Spektraltheorie. Structure. 1 Matrizen eines Graphen. 2 Adjazenzmatrix. 3 Laplacematrix. 4 Die Spektrale Lücke
|
|
- Herta Weiner
- vor 6 Jahren
- Abrufe
Transkript
1 Spektraltheorie Expandergraphen Seminar im SS Robert Görke Sommer 0 KARLSRUHE INSTITUTE OF TECHNOLOGY INSTITUTE OF THEORETICAL INFORMATICS KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Structure Matrizen eines Graphen Adjazenzmatrix Laplacematrix 4 Die Spektrale Lücke 5 Das Expander Mixing Lemma 6 Perron-Frobenius 7 Ende Robert Görke Spektraltheorie Sommer 0 /40
2 Matrizen eines Graphen 4 Robert Görke Spektraltheorie Sommer 0 /40 Matrizen eines Graphen G A(G) = Robert Görke Spektraltheorie Sommer 0 4/40
3 Matrizen eines Graphen G A(G) = A : (A ) ii = Robert Görke Spektraltheorie Sommer 0 5/40 Matrizen eines Graphen G A(G) = A : (A ) ii = {π : π =, π = (v i,..., v i )} Robert Görke Spektraltheorie Sommer 0 6/40
4 Matrizen eines Graphen G A(G) = A : (A ) ii = {π : π =, π = (v i,..., v i )} i (A ) ii = tr(a ) = 6 # Robert Görke Spektraltheorie Sommer 0 7/40 Matrizen eines Graphen G A(G) = A : (A ) ii = {π : π =, π = (v i,..., v i )} i (A ) ii = tr(a ) = m Robert Görke Spektraltheorie Sommer 0 8/40
5 Matrizen eines Graphen G A(G) = D(G) = Robert Görke Spektraltheorie Sommer 0 9/40 Matrizen eines Graphen G A(G) = L(G) = D(G) = = D(G) A(G) Robert Görke Spektraltheorie Sommer 0 0/40
6 Matrizen eines Graphen e e e G A(G) = e L(G) = D(G) = = D(G) A(G) Robert Görke Spektraltheorie Sommer 0 /40 Gerichtete Inzidenzmatrix B ordne V (strikt, total, egal) v < v < < v n Robert Görke Spektraltheorie Sommer 0 /40
7 Gerichtete Inzidenzmatrix B ordne V (strikt, total, egal) v < v < < v n { v < w σ :{(v, w) : {v, w} E} {, } σ((v, w)) w < v Robert Görke Spektraltheorie Sommer 0 /40 Gerichtete Inzidenzmatrix B ordne V (strikt, total, egal) v < v < < v n { v < w σ :{(v, w) : {v, w} E} {, } σ((v, w)) w < v Gerichtete Inzidenzmatrix K(G σ ){ K(G σ σ((v, w)) e = {v, w} E ) v,e = 0 sonst Robert Görke Spektraltheorie Sommer 0 4/40
8 Gerichtete Inzidenzmatrix B ordne V (strikt, total, egal) v < v < < v n { v < w σ :{(v, w) : {v, w} E} {, } σ((v, w)) w < v Gerichtete Inzidenzmatrix K(G σ ){ 4 K(G σ σ((v, w)) e = {v, w} E ) v,e = 0 sonst e e e e 4 K(G σ ) = e e e e 4 v v v v Robert Görke Spektraltheorie Sommer 0 5/40 Eigenschaften von K K = e e e e 4 v v v v Robert Görke Spektraltheorie Sommer 0 6/40
9 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e Robert Görke Spektraltheorie Sommer 0 7/40 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e (KK T ) ij = Robert Görke Spektraltheorie Sommer 0 8/40
10 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e i j, i j (KK T ) ij = 0 i j, i j deg(v i ) i = j Robert Görke Spektraltheorie Sommer 0 9/40 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A Robert Görke Spektraltheorie Sommer 0 0/40
11 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A rang(l) = rang(k) Robert Görke Spektraltheorie Sommer 0 /40 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A rang(l) = rang(k) = n dim(kern(k)) Robert Görke Spektraltheorie Sommer 0 /40
12 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A rang(l) = rang(k) = n dim(kern(k)) }{{} = n zsh. Robert Görke Spektraltheorie Sommer 0 /40 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A rang(l) = rang(k) = n dim(kern(k)) }{{} = n zsh. dim(lösungsraum von L x = 0) = dim(kern(l)) = Robert Görke Spektraltheorie Sommer 0 4/40
