Sie sind auf Seite 1von 73

WI - B05 - Mathematik für Wirtschaftsinformatiker

1 Aussagenlogik
• Basis: Aussagenlogik [AL]

• Definition (Aussage, Wahrheitswert [WW])

• Aussage ist Satz, einer künstlichen oder menschlichen Sprache, der entweder Wahr oder Falsch
ist.

• Wahre Aussage wird Wahrheitswert wahr (1) zugeordnet.

• Falsche Aussage wird Wahrheitswert falsch (0) zugeordnet.

Beispiele

• “In Berlin steht der Kölner Dom.“ (0)

• “Durch Köln fließt der Rhein.“ (1)

• “47 > 11“ (1)

• “Jede gerade Zahl > 2, ist Summe zweier Primzahlen.“ (?)


(beachte zugehöriger WW ist garantiert, aber unbekannt Aussage liegt vor.)

• “Dieser Satz ist falsch!“ weder (0) noch (1) also keine Satz (nicht Aussage)

1.1 Aussageform
• ist Satz, der Platzhalter (=Variable) enthält.

• wird zu einer Aussage falls für jede vorkommende Variable ein (passender) Wert eingesetzt
wird. Wahrheitswert der sich so ergebenden Aussage hängt ab vom eingesetzten Werten.

Beispiele

• “Der Gärtner ist der Mörder.“

• “y ist Primzahl.“

• “x > y“

1.2 Aussage-Verknüpfungen
1.2.1 NEGATION ( ¬ ):

• zu Aussage A: ¬A “nicht A“

• ¬ A kann als Aussageform betrachtet werden. Wobei A Variable für Wahrheitswert ist, d.h. A
kann 0 oder 1 als Wert annehmen.

• AL-Variable: G Boole: Boolsche Variable

A ¬A
1 0
0 1

13.10.2010 - 20.10.2010 www.studiWI.de Seite 1/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.2.2 KONJUNKTION ( ∧ ):

• zu AL-Variable A, B: A ∧ B “A und B“

A B A∧B
1 1 1
1 0 0
0 1 0
0 0 0

1.2.3 DISJUNKTION ( ∨ ):

• AL-Variable A, B:A ∨ B “A oder B“

A B A∨B
1 1 1
1 0 1
0 1 1
0 0 0

1.2.4 IMPLIKATION ( ⇒ ):

• AL-Variable A, B: A ⇒ B “aus A folgt B“ synonym “A impliziert B“

– A heißt Prämisse (= Voraussetzung)


– B heißt Folgerung

A B A⇒B
1 1 1
1 0 0
0 1 1
0 0 1

1.2.5 ÄQUIVALENT ( ⇔ ):

• AL-Variable A, B: A ⇔ B

• “A ist äquivalent zu B“ synonym “A gleichwertig mit B“ synonym “A genau dann, wenn(gdw.) B“

A B A⇔B
1 1 1
1 0 0
0 1 0
0 0 1

Beispiel

• A: “Köln liegt am Rhein“

• B: “47 < 11“ “A ⇒ B“ : (0)


“B ⇒ A“ : (1)
Vorsicht: Korrekte Implikation heißt nicht korrekte Prämisse
A: 1 = −1 : (0)
B: 12 = (−1)2 : (1)
(A ∧ (A ⇒ B)) ⇒ B “modus ponens“(setzende Schlußregel)

13.10.2010 - 20.10.2010 www.studiWI.de Seite 2/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3 AL Formel
• Jede AL-Variable ist eine AL-Formel
heißen atomare Formeln

• Werden AL-Formeln gemäß AL-Verknüpfung (1.2) zusammengesetzt ergeben sich wiederum


AL-Formeln, solange sich endlich große Objekte ergeben.

• nichts anderes führt zu einer AL-Formel

1.4 AL-Formel ist Aussageform


die dadurch zur Aussage wird, dass jeder vorkommenden AL-Variablen ein Wahrheitswert zugewie-
sen wird. Der Wahrheitswert der sich so ergebenden Aussage ist eindeutig durch AL-Verknüpfung
festgelegt.

1.4.1 Beispiel: Modellierung

• Schließung der Tür zu Bank-Schließfächern.

• Soll nur öffnen, falls elektronischen Schlüssel zweier verschiedener Personen verwendet wer-
den.

• AL-Variable
P1 : 0 Strom fließt nicht; 1 Strom fließt
P2 : 0 Strom fließt nicht; 1 Strom fließt
Schließformel: P1 ∧ P2

1.5 Tautologie
AL-Formel heißt Tautologie, falls jede Zuweisung von Wahrheitswert zu in AL-Formeln vorkommen-
den AL-Variablen eine wahre Aussage liefert.

1.6 Tautologien
A, B, C AL-Variablen oder AL-Formeln:

1.6.1 Satz vom geschlossenen Dritten

A ∨ ¬A = 1
A ∧ ¬A = 0

1.6.2 Satz vom Widerspruch

¬(A ∧ ¬A)

1.6.3 doppelte Verneinung ("Nicht-Nicht-Raucher")

¬(¬A) ⇔ A

1.6.4 Kommutativität von ∧, ∨

(A ∧ B) ⇔ (B ∧ A)
(A ∨ B) ⇔ (B ∨ A)

13.10.2010 - 20.10.2010 www.studiWI.de Seite 3/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.6.5 Assoziativität

A ∧ (B ∧ C) ⇔ (A ∧ B) ∧ C ⇔ A ∧ B ∧ C
A ∨ (B ∨ C) ⇔ (A ∨ B) ∨ C ⇔ A ∨ B ∨ C

1.6.6 Distributivität

A ∧ (B ∨ C) ⇔ (A ∧ B) ∨ (A ∧ C)
A ∨ (B ∧ C) ⇔ (A ∨ B) ∧ (A ∨ C)

1.6.7 de Morgan Regeln (A = ¬F )

¬(A ∧ B) ⇔ (¬A ∨ ¬B)


¬(A ∨ B) ⇔ (¬A ∧ ¬B)

1.6.8 Kontraposition

(A ⇒ B) ⇔ (¬B ⇒ ¬A)
“Wenn es regnet, dann wird Straße nass“
“Wenn Straße trocken, dann regnet es nicht“
A B ¬A ¬B A ⇒ B ¬B ⇒ ¬A F
1 1 0 0 1 1 1
1 0 0 1 0 0 1
0 1 1 0 1 1 1
0 0 1 1 1 1 1

1.6.9 modus ponsens

(A ∧ (A ⇒ B)) ⇒ B

1.6.10 Idem Potenz

(A ∧ A) ⇔ A
(A ∨ A) ⇔ A

1.6.11 Tautologien begründen Beweistechniken

F = (¬A ⇒ B) ⇔ (A ∨ B)
F = (A ⇒ B) ⇔ (¬A ∨ B)
A B ¬A A ∨ B ¬A ⇒ B F
1 1 0 1 1 1
1 0 0 1 1 1
0 1 1 1 1 1
0 0 1 0 0 1

13.10.2010 - 20.10.2010 www.studiWI.de Seite 4/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker

nützlich um AL Formeln durch äquivalente Umformungen zu vereinfachen


F = (¬A ⇒ B) ∧ ((A ∧ B) ⇒ ¬C) ∧ ((C ∨ ¬A) ⇒ ¬B)
F = (A ∨ B) ∧ (¬(¬(A ∧ B) ⇒ ¬C)) ∧ ¬(C ∨ ¬A)V ¬B
F = (A ∨ B) ∧ (¬(A ∧ B) ∨ ¬C) ∧ ¬(C ∨ ¬A) ∨ ¬B
F = (A ∨ B) ∧ (¬A ∨ ¬B ∨ ¬C) ∧ ((¬C ∧ A) ∨ ¬B)
F = (A ∨ B) ∧ (¬A ∨ ¬B ∨ ¬C) ∧ (¬C ∨ B) ∧ (A ∨ ¬B)
G = ¬A
E = ¬B ∧ ¬C
(G ∨ E) ∧ E ⇔ E
F = (A ∨ B) ∧ (B ∨ ¬C) ∧ (A ∨ ¬B)
F = (A ∨ B) ∧ (A ∨ ¬B) ∧ (¬B ∨ ¬C)
F = A ∨ (B ∧ ¬B) ∧ (¬B ∨ ¬C)
F = A ∨ (¬B ∨ ¬C)
Mit solchen Methoden kann man jede AL Formel in spezielle Gestalt "pressen"(normierte Gestalt)

1.7 KNF, DNF


AL Formel F heißt im :

1.7.1 konjunktiver Normalform(KNF)

genau dann, wenn:


F = K1 ∨ K2 ∧ K3 ... ∧Kn wobei
Ki = (L1 ∨ L2 ∨ ... ∨Lr )
jedes L1 ist entweder AL Variable oder Negative AL Variable
n, r; ganze Zahlen
Ki heißt Klausel
(A1 ∨ A2 ∨ ¬A3 ) ∧ (A1 ∨ ¬A2 ) ∧ ¬A3
| {z } | {z } |{z}
K1 ; K2 ; K3 ;
L1 = A1 AL Variable
A1 , A2 , A3 ,: AL Variable

1.7.2 disjunktiver Normalform(DNF)

genau dann, wenn:


F = T1 ∧ T2 ∧ T3 ... ∧Tm wobei
Ti = (L1 ∨ L2 ∨ ... ∨Ls )
jedes L1 ist entweder AL Variable oder Negative AL Variable
m, s; ganze Zahlen
1≤i≤m
(A1 ∧ A2 ∧ ¬A3 ) ∨ (A1 ∧ ¬A2 ) ∨ ¬A3
| {z } | {z } |{z}
T1 ; T2 ; T3 ;

13.10.2010 - 20.10.2010 www.studiWI.de Seite 5/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.8 Normalformensatz
• Jede AL Formel F kann äquivalent umgeformt werden

– in eine KNF Formel F1 : F ⇔ F1


– in eine DNF Formel F2 : F ⇔ F2

• Erfüllungsproblem (Komplexitätstheorie)

• Eingabe: KNF : F

• Ausgabe: ja(F erfüllbar) / nein(F1 ¬ erfüllbar)

1.9 Reales Anwendungsbeispiel


Korrektheits- / Konsistenzprüfungen bei Autobestellungen

• AL : XF i Feature 1 bestellt : 1

• AL : XF i Feature 1 nicht bestellt : 0

AL Formel: verknüpfte Features entsprechenden Markterfordernissen bzw. technischen Erfordernis-


sen.

• z.B. F = F k ∧ F m ∧ F c ∧ F b ∧ F e ∧ F s

• K: Klima; M: Motor; C: Karosserie; B: Bereifung; ...

• z.B. Klimatisierungs-Teilformel

– xKA : Klimaautomatik
– xRM : Klima-Manuell
– xRF : Innenraumfassung
– xM K : Motor 40PS

• FK : (xKA ∨ xKM ) ∧ ¬(xKA ∧ xKM ) ∧ (XM K ⇒ (¬xKA ∧ ¬xKM )) ∧ (xKA ⇒ xRF ) ...

13.10.2010 - 20.10.2010 www.studiWI.de Seite 6/ 6


WI - B05 - Mathematik für Wirtschaftsinformatiker
1 Mengenlehre
Darstellungsgrundlage der gesamten Mathematik
Mengen wichtig in vielen Algorithmen werden durch geeignete Darstellungen modelliert
Menge / Relation extrem relevant für DBMS
aus heutiger Sicht naive Definition

1.1 Vater der Mengenlehre (G.Cantor, 1845-1918)


Menge M ist Zusammenfassung von bestimmten, wohl unterschiedenen Objekten aus unserer An-
schauung oder unseres Denkens zu einem Ganzen.
Die zusammengefassten Objekte heißen Elemente der Menge M
Schreibweise: “x ∈ M “: x ist Element von M; M = {...}

1.2 Beispiele
1.2.1 Objekte: Buchstaben im Wort (String) Hochschule

M1 = {H, O, C, H, S, C, H, U, L, E}
M = {H, O, C, S, U, L, E}

• Mehrfachvorkommen werden ignoriert

• Reihenfolge der Elementaufzählung irrelevant

M = {O, S, L, E, U, H, C}

1.2.2 M2 = {A, B, C, D, ...Z}

Objekt Buschstaben des Alphabets

1.2.3 M3 = {1, 2, 3, ...}

“unendliche“ Menge, Menge der natürlichen Zahlen

1.2.4 M4 = {33, 34, 35, ...49}

= {x : X ∈ N ∧ x ≥ 33 ∧ x ≤ 49}

1.2.5 wichtige Zahlenmengen

• N := {1, 2, 3, ...} natürliche Zahlen

• N0 := {0, 1, 2, 3, ...} natürliche Zahlen mit 0

• Z := {..., −3, −2, −1, 0, 1, 2, 3, ...} ganze zahlen

• Q := {x : x = nz , z ∈ Z, n ∈ N} rationale Zahlen (Bruchzahlen)

• R := {x : −∞ < x < ∞} reelle Zahlen

1.2.6 ∅ leere Menge { }

einzige Menge, die 0 Elemente enthält

20.10.2010 - 28.10.2010 www.studiWI.de Seite 1/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.2.7 Mengen können als Objekte selbst Mengenenthalten

• M7 := {1, {1}, {{1}, {2, 3}}} Menge, die die Menge 1 enthält

• M8 := {x : x ist Menge der Zahlen einer Lottoziehung }

• M8 = {{1, 2, 4, 8, 14, 49}, {13, 17, 5, 21}}

Vorsicht!

Mall := {x : x ist Menge }


→ Ausweg : AxiomatischeM engenlehre

1.3 Teilmenge, Obermenge


1.3.1 M heißt Teilmenge von Menge

L : M ≤ L, gdw. x ∈ M ⇔ x ∈ L
gleichbedeutend mit: x ∈ M ⇒ x ∈ L ∧ x ∈ L ⇒ x ∈ M

1.3.2 Wenn M ≤ L gibt, dann heißt L Obermenge von M

1.3.3 Mengen M und L heißen gleich, gdw. M ≤ L ∧ L ≤ M ⇔ L = M

gleichbedeutend mit: x ∈ M ⇒ x ∈ L ∧ x ∈ L ⇒ x ∈ M
gleichbedeutend mit: x ∈ M ⇔ x ∈ L

1.4 Potenzmenge
Die Potenzmenge P(M) einer Menge M, ist die Menge sämtlicher Teilmengen von M.
P (M ) := {x : x ≤ M }

1.5 Beispiele
1.5.1 M := ∅, P (∅) = {∅}

1.5.2 M = {0, 1}

P (M ) = {{0}, {1}, {0, 1}, ∅}


{0} ≤ M

1.5.3 M = {r, g, b}

P (M ) = {∅, {r}, {g}, {b}, {r, g}, {r, b}, {g, b}, {r, g, b}}

1.6 Hat M n Elemente


(M = {e1 , e2 , ..., en }, n ∈ |N ) dann P (M ) 2n viele Elemente.
Beweis:
0 0 0 ... 0 ←→∅
1 0 0 ... 0 ←→{ e1 }
0 1 0 ... 0 ←→{ e2 }
...
2 ∗ 2 ∗ 2...2 = 2n
p.e.d. = Beweis ist abgeschlossen = 

20.10.2010 - 28.10.2010 www.studiWI.de Seite 2/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.7 Operationen auf Mengen


1.7.1 Durchschnitt (= Schnittmenge) von Mengen M, L:

M ∩ L := {x : x ∈ M ∧ x ∈ L}

∩ korrespondiert zu ∧

1.7.2 Vereinigung von M, L:

M ∪ L := {}x : x ∈ M ∨ x ∈ L}

M ∩L≤M ∪L

1.7.3 Differenzmenge

M \ L := {x : x ∈ M ∧ ¬(x ∈ L)}

M \ L(= M − L)

1.7.4 Symmetrische Differenz

M 4 L := {x : (x ∈ M ∨ x ∈ L) ∧ (x 6∈ M ∩ L)}

4 korrespondiert zu XOR

1.8 wichtige Rechenregeln


sind K,L,M Mengen dann gilt

1.8.1 Kommutativität

• M ∩L=L∩M

• M ∪L=L∪M

1.8.2 Assoziativität

• K ∩ (M ∩ L) = (K ∩ M ) ∩ L

• K ∪ (M ∪ L) = (K ∪ M ) ∪ L

1.8.3 Distributivität

• M ∩ (L ∩ K) = (M ∩ L) ∩ (M ∩ K)

• M ∪ (L ∪ K) = (M ∪ L) ∪ (M ∪ K)

20.10.2010 - 28.10.2010 www.studiWI.de Seite 3/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.9 de Morgan
• L ≤ M, K ≤ M

• M \ (L ∩ K) = (M \ L) ∪ (M \ K)

• M \ (L ∪ K) = (M \ L) ∩ (M \ K)
| {z } | {z }

A↑ B↑
Beweis:
A≤B
B≤A
(x ∈ M ) ∧ ¬(x ∈ L ∨ x ∈ K)
⇔ (x ∈ M ) ∧ (x 6∈ L ∧ x 6∈ K)
⇔ (x ∈ M ∧ x 6∈ L) ∧ (x ∈ M ∧ x 6∈ K)
⇔ (x ∈ M \ L) ∧ (x ∈ M \ K)
⇔ x ∈ [(M \ L) ∩ (M \ K)]
⇔x∈B

1.10 Kartesisches Produkt


Seien L, M Mengen, L 6= ∅ M 6= ∅
Dann heißt LxM = {(x1 , x2 ) : (x1 ∈ L ∧ x2 ∈ M )} Kartesisches Produkt von L und M
(= Menge der geordneten Paare der Elemente in L, M)

Beispiel

L = {x1 , x2 }, M = {x, y}
L ∗ M = {(1, x), (1, y), (2, x), (2, y), (3, x), (3, y)}
|L ∗ M | = |L| ∗ |M |
L ∗ M ∗ M 3 (1, x, x)
M ∗ L = {(x, ), (x, 2), (x, 3), (y, 1), (y, 2), (y, 3)}
L=M =N
N ∗ N = N2
R5 = R ∗ R ∗ R ∗ R ∗ R

Beispiel

L ∗ M ∗ M = |L ∗ M 2 | = |L| ∗ |M | ∗ |M | = |L| ∗ |M |2
= {(1, x, x), (1, x, y), (1, y, x), (2, x, x), (2, x, y), (2, y, x), (3, x, x), (3, x, y), (3, y, x)}

1.11 Quantor
• ∀ “für alle“ (Allquantor)

• ∃ “es existiert“ (Existenzquantor)

A(x) (x ∈ M )
∀x : A(x) für alle x ∈ M gilt A(x)
∃x : A(x) es gibt (mindestens) 1 x, für das A(x) gilt.

