Parallele Algorithmen zur

Größe: px
Ab Seite anzeigen:

Download "Parallele Algorithmen zur"

Transkript

1 Parallele Algorithmen zur Analyse dynamischer Systeme Stefan Sertl Diplomarbeit Fakultat fur Mathematik und Physik der Universitat Bayreuth Juli 1998

2 Betreuer: Prof Dr Michael Dellnitz Lehrstuhl fur Angewandte Mathematik an der Universitat Bayreuth Dieses Dokument wurde erstellt mit L A TEX2"

3 So eine Arbeit wird eigentlich nie fertig, man mu sie fur fertig erklaren, wenn man nach Zeit und Umstanden das moglichste getan hat (Goethe, 1787) Danksagung Mein Dank gilt Herrn Prof Dr Michael Dellnitz fur die Vergabe des Themas und die gute Betreuung wahrend der Anfertigung dieser Diplomarbeit sowie Herrn Dipl-Math Oliver Junge fur das Korrekturlesen und die geduldige Beantwortung meiner Fragen Ebenfalls fur das Korrekturlesen dankeich Margit Bocka, Michael Kuraszkiewicz und Andrea Sertl sowie allen anderen, die mich in irgend einer Weise bei der Anfertigung dieser Arbeit unterstutzt haben Kastl, im Juli 1998 Stefan Sertl Urhebervermerk Ich versichere, da ich diese Arbeit selbstandig angefertigt und nur die angegebenen Hilfsmittel und Quellen verwendet habe Kastl, im Juli 1998 (Stefan Sertl) i

4 ii

5 Inhaltsverzeichnis Einleitung 1 1 Grundlagen 5 11 Diskrete dynamische Systeme 5 12 Invariante Mengen und Hyperbolizitat 7 13 Ergodentheorie 9 2 Die sequentiellen Algorithmen Der Unterteilungsalgorithmus Berechnung instabiler Mannigfaltigkeiten Extraktion von dynamischem Verhalten Berechnung invarianter Mae Identikation fast invarianter Mengen 27 3 Die Parallelisierung Das Konzept zur Parallelisierung PVM und das Master/Slave-Modell Die Aufteilung der Berechnungen Die parallelen Algorithmen Der Unterteilungsalgorithmus Der Verfolgungsalgorithmus Berechnung der Frobenius-Perron Matrix Load-Balancing Die Problemstellung Die Kostenfunktion fur das statische Load-Balancing-Problem Heuristische Load-Balancing-Verfahren Minimierung der Kommunikation mit Hilfe fast invarianter Mengen Die Wahl der Unterteilungstiefe ` 58 iii

6 iv INHALTSVERZEICHNIS 4 Untersuchung der Ezienz der parallelen Algorithmen Mazahlen zur Beurteilung der Eektivitat Die Testergebnisse 62 Literaturverzeichnis 73

7 Einleitung Bei der praktischen Behandlung dynamischer Systeme spielen numerische Untersuchungsmethoden eine wichtige Rolle Hierbei ist vor allem die Berechnung invarianter Mannigfaltigkeiten zu nennen, da diese einen entscheidenden Einu auf das Verhalten des dynamischen Systems haben Beispielsweise trennen sie die Einzugsgebiete verschiedener Attraktoren eine Veranderung ihrer Geometrie bei Variation eines Systemparameters kann daher eine qualitative Anderung der Dynamik zur Folge haben Weiter ist bekannt, da transversale Schnitte zwischen stabilen und instabilen Mannigfaltigkeiten zu chaotischem Verhalten des Systems fuhren Diese Art von Chaos zu entdecken, erfordert daher sehr genaue Informationen uber die invarianten Mannigfaltigkeiten des Systems In der Literatur nden sich hierzu eine Vielzahl verschiedener Verfahren Meist wird dabei ein kleines Stuck der lokalen stabilen bzw instabilen Mannigfaltigkeit approximiert, um daraus durch Iteration groere Teile der (globalen) stabilen bzw instabilen Mannigfaltigkeit zu gewinnen (siehe zb [34, 41]) Neuere Methoden ndet man auch in [22] oder [27] Der Nachteil dieser Verfahren ist jedoch, da damit nur eindimensionale Mannigfaltigkeiten berechnet werden konnen Erst in [32] sowie in [6, 7] werden Algorithmen vorgestellt, die die Approximation invarianter Mannigfaltigkeiten beliebiger endlicher Dimension erlauben Hierbei steigt allerdings der Rechenaufwand mit steigender Dimension des Zustandsraums und der zu berechnenden Mannigfaltigkeit erheblich an, so da dann im allgemeinen nur noch sehr grobe Approximationen moglich sind Eine weitere wichtige Methode zur numerischen Untersuchung dynamischer Systeme stellt die Berechnung invarianter Mae dar Mit deren Hilfe ist es moglich, statistische Aussagen zb uber die Aufenthaltswahrscheinlichkeit typischer Orbits in einer vorgegebenen Teilmenge des Zustandsraums zu treen Bei den meisten invarianten Maen ist jedoch die Menge der Startwerte, fur die eine entsprechende Aussage moglich ist, eine Lebesgue-Nullmenge, so da diese fur die Praxis wenig Bedeutung haben In Experimenten zeigt sich dagegen haug, da die Orbits der meisten Startpunkte (auer zb die zu periodischen Punkten) eine nahezu identische Verteilung aufweisen Dies lat vermuten, da hier eine Art Auswahlproze stattndet, der ein bestimmtes " physikalisch relevantes\ Ma 1

