adjungiert, Adjunktion
|
|
|
- Eike Kaufman
- vor 8 Jahren
- Abrufe
Transkript
1 A adjungiert, Adjunktion Ist A eine lineare Transformation des Hilbertraumes H mit Skalarprodukt, so gibt es eine (eindeutig bestimmte) lineare Transformation A von H mit der Eigenschaft (A x) y = x (Ay) für alle x, y H. Dies ist die zu A adjungierte Transformation 1. Bezeichnet A M n eine Matrix, die die gleichnamige Transformation realisiert, so wird die adjungierte Transformation durch die adjungierte Matrix A realisiert: A = [a i,j ] 1 i,j n A = [ a ] j,i 1 i,j n = [ a ] t i,j 1 i,j n. Es gilt (A ) = A, (A + B) = A + B, (A B) = B A. Hinweis: Man kann Adjunktion allgemeiner für lineare Transformationen zwischen Hilberträumen A : H H definieren, wobei die Dimensionen m = dim H und n = dim H verschieden sein können. In diesem Fall wäre dann A eine lineare Transformation A : H H. Bei den Matrizen gilt genauso: Adjunktion = (Konjugation + Transposition). Hinweis: Bei unendlich-dimensionalen Räumen muss man aufpassen, da es Probleme mit den Definitionsbereichen gibt! Das führt auch dazu, dass dort die Begriffe selbstadjungiert und hermitesch nicht mehr äquivalent sind. B Bellsche Ungleichung, CHSH-Ungleichung Sind Q, R, S, T auf einem Wahrscheinlichkeitsraum Ω definierte Zufallsvariable, die jeweils nur die Werte ±1 annehmen. Für (q, r, s, t) {±1} 4 sei p(q, r, s, t) die Wahrscheinlichkeit der Ereignisses (Q = q, R = r, S = s, T = t). Im Bezug auf diese Verteilung kann man den Erwartungswert E p (Q S + R S + R T Q T ) = E p (Q S) + E p (R S) + E p (R T ) E p (Q T ) betrachten. Da immer Q S + R S + R T Q T = Q(S T ) + R(S + T ) = 1 Die Existenz und Eindeutigkeit folgt aus der Tatsache, dass für jedes x H die Abbildung y x (Ay) linear ist, es also ein z = z x H gibt mit z y = x (Ay) für alle y H. Die Abhängigleit dieses z = z x von x ist selber wieder linear, d.h. x z x ist eine lineare Transformation: das genau ist A. In dieser Situation bezieht sich (A x) y auf das Skalarprodukt in H und x (Ay) auf das Skalarprodukt in H. 1
2 ist, muss E p (Q S) + E p (R S) + E p (R T ) E p (Q T ) sein. Dieses Szenario trifft insbesonder auf ein EPR-Gedankenexperiment zu, wenn man die Hypothesen des lokalen Realismus akzeptiert. Die Bell-Ungleichung (in der geschilderten Form der CHSH-Ungleichung) ist verletzt, wenn man ein -qubit-system im Bell-Zustand β 11 = ( )/ präpariert und auf dem ersten qubit zufällig eine der Messungen Q = Z und R = X, auf dem zweiten qubit zuffällig eine der Messungen S = ( Z X)/ (), T = (Z X)/ durchführt, denn dann ist Q S = R S = R T = 1, Q T = 1. Diese Verletzung der Bell-Ungleichung ist im physikalischen Experiment bestätigt worden. Die Hypothese des lokalen Realismus trifft also auf Quantensysteme nicht zu. Bell-Zustände Die vier Bell-Zustände von H = C C sind β 00 = 1 ( ), β 01 = 1 ( ), β 10 = 1 ( ), β 11 = 1 ( ). In kompakter Form: β ab = 1 ( 0b + ( 1) a 1b ) (ab B ) Diese Zustände lassen sich mit Hilfe des Hadamard-Gatters und des CNOT leicht erzeugen. Sie sind verschränkt und spielen bei vielen Konstruktionen eine interessante Rolle. Bloch-Sphäre Die Bloch-Sphäre ist die Einheitssphäre im R 3, die zur Veranschaulichung von zweidimensionalen unitären Transformationen auf einem einzelnen qubit dient. Schreibt man einen Zustand ψ des qubits als ψ = e iγ (cos θ 0 + eiφ sin θ ) 1,
3 mit reellen γ, θ, φ, wobei man den globalen Phasenfaktor e iγ als physikalisch irrelevant, weil nicht beobachtbar unterdrückt, so wird dieser durch den Punkt (sin θ cos φ, sin θ sin φ, cos θ) der R 3 (in (x, y, z)-koordinaten) repräsentiert. Die Dichtematrix von ψ schreibt sich in diesen Koordinaten als [ ψ ψ = cos θ e iφ sin θ cos θ e iφ sin θ cos θ cos θ ] = 1 [ ] 1 + z x iy x + iy 1 z Mit Hilfe der Pauli-Matrizen schreibt sich das sehr suggestiv als Man beachte noch die Zuordnungen ψ ψ = 1 (I + x X + y Y + z Z) (±1, 0, 0) 1 ( 0 ± 1 ) (0, ±1, 0) 1 ( 0 ± i 1 ) (0, 0, 1) 0 (0, 0, 1) 1 bra-vektor Ein bra-vektor x in der Dirac-Notation steht für einen Zeilenvektor und beschreibt eine Linearform x : H C : y x y = x y Im endlich-dimensionalen Fall ist jede lineare Abbildung H C von dieser Gestalt. C CNOT CNOT (controlled negation) ist die boolesche Funktion f CNOT : B B : (a, b) (a, a b), d.h. das zweite bit wird in Abhängigkeit vom Wert des ersten bits geändert oder nicht. Die Matrixdarstellung der entsprechenden Transformation von C C ist M CNOT = D Deutsch-Josza-Algorithmus Dies ist ein Verfahren zur Lösung von Deutschs Problem. Mit einem Quantenschaltkreis, der ein Gatter U f zur Berechnung von f als einer Abbildung auf den Basisvektoren des (C ) n enthält, kann man dank des Superpositionsprinzips mit einer einzigen Auswertung zur korrekten Entscheidung kommen. 3
4 Deutschs Problem Eine boolesche Funktion f : B n B sei als black box gegeben, also nur als ein Orakel, das auf Eingabe von b B n mit f(b) B antwortet. Die Definition von f oder Arbeitsweise des Orakels sei unbekannt. Ferner ist garantiert, dass f entweder konstant ist oder balanciert, d.h. die Hälfte der möglichen Eingaben liefert den Wert 0, die andere Hälfte den Wert 1. Es gilt herauszufinden, welche der beiden Alternativen zutrifft. Klassisch benötigt man im worst case n Auswertungen, um die Entscheidung mit Sicherheit treffen zu können. Ein Quantenschaltkreis hat den Vorteil, dass man mit Superpositionen von klassischen Eingaben arbeiten kann, siehe Deutsch-Josza-Algorithmus. Die war das erste Problem, bei dem man festgestellt hat, dass ein Quantencomputer effizienter arbeiten kann als ein klassischer Computer. Dichtematrix, Dichteoperator Ist ψ ein normierter Vektor eines Hilbertraumes H mit dim H = n, also ein Zustand(svektor) im Quantensinne, so bezeichnet man die durch die (in Dirac- Notation) mit ψ ψ gegebene Transformation (bzw. die sie realisierende Matrix) als die Dichtematrix von ψ. Beachte: Oft ist es einfacher und eleganter, mit den Dichtematrizen statt mit den Zustandsvektoren zu rechnen. Konvexe Linearkombinationen von Dichtematrizen ψ ψ, also Operatoren ρ = j p j ψ j ψ j mit einer Wahrscheinlichkeitsverteilung (p j ) j, bezeichnet man als Dichteoperatoren. Dieses sind genau die positiven Operatoren ρ mit der Spur Sp(ρ) = 1. Dirac-Notation Ist H C n ein (endlich-dimensionaler) Hilbertraum mit Skalarprodukt (x, y) x y und orthonormaler Basis B = {v (1),..., v (n) }, so hat sich folgende Konvention und Notation als sehr suggestiv erwiesen: Elemente von H werden als Spaltenvektoren geschreiben, und zwar abgekürzt als sog. ket-vektor x = α 1 α i v (i) x =. 1 i n α n Jedes x = 1 i n α i v (i) H definiert aber auch eine Linearform H C : y x y, 4
5 d.h. ausgeschrieben bezüglich der ON-Basis B: y = 1 i n β i v (i) x y = 1 i n αi β i = [ α1... αn ] Man schreibt x für den Zeilenvektor [ α 1... α n] und nennt dies den zu x gehörigen bra-vektor. Im Sinne der Adjunktion von Transformationen bzw. Matrizen gilt x = x und das Skalarprodukt schreibt sich als bra(c)ket x y = x y =: x y. Die bra-ket-notation passt sich an die assoziativen Gesetzmässigkeiten der Matrixmultiplikation problemlos an: - Ist A eine lineare Transformation von H, so ist A x = Ax und für x (Ay) = (A x) y schreibt man x A y. Beachte x A = x A = x A = (A x ) - Ist A = [a i,j ] 1 i,j n die Matrixdarstellung der gleichbenannten Transformation bezüglich der Basis B, also Av (j) = 1 i n a i,jv (i), so gilt a i,j = v (i) A v (j). Aus diesem Grunde bezeichnet man die Konstrukte v (i) A v (j) auch als Matrixelemente. - Auch x y ist eine erlaubte und sinnvolle Konstruktion, denn für alle z H muss β 1. β n. ( x y ) z = x y z = x ( y z ) = x ( y z ) = y z x gelten, d.h. x y : H H ist eine lineare Transformation, die durch die Matrix α 1. [ α 1 β1... α 1 β n β1... βn ] =..... α n α n β1... α n βn dargestellt wird. Ein Spezialfall ist besonders wichtig: x x : H H : y ( x y ) x = (x y) x ist die orthogonale Projektion von y auf den von x erzeugten Teilraum. 5
6 E EPR-Gedankenexperiment Ein von A. Einstein, B. Podolski und N. Rosen im Jahr 1935 konzipiertes Gedankenexperiment, das eine Unvollständigkeit der weithin akzeptierten Kopenhagener Deutung der Quantentheorie aufzeigen sollte. Ein verschränkter Zustand, etwa ein Bell-Zustand wird erzeugt und die beiden Teile des -qubit-systems werden so weit voneinander entfernt, dass sich Messungen an ihnen nicht beeinflussen können. Trotzdem determiniert die Messung an einem Teil (mit einem völlig zufälligen Resultat) vollkommen den Zustand und damit ein Messresultat am anderen Teil. Im Sinne eine lokalen und realistischen physikalischen Theorie sollte das nur möglich sein, indem beide Teile von ihrer Genese her zusätzliche Information hidden variables mit sich tragen. Dann müsste ein solches System aber der Bell-Ungleichung genügen. Dies ist inzwischen experimentell falsifiziert worden. Erwartungswert Ist H ein Hilbertraum, v H ein normierter Vektor und A eine normale Transformation von A, so bezeichnet man (in Dirac-Notation geschrieben) v A v als Erwartungswert von A bezüglich v. Man schreibt dafür oft einfach A, wenn klar ist, auf welches v man sich bezieht. Ist dim H = n und A = i λ i v (i) v (i) die Spektraldarstellung von A, so ist i v v (i) (1 i n) eine Wahrscheinlichkeitsverteilung 3 auf {1,,..., n} und v A v = i λ i v v (i) v (i) v = i λ i v v (i) ist der Erwartungswert der Zufallvariablen i λ i (1 i n). H Hadamard-Matrix Die Hadamard-Matrix H ist die Matrix H = 1 [ ] Das n-fache Tensor- oder Kronecker-Produkt von H mit sich selbst ist H n = 1 [ ( 1) bin(x) bin(y)]. n 0 x< n 0 y< n Diese Aufgabe dieser Matrix ist die Generierung von überlagerten Zuständen aus Basiszuständen. 3 Hierbei wird verwendet, dass v normiert ist und dass die v (i) ein ON-Basis bilden! 6
7 hermitesche Transformation Eine lineare Transformation A (oder eine sie realisierende Matrix) heisst hermitesch oder selbstadjungiert, wenn sie gleich ihrer adjungierten Transformation Matrix A ist. Hinweis: der Begriff hermitesch wird im Fall unendlich-dimensionaler Hilberträume anders definiert und stimmt dort nicht mit selbstadjungiert überein. Hilbertraum Ein (komplexer) Hilbertraum H ist ein Vektorraum über C, der mit einem komplexen Skalarprodukt H H C : (x, y) x y ausgestattet ist, für das folgende Regeln gelten: 1. x y = (y x) für alle x, y H,. x (α y + β z) = α(x y) + β(x z) für alle x, y, z H, α, β C, 3. x x 0 für alle x H, wobei x x = 0 x = 0 und der vollständig ist (d.h., alle Cauchy-Folgen konvergieren in H bezüglich der Metrik auf H, die durch die Norm x = x x gegeben ist. Beachte: aus 1. und. folgt und allgemein (α x) y = (y α x) = α (y x) = α (x y) (α x + β y) z = α (x z) + β (y z). Wichtig: Die Vollständigkeit ist automatisch erfüllt, falls H endlich-dimensional ist! Im Kontext der Quantencomputing wird nur dieser Fall betrachtet. Alle vorkommenden Hilberträume H sind also vom Typ C n, d.h H ist isomorph zu C n, falls dim C H = n. Die folgenden (Un-)Gleichungen gelten in jedem Hilbertraum: 1. x y x y (Cauchy-Schwarz). x + y x + y (Dreieck, Minkowski) 3. x + y + x y = x + y (Parallelogramm) Vektoren x, y H sind orthogonal, notiert mit x y, falls x y = 0 gilt. Eine Basis {v (1),..., v (n) } von H bestehend aus paarweise orthogonalen und normierten Vektoren ist ein ON-Basis. Aus n linear-unabhängigen Vektoren kann man eine orthonormale Basis, kurz ON-Basis, von H konstruieren (Gram-Schmidt-Verfahren). Ist {v (1),..., v (n) } ein ON-Basis von H, also v (i) v (j) für 1 i < j n, so gilt für das Skalarprodukt von Vektoren x = 1 i n α i v (i), y = 1 i n β i v (i), x y = αi β i. 1 i n 7
8 K ket-vektor Ein ket-vektor in der Dirac-Notation bezeichnet ein Element des zugrunde liegenden Vektorraumes H als Spaltenvektor. Kommutator, Antikommutator Sind A, B M n (C) Matrizen (oder auch Operatoren auf demselben Raum), so definiert man den Kommutator als [A, B] = AB BA und den Antikommutator als {A, B} = AB + BA. kontrollierte Negation CNOT Kronecker-Produkt Sind A = [a i,j ] M m,n und B = [b k,l ] M p,q Matrizen, so ist die (m p) (n q)-matrix a 1,1 B... a 1,n B A B = [a i,j B] =..... a m,1 B... a m,n B das Kronecker- oder auch Tensorprodukt von A und B. L lokaler Realismus Unter diesem Schlagwort werden zwei Hypothesen verstanden, die traditionelle (d.h. nicht quantenmechanische) Eigenschaften physikalischer Theorien in abstrakte Form fassen. Die Hypothese der Lokalität besagt, dass sich Ereignisse, hier Messungen, die in der relativistischen Raum-Zeit-Welt zu weit auseinanderliegen, sich nicht beeinflussen können. Die Hypothese des Realismus gesagt, dass sich Verteilungen bzw. Erwartungswerte von Eigenschaften von Objekten, die reproduzierbar gemessen werden können, einen Aspekt der physikalischen Realität beschreiben, und zwar unabhängig davon, ob sie gemessen werden oder nicht Diese Hypothesen spielen in dem EPR-Gedankenexperiment eine zentrale Rolle. Die experminetell verifizierte Verletzung der Bell-Ungleichung zeigt, dass die Quantentheorie keine lokal realistische Theorie ist. 8
9 M Messung Eine Messung eines quantenmechanischen Systems wird beschrieben durch eine Familie M = {M m } von Transformationen ( Messoperatoren ), die durch die Menge der möglichen Messwerte m indiziert ist. Die Operatoren E m M mm m sind dann positive Operatoren und die wesentliche Bedingung an die Familie M = {M m } ist die, dass m E m = m M mm m = I ist. Die Interpretation dieser Situation ist die, dass die durch M = {M m } beschriebene Messung für ein System im Zustand ψ mit Wahrscheinlichkeit p(m) = ψ M mm m ψ den Messwert m liefert und sich das System unmittelbar nach der Messung im Zustand 1 p(m) M m ψ = M m ψ ψ M mm m ψ befindet. Ein wichtiger Spezialfall von Messungen sind die projektiven Messungen. N normale Transformation Eine lineare Transformation A von H = C n (oder eine sie realisierende Matrix A M n (C)) heisst normal, wenn sie mit ihrer adjungierten Transformation kommutiert, d.h. AA = A A. Wichtig: die normalen Transformationen (Matrizen) sind genau diejenigen Transformationen (Matrizen), die sich diagonalisieren lassen, d.h. es gibt eine ON-Basis von H, in der A Diagonalgestalt ( Spektraldarstellung) hat, d.h. die Basisvektoren sind Eigenvektoren von A. Wichtige Unterklassen der normalen Transformationen sind selbstadjungierte (reelle Eigenwerte), positive (nichtnegative reelle Eigenwerte) und unitäre (komplexe Eigenwerte mit Absolutbetrag 1) O Observable Physikalischer Begriff zur Bezeichnung von beobachtbaren oder messbaren Grössen. Synonym mit projektive Messung. 9
10 P Pauli-Matrizen Die Pauli-(Spin)-Matrizen X, Y, Z sind die Matrizen [ ] [ ] [ ] i 1 0 X = Y = Z = 1 0 i [ ] 1 0 Sie bilden zusammen mit der Einheitsmatrix I = eine Basis des Vektorraums 0 1 M (C) der komplexen ( )-Matrizen. Häufig wird X mit σ x oder σ 1, Y mit σ y oder σ, Z mit σ z oder σ 3 und die Einheitmatrix mit σ 0 bezeichnet. Entsprechend wird der Vektor der Pauli-Matrizen mit σ = (X, Y, Z) notiert. Ist v = (v x, v y, v z ) R 3 ein reeller Vektor der Länge 1, so spielt das Skalarprodukt [ ] v v σ = v x X + v y Y + v z Z = z v x i v y v x + i v y v z im Kontext der Rotationsmatrizen eine wichtige Rolle. Die Pauli-Matrizen haben eine einfache anschauliche Interpretation als Transformationen der Bloch-Sphäre. Phase, Phasenfaktor Zustände ψ und e iθ ψ (θ reell) unterscheiden sich nur um den (globalen) Phasenfaktor e iθ, der aus der Sicht des Messens irrelevant ist. Es ist üblich, Zustände, die sich nur um einen solchen Faktor unterscheiden, miteinander zu identifizieren. positive Transformation Eine lineare Transformation A von H = C n (oder eine sie realisierende Matrix A M n (C)) heisst positiv, wenn (x, Ax) 0 für alle x H gilt. Positive Transformationen sind hermitesch. projektive Messung Eine p.m. (gelegentlich auch als von-neumann-messung bezeichnet) ist eine hermitesche (selbstadjungierte) Transformation mit Spektralzerlegung M = m m P m bei der die Transformationen P m die Projektionen auf den jeweiligen Eigenraum zum Eigenwert m sind. 10
11 Für eine System im Zustand ψ wird der Messwert m wird mit Wahrscheinlichkeit p(m) = ψ P m ψ gemessen und unmittelbar nach der Messung befindet sich das System im Zustand 1 p(m) P m ψ Projektive Messungen sind solche Messungen M = {M m, }, bei denen die M m hermitesch sind und die Orthogonalitätsbedingung M m M m = δ m,m M m erfüllen. Der Erwartungwswert einer projektiven Messung M in einem Zustand ψ ist E(M) = m m p(m) = m m ψ P m ψ = ψ m mp m ψ = ψ M ψ und wird mit M abgekürzt. Q Quantenregister Ein einzelnes Quantenregister ist ein qubit. Ein n-faches Quantenregister wird dargestellt durch das n-fache Tensorprodukt H n = (C ) n. H n ist also isomorph zu C n. Eine ON-Basis von H n ist gegeben durch die n Basisvektoren (in Dirac-Notation) b = b 1 b... b n = b 1 b b n mit b = b 1 b... b n B n Man schreibt diese Basiszustände oft auch als k mit 0 k < n und meint damit bin(k), wo bin(k) die Binärdarstellung von k ist. In dieser Reihenfolge werden auch die Matrizenkomponenten in Zeilen und Spalten indiziert. Ein Zustand ψ ist ein normierter Vektor ψ = α b b mit α b = 1 b B n b B n also eine Überlagerung (Superposition) der Basiszustände b, b B n mit den Amplituden α b. Die wahrscheinlichkeitstheoretische Interpretation besagt, dass man bei Messung von ψ in der ON-Basis das Ergebnis b mit Wahrscheinlichkeit α b erhält. Wichtig: Zustandstransformationen des Quantenregisters H n werden durch unitäre Tranformationen auf H n realisiert, Messungen durch selbstadjungierte Transformationen von H n. 11
12 qubit Der Hilbertraum H = C mit den beiden Einheitsvektoren [ 1 0 ] t [ ] t und 0 1 als ON- Basis repräsentiert ein Quantenregister, genannt qubit. In der Dirac-Notation schreibt man 0 für [ 1 0 ] t [ ] t. und 1 für 0 1 Zustandsvektoren (Zustände des qubits) sind normierte Vektoren aus H, also [ ] α0 ψ = bzw. ψ = α α 1 1 mit α 0 + α 1 = 1. α 1 eine manchmal nützliche Veranschaulichung der Zustandsmenge eines qubits ist die Bloch-Sphäre, die auf der Darstellung [ ] ( α0 e iγ cos θ 0 + eiφ sin θ ) 1 mit reellen γ, θ, φ beruht. R Rotationsmatrizen α 1 Die Rotationen der Bloch-Sphäre um die Koordinatenachsen des R 3 mit Drehwinkel θ schreiben sich mit Hilfe der Pauli-Matrizen als R x (θ) = e iθ/ X = cos θ I i sin θ [ cos θ X = i sin θ ] i sin θ cos θ R y (θ) = e iθ/ Y = cos θ I i sin θ [ cos θ Y = sin θ ] sin θ cos θ [ ] R z (θ) = e iθ/ Z = cos θ I i sin θ Z = e i θ 0 0 e i θ Allgemein: ist v = (v x, v y, v z ) R 3 ein Vektor der Länge 1, so beschreibt die Matrix R v (θ) = e iθ/ v σ = cos θ I i sin θ v σ die Rotation der Bloch-Sphäre um die durch v bestimmte Achse mit dem Winkel θ. Jede unitäre Transformation U von C ist, von einem physikalisch irrelevanten Phasenfaktor abgesehen, eine Rotation, d.h. U = e i α R v (θ) mit reellen α, θ, v und lässt sich mit Rotationen um zwei beliebige (!) Achsen v und u darstellen als U = e i α R v (β) R u (γ) R v (δ) mit reellen α, β, γ, δ. 1
13 S selbstadjungierte Transformation Eine lineare Transformation A von H = C n (oder eine sie realisierende Matrix A M n (C)) heisst selbstadjungiert oder hermitesch, wenn sie mit ihrer adjungierten Transformation A übereinstimmt, d.h. AA = A A. Selbstadjungierte Transformationen (Matrizen) sind offensichtlich normal, haben also eine ON-Basis von Eigenvektoren. In diesem selbstadjungierten Fall (genau!) sind alle Eigenwerte reell. separabel Ein Element eines Tensorproduktes V W zweier Vektorräume V und W heisst separabel, wenn es in der Form v w mit v V und w W dargestellt werden kann. Elemente, die nicht separabel sind, nennt man in der Quantenwelt verschränkt. Spektraldarstellung Ist A ein normaler Operator eines endlich-dimensionalen Hilbertraumes H, dim H = n, so hat er eine ON-Basis von Eigenvektoren, d.h. es gibt normierte, paarweise orthogonale Eigenvektoren v (i) mit Eigenwerten λ i (1 i n). In der Dirac-Notation schreibt sich dann A als A = λ i v (i) v (i) Spur 1 i n Ist A = [a i,j ] M m,n (C) eine Matrix, so bezeichnet man die Summe Sp(A) = 1 i n a i,i der Diagonalelemente als Spur von A. Es gilt: Sp(A + B) = Sp(A) + Sp(B), Sp(AB) = Sp(BA), Sp(A ) = Sp(A). Ist A eine lineare Transformation, so ist die Spur aller Matrixdarstellungen von A dieselbe, so dass man auch von der Spur einer linearen Transformation sprechen kann. Am Falle diagonalisierbarer Transformationen (Matrizen) sieht man, dass Sp(A) auch die Summe der Eigenwerte von A ist. Ist H ein Hilbertraum und x H, so gilt x = Sp( x x ), d.h. die Zustandsvektoren im Quantensinne zeichnen sich dadurch aus, dass ihre Dichtematrix die Spur 1 hat. Ist v H ein normierter Vektor und A eine normale Transformation, so gilt bezüglich des Erwartungswertes A = v A v = Sp( v A v ) = Sp(A v v ) 13
14 T Teleportation In dem 3-qubit System H 3 = (C ) 3 kann ein unbekannter Zustand ψ auf dem ersten qubit mit Hilfe eines Bell-Zustandes β 00 auf den beiden anderen qubits auf das dritte qubit teleportiert werden, wobei nur zwei klassische bit Information als Ergebnisse von Messungen auf den ersten beiden qubits benötigt werden. Tensorprodukt Sind V, W zwei komplexe Vektorräume, so kann man aus den Paaren von Elementen (v, w) (v V, w W ), geschrieben als neue Symbole ( Tensoren ) v w, Linearkombinationen über C bilden, also endliche Summen α k v k w k. k Mit den offensichtlichen Rechenregeln (Addition, Skalarmultiplikation) für solche Linearkombinationen und den Regeln α(v w) = (α v) w = v (α w) v (w + w ) = (v w) + (v w ) (v + v ) w = (v w) + (v w) wird die Menge der Linearkombinationen zu einem C-Vektorraum, als das Tensorprodukt von V und W bezeichnet und mit V W notiert. Ist B V = {v (1),..., v (m) } eine Basis von V und B W = {w (1),..., w (n) } eine Basis von W, so bilden die m n Tensoren v (i) w (j) mit 1 i m, 1 j n eine Basis B V B W von V W. Sind V und W Hilberträume und die angegebenen Basen B V und B W sogar ON- Basen, so ist auch B V B W eine ON-Basis bezüglich des Skalarprodukts ( k α k v k w k, l β l v l w l ) = k,l α k β l (v k, v l )(w k, w l ) Ist A eine lineare Transformation von V und B eine lineare Transformation von W, so ist A B : α k v k w k α k A(v k ) B(w k ) k k eine lineare Transformation von V W, genannt das Tensorprodukt von A und B. Stellt man A und B mittels Matrizen dar, so wird die entsprechende Konstruktion als das Kronecker-Produkt bezeichnet. Tensorprodukte normaler bzw. positiver bzw. hermitescher bzw. unitärer Transformationen haben wieder die jeweilige Eigenschaft. 14
15 U unitär Eine lineare Transformation A (oder eine sie realisierende Matrix) eines Hilbertraumes H heisst unitär, wenn sie invertierbar ist und ihre Inverse gleich ihrer Adjungierten ist, d.h. A 1 = A oder auch AA = I = A A. Eine wichtige Charakterisierung unitärer Transformationen besteht darin, dass es genau(!) diejenigen Transformationen von H sind, die das Skalarprodukt (und damit auch Längen und Winkel) erhalten: (Ax) (Ay) = (A Ax) y = x y (x, y H) Unitäre Transformationen sind offensichtlich normale Transformationen, lassen sich also diagonalisieren und sind dadurch gekennzeichnet, dass ihre Eigenwerte den Absolutbetrag 1 haben, also auf dem komplexen Einheitskreis liegen. Die grosse Bedeutung unitärer Transformationen liegt darin, dass die Zustandstransformationen von geschlossenen (!) Quantensystemen unitär sind. Unschärferelation Sind A, B selbstadjungierte Transformationen auf dem Hilbertraum H, so gilt ( A) ( B) 1 [A, B] Dabei ist ( A) die Varianz von A und [A, B] der Kommutator von A und B. V Varianz Ist H ein Hilbertraum mit dim H = n, ist v H ein normierter Vektor und A eine selbstadjungierte lineare Transformation, so ist die Varianz von A bezüglich v der Erwartungswert von (A A ). verschränkt ( A) = (A A ) = A A Ein Element eines Tensorproduktes V W zweier Vektorräume V und W heisst verschränkt, wenn es nicht separabel ist, also nicht in der Form v w mit v V und w W dargestellt werden kann, sondern nur als Linearkombination von mindestens zwei solcher Terme. Prominente Beispiele verschränkter Zustände in C C sind die Bell-Zustände. 15
16 Z Zustand, Zustandsraum Der Zustandsraum des Quantencomputing ist i.d.r. ein endlich-dimensionaler Hilbertraum H C n, meist sogar ein Raum vom Typ (C ) k. Vektoren aus H werden üblicherweise als ket-vektoren geschrieben. Ein (reiner) Zustand in einem Vektorraum C n ist ein normierter (im Sinne der Dirac-Notation) an Stelle von ψ zu verwenden. Man bezeichnet ψ ψ als die Dichtematrix des Zustandes ψ. Gemischte Zustände (mixed states) werden dargestellt als konvexe Linearkombinationen von Dichtematrizen (und nicht etwa der zugehörigen der Vektoren!!) von reinen Zuständen, also durch Matrizen der Form p l ψ l ψ l 1 l m mit p l 0 (1 l m) und l p l = 1. M.a.W., gemischte Zustände sind endliche diskrete Wahrscheinlichkeitsverteilungen auf der Menge der reinen Zustände. Geometrisch kann man die reinen Zustände mit den Punkten der Bloch-Sphäre und die gemischten, nicht-reinen Zustände mit den Punkten im Innern der Bloch- Sphäre identifizieren. Eine Dichtematrix ρ, d.h. eine positive Matrix mit Sp(ρ) = 1 beschreibt genau dann eine reinen Zusand, wenn die Spur Sp(ρ ) = 1 ist, also einen gemischten Zustand genau dann, wenn Sp(ρ ) < 1 ist. Zustandstransformation Die Dynamik eines abgeschlossenen Quantensystems wird durch unitäre Transformationen beschrieben. Wird das System durch die Schrödinger-Gleichung i d ψ = H ψ dt mit dem (zeitunabhängigen) hermiteschen Hamilton-Operator H beschrieben, so ist für zwei Zeitpunkte t 1 < t ψ(t ) = U(t 1, t ) ψ(t 1 ) = e i H(t t 1 ) ψ(t 1 ) mit unitärem U(t 1, t ) = e i H(t t 1 ). Hat der Hamilton-Operator H die Spektralzerlegung H = E E E E, wobei E den (normierten) Eigenvektor zum Eigenwert E bezeichnet, so sind diese E die Energiezustände oder auch stationären Zustände, denn für diese wird die zeitliche Entwicklung durch Multiplikation mit dem Phasenfaktor e i E t beschrieben. 16
Einführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
Lineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
A Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
SO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
Elemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Freie Universität Berlin Institut für Informatik. Seminar über Algorithmen für Quanten-Computer. Vortrag Nr. 4 Quantenbits, -gatter, -register
Freie Universität Berlin Institut für Informatik Seminar über Algorithmen für Quanten-Computer Vortrag Nr. 4 Quantenbits -gatter -register Jörg Meltzer & Axel Steinacker Inhalt Klassisches Modell Vektorielle
Statistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
Erinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin ([email protected]) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
Mathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. [email protected] http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
Lösungen zum 3. Aufgabenblatt
SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.
3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
Mathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
Übungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
Einführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
Lehrtext zur Quantenkryptographie
Lehrtext zur Quantenkryptographie Inhaltsverzeichnis Quantenkryptographie 5.1 Wesenszüge der Quantenmechanik................. 5.1.1 Polarisation von Photonen und deren Messung...... 6 Einschub: Mathematische
3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
II. Klein Gordon-Gleichung
II. Klein Gordon-Gleichung Dieses Kapitel und die zwei darauf folgenden befassen sich mit relativistischen Wellengleichungen, 1 für Teilchen mit dem Spin 0 (hiernach), 2 (Kap. III) oder 1 (Kap. IV). In
Aufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
GNS-Konstruktion und normale Zustände. 1 Rückblick. 2 Beispiel für einen Typ-II 1 -Faktor
GNS-Konstruktion und normale Zustände 1 Rückblick Wir betrachten von-neumann-algebren M B(H), d.h. Unteralgebren mit 1 H M, die in der schwachen Operatortopologie (und damit in jeder der anderen) abgeschlossen
Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
ax 2 + bx + c = 0, (4.1)
Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die
Kapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
Lineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Probestudium der Physik: Mathematische Grundlagen
Probestudium der Physik: Mathematische Grundlagen Ludger Santen 1. Februar 2013 Fachrichtung Theoretische Physik, Universität des Saarlandes, Saarbrücken 1 Einführung Die Mathematik ist die Sprache der
Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
Quantum Computing: Anwendungen in Kryptographie und der Darstellung Boolescher Funktionen
Quantum Computing: Anwendungen in Kryptographie und der Darstellung Boolescher Funktionen Diplomarbeit vorgelegt von Hecke Schrobsdorff aus Göttingen angefertigt im Institut für Numerische und Angewandte
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 15 0 6 1. 15 12 x + 3 y 3 z = 15 12 3 3. 15 2 x 3 y = 4 2 3 0.
Beispiel zur Lösung eines Gleichungssystems : 6 y + z = 5 0 6 5 2 x + 3 y 3 z = 5 2 3 3 5 2 x 3 y = 4 2 3 0 4 z2 /3 z : 3 2 x 3 y = 4 2 3 0 4 4 x + y z = 5 4 5 6 y + z = 5 0 6 5 z2 + 2 z 2 x 3 y = 4 2
Kursvorlesung PTP4. Theoretische Quantenmechanik
Kursvorlesung PTP4 Theoretische Quantenmechanik gehalten im Sommersemester 2011 Timo Weigand Institut für Theoretische Physik, Universität Heidelberg Digitalisierung der handschriftlichen Vorlesungsnotizen:
Installation. Arbeiten mit der MATLAB-Entwicklungsumgebung. MATLAB als Taschenrechner mit Matrix- und Vektorrechnung.
Installation. Arbeiten mit der MATLAB-Entwicklungsumgebung. MATLAB als Taschenrechner mit Matrix- und Vektorrechnung. Die heutige Sitzung dient dem ersten Kennenlernen von MATLAB. Wir wollen MATLAB zuerst
Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
BONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
Einführung in MATLAB
Kapitel 4 Einführung in MATLAB 41 Allgemeines MATLAB ist eine kommerzielle mathematische Software zur Lösung mathematischer Probleme und zur graphischen Darstellung der Ergebnisse Die Verfahren in MATLAB
Bestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mathematik III für Ingenieure
Mathematik III für Ingenieure im Bachelor-Studiengang Maschinenbau Vorlesung Wintersemester 21/211 B. Schuster aktualisert am 27. Januar 211 Inhalt I. Eigenwerte und Eigenvektoren 1 1. Komplexe Matrizen
Eigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Lineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
Numerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
Gleichungen - Aufgabenstellung und Lösungsstrategien
Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. [email protected] 18. Juli 2006 1 Einleitung
Supersymmetrische Quantenmechanik
Supersymmetrische Quantenmechanik Vorlesung mit Übungen Sommersemester 2014 Universität Erlangen-Nürnberg Georg Junker European Southern Observatory 15. April 2014 Vorbemerkungen 1. Montags 9-12 Vorlesung;
8.6.1 Erwartungswert eines beliebigen Operators O 8.6.2 Beispiel: Erwartungswert des Impulses eines freien Teilchens
phys4.013 Page 1 8.6.1 Erwartungswert eines beliebigen Operators O 8.6.2 Beispiel: Erwartungswert des Impulses eines freien Teilchens phys4.013 Page 2 8.6.3 Beispiel: Orts- und Impuls-Erwartungswerte für
1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
Seminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
Public-Key-Algorithmen WS2015/2016
Public-Key-Algorithmen WS2015/2016 Lernkontrollfragen Michael Braun Was bedeuten die kryptographischen Schutzziele Vertraulichkeit, Integrität, Nachrichtenauthentizität, Teilnehmerauthentizität, Verbindlichkeit?
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
Kapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
Grundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
Simulation eines Quantencomputers
Simulation eines Quantencomputers Björn Butscher, Hendrik Weimer Universität Stuttgart 22. März 2003 Inhaltsverzeichnis Quantencomputing Eine Einführung 3 2 Simulation eines Quantencomputers 5 2. Implementierung
ÜBERBLICK ÜBER DAS KURS-ANGEBOT
ÜBERBLICK ÜBER DAS KURS-ANGEBOT Alle aufgeführten Kurse sind 100 % kostenfrei und können unter http://www.unterricht.de abgerufen werden. ANALYSIS / INFINITESIMALRECHNUNG Nullstellen * Nullstellen einer
Übungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
Vorlesung. Komplexe Zahlen
Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems
Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
Berechnung von Eigenwerten und Eigenvektoren
Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.
Stern-Gerlach Versuch
Kapitel 3 Stern-Gerlach Versuch Konkrete Anwendung der Quantenmechanik. Musterbeispiel für ein Quantensystem mit Zuständen. Ein Experiment, das klassisch nicht zu verstehen ist. Radikale Abweichung von
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band 2, 2.Aufl. (Version 2010), Kapitel 5
Lösungsvorschläge zu ausgewählten Übungsaufgaben aus Storch/Wiebe: Lehrbuch der Mathematik Band,.Aufl. Version, Kapitel 5 Bilinear-und Sesquilinearformen Abschnitt.A, Aufg., p. 6.6. : Man bestimme die
Minimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
Quantenautomaten und das Cut-Point-Theorem für beschränkte erkennbare Potenzreihen
Universität Leipzig Fakultät für Mathematik und Informatik Institut für Informatik Quantenautomaten und das Cut-Point-Theorem für beschränkte erkennbare Potenzreihen Bachelorarbeit Leipzig, September 2009
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge. Prof. Dr. R. Herzog. gehalten im SS2013 Technische Universität Chemnitz
Skript zur Vorlesung Höhere Mathematik für Bachelorstudiengänge Prof. Dr. R. Herzog gehalten im SS2013 Technische Universität Chemnitz Auszug aus den Studienordnungen zu den Ausbildungszielen der mit dieser
Matrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: [email protected].
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
Lineare Algebra und Computer Grafik
Lineare Algebra und Computer Grafik Vorlesung an der Hochschule Heilbronn (Stand: 7 Mai ) Prof Dr V Stahl Copyright 6 by Volker Stahl All rights reserved Inhaltsverzeichnis Vektoren 4 Vektoren und Skalare
Lorentz- und Poincaré-Gruppe und SL(2,C)
Lorentz- und Poincaré-Gruppe und SL(2,C) Alexander Baade Andreas Müllers Christian Wuttke 24.01.2005 Inhaltsverzeichnis 1 Wiederholung der Grundlagen 2 2 Die SL(2,C) und die eigentlichen orthochronen Lorentz-Gruppe
Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
KAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
Optimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
OPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
Musterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
Kern- und Schulcurriculum Mathematik Klasse 9/10. Stand Schuljahr 2009/10
Kern- und Schulcurriculum Mathematik /10 Stand Schuljahr 2009/10 Fett und kursiv dargestellte Einheiten gehören zum Schulcurriculum In allen Übungseinheiten kommt die Leitidee Vernetzung zum Tragen - Hilfsmittel
Jürgen Wurm. 31. Mai 2006
Kohärente Zustände Jürgen Wurm 31. Mai 006 Vortrag zum Seminar Quantenoptik im SS 006 1 Inhaltsverzeichnis 1 Einleitung 3 Quantisierung des elektromagnetischen Feldes 3.1 Entwicklung des Feldes nach Eigenmoden.............................
Grundlagen der Mathematik II
Wintersemester 204/205 - Aufgabenblatt I Abgabe: bis Donnerstag, den 6. November 204, 9:00 Uhr Aufgabe : Untersuchen Sie, für welche 2 C die folgende Matrix c diagonalisierbar ist, und bestimmen Sie für
Orthogonale Funktionenräume
Orthogonale Funktionenräume Richard Küng February 27, 24 Contents Vektorräume mit Skalarprodukt 2 2 Lineare Abbildungen: Matrizen und Operatoren 8 2. Matrizen................................ 8 2.. Diagonalisieren
Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Fortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum
Fortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum Peter Fleissner (Version 05.02.2008) Bisher wurde die Rechung nur mit zirkulierendem konstantem Kapital durchgeführt. Die
KAPITEL 0. Einführung
Lineare Algebra KAPITEL 0 Einführung Dieses Skript zur Vorlesung Lineare Algebra an der Goethe Universität Frankfurt im Sommersemester 2011 befindet sich noch in der Entstehung und wird fortlaufend aktualisiert
6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte
Numerik I Version: 240608 40 6 Lösung linearer Gleichungssysteme I: LR-Zerlegung und Verwandte Die zwei wichtigsten Aufgaben der linearen Algebra: Lösung linearer Gleichungssysteme: Ax = b, wobei die n
Binäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
Lorentztransformationen
Lorentztransformationen Untersuchung einiger Eigenschaften von Dr. Ralph Hübner Wesel, Oktober 2010 (Rev. Juli 2014) Einleitung In dieser Abhandlung betrachten wir einige Eigenschaften von Lorentztransformationen,
2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
Bemerkungen zur Tensorrechnung
Prof.Dr.W.Timmermann Institut für Analysis 0. Einführung Bemerkungen zur Tensorrechnung Tensorrechnung wird meist als schwierig empfunden. Das hat mindestens zwei Gründe: 1. Etliche Lehrbücher enthalten
Lineare Algebra für Informatiker TUM Sommersemester 2011 Dozent: Christian Pötzsche
Lineare Algebra für Informatiker TUM Sommersemester 20 Dozent: Christian Pötzsche Janosch Maier 3. Juli 20 Herzlichen Dank an Lucas Westermann, Florian Scheibner (https://github. com/lswest/lamitschrift)
Kapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
Definition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14. Auswahl vorausgesetzter Vorkenntnisse
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Dipl.-Math. Kevin Everard Mathematik für Studierende der Biologie und des Lehramtes Chemie Wintersemester 2013/14 Auswahl vorausgesetzter Vorkenntnisse
Eine kurze Einführung in scilab
Eine kurze Einführung in scilab 1.5 1 0.5 0 0.5 1 1.5 1.5 1 0.5 0 0.5 1 von Dr. Werner E. Schabert April 2009 Version 3.1 Universität Augsburg Inhaltsverzeichnis 1 Rechenoperationen und mathematische
Lineare Algebra und analytische Geometrie II (Unterrichtsfach)
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Prof. Dr. D. Rost SS 0 Blatt.06.0 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie II (Unterrichtsfach) Abgabe: Dienstag, 0. Juli 0, bis 4:00
Einführung in die Funktionalanalysis
Einführung in die Funktionalanalysis Bernhard Gsell Skriptum zur Vorlesung gelesen von Prof. Wolfgang Woess 21. August 2014 Dies ist die Umsetzung meiner Vorlesungsmitschrift zu Einführung in die Funktionalanalysis,
7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013
Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen
Hauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