20.10.2010 - 28.10.2010 www.studiWI.de Seite 4/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.11.1 für alle n ∈ N gilt


Pn n(n+1)
i=1 := 2

∀n : A(n), (n ∈ N)
Pn n(n+1)
A(n) : i=1 := 2
Pn
i=1 a := a1 + a2 + a3 + ... +an
P26
i=3 a := a3 + a4 + a5 + ... +a26

Q
1.11.2 es gibt ein n ∈ N, für das gilt n ∈
Q
kurz: ∃n : n < (n ∈ N)

Q
1.11.3 es gibt kein n ∈ N, welches für alle m ∈ m < n erfüllt.

kurz: ¬∃n : ∀m : m < n(m, n ∈ N)

1.12 Beweisprinzipien
• Beweise: Tagesgeschäft der Informatik

• Korrektheit eines Algorithmus

• Expertensysteme / KI : automatisches Beweisen

• Chip-/Softwareverifikation

1.12.1 Direkter Beweis

• Grundlage: modus ponens (A ∧ (A ⇒ B)) ⇒ B

• A wahr: A ⇒ B1 ⇒ B2 ⇒ ... ⇒ B

Beispiel Behauptung: Wenn n ∈ N durch 8 teilbar, (A) dann ist n auch durch 4 teilbar (B)
Beweis: Sei n ∈ N : n teibar durch 8 dann existiert k ∈ N : n = 8 k = 4 ∗ 2 ∗ k
also n4 = 2 ∗ k ∈ N also n teibar durch 4

1.12.2 indirektes Beweisen

• Grundlage: Kontraposition

• D.h. statt A ⇒ B (mittels m.p.)


folgere ¬B ⇒ ¬A (mittels m.p.)

Beispiel Behauptung: ist n2 eine ungerade natürliche Zahl, (A) dann ist auch n ∈ N ungerade (B)
Beweis: ¬B : n ∈ N gerade dann existiert k ∈ N:
n=2∗k
⇒ n2 = 4 ∗ k 2 = 2 ∗ (2k 2 )
n2
⇒ n∗2 = 2 ∗ k2 ∈ N
2
⇒ n gerade : ¬A

20.10.2010 - 28.10.2010 www.studiWI.de Seite 5/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.3 Widerspruchsbeweis

• Grundlage: ¬(F ∧ ¬F )

• Um Aussage zu beweisen, nimmt man ¬A wahr an. Führe korrekte Implikation aus:
(¬A ⇒ B1 ⇒ B2 ⇒ ... ⇒ 0) wahre Aussage
¬A : 0 ⇔ A : 1


Beispiel √Behauptung: 2 6∈ Q, das heißt es gibt keinen Bruch
z z
n mit√ 2 = n √
¬A : 2 ∈ Q, dann nz = 2 ohne Kürzungen
2
⇒ nz 2 = 2 ⇔ z 2 = 2 ∗ n2 (z 2 gerade) ⇒ (z gerade)

⇒ ∃k ∈ N : z = 2 ∗ k
⇒ z 2 = (2 ∗ k)2 = 4 ∗ k 2
⇒ 4 ∗ k 2 = 2 ∗ n2
⇒ 2 ∗ k 2 = n2

d.h. im Bruch steckt der Faktor 2


keine Kürzung im Bruch

2 6∈ Q, Q ≤ R
√ \ Q 6= ∅
D
2∈R\Q

Behauptung: Wenn n ∈ N gerade, dann ist n + 3 ungerade


A↑ ⇒ B↑
Annahme: n + 3 sei gerade ⇒ ∃k ∈ N :
n+3=2∗k ⇒n=2∗k−3
⇒ n2 hat Rest ⇒ n2 6∈ N
d.h. n ungerade zur Prämisse
⇒ n + 3 ungerade

1.12.4 Äquivalenz-Beweis

• Benutzung der Gestalt A ⇔ B zu zeigen, wird entweder in 2 Schritten ausgeführt


A ⇒ B (in einer passenden Strategie)
B ⇒ A (in einer passenden Strategie)

• oder
A ⇔ B1 ⇔ B2 ⇔ ... ⇔ B
bei A ⇔ B1 Vorsicht! muss sicher sein

1.12.5 vollständige Induktion

Aussage für N0 :
A(n), n ∈ N0 , n ≥ n0
n(n+1)
A(n), ni=1 i = 1 + 2+ ... +n =
P
2
n ∈ N0 , n ≥ 1(= n0 )

Induktionsanfang Beweise: A(n0 )


1(1+1)
A(n0 ) = A(1) : 1i=1 i = 1
P
2 =1
also A(1) wahr.

20.10.2010 - 28.10.2010 www.studiWI.de Seite 6/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

Induktionsschluss A(n) ⇒ A(n + 1)


Durchhangeln durch N
Pn+1 Pmit einem Implikation-Schritt
n+1
A(n + 1) : i=1 i = ( i=1 i) + (n + 1)
n(n+1)
I.A. → = 2 + (n + 1)
n(n+1)+2(n+1)
= 2

(n+1)∗(n+2)
= 2

A(1)∨, A(2), A(3)


A(1) ⇒ A(2)
A(2) ⇒ A(3)

Beispiel
PnSatzi Für alle n ∈ N0 :
A(n) : i=0 2 = 2n+1 −1

Beweis vollständiger Induktion


I.A. : A(0) linke Seite: 20 = 1
rechte Seite: 20+1 − 1 = 1
⇒ A(0)

P (n ⇒ nP
Induktionsschluss + 1)
A(n + 1) L.S. ni=0 2i = ( n+1 i
i=0 2 ) + 2
n+1

⇒ (da A(n) wahr angenommen):


Pn+1 i n+1 − 1 + 2n+1 = 2 ∗ 2n+1 − 1
i=0 2 = 2
= 21 ∗ 2n+1 − 1 = 2n+2 − 1 → R.S.vonA(n + 1)
⇒ A(n + 1) wahr

AA(n) = 2n+1 − 1
AA(n) = 2n+2 − 1

somit linke = rechte Seite

Pn i an+1 −1
Beispiel Satz i=0 a = a−1
für alle n ∈ N0 (geometrische Summe)

a ∈ R, a 6= 1

Beispiel Satz Für alle n ∈ N gilt:


h2n ≥ 1 + n2 , wobei:

k ∈ NP
hk := ki=1 1
i = 1
1 + 1
2 + 13 + ... + k1
P2n 1 1
h2n = i=1 i = 1 + 12 + ... + 21n

hk ’k + e harmonische Zahl“

( 1i i ∈ N = (1, 12 , 31 , 14 , ...)
P∞ 1n
i=1 i = ∞n

20.10.2010 - 28.10.2010 www.studiWI.de Seite 7/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker

Beispiel Ungleichung von Bernoulli


ist a ≥ −1 beliebige reelle Zahl,
dann : ∀n ∈ N : (1 + a)n ≥ 1 + n ∗ a A(n)
I.A.c: n = 1 : (1 + a)1
(Esel) 1+a
(Gaul) n → n + 1

(1 + a)n+1 = (1 + a)n ∗ (1 + a)
A(n) wahr →≥ (1 + n ∗ a) ∗ (1 + a)
= 1 + a + n ∗ a + n ∗ a2 n ≥ 0 und a2 ≥ 0 = n ∗ a2 ≥ 0
≥1+n+n∗a
1 + a(n + 1) : A(n + 1) R.S. 

20.10.2010 - 28.10.2010 www.studiWI.de Seite 8/ 8


WI - B05 - Mathematik für Wirtschaftsinformatiker
1 Relationen und Funktionen
1.1 Abbildung = Funktion
• D : Definitionsbereich; W : Wertebereich

• Sind D 6= ∅ Mengen, dann ist Abbildung (= Funktion) f zwischen D und W eine Vorschrift :
f : D → W , die jedem xD ein eindeutiges f (x)W zuordnet.

1.1.1 Beispiel f : M → L

M = {a, b, c, d}, L = {1, 2, 3}

f (a) = 1 f (b) = f (c) = f (d) = 3


nicht erlaubt: f (a) = 2 zusätzliche Abbildung d.h. von jedem x ∈ D = M
darf nur ein Pfeil ausgehen
es muss von jedem v ∈ D genau ein Pfeil ausgehen

1.1.2 Beispiel f : R → R

f : R+ → R
R+ := {x ∈ R :}
x → f (x) = x2

1.2 Bild
Zu f : D → W und A ≤ D
heißt f (A) = {f (x) : x ∈ A}

“Bild von A unter f “


f (D) heißt “Bild von f “

1.2.1 Beispiel

f (A), A = {b, c, d} ≤ D = M
f (A) = {3}, f (M ) = {1, 3}

1.2.2 Beispiel

f : R+ → R
R+ : {x ∈ R :≥ 0}

x → f (x) := x
f (R+ ) = R+
f : R+ → R+

28.10.2010 - 04.11.2010 www.studiWI.de Seite 1/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.2.3 Beispiel

zu a ∈ R bei ist
|a| := a, a ≥ 0 und −a, a ≤ 0 der Absolutbetrag von a
| − 13| = 13
|0| = 0

f :R→R
x → f (x) := |x|

Betragsfunktion: f (R) = (Übung)

1.2.4 Beispiel Abstand zweier reeller Zahlen: a, b

|a − b| = |b − a|
a = −7
b = 13

|a − b| = | − 7 − 13| = | − 20| = 20
|b − a| = |13 − −7| = |13 + 7| = |20| = 20

1.3 binäre Relation


M, L Mengen, M 6= ∅, L 6= ∅
Dann heißt R ≤ M ∗ L binäre Relation
Sprechweise: (x, y) ∈ R : x (bzw. y) steht in Relation R zu
Schreibweise: xRy

R = “ ≤ “, M = L = Z
≤⊆ Z2
(2, 3) ∈≤ 2 ≤ 3
(3, 1) 6∈≤
Z2 := {(x, y) : x ∈ Z, y ∈ Z}

1.3.1 Beispiel

M = {x : x ist Prof-HTW }
L = {y : y ist Kurs-HTW }

“Prof leitet Kurs“-Relation


R ≤ M ∗ L Prof x leitet Kurs y

“(Bannert, Programmierung 1) ∈ R“ oder “Bannert R Programmierung 1“


“(Bannert, Software 3) ∈ R“
“(Swat, Statistik 1) ∈ R“

28.10.2010 - 04.11.2010 www.studiWI.de Seite 2/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3.2 Beispiel

f : D → W Funktion
kann als binäre Relation aufgefasst werden: Funktionsgraph:
Gf = {(x, f (x)) : x ∈ D} ≤ D ∗ W
z.B. f (x) = x2 R ∗ R = markierter Bereich

1.3.3 Beispiel

nicht erlaubt f (a) = 2


R≤M ∗L

R = {(a, 1), (a, 2), (b, 2), (c, 2), (d, 1), (d, 2), (d, 3)} ≤ M ∗ L

Jede Funktion 1 Variablen ist binäre Relation, aber nicht umgekehrt

1.3.4 Beispiel

≤⊆ Z2 : (x, y) ∈≤ genauso ann wenn


x kleiner y oder x = y
x ≤ y falls (x, y) ∈≤

1.3.5 Beispiel Auch mehrstellige Relationen möglich

R ≤ M1 ∗ M2 ∗ ... ∗Mn
→ relationale Datenbank-Tabellen

1.4 Funktion f : M → L heißt:


• injktiv genau dann wenn zu jedem y ∈ L gibt es entweder 0 oder 1 Element in M , die auf y
abgebildet werden.

• surjektiv gdw. zu jedem y ∈ L gibt es mindestens ein x ∈ M mit f (x) = y

• bijektiv gdw. f ist injektiv und surjektiv, d.h. zu jedem y ∈ L gibt es genau ein x ∈ M , mit f (x) = y

28.10.2010 - 04.11.2010 www.studiWI.de Seite 3/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.4.1 Beispiel injektiv

M1 = {a, b, c, d}, L1 = {1, 2, 3, 4, 5, 6}

f1 ist injektiv
“rechts kommt höchstens 1 Pfeil aus“
nicht surjektiv, da einige noch offen

1.4.2 Beispiel surjektiv

M1 = {a, b, c, d}, L1 = {1, 2}

f1 ist surjektiv
“rechts kommt mindestens 1 Pfeil pro Objekt aus“
nicht injektiv

1.4.3 Beispiel bijektiv

f3 : M3 → L3

f3 ist bijektiv
“jedes Objekt rechts wird genau 1 mal getroffen“
injektiv und surjektiv

1.4.4 Beispiel Funktionsgraphen zu Funktionen von mehreren Variablen?

Distanzfunktion
(a, b) → f (a, b) = |b − a|
Gf := {(a, b, f (a, b)) : (a, b) ∈ D = R2 }
≤ D ∗ W = R2 ∗ R = R3

28.10.2010 - 04.11.2010 www.studiWI.de Seite 4/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5 Äquivalenzrelationen
Sei M 6= ∅ Menge
Äquivalenzrelation auf M fasst Elemente von M in Äquivalenzklassen (=Schubladen)

1.5.1 Beispiel

M = {x : x Hörer MWI}
RG ≤ M ∗ M = M 2 def. durch:
(x, y) ∈ RG genau dann wenn x, y wurden am gleichen Wochentag geboren.
x ∼RG y x äquivalent y bezüglich RG

Äquivalenzklassen paarweise disjunkt (elementfremd)

Mo: [x] = {y ∈ M : x ∼ y(x Mo geb}


Di: ...
...
So: ...
[x]M o ∩ [y]Di = ∅
M = Vereinigung aller Schubladen

Welche Eigenschaften hat RG


∀x ∈ M : x ∼ x, d.h. “Reflexivität“
(x, x) ∈ RG
∀x, y ∈ M : (x, y) ∈ RG ⇒ (y, x) ∈ RG
x ∼ y d.h. “Symmetrie“
y∼x

∀x, y, z ∈ M : (x, y) ∈ RG ∧ (y, z) ∈ RG ⇒ (x, z) ∈ RG “Transitivität“

1.5.2 Beispiel

M 6= ∅ R ≤ M 2 heißt Äquivalenzrelation auf M genau dann wenn R ist:

• reflexiv

• symmetrisch

• transitiv

Schreibweise: x, y ∈ R : x ∼R y
x ∈ M : [x] := {y ∈ M : x ∼R y}
x ∈ [x]
für y ∈ [x] y 6= x
[y] = [x]

28.10.2010 - 04.11.2010 www.studiWI.de Seite 5/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.3 Beispiel RG

Meier, Müller, Kunz wurden Montag geboren [Meier] = {Meier, Müller, Kunz}
= [Müller]
= [Kunz]
↑ Repräsentant für Menge, da transitiv
Kunz
= {x ∈ M : x ∼ Kunz }
Kunz ∼ Meier
Meier ∼ Müller
Müller ∼ Kunz

1.5.4 Schubfachprinzip “Taubenschlagprinzip“

Werden ≥ (k + 1) Objekte auf k Schubfächer verteilt, dann gibt es mindestens 1 Schublade in der
≥ 2 Objekte liegen.

1.5.5 Beweisprinzipien

f :O→S
|S| < |O|

⇒ ex. y ∈ S : mindestens zwei x1 , x2 ∈ O : f (x1 ) = y ∧ f (x2 ) = y


= mindestens 2 Objekte (x1 , x2 ) in 1 Schublade (y)

1.5.6 Beispiel RG auf M

hat ≤ 7 Äquivalenzklassen für jeden Wochentag höchstens 1


Für x, y : x ∼RG y
⇒ [x] = [y]

1.5.7 Äquivalenz R auf M

M 6= ∅, R ≤ M 2
Äquivalenzklassen (ÄKL’n) von R sind paarweise disjunkt: x 6∼R y ⇒ [x] ∩ [y] = ∅
M Vereinigung aller Äquivalenzklassen von R!

Beweis:

(b) : für jedes x ∈ M : x ∼R x d.h. x ∈ [x]
(a) Mit Kontraposition: [x] ∩ [y] 6= ∅ ⇒∈ x z ∈ M
z ∈ [x] ∩ z ∈ [y]
z ∼R x ∩ z ∼R y
x ∼R z ∩ z ∼R y “Symmetrie“

x ∼R y “Transitivität“

Beispiel:
R Relation: Behauptung Äquivalenzrelation
Beweise das nach
Berechne Äquivalenzklasse

28.10.2010 - 04.11.2010 www.studiWI.de Seite 6/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.8 Beispiel RZ ≤ Z2

(x, y) ∈ R2 genau dann wenn x − y ohne Rest durch 2 teilbar


x = −13, y = 25
x − y = −13 − 25 = 38/2 = 19 ∈ Z
R2 : Äquivalenzrelation denn: (1)x ∈ Z bei
x−x 0
2 = 2 =0∈Z
⇒ (x, x) ∈ R2 : R2 reflexiv

x, y ∈ R : (x, y) ∈ R2
−(y−x)
x−y
2 ∈Z⇒ 2 = −(x−y)
2 ∈Z
⇒ (y, x) ∈ R2 R2 symmetrisch

x, y, z ∈ Z:
(x, y) ∈ R2 ∩ (y, z) ∈ R2
(x−y)
2 ∈ Z ∩ (y−z)
2 ∈Z x−z+0 0=y−y
x−z x−z+y−y x−y+y−z x−y y−z
2 = 2 = 2 = 2 + 2 ∈Z
⇒ (x, z) ∈ R2 ⇒ R2 transitiv
R2 Äquivalenzrelation

1.5.9 Äquivalenzklassen von R2 ?


x−y
x ∼2 y ⇔ 2 ∈ Z d.h.

x−y
ex.k ∈ Z : 2 = k ⇔ x = 2k + y

y = 0 : x = 2k

[0] = {x ∈ Z : x gerade}

x−0 x
x ∼2 0 : 2 = 2 ∈Z

y = 1 : x = 2k + 1

[1] = {x ∈ Z : x ungerade}

Z = [0] ∪ [1]

m ∈ N : Rm ⊆ Z2

x−y
(x, y) ∈ Rm : m ∈Z

Rm ist Äquivalenzklasse

Äquivalenzklassen m:
[0]
[1]
[2]
...
[m − 1]

28.10.2010 - 04.11.2010 www.studiWI.de Seite 7/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.10 Beispiel R7
x−0 x
[0] = {x ∈ Z : x ist Vielfache von 7} 7 = 7
[0] = {0, ±7, ±14, ±21 ... }
[1] = {x ∈ Z : x − 1 ist Vielfaches von 7}

x−1
7 = k ⇔ x − 1 = k7
n [0] + 1 = [1]
n [2] = [1] + 1n

[1] = {1, 8, 15, 22, 29 ... } ∪ {−6, −13, −20, −27 ... }
[2] = {2, 9, 16, 23, 30 ... } ∪ {−5, −12, −19, −26 ... }
[3] = {3, 10, 17, 24, 31 ... } ∪ {−4, −11, −18, −25 ... }
[4] = {4, 11, 18, 25, 32 ... } ∪ {−3, −10, −17, −24 ... }
[5] = {5, 12, 19, 26, 33 ... } ∪ {−2, −9, −16, −23 ... }
[6] = {6, 13, 20, 27, 34 ... } ∪ {−1, −8, −15, −22 ... }
˙ ∪[2]
Z = [0]∪[1] ˙ ∪[3]
˙ ∪[4]
˙ ∪[5]
˙ ∪[6]
˙
∪˙ heißt disjunkt Vereinigung, also Vereinigung Elementfremde Menge

1.6 Restklasse modulo


Zu m ∈ N heißen [[0], [1], ... [m − 1]
Restklassen von Rm
Restklassen in Z modulo m

Man schreibt:
Zm = {[0], [1], ... [m − 1]}

Rechnen mit Restklassen: modulare Arithmetik


[a] = {x ∈ Z : a−x
m ∈ Z}
a ∼m x : a ≡m x, MOD m “a kongruent x modulo m“

a, b ∈ Z
[a] + [b] := [a + b]
[a] ∗ [b] := [a ∗ b]

1.6.1 Bemerkung

Anwendung modularer Arithmetik in der Informatik:

• Suchen von Datensätzen in großen Dateien (Hashing)

• Kryptographie

• Zufallszahlen - Generatoren

• ISBN, Barcodes

1.6.2 Beispiel

Z7 = {[0], [1], ... , [6]}


Für jedes z ∈ Z gilt: es gibt i ∈ {0, 1, ... , 6}
z ∈ [i]] : z ≡ i MOD 7

z = 2 : z ≡ z MOD 7

28.10.2010 - 04.11.2010 www.studiWI.de Seite 8/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

26 MOD 7 = 5 : 26 = 3 ∗ 7 + 5
26 ≡ 5 MOD 7 26 ∈ [5] ∈ Zm

z = −27 :
i=7−6=1
−27 ≡ 1 MOD 7 : −27 ∈ [1] ∈ Zm
−i7 = (−3) ∗ 7 − 6 − 1 + 1 −1 + 1 = 0
= (−4) ∗ 7 + 1

1.7 Restklasse Allgemein


m ∈ N : Zm = {[0], [1], ... , [m − 1]}
zZ :
z = 0 oder z positiv
e ∈ (i) für i = z MOD m

1.7.1 Beispiel Modulares Rechnen

Z7 : [26] + [−27] = [26 − 27] = [−1]


Restklasse [6] weil −7 + x = −1 wenn x = 6
alternativ: [5] + [1] = [6]

[26] ∗ [−27] = [26 ∗ (−27)] = [5] ∗ [1] = [5]


Probe: 26 ∗ (−27) = −702
−702 2
7 = −100 − 7
[−702] = [5]

[5] ∗ [6] = [30] = [2]


[5] ∗ [4] = [20] = [6]

1.7.2 Beispiel Reale Anwendung ISBN

ISBN-10 : 10 stellige Buchnummer (Handel!)


10. Stelle: Prüfziffer

3-75524-323-?
von Z1 bis Z9 und Z10 Prüfziffer

Z10 =P 9i=1 i ∗ Zi MOD 11


P
d.h. [ 9i=1 i ∗ Zi ]11

D.h. rechne Z1 0 MOD 11 aus


[1 ∗ 3 + 2 ∗ 7 + 3 ∗ 5 + 4 ∗ 5 + 5 ∗ 2 + 6 ∗ 4 + 7 ∗ 3 + 8 ∗ 2 + 9 ∗ 3]
= (3)11 + (14)11 + (15)11 + (20)11 + (10)11 + (24)11 + (21)11 + (16)11 + (27)11
= [3] + [3] + [4] + [9] + [10] + [2] + [10] + [5] + [5]
[21] = [7] Prüfziffer

1.8 Graphentheorie
• Wichtigstes Modellierungstool der Informatik

• Rechner

• Verkehrsnetze

28.10.2010 - 04.11.2010 www.studiWI.de Seite 9/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

• Routenplanung

• Chip-Design

1.8.1 gerichteter Graph

V 6= ∅ Vende, Menge
Knotenmenge:
E ⊆ V 2 : Kantenmenge

Elemente von V heißen Knoten (“Ecken, Punkte“)


Elemente von E heißen gerichtete Kanten
Das Paar GD = (V, ξ) heißt gerichteter Graph

grafische Darstellung wie folgt:

• für jeden Knoten x ∈ V Zeichne Punkt x

• für jede Kante e = (x, y) ∈ E, x, y ∈ V

1.8.2 Beispiel Sichtbarmachung

Bereits gesehen: Sichtbarmachung der Transitivitätseigenschaft bei Äquivalenzrelation :


8x, y) ∧ ((y, z) ⇒ (x, z)

1.8.3 Beispiel

V = {1, 2, 3}
E = {(1, 2), (2, 1), (1, 3)}

1.8.4 Beispiel Städterundreise

V = {K, D, B}
E = V 2 \ {(K, K), (D, D), (B, B)}

28.10.2010 - 04.11.2010 www.studiWI.de Seite 10/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.8.5 ungerichteter Graph

Ist in einem gerichteten Graph, die Kantenrelation Symmetrisch, d.h. (x, y) ∈∈⇒ (, x) ∈∈ dann heißt
Graph ungerichtet.

Symmbolisch statt: schreibe

1.8.6 vollständiger ungerichteter Graph

G = (V, E) heißt vollständig aus E = {x − y : x, y ∈ V } d.h. existiert Kante zwischen jedem Knoten.

K1 V = {1}

K2 V = {1, 2}

K3 V = {1, 2, 3}

K4 V = {1, 2, 3, 4}

K5 V = {1, 2, 3, 4, 5}
Hier existiert keine Darstellung in Ebene, die Kantenkreuzungsfrei ist.

1.8.7 Beispiele kommen vor:

• Straßennetzmodelle

• Flugverbindungen

• Rechner- / Prozessornetze (hier ungünstig)

x, y ∈ V
{x, y3 ∈ E}
x−y

1.8.8 Beispiel G = (V, E)

V = {K, B, M, F, HH}, E : Straßenverbindung zwischen Städten

28.10.2010 - 04.11.2010 www.studiWI.de Seite 11/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.8.9 Vereinbarung Kanten

Kanten eines ungerichteten Graphen werden als 2-er Teilmengen der Knotenmenge dargestellt:
x, y ∈ V : {x, y} ∈ E : x − y

1.8.10 Beispiel G = (V, E)

V = {1, 2, 3, 4, 5}
E = {1 − 2, 1 − 3, 2 − 3, 2 − 4, 2 − 5, 3 − 5}
verschiedene gleichwertige Darstellungen:

1.8.11 Kantenanzahl

Die Kantenanzahl eines vollständigen ungerichteten Graphen nur abhängig von Knotenanzahl: Kn
V = {x1 , ... , xn }
|E(Kn )| = n(n−1)
2 , d.h. Kn hat n(n−1)
2 viele Kanten

Beweis: vollständige Induktion nach n ∈ N


I.A. n = 1 : K1 V (K1 ) = {x1 }
|E(K1 )| = 0
I.S. n→n+1
Aussage korrekt für vollständigen Graph mit n Knoten
V (Kn + 1) = V (Kn ) ∪ {xn+1 }

|E(Kn + 1)| = |E(Kn )| + n


= n(n−1)
2 +n
n(n−1)+2n
= 2
= n(n−1+2)
2
= n(n+1)
2

alternativer Beweis:
n Knoten x1 liefert n − 1 Kanten

n − 2 Kanten
n − 3 Kanten
...

1 Kanten P
n(n−1)
|E(Kn )| = i=1
n−1 i = 2

28.10.2010 - 04.11.2010 www.studiWI.de Seite 12/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.8.12 Bipartiter Graph

G = (V, E) V = V1 ∪ V2 , V1 ∩ V2 = ∅
heißt bipartit, genau, dann wenn für jedes e = {x, y} ∈ E gilt: x ∈ V1 , y ∈ V2
V1 = {1, 2, 3, 4}
V2 = {x, y, z}

1.8.13 Beispiel Mannschaftsturnier Tischtennis

V1 Berlin
V2 Peking
Kante =ˆ Paarspiel

Transportproblem - Modell:
V1 : Menge Angebotsstellen (Bauern)
V2 : Menge Bedarfsstätten (Molkereien)

28.10.2010 - 04.11.2010 www.studiWI.de Seite 13/ 13


WI - B05 - Mathematik für Wirtschaftsinformatiker
1 Zahlen, Zählen, Zahlendarstellungen
1.1 Zahlen
Zu jeder Zahl z ∈ Z und n ∈ N gibt es eindeutige bestimmte Zahlen
g ∈ Z und r ∈ N0 (r: Rest) mit z = gn + r 0≤r ≤n−1

Dabei sind:
Falls z ≥ 0:
z
g = z DIV n : ganzzahliger Anteil bei Division von n
r = z MOD n : Rest bei Division nz
Falls z < 0:
g = z DIV n − 1
r = z DIV n + n

1.2 Teiler, Primzahl


a
Za a, b ∈ Z heißt 6 Teiler von a, falls b ∈ R ⇔ ex. q ∈ Z : a = bq
Notation: b|a “b teilt a“

• eine Zahl p ∈ N mit p > 1 heißt Primzahl, falls 1, p sind einzige Teiler von p.

• Natürliche Zahlen, die nicht Prim sind heißen zusammengesetzt.

1.2.1 Beispiel

56 = 8 ∗ 7 zusammengesetzt 2, 3, 5, 7, 11, 13, ... Primzahl

1.3 Fundamentalsatz der Zahlentheorie


Jedes n ∈ N, n 1, ist darstellbar als Produkt endlich vieler Primzahlen (nicht notwendig verschieden):
heißen Primfaktoren von n
→ Primfaktorzerlegung (eindeutig bis auf Reihenfolge)

1.3.1 Beispiel

84 = 2 ∗ 2 ∗ 3 ∗ 7 = 22 ∗ 3 ∗ 7 = 7 ∗ 3 ∗ 2 ∗ 2

1.4 Algorithmus Primfaktor-Zerlegung


Zu Eingabe n ∈ N können Primfaktoren von n in aufsteigender Reihenfolge wie folgt berechnet
werden:
√ √
• 1) Berechne d ne = kleinste natürliche Zahl ≥ n

• 2) Finde kleinstes i ∈ {2, ... d ne} mit i ist Prim und ni ∈ N(i|n)

• 3) Falls kein solches gefunden, dann gib aus: “n“


n
• 4) Falls i gefunden, dann gib aus “i“ und setze Verfahren ab Schritt 1) für n ← i fort

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 1/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.4.1 Beispiel

n = 126
112 = 121√ 122 = 144
→√11 ≤ 126 < 12
d 126e = 12
i ∈ {2, 3, 5, 7, 11}
126 : 2 = 63 → 2
63 : 3 = 21 → 3
21 : 3 = 7 → 3
7→7
⇒ 126 = 2 ∗ 3 ∗ 3 ∗ 7 = 2 ∗ 32 ∗ 7

1.4.2 Algorithmus nicht “effizient“

Bis heute: kein effizientes Verfahren zur Faktorisierung großer Zahlen bekannt.
Aus kryptografischer Sicht zum Glück
RSA: basiert auf Schwierigkeit der Faktorisierung
p, q sehr große Primzahl

1.5 größter gemeinsamer Teiler (ggT)


Zu a, b ∈ N heißt t ∈ N gemeinsamer Teiler a, b falls t|a und t|b
ein gemeinsamer Teiler t von a, b heißt größter gemeinsamer Teiler (ggT)
falls jeder andere gemeinsame Teiler s von a, b teilt t : s|t, schreib dafür t = ggT (a, b)

ggT (a, b) = t a, b ∈ N
t|a ∧ t|b ist gemeinsamer Teiler
s|a ∧ s|b jeder andere gemeinsame Teiler s von a, b teilt t : s|t

ggT (84, 126) = 42


84 = 23 ∗ 3 ∗ 7 = (2 ∗ 3 ∗ 7) ∗ 2
126 = 2 ∗ 32 ∗ 7 = (2 ∗ 3 ∗ 7) ∗ 3
2|84, 2|126 ⇒ 2|42 2=s
42|2 = 21 42 = t

1.5.1 “Berechne ggT“

Zu Eingabe a, b ∈ N kann ggT (a, b) wie folgt berechnet werden


1. Fall a = b : ggT (a, a) = a
2. Fall a < b : vertausche Rolle von a, b nun gilt: b < a

z0 ←− a(z0 := a) ich weise z0 a zu


z1 ←− b(z1 := b)b 6= 0
z2 ←− z0 MOD z1
z3 ←− z1 MOD z2 (falls z2 6= 0)
z4 ←− z2 MOD z3 (falls z3 6= 0)
zi+1 ←− zi−1 MOD zi
..
. (solange bis: )
zn ←− zn−2 MOD zn−1
zn+1 ←− zn−1 MOD zn
= 0 ⇔ ex.q ∈ N : zn−1 = qzn

Ausgabe: ggT (a, b) = zn

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 2/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.1.1 Beispiel a=168, b=51


z0 ←− 168
z1 ←− 51
z2 ←− z0 MOD z1 = 168 MOD 51 = 15 3 ∗ 51 = 153
z3 ←− z1 MOD z2 = 51 MOD 15 = 6
z4 ←− z2 MOD z3 = 15 MOD 6 = 3
z5 ←− z3 MOD z4 = 6 MOD 3 = 0

Ausgabe: ggT (168, 51) = z4 = 3

Probe: 51 = 3 ∗ 17
168 = 2 ∗ 2 ∗ 2 ∗ 3 ∗ 7

Beweis:
zn−1 = zn q ⇒ zn |zn−1
zn−2 = qn−1 ∗ zn−1 + zn ⇒ zn |zn−2
sofort bis zu |(z1 = b)
zn−1 ←− zn−3 MOD zn−1
sofort bis zu |(z0 = a)
zn−3 = qn−2 ∗ zn−2 + zn−1

1.6 Binärzahl zur Basis 2


Eine Binärzahl ist eine Bildfolge endlicher Länge (wortlänge), d.h. Ziffern sind 0 oder 1, wobei:
(bN −1 , bN −2 , . . . , b0 )2 , bi ∈ {0, 1}0 ≤ i ≤ N − 1
folgender Dezimalzahl entspricht: PN −1 i 2 1 0
(bN −1 , bN −2 , . . . , b0 )2 = ( i=0 bi 2 )10 = 910 710 510 = 9 ∗ 102 + 7 ∗ 101 + 5 ∗ 100

bN −1 : höchstwertiges Bit
b0 : niedrigstwertiges Bit

Die Binärdarstellung einer Zahl n ∈ N0 aufgefasst als Dezimalzahl ist die Binärzahl,
die (bN −1 bN −2 )2 = (n)10 erfüllt, sodass bN −1 = 1

1.6.1 Beispiel

25 24 23 22 21 20
(1 0 0 0 1 1)2 = (35)10
31 = ?
32 : 1 0 0 0 0 0
31 = 32 − 1 = 25 − 1 = 20 + 21 + 22 + 23 + 24 = 4i=0 21 = 25 − 1
P
(1 1 1 1 1)2 = (31)10

1.6.2 Lemma - Hilfssatz

Sei N ∈ N feste vorgegebene Wortlänge, dann können mit Bitfolgen der Länge N alle natürlichen
Zahlen von 0, 1, . . . , 2N − 1 als Binärzahl dargestellt werden.
Beweis: Größte darstellbare Zahl
PN −1
(1 ... 1)2 = i=0 2i = 2N − 1
bN −1 . . . b0

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 3/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.6.3 Binärdarstellung

Sei n ∈ N0 bel.
Die Binärdarstellung von n kann wie folgt berechnet werden:
n = 0 : (0)2
n > 0 : Berechne fortgesetzt, beginnend mit n, die Reste bei Division durch 2, der sich jeweils
ergebenden ganzzahligen Anteile der Division durch 2 : diese Reste liefern die Bits der zug. Binär-
darstellung von rechts nach links

n0 ←− n bk . . . b2 b1 b0
n0 MOD 2 −→ b0
n1 ←− n0 DIV 2
n1 MOD 2 −→ b1
n2 ←− n1 DIV 2
n2 MOD 2 −→ b2
..
.
nk = 1, also nk MOD 2 = 1 −→ bk
nk DIV 2 = 0

Beweis:
n hat (bk bk−1 . . . b0 )2 mit bk = 1
es gilt
Palso
n = ki=0 bi 2i = ( ki=1 bi 2i ) + b0
P

( ki=1 ) ∗ 2 + b0 = (bk bk−1 . . . b0 )2 ∗ 2 + b0


P
(n DIV 2) ∗ 2 + n MOD 2
mache wie oben mit (bk bk−1 . . . b0 )2 weiter

1.6.3.1 Beispiel
n = (2004)10 = (1 1 1 1 1 0 1 0 1 0 0)2
ni ni DIV 2 ni MOD 2
2004 1002 0
1002 501 0
501 250 1
250 125 0
125 62 1
62 31 0
31 15 1
15 7 1
7 3 1
3 1 1
1 0 1
Probe: 210 + 29 + 28 + 27 + 26 + 24 + 22 = (2004)10

1.7 p-Darstellung
Zu jedem vorgegebenem p ∈ N{1} existiert die p-Darstellung für jede natürliche Zahl n ∈ N0 (hier
p = 2, 8, 16) und ist eindeutig bestimmt
Der Beweis verläuft wie im Fall p ∈ 2:
Fortgesetztes Berechnen der Reste bei Division durch p, der sich jeweils ergebenden ganzzahligen
Anteile bei Division durch p, beginnend mit n bis ganzzahliger Anteil erstmals kleiner p wird.
Reste r: 0 ≤ i ≤ N (11, p) liefern von rechts nach links, die zugehörigen Ziffern der p-Darstellung von
n.

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 4/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

Nach dem 1. Punkt der “Zahlen, Zählen, Zahlendarstellungen“ sind diese eindeutig
PN −1
(n)10 = (rN −1 rN −2 . . . r0 )p = i=0 ri pi

N = N (n, p) heißt p-adische Darstellung von n.


ri ∈ {0, . . . , p − 1} für p ≥ 11
ri ∈ {0, . . . , 9, A1 , A2 , . . . , An }

1.8 Oktal-Darstellung
Zahlendarstellung zur Basis 8

Ziffern: 0, 1, 2, 3, 4, 5, 6, 7
P −1
Ziffernfolge: ON −1 , ON −2 , . . . , O0 )8 = ( N i
i=0 Oi 8 )8

1.8.1 Oktal Berechnung

Sei n ∈ N0 aufgefasst als Dezimalzahl (p = 10)


Die Oktal-Darstellung von n kann wie folgt berechnet werden:

• Berechne Binärdarstellung von n Sei dies (bN −1 bN −2 . . . b0 ) = (n)10

• Fasse von rechts nach links in 3er Gruppen zusammen. Diese liefern 8-Darstellungsziffern von
n von rechts nach links (p = 23 = 8)

1.8.2 Beispiel Oktaldarstellung

n = 2004

(2004)10 = (1 1 1 1 1 0 1 0 1 0 0)2 → (1)
( 11 111 010 100 )2
3er Gruppen:
3 7 2 4
(2004)10 = (3724)8 = 3 ∗ 83 + 7 ∗ 82 + 2 ∗ 81 + 4 ∗ 80 = 2004

1.8.3 Beweis der Oktaldarstellung


( ... b8 b7 b6 b5 b4 b3 b2 b1 b0 )2
Oi O2 O1 O0
O1 = b5 ∗ 25 + b4 ∗ 24 + b3 ∗ 23
O1 = (b5 ∗ 22 + b4 ∗ 21 + b3 ∗ 20 ) ∗ 23
O1 = (b5 ∗ 22 + b4 ∗ 21 + b3 ∗ 20 ) ∗ 8

O2 = b8 ∗ 28 + b7 ∗ 27 + b6 ∗ 26
O2 = (b8 ∗ 22 + b7 ∗ 21 + b6 ∗ 20 ) ∗ 26
O2 = (b8 ∗ 22 + b7 ∗ 21 + b6 ∗ 20 ) ∗ 82

d.h. klammere von rechts nach links aus den 3er Gruppen (23 )i , i = 0, 1, 2, 3 . . . liefert dadurch Zif-
fernberechnung in den 3er Gruppen bezüglich 20 , 21 , 22 die Oktalziffer an Position i von rechts nach
links in Oktaldarstellung von n

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 5/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.9 Hexadezimal-Darstellung
Zahlendarstellung zur Basis 16

Ziffern: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F

i = {0, 1, . . . , F }
Ziffernfolge: hN −1 , hN −2 , . . . , h0 )16 , hP
−1
hN −1 , hN −2 , . . . , h0 )16 = ( N i
i=0 hi 16 )16

1.9.1 Hexadezimal Berechnung

Sei n ∈ N0 aufgefasst als Dezimalzahl (p = 10)


Die Hex-Darstellung von n kann wie folgt berechnet werden:

• Berechne Binärdarstellung von n Sei dies (bN −1 bN −2 . . . b0 ) = (n)10

• Fasse von rechts nach links in 4er Gruppen zusammen. Diese liefern 16-Darstellungsziffern
von n von rechts nach links (p = 24 = 16)

1.9.2 Beispiel Hex-Darstellung

n = 2004

(2004)10 = (1 1 1 1 1 0 1 0 1 0 0)2 → (1)
( 1 1 1 1 1 0 1 0 1 0 0 )2
4er Gruppen:
7 D (13) 4
(2004)10 = (7D4)16 = 7 ∗ 162 + 13 ∗ 161 + 4 ∗ 160 = 2004

1.9.3 Beweis der Hex-Darstellung


( ... b7 b6 b5 b4 b3 b2 b1 b0 )2
Oi O1 O0
H1 = b7 ∗ 27 + b6 ∗ 26 + b5 ∗ 25 + b4 ∗ 24
H1 = (b7 ∗ 23 + b6 ∗ 22 + b5 ∗ 21 + b4 ∗ 20 ) ∗ 24
H1 = (b7 ∗ 23 + b6 ∗ 22 + b5 ∗ 21 + b4 ∗ 20 ) ∗ 16

d.h. klammere von rechts nach links aus den 4er Gruppen (24 )i , i = 0, 1, 2, 3, . . . liefert dadurch Zif-
fernberechnung in den 4er Gruppen bezüglich 20 , 21 , 22 die Hexziffer an Position i von rechts nach
links in Hex-Darstellung von n

1.10 2er-Komplement-Darstellung
Sei z ∈ Z Dann ist Zk-Darstellung von z definiert durch die Bitfolge:
(bk , bk−1 , . . . , b0 )Zk , bi ∈ {0, 1}, 0 ≤ i ≤ k Pk−1
wobei: (Z)10 = −bk ∗ 2k + bk−1 ∗ 2k−1 + . . . + b0 ∗ 20 = bk ∗ 2k + i=0 bi ∗ 2i
bk : Vorzeichen-Bit (VZ-Bit)

Bei Addition zwei Zahlen im ZK-System wird vorgegebene Stellenzahl im Ergebnis nicht überschritten

1.10.1 Bit-weises Komplement

Zu b ∈ {0, 1} ist ¬b = {0(b = 1), 1(b = 0)} das zu b komplementäre Bit


¬b = (1b) b → ¬b → ¬b = b (11b = b)
Zu einer Bitfolge bk bk−1 . . . b0 ist das bitweise Komplement definiert durch die Bitfolge bk bk−1 . . . b0 .

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 6/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.10.2 Beispiel

BF: (1 0 0 1)ZK
BW K: (0 1 1 0)ZK

1.10.3 Beispiel

z = +6
(6)10 = ( 1 1 0 )2
(6)10 = ( 0 1 1 0)ZK

1.10.3.1 Probe
0 ∗ 23 + 1 ∗ 22 + 1 ∗ 21 + 0 ∗ 20 = 6

(−6)10 = ( 1 0 1 0 )ZK
−1 ∗ 23 + 0 ∗ 22 + 1 ∗1 +0 ∗ 20 = −8 + 2 = −6

Komplement:
(6)10 0 1 1 0
(−6)10 1 0 0 1
0001 +1
1010

1.10.4 Satz

Sei z ∈ Z mit (Z)10 = bk bk−1 . . .)ZK , bi ∈ {0, 1}


Dann gilt: (−z)10 = (¬bk ¬bk−1 . . . ¬b0 )ZK + (0 . . . 1)ZK

1.10.5 Fazit

Sei z ∈ Z ZK-Darstellung von z wie folgt:

• z>0

– Berechne Binärdarstellung von z


– setze 0 als VZ-Bit davor

• z<0

– Binär-Bit Folge ausrechnen für |z| = −z+ führende 0


– bitweises Komplementär dazu berechnen (b2 . . . b0 )
– ZK-Darstellung von 1 aufaddieren (in geeigneter Stellenzahl)

1.10.6 Beispiel
(−6)10 (1 0 1 0)ZK
0101
+ 0001
(0 1 1 0)ZK = (6)10

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 7/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.10.7 Beispiel

(−36)10 = (z)10

• Binärdarstellung von 36 + führende 0


(0 1 0 0 1 0 0)ZK = (36)10

• (1 0 1 1 0 1 1)ZK

1011011
• 0000001
1011100

1.10.7.1 Probe
−1 ∗ 26 + 1 ∗ 24 + 1 ∗ 23 + 1 ∗ 22 = −64 + 16 + 8 + 4 = −36

1.10.8 Beweis

Sei z ∈ Z, z 6= 0 mit (z)10 = (bk bk−1 . . . b0 )ZK


(bk bk−1 . . . b0 )ZK
BWK liefert: (¬bk ¬bk−1 . . . ¬b0 )ZK also: + (¬bk ¬bk−1 . . . ¬b0 )ZK
(1 ... 1 1)ZK
Pk−1
−1 ∗ 2k + i=0 2i = −2k + (2k − 1) = −1

also:
(bk . . . b0 )ZK +(¬bk . . . ¬b0 )ZK = (−1)10
| {z }
(z)10 + (¬bk . . . ¬b0 )ZK + (1)10 = 0 |(−z)10
(¬bk ... ¬b0 )ZK + (1)10 = (−z)10
| {z }
(¬bk ... ¬b0 )ZK + (0 0 ... 0 1)ZK = (−z)10

1.10.9 feste Wortlänge

Ist Wortlänge N (∈ N) fest vorgegeben, so kann in ZK-Darstellung folgender Bereich von R dargestellt
werden.
−2(N −1) bis 2(N −1) − 1

1.10.9.1 Beweis
größte Zahl P >0
N −2
0 |1 1{z... 1} = i=0 1 ∗ 2i = 2(N −1) − 1
N −1

kleinste Zahl < 0


1 |0 0{z... 0} = −2(N −1)
N −1

1.10.10 M, L endliche Menge

Seien M, L endliche Menge dann gelten:


|M xL| = |M | ∗ |L|

|M ∪ L| = |M | + |L| − |M ∩ L|
d.h. falls M ∩ L = ∅ : |M ∪ L| = |M | + |L|

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 8/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.10.11 endliche Mengen allgemein

Seien M1 , M2 , . . . , Mn endliche Mengen (n ∈ N):


M1 xM2 x . . . xMn = |M1 | ∗ |M2 | ∗ . . . ∗ |Mn | = ni=1 xi = x1 ∗ x2 ∗ . . . ∗ xn
Q

Falls Mi ∩ Mi = ∅ 1≤
Pi 6= i ≤ ni
|M1 ∪ M2 ∪ . . . ∪ Mn | = ni=1 |Mi |

1.10.11.1 Beweis mittels vollständiger Induktion oder:

Sei M = {x1 , x2 , . . . , xn }
Wieviele verschiedene Anordnungen der Elemente x1 , x2 , . . . , xn gibt es?
z.B. M = {1, 2, 3}
⇒ 123, 132, 213, 231, 312, 321

1.11 Permutation
M endliche Menge, dann heißt jede Anordnung der Elemente von M eine Permutation von x1 , x2 , . . . , xn
(M = {x1 , x2 , . . . , xn })
Qn
Eine n-elementige Menge M hat genau n! = i=1 i(= 1 ∗ 2 ∗ . . . ∗ n) viele Permutation (sprich
“n Fakultät“)

1.11.1 Beweis (naiv)


1 2 3 ... n
n n−1 n−2 ... 1
Mögl. Mögl. Mögl. ... Mögl.
⇒ Anzahl aller Permutation n! = 1 ∗ 2 ∗ 3 ∗ . . . ∗ n
vollständige Induktions-Beweis über n ∈ N

I.A. n=1 1 Permutation 1! = 1


n→n+1 M = {x1 , x2 , . . . , kn , xn+1 }
erste n Elemente liefern nach Induktion-Vorschrift n! Permutation

Sei xi1 , xi2 , . . . , xin eine von diesen Baue xn+1 hier ein:
Genau n + 1 viele Möglichkeiten:
xn+1 , xi1 , xi2 , . . . , xin (1)
xi1 , xn+1 , xi2 , . . . , xin (2)
xi1 , xi2 , . . . , xn+1 , xin (n)
xi1 , xi2 , . . . , xin , xn+1 (n+1)

ergo: für jede der n! viele Permutation von {x1 , . . . , xn+1 } erhalte (n + 1) verschiedene Permuta-
tionen von {x1 , . . . , xn+1 }
⇒ insgesamt n! ∗ (n + 1) = (n + 1)! viele Permutationen von {x1 , . . . , xn+1 }

1.11.2 Beispiel Permutation

M = {1, 2, 3, 4}
| {z }
213:4213
2413
2143
2134

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 9/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.11.3 M n-elementen Menge

M n-elementen Menge, Dann gibt es genau n! viele verschiedene bijektive Abbildungen


fi : M → M 1 ≤ i ≤ n!

1.11.4 Beweis

Jede bijektive Abbildung: M → M definiert genau eine Permutation von M und umgekehrt.

M = {x1 , x2 , . . . , xn }
f (x1 ) = xj
f (x2 ) = x2
..
.
f (xj ) = x1
..
.
f (xn ) = xn
liefert Permutation: f (x1 ), f (x2 ), . . . , f (xn )

1.11.5 Umgekehrt

Sei xi1 , xi2 , . . . , xin eine Permutation von x1 , . . . , xn liefert Abbildung:


f (x1 ) = xi1
f (x2 ) = xi2
..
.

f (xn ) = xin

Sei M = {x, . . . , xn }(n ∈ N)


Wieviel 2-Teilmengen von M gibt es?
Fasse M als Knotenmenge der kn auf (vollständig ungerichteter Graph mit n Knoten) jede Kante
entspricht 2-Teilmengen {xi , xi }

n(n−1)
⇒ |E(Kn )| = 2

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 10/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12 Binomialkoeffizient

 k, n ∈ N0 , dann heißt jeder Ausdruck der Form


Seien
n
k := 0 falls n < k
:= 1 falls k = 0
n!
:= (n−k)!k! falls 1 ≤ k ≤ n

Binomialkoeffizient (lies “n über k“)


(n − k!) = n − (1 ∗ 2 ∗ 3 ∗ . . . ∗ k)
(n − k)! = 1 ∗ 2 ∗ 3 ∗ . . . ∗ (n − k)

1.12.1 Beispiel Binomialkoeffizient


n n!

2 = (n−2)!2! für n > 2
1∗2∗3∗...(n−2)∗(n−1)∗n
= (1∗2)∗1∗2∗...∗(n−2)
n(n−1)
2

n

⇒ n-elementige Menge (n ≥ 2) hat genau 2 viele 2-Teilmengen

1.12.2 k-Teilmengen
n

M = {x1 , . . . , xn }(n ≥ k) hat exakt 2 viele k-Teilmengen.

dadurch kann man z.B. die Frage, wieviel Möglichkeiten es im Lotto “6 aus 49“ gibt beantworten.

49 49! 44∗45∗46∗47∗48∗49

6 = 6!43! = 1∗2∗3∗4∗5∗6

39 39! 34∗35∗36∗37∗38∗39

6 = 6!33! = 1∗2∗3∗4∗5∗6 = 3 ∗ 262 ∗ 6231

1.12.2.1 Beweis
k Schubfächer für n-Elemente:
1 2 3 ... k
n n − 1 n − 2 ... n − k + 1
Mögl. Mögl. Mögl. ... Mögl.
also n ∗ (n − 1) ∗ n − 2) ∗ . . . ∗ (n − k + 1) viele Möglichkeiten n-Objekte auszuwählen
i1 , i2 , i3 , . . . , ik
je k! von diesen definieren gleiche k-Teilmenge, da diese unabhängig von der Reihenfolge definiert:
n∗(n−1)∗n−2)∗...∗(n−(k−1))
⇒ k!

n∗(n−1)∗n−2)∗...∗(n−k+1)∗(n−k)∗(n−k−1)...∗1
= k!(n−k)∗(n−k−1)...∗1

n! n

= k!(n−k)! = k

Alternativ mittels vollständiger Induktion

∀n ∈ N0 : Pnk=0 nk  = 2n
P 

Man sieht nk=0 nk = (1 + 1)n


was ist wenn 1 + 1 durch x + y (x, y ∈ R) ersetzt wird

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 11/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13 Binomialsatz
∀n ∈ N0 und
Px, y ∈ R:
n
(x + y) = k=0 nk xn−k y k
n


1.13.1 Beispiel Binomialsatz

(x+ y)3 = (x + y) ∗ (x + y) ∗ (x + y) M = {1, 2, 3}


3
1 = α = 3
3
2 =β =3
⇒ x3 + αx2 y + βxy 2 + y 3 ganz normale Binomische Formel

1.13.1.1 Beweis
(x + y)n = (x + y) ∗ (x + y) ∗ . . . ∗ (x + y) M = {1, 2, . . . , n}
| {z }
n-Faktoren
Jeder Summand der beim aus multiplizieren, der rechten Seite entsteht, entspricht einer Auswahl von
y-Faktoren aus k der n-Klammerterme 0 ≤ k ≤ n : k’ter Summand fasst alle g k -Terme zusammen.
Für jede Wahl 1 gleicher Term.
Da es nk Auswahlen von k aus Klammertermen gibt, hat man für den k’ten Summanden nk xn−k ∗ y k


0≤k≤n

1.14 Pascalches Dreieck


Schreibt man zu n ∈ N0 , die zugehörigen Binominalkoeffizienten jeweils in eine Zeile, so erhält man
das P 4, gegeben durch folgende Tabelle:

n n!

k = k!(n−k)!
n n n n n n
     
n 0 1 2 3 4 5 ...
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
..
6 1 6 15 20 15 .
6
.. .. .. .. .. .. .. ..
. . . . . . . .
n

leergelassene Stellen perse 0, da dort n < k gilt k =0

Koeffizienten der Summanden in (x + y)n entspricht genau Einträgen in n’ter Zeile des P 4

Zahlen, Zählen, Zahlendarstellungen www.studiWI.de Seite 12/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker
1 Elementare Aspekte der linearen Algebra
1.1 Matrix
Sind m, n ∈ N. Dann ist eine (m × 7n)-Matrix A über R
(A ∈ Rm×n ) ein rechteckiges Zahlenschema (“Tabelle“) aus m Zeilen und n Spalten.
Jede Zahl in A ist reell, heißt Matrix-Element
 
a11 a12 . . . a1n
 a21 a22 . . . a2n 
A= . ..  = aij 1≤i≤m 1≤j≤n
 
..
 .. . a ij . 
am1 am2 ... amn

• quadratische Matrix (A), wenn m = n

• Zeile (Z ∈ R1×n ), wenn m = 1

• Spalte (S ∈ Rm×1 ), wenn n = 1

A ∈ Rm×n hat genau m ∗ n viele Elemente (Matrixeinträge)

1.1.1 Beispiel 1 Matrix

m = 1, n = 1 A ∈ R1×1 , A ∈ R
d.h. Zahl als (1x1)-Matrix auffassbar.

1.1.2 Beispiel 2 Matrix

3 1 ∈ R1×3

2 Zeile

1.1.3 Beispiel 3 Matrix


 
2
 3  ∈ R3×1 Spalte
1

1.1.4 Beispiel 4 Matrix


 
1 0 0
 0 1 1  ∈ R3×3 quadratische Matrix
0 0 1

1.2 Matrix - Summe / Differenz


A, B ∈ Rm×n 1≤i≤m 1≤j≤n
A = aij B = bij
Dann ist definiert: G = A + B = aij + bij
d.h. elementweises addieren in R
 
a11 + b11 a12 + b12 . . . a1n + b1n
 a21 + b21 a22 + b22 . . . a2n + b2n 
G=
 
.. .. . . .. 
 . . . . 
am1 + bm1 am2 + bm2 ... amn + bmn
genauso dann auch bei Subtraktion.

linearen Algebra www.studiWI.de Seite 1/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3 Null-Matrix
0mn = 0 ∈ Rm×n 1≤i≤m 1≤j≤n

∀A ∈ Rm×n : A + 0mn = 0mn + A = A

1.4 Matrix - Multiplikation


Zu α ∈ R, A ∈ Rm×n 1≤i≤m 1≤j≤n
α ∗ A = (α ∗ aij ) ∈ Rm×n
“elemtweises Multiplizieren mit a“
α∗A=A∗α

α, β ∈ R, A, B ∈ Rm×n

• A+B =B+A
• A ∗ (α + β) = α ∗ A + β ∗ A
• α ∗ (A + B) = α ∗ A + α ∗ B

1.4.1
Beispiel Multiplikation
 
1 2 3
α=3 A= ∈ R2×3
0 1 0
   
3*1 3*2 3*3 3 6 9
⇒α∗A= =
3*0 3*1 3*0 0 3 0

1.5 Matrix - Produkt


A ∈ Rm×p B ∈ Rp×n m, n, p ∈ N
(m × p)(p × n) = (m × n)

Dann ist G = A ∗ B ∈ Rm×n wie folgt definiert durch Rückführung auf Zeilen-Spalten-Produkt
Pp
Gij = (Zeile i von A) ∗ (Spalte j von B) = k=1 aik ∗ bkj

1.5.1 Produkt von Zeile und Spalte

Ist Z ∈ R1×p Zeile und S ∈ Rp×1


Spalte,
dann ist:
s1
  s2 

Z ∗ S = z1 z2 . . . zp ∗  .  = z1 ∗ s1 + z2 ∗ s2 + . . . + zn ∗ sn = pi=1 zi ∗ si
P
.
 . 
sp

1.5.2 Beispiele Produkt

1.5.2.1 Beispiel 1
Z = 1 2 3 ∈ R1×3
 
0
S =  4  ∈ R3×1
6
 
 0
Z ∗ S = 1 2 3 ∗  4  = 1 ∗ 0 + 2 ∗ 4 + 3 ∗ 6 = 0 + 8 + 18 = 26
6

linearen Algebra www.studiWI.de Seite 2/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.2.2
Beispiel1
1 1 2  
 3 1 0  0 2
A=  ∈ R4×3 B =  1 2  ∈ R3×2
 0 1 1 
1 1
1 0 0
   
1*0+1*1+2*1 1*2+1*2+2*1 3 6
 3*0+1*1+0*1 3*2+1*2+0*1   1 8 
C =A∗B = =  ∈ R4×2
 0*0+1*1+1*1 0*2+1*2+1*1   2 3 
1*0+1*1+0*1 1*2+1*2+0*1 1 6

1.5.2.3
 Beispiel
 1
a
∈ R2×1 ∈ R1×3

A= B= x y z
b
 
a*x a*y a*z
C =A∗B = ∈ R4×2
b*x b*y b*z

1.5.3 nicht konstitutiv

A, B ∈ Rm×m ⇒ A ∗ B ∈ Rm×m , B ∗ A ∈ Rm×m


A ∗ B 6= B ∗ A

1.5.3.1
 Beispiel  
3 0 1 0 1 1
A=  1 1 0  ∈R 3×3 B=  1 0 0  ∈ R3×3
2 1 1 0 1 0
   
0 4 3 3 2 1
A ∗ B =  1 1 1  ∈ R3×3 6= B ∗ A =  3 0 1  ∈ R3×3
1 3 2 1 1 0

1.6 Transponierte Matrix (Pivot)


Sei A ∈ Rm×n , dann erhält man die zu A transponierte Matrix At ∈ Rn×m aus A durch vertauschen
von Zeilen und Spalten:
Zeile 1 von A → Spalte 1 von At
Zeile 2 von A → Spalte 2 von At
..
.
Zeile m von A → Spalte m von At

At ∈ Rn×m , At [j, i] = A[i, j] 1≤i≤m 1≤j≤n

A ∈ Rm×p B ∈ Rp×n
(A ∗ B)t = B t ∗ At
(A ∗ B ∈ Rm×n )t ⇒∈ Rn×m
B t ∗ At ∈ Rn×m B t ∈ Rn×p At ∈ Rp×m

1.6.1 Beispiel
 
  1 4
1 2 3
A= ∈ R2×3 ⇒ At =  2 5  ∈ R3×2
4 5 6
3 6
At [3, 1] = 3 = A[1, 3]

linearen Algebra www.studiWI.de Seite 3/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.6.2 Beispiel
   
1 0 1 1 0
A= B=
1 1 0 0 1
 
  1 1
1 1 0 t
A∗B = ⇒ (A ∗ B) =  1 1 
1 1 1
0 1
 
1 0  
1 1
Bt =  1 0  At =
0 1
0 1
 
1 1
B t ∗ At =  1 1  = (A ∗ B)t
0 1

1.6.3 Beweis

C := A ∗ P B D = B t ∗ At
p
C[i, j] = Pk=1 A[i, k] ∗ B[k, j]
D[j, i] = pk=1 B t [j, k] ∗ At [k, i] = pk=1 B[k, j] ∗ A[i, k] = pk=1 A[i, k] ∗ B[k, j] = C[i, j]
P P
C t [j, i] = D[j, i]

1.7 Assoziativität, Distributivität


1.7.1 (A + B) + C

(A + B) + C = A + (B + C) A, B, C ∈ Rm×n
Da Rückführung auf elementweise Addition und Addition in R assoziativ

1.7.2 (A * B) * C

(A ∗ B) ∗ C = A ∗ (B ∗ C) A ∈ Rm×p B ∈ Rp×q C ∈ Rq×n

1.7.2.1 Beweis (A * B) * C
Q := A ∗ B P := B ∗ C
L := Q ∗ C R := A ∗ P
1≤r≤m 1≤t≤q

Q[r, t] = Ppk=1 A[r, k] ∗ B[k, t] ∈ Rm×q


P
L[r, s] = Pqt=1 Q[r,
P t] ∗ C[k, s]
L[r, s] = Pqt=1 ( pk=1 A[r,
Pk] ∗ B[k, t]) ∗ C[t, s]
q p
L[r, s] = Pt=1 A[r, k] ∗ ( k=1 B[k, t] ∗ C[t, s])
L[r, s] = qt=1 A[r, k] ∗ P [k, s] = R[r, s]

1.7.3 (A + B) * C

(A + B) ∗ C = A ∗ C + B ∗ C A, B ∈ Rm×p C ∈ Rp×n

1.7.4 A * (B + C)

A + (B ∗ C) = A ∗ B + A ∗ C A ∈ Rm×p B, C ∈ Rp×n

linearen Algebra www.studiWI.de Seite 4/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.8 Diagonalmatrix
Matrix D ∈ Rm×m heißt Diagonalmatrix.
D[i, j] 0, falls i 6= j 1 ∈ R,
 falls i = j
d11 0 ... 0
 0 d22 . . . 0 
D= .  dij ∈ R
 
. .
. . .
 . . . 0 
0 0 0 dmm
D = diag(d1 , . . . , dm )

1.8.1 Beispiel
 
-Π 0 0
 0 Π 0  ∈ R3×3 diag(−Π, Π, 3Π)
0 0 3Π

1.9 Einheitsmatrix
Im ∈ Rm×m
Im = diag(1, 1, . . . , 1), Im [i, j] = δi,j = 1, f allsi = j; 0, f allsi 6= j
δi,j heißt “Kronecker-Delta“

1.9.1 Beispiel
 
1 0 0 0
 0 1 0 0 
  =diag (1, 1, 1, 1) ∈ R4×4 4-Einheitsmatrix
 0 0 1 0 
0 0 0 1

1.9.2 Beweis: A ∗ Im = A

A ∗ Im = Im ∗ A = A

(Im ∗ A)[i, j] = m
P
k=1 Im [i, k] ∗ A[k, j] = Im [i, i] ∗ A[i, j] Im [i, i] = 1
= 1 ∗ A[i, j] = A[i, j] ⇒ Im ∗ A = A

Für beliebige x1 , . . . , xm ∈ R
P m
i ∗ δi,j = xj
i=1 x falls i
δi,j= 1, δi,j = 0,falls i 6= j
= j; 
1 0 ... 0 x1 x1
 0 1 . . . 0   x2   x2 
IM =  . . . ..  ∗  ..  =  .. 
     
.
 . . . . . .   .   . 
0 0 ... 1 xm xm

linearen Algebra www.studiWI.de Seite 5/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.10 Matrix Invertierbar


Matrix A ∈ Rm×m heißt Invertierbar (regulär, nicht singulär) falls ex. Inv(A) ∈ Rm×m
Inv(A) ∗ A = Im = A∗ Inv(A)
In diesem Fall schreibe: Inv(A) = A−1

1.10.1 Invertierbar: Inv(A−1 ) = A = (A−1 )−1

Sei A ∈ Rm×m regulär


Dann gilt: Inv(A−1 ) = A = (A−1 )−1

1.10.1.1 Beweis
ex. A ∈ Rm×m da A regulär
es gelten:
A ∗ A−1 = Im = A−1 ∗ A ⇒ A =Inv(A−1 ) = (A−1 )−1

1.10.2 Invertierbar: (A ∗ B)−1 = B −1 ∗ A−1

Sei A, B ∈ Rm×m regulär


(A ∗ B)−1 = B −1 ∗ A−1

1.10.2.1 Beweis
ex. A, B ∈ Rm×m da A, B regulär
es gelten:
(B −1 ∗ A−1 ) ∗ (A ∗ B) = B −1 ∗ (A−1 ∗ A) ∗ B = B −1 ∗ (Im ∗ B) = B −1 ∗ B = Im

(A ∗ B) ∗ (B −1 ∗ A−1 ) = A ∗ (B ∗ B −1 ) ∗ A−1 = A ∗ (Im ∗ A−1 ) = A ∗ A−1 = Im

1.10.3 Beispiel Invertierbar

In R : x ∈ R : x ∗ x1 = x ∗ x−1 = 1
(falls x 6= 0 ∗ x = 2 ∗ 2 ∗ 2−1 = 2 ∗ 1
2 = 1)
(2−1 )−1 = 2

−1 = I
Im da IM 2 = Im
m
   
1 0 −1 1 0
A= , A = da (A2 = I2 )
2 -1 2 -1
 
2 1 0
A =A∗A= = I2
0 1
   
3 1 0 0 0 1/5
A =  1 4 1 , A−1 =  1 0 -3/5 
5 0 0 -4 1 11/5
 
1 0 0
Probe: A ∗ A−1 =  0 1 0  = A−1 ∗ A
0 0 1

linearen Algebra www.studiWI.de Seite 6/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.11 Anwendungsgebiet: Lineare Gleichungssysteme (LGS)


Eine Lineare Gleichung mit einer Variablen x ∈ R ist definiert durch:
(*) a ∗ x = b, a, b ∈ R
b: rechte Seite a: koeffizient
(*) heißt heißt homogen falls b = 0, sonst inhomogen

Die Lösungsmenge L über R von (*) ist definiert durch:


L(a, b) = {y ∈ R : a ∗ y = b} Falls |L(a, b)| = 1 eindeutig lösbar

Sei (*) wie oben, dann gilt:


L(a, b) = { ab }, falls a 6= 0
L(a, b) = {R}, falls a = 0, b = 0
L(a, b) = {∅}, falls a = 0, b 6= 0
d.h.
L(a, b) = { ab }, falls a 6= csind lösbar genau dann wenn a 6= 0

1.11.1 Beweis LGS

a 6= 0
(*)= a ∗ x = b |/a
⇔ x = ab

a = 0, b = 0
0 ∗ x = 0 gültig ∀x ∈ R ergo L(a, b) = R

a = 0, b 6= 0
0 ∗ x = b, 6 ∃x ∈ R : 0 ∗ x 6= 0 ⇒ L(a, b) = ∅

1.11.2 Beispiel LGS

Gegeben: 2 Geradengleichungen
g1 : y = −x + 3
g2 : y = 2x + 1

Wie gelangt
 man
 an die Koordinaten
  (x̂, ŷ)des 
Schnittpunktes von g1 , g2
1 1 x̂ 3
A= xs = bs = A ∗ xs = bs
-2 1 ŷ 1
ŷ = −x̂ + 3
ŷ = 2x̂ + 1

linearen Algebra www.studiWI.de Seite 7/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

⇔ 1) x̂ + ŷ = 3
2) −2x̂ + ŷ = 1 | + 2∗Gl.(1)
⇔ x̂ + ŷ = 3
(−2x̂ + ŷ) + 2(x̂ + ŷ) = 1 + 2 ∗ 3
⇔ x̂ + ŷ = 3
3ŷ = 7 |/3
⇔ x̂ = 3 − ŷ
ŷ = 37
⇔ x̂ = 3 − 37 = 23
x̂ = 32

Lösung eindeutig (a 6= 0 ⇒ a 1 ∈ R
x = a = a−1 ∗ b
b

A ∗ xs = bs |multiplikation von links mit A−1


(A ∗ A) ∗ x = A−1 ∗ bs
−1 s

falls A−1 ∈ R2×2 existiert.

1.11.3 Definition LGS

Seien x1 , . . . , xn reelle Variablen


Sei m ∈ N, dann ist ein lineares Gleichungssystem mit den Variablen x1 , . . . , xn über R gegeben
durch:
a11 ∗ x1 + a12 ∗ x2 + . . . + a1n ∗ xn = b1
a21 ∗ x1 + a22 ∗ x2 + . . . + a2n ∗ xn = b2
...
am1 ∗ x1 + am2 ∗ x2 + . . . + amn ∗ xn = bm
aij ∈ R 1≤i≤m 1≤j≤n ∈ R 1 ≤ i ≤ m
bi 
b1 x1

 b2   x2 
A = aij 1≤i≤m 1≤j≤n bs =  .  xs =  . 
   
 ..   .. 
bn xn
LGS: A ∗ xs = bs
A: Koeffizientenmatrix
bs : rechte-Seite-Spalte
xs : Variablenspalte

A ∈ Rm×m Koeffizientenmatrix
Falls bs = 0m , dann heißt LGS homogen,
sonst ex. i ∈ {1, −1, m} : bsi 6= 0, heißt LGS inhomogen
L(A, bs ) = {y s ∈ Rm×1 : A ∗ y s = bs }
|L(A, bs )| = 1, dann LGS eindeutig lösbar.

1.11.3.1 Beispiel
Variablen x1 , x2 , x3 n=3 m = 2Gl.
LGS: 3x1 − x2 + 2x3 = 0
 x3 =0  
3 -1 2 2×3 s 0
A= ∈ R ,b = = 02 homogenes LGS
0 0 1 0
 
x1
xs =  x2  A ∗ xs = 02 xs = 02 ∈ L(A, 02 )
x3

linearen Algebra www.studiWI.de Seite 8/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.11.3.2 Beispiel
Variablen x1 , x2 , x3 n=3 m = 4Gl.
LGS: x2 − x3 = 1
−x1 +x3 = 0
−x2 + x3 = −1
x1 + x2 =4   
0 1 -1   1
 -1 0 2  x1
 x2  , bs =  0
4×3 s
 
 0 -1 1  ∈ R , x =
A=   6= 02 inhomogenes LGS
 -1 
x3
1 1 0 4
LGS mit m = n

1.11.3.3 Beispiel Logistikproblem Krankenhausküche


Wahlmöglichkeiten für Patienten zum Kaffee:
Napfkuchen (N) Rührkuchen (R) Strudel (S) Pfannkuchen (P)

Rohstoffbedarf:
Mehl(g) Zucker(g) Butter(g) Eier
1N 500 250 250 5
1R 500 500 400 6
1S 250 0 275 2
1P 10 5 5 2
Lagerbestand:
Mehl(g) Zucker(g) Butter(g) Eier
259,75kg 143,25kg 206,525kg 3601
Frage an die Logistik: Wieviele Backwaren können gebacken werden? (Modellierung: Formuliere
geeignete Mathematische Darstellung zur Beantwortung)

4 Variablen:
xN : unbekannte Anzahl N
xR : unbekannte Anzahl R
xS : unbekannte Anzahl S
xP : unbekannte Anzahl P

Mehl: 500xN + 500xR + 250xS + 10xP = 259750[g]


Zucker: 250xN + 500xR + 0xS + 5xP = 143250[g]
Butter: 250xN + 400xR + 275xS + 5xP = 206525[g]
Eier: 5xN + 6xR + 2xS + 2xP = 3601

LGS m 
=n=4 LGS’ (GL(1):
 10 , Gl(2),
 (3):
 5)  
50 50 25 1 xN 25975
 50 100 0 1  s  xR  s  28650 
⇒A=  50
,x = 
 xS  , b =  41305
  
80 55 1  
5 6 2 2 xP 3601

1.11.4 reguläres (m × m)-LGS

Ein LGS über R mit m Gleichungen und m Variablen:


a11 ∗ x1 + a12 ∗ x2 . . . + a1m ∗ xm = b1
.. .. . . .. ..
. . . . .
am1 ∗ x1 + am2 ∗ x2 . . . + amm ∗ xm = bm
⇔ A ∗ xs = bs A(aij ) = 1 ≤ i, j ≤ m xs = (x1 , . . . , xm )t bs = (b1 , . . . , bm )t

linearen Algebra www.studiWI.de Seite 9/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.11.4.1 Beweis
Sei A ∈ Rm×m invertierbar.
⇒ ex. A−1 ∈ Rm×m : A−1 ∗ A = Im

LGS: A ∗ xs = bs | multipliziert von links mit A−1


⇔ (A−1 ∗ A) ∗ xs = A−1 ∗ bs
⇔ Im ∗ xs = A−1 ∗ bs
⇔ xs = A−1 ∗ bs , d.h. eindeutige Lösung

1.12 Determinante
Sei A ∈ Rm×m (m ∈ N). Dann ist Determinante von A.
Schreibweisen: def A, |A| wie folgt rekursiv definiert.

m = 1 : A = (a) ∈ R1×1
def A = |(a)| = a ∈ R

m ≥ 2: Sei Z1 (A) = (a11 ∗ a12 ∗ . . . ∗ a1m erste Zeile von A ∈ Rm×m , dann
|A| = (−1)1+1 ∗ a11 |A11 | + (−1)1+2 ∗ a12 |A12 | + . . . + (−1)1+m ∗ a1m |A1m |
mit Aij : Matrix, die aus A erhält, indem Zeile Zi (A) und Spalte Sj (A) von A aus A entfernt werden
Aij ∈ R(m−1)×(m−1) (heißt Entwicklung von |A| nach erste Zeile)

1.12.1 Beispiel
 
a11 a12
∈ R2×2

A= Z1 (A) = a11 a12
a21 a22
det A = |A| = (−1)2 ∗ a11 ∗ |A11 | + (−1)3 ∗ a12 ∗ |A12 |
= a11 ∗ |a22 | − a12 ∗ |a21 |
= a11 ∗ a22 − a12 ∗ a21 (Überkreuzregel bei (2 × 2)Matrizen)

1 0 -4 3
= −1 = (−4) ∗ 1 − (3) ∗ (−3) = (−4) − (−9) = 5
-2 -1 -3 1

1.12.2 Beispiel
 
a11 a12 a13
A =  a21 a22 a23  ∈ R3×3

Z1 (A) = a11 a12 a13
a31 a32 a33
def(A) = |A| = (−1)2 ∗ a11 ∗ |A11 | + (−1)3 ∗ a12 ∗ |A12 | + (−1)4 ∗ a13 ∗ |A13 |
det(A) = a11 ∗ a22 ∗ a33 + a12 ∗ a23 ∗ a31 + a13 ∗ a21 ∗ a32 − a11 ∗ a23 ∗ a32 − a12 ∗ a21 ∗ a33 − a13 ∗ a22 ∗ a31

1.12.3 Laplacesche Entwicklungssätze

Sei A ∈ Rm×m (m ∈ N)
A = (aij ) 1 ≤ i, j ≤ m
Sei Zi (A), Sj (A) belibige Zeile bzw. Spalte i, j ∈ {1, . . . , m} dann gelten:

Zeilenentwicklungssatz
Pm (bei Zi (A))
|A| = i=1 (−1) ∗ aij ∗ |Aij |
i+j

(“Summe der Spaltenindizes“)

Spaltenentwicklungssatz (bei Zi (A))


|A| = m i+j ∗ a ∗ |Aij |
P
j=1 (−1) ij
(“Summe der Zeilenindizes“)

linearen Algebra www.studiWI.de Seite 10/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.3.1
Beispiel

4 1 3

A = 3 0 1 = −28
0 -2 6
Berechnung
P3 nach Spalte 2:
i+2 ∗ ai2 ∗ |Ai2 |
i=1 (−1)

= (−1)3 ∗ a12 ∗ |A12 | + (−1)4 ∗ a22 ∗ |A22 | + (−1)5 ∗ a32 ∗ |A32 |



3 1 4 3
= (−1) ∗ +0+2∗
3 1 = −18 + 2 ∗ (4 − 9) = −28

0 6
Berechnung
P3 nach Zeile 3:
3+j ∗ a3j ∗ |A3j |
j=1 (−1)

= (−1)4 ∗ a31 ∗ |A31 | + (−1)5 ∗ a32 ∗ |A32 | + (−1)6 ∗ a33 ∗ |A33 |



4 3 4 1
=0+2∗ +6∗ = 2 ∗ (4 − 9) + 6 ∗ (−3) = −28
3 1 3 0

1.12.3.2
Beispiel
3 2 3

|A| = 1 0 -25

17 0 -10

1 -25 1700 1700
= −2 ∗ = −2 ∗ (−10 +
4 ) = 20 − 2 = −830
17 -10
ungeschickt
1. Zeile:

0 -25 1 -25 1 0
=3∗ + (−2) ∗ + 3 ∗
0 -10 17 -10 17 0
= 3 ∗ 0 + |A| + 3 ∗ 0 = |A|

1.12.3.3
Beispiel
3 2 0 3

1 0 0 -25
|A| =

=0
17 5 0 -10
55 -9 0 -10

1.12.4 Merksatz zur Determinanten Berechnung

• Wähle Zeile und Spalte mit den meisten 0-Einträgen

• Sei dies Zi (A) und Sj (A)


 
a1j
  a2j 
• Zi (A) = ai1 ai2 ... aim und Sj (A) = 
 
.. 
 . 
amj

• (2 × 2)-Matrix: a11 ∗ a22 − a12 ∗ a21

• (3×3)-Matrix: a11 ∗a22 ∗a33 +a12 ∗a23 ∗a31 +a13 ∗a21 ∗a32 −a11 ∗a23 ∗a32 −a12 ∗a21 ∗a33 −a13 ∗a22 ∗a31

linearen Algebra www.studiWI.de Seite 11/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.5 Rechenregeln für Determinanten

1.12.5.1 A ∈ Rm×m : |A| = |At | (d.h. Determinante ändert sich beim Transponieren nicht)

1.12.5.2 A, B ∈ Rm×m : det(A ∗ B) = (detA) ∗ (detB)

1.12.5.3 A ∈ Rm×m : α ∈ R det(αA)


m
 = α ∗det(A) 
10 40 30 1 4 3 1 4 3

|A| = 500 10000 600 = 10  50 1000 60  = 103 50 1000 60

30 20 50 3 2 5 3 2 5

1.12.5.4 Sei Aij Matrix, die man aus A erhält, indem man Zi (A), Zj (A) vertauscht: |Aij | = −|A|

1.12.5.5 Vertauscht man in A 2 Spalten, so ändert die Determinante auch ihr Vorzeichen.

1.12.5.6 αSj (A) + S = Sˆj α∈R S ∈ Rm×1


Sei  Matrix, die man aus A erhält, indem man Sj (A) durch Sˆj ersetzt:
det(Â) = α det(A)∗ det(AS )
AS Matrix, die entsteht wenn Sj (A) durch S ersetzt wird.

1.12.5.7 A ∈ Rm×m
hat A 2 gleiche Zeilen, dann |A| = 0
hat A 2 gleiche Spalten, dann|A| = 0

1.12.6 Spalten-weise Linearität der Determinante


 
a11 a12 . . . a1j a1j+1 . . . a1m
A =  ... .. .. .. .. .. .. 

. . . . . . 
am1 am2 ... amj amj+1 ... amm
A = (S1 (A), S2 (A), . . . , Sj (A), Sj+1 (A), . . . , Sm (A))

 = (S1 (A), S2 (A), . . . , αSj (A) + S, Sj+1 (A), . . . , Sm (A))

|Â| = α|S1 (A), . . . , S2 (A), . . . , Sj (A), . . . , Sm (A)| + |S1 (A), S2 (A), . . . , Sj−1 (A), S, Sj+1 (A), . . . , Sm (A)|

1.12.7 Begründungen

1.12.7.1 zu 5.11.8.1
|A| = |At | vollständige Induktion: m ∈ N
I.A.: m = 1 : A = (a) = At ⇒ |A| = a = |At |
m → m + 1: Aussage wahr für alle Matrizen im Rm×m
A ∈ R(m+1)×(m+1) entwickle A nach erste Zeile:

|A| = m+1 (−1)1+j ∗ A[1, j] ∗ |A1j |


P
Pm+1j=1 1+j
= j=1 (−1) ∗ A[j, 1] ∗ |A1j |
Pm+1
= j=1 (−1)1+j ∗ A[j, 1] ∗ |Aj1 |
weil: A1j = (At )j1 ∈ Rm×m mit Induktions Anfang |A1j | = |(At )j1 |
= |At | entwickeln nach 5.11.8.1 und der 1. Spalte
klar für ∀m ∈ R

linearen Algebra www.studiWI.de Seite 12/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.7.2 zu 5.11.8.3
|αA| = αm |A|, α ∈ R, A ∈ Rm×m
vollständige Induktion bezüglich m ∈ N
I.A.: m = 1 αA = (αa) ⇒ |αA| = αa
m → m + 1 : Sei wahr für (m × m)-Matrizen.
Sei A ∈P R(m+1)×(m+1) , A ∗ α = α ∗ A
|Aα | = m+1 1+j ∗ A [1, j] ∗ |A1j | ∈ Rm×m
j=1 (−1) α α
Pm+1
= j=1 (−1)1+j ∗ αA[1, j] ∗ α|A1j | (mit Induktionsannahme)
= αm+1 m+1 1+j ∗ A[1, j] ∗ |A1j |
P
j=1 (−1)
|A| nach Satz 5.11.8.1 lösen
⇒ Klar für alle m ∈ N

1.12.7.3 zu 5.11.8.4
m ≥ 2, m ∈ N
vollst. Ind.:  
a b
I.A. m = 2 : A =
c d
 
c d
 = ⇒ |Â| = c ∗ b − a ∗ d = −(a ∗ d − b ∗ c) = −|A|
a b
m → m + 1: Aussage wahr für (m × m)-Matrizen (m ≥ 2)
A ∈ R(m+1)×(m+1)
 sei aus A hervorragende Matrix durch Vertauschen der Zeilen l, k 1 ≤ l 6= k ≤ m + 1
entwickle
Pm+1 Â nach Zeile i(k 6= i 6= l) :
|Â| = j=1 (−1)i+j ∗ Â[i, j] ∗ |Âij | ∈ Rm×m
Âij geht aus Aij durch P Vertauschung der Zeile l, k hervor.
I.A.: |Âij | = |Aij | = m+1
j=1 (−1) i+j ∗ A[i, j] ∗ |Aij | = −|A|

⇒ Aussage wahr für alle m ∈ N

1.12.7.4 zu 5.11.8.5
mittels (5.11.8.1) und (5.11.8.4)

1.12.7.5 zu 5.11.8.6
B := A(Sj ← αSj + S)   
αa1j + S1 S1
 αa2j + S2   S2 
Sj (B) =  , S =  ∈ Rm×1
   
..   ..
 .   . 
αamj + Sm Sm
nach Satz (5.11.8.2)
i-Spalte:
|B|P= m i+j ∗ B[i, j] ∗ |B ij |
P
i=1 (−1)
m
= i=1 (−1)i+j ∗ (αij + Si ) ∗ |Aij |
Distrubution:
=α m
P i+j ∗ A[i, j] ∗ |Aij | +
Pm i+j ∗ S ∗ |Aij |
i=1 (−1) i=1 (−1) i
= α|A| + |A(Sj ← S)

linearen Algebra www.studiWI.de Seite 13/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.8 Begründung diagonal Matrix

. . , dm ) = m
Q
diag(d1 , . i=1 di, d ∈
R
d1 0 . . . 0 d2 0 ... 0 d3 0 ... 0
 0 d2 . . . 0  0 d3 ... 0 0 d4 ... 0
Beweis:  . = d1 . = d1 ∗ d2 .
 
. . . .. .. .. .. .. ..
 .. .. .. ..  .. ..

. . . . . .
0 0 ... dm 0 0 ... dm 0 0 ... dm
d4 0 ... 0
0 d5 ... 0
= d1 ∗ d2 ∗ d3 . .. .. .. = . . . = d1 ∗ d2 ∗ d3 ∗ . . . ∗ dm
.. . . .
0 0 ... dm

1.12.9 A invertieren

A ∈ Rm×m m=1 A = (a) → A−1 = (a−1 ) gdw. a 6= 0


m1, 2 : A invertierbar gdw. detA 6= 0
in diesem gilt: A−1 = detA
1
= At mit At [i, j] = (−1)i+j ∗ |Aij |
t
A heißt A adjungierte Matrix (Adjunkte von A).

A inv. gdw. ∃ inv(A) : A∗ inv(A) = inv(A) ∗ A = Im = inv(A) = A−1

1.12.10 Inverse (2 x 2)-Matrix

Für A∈ R2×2   


a b d -b
A= dann gilt: A−1 = 1
detA =
c d -c a

1.12.11 Cramersche Regel

Sei A∈ Rm×m s


 ,b ∈ R
m×1

x1
xs = ∈ Rm×1
xm
Sei det(A) 6= 0, dann hat das Gleichungssystem A ∗ xs = bs eindeutige Lösung:
1 1
x1 = detA det(A(S1 ← bs )) = detA det(bs , S2 (A), . . . , Sm (A)
1
x2 = detA det(S1 (A), bs , S3 (A), . . . , Sm (A)
1
x3 = detA det(S1 (A), S2 (A), bs , . . . , Sm (A)
..
.
1
xm = detA det(A(Sm ← bs ))

1.12.11.1 Beispiel
3x1 +2x2 = 5  −x1 +  x2 =3
3 2 5
A= , bs =
-1 1 3
detA = 5
5 2
x1 = 15 ∗ = − 51
3 1
3 5
x2 = 15 ∗ = − 145
-1 3

linearen Algebra www.studiWI.de Seite 14/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.12.12 Berechnung einer (m x m)-Determinante

Zur Berechnung einer (m × m)-Determinante sind ca. m! Rechenoperationen nötig.


a b c d
f g h e g h e f h e f g
e f g h
=a∗ j k l −b∗ i k l +c∗ i j l −d∗ i j k
i j k l
n o p m o p m n p m n o
m n o p
1 ∗ 2 ∗ 3 ∗ 4 = 4! Operationen ⇒ A ∗ xs = bs mit A ∈ Rm×m benötigt zur Berechnung mit Gramerscher
Regel von (m + 1) vielen (m × m)-Determinanten.
⇒ (m + 1) ∗ m! = (m + 1)!

1.13 Dreiecks-Matrix
A ∈ Rm×m heißt obere Dreiecksmatrix (4-Matrix), falls A[i, j] = 0, wenn i > j, dass heißt alle Ele-
mente
 unterhalb Hauptdiagonale
 sind 0.
a11 a12 . . . a1m
 0 a22 . . . a2m 
A= .
 
.. .. .. 
 .. . . . 
0 0 ... amm
B ∈ Rm×m heißt untere Dreiecksmatrix, falls B[i, j] = 0, wenn i < j, dass heißt alle Elemente
unterhalb
 Hauptdiagonale sind 0.

a11 0 ... 0
 a21 a22 . . . 0 
A= .
 
. .
. . . .. 
 . . . . 
a1m a2m ... amm
C∈ Rm×m heißt obere und untere Dreiecksmatrix, falls C =diag(d1 , . . . , dm ).

1.13.1 Dreiecks-Matrix Regeln

Sei A ∈ Rm×m obere Dreiecks-Matrix:

detA = m
Q
1.13.1.1 i=1 A[i, i]
Produkt der Elemente auf der Hauptdiagonalen.

a11 ... a1m


Beweis |A| = ... ..
.
..
. = 0, falls a11 = 0
0 ... amm
sonst a11 6= 0: Entwicklung nach der 1. Spalte
a22 . . . a2m
|A| = a11 ... ..
.
..
. = 0, falls a22 = 0
0 ... amm
sonst a22 6= 0: Entwicklung nach der 2. Spalte
a33 . . . a3m
|A| = a11 ∗ (−1) 2+2 ∗ a22 ... ..
.
..
. = 0, falls a33 = 0
0 . . . amm
= aii 6= 0 = a11 , a22 , . . . , amm 6= 0, falls aii 6= 0 1≤i≤m

1.13.1.2 A ist invertierbar, es gibt keine 0 auf der Hauptdiagonale.

Beweis A−1 ex. gdw. det(A) 6= 0 Also: Aussage klar

linearen Algebra www.studiWI.de Seite 15/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.1.3 Aussagen .1 und .2 gelten auch für untere Dreiecksmatrix

Beweis
klar, da B untere Dreiecksmatrix ⇒ B t obere Dreiecksmatrix
|B| = |B t | = b11 . . . bmm

1.13.1.4 Ist A =diag(d1 , . . . , dm ) insbesondere Diagonalmatrix, dann gilt: A−1 = (d−1 −1


1 , . . . , dm ),
falls d1 6= 0, . . . , dm 6= 0.

Beweis 
d−1 d1 ∗ d−1
    
d1 0 ... 0 1 0 ... 0 1 0 ... 0
 0 d2 ... 0   0 d−1
2 ... 0   0 d2 ∗ d−1
2 ... 0 
A∗A−1 =  ∗ =
     
.. .. .. .. .. .. .. .. .. .. .. .. 
 . . . .   . . . .   . . . . 
0 0 . . . am 0 0 ... a−1
m 0 0 ... am ∗ d−1
m
 
1 ... 0
−1  .. .. . 
A ∗A= . . ..  = Im
0 ... 1

1.13.2 Beispiel
s = bs
A ∗ x 
1 0 0 0
 0 2 0 0 
A=  0 0 4 0 

0 0 0 1
detA = 1∗2∗4∗1=8 
1 0 0 0
0 1/2 0 0 
A−1 = 


 0 0 1/4 0 
0 0 0 1
1 =1
2 =3
4 =5
1 =7
x4 = 7, x3 = 45 , x2 = 23 , x1 = 1
Fazit: Diagonale Koeffizienten Matrix erlaubt sofortiges Ablesen der Lösung, falls detA 6= 0
       
1 0 0 0 1 x1 1
 0 1/2 0 0 
xs = A−1 ∗ bs =   ∗  3  =  x2  =  3/2 
     
 0 0 1/4 0   5   x3   5/4 
0 0 0 1 7 x4 7
−1 1 1
det(A ) = 1 ∗ 2 ∗ 4 ∗ 1 = 8 1

1.13.3 Lamba...

A ∈ Rm×m mit detA 6= 0


Dann gilt: det(A−1 ) = detA
1

Denn Satz 4.44(b)


A−1 ex., da detA 6= 0
det(A ∗ A−1 ) = (detA)∗det(A−1 )
A ∗ A−1 = Im ⇒det(A ∗ A−1 ) =det(Im ) = 1

linearen Algebra www.studiWI.de Seite 16/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.4 Rückwärtssubstitution

Sei A ∈ Rm×m obere Dreiecksmatrix.


detA 6= 0, bs ∈ Rm , dann ist eindeutige Lösung von A ∗ xs = bs wie folgt zu berechnen: Algorithmus
Rückwärtssubstituition (RWS):

1. Schritt:
bm
xm ← A[m,m]
2. Schritt:
Für j = m − 1,
Pm − 2, . . . , 2, 1: berechne
m
bj − k=j+1 A[j,k]∗xR
xj ← A[j,j]

1.13.4.1
 Beispiel  
3 -1 2 0
A =  0 1 3  , bs =  1 
0 0 2 6
1. Schritt:
b3 6
m=3 x3 ← A[3,3] = 2 =3

2. Schritt:
b2 −A[2,3]∗x3 1−3∗3
j=2 x2 ← A[2,2] = 1 = −8
b1 −A[1,2]∗x2 −A[1,3]∗x3 0−(−1)∗(−8)−2∗3 (−8)−6
j=1 x1 ← A[1,1] = 3 = 3 = − 14
3

1.13.5 Allgemeine Strategie


a11 a12 ... a1m
a21 a22 ... a2m
.. .. .. ..
. . . .
am1 am2 . . . amm
a11 a12 . . . a1m
(1) (1)
−−−−→ 0 a22 . . . a2m
a11 6= 0 . .. .. ..
.. . . .
(1) (1)
0 am2 ... amm
a11 a12 . . . a1m
(1) (1)
−−−−−→
(1) 0 a22 . . . a2m
a22 6= 0 . . . .. .. .. .. = obere Dreiecks-Matrix
. . . .
(3)
0 0 ... amm
Korrektes Vorgehen:
a11 a12 . . . a1m
a21 a22 . . . a2m a21 /a11 ∗ Zeile1
.. .. .. .. → ...
. . . .
am1 am2 ... amm am1 /a11 ∗ Zeile1

linearen Algebra www.studiWI.de Seite 17/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.6 erweiterte Koeffizientenmatrix

Sei A ∗ xs = bs , LGS, A ∈ Rm×m


Erweitert man A um Spalte bs so erhält man: (A|bs ) ∈ Rm×(m+1)

Gaußsches Verfahren geht aus von erweiterter Koeffizienten-Matrix und liefert:


s
A0 ∗ xs = b0s ⇔ Ax = bs A0 = obere Dreiecks-Matrix

1.13.6.1 Beispiel
6x1 − x2 = 11
2x1 + 3x2 = 7
   
6 -1 11
A= , bs =
2 3 7
 ∈Rm×m
6 -1 11
(A|bs ) =
2 3 7

1.13.7 Gauß-Elimination ohne Pivotisierung

Sei A ∈ Rm×m , bs ∈ Rm×1 , detA 6= 0


Dann kann A∗xs = bs mittels des folgenden Algorithmus auf äquivalente Gestalt A0 ∗xs = b0s gebracht
werden, sodass A0 obere Dreiecks-Matrix ist.
Voraussetzung: alle intermediären Diagonalelemente, insbesondere
a11 = A[1, 1] 6= 0

Algorithmus:
Für j = 1, 2, . . . , m − 1 falls A[j, j] 6= 0
für i = j + 1, j + 2, . . . , m
Zeile i(A|b2 ) ← Zeile i(A|bs ) durch −A[i,j]
A[j,i] ∗ Zeile j(A) ∗ b
s

1.13.7.1 Beispiel
Z1 = Zeile 1, . . . S1 = Spalte 1, . . .

2 -1 -3 3 1
4 0 -3 1 s -8
A= ,b =
6 1 -1 6 -16
-2 -5 4 1 -12
2 -1 -3 3 1
4 0 -3 1 -8 -4/2 * Z1 = -2 * Z1
(A|bs ) =
6 1 -1 6 -16 -6/2 * Z1 = -3 * Z1
-2 -5 4 1 -12 –2/2 * Z1 = 1 * Z1
2 -1 -3 3 1
0 2 3 -5 -10

0 4 8 3 -19 -4/2 * Z2 = -2 * Z2
0 -6 1 4 -11 –6/2 * Z2 = 3 * Z2
2 -1 -3 3 1
0 2 3 -5 -10

0 0 2 7 1
0 0 10 -11 -41 -10/2 * Z3 = -5 * Z3
2 -1 -3 3 1
0 2 3 -5 -10
→ =Obere Dreiecks-Matrix
0 0 2 7 1
0 0 0 -46 -46

linearen Algebra www.studiWI.de Seite 18/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

Mit RWS: x4 = 1, x3 = −3, x2 = 2, x1 = −4, 5


x3 = (−4, 5, 2, −3, 1)t ∈ R4×1
detA0 = 2 ∗ 2 ∗ 2 ∗ −46 = −368

4 -3 1 2 -3 3 2 -3 3
|A|(S2) = 6 -1 6 − 4 -3 1 − 5 4 -3 1
-2 4 1 -2 4 1 6 -1 6
-1 6 6 6 6 -1
=4 +3 +
4 1 -2 1 -2 4
-3 1 4 1 4 -3
−2 −3 −3
4 1 -2 1 -2 4
-3 1 4 1 4 -3
−10 − 15 − 15
-1 6 6 6 6 -1
= 100 + 54 + 22 + 14 − 18 − 30 + 170 − 270 − 210 = −368

1.13.7.2 Beispiel: Krankenhausküche (Fortsetzung)


50 50 25 1 25975
50 100 0 1 28650 - Z1
(A|bs ) =
50 80 55 1 41305 - Z1
5 6 2 2 3601 - 1/10 Z1
50 50 25 1 25975
0 50 -25 0 2675

0 30 30 0 15330 - 3/5 Z2
0 1 -0,5 1,9 1003,5 - 1/50 Z2
50 50 25 1 25975
0 50 -25 0 2675

0 0 45 0 15330
0 0 0 1,9 950
xP = 950
1,9 = 500 Pfannkuchen
13725
xS = 45 = 305 Strudel
xR = 206 Rührle
xN = 151 Napfkuchen
detA0 = 50 ∗ 50 ∗ 45 ∗ 1, 9 = 213750

oder aber
 auch: 
50 50 25 1
 50 100 0 1 
|A| = 
 50

80 55 1 
5 6 2 2
       
50 100 1 50 50 1 50 50 1 1 50 1
= 25  50 80 1  + 55  50 100 1  − 2  50 100 1  ,→ 50  1 100 1 =0
5 6 2 5 6 2 50 80 1 1 80 1
   
10 50 1 10 25 1
= 25 ∗ 5 ∗ 2  10 40 1  + 55 ∗ 5 ∗ 2  10 50 1 
1 3 2 1 3 2
= 250 ∗ 10 ∗ 77 − 250 ∗ 10 ∗ 97 + 250 ∗ 10 + 550 ∗ (10 ∗ 97 − 10 ∗ 97 ∗ 47 − 25)
= 2500 ∗ (78 − 97) + 5500 ∗ (50 − 2, 5)
= −47500 + 261250 = 213750

linearen Algebra www.studiWI.de Seite 19/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.8 Determinantenberechnung unverändert

Sei A ∈ Rm×m , detA 6= 0


Falls Gaußsches Eliminationsverfahren ohne Pivotisierung durch läuft, d.h. alle intermediären Diago-
nalelemente 6= 0, so gilt für Endmatrix:
A0 : |A0 | = |A| d.h. Determinante bleibt unverändert.

Fazit: Wende zur Determinantenberechnung Gauß-Alg. an.

1.13.9 Zeilenvertauschung

Sei A ∈ Rm×m , A[1, 1] = 0


Stellt man durch geegnete Zeilenvertauschung in A neue Matrix  her, Â[1, 1] 6= 0, so heißt das
Pivotisierung. Das Element Â[1, 1] 6= 0 heißt Pivot-Element.
Erweitert man Gauß-Elimination um Pivotisierung, zur Sicherung eines von 0 verschiedenen inter-
mediären Diagonalelements, so liegt Gauß-Elimination mit Spalten-Pivotisierung vor.

1.13.10 Gauß-Elimination mit Spalten-Pivotisierung

Für j = 1, 2, . . . , m − 1 falls A[j, j] 6= 0


vertausche in aktueller Matrix (A|bs ) Zeile j mit Zeile i (i ≥ j + 1), die die Eigenschaft hat, dass A[i, j]
das betragsmäßig größte Element in Spalte j ist (ab Position j + 1)
nenne neue Matrix wieder (A|bs )

Für i = j + 1, j + 2, . . . , m
Zi ← Zi − −A[i,j]
A[j,i] ∗ Zj

1.13.10.1 Beispiel
x2 - x3 = -1
x1 + x2 - x3 = 0
x1 + x3 = 1
0 1 -1 -1 ↓ 1 1 -1 0 1 1 -1 0
A= 1 1 -1 0 ↑ → 0 1 -1 -1 → 0 1 -1 -1
1 0 1 1 0 -1 2 1 +Z2 0 0 1 0
RWS: x3 = 0, x2 = −1, x1 = 1
detA0 = 1 (2 Zeilen vertauscht Determinante nimmt Vorzeichen auf)
detA = 1

1.13.10.2 Endmatrix
Sei A ∈ Rm×m , detA 6= 0
Sei A0 Endmatrix von Gauß-Elimination mit Spalten-Pivotisierung
Angenommen Alg. führt in k Iterationen jeweils Vertauschunzweier Zeilen durch, dann gilt:
|A0 | = (−1)k ∗ |A|

1.13.11 Spalten-Pivotisierung

Sei A ∈ Rm×m , detA 6= 0


Spalten-Pivotisierung beeinflusst Lösungsmenge von A ∗ xs = bs NICHT.
Spalten-Pivotisierung ist stets möglich, d.h. es ex. stets ein intermediäres von 0 verschiedenes Ele-
ment in der aktuellen Spalte j

linearen Algebra www.studiWI.de Seite 20/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.11.1 Beispiel
3x1 -4x2 +x3 = 0
6x1 -8x2 +2x3 = 1
x1 +x3 = -1
3 -4 1 0
s
A = 6 -8 2 , b = 1
1 0 1 -1

3 -4 1
|A| = 2 3 -4 1 =0
1 0 1

3 -4 1 0
(A|bs ) = 6 -8 2 1 -2*Z1
1 0 1 -1 -1/3*Z1
3 -4 1 0
→ 0 0 0 1 ↓
0 4/3 2/3 -1 ↑
3 -4 1 0
→ 0 4/3 2/3 -1
0 0 0 1 ⇒∅

1.13.11.2 Beispiel unterbestimmte Gleichung


3 -4 1 0
(A|bs ) = 6 -8 2 0 -2*Z1
1 0 1 -1 -1/3*Z1
3 -4 1 0
→ 0 0 0 0 ⇒ f lltweg
0 4/3 2/3 -1
d.h. 3 Variablen und 2 Gleichungen ⇒ LGS unterbestimmt-
x3 = t
x2 = 34 (−1 − 32 t)
x1 = 13 ∗ (−3 ∗ (1 + 32 t) − t) = −1 − 23 t − 13 t = −(1 + t)

-(1 + t)
L = (A|bs ) = { -3/4 * (1 + 2/3 t) : t ∈ R}
t
⇒ unendliche Lösungsmenge, da in t alles eingesetzt werden kann.

1.13.11.3 Beispiel überbestimmte Gleichung


x1 -x2 = 1
3x1 -x2 = -1
2x1 x2 = 0
1 -1 1
(A|bs ) = 3 -1 -1 -3*Z1
2 1 0 -2*Z1
1 -1 1
→ 0 2 -4
0 3 -2 -3/2*Z2
1 -1 1
→ 0 2 -4
0 0 4 ⇒∅

linearen Algebra www.studiWI.de Seite 21/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.13.11.4 Beispiel
3x1 -x2 +4x3 -6x4 = 1
x1 -5x4 = 2
3 -1 4 -6 1
(A|bs ) =
1 0 0 -5 2 - 1/3 * Z1
3 -1 4 -6 1

0 1/3 -4/3 -3 5/3
3x1 -x2 +4x3 -6x4 = 1
1/3x2 -4/3x3 -3x4 = 5/3
x4 = t1 , x3 = t2
8/3 + 8 * (t1 − 1/3 ∗ t2 )
5/3 + 3*t1 + 4/3 ∗ t2
L(A|bs ) = { : t1 , t2 ∈ R}
t2
t1
⇒ 2-fach parametrisierte unendliche Lösungsmenge

1.13.12 Gauß-Algorithmus mit Spaltenpivotisierung

Sei (*) A ∗ xs = bs , A ∈ Rm×m


kann (A|bs ) → (A0 |b0s ) sodass:
* * * * *
0 * * * *
(A0 |b0s ) =
0 0 * * *
0 0 0 0 0
Dann gilt: Lösungsmenge leer (L(A|bs ) = ∅)
gdw. in Zeile m0 : b00m 0 6= 0 und links von | l1 = l2 = . . . = lv = 0
Sonst: mindestens ein i ∈ {1, . . . , r} ex. mit li 6= 0
Dann erhalte Lösungsmenge durch Einsetzen von links nach rechts von Parametern t1 , t2 , . . . , ts falls
gerade s + 1 viele der li 6= 0 Anschließend RWS.

linearen Algebra www.studiWI.de Seite 22/ 22


WI - B05 - Mathematik für Wirtschaftsinformatiker
1 Elementare Aspekte der Analysis (in einer Variable)
1.1 Grundeigenschaften reeller Zahlen
Seien x, y, z, i, j ∈ R, 1 ≤ i ≤ n, 1 ≤ j ≤ m dann:
Assoziativität:
(x + y) + z = x + (y + z) = x + y + z
(x ∗ y) ∗ z = x ∗ (y ∗ z) = x ∗ y ∗ z

Kommunikativität:
x+y =y+x
P∗ny =Pym∗ x
x Pm Pn
i=1 ( j=1 aij ) = j=1 ( i=1 aij )

Distributivität:
x ∗ (y + z) = x ∗ y + x ∗ z
(xP+ y) ∗ z =P
x ∗ z + y ∗ zP
( i=1 xi ) ∗ ( m
n n Pm
j=1 yj ) = i=1 ( j=1 xi ∗ yj )

weitere Eigenschaften:
x < y ⇔ y − x > 0 (Positivität durch größer 0 definiert)
x ≤ y ⇔ x = y oder x < y
x>y⇔y<x
x≥y⇔y≤x

x, y ∈ R entweder x = y, x < y oder x > y


x < y, y < z ⇒ x < z (Transitivität)
x < y, z ≤ w ⇒ x + z < y + w

x < y, z > 0 ⇒ x ∗ z < y ∗ z


x < y, z < 0 ⇒ x ∗ z > y ∗ z

x > 0 ⇒ −x < 0
x < y ⇒ −x > −y
0 < x < y ⇒ 0 < y1 < 1
x

x 6= 0 ⇒ x2 > 0

1.2 Potenzen
Sei x ∈ R dann sind Potenzen xn für n ∈ N0 induktiv definiert durch:
x0 = 1 00 = 1
xn+1 = xn ∗ x

negative Potenzen x−n , falls x 6= 0 definiert durch:


x−n = (x−1 )n = ( x1 )n = x1n

x, y ∈ R und n, m ∈ Z
xn ∗ xm = xn+m
(xn )m = xn∗m
xn ∗ y n = (x ∗ y)n

Analysis www.studiWI.de Seite 1/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.2.1 Beweis für xn ∗ y n = (x ∗ y)n

1. Fall n ≥ 0
I.A.: n = 0: x0 ∗ y 0 = 1 ∗ 1 = 1 = (x ∗ y)0 = 1
n → n + 1: xn+1 ∗ y n+1 = xn ∗ x ∗ y n ∗ y = xn ∗ y n ∗ x ∗ y = (x ∗ y)n ∗ (x ∗ y) = (x ∗ y)n+1

2. Fall n < 0: p = −n > 0


xn ∗ y n = x−p ∗ y −p = (x−1 )p ∗ (y −1 )p
nun 1. Fall anwenden:
= ((x ∗ y)−1 )p = (x ∗ y)−p = (x ∗ y)n

1.3 Intervalle
a, b ∈ R a < b Dann heißt:

1.3.1 abgeschlossener Intervall

[a, b] = {x ∈ R : a ≤ x ≤ b}

1.3.2 offener Intervall

(a, b) = {x ∈ R : a < x < b}

1.3.3 halboffener Intervall

[a, b) = {x ∈ R : a ≤ x < b} (bez. b)

(a, b] = {x ∈ R : a < x ≤ b} (bez. a)

1.3.4 uneigentliche Intervalle

[0 = 0 ist in der Menge (0 = 0 ist nicht in der Menge

[a, ∞) = {x ∈ R : x ≥ a}

(a, ∞) = {x ∈ R : x > a}

(−∞, a] = {x ∈ R : x ≤ a}

(−∞, a) = {x ∈ R : x < a}

Analysis www.studiWI.de Seite 2/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3.5 Beschränkung

Sei M ⊆ R, M 6= ∅. dann heißt M :

1.3.5.1 beschränkt nach oben


falls es ex. K ∈ R, mit x ≤ K ∀x ∈ M
In diesem Fall heißt K obere Schranke von M

1.3.5.2 beschränkt nach unten


falls es ex. K ∈ R, mit x ≥ K ∀x ∈ M
In diesem Fall heißt K untere Schranke von M

1.3.5.3 beschränkt
falls nach oben und unten beschränkt.

1.3.6 Beispiel

M = [0, 1) = {x ∈ R : 0 ≤ x < 1}
untere Schranke:
−Π −1000 −10−50 0

obere Schranke:
Π 1000 1 + 10−50 2

1.3.7 Supremum, Infimum

Sei M ⊆ R, M 6= ∅
Eine kleinste obere Schranke S von M heißt Supremum von M, (supM )
Eine größste untere Schranke I von M heißt Infimum von M, (infM )

1.3.8 Maximum, Minimum

Sei M ⊆ R, M 6= ∅, x, y ∈ M
Maximum von M, x =maxM , falls x ≥ y
Minimum von M, x =minM , falls x ≤ y

Falls x =maxM existiert, dann gilt: x =supM


Falls x =minM existiert, dann gilt: x =infM

im Allgemeinen supm 6∈ M aber infM ∈ M

1.3.8.1 Beispiele
inf[0, 1) = 0 ∈ [0, 1) ⇒ 0 =min[0, 1)

sup[0, 1) = 1 ∈ [0, 1) ⇒max existiert nicht

1.3.9 Zentrale Eigenschaft von R Vollständigkeit

M ⊆ R, M 6= ∅, beliebige Menge
Ist M nach unten beschränkt , so existiert in R ein Infimum von M , diese ist eindeutig festgelegt.
Ist M nach oben beschränkt , so existiert in R ein Supremum von M , diese ist eindeutig festgelegt.

Analysis www.studiWI.de Seite 3/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3.9.1 Beispiel
Q erfüllt das nicht:
M = {x ∈ √ Q : x2 ≤ 2}
supR M = 2 6= Q

1.3.9.2 Beispiel
∅=6 N⊆R
infN = 1
supN existiert nicht
ergo N nicht nach oben beschränkt

1.3.10 Satz

M ⊆ R, M 6= ∅
Falls S =supM , dann existiert zu jedem Ŝ ∈ R, Ŝ < S, ein x ∈ M mit Ŝ < x ≤ S

Falls I =infM , dann existiert zu jedem Iˆ ∈ R, Iˆ < I, ein x ∈ M mit Iˆ < x ≤ I

M = N ⊆ R nicht nach oben beschränkt.

Gesetz von Archimedes: Zu x, y ∈ R, x, y > 0 existiert stets n ∈ N mit n ∗ x > y

Zu y ∈ R, y > 0 existiert n ∈ N : n > y folgt aus darüber mit x = 1

1
Zu jedem y ∈ R, y > 0 existiert n ∈ N mit n <y

1.3.10.1 Beweis
Sei Ŝ < S festgewählt.

Widerspruch-Annahme: es existiert kein x ∈ M : Ŝ < x ≤ S


⇒ für alle x ∈ M : x ≤ Ŝ ⇒ Ŝ obere Schranke
Widerspruch! zu S(> Ŝ Supremum (= kleinste obere Schranke)

Wid.-Ann.: N sei nicht obere Schranke.


Mit Vollständigkeit von R existiert S =supN
existiert n ∈ N mit S = S − 1 < n ≤ S ⇔ S < n + 1 ∈ N
S nicht einmal obere Schranke von N Widerspruch!

Wid.-Ann.: Archimedes falsch. ⇒ existiert (mind. 2) x, y ∈ R, x, y > 0


mit für alle n ∈ N : n ∗ x ≤ g ⇔ n ≤ xy , (x > 0)
⇒ xy ist obere Schranke von N

1.3.11 ohne Beweis

Es ist genau ein a ∈ R, a > 0 : a2 = 2

Zu jedem b ∈ R, 2
√b ≥ 0 gibt es genau ein a ∈ R, a ≥ 0 mit a = b
oder auch a = b

1.3.12 Rechenregeln und Ungleichungen für Absolutbetrag

Sehen a, b, ai , bi ∈ R, 1 ≤ i ≤ n

Analysis www.studiWI.de Seite 4/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

• |a| ≥ 0 für alle a ∈ R, |a| = 0 gdw. a = 0

• |a| = | − a|

• |a ∗ b| = |a| ∗ |b|
|a|
• | ab | = |b| , b 6= 0

• c ≥ 0 dann gilt |a| ≤ c ⇔ −c ≤ a ≤ c

• Dreiecks-Ungleichung |a + b| ≤ |a| + |b|

• |a| − |b| ≤ |a + b|
|b| − |a| ≤ |a + b|
||a| − |b|| ≤ |a + b|
Qn Qn
• |aP
1 ∗ a2 ∗ . . . ∗ an | = | i=1 ai | = i=1 |ai |
| ni=1 ai | = |a1 + a2 + . . . + an | ≤ |a1 | + |a2 | + . . . + |an | = ni=1 |ai |
P

1.3.12.1 Fall 3 |a ∗ b| = |a| ∗ |b|

• a, b ≥ 0 ⇒ |a| = a, |b| = b, |a ∗ b| = a ∗ b ⇒ |a ∗ b| = |a| ∗ |b|

• a ≥ 0, b ≤ 0 ⇒ |a| = a, |b| = −b, |a ∗ b| = −a ∗ b ⇒ |a ∗ b| = |a| ∗ |b|

• a ≤ 0, b ≥ 0 ⇒ |a| = −a, |b| = b, |a ∗ b| = −a ∗ b ⇒ |a ∗ b| = |a| ∗ |b|

• a ≤ 0, b ≤ 0 ⇒ |a| = −a, |b| = −b, |a ∗ b| = −a ∗ −b ⇒ |a ∗ b| = |a| ∗ |b|

1.3.12.2 Fall 4 b 6= 0 :
a = a ∗ bb = b ∗ ab
⇒ |a| = |b ∗ ab | = |b| ∗ | ab | ⇔ (|b| =
6 0(0))
|a| a
|b| = | b |

1.3.12.3 Fall 5 c ≥ 0:
⇒ Sei |a| ≤ c ⇒ für a ≥ 0:
|a| = a ≤ c, für a ≤ 0 : |a| = −a ≤ c ⇔ a ≥ −c(−c ≤ 0)
für a ≥ 0 ⇒ −c ≤ a ≤ c (−c ≤ 0)
für a ≤ 0 ⇒ −c ≤ a ≤ c (c ≥ 0)
⇒ −c ≤ a ≤ c∀a ∈ R

⇐ Sei −c ≤ a ≤ c
für a ≥ 0 |a| = a ≤ c
für a ≤ 0 −|a| = 0 ≥ −c ⇔ |a| ≤ c

1.3.12.4 Fall 6 beliebiges a ∈ R:


−|a| ≤ a ≤ |a| und −|b| ≤ b ≤ |b|
−|a| + −|b| ≤ a + b ≤ |a| + |b|
−||a| + |b|| ≤ a + b ≤ |a| + |b| ⇒ |a + b| ≤ |a| + |b|

Analysis www.studiWI.de Seite 5/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.3.12.5 Fall 7 a = a + 0 = (a + b) − b
⇒ |a| = |(a + b) − b| ≤ |a + b| + | − b| = |a + b| + |b| ⇔ |a| − |b| ≤ |a + b|

a↔b

nach Def. AB;


|a| - |b| ≤ |a + b|,falls |a| − |b| ≥ 0
||a| − |b|| =
|b| - |a| ≤ |a + b|,falls |a| − |b| ≤ 0

1.3.12.6 Fall P8 vollständige Induktion n ∈ N


I.A.: n = 1 : | 1i=1P ai | = |a1 | ≤ |a1 |
n+1
I.S.: n →
Pnn + 1 : | i=1 ai |
= |(Pi=1 ai ) + an+1 |
≤ |(P ni=1 ai )| + |an+1 |
≤ (P ni=1 |ai |) + |an+1 |
= n+1i=1 |ai |


1.3.12.7 Erweiterung:
p c2 = |c|
2
Insbesondere (a − b) = |a − b|
Beweis: c2 ≥ 0 ⇒ |c2 | = |c|2 ≥
√0 √
2 2
(b := c ) ⇒ b = |c| ⇒ |c| b = c2

1.3.13 Cauchy-Schwartz-Ungleichung

Pnm ∈ N und
Sei bi ∈ R, 1 ≤ iP≤ n
ai , P
( i=1 ai ∗ bi ) ≤ ( ni=i a2i ) ∗ ( ni=1 b2i )
2

(a1 ∗ b1 + a2 ∗ b2 + . . . + an ∗ bn )2 ≤ (a21 + a22 + . . . + a2n ) ∗ (b21 + b22 + . . . + b2n )


Pn 2
Pn Pn 2
Beweis: A = i=1 ai B= i=1 ai ∗ bi C= i=1 bi
B2 ≤ A ∗ C

1. Fall: A = 0 ⇒ ai = 0
für 1 ≤ i ≤ n ⇒ B = 0
⇒ 02 ≤ 0 ∗ C

2. Fall: A 6=P 0 Wegen A ≥ 0 ⇒ A > 0


gilt 0P≤ ni=1 (ai ∗ r + bi )2 für jedes r ∈ R
0 ≤ Pni=1 (a2i ∗ r2 + 2P ∗ ai ∗ r ∗ bi + b2i )
0 ≤ ni=1P (a2i ∗ r2 ) + ni=1P
Pn 2
(2 ∗ ai ∗ r ∗ bi ) + i=1 (bi )
2 n 2 n P n 2
0 ≤ r ∗ i=1 (ai ) + 2r ∗ i=1 (ai ∗ bi ) + i=1 (bi )
0 ≤ r2 ∗ A + 2r ∗ B + C
Also insbesondere: r = − B A
2
0≤ B A 2 ∗ A − 2 B
A ∗ B + C |∗A
0 ≤ B2 − 2 ∗ B2 + C ∗ A
0 ≤ −B 2 + C ∗ A
−B 2 ≤ C ∗ A

1.3.14 Satz

a, b, c ∈ R

• d(a, b) = |a − b| ≥ 0
d(a, b) = 0 gdw. a = b

Analysis www.studiWI.de Seite 6/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

• d(a, b) = d(b, a)

• d(a, b) ≤ d(a, c) + d(c, b)

Beweis für 3:
d(a, b) = |a − b| = |a − b + c − c|
= |(a − c) + (c − b)| ≤ |a − c| + |c − b|
= d(a, c) + d(c, b)

1.4 Funktionen mit Definitionsbereich


Seien f, g Funktionenmit Definitions-Bereichen Df , Dg ⊆ R
f : Df → R, g : Dg → R

f, g heißen gleich, gdw. Df = Dg und:


f (x) = g(x), ∀x ∈ Df = Dg = D
Beispiel:
f (x) = x2 Df = [−1, 1]
g(x) = x 2 Dg =] − 1, 1[
f 6= g

Sei D := Df = Dg
f + g auf D, definiert durch: (f + g)(x) = f (x) + g(x)
f (x) = x2 , g(x) = x + 1, D = R
(f + g)(x) = x2 + x + 1∀x ∈ D

f − g Funktionen auf D deffiniert durch: (f − g)(x) = f (x) − g(x)

f ∗ g Funktionen auf D deffiniert durch: (f ∗ g)(x) = f (x) ∗ g(x)


f (x)
f /g Funktionen auf D deffiniert durch: (f /g)(x) = g(x) falls g(x) 6= 0

1.4.1 Beispiele

f (x) = x2 , g(x) = x − 1, D = R
f f x2
g : R − 1 → Ri ( g )(x) = x−1 x 6= 1

1.5 Grenzwertbegriff
f : [1, ∞[→ R definiert durch: f (x) = 2 + x3 , Df = [1, ∞[
f (1) = 5, f (3) = 3, f (6) = 2, 5, f (10) = 2, 3, f (10−6 ) = 2 + 3 ∗ 10−6
für große x ∈ Df nähert sich f (x) der Zahl 2, dem Abstand von f (x) zu 2:
d = |f (x) − 2| = |2 + x3 − 2| = | x3 | = x3

Phänomen: Abstand beliebig klein gemacht werden, z.B. kleiner als 1

Frage: Wie muss x entsprechend gewählt werden?


d = x3 < 1 ⇔ x > 3
kleiner als 10−6 ?

d = x3 < 10 6 = 1016
⇔ x > 3000000

Analysis www.studiWI.de Seite 7/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.1 Grenzwert für x → ∞

Sei f : Df → R mit Df = [a, ∞[ bzw. Df =]a, ∞[ (a ↔ −∞)a ∈ R


G ∈ R heißt Grenzwert (GW) von f für x gegen ∞, falls es zu jedem E ∈ R, E > 0, ein A(E) ∈ R gibt
, so dass:
|f (x) − G| < E
∀x ∈ Df mit x > A(E)
limx→∞ f (x) = G f (x) → G, x → ∞

1.5.2 Version für Folgen

eine Funktion f : N0 → R Df = N0 heißt Folge.


Schreibweise: f (1) = a1 , f (2) = a2 , f (3) = a3 , . . . , f (n) = an

G ∈ R heißt Grenzwert der Folge (an ) für n gegen ∞ falls zu jedem E > 0 ein A(E) ∈ R existiert,
so dass:
|an − G| < E, ∀n ∈ N0 mit n > A(E)
Schreibweise: limn→∞ an = G

1.5.2.1 Beispiel an = a konstante Folge


Grenzwert = a =GW(0, 5)
Denn: |an − a| = |0| = 0 < E(E > 0)
A(E) = 0

1
1.5.2.2 Beispiel an = n nähert sich der 0 von 1
(1, 21 , 13 , 41 , 15 , . . .)

Grenzwert = 0 =(GW)
|an − 0| = | n1 | = n1 < E ⇔ n > 1
E =: A(E)

n
1.5.2.3 Beispiel an = n+1 ∈R nähert sich der 1 von 0
( 12 , 23 , 43 , 45 , 56 , . . .)

Grenzwert = 1 =(GW)
n
|an − 1| = | n+1 − 1| = | n−(n+1) −1
n+1 | = | n+1 | =
1
n+1 < E(E > 0)
⇔ 1 < En + E
⇔ 1−E
E <n
⇔ n > 1−EE =: A(E)

1.5.2.4 Beispiel Fibonacci-Folge impliziert definiert durch Rekursion (a0 = 0)


a1 = 1, a2 = 1
an = −1 + an − 2 (n ≥ 3)
= (1, 1, 2, 3, 4, 5, 8, . . .)

Mann kann zeigen:



nte Fibonacci-Zahl

(an ) explizit gegeben:
1 1+ 5 n 1− 5 n
an = √5 ∗ [( 2 ) − ( 2 ) ]
√ √
an = √1
5
∗ ( 1+2 5
− 1− 5
2 ) =1

1.5.2.5 Beispiel Fibonacci-Folge divergent (d.h. nicht konvergent, GW 6 ∃


a1 = 1, a2 = 1 an = an−2 + an−1
Denn: zeige mit vollständige Induktion an+1 ≥ n
d.h. Folge nicht beschränkt ⇒ Folge Divergent

Analysis www.studiWI.de Seite 8/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.3 Grenzwert von f , für x → −∞

f Funktion mit Df = (−∞, a] oder Df = (−∞, a) (hier auch a → +∞) G heißt Grenzwert (GW) von
f (x) für x gegen −∞.
Schreibweise limx→−∞ f (x) = G, f (x) → G, x → −∞
falls ∀E > 0 existiert A(E) ∈ R : |f (x) − G| < E∀x ∈ Df : x < A(E)

1.5.4 Beschränktheit von Folgen

Folge (an ) ≤ R, d.h. Definition der Beschränktheit von Mengen auf Folgen übergeben.

1.5.5 Konvergent

Jede konvergente Folge, d.h. ihr GW existiert (n → ∞), ist beschränkt.

1.5.6 keine Umkehrung

Umkehrung gilt im allgemeinen nicht.


z.B. an = (−1)n
an beschränkt, denn an ≤ 1∀n, aber nicht konvergent und an ≥ −1∀n

1.5.7 Grenzwerte von Funktionen

f Funktion und x0 ∈ R
Df enthalte Umgebung von x0 , wobei nicht notwendig x0 ∈ Df .
G heißt GW von f (x) für x gegen x0 , falls ∀E > 0∃δ(E, x0 ) mit |f (x) − G| < E∀x ∈ Df , o < |x − x0 | <
δ(E, x0 ), (x 6= x0 )
Schreibweise: limx→x0 f (x) = G oder f (x) → G für x → x0
h-Umgebung von x0 : h > 0
Uh (x0 ) = {x ∈ R : |x − x0 | ≤ h}
−h ≤ x − x0 ≤ h ⇔ x0 − h ≤ x ≤ x0 + h
Uh (x0 ) = Uh (x0 )\{x0 }

1.5.8 äquivalente Fassung der Stetigkeit

Sei f Funktion mit Df ⊆ R, Uh < xo ⊆ Df


f stetig in x0 , falls zu jedem E > 0∃δ(E, xo ) > 0 mit |f (x) − f (x0 )| < E
∀x ∈ Df mit |x − x0 | < δ(E, x0 )
Stetigkeit von f in x0 : limx→x0 f (x) = f (x0 )

1.5.8.1 Beispiel

f : (0, ∞) → R : f (x) = x

Behauptung: limx→x0 f (x) = x0 für jedes fest gewählte x0 ∈ Df
√ √
Denn:
√ √
|f (x) − G| = | x − x0 |
x+ x √ √
= | √x+√x0 ∗ ( x − x0 )|
√ √0 √ √
( x+ x0 )∗( x− x0 )
= | √ √
x+ x0
|
√ 2 √ 2
x − x
= | √x+√x0 |
0
= | √x−x√0 | < | x−x
x+ x0
√ 0 | = √1
x0 ∗ |x − x0 |
x0

⇔ |x − x0 | < x0 ∗ E =: δ(E, x0 )

Analysis www.studiWI.de Seite 9/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.8.2 Beispiel
f : (0, 1) → R : f (x) = x2 x0 = 1 Df = (0, 1) ∪ (1, 2)
Behauptung: limx→x0 f (x) = 1
E
Denn: |f (x) − 1| = |x2 − 1| = |(x + 1) ∗ (x − 1)| = |x + 1| ∗ |x − 1| < 2|x − 1| < E ⇔ |x − 1| < 2 = δ(E, 1)

1.5.8.3 Beispiel
f : R → R : f (x) = 1(wenn x ≥ 0) ∨ 0(wenn x < 0)
Behauptung: limx→x0 f (x) 6 ∃

Denn Widerspruchsannahme: GW existiert doch limx→x0 f (x) = G ∈ R


D.h. zu jedem E > 0∃δ(E, 0) > 0
|f (x) − G| < E∀x ∈ R\{0} ∧ |x − 0| < f (E, 0)

Es ist: |f (x) − G| = |1 − G|(wenn x ≥ 0) ∨ |G|(wenn x < 0) da:


|f (x) − G| = |1 − G| < E∀δ(E, 0) > x > 0
⇒1−G=0
|f (x) − G| = |G| < E∀δ(E, 0) < x < 0
⇒G=0
⇒ 1 = 0 Widerspruch
⇒ Widerspruchsannahme falsch also GW 6 ∃

Denn Widerspruchsannahme : G 6= 0 ⇒ 12 ∗ |a| > 0


Setze speziell E := 12 ∗ |a| > 0 nach Voraussetzung: |a| < E0 = 1
2 ∗ |a|
⇒ 12 ∗ |a| < 0 Widerspruch! ⇒ a = 0

1.5.9 Rechenregeln für Grenzwert x → x0

Seien f, g Funktionen D = Df = Dg , x0 ∈ R
Uh (x) ⊆ D (h > 0)
Seien limx→x0 f (x) = F, limx→x0 g(x) = G
Dann haben die Funktionen
f + g limx→x0 (f + g)(x) = F + G = (limx→x0 f (x)) + (limx→x0 g(x))
f − g limx→x0 (f − g)(x) = F − G = (limx→x0 f (x)) − (limx→x0 g(x))
f ∗ g limx→x0 (f ∗ g)(x) = F ∗ G = (limx→x0 f (x)) ∗ (limx→x0 g(x))
f /g limx→x0 (f /g)(x) = F/G = (limx→x0 f (x))/(limx→x0 g(x))
|f | limx→x0 |f |(x) = |F | = | limx→x0 f (x)|

1.5.10 analoge Rechenregeln

gelten für GW x → +∞ und −∞

1.5.11 Stetigkeit von Funktionen

f : Df → R sei Funktion Uh (x0 ) ≤ Df


f heißt stetig in x0 , falls limx→x0 f (x) = f (x0 ) = f (limx→x0 x)
GW und f vertauschen

1.5.11.1 Beispiel

x = f (x) D = (0, ∞)
√ √f
limx→x0 x = x0 ∀x0 ∈ Df

Analysis www.studiWI.de Seite 10/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1.5.12 Unstetigkeit von Funktionen

Funktion f heißt unstetig in x0 , falls f nicht stetig zu x0 ist.


Dies kann aus 2 Gründen der Fall sein:

• limx→x0 f (x) 6 ∃

• limx→x0 f (x) = G ∈ R, aber G 6= f (x)

1.5.12.1 Beispiel
f : R → R und für f (x) gilt: bei x 6= 1: x und bei x = 1: 2
limx→1 f (x) = 1 6= f (1) = 2
d.h. nicht stetig zu x0 = 1

1.5.13 Rechenregeln für Stetigkeit

Seien f, g Funktionen D = Df = Dg , x0 ∈ R, Uh (x0 ) ⊆ D, h > 0


Seien f, g stetig in x0 . Dann sind auch:
f + g, f − g, f ∗ g, f /g, falls g(x) 6= 0, |f |
jeweils in x0 stetige Funktion.

1.5.14 Stetigkeit von f in Intervallen

Sei f Funktion Df = I
I beliebiges Intervall (z.B. (a, b), [a, b], (−∞, b)) dann heißt:
1. f stetig in I, falls zu jedem E > 0∃δ(E, x0 ) > 0, sodass (x ↔ x0 )
|f (x) − f (x0 )| < E∀x, x0 ∈ I
für die gilt: |x − x0 | < δ(E, x0 )

2. f gleichmäßig stetig in I, falls zu jedem E > 0∃δ(E) > 0 (unabhängig von x0 ), sodass
|f (x) − f (x0 )| < E∀x, x0 ∈ I mit |x − x0 | < δ(E, x0 )

(1.) ⇒ (2.), d.h. in I gleich stetige Funktion ist in I stetig (trivial).


Falls I = [a, b] abgeschlossen .

1.5.15 5.46

Sei f ∈ I = [a, b] definiert und stetig, dann ist f ∈ I gleich stetig

1.5.15.1 Beispiel I = [−2, 1]f (x) = x2


f (x) gleich stetig zu I denn: Seien x, x0 ∈ I beliebig
|f (x) − f (x0 )| = |x2 − x02 | = |(x + x0 ) ∗ (x − x0 )| = |x + x0 | ∗ |x − x0 |
≤ (|x| + |x0 |) ∗ |x − x0 | |x| ≤ 2 ≥ |x0 |
≤ (2 + 2) ∗ |x − x | = 4 ∗ |x − x0 | < E
0

gdw. x, x0 ∈ I : |x − x0 | < E4 = δ(E)

1.5.15.2 Beispiel f (x) = x1 I = (0, 1)


f0 (x) = 1 stetig in jedem x0 ∈ I g0 (x) = x stetig in jedem x0 ∈ I
f0 1
⇒ ( g0 )(x) = f (x) = x stetig in I aber nicht gleich stetig.

Denn Widerspruchsannahme x1 ∈ I gleich stetig.


Dann gibt es insbesondere z E = 1 > 0 ein δ(1) > 0 mit:
|f (x) − f (x0 )| = | x1 − x10 | < 1, ∀x, x0 ∈ I : |x − x0 | < δ(1)

Analysis www.studiWI.de Seite 11/ 12


WI - B05 - Mathematik für Wirtschaftsinformatiker

1 1
U0 ≥ 1 ⇒ U02 ≥ U0 ⇒ U02
≤ U0 < δ(1)
x = U10 x0 = U01+1
|x − x0 | = | U10 − U01+1 |
| UU00∗(U
+1−U0
0 +1)
|
= U 2 +U < U12
1
< δ(1)
0 0 0

Andererseits: |f (x) − f (x0 )| = |U0 − U0 + 1| = ist ein Widerspruch zum Widerspruchsbeweis ⇒ f


nicht gleich stetig.


1.5.15.3 Beispiel √ f =I√ = R mit f (x) = 1 + x2 gleich stetig
0
f (x) − f (x )| = | 1 + x − 1 + x02 |
2

√ √
2 + 1+x02 √ √ (1+x2 )−(1+x02 ) (x+x0 )∗(x−x0 )
= | √1+x 2

1+x + 1+x 02
∗ ( 1 + x 2 − 1 + x02 )| = | √
2

1+x + 1+x 02
| = | √ √
1+x2 + 1+x02
|
|x|+|x0 | |x0 |
= √ √
1+x2 + 1+x02
∗ |x − x0 | = ( √1+x2|x|

+ 1+x02
+ √
1+x2 +

1+x02
) ∗ |x − x0 |
|x| |x0 |

= ( √1+x 2
+ √1+x 02
) ∗ |x − x0 | x2 = |x|
q q
x2 x02
= ( 1+x 2 ∗ 1+x02
) ∗ |x − x0 | ≤ 2 ∗ |x − x0 | < E

⇔ gdw. x, x0 ∈ I |x − x0 | < E
2 = δ(E)

Nebenrechnung:
x2 2 +1−1 x2 +1
1+x2
= x 1+x 2 = 1+x2
− 1
1+x2
=1− 1
1+x2
≤1
x2
⇔ 1+x2
<1
q
x2

⇔ 1+x2
≤ 1=1

1.5.16 Wichtige Aussage über stetige Funktionen

Sei f : Df → R, Df = [a, b], (a < b) und f stetig in [a, b] dann:


Bild f = {f (x) : x ∈ Df } ist beschränkt, d.h. ∃C > 0
|f (x)| ≤ C∀x ∈ Df

max Bild f ∃
max Bild f ∃

Zwischenwertsätze:
Sei f (a) < f (b) und δ ∈ (f (a), f (b) ⊆ R dann ∃x0 ∈ Df : f (x0 ) = δ

Analysis www.studiWI.de Seite 12/ 12