Größe: px
Ab Seite anzeigen:

Download ""

Transkript

1 Losen groer dunnbesetzter Gleichungssysteme uber endlichen Primkorpern Dissertation zur Erlangung des Grades des Doktors der Ingenieurwissenschaften der Technischen Fakultat der Universitat des Saarlandes von Thomas Friedrich Denny Saarbrucken 1997

2 Mein Dank gebuhrt Herrn Prof. Dr. Buchmann fur die Vergabe dieses interessanten Themas sowie die motivierende Betreuung wahrend meiner gesamten akademischen Ausbildung. Mein Dank gilt auch Arjen K. Lenstra, der sich nicht nur wahrend meines Besuchs in den USA als kompetenter und hilfsbereiter Ansprechpartner erwiesen hat. Des weiteren bedanke ich mich bei Volker Muller fur das Korrekturlesen der Arbeit und die freundschaftliche Zusammenarbeit. Auerdem bedanke ich mich bei Damian Weber und Jorg Zayer fur viele anregende Diskussionen und die Bereitstellung interessanter Anwendungsbeispiele. Fur die angenehme Arbeitsatmosphare am Lehrstuhl bedanke ich mich bei allen, die dazu beigetragen haben. Franz-Dieter Berger danke ich recht herzlich fur die langjahrige freundschaftliche Unterstutzung und Hilfe in vielen Situationen. Mein besonderer Dank gilt meinen Eltern und meinem Geschwistern, die mein Studium ermoglichten und mich nach besten Kraften unterstutzt haben.

3 Tag des Kolloquiums: Dekan: Prof. Dr.-Ing. A. Koch Berichterstatter: Prof. Dr. J. Buchmann Prof. Dr. K. Mehlhorn

4

5 Zusammenfassung Die kryptographische Sicherheit der relevantesten Public Key Verfahren hangt von der Schwierigkeit des Faktorisierungsproblems bzw. des Diskreten Logarithmen (DL) Problems in endlichen Primkorpern ab. Sowohl bei allgemeinen Faktorisierungsverfahren als auch bei sogenannten Index-Calculus-Verfahren zur Bestimmung diskreter Logarithmen stellt das Losen eines groen dunnbesetzten Gleichungssystems einen wichtigen Teil der Berechnung dar. In dieser Arbeit wird ein Gleichungsloser vorgestellt, der erfolgreich beim Losen groer dunnbesetzter Gleichungssysteme uber endlichen Primkorpern eingesetzt wurde. Er wurde beim Aufstellen des aktuellen Weltrekords (einer DL-Berechnung in IF p p ) eingesetzt und besteht aus 3 Teilen: einer Modikation der Double Large Prime Variante des Number Field Sieve, einem Preprocessingschritt, der aufbauend auf Ideen der strukturierten Gauelimination die Laufzeit des Lanczos Verfahrens minimiert und einer (sequentiellen bzw. parallelen) Implementierung des Lanczos Verfahrens. Abstract There are numerous crypto-systems whose security is based on the diculty of factoring integers and solving the discrete logarithm (DL) problem in nite elds. One of the main computational problems that occur in general factoring and DLalgorithms is to solve a sparse huge system of linear equations over a nite eld. In this thesis a solver that was successfully used in a computation of discrete logarithms in IF p p which is the current world record. It consists of three parts: A modication of the Double Large Prime Variation for the Number Field Sieve. A preprocessing step which minimizes the running time of the Lanczos algorithm. It is based on the ideas of the Structured Gaussian Elimination. A sequential and a parallel implementation of the Lanczos algorithm.

6

7 Inhaltsverzeichnis 1 Einfuhrung Einleitung : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Mathematische Grundlagen : : : : : : : : : : : : : : : : : : : : : : : 14 2 Der Lanczos Algorithmus Herleitung der Idee : : : : : : : : : : : : : : : : : : : : : : : : : : : : Beschreibung des Lanczos Algorithmus : : : : : : : : : : : : : : : : : Laufzeitabschatzung und Platzbedarf : : : : : : : : : : : : : : : : : : 24 3 Struktur der Systeme Herkunft der Gleichungssysteme : : : : : : : : : : : : : : : : : : : : : Index Calculus Verfahren : : : : : : : : : : : : : : : : : : : : : Faktorisierungsverfahren und NFS fur DL : : : : : : : : : : : Eigenschaften der Gleichungssysteme : : : : : : : : : : : : : : : : : : 30 4 Reduzierung des Gewichtes Voraussetzungen und Notation : : : : : : : : : : : : : : : : : : : : : : Idee des Algorithmus : : : : : : : : : : : : : : : : : : : : : : : : : : : Reduzierung der Anzahl der partial relations : : : : : : : : : Austausch von partial relations : : : : : : : : : : : : : : : : : Beispiel : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : 42

8 8 INHALTSVERZEICHNIS 4.4 Der Algorithmus : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Vorberechnungen : : : : : : : : : : : : : : : : : : : : : : : : : Test der Reduzierungsbedingungen : : : : : : : : : : : : : : : Variationen des Algorithmus : : : : : : : : : : : : : : : : : : : Praktische Ergebnisse : : : : : : : : : : : : : : : : : : : : : : : : : : : Beispiele aus Faktorisierungen : : : : : : : : : : : : : : : : : : Beispiele aus DL-Berechnungen : : : : : : : : : : : : : : : : : 54 5 Implementierung des Lanczos Verfahren Ziel der Implementierung : : : : : : : : : : : : : : : : : : : : : : : : : Rechnen in endlichen Primkorpern : : : : : : : : : : : : : : : : : : : Grundaufgaben des Lanczos Verfahrens : : : : : : : : : : : : : : : : : Beschleunigung der Losungsberechnung : : : : : : : : : : : : : : : : : Genaue Laufzeitanalyse : : : : : : : : : : : : : : : : : : : : : : : : : : Parallele Implementierung : : : : : : : : : : : : : : : : : : : : : : : : Beschreibung der Intel Paragon XP/S 10 : : : : : : : : : : : : Ansatz zur Parallelisierung : : : : : : : : : : : : : : : : : : : : Gleichmaige Auslastung der Knoten : : : : : : : : : : : : : : Kommunikationsschritte : : : : : : : : : : : : : : : : : : : : : Uberlagerung der Kommunikation mit Berechnungen : : : : : Technische Anmerkungen : : : : : : : : : : : : : : : : : : : : : : : : : 109

9 INHALTSVERZEICHNIS 9 6 Der Kompaktizierer Idee : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Implementierung : : : : : : : : : : : : : : : : : : : : : : : : : : : : : Praktische Tests und Ergebnisse : : : : : : : : : : : : : : : : : : : : : Einu der Anzahl der berechneten Losungen : : : : : : : : : Einu der Anzahl der zusatzlichen Gleichungen : : : : : : : : Einu der Blockgroe : : : : : : : : : : : : : : : : : : : : : : Vergleich der Ergebnisse fur Paragon und Sparc20 : : : : : : : 126 Fazit 129 A LC-Programm zur Laufzeitbestimmung 131 B Aufbau eines Kommunikationsrings 133

10 10 INHALTSVERZEICHNIS

11 Kapitel 1 Einfuhrung 1.1 Einleitung Die kryptographische Sicherheit der relevantesten Public Key Verfahren hangt von der Schwierigkeit des Faktorisierungsproblems (RSA-Kryptosystem [35]) bzw. des diskreten Logarithmen Problems (DL-Problem) in endlichen Primkorpern (Die Hellman Schlusselaustauschverfahren [10], ElGamal-Kryptosystem [13], Digital Signature Standard (DSS) [31]) ab. Sowohl bei allgemeinen Faktorisierungsverfahren als auch bei sogenannten Index-Calculus-Verfahren zur Bestimmung diskreter Logarithmen (siehe [27]) stellt das Losen eines groen dunnbesetzten Gleichungssystems einen wichtigen Teil der Berechnung dar. Die vorliegende Arbeit beschaftigt sich mit diesem wichtigen Bestandteil der obigen Algorithmen und legt dabei den Schwerpunkt auf Gleichungssysteme, die vom Number Field Sieve Algorithmus erzeugt werden. Dieses 1990 zum Faktorisieren entwickelte ([26],[43]) und 1993 fur diskrete Logarithmen Probleme erweiterte Verfahren ([16],[36],[40]) stellt unter gewissen plausiblen Annahmen den asymptotisch schnellsten bekannten Algorithmus fur beide Probleme dar. Generell sind Faktorisierungsverfahren wesentlich besser untersucht als Verfahren zur Berechnung diskreter Logarithmen in endlichen Primkorpern. Dies gilt auch fur das Losen der auftretenden Gleichungssysteme. Die Dimension dieser Gleichungssysteme wachst mit der Groe der zu faktorisierenden Zahl bzw. mit der Charakteristik des Korpers, in dem DL-Probleme gelost werden. Unabhangig von der Groe der zu faktorisierenden Zahl mussen die Gleichungssysteme bei allgemeinen Faktorisierungsverfahren nur uber dem Korper mit zwei Elementen gelost werden. Aufbauend auf der Arbeit von P.Montgomery [29]undvon O. Gro [19]konnte eine sehr schnelle Implementierung des Block-Lanczos Verfahrens uber IF 2 implementiert werden, die jedoch in dieser Arbeit nicht besprochen wird. Die Arbeit konzentriert sich daher auf das Losen von Gleichungssystemen fur diskrete Logarithmen Probleme. Im GegensatzzuFaktorisierungsverfahren mu bei der Berechnung diskreter Logarithmen in IF p das auftretende Gleichungssystem uber dem Ring (ZZ=(p ; 1)ZZ) gelost

12 12 1. Einfuhrung werden. Dazu lost man das System fur alle Primteiler von p ; 1 und generiert mit Hilfe von Hensel Lifting (bei Primzahlpotenzen) und des Chinesischen Restsatzes die gesuchte Losung. Die Tatsache, da die Gleichungssysteme fur mehrere Primzahlen, die wesentlich groer als zwei sind, berechnet werden mu, erschwert dieses Problem deutlich. Somit hat die Charakteristik des zugrunde liegenden Korpers bei DL-Problemen einen sehr groen Einu auf die Schwierigkeit des Losens der auftretenden Gleichungssysteme. Vor allem bei der Berechnung diskreter Logarithmen hangt deshalb die Praktikabilitat des eingesetzten Algorithmus stark von der Ezienz des verwendeten Gleichungslosers ab. Lost man DL-Probleme uber Primkorpern IF p mit kleiner Charakteristik (p < ), so benutzt man den Algorithmus von Silver-Pohlig-Hellmann (vgl. [27]), wobei kein Gleichungssystem gelost werden mu. Lost man DL Probleme in Primkorpern IF p mit groerer Charakteristik (p >10 15 ), so konnen die Losungen fur kleine Primteiler q von p ; 1 (q < ) auch mit dem Verfahren von Silver-Pohlig-Hellmann berechnet werden. Aus diesem Grund beschaftigt sich diese Arbeit hauptsachlich mit der Losung von Gleichungssystemen uber endlichen Primkorpern IF p mit groer Charakteristik (p >10 15 ). Wendet man Standardverfahren wie z.b. die Gauelimination an, so stot man sehr schnell auf Speicherplatzprobleme. Zur Speicherung einer Matrix der Dimension mit Elementen aus IF p,wobei p 2 IP p , benotigt man ungefahr 125 Gigabyte Speicherplatz. Eine Variante der Gauelimination, die sogenannte strukturierte Gauelimination (vgl. [33],[32]), nutzt die Dunnbesetztheit der Matrizen aus. Sie reduziert die Dimension des ursprunglichen Systems auf ca. ein Drittel und somit den Speicherplatzbedarf auf ca. ein Zehntel des ursprunglichen Wertes. Beispiele in der obigen Groenordnung sind aber auch damit nicht zu losen. Coppersmith und Odlyzko [32] haben um 1984 vorgeschlagen sogenannte Krylow Subspace Verfahren zur Losung dieser Systeme zu verwenden. Sie benotigen im wesentlichen nur die Speicherung der dunnbesetzten Matrix sowie einiger Vektoren. Dabei handelt es sich unter anderem um das Lanczos Verfahren und das konjugierte Gradienten (CG) Verfahren ([24],[4],[32]). Beides sind Iterationsverfahren, die zur Bestimmung der Eigenwerte einer reellen Matrix und zur Losung von reellen Gleichungssystemen um 1952 entwickelt wurden und eine in etwa vergleichbare Anzahl von Operationen benotigen. In der Literatur wird das Lanczos Verfahren vorgezogen. Bei der Anwendung beider Verfahren auf endliche Primkorper treten einige Probleme auf (vgl. [23]), deren Losung jedoch zu keinen wesentlichen Veranderungen der Algorithmen fuhrt. Diese Probleme treten bei dem Wiedemann Verfahren [42] (einem weiteren Krylow Subspace Algorithmus) nicht auf. Dieses Verfahren wurde 1986 speziell fur endliche Primkorper entwickelt. Die Anzahl der benotigten Operationen ist hier jedoch deutlich hoher als beim Lanczos oder CG-Verfahren. Da das Lanczos Verfahren am schnellsten die Losung der Gleichungssysteme berechnet, bildet es die Grundlage des in dieser Arbeit entwickelten Gleichungslosers. Die Anzahl der benotigten Operationen sowie der Speicherplatzbedarf des Lanczos Verfahrens konnte durch eineverbesserung des Verfahrens reduziert werden. Aufbauend auf den Ideen der strukturierten Gauelimination wird ein Preprocessingschritt entwickelt, der die Laufzeit des dann folgenden Lanczos Algorithmus um bis zu 80%

13 1.1 Einleitung 13 reduziert. Trotzdem erfordert die rechen- und speicherplatzintensive Anwendung die Nutzung eines Parallelrechners. Eine Parallelisierung des Lanczos Verfahrens, die fast linearen Speedup hat, legt den Grundstein fur den erfolgreichen Einsatz des in dieser Arbeit entwickelten Gleichungslosers. Die Bemuhungen zum Beschleunigen der Losung der auftretenden Gleichungssysteme setzen bereits bei deren Generierung ein. Eine Modikation der Siebphase (der ersten Phase der Index Calculus und der allgemeinen Faktorisierungsverfahren), die sogenannten Double Large Prime Variante (vgl. [25], [43]), fuhrte 1993 zu einer deutlichen Beschleunigung dieser Phase. Gleichzeitig haben die mit dieser Variante generierten Gleichungssysteme jedoch deutlich mehr Eintrage. Durch eine hier vorgestellte Verbesserung dieser Modikation kann die Anzahl der Eintrage wiederum bis zu 30% reduziert werden. Der entwickelte Gleichungsloser setzt sich also insgesamt aus drei Teilen zusammen: der Modikation der Double Large Prime Variante (Generierung der Systeme), dem Preprocessingschritt, der aufbauend auf Ideen der strukturierten Gauelimination die Laufzeit des Lanczos Verfahrens minimiert und der (sequentiellen bzw. parallelen) Implementierung des Lanczos Verfahrens. Der Gleichungsloser wurde sowohl bei Faktorisierungsbeispielen von Jorg Zayer, der eine der weltweit ersten Number Field Sieve Implementierungen erstellt hat (vgl. [43]), als auch in DL Berechnungen von Damian Weber (vgl. [40]) eingesetzt. Aufbauend auf der Arbeit von Jorg Zayer hat Damian Weber eine COS-Implementierung (ein Index Calculus Algorithmus vgl. [4]) und die weltweit einzige Implementierung des Number Field Sieve fur DL erstellt. Zusammen mit Damian Weber (vgl. [40], [9], [41]) konnte der Weltrekord von Odlyzko und LaMacchia von 1991 bei DL Berechnungen (Berechnung in IF p p ) mehrfach verbessert werden. Dabei betrug die Charakteristik des groten Korpers, in dem DL Berechnungen von uns durchgefuhrt wurden (also der aktuelle Weltrekord), ungefahr Die Arbeit gliedert sich in 6 Kapitel. Nach der Einleitung folgt ein Abschnitt mit den wichtigsten mathematischen Notationen und Grundlagen. Im zweiten Kapitel wird dann das Lanczos Verfahren beschrieben. Der Herleitung der Idee folgt die Beschreibung fur reelle Systeme. Dann wird die Anpassung des Algorithmus an endliche Primkorper beschrieben. Die Laufzeitanalyse einer verbesserten Variante gibt Aufschlu uber die Faktoren, die die Laufzeit des Lanczos Verfahrens beeinuen. Mit der Struktur und den Eigenschaften der betrachteten Systeme beschaftigt sich Kapitel 3. Nach einer genauen Untersuchung ihrer Herkunft werden einige Eigenschaften der Systeme daraus abgeleitet. Die Modikation der Double Large Prime Variante, die bereits bei der Generierung der Systeme auf deren gute Losbarkeit achtet, wird in Kapitel 4 beschrieben. Die Idee und deren Umsetzung in einen ezienten Algorithmus schliet sich an. Zahlreiche praktische Beispiele aus Faktorisierungs- und DL-Beispielen bilden den Abschlu dieses Kapitels.

14 14 1. Einfuhrung Das funfte Kapitel beschaftigt sich mit der Implementierung der sequentiellen und der parallelen Version des Lanczos Verfahrens sowie den damit verbundenen Fragen und Problemen. Dabei beschreibe ich noch eine Idee zur Beschleunigung der Berechnung der Losungen, bevor eine genaue Laufzeitanalyse des Lanczos Verfahrens durchgefuhrt wird. Aus dieser Laufzeitanalyse entwickele ich ein Modell das Laufzeitvorhersagen ermoglicht und die Auswirkungen von Veranderungen des Systems auf die Laufzeit bestimmen kann. Im abschlieenden sechsten Kapitel wird der Kompaktizierer beschrieben. Nachdem in Kapitel 5 das Modell zur Laufzeitvorhersage entwickelt wurde, konnen die Ideen der strukturierten Gauelimination zur Minimierung der Laufzeit des Lanczos Verfahrens benutzt werden. Nach der Beschreibung der Idee und deren Umsetzung werden die praktischen Ergebnisse beschrieben. Das Fazit meiner Arbeit sowie ein Anhang mit einem Programm fur Berechnungen im entwickelten Laufzeitmodell und zum Aufbau einer speziellen Kommunikationsstrukur bilden den Abschlu der Arbeit. 1.2 Mathematische Grundlagen An dieser Stelle mochte ich Bezeichnungen einfuhren, die im weiteren Verlauf der Arbeit benutzt werden, dort aber nicht mehr explizit deniert werden. Als Quelle dienen hauptsachlich die Bucher von Lamprecht [22] und Golub und Loan [15]. Ich verwende zur Bezeichnung von Zahlbereichen folgende Symbole: IN die Menge der naturlichen Zahlen, IP die Menge der Primzahlen, ZZ der Ring der ganzen Zahlen, ZZ=nZZ der Restklassenring modulo n, (ZZ=nZZ) die multiplikative Gruppe des Restklassenringes modulo n, IR der Korper der reellen Zahlen, IF p der Primkorper mit p Elementen, wobei p 2 IP, IK ein beliebiger Korper. Denition 1.1 (Matrix, Zeilenvektor, Spaltenvektor) Ein rechteckiges Schema A = 0 a 11 a 12 ::: a 1n a 21 a 22 ::: a 2n... a m1 a m2 ::: a mn 1 C A =(a ij)1 i m 1 j n von Elementen aus einer beliebigen Menge M heit eine Matrix uber M oder genauer eine m n-matrix, das heit eine Matrix mit m Zeilen und n Spalten. Eine

15 1.2 Mathematische Grundlagen 15 m 1-Matrix A = 0 a 11 a 21. a m1 1 0 C A = heit auch Spaltenvektor. Eine 1 n-matrix heit auch Zeilenvektor. a 1 a 2. a m 1 C A A =(a 11 a 12 :::a 1n )=(a 1 a 2 ::: a n ) Bemerkung 1.2 Wahrend der gesamten Arbeit handelt es sich, sofern nicht anders angegeben, bei Vektoren immer um Spaltenvektoren. Um eine m n-matrix A als Konkatenation von n Spaltenvektoren a i = zu denieren, schreiben wir 0 a 1i a 2i. a mi 1 C A ( i = 1 n ) A =[a 1 a n ]: Denition 1.3 (Matrizenmultiplikation) Sind m n r 2 IN und A 2 IK mn B2 IK nr, so nennt man die gema IK mn IK nr (A B)! IK mr 7! AB = C =(c ij ), mit c ij = nx k=1 a ik b kj gebildete m r-matrix C das Produkt von A mit B. (i =1 ::: m j =1 ::: r): Denition 1.4 (Skalarprodukt) Die Abbildung h i :IK n IK n! IK (x y) 7! hx yi = nx k=1 x k y k = x T y fur x =(x 1 ::: x n ) T y =(y 1 ::: y n ) T heit das Skalarprodukt (bzw. innere Produkt) in IK n.

16 16 1. Einfuhrung Bemerkung 1.5 [Vektor-Matrix-Multiplikation] Ein Vektor kann als einzeilige beziehungsweise einspaltige Matrix aufgefat werden. Somit kann man mit Hilfe der Matrizenmultiplikation das Produkt zweier Vektoren (vgl. Skalarprodukt) sowie eines Vektors mit einer Matrix denieren. Sei v 2 IK n ein Zeilenvektor (v 2 IK 1n )undsei M 2 IK nr. Dann ist w = v M ein Zeilenvektor aus K 1r. Sei v 2 IK n ein Spaltenvektor (v 2 IK n1 ) und sei M 2 IK rn. Dann ist w = M v ein Spaltenvektor aus IK r1. Denition 1.6 (Gewicht einer Matrix) Das Gewicht! einer Matrix A =(a ij ) wird deniert als die Anzahl der von Null verschiedenen Eintrage in A, also! = j f a ij j a ij 6=0g j : Diese Denition wird auch analog auf Vektoren angewendet. Bemerkung 1.7 [Bedeutung des Gewichtes] Gilt fur das Gewicht! einer Matrix A 2 IK mn! minf p nm p mng, so spreche ich von einer dunnbesetzten Matrix A. Durch das Gewicht! einer Matrix A 2 IK mn ist auch die Anzahl der Korperoperationen bei einer Matrix-Vektor-Multiplikation Ab fur einen n-dimensionalen Spaltenvektor b bestimmt. Denition 1.8 (obere und untere Dreiecksmatrix, Diagonalmatrix) Eine quadratische Matrix A, fur deren Elemente a ij = 0 fur alle i > j gilt, heit obere Dreiecksmatrix gilt a ij =0fur alle i<j, so heit A untere Dreiecksmatrix. Ist a ij =0fur alle i 6= j, so heit A Diagonalmatrix. Denition 1.9 (Transponierte) Sei A = 0 a 11 ::: a 1n.. a m1 ::: a mn 1 C A

17 1.2 Mathematische Grundlagen 17 eine m n-matrix. Die Transponierte von A ist die n m-matrix A T = 0 a 11 ::: a m1.. a 1n ::: a mn 1 C A : Bemerkung 1.10 [Eigenschaften] Fur eine Matrix A =(a ij ) 2 IK nn gilt: hx Ayi = nx l k=1 x l a lk y k = nx l=1 x l n X k=1 a lk y k = nx k=1 y k n X l=1 a lk x l = ha T x yi Gilt A = A T (a lk = a kl 8k l) so sagt man: A ist symmetrisch. Fur eine Matrix B 2 IK mn ist die Matrix B T B 2 IK nn symmetrisch. Denition 1.11 (A-orthogonal, A-konjugiert) Fur eine symmetrische Matrix A 2 IK nn heien zwei Spaltenvektoren x y 2 IK n A-orthogonal (bzw. A-konjugiert), falls x T Ay =0. Bemerkung 1.12 [Schreibweise linearer Gleichungssysteme] Ein lineares Gleichungssystem a 11 x 1 + a 12 x a 1n x n = b a m1 x 1 + a m2 x a mn x n = b m kann geschrieben werden als 8 i=1 m nx j=1 a ij x j = b i oder auch als 0 a 11. a m1 a 1n. a mn 1 0 C A x 1. x n 1 0 C A = b 1. b m 1 C A bzw. als Ax = b: Ist b = 0 (b i = 0 fur i = 1 m), so spricht man von einem homogenen Gleichungssystem. Sonst redet man von einem inhomogenen Gleichungssystem.

18 18 1. Einfuhrung Denition 1.13 (Krylow-Matrix, Krylow-Unterraum) Fur eine symmetrische Matrix A 2 IK nn und einen Vektor q 2 IK n ist die Krylow- Matrix K(A q n) deniert durch K(A q n)=[q Aq A 2 q A n;1 q] : Fur ein j 2 IN bezeichnet man den von den ersten j Spalten der Krylow-Matrix aufgespannten Unterraum als Krylow-Unterraum K(A q j)=spanfq Aq A 2 q A j;1 qg : Denition 1.14 (O-Notation) Fur zwei Funktionen f g :IN! IR sagen wir: f = O(g) () 9 n0 c2in 8 nn 0 f(n) c g(n) f = o(g) () lim n!1 f(n) g(n) =0:

19 Kapitel 2 Der Lanczos Algorithmus In diesem Kapitel werde ich den Lanczos Algorithmus genauer vorstellen und eine Laufzeitabschatzung durchfuhren. Aufbauend auf [15] und [29] wird zuerst eine Herleitung der Idee vorgestellt. Ausgehend von der ursprunglichen Beschreibung fur den Korper der reellen Zahlen (vgl. [24]) wird dann die Anpassung fur endliche Korper (vgl. [23],[32]) beschrieben. Die dabei auftretenden Probleme und deren Losung werden diskutiert. Es wird eine Verbesserung des bekannten Algorithmus beschrieben und eine Laufzeitanalyse durchgefuhrt. Im folgenden gehe ich immer davon aus, da ein lineares Gleichungssystem Ax= b (2.1) gelost werden soll, wobei x ein gesuchter n-dimensionaler Vektor, A eine symmetrische n n Matrix und b ein gegebener n-dimensionaler Spaltenvektor ist. 2.1 Herleitung der Idee Angenommen, man ndet eine Matrix W =[w 0 w n;1 ] derart, da W T AW = D gilt, wobei D eine Diagonalmatrix mit vollem Rang ist. Dann fuhrt die Losung des Gleichungssystems Dy = W T b zur Losung von (2.1). Es gilt namlich Dy = W T b () W T AW y = W T b und aus Ax = b () W T Ax = W T b folgt, da x = Wy eine Losung von Ax = b ist. Da D eine Diagonalmatrix ist, kann man die Losung von Dy = W T b sehr schnell berechnen. Somit ist das Problem, eine Losung von (2.1) zu bestimmen, auf das Problem der Bestimmung von W zuruckgefuhrt. Beim Lanczos Algorithmus benutzt man die lineare Unabhangigkeit

20 20 2. Der Lanczos Algorithmus der Spaltenvektoren der Krylow-Matrix K(A b n), um daraus mit Hilfe einer modi- zierten Version der Gram-Schmitt Orthogonalisierung eine A-orthogonale Basis zu konstruieren. Diese Basis baut dann die gesuchte Matrix W = [w 0 w n;1 ] auf. Man setzt w 0 = b und iteriert solange X w i = Aw i;1 ; i;1 j=0 bis w m = 0. Dabei ist zu beachten, da (vgl. [29], x3) c ij w j wobei c ij = wt j A 2 w i;1 w T j Aw j (2.2) w T j Aw i =0 (i 6= j) gilt. (2.3) Unter Benutzung von (2.3) kann man zeigen (vgl. [29], x3), da fur j <i; 2 gilt: w T j A 2 w i;1 = (Aw j ) T Aw i;1 = wj+1 + und damit auch c ij =0fur j <i; 2. jx k=0 1T c j+1 k w k A Aw i;1 =0 Somit vereinfacht sich die Formel (2.2) zur Berechnung der w i fur i 2: w i = Aw i;1 ; c i i;1 w i;1 ; c i i;2 w i;2 : Stoppt die Iteration mit w m =0(w i 6=0,fur 0 i<m), dann gilt: x = m;1 X j=0 w T j b w T j Aw j w j (2.4) ist die gesuchte Losung von (2.1) ist. Der Beweis folgt ([29], x4). Beweis: Sei W = <w 0 w m;1 > der von den Iterationsvektoren aufgespannte Unterraum. Nach Konstruktion der Iterationsvektoren gilt: AW W (2.5) Ax; b 2hw 0 (= b) Aw 0 Aw 1 Aw m;1 iw: (2.6) Fur alle l =0 m; 1 gilt: w T l Ax = w T l A 0 B m;1 j=0 wj T b w wj T j Aw j 1 C A (2:3) = w T l A wt l b w wl T l = w T l b: (2.7) Aw l Daraus folgt W T (Ax;b) =f0g. AusderSymmetrie von A und (2.5) folgt: W T A(Ax; b) =(AW) T (Ax;b) W T (Ax;b) =f0g :

21 2.2 Beschreibung des Lanczos Algorithmus 21 Wegen (2.6) gibt es eine Darstellung Ax; b = Fur alle l =0 m ; 1giltwegen (2.7): 0=w T l A (Ax; b) =w T l A 0 m;1 X i=0 m;1 i=0 c i w i : c i w i 1 A (2:3) = w T l Ac l w l : Da fur 0 l<mgilt w T l Aw l 6= 0, folgt c l = 0 und somit Ax;b =0: Man beachte, da man die Losung (2.4) bereits wahrend der schrittweisen Berechnung der w j partiell aufaddieren kann, da dazu in jeder Iteration nur w j gebraucht wird. 2.2 Beschreibung des Lanczos Algorithmus Nach der Herleitung des Verfahrens beschreibe ich nun den Algorithmus, wie er von C. Lanczos [24] fur lineare Gleichungssysteme mit reellen Koezienten vorgestellt wurde. Die Beschreibung ist so angelegt, da sie direkt zu einer ezienten Implementierung des Verfahrens fuhrt. Man setzt und iteriert fur i 1 nach folgender Vorschrift w 0 = b (2.8) v 1 = Aw 0 (2.9) w 1 = v 1 ; hv 1 v 1 i hw 0 v 1 i w 0 (2.10) v i+1 = Aw i (2.11) w i+1 = v i+1 ; hv i+1 v i+1 i hw i v i+1 i w i ; hv i+1 v i i hw i;1 v i i w i;1 : (2.12) Der Algorithmus stoppt, wenn ein w m gefunden wird, das A-konjugiert zu sich selber ist (hw m Aw m i = 0). Dies passiert fur ein m n. Falls w m = 0 ist, dann ist x = m;1 X i=0 hw i bi hw i v i+1 i w i (2.13)

22 22 2. Der Lanczos Algorithmus eine Losung von Gleichung (2.1). Wird solch ein w m nicht gefunden, dann liegt b nicht in dem von den Spalten von A erzeugten Unterraum. Verwendet man den Lanczos Algorithmus zum Losen linearer Gleichungssysteme uber endlichen Primkorpern, so ubertragt man die Formeln (2.9) - (2.13) auf die Situation in endlichen Korpern. Dabei mu man einige Probleme losen: In endlichen Korpern folgt (im Gegensatz zur Situation in IR, wo A positiv denit ist) aus w T j Aw j = 0 nicht notwendig, da w j = 0 ist. Lost man Gleichungssysteme uber Primkorpern IF p mit groer Charakteristik (p >> n), so stellt die sogenannte Selbstkonjugiertheit kein Problem dar. Mogliche Losungen fur dieses Problem in Korpern mit kleiner Charakteristik nden sich in [29] und[23]. Ich bin an der Losung von homogenen Gleichungssystemen interessiert. Da der Lanczos Algorithmus nur inhomogene Systeme losen kann, wahlt man folgendes Vorgehen: Angenommen, man will Bx = 0 losen, wobei B = [b 1 b n ] und x ein n- dimensionaler Spaltenvektor ist. Dann lost man mit Hilfe des Lanczos Verfahrens B 0 x 0 = b n, wobei B 0 =[b 1 b n;1 ] und x 0 ein (n ; 1)-dimensionaler Spaltenvektor ist. Eine Losung des homogenen Systems Bx = 0 erhalt man durch x i = x 0 i (i =1 n; 1) und x n = ;1, da aus folgt 0 0 b 11. b m1 b 1 n;1. b m n;1 b 11 b 1 n;1 b 1n C A b m1 b m n;1 b mn. x 1. x n;1 1 0 C A x C A = x n;1 ;1 1 C A = b 1n. b mn C A 1 C A : Die Gleichungssysteme, deren Losung bei Faktorisierungen und Berechnung von diskreten Logarithmen benotigt werden, sind in der Regel nicht symmetrisch, jedoch dunnbesetzt. Gesucht wird eine Losung fur Bx = u, wobei x ein n-dimensionaler Vektor, B eine dunnbesetzte m n Matrix (n m) Matrix und b ein gegebener m-dimensionaler Vektor ist. Dabei mu u in dem von den Spalten von B erzeugten Unterraum liegen, damit eine Losung gefunden wird. In der Praxis wird dann A = B T B und b = B T u gesetzt und eine Losung fur (2.1) gesucht. Diese Losung ist dann auch eine Losung von Bx = u (vgl. [23]). Mit dem Lanczos Verfahren kann man nicht nur eine Losung Bx = u, sondern auch mehrere Losungen Bx j = u j 1 j r, berechnen. In [23] wird ein Verfahren beschrieben, das dies ermoglicht. Man berechnet z j = B T u j und startet den Algorithmus mit w 0 = z 1. Zur Berechnung der r verschiedenen Losungen genugt es Schritt (2.13) durch

23 2.2 Beschreibung des Lanczos Algorithmus 23 x j = m;1 X l=0 hw l z j i hw l v l+1 i w l 1 j r zu ersetzen. Einen Beweis dafur ndet sich in [23]. Beispiel: Es wird in obiger Notation eine Losung fur: Bx = ; ;1 ;1 3 1 ;1 ; ;1 4 3 ;2 ;1 5 ;2 ; in IF 29 gesucht. Der Lanczos Algorithmus lost: B T Bx = 0 B ;1 ;3 ; ; ;2 ;2 12 ;3 13 ; ;1 20 ; C A 1 0 C B C A x 1 x 2 x 3 x 4 x 5 x 6 x 1 x 2 x 3 x 4 x 5 x 6 1 C C A 1 = C A = 0 B ; = u C A 1 C C A = B T u: Dabei wird W =[w 0 w 4 ] berechnet als W = 0 B C C A : Dann gilt W T B T BWy = C A y 1 y 2 y 3 y 4 y 5 1 = C A = W C T B T u: A

24 24 2. Der Lanczos Algorithmus Somit ndet man als Losungen y = C A und damit Wy = x = C A : 2.3 Laufzeitabschatzung und Platzbedarf Ich untersuche den Algorithmus zuerst so, wie er bisher in der Literatur beschrieben wird und in Abschnitt 2.2vorgestellt wurde. Man stellt fest, da in der i-ten Iteration (i 2) die Vektoren w i;1 w i;2 v i+1 und v i sowie fur jede zu berechnende Losung der Vektor z j und der Vektor x j fur die partiell aufaddierte Losung benotigt wird. (Bei der Berechnung von w i kann der Speicherbereich von w i;2 uberschrieben werden.) Aus der vorherigen Iteration ist bereits der Vektor v i sowie das innere Produkt hw i;1 v i i bekannt. Neu berechnet werden mussen die Vektoren v i+1 und w i+1. Bei dieser Berechnung werden die 3 inneren Produkte hv i+1 v i+1 i hw i v i+1 i und hv i+1 v i i benotigt. Nutzt man die paarweise A-Orthogonalitat der Vektoren w i w j (i 6= j) (vgl. (2.3)) aus, so kann man den Platzbedarf und die Anzahl der benotigten Operationen herabsetzen. Dazu benutzt man den folgenden Satz: Satz 2.1 In der Notation von Abschnitt 2.2 gilt: 8 i 1: hv i+1 v i i = hv i+1 w i i : Beweis: Fur i = 1 ist zu zeigen: hv 2 w 1 i = hv 2 v 1 i. Benutzt man die Symmetrie von A, so gilt: hv 2 w 1 i = v T 2 w 1 = (A w 1 ) T w 1 = w T 1 Aw 1 = w T 1 A v 1 ; hv 1 v 1 i hw 0 v 1 i w 0 = w T 1 Av 1 ; hv 1 v 1 i hw 0 v 1 i = (A w 1 ) T v 1 = v T 2 v 1 = hv 2 v 1 i :! 0 1 T 1 AwC {z 0 } A =0

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.

Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer. Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

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

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

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

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

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme. Faktorisierung. Stefan Büttcher stefan@buettcher.org

Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme. Faktorisierung. Stefan Büttcher stefan@buettcher.org Ferienakademie 2001: Kryptographie und Sicherheit offener Systeme Faktorisierung Stefan Büttcher stefan@buettcher.org 1 Definition. (RSA-Problem) Gegeben: Ò ÔÕ, ein RSA-Modul mit unbekannten Primfaktoren

Mehr

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

Lineare Gleichungssysteme (Teschl/Teschl 11.1) Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...

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

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

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27

DLP. Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de ALZAGK SEMINAR. Bremen, den 18. Januar 2011. Fachbereich Mathematik und Informatik 1 / 27 DLP Adolphe Kankeu Tamghe papibobo@informatik.uni-bremen.de Fachbereich Mathematik und Informatik ALZAGK SEMINAR Bremen, den 18. Januar 2011 1 / 27 Inhaltsverzeichnis 1 Der diskrete Logarithmus Definition

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

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

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

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens

Mathematische Grundlagen der Kryptographie. 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe. Stefan Brandstädter Jennifer Karstens Mathematische Grundlagen der Kryptographie 1. Ganze Zahlen 2. Kongruenzen und Restklassenringe Stefan Brandstädter Jennifer Karstens 18. Januar 2005 Inhaltsverzeichnis 1 Ganze Zahlen 1 1.1 Grundlagen............................

Mehr

(Allgemeine) Vektorräume (Teschl/Teschl 9)

(Allgemeine) Vektorräume (Teschl/Teschl 9) (Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:

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

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

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder

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

Der Kern einer Matrix

Der Kern einer Matrix Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2. Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar

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

4 Vorlesung: 21.11. 2005 Matrix und Determinante

4 Vorlesung: 21.11. 2005 Matrix und Determinante 4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer

Mehr

1 Zahlentheorie. 1.1 Kongruenzen

1 Zahlentheorie. 1.1 Kongruenzen 3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern

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

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

Mehr

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

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

Beispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A

Beispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A 133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des

Mehr

Leitfaden Lineare Algebra: Determinanten

Leitfaden Lineare Algebra: Determinanten Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

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

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7

Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe

Mehr

Statistische Untersuchungen zu endlichen Funktionsgraphen

Statistische Untersuchungen zu endlichen Funktionsgraphen C# Projekt 1 Name: Statistische Untersuchungen zu endlichen Funktionsgraphen Aufgabe: Basierend auf dem Abschnitt 2.1.6. Random mappings, Kap.2, S 54-55, in [1] sollen zunächst für eine beliebige Funktion

Mehr

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra

Effiziente Algorithmen und Datenstrukturen I. Kapitel 10: Lineare Algebra Effiziente Algorithmen und Datenstrukturen I Kapitel 10: Lineare Algebra Christian Scheideler WS 2008 19.02.2009 Kapitel 10 1 Überblick Notation Arithmetik auf großen Zahlen (Addition und Multiplikation)

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

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Numerische Behandlung des Eigenwertproblems

Numerische Behandlung des Eigenwertproblems Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

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

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

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

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema

1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema 1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und

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

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

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

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

1 Lineare Gleichungssysteme

1 Lineare Gleichungssysteme MLAN1 1 LINEARE GLEICHUNGSSYSTEME 1 Literatur: K Nipp/D Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4 Auflage, 1998, oder neuer 1 Lineare Gleichungssysteme Zu den grundlegenden

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.

Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33

Mehr

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden:

Spezialfall: Die Gleichung ax = b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a = a 1 gelöst werden: Inverse Matritzen Spezialfall: Die Gleichung ax b mit einer Unbekannten x kann mit Hilfe des Kehrwerts 1 a a 1 gelöst werden: ax b x b a a 1 b. Verallgemeinerung auf Ax b mit einer n nmatrix A: Wenn es

Mehr

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

Lineare Gleichungssysteme - Grundlagen

Lineare Gleichungssysteme - Grundlagen Lineare Gleichungssysteme - Grundlagen Betrachtet wird ein System linearer Gleichungen (im deutschen Sprachraum: lineares Gleichungssystem mit m Gleichungen für n Unbekannte, m, n N. Gegeben sind m n Elemente

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2015 4. April 2016 Zu der Vorlesung wird ein Skript erstellt, welches auf meiner Homepage veröffentlicht wird: http://www.math.uni-hamburg.de/home/geschke/lehre.html

Mehr

RSA Verfahren. Kapitel 7 p. 103

RSA Verfahren. Kapitel 7 p. 103 RSA Verfahren RSA benannt nach den Erfindern Ron Rivest, Adi Shamir und Leonard Adleman war das erste Public-Key Verschlüsselungsverfahren. Sicherheit hängt eng mit der Schwierigkeit zusammen, große Zahlen

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare

Mehr

Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1

Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

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

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.

LU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen. Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems

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

In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe?

In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe? Aufgabe 1: Das Stanzblech: Löcher In ein quadratisches Blech werden Löcher gestanzt. Insgesamt sind es 85 Löcher. Wie viele Löcher sind in der untersten Reihe? Bei dieser Aufgabe kann rückwärts gearbeitet

Mehr

DHBW Karlsruhe, Vorlesung Programmieren, Klassen (2)

DHBW Karlsruhe, Vorlesung Programmieren, Klassen (2) DHBW Karlsruhe, Vorlesung Programmieren, Klassen (2) Aufgabe 3 Bankkonto Schreiben Sie eine Klasse, die ein Bankkonto realisiert. Attribute für das Bankkonto sind der Name und Vorname des Kontoinhabers,

Mehr

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48

Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Am Dienstag, den 16. Dezember, ist Eulenfest. 1/48 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009

Mehr

Der Zwei-Quadrate-Satz von Fermat

Der Zwei-Quadrate-Satz von Fermat Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat

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

45 Eigenwerte und Eigenvektoren

45 Eigenwerte und Eigenvektoren 45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.

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

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren

V DETERMINANTEN In diesem Kapitel entwickeln wir die Theorie der Determinanten Die folgenden Beispiele sollen die Einfuhrung dieses Begries motivieren SKRIPTUM { LINEARE ALGEBRA II JB COOPER Inhaltsverzeichnis: x Determinanten x Eigenwerte x Euklidische Raume x8 Dualitat, Tensorprodukte, Alternierende Formen Anhang: ) Mengen, Abbildungen ) Gruppen )

Mehr

Wirtschaftsmathematik Formelsammlung

Wirtschaftsmathematik Formelsammlung Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2015 (a + b) 2 = a 2 +2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) =a 2 b 2 Fakultät (Faktorielle) n! =1 2 3 4 (n 1) n Intervalle Notation

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

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

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

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

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

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

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

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.

Mehr

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung

Kapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter

Mehr

x LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg

x LINEARE GLEICHUNGSSYSTEME In diesem Paragraph beginnen wir mit einer elementaren Behandlung linearer Gleichungssysteme Bevor wir versuchen eine allg SKRIPTUM { LINEARE ALGEBRA I JB COOPER Inhaltsverzeichnis: x Lineare Gleichungssysteme x Geometrie der Ebene und des Raumes x Vektorraume x Lineare Abbildungen Typeset by AMS-T E X x LINEARE GLEICHUNGSSYSTEME

Mehr

Primzahlzertifikat von Pratt

Primzahlzertifikat von Pratt Primzahlzertifikat von Pratt Daniela Steidl TU München 17. 04. 2008 Primzahltests in der Informatik "Dass das Problem, die Primzahlen von den Zusammengesetzten zu unterscheiden und letztere in ihre Primfaktoren

Mehr

Kapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen

Kapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen TG TECHNOLOGISCHE GRUNDLAGEN Kapitel 3 Mathematik Kapitel 3.3 Algebra Gleichungen Verfasser: Hans-Rudolf Niederberger Elektroingenieur FH/HTL Vordergut 1, 877 Nidfurn 055-654 1 87 Ausgabe: Februar 009

Mehr

Aufgaben zu Kapitel 14

Aufgaben zu Kapitel 14 Aufgaben zu Kapitel 14 1 Aufgaben zu Kapitel 14 Verständnisfragen Aufgabe 14.1 Haben (reelle) lineare Gleichungssysteme mit zwei verschiedenen Lösungen stets unendlich viele Lösungen? Aufgabe 14.2 Gibt

Mehr

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel

Mehr

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen 3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

JOHANNES BONNEKOH. Analysis. Allgemeine Hochschulreife und Fachabitur

JOHANNES BONNEKOH. Analysis. Allgemeine Hochschulreife und Fachabitur JOHANNES BONNEKOH Analysis Allgemeine Hochschulreife und Fachabitur Vorwort Vorwort Mathematik ist eine Sprache, die uns hilft die Natur und allgemeine naturwissenschaftliche Vorgänge zu beschreiben. Johannes

Mehr