Die Jordansche Normalform

Größe: px
Ab Seite anzeigen:

Download "Die Jordansche Normalform"

Transkript

1 De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft

2 1 Zerlegung n Haupträume 2 Fazt und nächstes Zel 3 Herletung der JNF 4 Bespele 2 / 3

3 Wr betrachten folgende Stuaton, de mt (V) beschreben wrd: Se V en K -Vektorraum, dmv = n, Φ End(V), seen c 1,..., c k K paarwese verscheden, p = ( 1) n (X c 1 ) r1 (X c k ) r k, r 1 m = (X c 1 ) s1 (X c k ) s k, 1 s r. Man nennt H c := Kern (Φ c d V ) r den Hauptraum von Φ zum EW c und s den Index von H c. 3 / 3

4 Wr betrachten folgende Stuaton, de mt (V) beschreben wrd: Se V en K -Vektorraum, dmv = n, Φ End(V), seen c 1,..., c k K paarwese verscheden, p = ( 1) n (X c 1 ) r1 (X c k ) r k, r 1 m = (X c 1 ) s1 (X c k ) s k, 1 s r. Man nennt H c := Kern (Φ c d V ) r den Hauptraum von Φ zum EW c und s den Index von H c. 3 / 3

5 De Haupträume H c snd Φ-nvarante Unterräume, d.h. Φ(H c ) H c, = 1,..., k. Satz - Zerlegung n Haupträume Se (V) gegeben. Dann glt: 1 V = H c1 H ck. 2 H c = Kern(Φ c d V ) s. 3 s st zuglech de klenste natürlch Zahl s mt Kern(Φ c d V ) s = Kern(Φ c d V ) s+1. 4 / 3

6 Bewes. Se k = 2 (der allgemene Fall folgt mt Aufg. 1 (a), Blatt 2), d.h. p = ( 1) n (X c 1 ) r 1 (X c 2 ) r 2. Da (X c 1 ) r 1 und (X c 2 ) r 2 telerfremd snd, gbt es q 1, q 2 K [X] mt Ensetzen von Φ ergbt q 1 (X c 1 ) r 1 + q 2 (X c 2 ) r 2 = 1. q 1 (Φ) (Φ c 1 d V ) r 1 (x) + q }{{} 2 (Φ) (Φ c 2 d V ) r2 (x) = x, x V. }{{} =:y 1 H c2 =:y 2 H c1 Des zegt dann V = H c1 + H c2. 5 / 3

7 Bewes. Se k = 2 (der allgemene Fall folgt mt Aufg. 1 (a), Blatt 2), d.h. p = ( 1) n (X c 1 ) r 1 (X c 2 ) r 2. Da (X c 1 ) r 1 und (X c 2 ) r 2 telerfremd snd, gbt es q 1, q 2 K [X] mt Ensetzen von Φ ergbt q 1 (X c 1 ) r 1 + q 2 (X c 2 ) r 2 = 1. q 1 (Φ) (Φ c 1 d V ) r 1 (x) + q }{{} 2 (Φ) (Φ c 2 d V ) r2 (x) = x, x V. }{{} =:y 1 H c2 =:y 2 H c1 Des zegt dann V = H c1 + H c2. 5 / 3

8 Nachwes zu y 1 H c2 : (Φ c 2 d V ) r 2 (y 1 ) = (Φ c 2 d V ) r 2 q 1 (Φ) (Φ c 1 d V ) r 1 (x) = q 1 (Φ) (Φ c 1 d V ) r 1 (Φ c 2 d V ) r 2 (x) = q 1 (Φ)(± p(φ)(x)) = q(φ)() =. Wr zegen noch de Drekthet der Summe V = H c1 H c2, d.h. H c1 H c2 = {}: Se also x H c1 H c2. Wegen q 1 (Φ) (Φ c 1 d V ) r 1 (x) + q }{{} 2 (Φ) (Φ c 2 d V ) r2 (x) = x, x V. }{{} =:y 1 H c2 =:y 2 H c1 erhält man x = y 1 + y 2 = + =. 6 / 3

