Die Mathematik hinter Google
|
|
- Irmela Holst
- vor 6 Jahren
- Abrufe
Transkript
1 Die Mathematik hinter Google Informationstag für Gymnasiastinnen und Gymnasiasten Universität Fribourg (Schweiz) Fribourg, 24. November 2010 Die Mathematik hinter Google 1/19
2 Einleitung Frage: Wie stellt Google die Liste der Suchergebnisse auf? Antwort: Mit einem Algorithmus, welcher die Relevanz einer Webseite bestimmt! Die Mathematik hinter Google 2/19
3 Einleitung Frage: Wie stellt Google die Liste der Suchergebnisse auf? Antwort: Mit einem Algorithmus, welcher die Relevanz einer Webseite bestimmt! Die Mathematik hinter Google 2/19
4 Ein wenig Geschichte Gründer: Sergey Brin und Lawrence Page Die Idee ist während ihrer Doktorarbeit in Computerwissenschaften an der Universität Stanford entstanden. Hauptbestandteil des Algorithmus ist die Lösung eines riesigen linearen Gleichungssystems. Die Lizenz liegt noch immer in den Händen der Universität Stanford. Der erste Prototyp wurde 1998 veröffentlicht. Die Mathematik hinter Google 3/19
5 Ein paar Zahlen Gehirn: etwa Mitarbeiter Computer: ungefähr Server (2% aller Server weltweit) Festplatte: verwaltet über GB (20 TB) Daten pro Tag Umfang: über Dokumente im Web Beanspruchung der Server: über Suchanfragen pro Sekunde Geschwindigkeit: das Resultat einer Anfrage kommt üblicherweise in Bruchteilen einer Sekunde Marktanteil: um 85% in den USA und in vielen anderen Ländern Umsatz: über $ , davon $ netto (der Umsatz kommt zu 97% aus der Werbung!) Aktien: im Jahr 2005 hat die Universität Stanford Aktien für $ verkauft georges.klein@unifr.ch Die Mathematik hinter Google 4/19
6 Die Grundidee: PageRank PageRank heisst der Algorithmus, der die Suchergebnisse einer Suchanfrage bei Google ordnet. PageRank ist eine Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit annähert, mit welcher ein Benutzer auf eine gewisse Seite gelangt, indem er auf zufällig gewählte Links klickt oder die Adresse einer Seite per Hand eingibt. Jedes Mal, wenn Google das ganze Web crawlt, wird PageRank neu berechnet. PageRank beachtet den Inhalt der Seiten nicht. Da die Anzahl an Webseiten rasant zunimmt, verringert sich die Wahrscheinlichkeit auf einer gewissen Seite anzukommen. PageRank ist eine Art Abstimmung durch die Webseiten, welche die Relevanz anderer Seiten anhand ihrer Links zu diesen Seiten widerspiegelt. Die Mathematik hinter Google 5/19
7 Die Grundidee: PageRank PageRank heisst der Algorithmus, der die Suchergebnisse einer Suchanfrage bei Google ordnet. PageRank ist eine Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit annähert, mit welcher ein Benutzer auf eine gewisse Seite gelangt, indem er auf zufällig gewählte Links klickt oder die Adresse einer Seite per Hand eingibt. Jedes Mal, wenn Google das ganze Web crawlt, wird PageRank neu berechnet. PageRank beachtet den Inhalt der Seiten nicht. Da die Anzahl an Webseiten rasant zunimmt, verringert sich die Wahrscheinlichkeit auf einer gewissen Seite anzukommen. PageRank ist eine Art Abstimmung durch die Webseiten, welche die Relevanz anderer Seiten anhand ihrer Links zu diesen Seiten widerspiegelt. Die Mathematik hinter Google 5/19
8 Die Grundidee: PageRank PageRank heisst der Algorithmus, der die Suchergebnisse einer Suchanfrage bei Google ordnet. PageRank ist eine Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit annähert, mit welcher ein Benutzer auf eine gewisse Seite gelangt, indem er auf zufällig gewählte Links klickt oder die Adresse einer Seite per Hand eingibt. Jedes Mal, wenn Google das ganze Web crawlt, wird PageRank neu berechnet. PageRank beachtet den Inhalt der Seiten nicht. Da die Anzahl an Webseiten rasant zunimmt, verringert sich die Wahrscheinlichkeit auf einer gewissen Seite anzukommen. PageRank ist eine Art Abstimmung durch die Webseiten, welche die Relevanz anderer Seiten anhand ihrer Links zu diesen Seiten widerspiegelt. Die Mathematik hinter Google 5/19
