Seminararbeit für das SE Reine Mathematik- Graphentheorie

Größe: px
Ab Seite anzeigen:

Download "Seminararbeit für das SE Reine Mathematik- Graphentheorie"

Transkript

1 Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am Heike Farkas

2 Inhaltsverzeichnis Der binäre Rang einer Adjazenzmatrix..1 Der symplektische Graph.6 Die Spektralzerlegung.10 Rationale Funktionen..12 Literaturverzeichnis.. 14

3 Heike Farkas SE Reine Mathematik Seite 1 Einleitung Diese Seminararbeit beschäftigt sich mit den Themen binärer Rang einer Adjazenzmatrix, symplektischer Graph, Spektralzerlegung und rationale Funktionen. Die Grundlage für diese Ausarbeitung bilden die Kapitel in Algebraic Graph Theory von Chris Godsil und Gordon Royle. 1. Der binäre Rang einer Adjazenzmatrix Neben dem Rang einer Matrix A, abgekürzt durch rk A, existiert weiterhin der Begriff des binären Ranges von A. Unter dem binären Rang einer Matrix versteht man jenen Rang, der über GF(2) berechnet wird. GF(2) (Galois Field) ist der kleinste Galoiskörper oder auch endliche Körper aus zwei Elementen bestehend, auf dem die Körperaxiome definiert sind. Mit wird der binäre Rang der Matrix A (=Adjazenzmatrix) bezeichnet. Explizit bedeutet dies, dass die einzelnen Matrixeinträge einer gegebenen Matrix A über mod 2 berechnet werden. Der Rang dieser Matrix wird binärer Rang von A genannt. Zur Veranschaulichung soll ein Beispiel dienen: Beispiel 1.1 Sei die Matrix A = gegeben. Wenn man den Rang dieser Matrix berechnet, erhält man rk A = 3. Sei A die dahingehen veränderte Matrix, die aus A hervorgeht, wenn deren Elemente über mod(2) berechnet wurden. Es folgt A = Hier gilt rk A = 2 = rk A. Bevor nun die Definition 1.1 folgt, wird zuerst noch an eine Definition erinnert: Definition (Komplementärgraph) Der Komplementärgraph X zu dem Graph X und X selbst haben dieselbe Knotenmenge, V(X) = V(X ). Grundlegender Unterschied zwischen den beiden Graphen ist, dass zwei Knoten u, v in X genau dann adjazent sind, falls sie in X nicht adjazent sind und umgekehrt. Definition 1.1 (Lokales Komplement) Seien ein Graph X und ein Knoten u V X gegeben. Das lokale Komplement des Graphen X zu u ist eine Operation auf X, sodass der auf den Nachbarn von u induzierte Untergraph durch seinen Komplementärgraph ersetzt wird.

4 Heike Farkas SE Reine Mathematik Seite 2 Somit hat der Graph σ X folgende Eigenschaften: i. Falls v und w voneinander verschiedene Nachbarn von u sind, dann sind sie in σ X adjazent (bzw. nicht adjazent) genau dann, wenn sie in X nicht adjazent (bzw. adjazent) sind. ii. Falls v und w voneinander verschiedene Knoten von X und nicht beide Nachbarn von u sind, dann sind sie adjazent (bzw. nicht adjazent) in σ X genau dann, wenn sie in X adjazent (bzw. nicht adjazent) sind. Bemerkung 1.1 Das lokale Komplement σ X hat unter Anderem folgende Eigenschaft: σ X ist die identische Abbildung. Das lokale Komplement σ X würde in diesem Beispiel folgendermaßen aussehen:

5 Heike Farkas SE Reine Mathematik Seite 3 Satz 1.1 Sei X ein Graph, angenommen u und v seien Nachbarn in X. Dann gilt: =. Wenn Y der Graph ist, der entsteht, falls man u und v aus löscht, dann gilt: = + 2 Beweis. Sei A die Adjazenzmatrix von X. Sei a der charakteristische Vektor der Menge der Nachbarn von u, nicht v, die nicht adjazent zu v sind. Sei b der charakteristische Vektor der Menge der Nachbarn von v, nicht u, die nicht adjazent zu u sind. Sei c der charakteristische Vektor der Menge der gemeinsamen Nachbarn von u und v. und seien die charakteristischen Vektoren von u und v. Es ist zu bedenken, dass bei diesem Beweis über GF(2) gerechnet wird. Der charakteristische Vektor der Nachbarn von u ist a + c + e. Die nicht auf der Diagonale gelegenen Einträge der Matrix A σ X sind ident mit denen von A = A + a + c + e a + c + e. Analog ist der charakteristische Vektor der Nachbarn von v in σ X a + b + e. Die nicht auf der Diagonale gelegenen Einträge von A σ σ X sind ident mit denen von A = A + a + b + e a + b + e. Der charakteristische Vektor der Nachbarn von u in σ σ X ist b +c + e. Die nicht auf der Diagonale gelegenen Einträge von A σ σ σ X sind ident mit denen von A = A + b + c + e b + c + e. Wenn man in diese letzte Gleichung für A und dann auch noch für A zurück einsetzt, erhält man: A = A + ab + ba + ac + ca + bc + cb + a + b e + e + e + e a + b + e e. Die einzige Matrix, die auf der Diagonale nicht nur Nullen als Einträge hat, ist e e. Daraus wird geschlossen, dass A σ σ σ X = A + e e. Diese Gleichung zeigt, dass A + e e gleich bleibt, auch wenn wir a mit b und e mit e vertauschen. Daraus kann man folgern, dass σ σ σ X = σ σ σ X gilt. Somit ist der erste Teil des Satzes bewiesen. Die u-spalte von A ist a + c + e. Die v-spalte von A ist b + c + e und e A e = 1. Der Beweis des Lemmas (vgl. Godsil; Royle. S.180) zeigt, dass der Rang der Matrix A + a + c + e b + c + e + b + c + e a + c + e gleich rk A 2 ist. Die u- und v- Spalten und Reihen dieser Matrix sind Null. Wenn A die Submatrix ist, die durch das Löschen der u- und v-reihen und Spalten entsteht, dann gilt rk A = rk A 2.

6 Heike Farkas SE Reine Mathematik Seite 4 Um den Beweis zu vervollständigen, zeigen wir, dass a + b b + c + b + c a + b = ab + ba + ac + ca + bc + cb, und es folgt daraus, dass die Matrix, die durch das Löschen der u- und v- Reihen und Spalten aus A entsteht, gleich zu A ist. Diese Matrix ist die Adjazenzmatrix von Y. Somit ist auch der zweite Teil des Satzes bewiesen. Der Graph Y, der in Satz 1.1 durch Löschen der Knoten u und v in entsteht, heißt Rang-2- Reduzierung des Graphen X an der Kante uv. Beispiel 1.2 Dieses Beispiel soll die Aussage von Satz 1.1 verdeutlichen. X sei ein Graph. u und v seien Nachbarn in X. Anhand dieses Beispiels soll gezeigt werden, dass gilt: =.

7 Heike Farkas SE Reine Mathematik Seite 5 Beispiel 1.3 Ein Kreis C hat n verschiedenen Knoten v,, v, wobei jeder Knoten immer genau zwei Nachbarn hat. v hat die Nachbarn v und v. Es handelt sich bei C somit um einen Graphen, dessen Anfangs- und Endknoten identisch sind. Nun soll die Rang 2 Reduzierung von C für verschiedene n genauer untersucht werden. n 5: Die Rang 2 Reduzierung von C ist C. Anhand dieses Beispiels soll dies gezeigt werden. Wir wählen n = 5. C hat folgende Form, wobei wir zwei der benachbarten Knoten u und v nennen: Nun muss σ σ σ C bestimmt werden. Werden hieraus die Knoten u und v gelöscht und somit auch alle Kanten, die zu diesen Knoten führen, dann bilden die Knoten den C. a b c A C = Es gilt für den binären Rang rk C = 2, da durch Addition der ersten und zweiten Zeile über GF(2) genau die dritte Zeile entsteht.

8 Heike Farkas SE Reine Mathematik Seite 6 Allgemein gilt zudem, was durch Induktion gezeigt werden kann, dass n 2, n gerade rk C =, n n 1, N. Damit gilt rk C = 4 und rk C = 2. Wenn wir X = C und Y = C wählen, wird die Aussage des Satzes 1.1, rk X = rk Y + 2, bestätigt. 2. Der symplektische Graph Zunächst muss der Begriff des reduzierten Graphen eingeführt werden. Dazu werden vorab folgende Betrachtungen gemacht: Sei ein Graph X gegeben. X besitze zwei Knoten u und v mit identischer Nachbarschaft. Es gilt, dass der Rang der Adjazenzmatrix von X invariant gegenüber Löschen einer der beiden Knoten u oder v ist. Dies soll ein Beispiel verdeutlichen: Beispiel 2.1 u v a b c u v a b c = 2 u a b c u a b c = 2 Analog zu diesem Beispiel kann auch ein Knoten mit seiner Nachbarschaft dupliziert werden ohne eine Rangänderung hervorzurufen. Das Hinzufügen eines isolierten Knoten (=ein Knoten ohne jegliche Nachbarschaft) ändert den Rang natürlich auch nicht, denn dieser würde in der Adjazenzmatrix nur eine Null-Zeile und -Spalte hinzufügen. Auch das Löschen eines isolierten Knotens hat keine Auswirkungen auf den Rang.