9 Nachwes zu y 1 H c2 : (Φ c 2 d V ) r 2 (y 1 ) = (Φ c 2 d V ) r 2 q 1 (Φ) (Φ c 1 d V ) r 1 (x) = q 1 (Φ) (Φ c 1 d V ) r 1 (Φ c 2 d V ) r 2 (x) = q 1 (Φ)(± p(φ)(x)) = q(φ)() =. Wr zegen noch de Drekthet der Summe V = H c1 H c2, d.h. H c1 H c2 = {}: Se also x H c1 H c2. Wegen q 1 (Φ) (Φ c 1 d V ) r 1 (x) + q }{{} 2 (Φ) (Φ c 2 d V ) r2 (x) = x, x V. }{{} =:y 1 H c2 =:y 2 H c1 erhält man x = y 1 + y 2 = + =. 6 / 3

10 Das vorangehende Argument verwendet ledglch (X c 1 ) r 1 und (X c 2 ) r 2 snd telerfremd, p = ( 1) n (X c 1 ) r 1 (X c 2 ) r 2 annulert Φ. Nun glt aber auch (X c 1 ) s 1 und (X c 2 ) s 2 snd telerfremd, m = (X c 1 ) s 1 (X c 2 ) s 2 annulert Φ. Somt erhält man V = Kern(Φ c 1 d V ) s 1 Kern(Φ c 2 d V ) s 2. 7 / 3

11 Das vorangehende Argument verwendet ledglch (X c 1 ) r 1 und (X c 2 ) r 2 snd telerfremd, p = ( 1) n (X c 1 ) r 1 (X c 2 ) r 2 annulert Φ. Nun glt aber auch (X c 1 ) s 1 und (X c 2 ) s 2 snd telerfremd, m = (X c 1 ) s 1 (X c 2 ) s 2 annulert Φ. Somt erhält man V = Kern(Φ c 1 d V ) s 1 Kern(Φ c 2 d V ) s 2. 7 / 3

12 Das vorangehende Argument verwendet ledglch (X c 1 ) r 1 und (X c 2 ) r 2 snd telerfremd, p = ( 1) n (X c 1 ) r 1 (X c 2 ) r 2 annulert Φ. Nun glt aber auch (X c 1 ) s 1 und (X c 2 ) s 2 snd telerfremd, m = (X c 1 ) s 1 (X c 2 ) s 2 annulert Φ. Somt erhält man V = Kern(Φ c 1 d V ) s 1 Kern(Φ c 2 d V ) s 2. 7 / 3

13 Wegen Kern(Φ c 1 d V ) s 1 Kern(Φ c 1 d V ) t, t s folgt aus der Drekthet der obgen Zerlegung Kern(Φ c 1 d V ) t = H c, t s. De Kerne hören also be t = s auf zu wachsen. Wr überlegen uns nun, dass de Kerne für klenere Exponenten strkt wachsen. Behauptung: Wenn dann Kern(Φ c 1 d V ) t = Kern(Φ c 1 d V ) t+1 Kern(Φ c 1 d V ) t+1 = Kern(Φ c 1 d V ) t+2. 8 / 3

14 Wegen Kern(Φ c 1 d V ) s 1 Kern(Φ c 1 d V ) t, t s folgt aus der Drekthet der obgen Zerlegung Kern(Φ c 1 d V ) t = H c, t s. De Kerne hören also be t = s auf zu wachsen. Wr überlegen uns nun, dass de Kerne für klenere Exponenten strkt wachsen. Behauptung: Wenn dann Kern(Φ c 1 d V ) t = Kern(Φ c 1 d V ) t+1 Kern(Φ c 1 d V ) t+1 = Kern(Φ c 1 d V ) t+2. 8 / 3