9 Die Grundidee: PageRank PageRank heisst der Algorithmus, der die Suchergebnisse einer Suchanfrage bei Google ordnet. PageRank ist eine Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit annähert, mit welcher ein Benutzer auf eine gewisse Seite gelangt, indem er auf zufällig gewählte Links klickt oder die Adresse einer Seite per Hand eingibt. Jedes Mal, wenn Google das ganze Web crawlt, wird PageRank neu berechnet. PageRank beachtet den Inhalt der Seiten nicht. Da die Anzahl an Webseiten rasant zunimmt, verringert sich die Wahrscheinlichkeit auf einer gewissen Seite anzukommen. PageRank ist eine Art Abstimmung durch die Webseiten, welche die Relevanz anderer Seiten anhand ihrer Links zu diesen Seiten widerspiegelt. Die Mathematik hinter Google 5/19
10 Die Grundidee: PageRank PageRank heisst der Algorithmus, der die Suchergebnisse einer Suchanfrage bei Google ordnet. PageRank ist eine Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit annähert, mit welcher ein Benutzer auf eine gewisse Seite gelangt, indem er auf zufällig gewählte Links klickt oder die Adresse einer Seite per Hand eingibt. Jedes Mal, wenn Google das ganze Web crawlt, wird PageRank neu berechnet. PageRank beachtet den Inhalt der Seiten nicht. Da die Anzahl an Webseiten rasant zunimmt, verringert sich die Wahrscheinlichkeit auf einer gewissen Seite anzukommen. PageRank ist eine Art Abstimmung durch die Webseiten, welche die Relevanz anderer Seiten anhand ihrer Links zu diesen Seiten widerspiegelt. Die Mathematik hinter Google 5/19
11 Smily PageRank Die Mathematik hinter Google 6/19
12 Mathematisches Modell: der Zufalls-Surfer Die Formel für PageRank basiert auf dem Modell des Zufalls-Surfers, welcher sich auf einer Irrfahrt durch das Web befindet: mit einer Wahrscheinlichkeit von 85% folgt er den Links der Seiten, die er besucht, ohne deren Inhalt zu lesen; 15% ist die Wahrscheinlichkeit dass er sich langweilt und eine andere Seite wählt, sei es indem er eine neue Adresse eingibt oder seine Bookmarks benutz. Die Mathematik hinter Google 7/19
13 Mathematisches Modell: der Zufalls-Surfer Die Formel für PageRank basiert auf dem Modell des Zufalls-Surfers, welcher sich auf einer Irrfahrt durch das Web befindet: mit einer Wahrscheinlichkeit von 85% folgt er den Links der Seiten, die er besucht, ohne deren Inhalt zu lesen; 15% ist die Wahrscheinlichkeit dass er sich langweilt und eine andere Seite wählt, sei es indem er eine neue Adresse eingibt oder seine Bookmarks benutz. Die Mathematik hinter Google 7/19
14 Mathematisches Modell: der Zufalls-Surfer (Fortsetzung) In der Mathematik bezeichnet man dies als eine Markovkette, wo die Zustände die Webseiten und die Übergänge die Links sind. Wenn eine Webseite keine Links hat, so beendet sie die Irrfahrt unseres Zufalls-Surfers. Er muss also wieder mit einer neuen Adresse beginnen. Aus diesem Grund stellen wir uns vor, eine solche Seite habe Links zu allen anderen Seiten. Die Mathematik hinter Google 8/19
15 Mathematisches Modell: der Zufalls-Surfer (Fortsetzung) In der Mathematik bezeichnet man dies als eine Markovkette, wo die Zustände die Webseiten und die Übergänge die Links sind. Wenn eine Webseite keine Links hat, so beendet sie die Irrfahrt unseres Zufalls-Surfers. Er muss also wieder mit einer neuen Adresse beginnen. Aus diesem Grund stellen wir uns vor, eine solche Seite habe Links zu allen anderen Seiten. Die Mathematik hinter Google 8/19
16 Ein Miniweb Beispiel Als Beispiel stellen wir uns ein Miniweb mit 6 Seiten vor: alpha.com delta.com beta.com gamma.com sigma.com rho.com georges.klein@unifr.ch Die Mathematik hinter Google 9/19
17 Mathematische Formulierung Da der Algorithmus für PageRank iterativ ist, brauchen wir einen Startwert. Seien x α, x β, x γ, x δ, x ρ, x σ ihre PageRanks. Wir wählen 1/6 als Startwert für jede Seite, d.h. unser Zufalls-Surfer landed auf allen Seiten mit der gleichen Wahrscheinlichkeit 1/6. (Google wählt bei jedem Iterationsschritt den alten PageRank Wert als Startwert.) georges.klein@unifr.ch Die Mathematik hinter Google 10/19
18 Mathematische Formulierung Da der Algorithmus für PageRank iterativ ist, brauchen wir einen Startwert. Seien x α, x β, x γ, x δ, x ρ, x σ ihre PageRanks. Wir wählen 1/6 als Startwert für jede Seite, d.h. unser Zufalls-Surfer landed auf allen Seiten mit der gleichen Wahrscheinlichkeit 1/6. (Google wählt bei jedem Iterationsschritt den alten PageRank Wert als Startwert.) georges.klein@unifr.ch Die Mathematik hinter Google 10/19