8 2 EINLEITUNG bevorzugt Ein Beispiel fur ein solches Ma ist das SRB-Ma (nach Sinai, Ruelle und Bowen) Bisher sind zwar keine allgemeinen Bedingungen fur dessen Existenz bekannt, in einigen wichtigen Fallen wie zb fur Axiom-A Systeme konnte diese aber bereits gezeigt werden Numerische Verfahren zur Berechnung invarianter Mae, insbesondere von SRB-Maen, ndet man zb in [8, 18, 23] Diese beruhen auf der Tatsache, da invariante Mae Fixpunkte des Frobenius-Perron Operators sind ein Eigenvektor zum Eigenwert 1 einer geeigneten Diskretisierung dieses Operators liefert daher die gewunschte Approximation In [8] wird daruber hinaus beschrieben, wie mit anderen Teilen des Spektrums des diskretisierten Frobenius-Perron Operators sogar fast invariante Mengen, dh Mengen, in denen sich das dynamische System lange Zeit aufhalt, bevor es in andere Bereiche wechselt, sowie zyklische und fast zyklische Bereiche identiziert werden konnen Wie fur die Berechnung invarianter Mannigfaltigkeiten gilt jedoch auch hier, da mit steigender Dimension der Mannigfaltigkeit, fur die das invariante Ma berechnet werden soll, eine ausreichend genaue Approximation nur noch mit sehr groem Rechenaufwand erreicht werden kann Meist steht jedoch ein entsprechend leistungsfahiger Rechner nicht zur Verfugung Eine groere Anzahl einfacher Workstations, die uber ein Netzwerk verbunden sind, ist dagegen hauger vorhanden Dank dem Programmsystem PVM (Parallel Virtual Machine [19, 2]) lat sich mit deren Hilfe aber auf einfache Weise ein Parallelrechner simulieren, so da die gemeinsame Rechenleistung dieser Workstations nahezu vollstandig ausgenutzt werden kann Dabei besteht ein paralleles Programm aus mehreren kooperierenden Prozessen, den sogenannten Tasks, welche auf die einzelnen Rechner, die zu einer solchen virtuellen Maschine gehoren, verteilt sind Dem Programmierer steht hierfur eine Funktions-Bibliothek zur Verfugung, die insbesondere Routinen zum Starten und Beenden einzelner Tasks sowie zum Datenaustausch zwischen diesen enthalt Da PVM fur eine Vielzahl verschiedener Architekturen, einschlielichechter Parallelrechner, zur Verfugung steht, ist eine Portierung entsprechender Programme im allgemeinen ohne Probleme durchfuhrbar Auch die Kombination unterschiedlicher Rechnertypen zu einer virtuellen Maschine ist ohne weiteres moglich Ziel dieser Diplomarbeit war es daher, entsprechende parallele Versionen der in [6] und [7] vorgestellten Algorithmen zur Berechnung relativer globaler Attraktoren und instabiler Mannigfaltigkeiten sowie einen parallelen Algorithmus zur Berechnung des diskreten Frobenius-Perron Operators, der auf der in [8] beschriebenen Methode basiert, zu entwickeln Dabei galt es vor allem auch das Problem des Load-Balancings zu losen, dh es war zu klaren, wie die jeweils erforderlichen Berechnungen auf die vorhandenen Rechner aufzuteilen sind, um eine moglichst minimale Laufzeit der Programme zu erreichen Insbesondere sollte hierbei versucht werden, die Eigenschaften des dynamischen Systems auszunutzen, um die

9 Kommunikation zwischen den Rechnern zu minimieren Die Hauptarbeit der betrachteten Algorithmen besteht darin, in jeder Menge einer gegebenen oder durch einen vorangegangenen Schritt berechneten endlichen Kollektion von Teilmengen des Zustandsraums Testpunkte zu generieren, deren Bilder unter dem dynamischen System zu berechnen und festzustellen, in welchen Kollektionselementen diese liegen Da dies fur die einzelnen Mengen unabhangig voneinander erfolgen kann, teile ich zur Parallelisierung der Algorithmen die Elemente der jeweils aktuellen Kollektion zunachst auf die vorhandenen Rechner auf Jeder dieser Rechner, bzw der darauf laufende Task, generiert dann genau fur die ihm zugeordneten Mengen Testpunkte und bildet diese ab Liegen dabei Bildpunkte in einem Kollektionselement, das einem anderen Task zugeordnet ist, als dem, der diese Punkte berechnet hat, so werden entsprechende Daten zwischen den Rechnern ausgetauscht, um auch fur diese Bildpunkte die jeweils erforderlichen Operationen durchfuhren zu konnen Das Load-Balancing besteht bei dieser Vorgehensweise darin, das folgende Optimierungsproblem zu losen: Finde eine Zuordnung der Kollektionselemente zu den Tasks, so da die resultierende Programmlaufzeit minimal ist Hierbei ist neben einer moglichst gleichmaigen Verteilung der Rechenlast auch der Zeitaufwand fur die Kommunikation zu berucksichtigen, dh die Aufteilung ist so vorzunehmen, da moglichst wenig Bildpunkte, die ein Task zu berechnen hat, in Kollektionselementen liegen, die einem anderen Rechner zugeordnet sind Um letzteres zu erreichen, schatze ich das Kommunikationsaufkommen, das fur die jeweils betrachtete Aufteilung zu erwarten ist, mit Hilfe von Ubergangswahrscheinlichkeiten des dynamischen Systems ab Die Losung des genannten Optimimierungsproblems ist jedoch mit einem erheblichen Rechenaufwand verbunden, der im Vergleich zur eigentlichen Aufgabe der parallelen Algorithmen im allgemeinen viel zu gro ist Aus diesem Grund fasse ich zum einen jeweils mehrere Kollektionselemente zu groeren Einheiten zusammen, welche dann als ganzes den Tasks zugeordnet werden Zum anderen verwende ich keine exakten Losungsverfahren, sondern lediglich heuristische Methoden Diese liefern zwar nur annahernd optimale Losungen, sie sind aber wesentlich weniger aufwendig Fur ein anderes Load-Balancing-Verfahren, das vor allem der Minimierung der Kommunikation dient, nutze ich die Existenz fast invarianter Mengen des Systems aus Dazu berechne ich eine grobe Approximation dieser Mengen und nehme dann die Aufteilung der jeweils aktuellen Kollektion entsprechend dieser Approximation vor Dies hat zur Folge, da die Bilder der meisten von einem Task erzeugten Testpunkte in einem Kollektionselement liegen, das ebenfalls diesem Task zugeordnet ist Voraussetzung fur eine minimale Programmlaufzeit ist hierbei jedoch, da die Elemente jeder zu bearbeitenden Kollektion auch moglichst gleichmaig auf die einzelnen Rechner verteilt sind Wie ich zeigen werde, ist dies aber zb 3

10 4 EINLEITUNG dann erfullt, wenn das dynamische System einer bestimmten Symmetriebedingung genugt Zum Aufbau dieser Arbeit: In Kapitel 1 erfolgt zunachst eine kurze Einfuhrung in die Theorie der dynamischen Systeme Dabei deniere ich insbesondere die fur das Verstandnis der Algorithmen erforderlichen Begrie, wie attraktive Menge, stabile und instabile Mannigfaltigkeit sowie invariantes Ma In Kapitel 2 stelle ich ausfuhrlich die zugrundeliegenden sequentiellen Algorithmen aus [6, 7] und [8] vor Dabei gehe ich auch auf deren Implementierung ein, da diese die Basis fur die parallelen Algorithmen darstellt Deren Beschreibung folgt in Kapitel 3 Dazu stelle ich zunachst kurz das Programmsystem PVM vor und erlautere das verwendete Konzept zur Aufteilung der Berechnungen Anschlieend erfolgt dann die genaue Beschreibung der einzelnen parallelen Algorithmen Ausfuhrlich gehe ich auch auf das Problem des Load-Balancings und die hierfur verwendeten Verfahren ein Kapitel 4 enthalt schlielich eine Untersuchung der Ezienz der parallelen Algorithmen Dazu wurden verschiedene Tests durchgefuhrt, deren Ergebnisse ich an dieser Stelle prasentiere

11 Kapitel 1 Grundlagen Fur das Verstandnis der in dieser Arbeit vorgestellten Algorithmen ist die Kenntnis einiger wichtiger Begrie aus der Theorie der dynamischen Systeme notwendig Diese sollen hier kurz vorgestellt werden Fur ein genaueres Studium sei zb auf [14, 33, 37] verwiesen In dieser Arbeit werden oe diskrete dynamische Systeme betrachtet, welche ich in 11 deniere sowie einige Bezeichnungen hierzu einfuhre Ebenso enthalt dieser Abschnitt erste Beispiele diskreter dynamischer Systeme In Abschnitt 12 nden sich dann die Denitionen der wichtigsten Begrie zur Beschreibung des asymptotischen Verhaltens solcher Systeme Der letzte Abschnitt widmet sich schlielich der Ergodentheorie, mit deren Hilfe statistische Aussagen uber das Verhalten dynamischer Systeme getroen werden konnen Hierfur werden einige elementare Kenntnisse aus der Matheorie vorausgesetzt, welche man zb in [1] nden kann 11 Diskrete dynamische Systeme Denition 11 Sei f : R n! R n ein Dieomorphismus Dann deniert ein diskretes dynamisches System x j+1 = f(x j ) j = 1 2 ::: (11) Ist x 2 R n, so heit die Menge O(x) =ff n (x) :n 2 Zg der Orbit von x Ein Punkt p 2 R n heit Fixpunkt des dynamischen Systems (11), falls f(p) =p ist Er heit periodischer Punkt der Ordnung (oder Periode) n, falls er Fixpunkt von f n ist und n die kleinste naturliche Zahl mit dieser Eigenschaft ist Der zugehorige Orbit O(p) =fp f(p) ::: f n;1 (p)g heit dann auch periodischer Orbit Es sei bemerkt, da in diesem Falle auch alle Punkte von O(p) periodisch sind und deren Periode mit der von p ubereinstimmt 5

12 6 KAPITEL 1 GRUNDLAGEN Beispiel 12 1 Den denkbar einfachsten Fall eines diskreten dynamischen Systems erhalt man mit f : R! R f(x) =ax a 2 R nfg: Fur a = 1 ist hier jeder Punkt Fixpunkt, fur a 6= 1 ist einziger Fixpunkt des Systems Periodische Punkte der Ordnung 2 erhalt man fur a = ;1 In jedem Fall ist der Orbit eines Punktes x 2 R gegeben durch O(x) = fa j x : j 2 Zg 2 Ein Beispiel fur kompliziertes dynamisches Verhalten liefert die Henon- Abbildung [21] Sie ist gegeben durch f : R 2! R 2 f(x) = 1 ; ax x 2 bx 1 a b 2 R: Den Orbit eines beliebigen Punktes kann man hier im allgemeinen nicht mehr explizit angeben Leicht zu berechnen sind jedoch die Fixpunkte von f Diese sind gegeben durch p = ~p b ~p mit ~p = 1 2a falls (b ; 1) 2 ;4a 6=, bzw p = ~p b ~p b ; 1 p (b ; 1) 2 +4a mit ~p = 1 1 ; b falls a = und b 6= 1 Andernfalls besitzt f keine Fixpunkte 3 Haug ist ein dynamisches System durch eine autonome Dierentialgleichung 1 Ordnung _x = F (x) mit F : R n! R n und x = x(t) 2 R n gegeben Ist ' t (x) der zugehorige Flu, dh gilt d dt 't (x) =F (' t (x)) so lat sich fur jedes T>durch ' (x) =x f : R n! R n f(x) =' T (x) ein diskretes dynamisches System denieren Man nennt f dann auch die Zeit-T -Abbildung der Dierentialgleichung

13 12 INVARIANTE MENGEN UND HYPERBOLIZIT AT 7 12 Invariante Mengen und Hyperbolizitat Bei der Untersuchung dynamischer Systeme, insbesondere hinsichtlich ihres asymptotischen Verhaltens, spielen invariante Mengen eine wichtige Rolle Denition 13 Eine Menge A R n heit invariant (f-invariant) unter dem diskreten dynamischen System (11), falls f(a) = A ist Bemerkung 14 Ist A R n invariant, so auch dessen Abschlu A Beweis Ist x 2 A, so existiert eine Folge (x n ) n2n A mit lim n!1 x n = xwegen der Stetigkeit von f ist lim n!1 f(x n )=f(x) und mit der Invarianz von A folgt f(x) 2 A Es gilt also f(a) A Daf ein Dieomorphismus und f ;1 (A) = f ;1 (f(a)) = A ist, kann man analog folgern, da auch f ;1 (A) A gilt Die Anwendung von f auf beide Seiten dieser Inklusion liefert schlielich A f(a) und es folgt die Behauptung Existiert zu einer invarianten Menge A eine Umgebung U, die sich unter dem dynamischen System auf A " zusammenzieht\, so nennt man A eine attraktive Menge: Denition 15 Eine invariante Menge A eines dynamischen Systems (11) heit attraktive Menge mit Fundamentalumgebung U, falls fur jede oene Menge V A ein N 2 N existiert, so da f j (U) V fur alle j N (vgl Abb 11) Die oene Menge [ j2nf ;j (U) heit dann Einzugsgebiet von A Falls das Einzugsgebiet von A der gesamte R n ist, dann heit A globaler Attraktor Abbildung 11: Beispiel einer attraktiven Menge mit Fundamentalumgebung U fur die Henon-Abbildung (aus [14], S 622)

14 8 KAPITEL 1 GRUNDLAGEN Bemerkung 16 Falls der globale Attraktor kompakt ist, enthalt er alle kompakten invarianten Mengen des dynamischen Systems f Beweis Sei A kompakter globaler Attraktor und U eine Fundamentalumgebung Weiter sei B eine kompakte invariante Menge Angenommen es ware B 6 A Dann gabeeswegen der Kompaktheit von A eine Umgebung V A mit B 6 V Da A globaler Attraktor ist, existiert ein N 1 2 N mit f j (U) V fur alle j N 1 und zu jedem x 2 B ein N 2 = N 2 (x) 2 N mit x 2 f ;N 2 (U) Mit N(x) = N 1 + N 2 (x) gilt also f j (x) 2 V fur alle j N(x) Wegen der Kompaktheit von B existiert aber N =max x2b N(x) und es gilt daher f j (B) V fur alle j N Da aber B 6 V ist, folgt f j (B) 6= B fur alle j N Dies ist jedoch ein Widerspruch zur Invarianz von B Ein weiterer wichtiger Begri im Zusammenhang mit invarianten Mengen ist der Begri der Hyperbolizitat: Denition 17 Sei A R n eine invariante Menge eines dynamischen Systems (11) Man sagt A besitzt eine hyperbolische Struktur, falls eine stetige invariante Zerlegung R n = E u A E s A, Df(E u x )=E u f (x) und Df(Es x)=e s f (x),sowie Konstanten c> und <<1 existieren, so da fur alle v 2 Ex k2 u N und kdf k (x)vkc k kvk fur alle v 2 Ex k2 s N: kdf ;k (x)vkc k kvk Beispiel 18 (Hyperbolischer Fixpunkt) Besteht die Menge A nur aus einem Fixpunkt p, dh ist A = fpg mit f(p) = p, so ist A genau dann hyperbolisch, falls alle Eigenwerte von Df(p) vom Betrage ungleich 1 sind Wie man sich leicht uberlegt sind hierbei E s p und E u p die verallgemeinerten Eigenraume zu Eigenwerten vom Betrage kleiner bzw groer 1 Ein nichtlineares Analogon zu E s und E u stellen die (lokalen) stabilen und instabilen Mannigfaltigkeiten dar Im Falle eines hyperbolischen Fixpunkts sind diese wie folgt deniert: Denition 19 Sei p ein hyperbolischer Fixpunkt von (11) und sei "> Dann heien W s loc(p) =fq 2 U : kf j (q) ; pk <"fur alle j g W u loc(p) =fq 2 U : kf j (q) ; pk <"fur alle j g die lokale stabile bzw lokale instabile Mannigfaltigkeit von p Weiter heien W s (p) =fq 2 R n : f j (q)! p fur j!1g W u (p) =fq 2 R n : f j (q)! p fur j! ;1g die stabile und instabile Mannigfaltigkeit von p

15 13 ERGODENTHEORIE 9 Bemerkung 11 Falls "> klein genug ist, gilt: 1 W s loc (p) W s (p) undw u q 2 W s loc (p) und lim j!;1 f j (q) =p fur q 2 W u (p) W u loc (p), dh es gilt lim j!1 f j (q) =p fur (p) loc 2 W s (p) = S j f ;j (W s loc (p)) und W u (p) = S j f j (W u loc (p)) Zum Beweis siehe [33] 13 Ergodentheorie Die Ergodentheorie ermoglicht es, statistische Aussagen uber das Verhalten eines dynamischen Systems zu machen Dies geschieht mit Hilfe sogenannter invarianter Mae Im folgenden sei jeweils X eine Menge, B eine -Algebra auf X und f : X! X eine mebare Abbildung, dh f ;1 (B) 2Bfur alle B 2B Denition 111 Ein Wahrscheinlichkeitsma auf (X B) heit invariant (finvariant), falls (f ;1 (B)) = (B) fur alle B 2B Alternativ lassen sich invariante Mae auch wie folgt charakterisieren: Lemma 112 Die folgenden Aussagen sind aquivalent: 1 ist invariant, 2 R ' fd= R 'dfur alle ' 2 L 1 (X B ) Beweis (2) ) (1) Sei B 2Bbeliebig Mit ' = B, der charakteristischen Funktion von B, folgt (B) = Z 'd= und damit, da invariant ist Z ' fd= (f ;1 (B)) (1) ) (2) Nach Voraussetzung gilt fur alle B 2B Z Z B fd= (B) =(f ;1 (B)) = B d: Da jede Funktion ' 2 L 1 (X B ) durch endliche Linearkombinationen solcher charakteristischer Funktionen approximiert werden kann, folgt die Behauptung

16 1 KAPITEL 1 GRUNDLAGEN Beispiel Sei (X B) ein Maraum und f : X! X die Identitat Dann sind alle Wahrscheinlichkeitsmae auf (X B) invariant 2 Sei X eine beliebige Menge und B =( X) die triviale -Algebra Dann existiert genau ein Wahrscheinlichkeitsma, deniert durch (X) =1und ( ) = Dieses ist fur jede mebare Abbildung f : X! X auch invariant 3 Ist p Fixpunkt von f, dann ist das Dirac-Ma p ein invariantes Ma Denn ist p 2 B, so folgt p 2 f ;1 (B) und damit p (B) = p (f ;1 (B)) = 1 Ist jedoch p=2 B, so ist auch p=2 f ;1 (B) und es folgt hier p (B) = p (f ;1 (B)) = Ahnlich zeigt man, da fur einen periodischen Punkt q der Ordnung n P das Ma = 1 n;1 n i= f i (q) invariant ist 4 Sei X =[ 1) und B die Borel -Algebra auf X Zuf : X! X f(x) = 1x mod 1 ist das Lebesgue-Ma m invariant S Beweis Fur Intervalle der Form [a b) gilt f ;1 9 ([a b)) = [ a+i b+i) und i= 1 1 daher m(f ;1 ([a b))) = 9X i= b + i 1 ; a + i 1 = b ; a = m([a b)): (12) Sei das durch (B) =m(f ;1 (B)) denierte Ma Wegen (12) gilt also ([a b)) = b ; a Das einzige Ma mit dieser Eigenschaft ist jedoch das Lebesgue-Ma (siehe zb [1]) Daher folgt m(b) =(B) =m(f ;1 (B)) fur alle B 2B: Es stellt sich nun die Frage, wann invariante Mae existieren Dies beantwortet der folgende Satz (siehe [37]): Satz 114 Falls f : X! X ein Homoomorphismus eines kompakten, metrischen Raums X und B die Borel -Algebra ist, dann existiert wenigstens ein invariantes Ma Eines der grundlegenden Resultate uber invariante Mae ist der Poincaresche Ruckkehrsatz Er erlaubt es, Aussagen uber das " Ruckkehrverhalten\ eines dynamischen Systems zu machen Satz 115 (Poincarescher Ruckkehrsatz) Sei f : X! X eine mebare Abbildung auf dem Maraum (X B) und ein invariantes Ma Dann existiert fur alle B 2Bund -fast alle x 2 B ein n 1, sodaf n (x) 2 B, dh-fast alle x 2 B kehren unter Iteration mit f irgendwann nach B zuruck

17 13 ERGODENTHEORIE 11 Beweis (Vgl [36]) Sei F die Menge aller Punkte von B, die nichtnach B zuruckkehren Dann ist F 2B,da F = B ; [ n1 f ;n (B) =B \ f ;1 (X ; B) \ f ;2 (X ; B) \ ::: Ist x 2 F, so ist f n (x) =2 F fur jedes n 1 Also ist F \f ;n (F )= fur n 1 und daher f ;k (F )\f ;(n+k) (F )= fur jedes n 1 und k Dies impliziert, da die Mengen F, f ;1 (F ), f ;2 (F ) ::: paarweise disjunkt sind und mit der Invarianz von folgt 1 1[ n= f ;n (F )! = 1X n= Dies kann aber nur gelten, wenn (F )= (f ;n (F )) = 1X n= (F ): Man kann sogar folgern, da -fast alle Punkte x 2 B unendlich oft zuruckkehren Denn falls f k (x) =2 B fur alle k m, dann kehrt x unter f m nicht zuruck, x gehort also nach Satz 115 einer -Nullmenge an Vereinigung uber alle m liefert schlielich die Behauptung Noch genauere Aussagen ermoglichen spezielle invariante Mae, die ergodischen Mae Denition 116 Ein invariantes Ma heit ergodisch, falls fur jede Menge B 2Bmit f ;1 (B) =B entweder (B) =oder(b) = 1 gilt Beispiel Ist f : X! X die Identitat, dann ist ein Ma genau dann ergodisch, wenn alle B 2Bdas Ma oder 1 besitzen 2 Die Mae p zu einem Fixpunkt p und = 1 n P n;1 i= f i (q) zu einem periodischen Punkt q sind nicht nur invariant (vgl Beispiel 113, 3), sondern sogar ergodisch Auch fur ergodische Mae ist eine alternative Charakterisierung moglich: Lemma 118 Die folgenden Aussagen sind aquivalent: 1 ist ergodisch, 2 ' f = ' fur ein ' 2 L 1 (X B ) ) ' ist konstant -fast uberall Beweis (2) ) (1) Fur eine Menge B 2B mit f ;1 (B) = B sei ' = B die charakteristische Funktion von B Wegen f ;1 (B) =B folgt ' f = B f = B = ' NachVoraussetzung ist daher ' konstant -fast uberall Da ' = B, folgt also (B) =oder(b) =1

18 12 KAPITEL 1 GRUNDLAGEN (1) ) (2) Ware ' 2 L 1 (X B ) eine Funktion, die nicht -fast uberall konstant ware, so gabe es ein c 2 R, so da die Menge B = fx 2 X : '(x) >cg das Ma < (B) < 1 besitzt Andererseits impliziert die Annahme ' f = ', da f ;1 (B) =B ist, was schlielich zum Widerspruch fuhrt Das Hauptresultat fur ergodische Mae ist, da das zeitliche Mittel typischer Orbits gleich dem raumlichen Mittel bezuglich des ergodischen Maes ist: Satz 119 (Birkhosches Ergodentheorem) Sei f : X! X eine mebare Abbildung auf dem Maraum (X B) und ein ergodisches Ma Dann gilt fur -fast alle x 2 X fur alle ' 2 L 1 (X B ) X n;1 1 lim n!1 n Beweis Siehe zb [29] oder [37] i= '(f i (x)) = Z 'd (13) Zu x 2 X und B 2Bkann die relative Haugkeit, mit der Punkte von ff i (x)g n;1 in B liegen, geschrieben werden als 1 i= n P n;1 i= B(f i (x)) Nach dem Ergodentheorem gilt daher: Folgerung 12 Ist ergodisch, so ist fur -fast alle x 2 X die Wahrscheinlichkeit, da Iterierte f i (x) i=1 2 :::,inb liegen, gleich (B) Existiert fur ein dynamisches System ein invariantes Ma, so auch immer ein ergodisches Ma [37] Fur solche Mae, wie die aus Beispiel 117, 2, die nur Punkten eines periodischen Orbits eine Masse zuordnen, ist das Birkhosche Ergodentheorem jedoch nicht besonders aussagekraftig Man ist daher mehr an Maen interessiert, fur die Gleichung (13) fur eine Menge mit positivem Lebesgue-Ma gilt Dies fuhrt auf den Begri des SRB-Maes (nach Sinai, Ruelle und Bowen) Denition 121 Ein ergodisches Ma ist ein SRB-Ma, falls eine Menge U X mit positivem Lebesgue-Ma existiert, so da fur jede stetige Funktion ' und alle x 2 U gilt X n;1 1 lim n!1 n i= '(f i (x)) = Z 'd: Bemerkung 122 Die Existenz von SRB-Maen konnte bisher nur in einigen speziellen Fallen gezeigt werden, so zb fur sog Anosov Systeme durch Ya G Sinai [39] oder fur Axiom-A Systeme durch RBowen und D Ruelle [3, 38]

19 13 ERGODENTHEORIE 13 (fur eine Denition von Anosov Systemen und Axiom-A Systemen siehe zb [14], Kap III F) Weiter haben M Benedicks und L-S Young die Existenz von SRB-Maen fur die Henon-Abbildung fur eine " groe\ Anzahl von Parameterwerten nachgewiesen [2] Fur allgemeinere Klassen dynamischer Systeme sind bisher jedoch keine Existenzaussagen bekannt Dennoch erscheint die Denition des SRB-Maes, insbesondere im Hinblick auf " reale\ Systeme, als ganz naturliches Konzept (vgl dazu auch [14])

20 14 KAPITEL 1 GRUNDLAGEN

21 Kapitel 2 Die sequentiellen Algorithmen Im folgenden stelle ich dievon M Dellnitz, A Hohmann und O Junge [6, 7, 8] entwickelten numerischen Verfahren zur Analyse dynamischer Systeme vor und gehe auf deren sequentielle Implementierung ein Letztere bildet den Ausgangspunkt fur die in Kapitel 3 vorgestellte Parallelisierung dieser Algorithmen Im einzelnen handelt es sich hierbei um Algorithmen zur Berechnung relativer globaler Attraktoren (Abschnitt 21) und instabiler Mannigfaltigkeiten hyperbolischer Fixpunkte (Abschnitt 22) sowie Verfahren zur Approximation invarianter Mae und zur Identikation fast invarianter Mengen (Abschnitt 23) 21 Der Unterteilungsalgorithmus Der Unterteilungsalgorithmus ermoglicht die Approximation von Teilen des globalen Attraktors eines dynamischen Systems (11), die in einer gegebenen kompakten Menge Q R n liegen Im allgemeinen ist dies jedoch nicht der gesamte, in Q enthaltene Teil des globalen Attraktors Daher zunachst folgende Denition: Denition 21 Sei Q R n kompakt Dann heit A Q = \ j f j (Q) der globale Attraktor relativ zu Q Bemerkung 22 1 A Q ist kompakt, da Q kompakt und f stetig ist 2 Aus Denition 21 folgt A Q Q und A Q f(a Q ) Im allgemeinen gilt jedoch nicht f(a Q ) A Q, dh A Q braucht nicht notwendigerweise invariant zu sein 3 Sei A der globale Attraktor von f Dann gilt A Q A, aber im allgemeinen nicht A Q = A \ Q Denn seien zb p und q zwei hyperbolische Fixpunkte 15

22 16 KAPITEL 2 DIE SEQUENTIELLEN ALGORITHMEN mit W s (q) = W u (p) und sei Q so gewahlt, da q 2 Q ist, aber nicht p 2 Q (siehe Abb 21) Dann ist zwar W u (p) A, es gilt jedoch nicht W u (p) \ Q A Q u W (p) = W (q) s p A Q q Q Abbildung 21: Beispiel fur A Q 6= A \ Q (vgl [7], Abb 1) Die Idee zur Approximation des relativen globalen Attraktors A Q besteht nun darin, Q sukzessive in kleinere Teilmengen zu unterteilen und jeweils diejenigen darunter zu entfernen, die keinen Teil von A Q enthalten Dies wird durch folgenden Algorithmus realisiert: Algorithmus 23 (Unterteilungsalgorithmus) Sei B eine endliche Kollektion kompakter Teilmengen des R n mit Q = [ B2B B: Fur k =1 2 ::: erzeuge B k aus B k;1 wie folgt: 1 Unterteilung: Konstruiere eine neue endliche Kollektion Bk b kompakter Teilmengen des R n,fur die gilt: [ [ B = B B2 bb k B2B k;1 und diam( b Bk ) diam(b k;1 ) fur ein mit <<1 Hierbei sei diam(b) = max B2B diam(b) 2 Auswahl: Deniere B k durch B k = fb 2 b Bk : f ;1 (B) \ b B 6= fur ein b B 2 b Bk g:

23 21 DER UNTERTEILUNGSALGORITHMUS 17 Beispiel 24 Sei f : R! R gegeben durch f(x) = ax mit a 2 ( 1 ) Zu 2 Q =[;1 1] soll der relative globale Attraktor A Q approximiert werden, welcher hier mit dem globalen Attraktor A = fg ubereinstimmt Wahle dazu als Startkollektion die Menge Q selbst, dh B = f[;1 1]g, und erzeuge Bk b jeweils durch Halbierung der Intervalle in B k;1 Damit ist B 1 = b B1 = f[;1 ] [ 1]g : Hier wird im Auswahlschritt keines der beiden Intervalle entfernt, da beide jeweils in sich selbst abgebildet werden Ein weiterer Unterteilungsschritt liefert dann bb 2 = [;1 ; 12 ] [;12 ] [ 12 ] [12 1] : Diesmal fallen im Auswahlschritt die beiden aueren Intervalle weg, da deren Urbilder auerhalb von [;1 1] liegen Es ist also B 2 = [; 12 ] [ 12 ] : Die Fortsetzung dieses Prozesses liefert schlielich im k-ten Schritt B k = [; 1 2 k;1 ] [ 1 2 k;1 ] : S Die Vereinigungen B2B k B =[; 1 1 ]konvergieren also fur k!1tatsachlich gegen den relativen globalen Attraktor A Q = fg 2 k;1 2 k;1 Fur a zwischen 1 und 1 gilt zwar ebenfalls A 2 Q = fg, man kann sich jedoch leicht uberlegen, da dann die Konvergenzgeschwindigkeit geringer ist als fur a 2 ( 1 ) (siehe dazu auch dieuntenstehende Bemerkung 26) 2 Das folgende Resultat zeigt schlielich, da der Algorithmus fur k!1immer gegen den relativen globalen Attraktor konvergiert (zum Beweis siehe [7]): Satz 25 Sei A Q der globale Attraktor relativ zur kompakten Menge Q und B eine endliche Kollektion kompakter Mengen mit Q = Q = [ B2B B Weiter seien die Mengen Q k = [ B2Bk B, k 2 N, mittels Algorithmus 23 erzeugt Dann gilt: A Q Q k fur alle k 2 N und lim k!1 h(a Q Q k )= wobei h(b B ) den gewohnlichen Hausdor-Abstand zweier kompakter Mengen B B R n bezeichne Bemerkung 26 Falls der relative globale Attraktor eine hyperbolische Struktur besitzt, hangt die Konvergenzgeschwindigkeit entscheidend von der Kontraktionsrate entlang der stabilen Richtung ab (siehe [7], Kap 4)

24 18 KAPITEL 2 DIE SEQUENTIELLEN ALGORITHMEN Die Implementierung des Unterteilungsalgorithmus: Fur die Kollektionen B k werden verallgemeinerte Rechtecke der Form R(c r) =fy 2 R n : jy i ; c i jr i fur i =1 ::: ng mit Mittelpunkt c 2 R n und Radius r 2 R n r i > fur i =1 ::: n,verwendet Diese werden in diesem Zusammenhang haug auch einfachalsboxen bezeichnet Gestartet wird der Algorithmus mit einem einzelnen Rechteck B = frg Im k-ten Unterteilungsschritt werden alle Rechtecke R(c r) 2B k;1 der aktuellen Kollektion durch Halbierung bezuglich derj-ten Koordinate unterteilt, wobei j zyklisch alle Koordinatenrichtungen durchlauft, dh j =((k ; 1) mod n) + 1 Man erhalt also jeweils zwei Rechtecke R ; (c ; ^r) und R + (c + ^r), wobei ^r i = ri fur i 6= j r i =2 fur i = j c i = c i fur i 6= j c i r i =2 fur i = j : Diese Vorgehensweise erlaubt es, die Kollektionen B k sehr ezient in einem binaren Baum, der diese Unterteilungsstruktur widerspiegelt, zu speichern Ein Beispiel hierfur zeigt Abb 22 Hier wurden drei Unterteilungen und die zugehorigen Mengen Q k k= dargestellt Man sieht, da jede Kollektion B k und die entsprechende Menge Q k eindeutig durch die Baumstruktur und das Anfangsrechteck R(c r) festgelegt ist root Abbildung 22: Speicherung der Kollektionen B k k= (aus [7], S 38)

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

7. Ringe und Körper. 7. Ringe und Körper 49

7. Ringe und Körper. 7. Ringe und Körper 49 7. Ringe und Körper 49 7. Ringe und Körper In den bisherigen Kapiteln haben wir nur Gruppen, also insbesondere nur Mengen mit lediglich einer Verknüpfung, untersucht. In der Praxis gibt es aber natürlich

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

3. Zusammenhang. 22 Andreas Gathmann

3. Zusammenhang. 22 Andreas Gathmann 22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

Mehr

Einführung in die Informatik I

Einführung in die Informatik I Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Exkurs: Polnische Räume

Exkurs: Polnische Räume Ein normaler Hausdorff-Raum mit abzählbarer Basis kann auf viele Weisen metrisiert werden; man kann insbesondere eine einmal gewonnene Metrik in vielerlei Weise abändern, ohne die von ihr erzeugte Topologie

Mehr

Fraktale Geometrie: Julia Mengen

Fraktale Geometrie: Julia Mengen Fraktale Geometrie: Julia Mengen Gunnar Völkel 1. Februar 007 Zusammenfassung Diese Ausarbeitung ist als Stoffsammlung für das Seminar Fraktale Geometrie im Wintersemester 006/007 an der Universität Ulm

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

Fixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

TEILWEISE ASYNCHRONE ALGORITHMEN

TEILWEISE ASYNCHRONE ALGORITHMEN TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner

Mehr

11. Primfaktorzerlegungen

11. Primfaktorzerlegungen 78 Andreas Gathmann 11 Primfaktorzerlegungen Euch ist sicher aus der Schule bekannt, dass sich jede positive ganze Zahl a als Produkt a = p 1 p n von Primzahlen schreiben lässt, und dass diese Darstellung

Mehr

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte

50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte 50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien

Mehr

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)

Literatur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS) Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.

Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Monte-Carlo Simulation

Monte-Carlo Simulation Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten

Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Über Randeffekte bei der Dichteschätzung räumlich verteilter Daten Andreas Fröhlich, Thomas Selhorst, Christoph Staubach FLI-Wusterhausen DVG Tagung Graz, September 2008 Institut für Epidemiologie Gliederung

Mehr

Die Optimalität von Randomisationstests

Die Optimalität von Randomisationstests Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis

Mehr

Lenstras Algorithmus für Faktorisierung

Lenstras Algorithmus für Faktorisierung Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit

Mehr

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen.

2.12 Potenzreihen. 1. Definitionen. 2. Berechnung 2.12. POTENZREIHEN 207. Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. 2.2. POTENZREIHEN 207 2.2 Potenzreihen. Definitionen Der wichtigste Spezialfall von Funktionenreihen sind Potenzreihen. Eine Potenzreihe mit Entwicklungspunkt x 0 ist eine Reihe a n x x 0 n. Es gilt: es

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen:

Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: 1 Parallele Algorithmen Grundlagen Parallele Algorithmen Grundlagen Wir unterscheiden folgende drei Schritte im Design paralleler Algorithmen: Dekomposition eines Problems in unabhängige Teilaufgaben.

Mehr

13. Abzählen von Null- und Polstellen

13. Abzählen von Null- und Polstellen 13. Abzählen von Null- und Polstellen 77 13. Abzählen von Null- und Polstellen Als weitere Anwendung des Residuensatzes wollen wir nun sehen, wie man ot au einache Art berechnen kann, wie viele Null- bzw.

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem

Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Anwendung der Theorie von Gauß Shift Experimenten auf den Kolmogorov Smirnov Test und das einseitige Boundary Crossing Problem Inauguraldissertation zur Erlangung des Doktorgrades der Mathematisch Naturwissenschaftlichen

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse

Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse

Mehr

Dialekte der Klimaforschung

Dialekte der Klimaforschung Dialekte der Klimaforschung Vom Fortran-Programm zum parallelen Programm Thomas Ludwig Inhalt Welche Dialekte werden transformiert? Welche Anforderungen stellen wir? Wozu diese Transformation? Wie ist

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität

Algebraische Kurven. Vorlesung 26. Die Schnittmultiplizität Prof. Dr. H. Brenner Osnabrück SS 2012 Algebraische Kurven Vorlesung 26 Die Schnittmultiplizität Es seien zwei ebene algebraische Kurven C,D A 2 K gegeben, die keine Komponente gemeinsam haben. Dann besteht

Mehr

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG

RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie

Mehr

Lösungsvorschlag zu den Hausaufgaben der 8. Übung

Lösungsvorschlag zu den Hausaufgaben der 8. Übung FAKULTÄT FÜR MATHEMATIK Prof Dr Patrizio Ne Frank Osterbrink Johannes Lankeit 9503 Lösungsvorschlag zu den Hausaufgaben der 8 Übung Hausaufgabe : Beweise den Satz über die Parallelogrammgleichung Sei H

Mehr

H. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen

H. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

Statistik I für Betriebswirte Vorlesung 5

Statistik I für Betriebswirte Vorlesung 5 Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition

Mehr

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Extrema von Funktionen in zwei Variablen

Extrema von Funktionen in zwei Variablen Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)

(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.) 3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten

Mehr

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn

Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:

Mehr

Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung

Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Ulrich Loup 24.03.2006 Prüfungsstoff: Alegebra I, Analysis IV, Graphentheorie I Prüfer: Prof. Dr. Wilhelm Plesken Protokollant: Dipl.

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

Faktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975)

Faktorisierung ganzer Zahlen mittels Pollards ρ-methode (1975) Dass das Problem, die Primzahlen von den zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren zu zerlegen zu den wichtigsten und nützlichsten der ganzen Arithmetik gehört und den Fleiss

Mehr

PageRank-Algorithmus

PageRank-Algorithmus Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.

Mehr

HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von.

HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG. Das Luzifer-Rätsel. Prof. Dr. Hartmut Plesske Wintersemester 2008/09. von. HOCHSCHULE KONSTANZ TECHNIK, WIRTSCHAFT UND GESTALTUNG Fakultät Informatik Das Luzifer-Rätsel Prof. Dr. Hartmut Plesske Wintersemester 2008/09 von Max Nagl nagl@fh-konstanz.de Inhaltsverzeichnis Inhaltsverzeichnis

Mehr

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann

Abiturvorbereitung Mathematik -Dierentialrechnungc Max. Hoffmann Abiturvorbereitung Mathematik -Dierentialrechnungc Max Hoffmann 1 Ganzrationale Funktionen Im Folgenden wollen wir uns mit ganzrationale Funktionen und der Untersuchung solcher beschäftigen. Dabei werden

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

Mehr

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:

Projektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft: Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein

Mehr

Die Cantor-Funktion. Stephan Welz

Die Cantor-Funktion. Stephan Welz Die Cantor-Funktion Stephan Welz Ausarbeitung zum Vortrag im Proseminar Überraschungen und Gegenbeispiele in der Analysis (Sommersemester 2009, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In dieser

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.

Mehr

Betragsgleichungen und die Methode der Fallunterscheidungen

Betragsgleichungen und die Methode der Fallunterscheidungen mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at

Mehr

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie

Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern

Mehr

Statistik II für Betriebswirte Vorlesung 3

Statistik II für Betriebswirte Vorlesung 3 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

Kapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen

Kapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit

Mehr

1.9 Eigenwerte und Eigenvektoren

1.9 Eigenwerte und Eigenvektoren .9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Stabilität mittels Ljapunov Funktion

Stabilität mittels Ljapunov Funktion Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt

Mehr

!(0) + o 1("). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen.

!(0) + o 1(). Es ist damit möglich, dass mehrere Familien geschlossener Orbits gleichzeitig abzweigen. Bifurkationen an geschlossenen Orbits 5.4 167 der Schnittabbldung konstruiert. Die Periode T (") der zugehörigen periodischen Lösungen ergibt sich aus =! + o 1 (") beziehungsweise Es ist also t 0 = T (")

Mehr

MINT-Circle-Schülerakademie

MINT-Circle-Schülerakademie 1 Einführung MINT-Circle-Schülerakademie Kurze Einführung, was Maple ist, wozu es dienen kann, wo es verwendet wird. Zur Einführung die folgenden Aufgaben bearbeiten lassen. Aufgabe 1. Gib unter Maple

Mehr

Algorithmen II Vorlesung am 15.11.2012

Algorithmen II Vorlesung am 15.11.2012 Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales

Mehr

Analysis I - Stetige Funktionen

Analysis I - Stetige Funktionen Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt

Mehr

Mathematische Ökologie

Mathematische Ökologie Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Hamilton-Formalismus

Hamilton-Formalismus KAPITEL IV Hamilton-Formalismus Einleitung! IV.1 Hamilton sche Bewegungsgleichungen IV.1.1 Kanonisch konjugierter Impuls Sei ein mechanisches System mit s Freiheitsgraden. Im Rahmen des in Kap. II eingeführten

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

DAS SNELLIUSSCHE BRECHUNGSGESETZ UND LINSEN MIT EXAKT PUNKTFÖRMIGEM FOKUS. Eugen Grycko, Werner Kirsch, Tobias Mühlenbruch

DAS SNELLIUSSCHE BRECHUNGSGESETZ UND LINSEN MIT EXAKT PUNKTFÖRMIGEM FOKUS. Eugen Grycko, Werner Kirsch, Tobias Mühlenbruch DAS SNELLIUSSCHE BRECHUNGSGESETZ UND LINSEN MIT EXAKT PUNKTFÖRMIGEM FOKUS Eugen Grycko, Werner Kirsch, Tobias Mühlenbruch Fakultät für Mathematik und Informatik FernUniversität Universitätsstraße 1 Hagen

Mehr

Topologische Begriffe

Topologische Begriffe Kapitel 3 Topologische Begriffe 3.1 Inneres, Rand und Abschluss von Mengen Definition (innerer Punkt und Inneres). Sei (V, ) ein normierter Raum über K, und sei M V eine Menge. Ein Vektor v M heißt innerer

Mehr