15 Nachwes: De Voraussetzung se erfüllt. In der Folgerung glt stets. Wr wollen auch ensehen. Se also x Kern(Φ c 1 d V ) t+2, d.h. (Φ c 1 d V ) t+2 (x) =. Dann st aber und daher Des zegt (Φ c 1 d V ) t+1 ((Φ c 1 d V )(x)) = (Φ c 1 d V )(x) Kern(Φ c 1 d V ) t+1 = Kern(Φ c 1 d V ) t. (Φ c 1 d V ) t+1 (x) = (Φ c 1 d V ) t ((Φ c 1 d V )(x)) =, also x Kern(Φ c 1 d V ) t+1. 9 / 3

16 Wäre nun Kern(Φ c 1 d V ) t = Kern(Φ c 1 d V ) s für en 1 t < s, so wäre auch V = Kern(Φ c 1 d V ) t H c2. Heraus aber würde (we früher) folgen, dass das Polynom m := (X c 1 ) t (X c 2 ) s 2 den Endomorphsmus Φ annulert. Des wdersprcht der Mnmaltät des Grades des Mnmalpolynoms. 1 / 3

17 Satz - Dagonalserbarket Se V en n-dmensonaler K -VR und Φ End(V). Genau dann st Φ dagonalserbar, wenn m = (X c 1 ) (X c k ) glt mt p.v. c 1,..., c k K. Bewes: : wurde schon gezegt. : Se also m = (X c 1 ) (X c k ). Dann st s = 1 und nach dem vorangehenden Satz H c = E c sowe V = H c1 H ck = E c1 E ck. Da V somt drekte Summe der Egenräume von Φ st, folgt de Dagonalserbarket aus enem früheren Satz. 11 / 3

18 Satz - Dagonalserbarket Se V en n-dmensonaler K -VR und Φ End(V). Genau dann st Φ dagonalserbar, wenn m = (X c 1 ) (X c k ) glt mt p.v. c 1,..., c k K. Bewes: : wurde schon gezegt. : Se also m = (X c 1 ) (X c k ). Dann st s = 1 und nach dem vorangehenden Satz H c = E c sowe V = H c1 H ck = E c1 E ck. Da V somt drekte Summe der Egenräume von Φ st, folgt de Dagonalserbarket aus enem früheren Satz. 11 / 3

19 Berechnung des Index s enes Hauptraumes H c : s st der Exponent des Lnearfaktors (X c ) m Mnmalpolynom m. s st das klenste s N mt Kern(Φ c d V ) s = Kern(Φ c d V ) s+1. s st das klenste s N mt Bld(Φ c d V ) s = Bld(Φ c d V ) s+1. s st das klenste s N mt Rg(Φ c d V ) s = Rg(Φ c d V ) s / 3

20 Berechnung des Index s enes Hauptraumes H c : s st der Exponent des Lnearfaktors (X c ) m Mnmalpolynom m. s st das klenste s N mt Kern(Φ c d V ) s = Kern(Φ c d V ) s+1. s st das klenste s N mt Bld(Φ c d V ) s = Bld(Φ c d V ) s+1. s st das klenste s N mt Rg(Φ c d V ) s = Rg(Φ c d V ) s / 3

21 Bespel 1: Betrachte A = Man erhält p = det(a X E 4 ) = (X 1)(X + 3) 3, m = (X 1)(X + 3) s, s {1, 2, 3}. Her st also c 1 = 1, s 1 = 1, c 2 = 3 und s 2 {1, 2, 3} st noch zu bestmmen. Des gelngt so: Rg(A + 3E 4 ) = Rg = 2 13 / 3

22 Und weter: Rg(A + 3E 4 ) 2 = Rg 16 = 1 Rg(A + 3E 4 ) 3 = Rg 64 = 1. Des zegt s 2 = 2, m = (X 1)(X + 3) / 3

23 Ferner st H 1 = E 1 = Kern(A E 4 ) = [ 1 ] und H 3 = Kern(A + 3E 4 ) 2 = [ 1, 1, 1 ] E 3 = [ 1 1, 1 1 ]. 15 / 3

24 Bespel 2: Betrachte A = Man erhält p = (X 2) 4, und daher st m = (X 2) s, s {1, 2, 3, 4}. Indexbestmmung: Rg(A 2E 4 ) = Rg = 1, Rg(A 2E 4 ) 2 = Rg(O) =. 16 / 3