19 Theorie Wir stellen den PageRank Wert für sigma.com auf. Die Seiten alpha.com und gamma.com haben beide einen Link nach sigma.com. Sei L A die Anzahl an Links auf der Seite A. Zum Beispiel ist L α = 2 und L γ = 3. Die Seite alpha.com stimmt mit dem Wert 1/12 für sigma.com ab und gamma.com stimmt mit dem Wert 1/18. Der vorläufige PageRank Wert für sigma.com ist also gegeben durch: x σ = x α 2 + x γ 3. georges.klein@unifr.ch Die Mathematik hinter Google 11/19
20 Theorie Wir stellen den PageRank Wert für sigma.com auf. Die Seiten alpha.com und gamma.com haben beide einen Link nach sigma.com. Sei L A die Anzahl an Links auf der Seite A. Zum Beispiel ist L α = 2 und L γ = 3. Die Seite alpha.com stimmt mit dem Wert 1/12 für sigma.com ab und gamma.com stimmt mit dem Wert 1/18. Der vorläufige PageRank Wert für sigma.com ist also gegeben durch: x σ = x α 2 + x γ 3. georges.klein@unifr.ch Die Mathematik hinter Google 11/19
21 Theorie Wir stellen den PageRank Wert für sigma.com auf. Die Seiten alpha.com und gamma.com haben beide einen Link nach sigma.com. Sei L A die Anzahl an Links auf der Seite A. Zum Beispiel ist L α = 2 und L γ = 3. Die Seite alpha.com stimmt mit dem Wert 1/12 für sigma.com ab und gamma.com stimmt mit dem Wert 1/18. Der vorläufige PageRank Wert für sigma.com ist also gegeben durch: x σ = x α 2 + x γ 3. georges.klein@unifr.ch Die Mathematik hinter Google 11/19
22 Theorie Wir stellen den PageRank Wert für sigma.com auf. Die Seiten alpha.com und gamma.com haben beide einen Link nach sigma.com. Sei L A die Anzahl an Links auf der Seite A. Zum Beispiel ist L α = 2 und L γ = 3. Die Seite alpha.com stimmt mit dem Wert 1/12 für sigma.com ab und gamma.com stimmt mit dem Wert 1/18. Der vorläufige PageRank Wert für sigma.com ist also gegeben durch: x σ = x α 2 + x γ 3. georges.klein@unifr.ch Die Mathematik hinter Google 11/19
23 Theorie Wir stellen den PageRank Wert für sigma.com auf. Die Seiten alpha.com und gamma.com haben beide einen Link nach sigma.com. Sei L A die Anzahl an Links auf der Seite A. Zum Beispiel ist L α = 2 und L γ = 3. Die Seite alpha.com stimmt mit dem Wert 1/12 für sigma.com ab und gamma.com stimmt mit dem Wert 1/18. Der vorläufige PageRank Wert für sigma.com ist also gegeben durch: x σ = x α 2 + x γ 3. georges.klein@unifr.ch Die Mathematik hinter Google 11/19
24 Matrixdarstellung Definieren wir jetzt die Verbindungsmatrix G, deren Elemente entweder 1 oder 0 sind. Der Eintrag g ij der i-ten Zeile und j-ten Spalte ist genau dann 1, wenn die Seite j einen Link zur Seite i hat, d.h. die Seite i kann von der Seite j aus erreicht werden. Anders ausgedrückt: die j-te Spalte steht für die Links auf der Webseite j. In unserem Beispiel schaut die Matrix G wie folgt aus: G = georges.klein@unifr.ch Die Mathematik hinter Google 12/19
25 Matrixdarstellung Definieren wir jetzt die Verbindungsmatrix G, deren Elemente entweder 1 oder 0 sind. Der Eintrag g ij der i-ten Zeile und j-ten Spalte ist genau dann 1, wenn die Seite j einen Link zur Seite i hat, d.h. die Seite i kann von der Seite j aus erreicht werden. Anders ausgedrückt: die j-te Spalte steht für die Links auf der Webseite j. In unserem Beispiel schaut die Matrix G wie folgt aus: G = georges.klein@unifr.ch Die Mathematik hinter Google 12/19
26 Matrixdarstellung (Fortsetzung) Es sei c j die Summe der Einträge der j-ten Spalte in G, d.h. c j ist die Anzahl an Links auf der Webseite j. Jetzt können wir die stochastische Matrix A definieren, welche das lineare Gleichungsystem beschreibt. Die Elemente in A seien die folgenden: a ij := { 1 p n + pg ij c j falls c j 0 1 n falls c j = 0. georges.klein@unifr.ch Die Mathematik hinter Google 13/19
27 Matrixdarstellung (Fortsetzung) Es sei c j die Summe der Einträge der j-ten Spalte in G, d.h. c j ist die Anzahl an Links auf der Webseite j. Jetzt können wir die stochastische Matrix A definieren, welche das lineare Gleichungsystem beschreibt. Die Elemente in A seien die folgenden: a ij := { 1 p n + pg ij c j falls c j 0 1 n falls c j = 0. georges.klein@unifr.ch Die Mathematik hinter Google 13/19
