2.5 Gauß-Jordan-Verfahren
|
|
- Lukas Acker
- vor 6 Jahren
- Abrufe
Transkript
1 2.5 Gauß-Jordan-Verfahren Definition Sei A K (m,n). Dann heißt A in zeilenreduzierter Normalform, wenn gilt: [Z1] Der erste Eintrag 0 in jeder Zeile 0 ist 1. [Z2] Jede Spalte, die eine 1 nach [Z1] enthält, hat alle anderen Einträge = 0. [Z3] Keine Nullzeile steht oberhalb einer Zeile 0. [Z4] Die Zeilen 1,...r seien die Zeilen 0. Die 1-Einträge nach [Z1] treten an den Positionen (1,j 1 ),...,(r,j r ) auf. Dann gilt j 1 < j 2 <... < j r. Satz Jede Matrix A ist zeilenäquivalent zu einer Matrix in zeilenreduzierter Normalform. Beweis Wir wollen diesen Satz algorithmisch beweisen, d.h. wir wollen ein Verfahren angeben, wie man A in zeilenreduzierte Form bringen kann. Das hier angegebene Verfahren heißt der Gauß-Jordan Algorithmus. Zunächst wollen wir erklären, was ein Pivotschritt ist. Sei dazu A = (α i,j ) eine beliebige m n-matrix, α r,s 0. Dann sei P r,s die Hintereinanderausführung folgender elementarer Zeilenumformungen: E r,i ( α i,s α r,s ), i = 1,...,m, i r. 38
2 sowie abschließend E r ( 1 α r,s ). Dadurch wird aus der s-ten Spalte von B wobei der Eintrag 1 an der r-ten Position steht. Nun zum Verfahren: Wir setzen r = 1 und verfahren mit der Matrix A wie folgt: Suche die erste Spalte j r α 1,jr. α m,jr so, dass nicht alle α r,jr,...,α m,jr gleich 0 sind. Sonst STOP, der Algorithmus terminiert. Durch Zeilenvertauschungen erreicht man α r,jr 0. Dann pivotisiere P r,jr. Die so erhaltene Matrix nennen wir jetzt A und setzen r auf r + 1. Nun wiederholen wir den oben beschriebenen Schritt. Das Verfahren terminiert, weil j r < j r+1 gilt. Die Anzahl Zeilen 0 in einer Matrix, die zeilenreduziert ist, nennt man den Rang r der Matrix. Es ist zunächst nicht klar, ob der Rang eine Invariante unter Zeilenäquivalenz ist (das ist zwar der Fall, erfordert aber einigen Aufwand, es zu beweisen; wir können den Beweis erst führen, wenn wir einiges über Vektorräume wissen). Wenn A in zeilenreduzierter Normalform mit r Zeilen 0 ist, dann können die n r Variablen x i, die zu den Spalten i j 1,...j r gehören, frei gewählt werden. Wir sagen auch, das System hat n r Freiheitsgrade! 39
3 2.6 Gauß-Verfahren Zum Lösen von linearen Gleichungssystemen genügt es, die Matrix in zeilenreduzierte Form zu bringen. Dazu ist es nicht nötig, dass die Einträge über den Pivots an den Stellen (i,j r ) alle 0 sind, und der (i,j r )-Eintrag muss auch nicht auf 1 normiert werden. Definition Eine Matrix A K (m,n) heißt zeilenreduziert, wenn gilt: [ZR1] Keine Nullzeile steht oberhalb einer Zeile 0, d.h. die ersten r Zeilen seien die Zeilen 0. [ZR1] Wenn der erste Eintrag 0 in Zeile i in der Spalte j i auftritt, so gilt j 1 < j 2... < j r. Man kann eine Matrix offenbar mit weniger Aufwand in zeilenreduzierte Form als in zeilenreduzierte Normalform bringen. Wir verwenden dazu ein ähnliches Verfahren wie zuvor, wobei wir den Schritt P r,s durch die Hintereinanderausführung von E r,i ( α i,s α r,s ), i = r +1,...,m, ersetzen. Wir nennen dieses Verfahren das Gauß-Verfahren Bemerkung (1.) Man kommt beim Gauß-Verfahren ohne die Umformungen [E1] aus. (2.) Wir werden später sehen, dass jede Matrix zu genau einer Matrix in zeilenreduzierter Normalform zeilenäquivalent ist. Das ist der Grund, warum man von einer Normalform spricht. Es gibt verschiedene zeilenreduzierte Matrizen, die zeilenäquivalent sind. (3.) Das(einfachere) Gauß-Verfahren ist ausreichend, wenn man lineare Gleichungssysteme lösen möchte. (4.) Es sei noch einmal darauf hingewiesen, dass das Gauß- und das Gauß- Jordan-Verfahren über allen Körpern funktioniert. Es funktioniert i.a. nicht, wenn man Gleichungen über Ringen lösen möchte. 40
4 2.7 Lösungsmengen linearer Gleichungssysteme Wir wollen hier einige einfache Folgerungen notieren, die aus der Tatsache folgen, dass jede Matrix in zeilenreduzierte Form gebracht werden kann. Die Sätze sind aber noch etwas unbefriedigend, weil wir nicht zeigen können, dass der Rang einer Matrix (vgl. Abschnitt 2.5) vernünftig definiert ist. Satz Sei A K (m,n) mit m < n. Dann hat das lineare Gleichungssystem Ax = 0 mindestens eine Lösung x 0. Beweis Nach Umformung von A in zeilenreduzierte Form gibt es mindestens einen Freiheitsgrad, weil r < n gilt. Dabei ist r die Anzahl der Zeilen 0. Satz Sei A K (n,n). Dann gilt: Ax = 0 hat nur die triviale Lösung A ist zeilenäquivalent zu I. Beweis : klar. : Angenommen, A ist zu einer Matrix in zeilenreduzierter Form äquivalent, die r < n Zeilen 0 hat. Dann hat A aber eine Lösung x 0, Widerspruch zur Annahme. Inhomogene Systeme Ax = b lassen sich im Prinzip genauso lösen wie homogene Systeme: Die Umformungen, die auf die Zeilen von A K (m,n) angewendet werden, wendet man auch auf b an. Genauer: Satz Das lineare Gleichungssystem Ax = b hat dieselbe Lösungsmenge wie A x = b, wenn die erweiterte Matrix (A b ) durch elementare Zeilenumformungen aus (A b) hervorgeht. Wenn man die Matrix (A b) in zeilenreduzierte Form (A b ) gebracht hat, kann man also schnell erkennen, ob das System überhaupt eine Lösung hat: Es hat genau dann eine Lösung, wenn die Matrix A genauso viele Zeilen 0 hat wie die Matrix (A b ). Wenn diese Zahl r ist, so hat das inhomogene System, ähnlich wie im homogenen Fall, genau n r Freiheitsgrade. 41
5 2.8 Matrixmultiplikation Wir wollen jetzt ein etwas vertieftes Verständnis von elementaren Zeilenumformungen sowie von Satz bekommen. Dazu müssen wir eine Multiplikation auf der Menge der Matrizen einführen, die zunächst sehr künstlich wirkt: Definition (Matrizenmultiplikation) Sei A K (m,n), B K (n,p), A = (α i,j ) und B = (β i,j ). Dann ist C := A B eine m p-matrix (γ i,j ) mit n γ i,j := α i,k β k,j. k=1 Achtung: Man kann nicht alle Matrizen miteinander multiplizieren. Die Größen der Matrizen müssen zueinander passen! Jetzt wird klar, dass die Notation Ax = b sinnvoll ist. Es handelt sich hier um eine Matrixgleichung α 1,1... α 1,n x 1 β 1... =.. α m,1... α m,n x n β m Die Matrizenmultiplikation ist eine binäre Verknüpfung. Diese Verknüpfung ist sicherlich nicht kommutativ, weil ja evtl. das Produkt AB definiert ist, nicht aberba.aber selbst, wenn sowohl ABalsauchBAerklärtsind(wenn also sowohl A als auch B in K (n,n) liegen), kann AB BA gelten: ( )( ) 0 1 = 0 0 aber ( )( ) = ( ) ( ) Das Beispiel zeigt auch, dass das Produkt von zwei Matrizen 0 sein kann. Man kann zeigen, dass das Produkt von Matrizen assoziativ ist. Wir können auch noch eine (komponentenweise) Addition von Matrizen einführen: 42
6 Definition (Matrizenaddition) Sei A K (m,n), B K (m,n), A = (α i,j ) und B = (β i,j ). Dann ist C := A+B eine m n-matrix (γ i,j ) mit γ i,j := α i,j +β i,j. Man kann nun zeigen: Satz Die Matrizen (K (n,n),+,,0,i)bildeneinenim allgemeinennichtkommutativen Ring mit neutralem Element I. Beweis (Skizze) Nicht trivial ist nur die Assoziativität der Multipliklation, die man aber nachrechnen kann. Wir wollen nun zeigen, dass elementare Zeilenumformungen von A nichts anderes bedeuten als die Multiplikation der Matrix A von links mit einer sogenannten Elementarmatrix. Definition Elementarmatrizen sind diejenigen quadratischen Matrizen, die aus I durch eine elementare Zeilenumformung hervorgehen. Es gibt drei Typen von Elementarmatrizen (γ i,j ): E r (γ) = (γ i,j ) mit 0 wenn i j γ i,j = 1 wenn i = j, i r γ wenn i = j = r E s,r (γ) = (γ i,j ) mit r s und γ wenn i = r, j = s γ i,j = 1 wenn i = j 0 sonst 43
7 E s,r = (γ i,j ) mit r s und 1 wenn i = j, i r,s γ i,j = 1 wenn (i,j) = (r,s) oder (s,r) 0 sonst Überlegen wir uns das für E s,r (γ) = (γ i,j ). Wir betrachten den (i,j)-eintrag von E s,r A. Es gilt α i,j = (E s,r A) i,j α i,j = n γ i,k α k,j k=1 Für i r gilt offenbar α i,j = α i,j. Für i = r erhalten wir α r,j = γα s,j +α r,j. Lemma (1.) E r (γ) E r (γ 1 ) = E r (γ 1 ) E r (γ) = I (2.) E s,r (γ) E s,r ( γ) = E s,r ( γ) E s,r (γ) = I (3.) E r,s E r,s = I d.h. zu jeder Elementarmatrix E gibt es eine Elementarmatrix E mit EE = E E = I. Aus naheliegenden Gründen wird E mit E 1 bezeichnet. Satz Seien A,B K (m,n). Dann ist B zeilenäquivalent zu A genau dann wenn es ein Produkt P von Elementarmatrizen gibt mit A = PB, P K (n,n). Wir haben für quadratische Matrizen gesehen, dass A zu I zeilenäquivalent sein kann, d.h. I = PA, wobei z.b. P = E 1...E r, wobei die E i Elementarmatrizen sind. Dann gilt I = P A I = E 1 E r A E 1 1 = E 2 E r A... =... E 1 r E 1 r 1...E 1 1 = A E 1 r E 1 r 1...E 1 2 = AE 1... =... I = AP 44
8 Wir bezeichnen E 1 r E 1 r 1...E 1 1 als P 1. Danngilt für zeilenäquivalente Matrizen PB = A und B = P 1 A. Definition Wir nennen A K (n,n) invertierbar wenn es eine Matrix B gibt mit AB = I. Satz Beweis : klar A K (n,n) invertierbar A zeilenäquivalent zu I. : Angenommen, A ist nicht zu I zeilenäquivalent, aber invertierbar, z.b. AB = I. Dann hat eine zeilenreduzierte Normalform von A eine Nullzeile, ist also nicht invertierbar. Es gibt also ein Produkt P von Elementarmatrizen so, dass PA nicht invertierbar ist, aber P und A sind invertierbar. Dann ist aber (PA)(BP 1 ) = I, also ist PA doch invertierbar. Korollar A ist invertierbar A ist Produkt von Elementarmatrizen. Wenn AB = I, dann ist auch BA = I. Ferner gibt es nur eine Matrix B mit AB = I. Beweis Das A genau dann invertierbar ist wenn es ein Produkt von Elementarmatrizen ist, folgt aus Satz und Wenn AB = I und A das Produkt von Elementarmatrizen ist, dann gilt nach den Bemerkungen vor Satz auch BA = I. Beachten Sie bitte, dass diese Vertauschbarkeit nur gilt, weil A Produkt von Elementarmatrizen ist. Nun zur Eindeutigkeit: AB = BA = I und AB = I. Dann gilt B = B(AB ) = (BA)B = B. Wir können dieses Korollar direkt in einen Algorithmus zur Bestimmung der Inversen von A umsetzen (siehe Vorlesung). Der folgende Satz fasst noch einmal zusammen, was für lineare Gleichungssysteme Ax = b und die Invertierbarkeit von A gilt. 45
9 Satz Sei A K (n,n). Dann sind die folgenden Aussagen äquivalent: (1.) A ist invertierbar. (2.) Ax = 0 hat genau eine Lösung. (3.) Ax = b hat für ein b genau eine Lösung. (4.) Ax = b hat für jedes b genau eine Lösung. (5.) A ist zeilenäquivalent zu I. Beweis Die Äquivalenz von(1.),(2.), und(5.) folgt aus Satz Wenn wir die inhomogenen Systeme in (3.) und (4.) umformen, erhalten wir A x = b für eine zeilenreduzierte Normalform A. Wenn diese Matrix eine Nullzeile hat, dann hat das System A x = b mehr als eine Lösung (weil nämlich eine Variable frei gewählt werden kann), oder aber keine Lösung (wenn die Nullzeile zu einer Gleichung 0x 1 +0x x n = β 0 gehört). Das heißt aber, dass A x = b nur dann eindeutig lösbar ist, wenn A = I. Das liefert (1.) (3.) sowie (1.) (4.) 2.9 Zusammenfassung Sie haben gelernt, wie man lineare Gleichungssysteme löst. Das ist eines der wesentlichen Ziele der Vorlesung! Sie sollen lineare Gleichungssysteme über beliebigen Körpern lösen können. Die theoretische Behandlung von linearen Gleichungssystemen ist noch etwas unbefriedigend, weil der Rang noch nicht eindeutig definiert werden konnte. Unbefriedigend ist auch noch, dass wir nicht wissen, ob jede Matrix zu genau einer Matrix in zeilenreduzierter Normalform äquivalent ist. Neben R und Q sollten Sie nun auch in den endlichen Körper F p sowie den komplexen Zahlen C rechnen können. Machen Sie sich mit der modularen Arithmetik vertraut. 46
10 Sie können Matrizen invertieren. Sie können Matrizen miteinander multiplizieren und haben verstanden, das elementare Zeilenumformungen Matrizenmultiplikation von links mit Elementarmatrizen sind. 47
11 Kapitel 3 Vektorräume 3.1 Definition und Beispiele Definition Sei (V,, 0) eine Menge, auf der eine Verknüpfung definiert ist, die ein Element 0 enthält und die folgende Eigenschaften hat: [G1] u (v w) = (u v) w u,v,w V. [G2] u v = v u u,v V. [G3] Es gibt ein Element 0 V mit der Eigenschaft v 0 = v V (neutrales Element). v [G4] Zu jedem v V gibt es ein Element w V mit v w = 0. Bezeichnung für dieses Element w = v (inverses Element). Sei (K,+,,0,1)einKörper,undsei eineabbildung V K V (Skalarmultiplikation). Das Element (v, λ) schreiben wir naheliegenderweise als v λ (v V,λ K). Es gelte [S1] v 1 = v v V. [S2] v (λ 1 λ 2 ) = (v λ 1 ) λ 2 v V,λ 1,λ 2 K. [S3] (v 1 v 2 ) λ = (v 1 λ) (v 2 λ) v 1,v 2 V,λ K. 48
12 [S4] v (λ 1 +λ 2 ) = (v λ 1 )+(v λ 2 ) v V,λ 1,λ 2 K. Dann heißt V ein K-Vektorraum. Die Elemente aus V heißen Vektoren, die Elemente aus K Skalare. Wir werden Skalare meistens mit griechischen Buchstaben bezeichnen, Vektoren mit lateinischen Buchstaben. Beachten Sie, dass wir die Skalare von rechts an die Vektoren multiplizieren. Beispiel (1.) Der in dieser Vorlesung wohl wichtigste Vektorraum ist x 1 x 2 K n := {. : x 1,...,x n K} x n die Menge aller n-tupel von Elementen aus K. Nun ist das zunächst nur eine Menge, auf der keine Verknüpfung definiert ist. Das kann aber leicht nachgeholt werden: x 1 y 1 x 1 +y 1 x 2. y 2. := x 2 +y 2. x n y n x n +y n sowie x 1 x 1 λ x 2 x 2 λ λ :=.. x n λ x n Man muss jetzt nachrechnen, dass die Menge K n mit diesen Verknüpfungen wirklich zu einem Vektorraum wird. Das ist sehr einfach! (2.) Die Menge K (m,n) der m n-matrizen ist ebenfalls ein K-Vektorraum: Die Addition von Matrizen wurde bereits erklärt, die Skalarmultiplikation ist α 1,1 α 1,n α 1,1 λ α 1,n λ.. λ =.. α m,1 α m,n α m,1 λ α m,n λ 49
13 Als Vektorraum betrachtet sind K mn und K (m,n) fast identisch. Das werden wir später präzisieren. (3.) Wir bezeichnen mit K[x] := { m c i x i : c i K,m N} i=0 die Menge aller Polynome über K. Beachten Sie, dass m hier nicht fest gewählt ist. Ist f = m i c i x i, so heißt max{i : c i 0} der Grad des Polynoms f. Das Nullpolynom (alle c i = 0) hat demnach keinen Grad; manchmal sagt man, das Nullpolynom habe den Grad. Zwei Polynome m i=0 c ix i und n i=0 d ix i heißen gleich, wenn sie denselben Grad gr haben und c i = d i für alle i gr gilt. Wir können K[x] zu einem K-Vektorraum machen: m c i x i i=0 n d i x i = i=0 m (c i +d i )x i i=0 sowie m c i x i λ = i=0 m (c i λ)x i. Bemerkung zur Addition: Wenn wir m i=0 c ix i und n i=0 d ix i mit n < m addieren wollen, so setzen wir einfach c i = 0 für m i > n. Als K-Vektorraum können wir K[x] auch wie folgt erklären: Dieser Vektorraum besteht aus allen Tupeln i=0 (c 0,c 1,c 2,...) wobei c i 0 für nur endlich viele i gilt (alle abbrechenden Folgen). Wir haben also keine echten Folgen mit unendlich vielen Einträgen 0. Sie können aber auch den Vektorraum aller nicht abbrechenden Folgen (c 0,c 1,c 2,...) 50
14 definieren. Dieser Vektorraum wird mit K[[x]] bezeichnet, eine intuitive Notation dafür wäre etwa K[[x]] = { c i x i : c i K} i=0 Hier muss man aber aufpassen: Wir haben nur eine formale Summe f = i=0 c ix i und wir setzen für x nichts ein, d.h. wir werten f nicht an irgendeiner Stelle x aus. Das können wir ja auch nicht, denn unendliche Summen gibt es bei uns in der linearen Algebra nicht! Das geht nur in der Analysis, wo man Begriffe wie Konvergenz kennt. Wenn wir uns aber auf Polynome, d.h. K[x] beschränken, so können wir sehr wohl für x etwas einsetzen, nämlich z.b. irgendwelche Elemente aus K. So können wir aus jedem Polynom auch eine Abbildung K K machen. Polynome sind aber nicht dieselben Objekte wie solche Polynomabbildungen, weil zu verschiedenen Polynomen dieselben Abbildungen gehören können: Beispiel Das Polynom f = x 2 +x F 2 [x] liefert bei Einsetzung der Elemente aus F 2 stets den Wert 0, aber f ist nicht das Nullpolynom. 4. Sei S eine beliebige Menge. Die Menge Abb(S;K) = {f : f ist Abbildung S K} ist ein K-Vektorraum. Die Addition auf Abb(S; K) ist und die Skalarmultiplikation f g : S K s f(s)+g(s) f λ : S K s f(s) λ Lemma In einem K-Vektorraum gilt für alle v V: 1. v 0 = 0 2. v 1 = v 51
15 3. v λ = 0 v = 0 oder λ = 0 4. v ( 1) = v Wir wollen in diesem Kapitel abschließend noch den Begriff der Linearkombination definieren: Definition Sei V ein K-Vektorraum, und sei S V. Dann heißt ein Vektor v eine Linearkombination von Vektoren aus S, wenn es v 1,...,v n S und Skalare λ 1,...λ n gibt mit v = n v i λ i. i=1 52
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:
MehrLösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
Mehr11. Primfaktorzerlegungen
78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrKAPITEL 0. Einführung
Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
Mehr1 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
MehrKapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrLineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung
Lineare Algebra (Mathe I) für Wirtschaftsinformatiker; Zusammenfassung Artur Trzewik sw562@uni-essen.de v1., 26.3.1998 korrigiert 16. Februar 2 Zusammenfassung Warnung: für die Richtigkeit der Definitionnen
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr7 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
MehrGleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrBeispiel vor dem Beweis:
Beispiel vor dem Beweis: Beispiel vor dem Beweis: A = ¼3 6 2 3 11 2½ Beispiel vor dem Beweis: 2½ 2½ ¼3 6 A = 2 3 11 311 E 12 A = 3 6 Beispiel vor dem Beweis: 2½ 2½ ¼3 6 A = 2 3 11 311 E 12 A = 3 6 3 11
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrHöhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik
Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrWie kann man beweisen, dass (H, ) eine Gruppe ist?
Wie kann man beweisen, dass (H, ) eine Gruppe ist? Wie kann man beweisen, dass (H, ) eine Gruppe ist? (zb wenn die Multiplikation mit Hilfe einer Tabelle gegeben ist) Wie kann man beweisen, dass (H, )
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
Mehrax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrBestimmung 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,
Mehr2.1 Codes: einige Grundbegriffe
Gitter und Codes c Rudolf Scharlau 2. Mai 2009 51 2.1 Codes: einige Grundbegriffe Wir stellen die wichtigsten Grundbegriffe für Codes über dem Alphabet F q, also über einem endlichen Körper mit q Elementen
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrLineare Gleichungssysteme und Gauß'scher Algorithmus
Zurück Letzter Update 7... Lineare Gleichungssysteme und Gauß'scher Algorithmus In der Mathematik bezeichnet man mit Matrix ein rechteckiges Schema, in dem Zahlen oder Funktionen angeordnet werden. Hier
MehrProjektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:
Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrAlgorithmen 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
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrInvariantentheorie. Vorlesung 5. Invariantenringe zu Untergruppen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invariantentheorie Vorlesung 5 Invariantenringe zu Untergruppen Proposition 5.1. Es sei R G R eine Operation einer Gruppe G auf einem kommutativen Ring durch
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrAlgebraische Kurven. Vorlesung 26. Die Schnittmultiplizität
Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht
MehrTechnische Informatik - Eine Einführung
Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine
MehrOPERATIONS-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:
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrInhaltsverzeichnis 1 Lineare Gleichungssysteme I
Inhaltsverzeichnis 1 Lineare Gleichungssysteme I 3 1.1 Mengen und Abbildungen....................................... 3 1.1.1 Mengen und ihre Operationen.............................. 3 1.1.2 Summen- und
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrGF(2 2 ) Beispiel eines Erweiterungskörpers (1)
GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
MehrMathematik-Dossier. Die lineare Funktion
Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
Mehr(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
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrBeispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrVorlesung. 1 Zahlentheorie in Z. Leitfaden. 1.1 Teilbarkeit. Angela Holtmann. Algebra und Zahlentheorie. (natürliche Zahlen ohne die Null)
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
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
Mehrlineare-algeba.wxmx 1 / 7 Mathematik in wxmaxima www.mathematik-verstehen.de Haftendorn Dez 2010
lineare-algeba.wxmx / Lineare Algebra Mathematik in wxmaxima www.mathematik-verstehen.de Haftendorn Dez. Handling Achtung: Durch Anklicken der linken Zellmarkierung kann man die Abschnitte und auch einzelne
MehrMathematische Grundlagen Kurseinheit 1: Grundlagen
Mathematische Grundlagen Kurseinheit 1: Grundlagen Autorin: Luise Unger In L A TEX gesetzt von Luise Unger c 2007 Fernuniversität in Hagen Fachbereich Mathematik (10/05) Alle Rechte vorbehalten 01141-4-01-S
Mehr3. 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
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrKarlsruher Institut für Technologie Institut für Algebra und Geometrie
Karlsruher Institut für Technologie Institut für Algebra und Geometrie PD Dr. Stefan Kühnlein Dipl.-Math. Jochen Schröder Einführung in Algebra und Zahlentheorie Übungsblatt 2 Aufgabe 1 (4 Punkte) Seien
MehrMathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens
Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................
MehrKapitel 15: Differentialgleichungen
FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen
MehrLenstras Algorithmus für Faktorisierung
Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrLineare Algebra für Informatiker TUM Sommersemester 2011 Dozent: Christian Pötzsche
Lineare Algebra für Informatiker TUM Sommersemester 20 Dozent: Christian Pötzsche Janosch Maier 3. Juli 20 Herzlichen Dank an Lucas Westermann, Florian Scheibner (https://github. com/lswest/lamitschrift)
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrUmsetzung von DEA in Excel
Umsetzung von DEA in Excel Thorsten Poddig Armin Varmaz 30. November 2005 1 Vorbemerkungen In diesem Dokument, das als Begleitmaterial zum in der Zeitschrift,,Controlling, Heft 10, 2005 veröffentlichten
MehrV 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
MehrDer 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
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrWortproblem für kontextfreie Grammatiken
Wortproblem für kontextfreie Grammatiken G kontextfreie Grammatik. w Σ w L(G)? Wortproblem ist primitiv rekursiv entscheidbar. (schlechte obere Schranke!) Kellerautomat der L(G) akzeptiert Ist dieser effizient?
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
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
MehrVorwort. Günter M. Gramlich. Lineare Algebra. Eine Einführung ISBN: 978-3-446-43035-8. Weitere Informationen oder Bestellungen unter
Vorwort Günter M. Gramlich Lineare Algebra Eine Einführung ISBN: 978-3-446-43035-8 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-43035-8 sowie im Buchhandel. Carl Hanser
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrInstitut für Informatik. Rheinische Friedrich-Wilhelms-Universität Bonn
Institut für Informatik Rheinische Friedrich-Wilhelms-Universität Bonn Hauptseminar: Schnelle Parallele Algorithmen Leitung: Prof. Dr. M. Karpinksi, P. Wegner, M. Hauptmann Sommersemester 2000 Ausarbeitung
MehrEinführung in die Mathematik für Volks- und Betriebswirte
Einführung in die Mathematik für Volks- und Betriebswirte Von Prof. Dr. Heinrich Bader und Prof. Dr. Siegbert Fröhlich Mit 45 A bbildungen 8. A uflage R. Oldenbourg Verlag München Wien INHALTSVERZEICHNIS
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
Mehr6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
Mehr