25 Also st s = 2 und m = (X 2) 2. Es glt ferner H 2 = R 4 E 2 = [ 1 1, 1, 1 1 ]. 17 / 3

26 Fazt: Se V en K -Vektorraum, dmv = n, Φ End(V), seen c 1,..., c k K paarwese verscheden, p = ( 1) n (X c 1 ) r1 (X c k ) r k, r 1 m = (X c 1 ) s1 (X c k ) s k, 1 s r. De Haupträume H c = Kern(Φ c d V ) s snd Φ-nvarante Unterräume und V = H c1 H ck. Wählt man n jedem der Haupträume ene Bass und setzt dese (snnvoll) zu ener Bass von V zusammen, so erhält man bezüglch deser Bass A Φ = A c1 A c2... A ck. 18 / 3

27 Zel: Da de Haupträume Φ nvarant snd, können wr de wetere Untersuchung auf enen solchen beschränken. Se also H c en Hauptraum von Φ und Φ : H c H c. Gesucht st ene Bass von H c, so dass de beschrebende Matrx A c von Φ Hc möglchst enfach st. Zunächst haben wr ene aufstegende Kette von Φ-nvaranten Untervektorräumen Kern(Φ cd V ) : {} = Kern(Φ c d V ) Kern(Φ c d V ) 1 }{{} E c Kern(Φ c d V ) 2 Kern(Φ c d V ) s = H c. 19 / 3

28 Zel: Da de Haupträume Φ nvarant snd, können wr de wetere Untersuchung auf enen solchen beschränken. Se also H c en Hauptraum von Φ und Φ : H c H c. Gesucht st ene Bass von H c, so dass de beschrebende Matrx A c von Φ Hc möglchst enfach st. Zunächst haben wr ene aufstegende Kette von Φ-nvaranten Untervektorräumen Kern(Φ cd V ) : {} = Kern(Φ c d V ) Kern(Φ c d V ) 1 }{{} E c Kern(Φ c d V ) 2 Kern(Φ c d V ) s = H c. 19 / 3

29 Mt der Bezechnung U j := Kern(Φ c d V ) j, j =,..., s glt also {o} = U U 1 = E c U 2... U s 1 U s = H c. Also erhalten wr ene drekte Zerlegung der Form H c = U s = U s 1 W 1 U s 1 = U s 2 W 2 U s 2 = U s 3 W 3... U 2 = U 1 W s 1 U 1 = E c wobe dmw 1 =: q 1 1, dmw 2 =: q 2 1, dmw 3 =: q 3 1,..., dmw s 1 =: q s 1 1, dme c =: q s =: q 1. 2 / 3

30 Mt der Bezechnung U j := Kern(Φ c d V ) j, j =,..., s glt also {o} = U U 1 = E c U 2... U s 1 U s = H c. Also erhalten wr ene drekte Zerlegung der Form H c = U s = U s 1 W 1 U s 1 = U s 2 W 2 U s 2 = U s 3 W 3... U 2 = U 1 W s 1 U 1 = E c wobe dmw 1 =: q 1 1, dmw 2 =: q 2 1, dmw 3 =: q 3 1,..., dmw s 1 =: q s 1 1, dme c =: q s =: q 1. 2 / 3

31 Basswahl Schrtt 1: Wähle Bass B 1 = (x (1) 1,..., x(1) q 1 ) von W 1 x (2) := (Φ c d)(x (1) ), = 1,..., q 1. Beh.: x (2), = 1,..., q 1 l.u. n U s 1, [x (2) 1,..., x(2) q 1 ] U s 2 = {}. Schrtt 2: Ergänze nun (x (2) 1,..., x(2) q 1 ) zu ener Bass B 2 = (x (2) 1,..., x(2) q 1,..., x (2) q 2 ) von W 2, nsb. q 2 q 1 1. x (3) := (Φ c d)(x (2) ), = 1,..., q 2. Beh.: x (3), = 1,..., q 2 l.u. n U s 2, [x (3) 1,..., x(3) q 2 ] U s 3 = {}. 21 / 3

32 Schrtt 3: Ergänze nun x (3) 1,..., x(3) q 2 zu ener Bass B 3 = (x (3) 1,..., x(3) q 2,..., x (3) q 3 ) von W 3, nsb. q 3 q 2 q 1 1. So fortfahrend erhält man schleßlch ene Bass B s 1 = (x (s 1) 1,..., x (s 1) q s 1 ) von W s 1, nsb. q s 1 q s x (s) := (Φ c d)(x (s 1) ), = 1,..., q s 1. Beh.: x (s), = 1,..., q s 1 l.u. n U 1 Schrtt s: Ergänze nun x (s) 1,..., x(s) q s 1 zu ener Bass B s = (x (s) 1,..., x(s) q s 1,..., x (s) q s ) von U 1, nsb. q s q s Beachte: H c = W 1... W s 1 U 1 22 / 3

33 B 1 : x (1) 1,..., x (1) q 1 B 2 : x (2) 1,..., x (2) q 1, x (2) q 1 +1,..., x(2) q 2 B 3 : x (3) 1,..., x (3) q 1, x (3) q 1 +1,..., x(3) q 2, x (3) q 2 +1,..., x(3) q 3. B s : x (s) 1,..., x(s) q 1, x (s) q 1 +1,..., x(s) q 2, x (s) q 2 +1,..., x(s) q 3,..., x (s) q s 1 +1,..., x(s) q s Durchlaufe de Bassvektoren nun ncht zelenwese, sondern spaltenwese: B = (x (1) 1,..., x(s) 1,..., x(1) q 1,..., x (s) q 1, x (2) q 1 +1,..., x(s) q 1 +1,..., x(s) q s 1 +1,..., x(s) q s ) 23 / 3

34 Wrkung von Φ auf B: Für j = 1,..., s 1, = q j 1 + 1,..., q j, q := : (Φ c d)(x (j) ) = x (j+1) Für j = s, = q j 1 + 1,..., q j glt: Φ(x (j) ) = c x (j) + x (j+1) Φ(x (s) ) = c x (s). Beschrebende Matrx A c von Φ bezüglch der gewählten Bass B auf H c : A 1 A 2 A = A q c 1 c 1 c 1 c, A = c 1 c 24 / 3

35 Wrkung von Φ auf B: Für j = 1,..., s 1, = q j 1 + 1,..., q j, q := : (Φ c d)(x (j) ) = x (j+1) Für j = s, = q j 1 + 1,..., q j glt: Φ(x (j) ) = c x (j) + x (j+1) Φ(x (s) ) = c x (s). Beschrebende Matrx A c von Φ bezüglch der gewählten Bass B auf H c : A 1 A 2 A = A q c 1 c 1 c 1 c, A = c 1 c 24 / 3

36 De Jordankästchen snd: A 1,..., A q1 K s s A q1 +1,..., A q2 K (s 1) (s 1). A qs 1 +1,..., A qs K 1 1 Anzahl der Jordankästchen der Länge l: q s l+1 q s l = dm(w s l+1 ) dm(w s l ) = [dm(u s (s l+1)+1 ) dm(u s (s l+1) )] [dm(u s (s l)+1 ) dm(u s (s l) ] = 2dm(U l ) dm(u l 1 ) dm(u l+1 ) 25 / 3

37 Satz (Jordanschen Normalform) Se V en n-dm. K -VR, Φ End(V), p = ( 1) n (X c 1 ) r1 (X c k ) r k und m = (X c 1 ) s1 (X c k ) s k, 1 s r. Dann exstert ene Bass B von V, bezüglch der Φ de Matrxdarstellung A Φ hat mt A Φ = A c1 A c2..., A c K r r : Jordanblock zu c. A ck Jeder Jordanblock A c st aus Jordankästchen zum EW c aufgebaut. Im Jordanblock A c gbt es genau ( 2dm Kern(Φ c d) l) ( dm Kern(Φ c d) l 1) dm (Kern(Φ c d) l+1) Jordankästchen der Länge l, l {1,..., s }. Im Jordanblock A c treten genau dm(e c ) Jordankästchen auf; es gbt mndestens en Jordankästchen der Maxmallänge s. 26 / 3

38 Anmerkungen: A Φ heßt Jordansche Normalform (JNF) von Φ zur Jordanbass B. De JNF st bs auf de Rehenfolge der Kästchen endeutg bestmmt. Zu A K n n betrachte Φ End(K n n ) mt Φ(x) = Ax. De JNF von A st erklärt als de JNF von Φ, falls dese exstert. Snd A, B ähnlche Matrzen, und exstert de JNF zu ener von desen, so haben bede deselbe JNF. Für K = C zerfällt das charakterstsche Polynom, de JNF exstert. 27 / 3

39 Anmerkungen: A Φ heßt Jordansche Normalform (JNF) von Φ zur Jordanbass B. De JNF st bs auf de Rehenfolge der Kästchen endeutg bestmmt. Zu A K n n betrachte Φ End(K n n ) mt Φ(x) = Ax. De JNF von A st erklärt als de JNF von Φ, falls dese exstert. Snd A, B ähnlche Matrzen, und exstert de JNF zu ener von desen, so haben bede deselbe JNF. Für K = C zerfällt das charakterstsche Polynom, de JNF exstert. 27 / 3

40 Anmerkungen: A Φ heßt Jordansche Normalform (JNF) von Φ zur Jordanbass B. De JNF st bs auf de Rehenfolge der Kästchen endeutg bestmmt. Zu A K n n betrachte Φ End(K n n ) mt Φ(x) = Ax. De JNF von A st erklärt als de JNF von Φ, falls dese exstert. Snd A, B ähnlche Matrzen, und exstert de JNF zu ener von desen, so haben bede deselbe JNF. Für K = C zerfällt das charakterstsche Polynom, de JNF exstert. 27 / 3

41 Anmerkungen: A Φ heßt Jordansche Normalform (JNF) von Φ zur Jordanbass B. De JNF st bs auf de Rehenfolge der Kästchen endeutg bestmmt. Zu A K n n betrachte Φ End(K n n ) mt Φ(x) = Ax. De JNF von A st erklärt als de JNF von Φ, falls dese exstert. Snd A, B ähnlche Matrzen, und exstert de JNF zu ener von desen, so haben bede deselbe JNF. Für K = C zerfällt das charakterstsche Polynom, de JNF exstert. 27 / 3

42 Bespele: ( ) ( ) (1) A C 2 2 c1 c : Möglche JNF snd oder. c 2 1 c (2) Se A = 1 1. Man berechnet lecht, dass p = (X 2) glt. Es folgt m = (X 2) s, s {1, 2, 3}. Wegen Rg(A 2E 3 ) = Rg = folgt dm(e 2 ) = 1. Im enzgen Jordanblock zum EW 2 gbt es somt genau en Jordankästchen, das zudem Maxmallänge 3 haben muss. Ferner st s = 3 und de JNF Ã von A st 2 Ã = / 3

43 Bespele: ( ) ( ) (1) A C 2 2 c1 c : Möglche JNF snd oder. c 2 1 c (2) Se A = 1 1. Man berechnet lecht, dass p = (X 2) glt. Es folgt m = (X 2) s, s {1, 2, 3}. Wegen Rg(A 2E 3 ) = Rg = folgt dm(e 2 ) = 1. Im enzgen Jordanblock zum EW 2 gbt es somt genau en Jordankästchen, das zudem Maxmallänge 3 haben muss. Ferner st s = 3 und de JNF Ã von A st 2 Ã = / 3

44 Wr bestmmen ene Jordanbass: V = H 2 = C 3. 1 U 2 = Kern(Φ 2E 3 ) 2 = [, 1 ], 1 1 U 1 = Kern(Φ 2E 3 ) 1 = [ 1 ]. 1 Wähle x 1 := 1 U 2 [x 1 ] = C 3 und dann 4 2 x 2 := (Φ 2E 3 )x 1 = 2, x 3 := (Φ 2E 3 )x 2 = / 3

45 Dannn st 4 2 S = und es folgt à = S 1 AS. 3 / 3

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Vermessungskunde für Bauingenieure und Geodäten

Vermessungskunde für Bauingenieure und Geodäten Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr

Unter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen

Unter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive Elektroden (Potentiometrie) III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Dynamik starrer Körper

Dynamik starrer Körper Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines 6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES

Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES 1 Enletung Messung 1 MESSUNG DER DREHZAHL UND DES TRÄGHEITSMOMENTES Zel der Messung: Das Träghetsmoment des Rotors enes Elektromotors und das daraus resulterende de Motorwelle bremsende drehzahlabhängge

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Einführung in die Finanzmathematik

Einführung in die Finanzmathematik 1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg

Mehr

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0

8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0 8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)

Mehr

mit der Anfangsbedingung y(a) = y0

mit der Anfangsbedingung y(a) = y0 Numersce Lösung von Dfferentalglecungen De n den naturwssenscaftlc-tecnscen Anwendungen auftretenden Dfferentalglecungen snd n den wengsten Fällen eplzt lösbar. Man st desalb auf Näerungsverfaren angewesen.

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Übungsblatt 4 - Lösung

Übungsblatt 4 - Lösung Formle Sprchen und Automten Üungsltt 4 - Lösung 26. M 2013 1 Whr oder flsch? Begründe kurz dene Antwort! 1. In enem determnstschen endlchen Automten gt es für jedes Wort w Σ mxml enen kzepterenden Pfd.

Mehr

Operations Research II (Netzplantechnik und Projektmanagement)

Operations Research II (Netzplantechnik und Projektmanagement) Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges

Mehr

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. . Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll

Mehr

III. Theorie des Haushalts

III. Theorie des Haushalts Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 86 Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 87 III. Theore des Haushalts Unternehmung

Mehr

9 Diskriminanzanalyse

9 Diskriminanzanalyse 9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Lagrangesche Mechanik

Lagrangesche Mechanik Kaptel Lagrangesche Mechank De Newtonsche Mechank hat enge Nachtele. 1) De Bewegungsglechungen snd ncht kovarant, d.h. se haben n verschedenen Koordnatensystemen verschedene Form. Z.B., zwedmensonale Bewegungsglechungen

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten von Lernverfahren Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1 Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude

Mehr

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen Klasssche Gatter und Logkelemente Semnarvortrag zu Ausgewählte Kaptel der Quantentheore Quantenalgorthmen Gerd Ch. Krzek WS 2003 I. Grundlagen und Methoden der Logk: Im folgenden soll de Konstrukton und

Mehr

?? RUBRIK?? / 1 / Spezial

?? RUBRIK?? / 1 / Spezial ?? RUBRIK?? / 1 / Spezal carrere & more Semnarprogramm für Dozentnnen und Dozenten / 2 /?? RUBRIK?? Nveau st kene Handcreme! carrere & more Semnarprogramm für Dozentnnen und Dozenten S. 3 Vorwort S. 4

Mehr

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl 0. STRÖMUNG INKOMPRESSIBLER FLUIDE IN ROHRLEITUNGEN Enführung Vorlesung Strömungslehre Prof. Dr.-Ing. Chrstan Olver Pascheret C. O. Pascheret Insttute of Flud Mechancs and Acoustcs olver.pascheret@tu-berln.de

Mehr

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik Bundeswettbewerb Mathemat Wssenschaftszentrum Postfach 2 14 48 53144 Bonn Fon: 228-9 59 15-2 Fax: 228-9 59 15-29 e-mal: nfo@bundeswettbewerb-mathemat.de www.bundeswettbewerb-mathemat.de Korreturommsson

Mehr

1. Schaltungsbeschreibung - Netzwerktopologie. Regeln der Schaltwerktheorie:

1. Schaltungsbeschreibung - Netzwerktopologie. Regeln der Schaltwerktheorie: 1. Schaltungsbeschrebung - Netzwerktopologe Regeln der Schaltwerktheore: Krchhoffsche Spannungsregel Krchhoffsche Stromregel + Zweg- (bzw. Element-) Funktonen De Netzwerktopologe beschrebt de Verknüpfung