28 Matrixdarstellung (Fortsetzung) Es sei c j die Summe der Einträge der j-ten Spalte in G, d.h. c j ist die Anzahl an Links auf der Webseite j. Jetzt können wir die stochastische Matrix A definieren, welche das lineare Gleichungsystem beschreibt. Die Elemente in A seien die folgenden: a ij := { 1 p n + pg ij c j falls c j 0 1 n falls c j = 0. georges.klein@unifr.ch Die Mathematik hinter Google 13/19
29 Matrixdarstellung (Fortsetzung) Es sei x der Vektor der PageRanks aller Webseiten, dann beschreibt folgende einfache Fixpunkgleichung unser lineares Gleichungssystem: x = Ax. Diese Gleichung kann man iterativ lösen (Potenzmethode). Es gibt mindestens 3 verschiedene Methoden um dieses spezielle Problem effizient zu lösen. Die Lösung ist genau dann eindeutig bestimmt (Satz von Perron-Frobenius), wenn die Summe der Elemente des Vektors x genau 1 ist, was ganz natürlich ist, da es sich hier um Wahrscheinlichkeiten handelt. In der Gleichung x = Ax bezeichnet man den Vektor x als Eigenvektor der Matrix A zum Eigenwert 1. georges.klein@unifr.ch Die Mathematik hinter Google 14/19
30 Matrixdarstellung (Fortsetzung) Es sei x der Vektor der PageRanks aller Webseiten, dann beschreibt folgende einfache Fixpunkgleichung unser lineares Gleichungssystem: x = Ax. Diese Gleichung kann man iterativ lösen (Potenzmethode). Es gibt mindestens 3 verschiedene Methoden um dieses spezielle Problem effizient zu lösen. Die Lösung ist genau dann eindeutig bestimmt (Satz von Perron-Frobenius), wenn die Summe der Elemente des Vektors x genau 1 ist, was ganz natürlich ist, da es sich hier um Wahrscheinlichkeiten handelt. In der Gleichung x = Ax bezeichnet man den Vektor x als Eigenvektor der Matrix A zum Eigenwert 1. georges.klein@unifr.ch Die Mathematik hinter Google 14/19
31 Matrixdarstellung (Fortsetzung) Es sei x der Vektor der PageRanks aller Webseiten, dann beschreibt folgende einfache Fixpunkgleichung unser lineares Gleichungssystem: x = Ax. Diese Gleichung kann man iterativ lösen (Potenzmethode). Es gibt mindestens 3 verschiedene Methoden um dieses spezielle Problem effizient zu lösen. Die Lösung ist genau dann eindeutig bestimmt (Satz von Perron-Frobenius), wenn die Summe der Elemente des Vektors x genau 1 ist, was ganz natürlich ist, da es sich hier um Wahrscheinlichkeiten handelt. In der Gleichung x = Ax bezeichnet man den Vektor x als Eigenvektor der Matrix A zum Eigenwert 1. georges.klein@unifr.ch Die Mathematik hinter Google 14/19
32 Numerische Berechnungen Die Potenzmethode zur Lösung der Gleichung x = Ax ist nur dann angemessen, wenn die Matrix A nicht zu gross ist. Man wählt einen Startvektor x und berechnet iterativ x new = Ax old bis der Unterschied zwischen x new und x old klein genug wird. Die Matrix A, welche Google benutzen müsste ist voll und hätte heute ungefähr Einträge. Eine einzige Multiplikation Ax würde viel zuviel Speicherkapazität und Rechenleistung verschlingen und wäre zudem noch extrem langsam. In der Praxis werden die Matritzen A und G nie explizit berechnet, sondern man profitiert davon dass die Matrix G dünnbesetzt ist, um A effizienter zu definieren. Das entsprechend umformulierte Gleichungssystem wird gelöst mit einer Version des Gaussverfahrens, welche von der speziellen Struktur der Matritzen Gebrauch macht. georges.klein@unifr.ch Die Mathematik hinter Google 15/19
33 Numerische Berechnungen Die Potenzmethode zur Lösung der Gleichung x = Ax ist nur dann angemessen, wenn die Matrix A nicht zu gross ist. Man wählt einen Startvektor x und berechnet iterativ x new = Ax old bis der Unterschied zwischen x new und x old klein genug wird. Die Matrix A, welche Google benutzen müsste ist voll und hätte heute ungefähr Einträge. Eine einzige Multiplikation Ax würde viel zuviel Speicherkapazität und Rechenleistung verschlingen und wäre zudem noch extrem langsam. In der Praxis werden die Matritzen A und G nie explizit berechnet, sondern man profitiert davon dass die Matrix G dünnbesetzt ist, um A effizienter zu definieren. Das entsprechend umformulierte Gleichungssystem wird gelöst mit einer Version des Gaussverfahrens, welche von der speziellen Struktur der Matritzen Gebrauch macht. georges.klein@unifr.ch Die Mathematik hinter Google 15/19
34 Numerische Berechnungen Die Potenzmethode zur Lösung der Gleichung x = Ax ist nur dann angemessen, wenn die Matrix A nicht zu gross ist. Man wählt einen Startvektor x und berechnet iterativ x new = Ax old bis der Unterschied zwischen x new und x old klein genug wird. Die Matrix A, welche Google benutzen müsste ist voll und hätte heute ungefähr Einträge. Eine einzige Multiplikation Ax würde viel zuviel Speicherkapazität und Rechenleistung verschlingen und wäre zudem noch extrem langsam. In der Praxis werden die Matritzen A und G nie explizit berechnet, sondern man profitiert davon dass die Matrix G dünnbesetzt ist, um A effizienter zu definieren. Das entsprechend umformulierte Gleichungssystem wird gelöst mit einer Version des Gaussverfahrens, welche von der speziellen Struktur der Matritzen Gebrauch macht. georges.klein@unifr.ch Die Mathematik hinter Google 15/19
35 Numerische Berechnungen (Fortsetzung) In unserem Miniweb Beispiel ergibt dieser PageRank Algorithmus folgende Liste: PageRank in out url Man stellt fest, dass alpha.com einen höheren PageRank Wert hat als delta.com und sigma.com obwohl alle drei Seiten über die gleiche Anzahl an Links erreicht werden können. Unser Zufalls-Surfer wird also über 32% der Zeit auf die Seite alpha.com gelangen und nur 6% der Zeit auf rho.com. georges.klein@unifr.ch Die Mathematik hinter Google 16/19
36 Numerische Berechnungen (Fortsetzung) In unserem Miniweb Beispiel ergibt dieser PageRank Algorithmus folgende Liste: PageRank in out url Man stellt fest, dass alpha.com einen höheren PageRank Wert hat als delta.com und sigma.com obwohl alle drei Seiten über die gleiche Anzahl an Links erreicht werden können. Unser Zufalls-Surfer wird also über 32% der Zeit auf die Seite alpha.com gelangen und nur 6% der Zeit auf rho.com. georges.klein@unifr.ch Die Mathematik hinter Google 16/19
37 Ein paar Schwachstellen Ältere Seiten haben oft einen höheren PageRank Wert als ganz neue Webseiten. Verschiedene Webmaster versuchen den PageRank Wert ihrer Seite künstlich zu verbessern, indem sie andere Webmaster auffordern Links zu ihren Seiten zu setzen. Bei Google versucht man solche Phänomene zu bekämpfen, indem man notfalls gewisse Seiten einfach aus dem PageRank Mechanismus ausschliesst. Google findet nur solche Seiten, die man per Link von einer anderen Seite aus erreichen kann. Die Mathematik hinter Google 17/19
38 Schlussfolgerung Mit einer hervorragenden Idee aus der Mathematik oder den Wissenschaften allgemein, so einfach sie auch sein mag (siehe lineare Algebra im Fall von Google), und etwas Unternehmergeist kann man grossen Erfolg haben. (Extreme Beispiele wie Google bleiben allerdings Aussnahmen.) In diesem Sinne: Viel Erfolg in Eurem Studium!! Die Mathematik hinter Google 18/19
39 Bibliographie C. Moler, Experiments with Matlab, chapter 12, M. Eisermann, Comment fonctionne Google?, stuttgart.de/eiserm/enseignement/google.pdf. Wikipedia, Die Mathematik hinter Google 19/19
16. November 2011 Zentralitätsmaße. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87
16. November 2011 Zentralitätsmaße H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 87 Darstellung in spektraler Form Zentralität genügt Ax = κ 1 x (Herleitung s. Tafel), daher ist x der Eigenvektor
MehrArbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute
3.4 PageRank Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute Wichtigkeit von Webseiten; nicht Relevanz bezüglich Benutzeranfrage. Anfrageunabhängiges Ranking. Ausgangspunkt: Eingangsgrad.
MehrDas Prinzip der Suchmaschine Google TM
/9 Das Prinzip der Suchmaschine Google TM Numerische Mathematik WS 20/2 Basieren auf dem Paper The $25,000,000,000 Eigenvector: The Linear Algebra behind Google von Kurt Bryan und Tanya Leise (SIAM Review,
Mehr5 Suchmaschinen Page Rank. Page Rank. Information Retrieval und Text Mining FH Bonn-Rhein-Sieg, SS Suchmaschinen Page Rank
Page Rank Google versucht die Bedeutung von Seiten durch den sogenannten Page Rank zu ermitteln. A C Page Rank basiert auf der Verweisstruktur des Webs. Das Web wird als großer gerichteter Graph betrachtet.
MehrD-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys. Serie 13
D-INFK Lineare Algebra HS 2014 Roman Glebov Marc Pollefeys Serie 13 1. Um einen Tisch sitzen 7 Zwerge. Vor jedem steht ein Becher mit Milch. Einer der Zwerge verteilt seine Milch gleichmässig auf alle
Mehr6. Vorlesung. Rechnen mit Matrizen.
6. Vorlesung. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrNumerisches Rechnen. (für Informatiker) M. Grepl J. Berger & J.T. Frings. Institut für Geometrie und Praktische Mathematik RWTH Aachen
(für Informatiker) M. Grepl J. Berger & J.T. Frings Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2010/11 Problemstellung Lineare Gleichungssysteme, iterative Verfahren geg.:
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrHans Humenberger. Das PageRank-System von Google eine aktuelle Anwendung im MU
Hans Humenberger Das PageRank-System von Google eine aktuelle Anwendung im MU Google und seine Gründer Google etwas Riesengroßes nach der unglaublichen Fülle des WWW Googol = 10^100 1938 durch E. Kasner
MehrEigenwerte. Vorlesung Computergestützte Mathematik zur Linearen Algebra. Lehrstuhl für Angewandte Mathematik Sommersemester 2009
Eigenwerte Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Sommersemester 2009 25. Juni + 2.+9. Juli 2009 Grundlagen Definition Ist für A C n,n, Ax = λx
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 5 Aufgabe 5.1 Kommutierende Matrizen In der Vorlesung und vergangenen
MehrBasiswissen Matrizen
Basiswissen Matrizen Mathematik GK 32 Definition (Die Matrix) Eine Matrix A mit m Zeilen und n Spalten heißt m x n Matrix: a a 2 a 4 A a 2 a 22 a 24 a 4 a 42 a 44 Definition 2 (Die Addition von Matrizen)
MehrSuchmaschinen und Markov-Ketten 1 / 42
Suchmaschinen und Markov-Ketten 1 / 42 Zielstellung 1 Wir geben einen kurzen Überblick über die Arbeitsweise von Suchmaschinen für das Internet. Eine Suchmaschine erwartet als Eingabe ein Stichwort oder
MehrRanking Functions im Web: PageRank & HITS
im Web: PageRank & HITS 28. Januar 2013 Universität Heidelberg Institut für Computerlinguistik Information Retrieval 4 / 30 Idee PageRank Entstehung: Larry Page & Sergey Brin, 1998, genutzt von Google
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrDas Pagerank-Verfahren (und Markovketten) 16. Dezember 2013
Das Pagerank-Verfahren (und Markovketten) 16. Dezember 2013 Gegeben: Eine Sammlung von N Web-Seiten, die (teilweise) { untereinander verlinkt sind. 1 wenn Seite i auf Seite j verweist Sei L ij = 0 sonst
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrThema 8: Verbesserte Suchstrategien im WWW. Bearbeiter: Robert Barsch Betreuer: Dr. Oliver Ernst
Thema 8: Verbesserte Suchstrategien im WWW Bearbeiter: Robert Barsch Betreuer: Dr. Oliver Ernst Inhaltsverzeichnis 1. Einleitung 2. Grundlagen 3. Google PageRank Algorithmus 4. IBM Clever HITS Algorithmus
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrDiskrete Modellierung
Diskrete Modellierung Wintersemester 2013/14 Prof. Dr. Isolde Adler Letzte Vorlesung: Korrespondenz zwischen der Page-Rank-Eigenschaft und Eigenvektoren zum Eigenwert 1 der Page-Rank-Matrix Markov-Ketten
Mehr38 Iterative Verfahren für lineare Gleichungssysteme
38 Iterative Verfahren für lineare Gleichungssysteme 38.1 Motivation Viele praktische Probleme führen auf sehr große lineare Gleichungssysteme, bei denen die Systemmatrix dünn besetzt ist, d. h. nur wenige
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrTEIL II LINEARE ALGEBRA
TEIL II LINEARE ALGEBRA 1 Kapitel 10 Lineare Gleichungssysteme 101 Motivation Sei K ein fest gewählter Körper (zb K = R, C, Q, F p ) Betrachten das lineare Gleichungssystem (L) α 11 x 1 + α 12 x 2 + +
Mehr5 Lineare Gleichungssysteme und Determinanten
5 Lineare Gleichungssysteme und Determinanten 51 Lineare Gleichungssysteme Definition 51 Bei einem linearen Gleichungssystem (LGS) sind n Unbekannte x 1, x 2,, x n so zu bestimmen, dass ein System von
MehrD-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2017 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. Wir betrachten das überbestimmte Gleichungssystem Ax = y mit 1 1 1 1 A := 1 1 0 1 0 1, y := 2 3 0 0 1 4 Berechnen Sie die
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 2016
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden Sommersemester 0 0090 Aufgabe Punkte: Betrachten Sie das lineare Gleichungssystem Ax = b mit A = 0 und b
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrSerie 8: Online-Test
D-MAVT Lineare Algebra I HS 017 Prof Dr N Hungerbühler Serie 8: Online-Test Einsendeschluss: Freitag, der 4 November um 14:00 Uhr Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Name a a Note Vorname Leginummer Datum 19.08.2016 1 2 3 4 5 6 Total 7P 11P 10P 11P
MehrOhne Mathematik undenkbar!
Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrKlausurähnliche Aufgaben
Sommersemester 2007/08 Lineare Algebra Klausurähnliche Aufgaben Aufgabe 1 Seien v 1, v 2, v 3, v 4, v 5, v 6 die Vektoren in R 5 mit v 1 = (1, 2, 3, 1, 2), v 2 = (2, 4, 6, 2, 4), v 3 = ( 1, 1, 3, 0, 3),
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Serie 6
R. Hiptmair S. Pintarelli E. Spindler Herbstsemester 2014 Lineare Algebra und Numerische Mathematik für D-BAUG Serie 6 ETH Zürich D-MATH Einleitung. Diese Serie behandelt nochmals das Rechnen mit Vektoren
MehrMathematik IT 2 (Lineare Algebra)
Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrVorlesung Mathematik für Ingenieure 1 (Wintersemester 2008/09)
Vorlesung Mathematik für Ingenieure Wintersemester 8/9 Kapitel 4: Matrizen, lineare Abbildungen und Gleichungssysteme Volker Kaibel Otto-von-Guericke Universität Magdeburg Version vom 5. November 8 Page-Rank
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
Mehr2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren
2. Lineare Gleichungssysteme: direkte und iterative Lösungsverfahren Problem (P2): Löse Ax = b, A R n und b R. 2.1 Satz: Die folgenden Aussagen sind äquivalent: (i) Ax = b ist für jedes b eindeutig lösbar;
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
MehrNumerisches Programmieren, Übungen
Technische Universität München SoSe 3 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren, Übungen Musterlösung 3. Übungsblatt:
MehrMathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen
Mathematik für Naturwissenschaftler, Pruscha & Rost Kap 7 Lösungen a) Es ist < x, y > α + + β β ( + α) und y α + + β α + + ( + α) (α + α + ) 6 α + α, also α, ± 5 + ± 9 4 ± 3 Es gibt also Lösungen: α, β
MehrSingulärwertzerlegung
LMU München Centrum für Informations- und Sprachverarbeitung WS 10-11: 13.12.2010 HS Matrixmethoden im Textmining Dozent: Prof.Dr. Klaus U. Schulz Referat von: Erzsébet Galgóczy Singulärwertzerlegung 1
MehrIterative Methoden zur Lösung von linearen Gleichungssystemen
Iterative Methoden zur Lösung von linearen Gleichungssystemen (13.12.2011) Ziel Können wir wir die zeitabhängige Schrödinger-Gleichung lösen? φ(t) = e iht ψ(0) Typischerweise sind die Matrizen, die das
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
Mehr1 0 1, V 3 = M, und λ A = λa
Aufgabe 57. Magische Quadrate Eine reelle 3 3-Matrix A = a 11 a 12 a 13 a 21 a 22 a 23 heißt magisches Quadrat, falls alle Zeilensummen, alle Spaltensummen und die beiden Diagonalsummen a 11 + a 22 + a
MehrMatrizen: Theorie und Anwendungen
Einführungsvortrag der Lehrerfortbildung am 23 September 2009 Markoff-Ketten, Call-Center und Google s PageRank: Zur Theorie und Anwendungen von Matrizen von Harm Pralle Institut für Mathematik Technische
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
MehrReduced-Rank Least Squares Modelle
16.12.2008 Wiederholung Gegeben: Matrix A m n Paar Rechter Eigenvektor x, Eigenwert λ: A x = λ x mit x R n \ 0, λ N Paar Linker Eigenvektor y, Eigenwert λ: y T A = λ y T Singulärwertzerlegung (SVD): A
MehrÜbungen. Mathematik für Studierende der Biologie und des Lehramtes Chemie
Übungen Mathematik für Studierende der Biologie und des Lehramtes Chemie Dominik Schillo Universität des Saarlandes 7..7 (Stand: 7..7, 3:47 Uhr) Blatt : Ausgabe:..7, Abgabe: 7..7, Übungen: 4..7, 7..7,
MehrLineare Gleichungssysteme
Kapitel 2 Lineare Gleichungssysteme 21 Lineare Gleichungssysteme und Matrizen Lernziele 2 Lineare Gleichungssysteme definieren Matrizen, Matrizen definieren lineare Abbildungen, Lösen von linearen Gleichungssystemen
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrRückwärts-Einsetzen. Bei einem linearen Gleichungssystem in oberer Dreiecksform, nacheinander bestimmt werden: r n,n x n = b n. = x n = b n /r n,n
Rückwärts-Einsetzen Bei einem linearen Gleichungssystem in oberer Dreiecksform, r 1,1 r 1,n x 1 b 1..... =., } 0 {{ r n,n } x n b n R mit det R = r 1,1 r n,n 0 können die Unbekannten x n,..., x 1 nacheinander
MehrLineare Gleichungssysteme
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 5. Dezember 2007 Definition : Tomographie (Fortsetzung) : Tomographie Definition: Ein lineares Gleichungssystem (LGS) ist ein System von n
MehrHans Humenberger. Das PageRank-System von Google eine aktuelle Anwendung im MU
Hans Humenberger Das PageRank-System on Google eine aktuelle Anwendung im MU Google und seine Gründer Google etwas Riesengroßes nach der unglaublichen Fülle des WWW Googol = 10^100 1938 durch E. Kasner
MehrLineare Gleichungssysteme
KAPITEL 2 Lineare Gleichungssysteme. Beispiele Wir betrachten zunächst vier Gleichungssysteme und bestimmen ihre Lösungsmenge. Dabei geht es uns noch nicht darum, ein Lösungsverfahren für lineare Gleichungssysteme
MehrIterative Verfahren, Splittingmethoden
Iterative Verfahren, Splittingmethoden Theodor Müller 19. April 2005 Sei ein lineares Gleichungssystem der Form Ax = b b C n, A C n n ( ) gegeben. Es sind direkte Verfahren bekannt, die ein solches Gleichungssystem
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 18.10.2012 Alexander Lytchak 1 / 12 Lineare Gleichungssysteme Wir untersuchen nun allgemeiner Gleichungssysteme der
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
MehrNumerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang. Institut für Geometrie und Praktische Mathematik RWTH Aachen
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrCramersche Regel. Satz Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei. A j := (a 1,...,a j 1,b,a j+1,...
Cramersche Regel Satz 2.4. Es sei A R n n eine quadratische Matrix mit det(a) 0. Für ein LGS Ax = b sei A j := (a,...,a j,b,a j+,...,a n ) also die Matrix, die entsteht, wenn in A die j-spalte durch den
MehrÜbungen zum Vorkurs Mathematik
Übungen zum Vorkurs Mathematik Blatt 1 W.S.2009/2010 - Ernst Bönecke Aufgaben zur Aussagenlogik 1.) Seien A, B, C Aussagen. Beweisen Sie mit Hilfe von Wahrheitstafeln, dass folgende Aussagen stets wahr
Mehr6. Suchen im Web Webseiten Finden. FiXme Note: Generische Einführung zur Websuche.
FiXme Note: Generische Einführung zur Websuche. In diesem Kapitel behandeln wir, wie man das Internet nach Schlagworten durchsucht. Als Nutzer einer Suchmaschine geben wir ein paar Wörter wie Katzen Photos
MehrVorlesung Mathematik 2 für Informatik
Vorlesung Mathematik für Informatik Inhalt: Lineare Algebra Rechnen mit Vektoren und Matrizen Lineare Gleichungssysteme, GauÿAlgorithmus Vektorräume, Lineare Abbildungen Eigenwerte und Eigenvektoren Literatur
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
MehrLineare Algebra I (WS 12/13)
Lineare Algebra I (WS 12/13) Bernhard Hanke Universität Augsburg 17.10.2012 Bernhard Hanke 1 / 9 Wir beschreiben den folgenden Algorithmus zur Lösung linearer Gleichungssysteme, das sogenannte Gaußsche
MehrKORREKTURANLEITUNGEN zum Testheft A1
Projekt Standardisierte schriftliche Reifeprüfung in Mathematik KORREKTURANLEITUNGEN zum Testheft A1 A1 Zahlen N Z Q R 0,03-6 π 3 10-3 1 Bemerkung: Die Aufgabe gilt nur dann als richtig gelöst, wenn alle
Mehr13. Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie
13 Woche: NP-Vollständigkeit Satz von Cook-Levin Anwendungen in der Kryptographie 13 Woche: NP-Vollständigkeit, Satz von Cook-Levin, Anwendungen 276/ 333 N P-Vollständigkeit Ḋefinition NP-vollständig Sei
MehrWirtschafts- und Finanzmathematik
Prof Dr Stefan Etschberger HSA Wirtschafts- und Finanzmathematik für Betriebswirtschaft und International Management Wintersemester 2016/17 Determinanten: Vorüberlegung Permutationen und Inversionen
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
MehrAnalytische Geometrie
Der fx-991 DE X im Mathematik- Unterricht Analytische Geometrie Station 1 Schnittgerade zweier Ebenen Da der Taschenrechner nur eindeutige Lösungen eines Gleichungssystems liefert, kann er nur Schnittpunkte
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Lineare Gleichungssysteme Das System a x + a x +... + a n x n = b a x + a x +... + a n x n = b. +. +... +. =. a m x + a m x +... + a mn x n = b m heißt lineares Gleichungssystem
Mehr5.2 Rechnen mit Matrizen
52 Rechnen mit Matrizen 52 Rechnen mit Matrizen 97 Für Matrizen desselben Typs ist eine Addition erklärt, und zwar durch Addition jeweils entsprechender Einträge Sind genauer A = (a ij ) und B = (b ij
Mehr6. Rechnen mit Matrizen.
6. Rechnen mit Matrizen. In dieser Vorlesung betrachten wir lineare Gleichungs System. Wir betrachten lineare Gleichungs Systeme wieder von zwei Gesichtspunkten her: dem angewandten Gesichtspunkt und dem
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 2 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Mittsemesterprüfung HS, Typ A Name a a Note Vorname Leginummer Datum 29..2 2 4 6 Total
Mehr