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.

5 Eigenwerte und die Jordansche Normalform

5 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

Mehr

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

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik 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

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 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..

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte 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

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

MC-Serie 11: Eigenwerte

MC-Serie 11: Eigenwerte D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung

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

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

A Matrix-Algebra. A.1 Definition und elementare Operationen

A Matrix-Algebra. A.1 Definition und elementare Operationen A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

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

4 Vorlesung: 21.11. 2005 Matrix und Determinante

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

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung 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

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. 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

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

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

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

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Fachschaft 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 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

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

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

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel

Vorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

Lineare Abhängigkeit

Lineare Abhängigkeit Lineare Abhängigkeit Vorbemerkung. Es sei X eine Menge. Eine Familie von Elementen von X ist eine Abbildung I X, i x i. I heißt dabei Indexmenge. Man verwendet dabei oft die Schreibweise (x i ) oder (x

Mehr

Kombinatorische Optimierung

Kombinatorische Optimierung Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des

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

Lösungen zum 3. Aufgabenblatt

Lösungen 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.

Mehr

Einführung in die Algebra

Einführung 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

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

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik 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

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

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

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 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

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen 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

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden 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

Mehr

H. 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 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

Mehr

3.1. Die komplexen Zahlen

3.1. 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

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/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

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

Lösungsvorschlag 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. 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

Mehr

Mathematik 1. Lösungsvorschläge zum 2. Übungsblatt

Mathematik 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

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

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

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007

Graphentheorie. Organisatorisches. Organisatorisches. Organisatorisches. Rainer Schrader. 23. Oktober 2007 Graphentheorie Rainer Schrader Organisatorisches Zentrum für Angewandte Informatik Köln 23. Oktober 2007 1 / 79 2 / 79 Organisatorisches Organisatorisches Dozent: Prof. Dr. Rainer Schrader Weyertal 80

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

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

Lineare Algebra II 5. Übungsblatt

Lineare Algebra II 5. Übungsblatt Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross / Mai Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Algebraisch abgeschlossener Körper) Ein Körper heißt algebraisch abgeschlossen,

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung

Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen

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

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

Informationsblatt Induktionsbeweis

Informationsblatt Induktionsbeweis Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln

Mehr

7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe

7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe 7 Untergruppen, Faktorgruppen, Ideale, Restklassenringe und Homomorfismen Wir verallgemeinern den Übergang von Z zu Z/m. Sei im folgenden G eine (additiv geschriebene) abelsche Gruppe, H eine Untergruppe.

Mehr

Lineare Gleichungssysteme

Lineare 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

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

Graphentheorie Mathe-Club Klasse 5/6

Graphentheorie Mathe-Club Klasse 5/6 Graphentheorie Mathe-Club Klasse 5/6 Thomas Krakow Rostock, den 26. April 2006 Inhaltsverzeichnis 1 Einleitung 3 2 Grundbegriffe und einfache Sätze über Graphen 5 2.1 Der Knotengrad.................................

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

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren

(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene

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

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

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

u + 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.

u + 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

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Seminar: Lösen Spezieller Gleichungen Wintersemester 2009/2010 Prof. Dr. Annette Huber-Klawitter Betreuer: Stephen Enright-Ward

Seminar: Lösen Spezieller Gleichungen Wintersemester 2009/2010 Prof. Dr. Annette Huber-Klawitter Betreuer: Stephen Enright-Ward Seminar: Lösen Spezieller Gleichungen Wintersemester 2009/2010 Prof. Dr. Annette Huber-Klawitter Betreuer: Stephen Enright-Ward Ort und Zeit: Dienstag, 14-16 Uhr, SR 127 Inhalt: Wir wollen uns in diesem

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

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

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

Mathematik II Frühjahrssemester 2013

Mathematik II Frühjahrssemester 2013 Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr

Mehr

4 Kongruenz und Modulorechnung

4 Kongruenz und Modulorechnung 4 Kongruenz und Modulorechnung 39 4 Kongruenz und Modulorechnung In unserer Zeitrechnung haben wir uns daran gewöhnt, nur mit endlich vielen Zahlen zu rechnen. Es ist gerade 3 Uhr und in 50 Stunden muss

Mehr

Vektorgeometrie Layout: Tibor Stolz

Vektorgeometrie Layout: Tibor Stolz Hanspeter Horlacher Vektorgeometrie Layout: Tibor Stolz 1. Einführung Eine Grösse, zu deren Festlegung ausser einer Zahl auch noch die Angabe einer Richtung nötig ist, heisst VEKTOR. P 2 P 1 P 1 P 2 P

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

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

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

Reelle Zahlen. Mathematische Grundlagen Lernmodul 4. Stand: Oktober 2010

Reelle Zahlen. Mathematische Grundlagen Lernmodul 4. Stand: Oktober 2010 Mathematische Grundlagen Lernmodul 4 Reelle Zahlen Stand: Oktober 200 Autoren: Prof. Dr. Reinhold Hübl, Professor Fakultät für Technik, Wissenschaftliche Leitung ZeMath, E-Mail: huebl@dhbw-mannheim.de

Mehr

Gleichungen - Aufgabenstellung und Lösungsstrategien

Gleichungen - Aufgabenstellung und Lösungsstrategien Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung

Mehr

= 26 60 (Hauptnenner) 15x 12x + 10x = 26 60 zusammenfassen 13x = 26 60 :13 (Variable isolieren) x =

= 26 60 (Hauptnenner) 15x 12x + 10x = 26 60 zusammenfassen 13x = 26 60 :13 (Variable isolieren) x = WERRATALSCHULE HERINGEN KOMPENSATION MATHEMATIK JG. 11 1 Lineare Gleichungen Das Lösen linearer Gleichungen ist eine wichtige Rechenfertigkeit, die immer wieder gefordert wird und für den Mathematikunterricht

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare 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

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen 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)

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen 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

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 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

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 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

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte 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.

Mehr

7 Die Determinante einer Matrix

7 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) =

Mehr

Der Golay-Code und das Leech-Gitter

Der Golay-Code und das Leech-Gitter Der Golay-Code und das Leech-Gitter Vortrag zum Seminar Gitter und Codes Nils Malte Pawelzik.5.5 Inhaltsverzeichnis Designs 3. Elementare Eigenschaften eines Designs und die Eindeutigkeit eines - (, 5,

Mehr

00. Einiges zum Vektorraum R n

00. Einiges zum Vektorraum R n 00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen

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

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11 Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)

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

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

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

Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse

Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse Vorkurs: Mathematik für Informatiker Steven Köhler, Anja Moldenhauer, Marcel Morisse Wintersemester 2014/15 Aufgaben I-1. Es seien die folgenden Mengen A = {5,7,9}, B = {5,6,7} und C = {1,3,5,7,9} gegeben.

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

Vorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter

Vorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser

Mehr

Vektorräume und Rang einer Matrix

Vektorräume und Rang einer Matrix Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung

Mehr

Informatik IC2. Balazs Simon 2005.03.26.

Informatik IC2. Balazs Simon 2005.03.26. Informatik IC2 Balazs Simon 2005.03.26. Inhaltsverzeichnis 1 Reguläre Sprachen 3 1.1 Reguläre Sprachen und endliche Automaten...................... 3 1.2 Determinisieren.....................................

Mehr

Algorithmen und Datenstrukturen (WS 2007/08) 63

Algorithmen und Datenstrukturen (WS 2007/08) 63 Kapitel 6 Graphen Beziehungen zwischen Objekten werden sehr oft durch binäre Relationen modelliert. Wir beschäftigen uns in diesem Kapitel mit speziellen binären Relationen, die nicht nur nur besonders

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