Mehr

Datenträger löschen und einrichten

Datenträger löschen und einrichten Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe

Mehr

Nullstellen Suchen und Optimierung

Nullstellen Suchen und Optimierung Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Potenzen einer komplexen Zahl

Potenzen einer komplexen Zahl Potenzen ener komplexen Zahl 1-E1 1-E Abraham cc de Movre Abraham de Movre (17 175) französscher Mathematker Abraham de Movre der als Emgrant n London lebte glt als ener der Ponere der Wahrschenlchketsrechnung.

Mehr

Geld- und Finanzmärkte

Geld- und Finanzmärkte Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve

Mehr

Netzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008

Netzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008 Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

4. Energie, Arbeit, Leistung, Impuls

4. Energie, Arbeit, Leistung, Impuls 34 35 4. Energe, Arbet, Lestung, Ipuls Zentrale Größen der Physk: Energe E, Enhet Joule ( [J] [N] [kg /s ] Es gbt zwe grundsätzlche Foren on Energe: knetsche Energe: entelle Energe: Arbet, Enhet Joule

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

Ko- und kontravariante Darstellung

Ko- und kontravariante Darstellung Ko- und kontravarante Darstellung Physkalsche Sachverhalte snd vom verwendeten Koordnatensystem unabhängg. Sehr oft st es snnvoll, se n verschedenen Koordnatensystemen darzustellen. Berets erwähnt wurden

Mehr

Kapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation

Kapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;

Mehr

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik

Quant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik Quant der das Verwelken der Wertpapere. De Geburt der Fnanzkrse aus dem Gest der angewandten Mathematk Dmensnen - de Welt der Wssenschaft Gestaltung: Armn Stadler Sendedatum: 7. Ma 2012 Länge: 24 Mnuten

Mehr

Gleichgewichte Siede- und Taupunkte Flashberechnungen Aktivitätskoeffizienten

Gleichgewichte Siede- und Taupunkte Flashberechnungen Aktivitätskoeffizienten Glechgewchte Sede- und Taupunkte Flashberechnungen Aktvtätskoeffzenten. Dampfdruckermttlung De Bass für alle hasenglechgewchtsberechnungen snd de Dampfdrücke der Komponenten. Den Dampfdruck ermttelt man

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π. 2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen

Mehr

Formeln und Aufgaben Zins- und Rentenrechnung

Formeln und Aufgaben Zins- und Rentenrechnung Foreln und ufgaben Zns- und Rentenrechnung Detrch Baugarten «14. Januar 014 Inhaltsverzechns 1 Rentenrechnung 1 1.1 Zusaenfassung............................... 1 1. Bespele....................................

Mehr

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.

IT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen. IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung

Mehr

Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint

Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint Vsualserung der Volatltät be der Interpolaton von Zetrehen: Excel-Makro Saffnt Norman Fckel Fredrch-Alexander-Unverstät Erlangen-Nürnberg Wrtschafts- und Sozalwssenschaftlche Fakultät Lehrstuhl für Statstk

Mehr

) ergeben die i i. Es gelten folgende allgemeinen Resultate (in informeller Sprache formuliert).

) ergeben die i i. Es gelten folgende allgemeinen Resultate (in informeller Sprache formuliert). V. Kolluson Im olgopolstschen Wettbewerb treffen mtunter mmer weder de glechen Frmen aufenander. Des eröffnet de Möglchket für stlles Zusammenspel, wel abwechendes Verhalten n späteren Zusammentreffen

Mehr

Mathematik der Finanzmärkte Vorlesungsskript

Mathematik der Finanzmärkte Vorlesungsskript Mathematk der Fnanzmärkte Vorlesungsskrpt Wnter 24/25 Achm Klenke Insttut für Mathematk Johannes Gutenberg-Unverstät Manz Staudngerweg 9 D-5599 Manz 16. Februar 25 korrgert: 11. Aprl 25 2 Inhaltsverzechns

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr