1. Lineare Gleichungssysteme I

Größe: px
Ab Seite anzeigen:

Download "1. Lineare Gleichungssysteme I"

Transkript

1 1. Lneare Glechungssysteme I 1.1 Problemstellung (1.1) Gegeben : A e Ñ m,n und b eñ m Gesucht : 8 x e Ñ n» Ax = b < (1.1) st en lneares Glechungssystem mt m Glechungen und n Unbekannten Beechnungen: () m<n (wenger Glechungen als Unbekannte) : unterbestmmtes System () m>n (mehr Glechungen als Unbekannte) : überbestmmtes System () b=0 : homogenes System (v) b 0 : nhomogenes System FRAGEN: Wann st de Lösungsmenge n (1.1) nchtleer (Exsten von Lösungen)? Wann enthält se genau en Element (Endeutgket)? ANTWORTEN: (Lneare Algebra) () Ax = b lösbar ó Rang(A) = Rang( A, b ) () m = n : Ax = b endeutg lösbar ó Rang(A) = n ó A regulär ó det(a) 0 m=n : PROBLEME: We erkennt man, ob A regulär st? We kann man dann de Lösung x bestmmen? We kann man be sngulärem A feststellen, ob Ax=b ene Lösung hat oder ncht?

2 2 numerk1.nb m=n=2 : Bekannte Auflösungsformeln : a b y x y = f y k c d{ k y{ k g{ DetAJ a c b d NE b c + a d Falls ad bc, dann folgt für {x, y} LnearSolveAJ a c b d N, J f g NE 99 d f b g c f + a g =, 9 b c + a d b c + a d == Falls ad = bc? Falls m = n > 2? Enfaches Problem be Matren A mt speeller Struktur : 1.2 Gestaffelte Glechungssysteme, Dreecksmatren Bespel: 3x 1 + x 2 +2x 3 = 66 2x 2 +4x 3 = 84 5x 3 = 75 "gestaffeltes Glechungssystem" Lösung: lette Zele fl x 3 = 15 n vorlette Zele enseten fl x 2 = 12 n erste Zele enseten fl x 1 = 8 In Matrxform: 3 0 k y 4 5{ k x 1 x 2 x 3 y 66y = 84 { k75{ also Determnante = 3 ä 2 ä 5 = 30 0 Ähnlch enfach daher be folgenden Matren: Defnton 1.1 Se A e Ñ n,n, A = (a k )

3 numerk1.nb 3 A heßt "rechte obere Dreecksmatrx" :ñ a k =0 für >k * * y k 0 *{ A heßt "lnke untere Dreecksmatrx" :ñ a k =0 für <k * 0 y k * *{ En lneares Glechungssystem mt Dreecksmatrx heßt "gestaffeltes Glechungssystem" (1.2) Lneares Glechungssystem mt rechter oberer Dreecksmatrx A a 11 x 1 +a 12 x a 1 n x n = b 1 a 22 x a 2 n x n = b a nn x n = b n und a π 0 für =1(1)n n Egenschaften: () (1.2) st endeutg lösbar, da det(a) = =1 a 0 () Der Lösungsvektor x =Hx 1, x 2,..., x n L T lässt sch drekt berechnen durch (1.3) Rücksubsttuton (Rückwärtsenseten) x = n b - k k=+1 y a k x k ì a, { =n(-1)1 BEWEIS: Enseten und beachten, dass leere Summe = 0 glt. BEMERKUNG: Be lnker unterer regulärer Dreecksmatrx analoges Vorgehen mt "Vorwärtsenseten". Wenn man nun ene reguläre Matrx A n en Produkt weer Dreecksmatren erlegen kann, so st das Glechungssystem Ax = b gan enfach u lösen:

4 4 numerk1.nb Ist A = L R mt regulärer lnker unterer Dreecksmatrx L und mt regulärer rechter oberer Dreecksmatrx R, so löse Ax = b folgendermaßen (1.4) () Löse Ly = b durch Vorwärtsenseten f y () Löse Rx = y durch Rückwärtsenseten f x f b = Ly = L(Rx) = Ax We kann man solch ene Zerlegung von A ereugen bw. we kann man aus enem System Ax = b en gestaffeltes Glechungssystem mt glecher Lösungsmenge ereugen? Warum lnke untere (rechte obere) Dreecksmatren und ncht lnke obere.b.? * 0 y * 0 y = * 0 y und Inverse von * 0 y st weder von der Form * 0 y (Körper regulärer Dreecksmatren). k * *{ k * *{ k * *{ k * *{ k * *{ Aber * * y * * y = * * y. k * 0{ k * 0{ k * *{ 1.3 Gauß-Elmnaton ( C.F.Gauß ) Systematsche Umformung der Glechungen, so dass de Lösungsmenge unverändert blebt aber en gestaffeltes Glechungssystem entsteht. Elementare Umformungen (lassen de Lösungsmenge u Ax = b unverändert): () Vertauschung von we Glechungen ( Zelenvertauschung n (A, b) ). () Multplkaton ener Zele mt ener Zahl l 0. () Addton des q-fachen ener Zele u ener anderen Zele, q e Ñ belebg. (v) Vertauschung von we Spalten n A, wenn de entsprechenden Komponenten des Lösungsvektors mtvertauscht werden ( Spaltentausch n x y ). ka{

5 numerk1.nb 5 Prnp der Gauß-Elmnaton: Überführung enes lnearen Glechungssystems n en Glechungssystem mt D r e e c k s m a t r x mt Hlfe elementarer Umformungen. BEISPIEL n "Tableauschrebwese": x 1 x 2 x 3 b x 1 x 2 x 3 b H1L /2 Ø /2 Ø / /3 x 1 x 2 x 3 b H2L /2 fl x 3 = 1/6, x 2 = -1, x 1 = 11/ /3 "PROBE" 1 1 1y 1 y LnearSolveA 1 2 4, 1ê2 E k 1 3 9{ k 1ê3 { =, 8 1<, == Allgemener Fall Ax = b (n Tableauschrebwese) x 1 x x k..... x n a 11 a a 1 k.... a 1 n b 1 a 1 a a k.... a n a n1 a n a nk.... a nn b b n

6 6 numerk1.nb 1. SCHRITT: ZIEL: unterhalb von a 11 n der ersten Spalte Nullen ereugen. VORAUSSETZUNG: a 11 0 (st a 11 = 0, so suche en mt a 1 0 und vertausche de 1. mt der -ten Zele. Ist a 1 = 0 für alle, so st A sngulär. Dann st en Spaltentausch (auch mt x-zele!) notwendg). ADDIERE das H-a 1 ê a 11 )-fache der 1. Zele ur -ten Zele, =2(1)n fl neues Glechungssystem A H1L x = b H1L mt dem neuen Tableau x 1 x x k..... x n a H0L 11 a H0L a H0L H0L 1 k.... a 1 n b 1 H0L 0 a H1L a H1L H1L 2 k.... a 2 n 0 a H1L a H1L H1L k.... a n 0 a H1L n a H1L H1L nk.... a nn b 2 H1L b H1L b n H1L enthält RESTSYSTEM mt der RESTMATRIX Ha H1L L,, = 2 H1L n a H1L a H1L H1L 2 k.... a 2 n a H1L a H1L H1L k.... a n a H1L n a H1L H1L nk.... a nn b 2 H1L b H1L b n H1L Mt A H0L := A und b H0L := b glt dann q H1L := a H0L H0L 1 ê a 11 = 2 H1L n H1L a k := a H0L k + q H1L H0L a 1 k k, = 2 H1L n b H1L := b H0L + q H1L b 1 H0L = 2 H1L n

7 numerk1.nb 7 Jett wendet man das Verfahren auf das Restsystem an und erhält somt das Tableau nach r<n Elmnatonsschrtten ( Glechungssystem A x = b ) x 1 x x r x n a H0L 11 a H0L H0L a 1 r+1 H0L.... a 1 n b 1 H0L 0 a H1L H1L a 2 r a r+1,r a nr+1 H1L.... a 2 n.... a r+1 n.... a nn b 2 H1L b r+1 b n enthält RESTSYSTEM mt der RESTMATRIX Ha L,, = r + 1 H1L n a r+1 r+1....a r+1 k..... a nr+1....a r+1 n a nk.... a nn b r+1 b n r = n-1: FERTIG. A Hn-1L st Dreecksmatrx. r < n-1: () Mndestens en a, r+1 0, =r+1(1)n : eventuell nach Zelentausch st dann a r+1, r+1 Führe mt dem Resttableau den ersten Schrtt durch. () a, r+1 = 0 für =r+1(1)n : ( Matrx sngulär! ) unglech Null. suche n der Restmatrx en Element a k unglech Null. Wenn enes exstert, so st nach enem Spaltentausch ( n x y k A ) { und eventuell nach Zelentausch a r+1,r+1 unglech Null. Verfahre we oben. Andernfalls st de Restmatrx de Nullmatrx fl? (später) f H1.5L Gauß - Algorthmus Hohne Berückschtgung von Zelen - oder SpaltentauschL

8 8 numerk1.nb q Hr+1L := -a r+1 ê a r+1 r+1 = r + 2 H1L n Hr+1L a k := a k + q Hr+1L a r+1 k k, = r + 2 H1L n b Hr+1L := b + q Hr+1L b r+1 = r + 2 H1L n r = 0 H1L n - 1 bw. solange, we n der Restmatrx en Element unglech Null u fnden st. Beechnungen: a r+1 r+1 heßt Pvotelement ( und muss unglech Null sen ). Spalte bw. Zele r+1 heßt Pvotspalte bw. Pvotele. Strategen ur Pvotwahl: () Kanonsche Pvotwahl: kene Vertauschungen, daher Abbruch selbst be regulärer Matrx möglch,.b. be A = 0 1 y. k1 0{ () Spaltenpvotsuche: bestmme als Pvotelement das betragsgrößte Element n der Spalte r+1 der Restmatrx. Daher eventuell Zelentausch notwendg. Aber Abbruch nur be sngulärer Matrx. () Totalpvotsuche: bestmme als Pvotelement das betragsgrößte Element n der Restmatrx. Daher eventuell Zelen- oder Spaltentausch notwendg. Aber Abbruch nur, wenn de Restmatrx de Nullmatrx st. Folgerung 1 Führt ene deser Strategen u dem Glechungssystem A Hn-1L x = b Hn-1L ( * * y k0 *{ k * y * = * y Hn-1L ) und st a { k* nn 0, { so st Rang(A) = n, A also regulär. De Rücksubsttuton (1.3) lefert de endeutge Lösung von Ax = b. n Weter glt: det(a) = =1 a H-1L. BEISPIEL : Vorechen der Determnante: H-1L V, wobe V de Anahl der Zelen- und Spaltenvertauschungen st. x 1 x 2 x 3 b x 1 x 2 x 3 b H1L Ø Ø

9 numerk1.nb x 1 x 2 x 3 b H2L fl x 3 = 0, x 2 = -1, x 1 = Rang(A) = 3, det(a) = 1(-5)(-7) = 35 "PROBE" y 1 y LnearSolveA 2 4 1, 2 E k { k 4 { 881<, 8 1<, 80<< y DetA E k { 35 Also det(a) = -35; oben wurde de Zelenvertauschung ncht berückschtgt. Folgerung 2 Ist für en r e {0,1,...,n-1} de Restmatrx de Nullmatrx, d.h. a = 0 für, =r+1(1)n, so st Rang(A) = r und det(a) = 0, A also sngulär. Weter glt: Also: Rang(A, b) = r ó b = 0 für =r+1(1)n. b 0 für en e {r+1,r+2,...,n} fl Rang(A, b) = r+1 und Ax = b bestt kene Lösung. b = 0 für alle e {r+1,r+2,...,n} fl Ax = b bestt (n-r)-dmensonalen Lösungsraum. ( speelle Lösung + Nullraum(A) ). Bestmmung des Lösungsraumes: Nach r Elmnatonsschrtten (evt. mt Zelen- oder Spaltentausch) st de Restmatrx de Nullmatrx: S r, n-r R r, r y J x I N = J b r N d.h. R k0 n-r, r 0 n-r, n-r { x II 0 r, r x I + S r, n-r x II = b r n-r und R r, r st dabe ene reguläre obere Dreecksmatrx.

10 10 numerk1.nb Speelle Lösung: x II := 0 fl verblebendes System st R r, r x I = b r fl x I durch Rücksubsttuton, und Hx I, 0 ) löst Ax = b. Kern von A = NHA ) : Dmenson st n-r : Löse A x = 0 bw. R r, r x I + S r, n-r x II = 0. Sete x HL II := e e Ñ n-r, =1(1)n-r (lefert Bass des Nullraumes). HL Dann st S r, n-r x II = : s +r ( -te Spalte von S r,n-r ) und es blebt R r, r x I = -s +r durch Rücksubsttuton u lösen, =1(1)n-r. fl NHA ) = < -R r, r -1 s +r y > =1 H1L n-r k { e und daher Lösungsraum = {x e Ñ n Ax = b } = R r, r -1 b r y + NHA ) k 0 { BEISPIEL : x 1 x 2 x 3 x 4 b x 1 x 2 x 3 x 4 b H1L Ø Ø a a x 1 x 4 x 3 x 2 b H1L x 1 x 4 x 3 x 2 b H2L Ø a a fl det(a) = 0, Rang(A) = 2 a 0 fl k e n e Lösung ( Rang(A,b) = 3 ). a = 0 : 2-dmensonaler Lösungsraum : Speelle Lösung: x 2 = x 3 = 0 fl 1 1 y k0-5{ k x1 y = 1 y fl x 4 = -1, x 1 = 2 x 4 { k5{ NHA H2L L : x 3 = 1, x 2 = 0 fl 1 1 y k0-5{ k x1 y = 3 y fl x 4 = 8/5, x 1 = 7/5 x 4 { k-8{

11 numerk1.nb 11 x 3 = 0, x 2 = 1 fl 1 1 y k0-5{ k x1 y = -2 y fl x 4 = 0, x 1 = -2 x 4 { k 0 { Allgemene Lösung: k x 1 x 2 x 3 x 4 y { = k y + p { k 7ê ê5 y + q { k y {, p, q e Ñ. "PROBE" y NullSpaceA E k { 887, 0, 5, 8<, 8 2, 1, 0, 0<< Folgerung 3 Gauß-Elmnaton be ( A, b) lefert Rang(A), det(a) und Aussage über de Lösbarket des Systems Ax = b. Rücksubsttuton lefert dann de Lösung bw. ene Bass des Lösungsraumes. Sat 1.1 (1) A regulär f Gauß-Elmnaton kann ohne Spaltenvertauschungen durchgeführt werden. (2) Snd vor enem Elmnatonsschrtt das Dagonalelement und alle darunter legenden Elemente der Pvotspalte Null, so st A sngulär. Bewes: + + y o o o o k o o o o { y 0 det(a) = det detj 0 0 N. k { Hn-1L Bemerkungen: () De Umkehrung von (1) st nur unter der Zusatvoraussetung a nn 0 rchtg. () Zur Rangbestmmung snd allerdngs eventuell Spaltenvertauschungen notwendg.

12 12 numerk1.nb Ergänungen: Be der Gauß-Elmnaton werden de Elemente unterhalb der Dagonalen u Null gemacht, so dass schleßlch de Rücksubsttuton de Lösung lefert fl Aufwand ca. n 3 /3 wesentlche Operatonen (d.h. Addtonen und Multplkatonen). Gan analog kann man aber auch noch de Elemente oberhalb der Dagonalen elmneren ( Gauß-Jordan-Algorthmus ). Des erspart de Rücksubsttuton, es st aber dennoch aufwendger: ca. n 3 ê 2 wesentlche Operatonen. Matrxnverson: AX = I st u lösen, d.h. n rechte Seten müssen umgerechnet werden. Ihre speelle Struktur führt aber u Aufwandsersparnssen: y x 11 x 12 x 13 y 1 0 0y x 21 x 22 x 23 = ö k { k x 31 x 32 x 33 { k 0 0 1{ y x 11 x 12 x 13 y 0 0y 0 x 21 x 22 x 23 = 0 k 0 0 { k x 31 x 32 x 33 { k { dann lefern n Rücksubsttutonen X = A -1. m<n : unterbestmmte Glechungssysteme : x 1 y x 1 y m y x 2 x 3 = b 1 y + + y x 2 b 2 ö m x 3 = y k { x 4 k b m { k { x 4 k { k x n { k x n { n m n-m (n-m)-dmensonaler Lösungsraum, Rang(A) = m<n. ODER x 1 y y x 2 ö m x 3 = y k { x 4 k #{ k { r<m n-r x n (n-r)-dmensonaler Lösungsraum, falls # = 0 eñ m-r. Andernfalls gbt es kene Lösung. Rang(A) = r < m. Ene allgemene Lösung fndet man gan analog um quadratschen Fall mt Restmatrx Null.

13 numerk1.nb 13 m>n : überbestmmte Glechungssysteme : y x 1 y m x 2 = k x n { k { n k b 1 b 2 b 3 b 4 b m y { ö y y 0 x 1 y 0 0 x 2 = k x n { # k 0 0 0{ k #{ Ene Lösung genau dann, wenn # y = 0 e Ñ m-n. k# { Rang(A) = n<m. ODER ö r<n n-r + y y 0 + x 1 y x 2 = # k x n { # k 0 0 0{ k #{ (n-r)-dmensonaler Lösungsraum, falls # y # = 0 e Ñm-r. k # { Rang(A) = r<n. m=n : Gauß-Elmnaton: A ô A Hn-1L = rechte obere Dreecksmatrx, lefert gestaffeltes Glechungssystem. Anderes Zel war : A = LR R := A Hn-1L, L :=????

14 14 numerk1.nb 1.4 Dreeckserlegung Sat 1.2 Voraussetung: Be A e Ñ n,n kann de Gauß-Elmnaton mt kanonscher Pvotrehenfolge durchgeführt werden. Behauptung: () De Gauß-Elmnaton lefert ene Zerlegung von A n en Produkt von we Dreecksmatren : A = LR. Dabe st L ene lnke untere Dreecksmatrx mt 1-Dagonale, R ene rechte obere Dreecksmatrx: (1.6) L = Hl ) mt l = 0 für <, l = 1 für = und l = -q H L für > und H-1L R = Hr ) mt r = 0 für > und r = a sonst, d.h. R = A Hn-1L. () Dese Zerlegung (mt der 1-Normerung be L) st dann endeutg bestmmt und heßt Dreeckserlegung bw. LR-Zerlegung von A. Bewes:...

15 numerk1.nb Hnwese: () r nn = 0 oder r nn 0 spelt kene Rolle be der Aussage des Sates. Für A bedeutet des allerdngs Rang(A) = n-1 und A sngulär oder Rang(A) = n und A regulär. () Wesentlche Voraussetung des Sates: kanonsche Pvotwahl möglch. Sonst lefert A = 0 1 y en Gegenbespel ( det(a) = -1, A regulär ) : k1 0{ Annahme: A = LR = 1 0 y k l 1{ r 11 r 12 y fl -1 = det(a) = r k 0 r 11 r 22, also 22 { bede Elemente unglech Null. Aber LR = r 11 r 12 y = A = 0 1 y mplert r 11 = 0 fl Œ. kl r 11 l r 12 + r 22 { k1 0{ Sat 1.3 () A e Ñ n,n regulär î exstert Permutatonsmatrx P : PA = LR. () A e Ñ n,n sngulär î exsteren Permutatonsmatren P,Q : PAQ = LR. () P bw. Q snd.a. ncht endeutg bestmmt. Bewes: P beschrebt gerade de Zelenvertauschungen und Q de Spaltenvertauschungen, de dann kanonsche Pvotwahl be PA bw. PAQ erlauben. I.a. snd dese Vertauschungen ncht endeutg bestmmt. Gauß-Elmnaton: Ax = b ô Rx = y und Rücksubsttuton lefert x, wobe R = L -1 A und y = L -1 b bw. R = L -1 PA und y = L -1 Pb be Spaltenpvotwahl. Oder LR-Zerlegung: A ô LR bw. PA ô LR ( unabhängg von b ) Ly = b bw. Ly = Pb und Rx = y lösen f x. Im Aufwand ken Untersched, ledglch andere Rehenfolge der Operatonen. De wete Vorgehenswese st dann vortelhaft, wenn verschedene rechte Seten (u verschedenen Zeten) u behandeln snd. Z.B. x 0 gegeben. Berechne x +1 als Lösung von Ax +1 = x, =0,1,... (Inverse IteratonØEW).

16 16 numerk1.nb Dann wrd A enmal LR-erlegt, und x +1 erhält man durch Vorwärts- und Rückwärtsenseten. Varante: LDU-Zerlegung : L lnke untere, U rechte obere Dreecksmatrx ewels mt 1-Dagonale, D Dagonalmatrx. (1.7) A ô LR ô LDU, wobe D := dag { d 11, d 22,..., d nn } mt d := r und U =( u ) mt u := 1, u := r ê r, falls < und r π 0, u := 0 sonst. Dese Zerlegung st endeutg, falls r 0 für =1(1)n-1. Se st auch snnvoll be engen Klassen speell strukturerter Matren (vgl. Kaptel 1.5). Wann st kanonsche Pvotwahl möglch? Sat 1.4 Voraussetung: A = Ha L 1, n e Ñ n,n. Für 1 r n se A r := Ha L 1, r e Ñ r,r de Hauptuntermatrx der Ordnung r von A; hre Determnante heßt Hauptmnor der Ordnung r von A. Behauptung: Gauß-Elmnaton mt kanonscher Pvotwahl st mt A durchführbar ñ det ( A r ) π 0 für r=1(1)n-1. Bewes:...

17 numerk1.nb Folgerung: Ist kanonsche Pvotwahl möglch, so glt für das Pvotelement : Hr-1L a r,r = det ( A r )/det ( A r-1 ), r=1(1)n-1, mt A 0 := 1. Be symmetrschem A udem: Vorechen(Pvotelemente) = Vorechen(Egenwerte). I.a. kann man ener Matrx kaum ansehen, ob de Hauptuntermatren alle regulär snd, sondern merkt des erst be der Gauß-Elmnaton, so dass der Sat ncht sehr hlfrech st. Allerdngs gbt es Klassen von Matren, be denen es anders st,. B. : 1.5 Matren speeller Struktur Defnton 1.2 A = Ha L 1, n e Ñ n,n heßt strkt dagonal domnant :ñ n = 1 π» a» <» a» für =1(1)n. Sat 1.5 Voraussetung: A e Ñ n,n strkt dagonal domnant Behauptung: (1) A regulär. (2) Gauß-Elmnaton st mt kanonscher Pvotwahl möglch. (3) Alle Restmatren A snd strkt dagonal domnant. Bewes:...

18 18 numerk1.nb... Defnton 1.3 Ene symmetrsche Matrx A e Ñ n,n heßt postv defnt :ñ x T Ax > 0 für alle x e Ñ n \ {0}. Ene symmetrsche Matrx A e Ñ n,n heßt postv sem-defnt :ñ x T Ax 0 für alle x e Ñ n. Klar: A postv defnt fl A regulär. Sat 1.6 (1) A e Ñ n,n postv defnt ñ A r postv defnt für r=1(1)n. (2) A e Ñ n,n postv defnt î a > 0 für =1(1)n. (3) A e Ñ n,n postv defnt î A postv defnt für r=1(1)n. Bewes:......

19 numerk1.nb 19 Folgerung: A e Ñ n,n postv defnt ï Gauß-Algorthmus st mt kanonscher Pvotwahl möglch. Bemerkung: "Kanonsche Pvotwahl möglch" bedeutet ledglch, dass be exakter Rechnung de kanonschen Pvotelemente ncht verschwnden. Weter braucht das kanonsche Pvotelement keneswegs das betragsmäßg größte n der Pvotspalte u sen: 1 0 y st strkt dagonal domnant, aber das kanonsche Pvotelement 1 st klener als 4. k4 8{ 1 2 y st postv defnt ( ncht dagonal domnant ) und 1 bekanntlch klener als 2. k2 8{ We kann man nun feststellen, ob ene Matrx postv defnt st? x T Ax > 0 für alle x e Ñ n \ {0}? Zemlch vele x wären da ausutesten. Vel besser: natürlch weder Gauß-Elmnaton! Sat 1.7 Voraussetung: A e Ñ n,n symmetrsch. Behauptung: A postv defnt ñ A bestt LDU-Zerlegung mt d > 0 für =1(1)n. Bewes:......

20 20 numerk1.nb Folgerung 1: Be symmetrschem A e Ñ n,n glt A postv defnt ó det ( A r ) > 0 für r=1(1)n (also alle Hauptmnoren postv ). Bewes: Säte 1.4, 1.6 mt Folgerungen und Sat 1.7. Folgerung 2: Se A postv defnt. Dann exstert ene obere Dreecksmatrx C : A = C T C Cholesky-Zerlegung von A (völlg symmetrsch!) Bewes: Aus der LDU-Zerlegung von A erhält man de Cholesky-Zerlegung so: A postv defnt ï d > 0 für =1(1)n, und aus Symmetregründen st L = U T ï (1.8) L := dag { è!!!!!!!!! d 11, è!!!!!!!!! d 22,..., è!!!!!!!!! d nn } st wohldefnert C T := LL f A = LDL T = LLLL T = HLLL HLLL T = C T C. Aus der Glechung A = C T C kann man de Matrx C auch drekt berechnen, ohne erst L und D über Gauß- Elmnaton u bestmmen fl Cholesky-Verfahren: A = C T C fl a = c k c k, = H1L n, = 1 H1L n. k=1 = fl a = Hc k L 2 k=1 fl (1.8a) c = "#################################### a - -1 k=1 Hc k L 2, =1(1)n (oder Abbruch, falls das Argument der Wurel ncht postv st, also A ncht postv defnt st). Es folgt auch, dass a Hc k L 2, k=1(1), d.h. de Elemente von C können ncht groß werden verglchen mt den Elementen von A fl Stabltät der Methode, sehe auch Kaptel 2. (1.8a) lefert unächst nur c 11. Wegen a 1 = c 11 c 1 erhält man damt aber c 1, =2(1)n. (1.8a) lefert nun c 22. Wegen a 2 = c 12 c 1 + c 22 c 2 erhält man damt c 2, =3(1)n... fl

21 numerk1.nb 21 (1.8b) c = ÄÄÄÄÄÄÄ 1 Ha - -1 c k=1 c k c k L, =1(1)n, =+1(1)n Dese Vorgehenswese st stabl n dem Snne, dass»» A»» 2 =H»» C»» 2 L 2. Folgerung 3: Ist A symmetrsch und bestt es ene endeutge LDU-Zerlegung, so st U = L T, d.h. A = LDL T. Sat 1.8 Voraussetung: A e Ñ n,n symmetrsch. Behauptung: Ist Gauß-Elmnaton mt kanonscher Pvotwahl möglch (.B. be postv defntem A), so snd sämtlche Restmatren symmetrsch. Bewes: Indukton. Bemerkung: Im Fall von Sat 1.8 braucht also nur.b. das obere Dreeck von A gespechert u werden, und ledglch dort müssen de neuen a berechnet und gespechert werden. ( Etwa Halberung des Aufwandes verglchen mt dem allgemenen Fall ). Defnton 1.4 A = Ha L 1, n e Ñ n,n heßt Drebandmatrx :ñ a = 0, falls - > y k { Enträge unglech Null nur n der Subdagonalen, Dagonalen und der Superdagonalen. Lemma 1.1 Voraussetung: A e Ñ n,n Drebandmatrx und kanonsche Pvotwahl

22 22 numerk1.nb be der Gauß-Elmnaton möglch. Behauptung: (1) Alle Restmatren snd Drebandmatren. (2) L und R snd Dreecks- und Drebandmatren. (3) Be der Lösung enes lnearen Glechungssystems snd ledglch etwa 5n wesentlche Operatonen durchuführen. (4) A -1 st.a. vollbesett. Es st also vel aufwendger, A -1 b ausurechnen (etwa n 2 wesentlche Operatonen), als mt Gauß-Elmnaton de Lösung von Ax = b u bestmmen ---- selbst wenn A -1 bekannt wäre! Bewes: Bespelrechnung um Aufwand: 5n (für Gauß-Elmnaton und Rücksubsttuton be Drebandmatrx), n 2 (für A -1 b be vollbesettem A -1 ), n 3 /3 (für Gauß-Elmnaton be vollbesetter Matrx):

23 numerk1.nb 23 = 30 k, 5 n, n 2, n 3 ê 3<<DD<, 8k, 10<D Defnton 1.5 Seen u, v e Ñ n. Ene Matrx der Form I + uv T e Ñ n,n heßt Elementarmatrx. uv T st das dyadsche Vektorprodukt : uv T = Hv 1 u, v 2 u,..., v n u). De Matrx uv T nennt man auch Dyade. Bemerkung: En Gauß-Elmnatonsschrtt egt : u, v e Ñ n \ {0} fl Rang ( uv T ) = 1

24 24 numerk1.nb Sat 1.9 (1) Be ener Elementarmatrx I + uv T glt (1.9) det ( I + uv T ) = 1 + v T u. Se st also regulär genau dann, wenn v T u π -1. (2) Ist v T u π -1, so glt (1.10) ( I + uv T L -1 = I - uv T ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ 1+v T u De Inverse st offenbar auch weder ene Elementarmatrx. Bewes: (1.9) : Indukton nach n. (1.10) : Nachrechnen. Folgerung: Ist A e Ñ n,n regulär und B := A + uv T (Rang-1-Modfkaton von A), so gelten de Sherman-Morrson Formeln für B := A + uv T : (1.11) det ( B ) = det ( A ) ( 1 + v T A -1 u ) (1.12) v T A -1 u π -1 f B -1 = A -1 - A -1 uv T A -1 ÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄÄ 1+v T A -1 u Bewes: B = A( I + A -1 uv T ) und Sat 1.9. Spealfälle: (I) Vertauschung von Zele (Spalte) mt Zele (Spalte) : P := I + He - e L H e - e L T -1 T, det ( P ) = -1, P = P = P. Zelentausch durch P A, Spaltentausch durch A P. (II) Gauß-Elmnaton: fl A Hr+1L = Q Hr+1L A wobe 0 r n-2, a r+1,r+1 0 (1.13) Q Hr+1L := I + q Hr+1L T e r+1 mt q Hr+1L := -a,r+1 /a r+1,r+1 für >r+1 und 0 sonst (vgl. (1.5)).

25 numerk1.nb 25 Dann gelten det ( Q Hr+1L ) = 1 und ( Q Hr+1L L -1 = I - q Hr+1L T e r+1. (III) Gauß-Jordan: (Elmnaton auch oberhalb der Dagonalen) A H0L := A, A Hr+1L := Q Hr+1L A für r=1(1)n-1 ; aber ett mt anders defnerten Q Hr+1L : (1.14) Q Hr+1L := I + q Hr+1L T e r+1 mt q Hr+1L := -a,r+1 /a r+1,r+1 für πr+1 und 0 für =r+1. Folgerung: A = LR ï R = A Hn-1L und L = HQ H1L L HQ Hn-1L L -1, wobe l = 1, l = - q H L für > und 0 sonst. Bewes: (II) ï A Hn-1L = Q Hn-1L... Q H1L A. L H L := HQ H L L # 5. Lnearer Glechungssysteme II

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet. Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Numerik Kompakt. Inhaltsverzeichnis

Numerik Kompakt. Inhaltsverzeichnis Numerk Kompakt Zusammenfassung zum Skrpt Grundlagen der Numerk von Prof. Schneder Inhaltsverzechns 1 Lneare Glechungssysteme......................... 2 1.1 Problemstellung.............................

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Kapitel 5: Lineare Gleichungssysteme

Kapitel 5: Lineare Gleichungssysteme Kaptel 5: Lneare Glechungssysteme Umwandlung von Dfferentaloperator-Glechungen n lneare Glechungssysteme Chemsche Reaktonen A + B C + D können als Streuprozeß beschreben werden: In der Reaktanden-Asymptote

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 Matrixnormen und Eigenwertabschätzungen 50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt

Mehr

Mi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13

Mi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13 M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.

Mehr

Lösungen aller Aufgaben und Lernkontrollen

Lösungen aller Aufgaben und Lernkontrollen Oft gbt es be den Aufgaben mehr als nur enen rchtgen Lösungsweg. Es st jedoch mest nur ene Lösung dargestellt. Aufgaben u Kaptel Lösung u Aufgabe a) nach Defnton von. b) 4 ( ) ( ). c) 5 4. d) ( ) (( )

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1

Mehr

2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt

2 Matrizen (A + B) + C = A + (B + C) (A + B)C = AC + BC. Seien A R m n und B = (b (1)... b (p) ) R n p zwei Matrizen. Dann gilt Lneare Algebra Wel Gao September Gauss sches Elmnatonsverfahren a x + a x + + a n x n = b a x + a x + + a n x n = b a m x + a m x + + a mnx n = b m Das LGS mt m Glechungen und n Unbekannten n ene erweterte

Mehr

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog 60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

16. Vorlesung Sommersemester

16. Vorlesung Sommersemester 16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

22. Vorlesung Sommersemester

22. Vorlesung Sommersemester 22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De

Mehr

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen

Mehr

Die Transzendenz der Eulerschen Zahl e

Die Transzendenz der Eulerschen Zahl e De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen

Mehr

5.3.3 Relaxationsverfahren: das SOR-Verfahren

5.3.3 Relaxationsverfahren: das SOR-Verfahren 53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

Lineare Gleichungen treten sehr oft in den Naturwissenschaften auf, siehe auch Kap. Interpolation. Die Schreibweise für n Gleichungen lautet.

Lineare Gleichungen treten sehr oft in den Naturwissenschaften auf, siehe auch Kap. Interpolation. Die Schreibweise für n Gleichungen lautet. Kaptel 6 Lneare Glechungen 6.1 Grundlagen Lneare Glechungen treten sehr oft n den Naturwssenschaften auf, sehe auch Kap. Interpolaton. De Schrebwese für n Glechungen lautet. a 11 + a 12... a 1n = b 1 a

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Invariantentheorie. Vorlesung 3. Lineare Operationen

Invariantentheorie. Vorlesung 3. Lineare Operationen Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invarantentheore Vorlesung 3 Lneare Operatonen Ene Operaton ener Gruppe G auf ener (geometrschen) Menge M st das gleche we en Gruppenhomomorphsmus der Gruppe

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München

Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt

Mehr

Die Leistung von Quicksort

Die Leistung von Quicksort De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen

Mehr

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

Komplexe Zahlen. Roger Burkhardt 2008

Komplexe Zahlen. Roger Burkhardt 2008 Komplexe Zahlen Roger Burkhardt (roger.burkhardt@fhnw.ch) 008 Enführung De Unvollkommenhet des Körpers der reellen Zahlen N 1,,,,... snd sowohl { } In der Menge der natürlchen Zahlen Addton we Multplkaton

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

Dynamisches Programmieren

Dynamisches Programmieren Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA

Kleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p

Mehr

Rotation (2. Versuch)

Rotation (2. Versuch) Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen

Mehr

Rückblick Regression II: Anpassung an Polynome

Rückblick Regression II: Anpassung an Polynome Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

Vorlesung 3 Differentialgeometrie in der Physik 13

Vorlesung 3 Differentialgeometrie in der Physik 13 Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Lineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan

Lineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan Lneare Algebra IIa - 04 orlesung - Pro Dr Danel Roggenkamp & Sen Balnojan 93 Untäre ektorräume hermtesche Form au enem C ektorraum sesqulnear (ant-lnear m ersten lnear m zweten Argument (, w (w, (, 2 R

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n. Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:

4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig: 4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 ) Funktonentheore, Woche 10 Bholomorphe Abbldungen 10.1 Konform und bholomorph Ene konforme Abbldung erhält Wnkel und Orenterung. Damt st folgendes gement: Wenn sch zwe Kurven schneden, dann schneden sch

Mehr

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Lineare Optimierung Einführung

Lineare Optimierung Einführung Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme

Runge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme Runge-Kutta-Teore: Adjungerte Verfaren, A-Stabltät, Stefe Systeme Andre Neubert bat@un-paderborn.de Semnar Numerk für Informatker, SS2004: Runge-Kutta-Teore Sete Glederung : - Adjungerte Verfaren / Symmetrsce

Mehr

Bachelorarbeit. Cayley s Formel und das Abzählen von Bäumen. Viktoria Piribauer. Wien, September 2013

Bachelorarbeit. Cayley s Formel und das Abzählen von Bäumen. Viktoria Piribauer. Wien, September 2013 Bachelorarbet Cayley s Formel und das Abzählen von Bäumen Vktora Prbauer Wen, September 2013 Matrkelnummer: 1007394 Studenrchtung: A 033621 Mathematk Betreuer: Mag. Dr. Bernhard Krön, Prvatdoz. Inhaltsverzechns

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung

Mehr

1.11 Beispielaufgaben

1.11 Beispielaufgaben . Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner

Mehr

Universität Karlsruhe (TH)

Universität Karlsruhe (TH) Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

1 Ergänzungen zur Linearen Algebra

1 Ergänzungen zur Linearen Algebra LA E 15 1 1 Ergänzungen zur Lnearen Algebra 1.1 Ergänzungen zu den orthogonalen Projektonen Als erstes Ergänzungen zu Summen von Unterräumen. Snd V 1,..., V k Unterräume des R n, so soll de Menge {x 1

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

8 Numerik von Eigenwertproblemen

8 Numerik von Eigenwertproblemen 8 Numerk von Egenwertproblemen 8 Das Lanczos-Verfahren Mt dem Lanczos-Verfahren bestmmt man für ene hermtesche Matrx A n n ene untäre Matrx U mt U H AU = T, wobe T ene reelle symmetrsche Trdagonalmatrx

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

8 Numerik von Eigenwertproblemen

8 Numerik von Eigenwertproblemen 8 Numerk von Egenwertproblemen 8 Das Lanczos-Verfahren Mt dem Lanczos-Verfahren bestmmt man für ene hermtesche Matrx A n n ene untäre Matrx U mt U H AU = T, wobe T ene reelle symmetrsche Trdagonalmatrx

Mehr

Lineare Algebra B. Herzog, Universität Leipzig, Institut für Mathematik und Informatik, Vorlesung des ersten Studienjahrs im Herbstsemester 2007

Lineare Algebra B. Herzog, Universität Leipzig, Institut für Mathematik und Informatik, Vorlesung des ersten Studienjahrs im Herbstsemester 2007 Lneare Algebra B. Herzog, Unverstät Lepzg, Insttut für Mathematk und Informatk, Vorlesung des ersten Studenjahrs m Herbstsemester 2007 Hnwese Aufgaben Am Anfang jeder Woche werden jewels 3 Aufgaben ns

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

konvergiert punktweise, wenn es l : U C C gibt derart, dass konvergiert gleichmäßig, wenn es l : U C C gibt derart, dass

konvergiert punktweise, wenn es l : U C C gibt derart, dass konvergiert gleichmäßig, wenn es l : U C C gibt derart, dass Funktonentheore, Woche 4 Konvergenz und Folgen 4. Glechmäßge Konvergenz Ene Zahlenfolge {α n } n N C konvergert, wenn es en l C gbt derart, dass ε > 0 N ε N : n > N ε = α n l < ε. Auch zu Folgen von Funktonen

Mehr

Wir steuern einen Mini-Roboter!

Wir steuern einen Mini-Roboter! Wr steuern enen Mn-Roboter! Telnehmer: Marek Bartusch Cecla Lange Yannck Lehmann Johannes-Lucas Löwe Ncolas Menzel Huong Thao Pham Floran Pogatzk Anne Reulke Jonas Wanke Maran Zuska mt tatkräftger Unterstützung

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Übungsblatt 7 Lösungsvorschläge

Übungsblatt 7 Lösungsvorschläge Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

Zweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper

Zweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht

Mehr

Experimentalphysik II (Kip SS 2007)

Experimentalphysik II (Kip SS 2007) permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche

Mehr

Aufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen

Aufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Aspekte zur Approximation von Quadratwurzeln

Aspekte zur Approximation von Quadratwurzeln Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr