Elemente der Analysis II

Größe: px
Ab Seite anzeigen:

Download "Elemente der Analysis II"

Transkript

1 Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: wengenroth/ J. Wengenroth () 15. Mai / 35

2 3.1 Beispiel 3.1 Beispiel Sei p = [p 1,..., p n ] der Vektor der Preise von Gütern mit Nummern 1,..., n. Jedes x = [x 1,..., x n ] beschreibt einen Warenkorb mit x k Einheiten (Stück, Liter, Gewicht,...) des Gutes Nummer k. Dieser Warenkorb hat dann den Wert f (x) = p 1 x 1 + p 2 x p n x n = p, x. Wie schon in Satz 1.9 bemerkt, ist dann f (ax) = af (x) (der a-fache Warenkorb ist das a-fache wert) und f (x+y) = f (x)+f (y) (der Wert von zwei Körben ist die Summe der Werte). (Beachte, dass auch dieses Modell eine Vereinfachung ist. Tatsächlich würde man wohl Rabatte aushandeln, wenn man viel einkauft.) J. Wengenroth () 15. Mai / 35

3 3.2 Definition 3.2 Definition Eine Abbildung f : R n R m heißt linear, wenn für alle x, y R n und a R gelten: f (ax) = af (x) und f (x + y) = f (x) + f (y). J. Wengenroth () 15. Mai / 35

4 3.3 Satz 3.3 Satz (a) f : R n R m ist genau dann linear, wenn für alle x, y R n und a, b R gilt f (ax + by) = af (x) + bf (y). (b) Ist f : R n R m linear, ( so gilt ) für alle x1,..., x p R n und p p a 1,... a p R, dass f a j x j = a j f (x j ). j=1 j=1 (Linearkombinationen) (c) f = [f 1,..., f m ] : R n R m ist genau dann linear, wenn alle Komponentenfunktionen f k : R n R linear sind. (d) Summen, Vielfache, Zusammensetzungen und Kompositionen linearer Abbildungen sind linear (natürlich, falls sie definiert sind). J. Wengenroth () 15. Mai / 35

5 Beweis Beweis (a) = folgt aus f (ax + by) = f (ax) + f (by) = af (x) + bf (y). = folgt mit b = 0 bzw. a = b = 1. (b) folgt induktiv aus (a) (c) folgt aus der komponentenweisen Definition von Summen und Vielfachen von Vektoren. (d) Die Linearität von f + g, [f, g] und αf rechnet man direkt nach. Für f : R h R m und g : R m R p beide linear ist g(f (ax + by)) = g(af (x) + bf (y)) = ag(f (x)) + bg(f (y)). J. Wengenroth () 15. Mai / 35

6 3.4 Satz (Darstellungssatz) 3.4 Satz (Darstellungssatz) Jede lineare Abbildung f : R n R ist von der Form f (x) = p, x mit p = [f (e1),..., f (e n )] R n und den Einheitsvektoren e1,..., e n. Beweis: Wegen 1.6 (a) ist x = (b) (für a k = x k ) folgt also n k=1 x k e k für jedes x = [x 1,..., x n ]. Mit 3.3 n n f (x) = x k f (e k ) = x k p k = x, p = p, x. k=1 k=1 J. Wengenroth () 15. Mai / 35

7 3.4 Satz (Darstellungssatz) 3.4 Satz (Darstellungssatz) (a) Bemerkung: Eine lineare Abbildung R n R ist also durch die n Werte f (e1),..., f (e n ) der Standardbasis eindeutig bestimmt und damit sehr leicht auszurechnen. (Ist z1,..., z n irgendeine Basis des R n, so ist f auch durch f (z1),..., f (z n ) eindeutig bestimmt, aber nur dann leicht auszurechnen, wenn man die Koeffizienten in x = n k=1 a k z k effektiv bestimmen kann). (b) Anschaulich (n = 2) bedeutet 3.4, dass der Graph Γ f = {[x 1, x 2, f (x 1, x 2 )] : [x 1, x 2 ] R2} die Ebene in R3 ist die [1, 0, f (1, 0)], [0, 1, f (0, 1)] und den Ursprung [0, 0, 0] = [0, 0, f (0, 0)] enthält. (c) Interpretation von p k = f (e k ) : Dies ist der Faktor (Preis) mit dem die k-te Komponente x k von x = [x 1,..., x n ] zum Funktionswert f (x) beiträgt. J. Wengenroth () 15. Mai / 35

8 3.5 Beispiel 3.5 Beispiel Ein Unternehmen produziere aus 3 Rohstoffen zwei Produkte. Input: x 1 Menge der ersten, x 2 Menge des zweiten, x 3 Menge des dritten Rohstoffs. Output: f 1 (x 1, x 2, x 3 ) produzierte Menge des ersten Produkts bei Einsatz x 1, x 2, x 3. f 2 (x 1, x 2, x 3 ) produzierte Menge des zweiten Produkts bei Einsatz x 1, x 2, x 3. Modell: f = [f 1, f 2 ] : R3 R2. J. Wengenroth () 15. Mai / 35

9 3.6 Matrizen 3.6 Matrizen (a) Sei f : R n R m eine lineare Abbildung mit Komponentenfunktionen f 1,..., f m : R n R, das heißt f j (x) ist die j-te Komponente des Vektors f (x) R m. Die f k sind wieder linear (wegen Satz 3.3(c)) und deshalb gibt es nach Satz 3.4 für jedes j = 1, 2,..., m einen Vektor p j = [p j 1, pj 2,..., pj n] R n (nämlich p j k = f j(e k )), so dass f j (x) = p j 1 x 1 + p j 2 x p j nx n (b) Die lineare Abbildung f ist also durch die n m Zahlen p1 1,..., p1 n, p2 1,..., p2 n,..., p1 m,..., pm n eindeutig bestimmt und leicht auszurechnen. Es bietet sich an, diese Zahlen in eine Tabelle zu schreiben: p1 1 p p1 n p2 1 p p2 n P =. p1 m p2 m... pn m J. Wengenroth () 15. Mai / 35

10 3.6 Matrizen 3.6 Matrizen (b) Eine solche Tabelle heißt m n-matrix. Die Vektoren p j = [p j 1,..., pj n] R n heißen Zeilen von P und die p1 k Spaltenvektoren. heißen Spalten von P. p m k Eine m n-matrix hat also m Zeilen und n Spalten. Mit dem Symbol R m n bezeichnen wir die Menge aller m n-matrizen. (c) Alternative (übliche) Schreibweise: p j k = p j,k. Der erste/obere Index j ist die Zeilennummer und der zweite/untere Index k ist die Spaltennummer. Oft schreibt man P = [p j,k ] j {1,...,m} oder nur k {1,...n} P = [p jk ], falls die Dimensionen n und m klar sind. J. Wengenroth () 15. Mai / 35

11 3.6 Matrizen 3.6 Matrizen (d) Die Unterscheidung zwischen Zeilen und Spalten ist ab jetzt wesentlich, und wir fassen ab jetzt Vektoren immer als SPALTEN auf, das heißt R n = R n 1. (e) Zusammenfassung: Ist f : R n R m eine lineare Abbildung und zugehöriger Matrix P = [p jk ] (wobei p j,k die j-te Komponente von f (e k )), so gilt für x = x 1. x n R n f (x) = p 1,1 x 1 + p 1,2 x p 1,n x n. p m,1 x 1 + p m,2 x p m,n x n J. Wengenroth () 15. Mai / 35

12 3.6 Matrizen 3.6 Matrizen (f) Wir definieren deshalb für P R m n und x R n das Produkt p 1,1 x 1 + p 1,2 x p 1,n x n P x =. R m p m,1 x 1 + p m,2 x p m,n x n (g) Jede lineare Abbildung R n R m ist also von der Form x P x. J. Wengenroth () 15. Mai / 35

13 3.7 Beispiel 3.7 Beispiel In der Situation von Beispiel 3.5 sei konkret f 1 (x 1, x 2, x 3 ) = 2x 1 + 4x 2 + x 3 f 2 (x 1, x 2, x 3 ) = 6x 1 + x 2 + 2x 3 [ ] Dann hat man also P =. Das Unternehmen erhalte eine Anfrage, ob es y 1 Stück von Gut 1 und y 2 Stück von Gut 2 liefern könne. x 1 Die Geschäftsführung frag sich dann: Gibt es Input x = x 2, so dass x [ ] 3 y1 f (x) = y =, also y 2 (1) 2x 1 + 4x 2 + x 3 = y 1? (2) 6x 1 + x 2 + 2x 3 = y 2 J. Wengenroth () 15. Mai / 35

14 3.7 Beispiel 3.7 Beispiel Subtraktion des dreifachen der ersten Gleichung von der zweiten liefert, dass das Gleichungssystem äquivalent ist zu (1) 2x 1 + 4x 2 + x 3 = y 1 (3) 11x 2 x 3 = y 2 3y 1. Dieses neue System kann man nun explizit auflösen: Wähle irgendein x 3 R Definiere x 2 = 1 11 (y 2 3y 1 + x 3 ) x 1 = 1 2 (y 1 x 3 4x 3 ) Es gibt also sehr viele Lösungen, und man kann die Anfrage positiv beantworten (und sich dann überlegen, welches x 3 zu einer Lösung mit weiteren günstigen Eigenschaften führt). J. Wengenroth () 15. Mai / 35

15 3.7 Beispiel 3.7 Beispiel Bemerkungen: In realistischen Beispielen hat man viel mehr Variablen x 1,..., x n und viel mehr Gleichungen. Die Menge der Lösungen {x R n : f (x) = y} ist also eine Niveaumenge zu Niveau y. Weil man 3 Unbekannte und 2 Gleichungen hat, ist es nicht überraschend, dass es viele Lösungen gibt. [ ] x Vorsicht: Ist Q =, so hat 1 + 4x 2 + x 3 = x 1 + 8x 2 + 2x 3 = 1 keine Lösung. (Die zweite Zeile von Q ist ein Vielfaches der ersten Zeile). J. Wengenroth () 15. Mai / 35

16 3.8 Lineare Gleichungssysteme (LGS) 3.8 Lineare Gleichungssysteme (LGS) (a) Für eine m n-matrix P = [p j,k ] und y R m heißt die Gleichung P x = y ein LGS mit m Gleichungen und n Unbekannten oder LGS m n. Jedes x R n, das diese Gleichung erfüllt heißt eine Lösung des LGS. L(P, y) = {x R n : P x = y} heißt Lösungsmenge. (b) P x = y ist eine kurze und elegante Schreibweise für p 1,1 x 1 + p 1,2 x p 1,n x n = y 1.. p m,1 x 1 + p m,2 x p m,n x n = y m J. Wengenroth () 15. Mai / 35

17 3.8 Lineare Gleichungssysteme (LGS) 3.8 Lineare Gleichungssysteme (LGS) (c) LGS treten sehr oft mit riesigen Dimensionen n und m auf (Computertomographie: n m 106) (d) Hat P die Spalten p1,..., p n, so ist P x = x 1 p1 +..., +x n p n. Es gibt also genau dann eine Lösung von P x = y, wenn y eine Linearkombination der Spalten ist. (e) Für y = O R m gibt es immer mindestens eine Lösung, nämlich x = O R n. Oft gibt es aber auch x O mit P x = O. J. Wengenroth () 15. Mai / 35

18 3.9 Rekursive Algorithmen 3.9 Rekursive Algorithmen (a) Der Gaußsche Algorithmus (Eliminationsverfahren) ist eine einfache Methode, wie man das Problem Finde alle Lösungen des LGS m n P x = y auf ein kleineres LGS (m 1) (n 1) zurückführt. Das neue Problem wird mit der selben Methode auf ein noch kleineres LGS (m 2) (n 2) zurückgeführt, bis man schließlich entweder ein LGS 1,q oder ein LGS p,1 erhält (das man leicht lösen kann). So eine Methode nennt man rekursiven Algorithmus. (b) Türme von Hanoi Gegeben: Drei Stäbe, auf einem davon n Scheiben nach der (verschiedenen) Größe geordnet. Ziel: Stapel von einem Stab a auf anderen c bewegen. Erlaubte Züge: Oberste Scheibe eines Stabs auf einen anderen legen, so dass nie eine größere Scheibe über einer kleineren liegt. Algorithmus: Verschiebe (n 1) Scheiben von a (über c) nach b. Verschiebe oberste (einzige) Scheibe von a nach c. Verschiebe (n 1) Scheiben von b (über a) nach c. J. Wengenroth () 15. Mai / 35

19 3.10 Der Gauß-Algorithmus 3.10 Der Gauß-Algorithmus Gesucht sind alle Lösungen x R n das LGS m n P x = y für gegebene Matrix P R m n und y R m, also p 1,1 x 1 + p 1,2 x p 1,n x n = y 1.. p m,1 x 1 + p m,2 x p m,n x n = y m. Lösungsstrategie: Elimination der Unbekannten x n aus den ersten (m 1) Gleichungen durch Addition geeigneter Vielfacher der letzten Gleichung zu den übrigen. Das geht, falls der Koeffizient p m,n ungleich 0 ist. Sonst Vertausche die Reihenfolge der Gleichungen. J. Wengenroth () 15. Mai / 35

20 3.10 Der Gauß-Algorithmus 3.10 Der Gauß-Algorithmus I n Vertausche gegebenenfalls die Zeilen, so dass p m,n 0. (Falls nicht möglich, gehe zu V n ). II n Für j = 1,..., m 1 setze α j = p j,n p m,n und addiere das α j -fache der letzten Zeile zur j-ten Zeile. Dies liefert das LGS m n mit der selben Lösungsmenge p 1,1 x p 1,n 1 x n 1 = ỹ 1.. P x = ỹ p m 1,1 x p m 1,n 1 x n 1 = ỹ n 1 p m,1 x p m,n 1 x n 1 + p m,n x n = y n mit p j,k = p j,k + α j p m,k und ỹ j = y j + α j y m. III n Löse durch die Schritte I n 1 bis IV n 1 das kleinere LGS m 1,n 1. IV n Dann löst x = [x 1,..., x n ] das LGS P x = y x = [x 1,..., x n 1 ] löst P x = ỹ und x n = 1 p m,n (y n p m,1 x 1 p m,2 x 2... p m,n 1 x n 1 ) J. Wengenroth () 15. Mai / 35

21 3.10 Der Gauß-Algorithmus 3.10 Der Gauß-Algorithmus V n Falls p 1,n = p 2,n =... = p m,n = 0 ist Schritt I n nicht durchführbar. In diesem Fall gilt: x = [x 1,..., x n ] löst P x = y x = [x 1,..., x n 1 ] löst das LGS m,n 1 P x = y mit P = p 1,1... p 1,n 1. p m,1... p m,n 1 (und x n ist beliebig). J. Wengenroth () 15. Mai / 35

22 3.11 Bemerkung zum Gauß-Algorithmus 3.11 Bemerkung zum Gauß-Algorithmus (a) Die Schritte IV und V besagen, dass man für jede Lösung x des kleineren System eine (IV) beziehungsweise unendlich viele (V) Lösungen des Ausgangssystems erhält. (b) Es ist möglich, dass das kleinere System keine Lösung hat. Dann hat auch das Ausgangssystem keine Lösung, das System heißt dann inkonsistent. (c) Durch Umbenennen der Variablen x 1,..., x n und Vertauschen der Zeilen (Pivotieren) erhält man Varianten des Algorithmus. In der Literatur oft zuerst: x 1 aus Gleichungen 2 bis n eliminieren. (d) Lösen von LGS 1,n p 1 x p n x n = y ist einfach: Wähle k mit p k 0 und beliebige x l R für l k und löse nach x k auf. p 1 x 1 = y 1 (e) Lösen von LGS m,1. p n x n = y n und überprüfe die anderen. ist auch einfach: Löse eine Gleichung J. Wengenroth () 15. Mai / 35

23 3.12 Beispiel a 3.12 Beispiel x 1 + 0x 2 + 2x 3 = 1 2x 1 + x 2 + x 3 = 0 2x 1 + x x 3 = 2 I 3 Keine Vertauschung nötig. II 3 α 1 = 2 1/2 = 4, α 2 = 1 1/2 = 2. Das neue LGS ist } 7x 1 4x 2 = 9 Px = ỹ 2x 1 x 2 = 4 2x 1 + x 2 + 1/2x 3 = 2 III 3 Lösen des LGS 2 2 in II 3 : I 2 Wieder keine Vertauschung nötig. II 2 α 1 = 4 1 = 4. Das neue LGS ist ( 7 4( 2))x 1 = 9 4( 4) x 1 = 7 2x 1 x 2 = 4 III 2 Das LGS in II 2 hat Lösung x 1 = 7. IV 2 Das LGS in II 3 hat Lösung x 1 = 7, x 2 = 10. IV 3 Das LGS 3 3 P x = y hat Lösung x 1 = 7, x 2 = 10, x 3 = 4 J. Wengenroth () 15. Mai / 35

24 3.12 Beispiel 3.12 Beispiel (b) Gesucht sind alle Lösungen des LGS 3 3 x 1 + x 2 x 3 = 0 x 1 x 2 + 2x 3 = 3 3x 1 + x 2 = 1 I 3 p 3,1 = 0. Vertausche 1. und 3. Zeile. Neues LGS x 1 + x 2 = 1 x 1 x 2 + 2x 3 = 3 x 1 + x 2 x 3 = 0 II 3 α 1 = 0 1 = 0, α 2 = 2 1 = 2. Neues LGS 3 3 } 3x 1 + x 2 = 1 3x 1 + x 2 = 3 Px = ỹ x 1 + x 2 x 3 = 0 J. Wengenroth () 15. Mai / 35

25 3.12 Beispiel 3.12 Beispiel III 3 Löse LGS 2 2 in II 3. I 2 Keine Vertauschung nötig. II 2 α 1 = 1. Das neue LGS 2 2 ist 0 x 1 = 2 } P x = ỹ 3x 1 + x 2 = 3. III 2 Das LGS 1 1 in II 2 hat keine Lösung. IV 2 Das LGS 2 2 in II 3 hat keine Lösung. IV 3 Das LGS 3 3 P x = y in I 3 hat keine Lösung. J. Wengenroth () 15. Mai / 35

26 3.13 Simultanes Lösen von LGS 3.13 Simultanes Lösen von LGS Gegeben seien eine m n Matrix P und s Vektoren y1,..., y s R m. Gesucht sind Lösungen x1,..., x s R n von P x l = y l für alle l = 1,..., s. Eine Möglichkeit: s mal Gauß-Algorithmus durchführen. Bessere Variante: Die Matrix P im Schritt II hängt nicht von der rechten Seite ab, also sind alle kleineren Probleme wieder von der Form P x l = ỹ l. Nur IV hängt von y l ab. Schreibt man x1,..., x s als Spalten einer Matrix Q R n s (also q j,l = xj l) und y1,..., y1 als Spalten einer Matrix R Rm s (also r j,l = yj l ), so ist r j,l = yj l = [P x l ] j = p j,1 x1 l p j,nx n = p j,1 q 1,l p j,n q n,l J. Wengenroth () 15. Mai / 35

27 3.14 Matrix-Multiplikation 3.14 Matrix-Multiplikation (a) Für m, n, q N und Matrizen P R m n und Q n s definieren wir das Produkt R = P Q R m s durch [P Q] j,l = n p j,k q k,l = p j,1 q 1,l p j,n q n,l. k=1 (b) Das Element in der j-ten Zeile und l-ten Spalte von P Q ist also das Skalarprodukt der j-ten Zeile von P und der l-ten Spalte von Q. Außerdem ist die l-te Spalte von P Q gleich dem Produkt von P mit der l-ten Spalte von Q. (c) Die j-te Zeile von P Q ist gleich dem Produkt der j-ten Zeile p j R 1 n von P mit Q R n m. J. Wengenroth () 15. Mai / 35

28 3.14 Matrix-Multiplikation 3.14 Matrix-Multiplikation (d) Seien f : R n R m linear, also f (x) = P x, wobei P R m n die Spalten f (e1),..., f (e n ) hat, sowie g : R q R n linear, also g(y) = Q y, wobei Q R n q die Spalten g(e1),..., g(e q ) hat. Dann ist f g : R q R m linear und (f g)(e l ) = f (g(e l )) = P g(e l ) = P l-te Spalte von Q. Also: f g(y) = (P Q) y. J. Wengenroth () 15. Mai / 35

29 3.15 Satz 3.15 Satz (a) A R m n, B R n q, C R q r = (A B) C = A (B C) Assoziativität (b) A R m n, B, C R n q = A (B + C) = A B + A C Distributivität (wobei die Summe von Matrizen gleicher Dimension komponentenweise erklärt ist). J. Wengenroth () 15. Mai / 35

30 3.16 Beispiel 3.16 Beispiel (a) Für A R m n und B R n q mit q m ist kein Produkt B mit A definiert! (b) Selbst wenn [ A B ] und B A [ definiert ] sind, ist sehr oft A B B A Etwa A =, B = : [ ] [ ] A B = aber B A = J. Wengenroth () 15. Mai / 35

31 3.17 Inverse Matrizen 3.17 Inverse Matrizen (a) Für n N heißt E n =. 1. Rn n die n n-dimensionale Einheitsmatrix (nur auf der Diagonalen Einsen sonst Nullen). Für A R m n gilt dann A E n = A und E m A = A. (b) Eine quadratische Matrix A R n n heißt invertierbar, wenn es B R n n gibt mit A B = E n. (c) Satz: A B = E n = B A = E n. J. Wengenroth () 15. Mai / 35

32 3.17 Inverse Matrizen 3.17 Inverse Matrizen (d) Folgerung: A B = E n und A C = E n = B = C. Beweis: (1) A (B C) = A B A C = E n E n = 0 (2) B C = E n (B C) = (B A) (B C) = B (A (B C)) = B 0 = 0. (3) B = C. (e) Ist also A R n n invertierbar, so gibt es genau eine Matrix B R n n mit B A = E n. Diese Matrix heißt Inverse von A, und wir schreiben dann [ B = A 1 ]. [ ] (f) A = ist invertierbar mit A = /3 [ ] 1 2 (g) M = ist nicht invertierbar. 4 8 [ ] 2 x = = M x = 0. Wäre M invertierbar, folgte 1 x = M 1 M x = 0, was nicht der Fall ist. J. Wengenroth () 15. Mai / 35

33 3.18 Satz 3.18 Satz Sei A R n n eine quadratische Matrix. (a) Ist A invertierbar, so besitzt das LGS n n A x = y für jedes y R n genau eine Lösung, nämlich x = A 1 y. (b) Sind alle n LGS n n A x = e k (k-ter Einheitsvektor) lösbar mit Lösung x k R n, so ist A invertierbar und x1,... x n sind die Spalten von A 1. J. Wengenroth () 15. Mai / 35

34 3.18 Satz 3.18 Satz Beweis. (a) x = A 1 y ist eine Lösung, weil A (A 1 y) = (A A 1 ) y = E n y = y. Ist z R n irgendeine Lösung, so folgt aus Satz 3.17 (c) z = A 1 A z = A 1 y. (b) Nach Definition der Matrixmultiplikation sind A x k = e k die Spalten von A [x1,..., x n ]. Andererseits hat E n gerade die Spalten e1,..., e n. J. Wengenroth () 15. Mai / 35

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

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen

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

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

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

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

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

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

3. LINEARE GLEICHUNGSSYSTEME

3. LINEARE GLEICHUNGSSYSTEME 176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an

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

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

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

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

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

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

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

Simplex-Umformung für Dummies

Simplex-Umformung für Dummies Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit

Mehr

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.

Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung. Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,

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

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:

1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:

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

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

7 Rechnen mit Polynomen

7 Rechnen mit Polynomen 7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn

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

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

Zeichen bei Zahlen entschlüsseln

Zeichen bei Zahlen entschlüsseln Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren

Mehr

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen

Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html

Mehr

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,

V 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775, Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen

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

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

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

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

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

Definition 27 Affiner Raum über Vektorraum V

Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,

Mehr

Was meinen die Leute eigentlich mit: Grexit?

Was meinen die Leute eigentlich mit: Grexit? Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?

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

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

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

Wie Google Webseiten bewertet. François Bry

Wie Google Webseiten bewertet. François Bry Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle Seminare im Bereich MS-Office Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion

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

3. Grundlagen der Linearen Programmierung

3. Grundlagen der Linearen Programmierung 3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations

Mehr

Skript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!

Skript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten! Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright

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

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

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.

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

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)

Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler

Mehr

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.

Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!. 040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl

Mehr

6 Lösungsverfahren für lineare Gleichungssysteme

6 Lösungsverfahren für lineare Gleichungssysteme 6 Lösungsverfahren für lineare Gleichungssysteme Jörn Loviscach Versionsstand:. März 04, :07 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen beim Ansehen der Videos: http://www.jl7h.de/videos.html

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

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen

Gleichungen Lösen. Ein graphischer Blick auf Gleichungen Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term

Mehr

6.2 Scan-Konvertierung (Scan Conversion)

6.2 Scan-Konvertierung (Scan Conversion) 6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster

Mehr

Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster

Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.

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

Theoretische Grundlagen der Informatik WS 09/10

Theoretische Grundlagen der Informatik WS 09/10 Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3

Mehr

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r ) Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen

Mehr

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b

Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und

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

1 Mathematische Grundlagen

1 Mathematische Grundlagen Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.

Mehr

Mathematischer Vorbereitungskurs für Ökonomen

Mathematischer Vorbereitungskurs für Ökonomen Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen

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

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Schranken für zulässige Lösungen

Schranken für zulässige Lösungen Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung

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

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

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

Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben

Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Technische Universität Kaiserslautern Prof Dr Sven O Krumke Dr Sabine Büttner MSc Marco Natale Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Aufgabe 1 (Konvertieren

Mehr

Umgekehrte Kurvendiskussion

Umgekehrte Kurvendiskussion Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen

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

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

Repetitionsaufgaben: Lineare Gleichungen

Repetitionsaufgaben: Lineare Gleichungen Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern

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

Linearen Gleichungssysteme Anwendungsaufgaben

Linearen Gleichungssysteme Anwendungsaufgaben Linearen Gleichungssysteme Anwendungsaufgaben Lb S. 166 Nr.9 Im Jugendherbergsverzeichnis ist angegeben, dass in der Jugendherberge in Eulenburg 145 Jugendliche in 35 Zimmern übernachten können. Es gibt

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

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen

Mehr

Vorkurs Mathematik Übungen zu Polynomgleichungen

Vorkurs Mathematik Übungen zu Polynomgleichungen Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.

Mehr

Kap. 8: Speziell gewählte Kurven

Kap. 8: Speziell gewählte Kurven Stefan Lucks 8: Spezielle Kurven 82 Verschl. mit Elliptischen Kurven Kap. 8: Speziell gewählte Kurven Zur Erinnerung: Für beliebige El. Kurven kann man den Algorithmus von Schoof benutzen, um die Anzahl

Mehr

1 Lineare Gleichungssysteme

1 Lineare Gleichungssysteme MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden

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

(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

Formelsammlung zur Kreisgleichung

Formelsammlung zur Kreisgleichung zur Kreisgleichung Julia Wolters 6. Oktober 2008 Inhaltsverzeichnis 1 Allgemeine Kreisgleichung 2 1.1 Berechnung des Mittelpunktes und Radius am Beispiel..... 3 2 Kreis und Gerade 4 2.1 Sekanten, Tangenten,

Mehr

Die Verbindung von Linearer Programmierung und Graphentheorie

Die Verbindung von Linearer Programmierung und Graphentheorie Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der

Mehr

Korrelation (II) Korrelation und Kausalität

Korrelation (II) Korrelation und Kausalität Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen

Mehr

Mathematik: Mag. Schmid Wolfgang Arbeitsblatt 3 1. Semester ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN

Mathematik: Mag. Schmid Wolfgang Arbeitsblatt 3 1. Semester ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN Wir wollen nun die Rechengesetze der natürlichen Zahlen auf die Zahlenmenge der ganzen Zahlen erweitern und zwar so, dass sie zu keinem Widerspruch mit bisher geltenden

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

8. Quadratische Reste. Reziprozitätsgesetz

8. Quadratische Reste. Reziprozitätsgesetz O Forster: Prizahlen 8 Quadratische Reste Rezirozitätsgesetz 81 Definition Sei eine natürliche Zahl 2 Eine ganze Zahl a heißt uadratischer Rest odulo (Abkürzung QR, falls die Kongruenz x 2 a od eine Lösung

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

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

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

2 Lineare Gleichungen mit zwei Variablen

2 Lineare Gleichungen mit zwei Variablen 2 Lineare Gleichungen mit zwei Variablen Die Klasse 9 c möchte ihr Klassenzimmer mit Postern ausschmücken. Dafür nimmt sie 30, aus der Klassenkasse. In Klasse 7 wurden lineare Gleichungen mit einer Variablen

Mehr

Klassenarbeit zu linearen Gleichungssystemen

Klassenarbeit zu linearen Gleichungssystemen Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge

Mehr

Erstellen von x-y-diagrammen in OpenOffice.calc

Erstellen von x-y-diagrammen in OpenOffice.calc Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei

Mehr

4. Übungsblatt Matrikelnr.: 6423043

4. Übungsblatt Matrikelnr.: 6423043 Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613

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

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen

Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in

Mehr

Konzepte der Informatik

Konzepte der Informatik Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens

Mehr