4 Grundlagen der fehlerkorrigierenden Codes
|
|
- Gotthilf Brandt
- vor 6 Jahren
- Abrufe
Transkript
1 4 Grundlagen der fehlerkorrigierenden Codes 4. Hammingdistanz und Fehlerkorrektur Wir betrachten von nun an folgende Situation. Gegeben ist das Alphabet A, A = q, jede Teilmenge C A n heißt Code der Länge n. Der Hammingabstand ist Δ(u, v) = #{i : u i v i }, d(c) = min u v C Δ(u, v) heißtdiedistanz von C. Wir nehmen an, dass Gleichverteilung auf C vorliegt und wissen, dass die Hammingdecodierung Maximum Likelihood Decodierung ist. Einen Gradmesser für die Güte eines Codes geben die folgenden Definitionen. Definition. a. Der Code C A n heißt t-fehlerkorrigierend, wenn folgendes gilt: Angenommen v C wurde gesendet und wir wissen, dass höchstens t Fehler passiert sind, dann soll die Hammingdecodierung das empfangene Wort w richtig zu v decodieren. b. C A n heißt t-fehlerentdeckend, wenn folgendes gilt: Angenommen v C wurde gesendet und es sind höchstens t Fehler passiert. Dann ist das empfangene Wort w = v oder es gilt w C. Es sei S t (v) ={x A n :Δ(x, v) t} die Kugel um v vom Radius t. Falls v gesendet wird und w empfangen, so bedeutet höchstens t Fehler genau w S t (v). Satz 9. a. C A n ist t-fehlerkorrigierend d(c) t +, b. C A n ist t-fehlerentdeckend d(c) t +. Beweis. a. Falls d(c) t + ist, so sind je zwei Kugeln S t (v),s t (u) mit u, v C disjunkt, also wird w S t (v) richtig decodiert. Ist Δ(u, v) t, u, v C, w S t (u) S t (v), so könnte w im Fall Δ(u, w) Δ(v, w) falsch decodiert werden. b. Ist d(c) t +,w S t (v) mitv C, so gilt w = v oder w C, da jedes andere Codewort Abstand >that. Falls Δ(u, v) t für u v C gilt, so könnte u C empfangen werden, im Widerspruch zur Definition. Beispiel. a. Sei n =t +.DerCodeC 0 = {00...0,...,...,q q 4
2 ...q } heißt Wiederholungscode; C 0 ist t-fehlerkorrigierend, C 0 = q. b. Sei q =.DerCodeC {0, } n bestehe aus allen Wörtern mit einer geraden Anzahl von Einsen. C ist -fehlerentdeckend, d(c )=mit C = n. C heißt Paritätscode. Hauptproblem. Gegeben seien n und q. Man finde einen Code C A n, A = q, sodass ) C möglichst groß ist ( Rate groß), ) d(c) möglichst groß ist ( Fehler klein). Die beiden Zielsetzungen sind gegenläufig, zum Beispiel hat der Wiederholungscode gute Fehlerkorrektur, aber schlechte Rate, während dies beim Paritätscode genau umgekehrt ist. Wir sagen, C ist (n, d; q)-code, falls C A n, A = q und d(c) d gilt, M q (n, d) =max{ C : C ist (n, d; q)-code}. Falls C = M q (n, d) ist, so nennen wir C optimalen (n, d; q)-code. Offensichtlich gilt: q = M q (n, n) M q (n, n )... M q (n, ) M q (n, ) = q n. Bemerkung. Für einen Code C A n können wir durch Permutation der Elemente in jeder Koordinate annehmen, dass C ist. Der Abstand d(c) bleibt erhalten. Satz 0. Es gilt. M q (n, d) M q (n,d ) für d,. M (n, d) =M (n,d ) für d, d gerade, 3. M q (n, d) qm(n,d). Beweis.. Sei C optimaler (n, d; q)-code. Wir stellen uns C immer als Matrix vor, M = C : v v... v n C =.. v M v M... v Mn 4
3 Wir streichen eine Spalte und erhalten einen Code C A n mit C = C wegen d. Diese Operation nennen wir Verkürzung und C einen verkürzten Code. Offenbar ist C ein (n,d ; q)-code, und wir erhalten M q (n, d) = C = C M q (n,d ).. Nach ) gilt M (n, d) M (n,d ). Es sei nun C ein optimaler (n,d ; )-Code. Aus C konstruieren wir durch Anhängen eines Paritätschecks einen Code C A n : n C = {(v, v i (mod )) : v C}. i= Behauptung: C ist (n, d; )-Code. Seien u =(u, u i ), v =(v, v i ), u, v C. Falls Δ(u, v) d ist, so auch Δ(u, v) d. SeinunΔ(u, v) =d, dann gilt u i + v i =(mod)für d Koordinaten, und daher n i= (u i + v i )= (mod ) wegen d ungerade, das heißt n i= u i n i= v i (mod ). 3. Sei C ein optimaler (n, d; q)-code. In der letzten Spalte (oder irgendeiner Spalte) taucht ein Buchstabe, z.b. 0, mindestens C Mal auf: q v v... 0 C C =.. v M. Wir betrachten den Code C A n, der 0 als letzte Koordinate hat. C heißt punktierter Code.Offenbar ist C ein (n,d; q)-code und wir erhalten q M q(n, d) = C q C M q (n,d). 43
4 Wir sehen auch, dass aus M q (n, d) =qm q (n,d) folgt, dass in jeder Spalte alle Buchstaben gleich häufig auftreten. 4. Schranken für M q (n, d) Wir besprechen drei obere Schranken. Satz (Singleton Schranke). Es gilt M q (n, d) q n d+. Beweis. Aus Satz 0 folgt M q (n, d) qm q (n,d)... q n d M q (d, d) =q n d+. Bemerkung. Ein Code C, der die Singleton Schranke mit Gleichheit erfüllt, heißt MDS-Code (maximal distance separating). In jeder Koordinate kommen die Buchstaben gleich oft vor und ebenfalls in allen rekursiv punktierten Codes. Beispiel. M q (n, ) = q n. Zum Beweis betrachten wir die additive Gruppe Z q (mod q) und wählen C A n, A = Z q,mitv C q i= v i =0inZ q. Dann gilt Δ(u, v) für u v C und offenbar C = q n. Satz (Hamming Schranke). Für t gilt M q (n, t +) t i=0 q n ( n i) (q ) i. Beweis. Es sei C ein (n, t +;q)-code. Es gilt S t (u) S t (v) = für u v C und somit S t (v) = S t (v) = C v C v C t i=0 ( ) n (q ) i q n, i 44
5 woraus die Behauptung folgt. Bemerkung. Gilt Gleichheit in der Hamming Schranke C = t i=0 q n ( n i) (q ) i, so heißt Ct-perfekt. Diet-Kugeln um die Codewörter decken den Raum A n lückenlos ab: Jedes Wort w A n ist in genau einer t-kugel S t (v), v C. Insbesondere muß also t i=0 ( n i) (q ) i ein Teiler von q n sein. Beispiel. Der Wiederholungscode C 0 = {00...0,...} {0, } t+ ist t-perfekt für jedes t, dawir = C 0 = n t i=0 ( n i) = haben. Satz 3 (Plotkin Schranke). Sei θ = q.fallsd>θnist, so gilt q M q (n, d) d d θn. Beweis. Es sei C optimaler (n, d; q)-code, C = M, C = v v. v M... j... n a b Es sei A = {,,...,q}. Wir betrachten eine Spalte j.esseim i die Häufigkeit des Buchstabens i, also q i= m i = M. Wirzählen die Anzahl der geordneten 45
6 Paare (a, b) mita b in Spalte j. Beispiel. Es sei q =3,M =6: 3,hieristm =,m =3,m 3 =,die Anzahl der Paare (a, b), a b,ist =. Die Anzahl der Paare (i, b), i b, istm i (M m i ) und somit die Gesamtzahl q q s j = m i (M m i )=M m i. () Behauptung. i= q m i ( q m q i ) = M. q i= i= Zum Beweis seien die Vektoren x =(m,...,m q ), y =(,...,). Die Ungleichung von Cauchy-Schwarz besagt (x y) x y,wobeix y das Skalarprodukt ist, das heißt ( q m i ) m i q. i= Gleichheit gilt genau, wenn x und y linear abhängig sind, also x =(m,...,m q ) Konstantenvektor ist, m =...= m q = M. Insgesamt erhalten wir nach () i= s j M q M = θm, und für die Gesamtzahl über alle Spalten n s = s j θnm. j= Da zwei Codevektoren, d.h. Zeilen, mindestens d zur Anzahl s beitragen, haben wir andererseits s dm(m ), 46 i=
7 und somit dm(m ) θnm, das heißt M(d θn) d. Falls d>θnist, folgt hieraus M d. d θn Bemerkung. Gleichheit gilt in der Plotkin Schranke genau dann, wenn in jeder Koordinate alle Buchstaben gleich oft auftreten, je zwei Codewörter d genau Abstand d haben und schließlich = qd eine ganze Zahl d q q n qd (q )n ist. Codes C, in denen Δ(u, v) =d für alle u v C gilt, heißen äquidistant. Beispiel. Sei q =, dann besagt die Plotkin Schranke d M (n, d) d n für d>n. Betrachten wir M (, 5). Die Singleton Schranke ergibt M (, 5) 8 = 56, und die Hamming Schranke M (, 5) ++( ) < 5, also M (, 5) 5. Die Plotkin Schranke kann nicht direkt angewandt werden, aber mit Satz 0 erhalten wir M (, 5) = M (3, 6) 4 M (, 6) 4 =48. Beispiel. Der erste interessante Fall ist n =d. Dann gilt und insbesondere für d =t M (d,d) d, M (4t, t) 4t, M (4t, t) 8t. Wann Gleichheit gilt, werden wir im nächsten Abschnitt besprechen. Nun zu einer unteren Schranke. Satz 4 (Gilbert-Varshamov Schranke). Es gilt M q (n, d) d i=0 q n ( n ) i (q ) i. 47
8 Beweis. Sei C ein optimaler Code, C = M q (n, d). Für x C folgt aus der Maximalität von C die Existenz eines Codewortes v C mit Δ(x, v) d. Mit anderen Worten, die Kugeln S d (v), v C, überdecken ganz A n, A n S d (v), und es folgt v C q n v C d ( ) n S d (v) = C (q ) i. i Wir wollen uns die Schranken zusammenfassend ansehen, und zwar im binären Fall q =. Betrachten wir eine Folge von Codes C n A n (,mitrater Cn ) = log C n p p. Die erwartete Fehlerzahl im symmetrischen Kanal ist n p p pn, dasheißtfür P E,Cn 0 muß die Distanz d(c n ) mindestens wie pn, also linear, wachsen. Dies legt als asymptotisch beste Rate-Funktion r(δ) = lim sup log M (n, δn), 0 δ, n n nahe, wobei das Aufrunden δn an der Asymptotik nichts ändert.. Singleton Schranke. Wir erhalten als obere Schranke also lim sup i=0 log n δn+ n r(δ) δ. = δ,. Hamming Schranke. Aus Kapitel 3 wissen wir λn k=0 ( ) n nh(λ, λ), k und mit Stirlings Formel folgt leicht die untere Abschätzung mit dem Ergebnis log λn ( n k) k=0 lim = H(λ, λ). n 48
9 In unserem Fall ist λ δ (da d =t + ), und wir erhalten die Schranke r(δ) H( δ, δ ). 3. Plotkin Schranke. Für d> n,alsoδ> erhalten wir log δn log(δ n) lim sup =0. n Sei nun d n, δ, dann wissen wir M (n, d) n d+ M(d,d)= n d+ d. Dies ergibt als obere Schranke also n δn ++log(δn) lim sup = δ, n { δ 0 <δ r(δ) 0 δ>. 4. Gilbert-Varshmov Schranke. Analog wie für die Hamming Schranke erhalten wir die untere Schranke r(δ) H(δ, δ). Die Zeichnung zeigt die Schranken: Gilbert Varshamov / Plotkin Singleton Hamming 49
10 4.3 Orthogonale Lateinische Quadrate, Steiner Systeme und Hadamard Matrizen Wir betrachten Gleichheit in den drei oberen Schranken und werden sehen, dass dies jeweils auf interessante Strukturen führt.. Singleton Schranke Wir wissen M q (n, n ) q. Angenommen C A n ist ein (n, n ; q)-code mit C = q, A = {,,...,q}. Wieüblich schreiben wir C als q n-matrix mit den Codewörtern v i als Zeilen. Aus der Gleichheit folgt, dass in jeder Spalte jedes Element q Mal vorkommt. Durch Vertauschung der Elemente können wir annehmen, dass der Code wie folgt aussieht: 3...n v... v v q q q...q v q+ x 3 x 4...x n.. q q.. v q q q. Die ersten q Codewörter sind festgelegt. Für v q+ sehen wir x i {,...,q} wegen Δ(v,v q+ n, und ferner x i x j, denn falls x i = x j = k, so hätten wir Δ(v k,v q+ ) n. Wir erhalten somit als notwendige Bedingung: Falls M q (n, n ) = q ist, dann muß n q, das heißt n q +gelten. Wir nehmen nun die erste Spalte als Zeilenindex und die zweite Spalte als Spaltenindex und interpretieren jede Spalte s k (k 3) als q q-matrix L k mit L k (i, j) =l, falls das Codewort v =(i,j,...,l...)istmitl an der k-ten Stelle. Wir rollen also umgekehrt die Matrix zeilenweise auf. 50
11 Beispiel. q =3 3 3 L = Definition. Eine q q-matrix L(i, j) über A, A = q, heißtlateinisches Quadrat der Ordnung q, falls in jeder Zeile und Spalte jedes Element genau einmal auftritt. Zwei Lateinische Quadrate L(i, j), L (i, j) heißenorthogonal, falls die Menge {(L(i, j),l (i, j) : i, j q} genau die Menge A ergibt. Mit anderen Worten: L, L sind orthogonal, falls es zu jedem (k, l) A genau eine Lösung (i, j) mit gibt. L(i, j) =k, L (i, j) =l Da im Code je zwei Zeilen Abstand n haben, so ergeben die Spalten s 3,...,s n als Matrizen aufgefaßt n paarweise orthogonale Lateinische Quadrate der Ordnung q. Wären zum Beispiel L k, L l nicht orthogonal mit (L k (i, j),l l (i, j)) = (a, b) =(L k (i,j ),L l (i,j )), so hätten wir im Code zwei Wörter v, v C k l v = i j... a b... v = i j a b... und somit Δ(v, v ) n, Widerspruch. Wirhabensomitbewiesen: Satz 5. Es gilt M q (n, n ) = q genau dann, wenn n paarweise orthogonale Lateinische Quadrate der Ordnung q existieren. 5
12 Bezeichnen wir mit N(q) die Maximalzahl paarweise orthogonaler Lateinischer Quadrate der Ordnung q, so haben wir wie gesehen N(q) q. Beispiel. N(3) = 3 3 L = 3, L = Der zugehörige (4, 3; 3)-Code C ist C = somit M 3 (4, 3) = 9. Die Bestimmung von N(q) ist eines der größten offenen Probleme der endlichen Geometrie. Man weiß: N(q) = q falls q Primzahlpotenz ist. N() = N(6) =, N(q) für q, 6. Es ist kein q Primzahlpotenz bekannt mit N(q) =q.. Hamming Schranke Wir studieren t-perfekte Codes C A n, bei denen also Gleichheit in der Hamming Schranke gilt: C = t i=0 q n ( n i) (q ) i. 5
13 Beispiele. t =:DannmußC (n, 3; q)-code mit C = q n +n(q ) sein. Wir werden solche Codes im nächsten Kapitel für jedes n 3 und Primzahlpotenz q konstruieren. Für q = ist C = n +n, also muß n += m gelten. Für n = 3 erhalten wir den Wiederholungscode. Der nächste interessante Fall ist n =7, C = 7 = 6. 8 t =:Seiq =.Dannmuß+n + ( n ) = m sein, also + n + n n = m+ 4n +4n +8 = m+3 (n +) +7 = m+3. Aus der Zahlentheorie weiß man, dass die Gleichung x +7= s genau 5 ganzzahlige Lösungen hat: x {, 3, 5,, 8}, alson {0,,, 5, 90}. Dan 5ist, kommen nur n = 5 oder n = 90 in Frage. Der Wiederholungscode realisiert n =5,n = 90 bleibt vorläufig offen. t =3:Seiq =.Dannmuß+n+ ( ( n ) + n 3) = m gelten oder nach Umformung (n +)(n n +6)=3 m.wäre 6 n +, dasheißt n (mod 6), dann folgt n n +6 8 (mod 6), also n n = 4. Es gilt aber n n+6 (n+) 3 (wegen n+ 6), Widerspruch. Somit gilt n+ 3 8 mit den Möglichkeiten n + {8,, 4}, dasheißtn {7,, 3}. Der Wiederholungscode realisiert n = 7, durch Einsetzen sieht man, dass n = unmöglich ist. Es bleibt also n =3mit+ ( ) ( ) ( + 3 ) 3 = 048 =. Ein 3-perfekter Code C A 3 müßte also C = erfüllen. Dass solch ein Code tatsächlich existiert (und eindeutig ist), werden wir im nächsten Kapitel sehen. Eine weitere notwendige Bedingung gibt der folgende Satz. Satz 6. Sei C A n, A = q, t-perfekt. Dann gilt: ( ) ( ) t + n (q ) t+. t t + Beweis. Wir nehmen o.b.d.a. an, dass 0 =0...0 C ist. Sei S = {u A n :Δ(u, 0) =t+}, dannist S = ( n t+) (q ) t+.seiu S, dannexistiert 53
14 genau ein v C mit Δ(u, v) t und wegen Δ(0,v) t + folgt aus der Dreiecksungleichung Δ(u, v) = t, Δ(0,v)= t +. Wir zählen nun die Paare {(u, v) :u S, v C mit Δ(0,v)=t +, Δ(u, v) =t}. Sei h t+ =#{v C :Δ(0,v)=t +}. Für jedes u S gibt es genau ein v, und für jedes solche v C gibt es ( ) t+ t Wörter u S, dagenaut Koordinaten von v zu 0 verändert werden müssen. Es folgt ( ) ( ) n t + (q ) t+ = h t+, t + t und daher ( ) ( t+ n t t+) (q ) t+. Wir betrachten nun den Fall q =.SeiX = {,...,n}, dann identifizieren wir u = u u...u n {0, } n mit der Menge B u = {i X : u i =}; u ist also der charakteristische Vektor von B u.istc {0, } n t-perfekter Code und B = {B v : v C, Δ(v, 0) =t +} X, dann gilt ) B v =t + ) jede (t +)-MengevonX ist in genau einem B v enthalten. Definition. Seien s k n natürliche Zahlen. Ein s (n, k) Steiner System ist eine Familie von Untermengen B (genannt Blöcke) vonx = {,...,n}, so dass gilt: ) B = k für alle B B, ) jede s-menge von X ist in genau einem Block enthalten. Wir haben also den Satz: Satz 7. Ist C {0, } n t-perfekter Code, so bildet die Familie B = {B v : v C, Δ(v, 0) =t +} ein (t +) (n, t +)Steiner System. Nun drehen wir die Sache um und konstruieren aus einem Steiner System einen Code. 54
15 Beispiel. Die Fano Ebene ist ein (7, 3) Steiner System, wobei die 7 Blöcke die Geraden inklusive der Geraden {, 4, 6} sind. Wir fügen die leere Menge hinzu (äquivalent das Nullwort) und alle Komplemente C = Man prüft sofort nach, dass C ein (7, 3; )-Code ist und wegen C =6= perfekt. Satz 8. Es sei C {0, } n t-perfekter Code. Dann ist t + ein Teiler von n +. Beweis. Sei B = {B v : v C, Δ(v, 0)} das zugehörige (t+) (n, t+) Steiner System. Wir betrachten eine beliebige t-menge U X und bezeichnen mit r die Anzahl der Blöcke aus B, dieu enthalten. Jede Menge U {x}, x X U, ist in genau einem Block enthalten. Ist umgekehrt B Bmit U B, soenthält B wegen B =t + genau t + solche Mengen U {x}. Es folgt r = n t t+, und daraus t + n t bzw. t + n +. Beispiel. Wir können nun den Fall t =,q = erledigen. Es gab zwei Möglichkeiten n {5, 90}, wovonn = 90 wegen 3 9 ausscheidet. Der einzige -perfekte binäre Code ist der Wiederholungscode. 55
16 3. Plotkin Schranke Wir wissen M (4t, t) 8t, M (4t, t) 4t. Definition. Eine Hadamard Matrix H der Ordnung n ist eine n n-matrix mit Einträgen und, so dass gilt: HH T = ni, wobei I die (n n)-einheitsmatrix... 0 Beispiel. n =:H = ( ), n =4:H = 0 ist. Aus der Definition folgt, dass für das Skalarprodukt zweier Zeilen h i,h j von H gilt: { n i = j h i h j = 0 i j. Ferner ist H = n HT und damit auch H T H = ni. Dies bedeutet, dass auch je zwei Spalten aufeinander senkrecht stehen. Für die Determinante gilt (det H) = n n,also det H = n n/. Bemerkung. Hadamard betrachtete das folgende Problem. Gegeben sei die Menge aller reellen n n-matrizen A =(a ij )mit a ij für alle i, j. Er zeigte, dass det A n n/ für alle A gilt mit Gleichheit genau dann, wenn A Hadamard Matrix ist.. Satz 9. Sei H Hadamard Matrix der Ordnung n. Dannistn =oder n 0(mod4). Beweis. Sei n > und H Hadamard Matrix. Multiplikation einer Zeile oder Spalte mit ergibt wieder eine Hadamard Matrix. Wir können also annehmen, dass die erste Zeile h =... ist. Wegen h h i =0für i> muß jede weitere Zeile genau soviele en wie en enthalten, also muß n 56
17 gerade sein. Nun betrachten wir die ersten drei Zeilen. Durch Permutation der Spalten können wir annehmen: h h... }{{ } n/... }{{ } n/ h }{{} a }{{} b }{{} c }{{} d Es gilt somit a + c = b + d = n und a + b = c + d = n. Daraus folgt a = d und b = c, und wegen h h 3 =0fernera + d = b + c = n,alsoa =b und somit a = b = c = d = n,dasheißtn 0(mod4). 4 Die einfachste Methode, neue Hadamard Matrizen aus alten zu konstruieren, ist das Kroneckerprodukt A B. SeiA =(a ij ) m m-matrix und B =(b ij ) n n-matrix, dann ist das Kroneckerprodukt A B die mn mn-matrix. A B = a B a B... a m B a B a B... a m B... a m B a m B... a mm B Satz 0. Sind A und B Hadamard Matrizen, so auch A B. Beweis. Durch Fallunterscheidung prüft man leicht nach, dass je zwei Zeilen von A B aufeinander senkrecht stehen. Folgerung. Es existieren Hadamard Matrizen für alle Ordnungen n = m, m. Der erste offene Fall ist n =. Mit quadratischen Resten kann man allgemein Hadamard Matrizen für alle n = p +, p 3 (mod 4) Primzahl, konstruieren. Satz. Die folgenden Bedingungen sind äquivalent: ) Es existiert eine Hadamard Matrix der Ordnung 4t, ) M (4t, t) =8t, 57
18 3) M (4t, t) =4t. Beweis. )= ). Sei H Hadamard Matrix der Ordnung 4t. Wir nehmen als Alphabet A = {, } und betrachten den Code C A 4t, C =8t, der aus den Zeilen von H besteht und den Zeilen aus H C = H H. Für Zeilen v i,v j aus H, i j, gilt wegen der Hadamard Eigenschaft Δ(v i,v j )= t, analogfür v j, v j.für v i und v j haben wir { 4t i = j Δ(v i, v j )= t i j, also ist C optimaler (4t, t;)-code. ) = 3). Nach Satz 0 gilt M (4t, t) M(4t, t) =4t und somit M (4t, t) =4t wegen der Plotkin Schranke. 3) = ). Sei C ein optimaler (4t, t;)-codemit C =4t. Wir ersetzen 0 durch und schreiben C als 4t (4t )-Matrix. Da die Plotkin Schranke mit Gleichheit angenommen wird, ist Δ(v i,v j )=t für i j. Das heißt, an t Stellen haben wir oder und an t Stellen oder. Fügen wir also noch eine Spalte mit en hinzu, so erhalten wir eine Hadamard Matrix der Ordnung 4t. Problem. Gibt es eine Hadamard Matrix für jede Ordnung n 0(mod4)? 58
Die Hamming-Distanz definiert eine Metrik.
Die Hamming-Distanz definiert eine Metrik. Satz Metrik Hamming-Distanz Die Hamming-Distanz ist eine Metrik auf {0, 1} n, d.h. für alle x, y, z {0, 1} n gilt: 1 Positivität: d(x, y) 0, Gleichheit gdw x
Mehr5. Woche Perfekte und Optimale Codes, Schranken. 5. Woche: Perfekte und Optimale Codes, Schranken 88/ 142
5 Woche Perfekte und Optimale Codes, Schranken 5 Woche: Perfekte und Optimale Codes, Schranken 88/ 142 Packradius eines Codes (Wiederholung) Definition Packradius eines Codes Sei C ein (n, M, d)-code Der
MehrDie Größe A(n, d) und optimale Codes
Die Größe A(n, d) und optimale Codes Definition Optimaler Code Wir definieren A(n, d) = max{m binärer (n, M, d) Code} Ein (n, M, d)-code heißt optimal, falls M = A(n, d). Bestimmung von A(n, d) ist offenes
Mehr6. Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke. 6. Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 107/ 238
6 Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 6 Woche: Lineare Codes, Syndrom, Gilbert-Varshamov Schranke 107/ 238 Erinnerung: Der Vektorraum F n 2 Schreiben {0, 1} n als F n 2 Definition
MehrErzeugendensystem und Basis
Erzeugendensystem und Basis Definition Erzeugendensystem und Basis eines Unterraums Sei S F n 2 ein Unterraum. Eine Menge G = {g 1,..., g k } S heißt Erzeugendensystem von S, falls jedes x S als Linearkombination
MehrAlgebraische Codierungstheorie
Algebraische Codierungstheorie Grundeigenschaften der Codes und ihre wichtigsten Parameterschranken Iryna Feurstein Inhaltsverzeichnis 1 Gegenstand und Aufgabe der Codierungstheorie 1 2 Blockcode 1 2.1
MehrGrundbegrie der Codierungstheorie
Grundbegrie der Codierungstheorie Pia Lackamp 12. Juni 2017 Inhaltsverzeichnis 1 Einleitung 2 2 Hauptteil 3 2.1 Blockcodes............................ 3 2.1.1 Beispiele.......................... 3 2.2
MehrVervollständigung Lateinischer Quadrate
Vervollständigung Lateinischer Quadrate Elisabeth Schmidhofer 01.12.2013 Inhaltsverzeichnis 1 Vorwort 3 2 Einleitung 4 2.1 Beispele.............................................. 4 3 Lateinische Quadrate
MehrModul Diskrete Mathematik WiSe 2011/12
Modul Diskrete Mathematik WiSe / Ergänzungsskript zum Kapitel 3.4. Hinweis: Dieses Manuskript ist nur verständlich und von Nutzen für Personen, die regelmäßig und aktiv die zugehörige Vorlesung besuchen
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrEinführung 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
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrEinführung in die Kodierungstheorie
Anton Malevich Einführung in die Kodierungstheorie Skript zu einer im Februar 2013 gehaltenen Kurzvorlesung Fakultät für Mechanik und Mathematik Belorussische Staatliche Universität Institut für Algebra
Mehr2 Lineare Gleichungssysteme
2 Lineare Gleichungssysteme Betrachte ein beliebiges System von m linearen Gleichungen in den n Unbekannten x,,x n : a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 () a m x + a m2 x
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrProf. Dr. Elmar Grosse-Klönne Institut für Mathematik
Prof. Dr. Elmar Grosse-Klönne Institut für Mathematik Lineare Algebra Analytische Geometrie I* Übungsaufgaben, Blatt Musterlösungen Aufgabe. Es seien A, B, C Teilmengen einer Menge X. Zeige: i A B C =
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrVon nun an ist q stets eine Primzahlpotenz. Wir betrachten den (bis auf Isomorphie eindeutigen) Körper GF (q) mit q Elementen.
5 Lineare Codes 5.1 Grundbegriffe Von nun an ist q stets eine Primzahlpotenz. Wir betrachten den (bis auf Isomorphie eindeutigen) Körper GF (q) mit q Elementen. Das Alphabet ist stets GF (q). Definition.
MehrVorlesung Theoretische Grundlagen
Vorlesung Theoretische Grundlagen Fehlerkorrigierende Jörn Müller-Quade 4. Februar 2010 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
Mehrb liegt zwischen a und c.
2 DIE ANORDNUNGSAXIOME 5 (2.4) a, b, c R : (a < b 0 < c) ac < bc Monotoniegesetz der Multiplikation Bezeichnungen a > b : b < a (> wird gelesen: größer als ) a b : a < b oder a = b a b : a > b oder a =
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
Mehr05. Lineare Gleichungssysteme
05 Lineare Gleichungssysteme Wir betrachten ein System von m Gleichungen in n Unbestimmten (Unbekannten) x 1,, x n von der Form a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + a
Mehr3.1 Sukzessive Minima und reduzierte Basen: Resultate
Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 9 20. Mai 2010 Kapitel 9. Matrizen und Determinanten Der Begriff der Matrix Die transponierte Matrix Definition 84. Unter einer (reellen) m n-matrix
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
MehrMathematisches Institut II Universität Karlsruhe Priv.-Doz. Dr. N. Grinberg
1 Mathematisches Institut II 06.07.004 Universität Karlsruhe Priv.-Doz. Dr. N. Grinberg SS 05 Schnupperkurs: Ausgewählte Methoden zur Aufgabenlösung Vorlesung 5: Elementare Zahlentheorie: Teilbarkeit Primfaktorzerlegung
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrMathematik I. Vorlesung 18. Vielfachheiten und diagonalisierbare Abbildungen. µ λ = dim(eig λ (ϕ))
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 18 Vielfachheiten und diagonalisierbare Abbildungen Satz 18.1. Es sei K ein Körper und es sei V ein endlichdimensionaler K- Vektorraum.
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
Mehr7. Woche Extra-Material: - Beispiele von Codes. 7. Woche: Beispiele von Codes 144/ 238
7 Woche Extra-Material: - Beispiele von Codes 7 Woche: Beispiele von Codes 144/ 238 Hamming-Matrix H(h) und Hammingcode H(h) Wir definieren nun eine Parity-Check Matrix H(h) von einem neuen Code: Parametrisiert
Mehr5 Teilmengen von R und von R n
5 Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,...,x n ) : x i R} = R }... {{ R }. n mal Für x R ist x der Abstand zum Nullpunkt. Die entsprechende Verallgemeinerung
Mehr8 Summen von Quadraten
8 Summen von Quadraten A. Summen von zwei Quadraten. Sei p eine Primzahl. Beispiele. = 1 + 1, 5 = 1 +, 13 = + 3 Aber 3 und 7 sind nicht Summen von zwei Quadraten. 8.1 Satz. Genau dann ist p Summe von zwei
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrGroße Mengen und Ultrafilter. 1 Große Mengen
Vortrag zum Seminar zur Analysis, 31.10.2012 Marcel Marnitz In diesem Vortrag wird das Konzept mathematischer Filter eingeführt. Sie werden in späteren Vorträgen zur Konstruktion der hyperreellen Zahlen
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrDie reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen. Steven Klein
Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen Steven Klein 04.01.017 1 In dieser Ausarbeitung konstruieren wir die reellen Zahlen aus den rationalen Zahlen. Hierzu denieren wir zunächst
MehrKapitel 16. Aufgaben. Verständnisfragen. Rechenaufgaben
Kapitel 16 Aufgaben Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2 Bekanntlich gilt im Allgemeinen
Mehrund Unterdeterminante
Zusammenfassung: Determinanten Definition: Entwicklungssätze: mit und Unterdeterminante (streiche Zeile i & Spalte j v. A, bilde dann die Determinante) Eigenschaften v. Determinanten: Multilinearität,
Mehr6 Fehlerkorrigierende Codes
R. Reischuk, ITCS 35 6 Fehlerkorrigierende Codes Wir betrachten im folgenden nur Blockcodes, da sich bei diesen das Decodieren und auch die Analyse der Fehlertoleranz-Eigenschaften einfacher gestaltet.
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrAufgaben zu Kapitel 16
Aufgaben zu Kapitel 16 1 Aufgaben zu Kapitel 16 Verständnisfragen Aufgabe 16.1 Ist das Produkt quadratischer oberer bzw. unterer Dreiecksmatrizen wieder eine obere bzw. untere Dreiecksmatrix? Aufgabe 16.2
MehrEuler mit seinem Latein am Ende. Andreas Defant 17. Tag der Mathematik, 28. August 2017
Euler mit seinem Latein am Ende Andreas Defant 17. Tag der Mathematik, 28. August 2017 1 Sudoku 3 1 6 7 2 8 9 5 4 8 7 5 1 4 9 2 6 3 2 9 4 6 5 3 7 8 1 6 5 7 8 9 4 3 1 2 1 8 2 5 3 7 4 9 6 9 4 3 2 1 6 8 7
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrMatrizen - I. Sei K ein Körper. Ein rechteckiges Schema A = wobei a ij K heißt Matrix bzw. eine m n Matrix (mit Elementen aus K).
Matrizen - I Definition. Sei K ein Körper. Ein rechteckiges Schema A = a 11 a 12...... a 1n a 21 a 22...... a 2n............ a m1 a m2...... a mn wobei j K heißt Matrix bzw. eine m n Matrix (mit Elementen
MehrLineare Algebra I Klausur. Klausur - Musterlösung
Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrPrüfung Lineare Algebra , B := ( ), C := 1 1 0
1. Es seien 1 0 2 0 0 1 3 0 A :=, B := ( 1 2 3 4 ), C := 1 1 0 0 1 0. 0 0 0 1 0 0 1 0 0 0 0 Welche der folgenden Aussagen ist richtig? A. A und C haben Stufenform, B nicht. B. A und B haben Stufenform,
MehrExistenz des Lebesgue-Borel-Maßes
A Existenz des Lebesgue-Borel-Maßes In diesem (nicht prüfungsrelevanten) Anhang tragen wir u.a. die Existenz des Lebesgue- Borel-Maßes nach. 52 Es empfiehlt sich, diesen Anhang erst nach Kapitel 5 zu lesen
Mehra 1 a 1 A = a n . det = λ det a i
49 Determinanten Für gegebene Vektoren a 1,,a n K n, betrachte die Matrix deren Zeilenvektoren a 1,,a n sind, also A = Ab sofort benutzen wir diese bequeme Schreibweise Definition Sei M : K n K }{{ n K
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
MehrDer Primzahlsatz. Es gibt eine Konstante A, so daß f(x) g(x) Ah(x) für alle genügend großen x.
Der Primzahlsatz Zusammenfassung Im Jahr 896 wurde von Hadamard und de la Vallée Poussin der Primzahlsatz bewiesen: Die Anzahl der Primzahlen kleiner gleich verhält sich asymptotisch wie / log. Für ihren
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehr1 Zum Aufwärmen. 1.1 Notationen. 1.2 Lineare Abbildungen und Matrizen. 1.3 Darstellungsmatrizen
1 Zum Aufwärmen 1.1 Notationen In diesem Teil der Vorlesung bezeichnen wir Körper mit K, Matrizen mit Buchstaben A,B,..., Vektoren mit u,v,w,... und Skalare mit λ,µ,... Die Menge der m n Matrizen bezeichnen
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrHenning Krause Lineare Algebra Julia Sauter SS 2017 Klausur mit Lösungsvorschlag Jan Geuenich
Henning Krause Lineare Algebra Julia Sauter SS 27 Klausur 2.9.27 mit Lösungsvorschlag Jan Geuenich Aufgabe (4 Punkte: Sei n N und seien A und B zwei (n n-matrizen über einem Körper K. Wahr Falsch (a Es
MehrElemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester vom 15. Januar 2006
Prof. E.-W. Zink Institut für Mathematik Humboldt-Universität zu Berlin Elemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester 2005-06 vom 15. Januar 2006 2te, korrigierte und erweiterte
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
Mehr4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung
43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrAlgebraische Zahlentheorie. Teil II. Die Diskriminante.
II-1 Algebraische Zahlentheorie Teil II Die Diskriminante Sei K ein Zahlkörper vom Grad n (also [K : Q] = n) Es gibt genau n Körper- Homomorphismen σ i : K C (siehe Merkzettel Separabilität) Stellen wir
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
Mehr3 Systeme linearer Gleichungen
3 Systeme linearer Gleichungen Wir wenden uns nun dem Problem der Lösung linearer Gleichungssysteme zu. Beispiel 3.1: Wir betrachten etwa das folgende System linearer Gleichungen: y + 2z = 1 (1) x 2y +
MehrIm Falle einer zweimal differenzierbaren Funktion lässt sich das Krümmungsverhalten anhand der zweiten Ableitung feststellen.
Konvex, Konkav, Wendepunkt: Sei f : D R eine Funktion und sei I D ein Intervall. Gilt für alle x 1,x 2 I f ( x1 +x ) 2 2 f(x 1)+f(x 2 ), 2 dann heißt f konvex (linksgekrümmt) in I. Gilt für alle x 1,x
MehrDeterminanten. Motivation: Man betrachte das lineare Gleichungssystem =. (1) y = Sei o.b.d.a a 0 und c 0. Dann ist (1) äquivalent zu. = ac ad y.
Determinanten Motivation: Man betrachte das lineare Gleichungssystem [ [ [ a b x u = (1) c d y v Sei obda a und c Dann ist (1) äquivalent zu [ [ ca cb x = ac ad y und ferner zu [ [ ca cb x ad cb y Falls
Mehr2. Teilbarkeit. Euklidischer Algorithmus
O. Forster: Einführung in die Zahlentheorie 2. Teilbarkeit. Euklidischer Algorithmus 2.1. Wir benutzen die folgenden Bezeichnungen: Z = {0, ±1, ±2, ±3,...} Menge aller ganzen Zahlen N 0 = {0, 1, 2, 3,...}
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel V SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrLeitfaden. a ist Vielfaches von d und schreiben verkürzt: d a. Ist d kein Teiler von a, so schreiben wir auch: d a. d teilt a oder
Algebra und Zahlentheorie Vorlesung Algebra und Zahlentheorie Leitfaden 1 Zahlentheorie in Z Bezeichnungen: Z := {..., 3, 2, 1, 0, 1, 2, 3,...} (ganze Zahlen) und N := {1, 2, 3,...} (natürliche Zahlen
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
Mehrmit "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor"
Zusammenfassung Matrizen Transponierte: Addition: mit Skalare Multiplikation: Matrixmultiplikation: m x p m x n n x p mit ES "Skalarprodukt" aus i-tem "Zeilenvektor" und j-tem "Spaltenvektor" "Determinante"
MehrEinführung in die Zahlentheorie
Einführung in die Zahlentheorie Jörn Steuding Uni Wü, SoSe 2015 I Zahlen II Modulare Arithmetik III Quadratische Reste IV Diophantische Gleichungen V Quadratische Formen Wir behandeln die wesentliche Zahlentheorie
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Einführung in die Matrizenrechnung
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra WS 006/07 en Blatt 3.0.006 Einführung in die Matrizenrechnung Zentralübungsaufgaben
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
MehrLösung zur Übung für Analysis einer Variablen WS 2016/17
Blatt Nr. 3 Prof. F. Merkl Lösung zur Übung für Analysis einer Variablen WS 206/7 Aufgabe Das Guthaben G setzt sich zusammen aus der Summe aller bisherigen Einzahlungen multipliziert mit ( + p) k, wobei
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
Mehr,...) ist eine Folge, deren Glieder der Null beliebig nahe kommen. (iii) Die Folge a n = ( 1) n + 1 n oder (a n) = (0, 3 2, 2 3, 5 4, 4 5
3 Folgen 3.1 Definition und Beispiele Eine Abbildung a : Æ Ê heißt (reelle) Zahlenfolge. Statt a(n) schreiben wir kürzer a n und bezeichnen die ganze Folge mit (a n ) n Æ oder einfach (a n ), was aber
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrLineare Algebra I 5. Tutorium Die Restklassenringe /n
Lineare Algebra I 5. Tutorium Die Restklassenringe /n Fachbereich Mathematik WS 2010/2011 Prof. Dr. Kollross 19. November 2010 Dr. Le Roux Dipl.-Math. Susanne Kürsten Aufgaben In diesem Tutrorium soll
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
Mehr