13 Eigenschaften von K K = e e e e 4 v v v v K T = v v v v 4 e e e 0-0 e KK T = L = D A rang(l) = rang(k) = n dim(kern(k)) }{{} = n zsh. dim(lösungsraum von L x = 0) = dim(kern(l)) = allgemeiner: k > Zsg.-Komponenten: k Lösungsraum = span({ vi H l l =... k}) Robert Görke Spektraltheorie Sommer 0 5/40 Adjazenzmatrix d-regulärer Graphen A symmetrisch, reell EW reell EW & EV & Eigenpaare: λ λ... λ n v, v,..., v n (orthonormales System) nette Eigenschaften ablesbar: λ = d, v = / n zusammenhängend λ > λ bipartit λ > λ n λ hängt eng mit Expansion zusammen! Robert Görke Spektraltheorie Sommer 0 6/40
14 Laplacematrix von (d-reg.) Graphen (Literaturempfehlung: Dissertation von Daniel Fleischer 09 Konstanz) Klassische Vektorenrechnung: (f ) = f = div(grad(f )) Beispiel: f : R R sei Temparaturverteilung im Raum grad(f ) = f = ( x, y, f z )f = ( x, f y, f z ) ˆ= Veränderung der Temp. als Vektorfeld div(grad(f )) = f = ( x, y, z ) ( f x, f y, f z ) = ( f x ˆ= Quellenhaftigkeit / Fluss durch Kugeloberfläche um Punkt + f y + f z ) Analogon auf Graphen: f : V R Knotenbewertung grad(f ) = fk (fk ) (u,v) = f u f v ˆ= Veränderung der Knotenbewertung, auf Kanten notiert div(grad(f )) = K (grad(f )) K (grad(f )) u = grad(f ) e e raus aus u grad(f ) e = df u e rein nach u v u ˆ= Quellenhaftigkeit von Knoten (Exaktheit mit Füßen getreten) Robert Görke Spektraltheorie Sommer 0 7/40 f v Laplacematrix: Beobachtungen L = KK T flf T = (u,v) E(f (u) f (v)) λ min = 0 spectrum(l) ist in [0, d] Exkurs: Layoutproblem Knoten sollen nah bei Nachbarn liegen, minimaler quadratischer Fehler! G zsh. kern(l) = span() eindeutige Lösung trivial :-( Lösung: suche v mit v und v =, so dass vlv T = minimal Rayleigh-Ritz nutze v n und v n in D x T L(G)x min x R n x T x x span(v n,..., v n i+ ) = λ n i Oder andere? Animation! Robert Görke Spektraltheorie Sommer 0 8/40
15 Die Spektrale Lücke d λ Expansion! δs Erinnerung: (edge-)expansion(ratio)(g) = h(g) := min {S V S n } S (Analogon zur Cheeger-Konstante in Riemannscher Geometrie) Theorem (Doziuk 84, Alon-Milman 85, Alon 86) G endlich, zusammenh., d-regulär, dann: d λ h(g) d(d λ ) Analogon: Sei M kompakte Riemannsche Mannigfaltigkeit und λ der kleinste EW seines Laplaceoperators, dann: λ h /4 Robert Görke Spektraltheorie Sommer 0 9/40 Schärfe der Abschätzung I d λ h(g) d(d λ ) untere Schranke: d λ h(g) Betrachte Hyperwürfel Q d : Q Q Q in Q h(g) = (Q d in Q d ) EW =,,,,,,, d λ = scharf Robert Görke Spektraltheorie Sommer 0 0/40
16 Schärfe der Abschätzung II d λ h(g) d(d λ ) obere Schranke: h(g) d(d λ ) Betrachte n-zykel C n : C 8 h(c n ) = 4 n d λ = Θ( n ) scharf Robert Görke Spektraltheorie Sommer 0 /40 Lücke Groß Expansion Groß (Beweis Abschätzung h vs. Spektrale Lücke, untere Schranke: d λ h(g) bzw. λ d h(g) ) Idee: geeigneten Vektor f nahe v ausdenken! Forderungen: f und f hat ausreichend großen Rayleigh-Quotienten λ }{{} Satz v. Ray.-R. faf T f }{{} z.z. d h(g) Wahl von f : Sei S V h(g)-scharf (i.e., h(g) = E(S,S) S, S n/) Setze f = S S S S liefert: λ faf T f = d n S E(S, S) S d h(g) Robert Görke Spektraltheorie Sommer 0 /40
17 Expansion Groß Lücke Groß (Beweis Abschätzung h vs. Spektrale Lücke, obere Schranke: h(g) d(d λ ) bzw. h d d λ Idee: billigen Schnitt nahe h(g) ausdenken! Schnitt induziert Vektor f h d }{{} (ii) flf T f d λ }{{} (i) Baue f: man nehme v (obda: mehr positive als negative Einträge) f := v + (i.e., f x = max(0, v (x) )) V + := support(f ) (i.e., V + = {x f x > 0}) Merken: basierend auf v findet man billigen Schnitt! Robert Görke Spektraltheorie Sommer 0 /40 (i) und (ii) (... aus h d }{{} (ii) flf T f d λ }{{} ) (i) (i) grob: x V + : (Lf ) x (Lg) x = (d λ ) g x (ii) grob: technisch, ohne merk-würdigen Kniff }{{} flf T (d λ ) f f x sonst 0 Robert Görke Spektraltheorie Sommer 0 4/40
18 Das Expander Mixing Lemma Lemma (diverse, ab 89) G d-regulär, λ = max( λ, λ n ) EW von A(G), dann: S, T V : d S T E(S, T ) n λ S T Bedeutet: S-T -Kanten E(S-T -Kanten) klein, wenn λ klein Graph recht zufällig, diesbezüglich (auch genannt: discrepancy) Robert Görke Spektraltheorie Sommer 0 5/40 Expander Mixing Anwendungen S, T V : d S T E(S, T ) n λ S T Betrachte (n, d, α)-graphen: d-regulär, λ αd Unabhängige Mengen: unabh. Menge S: S αn Chromatische Zahl χ(g): Farbe j: Knoten(j) sind unabh. Mengen χ(g) /α Durchmesser: jedes S V hat ε S neue Nachbarn wachsende Kugeln um u und v begegnen sich nach O(log(n)) Schritten kleines α liefert Durchmesser O(log n) Umgekehrtes Lemma (to appear): Abschätzung gilt für ein ρ λ nahe O(ρ) Robert Görke Spektraltheorie Sommer 0 6/40
19 Beweis Expander Mixing Lemma Man nehme S und T, charakteristische Vektoren von S, T Darstellung duch EV-Basis: S = i α iv i und T = j β jv j E(S, T ) = S A T = ( i α iv i )A( j β jv j ) = ( i α iv i ) ( j β jλ j v j ) = i α iβ i λ i wegen α = S n = S n und analog β = T E(S, T ) = d S T n + λ i α i β i n i= n : aber n i= λ iα i β i n i= λ iα i β i λ n }{{} i= α iβ i Def. λ S T = λ S T }{{} CSU λ α β = }{{} nur Drehung Robert Görke Spektraltheorie Sommer 0 7/40 Begriffe zu Perron-Frobenius Zugrundeliegender Graph einer reellen n n-matrix: V = {,..., n} und (i, j) E iff A ij 0 starker Zusammenhang eines gerichteten Graphen G: gerichteter Pfad von u nach v, u, v V spektraler Radius ρ einer Matrix A: ρ = EW nicht notw. reell, ρ nicht notw. EW max λ EW λ von A r-subharmonic: Sei A n n Matrix, Vektor x ist r-subharmonic wenn: x 0 und Ax rx Lemma (Hilfslemmata) Ist A eine nichtneg. n n Matrix mit G(A) stark zsh.: maximales r R so dass r-subharmonic Vektoren existieren. Es gilt r = ρ, und alle solchen r-subharmonic Vektoren sind EV. Robert Görke Spektraltheorie Sommer 0 8/40
20 Perron-Frobenius Theorem The most important result on the eigenvalues and eigenvectors of nonnegative matrices [Godsil, Royle] Theorem (Perron-Frobenius) A reelle, nichtnegative n n-matrix mit zugr. Graph X stark zusammenhängend: ρ(a) ist einfacher EW. Ist x EV zu ρ, dann ist x > 0 oder x < 0 A reelle, nichtnegative n n-matrix mit A A 0 Dann gilt ρ(a ) ρ(a), mit Gleicheit nur bei A = A θ EW mit θ = ρ, dann ist θ/ρ h-te Einheitswurzel und für alle r ist e πir/h EW (h ist Periode der Matrix). Und alle Zykel in X haben Länge teilbar durch h. Robert Görke Spektraltheorie Sommer 0 9/40 Zusammenfassung und Ende Adjazenzmatrix A(G), Bedeutung von A l Laplacematrix L(G) = D(G) A(G) Inzidenzmatrix K (G) (Richtung, Knoten vs. Kanten), L = KK T Vielfachh. von EW 0 in L(G) gleich # Zusammenhangskomp. von G L(G) Analogon zu Laplace-Operator aus Vektorenrechnung EV von L(G) helfen bei Layouts / Clustern d λ Spektrale Lücke d λ vs. h: h d(d λ) (scharf) Markov-C: Gewichte conductance Konvergenz v. MC-Algos Expander Mixing Lemma: λ = max( λ, λ n ) EW von A(G): S, T V : E(S, T ) d S T λ S T λ klein G recht zufällig Perron-Frobenius: spektraler Radius ist einfacher EW Perron-Frobenius: spektraler Radius skaliert mit A n Danke, Fragen Robert Görke Spektraltheorie Sommer 0 40/40
SPEKTRALE GRAPHENTHEORIE
SPEKTRALE GRAPHENTHEORIE 179 Graphen, Matrizen, Spektren! Graph als Matrix:! Adjazenzmatrix! Inzidenzmatrix! Laplacematrix!...! Spektrum: Menge der Eigenwerte! Motivation: Sagt das Spektrum etwas über
MehrSpektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen
Spektralzerlegung des Laplace-Operators auf Liegruppen und kompakten symmetrischen Räumen Anna Engels Seminar Riemannsche Geometrie und Spektraltheorie SS 003 Zusammenfassung Ich will erklären, wie man
Mehr= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2
1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrUNABHÄNGIGER LASTEN. Vorlesung 9 BALANCIERUNG DYNAMISCHER. Graphenalgorithmen und lineare Algebra Hand in Hand
Vorlesung 9 BALANCIERUNG DYNAMISCHER UNABHÄNGIGER LASTEN 266 Lastbalancierung Motivation! Ein paralleles System besteht aus! verschiedenen Recheneinheiten,! die miteinander kommunizieren können! Warum
MehrVorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG
Vorlesung 7 GRAPHBASIERTE BILDSEGMENTIERUNG 195 Bildsegmentierung! Aufgabe: Bestimme inhaltlich zusammenhängende, homogene Bereiche eines Bildes! Weit verbreitetes Problem in der Bildverarbeitung! Viele
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
MehrMathematische Grundlagen
Mathematische Grundlagen 1 / 16 Vektorraum u R n, u = (u 1,..., u n ), u k R Euklidisches Skalarprodukt Euklidische Vektornorm (u, v) = u k v k u 2 = (u, u) = n u 2 k Vektoren u, v R n heißen orthogonal,
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 13, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 13, 01.02.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
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,
MehrDie Adjazenz-Matrix und ihr Spektrum, sowie Ungleichungen den Spektralen Lücken
Westfälische-Wilhelms Universität Münster Mathematisches Institut Sommersemester 016 Die Adjazenz-Matrix und ihr Spektrum, sowie Ungleichungen den Spektralen Lücken Eine Vortragsausarbeitung im Seminar:
MehrDarstellungstheorie endlicher Gruppen Charaktere
Darstellungstheorie endlicher Gruppen Charaktere Ramon Braunwarth, Georg Grützner. März 016 Die folgenden Ausführungen sind eine geringfügig veränderte Exposition des Kapitels 13 aus [1]. Sei F ein algebraisch
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.
Mehr16. 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
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Vorlesung am 17. Januar 2012 INSTITUT FÜR THEORETISCHE 0 KIT 18.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
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
Mehr3-Färbbarkeit. Korollar: Zu Entscheiden, ob ein Graph k-färbbar ist mit k 3, ist NP-vollständig.
3-Färbbarkeit Wir wissen bereits, dass in polynomieller Zeit entschieden werden kann, ob ein Graph 2-färbbar ist. Satz: Zu Entscheiden, ob ein Graph 3-färbbar ist, ist NPvollständig. Beweis: Reduktion
MehrEcken des Zuordnungsproblems
Total unimodulare Matrizen Ecken des Zuordnungsproblems Definition.6 Ein Zuordnungsproblem mit den Vorzeichenbedingungen 0 apple x ij apple für i, j =,...,n statt x ij 2{0, } heißt relaxiertes Zuordnungproblem.
MehrEine Eigenwertabschätzung und Ihre Anwendungen
Eine Eigenwertabschätzung und Ihre Anwendungen Marcel Hansmann, TU Chemnitz Hagen, den 09.02.2011 M. Hansmann (TU Chemnitz) Hagen, den 09.02.2011 1 / 32 Inhalt 1 Einleitung 2 Die Eigenwertabschätzung 3
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
MehrExpander Graphen und Ihre Anwendungen
Expander Graphen und Ihre Anwendungen Alireza Sarveniazi Mathematisches Institut Universität Göttingen 21.04.2006 Alireza Sarveniazi (Universität Göttingen) Expander Graphen und Ihre Anwendungen 21.04.2006
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrOrthogonalreihendarstellung eines zentrierten Gauß-Prozesses
Orthogonalreihendarstellung eines zentrierten Gauß-Prozesses Thomas Steinle Seminar Zufällige Felder Universität Ulm 18. November, 2008 Einleitung Inhalt Einleitung Wiederholung und Themenvorstellung Wichtiges
MehrAlgorithmen II Vorlesung am
Algorithmen II Vorlesung am 0..0 Minimale Schnitte in Graphen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales Forschungszentrum
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrVektorräume. Stefan Ruzika. 24. April Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 3: Vektorräume 24. April 2016 1 / 20 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume Erinnerung:
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
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
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
Mehr9 Höhere partielle Ableitungen und die Taylorformel
Vorlesung SS 29 Analsis 2 Prof Dr Siegfried Echterhoff 9 Höhere partielle Ableitungen und die Talorformel Definition 91 Sei U R n offen, f : U R m eine Funktion Dann heißt f 2-mal partiell differenzierbar,
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrEin Zustand i mit f i = 1 heißt rekurrent. DWT 2.5 Stationäre Verteilung 420/476 c Ernst W. Mayr
Definition 140 Wir bezeichnen einen Zustand i als absorbierend, wenn aus ihm keine Übergänge herausführen, d.h. p ij = 0 für alle j i und folglich p ii = 1. Ein Zustand i heißt transient, wenn f i < 1,
MehrDie Größe A(n, d) und optimale Codes
Die Größe A(n, d) und optimale Codes Definition Optimaler Code Wir definieren A(n, d) = max{m binärer (n, M, d) Code} Ein (n, M, d)-code heißt optimal, falls M = A(n, d). Bestimmung von A(n, d) ist offenes
MehrPerkolation Christina Sander
Perkolation Christina Sander 28.6.2010 Seite 2 Perkolation 28.6.2010 Christina Sander Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang Seite 3 Perkolation 28.6.2010 Christina Sander
MehrSeminar über Darstellungstheorie endlicher Gruppen: Lemma von Schur, Darstellungen abelscher Gruppen, Räume von Darstellungshomomorphismen
Seminar über Darstellungstheorie endlicher Gruppen: Lemma von Schur, Darstellungen abelscher Gruppen, Räume von Darstellungshomomorphismen Aline Kaszuba, Lukas Böke 15. März 2016 Die folgende Diskussion
Mehr1 Ableitungen. Definition: Eine Kurve ist eine Abbildung γ : I R R n, γ besteht also aus seinen Komponentenfunktionen. a 1 + tx 1. eine Kurve.
1 Ableitungen Definition: Eine Kurve ist eine Abbildung γ : I R R n, γ besteht also aus seinen Komponentenfunktionen γ 1 (t) γ(t) = γ n (t) Bild(γ) = {γ(t) t I} heißt auch die Spur der Kurve Beispiel:1)
Mehr2. Entsprechende Listen P i von Vorgängern von i 3. for i := 1 to n do. (ii) S i = Knoten 2 + 1}
1. Berechne für jeden Knoten i in BFS-Art eine Liste S i von von i aus erreichbaren Knoten, so dass (i) oder (ii) gilt: (i) S i < n 2 + 1 und Si enthält alle von i aus erreichbaren Knoten (ii) S i = n
MehrAlgorithmische Methoden für schwere Optimierungsprobleme
Algorithmische Methoden für schwere Optimierungsprobleme Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund
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
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Prof. Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
MehrVorlesung Theoretische Grundlagen
Vorlesung Theoretische Grundlagen Fehlerkorrigierende Jörn Müller-Quade 4. Februar 2010 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum
MehrWiederholung von Linearer Algebra und Differentialrechnung im R n
Wiederholung von Linearer Algebra und Differentialrechnung im R n 1 Lineare Algebra 11 Matrizen Notation: Vektor x R n : x = x 1 x n = (x i ) n i=1, mit den Komponenten x i, i {1,, n} zugehörige Indexmenge:
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrEndliche Markov-Ketten - eine Übersicht
Endliche Markov-Ketten - eine Übersicht Diese Übersicht über endliche Markov-Ketten basiert auf dem Buch Monte Carlo- Algorithmen von Müller-Gronbach et. al. und dient als Sammlung von Definitionen und
MehrGraphentheorie Graphentheorie. Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke
Graphen Graphentheorie Graphentheorie Grundlagen Bäume Eigenschaften von Graphen Graphen-Algorithmen Matchings und Netzwerke 2 Was ist ein Graph? Ein Graph ist in der Graphentheorie eine abstrakte Struktur,
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrSeminar stabile Zufallsprozesse
Definitionen und Eigenschaften stabiler Verteilungen 2. November 2011 Inhalt 1 Definitionen Definitionen Beweis der Äquivalenz Beispiele 2 Eigenschaften 3 Charakteristische Funktion 4 Laplace Transformation
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
Mehrκ(k) k K S Algorithmus zur Bestimmung eines spannenden Baumes mit minimalen Kosten (Kruskal, 1965).
5. Graphenprobleme Im folgenden bezeichnen G = (E, K) einen endlichen Graphen mit der Eckenmenge E und der Kantenmenge K. G kann ungerichtet, gerichtet, schlicht oder nicht schlicht sein. 5.1 Spannende
MehrDefinition 7.1. Der Coxeter Graph zu W ist der ungerichtete gewichtete Graph Γ W = (V, E), mit Eckenmenge V und Kantenmenge E, gegeben durch V = und
7. Coxeter Graphen Um die endlichen Spiegelungsgruppen zu klassifizieren, wollen wir ihnen nun Graphen zuordnen, die die Gruppen bis auf Isomorphie eindeutig bestimmen. Im Folgenden sei wie vorher Π Φ
MehrLineare Algebra II. Prof. Dr. M. Rost. Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni.
Lineare Algebra II Prof. Dr. M. Rost Übungen Blatt 7 (SS 2011) Abgabetermin: Donnerstag, 2. Juni http://www.math.uni-bielefeld.de/~rost/la2 Erinnerungen, Ergänzungen und Vorgriffe zur Vorlesung: Eigenvektoren
Mehr1 Definition und Grundeigenschaften
Christian Bönicke Vektorbündel I Im Folgenden sei immer F = R, C oder H. 1 Definition und Grundeigenschaften 1.1 Definition Ein k-dimensionales Vektorbündel ξ über F ist ein Bündel (E, p, B) mit folgenden
MehrOperations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.
Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik. a 0 = 0 =
Lösungsskizzen zu den Klausuraufgaben zum Kurs 4 Algorithmische Mathematik 4KSL3 6 Punkte Aufgabe. Die Folge (a n ) n N natürlicher Zahlen a n sei rekursiv definiert durch a 0 = 0, a n = a n + n falls
MehrI (u +v)+w = u +(v +w) II u +v = v +u III Es existiert ein 0 V, s. d. 0+v = v IV Es existiert ein v V, s. d. v +v = 0
Def. Sei (K,+, ) ein Körper. Eine Wiederholung: (Hauptdefinition Menge V mit Abbildungen der LAAG1:) Vektorraum ist eine + : V V V Menge V mit zwei Abbildungen : K V V + : V V V, : R V heißt ein Vektorraum
MehrSpezielle Matrixformen
Definition B57 (Transposition) Eine einfache aber wichtige Operation auf Matrizen ist die Transposition, die aus einer (m n) Matrix A eine (n m) Matrix B = A T macht Hierbei gilt β i j = α j i, so daß
MehrDas ist kein Skript! 1 Erzeugende Funktionen
Das ist kein Skript! Dennoch kann man hier sehen, welche Begriffe definiert wurden und welche Sätze bewiesen wurden. Bei vielen Sätzen ist der Beweis skizziert, so dass diese Zusammenfassung ideal für
MehrKapitel 1. Holomorphe Funktionen
Kapitel 1 Holomorphe Funktionen Zur Erinnerung: I IR sei ein offenes Intervall, und sei z 0 I. Eine Funktion f : I IR heißt differenzierbar in z 0, falls der Limes fz fz 0 lim =: f z 0 z z 0 z z 0 existiert.
Mehr42 Orthogonalität Motivation Definition: Orthogonalität Beispiel
4 Orthogonalität 4. Motivation Im euklidischen Raum ist das euklidische Produkt zweier Vektoren u, v IR n gleich, wenn die Vektoren orthogonal zueinander sind. Für beliebige Vektoren lässt sich sogar der
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr35 Stetige lineare Abbildungen
171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrKlausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 2016
Name, Vorname Matrikel-Nr. Aufg. Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Klausur (Modulprüfung) zum Lehrerweiterbildungskurs 4Q Lineare Algebra/Analytische Geometrie II SoSe 206 Bearbeiten Sie bitte
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
Mehr1. Einige Begriffe aus der Graphentheorie
. Einige Begriffe aus der Graphentheorie Notation. Sei M eine Menge, n N 0. Dann bezeichnet P n (M) die Menge aller n- elementigen Teilmengen von M, und P(M) die Menge aller Teilmengen von M, d.h. die
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrKAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrModulprüfung Numerische Mathematik 1
Prof. Dr. Klaus Höllig 18. März 2011 Modulprüfung Numerische Mathematik 1 Lösungen Aufgabe 1 Geben Sie (ohne Beweis an, welche der folgenden Aussagen richtig und welche falsch sind. 1. Die Trapezregel
MehrElemente in Φ werden Wurzeln genannt. Bemerkung 3.2. (a) Zu einem Wurzelsystem können wir immer eine Spiegelungsgruppe definieren
3. Wurzelsysteme Als erstes führen wir den Begriff eines Wurzelsystems ein. Definition 3.1 (Wurzelsystem). Eine endliche Teilmenge Φ V {0} heißt Wurzelsystem falls gilt: (R1) Φ Rα = {±α} für α Φ, (R2)
MehrIn diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa. Unterraum,
2 Vektorräume In diesem Kapitel wird der Vektorraumbegriff axiomatisch eingeführt und einige grundlegende Begriffe erläutert, etwa Unterraum, Linearkombination, lineare Unabhängigkeit und Erzeugendensystem.
Mehr8. Übung zu Algorithmen I 15. Juni 2016
8. Übung zu Algorithmen I 15. Juni 2016 Lisa Kohl Lisa.Kohl@kit.edu (mit Folien von Julian Arz, Timo Bingmann, Sebastian Schlag, Christian Staudt und Christoph Striecks) Nachtrag: Quicksort, alternative
MehrLineare Algebra und analytische Geometrie I
Prof. Dr. H. Brenner Osnabrück WS 2015/2016 Lineare Algebra und analytische Geometrie I Vorlesung 24 Das Lernen und der Orgasmus finden letztlich im Kopf statt Der Satz von Cayley-Hamilton Arthur Cayley
Mehr4. Geodätische Linien
Gegeben ist eine Riemann sche Mannigfaltigkeit (M,, ) mit Levi-Civita-Zusammenhang D. Das Ziel ist es, ein Analogon für Geraden zu finden. Mögliche Charakterisierung von Geraden in der Euklidischen Geometrie
Mehr= 11 ± 5, also k 1 = 3 und k 2 = 8.
Stroppel Musterlösung.8.5, 8min Aufgabe (6 Punkte) Gegeben sei die Funktion f: R R: x x e x. (a) Zeigen Sie durch vollständige Induktion, dass für alle x R und alle k N gilt: f (k) (x) = ( ) k (x kx+(k
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
MehrAnalysis I. Guofang Wang Universität Freiburg
Universität Freiburg 30.11.2016 5. Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,..., x n ) : x i R} = } R. {{.. R }. n mal Für x R ist x der Abstand zum
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrDas Trust-Region-Verfahren
Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 12, Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 12, 25.01.2012 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
MehrSerie 12: Eigenwerte und Eigenvektoren
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie : Eigenwerte und Eigenvektoren Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom 7 und 9 Dezember Finden Sie für folgende
Mehr