 0 Richtungsableitung im Punkt x 0 in Richtung a: f( x 0) Tangentialebene im Punkt x 0: f( x 0)+ f( x 0)( x x 0) a a 47
60 12. Funktionen mehrerer Veränderlicher Extrema Voraussetzung Die Funktion muss zweimal stetig diff bar sein und auf einer offenen Teilmenge des R n definiert sein. Notwendige Bedingung grad(f)( x 0) = 0 Kritischer Punkt Ein Punkt x heißt kritischer Punkt, wenn er die notwendige Bedingung erfüllt. Hesse-Matrix Für eine Funktion f : R R n ist die Hesse-Matrix definiert als Hf := (f xi x j ) i,j = 1,...,n. Für eine Funktion f : R 3 R wäre die Hesse-Matrix also: f xx f xy f xz Hf = f yx f yy f yz f zx f zy f zz Für zweimal stetig diff bare Funktionen ist die Hesse-Matrix symmetrisch (die Reihenfolge der Ableitungen kann vertauscht werden). Untersuchung der Hesse-Matrix Beispiel vorhanden auf Seite Berechne die kritischen Punkte a. 2. Ermittle für jeden kritischen Punkt die Definitheit 1 von (Hf)( a). (Hf)( a) pos. definit Min. neg. definit Max. indefinit SP. pos. semi-definit Min. SP. neg. semi-definit Max. SP. Höhenlinienmethode Sei x 0 der zu kritische Punkt, dann gilt für das Vorzeichen von lim x x 0 f( x) f( x 0): Stets positiv: x 0 ist Minimum. Stets negativ: x 0 ist Maximum. Alternierend: x 0 ist Sattelpunkt. 1 Siehe dazu das Hurwitz-Kriterium auf Seite
61 Regressionsanalyse Partielle Ableitungen Ziel Möglichst gute Näherung von Messwerten durch eine Kurve. Wichtig Die Art der Kurve muss man vorher festlegen. Für ein Polynom der Art p(x) = n i=1 aixi 1 lassen sich die a i aus m Messpunkten bestimmen durch das LGS: yj m xj x n xj j x 2 j x n+1 j xjy j x n j x n+1 j x 2n j x n j y j j = 1,...,m Die Lösung ergibt die a i. Für eine Punktemenge im R 2 ergibt sich mit der gesuchten Lösung ax +b: ( n n k=1 x2 k k=1 x ) ( ) ( k a n n k=1 x = k=1 x ) ky k n k n b k=1 y k Extrema mit Nebenbedingungen Zuerst die kritischen Punkte x 0 bestimmen, für die grad(f)( x 0) = 0 gilt, bestimmen. Danach eine der folgenden Methoden anwenden Untersuchung der Hesse-Matrix Lagrange-Funktion grad(f)+λ grad(g) = 0 Sei f : R n R mit k Nebenbedingungen (NB) g 1( x),...,g k ( x). Ein Punkt a, der die Nebenbedingungen g 1( x) = 0,...,g k ( x) = 0 erfüllt, erfüllt die Rangbedingung, wenn die Gradienten (grad(g 1))( a) bis (grad(g k ))( a) linear unabhängig sind: (grad(g 1))( a) rg. = k (grad(g k ))( a) Bestimmung der Kandidaten 1. Punkte, die die Rangbedingung nicht erfüllen, aber alle NB, sind Kandidaten. 49
62 Teil IV. Stochastik 50
63
64 13. Kombinatorik Für vertiefende Erklärungen und Übungsaufgaben mit Lösungen empfiehlt sich [Pap11] Grundlagen Variation oder Permutation beschreibt die Möglichkeiten, n Elemente unter Beachtung der Reihenfolge anzuordnen. Man spricht von geordneten Stichproben. Kombination beschreibt die Möglichkeiten, n Elemente ohne Beachtung der Reihenfolge anzuordnen. Man spricht von ungeordneten Stichproben. Wiederholung wird auch als Ziehen mit Zurücklegen beschrieben. Anzahl der Ziehungen heißt Ordnung. mit Wdh. ( ) ohne Wdh. ( ) n + k 1 n Kombination C W (n;k) = C(n;k) = k k Variation V W (n;k) = n k V(n;k) = n! (n k)! Tabelle 13.1.: Kombinatorikfunktionen Zufallsexperiment Bedingungen: Das Experiment lässt sich unter gleichen Bedingungen beliebig oft wiederholen. Es gibt mehrere sich gegenseitig ausschließende Ereignisse. Diese Ereignisse heißen Elementarereignisse. Sie werden mit dem kleinen Omega bezeichnet: ω i. Die Menge aller Elementarereignisse heißt Ergebnismenge: Ω. Eine Teilmenge A von Ω heißt Ereignis. 52
4 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
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
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:
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.
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrFachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum
Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
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
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
Mehr2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.
2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
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
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
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
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr11.3 Komplexe Potenzreihen und weitere komplexe Funktionen
.3 Komplexe Potenzreihen und weitere komplexe Funktionen Definition.) komplexe Folgen: z n = x n + j. y n mit zwei reellen Folgen x n und y n.) Konvergenz: Eine komplexe Folge z n = x n + j. y n heißt
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
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..
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
Mehr2 k k 1 k(k + 1) = 2n+1. n = 0 = k(k + 1) = 2n+1 n n. = 2 n+1 n + 2 (n + 1)(n + 2) + n. (n + 1)(n + 2)
Prof. Hesse Höhere Mathematik I und II Musterlösung 7. 0. 0, 80min Aufgabe (3 Punkte) Zeigen Sie mit vollständiger Induktion: Für alle n N gilt n k= k k k(k + ) = n+ n +. Induktionsanfang: k= Induktionsschluss
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
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
MehrERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN
ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN CHRISTIAN HARTFELDT. Zweiter Mittelwertsatz Der Mittelwertsatz Satz VI.3.4) lässt sich verallgemeinern zu Satz.. Seien f, g : [a, b] R auf [a,
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Mehr3 Lineare Algebra Vektorräume
3 Lineare Algebra Vektorräume (31) Sei K ein Körper Eine kommutative Gruppe V bzgl der Operation + ist ein Vektorraum über K, wenn eine Operation : K V V (λ, v) λv existiert mit i) v,w V λ,µ K: λ (v +
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
MehrBrückenkurs Mathematik, THM Friedberg, 15 19.9.2014
egelsammlung mb2014 THM Friedberg von 6 16.08.2014 15:04 Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 Sammlung von Rechenregeln, extrahiert aus dem Lehrbuch: Erhard Cramer, Johanna Neslehová: Vorkurs
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrWirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2019 (a + b) 2 = a 2 + 2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) = a 2 b 2 Fakultät (Faktorielle) n! = 1 2 3 4 (n 1) n Intervalle
MehrMathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrTutorium: Analysis und Lineare Algebra
Tutorium: Analysis und Lineare Algebra Vorbereitung der Bonusklausur am 14.5.218 (Teil 2) 9. Mai 218 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 218 Steven Köhler 9. Mai 218 3 c 218
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrAussagenlogik. 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 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
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
MehrAussagenlogik. 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 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
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
Mehri) ii) iii) iv) i) ii) iii) iv) v) gilt (Cauchy-Schwarz-Ungleichung): Winkel zwischen zwei Vektoren : - Für schreibt man auch.
Abbildungen Rechnen Matrizen Rechnen Vektoren Äquivalenzrelation Addition: Skalarmultiplikation: Skalarprodukt: Länge eines Vektors: Vektorprodukt (im ): i ii i ii v) gilt (Cauchy-Schwarz-Ungleichung):
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
Mehra ij i - te Gleichung (Zeile), i = 1, 2,3,..., m I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y 1 = a 11 x 1 + a 12 x 2 + a 13 x3 y 2 = a 21 x 1 + a 22 x 2 + a 23 x3... Koeffizienten a ij i - te Gleichung
MehrMathematik I für Wirtschaftswissenschaftler
1 Mathematik I für Wirtschaftswissenschaftler Lösungsvorschläge zur Klausur am 01.08.2003. Bitte unbedingt beachten: a) Verlangt und gewertet werden alle vier gestellten Aufgaben. Alle Aufgaben sind gleichwertig.
MehrMathematik 1. Lösungsvorschläge zum 2. Übungsblatt
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
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:
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
Mehr= 9 10 k = 10
2 Die Reihe für Dezimalzahlen 1 r = r 0 +r 1 10 +r 1 2 100 + = r k 10 k, wobei r k {0,,9} für k N, konvergiert, da r k 10 k 9 10 k für alle k N und ( 1 ) k 9 10 k 9 = 9 = 10 1 1 = 10 10 k=0 k=0 aufgrund
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrFrohe Weihnachten und ein gutes neues Jahr!
Frohe Weihnachten und ein gutes neues Jahr! Die mit dem Stern * gekennzeichneten Übungen sind nicht verpflichtend, aber sie liefern zusätzliche Punkte. Unten wird immer mit I das reelle Intervall [0, 1]
Mehr