9 Heike Farkas SE Reine Mathematik Seite 7 Definition 1.2 (Reduzierter Graph) Sei ein Graph X gegeben. Der reduzierte Graph X zu X sei der Graph, der keine isolierten Knoten und Knoten identischer Nachbarschaft mehr enthält, die in X enthalten sind. Folgerung aus Definition 1.2 Sei X ein Graph und X der reduzierte Graph zu X. Dann gilt: rk X = rk X Definition 2.2 (Symplektischer Graph) Sei N eine 2r x 2r Blockdiagonalmatrix mit r N Blöcken der Form 0 1, also: 1 0 Der symplektische Graph Sp(2r) ist der Graph, dessen Knotenmenge V(Sp(2r)) die Menge aller von Null verschiedenen Vektoren im GF 2 ist, wobei die Nachbarschaft zweier Knoten definiert ist durch x~y x Ny = 1. Die Berechnungen erfolgen über dem Körper GF(2). Die Knotenmenge des symplektischen Graphen hat somit die Mächtigkeit V Sp 2r = 2 1. Um die Definition 2.2 etwas geläufiger zu machen, dient das nächste Beispiel: Beispiel 2.2 Wir untersuchen hier für den Fall r=2 den symplektischen Graph. Die Knotenmenge des Graphen Sp(4) besteht aus 15 Knoten: Über die Bedingung x~y x Ny = 1 für zwei verschiedene Knoten x und y kann dann auf Nachbarschaft geprüft werden. Wählen wir die Knoten x = (1000) und y = (0100). Damit sie benachbart wären, müsste x Ny = 1 gelten.

10 Heike Farkas SE Reine Mathematik Seite 8 Da r=2 ergibt sich eine 4x4 Blockdiagonalmatrix mit 2 Blöcken der Form 0 1, also: 1 0 Setzt man nun in die Formel ein, erhält man: x Ny = 1. Damit sind x und y benachbart in Sp(4). So können alle Knoten auf Nachbarschaft geprüft werden und es ergibt sich folgendes Abbild des Sp(4): Satz 2.1 Ein reduzierter Graph X hat höchstens einen binären Rang 2r genau dann, wenn er ein Untergraph des Sp(2r) ist. Beweis. : Jeder reduzierte Graph X mit binärem Rang 2r kann vektoriell durch eine aufgespannte Menge von Null verschiedenen Vektoren des GF 2 beschrieben werden. Da GF 2 \0 dem Sp(2r) entspricht, kann gefolgert werden, dass die Knotenmenge von X eine Teilmenge der Knotenmenge des Sp(2r) ist, wobei zwei Knoten in X genau dann adjazent sind, falls sie in Sp(2r) adjazent sind. Deswegen ist X ein Untergraph des Sp(2r). : Die Umkehrung ist klar. Satz 2.2 Jeder Graph mit 2r 1 Knoten kann aufgefasst werden als ein Untergraph des Sp(2r). Beweis. Wir beweisen dies durch Induktion über r. Für r=1: Der Graph hat in diesem Fall einen Knoten. Sp(2) besteht aus drei Knoten, da V Sp 2 = 2 1.

11 Heike Farkas SE Reine Mathematik Seite 9 Die drei Knoten sind,,. Wenn man diese Knoten über die Bedingung x~y x Ny = 1 auf Nachbarschaft prüft, mit N = 0 1, erhält man, dass alle drei Knoten miteinander benachbart 1 0 sind. Der Graph des Sp(2) sieht somit folgendermaßen aus: Für r=1 stimmt also die Behauptung, weil ein einzelner Knoten ein induzierter Subgraph eines Dreiecks ist. Also betrachten wir r > 1: Sei X ein beliebiger Graph mit 2r 1 Knoten. Wenn X leer ist, dann ist ersichtlich, dass es ein Untergraph von Sp(2r) ist. Andernfalls hat X mindestens eine Kante uv. Sei Y die Rang-2-Reduzierung von X an der Kante uv. Dann ist Y ein Graph von 2r 3 Knoten. Durch die induktive Annahme kann eine Menge Ω von Vektoren in GF(2) 2r 2 konstruiert werden, die nicht Null sind. Wenn z ein Vektor in Ω ist, der den Knoten y ϵ V Y repräsentiert, dann definieren wir einen Vektor z ϵ GF(2) 2r folgendermaßen: z, wenn 1 i 2r 2 z = 1, wenn i = 2r 1 und y ~ u in X, oder i = 2r und y ~ v in X 0, in allen anderen Fällen Dann ist die Menge Ω = : Ω, eine Menge von 2r Vektoren in GF(2) 2r. Um zu überprüfen, dass Ω gleich mit X ist verlangt die Überprüfung mehrerer Fälle, die hier nicht durchgeführt werden.

12 Heike Farkas SE Reine Mathematik Seite Die Spektralzerlegung Bevor dieses Thema begonnen wird, werden noch einige Begriffe eingeführt bzw. wiederholt. Sei A M R eine symmetrische Matrix. beschreibt die Menge aller Eigenwerte von A. wäre somit ein Eigenwert. Zu jedem θ gibt es einen Eigenraum. Dieser Eigenraum wird durch die Eigenvektoren zu θ, die über die Eigenwertgleichung Av = θv bestimmt werden, und dem Nullvektor aufgespannt. sei die beschreibende Matrix der orthogonalen Projektion auf. Definition 3.1 (Idempotente Matrix) Eine n x n Matrix A heißt idempotent, falls A = A. Bemerkung 3.1 Falls E idempotent wäre, würde E = E gelten. Dies ist für jede beliebige Projektion erfüllt. Aus diesem Grund wird E auch prinzipiell idempotent genannt. Aus der Kenntnis, dass Eigenräume verschiedener Eigenwerten von A immer orthogonal zueinander sind, gilt für zwei verschiedene Eigenwerte θ, τ ev A : E E = 0. Da es eine Basis des R gibt, die aus Eigenvektoren von A besteht, erhalten wir: I = E Daraus wiederum ergibt sich die Spektralzerlegung. Definition 3.2 (Spektralzerlegung) Sei A M R eine symmetrische Matrix, θ ev A und E wie zuvor. Die Matrix A lässt sich dann auf folgende Weise zerlegen: A = θe (*) Diese Zerlegung wird die Spektralzerlegung von A genannt. Am folgenden Beispiel soll die Spektralzerlegung deutlich gemacht werden: Beispiel 3.1 Es sei die Matrix A = 1 1 gegeben. Zunächst müssen die Eigenwerte von A 1 1 bestimmt werden. Die Eigenwerte entsprechen den Nullstellen des charakteristischen Polynoms X λ. X λ = det A λi = 1 λ 1 = λ λ λ

13 Heike Farkas SE Reine Mathematik Seite 11 Daraus ergeben sich die beiden Eigenwerte θ = 0 und τ = 2. Nun müssen die Eigenräume zu jenen Eigenwerten ermittelt werden. : Dazu werden zunächst die Eigenvektoren bestimmt, sodass die Eigenwertgleichung Av = θv erfüllt ist. Durch Umformung erhält man: A θi v = v v = 0 v = v : R : Analoge Berechnungen liefern: : R Man erkennt, dass die beiden Eigenräume zueinander orthogonal sind, da das Skalarprodukt aus beiden Vektoren Null ist. Im nächsten Schritt müssen die Matrizen E und E bestimmt werden. Wir wählen dafür einen Vektor z = x y, sodass z durch Linearkombination der Vektoren der beiden Eigenräume darstellbar ist, also: wobei u = 1 1 und v = 1 ist. 1 Dadurch ergibt sich in (**): z = a u + b v, (**) x y = a b 1 1 Es folgt daraus: x = a + b und y = a + b Formt man diese Gleichungen um, erhält man: a = und b = Dies in (**) eingesetzt ergibt: x y x + y x y = 2 y x + 2 x + y 2 2

14 Heike Farkas SE Reine Mathematik Seite 12 : Es wird E gesucht, sodass E x x y y = 2 1/2 1/2 y x. Man erhält: E = 1/2 1/2 : Es wird E gesucht, sodass E x x+y y = 2 1/2 1/2 x+y. Man erhält: E = 1/2 1/2 2 2 Nun muss das Produkt aus dem Eigenwert und der zugehörigen Matrix berechnet werden. Die Summe dieser beiden Produkte muss im Falle der Spektralzerlegung wieder die Matrix A ergeben. 1/2 1/2 1/2 1 θe + τ E = /2 = 1 1/2 1/2 1/2 1/2 1 1 = A Weiterhin sieht man hier auch, dass E E = 0 und E + E = I. Bemerkung 3.2 Die Definition 3.2 kann auf den Bereich der Polynome ausgeweitet werden: Sei p ein Polynom, dann folgt für (*) p A = p θ E p(a) heißt Polynom in A und hat als Ergebnis eine Matrix. 4. Rationale Funktionen Definition 4.1 (Rationale Funktion) Eine rationale Funktion ist eine Funktion f(x), die als Quotient zweier Polynome p und q darstellbar ist, also von der Form wobei n, z N und a,, a, b,, b R. = = Bemerkung 4.1 (Folgerungen aus der Spektralzerlegung) Aus der Spektralzerlegung folgte vorhin, dass für ein Polynom p A = p θ E erfüllt ist. Ebenso kann man folgern, dass auch rationale Funktionen, die aus Polynomen aufgebaut sind, zerlegt werden können. Die einzige Voraussetzung, die an die rationale Funktion gestellt wird, ist, dass die Funktion in jedem Eigenwert von A definiert sein muss.

15 Heike Farkas SE Reine Mathematik Seite 13 Aus der Spektralzerlegung kann weiterhin erhalten werden: xi A = x θ E (***) Lemma 4.1 Sei R eine symmetrische Matrix und B sei jene Matrix, die durch Löschen der i- ten Spalte und Zeile von A entsteht. Dann gilt: wobei der i-te Einheitsvektor ist.,, =, Beweis. Durch die Formel des Inversen einer Matrix erhält man xi A =. Es gilt außerdem, dass xi A = e xi A e. Wenn man die beiden Formeln nun gleichsetzt, ist die Aussage des Lemmas bewiesen. Satz 4.1 Sei R und R. Wir definieren = als rationale Funktion. Dann sind alle Nullstellen und Polstellen von einfach und ist auf dem gesamten Definitionsbereich negativ. Falls und aufeinander folgende Polstellen von sind, dann enthält des geschlossene Intervall [, ] genau eine Nullstelle von. Beweis. Durch (***) erhält man: b xi A b = b E b x θ Daher sieht man, dass die Polstellen von ψ einfach sind. Wenn man beide Seiten dieser Gleichung differenziert, erhält man: Also gilt: b xi A b = ψ x = b xi A b b E b x θ Da b xi A b die quadratische Länge von b xi A b ist, folgt, dass ψ x < 0, wenn x kein Pol von ψ ist. Das zeigt, dass jede Nullstelle von ψ einfach sein muss. Angenommen θ und τ sind aufeinander folgende Polstellen von ψ. Da die Polstellen einfach sind, folgt, dass ψ eine streng abnehmende Funktion am Intervall [θ, τ] ist. Sie ist positiv, wenn x Werte in der Nähe von θ annimmt und negativ, wenn x Werte nahe genug an τ annimmt. Daraus folgt, dass das Intervall [θ, τ] genau eine Nullstelle von ψ beinhaltet.

16 Heike Farkas SE Reine Mathematik Seite 14 Literatur Godsil, Chris; Royle, Gordon: Algebraic Graph Theory. Springer Verlag, New York, 2001.

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. 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

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 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.

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

Mehr

Lineare Algebra - alles was man wissen muß

Lineare 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

Mehr

Elemente der Analysis II

Elemente 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

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 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 +

Mehr

Division 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 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

Mehr

Übungen 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 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.

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- 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:

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. 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.

Mehr

Mathematischer Vorkurs für Physiker WS 2009/10

Mathematischer 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,

Mehr

4. Relationen. Beschreibung einer binären Relation

4. Relationen. Beschreibung einer binären Relation 4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung 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:

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. 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

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)

Mehr

Der Zwei-Quadrate-Satz von Fermat

Der Zwei-Quadrate-Satz von Fermat Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 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/ws0910

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf

Kochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks

Mehr

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:

KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten: KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand

Mehr

Basis 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. 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

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

Absolute Stetigkeit von Maßen

Absolute 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

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

ERGÄNZUNGEN ZUR ANALYSIS II MITTELWERTSATZ UND ANWENDUNGEN

ERGÄNZUNGEN 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,

Mehr

0, 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 )

0, 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,

Mehr

Satz 25 A sei eine (n n)-matrix über K

Satz 25 A sei eine (n n)-matrix über K Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen

Mehr

5. Verschiedene Repräsentanten

5. Verschiedene Repräsentanten 5. Verschiedene Repräsentanten 5.1. Die Sätze Hall und König Sei I := {1,...,n}, und sei A(I) = (A 1,...,A n ) eine Familie von Teilmengen einer endlichen Menge E. Zu K I seien A(K) := (A i : i K) und

Mehr

Anwengungen geometrischer Abbildungen Kongruenz- und Ähnlichkeitsabbildung

Anwengungen geometrischer Abbildungen Kongruenz- und Ähnlichkeitsabbildung Anwengungen geometrischer Abbildungen Kongruenz- und Ähnlichkeitsabbildung Amina Duganhodzic Proseminar: Mathematisches Problemlösen Unter der Leitung von Privat Dozentin Dr. Natalia Grinberg 26. Juni

Mehr

2.1 Codes: einige Grundbegriffe

2.1 Codes: einige Grundbegriffe Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen

Mehr

Zuammenfassung: Reelle Funktionen

Zuammenfassung: Reelle Funktionen Zuammenfassung: Reelle Funktionen 1 Grundlegendes a) Zahlenmengen IN = {1; 2; 3; 4;...} Natürliche Zahlen IN 0 = IN {0} Natürliche Zahlen mit 0 ZZ = {... ; 2; 1; 0; 1; 2;...} Ganze Zahlen Q = { z z ZZ,

Mehr

Berechnung von Eigenwerten und Eigenvektoren

Berechnung von Eigenwerten und Eigenvektoren Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.

Mehr

Beispiele zur Kurvendiskussion (Gebrochen rationale Funktionen)

Beispiele zur Kurvendiskussion (Gebrochen rationale Funktionen) Beispiele zur Kurvendiskussion (Gebrochen rationale Funktionen) Beispiel 1 Diskutiere die durch f(x) = x2 3x 4 x + 2 gegebene Funktion f. a) Definitionsbereich: Der Nenner eines Bruches darf nicht gleich

Mehr

2 Die Darstellung linearer Abbildungen durch Matrizen

2 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 )

Mehr

KANALCODIERUNG AUFGABEN. Aufgabe 1. Aufgabe 2

KANALCODIERUNG AUFGABEN. Aufgabe 1. Aufgabe 2 AUFGABEN KANALCODIERUNG Aufgabe Wir betrachten den Hamming-Code mit m = 5 Prüfbits. a) Wie gross ist die Blocklänge n dieses Codes? b) Wie viele gültige Codewörter umfasst dieser Code? c) Leiten Sie die

Mehr

Die Weierstraßsche Funktion

Die Weierstraßsche Funktion Die Weierstraßsche Funktion Nicolas Weisskopf 7. September 0 Zusammenfassung In dieser Arbeit führen wir die Weierstraßsche Funktion ein und untersuchen einige ihrer Eigenschaften. Wir zeigen, dass jede

Mehr

GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor

GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen

Mehr

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler

Netzwerkmodelle. Seminar Netzwerkanalyse. Sommersemester 2005 Jasmine Metzler Netzwerkmodelle Seminar Netzwerkanalyse Sommersemester 2005 Jasmine Metzler 1 Grundlegende Modelle Das Graph Modell (G n,p ) Definition Verschiedene Modelle Small World Modell Lokale Suche Power Law Modelle

Mehr

16. All Pairs Shortest Path (ASPS)

16. All Pairs Shortest Path (ASPS) . All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten

Mehr

Matrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.

Matrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen. Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und

Mehr

Zwei Aufgaben, die auf windschiefe Regelflächen führen,

Zwei Aufgaben, die auf windschiefe Regelflächen führen, Zwei Aufgaben, die auf windschiefe Regelflächen führen, von À. KIEFER (Zürich). (Als Manuskript eingegangen am 25. Januar 1926.) I. Gesucht im Raum der Ort des Punktes, von dem aus die Zentralprojektionen

Mehr

11.3 Komplexe Potenzreihen und weitere komplexe Funktionen

11.3 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

Mehr

TECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra

TECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra Halbgruppen binärer Relationen auf einer 3-elementigen Menge Arbeit im Rahmen des

Mehr

Beweis der Darstellbarkeit irgend eines ganzen invarianten Gebildes einer binären Form als ganze Function einer geschlossenen Anzahl solcher Gebilde.

Beweis der Darstellbarkeit irgend eines ganzen invarianten Gebildes einer binären Form als ganze Function einer geschlossenen Anzahl solcher Gebilde. 73 Beweis der Darstellbarkeit irgend eines ganzen invarianten Gebildes einer binären Form als ganze Function einer geschlossenen Anzahl solcher Gebilde. von F. Mertens. 1. Ich habe in dem hundertsten Bande

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),

Mehr

Ohne Mathematik undenkbar!

Ohne Mathematik undenkbar! Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0. 1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Advanced Encryption Standard. Copyright Stefan Dahler 20. Februar 2010 Version 2.0

Advanced Encryption Standard. Copyright Stefan Dahler 20. Februar 2010 Version 2.0 Advanced Encryption Standard Copyright Stefan Dahler 20. Februar 2010 Version 2.0 Vorwort Diese Präsentation erläutert den Algorithmus AES auf einfachste Art. Mit Hilfe des Wissenschaftlichen Rechners

Mehr

Einführung in die Kodierungstheorie

Einführung in die Kodierungstheorie Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht

Mehr

Repetitionsaufgaben: Lineare Funktionen

Repetitionsaufgaben: Lineare Funktionen Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Funktionen Zusammengestellt von Irina Bayer-Krakvina, KSR Lernziele: - Wissen, was ein Steigungsdreieck einer Geraden ist und wie die Steigungszahl

Mehr

Mathematik III für Ingenieure

Mathematik III für Ingenieure Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen

Mehr

Gibt es verschiedene Arten unendlich? Dieter Wolke

Gibt es verschiedene Arten unendlich? Dieter Wolke Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen

Mehr

Codierungsverfahren SS 2011. Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur

Codierungsverfahren SS 2011. Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur Reed-Solomon-Codes zur Mehrblock-Bündelfehler-Korrektur Wie die zyklischen BCH-Codes zur Mehrbitfehler-Korrektur eignen sich auch die sehr verwandten Reed-Solomon-Codes (= RS-Codes) zur Mehrbitfehler-Korrektur.

Mehr

Lösung des Kleinste-Quadrate-Problems

Lösung des Kleinste-Quadrate-Problems Lösung des Kleinste-Quadrate-Problems Computergestützte Statistik Lisakowski, Christof 15.05.2009 Lisakowski, Christof ()Lösung des Kleinste-Quadrate-Problems 15.05.2009 1 / 34 Themen 1 Problemstellung

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen

Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Seminar Analysis Konvexe Funktionen und einige wichtige Ungleichungen Michael Schaeer 3.04.03 Abstract This seminar is about convex functions and several imortant ineualities. At the beginning the term

Mehr

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 für Aufgabenpool 1 Analysis

Mehr

Definition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat.

Definition:Eine meromorphe Modulform vom Gewicht k Z ist eine meromorphe. f : H C. (ii) C > 0, so daß f(z) im Bereich Im z > C keine Singularität hat. Die k/2 - Formel von Renate Vistorin Zentrales Thema dieses Vortrages ist die k/2 - Formel für meromorphe Modulformen als eine Konsequenz des Residuensatzes. Als Folgerungen werden danach einige Eigenschaften

Mehr

Technische Informatik - Eine Einführung

Technische Informatik - Eine Einführung Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Über Kommentare und Ergänzungen zu diesen Lösungsbeispielen freuen wir uns!

Über Kommentare und Ergänzungen zu diesen Lösungsbeispielen freuen wir uns! Aufgaben und Lösungen. Runde 04 Über Kommentare und Ergänzungen zu diesen n freuen wir uns!» KORREKTURKOMMISSION KARL FEGERT» BUNDESWETTBEWERB MATHEMATIK Kortrijker Straße, 577 Bonn Postfach 0 0 0, 5 Bonn

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

SO(2) und SO(3) Martin Schlederer. 06. Dezember 2012

SO(2) und SO(3) Martin Schlederer. 06. Dezember 2012 SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................

Mehr

Microsoft Excel 2010 Matrix-Funktionen

Microsoft Excel 2010 Matrix-Funktionen Hochschulrechenzentrum Justus-Liebig-Universität Gießen Microsoft Excel 2010 Matrix-Funktionen Matrix-Funktionen in Excel 2010 Seite 1 von 7 Inhaltsverzeichnis Einleitung... 2 Integrierte Matrixfunktionen...

Mehr

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................

Mehr

Die quadratische Gleichung und die quadratische Funktion

Die quadratische Gleichung und die quadratische Funktion Die quadratische Gleichung und die quadratische Funktion 1. Lösen einer quadratischen Gleichung Quadratische Gleichungen heißen alle Gleichungen der Form a x x c = 0, woei a,, c als Parameter elieige reelle

Mehr

Codes und Codegitter. Katharina Distler. 27. April 2015

Codes und Codegitter. Katharina Distler. 27. April 2015 Codes und Codegitter Katharina Distler 7. April 015 Inhaltsverzeichnis 1 Codes 4 Codegitter 14 Einleitung Die folgende Seminararbeit behandelt das Konzept von Codes und Codegittern. Da sie bei der Informationsübertragung

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).

Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ). Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A

Mehr

1 Aussagenlogik und Mengenlehre

1 Aussagenlogik und Mengenlehre 1 Aussagenlogik und engenlehre 1.1 engenlehre Definition (Georg Cantor): nter einer enge verstehen wir jede Zusammenfassung von bestimmten wohl unterschiedenen Objekten (m) unserer Anschauung oder unseres

Mehr

2 Darstellung von Zahlen und Zeichen

2 Darstellung von Zahlen und Zeichen 2.1 Analoge und digitale Darstellung von Werten 79 2 Darstellung von Zahlen und Zeichen Computer- bzw. Prozessorsysteme führen Transformationen durch, die Eingaben X auf Ausgaben Y abbilden, d.h. Y = f

Mehr

Mögliche Prüfungsfragen zu VO Mathematische Software

Mögliche Prüfungsfragen zu VO Mathematische Software Mögliche Prüfungsfragen zu VO Mathematische Software SS 2009 Der Prüfungsstoff umfasst alles, was in der Vorlesung vorgetragen wurde. Die folgende Liste soll Ihnen bei der Vorbereitung helfen. Bei der

Mehr

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht

Mehr

Mathematik am Computer 7. Vorlesung: Matlab, Teil II

Mathematik am Computer 7. Vorlesung: Matlab, Teil II Mathematik am Computer 7. Vorlesung: Matlab, Teil II Helmut Harbrecht Universität Stuttgart 27. Januar 2011 Helmut Harbrecht (Universität Stuttgart) Mathematik am Computer 27. Januar 2011 1 / 35 Übersicht

Mehr

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches

Mehr

Einführung in die Informatik I

Einführung in die Informatik I Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen

Mehr

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 Inhaltsverzeichnis Vorbemerkungen

Mehr

Grundlagen der Verwendung von make

Grundlagen der Verwendung von make Kurzskript zum Thema: Grundlagen der Verwendung von make Stefan Junghans Gregor Gilka 16. November 2012 1 Einleitung In diesem Teilskript sollen die Grundlagen der Verwendung des Programmes make und der

Mehr

PRAKTIKUM REGELUNGSTECHNIK 2

PRAKTIKUM REGELUNGSTECHNIK 2 FACHHOCHSCHULE LANDSHUT Fachbereich Elektrotechnik Prof. Dr. G. Dorn PRAKTIKUM REGELUNGSTECHNIK 2 1 Versuch 2: Übertragungsfunktion und Polvorgabe 1.1 Einleitung Die Laplace Transformation ist ein äußerst

Mehr

1 Das Lemma von Burnside und seine Anwendungen

1 Das Lemma von Burnside und seine Anwendungen Das Lemma von Burnside und seine Anwendungen Mit dem Lemma von Burnside lassen sich Zählprobleme lösen, bei denen Symmetrien eine Rolle spielen. Betrachten wir als einführendes Beispiel die Anzahl der

Mehr

Computerarithmetik ( )

Computerarithmetik ( ) Anhang A Computerarithmetik ( ) A.1 Zahlendarstellung im Rechner und Computerarithmetik Prinzipiell ist die Menge der im Computer darstellbaren Zahlen endlich. Wie groß diese Menge ist, hängt von der Rechnerarchitektur

Mehr

Vorlesung. Komplexe Zahlen

Vorlesung. Komplexe Zahlen Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems

Mehr

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Leonhard Euler 1 Wann immer in den Anfängen der Analysis die Potenzen des Binoms entwickelt

Mehr