4 Approximation durch lineare Strukturen
|
|
- Kevin Bachmeier
- vor 5 Jahren
- Abrufe
Transkript
1 4 Approximation durch lineare Strukturen Die zweite wichtige Methode, versteckte Linearität aufzudecken, beruht auf linearen Strukturen. Diese werden durch Differenzenrechnung entdeckt. 4. Lineare Strukturen Definition Für eine Abbildung f : F n Fq und einen Vektor u Fn ist die Differenzenabbildung u f : F n Fq definiert durch u f(x) := f(x + u) f(x) für alle x F n. Hilfssatz Für f, g : F n Fq und u Fn gilt: (i) u (f + g) = u f + u g, (ii) Grad u f Grad f. Beweis. (i) ist trivial. (ii) Man kann der Reihe nach o. B. d. A. annehmen: q =, f = T I Monom, f = T T r. Dann ist klar vom Grad r. u f(x) = (x + u ) (x r + u r ) x x r Korollar Ist f konstant, so u f = für alle u F n. Korollar Ist f affin, so u f konstant für alle u F n.. u+v f(x) = f(x + u + v) f(x) = f(x + u + v) f(x + v) + f(x + v) f(x) = u f(x + v) + v f(x).. (Produktregel) In der Situation F n (f,g) F q Fr γ F s mit einer bilinearen Abbildung γ sei h := γ (f, g) : F n Fs. Dann ist u h(x) = γ(f(x + u), g(x + u)) γ(f(x), g(x)) = γ(f(x + u), g(x + u)) γ(f(x + u), g(x)) + γ(f(x + u), g(x)) γ(f(x), g(x)) = γ(f(x + u), g(x + u) g(x)) + γ(f(x + u) f(x), g(x)) = γ(f(x + u), u g(x)) + γ( u f(x), g(x)) 65
2 3. Ist g : F q Fr linear, so u(g f) = g u f. Definition (Evertse, Eurocrypt 87) Ein Vektor u F n Struktur von f : F n Fq, wenn uf konstant ist. heißt lineare 4. Ist f affin, so ist jeder Vektor eine lineare Struktur von f. 5. ist stets eine lineare Struktur von f. 6. Mit u und v ist auch u + v lineare Struktur wegen Bemerkung. Die linearen Strukturen von f bilden also einen Untervektorraum von F n. Auf diesem ist f affin. Insbesondere gilt in Bemerkung 4 auch die Umkehrung. 7. Ist f : F n Fq eine Abbildung mit f() =, so ist u Fn genau dann lineare Struktur von f, wenn f(x + u) f(x) konstant, etwa = c F q ist. Da dann c = f(u) f() = f(u), ist u in diesem Fall genau dann lineare Struktur von f, wenn f(x + u) = f(x) + f(u) für alle x F n. 8. Falls f : F n F quadratische Form mit zugehöriger Bilinearform β f ist, so ist u genau dann lineare Struktur, wenn β f (u, x) = f(x + u) f(x) f(u) = für alle x, also wenn u Rad f. Das Radikal ist also in diesem Fall der Vektorraum der linearen Strukturen von f, und seine Dimension ist n Rang f. Insbesondere ist nach dem Korollar in.8 f genau dann krumm, wenn Rad f =, also wenn die Linearitätsdimension = ist im Sinne der folgenden Definition. Definition 3 Für eine Boolesche Abbildung f : F n Fq wird der Vektorraum der linearen Strukturen als das Radikal Rad f bezeichnet, seine Dimension als Linearitätsdimension von f und seine Codimension als Rang von f, Rang f. 9. Ist f = g h direkte Summe, so ist (u, v) für u F r und v Fs genau dann lineare Struktur von f, wenn u lineare Struktur von g und v lineare Struktur von h ist. Insbesondere ist Rad f = Rad g Rad h. 66
3 4. Das Differenzenprofil Für eine Boolesche Abbildung f : F n Fq und u Fn, v Fq sei D f (u, v) := x F n u f(x) = v}, δ f (u, v) := n #D f (u, v). Definition 4 (Chabaud/Vaudenay, Eurocrypt 94) Die Funktion δ f : F n Fq Q heißt Differenzenprofil von f. (Die Normierung mit dem Faktor n erweist sich als zweckmäßig. In der Literatur wird die Matrix #D f (u, v) auch als Differenzentabelle bezeichnet.). Ist f affin, f(x) = Ax + b, so u f(x) = Au, also D f (u, v) = x F n F n, falls Au = v, Au = v} = sonst, δ f (u, v) =, falls Au = v, sonst. (Jede Zeile des Differenzenprofils enthält genau eine und sonst nur Nullen.). Es sind äquivalent: F n u lineare Struktur von f D f (u, v) = für ein v, sonst, für ein v, δ f (u, v) = sonst. (Die Zeile u des Differenzenprofils ist außer genau einem Eintrag.) 3. Für beliebiges f, aber u = gilt, falls v =, δ f (, v) = sonst ( erste Zeile des Differenzenprofils). 4. v F q δ f (u, v) = ( Zeilensummen des Differenzenprofils). Insbesondere gibt es für jeden Vektor u F n ein v Fq mit δ f (u, v) q. 67
4 Damit ist klar: Satz Für eine Abbildung f : F n Fq sind äquivalent: (i) f ist affin. (ii) Jeder Vektor u F n ist lineare Struktur von f. (iii) Jede Zeile des Differenzenprofils enthält genau einen Eintrag. 5. x D f (u, v) x + u D f (u, v). 6. Alle Werte #D f (u, v) sind gerade: Für u = folgt das aus Bemerkung 3, sonst aus Bemerkung 5. Daher sind alle δ f (u, v) ganzzahlige Vielfache von n. 7. Was passiert bei Addition eines konstanten Vektors im Bild? Ist g(x) = f(x) + b, so g(x + u) = f(x + u) + b und g(x) + v = f(x) + b + v, also D g (u, v) = D f (u, v), insbesondere δ g = δ f. 8. Was passiert bei Addition eines konstanten Vektors im Urbild? Ist h(x) = f(x + a), so D h (u, v) = x h(x + u) = h(x) + v} insbesondere δ h = δ f. = y a f(y + u) = f(y) + v} = D f (u, v) a, 9. Was passiert bei linearen Transformationen im Bildraum? Ist h GL q (F ), so ist D h f (u, v) = x h f(x + u) = h f(x) + v} = x f(x + u) = f(x) + h (v)} = D f (u, h (v)), insbesondere werden die Spalten von δ f permutiert.. Was passiert bei linearen Transformationen im Urbildraum? Ist g GL n (F ), so ist D f g (u, v) = x f g(x + u) = f g(x) + v} = g (y) f(y + g(u)) = f(y) + v} = g (D f (g(u), v), insbesondere werden die Zeilen von δ f permutiert. Die letzten vier zusammen zeigen: 68
5 Satz Das Differenzenprofil δ f einer Booleschen Abbildung f wird unter beliebigen affinen Transformationen von Bild und Urbild permutiert.. Ist f bijektiv, so ist die Menge D f (v, u) = y F n f (y + v) = f (y) + u} für beliebige u, v F n das Bild unter f von D f (u, v). Insbesondere sind beide Mengen gleich groß, und es folgt δ f (v, u) = δ f (u, v). Das Differenzenprofil von f ist als Matrix geschrieben also transponiert zum Differenzenprofil von f; insbesondere sind auch alle Spaltensummen des Differenzenprofils von f gleich. Dieses ist also, wie das Linearitätsprofil, ebenfalls eine doppelt stochastische Matrix und hat in der ersten Spalte oben eine, dann lauter Nullen.. Im Fall q = lässt sich die Autokorrelation nach ihrer Definition als ausdrücken. κ f (x) = δ f (x, ) δ f (x, ) Beispiele. Im Fall n =, q =, f(x, x ) = x x, ist D f (u, v) = (x, x ) u x + u x = u u + v}. Daraus bestimmt man #D f (u, v) 4 δ f (u, v). Ist f : F n F quadratische Form mit zugehöriger Bilinearform β f, so u f(x) = f(x + u) f(x) = f(u) + β f (x, u). Also gilt x D f (u, v) u f(x) = v β f (x, u) = v f(u). 69
6 Falls f(u) = v, gilt also x D f (u, v) β f (x, u) =, falls f(u) v, ist x D f (u, v) β f (x, u) =. Daher gilt im Fall u Rad f : F n falls v = f(u), D f (u, v) = sonst. Falls u Rad f, ist H := x β f (u, x) = } ein -codimensionaler Unterraum von F n und H = x β f (u, x) = } die dazu parallele Hyperebene. Daher ist H falls v = f(u), D f (u, v) = H sonst. Für das Differenzenprofil folgt, wenn u Rad f und v = f(u), δ f (u, v) =, wenn u Rad f und v f(u), wenn u Rad f, und für die Autokorrelation κ f (x) = δ f (x, ) δ f (x, ) = ± für x Rad f sonst. 3. Sei f : F n Fq quadratisch mit zugehöriger bilinearer Abbildung β f (x, y) = f(x + y) f(x) f(y) + f(). Dann ist D f (u, v) = x f(x + u) f(x) = v} = x α f,u (x) = v f(u) + f()} mit der linearen Abbildung α f,u : F n Fq, α f,u(x) = β f (x, u). Daher gilt D f (u, v) = Kern α f,u, falls v = f(u) f(); ist allgemeiner v f(u) + f() im Bild von α f,u, so ist D f (u, v) eine Nebenklasse des Unterraums Kern α f,u, ansonsten D f (u, v) =. Setzt man s u := Dim Bild α f,u, so ist s u q und n su falls v f(u) + f() Bild(α f,u ), #D f (u, v) = sonst. 7
7 4.3 Effiziente Berechnung des Differenzenprofils Grundlage für die effiziente Berechnung von Differenzenprofilen ist der folgende Hilfssatz: Hilfssatz Für jede Boolesche Abbildung f : F n Fq gilt δ f = n ϑ f ϑ f. Beweis. Das folgt aus der Gleichungskette ϑ f ϑ f (u, v) = ϑ f (x, y)ϑ f (x + u, y + v) x F n y F q = ϑ f (x + u, f(x) + v) x F n = #x F n f(x + u) = f(x) + v}. Aus dem Faltungssatz folgt damit direkt also: ˆδ f = n ˆϑ f = n λ f, Hauptsatz Das Differenzenprofil ist bis auf einen konstanten Faktor die Walsh-Transformierte des Linearitätsprofils: λ f = n ˆδ f, δ f = q ˆλ f. Mit der Gleichung von Parseval folgt unmittelbar: Korollar Für jede Boolesche Abbildung f : F n Fq gilt n λ f (u, v) = q δ f (x, y). u F n v F q x F n y F q Korollar Zwei Boolesche Abbildungen F n Fq haben genau dann das gleiche Linearitätsprofil, wenn sie das gleiche Differenzenprofil haben. Das Differenzenprofil der Abbildung f : F n Fq lässt sich also nach folgendem Algorithmus berechnen, der das Linearitätsprofil als Zwischenergebnis liefert:. Bestimmung von ˆϑ f. 7
8 . Quadrieren ω := ˆϑ f, λ f = n ω. 3. Rücktransformation δ f = q ˆλ f = n+q ˆω. Der Aufwand, wenn man ˆλ f schon berechnet hat, besteht aus weiteren 3N log(n) elementaren Operationen, insgesamt also im wesentlichen aus 6N log(n) solchen Operationen plus N Quadrierungen, wobei N = n+q die Größe des Inputs ist. Beispiele. Ist f durch das Polynom T T + T 3 T 4 gegeben, so 56 für x =, y =, ω(x, y) = für x, y =, 6 für y =, für u =, v =, δ f (u, v) = für u =, v =, sonst.. Ebenso folgt für T T + T T 3 + T T 3 : für u =, v = und für u =, v =, δ f (u, v) = für u =, v = und für u =, v =, sonst. 3. Für T T n folgt für u =, v =, für u =, v =, δ f (u, v) = für u, v =, n für u, v =. n Für (T + ) (T n + ) ist das Ergebnis das gleiche. 4. Für die fünf Normalformen von Abbildungen F F für δ f der Reihe nach die Tabellen: erhalten wir 7
9 5. Für den Volladdierer siehe 3. erhalten wir ebenso: δ f Hilfssatz 3 Für jede Boolesche Abbildung f : F n Fq gilt für alle v F q. u F n δ f (u, v) = n ν f ν f (v) Beweis. Durch Aufsummieren in Hilfssatz folgt n δ f (u, v) = ϑ f (x, y)ϑ f (u + x, v + y) u F n u F n x F n y F q = ϑ f (x, y) x F n u F n y F q = y F q x F n ϑ f (x, y) }} ν f (y)-mal, sonst = ν f (y) ν f (v + y) y F q = ν f ν f (v). 73 ϑ f (u + x, v + y) }} ν f (v+y)-mal, sonst ν f (v + y)
10 Aus Hilfssatz 3 und Satz 5 in 3. folgt sofort die folgende Verallgemeinerung von Bemerkung in 4.: sind folgende Aus- Satz 3 (Zhang/Zheng, SAC 96) Für f : F n Fq sagen äquivalent: (i) f ist balanciert. (ii) u F n δ f (u, v) = n q Differenzenprofils). für alle v F q (alle Spaltensummen des (iii) u F n δ f (u, ) = n q (. Spaltensumme des Differenzenprofils). 4.4 Das differenzielle Potenzial Definition 5 (Nyberg, Eurocrypt 93) Für eine Boolesche Abbildung f : F n Fq heißt Ω f := maxδ f (u, v) u F n, v F q, (u, v) } differenzielles Potenzial von f. Anmerkung. In der Literatur wird der maximale Eintrag der Differenzentabelle (außer bei (, )) als differenzielle Uniformität bezeichnet.. Ω f ist invariant unter affinen Transformationen von F n und Fq.. Wegen Bemerkung 4 in 4. folgt q Ω f. 3. Die untere Grenze Ω f = q wird genau dann angenommen, wenn für u alle δ f (u, v) = q sind, d. h., wenn alle Differenzenabbildungen u f : F n Fq balanciert (3.) sind. ( Zeile u des Differenzenprofils konstant.) 4. Hat f eine lineare Struktur, d. h., ist Rad f, so ist Ω f =. 5. Ist f bijektiv, so Ω f = Ω f. 6. Da für f : F n Fq alle Werte des Differenzenprofils δ f stets Vielfache von sind, ist das differenzielle Potenzial Ω n f. n 74
11 Beispiele. Ist f affin, so Ω f =.. Im Fall n =, q =, f(x, x ) = x x, ist Ω f =. 3. Im Falle einer quadratischen Abbildung folgt aus Beispiel 3 in 4. der folgende Satz: Satz 4 (Seberry, Zhang, Zheng, Eurocrypt 94) Sei f : F n Fq eine quadratische Abbildung. (i) Ist Rad f, so ist Ω f =. (ii) Ist f nichtausgeartet, so ist Ω f = mit s q, insbesondere Ω s f. Dabei ist s = q nur möglich, wenn n = q und f krumm. In allen anderen Fällen, insbesondere, wenn f balanciert ist, gilt s q. Hilfssatz 4 Sei f : F n Fn quadratisch und bijektiv und u Fn }. Dann gibt es mindestens eine Linearform β L n }, so dass β f den Vektor u als lineare Struktur hat. Beweis. Es ist D f (u, ) = ; insbesondere ist die Differenzenabbildung u f nicht balanciert. Also ist mindestens ein β u f = u (β f) nicht balanciert. Da diese Differenzenfunktion aber affin ist, muss sie dann konstant sein. Das war zu zeigen. Satz 5 (Seberry, Zhang, Zheng, Eurocrypt 94) Sei f : F n Fn eine bijektive quadratische Abbildung mit Ω f = n. Dann gilt (i) Jeder Vektor u F n } ist lineare Struktur von β f für genau eine Linearform β L n }. (ii) Für jede Linearform β L n } hat die quadratische Funktion β f den Rang n. (iii) n ist ungerade. Beweis. (i) Nach Bemerkung 6 in 4. sind alle δ f (u, v) = oder. Die n Differenzenabbildung u f nimmt also genau n Werte an (jeweils doppelt). Annahme: u ist für zwei verschiedene Linearformen β, β lineare Struktur von β i f. Da über dem Grundkörper F zwei verschiedene Vektoren stets linear unabhängig sind, lassen sich β, β zu einer Basis β,..., β n von L n ergänzen. Dann ist g := β f. β n f = h f mit h GL n (F ), 75
12 also Ω g = Ω f = n. Aber u g hat die ersten beiden Komponenten konstant, kann also höchstens n veschiedene Werte annehmen: Widerspruch. (ii) Nach (i) besteht eine bijektive Beziehung zwischen Vektoren u und Linearformen β. Also hat umgekehrt β f für jedes β L n } genau eine lineare Struktur. Also hat jedes β f den Rang n. (iii) Da der Rang einer quadratischen Funktion nach Satz 8 in.7 stets gerade ist, muss n ungerade sein. Korollar Sei f : F n Fn eine bijektive quadratische Abbildung. Dann ist Ω f, wenn n ungerade, und Ω n f, wenn n gerade. n Beweis. Die erste Aussage gilt nach Bemerkung 6 viel allgemeiner. Die zweite folgt, da Ω f nicht n sein kann. Definition 6 (Nyberg, Eurocrypt 93) Eine Boolesche Abbildung f : F n Fq heißt perfekt nichtlinear, wenn das differenzielle Potenzial den minimalen Wert Ω f = q hat. 7. Das ist nach Bemerkung 3 in 4. und Satz 4 in 3. genau dann der Fall, wenn β f für jede Linearform β : F q F, β perfekt nichtlinear ist. 8. Perfekt nichtlineare Abbildungen f : F n Fq keine linearen Strukturen u. haben insbesondere Aus Bemerkung 3 folgt: Satz 6 Genau dann ist f : F n Fq perfekt nichtlinear, wenn das Differenzenprofil δ f auf (F n }) Fq konstant = q ist. Beispiele 3. Für die fünf Normalformen von Abbildungen F F ist Ω f der Reihe nach,,,,. Insbesondere ist der kleinstmögliche Wert für Abbildungen F F. 4. Ist f : F n F quadratische Form, so ist nach Beispiel in 4. Ω f =, wenn Rang f = n, sonst. 76
13 4.5 Gute Diffusion Definition 7 Eine Boolesche Abbildung f : F n Fq hat gute Diffusion bezüglich u F n, wenn die Differenzenabbildung uf balanciert ist.. Im Fall q = bedeutet das f(x+u) f(x) = oder für jeweils genau n Vektoren x F n. Bezeichnet man die Anzahl der Nullstellen der Differenzenfunktion mit η f (u) := #x F n u f(x) = } = n δ f (u, ), so ist die gute Diffusion bezüglich u äquivalent zu η f (u) = n.. Für allgemeines q bedeutet die gute Diffusion, dass #D f (u, v) = n q bzw. δ f (u, v) = für jedes v F q q, dass also die Zeile u des Differenzenprofils konstant ist. 3. Bezüglich hat keine Abbildung gute Diffusion. 4. Affine Abbildungen haben für keinen Vektor u gute Diffusion. 5. Eine Boolesche Abbildung f ist genau dann perfekt nichtlinear, wenn sie gute Diffusion bezüglich aller Vektoren u F n } hat, wie im Beispiel f(x, x ) = x x. Definition 8 (Webster/Tavares, Crypto 85) Eine Boolesche Funktion f erfüllt das Lawinenkriterium (SAC = strict avalanche criterion ), wenn f gute Diffusion für alle kanonischen Basisvektoren hat. Das bedeutet: Das Umkippen eines Input-Bits ändert genau die Hälfte aller Werte von f. 6. Jede perfekt nichtlineare Funktion erfüllt das Lawinenkriterium. Gute Diffusion einer Booleschen Funktion f lässt sich auch durch die Faltung der Charakter-Form χ f mit sich selbst ausdrücken: χ f χ f (u) = n κ f (u) = n [δ f (u, ) δ f (u, )] = η f (u) n, wobei κ f die Autokorrelation ist. Also: 77
14 Hilfssatz 5 Eine Boolesche Funktion f : F n F hat genau dann gute Diffusion bezüglich u, wenn χ f χ f (u) = bzw. κ f (u) =. Genau dann ist u lineare Struktur von f wenn Speziell für u = folgt χ f χ f (u) = ± n bzw. κ f (u) = ±. χ f χ f () = n, da η f () = n. Also ist f genau dann perfekt nichtlinear, wenn χ f χ f = ˆ, die Punktmasse in, ist, oder wenn (ˆχ f ) = χ f χ f = n konstant ist. Das war gerade die Definition einer krummen Funktion. Wir haben also gezeigt: Korollar (Dillon 974) Eine Boolesche Funktion f ist genau dann perfekt nichtlinear, wenn sie krumm ist. Korollar Falls es eine perfekt nichtlineare Funktion f : F n F gibt, ist n gerade. Satz 7 (Nyberg, Eurocrypt 9) Eine Boolesche Abbildung f : F n F q ist genau dann perfekt nichtlinear, wenn sie krumm ist. Beweis. Beide Eigenschaften sind jeweils äquivalent dazu, dass sie für alle Funktionen β f : F n F gelten, wo β : F q F eine beliebige Linearform ist. Korollar 3 Ist die Urbilddimension n ungerade, so Ω f > q. Ist zusätzlich q n, so Ω f q + n. Beweis. Die zweite Aussage folgt, weil Ω f Vielfaches von sein muss und n. q n Korollar 4 Für n 3 und f : F n Fn ist Ω f n. Beweis. Das folgt, weil f nicht perfekt nichtlinear sein kann wie bei Korollar 3. Ein Maß für eine global möglichst gute Diffusion einer Booleschen Funktion ist die globale Autokorrelation τ f := x F n κ f (x) = n u F n 78 ˆκ f (u) = n u F n ˆχ f (u) 4,
15 wobei die Umformung auf der Parseval-Gleichung und Korollar 4 zum Faltungssatz in.3 beruht. Insbesondere ist τ f κ f () =, und wir wissen schon, dass f genau dann perfekt nichtlinear ist, wenn τ f =. Weiter ist τ f = n u F n ˆχ f (u) 4 n u F n ˆχ f (u) da alle Summanden sind, mit Gleichheit genau dann, wenn höchstens ein Summand > ist. Also ist τ f n, und die Gleichheit gilt genau dann, wenn höchstens ein ˆχ f (u) > ist. Dieses eine muss dann gleich der gesamten Quadratsumme n sein, also ˆχ f (u) = ± n, also L f (u) = oder F n, also f(x) = u x + oder f(x) = u x für alle x. Damit ist gezeigt: Satz 8 Für die globale Autokorrelation τ f einer Booleschen Funktion f : F n F gilt: (i) τ f n. (ii) τ f = f perfekt nichtlinear. (iii) τ f = n f affin. (iv) Ist f quadratische Form vom Rang r, so τ f = n r. (v) Ist f = g h direkte Summe, so τ f = τ g τ h. Beweis. Die vierte Aussage folgt, weil τ f = x F n κ f (x) = x Rad f nach Beispiel in 4., die fünfte direkt aus κ f (x, y) = κ g (x)κ h (y). Für die Berechnung zweckmäßig ist die folgende Formel: τ f = x F n κ f (x) = x F n ( [δf (x, ) + δ f (x, )] 4δ f (x, )δ f (x, ) ), [δ f (x, ) δ f (x, )], also: = x F n Hilfssatz 6 Für die globale Autokorrelation τ f einer Booleschen Funktion f : F n F gilt: τ f = n 4 δ f (x, )δ f (x, ). x F n 79
16 4.6 Die Linearitätsdistanz Sei LS n := f : F n F f hat lineare Struktur }. Das ist die Vereinigung der Untervektorräume zu fester linearer Struktur, aber im allgemeinen selbst kein Untervektorraum. Definition 9 (Meier/Staffelbach, Eurocrypt 89) Für eine Boolesche Funktion f :F n F heißt die Hamming-Distanz die Linearitätsdistanz von f. ρ f := d(f, LS n ). Die Linearitätsdistanz ist invariant unter affinen Transformationen.. ρ f = f LS n. 3. Da A n LS n, ist ρ f σ f, die Nichtlinearität. Wie groß ist ρ f sonst? Zur Antwort hilft eine Zählung: Für einen festen Vektor u F n lässt sich Fn in die beiden Mengen D f (u, ) = x F n u f(x) = }, D f (u, ) = x F n u f(x) = } der Größen n = η f (u) = n δ f (u, ) und n = n η f (u) = n δ f (u, ) zerlegen. Nehmen wir zunächst n n an. Um f zu einer Funktion mit u als linearer Struktur zu machen, muss man mindestens n Werte abändern, und damit schafft man es wirklich: Sei nämlich D f (u, ) = M M irgendwie in zwei gleichgroße Mengen zerlegt mit x M x + u M, #M = #M = n ; dann hat die Funktion f f(x) + für x M (x) :=, f(x) sonst, den Vektor u als lineare Struktur: f(x + u) + f(x) = für x M, u f (x) = f (x + u) + f (x) = f(x + u) + f(x) + = für x M f(x + u) + + f(x) = für x M, und mit weniger Änderungen ist das nicht zu schaffen. 8
17 Falls n < n, benötigt man analog n Wertänderungen. Also ist die Distanz von f zu jeder Funktion g, die u als lineare Struktur hat, d(f, g) n f (u) := min n, n } = n minδ f (u, ), δ f (u, )}, und für geeignetes g wird dieser Wert angenommen. Es folgt ρ f = minn f (u) u F n }}. Da stets n + n = n, ist n f (u) n. Damit ist gezeigt: Satz 9 (Meier/Staffelbach, Eurocrypt 89) Für die Linearitätsdistanz einer Booleschen Funktion f : F n F gilt ρ f n. Die Gleichheit ist äquivalent dazu, dass f perfekt nichtlinear ist. Beweis der zweiten Aussage: In der obigen Zählung ist für jeden Vektor u F n } stets n = n δ f (u, ) = n = n δ f (u, ) = n. Es folgt weiter ρ f = n minδ f (u, v) u F n }, v F }. Wird dieses Minimum in (u, v ) angenommen, also ρ f = n δ f (u, v ), so ist δ f (u, v + ) = δ f (u, v ) maximal, also = Ω f. Gezeigt ist also: Satz Die Linearitätsdistanz ρ f einer Booleschen Funktion f lässt sich durch das differenzielle Potential Ω f so ausdrücken: ρ f = n ( Ω f ). Auch die Linearitätsdistanz ist also kein neues Maß für die Nichtlinearität, auch hier gilt, dass sie historisch vor dem differenziellen Potenzial eingeführt wurde. Ist f : F n F quadratische Form vom Rang r, so n, wenn r = n, ρ f = sonst, passend dazu, dass f im ersten Fall krumm ist und im zweiten Fall stets eine lineare Struktur hat 8
5 Optimierung der Nichtlinearität
5 Optimierung der Nichtlinearität 5. Der Hauptsatz über krumme Abbildungen In diesem Abschnitt werden bereits bewiesene Aussagen über krumme Funktionen und Abbildungen zusammengefasst. Hauptsatz Für eine
Mehr2 Die Walsh-Transformation
Die Walsh-Transformation Gegenstand der Betrachtung sind jetzt zunächst reellwertige Funktionen ϕ : F n R. Diese Funktionen bilden die R-Algebra C n R Fn..1 Definition der Walsh-Transformation Die folgende
MehrBild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis
Mehr1 Die algebraische Normalform
1 Die algebraische Normalform Boolesche Abbildungen lassen sich durch Polynome beschreiben das ist die algebraische Normalform. Der Grad als Polynom ist ein erstes, naheliegendes, Maß für die Nichtlinearität
MehrLineare Algebra I Lösungsvorschlag
Aufgabe Lineare Algebra I Lösungsvorschlag Wir bezeichnen mit a, a 2, a 3 Q 4 die Spalten der Matrix A. Es ist 7 a + 2a 2 = 7 4 = 7a 3, und wir sehen im l A = a, a 2, a 3 = a, a 2. Da die Vektoren a und
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrWir verallgemeinern jetzt den Begriff bilinear zu multilinear. Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante.
118 36 Determinanten Wir verallgemeinern jetzt den Begriff bilinear zu multilinear Unser Ziel ist dabei insbesondere die Einführung der sogenannten Determinante 361 Definition (alternierend, symmetrisch,
MehrGruppe II Lineare Algebra
Pflichtbereichs Klausur in der Lehrerweiterbildung am 7.Juni 22 Bearbeiten Sie 3 der folgenden 6 Aufgaben, dabei aus jeder der beiden Gruppen (Lineare Algebra und Analysis) mindestens eine Aufgabe! Zur
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
Mehrm 1 Die Bewegung der drei Kugeln wird beschrieben durch das folgende Differentialgleichungssystem x 1 (t) x 2 (t) x 3 (t) k 12 k 12 k 12 k k 23
Kapitel 5 Eigenwerte 5. Definition und Beispiele Wir sehen uns ein System dreier schwingender Kugeln der Massen m, m und m 3 an, die durch Federn aneinander gekoppelt sein sollen. m k m k 3 m 3 x ( t x
MehrM U = {x U f 1 =... = f n k (x) = 0}, (1)
Aufgabe 11. a) Es sei M = {(x, y, z) R 3 f 1 = xy = 0; f = yz = 0}. Der Tangentialraum T x M muss in jedem Punkt x M ein R-Vektorraum sein und die Dimension 1 besitzen, damit diese Menge M eine Untermannigfaltigkeit
MehrHolomorphe Funktionen
1 Kapitel 1 Holomorphe Funktionen 1 Komplexe Differenzierbarkeit Ist z = (z 1,..., z n ) ein Element des C n und z ν = x ν + i y ν, so können wir auch schreiben: z = x + i y, mit x = (x 1,..., x n ) und
MehrLinearitätsmaße für Boolesche Abbildungen
Linearitätsmaße für Boolesche Abbildungen Klaus Pommerening Fachbereich Mathematik der Johannes-Gutenberg-Universität Saarstraße D-55099 Mainz 30. Mai 000, letzte Revision 4. Juli 008 In der Kryptologie
MehrLineare Abbildungen und Orthonormalsysteme
KAPITEL Lineare Abbildungen und Orthonormalsysteme. Lineare Abbildungen und Koordinatendarstellungen.. Lineare Abbildungen und ihre Basisdarstellung. Seien V, W Vektorraume uber R. Mit einer Abbildung
MehrLineare Algebra I 3. Tutorium Inverse Matrizen und Gruppen
Lineare Algebra I Tutorium Inverse Matrizen und Gruppen Fachbereich Mathematik WS / Prof Dr Kollross November Dr Le Roux Dipl-Math Susanne Kürsten Aufgaben Aufgabe G (Die zweite Variante des Gauß-Algorithmus)
Mehr8.5 Symmetrische Polynome, Diskriminate und Resultante
332 85 Symmetrische Polynome, Diskriminate und Resultante Ein weiteres Verfahren zur Feststellung, ob mehrfache Wurzeln vorliegen, ist die Betrachtung der Diskriminante, deren Einführung jetzt vorbereitet
MehrGrundlagen der Mathematik 1
Fachbereich Mathematik Sommersemester 2010, Blatt 14 Thomas Markwig Stefan Steidel Grundlagen der Mathematik 1 Die Lösungen müssen nicht eingereicht werden und werden auch nicht korrigiert. Die Aufgaben
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
Mehr3.7 Eigenwerte und Eigenvektoren
3.7. EIGENWERTE UND EIGENVEKTOREN 123 3.7 Eigenwerte und Eigenvektoren Wir wollen jetzt lineare Endomorphismen durch Matrizen besonders übersichtlicher Gestalt (u.a. mit möglichst vielen Nullen) beschreiben,
MehrLineare Algebra 2. Lösung zu Aufgabe 7.2:
Technische Universität Dortmund Sommersemester 2017 Fakultät für Mathematik Übungsblatt 7 Prof. Dr. Detlev Hoffmann 15. Juni 2017 Marco Sobiech/ Nico Lorenz Lineare Algebra 2 Lösung zu Aufgabe 7.1: (a)
Mehr6.5 Lineare Abhängigkeit, Basis und Dimension
6.5. Lineare Abhängigkeit, Basis und Dimension 123 6.5 Lineare Abhängigkeit, Basis und Dimension Seien v 1,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von
Mehr4.2 Die adjungierte Abbildung
4.2. DIE ADJUNGIERTE ABBILDUNG 177 4.2 Die adjungierte Abbildung Die Vektorräume dieses Paragraphen seien sämtlich euklidisch, die Norm kommt jetzt also vom inneren Produkt her, v = v v. Zu f Hom R (V,
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
Mehr5 Quadriken. K = { R 2 ax 2 + bxy + cy 2 + dx + ey + f = 0} wobei a, b, c, d, e, f reelle Zahlen sind mit (a, b, c) (0, 0, 0).
5 Quadriken Kegelschnitte Ein Kegelschnitt ist eine Teilmenge K R 2, welche durch eine quadratische Gleichung in zwei Unbestimmten beschrieben werden kann: x K = { R 2 ax 2 + bxy + cy 2 + dx + ey + f =
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Semestrale Lineare Algebra 1 Prof. Dr. F. Roesler
................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 Unterschrift der Kandidatin/des Kandidaten 3 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik
MehrWiederholungs-Modulprüfung: zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 1.Klausur
Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Wiederholungs-Modulprüfung: zum Lehrerweiterbildungskurs Lineare Algebra/Analytische Geometrie I WiSe 2015/16 1.Klausur Bearbeiten
Mehr9.2 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
Mehr5 Diagonalisierbarkeit
5 Diagonalisierbarkeit Sei V ein K Vektorraum mit einer Basis B = (v 1,..., v n ) Wiederholung aus 2: Sei f : V V K linear. Stelle f(v j ) für j = 1,..., n dar in der Form a 1j Das n Tupel a j =. a nj
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrFür die Matrikelnummer M = Dann sind durch A =
Musterlösung zum. Blatt 9. Aufgabe: Gegeben seien m 3 + 2 m m 3 m 2 m 4 + m 7 m 3 A := m m 2 m 2 + 2 m 2 m 4 + m 5 und b := m 6 m 4 + a) Finden Sie eine Lösung x R 7 für die Gleichung Ax =. b) Finden Sie
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrLösung zu Serie [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren.
Lineare Algebra D-MATH, HS 2014 Prof. Richard Pink Lösung zu Serie 8 1. [Aufgabe] Zeige: Das folgende Diagramm kommutiert insgesamt genau dann, wenn alle 6 Teilquadrate kommutieren. a 1 A 1 a 2 A 2 a 3
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Lineare Algebra 1 WS 2006/07 Lösungen Blatt 13/ Probeklausur. Lösungen zur. Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 13/2 29.1.27 en zur Probeklausur Aufgabe 1 (ca. 6 Punkte) Sei
Mehr( 1) k k 2. k=0. n n(n + 1) ( 1) k k 2 + ( 1) n+1 (n + 1) 2. k=0. + ( 1) n+1 (n + 1) 2 n(n + 1) + (n + 1) 2 )
Musterlösung zum 9. Blatt 8. Aufgabe: Sei n eine natürliche Zahl. Vermuten Sie eine Formel für ( ) k k und beweisen Sie diese durch vollständige Induktion. Lösung: Für jede natürliche Zahl n sei a n =
Mehr7.2 Die adjungierte Abbildung
7.2 Die adjungierte Abbildung Definition 7.2.1 Eine lineare Abbildung f : V K heißt lineares Funktional oder Linearform. (Diese Definition gilt für beliebige K-Vektorräume, nicht nur für innere Produkträume.)
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
Mehr6. f : Abb(R, R) R mit ϕ f(ϕ) := ϕ(1) Hinweis:f :V W über K bedeutet Abbildung f zwischen den Vektorräumen V und W über demselben
Aufgabe 74. Untersuchen Sie die folgenden Abbildungen auf Linearität. 1. f : R 2 R 2 mit (x, y) f(x, y) := (3x + 2y, x) 2. f : R R mit x f(x) := ϑx + ζ für feste ϑ, ζ R 3. f : Q 2 R mit (x, y) f(x, y)
MehrMusterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr
TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,
MehrMusterlösung Serie 8
D-MATH Lineare Algebra I HS 018 Prof. Richard Pink Musterlösung Serie 8 Dimension, Direkte Summe & Komplemente 1. Zeige: Für jedes Erzeugendensystem E eines Vektorraums V und jede linear unabhängige Teilmenge
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrNachklausur (Modulprüfung) zum Lehrerweiterbildungskurs 6 Lineare Algebra/Analytische Geometrie I WiSe 2016/17
Name, Vorname Matrikel-Nr. Aufg.1 Aufg.2 Aufg.3 Aufg.4 Σ Note bzw. Kennzeichen Nachklausur (Modulprüfung) zum Lehrerweiterbildungskurs 6 Lineare Algebra/Analytische Geometrie I WiSe 2016/17 Bearbeiten
Mehr5.7 Lineare Abhängigkeit, Basis und Dimension
8 Kapitel 5. Lineare Algebra 5.7 Lineare Abhängigkeit, Basis und Dimension Seien v,...,v n Vektoren auseinemvektorraumv über einem KörperK. DieMenge aller Linearkombinationen von v,...,v n, nämlich { n
Mehr2. Isotropie. Beweis: (i) (ii): β U ist nicht ausgeartet. U U = {0} (ii) (iii): β U ist nicht ausgeartet. Da β nicht ausgeartet ist, gilt U = U:
2. Isotropie Im folgenden sei V ein K-Vektorraum der Dimension n. Es sei q eine quadratische Form darüber und β die zugehörige symmetrische Bilinearform. Zudem gelte in K: 1 + 1 0. Notation 2.0: Wir nennen
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 18. April 2016 Übersicht über die Methoden Seien v 1,..., v r Vektoren in K n. 1. Um zu prüfen, ob die Vektoren v 1,...,
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrMathematik I. Vorlesung 12. Lineare Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 12 Lineare Abbildungen Definition 12.1. Es sei K ein Körper und es seien V und W K-Vektorräume. Eine Abbildung heißt lineare Abbildung,
MehrLineare Algebra II Lösungen zu ausgewählten Aufgaben
Lineare Algebra II Lösungen zu ausgewählten Aufgaben Blatt 2, Aufgabe 3 a) Wir zeigen, daß das Ideal (2, X) kein Hauptideal in Z[X] ist. (Dieses Ideal besteht aus allen Elementen in Z[X], die von der Form
MehrLineare Algebra I für Mathematiker Lösungen
Lineare Algebra I für Mathematiker Lösungen Anonymous 24. April 2016 Aufgabe 1 Beantworten Sie bitte die folgenden Fragen. Jeder Vektorraum hat mindestens ein Element. Q ist ein R-Vektorraum (mit der Multiplikation
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
Mehr7.3 Unitäre Operatoren
Wir können jeden Operator T wie folgt schreiben: Dabei gilt T = 1 2 (T + T ) + i( 1 2 i (T T )) (T + T ) = T + T sowie ( 1 2 i (T T )) = 1 2 i (T T) = 1 2 i (T T ). Wir können T also in zwei lineare Operatoren
Mehrβ 1 x :=., und b :=. K n β m
44 Lineare Gleichungssysteme, Notations Betrachte das lineare Gleichungssystem ( ) Sei A = (α ij ) i=,,m j=,n α x + α x + + α n x n = β α x + α x + + α n x n = β α m x + α m x + + α mn x n = β m die Koeffizientenmatrix
Mehr1 2. Körpererweiterungen
1 2. Körpererweiterungen 1 2. 1. Definition: Sind K, L Körper und i: K L ein Ringhomomorphismus, so ist i injektiv, wir fassen K vermöge i als Unterkörper von L auf, schreiben dafür L K und nennen L eine
Mehra) Die Abbildung µ h ist injektiv, da für alle g 1, g 2 G gilt: Daher ist µ h bijektiv. Zudem folgt aus µ h (g) = g auch
Aufgabe. (8 Punkte) Es sei (G, ) eine Gruppe und e G ihr neutrales Element. Für h G sei µ h : G G die Abbildung, die durch g G : µ h (g) := h g gegeben ist. a) Zeigen Sie, dass für jedes h G die Abbildung
MehrAnalysis für Physiker Zusätze
Analysis für Physiker Zusätze nach den Vorlesungen von Prof. Dr. Werner Timmermann (Sommersemester 2007, Wintersemester 2007/08) Herausgegeben von Jeffrey Kelling Felix Lemke Stefan Majewsky Stand: 23.
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Matrizen und Vektoren, LGS, Gruppen, Vektorräume 1.1 Multiplikation von Matrizen Gegeben seien die Matrizen A := 1 1 2 0 5 1 8 7 Berechnen Sie alle möglichen
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 14: Ferienserie
D-MAVT Lineare Algebra I HS 7 Prof. Dr. N. Hungerbühler Lösungen Serie 4: Ferienserie . Finden Sie ein Erzeugendensystem des Lösungsraums L R 5 des Systems x + x x 3 + 3x 4 x 5 = 3x x + 4x 3 x 4 + 5x 5
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
Mehr3 Bilinearformen und quadratische Formen
3 Bilinearformen und quadratische Formen Sei V ein R Vektorraum. Definition: Eine Bilinearform auf V ist eine Abbildung s : V V R, welche linear in beiden Variablen ist, d.h.: Für u, v, w V und λ, µ R
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrInhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
MehrLineare Algebra I Zusammenfassung
Prof. Dr. Urs Hartl WiSe 10/11 Lineare Algebra I Zusammenfassung 1 Vektorräume 1.1 Mengen und Abbildungen injektive, surjektive, bijektive Abbildungen 1.2 Gruppen 1.3 Körper 1.4 Vektorräume Definition
Mehrtechnische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller
technische universität dortmund Dortmund, im Dezember 2011 Fakultät für Mathematik Prof. Dr. H. M. Möller Lineare Algebra für Lehramt Gymnasien und Berufskolleg Zusammenfassung der Abschnitte 4.3 und 4.4
MehrLösung 23: Sylvesters Trägheitssatz & Singulärwertzerlegung
D-MATH Lineare Algebra I/II HS 07/FS 08 Dr Meike Akveld Lösung 3: Sylvesters Trägheitssatz & Singulärwertzerlegung Wir wissen, dass eine Basis B von R n existiert, sodass p [β Q ] B I I q 0 n p q gilt
MehrT := {σ S 4 σ 3 = Id}. a) Es seien V ein Vektorraum und Φ ein Endomorphismus von V, sodass
I. a) Es sei (G, ) eine abelsche Gruppe mit neutralem Element e G. Zeigen Sie, dass U := {g G g 3 = e G } eine Untergruppe von G ist. b) In der symmetrischen Gruppe S 4 definieren wir analog zu a) die
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr2.2 Kern und Bild; Basiswechsel
22 Kern und Bild; Basiswechsel 22 Kern und Bild; Basiswechsel 35 Jede lineare Abbildung definiert charakteristische Unterräume, sowohl im Ausgangsraum als auch im Bildraum 22 Satz Sei L: V W eine lineare
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrIn diesem Abschnitt werden endliche Erweiterungskörper K des endlichen Körpers F q mit q Elementen betrachtet. n 1
A Endliche Körper A.1 Die Spur In diesem Abschnitt werden endliche Erweiterungskörper K des endlichen Körpers F q mit q Elementen betrachtet. Hilfssatz 1 (i) Die Abbildung ϕ: K K, ϕ(x) = x q, ist ein Automorphismus
MehrAlle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie-
1 Vorbemerkungen Alle Vektoren sind hier Spaltenvektoren. Eine Matrix besteht aus nebeneinandergeschrie- benen Vektoren. Wird die Matrix A = ( a 1,..., a n ) mit dem Vektor c = c 1. c n multipliziert,
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
Mehr1. Übungsblatt: Lineare Algebra I Abgabe: 1. November 2001 in den Übungsgruppen
Hannover, den 25. Oktober 200. Übungsblatt: Lineare Algebra I Abgabe:. November 200 in den Übungsgruppen (je 3 Punkte) Beweisen oder widerlegen Sie die folgenden Aussagen über Mengen. a) A (B C) = (A B)
MehrLösungen zur Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Winter 6 Lösungen zur Prüfung Lineare Algebra I/II für D-MAVT. Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in das entsprechende
MehrDiagonalisierbarkeit symmetrischer Matrizen
¾ Diagonalisierbarkeit symmetrischer Matrizen a) Eigenwerte und Eigenvektoren Die Matrix einer linearen Abbildung ³: Î Î bezüglich einer Basis ( Ò ) ist genau dann eine Diagonalmatrix wenn jeder der Basisvektoren
Mehr102 KAPITEL 14. FLÄCHEN
102 KAPITEL 14. FLÄCHEN Definition 14.3.1 (Kurve) Es sei M eine k-dimensionale Untermannigfaltigkeit des R n. Eine C 1 - Kurve γ : ( a, a) R n mit γ(( a, a)) M heißt Kurve auf M durch x 0 = γ(0). Definition
Mehr(1) In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt.
() In dieser Aufgabe kreuzen Sie bitte nur die Antworten an, die Sie für richtig halten. Eine Begründung wird nicht verlangt. a) Es seien A und B beliebige n n-matrizen mit Einträgen in einem Körper K.
MehrKAPITEL 8. Normalformen. 1. Blockmatrizen. ,C K m 2 n 1. X = K (m 1+m 2 ) (n 1 +n 2 ) K L. und Y = M N Blockmatrizen mit.
KAPITEL 8 Normalformen Definition 8.1 (Blockmatrizen). Sind 1. Blockmatrizen A K m 1 n 1,B K m 1 n 2,C K m 2 n 1 und D K m 2 n 2 so nennet man die Matrix X = ( A B C D ) K (m 1+m 2 ) (n 1 +n 2 ) eine Blockmatrix
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
Mehr[Nächste Frage: wie wissen wir, ob Spaltenvektoren eine Basis bilden? Siehe L6.1] , enthält eine Basis v. V, nämlich und somit das ganze V.
Kriterien für Invertierbarkeit einer Matrix Eine lineare Abbildung falls und nur falls ist bijektiv, d.h. ihre Matrix ist invertierbar, (i) für jede Basis, die Bildvektoren auch eine Basis, bilden; (intuitiv
Mehr(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: Eine
MehrLösungshinweise zu den Hausaufgaben:
N. Borg, S. Hagh Shenas Noshari, 5. Gruppenübung zur Vorlesung S. Nitsche, C. Rösinger, Höhere Mathematik 1 A. Thumm, D. Zimmermann Wintersemester 218/19 M. Stroppel Lösungshinweise zu den Hausaufgaben:
MehrKlausur zur Linearen Algebra I HS 2012, Universität Mannheim, Dr. Ralf Kurbel, Dr. Harald Baum
Klausur zur Linearen Algebra I HS 01, 1.1.01 Universität Mannheim, Dr. Ralf Kurbel, Dr. Harald Baum Name: Sitzplatznummer: Die Bearbeitungszeit für diese Klausur beträgt 90 Minuten. Die Klausur umfaßt
Mehr1 Grundlagen zur Darstellungstheorie
Seminar Gruppen in der Physik SS 06 Vortrag 1 Gruppen und ihr Darstellung Matthias Nagl 1 Grundlagen zur Darstellungstheorie In diesem Vortrag wird es nur um lineare Darstellungen endlicher Gruppen in
MehrLineare Algebra I - Prüfung Winter 2019
Lineare Algebra I - Prüfung Winter 209. (20 Punkte) Kreuzen Sie auf dem Abgabeblatt ihre Antwort an. Pro Teilaufgabe ist genau eine der vier Antwortmöglichkeiten richtig. Für jede richtig beantwortete
MehrKlausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
MehrÜbungen zur Linearen Algebra 1 Probeklausur Musterlösung: Aufgabe A
Musterlösung: Aufgabe A Wir betrachten die Matrix A = 1 4 1 1 3 1 4 5 2 M(3 3, Q) und die dazugehörige Abbildung f : Q 3 Q 3 ; v A v. Für j = 1, 2, 3 bezeichne v j Q 3 die j-te Spalte von A. Teilaufgabe
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 22 Algebraische Körpererweiterung Satz 1. Sei K L eine Körpererweiterung und sei f L ein Element. Dann sind folgende Aussagen
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
Mehr4.4 Symmetrische Bilinearformen
4.4. SYMMETRISCHE BILINEARFORMEN 195 4.4 Symmetrische Bilinearformen Alle betrachteten Vektorräume seien euklidisch. Wir betrachten Bilinearformen Φ: V V R, von denen wir nur voraussetzen, daß sie symmetrisch
MehrEigenwerte, Diagonalisierbarkeit, charakteristisches Polynom
Eigenwerte, Diagonalisierbarkeit, charakteristisches Polynom Eine Fragestellung, die uns im weiteren beschäftigen wird, ist das Finden eines möglichst einfachen Repräsentanten aus jeder Äquivalenzklasse
Mehr3 a) Berechnen Sie die normierte Zeilenstufenform der Matrix A = normierte Zeilenstufenform:
1. Aufgabe (9 Punkte) In dieser Aufgabe müssen Sie Ihre Antwort nicht begründen. Es zählt nur das Ergebnis. Tragen Sie nur das Ergebnis auf diesem Blatt im jeweiligen Feld ein. 0 1 3 a) Berechnen Sie die
MehrHeinrich Heine-Universität Düsseldorf Sommersemester Lineare Algebra 1. Vierzehnte & Fünfzehnte Woche,
Fakultät für Mathematik PD Dr Markus Perling Heinrich Heine-Universität Düsseldorf Sommersemester 2014 Lineare Algebra 1 Vierzehnte & Fünfzehnte Woche, 1672014 10 Determinanten (Schluß) Das folgende Resultat
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 11. Übung: Woche vom
Übungsaufgaben 11. Übung: Woche vom 9. 1.-13. 1. 2017 (Numerik): Heft Ü 1: 12.28.a,b; 12.29.b,c (jeweils mit Fehlerabschätzung); 6.26; 6.27.a (auch mit Lagrange-Interpolationspolynom); 6.25; 6.28 (auch
Mehr