Deiser - Einführung in Die Mathematik 2.1 - 220225

Oliver Deiser
Einführung in die Mathematik 2.1
Elementare Zahlentheorie und Graphentheorie
für Caroline, Thalia und Larina

Inhalt
Vo r w o r t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1. Abschnitt Elementare Zahlentheorie . . . . . . . . . . . . . . . 7
1. Teilbarkeit und Kongruenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Die ganzen Zahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Teiler und Vielfache . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Die Kongruenzrelation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Teilbarkeitsregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2. Primzahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Primzahlen und zusammengesetzte Zahlen . . . . . . . . . . . . . . . . . 28
Der Unendlichkeitssatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Die Primfaktorzerlegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Fragen über Primzahlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3. Der größte gemeinsame Teiler . . . . . . . . . . . . . . . . . . . . . . . . . . 45
ggT und kgV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Der Euklidische Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
Kettenbrüche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Linearkombinationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Der Chinesische Restsatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
© Oliver Deiser Einführung in die Mathematik 2.1

2 Inhalt
4. Die Eulersche ϕ-Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Die Kürzungsregel für Kongruenzen . . . . . . . . . . . . . . . . . . . . . . 64
Die ϕ-Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Vollständige und reduzierte Restsysteme . . . . . . . . . . . . . . . . . . . 68
Multiplikativität und Berechnungsformel . . . . . . . . . . . . . . . . . . . 72
Multiplikative zahlentheoretische Funktionen . . . . . . . . . . . . . . . 75
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5. Kongruenzen ersten Grades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Die Sätze von Euler und Fermat . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Lösen von Kongruenzen ersten Grades . . . . . . . . . . . . . . . . . . . . 86
Einsatz des Euklidischen Algorithmus . . . . . . . . . . . . . . . . . . . . . 90
Primzahlen modulo vier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6. Exkurs: Das RSA-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

Zielsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Beschreibung des Verfahrens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2. Abschnitt Graphentheorie . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
1. Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Der allgemeine Begriff eines Graphen . . . . . . . . . . . . . . . . . . . . . 102
Einfache Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Darstellungen für Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Grundbegriffe der Graphentheorie . . . . . . . . . . . . . . . . . . . . . . . . 108
Vollständige Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Bipartite Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Kreise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Teilgraphen und Untergraphen . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
2. Kantenzüge und Wege . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Wanderungen in einem Graphen . . . . . . . . . . . . . . . . . . . . . . . . . 124
Erreichbarkeit und Zusammenhang . . . . . . . . . . . . . . . . . . . . . . . 126
Brücken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Der Abstand zweier Ecken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3. Isomorphe Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Der Isomorphiebegriff . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
Eigenschaften von isomorphen Graphen . . . . . . . . . . . . . . . . . . . 144
Die Frage nach der Isomorphie . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
Einteilung in Isomorphieklassen . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Einführung in die Mathematik 2.1 © Oliver Deiser

Inhalt 3
4. Euler-Züge und Hamilton-Kreise . . . . . . . . . . . . . . . . . . . . . . . . 153

Eulersche Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
Der Algorithmus von Hierholzer . . . . . . . . . . . . . . . . . . . . . . . . . 158
Kreiszerlegungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Weitere Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Hamilton-Kreise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Entscheidungsprobleme und Komplexitätsklassen . . . . . . . . . . . . 167
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5. Bäume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Bäume und Wälder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Aufspannende Bäume und Breitensuche . . . . . . . . . . . . . . . . . . . . 180
Anwendungen der Breitensuche . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Die Tiefensuche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
Optimale Grenzkanten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6. Gewichtete Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

Kantengewichte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
Der Algorithmus von Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Der Algorithmus von Floyd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Der Algorithmus von Kruskal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
Greedy-Algorithmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
7. Planare Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Planare Graphen und ihre Darstellungen . . . . . . . . . . . . . . . . . . . 214
Polyedergraphen und Platonische Körper . . . . . . . . . . . . . . . . . . 218
Die Eulersche Polyederformel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Anwendungen der Polyederformel . . . . . . . . . . . . . . . . . . . . . . . . 223
Der Vierfarbensatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
Prismen und Archimedische Körper . . . . . . . . . . . . . . . . . . . . . . . 228
Verletzungen der Polyederformel . . . . . . . . . . . . . . . . . . . . . . . . . 235
Übungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
A n h ä n g e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
1. Logik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Logische Zeichen im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Aussagenlogische Formeln und Tautologien . . . . . . . . . . . . . . . . . 244
Prädikatenlogische Formeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Quantorenregeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Zur Bedeutung der Formalisierung . . . . . . . . . . . . . . . . . . . . . . . . 252
2. Mengen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Teilmengen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
Komprehensionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Boolesche Mengenoperationen . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Allgemeine Mengenoperationen . . . . . . . . . . . . . . . . . . . . . . . . . . 258

4 Inhalt
3. Relationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
4. Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Abbildungseigenschaften von Funktionen . . . . . . . . . . . . . . . . . . 262
Monotonie-Eigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
Bild und Urbild . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Umkehrfunktion, Verknüpfung, Einschränkung . . . . . . . . . . . . . 264
Die Folgennotation einer Funktion . . . . . . . . . . . . . . . . . . . . . . . . 265
Transformationen und Operationen . . . . . . . . . . . . . . . . . . . . . . . 266
Mächtigkeiten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
5. Varianten der Induktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

Die vollständige Induktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Starke Induktion oder Wertverlaufsinduktion . . . . . . . . . . . . . . . 271
Das Prinzip vom kleinsten Element . . . . . . . . . . . . . . . . . . . . . . . 273
Das Prinzip vom unendlichen Abstieg . . . . . . . . . . . . . . . . . . . . . . 275
Rekursives Definieren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
Übungen zur Induktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 278
6. Symbolverzeichnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
7. Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283

Vorwort
Der vorliegende zweiteilige Band ist die Fortsetzung meiner Einführung in die
Wissenschaft der Mathematik für das Fach und das Lehramt an Gymnasien. Wie
im Vorwort des ersten Bandes beschrieben kann er parallel oder im Anschluss an
den ersten Band gelesen und in der Lehre verwendet werden.
In die Gestaltung der beiden Bände sind viele Erfahrungen von Studentinnen
und Studenten eingeflossen, die mit den ersten Versionen des Werks gearbeitet
haben. Damit wird der Text seinem Ziel, Brücken sowohl in Richtung Schule als
auch zum weiteren Studium der Mathematik zu schlagen, hoffentlich noch bes-
ser gerecht.
Erneut möchte ich mich bei allen Leserinnen und Lesern für ihre zahlreichen
Rückmeldungen herzlich bedanken.
München, im Juni 2018
Oliver Deiser

1. Abschnitt
Elementare Zahlentheorie

1. Teilbarkeit und Kongruenzen
Den Ausgangspunkt unserer zahlentheoretischen Untersuchungen bildet der

aus der Grundschule bekannte Begriff der Teilbarkeit. Er lässt sich nicht nur auf
den natürlichen, sondern allgemeiner auf den ganzen Zahlen erklären, was sich
im Verlauf der Darstellung als vorteilhaft erweisen wird. Die Division mit Rest
führt uns zu einer der wichtigsten Relationen der Zahlentheorie, der Kongruenz
modulo eines Divisors.

10 1. Abschnitt Elementare Zahlentheorie
Die ganzen Zahlen
Wir betrachten die folgenden Zahlbereiche:

N = { 0, 1, 2, 3, … } (natürliche Zahlen)
N* = { 1, 2, 3, … } (positive natürliche Zahlen)
Z = { …, −3, −2, −1, 0, 1, 2, 3, … } (ganze Zahlen)
Diese Zahlstrukturen sind mit den Operationen der Addition und Multiplikation
ausgestattet. In den ganzen Zahlen können wir zudem frei subtrahieren. Obwohl
wir uns in der Zahlentheorie hauptsächlich für die natürlichen Zahlen interessie-
ren, bevorzugen wir − der freien Subtraktion wegen − die ganzen Zahlen als un-
ser „Grunduniversum“. Wir vereinbaren deswegen:
Konvention
Im Folgenden bezeichnen a, b, c, d, …, n, m, … ganze Zahlen, wenn nichts
anderes gesagt wird.
Die ganzen Zahlen sind mit einer linearen Ordnung ausgestattet: Für je zwei
Zahlen a, b gilt a ≤ b oder b ≤ a. Es gelten die bekannten Regeln, etwa
a ≤ b und b ≤ c impliziert a ≤ c,
a ≤ b und b ≤ a genau dann, wenn a = b,
a ≤ b genau dann, wenn −b ≤ −a.
In der Zahlentheorie werden zwar auch Eigenschaften von speziellen Darstel-
lungen von Zahlen untersucht − etwa: n ist genau dann durch 3 teilbar, wenn die
Quersumme von n in Dezimaldarstellung durch 3 teilbar ist −, im Zentrum steht
aber ein darstellungsfreier Blick auf die Zahlen. Hierzu ist eine Zahlengerade
nützlich:
• • • • • • • • • • •
… −3 −2 −1 0 1 2 3 …
Die Dezimalzahlen − oder andere Systeme − fassen wir eher als Namen für die
Elemente der Zahlengeraden auf und nicht als die Elemente selbst. Die Ele-
mente, hier visualisiert durch Punkte, müssen wir gar nicht genau definieren, da
wir uns letztendlich nur auf arithmetische Eigenschaften stützen. Dies soll nicht
heißen, dass eine mengentheoretische oder algebraische Konstruktion der Zahl-
bereiche uninteressant oder unwichtig wäre; eine solche Konstruktion ist aber
für unsere Ziele nicht nötig.
Eine Zahlengerade aus Punkten eignet sich für viele Visualisierungen von
zahlentheoretischen Begriffsbildungen:

1. Teilbarkeit und Kongruenzen 11
Beispiele
(1) Die ganzzahligen Vielfachen der 3 erhalten wir, indem wir die
Zahlengerade von dem ausgezeichneten Element 0 aus startend in
Dreiersprüngen nach links und rechts durchlaufen.
(2) Starten wir bei der 2 anstelle der 0 in Dreiersprüngen, so erhalten wir
alle ganzen Zahlen, die bei Division durch 3 den Rest 2 hinterlassen:
…, −7, −4, −1, 2, 5, 8, …
Damit ist anschaulich geworden, dass −1 bei Division durch 3 den Rest
2 besitzt und nicht etwa 1. Der Rest von a bei Division durch 3 ist
erklärt als nach links gemessener Abstand von a zu einem Vielfachen
der 3. Der Messpunkt von a = −1 ist −3.
Derartige Überlegungen unterstützen Vorstellungen, die bei der Aneignung

der mathematischen Theorie hilfreich sein können: Die ganzen Zahlen, die bei
der Division durch eine gegebene Zahl m ≥ 1 den gleichen Rest besitzen, bilden
eine gleichmäßige Folge in den ganzen Zahlen, eine beidseitig unendliche arith-
metische Progression. Diese Folge entsteht durch eine Verschiebung (Transla-
tion) der ganzzahligen Vielfachen von m.
Neben der Zahlengeraden sind Visualisierungen mit Zählsteinen hilfreich:
Wir betrachten dabei eine Zahl n ≥ 1 als zunächst ungeordnete Ansammlung
(Aggregat) von n Zählsteinen. Diese Zählsteine können wir geometrisch anord-
nen. Gelingt zum Beispiel eine Anordnung als Quadrat, so ist n eine Quadratzahl,
also eine der Zahlen 1, 4, 9, 16, … Gelingt eine Anordnung als Rechteck, in dem
jede Seite mindestens die Länge 2 besitzt, so ist n eine zusammengesetzte Zahl.
Gelingt keine derartige Rechtecksanordnung und ist zudem n ≥ 2, so ist n eine
Primzahl. Primzahlen sind also Zahlen − aufgefasst als Ansammlungen von Zähl-
steinen − die sich nur als Linie und nicht als „echtes“ Rechteck anordnen lassen.
Dass dabei die 1 nicht als Primzahl gilt, ist eine Konvention, die wir bei der Dis-
kussion der Primfaktorzerlegung begründen werden.
Beispiel
Mit Hilfe von Zählsteinen lässt sich beispielsweise die Quadratzahl 4 und
die Rechteckszahl 12 so visualisieren:
• • • • • •
• • • • • •
• • • •
Natürlich könnte man die 12 als auch Rechteck mit den Seitenlängen 2 und
6 darstellen. Sieben Zählsteine lassen sich dagegen nicht als echtes
Rechteck anordnen, 7 ist eine Primzahl.

Teiler und Vielfache
Die grundlegende Begriffsbildung dieses Kapitels ist:
Definition (Teilbarkeit, Teiler, Vielfaches)

Eine Zahl a heißt teilbar durch eine Zahl d, falls es ein k gibt mit a = k d.
Die Zahl d heißt dann ein Teiler von a und a ein Vielfaches von d.
In Zeichen schreiben wir d | a [ gelesen: d teilt a ].
Beispiele
±2| ±10, ±2 | 10, 0 | 0, 1| 0, −1| 0, nicht(3 | 10), nicht(0| 1).
±
a positive Teiler d von a Anzahl τ(n)

1 1 1
2 1, 2 2
3 1, 3 2
4 1, 2, 4 3
5 1, 5 2
6 1, 2, 3, 6 4
7 1, 7 2
8 1, 2, 4, 8 4
9 1, 3, 9 3
10 1, 2, 5, 10 4
11 1, 11 2
12 1, 2, 3, 4, 6, 12 6
13 1, 13 2
14 1, 2, 7, 14 4
15 1, 3, 5, 15 4
16 1, 2, 4, 8, 16 5
17 1, 17 2
18 1, 2, 3, 6, 9, 18 6
19 1, 19 2
20 1, 2, 4, 5, 10, 20 6
21 1, 3, 7, 21 4
22 1, 2, 11, 22 4
23 1, 23 2
24 1, 2, 3, 4, 6, 8, 12, 24 8
25 1, 5, 25 3
26 1, 2, 13, 26 4
27 1, 3, 9, 27 4
28 1, 2, 4, 7, 14, 28 6
29 1, 29 2
30 1, 2, 3, 5, 6, 10, 15, 30 8

10
-5
-10
-10 -5 0 5 10
Eine Visualisierung der Teilbarkeitsrelation: In der Graphik sind alle Paare

(d, a) P Z2 mit |d|, |a| ≤ 10 als Punkte eingezeichnet, für die d | a gilt.
Für jedes d und a lassen sich anhand der Senkrechten durch (d, 0) alle Vielfachen
von d und anhand der Waagrechten durch (0, a) alle Teiler von a ablesen.
100
50
-50
-100
-100 -50 0 50 100
Die Vergrößerung des Bereichs zeigt die Struktur der Teilbarkeitsrelation

Die wichtigsten elementaren Eigenschaften der Teilbarkeitsrelation auf den

ganzen Zahlen versammelt der folgende Satz.
Satz (Eigenschaften der Teilbarkeit)

Für alle a, b, c, d, e, n, m gilt:
(T1) a |a, 1|a, a|0,
0 | a genau dann, wenn a = 0,
d | a genau dann, wenn |d| | |a|,
(T2) d | a und a | d genau dann, wenn |d| = |a|,
(T3) d | a und a ≠ 0 impliziert |d| ≤ |a|,
(T4) e | d und d | a impliziert e | a,
(T5) d | a impliziert d | (ab) und (nd) | (na),
(T6) (ca) | (cb) und c ≠ 0 impliziert a | b,
(T7) d | a und d | b impliziert d | (na + mb).
Der Beweis kann dem Leser zur Übung überlassen bleiben.

Die letzte Eigenschaft ist in Anwendungen besonders wichtig. Wir definieren
hierzu:
Definition (Linearkombination)
Eine Zahl c heißt eine Linearkombination (in Z) von a und b, falls n, m
existieren mit c = n a + mb.
Wir weisen nochmal darauf hin, dass n und m nach unserer Vereinbarung auch
negativ sein können. In Linearkombinationen sind ausdrücklich auch negative
Koeffizienten n und m zugelassen.
Die Eigenschaft (T7) besagt nun einfach: Ein Teiler zweier Zahlen ist auch ein
Teiler jeder Linearkombination der beiden Zahlen.
Beispiele
13 = 2 ⋅ 4 + 1 ⋅ 5, 12 = 3 ⋅ 4 + 0 ⋅ 5,
0 = 0 ⋅ 4 + 0 ⋅ 5, − 1 = 1 ⋅ 4 − 1 ⋅ 5 = 1 ⋅ 4 + (−1) ⋅ 5.
Ein grundlegendes Ergebnis ist:
Satz (Division mit Rest)

Seien a, d ganze Zahlen mit d ≥ 1. Dann gibt es eindeutige q und r mit
a = q d + r, 0 ≤ r < d.
Weiter gilt r = 0 genau dann, wenn d | a.

Beweis
zur Existenz:
Sei q die größte ganze Zahl mit q d ≤ a (bestmögliche Annäherung von
links an a mit Schrittweite d). Weiter sei r = a − qd. Dann gilt r ≥ 0 und
a = qd + a − qd = qd + r.
Nach maximaler Wahl von q ist (q + 1)d > a, sodass d > a − qd = r.
Damit sind q und r wie gewünscht.
zur Eindeutigkeit:
Seien q1 , q2 , r1 , r2 ganze Zahlen mit
a = q1 d + r1 = q2 d + r2 mit 0 ≤ r1 ≤ r2 < d.
Dann gilt
r2 − r1 = (q1 − q2 ) d,
sodass r2 − r1 ein Vielfaches von d ist. Wegen 0 ≤ r1 ≤ r2 < d gilt aber
0 ≤ r2 − r1 ≤ d − 1. Damit ist notwendig r2 − r1 = 0, da die 0 das einzige
Vielfache von d im Intervall von 0 bis d − 1 ist. Folglich ist r1 = r2 . Aus
0 = r2 − r1 = (q1 − q2 ) d
ergibt sich nun wegen d ≠ 0, dass q1 = q2 .
Definition (Quotient, Rest)

Gilt a = q d + r mit 0 ≤ r < d, so heißt q der Quotient und r der Rest der
Division von a durch d.
Beispiele
10 = 3 ⋅ 3 + 1, 10 = 2 ⋅ 5 + 0, 10 = 0 ⋅ 18 + 10,
4 = 0 ⋅ 5 + 4, −4 = (−1) ⋅ 5 + 1, 23 = 4 ⋅ 5 + 3, −23 = (−5) ⋅ 5 + 2.
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 1 2 3 4 5 6 7 8 9 10
Der Rest der Division durch 5 dargestellt als Funktion von Z nach { 0, …, 4 }

Die Kongruenzrelation
Wir betrachten nun Zahlen, die bei der Division durch einen Divisor d ≥ 1 den
gleichen Rest haben und in diesem Sinne „ähnlich“ oder „verwandt“ sind. Eine
wichtige Beobachtung hierzu ist:
Satz (Charakterisierung von „gleicher Rest“)

Sei d ≥ 1. Dann haben zwei Zahlen a und b bei Division durch d genau
dann den gleichen Rest, wenn ihre Differenz a − b durch d teilbar ist.
Beweis
Seien a = q1 d + r1 , b = q2 d + r2 die Divisionen mit Rest von a und b
durch d. Dann gilt
a − b = (q1 − q2 ) d + r1 − r2 mit −d < r1 − r2 < d.
Aus dieser Darstellung lässt sich die Äquivalenz ablesen.
Die Eigenschaften „gleicher Rest bei Division durch d“ und „die Differenz ist
durch d teilbar“ sind nach dem Satz äquivalent, die zweite Eigenschaft erweist
sich aber als leichter zu handhaben. Wir bevorzugen sie deswegen in der folgen-
den Definition, die eine der wichtigsten Begriffsbildungen der Zahlentheorie
beinhaltet.
Definition (Kongruenz, modulo)

Sei d ≥ 1. Zwei Zahlen a und b heißen kongruent modulo d, falls d | (a − b).
In Zeichen schreiben wir
a ; b mod(d) [ gelesen: a kongruent b modulo d ].
Statt d für „Divisor“ schreiben wir im Folgenden zumeist m für „Modul“. Der
Begriff geht auf das lateinische Wort „modulus“ für „Maß“ zurück. „Modulo“
bedeutet „mit dem Maß“. Die Relation a ; b mod(m) besagt also, dass a und b
kongruent/gleichwertig/äquivalent sind, wenn sie mit dem Maß m gemessen
werden. Die Verwendung des geometrischen Begriffs der Kongruenz (Überein-
stimmung in Sinne der Deckungsgleichheit) lässt sich so erklären: Zwei Zahlen
a und b sind genau dann kongruent, wenn sie durch Verschiebungen in der
Schrittweite m zur Deckung gebracht werden. Denn der Abstand der Zahlen ist
im Fall der Kongruenz (und nur dann) ein Vielfaches von m.
Wir führen noch alternative Notationen ein:
Notation
Wir schreiben statt a ; b mod(m) auch
a ; b (m) oder a ;m b.

Beispiele
(1) 4 ; 9 (5), 4 ; 4 (5), 4 ; −1 (5).
(2) 0 ; −20 (5), 1 ; −19 (5), 2 ; −18 (5), −1 ; −21 (5).
(3) Da jede ganze Zahl ein Vielfaches der 1 ist, sind je zwei Zahlen
kongruent modulo 1, d. h.:
Für alle a, b gilt a ; b (1).
Die Kongruenz modulo 1 sieht also alle ganzen Zahlen als gleichwer-
tig/äquivalent an.
(4) Für alle a, b gilt:

a ; b (2) genau dann, wenn a und b haben die gleiche Parität.
Dabei haben a und b die gleiche Parität, wenn a und b beide gerade
oder beide ungerade sind.
Leicht zu zeigende Eigenschaften der Kongruenz sind:
Satz (Eigenschaften der Kongruenz, I)

Sei m ≥ 1. Dann gilt für alle ganzen Zahlen a, b, c:
(a) a ; a (m), (Reflexivität)
(b) a ; b (m) impliziert b ; a (m), (Symmetrie)
(c) a ; b (m) und b ; c (m) impliziert a ; c (m). (Transitivität)
Eine Relation , auf einer Menge M, die drei Eigenschaften des Satzes erfüllt
(mit a , b statt a ; b (m)), heißt eine Äquivalenzrelation auf M. Der Satz besagt
also, dass für jede Zahl m ≥ 1 die Relation ;m eine Äquivalenzrelation auf den
ganzen Zahlen ist.
Mit Blick auf die Transitivität führen wir noch eine nützliche Vereinfachung
der Notation ein.
Notation
a ; b ; c ; … (m) bedeutet a ; b (m) und b ; c (m) und …
Damit können Kongruenzen wie Identitäten und Abschätzungen in Ketten be-

handelt werden:
Beispiel
4 ; −1 ; −11 ; −6 ; 4 (5).
Für Kongruenzen existiert ein eleganter Rechenkalkül. Die wichtigsten Re-

geln dieses Kalküls sind (Beweis als Übung):

Satz (Eigenschaften der Kongruenz, II)

Sei m ≥ 1, und seien a, b, c, d ganze Zahlen mit
a ; b (m) und c ; d (m).
Dann gilt:
(K1) a + c ; b + d (m),
(K2) na ; nb (m) für alle n,
(K3) a c ; b d (m),
(K4) an ; bn (m) für alle n ≥ 0,
(K5) a ; b (d) für alle Teiler d von m mit d ≥ 1.
Die Eigenschaften (K1) und (K3) können wir auch so ausdrücken:

Die Kongruenzrelation ;m respektiert die Addition und die Multiplikation auf
den ganzen Zahlen Z.
Wir können deswegen in Termen, die aus den ganzen Zahlen mit Hilfe der Ope-
rationen + und ⋅ aufgebaut sind, „kongruent ersetzen“. Damit werden viele Be-
rechnungen überraschend einfach:
Beispiel
Sei m = 10. Dann gilt
3122 ; (3 ⋅ 3)61 ; 961 ; (−1)61 ; −1 ; 9 (10).
Damit ist die 9 die letzte Ziffer der Potenz 3122 in Dezimaldarstellung.
Alternativ können wir auch so argumentieren: Die letzten Ziffern in den
Potenzen 31 , 32 , 33 , … im Dezimalsystem bilden die periodische Folge
3, 9, 7, 1, 3, 9, 7, 1, 3, 9, 7, 1, …
Weiter gilt 122 ; 2 (4), sodass an der Position 122 der periodischen Folge
die 9 steht.
In Oktaldarstellung (m = 8) gilt dagegen
3122 ; (9)61 ; 161 ; 1 (8),
sodass die letzte Ziffer bei dieser Darstellung die 1 ist.
Die Kongruenzrelationen lassen sich auf verschiedene Weisen visualisieren.

Wie für die Teilbarkeit können wir die Relationen als Punktmengen der Ebene
zeichnen. Dadurch ergeben sich Streifenmuster. Eine andere Möglichkeit ist,
sich die Kongruenzrelationen als Aufwicklungen der ganzen Zahlen vorzustel-
len. Die folgenden Diagramme geben einige Beispiele.

10
-5
-10
-10 -5 0 5 10
Eine Visualisierung der Kongruenz modulo 5: Gezeigt sind

alle Paare (a, b) P Z2 , |a|, |b| ≤ 10, mit a ; b mod(5).
40
20
-20
-40
-40 -20 0 20 40
Größerer Bereich mit dem Modul m = 10

..., -9, -4, 1, 6, 11, ...
..., -8, -3, 2, 7, 12, ...
..., -10, -5, 0, 5, 10, ...
..., -7, -2, 3, 8, 13, ...
..., -6, -1, 4, 9, 14, ...
Aufwicklung von Z durch die Kongruenz modulo 5
..., -9, 3, 15, ...

..., -8, 4, 16, ... ..., -10, 2, 14, ...
..., -7, 5, 17, ... ..., -11, 1, 13, ...
..., -6, 6, 18, ... ..., -12, 0, 12, ...
..., -5, 7, 19, ... ..., -1, 11, 23, ...
..., -4, 8, 20, ... ..., -2, 10, 22, ...

..., -3, 9, 21, ...
Aufwicklung von Z durch die Kongruenz modulo 12
Die zweite Visualisierung zeigt besonders schön, wie die ganzen Zahlen Z
durch eine Kongruenzrelation ;m in m unendliche Klassen untereinander kon-
gruenter Zahlen eingeteilt werden. Bei zeilenweiser Anordnung ergibt sich:

-16 -13 -10 -7 -4 -1 2 5 8 11 14 17 20
-17 -14 -11 -8 -5 -2 1 4 7 10 13 16 19
-18 -15 -12 -9 -6 -3 0 3 6 9 12 15 18
Zeilen-Zerlegung von Z durch die Kongruenz modulo 3
-36 -29 -22 -15 -8 -1 6 13 20 27 34 41 48
-37 -30 -23 -16 -9 -2 5 12 19 26 33 40 47
-38 -31 -24 -17 -10 -3 4 11 18 25 32 39 46
-39 -32 -25 -18 -11 -4 3 10 17 24 31 38 45
-40 -33 -26 -19 -12 -5 2 9 16 23 30 37 44
-41 -34 -27 -20 -13 -6 1 8 15 22 29 36 43
-42 -35 -28 -21 -14 -7 0 7 14 21 28 35 42
Zeilen-Zerlegung von Z durch die Kongruenz modulo 7
Nicht zuletzt können wir auch gleichmäßige Sprünge auf der Zahlengeraden
betrachten:
-10 -5 0 5 10
Visualisierung der Kongruenz modulo 5 an der Zahlengeraden

Teilbarkeitsregeln
Die Kongruenzregeln erlauben elegante Beweise der klassischen Teilbarkeits-

regeln für Dezimalzahlen und allgemeiner für b-adische Darstellungen. Wir er-
innern zunächst an:
Definition (b-adische Darstellung einer natürlichen Zahl)

Sei b ≥ 2. Weiter seien k ≥ 0 und z0 , …, zk P { 0, …, b − 1 }. Dann setzen wir
(zk … z0 )b = zk bk + … + z0 b0 .
Gilt n = (zk … z0 )b , so heißt die Ziffernfolge zk … z0 die b-adische Darstellung
von n.
Ist b fest gewählt, so schreiben wir auch kurz zk …z0 statt (zk … z0 )b . Für b = 10
entspricht dies der üblichen Dezimalschreibweise für natürliche Zahlen.
Die eindeutige b-adische Darstellung einer natürlichen Zahl n erhalten wir in-
duktiv durch Division mit Rest mit dem Divisor b. Ist
n = q b + r mit 0 ≤ r < b,
so ist n = (zk …z1 r)b , wobei zk …z1 die eindeutige b-adische Darstellung von q ist.
Beispiel
(10101)2 = 24 + 22 + 20 = 21, (10101)3 = 34 + 32 + 30 = 91,
75 − 1
(66666)7 = 6 ⋅ 74 + … + 6 ⋅ 70 = 6 = 75 − 1 = 16806,
7−1
wobei wir die für alle q P R mit q ≠ 1 gültige geometrische Summenformel

1 + … + qn = (qn + 1 − 1)/(q − 1) verwenden.
Nach diesen Vorbereitungen zeigen wir nun:
Satz (Quersummenregel der Division durch 3)

Eine natürliche Zahl n = (zk … z0 )10 in Dezimaldarstellung ist genau dann
durch 3 teilbar, wenn ihre Quersumme qs(n) = z0 + … + zk durch 3 teilbar
ist. Genauer haben n und qs(n) bei Division durch 3 denselben Rest, d. h. es
gilt n ; qs(n) (3).
Beweis
Es gilt 10m ; 1 (3) für alle m ≥ 1. Damit gilt nach den Kongruenzregeln
n = zk 10k + … + z0 100 ; zk 1 + … + z0 1 ; qs(n) (3).
Weitere Teilbarkeitsregeln diskutieren wir in den Übungen.

Übungen
Übung 1
Beweisen Sie die Eigenschaften (T1) − (T7) der Teilbarkeitsrelation.
Übung 2
Erstellen Sie eine Tabelle mit Linearkombinationen der Zahlen 12 und 30.
Formulieren Sie eine Hypothese, welche Zahlen als Linearkombinationen
auftreten und welche nicht. Versuchen Sie, Ihre Hypothese zu beweisen.
Übung 3
Betrachten Sie die Tabelle der positiven Divisoren der ersten Zahlen.
Welche Eigenschaften fallen Ihnen auf? Formulieren Sie Hypothesen und
versuchen Sie, Ihre Hypothesen zu begründen oder zu beweisen.
Übung 4
Sei m ≥ 1. Beweisen Sie, dass die Kongruenzrelation ;m reflexiv, symme-
trisch und transitiv ist.
Übung 5
Sei a ≥ 1. Zeigen Sie, dass an ; 1 mod(a − 1) für alle n ≥ 0.
Übung 6
Beweisen Sie die Eigenschaften (K1) − (K5) der Kongruenz.
Übung 7
Visualisieren Sie die Division mit Rest an der Zahlengeraden Z.
Übung 8
(a) Visualisieren Sie die Kongruenzrelation ;m an der Zahlengeraden Z.
(b) Visualisieren Sie die Kongruenzrelation ;m mit Hilfe von Zählsteinen.
Wie ändern sich die Visualisierungen, wenn Sie m verändern? Erläutern Sie
einige Eigenschaften der Kongruenz anhand Ihrer Diagramme.
Übung 9
Die Eigenschaften (K1) und (K3) haben wir so interpretiert:
„Wir können in aus + und ⋅ aufgebauten Termen kongruent ersetzen.“
(a) Wie verhalten sich die Eigenschaften (K2) und (K4) zu dieser Regel?
(b) Kann auch im Exponenten kongruent ersetzt werden? Formulieren
Sie eine entsprechende Aussage und beweisen oder widerlegen Sie
sie.

Übung 10
Erstellen Sie per Hand für die Moduln m = 6 und m = 7 je eine Additions-
und eine Multiplikationstafel für die Kongruenz modulo m, d. h. Tabellen,
die für alle 0 ≤ a, b < m die Zahlen 0 ≤ c < m mit
a + b ; c (m) bzw. ab ; c (m)
enthält. Welche Eigenschaften der Tabellen sind bemerkenswert? Formu-
lieren Sie Hypothesen und versuchen Sie, diese zu begründen oder zu
beweisen. Überprüfen bzw. illustrieren Sie Ihre Hypothesen auch anhand
von weiteren (evtl. mit Hilfe von Computern erzeugten) Tabellen.
Übung 11
Bestimmen Sie in Form einer Tabelle für m = 13 und m = 15 alle Paare a, b
mit 0 ≤ a, b < m und
a b ; 1 (m).
Welche Eigenschaften fallen Ihnen auf? Versuchen Sie, Ihre Vermutungen
zu beweisen.
Übung 12
Seien m1 , m2 ≥ 1 und sei m das kleinste gemeinsame Vielfache von m1 und
m2 . Zeigen Sie, dass für alle a, b die folgenden Aussagen äquivalent sind:
(1) a ; b (m1 ) und a ; b (m2 ).
(2) a ; b (m).
Übung 13
Sei g ein Polynom mit ganzzahligen Koeffizienten. Zeigen Sie, dass für alle
a, b und m ≥ 1 gilt:
a ; b mod(m) impliziert g(a) ; g(b) mod(m).
Gilt auch die Umkehrung der Implikation? Begründen Sie Ihre Antwort.
Übung 14
Zeigen Sie:
(a) Jede Quadratzahl hat in Dezimaldarstellung eine der Zahlen
0,1,4,5,6,9 als Einerziffer.
(b) Jede vierte Potenz hat in Dezimaldarstellung eine der Zahlen 0, 1, 5, 6
als Einerziffer.
Übung 15
Zeigen Sie, dass das Produkt dreier aufeinanderfolgender Zahlen durch 6
teilbar ist, d. h., für alle ganzen Zahlen n gilt
6 | n (n + 1) (n + 2).

Übung 16
Sei b ≥ 2. Zeigen Sie, dass eine natürliche Zahl n = z1 … zk mit Ziffern zi in
b-adischer Darstellung genau dann durch b − 1 teilbar ist, wenn ihre
Quersumme z1 + … + zk durch b − 1 teilbar ist. Für welche weiteren Teiler
gilt diese Quersummenregel noch?
Übung 17
Sei b ≥ 2. Formulieren Sie ein Analogon der dezimalen Teilbarkeitsregel für
die 5 für die b-adische Darstellung.
Übung 18
Zeigen Sie, dass für alle n gilt
(i) 2 | (n2 − n),
(ii) 6 | (n3 − n),
(iii) 30 | (n5 − n).

2. Primzahlen
Eine Primzahl ist eine natürliche Zahl größer oder gleich zwei, die außer der
Eins und sich selbst keinen positiven Teiler aufweist. Der Begriff der Primzahl,
der sich ganz natürlich aus der Untersuchung der Teilbarkeit ergibt, gehört zu
den magischen Elementen der Mathematik. Durch ihre geheimnisvolle Vertei-
lung besitzen die Primzahlen eine große Strahlkraft auch über die Mathematik
hinaus, und aufgrund der zahlreichen einfach zu formulierenden, oft aber sehr
schwer zu beantwortenden Fragen nehmen sie einen prominenten Platz in der
Geschichte der Mathematik ein. Primzahlen sind Prüfsteine des mathemati-
schen Gesamtwissens. Viele Fragen sind bis heute offen. Hinzu kommen die
modernen Anwendungen in der Kryptographie, durch die das mathematische
Ansehen der Primzahlen noch einmal gesteigert wurde.
In diesem Kapitel stellen wir Primzahlen samt einigen gelösten und ungelö-
sten Problemen vor. Wir beweisen den klassischen Satz von Euklid, der besagt,
dass es keine größte Primzahl gibt. Damit ist die Menge der Primzahlen un-
endlich. Ein weiteres wichtiges Ergebnis ist die Eindeutigkeit der Primfaktor-
zerlegung. Wir geben einen modernen Beweis dieses Fundamentalsatzes der
Zahlentheorie mit Hilfe starker Induktion.

Primzahlen und zusammengesetzte Zahlen
Definition (Primzahl)
Eine natürliche Zahl p ≥ 2 heißt Primzahl, wenn es keinen Teiler d von p
gibt mit 1 < d < p. Andernfalls heißt p zusammengesetzt.
Die ersten Primzahlen sind

2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, …
Dass die 1 nicht als Primzahl gilt, ist eine bewährte Konvention. Ein Grund
ist: Man möchte, dass jede Zahl n ≥ 2 eine bis auf die Reihenfolge der Faktoren
eindeutige Primfaktorzerlegung besitzt. Dies wäre mit 1 als Primzahl nicht mög-
lich, da zum Beispiel 10 = 1 ⋅ 2 ⋅ 5 = 14 ⋅ 2 ⋅ 5.
Die Folge der Primzahlen zwischen 2 und einer beliebig groß gewählten na-
türlichen Zahl n lässt sich erzeugen durch:
Sieb des Eratosthenes

Wir starten mit der Folge 2, 3, 4, …, n und führen folgendes Verfahren
durch, bei dem Zahlen der Folge markiert und gestrichen werden:
Wir markieren die erste nicht markierte Zahl und streichen ihre echten
Vielfachen. Dies wiederholen wir solange, bis keine Zahl mehr gestrichen
wird. Das Ergebnis der Berechnung ist die Folge der markierten Zahlen.
Wir führen das Verfahren zur Illustration für n = 40 durch. Zunächst wird die
2 markiert (hier symbolisiert durch #2), und alle echten Vielfachen 4, 6, 8, … der
2 werden gestrichen. Dies hinterlässt die ausgesiebte Folge
#2, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 29, 31, 33, 35, 37, 39.
Nun wird die 3 markiert und alle echten Vielfachen 6, 9, 12, … der 3 werden ge-
strichen. Dies hinterlässt die ausgesiebte Folge:
#2, #3, 5, 7, 11, 13, 17, 19, 23, 25, 29, 31, 35, 37.
Die nächste Siebung liefert:
#2, #3, #5, 7, 11, 13, 17, 19, 23, 29, 31, 37.
Nach nur drei Durchläufen sind wir fertig. Denn die erste noch nicht markierte
Zahl ist 7 und jedes Vielfache k ⋅ 7 = 7 ⋅ k mit 2 < k < 7 ist bereits gestrichen. Die
Zahl 72 = 49 wäre die erste zu streichende Zahl, sie liegt aber über unserer
Grenze n = 40. Die Überlegung zeigt: Es genügt, das Verfahren solange durchzu-
führen, bis die erste nicht markierte verbliebene Zahl größer ist als £n.
Das Siebverfahren terminiert also sehr schnell. Zudem ist es korrekt: Die er-
zeugte Folge listet genau die Primzahlen von 2 bis n auf. Dies ist anschaulich klar,
bedarf aber dennoch eines Beweises. Wir diskutieren dies und weitere Aspekte
der Siebmethode in den Übungen.

2. Primzahlen 29
Die ersten Primzahlen (bis 5000)
2, 3, 5, 7,
11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97,
101, 103, 107, 109, 113, 127, 131, 137, 139, 149, 151, 157, 163, 167, 173, 179, 181, 191,
193, 197, 199, 211, 223, 227, 229, 233, 239, 241, 251, 257, 263, 269, 271, 277, 281, 283,
293, 307, 311, 313, 317, 331, 337, 347, 349, 353, 359, 367, 373, 379, 383, 389, 397, 401,
409, 419, 421, 431, 433, 439, 443, 449, 457, 461, 463, 467, 479, 487, 491, 499, 503, 509,
521, 523, 541, 547, 557, 563, 569, 571, 577, 587, 593, 599, 601, 607, 613, 617, 619, 631,
641, 643, 647, 653, 659, 661, 673, 677, 683, 691, 701, 709, 719, 727, 733, 739, 743, 751,
757, 761, 769, 773, 787, 797, 809, 811, 821, 823, 827, 829, 839, 853, 857, 859, 863, 877,
881, 883, 887, 907, 911, 919, 929, 937, 941, 947, 953, 967, 971, 977, 983, 991, 997,
1009, 1013, 1019, 1021, 1031, 1033, 1039, 1049, 1051, 1061, 1063, 1069, 1087, 1091,
1093, 1097, 1103, 1109, 1117, 1123, 1129, 1151, 1153, 1163, 1171, 1181, 1187, 1193,
1201, 1213, 1217, 1223, 1229, 1231, 1237, 1249, 1259, 1277, 1279, 1283, 1289, 1291,
1297, 1301, 1303, 1307, 1319, 1321, 1327, 1361, 1367, 1373, 1381, 1399, 1409, 1423,
1427, 1429, 1433, 1439, 1447, 1451, 1453, 1459, 1471, 1481, 1483, 1487, 1489, 1493,
1499, 1511, 1523, 1531, 1543, 1549, 1553, 1559, 1567, 1571, 1579, 1583, 1597, 1601,
1607, 1609, 1613, 1619, 1621, 1627, 1637, 1657, 1663, 1667, 1669, 1693, 1697, 1699,
1709, 1721, 1723, 1733, 1741, 1747, 1753, 1759, 1777, 1783, 1787, 1789, 1801, 1811,
1823, 1831, 1847, 1861, 1867, 1871, 1873, 1877, 1879, 1889, 1901, 1907, 1913, 1931,
1933, 1949, 1951, 1973, 1979, 1987, 1993, 1997, 1999, 2003, 2011, 2017, 2027, 2029,
2039, 2053, 2063, 2069, 2081, 2083, 2087, 2089, 2099, 2111, 2113, 2129, 2131, 2137,
2141, 2143, 2153, 2161, 2179, 2203, 2207, 2213, 2221, 2237, 2239, 2243, 2251, 2267,
2269, 2273, 2281, 2287, 2293, 2297, 2309, 2311, 2333, 2339, 2341, 2347, 2351, 2357,
2371, 2377, 2381, 2383, 2389, 2393, 2399, 2411, 2417, 2423, 2437, 2441, 2447, 2459,
2467, 2473, 2477, 2503, 2521, 2531, 2539, 2543, 2549, 2551, 2557, 2579, 2591, 2593,
2609, 2617, 2621, 2633, 2647, 2657, 2659, 2663, 2671, 2677, 2683, 2687, 2689, 2693,
2699, 2707, 2711, 2713, 2719, 2729, 2731, 2741, 2749, 2753, 2767, 2777, 2789, 2791,
2797, 2801, 2803, 2819, 2833, 2837, 2843, 2851, 2857, 2861, 2879, 2887, 2897, 2903,
2909, 2917, 2927, 2939, 2953, 2957, 2963, 2969, 2971, 2999, 3001, 3011, 3019, 3023,
3037, 3041, 3049, 3061, 3067, 3079, 3083, 3089, 3109, 3119, 3121, 3137, 3163, 3167,
3169, 3181, 3187, 3191, 3203, 3209, 3217, 3221, 3229, 3251, 3253, 3257, 3259, 3271,
3299, 3301, 3307, 3313, 3319, 3323, 3329, 3331, 3343, 3347, 3359, 3361, 3371, 3373,
3389, 3391, 3407, 3413, 3433, 3449, 3457, 3461, 3463, 3467, 3469, 3491, 3499, 3511,
3517, 3527, 3529, 3533, 3539, 3541, 3547, 3557, 3559, 3571, 3581, 3583, 3593, 3607,
3613, 3617, 3623, 3631, 3637, 3643, 3659, 3671, 3673, 3677, 3691, 3697, 3701, 3709,
3719, 3727, 3733, 3739, 3761, 3767, 3769, 3779, 3793, 3797, 3803, 3821, 3823, 3833,
3847, 3851, 3853, 3863, 3877, 3881, 3889, 3907, 3911, 3917, 3919, 3923, 3929, 3931,
3943, 3947, 3967, 3989, 4001, 4003, 4007, 4013, 4019, 4021, 4027, 4049, 4051, 4057,
4073, 4079, 4091, 4093, 4099, 4111, 4127, 4129, 4133, 4139, 4153, 4157, 4159, 4177,
4201, 4211, 4217, 4219, 4229, 4231, 4241, 4243, 4253, 4259, 4261, 4271, 4273, 4283,
4289, 4297, 4327, 4337, 4339, 4349, 4357, 4363, 4373, 4391, 4397, 4409, 4421, 4423,
4441, 4447, 4451, 4457, 4463, 4481, 4483, 4493, 4507, 4513, 4517, 4519, 4523, 4547,
4549, 4561, 4567, 4583, 4591, 4597, 4603, 4621, 4637, 4639, 4643, 4649, 4651, 4657,
4663, 4673, 4679, 4691, 4703, 4721, 4723, 4729, 4733, 4751, 4759, 4783, 4787, 4789,
4793, 4799, 4801, 4813, 4817, 4831, 4861, 4871, 4877, 4889, 4903, 4909, 4919, 4931,
4933, 4937, 4943, 4951, 4957, 4967, 4969, 4973, 4987, 4993, 4999.

Der Unendlichkeitssatz
Wir zeigen nun, dass es unendlich viele Primzahlen gibt. Zur Vorbereitung
noch eine fast selbstverständliche Definition:
Definition (Primteiler oder Primfaktor)

Eine Primzahl p heißt Primteiler oder Primfaktor einer Zahl n, falls p | n.
Jede Zahl n ≥ 2 besitzt mindestens einen Primteiler. Denn das kleinste d ≥ 2

mit d | n ist notwendig eine Primzahl. Jede Primzahl hat nur einen Primteiler
(sich selbst), aber auch die Zahlen p2 , p3 , …, pn , … mit einer Primzahl p haben
nur einen Primteiler (dies folgt aus der Eindeutigkeit der Primfaktorzerlegung,
die wir unten beweisen).
Nach diesen Vorbereitungen zeigen wir nun:
Satz (Satz von Euklid über die Unendlichkeit der Primzahlen)

Es gibt unendlich viele Primzahlen.
Beweis
Sei n ≥ 1 beliebig, und seien p1 , …, pn Primzahlen. Wir zeigen, dass es eine
Primzahl p gibt, die von allen Zahlen p1 , …, pn verschieden ist. Hierzu
setzen wir
a = p1 … pn + 1.
Die Zahl a besitzt für jedes k den Rest 1 bei Division durch pk , d. h.
a ; 1 (pk ) für alle 1 ≤ k ≤ n.
Folglich gilt:
(+) Für alle 1 ≤ k ≤ n ist pk kein Teiler von a.
Sei nun p ein Primteiler von a. Nach (+) ist p von allen pk verschieden.
Damit ist p eine Primzahl wie gewünscht.
Es ist verführerisch, die Zahl a selbst als eine „neue Primzahl“ anzusehen. Dies
wird bestätigt durch
2 + 1 = 3
2⋅3 + 1 = 7
2 ⋅ 3 ⋅ 5 + 1 = 31
2 ⋅ 3 ⋅ 5 ⋅ 7 + 1 = 211
2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 + 1 = 2311

2. Primzahlen 31
Diese fünf Zahlen sind prim. Unser scheinbarer Primzahlgenerator wird aber
überführt durch
2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 ⋅ 13 + 1 = 30031 = 59 ⋅ 509
2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 ⋅ 13 ⋅ 17 + 1 = 510511 = 19 ⋅ 97 ⋅ 277
2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 ⋅ 13 ⋅ 17 ⋅ 19 + 1 = 9699691 = 347 ⋅ 27953
2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 ⋅ 13 ⋅ 17 ⋅ 19 ⋅ 23 + 1 = 223092871 = 317 ⋅ 703763
Eine Primzahl p der Form p = 2 ⋅ 3 ⋅ 5 ⋅ … ⋅ pn + 1 heißt eine Euklidische Primzahl.
Es ist ein offenes Problem, ob es unendlich viele Euklidische Primzahlen gibt.
Ein sehr alter und klassischer Beweis wirft damit eine schwierige Frage auf. Wir
stoßen auf sie fast zwangsläufig beim Durchdenken des Arguments und Experi-
mentieren mit der Konstruktion.
Als Nächstes zeigen wir − mit der gleichen Beweisidee − als Kontrast, dass es
beliebig große Sprünge in der Folge der Primzahlen gibt:
Satz (Intervalle zusammengesetzter Zahlen)

Es gibt beliebig lange Intervalle zusammengesetzter Zahlen.
Beweis
Sei n ≥ 2 beliebig, und seien p1 , …, pn die ersten n Primzahlen. Wir setzen
q = p1 ⋅ … ⋅ pn .
Dann sind die pn − 1 Zahlen
q + 2, q + 3, q + 4, …, q + pn
zusammengesetzt. Denn sei a beliebig mit 2 ≤ a ≤ pn . Dann ist a durch ein
pk teilbar, da jeder Primfaktor von a wegen a ≤ pn eine der Primzahlen
p1 , …, pn ist. Da q nach Konstruktion durch pk teilbar ist, ist auch q + a
durch pk teilbar. Damit haben wir ein Intervall zusammengesetzter Zahlen
der Länge pn − 1 gefunden. Da pn aufgrund der Unendlichkeit der
Primzahlen beliebig groß gewählt werden kann, ist der Satz bewiesen.
Die beiden Beweise lassen sich so zusammenfassen: Multiplizieren wir die er-
sten Primzahlen auf, so besitzt die auf dieses Produkt folgende Zahl andere
Primfaktoren und danach folgt ein langes Intervall zusammengesetzter Zahlen.
Beispiel
Für n = 8 erhalten wir
p1 … p8 = 2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11 ⋅ 13 ⋅ 17 ⋅ 19 = 9699690.
Damit sind 18 aufeinanderfolgenden Zahlen
9699690 + 2, …, 9699690 + 19
zusammengesetzt. Die Primfaktorzerlegungen sind:

9699690 + 2 = 22 ⋅ 109 ⋅ 22247 9699690 + 11 = 11 ⋅ 593 ⋅ 1487

9699690 + 3 = 3 ⋅ 3233231 9699690 + 12 = 2 ⋅ 3 ⋅ 1616617
9699690 + 4 = 2 ⋅ 113 ⋅ 167 ⋅ 257 9699690 + 13 = 13 ⋅ 263 ⋅ 2837
9699690 + 5 = 5 ⋅ 1939939 9699690 + 14 = 23 ⋅ 7 ⋅ 173209
9699690 + 6 = 24 ⋅ 33 ⋅ 22453 9699690 + 15 = 32 ⋅ 5 ⋅ 439 ⋅ 491
9699690 + 7 = 73 ⋅ 28279 9699690 + 16 = 2 ⋅ 761 ⋅ 6373
9699690 + 8 = 2 ⋅ 23 ⋅ 37 ⋅ 41 ⋅ 139 9699690 + 17 = 172 ⋅ 33563
9699690 + 9 = 3 ⋅ 79 ⋅ 40927 9699690 + 18 = 22 ⋅ 3 ⋅ 808309
9699690 + 10 = 22 ⋅ 52 ⋅ 96997 9699690 + 19 = 192 ⋅ 97 ⋅ 277
Die Konstruktion ist nicht optimal: In unserer Primzahltabelle folgt auf

1327 die 1361, sodass die 33 Zahlen 1328, …, 1360 zusammengesetzt sind.
Die Primfaktorzerlegung
Die Primzahlen können wir als multiplikative Bausteine der natürlichen

Zahlen n ≥ 2 auffassen. Wir werden nun zeigen, dass die „multiplikative Kon-
struktion“ einer Zahl im Wesentlichen, d. h. bis auf die Anordnung der Bau-
steine, eindeutig bestimmt ist. Hierzu definieren wir:
Definition (Primfaktorzerlegung)
Eine Primfaktorzerlegung (PFZ) einer natürlichen Zahl n ≥ 2 ist eine
Darstellung von n als Produkt von Primzahlen. Durch Anordnung der
Faktoren kann jede PFZ in die kanonische Form
n = p1 e1 ⋅ … ⋅ pk ek mit p1 < … < pk und e1 , …, ek ≥ 1
gebracht werden.
Beispiel
Die Zahl n = 40 besitzt beispielsweise die Primfaktorzerlegungen
2 ⋅ 2 ⋅ 2 ⋅ 5, 2 ⋅ 2 ⋅ 5 ⋅ 2, 5 ⋅ 2 ⋅ 2 ⋅ 2.
Die kanonische Form dieser Zerlegungen ist 23 ⋅ 5.
Es ist richtig, aber keineswegs klar, dass eine Primfaktorzerlegung einer Zahl
bis auf die Reihenfolge der Faktoren eindeutig bestimmt ist. Bevor wir dies zei-
gen, halten wir explizit fest:
Satz (Existenz einer Primfaktorzerlegung)

Sei n ≥ 2. Dann existiert eine PFZ von n. Genauer gilt: Ist p ein Primteiler
von n, so existiert eine PFZ von n, in der p als Faktor vorkommt.

2. Primzahlen 33
Beweis
Wir zeigen die Aussage durch starke Induktion.
Induktionsschritt n ≥ 2:
Ist n prim, so ist n eine PFZ von n. Andernfalls gibt es einen Primteiler
p < n von n. Sei q = n/p. Dann gilt 2 ≤ q < n, sodass nach I. V. eine PFZ
von q existiert. Anfügen des Faktors p an eine PFZ von q liefert eine
PFZ von n.
Allgemeiner gilt: Ist d ≥ 2 ein Teiler von n, so kann eine PFZ von d zu einer
PFZ von n erweitert werden, indem eine PFZ von n/d an die betrachtete PFZ
von d angefügt wird.
Nach diesen Vorbereitungen können wir nun zeigen:
Satz (Eindeutigkeit der Primfaktorzerlegung, Fundamentalsatz der Zahlentheorie)

Sei n ≥ 2. Dann ist eine PFZ von n bis auf die Reihenfolge der Faktoren
eindeutig.
Mit anderen Worten:
Jede Zahl n ≥ 2 hat genau eine PFZ in kanonischer Form.
Ein Beweis des Satzes findet sich bereits bei Euklid. Wir geben einen kompak-
ten zu Beginn des 20. Jahrhunderts gefundenen Beweis mit Hilfe von starker In-
duktion. Die Argumentation geht zurück auf Ernst Zermelo, Ferdinand von
Lindemann und Helmut Hasse.
Beweis
Wir führen den Beweis durch starke Induktion.
Induktionsschritt n ≥ 2:
Ist n prim, so ist die Eindeutigkeit klar. Andernfalls sei, in kanonischen
Formen,
(+) n = p1 e1 … pk ek = q1 d1 … qk′ dk′ , mit p1 ≤ q1 .
Es genügt zu zeigen, dass p1 = q1 . Denn dann können wir in beiden PFZ
durch p1 dividieren und die I. V. auf n/p1 = n/q1 anwenden. Dies zeigt,
dass die beiden Darstellungen
p1 e1 − 1 … pk ek und q1 d1 − 1 … qk′ dk′
von n/p1 übereinstimmen. Hieraus folgt, dass die beiden Darstellungen
von n in (+) übereinstimmen.
Annahme, p1 < q1 . Dann ist p1 q1 < q1 2 ≤ n (da n nicht prim), sodass
m = n − p1 q1 > 0.
Wegen p1 | n ist p1 ein Teiler von m und analog ist q1 ein Teiler von m.

Nach I. V. und dem Existenzsatz kommen damit sowohl p1 als auch q1 in

der eindeutigen kanonischen PFZ von m vor, sodass p1 q1 | m. Dann ist
aber p1 q1 ein Teiler von n = m + p1 q1 und damit p1 ein Teiler von n/q1 .
Damit kommt p1 nach I. V. und dem Existenzsatz in der Darstellung
n/q1 = q1 d1 − 1 … qk′ dk′
vor, die wir aus (+) ablesen. Dies steht im Widerspruch zu p1 < q1 .
Wir wollen das Ergebnis noch etwas anders formulieren. Hierzu definieren
wir:
Definition (p-Exponent einer Zahl)

Sei p eine Primzahl. Dann definieren wir eine Funktion exp : N* → N
durch
exp (n) = max k ≥ 0 pk | n.
Die Zahl exp (n) heißt der p-Exponent der Zahl n.
Beispiel
Für n = 4400 = 24 ⋅ 52 ⋅ 11 gilt
ex2 (n) = 4, ex5 (n) = 2, ex11 (n) = 1
und exp (n) = 0 für alle anderen Primzahlen p. Für alle p gilt zudem exp (1) = 0.
Der Leser beachte, dass in diesem Beispiel stillschweigend die Eindeutigkeit

der Primfaktorzerlegung verwendet wird. Durch die Definition als Maximum
ist klar, dass der p-Exponent für jede Zahl n definiert ist. Aber erst die Eindeu-
tigkeit der PFZ erlaubt es, die p-Exponenten aus jeder PFZ einfach ablesen zu
können.
Mit Hilfe der p-Exponenten können wir die Eindeutigkeit der Primfaktorzer-
legung nun so formulieren:
n = ∏ p prim pexp(n) für alle n ≥ 1.
Dabei ist das unendliche Produkt unproblematisch, da höchstens endlich viele

Faktoren ungleich 1 sind; das unendliche Produkt ist damit lediglich eine einfa-
che Notation für ein endliches Produkt.
Beispiel
4400 = 24 ⋅ 30 ⋅ 52 ⋅ 70 ⋅ 111 ⋅ 130 ⋅ 170 ⋅ 190 ⋅ …

2. Primzahlen 35
Fragen über Primzahlen
Über Primzahlen lassen sich zahlreiche sehr schwierige Fragen stellen. Einige
davon sind:
Fragen über Primzahlen

(1) Gibt es unendlich viele Primzahlzwillinge, d. h. Paare (p, p + 2) derart,
dass sowohl p als auch p + 2 Primzahlen sind?
(2) Ist jede gerade Zahl n ≥ 4 die Summe zweier Primzahlen?
(3) Wie viele Primzahlen kleinergleich einer Zahl n gibt es (ungefähr)?
Die Unendlichkeit der Primzahlzwillinge ist ein offenes Problem. Man weiß
∑ p ist Komponente eines Primzahlzwillings 1/p < ∞, während ∑ p ist Primzahl 1/p = ∞.
Die Primzahlzwillinge sind also sehr dünn gesät. Aber aus der Endlichkeit der
Summe folgt noch nicht, dass es nur endlich viele Summanden gibt (der Leser
vergleiche die Summe über 1/2n ). Umgekehrt ergibt sich aus der Unendlichkeit
der zweiten Summe, dass es unendlich viele Summanden gibt. In dieser Weise
hat Euler einen Beweis der Unendlichkeit der Primzahlen geführt.
Die ersten Primzahlzwillinge (erste Komponenten, bis 10000)
Die folgende Tabelle listet die ersten Primzahlzwillinge auf. Dabei geben wir
der Kürze halber nur die erste Komponente p und nicht das Paar (p, p + 2) an.
3, 5,
11, 17, 29, 41, 59, 71,
101, 107, 137, 149, 179, 191, 197, 227, 239, 269, 281, 311, 347, 419, 431, 461, 521, 569,
599, 617, 641, 659, 809, 821, 827, 857, 881,
1019, 1031, 1049, 1061, 1091, 1151, 1229, 1277, 1289, 1301, 1319, 1427, 1451, 1481,
1487, 1607, 1619, 1667, 1697, 1721, 1787, 1871, 1877, 1931, 1949, 1997, 2027, 2081,
2087, 2111, 2129, 2141, 2237, 2267, 2309, 2339, 2381, 2549, 2591, 2657, 2687, 2711,
2729, 2789, 2801, 2969, 2999, 3119, 3167, 3251, 3257, 3299, 3329, 3359, 3371, 3389,
3461, 3467, 3527, 3539, 3557, 3581, 3671, 3767, 3821, 3851, 3917, 3929, 4001, 4019,
4049, 4091, 4127, 4157, 4217, 4229, 4241, 4259, 4271, 4337, 4421, 4481, 4517, 4547,
4637, 4649, 4721, 4787, 4799, 4931, 4967, 5009, 5021, 5099, 5231, 5279, 5417, 5441,
5477, 5501, 5519, 5639, 5651, 5657, 5741, 5849, 5867, 5879, 6089, 6131, 6197, 6269,
6299, 6359, 6449, 6551, 6569, 6659, 6689, 6701, 6761, 6779, 6791, 6827, 6869, 6947,
6959, 7127, 7211, 7307, 7331, 7349, 7457, 7487, 7547, 7559, 7589, 7757, 7877, 7949,
8009, 8087, 8219, 8231, 8291, 8387, 8429, 8537, 8597, 8627, 8819, 8837, 8861, 8969,
8999, 9011, 9041, 9239, 9281, 9341, 9419, 9431, 9437, 9461, 9629, 9677, 9719, 9767,
9857, 9929

Die Frage nach den Primzahlzwillingen lässt sich vielfach variieren. Ein Prim-
zahldrilling der Form (p, p + 2, p + 4) ist bis auf den Einzelfall (3, 5, 7) unmöglich,
da eine der drei Zahlen durch 3 teilbar ist (Übung); der Leser vergleiche einen
Zwilling der Form (p, p + 1), der nur im Fall p = 2 aus Primzahlen bestehen kann.
Möglich sind dagegen Drillinge (p, p+2, p +6) wie (5, 7, 11) und (11, 13, 17) oder
Drillinge (p, p +4, p +6) wie etwa (7, 11, 13) und (13, 17, 19). Allgemein stellt sich
die Frage nach unendlich oft auftretenden Mustern in der Folge der Abstände
der Primzahlen. Die folgende Tabelle gibt einen Eindruck dieser Folge.
Die Abstände der ersten Primzahlen (bis 5000)
1, 2, 2, 4, 2, 4, 2, 4, 6, 2, 6, 4, 2, 4, 6, 6, 2, 6,
4, 2, 6, 4, 6, 8, 4, 2, 4, 2, 4, 14, 4, 6, 2, 10, 2, 6,
6, 4, 6, 6, 2, 10, 2, 4, 2, 12, 12, 4, 2, 4, 6, 2, 10, 6,
6, 6, 2, 6, 4, 2, 10, 14, 4, 2, 4, 14, 6, 10, 2, 4, 6, 8,
6, 6, 4, 6, 8, 4, 8, 10, 2, 10, 2, 6, 4, 6, 8, 4, 2, 4,
12, 8, 4, 8, 4, 6, 12, 2, 18, 6, 10, 6, 6, 2, 6, 10, 6, 6,
2, 6, 6, 4, 2, 12, 10, 2, 4, 6, 6, 2, 12, 4, 6, 8, 10, 8,
10, 8, 6, 6, 4, 8, 6, 4, 8, 4, 14, 10, 12, 2, 10, 2, 4, 2,
10, 14, 4, 2, 4, 14, 4, 2, 4, 20, 4, 8, 10, 8, 4, 6, 6, 14,
4, 6, 6, 8, 6, 12, 4, 6, 2, 10, 2, 6, 10, 2, 10, 2, 6, 18,
4, 2, 4, 6, 6, 8, 6, 6, 22, 2, 10, 8, 10, 6, 6, 8, 12, 4,
6, 6, 2, 6, 12, 10, 18, 2, 4, 6, 2, 6, 4, 2, 4, 12, 2, 6,
34, 6, 6, 8, 18, 10, 14, 4, 2, 4, 6, 8, 4, 2, 6, 12, 10, 2,
4, 2, 4, 6, 12, 12, 8, 12, 6, 4, 6, 8, 4, 8, 4, 14, 4, 6,
2, 4, 6, 2, 6, 10, 20, 6, 4, 2, 24, 4, 2, 10, 12, 2, 10, 8,
6, 6, 6, 18, 6, 4, 2, 12, 10, 12, 8, 16, 14, 6, 4, 2, 4, 2,
10, 12, 6, 6, 18, 2, 16, 2, 22, 6, 8, 6, 4, 2, 4, 8, 6, 10,
2, 10, 14, 10, 6, 12, 2, 4, 2, 10, 12, 2, 16, 2, 6, 4, 2, 10,
8, 18, 24, 4, 6, 8, 16, 2, 4, 8, 16, 2, 4, 8, 6, 6, 4, 12,
2, 22, 6, 2, 6, 4, 6, 14, 6, 4, 2, 6, 4, 6, 12, 6, 6, 14,
4, 6, 12, 8, 6, 4, 26, 18, 10, 8, 4, 6, 2, 6, 22, 12, 2, 16,
8, 4, 12, 14, 10, 2, 4, 8, 6, 6, 4, 2, 4, 6, 8, 4, 2, 6,
10, 2, 10, 8, 4, 14, 10, 12, 2, 6, 4, 2, 16, 14, 4, 6, 8, 6,
4, 18, 8, 10, 6, 6, 8, 10, 12, 14, 4, 6, 6, 2, 28, 2, 10, 8,
4, 14, 4, 8, 12, 6, 12, 4, 6, 20, 10, 2, 16, 26, 4, 2, 12, 6,
4, 12, 6, 8, 4, 8, 22, 2, 4, 2, 12, 28, 2, 6, 6, 6, 4, 6,
2, 12, 4, 12, 2, 10, 2, 16, 2, 16, 6, 20, 16, 8, 4, 2, 4, 2,
22, 8, 12, 6, 10, 2, 4, 6, 2, 6, 10, 2, 12, 10, 2, 10, 14, 6,
4, 6, 8, 6, 6, 16, 12, 2, 4, 14, 6, 4, 8, 10, 8, 6, 6, 22,
6, 2, 10, 14, 4, 6, 18, 2, 10, 14, 4, 2, 10, 14, 4, 8, 18, 4,
6, 2, 4, 6, 2, 12, 4, 20, 22, 12, 2, 4, 6, 6, 2, 6, 22, 2,
6, 16, 6, 12, 2, 6, 12, 16, 2, 4, 6, 14, 4, 2, 18, 24, 10, 6,
2, 10, 2, 10, 2, 10, 6, 2, 10, 2, 10, 6, 8, 30, 10, 2, 10, 8,
6, 10, 18, 6, 12, 12, 2, 18, 6, 4, 6, 6, 18, 2, 10, 14, 6, 4,
2, 4, 24, 2, 12, 6, 16, 8, 6, 6, 18, 16, 2, 4, 6, 2, 6, 6,
10, 6, 12, 12, 18, 2, 6, 4, 18, 8, 24, 4, 2, 4, 6, 2, 12, 4,
14, 30, 10, 6, 12, 14, 6, 10, 12, 2, 4, 6, 8, 6, 10, 2, 4, 14,
6, 6

2. Primzahlen 37
Ein Primzahlzwilling entspricht einem Abstand 2, die Primzahldrillinge der

beiden Typen (p, p+2, p+6) bzw. (p, p+ 4, p+ 6) entsprechen den Abstandspaaren
2, 4 bzw. 4, 2. Die Frage nach der Unendlichkeit der Primzahlzwillinge ist also
gleichwertig dazu, dass in der Abstandsfolge unendlich oft die Zahl 2 erscheint.
Analog gibt es genau dann unendliche viele Primzahldrillinge, wenn die Paare 2,
4 bzw. 4, 2 unendlich oft in der Abstandsfolge auftreten.
Die Goldbachsche Vermutung
Die zweite der obigen Fragen, ob jede gerade Zahl n ≥ 4 die Summe zweier
Primzahlen sei, ist die Goldbachsche Vermutung aus dem Jahr 1742. Sie wurde für
sehr viele gerade Zahlen bestätigt. In diesem empirischen Sinn ist sie „vermut-
lich richtig“, ein Beweis steht aber noch aus. Eine Widerlegung der Vermutung
durch ein sehr großes Gegenbeispiel (größer als 1018 ) ist damit nicht auszu-
schließen.
Die folgende Tabelle listet alle Möglichkeiten auf, die geraden Zahlen von 4
bis 40 als der Größe nach geordnete Summe zweier Primzahlen darzustellen.
4 = 2 + 2
6 = 3 + 3
8 = 3 + 5
10 = 3 + 7 = 5 + 5
12 = 5 + 7
14 = 3 + 11 = 7 + 7
16 = 3 + 13 = 5 + 11
18 = 5 + 13 = 7 + 11
20 = 3 + 17 = 7 + 13
22 = 3 + 19 = 5 + 17 = 11 + 11
24 = 5 + 19 = 7 + 17 = 11 + 13
26 = 3 + 23 = 7 + 19 = 13 + 13
28 = 5 + 23 = 11 + 17
30 = 7 + 23 = 11 + 19 = 13 + 17
32 = 3 + 29 = 13 + 19
34 = 3 + 31 = 5 + 29 = 11 + 23 = 17 + 17
36 = 5 + 31 = 7 + 29 = 13 + 23 = 17 + 19
38 = 7 + 31 = 19 + 19
40 = 3 + 37 = 11 + 29 = 17 + 23

Der Primzahlsatz
Das vielleicht wichtigste Ergebnis über die Verteilung der Primzahlen ist der
Primzahlsatz (vermutet von Gauß und Legendre Ende des 18. Jahrhunderts, be-
wiesen von Jacques Hadamard und Charles de la Vallée-Poussin im Jahr 1896).
Bezeichnet π(n) die Anzahl aller Primzahlen kleinergleich n, so gilt
π(n)
limn →∞ = 1 (Primzahlsatz)
n/log(n)
Wir sagen auch, dass die Größen π(n) und n/log(n) asymptotisch gleich sind und
schreiben
n
π(n) , .
log n
Anschaulich bedeutet dies, dass π(n) ungefähr gleich n/log(n) ist. Es gibt viele In-
terpretationen von „ungefähr gleich“, die Konvergenz des Quotienten der bei-
den betrachten Größen gegen 1 ist eine Variante, die in der Zahlentheorie häufig
verwendet wird.
n π(n) n/log(n) π(n)/(n/log(n))
10 4 4,34294 0,921034
100 25 21,7147 1,15129
1000 168 144,765 1,1605
10000 1229 1085,74 1,13195
100000 9592 8685,89 1,10432
6
10 78498 72382,4 1,08449
7
10 664579 620421 1,07117
8
10 5761455 5428681 1,06130
9
10 50847534 48254942 1,05373
10
10 455052511 434294482 1,04780
Tabelle zum Primzahlsatz mit gerundeten Einträgen in den beiden letzten Spalten
Der Primzahlsatz ist nicht nur ein bestechendes Ergebnis, sondern auch ein
Beispiel dafür, dass weitergehende Hilfsmittel eingesetzt werden, um Erkennt-
nisse über Primzahlen zu erzielen. Hier sind vor allem die komplexe Analysis
und die Algebra zu nennen, deren zahlentheoretische Kraft die Disziplinen
analytische Zahlentheorie und algebraische Zahlentheorie hervorbrachten. Das
Phänomen, über die natürlichen Zahlen hinauszugehen, um sie zu ergründen,
macht einen Teil der Magie der modernen Zahlentheorie aus. Der Anreiz,
möglichst elementare Beweise zu finden, bleibt dadurch unberührt.

2. Primzahlen 39
Die folgenden Diagramme illustrieren das Verhältnis zwischen den Funktio-

nen π(n) und log(n). Dabei ist es manchmal hilfreich, auf einer oder beiden Ach-
sen eine logarithmische Skalierung zu verwenden.
150
100
(n)
n
log(n)
50
200 400 600 800 1000
109
106
(n)
n
log(n)
1000
10 104 107 1010
1.2
1.0
0.8
(n) log(n)
n
0.6
1
0.4
0.2
200 400 600 800 1000

1.2
1.0
0.8
(n) log(n)
n
0.6
1
0.4
0.2
100 105 108
4 n
(n)
3 log(n)
200 400 600 800 1000
20
15
n
(n)
10 log(n)
100 105 108
In der Tat gilt limn →∞ (log(n) − n/π(n)) = 1. Diese bemerkenswerte Verstärkung

des Primzahlsatzes lässt sich aus dem Beweis von Vallée-Poussin gewinnen.

2. Primzahlen 41
Das Bertrandsche Postulat
Ein andersartiges Ergebnis über die Verteilung der Primzahlen ist das Ber-
trandsche Postulat. Es besagt:
Für alle n ≥ 1 liegt zwischen n und 2n mindestens eine Primzahl.
(Bertrandsches Postulat)
Diese Dichteeigenschaft der Primzahlen wurde 1845 von dem französischen
Mathematiker Joseph Bertrand vermutet und 1850 von Pafnuty Chebyshev mit
analytischen Hilfsmitteln bewiesen. Ein elementarer (aber keineswegs trivialer)
Beweis, bei dem Eigenschaften von Binomialkoeffizienten im Zentrum stehen,
wurde von Paul Erdös 1932 veröffentlicht. Bis heute offen ist dagegen die ver-
wandte Frage:
Für alle n ≥ 1 liegt zwischen n2 und (n + 1)2 mindestens eine Primzahl.
(Legendre Vermutung)
Primzahlen: Eine unerschöpfliche Schatztruhe der Mathematik.

Übungen
Übung 1
(a) Welche der Zahlen 2n − 1 für n = 2, …, 11 sind prim und welche
nicht?
(b) Zeigen Sie: Ist n ≥ 2 und p = 2n − 1 prim, so ist n prim.
[ Hinweis: ak − 1 = (ak − 1 + ak − 2 + … + a1 + a0 ) (a − 1) ]
(c) Zeigen Sie: Sind a, n ≥ 2 und ist an − 1 prim, so ist a = 2 (und n prim).
Die Zahlen Mn = 2n − 1, n ≥ 1, heißen Mersenne-Zahlen. Ist eine Mersenne-
Zahl Mn prim, so heißt Mn eine Mersenne-Primzahl. Es ist ein offenes
Problem, ob es unendlich viele Mersenne-Primzahlen gibt. Der Leser
konsultiere auch www.mersenne.org.
Übung 2
(a) Erstellen Sie eine Tabelle, die alle Primzahlen kleiner als 100 in
Primzahlen p mit p ; 1 (4) und p ; 3 (4) unterteilt.
(b) Zeigen Sie, dass es unendlich viele Primzahlen p gibt mit p ; 3 (4).
[ Hinweis: Betrachten Sie a = 2 ⋅ 2 ⋅ p1 ⋅ … ⋅ pn − 1 und orientieren Sie
sich am Beweis der Unendlichkeit der Menge der Primzahlen von
Euklid. Dass es unendlich viele Primzahlen p mit p ; 1 mod(4) gibt,
ist schwieriger zu zeigen. Wir geben später einen Beweis mit Hilfe
des Satzes von Fermat. ]
Übung 3
Zeigen Sie, dass für alle a, d mit d ≠ 0 gilt:
d | a genau dann, wenn ∀p prim exp (d) ≤ exp (a)
Übung 4
Geben Sie eine Formel für die Anzahl τ(n) der Teiler d ≥ 1 einer natürli-
chen Zahl n ≥ 1 an und beweisen Sie diese Formel.
Übung 5
(a) Berechnen Sie für einige m, k ≥ 1 Summen der Form
m + (m + 1) + … + (m + k).
(b) Formulieren Sie eine Hypothese, welche Zahlen n ≥ 1 sich als Summen
wie in (a) darstellen lassen (mit mindestens zwei Summanden).
(c) Beweisen Sie Ihre Hypothese.

2. Primzahlen 43
Übung 6
Berechnen Sie für einige Primzahlen p dasjenige r P { 0, …, p − 1 } mit
(p − 1)! ; r (p).
Stellen Sie eine allgemeine Hypothese auf und versuchen Sie diese zu
beweisen.
[ Hinweis: Paarbildung mit Zahlen a, b mit a b ; 1 (p). ]
Übung 7
Sei n ≥ 6 eine zusammengesetzte Zahl. Zeigen Sie, dass
(n − 1)! ; 0 (n).
Übung 8
Sei p eine Primzahl mit p ; 1 (3). Zeigen Sie, dass p ; 1 (6).
Übung 9
Sei n ≥ 1. Zeigen Sie, dass eine drei Zahlen n, n + 2, n + 4 durch 3 teilbar ist,
sodass es mit Ausnahme von (3, 5, 7) keinen Primzahldrilling der Form
(p, p + 2, p + 4) geben kann.
Übung 10
Ein alternativer Beweis der Unendlichkeit der Menge der Primzahlen:
n
Für jedes n ≥ 0 sei Fn = 22 + 1 die n-te Fermat-Zahl.
(a) Seien 0 ≤ m < n. Zeigen Sie, dass Fm | (Fn − 2).
(b) Seien 0 ≤ m < n. Zeigen Sie mit Hilfe von (a), dass Fm und Fn keine
gemeinsamen Teiler d ≥ 2 besitzen.
(c) Folgern Sie aus (b), dass es unendlich viele Primzahlen gibt.
[ Hinweis zu (a): Verwenden Sie, dass (Fn − 2)/Fm = (ak − 1)/(a + 1) P N für
gewisse a ≥ 1 und k ≥ 2, k gerade. Alternativ: Zeigen Sie durch Induktion,
dass Fn = F0 … Fn − 1 + 2 für alle n ≥ 1. ]
Ist eine Fermat-Zahl Fn prim, so heißt Fn eine Fermat-Primzahl. Die

Fermat-Zahlen
F0 = 3, F1 = 5, F2 = 17, F3 = 257, F4 = 65537
sind prim. Weitere Fermatsche-Primzahlen sind nicht bekannt. Beispiels-
weise gilt
F5 = 4294967297 = 641 ⋅ 6700417.
Es ist ein offenes Problem, ob es unendlich viele Fermat-Primzahlen gibt.

3. Der größte gemeinsame Teiler
Wir setzen unsere Untersuchung des Teilbarkeitsbegriffs fort und betrachten

den größten gemeinsamen Teiler zweier Zahlen. Dieser Teiler lässt sich aus den
Primfaktorzerlegungen der beteiligten Zahlen ablesen. Sind die Primfaktorzer-
legungen nicht bekannt, so ist die Verwendung des Euklidischen Algorithmus
eine effektive Methode zur Berechnung des größten gemeinsamen Teilers. Wir
diskutieren diesen sehr bedeutsamen und mathematisch reichhaltigen Algorith-
mus in verschiedenen Varianten.

ggT und kgV
Je zwei von Null verschiedene ganze Zahlen besitzen jeweils nur endlich viele
Teiler, sodass es einen größten gemeinsamen Teiler gibt. Genauer definieren wir:
Definition (größter gemeinsamer Teiler, teilerfremd, relativ prim)

Seien a, b ganze Zahlen, die nicht beide 0 sind. Dann setzen wir
ggT(a, b) = max d ≥ 1 (d | a und d | b).
Weiter setzen wir ggT(0, 0) = 0. Die Zahl ggT(a, b) heißt der größte
gemeinsame Teiler von a und b. Zwei ganze Zahlen a und b heißen
teilerfremd oder relativ prim, falls ggT(a, b) = 1. Wir schreiben auch (a, b)
statt ggT(a, b).
Die Notation (a, b) ist nicht ganz ungefährlich, da auch geordnete Paare so be-
zeichnet werden. Solange keine Verwechslungsgefahr besteht, ist die Klammer-
notation aber oftmals deutlich übersichtlicher.
Eine bekannte Anwendung des ggT ist das Kürzen von Brüchen: Ist a/b P Q
mit a, b ≠ 0 und d = (a, b), so ist a′/b′ mit a′ = a/d und b′ = b/d der gekürzte Bruch.
Es gilt a/b = a′/b′ und die Zahlen a′ und b′ sind relativ prim.
Der ggT lässt sich geometrisch mit Hilfe von Rechtecksflächen visualisieren:
Geometrische Interpretation von ggT(12, 30) = 6
Weiter definieren wir:
Definition (kleinstes gemeinsames Vielfaches)

Seien a, b ganze von 0 verschiedene Zahlen. Dann setzen wir
kgV(a, b) = min c ≥ 1 (a | c und b | c).
Weiter setzen wir kgV(0, a) = kgV(a, 0) = 0 für alle ganzen Zahlen a. Die
Zahl kgV(a, b) heißt das kleinste gemeinsame Vielfache von a und b. Wir
schreiben auch [ a, b ] statt kgV(a, b).

3. Der größte gemeinsame Teiler 47
In den meisten Anwendungen ist a, b ≠ 0 oder sogar a, b ≥ 1. Wir nehmen die

Fälle a = 0 und b = 0 mit auf, damit (a, b) und [ a, b ] für alle ganzen Zahlen erklärt
sind. Wir werden sehen, dass die Operationen den Charakter eines Durch-
schnitts bzw. einer Vereinigung haben.
Beide Definitionen lassen sich leicht auf mehr als zwei Zahlen verallgemei-
nern. Dadurch ist der größte gemeinsame Teiler ggT(a1 , …, an ) und das kleinste
gemeinsame Vielfache kgV(a1 , …, an ) von a1 , …, an definiert. Erneut verwenden
wir auch die vereinfachten Notationen (a1 , …, an ) und [ a1 , …, an ].
Beispiele
(1) (6, −15) = 3, (4, 0) = 4, (2, 5) = 1, 2 und 5 sind relativ prim,
(2) (4, 8, 10) = 2, (3, 7, 9, 0) = 1,
(3) [ 3, 5 ] = 15, [ 4, 12 ] = 12, [ 0, 1 ] = [ 1, 0 ] = [ 0, 0 ] = 0,
(4) [ 2, 3, 15 ] = 30, [ 10, 8, 0 ] = 0.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
3 1 1 3 1 1 3 1 1 3 1 1 3 1 1 3 1 1 3 1 1
4 1 2 1 4 1 2 1 4 1 2 1 4 1 2 1 4 1 2 1 4
5 1 1 1 1 5 1 1 1 1 5 1 1 1 1 5 1 1 1 1 5
6 1 2 3 2 1 6 1 2 3 2 1 6 1 2 3 2 1 6 1 2
7 1 1 1 1 1 1 7 1 1 1 1 1 1 7 1 1 1 1 1 1
8 1 2 1 4 1 2 1 8 1 2 1 4 1 2 1 8 1 2 1 4
9 1 1 3 1 1 3 1 1 9 1 1 3 1 1 3 1 1 9 1 1
10 1 2 1 2 5 2 1 2 1 10 1 2 1 2 5 2 1 2 1 10
11 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1
12 1 2 3 4 1 6 1 4 3 2 1 12 1 2 3 4 1 6 1 4
13 1 1 1 1 1 1 1 1 1 1 1 1 13 1 1 1 1 1 1 1
14 1 2 1 2 1 2 7 2 1 2 1 2 1 14 1 2 1 2 1 2
15 1 1 3 1 5 3 1 1 3 5 1 3 1 1 15 1 1 3 1 5
16 1 2 1 4 1 2 1 8 1 2 1 4 1 2 1 16 1 2 1 4
17 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 17 1 1 1
18 1 2 3 2 1 6 1 2 9 2 1 6 1 2 3 2 1 18 1 2
19 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 19 1
20 1 2 1 4 5 2 1 4 1 10 1 4 1 2 5 4 1 2 1 20
ggT(a, b) für a, b = 1, …, 20. Die 1-Einträge markieren teilerfremde Paare.

Für alle a, b P Z gilt (a, b) | a, (a, b) | b, (a, b) ≤ max(| a |, | b |). Für a ≠ 0 gilt
(a, b) ≤ |a|. Analoges gilt für b, sodass (a, b) ≤ min(|a|, |b|) für a,b ≠ 0. Weitere
Eigenschaften des ggT sind:
Satz (Eigenschaften des ggT)

Für alle ganzen Zahlen a, b, c, d, e, n, m gilt:
(G1) (a, a) = (0, a) = |a|,
(G2) (a, b) = (b, a) = (|a|, |b|),
(G3) a | b genau dann, wenn (a, b) = |a|,
(G4) a ≠ 0 impliziert (a, b) ≤ (a, n a + mb),
(G5) (a, b) = (a, na + b), speziell (a, b) = (a, b − a) = (a − b, b),
(G6) e | a und e | b impliziert e | (a, b),
(G7) (c a, c b) = |c| (a, b),
(G8) d | ab und (d, a) = 1 impliziert d | b,
(G9) a | c, b | c und (a, b) = 1 impliziert ab | c,
(G10) (a, c) = 1 und (b, c) = 1 impliziert (ab, c) = 1.
Beweis
Die ersten fünf Eigenschaften folgen aus der Definition und den elementa-
ren Eigenschaften der Teilbarkeitsrelation. Die anderen Eigenschaften
lassen sich mit Hilfe der Eindeutigkeit der Primfaktorzerlegung leicht
einsehen. Exemplarisch beweisen wir die Eigenschaft (G8) für a, b, d ≥ 1:
Sei d ein Teiler von ab. Dann gilt
exp (d) ≤ exp (ab) = exp (a) + exp (b) für alle Primzahlen p.
Ist nun (d, a) = 1, so gilt exp (a) = 0 für alle Primteiler p von d. Hieraus folgt
exp (d) ≤ 0 + exp (b) = exp (b) für alle Primteiler p von d.
Dies zeigt, dass d | b.
Anschaulicher formuliert lautet der Beweis von (G8) einfach: Ist d ein Teiler
des Produkts ab und teilerfremd zu a, so ist die PFZ von d in der PFZ von b ent-
halten, sodass d ein Teiler von b ist.
Die folgende Aussage ist ein Spezialfall von (G8):
Ist p prim und p | ab, so gilt p | a oder p | b. (Teilbarkeitssatz von Euklid)
Teilt eine Primzahl also ein Produkt zweier Zahlen, so teilt sie einen Faktor.
Diese keineswegs triviale Aussage spielt beim klassischen Beweis der Eindeutig-
keit der Primfaktorzerlegung eine Schlüsselrolle, denn aus der Verallgemeine-

rung des Teilbarkeitssatzes auf mehr als zwei Faktoren lässt sich die Eindeutig-
keit der Primfaktorzerlegung leicht gewinnen. Der Teilbarkeitssatz selbst muss
direkt bewiesen werden. Wir diskutieren dies in den Übungen.
Für das kgV gelten analoge Eigenschaften. Wir verzichten hier auf eine Liste,
notieren aber exemplarisch die zur Eigenschaft (G6) analoge Eigenschaft:
Für alle a, b, c gilt: a | c und b | c impliziert kgV(a, b) | c.
Das kgV ist also die minimale multiplikative Verschmelzung zweier Zahlen.
Liegen Primfaktorzerlegungen der beteiligten Zahlen vor, so lassen sich die
beiden Größen ggT und kgV leicht ablesen:
Beispiele
Für a = 171500 und b = 907500 gilt:
a = 23 ⋅ 54 ⋅ 73 = 23 ⋅ 30 ⋅ 54 ⋅ 73 ⋅ 110
b = 22 ⋅ 31 ⋅ 54 ⋅ 112 = 22 ⋅ 31 ⋅ 54 ⋅ 70 ⋅ 112
(a, b) = 22 ⋅ 54 = 22 ⋅ 30 ⋅ 54 ⋅ 70 ⋅ 110 = 2500
[a, b] = 23 ⋅ 31 ⋅ 54 ⋅ 73 ⋅ 112 = 23 ⋅ 31 ⋅ 54 ⋅ 73 ⋅ 112 = 622545000
Kurz:
Bilde Minima bzw. Maxima in den Exponenten.
Die formale Fassung dieser Überlegung lautet:
Satz (Bestimmung von ggT und kgV über die PFZ)

Für alle a, b ≥ 1 gilt:
(a, b) = ∏ p prim pmin(exp (a), exp (b)) , [ a, b ] = ∏ p prim pmax(exp (a), exp (b)) .
Hieraus gewinnen wir:
Korollar (Produktsatz)
Für alle a, b gilt |a b| = (a, b) [ a, b ].
Beweis
Es genügt, die Aussage für a, b ≥ 1 zu beweisen. Für a, b ≥ 1 gilt aber
a b = ∏ p prim pexp (a) ∏ p prim pexp(b) = ∏ p prim pexp (a) + exp(b)
= ∏ p prim pmin(exp (a), exp(b)) + max(exp(a), exp (b))
= ∏ p prim pmin(exp (a), exp(b)) ∏ p prim pmax(exp(a), exp (b))
= (a, b) [ a, b ].

Der Euklidische Algorithmus
Die Bestimmung des größen gemeinsamen Teilers über die Primfaktorzerle-

gung ist theoretisch elegant, aber praktisch oft nur schwer durchführbar, da die
Primfaktorzerlegung in der Regel sehr aufwendig zu berechnen ist. Ein effektives
und mathematisch zudem sehr schönes und gehaltvolles Verfahren zur Berech-
nung des größten gemeinsamen Teilers ist:
Euklidischer Algorithmus, Version I: einfache Wechselwegnahme

Seien a, b > 0. Wir ziehen wiederholt die kleinere Zahl von der größeren
Zahl ab. Wir stoppen mit Ergebnis g ≥ 1, wenn beide Zahlen durch diese
Wegnahme gleich g geworden sind.
Beispiel
Für 48 und 15 liefert das Verfahren die Folge von Zahlenpaaren:
48, 15 33, 15 18, 15 3, 15
3, 12 3, 9 3, 6 3, 3
Das Ergebnis der Berechnung ist g = 3.
Wie bei jedem Algorithmus müssen wir uns überlegen, ob und gegebenenfalls
für welche Startwerte das Verfahren terminiert, d. h. ein Ergebnis erzeugt. Für
den Euklidischen Algorithmus ist dies einfach: In jedem Schritt wird eine der
beiden Zahlen kleiner. Da es in den natürlichen Zahlen keine unendlichen strikt
absteigenden Folgen gibt, muss das Verfahren für beliebig große Startwerte nach
endlich vielen Schritten abbrechen.
Weiter müssen wir zeigen, dass das Verfahren leistet, was wir von ihm erwar-
ten. Wir formulieren und beweisen:
Satz (Korrektheit des Euklidischen Algorithmus)

Der Euklidische Algorithmus liefert für alle a, b > 0 den größten gemeinsa-
men Teiler g = ggT(a, b) der beiden Zahlen.
Beweis
Seien a, b > 0. Nach der Eigenschaft (G5) bleibt der größte gemeinsame
Teiler beim Übergang von
a, b zu a, b − a bzw. a, b zu a − b, b
erhalten. Induktiv folgt, dass alle durch die Berechnung erzeugten
Zahlenpaare denselben ggT besitzen. Damit gilt insbesondere
(a, b) = (g, g) = g.

Der Leser wird bei der Betrachtung des obigen Beispiels festgestellt haben,
dass die 15 dreimal in die 48 und die 3 fünfmal in die 15 hineinpasst. Er wird sich
vielleicht gefragt haben, warum wir wiederholten Subtraktionen nicht zusam-
mengefasst haben. Die Antwort ist: „Ziehe die kleinere von der größeren Größe
ab.“ ist die einfachste Formulierung des Verfahrens bringt seine Idee vielleicht
am besten zur Geltung. Natürlich lassen sich wiederholte Wegnahmen auf der
gleichen Seite bündeln. Dieses Vorgehen entspricht einer wiederholten Division
mit Rest und führt zu folgender Version des Verfahrens:
Euklidischer Algorithmus, Version II: Division mit Rest

Seien a > b > 0. Wir setzen a0 = a, a1 = b und definieren mit Hilfe von
Division mit Rest Zahlen a2 > … > an + 1 > 0 und Vielfachheitsquotienten
q0 , …, qn durch
a0 = q 0 a1 + a2 0 < a2 < a1
a1 = q 1 a2 + a3 0 < a3 < a2
a2 = q 2 a3 + a4 0 < a4 < a3
…
an = qn an + 1
Wir beenden das Verfahren mit Ergebnis an + 1 .
Der Leser beachte, dass in jedem Schritt der letzte Quotient zur neuen zu divi-
dierenden Zahl und der letzte Rest zum neuen Quotienten wird.
Die zweite Version unterscheidet sich von der ersten im Wesentlichen da-
durch, dass mehrere Schritte zu einem Schritt zusammengefasst werden. Damit
ist das Ergebnis der Berechnung erneut der ggT der beiden Anfangszahlen, d. h.
es gilt an + 1 = ggT(a, b).
Beispiel
Angewendet auf a = a0 = 129 und b = a1 = 33 erhalten wir:
129 = 3 ⋅ 33 + 30 q0 = 3 a2 = 30
33 = 1 ⋅ 30 + 3 q1 = 1 a3 = 3
30 = 10 ⋅ 3 q2 = 10
Damit ist (a, b) = (129, 33) = a3 = 3.
Der Euklidischen Algorithmus lässt sich mit Hilfe von Rechtecksflächen visu-
alisieren: Von einem Rechteck werden solange Quadrate abgetrennt, bis ein
Quadrat entsteht. Die Seitenlänge dieses Quadrats ist der größte gemeinsame
Teiler der Rechtsecksseiten. In den folgenden Diagrammen ändern wir die Farbe
der entfernten Quadrate bei jedem kleiner-größer-Wechsel der Seitenlängen,
sodass die Folge der Vielfachheitsquotienten sichtbar wird.

ggT(39, 12) = 3, Quotientenfolge: 3, 4
ggT(36, 14) = 2, Quotientenfolge: 2, 1, 1, 3
ggT(34, 21) = 1, Quotientenfolge: 1, 1, 1, 1, 1, 1, 2

ggT(153, 112) = 1, Quotientenfolge: 1, 2, 1, 2, 1, 2, 1, 2
Kettenbrüche
Eine natürliche Frage ist, ob sich zu einer gegebenen Folge q0 , …, qn positiver

Zahlen zwei Zahlen a, b konstruieren lassen, die q0 , …, qn als Quotientenfolge
erzeugen, wenn der Euklidische Algorithmus durchgeführt wird. Wir schreiben
hierzu die Rekursion des Algorithmus in der dividierten Form
a0 a2 a1 a3 an
= q0 + , = q1 + , …, = qn .
a1 a1 a2 a2 an + 1
Dann gilt
a a0 a2 1 1
= = q0 + = q0 + = q0 + = …
b a1 a1 a1 /a2 q1 + a3 /a2
Diese Überlegung motiviert die folgende Definition:
Definition (Kettenbruch)
Der Kettenbruch [ q0 , …, qn ] P Q wird für n ≥ 0 und q0 , …, qn ≥ 1 rekursiv
definiert durch
1
[ q0 ] = q0 , [ q0 , , …, qn ] = q0 + für n ≥ 1.
[ q1 , …, qn ]

Die Kettenbruchnotation mit eckigen Klammern hat mit dem gleich bezeich-
neten kgV der Zahlen q0 , …, qn nichts zu tun.
Beispiele
(1) Kettenbrüche werden „von hinten nach vorne“ berechnet:
[ 3 ] = 3,
[ 2, 3 ] = 2 + 1/[ 3 ] = 2 + 1/3 = 7/3,
[ 1, 2, 3 ] = 1 + 1/[ 2, 3] = 1 + 3/7 = 10/7.
(2) Bereits die formal einfachsten Kettenbrüche, die nur aus Einsen
bestehen, besitzen bemerkenswerte Eigenschaften. Wir berechnen:
[ 1 ] = 1,
[ 1, 1 ] = 1 + 1/1 = 2 = 2/1,
[ 1, 1, 1 ] = 1 + 1/2 = 3/2,
[ 1, 1, 1, 1 ] = 1 + 2/3 = 5/3,
[ 1, 1, 1, 1, 1 ] = 1 + 3/5 = 8/5.
Ein induktiver Beweis zeigt, dass für alle n ≥ 1 gilt:
[ 1, …, 1 ] = fn /fn − 1 (mit n Einsen im Kettenbruch),
wobei f0 , f1 , f2 , … = 1, 1, 2, 3, 5, 8, … die Folge der Fibonacci-Zahlen
ist, d. h. f0 = f1 = 1 und fn = fn − 2 + fn − 1 für alle n ≥ 2.
Wie angestrebt gilt (Beweis als Übung):
Satz (Kettenbrüche und Quotientenfolgen)

Seien a > b > 0 und q0 , …, qn ≥ 1 mit qn ≠ 1 und a/b = [ q0 , …, qn ] P Q.
Dann ist q0 , … qn die Quotientenfolge des Euklidischen Algorithmus
angewendet auf a, b.
Die Bedingung qn ≠ 1 lässt sich so einsehen: Der letzte Quotient qn im Euklidi-

schen Algorithmus kann nicht gleich 1 sein, da sonst an = an + 1 gelten würde, im
Widerspruch zu an + 1 < an . Die Identität [q0 , …, qn , 1] = [q0 , …, qn + 1] (Zweideu-
tigkeit der Kettenbruchdarstellung) illustriert diesen Sonderfall.
Unendliche Kettenbrüche
Der Euklidische Algorithmus lässt sich allgemein für beliebige reelle Größen
x,y > 0 erklären. Wir stellen einige Ergebnisse dieser Verallgemeinerung vor und
verweisen den Leser für eine ausführlichere Darstellung auf die Literatur.
Sind x > y > 0 gegeben, so können wir wie bisher wiederholt die kleinere von
der größeren Zahl abziehen; diese Reduktion lässt sich erneut in Form von Ein-

zelschritten oder in Form einer wiederholten Division mit Rest notieren. Das
Verfahren bricht genau dann nach endlich vielen Schritten ab, wenn der Quoti-
ent der beiden Größen rational ist, d. h. wenn x/y P Q. Andernfalls ergibt sich
eine unendliche Quotientenfolge q0 , q1 , …, qn , …, die zur Definition
[ q0 , q1 , …, qn , … ] = limn → ∞ [ q0 , …, qn ] (unendlicher Kettenbruch)
Anlass gibt. Gilt x/y = [q0 , q1 , q2 , …], so erzeugt der Euklidische Algorithmus für
x, y die Quotientenfolge q0 , q1 , … Speziell gilt dies für x = [ q0 , q1 , … ] und y = 1.
Jeder unendliche Kettenbruch ist eine irrationale Zahl und jede irrationale
Zahl größer als 1 lässt sich eindeutig als unendlicher Kettenbruch darstellen. Das
berühmteste Beispiel ist
1 + £5
[ 1, 1, 1, … ] = . (goldener Schnitt)
2
Zum Beweis setzen wir xn = [ 1, …, 1 ] (n Einsen) für alle n ≥ 1 und
x = [ 1, 1, 1, … ].
Nach Definition eines Kettenbruchs gilt xn + 1 = 1 + 1/xn . Damit erhalten wir
1 1
x = limn xn = limn xn + 1 = limn 1 + ( xn
)=1+ x
.
Hieraus folgt x2 = x + 1 und aus der Lösungsformel für quadratische Gleichungen

und x > 0 ergibt sich, dass x der goldene Schnitt ist. Aus dem zweiten Beispiel
oben erhalten wir, dass die Quotienten fn /fn − 1 der Fibonacci-Zahlen gegen den
goldenen Schnitt konvergieren.
Ein Rechteck, dessen Seitenlängen im Verhältnis des goldenen Schnitts stehen.

Der Euklidische Algorithmus liefert die unendliche Quotientenfolge 1, 1, 1, …

Linearkombinationen
Der Euklidische Algorithmus liefert mehr als eine effiziente Berechnung des
größten gemeinsamen Teilers zweier Zahlen. Durch Rückwärtsrechnen können
wir eine Darstellung des größten gemeinsamen Teilers als Linearkombination
der beiden Zahlen finden:
Beispiel: Der ggT als Linearkombination

In Fortsetzung des vorangehenden Beispiels rechnen wir zurück:
(129, 33) = 3
= 33 − 1 ⋅ 30
= 33 − 1 (129 − 3 ⋅ 33)
= 4 ⋅ 33 − 1 ⋅ 129.
Damit haben wir den größten gemeinsamen Teiler von a und b als
Linearkombination von a und b dargestellt. Die Koeffizienten dieser
Linearkombination sind 4 und −1.
Allgemein liefert dieses Rückwärtsrechnen:
Satz (Lemma von Bézout, I)

Seien a, b P Z. Dann ist (a, b) eine Linearkombination von a und b, die mit
Hilfe der Version II des Euklidischen Algorithmus gefunden werden kann.
Beweis
Wir dürfen a > b > 0 annehmen. Wir führen den Euklidischen Algorithmus
in der Variante II mit Ergebnis an + 1 durch und zeigen für alle k = 0, …, n + 1:
ak ist eine Linearkombination von a = a0 und b = a1 .
Die Aussage ist klar für k = 0 und k = 1. Für k = 2, …, n + 1 gilt:
ak = ak − 2 − qk − 2 ak − 1 .
Dies zeigt, dass ak eine Linearkombination von ak − 2 und ak − 1 ist. Damit
folgt die Behauptung durch eine endliche starke Induktion, denn eine
Linearkombination von Linearkombinationen ist wieder eine Linearkombi-
nation.
Klarheit über alle möglichen Linearkombinationen schafft:
Satz (Lemma von Bézout, II)

Seien a, b P Z. Dann gilt:
{ na + mb | n, m P Z } = { d (a, b) | d P Z }.

Mit anderen Worten: Die Linearkombinationen zweier Zahlen sind genau die
ganzzahligen Vielfachen des größten gemeinsamen Teilers der beiden Zahlen.
Beweis
zu ⊆ : Sei c = na + mb eine Linearkombination von a und b. Dann ist
(a, b) ein Teiler von c nach unserer Teilbarkeitseigenschaft (T7) (ein
gemeinsamer Teiler von a und b ist auch ein Teiler einer Linearkombi-
nation von a und b). Folglich gibt es ein d mit d (a, b) = c. Dies zeigt,
dass die Menge auf der linken Seite eine Teilmenge der Menge auf der
rechten Seite ist.
zu ⊇ : Wir wissen, dass (a, b) eine Linearkombination von a und b ist. Da
ein ganzzahliges Vielfaches einer Linearkombination zweier Zahlen
wieder eine solche ist, ist d (a, b) für alle ganzen Zahlen d eine Linear-
kombination von a und b. Damit ist die Menge auf der rechten Seite
eine Teilmenge der Menge auf der linken Seite.
Beispiel
Die Linearkombinationen der Zahlen 15 und 6 sind nach dem Satz genau
die ganzzahligen Vielfachen von 3 = (15, 6). Mit Hilfe einer Tabelle können
wir die Struktur dieser Linearkombinationen veranschaulichen:
−18 −12 −6 0 6 12 18
−45 −63 −57 −51 −45 −39 −33 −27
−30 −48 −42 −36 −30 −24 −18 −12
−15 −33 −27 −21 −15 −9 −3 3
0 −18 −12 −6 0 6 12 18
15 −3 3 9 15 21 27 33
30 12 18 24 30 36 42 48
45 27 33 39 45 51 57 63
Linearkombinationen der Zahlen 6 und 15
Der Euklidische Algorithmus liefert 15 = 2 ⋅ 6 + 3, sodass

3 = 1 ⋅ 15 − 2 ⋅ 6.
Eine nichttriviale Darstellung der 0 erhalten wir mit 30 = [ 15, 6 ] durch
0 = 30 − 30 = 2 ⋅ 15 − 5 ⋅ 6.
Damit erhalten wir die zweite 3 der Tabelle:
3 = 3 − 0 = 1 ⋅ 15 − 2 ⋅ 6 − 2 ⋅ 15 + 5 ⋅ 6 = −1 ⋅ 15 + 3 ⋅ 6.

Der Chinesische Restsatz
Als Anwendung der Ergebnisse zeigen wir einen klassischen Satz über das simul-
tane Lösen von Kongruenzen. Zur Motivation betrachten wir die Kongruenzen
x ; 2 mod(3) und x ; 4 mod(5).
Die erste Kongruenz hat die Lösungen
…, −1, 2, 5, 8, 11, 14 , …,
die zweite die Lösungen
…, −1, 4 , 9 , 14, 19, 24, …
Wir sehen, dass genau die ganzen Zahlen
…, −1, 14, 29, …
beide Kongruenzen simultan lösen. Es stellen sich die Fragen, ob und wann eine
simultane Lösung zweier Kongruenzen immer existiert, und wie wir im Fall der
Existenz eine Lösung effektiv berechnen können. Die Existenzfrage ist im Allge-
meinen zu verneinen. Zum Beispiel haben die Kongruenzen
x ; 0 mod(2) und x ; 1 mod(6)
keine gemeinsame Lösung. Der folgende Satz besagt, dass für teilerfremde Mo-
duln stets eine Lösung existiert, und dass diese Lösung modulo dem Produkt der
Moduln eindeutig ist:
Satz (Chinesischer Restsatz)

Seien m1 , m2 ≥ 1 teilerfremd, und seien a1 , a2 beliebig. Weiter sei m = m1 m2 .
Dann gibt ein modulo m eindeutig bestimmtes x mit
(+) x ; a1 mod(m1 ) und x ; a2 mod(m2 ).
Beweis
zur Existenz:
Mit Hilfe des Euklidischen Algorithmus können wir 1 = (m1 , m2 ) als
Linearkombination von m1 und m2 darstellen. Seien also n1 , n2 P Z mit
1 = n1 m1 + n2 m2 .
Nun setzen wir
x = a1 n2 m2 + a2 n1 m1 .
Dann ist x wie gewünscht, da
x ; a1 n2 m2 ; a1 (1 − n1 m1 ) ; a1 mod(m1 ),
x ; a2 n1 m1 ; a2 (1 − n2 m2 ) ; a2 mod(m2 ).

zur Eindeutigkeit:
Sind x und x′ wie in (+), so gilt x ; x′ mod(m1 ) und x ; x′ mod(m2 ).
Dann gilt m1 |(x − x′) und m2 |(x − x′). Wegen (m1 , m2 ) = 1 gilt also
m1 m2 |(x − x′). Damit ist x ; x′ mod(m1 m2 ).
Der konstruktive Beweis zeigt, wie sich die modulo m eindeutige Lösung be-
rechnen lässt. Das Verfahren ist auch für große Moduln sehr effizient.
Beispiel
Wir lösen die obigen Kongruenzen
2 ; x mod(3) und 4 ; x mod(5)
mit dem Verfahren des Beweises. Der Euklidische Algorithmus liefert
1 = 2 ⋅ 3 − 1 ⋅ 5.
Damit ist
x = a1 n2 m2 + a2 n1 m1 = 2 ⋅ (−1) ⋅ 5 + 4 ⋅ 2 ⋅ 3 = −10 + 24 = 14
die modulo 15 eindeutige Lösung der Kongruenzen, in Übereinstimmung
mit der oben durch Auflisten gefundenen Lösung.
Das Ergebnis lässt sich auf mehr als zwei Kongruenzen verallgemeinern:
Satz (Chinesischer Restsatz, allgemeine Form)

Sei r ≥ 2, und seien m1 , …, mr ≥ 1 paarweise teilerfremd. Weiter seien
a1 , …, ar ≥ 1 beliebig. Dann gibt es ein modulo m = m1 … mr eindeutig
bestimmtes x mit
(+) x ; ai mod(mi ) für alle 1 ≤ i ≤ r.
Um eine Lösung von (+) effektiv zu bestimmen, können wir die beiden ersten
Kongruenzen zu
x ; a12 mod(m1 m2 )
zusammenfassen, wobei a12 die modulo m1 m2 eindeutige Lösung der beiden
Kongruenzen ist. Damit haben wir ein äquivalentes System mit r − 1 Kongruen-
zen erzeugt. Die Wiederholung dieser Reduktion liefert schließlich die modulo
m eindeutige Lösung des Systems.
Für den nicht teilerfremden Fall gilt (Übung):
Satz (Existenz simultaner Lösungen)

Sei r ≥ 2, und seien m1 , …, mr ≥ 1 und a1 , …, ar ≥ 1 beliebig. Dann gibt es
genau dann ein x mit x ; ai mod(mi ) für alle 1 ≤ i ≤ r, falls gilt
(mi , mj )|(ai − aj ) für alle 1 ≤ i < j < r.
Eine Lösung ist modulo kgV( m1 , …, mr ) eindeutig bestimmt.

Übungen
Übung 1
Beweisen Sie die Eigenschaften (G1) − (G5) des größten gemeinsamen
Teilers mit Hilfe der Eigenschaften der Teilbarkeitsrelation.
Übung 2
Beweisen Sie die Eigenschaft (G6) − (G10) des größten gemeinsamen
Teilers mit Hilfe der Eigenschaften der Teilbarkeitsrelation und der
Eindeutigkeit der Primfaktorzerlegung.
Übung 3
Sei n ≥ 2, und seien a1 , …, an + 1 P Z. Zeigen Sie:
(a1 , …, an + 1 ) = ((a1 , …, an ), an + 1 ).
Übung 4
Seien a, b, c P Z. Zeigen Sie, dass die folgenden Distributivgesetze gelten:
(a) (a, [ b, c ]) = [ (a, b), (a, c) ],
(b) [ a, (b, c) ] = ([ a, b ], [ a, c ]).
Übung 5
Führen Sie den Euklidischen Algorithmus für a = 132 und b = 84 in beiden
Versionen durch und stellen Sie (a, b) als Linearkombination von a und b dar.
Übung 6
Zeigen Sie mit Hilfe der Teilbarkeitseigenschaften (T1) − (T7) und der
Division mit Rest (ohne Verwendung der Eindeutigkeit der Primfaktorzer-
legung), dass für alle a, b, c, d, p gilt:
(a) a | c und b | c impliziert [ a, b ] | c,
(b) d | a und d | b impliziert d | (a, b),
(c) (ca, cb) = | c | (a, b),
(d) p prim und p | a b impliziert p | a oder p | b.
(Teilbarkeitssatz von Euklid)
[ zu (a): Verwenden Sie Division mit Rest.
zu (b): Sei v = [ d, (a, b) ]. Zeigen Sie v = (a, b) mit Hilfe von (a).
zu (c): Ohne Einschränkung seien a, b ≠ 0 und c > 0. Wir setzen d = (a, b)
und d′ = (ca, cb). Zeigen Sie cd ≤ d′ und weiter d′ ≤ cd mit Hilfe von (b).
zu (d): Verwenden Sie (c). ]

Übung 7
Zeigen Sie den Teilbarkeitssatz von Euklid mit Hilfe des Ergebnisses, dass
der größte gemeinsame Teiler zweier Zahlen eine Linearkombination der
beiden Zahlen ist.
Übung 8
Zeigen Sie die Eindeutigkeit der Primfaktorzerlegung mit Hilfe des
Teilbarkeitssatzes von Euklid.
Übung 9
Sei A eine unendliche Menge ganzer Zahlen, und sei d ≥ 1 die größte Zahl,
die alle Elemente von A teilt. Zeigen Sie, dass a1 , …, an P A existieren mit
d = (a1 , …, an ).
Übung 10
Sei n ≥ 2, und seien a1 , …, an P Z. Zeigen Sie, dass
{ k1 a1 + … + kn an | k1 , …, kn P Z } = { d (a1 , …, an ) | d P Z }.
Übung 11
Zeigen Sie, dass für alle q0 , …, qn ≥ 1 gilt: [ q0 , …, qn , 1 ] = [ q0 , …, qn + 1 ].
Übung 12
Seien q0 , …, qn ≥ 1 mit qn ≠ 1. Weiter seien a > b ≥ 1 mit a/b = [ q0 , …, qn ].
Zeigen Sie, dass q0 , …, qn die Folge der Quotienten ist, die der Euklidische
Algorithmus für a, b erzeugt.
Übung 13
Berechnen Sie die Kettenbrüche
[ 2 ], [ 2, 2 ], [ 2, 2, 2 ], [ 2, 2, 2, 2 ], [ 2, 2, 2, 2, 2 ]
in Form gekürzter Brüche. Bestimmen Sie zudem den Wert der unendli-
chen Kettenbrüche [ 2, 2, 2, … ] und [ 1, 2, 2, 2, … ].
Übung 14
Seien A, B, C, D, E die Ecken eines regelmäßigen Fünfecks mit Seiten-
länge AB = 1 und Diagonale d = AC. Zeigen Sie durch geometrische
Argumentation, dass der Euklidische Algorithmus für d und 1 die
unendliche Quotientenfolge 1, 1, 1, … erzeugt, sodass d der goldene
Schnitt ist.
Übung 15
Sei d die Länge der Diagonale des Einheitsquadrats. Zeigen Sie durch
geometrische Argumentation, dass der Euklidische Algorithmus für d und 1
die unendliche Quotientenfolge 2, 1, 1, 1, … erzeugt. Dies liefert einen
weiteren Beweis für die Irrationalität der Quadratwurzel aus 2.

Übung 16
Bestimmen Sie die kleinste natürliche Zahl x ≥ 1, die bei Division durch 2,
3, 5 und 7 die Reste 0, 2, 3 bzw. 4 besitzt.
Übung 17
Lösen Sie die Kongruenz 17x ; 1 mod(60), indem die Kongruenzen
17x ; 1 mod(4), 17x ; 1 mod(3), 17x ; 1 mod(5)
durch Probieren lösen und den Chinesischen Restsatz anwenden.
Übung 18
Sei r ≥ 2, und seien m1 , …, mr ≥ 1 und a1 , …, ar ≥ 1 beliebig. Zeigen Sie,
dass die folgenden Aussagen äquivalent sind:
(a) Es gibt ein x mit x ; ai mod(mi ) für alle 1 ≤ i ≤ r.
(b) (mi , mj )|(ai − aj ) für alle 1 ≤ i < j < r.
Zeigen Sie weiter, dass im Fall der Existenz eine Lösung x modulo dem kgV
m = [ m1 , …, mr ] der Moduln eindeutig bestimmt ist.

4. Die Eulersche ϕ-Funktion
Die Eulersche ϕ-Funktion gibt für jede positive Zahl m an, wie viele zu m teiler-
fremde Zahlen im Intervall zwischen 1 und m liegen. Diese zahlentheoretische
Funktion spielt eine Schlüsselrolle in der Theorie der Kongruenzen. Sie ist ein
Paradebeispiel für eine multiplikative Funktion, also eine Funktion f : N* → N*
mit der Eigenschaft
f(m1 m2 ) = f(m1 ) f(m2 ) für alle teilerfremden m1 , m2 ≥ 1.

Die Kürzungsregel für Kongruenzen
Wir beginnen mit einer sehr nützlichen Regel über das Kürzen von Faktoren
in Kongruenzen.
Satz (Kürzungsregel für Kongruenzen)

Seien a, b, c, m P Z mit m ≥ 1. Dann sind äquivalent:
(a) ca ; cb mod(m).
(b) a ; b mod(m/(c, m)).
Sind c und m teilerfremd, so gilt
ca ; cb mod(m) genau dann, wenn a ; b mod(m)
Beweis
Die zweite Äquivalenz ergibt sich aus der ersten für den Spezialfall (m, c) = 1.
Es genügt also, die erste Äquivalenz zu zeigen. Zur Vereinfachung der
Notation setzen wir
m c
m′ = und c′ = .
(c, m) (c, m)
(a) impliziert (b):

Es gelte ca ; cb (m). Wegen m | c(a − b) gilt m′ | c′ (a − b). Da die
Zahlen m′ und c′ teilerfremd sind, muss m′ | (a − b) gelten. Also gilt wie
gewünscht a ; b (m′).
(b) impliziert (a):
Es gelte a ; b (m′). Dann gilt m′ | (a − b), sodass m | (c, m) (a − b). Aus
(c, m) | c folgt m | c (a − b) = ca − cb und damit ca ; cb (m).
Wir betrachten einige Beispiele.
Beispiele
(1) Es gilt 4 ; 28 (3). Wegen (2, 3) = (4, 3) = 1 können wir durch 2 und 4
Kürzen. Es gilt 2 ; 14 (3) und 1 ; 7 (3).
(2) Es gilt 4 ; 8 (4). Wegen non(2 ; 4 (4)) ist das Kürzen durch 2 ohne
Veränderung des Moduls nicht möglich. Die Kürzungsregel liefert
wegen 4/(2, 4) = 2 die korrekte Aussage 2 ; 4 (2).
(3) Es gilt 4 ; 12 (4). Weiter ist 2 ; 6 (4) korrekt, aber durch die
Kürzungsregel nicht abgedeckt, da (2, 4) = 2. Die Kürzungsregel liefert
lediglich 2 ; 6 (2).

4. Die Eulersche ϕ-Funktion 65
Die ϕ-Funktion
Die Kürzungsregel zeigt, dass die zu einem Modul m teilerfremden Zahlen

gute Eigenschaften besitzen. Modulo m können wir diese Zahlen immer zwi-
schen 1 und m wählen. Die folgende Funktion zählt, wie viele derartige Zahlen
es in Abhängigkeit des Moduls gibt:
Definition (Eulersche ϕ-Funktion)

Wir definieren ϕ : N* → N* durch
ϕ(m) = | { n | 1 ≤ n ≤ m und (n, m) = 1 } | für alle m ≥ 1.
Die Funktion ϕ heißt die Eulersche ϕ-Funktion.
Hier und im Folgenden bezeichnet |A| die Anzahl der Elemente einer endli-
chen Menge A. Nach Definition gilt ϕ(1) = 1. Für alle m ≥ 2 ist ϕ(m) die Anzahl
der zu m teilerfremden Zahlen r mit 1 ≤ r < m. Wir erläutern die Definition durch
einige Beispiele.
m teilerfremde n mit 1 ≤ n ≤ m ϕ(m)

1 1 1
2 1 1
3 1, 2 2
4 1, 3 2
5 1, 2, 3, 4 4
6 1, 5 2
7 1, 2, 3, 4, 5, 6 6
8 1, 3, 5, 7 4
9 1, 2, 4, 5, 7, 8 6
10 1, 3, 7, 9 4
11 1, …, 10 10
12 1, 5, 7, 11 4
13 1, …, 12 12
14 1, 3, 5, 9, 11, 13 6
15 1, 2, 4, 7, 8, 11, 13, 14 8
16 1, 3, 5, 7, 9, 11, 13, 15 8
17 1, …, 16 16
18 1, 5, 7, 11, 13, 17 6
19 1, …, 18 18
20 1, 3, 7, 9, 11, 13, 17, 19 8

Die Zahlen in der mittleren Spalte nennen wir auch die teilerfremden Reste mo-
dulo m, und wir zählen sie in der Form
1 = r1 < … < rϕ(m) ≤ m
auf. (Diese Sprechweise ist für m = 1 streng genommen nicht korrekt, da die 1
kein Rest einer Division durch 1 ist.) Für m = 10 sind also zum Beispiel
r1 = 1, r2 = 3, r3 = 7, r4 = 9
die teilerfremden Reste.
Weitere Werte der ϕ-Funktion bis einschließlich 100 können der folgenden
Tabelle entnommen werden. So ist zum Beispiel ϕ(36) = 12.
1 2 3 4 5 6 7 8 9 10
0+ 1 1 2 2 4 2 6 4 6 4
10 + 10 4 12 6 8 8 16 6 18 8
20 + 12 10 22 8 20 12 18 12 28 8
30 + 30 16 20 16 24 12 36 18 24 16
40 + 40 12 42 20 24 22 46 16 42 20
50 + 32 24 52 18 40 24 36 28 58 16
60 + 60 30 36 32 48 20 66 32 44 24
70 + 70 24 72 36 40 36 60 24 78 32
80 + 54 40 82 24 64 42 56 40 88 24
90 + 72 44 60 46 72 32 96 42 60 40
In graphischer Darstellung zeigen sich interessante Strukturen:
100
80
60
40
20
20 40 60 80 100
Verlauf der ϕ-Funktion bis m = 100

500
400
300
200
100
100 200 300 400 500
5000
4000
3000
2000
1000
1000 2000 3000 4000 5000
Nach diesem visuellen Eindruck über das Werteverhalten untersuchen wir

nun die allgemeinen Eigenschaften der ϕ-Funktion. Zunächst gilt (Übung):
Satz (elementare Eigenschaften der ϕ-Funktion)

Für alle m, n ≥ 1 gilt:
(a) ϕ(m) ≥ 1,
(b) ϕ(m) = 1 genau dann, wenn m = 1 oder m = 2,
(c) ϕ(m) = m − 1 genau dann, wenn m prim.

Vollständige und reduzierte Restsysteme
Aus obiger Tabelle ist keine einfache Formel zur allgemeinen Berechnung von
ϕ(m) ersichtlich. Überraschenderweise gibt es eine derartige Formel. Sie beruht
auf weitergehenden Eigenschaften der ϕ-Funktion. Um diese zu ergründen, be-
trachten wir die Reste modulo m noch etwas genauer. Wir definieren:
Definition (vollständiges und reduziertes Restsystem)

Sei m ≥ 1.
(a) Eine Menge A ⊆ Z heißt ein (vollständiges) Restsystem modulo m, falls
für alle r = 0, …, m − 1 genau ein a P A existiert mit a ; r (m).
(b) Eine Menge B ⊆ Z heißt ein reduziertes Restsystem modulo m, falls für
alle r = r1 , …, rϕ(m) genau ein b P B existiert mit b ; r (m).
Beispiele
(1) Für m = 1 und a beliebig ist { a } ein vollständiges und zudem auch ein
reduziertes Restsystem modulo 1.
(2) Sei m ≥ 1. Dann ist { 0, …, m − 1 } ein Restsystem und { r1 , …, rϕ(m) } ein
reduziertes Restsystem modulo m.
(3) Modulo 10 ist { 4, 5, 6, …, 13 } ein Restsystem. Weiter sind { 1, 3, 7, 9 }
und { 3, 9, 21, 27 } reduzierte Restsysteme, nicht aber { 2, 6, 14, 18 }.
Wir sagen auch, dass Zahlen a1 , …, ak ein (reduziertes) Restsystem modulo m

bilden, wenn { a1 , …, ak } ein solches System ist. Nützliche Äquivalenzen sind:
Satz (Äquivalenzen für Restsysteme)

Sei m ≥ 1. Dann gilt:
(a) Zahlen a1 , …, am bilden genau dann ein Restsystem modulo m, wenn
sie paarweise inkongruent modulo m sind.
(b) Zahlen b1 , …, bϕ(m) bilden genau dann ein reduziertes Restsystem
modulo m, wenn sie paarweise inkongruent und teilerfremd zu m sind.
(c) Ist A ein Restsystem modulo m, so ist B = { a P A | (a, m) = 1 } ein
Der Beweis sei dem Leser zur Übung überlassen. Nützlich hierbei ist:
(+) Für alle m ≥ 1 und alle a, b gilt: a ; b (m) impliziert (a, m) = (b, m).
Kurz: Kongruentes Ersetzen ändert den ggT mit dem Modul nicht. Speziell
bleibt die Teilerfremdheit von a und m erhalten, wenn wir a durch ein kongruen-
tes b ersetzen.
Zusammenfassend halten wir folgende anschauliche Beschreibung fest:

Prinzip der Umordnung modulo m

Ein vollständiges Restsystem a1 , …, am modulo m entsteht durch Permuta-
tion (Umordnung) der Zahlen 0, …, m − 1 modulo m:
Jede Zahl kann ihren Platz ändern und zudem durch eine modulo m
kongruente Zahl ersetzt werden.
Analog geht ein reduziertes Restsystem aus den Resten r1 , …, rϕ(m) durch
Umordnung und kongruente Ersetzung hervor.
Dieses Prinzip können wir visualisieren, indem wir kongruente Zahlen zeilen-
weise anordnen. Für den Modul m = 9 ergibt sich (mit rot = teilerfremd):
-46 -37 -28 -19 -10 -1 8 17 26 35 44 53 62
-47 -38 -29 -20 -11 -2 7 16 25 34 43 52 61
-48 -39 -30 -21 -12 -3 6 15 24 33 42 51 60
-49 -40 -31 -22 -13 -4 5 14 23 32 41 50 59
-50 -41 -32 -23 -14 -5 4 13 22 31 40 49 58
-51 -42 -33 -24 -15 -6 3 12 21 30 39 48 57
-52 -43 -34 -25 -16 -7 2 11 20 29 38 47 56
-53 -44 -35 -26 -17 -8 1 10 19 28 37 46 55
-54 -45 -36 -27 -18 -9 0 9 18 27 36 45 54
Ein vollständiges Restsystem modulo 9 erhalten wir, indem wir aus jeder Zeile
genau ein Element auswählen (dargestellt durch grüne Kreise). Die natürliche
(oder wie man in der Mathematik sagt „kanonische“) Wahl ist 0, …, 8, aber auch
9, −17, 2, 39, 40, −4, 6, 25, −10
ist möglich. Das kanonische reduzierte Restsystem modulo 9 ist
r1 = 1, r2 = 2, r3 = 4, r4 = 5, r5 = 7, r6 = rϕ(9) = 8,
aber auch
−17, 2, 40, −4, 25, −10
ist ein reduziertes Restsystem. Allgemein erhalten wir aus einem beliebigen voll-
ständigen Restsystem ein reduziertes System, indem wir alle Elemente streichen,
die nicht zu teilerfremden Zeilen gehören. Dieses Vorgehen motiviert die Be-
zeichnung „reduziert“.

Skalierung von Restsystemen
Unser erstes Ergebnis ist, dass Restsysteme bei der Multiplikation mit einer
zum Modul teilerfremden Zahl erhalten bleiben. Aus dieser Beobachtung wird
sich später der Satz von Euler in wenigen Zeilen ergeben.
Satz (Umordnungssatz für Reste)

Sei m ≥ 1, und sei c teilerfremd zu m. Dann gilt:
(a) { c0, c1, …, c(m − 1) } ist ein Restsystem modulo m.
(b) { cr1 , cr2 , …, crϕ(m) } ist ein reduziertes Restsystem modulo m.
Beweis
zu (a):
Die m Zahlen c 0, …, c (m − 1) sind nach der Kürzungsregel für
Kongruenzen wegen (c, m) = 1 paarweise inkongruent modulo m.
Damit bilden sie ein Restsystem modulo m.
zu (b):
Die ϕ(m) Zahlen c r1 , … c rϕ(m) sind nach der Kürzungsregel paarweise
inkongruent und wegen (m, c) = 1 teilerfremd zu m. Damit bilden sie
ein reduziertes Restsystem modulo m.
Definieren wir also f : { 0, …, m − 1 } → { 0, …, m − 1 } durch

f(a) = „das eindeutige r P { 0, …, m − 1 } mit ca ; r (m)“ für alle a,
so ist f bijektiv, also eine Permutation der Zahlen 0, …, m − 1. Analoges gilt für
die reduzierten Systeme.
Beispiele
(1) Sei m = 10. Für c = 3 ergibt sich:
a 0 1 2 3 4 5 6 7 8 9
ca 0 3 6 9 12 15 18 21 24 27
f(a) 0 3 6 9 2 5 8 1 4 7
Für die teilerfremden Reste r1 = 1, r2 = 3, r3 = 7, r4 = 9 modulo 10 gilt:
a 1 3 7 9
ca 3 9 21 27
f(a) 3 9 1 7

(2) Sei m = 12. Die folgende Tabelle listet alle Werte f(c1), …, f(c11) für
c = 0, …, 11 (c senkrecht). Es ergeben sich genau dann vollständige
Restsysteme (grüne Zeilen) modulo 12, wenn (c, 12) = 1. Reduzierte
Systeme sind durch rote Kreise markiert.
0 1 2 3 4 5 6 7 8 9 10 11
0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 1 2 3 4 5 6 7 8 9 10 11
2 0 2 4 6 8 10 0 2 4 6 8 10
3 0 3 6 9 0 3 6 9 0 3 6 9
4 0 4 8 0 4 8 0 4 8 0 4 8
5 0 5 10 3 8 1 6 11 4 9 2 7
6 0 6 0 6 0 6 0 6 0 6 0 6
7 0 7 2 9 4 11 6 1 8 3 10 5
8 0 8 4 0 8 4 0 8 4 0 8 4
9 0 9 6 3 0 9 6 3 0 9 6 3
10 0 10 8 6 4 2 0 10 8 6 4 2
11 0 11 10 9 8 7 6 5 4 3 2 1
Wir multiplizieren die Zahlen 0, 1, …, 11 nacheinander mit c = 0, …, 11 und

erhalten so modulo 12 rechnend die Zeilen der Tabelle. Eine Zeile ist genau
dann ein Restsystem modulo 12, wenn c und 12 teilerfremd sind.
Die Voraussetzung der Teilerfremdheit von c und m ist im Umordnungssatz

wesentlich. Ist d = (c, m) ≥ 2 und k = m/d, so gilt
0 ; c 0 ; c k mod(m),
sodass { c0, c1, …, c(m − 1) } kein Restsystem modulo m ist.
Als allgemeines Motiv halten wir fest:
Teilerfremdheit ist eine gute Voraussetzung in der Zahlentheorie.
Dieses Motiv spielt auch für die folgende weitere Untersuchung der ϕ-Funktion
eine Schlüsselrolle.

Multiplikativität und Berechnungsformel
Mit Hilfe von Restsystemen können wir nun eine nicht offensichtliche Ei-
genschaft der Eulerschen ϕ-Funktion beweisen:
Satz (Multiplikativität der ϕ-Funktion)

Seien m1 , m2 ≥ 1 teilerfremd. Dann gilt
ϕ(m1 m2 ) = ϕ(m1 ) ϕ(m2 ). (Multiplikativität der ϕ-Funktion)
Genauer sind
A = { r m2 + s m1 | r = 1, …, m1 ; s = 1, …, m2 }
B = { r m2 + s m1 P A | (r, m1 ) = 1, (s, m2 ) = 1 }
ein Restsystem bzw. ein reduziertes Restsystem modulo m = m1 m2 .
Die Voraussetzung der Teilerfremdheit ist wesentlich. Es gilt zum Beispiel

ϕ(4) = 2 ≠ 1 = ϕ(2) ϕ(2).
Beweis
Aus (m1 , m2 ) = 1 erhalten wir, dass für alle r, r′, s, s′ gilt (Übung):
(a) rm2 + sm1 ; r′m2 + s′m1 (m) genau dann, wenn r ; r′ (m1 ), s ; s′ (m2 ).
(b) (r m2 + s m1 , m) = 1 genau dann, wenn (r, m1 ) = (s, m2 ) = 1.
Speziell gilt |A| = m und |B| = ϕ(m1 )ϕ(m2 ). Nach (a) ist A ein Restsystem
modulo m, und nach (b) gilt
B = { a P A | (a, m) = 1 }.
Damit ist B ein reduziertes Restsystem modulo m.
Der Beweis erlaubt es, die teilerfremden Reste modulo m aus den teilerfrem-
den Resten der Faktoren m1 und m2 zu generieren:
Beispiele
(1) Seien m1 = 3 und m2 = 10. Dann gilt m = 30, ϕ(m1 ) = 2, ϕ(m2 ) = 4,
r1 = 1, r2 = 2, s1 = 1, s2 = 3, s3 = 7, s4 = 9,
B = { 1⋅10 + 1⋅3, …, 2⋅10 + 9⋅3 } = { 13, 19, 31, 37, 23, 29, 41, 47 }.
Übergang zu kongruenten Zahlen im Intervall 1, …, 30 liefert
C = { 13, 19, 1, 7, 23, 29, 11, 17 } = { 1, 7, 11, 13, 17, 19, 23, 29 }.
Die acht Elemente von C sind die teilerfremden Reste modulo 30.

(2) Seien nun n = 2 ⋅ 7 = 14 und m = 3 ⋅ 5 = 15, sodass nm = 210. Es gilt

ϕ(14) = 6, ϕ(15) = 8, ϕ(210) = 6 ⋅ 8 = 48.
In der folgenden Tabelle sind alle Werte rm + sn modulo mn eingetra-
gen (eine Permutation der Zahlen 0, …, 209). Rot markiert sind die 48
zu 210 teilerfremden Zahlen.
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
0 0 14 28 42 56 70 84 98 112 126 140 154 168 182 196
1 15 29 43 57 71 85 99 113 127 141 155 169 183 197 1
2 30 44 58 72 86 100 114 128 142 156 170 184 198 2 16
3 45 59 73 87 101 115 129 143 157 171 185 199 3 17 31
4 60 74 88 102 116 130 144 158 172 186 200 4 18 32 46
5 75 89 103 117 131 145 159 173 187 201 5 19 33 47 61
6 90 104 118 132 146 160 174 188 202 6 20 34 48 62 76
7 105 119 133 147 161 175 189 203 7 21 35 49 63 77 91
8 120 134 148 162 176 190 204 8 22 36 50 64 78 92 106
9 135 149 163 177 191 205 9 23 37 51 65 79 93 107 121
10 150 164 178 192 206 10 24 38 52 66 80 94 108 122 136
11 165 179 193 207 11 25 39 53 67 81 95 109 123 137 151
12 180 194 208 12 26 40 54 68 82 96 110 124 138 152 166
13 195 209 13 27 41 55 69 83 97 111 125 139 153 167 181
Die Multiplikativität von ϕ lässt sich auch elegant mit Hilfe des Chinesischen
Restsatzes beweisen:
Beweis der Multiplikativität mit Hilfe des Chinesischen Restsatzes

Da m1 und m2 teilerfremd sind, haben die Kongruenzen
x ; r (m1 ) und x ; s (m2 )
für alle 1 ≤ r ≤ m1 und 1 ≤ s ≤ m2 genau eine gemeinsame Lösung x mit
1 ≤ x ≤ m. Verschiedene Paare (r, s), (r′, s′) führen zu verschiedenen
Lösungen x, x′. Weiter gilt
(x, m) = 1 genau dann, wenn (r, m1 ) = 1 und (s, m2 ) = 1.
Dies zeigt, dass ϕ(m) = ϕ(m1 ) ϕ(m2 ).

Ohne weitere Schwierigkeiten erhalten wir nun eine Formel, die eine einfache
Berechnung von ϕ(m) erlaubt, wenn die Primteiler von m bekannt sind:
Satz (Berechnungsformel für die ϕ-Funktion)

Sei m = p1 e1 … pn en die Primfaktorzerlegung von m ≥ 2. Dann gilt
ϕ(m) = ∏ 1 ≤ k ≤ n ( pk ek − pk ek − 1 ) = m ∏ p prim, p | m ( 1 − 1/p ).
Beweis
Für alle Primzahlen p und alle e ≥ 1 gilt ϕ(pe ) = pe − pe − 1 , da im Intervall
von 1 bis pe genau die pe − 1 Zahlen
p, 2p, 3p, …, pe − 1 p
nicht teilerfremd zu p sind. Damit folgt die erste Formel aus der Multipli-
kativität von ϕ (da pi ei und pj ej für i ≠ j teilerfremd sind). Die zweite Formel
erhalten wir durch Ausklammern der Faktoren pk ek aus der ersten.
Beispiele
(1) Es gilt 4400 = 24 ⋅ 52 ⋅ 11. Damit erhalten wir
1 ⋅ 4 ⋅ 10
ϕ(4400) = 4400 (1 − 1/2)(1 − 1/5)(1 − 1/11) = 4400 = 1600.
2 ⋅ 5 ⋅ 11
(2) Für p prim und k ≥ 1 gilt ϕ(pk ) = pk (1 − 1/p) = (p − 1) pk − 1 . Speziell ist
ϕ(2k ) = 2k − 1 , ϕ(3k ) = 2 ⋅ 3k − 1 , ϕ(5k ) = 4 ⋅ 5k − 1 .
(3) Sind p ≠ q Primzahlen, so gilt ϕ(pq) = (p − 1) (q − 1).
2000
1500
1000
500
500 1000 1500 2000
Die Multiplikativität erklärt die Muster der ϕ-Funktion. Für p ≥ 5 prim gilt:
ϕ(p) = p − 1 , p (gelb), ϕ(2p) = ϕ(p) , (2p)/2 (grün), ϕ(3p) = 2ϕ(p) , 3/2(3p) (rot)

Multiplikative zahlentheoretische Funktionen
Eine Funktion der Form f : N* → N* oder allgemeiner f : N → C heißt eine

zahlentheoretische Funktion. Wir definieren:
Definition (Multiplikativität)
Eine zahlentheoretische Funktion f heißt multiplikativ, falls f von der
Nullfunktion verschieden ist und
f(n m) = f(n) f(m) für alle teilerfremden n, m ≥ 1.
Eine multiplikative Funktion f ist durch ihre Werte auf den Primzahlpotenzen pe
eindeutig bestimmt, da
f(p1 e1 … pk ek ) = f(p1 e1 ) … f(pk ek )
für alle paarweise verschiedenen Primzahlen p1 , …, pk und alle Exponenten
e1 , …, ek ≥ 1. Weiter gilt f(1) = 1 (Übung).
Viele wichtige zahlentheoretische Funktionen sind multiplikativ. Prominente
Beispiele neben der ϕ-Funktion sind die Teilerzahlfunktion τ : N* → N* und die
Teilersummenfunktion σ : N* → N*, die für alle n ≥ 1 definiert sind durch
τ(n) = |{ d | 1 ≤ d ≤ n, d|n }|,
σ(n) = ∑ d|n d, wobei hier und im Folgenden d ≥ 1 in derartigen Summen.
Die Multiplikativität dieser Funktionen kann mit folgendem allgemeinen Satz
bewiesen werden, dessen Beweis wir in den Übungen diskutieren:
Satz (Summationssatz für multiplikative Funktionen)

Sei f : N* → C multiplikativ. Weiter sei g : N* → C definiert durch
g(n) = ∑ d | n f(d) für alle n ≥ 1.
Dann ist g multiplikativ.
Damit sind τ und σ multiplikativ. Denn es gilt
τ(n) = ∑ d | n 1, σ(n) = ∑ d | n d,
und die konstante 1-Funktion und die Identität sind multiplikativ.

Wie für die ϕ-Funktion gibt es auch für τ und σ Berechnungsformeln. Für alle
n ≥ 1 gilt (Übung):
pexp (n) + 1 − 1
τ(n) = ∏ p prim, p|n (exp (n) + 1), σ(n) = ∏ p prim, p|n .
p−1
Die folgenden Abbildungen zeigen den Verlauf der beiden Funktionen.

30
25
20
15
10
200 400 600 800 1000
Verlauf der Teilerzahlfunktion τ bis n = 1000
3000
2500
2000
1500
1000
500
200 400 600 800 1000
Verlauf der Teilersummenfunktion σ bis n = 1000
Teilersummen wurden bereits in der griechischen Mathematik untersucht.

Euklid nannte eine Zahl n ≥ 2 perfekt oder vollkommen, falls σ(n) = 2n, d. h. falls n
die Summe aller seiner positiven Teiler außer sich selbst ist. So sind zum Beispiel
6 = 1 + 2 + 3, 28 = 1 + 2 + 4 + 7 + 14, 496 = 1 + 2 + 4 + 8 + 16 + 31 + 62 + 124
perfekt. Viele Fragen über perfekte Zahlen sind offen: Es ist nicht bekannt, ob es
unendlich viele perfekte Zahlen gibt. Und es ist nicht bekannt, ob eine ungerade
perfekte Zahl existiert.

Übungen
Übung 1
Sei m ≥ 1. Zeigen Sie, dass für alle a, b gilt:
(+) a ; b (m) impliziert (a, m) = (b, m).
Übung 2
Sei m ≥ 1. Zeigen Sie:
(a) Zahlen a1 , …, am bilden genau dann ein vollständiges Restsystem
modulo m, wenn sie paarweise inkongruent modulo m sind.
(b) Zahlen b1 , …, bϕ(m) bilden genau dann ein reduziertes Restsystem
modulo m, wenn sie paarweise inkongruent und teilerfremd zu m sind.
(c) Ist A ein Restsystem modulo m, so ist B = { a P A | (a, m) = 1 } ein
Übung 3
Seien m, n ≥ mit (n, m) = 1. Zeigen Sie, dass alle r, r′, s, s′ P Z gilt:
(a) rm + sn ; r′m + s′n (nm) genau dann, wenn r ; r′ (n) und s ; s′ (m).
(b) (r m + s n, n m) = 1 genau dann, wenn (r, n) = 1 und (s, m) = 1.
Übung 4
Für die Produkte p1 ⋅ … ⋅ pn der ersten Primzahlen gilt
ϕ(2) = 1
ϕ(2 ⋅ 3) = 2 = 21
ϕ(2 ⋅ 3 ⋅ 5) = ϕ(30) = 8 = 23
ϕ(2 ⋅ 3 ⋅ 5 ⋅ 7) = ϕ(210) = 48 = 24 ⋅ 31
ϕ(2 ⋅ 3 ⋅ 5 ⋅ 7 ⋅ 11) = ϕ(2310) = 480 = 25 ⋅ 31 ⋅ 51
ϕ(2 ⋅ 3 ⋅ … ⋅ 13) = ϕ(30030) = 5760 = 27 ⋅ 32 ⋅ 51
ϕ(2 ⋅ 3 ⋅ … ⋅ 17) = ϕ(510510) = 92160 = 211 ⋅ 32 ⋅ 51
ϕ(2 ⋅ 3 ⋅ … ⋅ 19) = ϕ(9699690) = 1658880 = 212 ⋅ 34 ⋅ 51
…
ϕ(2 ⋅ 3 ⋅ … ⋅ 71) = 230 ⋅ 310 ⋅ 55 ⋅ 73 ⋅ 112 ⋅ 131 ⋅ 231 ⋅ 291
Auffällig sind die großen 2-Exponenten der Primfaktorzerlegung von

ϕ(p1 ⋅ … ⋅ pn ). Wie lassen sich diese Exponenten erklären?

Übung 5
Zeigen Sie:
(a) ϕ(1) + ϕ(p) + … + ϕ(pe ) = pe für alle Primzahlen p und e ≥ 0.
(b) ∑ 1 ≤ d ≤ m, d|m ϕ(d) = m für alle m ≥ 1.
[ Hinweis zu (b): Betrachten Sie die Primfaktorzerlegung von m. Schreiben
Sie die Summe mit Hilfe der Multiplikativität der ϕ-Funktion als Summe
von Produkten und wenden Sie das Distributivgesetz an, um ein Produkt
von Summen wie in (a) zu erhalten. ]
Übung 6
Sei f : N* → N* multiplikativ. Zeigen Sie:
(a) f(1) = 1.
(b) Für alle Primzahlen p1 < … < pk und alle e1 , …, ek ≥ 1 gilt
f(p1 e1 … pk ek ) = f(p1 e1 ) … f(pk ek ).
Übung 7
Sei f : N* → C multiplikativ. Weiter sei g : N* → C definiert durch
g(n) = ∑ d | n f(d) für alle n ≥ 1.
Zeigen Sie, dass g multiplikativ ist.
[ Seien n, m ≥ 1 teilerfremd. Zu zeigen ist, dass g(nm) = g(n) g(m). Der Fall
n = 1 oder m = 1 ist klar. Seien also n, m > 1. Betrachten Sie die kanonischen
Primfaktorzerlegungen von n, m und nm und zeigen Sie, dass
∑ d1 | n ∑ d2 | m f(d1 d2) = ∑ d | nm f(d),

Folgern Sie hieraus, dass g(nm) = g(n) g(m).]
Übung 8
Sei n ≥ 2, und sei p1 e1 … pk ek die Primfaktorzerlegung von n. Zeigen Sie:
(a) τ(n) = ∏ 1 ≤ i ≤ k ( ei + 1 ) ,
pi ei + 1 − 1
(b) σ(n) = ∏ 1 ≤ i ≤ k .
pi − 1
Übung 9
Für welche n ≥ 1 ist τ(n) ungerade? Für welche n ≥ 1 ist σ(n) ungerade?
Finden Sie einfache Charakterisierungen und beweisen Sie Ihre Behaup-
tungen.

Übung 10
Für eine natürliche Zahl n ≥ 1 sei k(n) die Anzahl der (mehrfach gezählten)
Primfaktoren von n. Zum Beispiel gilt
k(1) = 0, k(2) = k(3) = k(5) = k(7) = 1, k(4) = k(6) = 2, k(8) = 3.
Wir definieren nun f : N* → Z durch
f(n) = (−1)k(n) für alle n ≥ 1.
Zeigen Sie, dass für alle n, m ≥ 1 gilt:
(a) f(nm) = f(n)f(m).
(b) Ist n eine Quadratzahl, so gilt ∑ d|n f(d) = 1.
(c) Ist n keine Quadratzahl, so gilt ∑ d|n f(d) = 0.
Übung 11
Wir definieren die Möbius-Funktion µ : N* → C durch die folgenden
Setzungen:
(1) µ(1) = 1.
(2) µ(n) = 0, falls es ein a > 1 gibt mit a2 |n.
(3) µ(n) = (−1)k , falls es Primzahlen p1 < … < pk gibt mit n = p1 … pk .
Zeigen Sie:
(a) µ ist multiplikativ.
(b) ∑ d | n µ(d) = 0 für alle n > 1.
Übung 12
Seien f, F : N* → C (nicht notwendig multiplikative) Funktionen. Zeigen
Sie, dass die folgenden Aussagen äquivalent sind:
(a) F(n) = ∑ d | n f(d) für alle n ≥ 1.
(b) f(n) = ∑ d | n µ(d) F(n/d) für alle n ≥ 1.

5. Kongruenzen ersten Grades
Wir zeigen die klassischen zahlentheoretischen Sätze von Euler und Fermat und
gewinnen mit ihrer Hilfe eine Lösungsformel für Kongruenzen ersten Grades.
Eine effektive Lösungsmethode ergibt sich weiter aus dem Euklidischen Algo-
rithmus.

Die Sätze von Euler und Fermat
Wir können nun die ersten „großen Sätze“ über Kongruenzen zeigen. Wir be-
ginnen mit:
Satz (Satz von Euler)

Sei m ≥ 1, und sei a teilerfremd zu m. Dann gilt aϕ(m) ; 1 mod(m).
Beweis
Seien wieder 1 = r1 < … < rϕ(m) ≤ m die zu m teilerfremden Zahlen zwischen
1 und m. Nach dem Umordnungssatz für Reste gilt
r1 ⋅ r2 ⋅ … ⋅ rϕ(m) ; ar1 ⋅ ar2 ⋅ … ⋅ arϕ(m) (m).
Die Zusammenfassung der a-Faktoren auf der rechten Seite liefert
r1 ⋅ r2 ⋅ … ⋅ rϕ(m) ; aϕ(m) r1 ⋅ r2 ⋅ … ⋅ rϕ(m) (m).
Da alle Zahlen r1 , …, rϕ(m) teilerfremd zu m sind, können wir sie nach der
Kürzungsregel alle kürzen, sodass
1 ; aϕ(m) (m).
Beispielsweise gilt 34 ; 1 (10), da ϕ(10) = 4 und (3, 10) = 1. Nachrechnen zeigt,

dass 34 = 81 ; 1 (10).
Aus dem Satz von Euler ergeben sich zahlreiche weitere Ergebnisse. Eines da-
von ist:
Korollar (Satz von Fermat)

Sei p prim, und sei a kein Vielfaches von p. Dann gilt ap − 1 ; 1 mod(p).
Beweis
Da a kein Vielfaches von p und p eine Primzahl ist, sind a und p teilerfremd.
Wegen ϕ(p) = p − 1 ergibt sich die Aussage aus dem Satz von Euler.
Der Satz von Fermat ist also der Spezialfall des Satzes von Euler für einen
Primzahlmodul.
Bemerkung
Oft wird der Satz von Fermat auch so formuliert:
Für alle Primzahlen p und alle ganzen Zahlen a ist ap ; a (p).
Diese Formulierung ist äquivalent zur Formulierung des Korollars: Denn
ist a ein Vielfaches von p, so ist ap ; 0 ; a (p). Sei also a kein Vielfaches von
p. Dann gehen die Kongruenzen der beiden Versionen durch Multiplika-
tion mit a bzw. Kürzen von a ineinander über.

5. Kongruenzen ersten Grades 83
0 1 2 3 4 5 6 7 8 9
0 1 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1
2 1 2 4 8 6 2 4 8 6 2
3 1 3 9 7 1 3 9 7 1 3
4 1 4 6 4 6 4 6 4 6 4
5 1 5 5 5 5 5 5 5 5 5
6 1 6 6 6 6 6 6 6 6 6
7 1 7 9 3 1 7 9 3 1 7
8 1 8 4 2 6 8 4 2 6 8
9 1 9 1 9 1 9 1 9 1 9
Tabelle der Potenzen ak modulo 10 für a, k = 0, …, 9; ϕ(10) = 4
0 1 2 3 4 5 6 7 8 9 10
0 1 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 4 8 5 10 9 7 3 6 1
3 1 3 9 5 4 1 3 9 5 4 1
4 1 4 5 9 3 1 4 5 9 3 1
5 1 5 3 4 9 1 5 3 4 9 1
6 1 6 3 7 9 10 5 8 4 2 1
7 1 7 5 2 3 10 4 6 9 8 1
8 1 8 9 6 4 10 3 2 5 7 1
9 1 9 4 3 5 1 9 4 3 5 1
10 1 10 1 10 1 10 1 10 1 10 1

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 4 8 16 10 20 18 14 6 12 2 4 8 16 10 20 18 14 6 12 2
3 1 3 9 5 15 1 3 9 5 15 1 3 9 5 15 1 3 9 5 15 1 3
4 1 4 16 20 14 12 4 16 20 14 12 4 16 20 14 12 4 16 20 14 12 4
5 1 5 3 15 9 1 5 3 15 9 1 5 3 15 9 1 5 3 15 9 1 5
6 1 6 14 18 20 10 16 8 4 2 12 6 14 18 20 10 16 8 4 2 12 6
7 1 7 5 13 3 21 15 17 9 19 1 7 5 13 3 21 15 17 9 19 1 7
8 1 8 20 6 4 10 14 2 16 18 12 8 20 6 4 10 14 2 16 18 12 8
9 1 9 15 3 5 1 9 15 3 5 1 9 15 3 5 1 9 15 3 5 1 9
10 1 10 12 10 12 10 12 10 12 10 12 10 12 10 12 10 12 10 12 10 12 10
11 1 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11
12 1 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12 12
13 1 13 15 19 5 21 9 7 3 17 1 13 15 19 5 21 9 7 3 17 1 13
14 1 14 20 16 4 12 14 20 16 4 12 14 20 16 4 12 14 20 16 4 12 14
15 1 15 5 9 3 1 15 5 9 3 1 15 5 9 3 1 15 5 9 3 1 15
16 1 16 14 4 20 12 16 14 4 20 12 16 14 4 20 12 16 14 4 20 12 16
17 1 17 3 7 9 21 5 19 15 13 1 17 3 7 9 21 5 19 15 13 1 17
18 1 18 16 2 14 10 4 6 20 8 12 18 16 2 14 10 4 6 20 8 12 18
19 1 19 9 17 15 21 3 13 5 7 1 19 9 17 15 21 3 13 5 7 1 19
20 1 20 4 14 16 12 20 4 14 16 12 20 4 14 16 12 20 4 14 16 12 20
21 1 21 1 21 1 21 1 21 1 21 1 21 1 21 1 21 1 21 1 21 1 21
Die Tabellen besitzen zahlreiche interessante Eigenschaften und der Leser

mag versuchen, einige Hypothesen zu formulieren und zu beweisen. Die Po-
tenzbildung ak modulo m wirft zudem sehr schwierige Fragen auf. Wir betrach-
ten hierzu die auf der Menge { p | p prim, p ≠ 2, 5 } definierte Funktion f mit
f(p) = „das kleinste k ≥ 1 mit 10k ; 1 mod(p)“ für alle Primzahlen p ≠ 2, 5.
Die Zahl f(p) ist die Länge einer Minimalperiode der Dezimalbruchentwicklung
von 1/p (Übung). Zum Beispiel ist
1/7 = 0,1428571 f(7) = 6
1/11 = 0,09 f(11) = 2
1/17 = 0,0588235294117647 f(17) = 16
Es ist ein offenes Problem, ob es unendlich viele Primzahlen p mit der Eigen-
schaft f(p) = p − 1 gibt. Die ersten p mit ultralangen Perioden sind
7, 17, 19, 23, 29, 47, 59, 61, 97, 109, 113, 131, 149, 167, 179, 181, 193

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 2 4 8 16 9 18 13 3 6 12 1 2 4 8 16 9 18 13 3 6 12 1
3 1 3 9 4 12 13 16 2 6 18 8 1 3 9 4 12 13 16 2 6 18 8 1
4 1 4 16 18 3 12 2 8 9 13 6 1 4 16 18 3 12 2 8 9 13 6 1
5 1 5 2 10 4 20 8 17 16 11 9 22 18 21 13 19 3 15 6 7 12 14 1
6 1 6 13 9 8 2 12 3 18 16 4 1 6 13 9 8 2 12 3 18 16 4 1
7 1 7 3 21 9 17 4 5 12 15 13 22 16 20 2 14 6 19 18 11 8 10 1
8 1 8 18 6 2 16 13 12 4 9 3 1 8 18 6 2 16 13 12 4 9 3 1
9 1 9 12 16 6 8 3 4 13 2 18 1 9 12 16 6 8 3 4 13 2 18 1
10 1 10 8 11 18 19 6 14 2 20 16 22 13 15 12 5 4 17 9 21 3 7 1
11 1 11 6 20 13 5 9 7 8 19 2 22 12 17 3 10 18 14 16 15 4 21 1
12 1 12 6 3 13 18 9 16 8 4 2 1 12 6 3 13 18 9 16 8 4 2 1
13 1 13 8 12 18 4 6 9 2 3 16 1 13 8 12 18 4 6 9 2 3 16 1
14 1 14 12 7 6 15 3 19 13 21 18 22 9 11 16 17 8 20 4 10 2 5 1
15 1 15 18 17 2 7 13 11 4 14 3 22 8 5 6 21 16 10 12 19 9 20 1
16 1 16 3 2 9 6 4 18 12 8 13 1 16 3 2 9 6 4 18 12 8 13 1
17 1 17 13 14 8 21 12 20 18 7 4 22 6 10 9 15 2 11 3 5 16 19 1
18 1 18 2 13 4 3 8 6 16 12 9 1 18 2 13 4 3 8 6 16 12 9 1
19 1 19 16 5 3 11 2 15 9 10 6 22 4 7 18 20 12 21 8 14 13 17 1
20 1 20 9 19 12 10 16 21 6 5 8 22 3 14 4 11 13 7 2 17 18 15 1
21 1 21 4 15 16 14 18 10 3 17 12 22 2 19 8 7 9 5 13 20 6 11 1
22 1 22 1 22 1 22 1 22 1 22 1 22 1 22 1 22 1 22 1 22 1 22 1
500
400
300
200
100
20 40 60 80 100
Werte der Funktion g mit g(n) = mink ≥ 1 (10k ; 1 (pn )) mit der n-ten Primzahl pn ≠ 2, 5.
Stellen n mit g(n) = pn − 1 sind rot markiert.

Lösen von Kongruenzen ersten Grades
Aus dem Satz von Euler erhalten wir eine Lösungsformel für Kongruenzen:
Satz (Lösung von Kongruenzen ersten Grades, I)

Sei m ≥ 1. Weiter seien a, b P Z mit (a, m) = 1. Dann existiert modulo m
genau eine Zahl x mit
a x ; b mod(m).
Genauer gilt
x ; aϕ(m) − 1 b mod(m). (Lösungsformel für Kongruenzen ersten Grades)
Beweis
zur Existenz:
Wir setzen x = aϕ(m) − 1 b. Dann gilt nach dem Satz von Euler:
a x ; a aϕ(m) − 1 b ; aϕ(m) b ; 1 b ; b (m).
zur Eindeutigkeit modulo m:
Seien x1 , x2 Zahlen mit ax1 ; b (m) und ax2 ; b (m). Dann gilt
ax1 ; ax2 (m).
Wegen (a, m) = 1 gilt x1 ; x2 (m) nach der Kürzungsregel.
Wir betrachten ein Beispiel für die Anwendung der Lösungsformel.
Beispiel
Wir lösen die Kongruenz
3x ; 5 (11).
Natürlich können wir alle Möglichkeiten x = 0, …, 10 durchprobieren. Da
aber a = 3 und m = 11 teilerfremd sind, ist die Lösungsformel anwendbar.
Es gilt ϕ(11) = 10. Wir setzen also
x = 3ϕ(m) − 1 b = 39 5.
Um eine Lösung im Intervall 0, …, 10 zu erhalten, ist es nicht nötig, 39 5
auszurechnen. Wir können x mit Hilfe der Kongruenzregeln schrittweise
verkleinern, ohne große Zahlen berechnen zu müssen:
x ; 39 5 ; (33 )3 5 ; 273 5 ; 53 5 ; 54 ; (25)2 ; 32 ; 9 (11).
Damit ist 9 die eindeutige Lösung der Kongruenz im Zahlenintervall von 0

bis 10. Zur Probe rechnen wir
3 ⋅ 9 ; 27 ; 5 (11).

1 2 3 4 5 6
1 1 2 3 4 5 6
2 4 1 5 2 6 3
3 5 3 1 6 4 2
4 2 4 6 1 3 5
5 3 6 2 5 1 4
6 6 5 4 3 2 1
Lösungstafel der Kongruenz ax ; b (7) für a, b = 1, …, 6
1 2 3 4 5 6 7 8 9 10 11 12
1 1 2 3 4 5 6 7 8 9 10 11 12
2 7 1 8 2 9 3 10 4 11 5 12 6
3 9 5 1 10 6 2 11 7 3 12 8 4
4 10 7 4 1 11 8 5 2 12 9 6 3
5 8 3 11 6 1 9 4 12 7 2 10 5
6 11 9 7 5 3 1 12 10 8 6 4 2
7 2 4 6 8 10 12 1 3 5 7 9 11
8 5 10 2 7 12 4 9 1 6 11 3 8
9 3 6 9 12 2 5 8 11 1 4 7 10
10 4 8 12 3 7 11 2 6 10 1 5 9
11 6 12 5 11 4 10 3 9 2 8 1 7
12 12 11 10 9 8 7 6 5 4 3 2 1

Nichteindeutig lösbare Kongruenzen ersten Grades
Ist die Bedingung (a, m) = 1 für eine Kongruenz ax ; b (m) verletzt, ist die Lö-
sungstheorie komplizierter. Hierzu ein Beispiel:
Beispiel: Mehrere oder keine Lösungen

Wir betrachten die Kongruenz 4x ; 6 (10). Es gilt g = (4, 10) = 2, sodass die
Lösungsformel nicht anwendbar ist. Wir berechnen:
x 0 1 2 3 4 5 6 7 8 9
4x 0 4 8 12 16 20 24 28 32 36
mod (10) 0 4 8 2 6 0 4 8 2 6
Der Tabelle entnehmen wir die Lösungen x1 = 4 und x2 = 9. Allgemein gilt:

Ist b ungerade, so besitzt die Kongruenz keine Lösungen. Ist b gerade, so
gibt modulo 10 genau 2 Lösungen von 4x ; b (10), die den Abstand 5
voneinander haben. Es gilt 5 = 10/2 = m/g.
Für dieses Beispiel gilt also
Modul Modul
Abstand zweier Lösungen = =
Anzahl der Lösungen (a, m)
Diese Zusammenhänge sind kein Zufall. Allgemein gilt folgender Satz, dessen
Beweis wir dem Leser als Übung überlassen:
Satz (Lösung von Kongruenzen ersten Grades, II)

Seien a, b, m P Z mit m ≥ 1. Weiter sei g = (a, m) ≥ 2. Dann gilt:
(a) Ist g kein Teiler von b, so hat die Kongruenz ax ; b (m) keine
Lösung.
(b) Ist g ein Teiler von b, so seien
b* = b/g, m* = m/g, a* = a/g,
x1 = „die eindeutige Lösung von a*x ; b* (m*) in 0, …, m* − 1“.
Dann hat die Kongruenz ax ; b (m) modulo m genau die g
Lösungen
x1 , x2 = x1 + m*, …, xg = x1 + (g − 1) m*.
In den folgenden Diagrammen notieren wir die Lösungen im Fall (b) in der
kompakten Form x1 + cm*. Zum Beispiel hat die Kongruenz 4x ; 8 (12) in dieser
Notation die Lösung 2 + 3c. Mit g = (4, 12) = 4 ergeben sich die vier Lösungen
2, 5, 8, 11 im Intervall 0, …, 11.

1 2 3 4 5
1 1 2 3 4 5
2 - 1 + c3 - 2 + c3 -
3 - - 1 + c2 - -
4 - 2 + c3 - 1 + c3 -
5 5 4 3 2 1
1 2 3 4 5 6 7 8 9 10 11
1 1 2 3 4 5 6 7 8 9 10 11
2 - 1 + c6 - 2 + c6 - 3 + c6 - 4 + c6 - 5 + c6 -
3 - - 1 + c4 - - 2 + c4 - - 3 + c4 - -
4 - - - 1 + c3 - - - 2 + c3 - - -
5 5 10 3 8 1 6 11 4 9 2 7
6 - - - - - 1 + c2 - - - - -
7 7 2 9 4 11 6 1 8 3 10 5
8 - - - 2 + c3 - - - 1 + c3 - - -
9 - - 3 + c4 - - 2 + c4 - - 1 + c4 - -
10 - 5 + c6 - 4 + c6 - 3 + c6 - 2 + c6 - 1 + c6 -
11 11 10 9 8 7 6 5 4 3 2 1

Einsatz des Euklidischen Algorithmus
Eine alternative und rechnerisch sehr effiziente Methode, eine Kongruenz

ax ; b (m) ersten Grades zu lösen, besteht erneut darin, den größten gemeinsa-
men Teiler (a, m) mit Hilfe des Euklidischen Algorithmus als Linearkombina-
tion von a und m darzustellen. Wir nehmen zunächst wieder an, dass a und m
teilerfremd sind. Sind nun ganze Zahlen c, d gefunden mit
c a + d m = 1,
so gilt wegen m|(dm), dass a c ; 1 (m). Folglich ist
a c b ; b (m).
Damit ist x = cb die modulo m eindeutige Lösung der Kongruenz. Die ϕ-Funk-
tion muss nicht verwendet werden (was ihre Bedeutung für die Zahlentheorie
nicht schmälert).
Ist g = (a, m) > 1 und g ein Teiler von b (sonst gibt es keine Lösung), so ver-
fahren wir analog: Der Euklidische Algorithmus liefert c, d mit
ca + dm = g,
sodass a c ; g (m). Mit b* = b/g gilt
acb* ; gb* ; b (m),
sodass x = c b* eine Lösung der Kongruenz ist. Die anderen Lösungen ergeben
sich wie durch den obigen Satz beschrieben durch Addition von Vielfachen von
m* = m/d.
Beispiel
Wir lösen noch einmal die Kongruenz 3x ; 5 (11) mit Hilfe des Euklidi-
schen Algorithmus. Mit a0 = 11 und a1 = 3 gilt:
11 = 3 ⋅ 3 + 2 q0 = 3 a2 = 2
3 = 1⋅2 + 1 q1 = 1 a3 = 1
2 = 2⋅1 q2 = 2
Damit können wir die 1 als Linearkombination von 3 und 11 darstellen:
1 = (11, 3) = 3 − 1 ⋅ 2
= 3 − 1 ⋅ (11 − 3 ⋅ 3) = 4 ⋅ 3 − 1 ⋅ 11.
Damit ist c = 4 und
x = 4b = 4 ⋅ 5 = 20 ; 9 (11)
eine Lösung der Kongruenz, in Übereinstimmung mit der mit Hilfe der
ϕ-Funktion berechneten Lösung.

Primzahlen modulo vier
Die Sätze von Euler und Fermat haben zahlreiche weitere Anwendungen, und
wir wollen eine davon hier noch vorstellen. Eine Variation des Beweises der Un-
endlichkeit der Primzahlen zeigte, dass es unendlich viele Primzahlen p gibt mit
p ; 3 mod(4). Mit Hilfe des Satzes von Fermat können wir nun zeigen:
Satz (Primzahlen kongruent 1 modulo 4)

Es gibt unendlich viele Primzahlen p mit p ; 1 mod(4).
Beweis
Sei n ≥ 1 beliebig, und seien p1 , …, pn Primzahlen mit pi ; 1 (4) für alle
i ≤ n. Wir zeigen, dass es eine Primzahl p mit p ; 1 (4) gibt, die von allen
Zahlen p1 , …, pn verschieden ist. Hierzu setzen wir
a = 2p1 … pn und b = a2 + 1 = 4p1 2 …pn 2 + 1.
Dann ist b ; 1 (4). Ist b prim, so sind wir fertig. Andernfalls sei p ein
Primteiler von b. Wegen b ; 0 (p) und b ; 1 (pi ) für alle i ≤ n ist p von allen
p1 , …, pn verschieden. Wir zeigen, dass p ; 1 (4). Hierzu rechnen wir
modulo p:
Da p ein Teiler von a2 + 1 ist, gilt a2 ; −1 (p). Hieraus folgt:
(+) a 1 (p), a −1 (p), a3 1 (p), a4 ; 1 (p).
Die Zahl a ist kein Vielfaches von p, da sonst b ; 1 (p) gelten würde. Nach
dem Satz von Fermat ist also ap − 1 ; 1 (p). Eine Division durch 4 mit Rest
liefert ganze Zahlen q und r mit
p − 1 = q 4 + r und 0 ≤ r < 3.
Wegen a4 ; 1 (p) ist
1 ; ap − 1 ; aq4 + r ; aq4 ar ; (a4 )q ar ; ar (p).
Da a, a2 und a3 nicht kongruent 1 modulo p sind, ist r = 0 und damit p − 1
durch 4 teilbar. Dies zeigt, dass p ; 1 (4).
Das Ergebnis ist ein Spezialfall von:
Satz (Dirichletscher Primzahlsatz)

Seien a, m ≥ 1 relativ prim. Dann gibt es unendlich viele Primzahlen p mit
p ; a mod(m).
Der Satz kann mit Methoden der analytischen Zahlentheorie bewiesen wer-
den.

Übungen
Übung 1
Sei p eine von 2 und 5 verschiedene Primzahl.
(a) Zeigen Sie, dass es unendlich viele n ≥ 1 gibt mit p | 999…999
(mit n Neunen). Geben Sie einige Beispiele für p = 7.
(b) Zeigen Sie, dass es unendlich viele n ≥ 1 gibt mit p | 111…111
(mit n Einsen)
Übung 2
Zeigen Sie den Satz von Euler für den Spezialfall m = 11 und c = 4, indem
Sie sich an der allgemeinen Beweisführung orientieren, die Berechnungen
aber konkret durchführen.
Übung 3
Sei m ≥ 1, und sei a derart, dass aϕ(m) ; 1 mod(m). Zeigen Sie, dass a
teilerfremd zu m ist.
Übung 4
Lösen Sie die Kongruenzen
(a) 5x ; 7 (16)
(b) 5x ; 7 (17)
(c) 5x ; 7 (18)
sowohl mit Hilfe der Lösungsformel als auch mit Hilfe des Euklidischen
Algorithmus.
Übung 5
Beweisen Sie den allgemeinen Satz über die Lösung von Kongruenzen
ersten Grades.
Übung 6
Bestimmen Sie mit Hilfe des allgemeines Satzes über die Lösung von
Kongruenzen ersten Grades die Lösungen der folgenden Kongruenzen:
(a) 6x ; 7 (15)
(b) 15x ; 9 (18)
(c) 2x ; 8 (20)

Übung 7
Zeigen oder widerlegen Sie:
(a) Es gibt ein x P Z mit x18 ; 8 (17).
(b) Es gibt ein x P Z mit x8 ; 8 (17).
Übung 8
Zeigen Sie mit Hilfe des Satzes von Fermat, dass 299 + 1 durch 57 teilbar ist.
Übung 9
Sei p prim, und sei x P Z derart, dass x2 ; −1 (p). Zeigen Sie, dass p = 2
oder p ; 1 (4).
[ Hinweis: Der Satz von Fermat ist hier hilfreich. ]
Übung 10
Sei p prim mit p ≠ und p ; 1 (4). Zeigen Sie, dass es ein x P Z gibt mit
x2 ; −1 (p).
[ Hinweis: Für jede Primzahl p gilt (vgl. die Übungen zum Abschnitt über
Primzahlen):
(p − 1)! ; −1 (p) (Satz von Wilson)
Ist also p > 2, so gilt für q = (p − 1)/2, dass
∏ 1 ≤ i ≤ q i (p − i) ; −1 (p).
Verwenden Sie dieses Ergebnis, um die Aussage zu beweisen. ]
Übung 11
Wir hatten gesehen, dass der Satz von Fermat äquivalent ist zur folgenden
Aussage:
Sei p prim. Dann gilt ap ; a (p) für alle a.
Es stellt sich die Frage, ob wir den Satz von Euler ebenfalls ohne die
Voraussetzung der Teilerfremdheit formulieren können. Wir betrachten
also die folgende Aussage:
(+) Sei m ≥ 1. Dann gilt aϕ(m) + 1 ; a (m) für alle a.
(a) Zeigen Sie, dass die Aussage (+) im Allgemeinen nicht gültig ist.
(b) Zeigen Sie, dass die Aussage (+) gültig ist, wenn m quadratfrei ist,
d. h., wenn Primzahlen p1 < … < pk existieren mit m = p1 … pk . (Die
Zahl 1 gilt dabei als quadratfrei.)

6. Exkurs: Das RSA-Verfahren
Als eine weitere Anwendung des Satzes von Euler und der ϕ-Funktion skizzieren
wir das RSA-Verfahren der Kryptographie, benannt nach Rivest, Shamir und
Adleman (1977/78). Die Besonderheit dieses Verfahrens besteht darin, dass der
Schlüssel, der zur Kodierung von Daten verwendet wird, öffentlich zugänglich
ist. Die Sicherheit des Verfahrens wird dadurch ermöglicht, dass es rechnerisch
sehr schwierig ist, ein Produkt zweier sehr großer Primzahlen in seine beiden
Primfaktoren zu zerlegen.

Zielsetzung
Ziel des Verfahrens ist: Verschiedene Sender senden eine verschlüsselte Nach-
richt an einen Empfänger. Dabei sind sowohl die Verschlüsselungsmethode als
auch die verschlüsselt versendeten Nachrichten öffentlich lesbar. Ein räumlich
weit entfernter Sender kann also seine Nachricht mit Hilfe des öffentlichen
Schlüssels verschlüsseln und dann den verschlüsselten Text öffentlich lesbar ma-
chen, zum Beispiel auf einer allgemein zugänglichen Internetseite. Lediglich der
Empfänger ist aber rechnerisch in der Lage, den verschlüsselten Text zu dekodie-
ren, d. h., ihn wieder in seine ursprüngliche Form zu überführen. Der Zusatz
„rechnerisch“ ist hier wichtig: Theoretisch kann die verschlüsselte Nachricht
von jedem entschlüsselt werden, praktisch jedoch nicht oder nur sehr schwer
bzw. mit äußerst unwahrscheinlichem Rateglück.
Beschreibung des Verfahrens
Das Verfahren besteht aus drei Teilen:

(A) Erstellung eines öffentlichen Schlüssels (durch den Empfänger)
(B) Verschlüsseln einer Nachricht (durch den Sender)
(C) Entschlüsseln einer Nachricht (durch den Empfänger)
Wir besprechen die einzelnen Schritte der Reihe nach, wobei wir die Rolle des
Empfängers einnehmen.
Erstellung eines öffentlichen Schlüssels durch den Empfänger

(1) Wir wählen zwei sehr große Primzahlen p1 ≠ p2 und setzen
m = p1 p2 .
(2) Wir berechnen ϕ(m) = (p1 − 1)(p2 − 1) und wählen ein zu ϕ(m)
teilerfremdes e ≥ 2, sodass also (ϕ(m), e) = 1.
(3) Nun bestimmen wir ein d ≥ 1 mit
ed ; 1 (ϕ(m)).
(4) Wir veröffentlichen die Zahlen m und e. Streng geheim bleiben
dagegen die Zahlen p1 , p2 , ϕ(m) und d.
(5) Wenn nicht nur Zahlen, sondern Texte verschlüsselt werden sollen,
veröffentlichen wir noch eine Anweisung, wie ein (kurzer) Text oder
ein Wort in eine Zahl x mit 0 ≤ x < m zu übersetzen ist (z. B. kann
abcdefghijk in 10203040506070809010011 übersetzt werden).

6. Exkurs: Das RSA-Verfahren 97
An dieser Stelle lässt sich bereits die Bedeutung der rechnerischen Komplexi-
tät des Verfahrens beschreiben: Theoretisch kann jeder, der m kennt, auch die
Primzahlen p1 und p2 bestimmen. Mathematisch würde man einfach schreiben:
„Sei p1 p2 die Primfaktorzerlegung von m.“
Rechnerisch ist die Situation ganz anders: Für sehr große Primzahlen p1 und p2
ist es leicht, das Produkt m = p1 p2 auszurechnen, umgekehrt aber sehr schwer bis
aus praktischer Sicht unmöglich, aus dem Produkt m wieder die Primzahlen p1
und p2 zu erhalten. Gleiches gilt für die Zahlen ϕ(m) und d.
Die Bezeichnungen sind durch „e“ für „encryption“ und „d“ für „decryption“
motiviert.
Verschlüsseln einer Nachricht oder Information durch den Sender

(1) Falls die Nachricht keine Zahl ist, wird die Nachricht zunächst in eine
Zahl x P { 0, …, m } übersetzt.
(2) Der Sender berechnet nun den Rest y der Division von xe durch m,
sodass also
xe ; y (m), 0 ≤ y < m.
(3) Der Sender schickt nun y öffentlich einsehbar an den Empfänger.
Die Berechnung von y kann (mit Hilfe eines Computers) sehr effektiv ge-
schehen. Wir haben ja bereits gesehen, wie gut sich y für Zahlen wie 3123 und
einen Modul m = 10 per Hand berechnen lässt.
Entschlüsseln einer Nachricht durch den Empfänger

(1) Als Empfänger erhalten wir y und bestimmen nun ein z mit
yd ; z (m), 0 ≤ z < m.
Die mathematische Theorie sichert, dass z = x.
(2) Gegebenenfalls ermitteln wir aus der Zahl x noch die ursprüngliche
Textnachricht.
Dem Leser wird vielleicht aufgefallen sein, dass die Eulersche ϕ-Funktion
beim Ver- und Entschlüsseln keine Rolle mehr spielt. Sie wird aber zur Bestim-
mung der Zahlen e und d wesentlich gebraucht. Für e muss (ϕ(m), e) = 1 und
für d muss ed ; 1 (ϕ(m)) gelten. Dies sichert, dass die Entschlüsselung funktio-
niert, d. h. dass z = x ist. Entscheidend wird hierzu verwendet:
(+) (xe )d ; x (m).
Weiß man dies, so ist
x ; (xe )d ; yd ; z (m),
und damit x = z, da x und z im Intervall von 0 bis m − 1 liegen.

Um (+) einzusehen, nehmen wir zunächst an, dass x und m relativ prim zuein-
ander sind. Wegen
e d ; 1 (ϕ(m))
existiert ein k mit
e d = k ϕ(m) + 1.
Nach dem Satz von Euler gilt wegen (x, m) = 1, dass
xϕ(m) ; 1 (m).
Damit erhalten wir nun:
(xe )d ; xed ; xkϕ(m) + 1 ; (xϕ(m) )k ⋅ x ; 1k ⋅ x ; x (m)
Für den Fall (x, m) ≠ 1 ist die Kongruenz (+) ebenfalls gültig. Um dies zu bewei-
sen, ist etwas mehr Theorie nötig als wir hier entwickelt haben. Wir verweisen
den interessierten Leser auf die Literatur.
Wie sicher ist das Verfahren? Rivest, Shamir und Adleman haben im Jahr 1977
eine Zahl m mit 129 Stellen angegeben und öffentlich dazu aufgerufen, diese
Zahl in ihre Primfaktoren p1 und p2 zu zerlegen. Dies gelang 1994 durch eine Be-
rechnung mit über 1000 Computern. Heute werden noch größere Primzahlen
mit etwa 100 Stellen verwendet, um die Verschlüsselung praktisch sicher zu ma-
chen. Dennoch gilt: (1) Die Programme, die große Primzahlen erzeugen, kön-
nen Gefahren in sich bergen. (2) Die Primzahlen p1 , p2 können dem Empfänger
„gestohlen“ werden. (3) Durch die Entwicklung besserer Computer kann eine
im Jahr 2017 erfolgte Verschlüsselung im Jahr 2027 möglicherweise durch an-
dere Personen als den Empfänger entschlüsselt werden. Die Verschlüsselung ist
also nur kurzzeitig als „sicher“ einzustufen.
Das RSA-Verfahren ist nur zur Kodierung kleiner Zahlen bzw. kurzer Texte
geeignet. Umfangreichere Informationen werden mit anderen Methoden ver-
schlüsselt, wobei hierzu ein mit Hilfe des RSA-Verfahrens erzeugter Kode ver-
wendet wird.
Übungen
Übung 1
Führen Sie das RSA-Verfahren durch für p1 = 41, p2 = 47, e = 3 und die
Nachricht x = 42. Berechnen Sie hierzu (mit Hilfe eines Computers) d und
y und überprüfen Sie, dass y = z.

2. Abschnitt
Graphentheorie

1. Graphen
In diesem Abschnitt behandeln wir Grundbegriffe der Graphentheorie zusam-

men mit exemplarischen Algorithmen. Als wichtiges Teilgebiet der diskreten
Mathematik stellt die Graphentheorie der Mathematik und Informatik viele all-
gemein nützliche Begriffsbildungen und Sprechweisen über Relationen auf
(meistens) endlichen Mengen zur Verfügung. Darüber hinaus besticht diese ver-
gleichsweise junge Disziplin durch Anschaulichkeit und Anwendungsreichtum.
Das Ziel des ersten Kapitels ist, wie es nicht anders sein kann, die Bildung eines
Fundaments. Wir konzentrieren uns dabei auf einen einfachen Graphentyp, der
bereits viele interessante Fragestellungen aufwirft.

102 2. Abschnitt Graphentheorie
Der allgemeine Begriff eines Graphen
Anschaulich ist ein mathematischer Graph eine Menge von Punkten zusam-
men mit gewissen Linien oder Pfeilen, die zwei Punkte miteinander verbinden.
Die Punkte nennen wir auch Ecken oder Knoten, die Verbindungslinien Kanten.
Die Verbindungslinien oder Pfeile können gerade oder auch gebogen sein, sich
schneiden und auch von einer Ecke zu sich selbst führen (sog. Schlingen). Weiter
können wir Kantengewichte betrachten und jede Kante mit einer Zahl − ihrem
Gewicht − versehen. Schließlich sind auch mehrfache Kanten denkbar, die zwei
Punkte auf verschiedene Arten und mit verschiedenen Gewichten miteinander
verbinden.
Beispiel für einen allgemeinen endlichen Graphen
Der dargestellte Graph hat fünf Ecken, die mit den Zahlen 1, 2, 3, 4, 5 durchge-
zählt sind (die Namen der Ecken sind prinzipiell beliebig). Einige Eckenpaare
sind durch gerichtete Kanten (Pfeile) miteinander verbunden, etwa die Paare
(4, 1), (5, 3), (4, 4) vorhandene Kanten
Andere Paare sind nicht miteinander verbunden, etwa
(1, 4), (1, 3), (3, 3) fehlende Kanten
Insgesamt besitzt der Graph neun Kanten. Eine Besonderheit sind die Ecken
1, 2, die in beiden Richtungen verbunden sind, sowie die Ecke 4, die durch eine
Schlinge mit sich selbst verbunden ist.
Alle Kanten sind mit Gewichten versehen. So hat die Kante (2, 3) das Gewicht
3, was wir mit w(2, 3) = 3 zum Ausdruck bringen (mit „w“ für „weight“). Analog
ist w(1, 2) =1, w(2, 1) = 2 und w (4, 4) = 9. In Modellierungen kann ein „Gewicht“
zum Beispiel eine Länge oder Zeiteinheit bezeichnen.

1. Graphen 103
Einfache Graphen
Wir betrachten zunächst nur besonders einfache Graphen. Sie sind

(1) endlich: die Menge der Ecken ist endlich,
(2) ungerichtet: die Kanten sind keine Pfeile, sondern richtungslose Verbin-
dungslinien,
(3) ungewichtet: die Kanten tragen kein individuelles Gewicht (oder anders:
alle Kanten haben das Gewicht 1),
(4) einfach: es sind keine Mehrfachverbindungen vorhanden, sodass je zwei
Ecken entweder durch eine Kante verbunden sind oder nicht,
(5) schlingenfrei: es gibt keine Kanten von einer Ecke zu sich selbst.
Später werden wir diesen Grundtyp verallgemeinern und gewichtete Kanten zu-
lassen. Noch allgemeinere Graphen werden für diese Einführung nicht benötigt.
Unser Basistyp lässt sich wie folgt definieren:
Definition (Graph)
Ein (endlicher, ungerichteter, einfacher) Graph ist ein Paar G = (E, K) mit:
(a) E ist eine endliche nichtleere Menge.
(b) K ist eine Menge von ungeordneten Paaren { a, b } mit a, b P E und
a ≠ b.
Die Elemente von E heißen die Ecken, die Elemente von K die Kanten des
Graphen G.
Gilt { a, b } P K, so sagen wir, dass die Ecken a und b in G durch eine
Kante verbunden sind oder dass in G eine Kante von a nach b führt.
Weiter heißen a und b die an der Kante beteiligten oder die die Kante
definierenden Ecken.
Die Menge der Kanten ist also eine Teilmenge der Menge der zweielementi-
gen Teilmengen der Eckenmenge E:
K ⊆ { { a, b } | a, b P E, a ≠ b }.
Dass wir mit Mengen { a, b } statt mit geordneten Paaren (a, b) arbeiten entspricht
unserem Wunsch nach ungerichteten Kanten. Führt eine Kante von a nach b, so
führt immer auch eine Kante von b nach a. Anschaulich können unsere Kanten in
beiden Richtungen durchlaufen werden. Dass wir zudem a ≠ b fordern sichert die
Schlingenfreiheit des Graphen: Es führt keine Kante von einer Ecke a nach a. Ex-
plizit erlaubt ist die Existenz von Ecken, die an keiner Kante beteiligt sind. Wenn
wir möchten, können wir diese Ecken aus dem Graphen durch Verkleinerung
der Eckenmenge unter Beibehaltung der Kantenmenge K entfernen.

Beispiele
(1) Sei G = (E, K) mit
E = { 1, 2, 3 }, K = { { 1, 2 }, { 1, 3 }, { 2, 3 } }.
Der Graph G hat drei Ecken und drei Kanten. Jede Ecke ist mit den
beiden anderen Ecken durch eine Kante verbunden. In graphischer
Darstellung hat der Graph die Form eines Dreiecks:
(2) Sei G = (E, K) mit

E = { 1, 2, 3, 4, 5, 6 }, K = { { 1, 2 }, { 1, 3 }, { 2, 3 }, { 4, 5 } }.
Der Graph besitzt eine Ecke (nämlich 6), die mit keiner anderen Ecke
verbunden ist. Zudem sind die Eckenmengen { 1, 2, 3 } und { 4, 5 } und
{ 6 } anschaulich voneinander abgetrennt. Wir werden diese Zusam-
menhangsbegriffe später genauer untersuchen.
(3) Sei G = (E, K) mit E = { 1, …, 12 } und

K = { { 1, 2 }, …, { 1, 6 }, { 2, 7 }, …, { 2, 10 }, { 6, 11 }, { 6, 12 } }.
Dieser Graph lässt als ein (nach unten wachsender) Baum zeichnen:

1. Graphen 105
Darstellungen für Graphen
Es gibt verschiedene Möglichkeiten, einen Graphen G = (E, K) mit

E = { e1 , …, en }, ei ≠ ej für alle i ≠ j,
K = { k1 , …, km }, ki ≠ kj für alle i ≠ j,
darzustellen. Die erste haben wir in obigen Diagrammen bereits verwendet:
1. Erstellung eines Ecken-Kanten-Diagramms

Ein (mathematischer) Graph lässt sich als (gezeichneter) Graph darstellen.
Wir zeichnen hierzu benannte Ecken und verbinden je zwei Ecken, die
durch eine Kante verbunden sind, durch eine Linie. Diese Linie muss kein
Geradenstück sein und sie kann andere Linien schneiden, darf aber nicht
durch weitere Ecken laufen. Die Ecken selbst können wir in verschiedenen
Weisen darstellen, als Punkte mit Namen, lediglich als Namen oder wie
bisher als Kreise, die die Namen der Ecken enthalten.
Die graphische Darstellung ist keineswegs eindeutig. Wie ein Graph im Hin-
blick auf bestimmte Ziele am besten zu zeichnen ist, ist eine Kunst für sich!
2. Bildung der Adjazenz-Matrix

Die Adjazenz-Matrix oder Nachbarschafts-Matrix des Graphen G ist die
n × n-Matrix A = (aij )1 ≤ i, j ≤ n mit den Einträgen
ai j =
{ 1
0
falls { ei , ej } P K,
sonst.
Die Adjazenz-Matrix erlaubt eine rechnerische Kodierung eines Graphen und

den Einsatz von Methoden der linearen Algebra. Das Gleiche gilt für:
3. Bildung der Inzidenz-Matrix

Die Inzidenz-Matrix oder Ecken-Kanten-Matrix des Graphen G ist die
n × m-Matrix B = (bij )1 ≤ i ≤ n, 1 ≤ j ≤ m mit den Einträgen
bi j =
{ 1
0
falls ei Pkj ,
sonst.
In jeder Spalte von B stehen genau zwei Einsen. Die Zeilenindizes der
beiden Einsen entsprechen einer Kante. Da wir auch eine leere Kanten-
menge zulassen, ist die Inzidenz-Matrix möglicherweise nullspaltig.
4. Bildung der Adjazenz-Liste

Schließlich können wir auch eine Tabelle angeben, die für jede Ecke a alle
Nachbarecken auflistet, d. h. alle Ecken b mit { a, b } P K.

Umgekehrt können diese Darstellungen auch zur Definition eines Graphen

verwendet werden, etwa:
„Sei G = (E, K) der durch das folgende Diagramm definierte Graph.“
„Sei G = (E, K) der durch folgende Adjazenz-Matrix definierte Graph.“
Für die Matrizen-Darstellungen gilt: Ist die Eckenmenge E von der kanoni-
schen Form E = { 1, …, n }, so ist der Graph G = (E, K) durch seine Adjazenz-
oder Inzidenz-Matrix bestimmt. Andernfalls müssen neben der Matrix noch die
Namen e1 , …, en der Ecken angegeben werden. Wird ein Graph durch eine Ma-
trix ohne explizite Angaben einer Eckenmenge definiert, so nehmen wir still-
schweigend E = { 1, …, n } an. Die Ecken entsprechen dann den Zeilenindizes
der Matrix.
Beispiel
Sei G = (E, K) mit
E = { 1, 2, 3, 4 }, K = { { 1, 2 }, { 1, 3 }, { 1, 4, }, { 2, 3 }, { 3, 4 } }.
Dann hat G die folgenden Darstellungen:
(1) Ecken-Kanten-Diagramm
(2) Adjazenz-Matrix
0 1 1 1
1 0 1 0
A =
1 1 0 1
1 0 1 0
(3) Inzidenz-Matrix
1 1 1 0 0
1 0 0 1 0
B =
0 1 0 1 1
0 0 1 0 1

1. Graphen 107
(4) Adjazenz-Liste
Ecke Liste der Nachbarecken

1 2,3,4
2 1,3
3 1,2,4
4 1,3
Eine Adjazenz-Matrix A hat die Hauptdiagonale 0 = (0, …, 0), da unsere Gra-

phen schlingenfrei sind. Weiter ist A symmetrisch, da { ei , ej } = { ej , ei } für alle i,j.
Es ist instruktiv zu beobachten, wie sich Symmetrie-Eigenschaften von Adja-
zenz-Matrizen auf graphische Darstellungen auswirken:
Beispiel
Sei G = (E, K) der Graph mit der Adjazenz-Matrix
0 1 0 1 0 1 0 1
1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
1 0 1 0 1 0 1 0
A = .
0 1 0 1 0 1 0 1
1 0 1 0 1 0 1 0
0 1 0 1 0 1 0 1
1 0 1 0 1 0 1 0
Dann hat G die folgende graphische Darstellung:

Grundbegriffe der Graphentheorie
Bevor wir Graphen genauer untersuchen, vereinbaren wir noch:
Vereinfachte Angabe der Kanten

Wir notieren eine Kante { a, b } oft kurz als ab oder a-b.
Damit bedeutet abPK also { a, b }PK. Da wir ungerichtete Graphen betrach-

ten, ist ab immer gleichwertig zu ba. Sobald gerichtete Graphen zugelassen wer-
den, müssen wir ab (die gerichtete Kante von a nach b) von ba (die gerichtete
Kante von b nach a) unterscheiden.
Beispiel
Den Graphen des obigen Beispiels können wir nun in der besser lesbaren
Form G = (E, K) mit E = { 1, 2, 3, 4 }, K = { 12, 13, 14, 23, 34 } angeben.
Sobald die Ecken zweistellig sind, können Klammern oder die Notation a-b
verwendet werden, um zum Beispiel die Kante 11-2 = { 2, 11 } von der
Kante 1-12 = { 1, 12 } zu unterscheiden.
Wir erinnern zudem an:
Definition (Mächtigkeit oder Kardinalität einer endlichen Menge)

Für eine endliche Menge M sei |M| die Anzahl der Elemente von M. Die
natürliche Zahl |M| heißt die Mächtigkeit oder Kardinalität von M. Gilt
|M| = n für eine endliche Menge, so heißt M eine n-elementige Menge oder
eine Menge mit genau n Elementen.
Ist M = { a1 , …, an } mit paarweise verschiedenen ai , so gilt |M| = n. Ist dagegen

M = { b1 , …, bm } gegeben ohne weitere Information über die Elemente bi , so gilt
|M| ≤ m, da z. B { 1, 2 } = { 1, 1, 2 } = { 1, 2, 1, 2 }.
Ordnung und Größe
Nach diesen Vorbereitungen definieren wir:
Definition (Ordnung, Größe)

Sei G = (E, K) ein Graph. Dann heißt |E| die Ordnung und |K| die Größe
von G.
Dass die Größe über die Kantenmenge und nicht über die Eckenmenge er-
klärt wird, hat seine Gründe in der Komplexitätstheorie für graphentheoreti-
sche Algorithmen: In der Regel ist |K| das Maß, das über die Laufzeit eines
Algorithmus entscheidet und nicht |E|.

1. Graphen 109
Beispiele
(1) Der Graph G = ({ 1, 2, 3 }, ∅) hat die Ordnung 3 und die Größe 0.
(2) Der Graph G = ({ 1, 2, 3, 4, 5 }, { 12, 24 } } hat die Ordnung 5 und die
Größe 2. Streichen der an keinen Kanten beteiligten Ecken 3 und 5
liefert den Graphen G′ = ({ 1, 2, 4 }, { 12, 24 } } der Ordnung 3 mit
unveränderter Größe 2.
Aus der Ordnung ergibt sich eine Schranke für die Größe:
Satz (Größenabschätzung)
Sei G = (E, K) ein Graph der Ordnung n. Dann gilt 2|K| ≤ n (n − 1).
Beweis
Sei M = { { a, b } | a, b P E, a ≠ b } die Menge aller Teilmengen von E mit
genau zwei Elementen. Dann gilt
{
n n (n − 1)
|M| = 2 = .
2
Wegen K ⊆ M folgt die Abschätzung.
Alternativ können wir auch Adjazenz-Matrizen und eine Gauß-Summe ver-

wenden, um diese Abschätzung zu erhalten. Denn eine Adjazenz-Matrix eines
Graphen mit n Ecken ist durch die 1 + … + (n−1) = n(n−1)/2 Einträge oberhalb
(bzw. unterhalb) der Hauptdiagonalen bestimmt. Diese Einträge entsprechen
genau den möglichen Kanten des Graphen.
Nachbarschaftsverhältnisse
Viele der folgenden Begriffe sind beinahe selbsterklärend:
Definition (Nachbarn, Grad, isolierte Ecke, Gradfolge)

Sei G = (E, K) ein Graph. Sind a, b Ecken von G mit ab P K, so heißen die
Ecken a und b benachbart und a ein Nachbar von b in G. Wir setzen
N(a) = { b P E | b ist Nachbar von a }, (Menge der Nachbarecken)
d(a) = |N(a)|. (Grad einer Ecke)
Eine Ecke a heißt isoliert, falls d(a) = 0.
Ordnen wir die Ecken von G als Folge e1 , …, en so an, dass d(ei ) ≤ d(ei + 1 )
für alle 1 ≤ i < |E| gilt, so heißt d(e1 ), …, d(en ) die Gradfolge von G.
Die Nachbarschafts- und Gradbildung können wir als Funktionen auf der
Eckenmenge auffassen. Es gilt
N : E → P(E) mit P(E) = { A | A ⊆ E }, d : E → N.

Anordnung der Gradfolge

In der Gradfolge ordnen wir die Grade von klein nach groß. Die Gradfolge
wird in der Literatur oft auch umgekehrt (von groß nach klein) definiert.
Beispiel
Sei G = (E, K) mit E = { 1, 2, 3, 4, 5, 6, 7 } und
K = { 13, 14, 16, 17, 34, 35, 45, 47, 56 }).
Dann gilt
N(1) = { 3, 4, 6, 7 } N(2) = { } N(3) = { 1, 4, 5 }
N(4) = { 1, 3, 5, 7 } N(5) = { 3, 4, 6 } N(6) = { 1, 5 }
N(7) = { 1, 4 }
Damit ergibt sich für die Gradfunktion
d(1) = 4, d(2) = 0, d(3) = 3, d(4) = 4, d(5) = 3, d(6) = 2, d(7) = 2.
Die Gradfolge von G ist 0, 2, 2, 3, 3, 4, 4.
Dass in diesem Beispiel die Summe 0 + 2 + 2 + 3 + 3 + 4 + 4 = 18 über alle

Grade das Doppelte der Anzahl 9 der Kanten ist, ist kein Zufall. Unser erstes
bemerkenswertes Ergebnis der Graphentheorie ist:
Satz (Gradsumme)
Sei G = (E, K) ein Graph der Größe k = |K|. Dann gilt
∑ a P E d(a) = 2 k.
Beweis
Jede Kante hat genau zwei Nachbarn und trägt damit genau 2 zur Grad-
summe bei. Genauer zeigt man die Behauptung durch Induktion nach der
Größe k ≥ 0 (Übung).

1. Graphen 111
Vollständige Graphen
Da in einem Graphen der Ordnung n jede Ecke höchstens n − 1 Nachbarn ha-

ben kann, ist die konstante Folge n − 1, …, n − 1 der Länge n die größte mögliche
Gradfolge eines Graphen der Ordnung n. Nach dem Satz über die Gradsumme
ist in diesem Fall n(n − 1) = 2 |K|. Wir definieren hierzu:
Definition (vollständig)
Ein Graph G = (E, K) heißt vollständig, falls je zwei verschiedene Ecken von
E durch eine Kante verbunden sind.
Die vollständigen Graphen der Ordnung n sind genau die Graphen mit maxima-
ler Größe |K| = n (n − 1)/2 und maximaler Gradfolge n − 1, …, n − 1.
Definition (die Graphen Kn )

Sei n ≥ 1. Dann ist der kanonische vollständige Graph Kn definiert durch
Ecken von Kn : 1, …, n Kanten von Kn : ij mit 1 ≤ i < j ≤ n
Die vollständigen Graphen K1 , …, K9

Bipartite Graphen
Wir betrachten nun Graphen, die sich durch eine Zerlegung ihrer Ecken in
zwei Teile übersichtlich darstellen lassen:
Definition (bipartit)
Ein Graph G = (E, K) heißt bipartit, falls Teilmengen E1 und E2 von E
existieren mit
(a) E1 ∩ E2 = ∅,
(b) E1 ∪ E2 = E,
(c) Jede Kante von G verbindet eine Ecke in E1 mit einer Ecke in E2 .
Wir sagen dann auch, dass G bipartit durch die Zerlegung oder Bipartition
E1 , E2 der Eckenmenge E ist.
Anschaulich formuliert ist ein Graph G bipartit, wenn es eine Färbung seiner
Eckenmenge E mit zwei Farben gibt derart, dass jede Kante zwei verschieden-
farbige Ecken miteinander verbindet. Ist ein Graph bipartit durch E1 und E2 ,
so erhalten wir eine sehr übersichtliche Darstellung des Graphen als Ecken-
Kanten-Diagramm, indem wir die Ecken aus E1 links (alternativ: unten) und
die Ecken aus E2 rechts (alternativ: oben) linear anordnen.
Beispiel
Sei G = (E, K) mit E = { 1, …, 9 } und
K = { 12, 13, 17, 24, 29, 35, 39, 47, 48, 58, 67, 68, 89 }.

1. Graphen 113
Dass G bipartit ist, ist aus dieser graphischen Darstellung nicht unmittelbar
ersichtlich. Dies ändert sich, wenn wir die Zerlegung
E1 = { 1, 4, 5, 6, 9 }, E2 = { 2, 3, 7, 8 }
von E betrachten und den Graphen neu darstellen:
Es gibt keine Kanten innerhalb von E1 und keine Kanten innerhalb von E2 .
Der Graph ist bipartit durch E1 und E2 .
Wir werden später einen Algorithmus kennenlernen, der feststellt, ob ein

Graph bipartit ist und im Fall der Existenz eine Bipartition berechnet.
In Analogie zu den vollständigen Graphen definieren wir:
Definition (vollständig bipartit)

Ein Graph G = (E, K) heißt vollständig bipartit, falls es eine bipartite
Zerlegung E1 und E2 von E gibt derart, dass jede Ecke von E1 mit jeder
Ecke von E2 verbunden ist.
Die kanonischen Beispiele für diesen Graphentyp sind:
Definition (die Graphen Kn, m )

Seien n, m ≥ 1. Dann ist der kanonische vollständige bipartite Graph Kn, m
definiert durch
Ecken von Kn, m : 1, …, n + m
Kanten von Kn, m : ij mit 1 ≤ i ≤ n, n + 1 ≤ j ≤ n + m
Jeder vollständig bipartite Graph ist nach Definition bipartit. Wird zu einem
vollständig bipartiten Graphen eine neue Kante hinzugefügt, so ist der entste-
hende Graph nicht mehr bipartit. Ist G dagegen bipartit, aber nicht vollständig
bipartit, so kann eine geeignete neue Kante zu G hinzugefügt werden, ohne eine
Bipartition von G zu zerstören. In diesem Sinne sind vollständig bipartite Gra-
phen maximal unter den bipartiten Graphen.

Für alle n, m ≥ 1 ist der Graph Kn, m vollständig bipartit mit der Zerlegung
E1 = { 1, …, n } und E2 = { n + 1, …, n + m }.
Standard-Visualisierungen von K3, 2 und K8, 4
Zwei weitere Darstellungen des K8, 4
Die Graphen Kn,m und Km, n unterscheiden sich nicht wesentlich voneinander.
In der Standard-Visualisierung gehen sie durch Spiegelung an der Mittelachse
und Neunummerierung der Ecken ineinander über. Wir untersuchen die struk-
turelle Gleichheit zweier Graphen im nächsten Kapitel in allgemeiner Form.
Der Begriff eines bipartiten Graphen lässt sich in natürlicher Weise verallge-
meinern: Ein Graph G = (E, K) heißt tripartit, wenn es eine Zerlegung E1 , E2 ,E3
seiner Eckenmenge E gibt derart, dass jede Kante Ecken in unterschiedlichen
Teilen der Zerlegung verbindet. Allgemeiner sind k-partite Graphen für alle k ≥ 2
definiert, wobei k die Anzahl der Mengen der Zerlegung bezeichnet (sodass also
bipartit = 2-partit, tripartit = 3-partit). Analog zu den Graphen Kn,m sind die voll-
ständig tripartiten Graphen Kn, m, k definiert und allgemeiner die vollständig
k-partiten Graphen Kn1, …, nk . Wir begnügen uns an dieser Stelle mit einem visu-
ellen Eindruck:

1. Graphen 115
Die vollständigen tripartiten Graphen K3, 3, 3 und K4, 3, 2
Kreise
Wir betrachten nun Graphen, die sich zyklisch anordnen lassen:
Definition (Kreis, Dreieck)

Ein Graph G = (E, K) mit n = |E| ≥ 3 heißt ein Kreis mit n Ecken, falls es
eine Anordnung e1 , …, en der Ecken gibt derart, dass
K = { e1 e2 , e2 e3 , …, en − 1 en } ∪ { en e1 }.
Ein Kreis mit 3 Ecken heißt auch ein Dreieck.
In der Graphentheorie kann man also singen: „Mein Kreis, der hat drei Ecken.
Mein Dreieck ist ein Kreis.“
Aus der Definition lesen wir ab: Ist G = (E, K) ein Kreis, so ist die Ordnung von
G gleich der Größe von G, d. h. |E| = |K|. Damit kann zum Beispiel ein Graph
mit 10 Ecken und 12 Kanten kein Kreis sein. Weiter hat ein Kreis die konstante
Gradfolge 2, …, 2.
Beispiele
(1) Ist G ein Graph der Ordnung 3, so ist G genau ein Kreis (und damit
ein Dreieck), wenn G vollständig ist.
(2) Ist G = (E, K) ein Graph der Ordnung 4, so ist G genau dann ein
Kreis, wenn |K| = 4 und G kein Dreieck enthält, d. h. es gibt keine
Ecken a, b, c mit ab, bc, ca P K.
(3) Der Graph G = (E, K) mit E = { 1, …, 6 } und
K = { 12, 13, 23, 45, 46, 56 }
hat die konstante Gradfolge 2, …, 2, ist aber kein Kreis.

(4) Sei G = (E, K) mit E = { 1, …, 12 } und

K = { 14, 16, 26, 29, 35, 37, 4-10, 5-10, 78, 8-11, 9-12, 11-12 }.
Der Graph ist ein Kreis mit der Eckenanordnung
e1 , …, e12 = 1, 6, 2, 9, 12, 11, 8, 7, 3, 5, 10, 4.
Wir definieren wieder natürliche Repräsentanten für Kreisgraphen:
Definition (die Graphen Cn )

Seien n ≥ 3. Dann ist der kanonische Kreis mit n Ecken Cn definiert durch
Ecken von Cn : 1, …, n
Kanten von Cn : i(i + 1) mit 1 ≤ i < n, sowie die Kante n1
Die kanonischen Kreise C7 und C12

1. Graphen 117
Teilgraphen und Untergraphen
Ein Graph kann in einem anderen enthalten sein:
Definition (Teilgraph)
Seien G = (E, K) und G′ = (E′, K′) Graphen. Dann heißt G′ ein Teilgraph
von G, falls E′ ⊆ E und K′ ⊆ K.
Ein Teilgraph eines Graphen entsteht, indem wir gewisse Ecken und Kanten
des Graphen streichen. Damit durch diese Reduktion ein Graph entsteht, müs-
sen wir, wenn wir eine Ecke entfernen, auch alle Kanten entfernen, die diese
Ecke enthalten. Eine Kante können wir dagegen ohne Einschränkung hinaus-
werfen (dadurch entstehen möglicherweise isolierte Ecken, was nicht stört).
Eine Verstärkung des Begriffs eines Teilgraphen ist:
Definition (Untergraph)
Sei G′ = (E′, K′) ein Teilgraph von G = (E, K). Dann heißt G′ ein Unter-
graph von G, falls gilt:
K′ = { ab P K | a, b P E′ }.
Ein Untergraph ist durch seine Eckenmenge E′ vollkommen bestimmt. Er

entsteht aus G, indem wir bestimmte Ecken samt den zugehörigen Kanten strei-
chen. Kanten, die zwei nicht entfernte Ecken verbinden, bleiben erhalten. Ein
Untergraph ist in diesem Sinne eine minimale Verkleinerung: Wir streichen
Ecken, behalten aber so viele Kanten wie möglich.
Beispiele
(1) Jeder Graph ist ein Untergraph von sich selbst.
(2) Sei n ≥ 1. Dann ist jeder Graph mit der Eckenmenge { 1, …, n } ein
Teilgraph des vollständigen Graphen Kn . Allgemeiner gilt dies für
jeden Graphen, dessen Eckenmenge eine Teilmenge von { 1, …, n }
ist.
(3) Ist m ≤ n, so ist der Graph Km ein Untergraph des Graphen Kn .
(4) Sei n ≥ 3. Dann ist der Kreis Cn ein Teilgraph des Graphen Kn . Er ist
genau dann ein Untergraph des Kn , wenn n = 3.
Jede nichtleere Teilmenge E′ von E definiert genau einen Untergraphen von

G, und jeder Untergraph von G ist durch seine Eckenmenge E′ ⊆ E bestimmt. Ist
|E| = n, so gibt es also genau 2n − 1 Untergraphen von G. Denn es gibt genau
2n − 1 nichtleere Teilmengen einer n-elementigen Menge.

Ein Graph G (links) und zwei Untergraphen, die durch

Streichen von zuerst 7 und dann 4 entstehen
Der Graph G und zwei Teilgraphen, die keine Untergraphen von G sind
Teilgraphen eignen sich, um Graphentypen innerhalb eines Graphen zu un-

tersuchen. Ein Beispiel ist:
Definition (enthaltener Kreis)

Ein Graph G = (E, K) enthält einen Kreis der Länge n ≥ 3, falls es einen
Teilgraphen von G der Ordnung n gibt, der ein Kreis ist.
Natürlich könnten wir auch direkt definieren: G enthält einen Kreis der Länge
n ≥ 3, falls es paarweise verschiedene Ecken e1 , …, en in E gibt mit ei ei + 1 P K für
i = 1, …, n − 2 und en e1 P K. Die Definition über Teilgraphen ist aber kompakter
und für jeden Graphentyp einsetzbar. So sind zum Beispiel analog definiert:
G enthält einen vollständigen Graphen mit 5 Ecken.
G enthält einen bipartiten Graphen mit einer Bipartition des Typs 3−7.

1. Graphen 119
Übungen
Übung 1
Wie wirken sich die Eigenschaften ungerichtet, schlingenfrei, ungewichtet auf
die Adjazenz-Matrix eines Graphen aus?
Übung 2
(a) Definieren Sie den Begriff der Adjazenz-Matrix für allgemeinere
Graphen mit gerichteten Kanten, Schlingen und reell- oder
komplexwertigen Kantengewichten.
(b) Geben Sie die Adjazenz-Matrix des am Anfang des Kapitels
dargestellten gerichteten und gewichteten Graphen an.
(c) Argumentieren Sie, dass sich jede quadratische Matrix mit reellen
oder komplexen Einträgen als Graph interpretieren lässt und
umgekehrt.
Übung 3
Wie lassen sich Graphen mit (gerichteten und gewichteten) Mehrfachkan-
ten mit Hilfe von Matrizen darstellen? Bei diesem Graphentyp können zwei
Ecken durch eine beliebige endliche Anzahl von Kanten miteinander
verbunden sein.
Übung 4
Skizzieren Sie alle Graphen mit der Eckenmenge E = { 1, 2, 3 } und geben
Sie die zugehörigen Adjazenz- und Inzidenz-Matrizen an.
Übung 5
Sei n ≥ 1. Wie viele Graphen mit der Eckenmenge E = { 1, …, n } gibt es?
Wie viele Graphen mit dieser Eckenmenge gibt es, wenn gerichtete Kanten
zugelassen werden? Begründen Sie Ihre Antworten.
Übung 6
Sei G = (E, K) ein Graph und sei
U = { a P E | d(a) ist ungerade }
die Menge der Ecken mit ungeradem Grad. Zeigen Sie, dass |U| gerade
ist.
Übung 7
Geben Sie einen Graphen G = (E, K) mit E = { 1, …, 10 } an, der die
konstante Gradfolge 3, …, 3 besitzt.

Übung 8
(a) Welche der folgenden sechs Folgen sind Gradfolgen eines Graphen?
Begründen Sie Ihre Antworten.
(1, 1, 2, 3, 4), (2, 2, 2, 3, 5), (2, 3, 3, 4, 4),
(0, 0, 0, 0, 0), (1, 1, 1, 1, 1), (1, 2, 3, 3, 3).
(b) Recherchieren Sie nach einem Satz, der die Folgen (d1 , …, dn ), die
Gradfolgen eines Graphen mit n Ecken sind, charakterisiert.
Übung 9
Welche vollständigen Graphen sind bipartit bzw. vollständig bipartit?
Übung 10
Wie viele Kanten hat der vollständig bipartite Graph Kn, m in Abhängigkeit
von n und m?
Übung 11
Wir betrachten die Graphen
G1 = ({ 1, 2, 3, 4 }, { 12, 23, 34 }) und
G2 = ({ 1, 2, 3, 4, 5 }, { 14, 23, 24, 25, 34 }).
Sind G1 bzw. G2 bipartit? Begründen Sie Ihre Antworten.
Übung 12
Untersuchen Sie die Kreise C3 , C4 , C5 und C6 auf die Eigenschaft
„bipartit“. Stellen Sie eine Hypothese darüber auf, wann ein allgemeiner
Kreis bipartit ist und wann nicht. Beweisen Sie Ihre Hypothese.
Übung 13
Auf einer Party sind ein Gastgeberpaar und vier weitere Paare. Am Ende
fragt die Gastgeberin jede der neun anderen Personen, wie oft sie Hände
geschüttelt hat. Sie erhält neun verschiedene Antworten. Finden Sie mit
Hilfe eines Graphen heraus, mit wie vielen Personen die Gastgeberin
Hände geschüttelt hat. Dabei gilt: Man schüttelt weder sich selbst noch
seinem Partner die Hand, und man schüttelt auch niemandem zweimal die
Hand.
Übung 14
Zeigen Sie, dass jeder Teilgraph eines bipartiten Graphen bipartit ist.
Übung 15
Zeigen Sie: Enthält G einen Kreis ungerader Länge, so ist G nicht bipartit.
Formulieren Sie zudem die kontrapositive Form dieser Implikation (d. h.
die logisch äquivalente Implikation ¬ B → ¬ A der Implikation A → B).

1. Graphen 121
Übung 16
Sei G = (E, K) ein Graph, und sei G′ der Untergraph von G, der aus G
durch Streichen einer gewissen Ecke a P E hervorgeht. Diskutieren Sie den
Zusammenhang zwischen den Gradfolgen von G und G′.
Übung 17
(a) Zeigen Sie: Ist G3 ein Teilgraph von G2 und weiter G2 ein Teilgraph
von G1 , so ist G3 ein Teilgraph von G1 .
(b) Formulieren und beweisen Sie eine analoge Aussage für Untergra-
phen.

2. Kantenzüge und Wege
Wir betrachten nun Grundbegriffe des „Wanderns in Graphen“. Bei diesen

Wanderungen bewegen wir uns schrittweise von einer Ecke zur nächsten, immer
entlang von die Ecken verbindenden Kanten. Viele Begriffe (wie zum Beispiel
„auf einem Weg besuchte Ecke“) sind sehr anschaulich, sodass die mathemati-
sche Definition oft nur noch als Präzisierung der Anschauung erscheint.

Wanderungen in einem Graphen
In einem Graphen können wir uns entlang einer Kante von einer Ecke zur
nächsten bewegen. Wiederholte derartige Bewegungen ergeben einen Kanten-
zug. Es gibt verschiedene Möglichkeiten, Kantenzüge zu notieren. Wir bevorzu-
gen im Folgenden die Angabe der besuchten Ecken in Form einer Folge. Genau-
eres regeln die Definitionen.
Definition (Kantenzug, besuchte Ecke und Kante)

Seien G = (E, K) ein Graph und n ≥ 0. Eine endliche Folge a0 , …, an in E
heißt ein Kantenzug der Länge n von a0 nach an in G, falls gilt:
a0 a1 , a1 a2 , …, an − 1 an P K.
Gilt a0 = an , so heißt der Kantenzug geschlossen. Andernfalls heißt er offen.
Die Ecken a0 , …, an heißen die besuchten Ecken. Wir sagen auch, dass die
Ecke ai zum Zeitpunkt i, im i-ten Schritt oder an der Position i besucht wird.
Analog nennen wir die Kanten a0 a1 , …, an − 1 an die besuchten Kanten des
Kantenzugs. Der Besuchszeitpunkt einer Kante ai − 1 ai ist dabei i.
Definition (einfacher Kantenzug)

Sei G = (E, K) ein Graph. Ein Kantenzug in G heißt einfach, falls jede
besuchte Kante nur einmal besucht wird.
Definition (Weg)
Sei G = (E, K) ein Graph. Ein Kantenzug in G heißt ein Weg, falls jede
besuchte Ecke nur einmal besucht wird.
Jeder Weg ist ein einfacher Kantenzug, die Umkehrung ist, wie die folgenden
Beispiel zeigen, im Allgemeinen nicht gültig.
Beispiele
(1) Für jede Ecke a ist a ein Kantenzug der Länge 0 (von a nach a). Der
Kantenzug a besucht keine Kante. Er ist geschlossen und ein Weg. Ein
geschlossener Kantenzug positiver Länge kann dagegen kein Weg sein,
da er die Startecke zweimal besucht.
(2) In einem Kantenzug a0 , …, an wird die Startecke a0 zum Zeitpunkt 0
besucht, die Kante a0 a1 ist die erste besuchte Kante (der Besuchszeit-
punkt ist 1).
(3) Kantenzüge mit ai = ai + 1 existieren nicht, da unsere Graphen schlin-
genfrei sind. Dagegen sind Abschnitte der Form a, b, a möglich. In
diesem Fall bewegen wir uns von a nach b und dann von b gleich
wieder zurück nach a. Dabei wird die Kante ab zweimal besucht.

2. Kantenzüge und Wege 125
(4) Jeder Kreis a0 , …, an , a0 in einem Graphen ist ein einfacher geschlosse-

ner Kantenzug der Länge n + 1, aber kein Weg, da n ≥ 2 gilt.
(5) Eine „8“ in einem Graphen ist ein einfacher geschlossener Kantenzug,
aber kein Kreis.
(6) Sei G = (E, K) mit E = { 1, …, 9 } und
K = { 12, 18, 23, 25, 37, 47, 56, 58, 59, 67, 79 }.
Wir betrachteten einige Kantenzüge in G und ihre Eigenschaften.

1, 2, 3, 2, 5, 8 Der Kantenzug ist offen. Er ist nicht einfach
(und damit kein Weg), da die Kante 23 = 32
zweimal besucht wird (zu den Zeitpunkten 2
und 3). Der Kantenzug hat die Länge 5. Die
Ecke 2 wird zweimal besucht (zu den Zeit-
punkten 1 und 3).
2, 3, 7, 9, 5, 2 Der Kantenzug ist einfach und geschlossen,
aber kein Weg. Er zeigt, dass der Graph einen
Kreis mit fünf Ecken enthält.
8, 5, 6, 7, 9, 5, 2 Der Kantenzug ist offen und einfach, aber
kein Weg. Die Ecke 5 wird zweimal besucht.
4, 7, 9, 5, 8, 1, 2, 3 Der Kantenzug ist ein Weg, der alle Ecken
mit Ausnahme der 6 besucht.
1, 2, 5, 8, 1, 2, 5, 8 Der Kantenzug hat die Länge 7. Die Menge
{ 12, 25, 58, 81, 12, 25, 58 } der besuchten
Kanten hat die Mächtigkeit 4. Das Gleiche
gilt für die Menge { 1, 2, 5, 8, 1, 2, 5, 8 } der
besuchten Ecken.
Die Eckenfolge 4, 7, 5, 8 ist kein Kantenzug, da dem Graphen die

Kante 57 = 75 fehlt. Es gibt keinen Kantenzug der Form a, b, c, a, da
der Graph kein Dreieck enthält.

Erreichbarkeit und Zusammenhang
Mit Hilfe von Kantenzügen können wir eine bedeutsame Relation auf den Ek-
ken eines Graphen definieren:
Definition (erreichbar)
Sei G = (E, K) ein Graph, und seien a, b P E. Dann heißt die Ecke b
erreichbar von der Ecke a in G, falls es einen Kantenzug von a nach b in G
gibt. Andernfalls heißt b unerreichbar von a in G. Ist b erreichbar von a in G,
so schreiben wir
a ,G b oder kurz a , b.
Beispiele
(1) Jede Ecke a ist von sich selbst aus erreichbar, denn der Kantenzug a
(der Länge 0) ist ein Kantenzug von a nach a.
(2) Ist G vollständig, so ist jede Ecke von jeder anderen aus erreichbar.
Denn sind a, b verschiedene Ecken des Graphen, so ist a, b ein
Kantenzug (der Länge 1) von a nach b in G.
(3) Ist a eine isolierte Ecke von G (d. h. d(a) = 0), so ist a nur von sich selbst
aus erreichbar. In diesem Fall gilt also non(a , b) für alle b ≠ a.
(4) Im Graphen des letzten der obigen Beispiele ist jede Ecke von jeder
Ecke aus erreichbar.
Es gelten die drei charakteristischen Eigenschaften der Gleichheit (Übung):
Satz (Eigenschaften der Erreichbarkeitsrelation)

Sei G = (E, K) ein Graph. Dann gilt für alle a, b, c P E:
(1) a , a, (Reflexivität)
(2) a , b impliziert b , a, (Symmetrie)
(3) a , b und b , c impliziert a , c. (Transitivität)
Ein wichtiger Fall liegt vor, wenn sich je zwei Ecken durch einen Kantenzug
verbinden lassen:
Definition (zusammenhängend)
Sei G = (E, K) ein Graph. Dann heißt G zusammenhängend, falls jede Ecke
von jeder Ecke erreichbar ist, d. h. falls a , b für alle a, b P E gilt.
Allgemein können wir für jede Ecke die Menge der von dieser Ecke aus er-
reichbaren Ecken betrachten:

Definition (Zusammenhangskomponente)
Sei G = (E, K) ein Graph, und sei a P E. Dann heißt die Menge
[ a ] = a/, = { b P E | a , b }
die Zusammenhangskomponente der Ecke a in G.
Die Zusammenhangskomponente einer Ecke ist eine Obermenge der Menge

der Nachbarn. Es gilt
{ a } ∪ N(a) ⊆ [ a ], d(a) + 1 ≤ |[ a ]| für alle a P E.
Aufgrund der Eigenschaften der Erreichbarkeit gilt für alle a, b P E:
a , b genau dann, wenn [ a ] = [ b ].
Weiter ist ein Graph genau dann zusammenhängend, wenn [ a ] = E für eine
(und damit jede) Ecke a gilt. Allgemein teilen die Zusammenhangskomponen-
ten die Eckenmenge in paarweise disjunkte nichtleere Mengen auf.
Beispiel
Wir betrachten den folgenden Graphen:
Der Graph hat, wie wir mit etwas Mühe erkennen können, die beiden
Zusammenhangskomponenten
E1 = { 1, 2, 3, 5, 6, 11 } und E2 = { 4, 7, 8, 9, 10, 12 }.
Sind die Zusammenhangskomponenten bekannt, so können wir ein Ecken-
Kanten-Diagramm des Graphen zeichnen, bei dem diese Komponenten
offensichtlich sind:

In dieser Darstellung erscheinen die Zusammenhangskomponenten als

abgetrennte „Länder“, und die Zerlegung eines Graphen in seine durch die
Zusammenhangskomponenten definierten Untergraphen liegt nahe.
Alternativ können wir auch die Kanten (samt den zugehörigen Ecken)
einfärben, um die Zusammenhangskomponenten sichtbar zu machen:
Wie bei den bipartiten oder allgemein k-partiten Graphen liegt in den Zusam-
menhangskomponenten eine Zerlegung der Eckenmenge E in Teile E1 , …, Ek
vor. Im starken Kontrast zu den k-Partitionen sind nun aber die Teile in sich ver-
netzt, während es keine Kanten zwischen den Teilen gibt.

Brücken
Der Zusammenhangsbegriff suggeriert folgende Definition von ausgezeich-

neten Kanten:
Definition (Brücke)
Sei G = (E, K) ein Graph, und sei ab P K. Dann heißt die Kante ab eine
Brücke von G, falls die Ecke b im Teilgraphen G′ = (E, K − { ab }) nicht von
a aus erreichbar ist.
Eine Kante ist genau dann eine Brücke, wenn das Streichen dieser Kante die
Zahl der Zusammenhangskomponenten erhöht. Insbesondere ist eine Kante ei-
nes zusammenhängenden Graphen genau dann eine Brücke, wenn der durch das
Streichen der Kante entstehende Graph nicht mehr zusammenhängend ist.
Beispiele
(1) Sei G = (E, K) mit E = { 1, …, 6 } und
K = { 12, 13, 14, 23, 45, 46, 56 }.
Die Kante 14 ist die einzige Brücke von G.

(2) Ist d(a) = 1, so ist die eindeutige Kante ab P K eine Brücke. Nach dem
Streichen dieser Kante ist die Einermenge { a } eine Zusammenhangs-
komponente in G′.
(3) Ist G = (E, K) ein Kreis, so besitzt G keine Brücken. Geht G′ aus G
durch Streichen einer Kante hervor, so ist jede Kante von G′ eine
Brücke in G′.
(4) Ist a0 , …, an , a0 ein Kreis in G, so ist keine der Kanten des Kreises eine
Brücke in G.
(5) Der vollständige Graph Kn hat für n = 2 genau eine Brücke und für
n ≥ 3 keine Brücken.
(6) Der vollständig bipartite Graph Kn, m hat für n, m ≥ 2 keine Brücken.
Ist n = 1 oder m = 1, so ist jede Kante von Kn, m eine Brücke.

(7) Wir betrachten den folgenden Graphen:
Mit Ausnahme der Brücke 6-11 sind die Brücken nicht gut erkennbar.
Dies ändert sich bei folgender Darstellung:
Die Brücken des Graphen sind genau die Kanten 27, 47 und 6-11.
Wir werden später einen Algorithmus kennenlernen, der in effizienter Weise

entscheidet, ob in einem beliebigen Graphen eine Ecke b von einer Ecke a aus er-
reichbar ist. Jeder derartige Algorithmus ist auch geeignet, um zu entscheiden,
ob eine Kante ab eine Brücke ist. Denn dies ist genau dann der Fall, wenn b im-
mer noch von a aus erreichbar ist, wenn wir die Kante ab streichen.

Eine Charakterisierung von „bipartit“
Als Anwendung des Begriffs einer Brücke beweisen wir eine bemerkenswerte
Charakterisierung der bipartiten Graphen mit Hilfe von Kreisen:
Satz (Kreischarakterisierung bipartiter Graphen)

Sei G = (E, K) ein Graph. Dann sind äquivalent:
(a) G ist bipartit.
(b) Jeder Kreis in G hat eine gerade Länge.
Insbesondere ist jeder kreisfreie Graph bipartit.
Beweis
(a) impliziert (b):
Sei G bipartit durch E1 und E2 . Weiter sei a1 , a2 , …, an , a1 ein Kreis der
Länge n in G. Wir dürfen a1 P E1 annehmen (sonst tauschen wir E1 und
E2 aus). Da jede Kante von G eine Ecke in E1 mit einer Ecke in E2
verbindet, gilt
a1 P E1 , a2 P E2 , a3 P E1 , a4 P E2 , …,
d. h. ak P E1 für ungerade k und ak P E2 für gerade k (Induktion nach
k ≤ n). Wegen a1 an P K und a1 P E1 ist an P E2 . Folglich ist n gerade.
(b) impliziert (a):
Wir zeigen die Implikation durch Induktion nach der Größe m = |K|.
Induktionsanfang m = 0:
Ist m = 0, so ist G bipartit (durch jede Zerlegung der Ecken).
Induktionsschritt von m nach m + 1:
Sei G ein Graph mit genau m + 1 Kanten derart, dass jeder Kreis in G
eine gerade Länge besitzt. Sei a*b* eine beliebige Kante von G, und
sei G′ der Teilgraph von G, der durch Streichen von a*b* aus G
entsteht. Da jeder Kreis in G′ ein Kreis in G ist, existiert nach I. V.
eine Bipartition E1 , E2 von G′.
1. Fall: a*b* ist eine Brücke in G.
Ohne Einschränkung sei a* P E1 . Ist b* P E2 , so ist G bipartit
durch E1 , E2 . Ist b* P E1 , so tauschen wir in der Zusammen-
hangskomponente von b* in G′ die Zugehörigkeit der Ecken zu
E1 und E2 aus („Wechsel der Farbe“). Dadurch entsteht eine
Bipartition E1 *, E2 * von G′, die eine Bipartition von G ist.
2. Fall: a*b* ist keine Brücke in G.
Dann gibt es einen Weg a1 , … , an von a* = a1 nach b* = an in G′.
Da a1 , …, an , a1 ein Kreis in G der Länge n ist, ist n gerade. Wie
oben liegen also a1 = a* und an = b* in verschiedenen Teilen der
Partition. Dies zeigt, dass G bipartit durch E1 und E2 ist.

Wir illustrieren das Argument der zweiten Implikation durch einige Dia-
gramme. Hierzu betrachten wir den folgenden Graphen G = (E, K):
Der Graph hat Kreise der Länge 4 und 6. Die Kante 45 ist die einzige Brücke
von G. Entfernen wir die Brücke a*b* = 45, so ist der entstehende Teilgraph G′
nach Induktionsvoraussetzung bipartit. Wir visualisieren dies durch eine rot-
grün-Färbung der Ecken, wobei die Ecke 4 ohne Einschränkung rot sei. Dann
sind folgende Färbungen möglich:
Im ersten Fall können wir die Färbung unverändert übernehmen, wenn wir die
Brücke a*b* wieder hinzufügen. Im zweiten Fall führen wir einen Farbwechsel
im rechten Teil des Graphen (der Zusammenhangskomponente von b* = 5)
durch, um den ersten Fall zu erzeugen. Die so modifizierte Färbung von G′ ist er-
neut für G geeignet.
Entfernen wir eine andere Kante als die Brücke, etwa a*b* = 7-10, so können
wir eine Färbung des Teilgraphen G′ unverändert übernehmen, da durch die
Voraussetzung „alle Kreise in G haben gerade Länge“ sichergestellt wird, dass
die beiden Ecken der Kante verschieden gefärbt sind. Nehmen wir wieder an,
dass die 4 rot gefärbt ist, so ergibt sich notwendig die folgende Färbung von G′:

Der Abstand zweier Ecken
Wir haben gesehen, dass Kantenzüge die Beschreibung von Zusammenhangs-

eigenschaften eines Graphen ermöglichen. Darüber hinaus sind sie geeignet,
eine Abstandsfunktion in einem Graphen zu erklären. Diese Funktion misst, wie
weit zwei Ecken in einem Graphen voneinander entfernt sind:
Definition (Abstand)
Sei G = (E, K) ein Graph. Für alle a, b P E mit a , b setzen wir
d(a, b) = „die Länge eines kürzesten Kantenzugs von a nach b in G“.
Für a, b P E mit non(a , b) setzen wir d(a, b) = ∞. Wir nennen d(a, b) den
Abstand von a und b in G.
Das „d“ steht für „Distanz“ oder „distance“. Genauer schreiben wir dG statt d,
wenn wir die Abhängigkeit der Abstandsfunktion vom betrachteten Graphen
hervorheben möchten. Eine Verwechslung mit dem Grad d(a) einer Ecke ist in
der Regel nicht zu befürchten.
Es gilt d : E × E → N ∪ { ∞ }. Ist der Graph G zusammenhängend, so sind
alle Abstände endlich, sodass d : E × E → N. Weiter gilt für alle Ecken a P E:
N(a) = { b P E | d(a, b) = 1 }, [ a ] = { b P E | d(a, b) < ∞ }.
Die Nachbarecken einer Ecke sind also genau die Ecken mit Abstand 1 von der
Ecke, und die Zusammenhangskomponente einer Ecke besteht genau aus den
Ecken mit endlichem Abstand von der Ecke.
Bemerkung
(1) Statt „Kantenzug“ können wir in der Definition des Abstands d(a, b)
auch „Weg“ einsetzen. Denn ein kürzester Kantenzug von a nach b ist
automatisch ein Weg.
(2) Da ein kürzester Kantenzug zwischen zwei Ecken in der Regel nicht
eindeutig bestimmt ist, wäre es ungenau, von der Länge des kürzesten
Kantenzugs statt der Länge eines kürzesten Kantenzugs zu sprechen.
Ist etwa G = (E, K) mit E = { 1, 2, 3, 4 } und K = { 12, 13, 24, 34 } so
sind 1, 2, 4 und 1, 3, 4 zwei verschiedene kürzeste Kantenzüge von 1
nach 4 in G. Es gilt d(1, 4) = 2.

Beispiel
Wir betrachten den folgenden Graphen mit drei Zusammenhangskompo-
nenten { 1, …, 9 }, { 10, 11 } und { 12 }:
Die Abstände d(a, b) zwischen den Ecken lassen sich aufgrund der einfachen
Struktur des Graphen ablesen. Wir können sie in Form einer Tabelle
angeben. Wegen d(a, b) = d(b, a) genügt es, die Tabelle halb zu füllen.
1 2 3 4 5 6 7 8 9 10 11 12
1 0 1 2 4 2 3 3 1 3 ∞ ∞ ∞
2 - 0 1 3 1 2 2 2 2 ∞ ∞ ∞
3 - - 0 2 2 2 1 3 2 ∞ ∞ ∞
4 - - - 0 3 2 1 4 2 ∞ ∞ ∞
5 - - - - 0 1 2 1 1 ∞ ∞ ∞
6 - - - - - 0 1 2 2 ∞ ∞ ∞
7 - - - - - - 0 3 1 ∞ ∞ ∞
8 - - - - - - - 0 2 ∞ ∞ ∞
9 - - - - - - - - 0 ∞ ∞ ∞
10 - - - - - - - - - 0 1 ∞
11 - - - - - - - - - - 0 ∞
12 - - - - - - - - - - - 0
Die Abstandsfunktion lässt sich in effektiver Weise algorithmisch berechnen.

Entsprechende Algorithmen werden wir später kennenlernen.

Die drei grundlegenden Eigenschaften der Abstandsfunktion sind (die zweite

haben wir im obigen Beispiel schon verwendet):
Satz (Eigenschaften des Abstands)

Sei G = (E, K) ein Graph. Dann gilt für alle a, b, c P E:
(1) d(a, b) = 0 genau dann, wenn a = b (Nullbedingung),
(2) d(a, b) = d(b, a), (Symmetrie)
(3) d(a, c) ≤ d(a, b) + d(b, c). (Dreiecksungleichung)
Der Beweis sei dem Leser zur Übung überlassen.

In der Dreiecksungleichung behandeln wir den symbolischen Wert ∞ in der
üblichen Weise, d. h. es gilt
n + ∞ = ∞ + n = ∞ + ∞ = ∞ für alle n ≥ 0.

Übungen
Übung 1
Sei G = (E, K) ein Graph, und seien a, b P E. Es gebe einen Kantenzug von a
nach b in G. Zeigen Sie, dass es einen Weg von a nach b in G gibt.
Übung 2
Zeigen Sie, dass jeder Weg in einem Graphen ein einfacher Kantenzug ist.
Übung 3
Sei G = (E, K) ein Graph. Zeigen Sie, dass die Erreichbarkeitsrelation von
G reflexiv, symmetrisch und transitiv ist.
Übung 4
Sei G = (E, K) ein Graph mit genau n Zusammenhangskomponenten und
sei ab eine Brücke in G. Zeigen Sie, dass der Graph G′, der aus G durch
Streichen der Kante ab hervorgeht, genau n + 1 Zusammenhangskompo-
nenten besitzt.
Übung 5
Sei G = (E, K) ein Graph, und sei ab P K. Zeigen Sie, dass die folgenden
Aussagen äquivalent sind:
(1) Die Kante ab ist eine Kreiskante, d. h. es gibt einen Kreis in G, der ab
als Kante enthält.
(2) Die Kante ab ist keine Brücke von G.
Übung 6
Sei G = (E, K ) ein zusammenhängender Graph mit mindestens zwei Ecken.
Zeigen Sie: Es gibt zwei verschiedene Ecken a, b derart, dass die Graphen
G − a und G − b zusammenhängend sind. Dabei sei G − e für eine Ecke e
der Untergraph von G, der durch Streichen der Ecke e entsteht (Entfernen
von e und aller Kanten mit e als Ecke).
[ Hinweis: Starke Induktion nach |E|. ]
Übung 7
Sei G = (E, K) ein Graph. Zeigen Sie die drei grundlegenden Eigenschaften
(Nullbedingung, Symmetrie, Dreiecksungleichung) für die Abstandsfunk-
tion d des Graphen.
Übung 8
Sei G = (E, K) ein Graph. Zeigen Sie, dass G genau dann zusammenhän-
gend ist, wenn es eine Ecke a gibt mit d(a, b) < ∞ für alle Ecken b.

Übung 9
Sei G = (E, K) bipartit und zusammenhängend. Weiter sei a P E beliebig.
Wir setzen
E1 = { b P E | d(a, b) ist gerade }, E2 = { b P E | d(a, b) ist ungerade }.
Zeigen Sie, dass G bipartit durch E1 , E2 ist.
Übung 10
Sei G = (E, K1 , K2 ) ein gerichteter Graph mit E = { 0, …, 6 } und zwei
Kantenmengen
K1 = { 01, 12, 23, 34, 45, 56, 60 },
K2 = { 00, 13, 26, 32, 45, 51, 64 }.
Der Graph hat eine Schlinge bei 0 und eine Doppelkante zwischen 4 und 5.
Wir zeichnen die Kanten in K1 als grüne Pfeile und die Kanten in K2 als
blaue Pfeile.
Sei nun eine Zahl d1 …dn in Dezimaldarstellung gegeben. Wir starten im

Graphen bei der Ecke 0 und gehen d1 Schritte entlang der grünen Pfeile.
Danach gehen wir einen Schritt entlang eines blauen Pfeils. Nun gehen wir
d2 grüne Schritte, danach wieder einen blauen usw. Das Verfahren endet
mit dn grünen Schritten. (Blaue Schritte markieren einen Ziffernwechsel,
sodass es insgesamt n − 1 blaue Schritte gibt.) Für 148 ergibt sich zum
Beispiel der Kantenzug 0, 1, 3, 0, 0, 1; für 226 ergibt sich 0, 2, 6, 1, 3, 2.

(a) Welche zahlentheoretische Bedeutung hat die zuletzt besuchte

Ecke? Formulieren sie eine Hypothese und beweisen Sie sie.
[ Hinweis: Experimentieren Sie systematisch, um die Bedeutung zu
ermitteln, und verwenden Sie Induktion, um Ihre Hypothese zu
beweisen.]
(b) Ergibt sich das korrekte Resultat, wenn die Zahl d1 …dn von rechts
nach links durchlaufen wird ?
(c) Können Sie analoge Graphen für die Eckenmenge { 0, …, m − 1 },
m ≥ 2 beliebig, erstellen? Welche Graphen ergeben sich speziell für
m = 3, 5, 9? Welchen bekannten zahlentheoretischen Regeln
entsprechen die Ergebnisse für diese m?
Übung 11
Das Problem der Flussüberquerung lautet in einer von zahlreichen
Varianten:
Ein Bauer will mit einem Wolf, einer Ziege und einem Kohlkopf einen
Fluss mit Hilfe eines Floßes überqueren. Nur der Bauer kann das Floß
steuern, und er kann immer nur entweder den Wolf oder die Ziege oder
den Kohlkopf mitnehmen. Zudem dürfen auf einer Flussseite niemals Ziege
und Kohlkopf ohne Bauer und auch niemals Wolf und Ziege ohne Bauer
sein. Wie überquert der Bauer den Fluss?
Modellieren Sie das Problem mit Hilfe eines Graphen. Zeichnen Sie Ihren
Graphen möglichst übersichtlich, sodass Sie alle möglichen Lösungen
ablesen können.

3. Isomorphe Graphen
Wir untersuchen nun die Frage nach der strukturellen Gleichheit zweier Gra-
phen, ihrer sogenannten Isomorphie. Anschaulich bedeutet die Isomorphie
zweier Graphen, dass sich die Graphen lediglich in den Namen ihrer Ecken un-
terscheiden. Präzisieren können wir diese Anschauung mit Hilfe von Funktio-
nen, die die Ecken des einen Graphen bijektiv auf die Ecken des anderen Gra-
phen abbilden und dabei in beiden Richtungen Kanten in Kanten übersetzen.
Die Idee der Begriffsbildung ist für die Mathematik von großer Bedeutung, alle
mathematischen Strukturen lassen sich aus der Perspektive der Isomorphie be-
trachten. Die Graphen bilden ein instruktives Beispiel mit überraschend schwie-
rigen Fragestellungen.

Motivation
Wir betrachten die Graphen

G1 = ({ a, b, c, d }, { ab, ac, ad, bc }) und
G2 = ({ 1, 2, 3, 4 }), { 12, 13, 23, 24 }),
wobei die Ecken a, b, c, d des ersten Graphen beliebige paarweise verschiedene
Objekte sind.
Die beiden Graphen lassen sich, wenn wir von den Namen ihrer Ecken abse-
hen, jeweils als Dreieck mit einer an einer Ecke des Dreiecks angefügten Kante
beschreiben. Sie sind aus graphentheoretischer Sicht strukturgleich. Der visuelle
Unterschied, der sich durch die sich kreuzenden Kanten im Diagramm rechts er-
gibt, betrifft lediglich die Darstellung, nicht die Struktur der Graphen. Die Um-
benennung (oder aus der Sicht eines Ecken-Kanten-Diagramms: Verschiebung)
a @ 2, b @ 1, c @ 3, d @ 4
der Ecken führt den Graphen G1 in den Graphen G2 über. Diese Umbenennung
können wir visualisieren, indem wir die zugeordneten Ecken gleich einfärben:

3. Isomorphe Graphen 141
Ebenso könnten wir die folgende Umbenennung verwenden:

a @ 2, b @ 3, c @ 1, d @ 4
Dagegen wäre eine Umbenennung, die die Ecke c der Ecke 2 zuordnet, nicht ge-
eignet, denn die Ecken c und 2 haben unterschiedliche Eigenschaften in den bei-
den Graphen. Beispielsweise hat die Ecke c in G1 zwei Nachbarn, die Ecke 2 in
G2 dagegen drei.
Kurz und anschaulich können wir die Situation so zusammenfassen:
Die Graphen G1 und G2 unterscheiden sich nur durch die Namen ihrer Ecken.
Nachdem die Namen der Ecken im Hinblick auf die Struktur des Graphen
keine Rolle spielen, können wir die Graphen auch zeichnen, ohne den Ecken
Namen zu geben. Die folgenden Diagramme sind in diesem Sinne gleichwertig
und repräsentieren jeweils sowohl G1 als auch G2 . Anschaulich können sie durch
eine geeignete Verschiebung der Ecken ineinander übergeführt werden.

Der Isomorphiebegriff
Wir wollen nun allgemein zwei beliebige Graphen

G1 = (E1 , K1 ) und G2 = (E2 , K2 )
isomorph oder strukturgleich nennen, wenn sie sich im Sinne der obigen Diskus-
sion nur durch die Namen ihrer Ecken unterscheiden. Wie fassen wir diese An-
schauung in eine präzise Definition? Die Umbenennung der Ecken wird durch
eine Bijektion f von E1 nach E2 gegeben, das ist relativ problemlos. Aber wie
bringen wir zum Ausdruck, dass die Bijektion korrekt ist? Alle graphentheoreti-
schen Eigenschaften sollen wechselseitig erhalten bleiben, etwa:
(1) In G1 gilt d(a) = 5 genau dann, wenn d(f(a)) = 5 in G2 .
(2) Die Ecke a ist genau dann die Ecke eines Dreiecks in G1 , wenn f(a) die
Ecke eines Dreiecks in G2 ist.
(3) G1 ist genau dann ein Kreis, wenn G2 ein Kreis ist.
(4) G1 ist genau dann bipartit, wenn G2 bipartit ist.
(5) G1 und G2 haben die gleiche Größe (Anzahl der Kanten).
Die Definition der Isomorphie soll möglichst einfach sein und nicht aus einer
langen Liste von Erhaltungseigenschaften bestehen, die in der Praxis schwer zu
überprüfen ist und sich am Ende als unvollständig herausstellt. Um die entschei-
dende Bedingung zu finden, beobachten wir, dass ein Graph lediglich aus Ecken
und Kanten besteht und sich alles Weitere wie Grad, Dreieck, Kreis usw. daraus
ableitet. Die Ecken haben wir durch die Forderung der Bijektivität der Überset-
zungsfunktion f schon berücksichtigt, die Kanten dagegen noch gar nicht. Es
liegt nahe, zu fordern, dass f Kanten respektiert: f übersetzt eine Kante von G1
in eine Kante von G2 , und ebenso bleibt das Fehlen einer Kante gewahrt. Wir
definieren also:
Definition (Isomorphie, Isomorphismus)

Zwei Graphen G1 = (E1 , K1 ) und G2 = (E2 , K2 ) heißen isomorph, falls eine
Abbildung f : E1 → E2 existiert mit den Eigenschaften:
(a) f : E1 → E2 ist bijektiv. (Eckenbedingung)
(b) Für alle a, b P E1 gilt:
ab P K1 genau dann, wenn f(a)f(b) P K2 . (Kantenbedingung)
Eine derartige Abbildung f : E1 → E2 heißt ein Isomorphismus von G1 nach
G2 oder zwischen G1 und G2 .
Sind G1 und G2 isomorph, so schreiben wir G1 > G2 . Weiter schreiben wir
f : G1 > G2 , falls f ein Isomorphismus von G1 nach G2 ist.

Beispiele
(1) Haben G1 und G2 jeweils genau eine Ecke, so gilt G1 > G2 .
(2) Haben G1 und G2 jeweils genau zwei Ecken, so sind G1 und G2 genau
dann isomorph, wenn sie beide die einzig mögliche Kante enthalten
oder beide diese Kante nicht enthalten.
(3) Die vollständig bipartiten Graphen K3, 2 und K2, 3 sind isomorph. Ein
Isomorphismus ist gegeben durch f : { 1, …, 5 } → { 1, …, 5 } mit
f(1) = 3, f(2) = 4, f(3) = 5, f(4) = 1, f(5) = 2.
Die isomorphen Graphen K3, 2 (links) und K2, 3 (rechts)
(4) Die beiden folgenden Graphen sind isomorph, und f : E1 → E2 ist ein
Isomorphismus:
Offenbar ist f bijektiv. Dass f die Kantenbedingung erfüllt, lässt sich

mit einiger Mühe „Kante für Kante“ überprüfen.
(5) Die Äquivalenz „genau dann, wenn“ in der Kantenbedingung kann
nicht zu „impliziert“ abgeschwächt werden. Ist G1 = ({ 1, …, n }, ∅)
und G2 = Kn für ein n ≥ 2, so ist die Identität auf der Menge { 1, …, n }
bijektiv und für alle a, b P E1 gilt:
ab P K1 impliziert f(a)f(b) P K2 .
Die beiden Graphen sind aber nicht isomorph.

Das letzte Beispiel zeigt, dass die Kantenbedingung nicht nur besagt, dass f
Kanten erhält. Sie besagt stärker, dass sowohl Kanten und als auch Nichtkanten
erhalten bleiben. Etwas salopp können wir sie so formulieren:
Ein Isomorphismus übersetzt Kanten (in beiden Richtungen).
Eigenschaften von isomorphen Graphen
Die Isomorphie zwischen Graphen besitzt, wie zum Beispiel die Kongruenz-
relation modulo m der Zahlentheorie, die drei charakteristischen Eigenschaften
der Gleichheit:
Satz (elementare Eigenschaften der Isomorphie)

Seien G1 , G2 , G3 Graphen. Dann gilt:
(1) G1 > G1 (Reflexivität)
(2) G1 > G2 impliziert G2 > G1 (Symmetrie)
(3) G1 > G2 und G2 > G3 impliziert G1 > G3 (Transitivität)
Beweis
zu (1) : Die Identität id : E1 → E1 ist bijektiv. Für alle a, b P E1 gilt wegen
id(a) = a und id(b) = b:
ab P K1 genau dann, wenn id(a)id(b) P K1 .
Also gilt id : G1 > G1 .
zu (2) : Sei f : G1 > G2 . Da f bijektiv ist, ist die Umkehrabbildung g = f − 1
eine Bijektion von E2 nach E1 . Seien c, d P E2 beliebig. Da f bijektiv ist,
gibt es a, b P E1 mit f(a) = c und f(b) = d. Mit g(c) = a und g(d) = b
erhalten wir die Äquivalenzenkette
cdPK2 genau dann, wenn f(a)f(b)PK2
genau dann, wenn ab P K1
genau dann, wenn g(c)g(d) P K1
Also gilt g : G2 > G1 .
zu (3) : Seien f : G1 > G2 und g : G2 > G3 . Dann ist die Verknüpfung
h = g + f eine Bijektion von E1 nach E3 . Für alle a, b P E1 gilt:
ab P K1 genau dann, wenn f(a)f(b) P K2
genau dann, wenn g(f(a)) g(f(b)) P K3
genau dann, wenn h(a)h(b) P K3
Also gilt h : G1 > G3 .

Nach unserer Motivation ist zu erwarten, dass zwei isomorphe Graphen in al-
len graphentheoretischen Eigenschaften übereinstimmen. Dass dies so ist, kann
schrittweise aus der Definition der Isomorphie gefolgert werden, denn diese Ei-
genschaften lassen sich auf Ecken und Kanten zurückführen. So bedeutet etwa
„Die Ecke a ist Ecke eines Dreiecks in G1 .“
dass es zwei Ecken b ≠ c in E1 gibt mit ab, bc, caPK1 . Dann sind f(a), f(b) und f(c)
drei verschiedene Ecken von E2 mit f(a)f(b), f(b)f(c), f(c)f(a) P K2 . Folglich gilt:
„Die Ecke f(a) ist die Ecke eines Dreiecks in G2 .“
Ein Isomorphismus übersetzt Dreiecke (in beiden Richtungen)
Ebenso gilt zum Beispiel für alle a, b1 , …, bn P E1 (Übung):

(+) N(a) = { b1 , …, bn } genau dann, wenn N(f(a)) = { f(b1 ), …, f(bn ) }.
Damit haben für alle a P E1 die Ecken a und f(a) den gleichen Grad, d. h. es gilt
d(a) = d(f(a)).
Ein Isomorphismus übersetzt Nachbarn (in beiden Richtungen)

Aus (+) ergibt sich:
Satz (Gradfolgenbedingung)
Zwei isomorphe Graphen haben die gleiche Gradfolge.
So haben obige Graphen zum Beispiel die gemeinsame Gradfolge

2, 3, 3, 3, 4, 4, 4, 4, 4, 5.
Die Bedingung ist des Satzes ist nicht hinreichend: Zwei Graphen können die
gleiche Gradfolge besitzen ohne isomorph zu sein (Übung).
Zahlreiche andere Eigenschaften bleiben unter Isomorphie erhalten. Einige
davon sind:
Beispiele
(1) Ein Isomorphismus zwischen zwei Graphen übersetzt Kantenzüge in
Kantenzüge, Wege in Wege, Kreise in Kreise. Offenheit und Einfach-
heit bleiben dabei wechselseitig erhalten.
(2) Sind G1 und G2 isomorph, so ist G1 genau dann zusammenhängend,
wenn G2 dies ist. Allgemeiner entspricht die Anzahl der Zusammen-
hangskomponenten von G1 denen von G2 .
(3) Ist f : G1 > G2 ein Isomorphismus von G1 nach G2 , so ist eine Kante
ab von G1 genau dann eine Brücke in G1 , wenn die Kante f(a)f(b) von
G2 eine Brücke in G2 ist. Damit haben G1 und G2 die gleiche Anzahl
an Brücken.
(4) Ein Isomorphismus f : G1 > G2 erhält den Abstand, d. h. es gilt
dG1 (a, b) = dG2 (f(a), f(b)) für alle Ecken a, b von G1 .
Weiter gilt: Gibt es in G1 genau einen Weg der Länge 3 von a nach b,
so gibt es in G2 genau einen Weg der Länge 3 von f(a) nach f(b), usw.
(5) Sind G1 = (E1 , K1 ) und G2 = (E2 , K2 ) isomorph, so ist G1 genau dann
bipartit, wenn G2 dies ist. Denn ein Isomorphismus übersetzt eine
bipartite Zerlegung von E1 in eine bipartite Zerlegung von E2 .
Allgemeiner ist G1 für jedes k ≥ 2 genau dann k-partit, wenn G2 dies ist.
(6) Isomorphe Graphen enthalten die gleiche Anzahl an Dreiecken und
allgemeiner Kreisen der Länge 4, 5, 6, …
Eine allgemeine Definition, was genau eine „graphentheoretische Eigen-

schaft“ ist, ist möglich, und mit ihrer Hilfe lässt sich beweisen, dass zwei iso-
morphe Graphen die gleichen graphentheoretischen Eigenschaften besitzen.
Wir begnügen uns an dieser Stelle mit den gegebenen Beispielen. Die Intuition
ist hier in der Regel sehr zuverlässig. Im Zweifel lässt sich immer nachweisen,
dass eine bestimmte Eigenschaft unter Isomorphie erhalten bleibt.

Die Frage nach der Isomorphie
Sind zwei Graphen G1 und G2 gegeben, so stellt sich die Frage:

Wie können wir zeigen oder widerlegen, dass die beiden Graphen isomorph sind?
Hierzu gibt es im Wesentlichen zwei Möglichkeiten:
Beweis der Isomorphie

Wir konstruieren einen Isomorphismus f : G1 > G2 .
Widerlegung der Isomorphie

Wir geben eine graphentheoretische Eigenschaft an, die auf den einen
Graphen zutrifft, auf den anderen aber nicht. Standardeigenschaften, die
wir überprüfen können sind:
Ordnung, Größe, Gradfolge,
bipartit, tripartit, …
zusammenhängend, Anzahl der Zusammenhangskomponenten,
enthält ein Dreieck, enthält ein Viereck,
enthält zwei Dreiecke mit/ohne gemeinsame Ecke,
enthält genau einen Kreis, enthält genau zwei Kreise, enthält zwei sich berührende
Kreise, …
Beispiel
Seien G1 und G2 die Graphen mit der gemeinsamen Eckenmenge
E1 = E2 = { 1, …, 7 }
und den Kantenmengen
K1 = { 12, 24, 25, 34, 36, 45, 46, 67 },
K2 = { 12, 13, 14, 24, 36, 45, 47, 67 }.
Die beiden Graphen stimmen in Ordnung und Größe überein. Die
Gradfolgen lauten:
1, 1, 2, 2, 3, 3, 4 für G1 ,
1, 2, 2, 2, 2, 3, 4 für G2 .
Da sich die Gradfolgen unterscheiden, sind G1 und G2 nicht isomorph.
Anhand eines Ecken-Kanten-Diagramms fällt der Unterschied relativ gut
ins Auge (dies ist keineswegs immer der Fall):

Der linke Graph hat zwei Ecken mit Grad eins, der rechte nur eine
Es ist kein Kriterium bekannt, mit dem effizient entschieden werden könnte,
ob zwei Graphen G1 und G2 isomorph sind oder nicht. Natürlich können wir
alle Bijektionen von E1 nach E2 auflisten und die Kantenbedingung für jede Bi-
jektion überprüfen. Haben G1 und G2 genau n Ecken, so gibt es n! Bijektionen
von E1 nach E2 , sodass dieser Weg aus praktischer Sicht ineffizient und für große
Graphen unmöglich ist. Für zwei Graphen mit je 20 Ecken wären zum Beispiel
20! = 2432902008176640000
Bijektionen zu überprüfen. Durch die in „Widerlegung der Isomorphie“ ge-
nannten Kriterien kann eine Anwort „nein“ manchmal schnell gefunden werden.
Wenn aber alle Standard-Kriterien sowohl auf den ersten als auch auf den zwei-
ten Graphen zutreffen, heißt dies noch nicht, dass die beiden Graphen isomorph
sind.
Einteilung in Isomorphieklassen
Für alle n ≥ 1 lassen sich alle Graphen mit der Eckenmenge { 1, …, n } in Iso-
morphieklassen einteilen. Instruktiv ist der Fall n = 3:
Beispiel
Sei E = { 1, 2, 3 }. Dann gibt es genau acht Graphen G1 , …, G8 mit der
Eckenmenge E. Sie sind definiert durch die Kantenmengen
K1 = { }, K2 = { 12 }, K3 = { 13 }, K4 = { 23 },
K5 = { 12, 13 }, K6 = { 12, 23 }, K7 = { 13, 23 }, K8 = { 12, 13, 23 }.
Die Graphen G2 , G3 und G4 sind paarweise zueinander isomorph, ebenso
wie die Graphen G5 , G6 und G7 . Ansonsten bestehen nur noch die trivialen
Isomorphien Gk > Gk für k = 1, …, 8.

Die acht Graphen G1 , …, G8 mit den Ecken { 1, 2, 3 }. Gleichfarbige Graphen

sind isomorph, verschiedenfarbige Graphen sind nicht isomorph.
Für G2 und G3 gilt zum Beispiel: Die isolierte Ecke 3 von G2 muss durch je-
den Isomorphismus auf die isolierte Ecke 2 von G3 abgebildet werden. Bei
den durch eine Kante verbundenen Ecken ist ein Tausch möglich, die beiden
Ecken sind strukturell nicht unterscheidbar. Insgesamt gibt es zwischen G2
und G3 genau zwei Isomorphismen, nämlich die Bijektionen
f, g : { 1, 2, 3 } → { 1, 2, 3 } mit
f(1) = 1, f(2) = 3, f(3) = 2,
g(1) = 3, g(2) = 1, g(3) = 2.
Analoges gilt für die anderen zueinander isomorphen Graphen. Für die Gra-
phen G6 , G7 und G8 beachte der Leser, dass die eindeutig bestimmten Ecken
vom Grad 2 (die gemeinsame Ecke der beiden Kanten) durch einen Isomor-
phismus einander zugeordnet werden müssen, die beiden anderen Ecken
können wieder ausgetauscht werden.
Insgesamt erhalten wir also die vier Isomorphieklassen (Mengen zueinander
isomorpher Graphen):
{ G1 }, { G2 , G3 , G4 }, { G5 , G6 , G7 }, { G8 }.
Wir können diese Klassen visuell darstellen, indem wir aus jeder Klasse einen
beliebigen Graphen auswählen und die Namen der Ecken weglassen:

Symbolische Darstellung der Isomorphieklassen der Graphen mit drei Ecken
In analoger Weise lassen sich die Graphen mit 4, 5, 6, … Ecken bis auf Iso-
morphie klassifizieren. Eine Klassifikation der 64 Graphen mit der Ecken-
menge { 1, 2, 3, 4 } können wir noch relativ gut per Hand durchführen (Übung).
Allgemein wird das Vorhaben aber schnell sehr aufwendig: Ist n ≥ 1 beliebig, so
gibt es genau 2m Graphen mit der Eckenmenge { 1, …, n }, wobei
m = n(n − 1)/2.
Es ist keine allgemeine Formel für die Anzahl der Isomorphieklassen in Abhän-
gigkeit von n bekannt. Mit Hilfe von Computern lässt sich diese Anzahl für
kleine n berechnen:
n Anzahl der Graphen Anzahl der Isomorphieklassen

1 1 1
2 2 2
3 8 4
4 64 11
5 1024 34
6 32768 156
7 2097152 1044
8 268435456 12346
9 68719476736 274668
10 35184372088832 12005168

Übungen
Übung 1
Erstellen Sie Diagramme, die die Reflexivität, Symmetrie und Transitivität
der Isomorphie erläutern.
Übung 2
Sei f : G1 > G2 ein Isomorphismus zwischen zwei Graphen. Zeigen Sie,
dass für alle a, b1 , …, bn P E1 gilt:
(1) N(a) = { b1 , …, bn } genau dann, wenn N(f(a)) = { f(b1 ), …, f(bn ) }.
(2) d(a) = d(f(a)).
Übung 3
Zeigen oder widerlegen Sie, dass die folgenden Graphen isomorph sind.
(1)
(2)

Übung 4
Geben Sie zwei Graphen mit möglichst kleiner Ordnung an, die die gleiche
Gradfolge besitzen, aber nicht isomorph sind.
Übung 5
Geben Sie eine übersichtliche Darstellung aller Graphen mit der Ecken-
menge { 1, 2, 3, 4 }, die folgende Informationen enthält:
Isomorphieklassen, Größe der Klassen, Größe der Graphen in einer Klasse,
anschauliche Beschreibung der Klassen.
Übung 6
Für einen Graphen G = (E, K) ist der Komplementärgraph Gc = (E, Kc ) von
G definiert durch
Kc = { ab | a, b P E, a ≠ b, ab ¸ K }.
Anschaulich entsteht Gc aus G, indem wir alle vorhandenen Kanten
streichen und alle fehlenden Kanten hinzufügen.
Ein Graph G (links) und sein Komplementärgraph Gc (rechts)
Ein Graph G heißt selbstkomplementär, falls G > Gc .

(1) Geben Sie je einen selbstkomplementären Graphen mit den Ecken
{ 1, …, 4 } bzw. { 1, …, 5 } an.
(2) Sei G = (E, K) selbstkomplementär. Zeigen Sie, dass die Ordnung von
G bei Division durch 4 den Rest 0 oder 1 besitzt, d. h.
|E| ; 0 mod(4) oder |E| ; 1 mod(4).

4. Euler-Züge und Hamilton-Kreise
Wir beginnen nun mit der Untersuchung algorithmischer Fragen der Graphen-
theorie. Den Anfang bildet eine klassische Problemstellung:
Kann ein gegebener Graph so durchlaufen werden, dass jede Kante des Graphen
genau einmal besucht wird und wir am Ende wieder bei der Startecke ankom-
men?
Seine historischen Wurzeln hat diese Frage im Königsberger Brückenproblem
(1736): Damals wurde die Frage gestellt, ob es eine Stadtbesichtigung gibt, die
jede der sieben Königsberger Brücken genau einmal überquert. Euler zeigte mit
graphentheoretischen Methoden, dass dies nicht möglich ist. Die Mathematik,
die sich aus der Frage ergibt, ist erstaunlich reichhaltig und wir werden im Ver-
lauf der Untersuchung auch offene Fragen kennenlernen. Als überraschend
schwierig erweist sich das analoge Problem, einen Graphen so in einem ge-
schlossenen Kantenzug zu durchlaufen, dass alle Ecken genau einmal besucht
werden. Die Frage nach der Existenz derartiger Hamilton-Kreise führt uns zum
P ≠ NP-Problem der Komplexitätstheorie.

Eulersche Graphen
Für die genaue Formulierung des Problems brauchen wir einige Definitionen.
Definition (Euler-Zug)
Sei G = (E, K) ein Graph. Ein geschlossener Kantenzug heißt ein (geschlosse-
ner) Euler-Zug in G, falls er jede Kante des Graphen genau einmal besucht.
Der Graph G heißt Eulersch, wenn ein Euler-Zug in G existiert.
Beispiele
(1) Wir betrachten den folgenden Graphen G = (E, K):
Der Kantenzug Z = 1, 2, 4, 3, 7, 8, 1, 3, 5, 6, 4, 1 ist ein Euler-Zug in

G. Der Graph ist also Eulersch. Wir können den Euler-Zug Z
visualisieren, indem wir den Besuchszeitpunkte der Kanten eintragen:

4. Euler-Züge und Hamilton-Kreise 155
(2) Jeder Kreis ist Eulersch.

(3) Ein aus genau zwei Ecken und einer Kante bestehender Graph ist
nicht Eulersch.
(4) Hat G mindestens zwei Zusammenhangskomponenten und zudem
keine isolierten Ecken, so ist G nicht Eulersch.
(5) Hat G eine beliebige Eckenmenge und keine Kanten, so ist G
Eulersch, denn für jede Ecke a ist a ein Euler-Zug der Länge 0.
Bis auf die Zusatzbedingung „keine isolierten Ecken“ (die leicht vergessen
wird) ist also „zusammenhängend“ eine notwendige Bedingung für „Eulersch“.
Das ist noch nicht besonders aufregend. Interessanter ist:
Satz (notwendige Bedingung von Euler)

Sei G = (E, K) Eulersch. Dann hat jede Ecke in G einen geraden Grad.
Beweis
Sei Z = a0 , …, an , a0 ein Euler-Zug in G. Wir betrachten zunächst eine von
a0 verschiedene Ecke a. Wird die Ecke a auf Z entlang einer Kante ba
besucht, so wird die Ecke a unmittelbar danach entlang einer anderen
Kante ac wieder verlassen, sodass der Besuch von a die Form
… b, a, c … mit b ≠ c
besitzt. Damit können jedem Besuch von a genau zwei Kanten mit der Ecke
a zugeordnet werden. Da auf Z jede Kante mit der Ecke a genau einmal
besucht wird, taucht jede Kante mit der Ecke a in genau einer dieser
Zuordnungen auf. Wird also a genau k mal auf Z besucht, so gilt d(a) = 2k.
Damit ist d(a) gerade.
Für die Startecke a0 argumentieren wir analog, indem wir das Besuchspaar
a0 a1 und an a0 mit einbeziehen. Alternativ können wir auch den verschobe-
nen Euler−Zug a1 , …, an , a0 , a1 betrachten, bei dem a0 nicht mehr die
Startecke ist. Obiges Argument zeigt, dass d(a0 ) gerade ist.
Der Beweis lässt sich anschaulich so zusammenfassen: Laufen wir in eine Ecke
a hinein, so müssen wir aus der Ecke a auf einer anderen Kante wieder herauslau-
fen. Bei jedem Rein-Raus-Laufen werden zwei der d(a) Kanten verbraucht. Da
am Ende alle Kanten verbraucht sind, muss d(a) gerade sein. Die Ecke a selbst
wird d(a)/2-oft besucht.
Beispiel
Wir betrachten noch einmal obigen Graphen G und den Euler-Zug Z. Die
Ecke 3 hat den Grad 4. Beim ersten Besuch der Ecke 3 werden die Kanten
43 und 37 verbraucht, beim zweiten Besuch die Kanten 13 und 35. Die
Ecke 1 besitzt das Besuchspaar 81 und 13, und zudem das besondere Paar
12 und 41, das der Sonderrolle der 1 als Start- und End-Ecke entspricht.

Überraschenderweise ist die Geradheit aller Grade auch für eine hinreichende
Bedingung nützlich. Um die Sprechweise zu vereinfachen, definieren wir:
Definition (gerader Graph)

Ein Graph G heißt gerade, falls jede Ecke von G einen geraden Grad
besitzt.
Entscheidend ist folgender Hilfssatz:
Satz (Rückkehrlemma)
Sei G = (E, K) ein gerader Graph. Weiter sei a eine Ecke mit positivem
Grad. Dann gibt es einen einfachen geschlossenen Kantenzug von a nach a
positiver Länge.
Beweis
Wir starten bei a und durchlaufen solange neue, d. h. bislang unbesuchte
Kanten, bis wir wieder bei a ankommen. Der so erzeugte Kantenzug endet
bei der Ecke a, da wir jede besuchte Ecke b ≠ a wegen d(b) gerade auf einer
bislang unbesuchten Kante wieder verlassen können (und da die Anzahl der
Kanten des Graphen endlich ist).
Beispiel
Wir betrachten noch einmal obigen Graphen. Startend in der Ecke 6 laufen
wir entlang unbesuchter Kanten von jeder Ecke zur kleinsten Nachbarecke,
bis wir wieder bei der Startecke ankommen. Auf dieser Weise ergibt sich
der Kantenzug
6, 4, 1, 2, 4, 3, 5, 6
Diesen Kantenzug können wir visualisieren, indem wir die aktuell besuchte
Ecke besonders einfärben und nach jedem Schritt die durchlaufene Kante
entfernen:

Befinden wir uns also in einem Ausgangsraum eines Labyrinths und wissen
wir, dass von jedem Raum des Labyrinths eine gerade Zahl von Gängen abführt,
so müssen wir nur stets neue Gänge durchlaufen, um irgendwann wieder im Aus-
gangsraum anzukommen. Es reicht, die durchlaufenen Gänge zu markieren, den
genauen Verlauf dieser Erkundung müssen wir gar nicht protokollieren.
Nach diesen Vorbereitungen können wir nun relativ leicht zeigen:
Satz (hinreichende Bedingung von Euler und Hierholzer)

Sei G = (E, K) ein zusammenhängender gerader Graph. Dann ist G
Eulersch.
Beweis
Es genügt, folgende Aussage zu beweisen:
(+) Sei Z ein einfacher geschlossener Kantenzug in G, der kein Euler-Zug
ist. Dann können wir Z zu einem geschlossenen einfachen Kantenzug
Z′ erweitern, der mehr Kanten als Z besucht.
Zum Beweis von (+) sei Z ein einfacher geschlossener Kantenzug in G, der
kein Euler-Zug ist. Wir wählen eine auf Z nicht besuchte Kante bc derart,
dass die Ecke b auf Z besucht wird.
Beweis der Existenz einer solchen Kante
Da Z kein Euler-Zug ist, gibt es eine auf Z nicht besuchte Kante a*b*.
Da G zusammenhängend ist, gibt es in G einen Kantenzug der Form
a*, b*, …, a0 , mit der Startecke a0 von Z.
Die erste Kante dieses Kantenzugs, die zu einer besuchten Ecke von Z
führt, ist eine Kante wie gewünscht.
Wir streichen nun alle Kanten von Z aus G und erhalten so den Teilgra-
phen G′. Der Graph G′ ist immer noch gerade, da wir den Grad jeder Ecke
um eine gerade Zahl vermindert haben. (Der Graph G′ ist nicht mehr
notwendig zusammenhängend, was wir nicht brauchen.) Nach dem
Rückkehrlemma existiert in G′ ein einfacher geschlossener Kantenzug
W = b, c, …, b.
Wir fügen nun W an der ersten Stelle i eines Besuchs von b in Z ein, und
erhalten dadurch einen Kantenzug, den wir Z + W nennen:
Z = a0 , …, ai = b, ai + 1 , …, an , a0
Z + W = a0 , …, ai = b, c, …, b, ai + 1 , … an , a0
Der Kantenzug Z′ = Z + W ist einfach, geschlossen und länger als Z.
Die Notation Z + W des Beweises verwenden wir auch im Folgenden: Z + W

ist der Kantenzug, der aus Z durch Einfügen von W an der ersten möglichen
Stelle hervorgeht. Dabei ist W geschlossen.

Der Algorithmus von Hierholzer
Aus dem Beweis der hinreichenden Bedingung von Euler und Hierholzer lässt
sich folgender Algorithmus zur Konstruktion eines Euler-Zugs gewinnen.
Algorithmus von Hierholzer

Sei G = (E, K), E = { 1, …, n }, ein zusammenhängender gerader Graph.
Weiter sei a P E beliebig (die sog. Startecke). Wir konstruieren rekursiv
eine Folge Z0 , …, Zk von einfachen geschlossenen Kantenzügen wie folgt.
Zu Beginn sei Z0 = a (Länge 0).
Ist Zi konstruiert und hat Zi die Länge |K|, so stoppen wir mit Ergebnis
Zi . Andernfalls sei b die erste auf Zi besuchte Ecke, von der eine noch nicht
besuchte Kante wegführt. Nun konstruieren wir einen einfachen geschlos-
senen Kantenzug
Wi = b, …, b,
indem wir unbesuchte Kanten durchlaufen, bis wir wieder bei b ankommen;
dabei wählen wir an jeder Stelle die kleinstmögliche Ecke. Nun setzen wir
Zi + 1 = Zi + Wi (Einfügen von Wi in Zi beim ersten Besuch von b)
und wiederholen das Verfahren.
Bevor wir Beispiele betrachten, einige Bemerkungen.
Bemerkung
(1) Nach dem obigen Beweis ist der Algorithmus korrekt, d. h., es wird ein
Euler-Zug gefunden. Das Verfahren ist zudem sehr effizient. Die
Laufzeit ist linear in der Größe |K| des Graphen.
(2) Die Wahl der kleinstmöglichen Ecke in der Definition von Wi stellt
sicher, dass das Verfahren deterministisch verläuft: Jeder Anwender
erzeugt denselben Euler-Zug, wenn er dem Algorithmus mit der
gleichen Startecke folgt. Prinzipiell ist jeder Kantenzug Wi , der nur
unbesuchte Kanten durchläuft, geeignet.
(3) Wir können den Algorithmus auch mit einem beliebigen Graphen mit
der Eckenmenge { 1, …, n } durchführen (ohne Forderung des
Zusammenhangs und gerader Grade). Ist Z0 = a, so versucht der
Algorithmus, einen Euler-Zug für die Zusammenhangskomponente
von a zu finden. Dies gelingt genau dann, wenn alle Ecken in dieser
Zusammenhangskomponente einen geraden Grad besitzen. Andern-
falls laufen wir irgendwann in eine Ecke hinein, von der keine
unbesuchte Kante mehr wegführt.

Beispiel
Sei G = (E, K) mit E = { 1, …, 7 } und
K = { 12, 13, 14, 16, 23, 24, 26, 34, 35, 45, 46, 47, 56, 57 }
Der Graph ist zusammenhängend und gerade:
a 1 2 3 4 5 6 7
d(a) 4 4 4 6 4 4 2
Der Algorithmus von Hierholzer verläuft wie folgt:

Z0 = 1 W0 = 1, 2, 3, 1
Z1 = Z0 + W0 = 1, 2, 3, 1 W1 = 1, 4, 2, 6, 1
Z2 = Z1 + W1 = 1, 4, 2, 6, 1, 2, 3, 1 W2 = 4, 3, 5, 4
Z3 = Z2 + W2 = 1, 4, 3, 5, 4, 2, 6, 1, 2, 3, 1 W3 = 4, 6, 5, 7, 4
Z4 = Z3 + W3 = 1, 4, 6, 5, 7, 4, 3, 5, 4, 2, 6, 1, 2, 3, 1 Euler-Zug in G

Das folgende Diagramm zeigt die konstruierten geschlossenen Kantenzüge

W0 , …, W3 , aus denen der Euler-Zug Z4 durch Einfügen erzeugt wird:
Kreiszerlegungen
Wir wollen nun die Eigenschaft „Alle Ecken haben einen geraden Grad“ noch
etwas weiter analysieren. Hierzu beweisen wir zunächst einen allgemeinen Satz
über die Zerlegung von einfachen geschlossenen Kantenzügen:
Satz (Kreiszerlegung von Kantenzügen)

Sei G = (E, K) ein Graph, und sei Z ein einfacher geschlossener Kantenzug
in G positiver Länge. Dann lässt sich Z in Kreise C1 , …, Cm mit disjunkten
Kanten zerlegen, sodass Z = Cm + Cm − 1 + … + C1 .
Beweis
Sei Z = a0 , a1 , …, an , a0 . Wird keine Ecke außer der Startecke a0 zweimal
besucht, so ist Z bereits ein Kreis (da Z einfach ist, ist n ≥ 2). Andernfalls sei
j < n minimal derart, dass der verkürzte Kantenzug
a0 , …, aj
die Ecke aj zweimal besucht. Nach minimaler Wahl von j gibt es ein
eindeutiges 0 ≤ i < j mit ai = aj . Wir setzen nun
C = ai , …, aj
Z′ = a0 , …, ai , aj + 1 , …, an , a0
Dann ist Z′ ein einfacher geschlossener Kantenzug positiver Länge. Nach
Konstruktion ist C ein Kreis und die Mengen der von Z′ und C besuchten
Kanten sind disjunkt, da Z einfach ist. Weiter gilt Z = Z′ + C. Eine endliche
Wiederholung dieses Verfahrens liefert die gewünschte Zerlegung.

Beispiel
Wir betrachten den folgenden Graphen und den einfachen geschlossenen
Kantenzug Z mit
Z = 1, 2, 3, 4, 5, 6, 7, 8, 5, 9, 3, 10, 1
Das Verfahren der Kreiszerlegung liefert mit Z0 = Z:

Z0 = 1, 2, 3, 4, 5, 6, 7, 8, 5, 9, 3, 10, 1
C1 = 5, 6, 7, 8, 5
Z1 = 1, 2, 3, 4, 5, 9, 3, 10, 1
C2 = 3, 4, 5, 9, 3
Z2 = 1, 2, 3, 10, 1
C3 = 1, 2, 3, 10, 1
Damit ist Z in die disjunkten Kreise C1 , C2 und C3 zerlegt:
Z = C3 + C2 + C1 .
Der nichteinfache geschlossene Kantenzug Z = 1, 2, 3, 10, 2, 1 in G kann

nicht in Kreise zerlegt werden. Dies zeigt, dass die Forderung der Einfach-
heit wesentlich ist.

Die Kantenzüge W0 , …, W3 des obigen Beispiels zum Algorithmus von Hier-

holzer sind eine Kreiszerlegung des gefundenen Euler-Zugs. Im Allgemeinen
sind die Kantenzüge Wi , die der Algorithmus erzeugt, jedoch keine Kreise, son-
dern lediglich geschlossen und einfach.
Nach diesen Vorbereitungen zeigen wir:
Satz (Satz von Veblen, Kreiszerlegungssatz)

(1) G ist gerade.
(2) Es existieren Kreise C1 , …, Cm in G derart, dass jede Kante von
G von genau einem Kreis besucht wird.
Wir nennen Kreise C1 , …, Cm wie in (2) auch eine Kreiszerlegung von G.
Beweis
(1) impliziert (2): Der Graph G besitze gerade Grade. Der Satz von Euler-
Hierholzer liefert Euler-Züge für jede Zusammenhangskomponente
von G. Obiger Satz über die Kreiszerlegung von Kantenzügen beschert
uns mit einer Kreiszerlegung für jede Zusammenhangskomponente.
Zusammengenommen bilden diese Zerlegungen eine Kreiszerlegung
von G wie gewünscht.
(2) impliziert (1): Sei C1 , …, Cm eine Kreiszerlegung von G. Weiter sei
a P E beliebig. Kommt die Ecke a in genau r der Kreise C1 , …, Cm vor,
so gilt d(a) = 2r. Denn jeder der r Kreise besucht genau zwei Kanten mit
a als Ecke, und diese Kantenpaare sind nach Voraussetzung disjunkt.
Dies zeigt, dass d(a) gerade ist. Damit hat G gerade Grade.
Eine Kreiszerlegung eines Graphen in 6 Kreise

Weitere Ergebnisse
Die Analyse des Problems „Durchlaufe alle Kanten“ ist mit den obigen Ergeb-
nissen keineswegs abgeschlossen. Eine Frage ist zum Beispiel:
Was gilt, wenn auf die Forderung „geschlossen“ verzichtet wird?
Wir definieren hierzu:
Definition (offener Euler-Zug)

Sei G = (E, K) ein Graph. Ein offener Euler-Zug in G ist ein einfacher
Kantenzug Z = a0 , …, an mit a0 ≠ an , der jede Kante von G genau einmal
besucht.
Ein bekanntes Beispiel ist:
Beispiel
Sei G = (E, K) mit E = { 1, …, 5 } und K = { 12, 13, 14, 23, 24, 34, 35, 45 }.
Das Haus vom Nikolaus
Der Kantenzug
Z = 1, 2, 3, 4, 1, 3, 5, 4, 2
ist ein offener Euler-Zug von 1 nach 2 in G.
Ohne große Schwierigkeiten erhalten wir:
Satz (Existenz offener Euler-Züge)

Sei G = (E, K) zusammenhängend, und seien a, b zwei verschiedene Ecken
von G. Dann sind äquivalent:
(1) Es gibt einen offenen Euler-Zug von a nach b.
(2) a und b sind die einzigen Ecken von G mit einem ungeraden Grad.

Beweis
Wir führen eine neue Ecke e und zwei neue Kanten ae* und be* ein. Der so
entstehende Graph G′ ist gerade und weiterhin zusammenhängend. Nun
folgt die Äquivalenz der beiden Bedingungen aus den bisherigen Resulta-
ten, denn ein geschlossener Euler-Zug in G′ führt zu einem offenen Euler-
Zug von a nach b in G und umgekehrt.
Der Beweis zeigt, dass ein offener Euler-Zug mit Hilfe des Algorithmus von
Hierholzer gefunden werden kann, falls die Grad-Bedingung (2) des Satzes er-
füllt ist. Alternativ können wir den Algorithmus modifizieren, sodass der Über-
gang zu G′ unnötig wird: Starten wir bei a und durchlaufen wir solange möglich
unbesuchte Kanten, so endet der entstehende einfache Kantenzug irgendwann
bei b (Rein-Rauslaufen-Argument). Der Rest ist wie zuvor.
Mehrfacher Kantenbesuch
Eine weitere natürliche Frage lautet:

Was können wir ohne Grad-Forderung erreichen?
Ein Resultat im Umfeld der obigen Ergebnisse ist folgender Satz:
Satz (zweifacher Kantenbesuch)

Sei G = (E, K) ein zusammenhängender Graph. Dann gibt es einen
geschlossenen Kantenzug Z in G, der jede Kante genau zweimal besucht.
Weiter kann erreicht werden, dass in Z jede Kante in beiden Richtungen
durchlaufen wird.
Wir diskutieren Beweise dieses bemerkenswert allgemeinen Ergebnisses in den

Übungen. Neben einer Version des Hierholzer-Algorithmus existiert ein Algo-
rithmus, der den gesuchten Kantenzug mit Hilfe von an den Kanten angebrachten
Markierungspfeilen in einem Durchlauf − ohne späteres Einfügen von geschlosse-
nen Kantenzügen − findet.
Schließlich erwähnen wir noch ein offenes Problem im Umfeld des Satzes von
Veblen:
Vermutung von Szekeres und Seymour

Sei G = (E, K) ein Graph ohne Brücke. Dann lässt sich G so durch Kreise
C1 , …, Ck überdecken, dass jede Kante genau zweimal besucht wird.
Brücken spielen bei der Kreisbildung in einem Graphen eine wichtige Rolle:
Ist ab eine Brücke von G, so gibt es gar keinen Kreis in G, der ab besucht. Damit
ist die Brückenfreiheit notwendig für jede Form der Kreisüberdeckung. Die Ver-
mutung besagt, dass bei Brückenfreiheit eine relativ einfache Überdeckung von
G durch Kreise möglich ist. Für eine einfache Kreiszerlegung reicht diese Vor-
aussetzung nicht, wie der Satz von Veblen zeigt: Die Existenz einer einzigen
Ecke mit einem ungeraden Grad schließt eine einfache Kreiszerlegung aus.

Beispiele
(1) Sei G = (E, K) mit E = { 1, …, 8 } und
K = { 12, 14, 23, 34, 35, 56, 58, 67, 78 }.
Die Brücke 35 verhindert die Zerlegung von G in Kreise.
(2) Sei G = (E, K) mit E = { 1, …, 7 } und

K = { 12, 14, 16, 23, 27, 34, 45, 56, 67 }.
Der Graph G besitzt keine Brücke. Die Gradfolge ist 2, 2, 2, 3, 3, 3, 3.

Die vier Kreise
C1 = 1, 2, 3, 4, 1 C2 = 1, 4, 5, 6, 1
C3 = 1, 6, 7, 2, 1 C4 = 2, 3, 4, 5, 6, 7, 2
bilden eine Überdeckung von G, bei der jede Kante genau zweimal
besucht wird. Der geschlossene Kantenzug
Z = 1, 4, 3, 2, 1, 6, 5, 4, 1, 2, 7, 6, 1
besucht die inneren Kanten genau zweimal und die äußeren genau
einmal. Der Kantenzug Z + C4 durchläuft jede Kante genau zweimal
mit unterschiedlichen Durchlaufrichtungen.

Hamilton-Kreise
Bislang haben wir beim Durchlaufen eines Graphen nur die Kanten betrach-
tet. Ein Durchlauf-Problem lässt sich auch für die Ecken formulieren:
Definition (Hamilton-Kreis)
Sei G = (E, K) ein Graph. Ein Kreis in G heißt ein Hamilton-Kreis in G,
wenn er alle Ecken von G besucht. Der Graph G heißt Hamiltonsch, falls ein
Hamilton-Kreis in G existiert.
Ein Kreis C = a1 , …, an , a1 in G ist genau dann ein Hamilton-Kreis, wenn er

|E| Ecken besitzt, d. h. wenn n = |E|. Ebenfalls äquivalent ist, dass C jede Ecke
von E mit Ausnahme der Startecke a1 genau einmal besucht; die Startecke wird
genau zweimal besucht.
Ein Hamilton-Kreis wird in der Regel viele Kanten von G unbesucht lassen.
Für jede Ecke a besucht ein Hamilton-Kreis genau zwei Kanten mit a als Ecke.
Damit bleiben d(a) − 2 Kanten mit a als Ecke unbesucht.
Beispiele
Die Graphen der Platonischen Körper sind Hamiltonsch. Der Dodekaeder-
Graph besitzt zum Beispiel den folgenden rot markierten Hamilton-Kreis:

Notwendige Bedingungen für „Hamiltonsch“ sind nur spärlich vorhanden: G

muss zusammenhängend sein und alle Ecken müssen mindestens den Grad 2 be-
sitzen. Spezielle hinreichende Bedingungen sind gefunden worden. So gilt etwa
folgender Satz, den wir in den Übungen diskutieren:
Satz (Satz von Dirac)

Sei G = (E, K) ein Graph mit mindestens drei Ecken. Es gelte
(+) d(a) ≥ |E|/2 für alle a P E.
Dann ist G Hamiltonsch.
Die geforderte Reichhaltigkeitsbedingung (+) ist sehr stark, und sie wird in der
Regel von Hamiltonschen Graphen nicht erfüllt. Als triviales Beispiel betrachte
der Leser einen Kreis mit 100 Ecken. Wie jeder Kreis ist dieser Graph Hamil-
tonsch. Es gilt aber d(a) = 2 < 50 für alle Ecken a. Auch der Dodekaeder-Graph
hat mit 20 Ecken und der konstanten Gradfolge 3 relativ kleine Grade.
Im Gegensatz zu Euler-Zügen scheint es kein einfaches allgemeines Kriterium
und auch keinen effizienten Algorithmus zu geben, mit dem wir entscheiden
könnten, ob ein Graph Hamiltonsch ist oder nicht. Hierzu diskutieren wir allge-
mein:
Entscheidungsprobleme und Komplexitätsklassen
Wir betrachten Fragen des folgenden Typs:

Sind die Graphen G1 und G2 isomorph ?
Hat G eine Komponente mit genau 5 Ecken ?
Besitzt G eine Brücke ? Ist G Eulersch? Ist G Hamiltonsch ?
Diese Fragen gehören als ja-nein-Fragen zur Klasse der sog. Entscheidungspro-
bleme (die auch Fragen anderer mathematischer Gebiete umfasst). Wie wir im
Fall der Existenz einen Isomorphismus, eine Komponente der Ordnung 5, eine
Brücke, einen Euler-Zug oder einen Hamilton-Kreis finden, ist eine andere
Frage, ein sog. Konstruktionsproblem. Beide Probleme hängen, wie wir am Bei-
spiel der Euler-Züge gesehen haben, eng zusammen. Im Folgenden betrachten
wir nur Entscheidungsprobleme.
Formal ist ein Entscheidungsproblem eine Funktion D : I → { 0, 1 }. Dabei ist
I eine Menge von sog. Inputs und die Funktionswerte 1 und 0 der Funktion D ste-
hen für „ja“ bzw. „nein“. Die Frage, ob zwei Graphen mit Ecken in N isomorph
sind, wird als Entscheidungsproblem D : I → { 0, 1 } mit
I = { (G1 , G2 ) | G1 , G2 sind Graphen mit Ecken in N },
D(G1 , G2 ) = 1 genau dann, wenn G1 > G2
formalisiert.

Für ein Entscheidungsproblem D : I → { 0, 1 } stellt sich die Frage nach der al-
gorithmischen Berechenbarkeit: Gibt es ein Computer-Programm, das für jeden
Input iPI den Wert D(i) in endlich vielen Schritten korrekt berechnet? Wenn ja:
Welche Komplexität (Anzahl der Rechenschritte in Abhängigkeit des Inputs) hat
eine solche Berechnung? Ein berechenbares Entscheidungsproblem nennen wir
(algorithmisch) lösbar. Viele Probleme können durch ein brute force Verfahren ge-
löst werden. Wir können zum Beispiel alle möglichen Kantenzüge der Länge
|E| + 1 eines Graphen G = (E, K) auflisten und jeden Kantenzug überprüfen, ob
er ein Hamilton-Kreis ist oder nicht. Finden wir einen Hamilton-Kreis, so geben
wir 1 aus, andernfalls 0. Derartige Verfahren sind theoretisch uninteressant und
aufgrund ihres Rechenaufwands in der Praxis zumeist gar nicht durchführbar. Es
stellt sich also die Frage nach der Existenz von Algorithmen einer in einem be-
stimmten Sinne „guten“ Komplexität. Drei prominente Klassen von Entschei-
dungsproblemen mit einer guten Komplexität sind die Komplexitätsklassen P,
NP und co-NP:
Die Klasse P besteht aus allen Entscheidungsproblemen, die sich, gemessen an
der Länge , des Inputs, in polynomieller Laufzeit lösen lassen. Für ein Problem
D : I → { 0, 1 } mit einem Graphen G = (E, K) als Input ist zum Beispiel die natür-
liche Zahl ,(G) = |E| + |K| ein gutes Maß für die Länge eines Inputs. Das Pro-
blem D liegt nun in der Klasse P, wenn es einen Algorithmus und ein Polynom
p : N → N gibt, sodass der Algorithmus für alle Inputs G P I die korrekte Ant-
wort D(G) P { 0, 1 } in höchstens p(,(G)) vielen Rechenschritten findet. Je gerin-
ger der Grad des Polynoms p ist, desto effizienter ist der Algorithmus. Hat p den
Grad k, so sagen wir auch, dass der Algorithmus die Laufzeit O(nk ) besitzt. So hat
zum Beispiel der Algorithmus von Hierholzer bei geeigneter Implementierung
eine lineare Laufzeit (Grad 1). Die Klasse P ist damit unterteilt in lineare Pro-
bleme, quadratische Probleme, Probleme in O(n3 ) usw. Darüber hinaus sind
auch noch Laufzeiten wie O(nlog(n)) von Interesse, die zwischen O(n) und O(n2 )
liegen: Für jeden Input i wird hier das Ergebnis in höchstens c nlog(n) + c0 vielen
Schritten gefunden, mit gewissen Konstanten c und c0 . Für die Frage, ob ein
Problem in P liegt, spielen diese für die Praxis sehr wichtigen Unterteilungen
keine Rolle. Es genügt, wenn irgendein polynomieller Algorithmus existiert.
Die Klasse NP besteht aus all denjenigen Entscheidungsproblemen, für die im
Fall der Existenz eine Lösung in polynomieller Zeit auf ihre Richtigkeit hin
überprüft werden kann. Griffiger formuliert:
Geratene Lösungen können polynomiell verifiziert werden.
Formaler liegt ein Problem D : I → { 0, 1 } genau dann in der Klasse NP, wenn es
ein Problem D′ : I × J → { 0, 1 } gibt mit:
(a) D′ ist polynomiell lösbar.
(b) Für alle i P I gilt:
D(i) = 1 genau dann, wenn es gibt ein j P J mit D′(i, j) = 1.
Das Hamilton-Problem − die Frage, ob ein gegebener Graph G Hamiltonsch
ist oder nicht − gehört zum Beispiel der Klasse NP an. Denn ist der Graph G

Hamiltonsch und C ein Hamilton-Kreis in G, so können wir C polynomiell und

genauer sogar linear als Hamilton-Kreis verifizieren (mit Hilfe eines Algorith-
mus mit Input (G, C)). Analog besteht die Klasse co-NP aus denjenigen Ent-
scheidungsproblemen, für die eine negative Lösung in polynomieller Zeit verifi-
ziert werden kann. Anders formuliert: Ein Problem D : I → { 0, 1 } ist genau dann
in co-NP, wenn das komplementäre Problem Dc : I → { 0, 1 } mit Dc (i) = 1 − D(i)
für alle i P I in NP liegt. Beispielsweise liegt das Problem „Ist der Graph nicht
Hamiltonsch?“ in co-NP.
Die Abkürzung NP steht nicht etwa für nicht-polynomiell, sondern für non-
deterministic polynomial. Diese Bezeichnung geht auf eine äquivalente Defini-
tion der Klasse NP zurück, bei der nichtdeterministische Algorithmen zur
Problemlösung verwendet werden.
Es gilt P ⊆ NP. Die Umkehrung ist ein offenes Problem:
P ungleich NP-Problem
Sind die Klassen P und NP verschieden?
Das P ≠ NP-Problem gehört zu den sieben Millenniums-Problemen der Ma-

thematik, die mit Ruhm und Ehre und zudem einem hohen Preisgeld verbunden
sind. Ebenso offen ist:
NP ungleich co-NP-Problem
Sind die Klassen NP und co-NP verschieden?
Viele Mathematiker nehmen an, dass P ≠ NP und NP ≠ co-NP. Es gilt

NP ≠ co-NP impliziert P ≠ NP.
Dagegen ist P ≠ NP und NP = co-NP nach dem jetzigen Wissensstand nicht
auszuschließen. Es gilt P ⊆ NP ∩ co-NP. Ob die Inklusion echt ist, ist offen.
Das Hamilton-Problem und NP-Vollständigkeit
Das Hamilton-Problem liegt „wahrscheinlich“ nicht in P. Wie können wir

diese Aussage, die zum Typ Expertenvermutung gehört, rechtfertigen? Zum ei-
nen ist kein polynomieller Algorithmus für das Hamilton-Problem bekannt. Das
ist keine wirklich gute Begründung. Wesentlich gehaltvoller ist eine ganz anders-
artige Argumentation, die eine weitere Komplexitätsklasse ins Spiel bringt:
Ein Entscheidungsproblem D* : I* → { 0, 1 } in NP heißt NP-vollständig, wenn
sich jedes Problem D : I → { 0, 1 } in NP in polynomieller Zeit auf das Problem
D* reduzieren lässt. Dies bedeutet genauer, dass wir für jedes D : I → { 0, 1 } in
NP in polynomieller Zeit jedem Input i P I einen Input i* P I* zuordnen können
derart, dass D(i) = D*(i*) für alle i P I. Jedes Problem D in NP kann also in das
Problem D* übersetzt werden (mit polynomiellem Aufwand). Anschaulich sind
die NP-vollständigen Probleme die schwierigsten Probleme in NP. Nach Defi-
nition gilt:

(+) Können wir von einem einzigen NP-vollständigen Problem zeigen,

dass es in polynomieller Zeit lösbar ist, so ist P = NP.
Solange die Frage P ≠ NP offen ist, ist der Nachweis der NP-Vollständigkeit
eines Problems das beste Mittel, um zu begründen, dass ein Entscheidungspro-
blem „wahrscheinlich“ nicht in P liegt. Für das Hamilton-Problem und zahl-
reiche weitere Probleme ist ein solcher Nachweis möglich. Richard Karp hat
1972 bewiesen, dass das Hamilton-Problem NP-vollständig ist. Damit würde
ein polynomieller Algorithmus, der einen beliebigen Graphen korrekt auf die
Eigenschaft „Hamiltonsch“ überprüft, P = NP implizieren. „Wahrscheinlich“
gibt es also keinen solchen Algorithmus.
Das Isomorphie-Problem
Eine besondere Stellung nimmt das Isomorphie-Problem ein, das die Frage
stellt, ob zwei gegebene Graphen isomorph sind oder nicht. Dieses Problem liegt
in NP, denn für zwei isomorphe Graphen G1 und G2 können wir einen Isomor-
phismus f : E1 → E2 in polynomieller Zeit als solchen erkennen. Im Gegensatz
zum Hamilton-Problem und vielen anderen NP-Problemen, für die kein poly-
nomieller Algorithmus gefunden werden konnte, ist es nicht gelungen zu zeigen,
dass das Isomorphie-Problem NP-vollständig ist. Zudem hat die Hypothese,
dass das Isomorphie-Problem in P liegt, ungewöhnliche komplexitätstheoreti-
sche Konsequenzen. Vermutlich ist das Isomorphie-Problem also ein Problem in
NP, das weder in P liegt noch NP-vollständig ist.
Das Halte-Problem
Zum Abschluss möchten wir noch kurz ein Entscheidungsproblem anspre-

chen, das für die Geschichte der Mathematik und die Entwicklung der Compu-
ter eine fundamentale Rolle gespielt hat. Eine Formulierung ist:
Halte-Problem
Gibt es ein Computerprogramm P, das beliebige andere Computerpro-
gramme Q und zugehörige Inputs q daraufhin überprüft, ob Q bei Input q
terminiert oder nicht?
Das Halte-Problem ist ein Entscheidungsproblem D : I → { 0, 1 }, wobei die

Inputs i P I Paare der Form (Q, q) sind, mit einem Programm Q und einem zuge-
hörigen Input q. Alan Turing zeigte 1936 mit Hilfe der heute nach ihm benann-
ten Turing-Maschinen, dass das Halte-Problem unlösbar ist. Insbesondere ist
das Halteproblem nicht in NP. Es gehört der Klasse der NP-schweren Probleme
an, also der Probleme D*, auf die sich alle Probleme in NP in polynomieller Zeit
reduzieren lassen. Die NP-vollständigen Probleme sind genau die Probleme, die
NP-schwer sind und zudem in NP liegen.
Insgesamt ergibt sich folgendes Bild:

NP-schwer co-NP-schwer
NP- co-NP-
vollständig vollständig
NP co-NP
P
Komplexitätsklassen unter Annahme von P ≠ NP,

NP ≠ co-NP und NP ∩ co-NP ≠ P

Übungen
Übung 1
Wir betrachten den folgenden Graphen:
Konstruieren Sie mit Hilfe des Algorithmus von Hierholzer einen Euler-
Zug für diesen Graphen.
Übung 2
Wir betrachten die 21 Steine eines Dominospiels, die jeweils zwei verschie-
dene Werte 0, …, 6 besitzen. Das Dominoproblem lautet : Lassen sich die
Steine in einer geschlossenen Kette anordnen, sodass Berührungen nur bei
gleicher Zahl erlaubt sind? Modellieren und untersuchen Sie dieses
Problem graphentheoretisch. Geben Sie im Falle der Existenz eine
konkrete Lösung an. Für welche n gibt es eine Lösung, wenn allgemeiner
die Werte 0, 1, …, n statt 0, …, 6 zugelassen sind?
Übung 3
Konstruieren Sie einen Graphen G = (E, K) und einen geschlossenen
einfachen Kantenzug Z = a0 , …, an , a0 in G derart, dass für alle i, j der
Kantenzug aj , …, an , a0 , …, ai kein Kreis ist. (Dieser Graph zeigt, dass aus
einem geschlossenen einfachen Kantenzug im Allgemeinen kein Kreis in
einem Schritt herausgeschnitten werden kann, der eine gegebene Ecke
besucht.)
Übung 4
Wie ändern sich die Ergebnisse und Algorithmen über Euler-Züge, wenn
wir Mehrfach-Verbindungen zwischen den Ecken zulassen?

Übung 5
Wir betrachten nun gerichtete Graphen, bei denen eine Kante ab von ba zu
unterscheiden ist (in Diagrammen durch einen Pfeil dargestellt). Alle
graphentheoretischen Grundbegriffe sind in natürlicher Weise definiert.
Beim Grad einer Ecke unterschieden wir nun den Ausgangsgrad d+ (a) und
den Eingangsgrad d − (a) einer Ecke a:
d+ (a) = | { b P E | ab P K } |, d− (a) = | { b P E | ba P K } |.
Sei nun G = (E, K) ein zusammenhängender gerichteter Graph, d. h. für alle
Ecken a, b gibt es einen gerichten Kantenzug von a nach b und einen
gerichteten Kantenzug von b nach a. Zudem gelte d+ (a) = d− (a) für alle
Ecken a (Eingangsgrad gleich Ausgangsgrad). Zeigen Sie, dass der für
gerichtete Graphen angepasste Algorithmus von Hierholzer einen Euler-
Zug produziert.
Übung 6
Beweisen Sie den Satz über den zweifachen Kantenbesuch mit Hilfe der
vorangehenden Übung durch Übergang zu einem gerichteten Graphen.
Übung 7
Beweisen Sie den Satz über den zweifachen Kantenbesuch, indem Sie
zeigen, dass der folgende Labyrinth-Algorithmus einen geschlossenen
Kantenzug produziert, der jede Kante genau zweimal in unterschiedlichen
Richtungen durchläuft.
Vorbemerkung: Bei der Durchführung des Verfahrens sind Kanten ab
entweder gar nicht oder mit einem gelben oder mit einem roten Pfeil von a
nach b markiert (sodass für die Markierung ab von ba zu unterscheiden ist).
Rot bedeutet: Die Kante darf in Pfeilrichtung nicht durchlaufen werden.
Gelb bedeutet: Durchlaufe die Kante in Pfeilrichtung erst dann, wenn es
keine unmarkierten Optionen mehr gibt.
Wir starten mit einer beliebigen Kante a0 a1 und dem Kantenzug a0 , a1 .
Weiter markieren wir die Kante a0 a1 rot. Ist ein Kantenzug a0 , …, an
konstruiert und wird dabei an zum ersten Mal besucht, so markieren wir die
Kante an an − 1 gelb. Gibt es eine unmarkierte Kante mit an als Ausgangsecke,
so gehen wir eine solche Kante. Andernfalls gehen wir von an entlang der
gelb markierten Kante. Dieser Schritt liefert die nächste Ecke an + 1 .
Schließlich markieren wir wir an an + 1 nun rot. Wir wiederholen nun das
Verfahren solange, bis alle Kanten rot markiert sind.
Übung 8
Überprüfen Sie die Vermutung von Szekeres und Seymour an einigen
selbstgewählten Beispielen. Informieren Sie sich in der Fachliteratur oder
im Internet über den Stand der Vermutung (engl. cycle double cover
conjecture).

Übung 9
Beweisen Sie den Satz von Dirac wie folgt:
Betrachten Sie einen nach links und rechts nicht mehr verlängerbaren Weg
W = a0 , …, an in G. Zeigen Sie, dass es ein i < n gibt derart, dass
C = a0 , …, ai , an , an − 1 , …, ai + 1 , a0
ein Kreis in G ist. Zeigen Sie nun mit Hilfe der Reichhaltigkeitsbedingung:
Ist a P E eine auf C nicht besuchte Ecke, so gibt es ein j derart, dass aaj eine
Kante von G ist. Gewinnen Sie hieraus einen Weg, der länger ist als W und
vollständigen Sie den Beweis durch Wiederholung des Verfahrens.

5. Bäume
Im Umfeld des Erreichbarkeitsbegriffs lassen sich sich viele algorithmische Pro-

bleme formulieren. Einige davon sind:
Wie können wir feststellen, ob ein Graph zusammenhängend ist?
Wie können wir die Zusammenhangskomponente einer Ecke bestimmen?
Wie können wir den Abstand zwei Ecken berechnen?
Wie können wir einen kürzesten Weg zwischen zwei Ecken finden?
Wie können wir feststellen, ob eine Kante eine Brücke ist?
Diesen Fragen gehen wir in diesem Kapitel nach. Dabei sind wir nur an effizi-
enten Lösungen − d. h. schnellen Algorithmen − interessiert, sodass zum Bei-
spiel eine Auflistung aller möglichen Wege (brute force Methode) ausscheidet.
Entscheidendes Hilfsmittel sind Bäume. Sie bilden einen für sich interessanten
Graphentyp und eignen sich bestens, um Abstandsfragen in einem beliebigen
Graphen zu untersuchen.

Bäume und Wälder
Definition (Baum, Wald)

Ein Graph G heißt ein Wald, falls G keine Kreise besitzt. Ein Wald heißt
ein (graphentheoretischer) Baum, wenn er zusammenhängend ist.
Ein Baum ist also ein zusammenhängender kreisfreier Graph. Jeder Baum lässt
sich „baumartig“ organisieren, indem wir eine Ecke als Wurzel auszeichnen und
dann die Nachbarecken stufenweise anordnen:
Beispiel
Sei G = (E, K) mit E = { 1, …, 14 } und
K = { 12, 13, 16, 17, 18, 19, 34, 35, 9-10, 10-11, 11-12, 11-13, 11-14 }.
Der Graph ist ein Baum. Wir wählen die Ecke 9 als Wurzel und erhalten:
Stufe 0 {9}
Stufe 1 { 1, 10 }
Stufe 2 { 2, 3, 6, 7, 8, 11 }
Stufe 3 { 4, 5, 12, 13, 14 }

5. Bäume 177
Wählen wir dagegen die 1 als Wurzel, so erhalten wir eine Stufe mehr:
Ein graphentheoretischer Baum hat keine feste Wurzel. Wir können jede
Ecke als Wurzel auszeichnen und den Baum entsprechend anordnen und zeich-
nen, wahlweise nach unten, oben, links oder rechts wachsend. Die Auszeichnung
einer Wurzel führt zu einer eindeutigen Stufung des Baumes.
Ein Wald ist eine Ansammlung von Bäumen, und diese Bäume sind genau die
Zusammenhangskomponenten des Waldes. Zeichnen wir in jeder Komponente
eine Wurzel aus, so ergibt sich eine Stufung des Waldes.
Beispiel
Durch Entfernen der Kante 9-10 aus obigem Baum entsteht ein Wald mit
zwei Teilbäumen. Mit den Wurzeln 1 und 11 ergibt sich die Darstellung:

Wir betrachten noch weitere Beispiele für Bäume, wobei wir die Ecken unbe-
nannt lassen.
Vollständig binär verzweigter Baum mit vier Stufen
Vollständig binär verzweigter Baum mit fünf Stufen
Vollständig vierfach verzweigter Baum mit drei Stufen
Sterngraph mit 18 Ecken

5. Bäume 179
Charakterisierungen
Bäume lassen sich durch verschiedene Äquivalenzen beschreiben. Eine derar-

tige Charakterisierung ist:
Satz (Wegkriterium)
(1) G ist ein Baum.
(2) Für alle a, b P E gibt es genau einen Weg von a nach b in G.
Beweis
(1) impliziert (2):
Sei G ein Baum, und seien a, b P E. Da G zusammenhängend ist, gibt es
mindestens einen Weg von a nach b. Zum Beweis der Eindeutigkeit
seien
W1 = a0 , …, an , W2 = b0 , …, bm
zwei Wege von a0 = b0 = a nach an = bm = b. Annahme W1 ≠ W2 . Dann
existiert eine Stelle i, an der sich die beiden Wege trennen, d. h.
ai = bi und ai + 1 ≠ bi + 1 . Weiter gibt es eine erste Stelle j > i auf W1 , an
der sich die Wege wieder treffen, sodass also aj = bk für ein eindeutig
bestimmtes k > i. Dann ist aber
C = ai , …, aj , bk − 1 , …, bi
ein Kreis in G, im Widerspruch zu G Baum.
(2) impliziert (1):
Sei G derart, dass es für alle Ecken a, b P E genau einen Weg von a nach
b gibt. Dann ist G zusammenhängend. Weiter kann G keinen Kreis
besitzen, denn ist C = a0 , …, an , a0 ein Kreis, so sind a0 , …, an und a0 , an
zwei verschiedene Wege von a0 nach an in G.
Ein weiteres nützliches Kriterium ist:
Satz (Kantenkriterium)
Sei G = (E, K) ein zusammenhängender Graph. Dann sind äquivalent:
(1) G ist ein Baum.
(2) Es gilt |K| = |E| − 1.
Allgemeiner ist ein Graph mit genau c Komponenten genau dann ein Wald,
wenn
|K| = |E| − c.
Der Beweis dieser Äquivalenzen sei dem Leser zur Übung überlassen.

Aufspannende Bäume und Breitensuche
Bäume sind äußerst nützliche Hilfsmittel zur algorithmischen Analyse von be-
liebigen Graphen. Entscheidend hierzu ist folgender Begriff:
Definition (aufspannender Baum)

Sei G = (E, K) ein zusammenhängender Graph. Ein Teilgraph G′ = (E′, K′)
von G, heißt ein aufspannender Baum von G, falls gilt:
(a) E′ = E.
(b) G′ ist ein Baum.
Ein aufspannender Baum G′ eines Graphen G besitzt also alle Ecken und ge-
wisse (möglicherweise alle) Kanten von G. Als Baum ist G′ wie G zusammenhän-
gend. Wir können einen aufspannenden Baum als eine so weit wie möglich redu-
zierte Version des ursprünglichen Graphen ansehen. Diese Sicht verwenden wir
im Beweis des folgenden Existenzsatzes:
Satz (Existenz eines aufspannenden Baumes)

Sei G = (E, K) ein zusammenhängender Graph. Dann existiert ein
aufspannender Baum von G.
Beweis
Wir entfernen aus G solange wie möglich Kanten, die auf einem Kreis
liegen. Da der Zusammenhang durch das Streichen einer Kreiskante
gewahrt bleibt, erreichen wir nach endlich vielen Schritten einen zusam-
menhängenden kreisfreien Graphen G′ der Form (E, K′) mit K′ ⊆ K.
Dieser Graph ist ein aufspannender Baum von G.
Beispiel
Der rot markierte Teilgraph des folgenden Graphen ist ein aufspannender
Baum. Er entsteht durch wiederholtes Entfernen von Kreiskanten.

5. Bäume 181
Die Breitensuche
Aus algorithmischer Sicht benötigt die Konstruktion des aufspannenden

Baumes G′ des obigen Beweises einen Test auf „Ist ab Kante eines Kreises?“,
der unnötige Rechenzeit verschwendet. Wesentlich effizienter ist ein anderes
Verfahren, das einen aufspannenden Baum stufenweise konstruiert. Es ist nütz-
lich, dieses Verfahren für beliebige Graphen zu formulieren und den Zusam-
menhang nicht vorauszusetzen.
Breitensuche (BFS)
Sei G = (E, K) ein Graph, und sei a P E eine Startecke. Wir konstruieren
Bäume Gi = (Ei , Ki ) wie folgt.
Zunächst sei G0 = ({ a }, ∅) der Graph, der nur aus der Startecke besteht.
Ist Gi konstruiert, so seien e1 , … ek die unbesuchten Nachbarn der bereits
besuchten Ecken, d. h. die Ecken in E − Ei , die mit mindestens einer Ecke
in Ei benachbart sind (sog. angrenzende Ecken). Wir stoppen mit Ergebnis
Gi , falls es keine solchen Ecken gibt. Andernfalls setzen wir
Ei + 1 = Ei ∪ { e1 , …, ek }.
Nun fügen wir für jede Ecke e1 , …, ek eine Kante zu Ki hinzu, die ei mit
einer Ecke in Ei verbindet. Dies definiert Ki + 1 und damit den Graphen
Gi + 1 = (Ei + 1 , Ki + 1 ).
Die Abkürzung BFS steht für „breadth first search“.

Wir nennen einen durch BFS erzeugten Baum auch einen Suchbaum. Weiter
sagen wir, dass eine Ecke b P E auf der Stufe i gefunden wird, wenn b P Ei − Ei − 1
gilt (mit E−1 = ∅). Wird b auf der Stufe i gefunden, so liefert der Suchbaum einen
Weg der Länge i von der Startecke a nach b, sodass d(a, b) ≤ i. Wir werden gleich
zeigen, dass dieser Weg ein kürzester Weg ist, d. h. es gilt d(a, b) = i.
Bemerkung
Einen deterministischen Verlauf erhalten wir, indem wir
(a) die Ecken in der Form 1, …, n durchzählen,
(b) die neuen Ecken in der Form e1 < … < ek anordnen,
(c) neue Kanten bei stets mit der kleinstmöglichen Ecke b P Ei zu Ki
hinzufügen.
Allgemein können wir eine deterministische Version für jeden Algorithmus

erhalten, indem wir folgendes Prinzip beachten (das wir schon beim Algorithmus
von Hierholzer angewendet haben):
Prinzip der kleinsten Wahl

Wähle den kleinsten Kandidaten, wo immer möglich.

Beispiel
Sei G = (E, K) mit E = { 1, …, 10 } und
K = { 12, 13, 14, 23, 24, 34, 35, 36, 3-10, 46, 56, 67, 78, 79, 89, 9-10 }.
Die deterministische Version der Breitensuche liefert für die Startecke 1
den Baum G′ = (E, K′) mit
K′ = { 12, 13, 14, 35, 36, 3-10, 67, 9-10, 78 }.
Die Stufenbildung mit Si = Ei − Ei − 1 lautet:

Stufe 0 S0 = { 1 }
Stufe 1 S1 = { 2, 3, 4 }
Stufe 2 S2 = { 5, 6, 10 }
Stufe 3 S3 = { 7, 9 }
Stufe 4 S4 = { 8 }
G mit dem BFS-Suchbaum für die Startecke 1, von links nach rechts gestuft

5. Bäume 183
Die Breitensuche leistet:
Satz (Korrektheit des BFS Algorithmus und Abstandsermittlung)

Der BFS Algorithmus liefert für die Startecke a einen aufspannenden Baum
G′ = (E′, K′) der Zusammenhangskomponente der Ecke a. Insbesondere ist
G genau dann zusammenhängend, wenn E′ = E. Genauer gilt:
(a) Ist b P E und W = a0 , …, an ein kürzester Weg von a0 = a nach b = an ,
so gilt für alle i ≤ n: ai wird auf der Stufe i gefunden.
(b) Wird eine Ecke b auf der Stufe i gefunden, so gilt d(a, b) = i und der
eindeutige Weg von a nach b im Suchbaum ist ein kürzester Weg
von a nach b der Länge i.
Beweis
Die Aussage (a) ergibt sich für einen kürzesten Weg W = a0 , …, an von a
nach b durch Induktion nach i ≤ n. Die restlichen Aussagen folgen aus (a)
und der Konstruktion des Suchbaums.
Anwendungen der Breitensuche
Die Breitensuche ist sehr effizient, die Laufzeit ist linear in |E| + |K|. Das
Verfahren hat zahlreiche Anwendungen. Wir besprechen einige davon.
Berechnung der Abstandsfunktion

Sei G = (E, K) ein Graph. Dann können wir die Abstandsfunktion d des
Graphen berechnen, indem wir BFS nacheinander für jedes a P E als
Startecke durchführen. Bei jedem Durchlauf werden die Abstände von der
Startecke zu allen anderen Ecken des Graphen berechnet (mit d(a, b) = ∞
genau dann, wenn die Ecke b bei Start in a nicht gefunden wird).
Eine einzige Durchführung von BFS reicht in der Regel nicht. Aus dem Such-
baum für die Startecke a lassen sich Wege zwischen zwei beliebigen Ecken b und
c des Suchbaums ablesen, aber diese Wege sind nicht unbedingt kürzeste Wege
in G, falls b und c von der Startecke verschieden sind.
Beispiel
Seien G und der BFS-Suchbaum G′ wie im vorangehenden Beispiel. Der
Suchbaum berechnet die Abstände d(1, b) für alle b P E. Für die Ecken 7
und 9 liefert der Suchbaum den Weg 7, 6, 3, 10, 9 der Länge 4 in G′. In G
gilt aber d(7, 9) = 1, da die beiden Ecken dort benachbart sind.
Jeder Suchbaum liefert aber obere Schranken für die Abstandsfunktion (im
Beispiel d(7, 9) ≤ 4). Zudem gilt d(b, c) = ∞ für alle Ecken b eines Suchbaums mit
Start bei a, falls c nicht gefunden wird.

Test auf Kreiskante/Brücke, Konstruktion von Kreisen

Sei G = (E, K) ein Graph, und sei ab P K. Sei G′ der Teilgraph von G, der
durch Streichen der Kante ab entsteht. Wir konstruieren mit BFS für die
Startecke a einen aufspannenden Baum der Zusammenhangskomponente
von a in G′. Wird dabei die Ecke b gefunden, so ist ab eine Kreiskante in G,
und der durch BFS gefundene Weg von a nach b in G′ liefert durch
Anfügen von a einen Kreis in G mit ab als Kante. Andernfalls ist ab keine
Kreiskante von G und damit eine Brücke in G.
Beispiel
Sei G = (E, K) mit E = { 1, …, 6 } und K = { 12, 23, 24, 25, 36, 56 }.
Wir betrachten die Kante 23, entfernen sie aus G und führen die Breitensu-
che im reduzierten Graphen für die Startecke 2 durch. Dies liefert die
Stufen
Stufe 0 S0 = { 2 }
Stufe 1 S1 = { 1, 4, 5 }
Stufe 2 S2 = { 6 }
Stufe 3 S3 = { 3 }
Da die Ecke 3 gefunden wird, ist 23 eine Kreiskante von G. Der Suchbaum
liefert den Kreis 2, 5, 6, 3, 2.
Eine weitere Anwendung ist:
Test auf bipartit, Konstruktion einer Bipartition

Sei G = (E, K) ein Graph, und sei a P E. Wir führen BFS für die Startecke a
durch und färben die Ecken des Suchbaums Stufe für Stufe abwechselnd
mit zwei Farben. Nun prüfen wir für jede nicht im Suchbaum enthaltene
Kante von G, ob beide Ecken der Kante gleichfarbig sind. Ist dies für eine
Kante bc der Fall, so ist die Zusammenhangskomponente von a nicht
bipartit (und der Suchbaum liefert einen Kreis ungerader Länge durch bc
im Graphen G). Andernfalls ist die Zusammenhangskomponente von a
bipartit mit den durch die beiden Farben definieren Eckenmengen.

5. Bäume 185
Beispiel
Sei G = (E, K) mit E = { 1, …, 7 } und
K = { 12, 16, 23, 27, 36, 34, 45, 47, 56 }.
BFS mit der Startecke 1 liefert die grün-gelb-Stufenfärbung

Stufe 0 S0 = { 1 } grün
Stufe 1 S1 = { 2, 6 } gelb
Stufe 2 S2 = { 3, 5, 7 } grün
Stufe 3 S3 = { 4 } gelb
die ein Kandidat für eine Bipartition ist.

Die von BFS besuchten Kanten (im Diagramm wieder rot gezeichnet)
verbinden nach Konstruktion verschiedenfarbige Ecken. Aber auch die
nicht besuchten Kanten 36, 45 und 47 (blau gezeichnet) verbinden
verschiedenfarbige Ecken. Damit ist der Graph bipartit durch die Färbung,
d. h. durch
E1 = { 1, 3, 5, 7 }, E2 = { 2, 4, 6 }.
Mit dem BFS-Verfahren sind alle algorithmischen Fragen, die wir zu Beginn
des Kapitels formuliert haben, beantwortet. Darüber hinaus haben wir einen ef-
fizienten Bipartitionstest gefunden, der im positiven Fall auch eine Zerlegung
der Eckenmenge in zwei Teile liefert. Als Kontrast erwähnen wir, dass ein Test
auf 3-partit bereits NP-vollständig ist.
Die Tiefensuche
Eine Variante der Breitensuche ist die Tiefensuche DFS (depth first search),
die wir noch kurz diskutieren wollen. Bei dieser Form der Suche eines aufspan-
nenden Baumes bilden wir den Suchbaum nicht stufenweise, sondern wir verfol-
gen einen Suchpfad so weit wie möglich. Ist ein solcher Pfad zu Ende, weil wir
keinen neuen Nachbarn mehr finden, fallen wir auf dem Pfad einen Schritt zu-
rück und starten die Pfadsuche neu. Genauer lautet das Verfahren:
Tiefensuche (DFS)
Sei G = (E, K) ein Graph, und sei e0 P E eine Startecke. Wir konstruieren
rekursiv Ecken e1 , e2 , … und Kanten k1 , k2 , … des Graphen wie folgt:
Sei m ≥ 0, und seien Ecken e0 , …, em und Kanten k1 , …, km konstruiert
(eine Kante k0 existiert nicht). Im Fall der Existenz sei em + 1 eine bislang
unbesuchte Nachbarecke von em und km = em em + 1 (Fortsetzung des
aktuellen Suchpfades). Gibt es keine solche Ecke, so führen wir die Suche
nach einer neuen Nachbarecke schrittweise für die Ecken durch, die im
konstruierten Baum auf dem Weg von em nach e0 liegen (Zurückgehen auf
dem Suchpfad). Finden wir dabei einen neuen Nachbarn e einer Ecke ei , so
setzen wir em + 1 = e und km = ei e. Andernfalls stoppen wir mit
G′ = (E′, K′) = ({ e0 , …, em }, { k1 , …, km }).
Wir können das Verfahren wieder deterministisch gestalten, indem wir dem
Prinzip der kleinsten Wahl folgen.
Die Tiefensuche produziert wie die Breitensuche einen aufspannenden Baum
der Zusammenhangskomponente der Startecke, und sie kann für einen Kreis-
kanten-Brücken-Test verwendet werden. Für eine Abstandsmessung und einen
Bipartitionstest ist DFS dagegen nicht geeignet. Die Laufzeit entspricht der
Laufzeit der Breitensuche.

5. Bäume 187
Beispiele
(1) Sei wie oben G = (E, K) mit E = { 1, …, 10 } und
K = { 12, 13, 14, 23, 24, 34, 35, 36, 3-10, 46, 56, 67, 78, 79, 89, 9-10 }.
Die deterministische Version von DFS für die Startecke 1 liefert:

Eckenfolge: 1, 2, 3, 4, 6, 5, 7, 8, 9, 10
Kantenfolge: 12, 23, 34, 46, 65, 67, 78, 89, 9-10.
Ein Zurückgehen auf dem Suchpfad findet einmal bei der Kante 67
statt: Ist 1, 2, 3, 4, 6, 5 konstruiert, so hat die 5 keine unbesuchten
Nachbarn. Wir fallen auf die 6 zurück und finden den neuen Nachbarn
7. Danach werden die Ecken 8, 9, 10 ohne Rückfall durchlaufen.
Verlauf des DFS-Verfahrens für die Startecke 1 (oben)

und der von links nach rechts gestufte Suchbaum (unten)

(2) Sei G = (E, K) mit E = { 1, …, 8 } und

K = { 12, 13, 24, 35, 36, 47, 48 }.
Der Graph G ist bereits ein Baum. Die Breitensuche mit Startecke 1
reproduziert die Folge der Ecken mit den Stufen
{ 1 }, { 2, 3 }, { 4, 5, 6 }, { 7, 8 }.
Die Tiefensuche mit Start bei 1 liefert dagegen:
Eckenfolge: 1, 2, 4, 7, 8, 3, 5, 6
Kantenfolge: 12, 24, 47, 48, 13, 35, 36
Hier findet ein Rückfall nach Besuch der Ecken 7, 8 und 5 statt. Der
Rückfall nach Besuch der 8 geht bis zur Startecke 1 zurück.
Optimale Grenzkanten
Wir können die Breitensuche und die Tiefensuche als zwei Versionen einer
allgemeinen Konstruktionsmethode für Bäume auffassen. Hierzu definieren wir:
Definition (Grenzkante)
Sei G = (E, K) ein Graph, und sei G′ = (E′, K′) ein Teilgraph von G. Weiter sei
ab P K mit a P E′ und b ¸ E′. Dann heißt ab eine Grenzkante von G′ in G.
Viele Baumkonstruktion verlaufen ausgehend von einer Startecke e0 und dem

zugehörigen eineckigen Startbaum G0 = ({ e0 }, ∅) so:
Füge dem konstruierten Baum solange wie möglich eine optimale Grenzkante
(samt der neuen beteiligten Ecke) hinzu.

5. Bäume 189
Beispiel: Baumkonstruktion über optimale Grenzkanten

Wir nehmen an, der folgende Baum (rote Kanten) ist bereits konstruiert:
Nun betrachten wir alle Grenzkanten des Baumes, d. h. alle Kanten des
Graphen, die eine Ecke des Baumes mit einer unbesuchten Ecke verbinden:
Unter den Grenzkanten (grün) wird nach einem bestimmten Kriterium

eine optimale Kante ausgewählt und dem Baum hinzugefügt. Ist es die
Kante 4-10, so ergibt sich:
Das Verfahren wird solange wiederholt, bis ein aufspannender Baum

gefunden ist.

Verfahren, die diesem Konstruktionsschema folgen, unterscheiden sich nur in

der Interpretation der Optimalität der Grenzkante. Bei BFS werden Grenzkan-
ten mit früh besuchten Ecken bevorzugt (wer früher kommt, kommt zuerst
dran), bei DFS Grenzkanten mit spät besuchten Ecken (wer später kommt,
kommt zuerst dran). Dass wir in BFS mehrere Kanten auf einmal hinzugefügt
haben, diente lediglich der Betonung des stufenweisen Aufbaus des Suchbaums;
wir haben dadurch mehrere Schritte in einen zusammengefasst.
Genauer können wir die betrachtete Klasse von Algorithmen wie folgt be-
schreiben:
Baumkonstruktion über optimale Grenzkanten

Gegeben sei ein Graph G = (E, K) und eine Startecke e0 P E. Weiter sei F
eine Funktion, die aus jeder nichtleeren Teilmenge von K eine Kante
auswählt. Wir konstruieren rekursiv Ecken e1 , e2 , …, Kanten k1 , k2 , … und
Bäume Gm = ({ e0 , …, em }, { k1 , …, km }) in G wie folgt:
Für den Rekursionsanfang sei G0 = ({ e0 }, ∅).
Im Rekursionsschritt von m nach m + 1 sei M die Menge aller Grenzkanten
von Gm . Ist M leer, so stoppen wir mit Ausgabe von Gm . Andernfalls sei
ab = F(M) mit b ¸ Em . Wir setzen nun em + 1 = b und km + 1 = ab.
Jeder Algorithmus dieser Bauart findet einen aufspannenden Baum der Zu-
sammenhangskomponente der Startecke. Ist G zusammenhängend und n = |E|,
so endet das Verfahren nach genau n besuchten Ecken mit einem aufspannenden
Baum Gn − 1 von G.
Im nächsten Kapitel werden wir mit den Algorithmus von Dijkstra einen wei-
teren Algorithmus kennenlernen, der dieser Klasse zuzuordnen ist.

5. Bäume 191
Übungen
Übung 1
Sei G = (E, K) ein Baum. Eine Ecke e P E heißt ein Blatt von G, falls
d(e) = 1. Sei nun a P E beliebig. Zeigen Sie, dass G mindestens d(a) viele
Blätter besitzt. Zeichnen Sie ein Diagramm zur Illustration Ihres Beweises.
Übung 2
Sei G = (E, K) ein zusammenhängender Graph. Zeigen Sie, dass die
folgenden Aussagen äquivalent sind:
(1) G ist ein Baum.
(2) |K| = |E| − 1.
Übung 3
Sei G = (E, K) ein Graph. Zeigen Sie, dass die folgenden Aussagen
äquivalent sind:
(1) G ist ein Wald.
(2) Jede Kante von G ist eine Brücke.
Übung 4
Sei G = (E, K) ein Graph. Zeigen Sie, dass die folgenden Aussagen
äquivalent sind:
(1) G ist ein Baum.
(2) G ist zusammenhängend und für alle ab P K ist der Teilgraph
G′ = (E, K − { ab }) unzusammenhängend.
Übung 5
Zeigen Sie, dass je zwei aufspannende Bäume eines Graphen dieselbe
Größe (Anzahl an Kanten) besitzen.
Übung 6
Sei G = (E, K) ein Wald. Zeigen Sie, dass G bipartit ist.
Übung 7
Führen Sie sowohl BFS als auch DFS für die folgenden Graphen durch
(deterministisch mit der jeweils kleinstmöglichen Startecke):
(a) K6 , K3, 4 ,
(b) G = (E, K) mit E = { 2, …, 16 } und
K = { ab | a, b P E, a ≠ b, a ist ein Teiler von b }

Übung 8
Für welche zusammenhängenden Graphen liefern BFS und DFS den
gleichen aufspannenden Baum?
Übung 9
Sei G = (E, K) ein zusammenhängender Graph. Zeigen Sie, dass jeder
aufspannende Baum von G alle Brücken von G enthält.
Übung 10
Führen Sie die Induktion im Beweis des Satzes über die Korrektheit von
BFS aus.
Übung 11
Sei G = (E, K) ein Graph und sei G′ ein BFS-Suchbaum für G. Weiter sei
bc P K. Zeigen Sie: Wird b auf der Stufe i und c auf der Stufe j im Such-
baum gefunden, so gilt |i − j| ≤ 1.

6. Gewichtete Graphen
Wir betrachten nun allgemeinere Graphen, deren Kanten individuelle Gewichte

tragen. Dabei konzentrieren wir uns auf positive oder zumindest nichtnegative
Gewichte. Mit den Algorithmen von Dijkstra, Floyd und Kruskal lernen wir
neue Verfahren kennen, mit deren Hilfe wir Abstände und kürzeste Wege sowie
minimale aufspannende Bäume in gewichteten Graphen effektiv bestimmen
können.

Kantengewichte
Definition (gewichteter Graph, Gewichtsfunktion)

Ein (nichtnegativ) gewichteter Graph ist ein Graph G = (E, K) zusammen mit
einer Gewichts- oder Längenfunktion w : K → R+0 , wobei R+0 = { x P R | x ≥ 0 }.
Für alle k P K heißt w(k) das Gewicht oder die Länge von k unter w. Wir
notieren einen gewichteten Graphen auch als Tripel (G, K, w).
In einem Ecken-Kanten-Diagramm schreiben wir die Gewichte an die Kanten:
Ein gewichteter Graph. Es gilt zum Beispiel w(36) = w(63) = 2
Es ist oft nützlich, w(ab) = ∞ für alle a, b P E mit ab ¸ K zu setzen, d. h. nicht

vorhandene Kanten haben das symbolische Gewicht ∞. Ist eine Eckenaufzäh-
lung e1 , …, en festgelegt, so ist die Gewichtsfunktion w durch die Gewichts-
Matrix A mit den Einträgen A(i, j) = w(ei ej ) für alle i, j P { 1, …, n } bestimmt.
Die Gewichts-Matrix des obigen Graphen lautet zum Beispiel:
∞ 1 ∞ 2 3 ∞
1 ∞ 4 ∞ ∞ ∞
∞ 4 ∞ 5 4 2
A =
2 ∞ 5 ∞ 8 9
3 ∞ 4 8 ∞ ∞
∞ ∞ 2 9 ∞ ∞
Lassen wir Schlingen zu, so können auch reelle Zahlen (einschließlich der 0)
auf der Hauptdiagonalen stehen. Setzen wir alle ∞-Einträge gleich 0 und alle an-
deren Einträge gleich 1, so ergibt sich die Adjazenz-Matrix von G.

6. Gewichtete Graphen 195
Für einen gewichteten Graphen sind Begriffe wie Kantenzug, Weg, Kreis, er-
reichbar, Zusammenhangskomponente, zusammenhängend und viele weitere
genau wie früher erklärt. Die Gewichtsfunktion spielt für diese Begriffe keine
Rolle. Mit Hilfe einer solchen Funktion können wir aber eine gewichtete Länge
für Kantenzüge und damit einen gewichteten Abstand einführen:
Definition (Gewicht, gewichtete Länge eines Kantenzugs)

Sei G = (E, K, w) ein gewichteter Graph, und sei Z = a0 , …, an ein
Kantenzug in G. Dann setzen wir
,w (Z) = w(a0 a1 ) + … + w(an − 1 an ).
Die reelle Zahl ,w (Z) heißt das Gewicht oder die gewichtete Länge von Z.
Definition (gewichteter Abstand)

Sei G = (E, K, w) ein gewichteter Graph. Für alle a,bPE mit a , b setzen wir
dw (a, b) = „das minimale Gewicht eines Kantenzugs von a nach b in G“.
Für a, b P E mit non(a , b) setzen wir dw (a, b) = ∞.
Wir nennen dw (a, b) den gewichteten Abstand der Ecken a und b in G.
Für alle voneinander erreichbaren Ecken a und b gilt also

dw (a, b) = min({ ,w (Z) | Z ist ein Kantenzug von a nach b in G }.
Ein Kantenzug zwischen zwei Ecken mit minimalem Gewicht ist wieder auto-
matisch ein Weg. Gilt w(k) = 1 für alle Kanten k, so stimmen die neuen Begriffe
mit den alten überein. Jeden Graphen (E, K) können wir als gewichteten Gra-
phen (E, K, w) mit einer konstanten Gewichtsfunktion w auffassen, die jeder
Kante das Gewicht 1 zuweist.
Beispiel
Im obigen Graphen hat der Kantenzug Z = 1, 2, 3, 6, 3 das Gewicht
,w (Z) = 1 + 4 + 2 + 2 = 9.
Für die Ecken 1 und 6 gilt
d(1, 6) = 2, dw (1, 6) = 7.
Der Weg 1, 4, 6 ist ein kürzester Weg von 1 nach 6, aber kein leichtester
Weg von 1 nach 6. Die Länge dieses Weges ist 2, sein Gewicht 11. Dagegen
ist 1, 2, 3, 6 ein Weg von 1 nach 6 mit minimalem Gewicht. Seine unge-
wichtete Länge ist 3, seine gewichtete Länge 7.
Eine gewichtete Abstandsfunktion erfüllt die drei grundlegenden Eigenschaf-

ten eines Abstands, wobei wir die Nullbedingung abschwächen müssen, wenn die
Null als Gewicht einer Kante auftaucht. Denn für Ecken a, b mit w(ab) = 0 ist
dw (a, b) = 0, aber a ≠ b. Wir versammeln:

Satz (Eigenschaften des gewichteten Abstands)

Sei G = (E, K, w) ein gewichteter Graph. Dann gilt für alle a, b, c P E:
(1) a = b impliziert dw (a, b) = 0 (schwache Nullbedingung)
(2) dw (a, b) = dw (b, a) (Symmetrie)
(3) dw (a, c) ≤ dw (a, b) + dw (b, c) (Dreiecksungleichung)
(4) Ist w positiv, so gilt „genau dann, wenn“ in (1).
(5) d(a, b) = ∞ genau dann, wenn dw (a, b) = ∞
(6) Gilt w(k) ≥ 1 für alle Kanten k, so ist dw (a, b) ≥ d(a, b).
Klar, aber von Bedeutung ist:
Satz (Optimalität von Teilstücken)

Sei G = (E, K, w) ein gewichteter Graph, und sei Z = a0 , …, an ein Weg von
a0 nach an in G mit minimalem Gewicht. Dann gilt für alle i < j ≤ n:
ai , …, aj ist ein Weg von ai nach aj mit minimalem Gewicht in G.
Beweis
Andernfalls könnten wir das Gewicht von Z durch Verändern eines
Teilstücks noch verbessern.
Bevor wir uns der Frage der Berechnung gewichteter Abstände zuwenden,
noch einige Bemerkungen zum Wertebereich unserer Gewichtsfunktionen.
Bemerkung
(1) Sind alle Gewichte rationale Zahlen, so können wir sie mit ihrem
Hauptnenner m skalieren. Dadurch werden alle Gewichte positive
natürliche Zahlen, und die neue gewichtete Abstandsfunktion ist das
m-fache der alten. In den folgenden Beispielen sind die Gewichte der
Einfachheit und Übersichtlichkeit halber durchweg natürliche Zahlen.
(2) Auch negative Kantengewichte sind sinnvoll, aber im Hinblick auf
Abstandsmessungen problematisch, da wir eine Kante ab mit einem
negativen Gewicht beliebig oft in unterschiedlichen Richtungen
durchlaufen können, um das Gewicht eines Kantenzugs von a nach b
immer weiter zu verringern. Man untersucht deswegen oft nur
gerichtete Graphen mit Gewichten in R. Aber auch mit gerichteten
Kanten müssen Kreise mit negativem Gewicht beachtet werden, um
ein mehrfaches Durchlaufen derartiger Kreise zu vermeiden. Im
Zentrum stehen dann insgesamt gerichtete kreisfreie Graphen mit
einer Gewichtsfunktion w : K → R, sog. DAGs für „directed acyclic
graphs“. Wir verweisen den Leser hierzu auf die Literatur.

Der Algorithmus von Dijkstra
Wie früher stellt sich die Frage:

Wie können wir dw (a, b) und einen zugehörigen Weg von a nach b berechnen?
Sind die Kantengewichte natürliche Zahlen, so können wir das neue Problem
prinzipiell auf das alte Problem zurückführen: Ist ab eine Kante mit Gewicht
w(ab) = m P N, so entfernen wir die Kante ab und führen neue Ecken e1 , …, em− 1
zusammen mit neuen ungewichteten Kanten ae1 , e1 e2 , …, em − 1 b ein. Für jede
Kante durchgeführt liefert dies einen ungewichteten Graphen G′ = (E′, K′). Für
Ecken a, b in E können wir nun den ungewichteten Abstand d(a, b) zwischen a
und b in G′ durch Breitensuche berechnen. Nach Konstruktion ist dieser Ab-
stand gleich dem gewichteten Abstand dw (a, b) von a und b in G. Für rationale
Kantengewichte können wir diese Übersetzung durch Multiplikation mit dem
Hauptnenner ebenfalls durchführen. Das ist aber alles nicht besonders schön
und vor allem auch nicht effizient. Besser ist es, nach einem neuen Algorithmus
zu suchen, der auf die verallgemeinerte Situation zugeschnitten ist. Dies leistet
der Algorithmus von Dijkstra (1959) [ gesprochen: Deikstra ].
Wie die Breiten- und Tiefensuche konstruiert der Algorithmus von Dijkstra
von einer Startecke ausgehend einen aufspannenden Baum eines zusammenhän-
genden Graphen durch schrittweises Anfügen neuer Grenzkanten. Zusätzlich
berechnet er die gewichteten Abstände von der Startecke zu den besuchten
Ecken, und diese Abstände werden zur Auswahl der nächsten Grenzkante einge-
setzt. In einem Satz lautet der Algorithmus:
Minimiere den gewichteten Abstand der nächsten besuchten Ecke zur Startecke.
Genauer gilt:
Algorithmus von Dijkstra

Sei G = (E, K, w) ein gewichteter zusammenhängender Graph der Ordnung
n, und sei e0 P E (Startecke). Wir definieren rekursiv Ecken e1 , …, en − 1 ,
Kanten k1 , …, kn − 1 und Abstandswerte d(e0 ), …, d(en − 1 ) wie folgt.
Zunächst sei d(e0 ) = 0. Sei nun m ≥ 0, und seien
(+) e0 , …, em , k1 , …, km , d(e0 ), …, d(em )
berechnet. Ist m = n − 1, so stoppen wir mit Ausgabe von (+). Andernfalls
betrachten wir alle Grenzkanten des konstruierten Baumes, d. h. alle
Kanten, die eine besuchte Ecke e0 , …, em mit einer unbesuchten Ecke
verbinden. Für jede derartige Kante k = ei e berechnen wir die Summe
g(k) = d(ei ) + w(ei e).
Wir wählen nun eine Kante k* = ei* e* mit minimalem g-Wert und setzen
em + 1 = e*, km + 1 = k*, d(em + 1 ) = d(ei* ) + w(k*).

Die Konstruktion liefert einen aufspannenden Baum von G, dessen Ecken mit
Abstandswerten versehen sind. Dieser Suchbaum wird ausgehend von der Start-
ecke durch schrittweises Anfügen von optimalen Grenzkanten konstruiert. Die
Optimalität ist durch die Gewichtsfunktion und die berechneten Abstandswerte
erklärt. Nach Konstruktion gilt
d(e0 ) ≤ d(e1 ) ≤ … ≤ d(en − 1 ).
Weiter zeigen wir:
Satz (Korrektheit des Algorithmus von Dijkstra)

Mit den obigen Bezeichnungen gilt für alle 0 ≤ m < n:
(a) d(em ) = dw (e0 , em ).
(b) Der eindeutige Weg von e0 nach em im Suchbaum ist ein Weg von e0
nach em mit minimalem Gewicht.
Beweis
Wir zeigen die Aussage (a) durch Induktion nach m. Hieraus folgt (b), da
der Weg von e0 zu em im Suchbaum nach Konstruktion das Gewicht d(em )
besitzt. Aufgrund der Existenz dieses Weges genügt es, dw (e0 , em ) ≥ d(em )
zu zeigen.
Induktionsanfang m = 0:
Es gilt d(e0 ) = 0 = dw (e0 , e0 ).
Induktionsschritt von m nach m + 1:
Sei a0 , a1 , …, ar − 1 , ar ein Weg von e0 nach em + 1 mit minimalem Gewicht.
Weiter sei j maximal in der Menge { 0, …, r − 1 } mit der Eigenschaft
aj P { e1 , …, em }.
Dann gibt es genau ein i P { 1, …, m } mit aj = ei . Unter Verwendung
der Optimalität von Teilstücken und der Induktionsvoraussetzung
erhalten wir:
dw (e0 , em+1 ) = ,w (a0 , …, ar )
= ,w (a0 , …, aj ) + w(aj aj + 1 ) + ,w (aj + 1 , …, ar )
≥ ,w (a0 , …, aj ) + w(aj aj + 1 )
= dw (e0 , aj ) + w(aj aj + 1 )
= dw (e0 , ei ) + w(ei aj + 1 )
= d(ei ) + w(ei aj + 1 )
≥ d(em + 1 ).
Bei der letzten Ungleichung verwenden wir, dass bei der Definition von
em + 1 über einen minimalen g-Wert die Kante k = ei aj + 1 zu den betrach-
teten Kanten gehört (da aj + 1 ¸ { e1 , …, em }).

Ist G nicht zusammenhängend, so berechnet der Algorithmus von Dijkstra die

gewichteten Abstände in der Zusammenhangskomponente der Startecke. Sind
wir an allen Abständen dw (a, b) für a,bP E interessiert, so müssen wir wie bei der
Breitensuche den Algorithmus für alle Startecken durchführen. Nach n Durch-
läufen ist die Funktion dw vollständig bestimmt.
Damit haben wir einen effizienten Algorithmus zur Berechnung von gewich-
teten Abständen und zugehörigen Wegen gefunden. Die Laufzeit ist für jede
Startecke quadratisch in |E|.
In den folgenden Beispielen nehmen wir immer an, dass E von der kanoni-
schen Form { 1, …, n } ist. Um einen deterministischen Ablauf sicherzustellen,
folgen wir dem Prinzip der kleinsten Wahl.
Beispiel
Sei G = (E, K, w) mit E = { 1, 2, 3, 4 } und
K = { 12, 13, 24, 34 }, w(12) = 1, w(13) = 3, w(24) = 6, w(34) = 1.
Mit der Startecke 1 ist e0 = 1 und d(1) = 0. Nun berechnen wir den
Suchbaum und die gewichteten Abstände zur Startecke:
(1) Die unbesuchten Nachbarn der besuchten Ecke 1 sind 2 und 3.
Die Kante 12 ist g-minimal, sodass
e1 = 2, k1 = 12, d(2) = d(1) + w(12) = 0 + 1 = 1.
(2) Die unbesuchten Nachbarn der besuchten Ecken 1, 2 sind 3 und 4.
Die Kante 13 ist g-minimal, da d(1) + 3 = 3 < 7 = d(2) + 6. Also ist
e2 = 3, k2 = 13, d(3) = d(1) + w(13) = 0 + 3 = 3.
(3) Einziger unbesuchter Nachbar der besuchten Ecken 1, 2, 3 ist 4.
Die Kante 34 ist g-minimal, da d(3) + 1 = 4 < 7 = d(2) + 6. Es gilt
e3 = 4, k3 = 34, d(4) = d(3) + w(34) = 3 + 1 = 4.
Es ist nützlich (vor allem für größere Graphen), den Verlauf des Algorith-
mus tabellarisch zu protokollieren. Eine Möglichkeit hierzu zeigt folgende
Tabelle:

Schritt 0 1 2 3
Ecke 1 0 − − −
Ecke 2 0+1=1 − −
Ecke 3 0+3=3 3 −
Ecke 4 1+6=7 3+1=4
Abstand d(e) 0 1 3 4
Besuchte Ecke 1 2 3 4
Verwendete Kante 12 13 34
Zur Erstellung der Tabelle

(1) Die Spalten der Tabelle werden nacheinander gefüllt. Die Einträge in
den Ecken-Zeilen der Schritte 1, …, n − 1 sind gewisse Werte der
g-Funktion. Wir nennen sie auch Approximationen.
(2) Ausnahme von (1): Sobald eine Ecke e besucht wird, füllen wir die
Zeile von e bis zum Ende mit Strichen, die für „fertig bearbeitet“
stehen. Bevor also zum Beispiel die Spalte des Schritts 1 mit „1, 3“
gefüllt wird, wird die Zeile der Ecke 1 mit Strichen gefüllt.
(3) Zur Berechnung der Approximationen der Spalte m + 1 werden die
unbesuchten Nachbarn von em ermittelt. Für jeden solchen Nachbarn
a berechnen wir den g-Wert d(em ) + w(em a). Ist ein solcher Wert ein
Neueintrag in der Zeile der Ecke a oder besser als der bisher gefun-
dene, so tragen wir ihn in der Zeile a und Spalte m + 1 ein. Andernfalls
übernehmen wir den alten Wert. Gefundene Approximationen werden
also solange übernommen oder verbessert, bis die Ecke besucht wird.
(4) Der Wert d(em ), die Ecke em und die Kante km sind durch das erste
Minimum der Approximationen der Spalte m definiert: d(em ) ist dieses
Minimum, em die Zeile dieses Minimums und km ist die Kante, die
verwendet wurde, als das Minimum als g-Wert in der Spalte i gefunden
wurde. Eine Ecke von km ist em , die andere ist ei − 1 .
Mit Hilfe der Tabelle lässt sich der Algorithmus durchführen, ohne den Gra-
phen zu zeichnen. Sie eignet sich für eine Implementierung des Algorithmus.
Auch die Approximationswerte sind von Interesse: Der Eintrag einer Ecke e in
der Spalte des Schritts m gibt das minimale Gewicht eines Weges von der Start-
ecke nach e an, der höchstens m+1 Ecken besucht. Ein leerer Eintrag ist dabei als
„Abstand ∞“ oder „nicht erreichbar“ zu lesen.
Zur weiteren Illustration betrachten wir noch ein etwas komplizierteres Bei-
spiel.

Beispiel
Sei G = (E, K, w) mit E = { 1, 2, 3, 4, 5, 6, 7 } und
K = { 12, 13, 14, 23, 25, 34, 35, 36, 37, 47, 56, 67 },
w(12) = 3, w(13) = 10, w(14) = 9, w(23) = 6, w(25) = 2, w(34) = 3,
w(35) = 2, w(36) = 3, w(37) = 5, w(47) = 1, w(56) = 1, w(67) = 1.
Für die Startecke 1 erhalten wir:
Schritt 0 1 2 3 4 5 6
Ecke 1 0 − − − − − −
Ecke 2 0+3=3 − − − − −
Ecke 3 0+10=10 3+6=9 5+2=7 7 − −
Ecke 4 0+9=9 9 9 9 9 7+1=8
Ecke 5 3+2=5 − − − −
Ecke 6 5+1=6 − − −
Ecke 7 6+1=7 7 −
Abstand d(e) 0 3 5 6 7 7 8
Besuchte Ecke 1 2 5 6 3 7 4
Verw. Kante 12 25 56 35 67 47
Das folgende Diagramm zeigt den konstruierten aufspannenden Baum, die

Besuchsfolge der Ecken und die berechneten Abstände.

Der Algorithmus von Floyd
Wollen wir die gesamte gewichtete Abstandsfunktion dw mit Hilfe des Algo-
rithmus von Dijkstra berechnen, so müssen wir das Verfahren wie geschildert für
jede Startecke durchführen. Alternativ können wir den Algorithmus von Floyd
(1962) verwenden, der alle Abstandspaare simultan berechnet. Er gehört zu den
sogenannten all-pairs-Algorithmen.
Die Idee ist, die Ecken 1, …, n nacheinander ins Spiel zu bringen, um die Ab-
stände aller Eckenpaare schrittweise zu verbessern. Zunächst betrachten wir nur
Wege der Form a, b mit einer Kante ab. Mit Hilfe der Ecke 1 können wir durch
Wege der Form a, 1, b manchmal geringere Gewichte erreichen, danach durch
Wege der Form a, 1, 2, b oder a, 2, 1, b usw. Es ist natürlich, Matrizen zur Formu-
lierung des Algorithmus zu verwenden.
Algorithmus von Floyd

Sei G = (E, K, w) ein gewichteter Graph mit E = { 1, …, n }. Wir definieren
rekursiv (n × n)-Matrizen A0 , …, An mit Einträgen in R+ ∪ { ∞ } wie folgt.
Rekursionsanfang k = 0: Wir definieren A0 durch
A0 (i, i) = 0; A0 (i, j) = w(i, j), falls ij P K; A0 (i, j) = ∞ sonst.
Rekursionsschritt von k − 1 nach k: Wir setzen für alle i, j P { 1, …, n }
Ak (i, j) = min(Ak − 1 (i, j), Ak − 1 (i, k) + Ak − 1 (k, j)),
mit den üblichen Rechenregeln für den symbolischen Wert ∞.
Das Ergebnis der Berechnung ist die Matrix An .

Wir zeigen:
Satz (Korrektheit des Algorithmus von Floyd)

Mit den obigen Bezeichnungen gilt für alle 0 ≤ k ≤ n und alle i, j:
(+) Ak (i, j) ist das minimale Gewicht eines Weges von i nach j in G,
der außer den Ecken i, j nur Ecken in { 1, …, k } besucht.
Dabei bedeutet Ak (i, j) = ∞, dass es keinen derartigen Weg gibt.
Insbesondere gilt An (i, j) = dw (i, j) für alle i, j.
Beweis
Wir zeigen (+) durch Induktion nach k. Hieraus folgt der Zusatz, da im Fall
k = n alle Ecken von G in (+) zugelassen sind.
Induktionsanfang k = 0: Im Fall k = 0 betrachten wir in (+) nur Wege der
Form i, j. Damit folgt die Behauptung aus der Definition von A0 .
Induktionsschritt von k − 1 nach k: Seien i, j P { 1, …, n }, und sei
Z = i, a1 , …, am , j
ein Weg minimalen Gewichts, der außer i, j nur Ecken in { 1, …, k }
besucht. Wir zeigen, dass Ak (i, j) = ,w (Z). Nach I. V. und der Dreiecks-
ungleichung gilt zunächst
Ak (i, j) = min(Ak − 1 (i, j), Ak − 1 (i, k) + Ak − 1 (k, j)) ≥ ,w (Z).
Ist k ¸ { a1 , …, am }, so gilt Ak − 1 (i, j) ≤ ,w (Z) nach I. V. Andernfalls sei
as = k für ein s. Nach Optimalität von Teilstücken und I. V. gilt
,w (Z) = ,w (i, a1 , …, as − 1 , as ) + ,w (as , as + 1 , …, am , j)
= ,w (i, a1 , …, as − 1 , k) + ,w (k, as + 1 , …, am , j)
= Ak − 1 (i, k) + Ak − 1 (k, j) ≥ Ak (i, j).
Beispiele
(1) Wir betrachten den folgenden gewichteten Graphen:

Der Algorithmus von Floyd berechnet:
0 1 2 ∞ 4 0 1 2 ∞ 4
1 0 2 ∞ 1 1 0 2 ∞ 1
A0 = 2 2 0 3 ∞ A1 = 2 2 0 3 6
∞ ∞ 3 0 1 ∞ ∞ 3 0 1
4 1 ∞ 1 0 4 1 6 1 0
0 1 2 ∞ 2 0 1 2 5 2
1 0 2 ∞ 1 1 0 2 5 1
A2 = 2 2 0 3 3 A3 = 2 2 0 3 3
∞ ∞ 3 0 1 5 5 3 0 1
2 1 3 1 0 2 1 3 1 0
0 1 2 5 2 0 1 2 3 2
1 0 2 5 1 1 0 2 2 1
A4 = 2 2 0 3 3 A5 = 2 2 0 3 3
5 5 3 0 1 3 2 3 0 1
2 1 3 1 0 2 1 3 1 0
Damit ist etwa dw (1, 4) = A5 (1, 4) = 3. Das Beispiel zeigt, dass kein
kontinuierlicher Fortschritt erzielt werden muss: Es gilt A3 = A4 ≠ A5 .
(2) Für den bei der Diskussion des Algorithmus von Dijkstra betrachteten
Graphen mit E = { 1, …, 7 } zeigt eine Computer-Berechnung, dass
0 3 7 8 5 6 7
3 0 4 5 2 3 4
7 4 0 3 2 3 4
A7 = 8 5 3 0 3 2 1 .
5 2 2 3 0 1 2
6 3 3 2 1 0 1
7 4 4 1 2 1 0
Die erste Zeile stimmt, wie es sein muss, mit den durch Dijkstra
berechneten Abständen für die Startecke 1 überein.
Die Laufzeit des Algorithmus von Floyd ist kubisch in |E|. Die Laufzeit des
Algorithmus von Dijkstra ist für jede Startecke quadratisch in |E| und damit für
alle Startecken durchgeführt ebenfalls kubisch in |E|.
Sind wir nur an dw interessiert, so können wir die Matrix A0 in jedem Schritt
überschreiben, um Speicherplatz zu sparen.

Berechnung von paarweisen kürzesten gewichteten Wegen
In obiger Formulierung berechnet der Algorithmus von Floyd nur die Ab-
stände dw (a, b) zwischen Ecken a, b, aber keine zugehörigen Wege mit minima-
lem Gewicht. Wir reichern deswegen den Algorithmus noch etwas an und defi-
nieren zusätzlich Wegweisermatrizen B0 , …, Bn .
Algorithmus von Floyd, Version II

Zusätzlich zu den Matrizen Ak definieren wir (n × n)-Matrizen Bk wie folgt:
Rekursionsanfang k = 0: Wir setzen für alle i, j P { 1, …, n }:
B0 (i, j) = j, falls ij P K; B0 (i, j) = 0 sonst.
Rekursionsschritt von k − 1 nach k: Wir setzen für alle i, j P { 1, …, n }:
Bk (i, j) = Bk − 1 (i, k), falls Ak (i, j) < Ak − 1 (i, j),
Bk (i, j) = Bk − 1 (i, j), sonst.
Die Ecke Bk (i, j) zeigt für alle i, j einen aktuell bestmöglichen ersten Schritt
an, um die Ecke j von i aus so schnell (im Sinne von w) wie möglich zu errei-
chen. Die Matrix Bn ist geeignet, bestmögliche Wege zu bestimmen (Übung):
Satz (Korrektheit des Algorithmus von Floyd, II)

Mit den obigen Bezeichnungen und B = Bn gilt für alle i, j:
a0 , a1 , …, ar ist ein Weg von i nach j mit minimalem Gewicht, wobei
a0 = i, am + 1 = B(am , j) solange am ≠ j.
Beispiel
Wir betrachten noch einmal den obigen Graphen mit E = { 1, …, 7 }:

Die letzte B-Matrix berechnet sich zu:
0 2 2 2 2 2 2
1 0 5 5 5 5 5
5 5 0 4 5 6 4
B7 = 7 7 3 0 7 7 7 .
2 2 3 6 0 6 6
5 5 3 7 5 0 7
6 6 4 4 6 6 0
Für i = 1 und j = 4 kann der vierten Spalte der minimale Weg

1, 2, 5, 6, 7, 4
entnommen werden, den wir auch mit Dijkstra gefunden hatten. Die erste
Zeile zeigt, dass für die Startecke 1 alle Ziele bestmöglich mit einem ersten
Schritt zur Ecke 2 erreicht werden können.
Die Min-Plus-Version des Algorithmus
Der Algorithmus von Floyd bringt die Ecken 1, …, n nacheinander ins Spiel.
Ein Weg von i nach j minimalen Gewichts, der die Ecke n als Zwischenecke be-
nutzt, wird damit erst im letzten Schritt gefunden. Eine natürliche Variante ist es,
die Minimumsbildung nicht nur über eine, sondern über alle Ecken simultan
durchzuführen. Dies braucht mehr Rechenzeit, liefert aber auch neue Informa-
tion.
Min-Plus-Algorithmus
Wir definieren in obiger Situation Matrizen C1 , …, Cn − 1 :
Rekursionsanfang r = 1: C1 sei wie A0 bei Floyd definiert.
Rekursionsschritt von r nach r + 1: Wir setzen für alle i, j P { 1, …, n }:
Cr + 1 (i, j) = min1 ≤ k ≤ n ( Ck (i, k) + C1 (k, j) ).
Definieren wir eine neuartige Matrizen-Multiplikation für (n × n)-Matrizen

durch AB = C mit
C(i, j) = min1 ≤ k ≤ n ( A(i, k) + B(k, j) ) , (Min-Plus-Matrix-Multiplikation)
so berechnet der Algorithmus einfach die Potenzen C, C2 , … Cn − 1 von C = C1 .
Der Algorithmus leistet (Übung):
Satz (Korrektheit des Min-Plus-Algorithmus)

Mit den obigen Bezeichnungen gilt für alle i,j, k: Ck (i, j) ist das minimale
Gewicht eines Weges von i nach j der ungewichteten Länge kleiner gleich
k, d. h. eines Weges, der höchstens k + 1 Ecken besucht.

Der Algorithmus von Kruskal
In einem gewichteten oder ungewichteten zusammenhängenden Graphen der

Ordnung n besitzt jeder aufspannende Baum genau n − 1 Kanten (eine Kante we-
niger als die Anzahl der Ecken), sodass alle aufspannenden Bäume in diesem
Sinne gleichwertig sind. Für einen gewichteten Graphen können wir jeder
Menge von Kanten und damit insbesondere jedem aufspannenden Baum ein in-
dividuelles Gewicht zuordnen:
Definition (Gewicht einer Kantenmenge)

Sei G = (E, K, w) ein gewichteter Graph. Für alle K′ ⊆ K definieren wir das
Gewicht der Kantenmenge K′ durch w(K′) = ∑ k P K′ w(k).
Definition (minimal aufspannender Baum)

Sei G = (E, K, w) ein gewichteter Graph. Ein aufspannender Baum
G′ = (E, K′) von G heißt ein minimal aufspannender Baum, falls es keinen
aufspannenden Baum G″ = (E, K″) von G gibt mit w(K″) < w(K′).
Ein minimal aufspannender Baum existiert für jeden zusammenhängenden

Graphen, da die nichtleere endliche Menge
M = { w(K′) | G′ = (E, K′) ist ein aufspannender Baum }
ein kleinstes Element besitzt. Ein minimal aufspannender Baum ist in der Regel
nicht eindeutig bestimmt, sein Gewicht dagegen schon.
Es stellt sich die Frage, wie ein minimal aufspannender Baum effektiv konstru-
iert werden kann. Ein guter Algorithmus hierzu ist der Algorithmus von Kruskal
(1956). Er lässt sich informal so beschreiben: Füge wiederholt eine leichteste
noch ungewählte Kante zu den gewählten Kanten so hinzu, dass nie ein Kreis
entsteht. Genauer lautet das Verfahren:
Algorithmus von Kruskal

Sei G = (E, K, w) ein gewichteter zusammenhängender Graph der Ordnung
n und Größe m. Weiter sei k1 , …, km eine Aufzählung der Kanten von G
mit steigendem Gewicht, d. h. es gelte
w(k1 ) ≤ w(k2 ) ≤ … ≤ w(km ).
Wir definieren rekursiv Wälder Gi = (E, Ki ) für 0 ≤ i ≤ m wie folgt.
Zu Beginn sei K0 = (E, ∅).
Sei i < m und Ki konstruiert. Enthält Ki ∪ { ki + 1 } einen Kreis, so setzen wir
Ki + 1 = Ki (verworfene Kante). Andernfalls akzeptieren wir die Kante und
setzen Ki + 1 = Ki ∪ { ki + 1 }.
Das Ergebnis der Berechnung ist Gm = (E, Km ).

Die beiden ersten Kanten k1 und k2 werden immer aufgenommen, da sie kei-
nen Kreis bilden können. Allgemein wird eine Kante ki + 1 genau dann zu Ki hin-
zugefügt, wenn sie zwei verschiedene Bäume im Wald Gi = (E, Ki ) zusammen-
führt. Diese Bäume können aus einzelnen Ecken bestehen, was zum Beispiel für
die erste hinzugefügte Kante k1 immer der Fall ist.
Es gilt:
Satz (Korrektheit des Algorithmus von Kruskal)

Mit den obigen Bezeichnungen gilt:
(a) Für alle 0 ≤ i ≤ m ist Gi = (E, Ki ) ist ein Wald mit genau E − |Ki |
Komponenten.
(b) Gm = (E, Km ) ist ein minimaler aufspannender Baum von G.
Beweis
Die Aussage (a) folgt durch Induktion nach 0 ≤ i ≤ m aus obiger Beobach-
tung, dass eine neu hinzugefügte Kante zwei Wälder in Ki miteinander
verbindet, wodurch die Zahl der Komponenten des Waldes um eins
reduziert wird. Nach Konstruktion ist Gm ein Wald, dem keine Kante von
G unter Erhalt der Kreisfreiheit mehr hinzugefügt werden kann. Damit hat
Gm genau eine Komponente, sodass Gm ein Baum ist.
Zum Beweis der Minimalität zeigen wir durch Induktion nach 0 ≤ i ≤ m,
dass jeder Wald Gi zu einem minimalen aufspannenden Baum erweitert
werden kann (Übung):
(+) Es gibt einen minimalen aufspannenden Baum G′ = (E, K′) mit Ki ⊆ K′.
Da Gm bereits ein Baum ist, folgt aus (+) für i = m, dass Gm ein minimaler
aufspannender Baum ist.
Beispiel
Wir betrachten den folgenden gewichteten Graphen:

Nach ihrem Gewicht aufsteigend geordnet hat der Graph die 11 Kanten:
16, 34, 47, 26, 37, 28, 56, 67, 78, 35, 57
Akzeptiert werden die Kanten
16, 34, 47, 26, 28, 56, 67.
Verworfen wird zum Beispiel die Kante 37 aufgrund des Kreises 3, 4, 7, 3.
Die aufgenommenen Kanten bilden einen aufspannenden Baum mit dem
Gewicht
1 + 1 + 1 + 2 + 3 + 3 + 3 = 14.
Ordnen wir die Kanten in der Folge

16, 34, 47, 26, 37, 56, 67, 78, 28, 35, 57,
so werden die Kanten 16, 34, 47, 26, 56, 67, 78 akzeptiert (also 78 statt 28).
Das Gewicht bleibt gleich.
Greedy-Algorithmen
Im Gegensatz zu BFS, DFS und dem Algorithmus von Dijkstra sind die Teil-
graphen, die der Algorithmus von Kruskal berechnet, keine Bäume mehr. Der
aufspannende Baum wird nicht durch schrittweises Hinzufügen einer optimalen
Kante zu einem Baum konstruiert, sondern durch schrittweises Hinzufügen ei-
ner optimalen Kante zu einem Wald. Damit wachsen während der Durchfüh-
rung mehrere Bäume parallel, die sich am Ende zu einem aufspannenden Teil-
baum vereinigen. Alle Algorithmen gehören aber einen bestimmten Klasse an,
den sogenannten Greedy-Algorithmen. Diese Algorithmen führen „gierig“ ent-
sprechend dem Stand der Berechnungen optimierte Einzelschritte durch, um
ein optimales Gesamtergebnis zu erzielen. Eine spätere Korrektur eines Schritts
ist nicht notwendig. Was jetzt gut ist, ist später auch gut.

„Greedy“ funktioniert nicht für alle graphentheoretischen Probleme. Ein

berühmtes Gegenbeispiel ist das Problem des Handlungsreisenden (travelling sales-
man problem): Gegeben ist ein gewichteter vollständiger Graph der Ordnung n.
Gesucht ist ein Hamilton-Kreis a1 , …, an , a1 in G mit minimalem Gewicht. Ein
Handlungsreisender, der diesem Kreis folgt, besucht also alle betrachteten
Städte (Ecken), kommt am Ende wieder zu Hause an (Startecke) und hat die
geringstmöglichen Reisekosten (Kantengewichte). Das Problem ist hier die
Minimierung des Gewichts, nicht die Konstruktion eines Hamilton-Kreises an
sich: Aufgrund der Vollständigkeit des Graphen können wir von jeder Ecke zu
jeder anderen gehen und damit jeden Weg zu einem Hamilton-Kreis fortset-
zen. Ein Greedy-Algorithmus, der ausgehend von einer Startecke stets den er-
sten unbesuchten Nachbarn mit minimalem Kantengewicht wählt, findet im
Allgemeinen keinen Hamilton-Kreis mit minimalem Gewicht:
Beispiel
Wir betrachten den vollständigen Graphen K4 mit folgenden Kantenge-
wichten:
Ein Greedy-Algorithmus würde ausgehend von der Startecke 1 den

Hamilton-Kreis 1, 2, 4, 3, 1 des Gewichts 1 + 1 + 10 + 2 = 14 konstruieren.
Ein Hamilton-Kreis mit geringstem Gewicht ist 1, 3, 2, 4, 1 (Gewicht 7).
Jeder Hamilton-Kreis, der die beiden günstigen 1-Kanten durchläuft,
durchläuft notwendig die teure 10-Kante. Damit ist der Besuch einer
1-Kante und dreier 2-Kanten optimal.
Das Problem des Handlungsreisenden ist ein NP-vollständiges Problem, so-

dass wahrscheinlich kein effizienter Algorithmus existiert.

Übungen
Übung 1
Beweisen Sie die Eigenschaften (1) − (6) eines gewichteten Abstands dw .
Übung 2
Wir betrachten einen gewichteten Graphen G = (E, K, w) mit w : K → R,
d. h. negative Gewichte sind zugelassen. Nun definieren wir eine Funktion
gw : E2 → R ∪ { ∞ } durch
gw (a, b) = „das minimale Gewicht eines Weges von a nach b in G“,
falls a , b, und gw (a, b) = ∞ sonst. (Durch die Beschränkung auf Wege in
der Definition wird ein Hin-und-her-Laufen entlang Kanten mit negativem
Gewicht ausgeschlossen.)
Zeigen oder widerlegen Sie die schwache Nullbedingung, Symmetrie und
Dreiecksungleichung für gw .
Übung 3
Führen Sie den Algorithmus von Dijkstra (einschl. einer Tabelle) für den
folgenden Graphen und die Startecke 1 durch:
Übung 4
Sei G = (E, K, w) ein gewichteter Graph mit w(k) = 1 für alle k P K. Wie
verläuft der Algorithmus von Dijkstra in diesem einem ungewichteten
Graphen entsprechenden Spezialfall? Welche besonderen Eigenschaften
besitzt die Tabelle, die bei der Durchführung entsteht? Welche Unter-
schiede bestehen zu BFS und DFS?

Übung 5
Ist der Algorithmus von Dijkstra mit entsprechenden Anpassungen auch
geeignet, kürzeste Wege in gerichteten und gewichteten Graphen zu
finden? Begründen Sie Ihre Antwort.
Übung 6
Zeigen Sie, dass der Algorithmus von Dijkstra im Allgemeinen keinen
kürzesten Weg mehr findet, wenn negative Kantengewichte zugelassen
werden. Geben Sie hierzu konkret einen gewichteten Graphen mit minde-
stens einem negativen Kantengewicht an, für den die Durchführung des
Algorithmus von Dijkstra einen Abstand falsch berechnet.
Übung 7
Sei G = (E, K, w) ein gewichteter Graph. Wir interpretieren w(k) als Weite
der Kante k und definieren die Weite w(K) eines Kantenzugs K von a nach
b als das Minimum der Weiten der besuchten Kanten (nach dem Motto:
Eine Kette ist so stark wie ihr schwächstes Glied). Ziel ist es nun, Wege der
größtmöglichen Weite zu finden. Passen Sie den Algorithmus von Dijkstra
so an, dass für eine Startecke a für jede Ecke b ein Weg mit größtmöglicher
Weite gefunden wird.
Übung 8
Sei G = (E, K) ein Graph, und sei G′ = (E, K′) ein Wald in G, d. h. ein
Teilgraph von G, der ein Wald ist. Zeigen Sie, dass die folgenden Aussagen
äquivalent sind:
(a) G′ ist ein Baum.
(b) G′ ist ein maximaler Wald in G, d. h. es gibt keine Kante k P K − K′
derart, dass G″ = (E, K′ ∪ { k }) ein Wald ist.
Übung 9
Beweisen Sie die Korrektheit des Algorithmus von Floyd in der Version II.
Übung 10
Beweisen Sie die Korrektheit des Min-Plus-Algorithmus.
Übung 11
Führen Sie die Induktion zum Beweis von (+) im Beweis der Korrektheit
des Algorithmus von Kruskal aus.
Übung 12
Beweisen oder widerlegen Sie, dass der Algorithmus von Dijkstra stets
einen minimal aufspannenden Baum eines zusammenhängenden Graphen
erzeugt.

7. Planare Graphen
Für jeden Graphen stellt sich die Frage nach einer „guten“ Darstellung durch ein
Ecken-Kanten-Diagramm. Die „Güte“ ist, wie wir bereits gesehen haben, ab-
hängig davon, welche Struktureigenschaften wir betonen und anschaulich dar-
stellen möchten: Kreise werden wir in der Regel als Kreise zeichnen, bipartite
Graphen mit gegenüberliegenden Eckenmengen, Bäume oft in gestufter Form.
Eine aus geometrischer Sicht besonders ausgezeichnete Qualität ist die Über-
schneidungsfreiheit der Kanten, und in diesem Kapitel stehen die Graphen, die
sich überschneidungsfrei zeichnen lassen, im Mittelpunkt. Viele wichtige Bei-
spiele für solche Graphen entstehen dabei durch räumliche Polyeder.

Planare Graphen und ihre Darstellungen
Wir definieren:
Definition (planar)
Ein Graph G = (E, K) heißt planar, falls es ein Ecken-Kanten-Diagramm
von G in der Ebene gibt, in dem sich die Kanten nicht schneiden. Ein
solches Diagramm nennen wir auch eine planare Darstellung von G.
Die Definition ist in dieser Form nicht vollständig, da wir „Ecken-Kanten-

Diagramm“ nicht formal definiert haben. Dies ist möglich, indem wir Ecken als
Punkte der Ebene und Kanten als bestimmte Kurven zwischen den Ecken auffas-
sen. Für die folgende Diskussion ist obige Definition ausreichend.
Beispiele
(1) Die Darstellung des vollständigen Graphen K4 mit einem Quadrat
oder Rechteck als Ecken ist nicht planar. Es gibt aber eine Möglichkeit
den K4 überschneidungsfrei zu zeichnen, sodass der K4 planar ist:
(2) Der vollständig bipartite Graph K3, 2 ist ebenfalls planar:

7. Planare Graphen 215
(3) Der vollständige Graph K5 und der vollständig bipartite Graph K3, 3
sind nicht planar. Wir geben unten einen Beweis hierfür mit Hilfe der
Eulerschen Polyederformel.
(4) Streichen wir aus dem K5 oder K3, 3 eine beliebige Kante, so sind die
entstehenden Graphen planar. Für das Streichen von 45 aus K5 und 36
aus K3, 3 erhalten wir zum Beispiel die planaren Darstellungen:
(5) Jeder Teilgraph G′ eines planaren Graphen G ist planar. Denn aus
einer planaren Darstellung von G ergibt sich eine planare Darstellung
von G′ durch Entfernen von gewissen Ecken und Kanten.
Dem Leser ist vielleicht aufgefallen, dass wir alle planaren Graphen mit gera-
den Kanten gezeichnet haben. Überraschenderweise ist dies immer möglich: Ist
ein Graph planar, so gibt es eine planare Darstellung, die nur gerade Kanten ver-
wendet (Satz von Wagner und Fáry).
Unterteilungsgraphen und der Satz von Kuratowski
Die Graphen K5 und K3,3 sind die wichtigsten Beispiele für nicht planare Gra-
phen, da sie sich nach einem Satz von Kuratowski in jedem nicht planaren Gra-
phen wiederfinden lassen. Um dies zu präzisieren, definieren wir:

Definition (Unterteilungsgraph)
Sei G = (E, K) ein Graph. Ein Graph G′ = (E′, K′) heißt eine 1-Schritt
Erweiterung von G, falls es ein c ¸ E gibt mit E′ = E ∪ { c } und
K′ = (K − { ab }) ∪ { ac, cb }.
Weiter heißt ein Graph H ein Unterteilungsgraph von G, falls es Graphen
G1 , …, Gn mit G1 = G und Gn = H gibt derart, dass für alle 1 ≤ i < n gilt:
Gi + 1 ist eine 1-Schritt-Erweiterung von Gi .
Ein Unterteilungsgraph H eines Graphen G entsteht also durch schrittweises

Ersetzen einer Kante ab durch zwei Kanten ac, cb mit einer neuen Ecke c. In je-
dem Erweiterungsschritt kommt eine neue Ecke hinzu und die Anzahl der Kan-
ten erhöht sich um eins.
Ein Unterteilungsgraph des K5
Damit können wir das Ergebnis genau formulieren:
Satz (Satz von Kuratowski)

(a) G ist nicht planar.
(b) Es gibt einen Teilgraphen H von G, der ein Unterteilungsgraph
eines vollständigen Graphen mit 5 Ecken oder eines vollständig
bipartiten Graphen des Typs 3-3 ist.
Wir verweisen den Leser auf die Literatur für einen Beweis. Hier begnügen
wir uns mit einem Beispiel zur Illustration dieses Ergebnisses.

Beispiel
Wir betrachten den folgenden Graphen G:
Dass G nicht planar ist, ist keineswegs klar. Folgende Darstellung hat nur
eine Überschneidung:
Der Nachweis der Nichtplanarität ist erbracht, indem wir einen vollständig
bipartiten Unterteilungsgraphen des Typs 3-3 isolieren. Der rot gezeich-
nete Graph ist ein Unterteilungsgraph (mit eingefügten Ecken 5, 6, 8) des
durch { 1, 4, 9 }, { 2, 3, 10 } vollständig bipartiten Graphen:

Polyedergraphen und Platonische Körper
Viele interessante Beispiele für planare Graphen erhalten wir, indem wir kon-
vexe Polyeder betrachten. Dabei heißt eine Teilmenge P des R3 konvex, falls für
alle Punkte p und q von P auch die Strecke von p nach q ganz zu P gehört. An-
schaulich entspricht dies der Wölbung von P nach außen. Die berühmtesten
konvexen Polyeder sind die fünf Platonischen Körper:
Tetraeder, Kubus (Hexaeder, Würfel), Oktaeder, Dodekaeder und Ikosaeder
Tetraeder, Oktaeder und Ikosaeder sind aus gleichseitigen Dreiecken zusam-

mengesetzt, der Kubus aus Quadraten und das Dodekaeder aus regelmäßigen
Fünfecken. Wir werden später mit Hilfe der Eulerschen Polyederformel zeigen,
dass es keine weiteren konvexen aus regelmäßigen Polygonen eines bestimmten
Typs zusammengesetzte Polyeder gibt.
Jedes Polyeder lässt sich als Graph auffassen, indem wir seine Ecken und Kan-
ten als graphentheoretische Ecken und Kanten interpretieren. Ist ein Polyeder
konvex, so ist der dadurch entstehende Graph planar. Eine planare Darstellung
ergibt sich durch eine Projektion auf die Ebene. Anschaulich erhalten wir eine
solche Darstellung, indem wir die Oberfläche des Polyeders betrachten, eine
Fläche entfernen und das so geöffnete Polyeder von innen heraus aufbiegen und
auf die Ebene flachdrücken. Die entfernte Fläche entspricht in dieser Weise der
unendlichen Außenfläche des entstehenden planaren Graphen. Diese Fläche
eingerechnet stimmt der planare Graph nicht nur in der Zahl der Ecken und
Kanten, sondern auch in der Zahl der Flächen mit dem Polyeder überein.

Die folgenden Diagramme zeigen planare Darstellungen für die Platonischen

Körper. Der Leser möge die gezeigten Graphen im Geiste zu den Platonischen
Körpern umformen und umgekehrt. Werden die sechs Flächen des Kubus wie
bei einem Würfel markiert, so entspricht die äußere unendliche Fläche des Ku-
busgraphen der 6, wenn die innere Fläche der 1 entspricht.
Tetraedergraph, Kubusgraph und Oktaedergraph
Dodekaedergraph und Ikosaedergraph
Der Tetraedergraph ist isomorph zum K4 . Die Gradfolgen der Platonischen

Körper sind konstant gleich 3, 4 oder 5.
Netze
Ganz andere Graphen erhalten wir, wenn wir die Platonischen Körper oder
andere Polyeder entlang ihrer Kanten geeignet aufschneiden und zu einem zu-
sammenhängenden Gebilde der Ebene aufklappen. Die entstehenden Graphen
− sog. Netze − stimmen mit den Polyedern nicht mehr in der Anzahl der Ecken
und Kanten überein, da die Schnitte Ecken und Kanten vervielfachen. Sie sind
damit keine graphentheoretischen Darstellungen der Polyeder. Aber sie unter-
stützen die räumliche Vorstellung und eignen sich zum Basteln der Körper.

Netze der Platonischen Körper
Die Eulersche Polyederformel
Für die Platonischen Körper gilt:
Körper Ecken Kanten Flächen
Tetraeder 4 6 4
Kubus 8 12 6
Oktaeder 6 12 8
Dodekaeder 20 30 12
Ikosaeder 12 30 20
In allen fünf Fällen ergibt sich:
Ecken − Kanten + Flächen = 2
Diese Eulersche Polyederformel gilt nicht nur für die Platonischen Körper, sondern
für alle Polyeder, die sich durch einen planaren Graphen darstellen lassen. Sie er-
scheint letztendlich sogar als eine Eigenschaft planarer Graphen, sodass wir sie
auch Eulersche Graphenformel nennen könnten. Hierzu müssen wir einen Flä-
chenbegriff für planare Graphen einführen.

Eine planare Darstellung eines Graphen unterteilt die Ebene in Flächen oder
Gebiete. Dabei zählen wir stets die äußere unbeschränkte Fläche mit. Somit hat
zum Beispiel ein Dreieck und allgemeiner jeder planar dargestellte graphen-
theoretische Kreis genau zwei Flächen. Jeder Fläche können wir die Kanten und
Ecken des Graphen zuordnen, die an diese Fläche grenzen. Diese Zuordnung
hängt von der planaren Darstellung ab. Für jede planare Darstellung gilt aber:
Grenzflächen von Brücken und Kreiskanten

(a) Eine Brücke hat genau eine angrenzende Fläche, nämlich die
umgebende äußere Fläche.
(b) Eine Kreiskante besitzt genau zwei angrenzende Flächen (eine
innere und die äußere Fläche oder zwei innere Flächen).
Wir verwenden diese anschaulichen Eigenschaften hier ohne Beweis. Ein

strenger Beweis ist recht aufwendig, da gezeigt werden muss, dass eine geschlos-
sene stetige überschneidungsfreie Kurve − ein deformierter Kreis − die Ebene in
genau zwei Gebiete zerlegt, deren gemeinsamer Rand die Kurve ist ( Jordanscher
Kurvensatz).
Der gezeigte Graph hat 10 Ecken, 13 Kanten und 5 Flächen (vier innere, eine äußere).
Die Brücke 28 grenzt wie jede Brücke nur an die äußere Fläche. Die Kreiskante 45 grenzt
an zwei innere Flächen, die Kreiskante 57 an eine innere sowie die äußere Fläche.
Die angrenzenden Ecken einer inneren Fläche gehören stets einer gemeinsa-
men Komponente an. Die äußere Fläche besitzt dagegen mindestens eine an-
grenzende Ecke in jeder Komponente des Graphen.
Nach diesen Vorbereitungen können wir formulieren und beweisen:
Satz (Eulersche Polyederformel für planare Graphen)

Sei G = (E, K) ein planarer Graph mit genau c Zusammenhangskomponenten.
Weiter seien e = |E|, k = |K| und f die Anzahl der Flächen in irgendeiner
planaren Darstellung des Graphen. Dann ist f die Anzahl der Flächen jeder
planaren Darstellung von G und es gilt
e − k + f = c + 1. (Eulersche Polyederformel)
Ist G zusammenhängend, so gilt speziell e − k + f = 2.

Beweis
Wir zeigen die Aussage durch Induktion nach k ≥ 0.
Induktionsanfang k = 0:
In diesem Fall ist e = c und f = 1, sodass
e − k + f = c + 1.
Induktionsschritt von k nach k + 1:
Sei G ein planarer Graph mit k + 1 Kanten. Wir betrachten eine
beliebige planare Darstellung von G. Sei nun a*b* eine beliebige Kante
von G, und sei G′ der Teilgraph von G, der durch Streichen von a*b*
entsteht. Nach Induktionsvoraussetzung gilt
e − k + f ′ = c′ + 1
in der durch das Streichen von a*b* entstehenden planaren Darstellung
von G′, wobei f ′ die Zahl der Flächen dieser Darstellung und c′ die Zahl
der Zusammenhangskomponenten von G′ bezeichnet.
1. Fall: a*b* ist eine Brücke in G
In diesem Fall grenzt die Kante a*b* an genau eine Fläche von G.
Das Entfernen von a*b* lässt die Zahl der Flächen unverändert,
erhöht aber die Zahl der Zusammenhangskomponenten um 1.
Damit ist f ′ = f und c′ = c + 1. Hieraus ergibt sich
e − (k + 1) + f = e − k + f ′ − 1 = c′ + 1 − 1 = c′ = c + 1.
2. Fall: a*b* ist keine Brücke in G
In diesem Fall grenzt die Kante a*b* als Kreiskante von G an genau
zwei Flächen, die durch das Entfernen von a*b* zu einer Fläche von
G′ werden. Da a*b* keine Brücke ist, gilt c′ = c. Folglich ist
e − (k + 1) + f = e − k + f − 1 = e − k + f′ = c′ + 1 = c + 1.
Damit ist die Polyederformel für eine beliebige planare Darstellung von
G bewiesen. Da die Größen e, k, c unabhängig von der Darstellung
sind, ist f = c + 1 − e + k die Zahl der Flächen jeder planaren Darstellung.
Da jedes konvexe dreidimensionale Polyeder zu einem planaren Graphen

führt, der mit dem Polyeder in den Größen e, k und f übereinstimmt, erhalten
wir die namensgebende Version der Formel:
Korollar (Eulersche Polyederformel für Polyeder)

Für jedes konvexe Polyeder des dreidimensionalen Raumes gilt die
Eulersche Polyederformel. Allgemeiner gilt die Formel für alle Polyeder,
die durch einen planaren Graph dargestellt werden können.
Die Eulersche Polyederformel hat zahlreiche Anwendungen in der Graphen-

theorie und Geometrie. Wir betrachten einige davon.

Anwendungen der Polyederformel
Wir zeigen zunächst einige nützliche Abschätzungen für planare Graphen.
Satz (Größenabschätzungen für planare Graphen)

Sei G = (E, K) planar mit k ≥ 3. Dann gilt 3f ≤ 2k und k ≤ 3(e − 2).
Grenzen allgemeiner an jede Fläche von G mindestens m Kanten, so gilt
mf ≤ 2k und (m − 2) k ≤ m(e − 2).
Beweis
Wir betrachten eine planare Darstellung von G und ordnen jeder Fläche
drei Kanten zu, die an diese Fläche grenzen. Da jede Kante höchstens an
zwei Flächen grenzt, wird jede Kante höchstens zweimal verwendet. Damit
ist 3f ≤ 2k. Aus der Eulerschen Polyederformel ergibt sich
k = f + e − c − 1 ≤ f + e − 2 ≤ 2/3 k + e − 2,
sodass k ≤ 3(e − 2). Die zweite Aussage ergibt sich analog mit m statt 3 an
jede Fläche angrenzenden Kanten.
Die verallgemeinerte Abschätzung gilt für ein m > 3, falls k ≥ m und G keine
Kreise mit weniger als m Ecken enthält. Insbesondere ist 2k ≤ 4(e − 2), falls k ≥ 4
und G keine Dreiecke enthält.
Mit Hilfe der Größenabschätzungen lässt sich manchmal nachweisen, dass ein
bestimmter Graphen nicht planar ist. Die Graphen K5 und K3, 3 sind geeignet:
Korollar (Nichtplanarität des K5 und K3, 3 )

Die Graphen K5 und K3, 3 sind nicht planar.
Beweis
Der K5 ist nicht planar, da sonst 15 = k ≤ 3(e − 2) = 9.
Für den K3, 3 gilt die Abschätzung mit m = 4, da K3, 3 keine Dreiecke enthält.
Damit ist der K3, 3 nicht planar, da sonst 18 = 2k ≤ 4(e − 2) = 16.
Eine überraschende und wichtige Konsequenz der Größenabschätzung ist:
Korollar (Grad-Fünf-Eigenschaft planarer Graphen)

Sei G = (E, K) ein planarer Graph. Dann existiert ein a P E mit d(a) ≤ 5.
Beweis
Nach der Gradformel und der Größenabschätzung gilt
(+) ∑ a P E d(a) = 2k = 6(e − 2) < 6e.
Damit muss es mindestens eine Ecke geben, deren Grad kleiner als 6 ist.

Das Ergebnis ist optimal in dem Sinne, dass es einen planaren Graphen gibt,
dessen Grade alle gleich 5 sind: Der Ikosaedergraph ist ein Beispiel. Genauer
zeigt die Abschätzung (+), dass der Durchschnittsgrad (∑ a P E d(a))/n eines plana-
ren Graphen kleiner als 6 ist. Ecken mit einem großen Grad werden in einem
planaren Graphen durch Ecken mit einem kleinen Grad ausgeglichen.
Mit Hilfe der Polyederformel können wir zeigen, dass es außer den fünf Plato-
nischen Körpern keine weiteren regelmäßigen konvexen Polyeder gibt. Das
wunderschöne Argument ist ein Klassiker der Mathematik.
Satz (Klassifikation regelmäßiger Polyeder)

Sei P ein regelmäßiges Polyeder mit e Ecken, k Kanten und f Flächen. Es
gelte e − k + f = 2. Weiter seien n ≥ 3 die Anzahl der Kanten einer Fläche
und d ≥ 3 der gemeinsame Grad der Ecken. Dann gilt:
(a) nf = 2k, de = 2k.
(b) 1/n + 1/d = 1/2 + 1/k.
(c) Aufgefasst als Gleichung in den Variablen n, d, k hat (b) genau
die folgenden Lösungen in den natürlichen Zahlen mit n, d ≥ 3:
(3, 3, 6), (3, 4, 12), (3, 5, 30), (4, 3, 12), (5, 3, 30).
Beweis
Jede Kante ist an genau zwei Flächen beteiligt, sodass nf = 2k. Ebenso ist
jede Kante an genau zwei Ecken beteiligt, sodass de = 2k (vgl. die Gradfor-
mel). Nach der Polyederformel gilt f + e = k + 2, sodass
2k 2k
+ = k + 2.
n d
Division durch 2k zeigt (b). Seien nun n, d, k natürliche Zahlen mit n, d ≥ 3
derart, dass (b) erfüllt ist. Dann gilt n = 3 oder d = 3, da andernfalls
1 1 1 1 1 1
+ ≤ + < + .
n d 4 4 2 k
Ist n = 3, so ist d ≤ 5, da andernfalls
1 1 1 1 1 1
+ ≤ + < + .
n d 3 6 2 k
Analog folgt aus d = 3, dass n ≤ 5. Damit ergeben sich für (n, d) die fünf
Möglichkeiten (3, 3), (3, 4), (3, 5), (4, 3), (5, 3). Da k durch die beiden
Werte n und d eindeutig bestimmt ist, gibt es also höchstens fünf Lösun-
gen. Einsetzen zeigt, dass die fünf Tripel tatsächlich Lösungen sind.
Die Lösungen entsprechen in der angegebenen Reihenfolge dem Tetraeder,

Oktaeder, Ikosaeder, Kubus und Dodekaeder.

Der Vierfarbensatz
Zu den berühmtesten Problemen der Graphentheorie gehört die Frage:

Wie viele Farben brauchen wir, um die Ecken eines planaren Graphen so
einzufärben, dass benachbarte Ecken stets verschieden gefärbt sind?
Das Problem lässt sich äquivalent auch als Färbungsproblem für die Länder ei-
ner Landkarte formulieren. Fassen wir die Länder als Ecken eines Graphen auf
und fügen wir für je zwei aneinandergrenzende Länder eine Kante ein, so ent-
sprechen gute Färbungen der Ecken des Graphen guten Färbungen der Länder.
Dabei fügen wir Kanten nur ein, wenn die Länder eine gemeinsame Grenzmauer
besitzen, d. h. sich nicht nur in einem Punkt berühren.
Der Vierfarbensatz besagt, dass vier Farben genügen. Der Satz wurde lange
vermutet, aber erst 1970 von Appel und Haken bewiesen. Bis heute nimmt der
Beweis eine ungewöhnliche Stellung ein, da Computer eingesetzt werden, um
die Aussage für eine endliche Zahl von Graphen zu überprüfen. Aus diesen Spe-
zialfällen lässt sich die allgemeine Aussage durch einen (computerfreien) Beweis
gewinnen.
Die folgenden Diagramme zeigen minimale Färbungen der Graphen der Pla-
tonischen Körper. Es werden 4, 2, 3, 3 bzw. 4 Farben benötigt.

Formal ist eine Färbung eines Graphen G = (E, K) eine Funktion f der Form
f : E → { 1, …, m }. Die Elemente von { 1, …, m } werden anschaulich als Farben
bezeichnet, und für jede Ecke a des Graphen heißt f(a) die Farbe von a unter der
Färbung f. Eine Färbung f : E → { 1, …, m } von G mit m Farben heißt eine (gute)
m-Färbung von G, falls je zwei benachbarte Ecken verschieden gefärbt sind, d. h.
falls gilt
f(a) ≠ f(b) für alle ab P K.
Der Vierfarbensatz besagt also, dass jeder planare Graph eine 4-Färbung be-
sitzt. Überraschenderweise lassen sich etwas schwächere Ergebnisse relativ
leicht beweisen. Ein bestechendes Beispiel für die Kraft der mathematischen In-
duktion ist der Beweis von:
Satz (Sechsfarbensatz)
Sei G = (E, K) ein planarer Graph. Dann gibt es eine 6-Färbung von G.
Beweis
Wir zeigen die Aussage durch Induktion nach e = | E | ≥ 1. Der Induktions-
anfang ist klar, denn für e = 1 genügt eine Farbe. Im Induktionsschritt von e
nach e + 1 betrachten wir einen planaren Graphen mit e + 1 Ecken. Nach
obigem Satz gibt es ein a* P E mit d(a) ≤ 5. Wir streichen a* und erhalten
so einen planaren Untergraphen G′ mit e Ecken. Nach Induktionsvoraus-
setzung gibt es eine 6-Färbung f von G′. Da a* höchstens fünf Nachbarn in
G besitzt, gibt es eine Farbe c*, die von den Farben aller Nachbarn von a*
verschieden ist. Wir setzen f auf E durch f(a*) = c* fort und erhalten so eine
6-Färbung von G.
Schon deutlich trickreicher ist der Beweis von:
Satz (Fünffarbensatz)
Sei G = (E, K) ein planarer Graph. Dann gibt es eine 5-Färbung von G.
Beweis
Wir argumentieren wie im Sechsfarbensatz induktiv:
Seien a* und G′ wie im Induktionsschritt oben, und sei f eine 5-Färbung
von G′. Wir nehmen an, dass a* genau fünf Nachbarn besitzt, die in den
fünf verfügbaren Farben gefärbt sind (denn andernfalls haben wir eine
Farbe zur Färbung von a* frei und sind fertig). Nun betrachten wir eine
planare Darstellung von G, in der die Nachbarn a1 , …, a5 von a* zyklisch
(im Uhrzeigersinn) angeordnet sind und mit den Farben 1, …, 5 gefärbt
sind (dies können wir durch eine Umnummerierung der Farben erreichen).
Für alle 1 ≤ i < j ≤ 5 sei Hij der Untergraph von G′, der genau die Ecken der
Farben i und j enthält. Wir betrachten nun Wege in einem Untergraphen
Hij . Dies sind genau die Wege in G′, auf denen sich die Farben i und j
abwechseln. Wir zeigen:

(+) Ist a3 erreichbar von a1 in H13 , so ist a4 nicht erreichbar von a2 in H24 .
Beweis von (+)
Sei Z ein Weg in H13 von a1 nach a3 . Der Weg Z wird in G durch
Verlängerung um a3 , a, a1 zu einem Kreis. Dann liegt a2 oder a4
aufgrund der Anordnung der Ecken a1 , …, a5 im Inneren dieses Kreises.
Liegt a2 im Inneren, so liegt jeder in a2 beginnende Weg in H24
aufgrund der Planarität der Darstellung und der Entfernung von a* ganz
im Inneren des Kreises. Damit kann es keinen Weg in H24 von a2 nach
a4 geben. Analoges gilt, wenn a4 im Inneren des Kreises liegt.
Wir betrachten nun die Zusammenhangskomponente A von a1 in H13
und die Zusammenhangskomponente B von a2 in H24 . Nach (+) gilt
a3 ¸ A oder a4 ¸ B. Ist a3 ¸ A, so tauschen wir die Farben 1 und 3 in A
aus. Die entstehende Färbung ist nach wie vor eine 5-Färbung von G′.
Wegen a3 ¸ A bleibt die Farbe 3 von a3 erhalten, während a1 nun die
Farbe 3 besitzt. Damit ist die Farbe 1 zur Färbung von a* frei, sodass wir
eine 5-Färbung von G erhalten. Analog verfahren wir, wenn a4 ¸ B.
Das Hauptargument im Beweis von (+) lässt sich sehr anschaulich formulieren.
Wir betrachten einen 5-Stern mit Zentrum a* und zyklisch angeordneten Ecken
a1 , …, a5 in einer planaren Darstellung eines Graphen. Nun seien zwei Kreise ge-
geben, die durch a1 , a*, a3 bzw. a2 , a*, a4 verlaufen, also den Stern kreuzen. Dann
besitzen die beiden Kreise neben a* eine weitere gemeinsame Ecke b*, da sie sich
aufgrund der Kreuzung noch einmal schneiden und dieses Schneiden in der pla-
naren Darstellung nur über eine Ecke und nicht wie sonst auch über eine Kante
erreicht werden kann. Damit können die beiden Kreise ohne die Ecke a* nicht
mit zwei disjunkten Farbmengen eingefärbt werden, da sonst die Ecke b eine
Farbe aus beiden Farbmengen erhalten würde.
Illustration des Beweises von (+) mit einer noch ungefärbten Ecke a*: Gibt es einen
rot-grün-Weg von a1 nach a3 , so gibt es keinen blau-lila-Weg von a2 nach a4

Prismen und Archimedische Körper
Wir haben mit Hilfe der Eulerschen Polyederformel bewiesen, dass es nur
fünf regelmäßige konvexe Polyeder gibt. Lassen wir zu, dass ein Polyeder mit re-
gelmäßigen Polygonen unterschiedlicher Eckenzahl aufgebaut wird, so erhalten
wir zahlreiche weitere Polyeder. Wir halten aber an der Forderung fest, dass die
Ecken eines Polyeders im folgenden Sinne gleich aussehen: Für je zwei Ecken a
und b des Körpers ist es möglich, das Polyeder durch Drehung und Spiegelung
so in sich selbst überzuführen, dass dadurch die Ecke b auf die Ecke a abgebildet
wird. Unter dieser Symmetrieforderung gibt es neben den fünf Platonischen
Körpern genau noch
(a) die regelmäßigen Prismen und Antiprismen (je unendlich viele),
(b) die Archimedischen Körper (genau 13).
Regelmäßige Prismen bestehen aus zwei regelmäßigen Polygonen beliebiger
Eckenzahl und quadratischen Seitenflächen. Bei den regelmäßigen Antiprismen
sind die beiden Polygone so versetzt, dass sich regelmäßige Dreiecke als Seiten-
flächen ergeben.
Drei Prismen mit regelmäßigen Drei-, Fünf- und Siebenecken als Grundflächen, sowie
drei Antiprimen mit regelmäßigen Vier-, Sechs- und Achtecken als Grundflächen
Das Prisma mit einem Quadrat als Grundfläche fällt mit dem Kubus zusam-
men, das Antiprisma mit einem Dreieck als Grundfläche mit dem Oktaeder.
Die zugehörigen planaren Graphen und Netze sehen so aus:

Graphen und -Netze für obige Prismen und Antiprismen
Die restlichen Polyeder, die unseren Symmetrieforderungen entsprechen,

sind die 13 Archimedischen Körper. Der bekannteste Archimedische Körper ist
sicherlich der Fußball (ein Ikosaederstumpf).
Die folgenden Abbildungen zeigen die Archimedischen Körper in einer in-
transparenten und einer transparenten Darstellung sowie zugehörige planare
Graphen und Netze.





Die folgende Tabelle gibt einen Überblick über die Namen und die Bauart der
Archimedischen Körper. Die Reihenfolge entspricht den obigen Abbildungen.
Bei den Flächen schreiben wir die Eckenzahl der Polygone in den Index. So ist
zum Beispiel ein Tetraederstumpf aus vier Dreiecken und vier Sechsecken zu-
sammengesetzt, sodass sich 8 = 43 + 46 Flächen ergeben.
Körper Ecken Kanten Flächen
Tetraederstumpf 12 18 8 = 43 + 46
Kuboktaeder 12 24 14 = 83 + 64
Hexaederstumpf 24 36 14 = 83 + 68
Oktaederstumpf 24 36 14 = 64 + 86
Kleines Rhombenkuboktaeder 24 48 26 = 83 + 184
Großes Rhombenkuboktaeder, 48 72 26 = 124 + 86 + 68
Kuboktaederstumpf
Abgeschrägtes Hexaeder 24 60 38 = 323 + 64
Ikosidodekaeder 30 60 32 = 203 + 125
Dodekaederstumpf 60 90 32 = 203 + 1210
Ikosaederstumpf, Fußball 60 90 32 = 125 + 206
Kleines Rhombenikosi- 60 120 62 = 203 + 304 + 125
dodekaeder
Großes Rhombenikosidodeka- 120 180 62 = 304 + 206 + 1210
eder, Ikosidodekaederstumpf
Abgeschrägtes Dodekaeder 60 150 92 = 803 + 125
Bemerkenswert ist schließlich das Pseudo-Rhombenkuboktaeder, das durch

Drehung einer Kuppel des Rhombenkuboktaeders entsteht. Alle Ecken sind
gleich in dem Sinne, dass stets drei Vierecke auf ein Dreieck treffen. Aber den-
noch ist die Symmetrieeigenschaft, je zwei Ecken isometrisch ineinander über-
führen zu können, verletzt. Manche Quadrate liegen auf einer Folge von acht
Quadraten, andere nicht. Es existiert ein ausgezeichneter „Äquator“.
Das Pseudo-Rhombenkuboktaeder mit planaren Graph und Netz

Verletzungen der Polyederformel
Die Polyederformel gilt auch für zahlreiche nicht konvexe Körper, etwa für
Archimedische Körper mit eingedrückten Flächen. Es gibt aber auch viele (not-
wendig nicht konvexe) Körper, für die Formel verletzt ist. Ein Beispiel erhalten
wir, wenn wir aus dem Inneren eines Tetraeders ein kleines Tetraeder heraus-
schneiden. Der entstehende Körper hat 8 Ecken, 12 Kanten und 8 Flächen, so-
dass e − k + f = 4. Der zugeordnete Graph besteht aus zwei Kopien des Tetra-
edergraphen. Zeichnen wir die beiden Kopien planar neben- oder ineinander, so
teilen sie sich eine Fläche. Für den Graphen gilt
e − k + f = 8 − 12 + 7 = 3,
in Übereinstimmung mit der Eulerschen Polyederformel e − k + f = 1 + c, wobei
c = 2. Der planare Graph entspricht in der Zahl der Flächen nicht mehr dem
dreidimensionalen Körper.
Interessante Gegenbeispiele zur Eulerschen Formel bilden Polyeder wie das
Tetrahemihexaeder oder das Oktahemioktaeder. Das Tetrahemihexaeder ent-
steht, indem wir von einem Oktaeder vier der acht Dreiecksflächen entfernen
und statt dessen im Inneren des Körpers drei ineinander gesteckte Quadrate
einfügen. Der so entstehende Körper besitzt 6 Ecken, 12 Kanten und 7 Flächen
(4 Dreiecke und 3 Quadrate), sodass
e − k + f = 1.
Die Schnitte der Quadrate zählen nicht als Ecken und Kanten. Der innere
Schnittpunkt würde unsere Symmetrieforderung verletzten, dass jede Ecke
gleich aussieht.
Drei Ansichten des Tetrahemihexaeders
Analog entsteht ein Oktahemioktaeder, indem wir die sechs Quadrate eines
Kuboktaeders entfernen und stattdessen vier ineinander gesteckte Sechsecke
einfügen. Optisch entstehen nach innen gerichtete Pyramiden, die sich an der
Spitze berühren. Das Oktahemioktaeder hat 12 Ecken, 24 Kanten und 12 Flä-
chen (8 Dreiecke und 4 Sechsecke), sodass e − k + f = 0.

Drei Ansichten des Oktahemioktaeders
Die Ecken-Kanten-Graphen des Tetrahemihexaeders und des Oktahemioktaeders

lassen sich planar darstellen (im linken Bild lässt sich beispielsweise ein inneres
Kantendreieck außen zeichnen). Die beiden Körper lassen sich mit ihren Flächen
jedoch nicht als planare Graphen darstellen (sie verletzen die Polyederformel).
Als ein weiteres Beispiel betrachten wir einen durch ein Koordinatengitter
definierten Toruskörper:
Ein Toruskörper

Jede Ecke hat den Grad 4, sodass 4e = 2k und damit

k = 2e.
An jede Ecke grenzen genau vier Flächen und an jede Fläche genau vier Ecken
an, sodass e = f . Dies können wir auch einsehen, indem wir jeder Fläche ihre
„linke obere“ Ecke zuordnen, wodurch eine Bijektion zwischen den Flächen und
Ecken entsteht. Insgesamt ist also
e − k + f = e − 2e + e = 0.

Übungen
Übung 1
Sei n ≥ 1. Geben Sie eine planare Darstellung des vollständig bipartiten
Graphen K2, n an, die nur gerade Kanten verwendet.
Übung 2
Sei G = (E, K) ein planar dargestellter Graph mit den Flächen f1 , …, fm .
Für jede Fläche fi sei g(fi ) die Anzahl der Kanten von G, die die Fläche fi
begrenzen. Weiter sei k b die Anzahl der Brücken von G. Zeigen Sie:
∑ 1 ≤ i ≤ m g(fi ) = 2|K| − k b .
Übung 3
Zeigen Sie (durch anschauliche geometrische Argumentation):
(a) Jede planare Darstellung des K4 hat die Form eines Dreiecks mit
einer Ecke innerhalb des Dreiecks.
(b) Zeigen Sie mit Hilfe von (a), dass der Graph K5 nicht planar ist.
(c) Zeigen Sie in ähnlicher Weise, dass der Graph K3, 3 nicht planar ist.
Übung 4
(a) Beweisen Sie die Eulersche Polyederformel für zusammenhängende
Graphen durch Induktion über die Anzahl der Flächen.
(b) Beweisen Sie die allgemeine Eulersche Polyederformel mit Hilfe der
Aussage (a) durch Induktion über die Anzahl der Zusammenhangs-
komponenten.
Übung 5
Zeigen Sie:
(a) Es gibt einen planaren Graphen der Ordnung 12, der die konstante
Gradfolge 5, …, 5 besitzt.
(b) Es gibt keinen planaren Graphen der Ordnung n < 12, der die
konstante Gradfolge 5, …, 5 besitzt.
Übung 6
Wo scheitert der Beweis, wenn wir versuchen, das Argument des Fünffar-
bensatzes zu verwenden, um den Vierfarbensatz zu zeigen?
Übung 7
Nach dem Vierfarbensatz ist jeder planare Graph 4-färbbar. Gilt auch die
Umkehrung, d. h. ist jeder 4-färbbare Graph planar?

Übung 8
Sei G = (E, K) ein planar dargestellter Graph. Wir ordnen der Darstellung
den dualen Graphen G* = (E*, K*), einen Graphen mit möglichen Mehrfach-
kanten und Schlingen, zu, indem wir Flächen als Ecken und Kanten als
Kanten zwischen angrenzenden Flächen auffassen. Genauer gilt:
(i) E* ist die Menge der Flächen der Darstellung von G.
(ii) Jede Kante ab von K entspricht genau einer Kante F1 F2 von G* und
umgekehrt, wobei F1 und F2 die Flächen links und rechts der Kante
ab sind.
Es gilt also |K| = |K*|. Die Brücken von G entsprechen genau den
Schlingen von G*.
(a) Geben Sie instruktive Beispiele für duale Graphen.
(b) Welche Struktureigenschaften von G führen zu Mehrfachkanten?
(c) Welche allgemeinen Eigenschaften können Sie für duale Graphen
feststellen?
(d) Bestimmen Sie die dualen Graphen der Graphen der Platonischen
Körper.
(e) Zeigen Sie, dass es einen zusammenhängenden planaren Graphen G
und zwei Darstellungen von G gibt, deren duale Graphen nicht
isomorph zueinander sind.

Anhänge

1. Logik
Logische Zeichen im Überblick
Zeichen Name Ausdruck Lesart
¬ Negation ¬A nicht A, non A
∧ Konjunktion A∧B A und B
∨ Disjunktion A∨B A oder B
∨˙ Kontravalenz A ∨˙ B entweder A oder B
A impliziert B,
→ Implikation
aus A folgt B, wenn A so B,
↔ Äquivalenz A→B A ist hinreichend für B,
B ist notwendig für A,
⊥ Falsum A zieht B nach sich
⊥
Verum A genau dann, wenn B,
A↔B
A ist äquivalent zu B
= Identität
∀x A(x) für alle/jedes x gilt A(x)
x, y, z, … Variablensymbole
es gibt/existiert
∃x A(x)
(mindestens) ein x mit A(x)
f, g, h, … Funktionssymbole
es gibt/existiert
R, S, T, … Relationssymbole ∃!x A(x)
genau ein x mit A(x)
c, d, e, … Konstantensymbole
∀ Allquantor
∃ Existenzquantor
eindeutiger Exi-
∃!
stenzquantor
( linke Klammer
) rechte Klammer

244 Anhänge
Aussagenlogische Formeln und Tautologien
In der Aussagenlogik werden aus Aussagenvariablen A0 , A1 , A2 , … und den

⊥
Zeichen ⊥ und mit Hilfe der Junktoren ¬, ∧, ∨, ∨˙ , →, ↔ und der Klammern-
symbole aussagenlogische Formeln wie zum Beispiel
(A0 ∧ A1 ) → A3 , ¬ A0 → ⊥, …
gebildet. Eine Formel ist eine nach syntaktischen Regeln korrekt gebildete Zei-
chenkette. Genauer sind Formeln durch die folgenden Schemata definiert:
(a) Jede Aussagenvariable ist eine Formel.
⊥
(b) ⊥ und sind Formeln.
(c) Sind A und B Formeln, so sind auch
¬ A, (A ∧ B), (A ∨ B), (A ∨˙ B), (A → B), (A ↔ B)
Formeln.
Beispiele
Für alle Aussagenvariablen A, B sind
A, (A ∧ B), ¬ (A ∧ B), ((A ∧ B) → ⊥), ¬(⊥ ↔ (A → A))
Formeln. Allgemeiner sind diese Ausdrücke Formeln, wenn A und B
Formeln sind. Keine Formeln sind dagegen
A B, A →→ B, A ¬ B, ((A ∧ B)).
Um Klammern zu sparen, lassen wir äußere Klammern weg und vereinbaren

folgende Bindungsstärke (von stark nach schwach):
¬, ∧, ∨, ∨˙ , →, ↔ (Bindungsstärke der Junktoren).
Die Junktoren können wir uns als Magnete mit unterschiedlicher Stärke vorstel-
len. Die stärkste Kraft hat die Negation, am schwächsten ist die Äquivalenz.
Diese Anordnung hat sich bewährt, um die Anzahl der Klammern zu reduzieren.
Eine zusätzliche Vereinbarung ist Rechtsklammerung bei Ketten mit dem
gleichen Junktor:
A∧B∧C ist A ∧ (B ∧ C),
A∨B∨C ist A ∨ (B ∨ C),
A → B → C ist A → (B → C) usw.
In den folgenden Beispielen setzen wir unnötige Klammern, um den Aufbau
der Formeln zu illustrieren.

1. Logik 245
Beispiele
¬A → B ist (¬ A) → B,
A∧B ∨ C ist (A ∧ B) ∨ C,
A→B↔C ist (A → B) ↔ C,
A → B ↔ ¬B → ¬A ist (A → B) ↔ (¬ B → ¬ A).
Mit Hilfe unserer Junktoren lassen sich neue Junktoren definieren, etwa ein
„weder noch“ A ↓ B als ¬ A ∧ ¬ B. Umgekehrt können wir uns zum Beispiel mit
¬ und ∧ begnügen und A ∨ B als ¬ (¬ A ∨ ¬ B), A → B als ¬ A ∨ B, A ↔ B als
(A → B) ∧ (B → A), A ∨˙ B als ¬ (A ↔ B) definieren.
Wahrheitstafeln
Jede aussagenlogische Formel lässt sich mit Hilfe des Wahrheitstafelverfah-

rens auswerten. Hierzu wird jeder Aussagenvariablen der Formel der Wert „f “
für „falsch“ oder „w“ für „wahr“ zugewiesen (neutraler können wir natürlich
auch mit 0 und 1 arbeiten). Zudem erhält ein Falsum ⊥ immer den Wert f und ein
⊥
Verum immer den Wert w. Der Gesamtwert der Formel für eine w-f-Belegung
wird mit Hilfe der folgenden Tafeln für die Junktoren bestimmt:
¬ A A ∧ B A ∨ B
f w w w w w w w
w f w f f w w f
f f w f w w
f f f f f f
A ∨˙ B A → B A ↔ B
w f w w w w w w w
w w f w f f w f f
f w w f w w f f w
f f f f w f f w f
Kommen in der Formel genau n verschiedene Aussagenvariablen vor, so gibt

es genau 2n w-f-Belegungen. Die gemäß ihrem Aufbau erfolgte schrittweise Aus-
wertung der Formel lässt sich entsprechend durch eine Wahrheitstafel mit 2n
Zeilen darstellen. Wir betrachten einige Beispiele.

246 Anhänge
Beispiele
¬ ¬ A ↔ A ¬ A ↔ A → ⊥
w f w w w f w w w f f
f w f w f w f w f w f
2 1 4 3 1 3 2
A → B ↔ B → A
w w w w w w w
w f f f f w w
f w w f w f f
f w f w f w f
1 3 2
A → (B → C) ↔ A ∧ B → C
w w w w w w w w w w w
w f w f f w w w w f f
w w f w w w w f f w w
f w w w w w f f w w w
w w f w f w w f f w f
f w w f f w f f w w f
f w f w w w f f f w w
f w f w f w f f f w f
2 1 5 3 4
Die Zahlen in den untersten Zeilen der Tafeln geben die Reihenfolge der
Auswertung an. Ist die letzte Spalte der Auswertung durchgehend mit dem
Wert „w“ gefüllt, so nennen wir die Formel eine (aussagenlogische) Tautologie.
Weiter heißen zwei Formeln A und B logisch äquivalent, in Zeichen A ; B, wenn
die Formel A ↔ B eine Tautologie ist. Ist A eine Formel derart, dass ¬ A eine
Tautologie ist, so heißt A eine Kontradiktion.

1. Logik 247
Die folgende Tabelle versammelt einige Beispiele für Tautologien.
Tautologie Name
¬¬A ↔ A Stabilität, duplex negatio affirmat
Gesetz vom ausgeschlossenen Dritten,

A ∨ ¬A
tertium non datur
⊥ ↔ A ∧ ¬A
⊥ → A ex falso quodlibet
¬A ↔ A → ⊥ Negation als Implikation
(A → B) ∧ (B → C) → (A → C) Kettenschluss
A ∧ (A → B) → B modus ponens, tautologische Form
¬ B ∧ (A → B) → ¬ A modus tollens, tautologische Form
(A → B) ↔ (¬ B → ¬ A) Kontrapositionsgesetz
(B → A) ∧ (¬ B → A) ↔ A Fallunterscheidung
¬ (A → B) ↔ A ∧ ¬ B
¬A → B ↔ A ∨ B
¬ (A ∧ B) ↔ ¬ A ∨ ¬ B
de Morgansche Regeln
¬ (A ∨ B) ↔ ¬ A ∧ ¬ B
A ∨ (B ∧ C) ↔ (A ∨ B) ∧ (A ∨ C)
Distributivgesetze
A ∧ (B ∨ C) ↔ (A ∧ B) ∨ (A ∧ C)
(A ↔ B) ↔ (¬ A ↔ ¬ B)
¬ (A ↔ B) ↔ A ∨˙ B nicht äquivalent ist entweder oder
A → (B → C) ↔ A ∧ B → C
Implikationsketten
A → (B → C) ↔ B → (A → C)
(A → C) ∧ (B → C) ↔ (A ∨ B) → C
(A → C) ∨ (B → C) ↔ (A ∧ B) → C
(A → B) ∧ (A → C) ↔ A → B ∧ C
(A → B) ∨ (A → C) ↔ A → B ∨ C

248 Anhänge
Prädikatenlogische Formeln
Der Aussagenlogik besitzt eine lange philosophische Tradition und zudem in-
teressante Anwendungen innerhalb der Mathematik und Informatik, reicht aber
als Sprache für die Mathematik nicht aus. Die Mathematik wird heute in der aus-
drucksstärkeren Prädikatenlogik erster Stufe formuliert. Ihr Formelbegriff be-
nötigt keine Aussagenvariablen, sondern beruht auf folgenden Zeichen:
Variablensymbole x, y, z, …,
Identität =,
Funktionssymbole f, g, h, … mit bestimmten Stellenzahlen,
Relationssymbole R, S, T, … mit bestimmten Stellenzahlen,
Konstantensymbole c, d, e, …,
Junktoren ¬, ∧, ∨, ∨˙ , →, ↔,
⊥
Falsum und Verum ⊥, ,
Quantoren ∀, ∃, ∃!,
Klammern (, ).
Der Vorrat an Funktions-, Relations- und Konstantensymbolen − die soge-
nannte Signatur der Sprache − ist abhängig von der zu formulierenden mathemati-
schen Theorie. In der axiomatischen Mengenlehre wird nur ein zweistelliges Re-
lationssymbol P für die Elementbeziehung benötigt. Die Sprache mit der leeren
Signatur (nur mit Identität) ist die reine Logik.
Mit Hilfe der Zeichen werden der Reihe nach Terme, Primformeln und Formeln
durch folgende Schemata definiert:
(1) Jede Variable und jede Konstante ist ein Term.
(2) Sind t1 , …, tn Terme, und ist f ein n stelliges Funktionssymbol, so ist
f(t1 , …, tn ) ein Term.
⊥
(3) ⊥ und sind Primformeln.
(4) Sind t und s Terme, so ist t = s eine Primformel.
(5) Sind t1 , …, tn Terme und ist R ein n-stelliges Relationssymbol, so ist
R(t1 , …, tn ) eine Primformel.
(6) Jede Primformel ist eine Formel.
(7) Sind ϕ und ψ Formeln, so sind auch ¬ ϕ, (ϕ ∧ ψ), (ϕ ∨ ψ), (ϕ ∨˙ ψ),
(ϕ → ψ) und (ϕ ↔ ψ) Formeln.
(8) Ist ϕ eine Formel und x eine Variable, so sind auch ∀x ϕ, ∃x ϕ, ∃!x ϕ
Formeln.

1. Logik 249
In ∀x ϕ, ∃x ϕ, ∃!x ϕ heißt ϕ der Wirkungsbereich des Quantors ∀x, ∃x bzw. ∃!x.

Liegt eine Variable einer Formel nicht im Wirkungsbereich eines Quantors der
Formel, so heißt die Variable eine freie Variable. Andernfalls heißt sie gebunden.
Wir schreiben ϕ(x1 , …, xn ), wenn alle freien Variablen von ϕ unter x1 , …, xn vor-
kommen. Eine Formel ohne freie Variable heißt eine Aussage oder ein Satz.
Um Klammern zu sparen, übernehmen wir die Bindungsstärke der Junktoren
aus der Aussagenlogik und legen zudem fest, dass Quantoren stärker binden als
Junktoren. Damit ist zum Beispiel ∀x ϕ ∧ ψ zu unterscheiden von ∀x (ϕ ∧ ψ). In
der ersten Formel ist ϕ der Wirkungsbereich des Allquantors ∀x, in der zweiten
(ϕ ∧ ψ). Weiter scheiben wir ∀x, y ϕ statt ∀x ∀y ϕ. Analoges gilt für die anderen
Quantoren und drei oder mehr Variable. Statt ¬(t = s) schreiben wir wie üblich
auch t ≠ s.
Beispiele
Wir betrachten die Sprache mit einem einstelligen Funktionssymbol S,
zwei zweistelligen Funktionssymbolen +, ⋅, zwei Konstantensymbolen 0, 1
und einer zweistelligen Relation <. Variablen notieren wir als n, m, k usw.
Statt +(n, m), ⋅(n, m) und <(n, m) schreiben wir n + m, n ⋅ m und n < m.
Um die eindeutige Lesbarkeit zu erhalten, verwenden wir Klammern,
wobei ⋅ stärker binden soll als +.
Terme
n, m, k, 0, 1,
S(n), n + m, n + 0, 1 + m,
n + (n + m), n ⋅ m + k, n ⋅ (m + k),
S(S(n)), S(n + m), n + S(m), S(n) ⋅ (S(S(m)) + (k + k)).
Primformeln
n = m, n < n, m < k, 0 < 1, 1 < 0,
n < S(n), S(k + m) = S(S(k + m)), n ⋅ m < m + S(n),
Formeln
S(n) = 1 ∨ ∃m S(m) = 1, freie Variable: n
n < m ∨ n = m ∨ m < n, freie Variable: n, m
∃n ∀n ∀n n = k ∨ ∃m 0 = 0, freie Variable: k
∃n n = 0 ∧ ∃m k ⋅ n = 1, freie Variable: k, n
Aussagen
∀n, m (S(n) = S(m) → n = m),
∀n, m (S(n) = S(m) → n = 0),
∀n n + m = S(n), ∀n S(n) ≠ 0,
∀n ∃k n < k ∧ ∀n (n ≠ 0 → ∃m m < n).

250 Anhänge
Weitere Funktions-, Relations- und Konstantensymbole können wir durch

Definitionen einführen. Dadurch werden die Ausdrucksmöglichkeiten der Spra-
che zwar prinzipiell nicht vergrößert, aber Formeln kürzer und lesbarer.
Beispiele
In der Signatur des obigen Beispiels können wir setzen:
2 wird definiert als S(1),
quad(n) wird definiert als n ⋅ n,
n≤m wird definiert als n < m ∨ n = m,
d|n wird definiert als ∃k d ⋅ k = n,
prim(n) wird definiert als 1 < n ∧ ∀d (d | n → d = 1 ∨ d = n).
2 ist ein Konstantensymbol, quad ein zweistelliges Funktionssymbol,
≤, | und prim sind zwei- bzw. einstellige Relationssymbole.
Die logische Zeichenfülle lässt sich reduzieren, indem

A∨B als ¬ (¬ A ∧ ¬ B),
A→B als ¬ A ∨ B (oder gleichwertig ¬ (A ∧ ¬ B)),
A↔B als (A → B) ∧ (B → A),
A ∨˙ B als ¬ (A ↔ B),
∃x ϕ als ¬ ∀x ¬ ϕ(x),
∃!x ϕ als ∃x ∀y (ϕ(y) ↔ x = y),
⊥ als ∃x ¬ (x = x),
⊥
als ¬⊥
definiert wird. Es genügen also ¬, ∧ und ∀.
Wir erwähnen noch zwei Aspekte der Prädikatenlogik, die im mathematischen
Alltag nützlich sind:
(1) Prädikatenlogische Tautologien: Ersetzt man in einer aussagenlogischen
Tautologie die Aussagenvariablen durch Formeln der Prädikatenlogik, so
erhält man eine prädikatenlogische Tautologie. Diese Tautologien werden in
der Mathematik als logische Axiome verwendet. Ein Beispiel ist die
Formel ∀x (x = x) ∧ f(x) = y → f(x) = y, die aus der Formel A ∧ B → B der
Aussagenlogik gewonnen wird.
(2) Äquivalente Ersetzung: Es gelte ϕ ↔ ψ. Ersetzen wir nun in einer Formel
χ eine Teilformel ϕ durch ψ, so erhalten wir eine zu χ äquivalente Formel
χ′, d. h. es gilt χ ↔ χ′. Damit können wir zum Beispiel eine Implikation
ϕ → ψ innerhalb einer beliebig komplexen Formel stets durch ¬ ϕ ∨ ψ
ersetzen, wenn wir dies möchten.

1. Logik 251
Quantorenregeln
Die folgenden Regeln sind beim Umgang mit Quantoren nützlich. Die Ver-
neinungsregeln werden vor allem in der Analysis oft verwendet, da dort viele
Konvergenzbegriffe mit abwechselnden Quantoren formuliert werden.
Regel Name
∃!x A(x) ↔ ∃x ∀y (A(x) ↔ x = y)
∀x A(x) ↔ ¬ ∃x ¬ A(x)
∃x A(x) ↔ ¬ ∀x ¬ A(x)
¬ ∀x A(x) ↔ ∃x ¬ A(x)
¬ ∃x A(x) ↔ ∀x ¬ A(x)
Verneinungsregeln
¬ ∀x ∃y A(x, y) ↔ ∃x ∀y ¬ A(x, y)
¬ ∃x ∀y A(x, y) ↔ ∀x ∃y ¬ A(x, y)
¬ ∀x ∃y ∀z A(x, y, z) ↔ ∃x ∀y ∃z ¬ A(x, y, z)
¬ ∃x ∀y ∃z A(x, y, z) ↔ ∀x ∃y ∀z ¬ A(x, y, z)
∀x ∀y A(x, y) ↔ ∀y ∀x A(x, y)
∃x ∃y A(x, y) ↔ ∃y ∃x A(x, y) Vertauschungsregeln
∃x ∀y A(x, y) → ∀y ∃x A(x, y)
∀x (A(x) ∧ B(x)) ↔ ∀x A(x) ∧ ∀x B(x)

∃x (A(x) ∨ B(x)) ↔ ∃x A(x) ∨ ∃x B(x)
Und-Oder-Regeln
∀x A(x) ∨ ∀x B(x) → ∀x (A(x) ∨ B(x))
∃x (A(x) ∧ B(x)) → ∃x A(x) ∧ ∃x B(x)
∀x (A(x) → B(x)) → ∀x A(x) → ∀x B(x)

Implikationsregeln
∃x (A(x) → B(x)) ↔ ∀x A(x) → ∃x B(x)

252 Anhänge
Zur Bedeutung der Formalisierung
In der Prädikatenlogik erster Stufe lassen sich alle mathematischen Sachver-

halte in der größtmöglichen Exaktheit formulieren. Während man in der Mathe-
matik Elemente der Prädikatenlogik oft nur als bequeme Abkürzungen ansieht
(etwa: „∀“ steht kurz für „für alle“, „∧“ steht kurz für „und“), sind aus der Sicht
der mathematischen Logik alle üblichen mathematischen Texte letztendlich in-
formale (!) Versionen prädikatenlogischer Formeln. Sie erscheinen als umgangs-
sprachliche Übersetzungen, die die Genauigkeit hinreichend wahren. Die ma-
thematische Umgangssprache wird in jedem Fall hoch geschätzt, da erst sie in
der Lage ist, komplexe Sachverhalte in einer menschlich lesbaren Form kompakt
auszudrücken. Es ist aber von prinzipieller Bedeutung, dass sich die Prädikaten-
logik erster Stufe zur peniblen Formalisierung der Mathematik eignet, auch
wenn diese Formalisierung in den seltensten Fällen tatsächlich durchgeführt
wird. Wir diskutieren zwei Gesichtspunkte:
Zunächst wird eine größere Genauigkeit erreicht. Zum Beispiel kann der in
der Mathematik an verschiedenen Stellen (etwa bei der Induktion oder in den
Axiomen der Mengenlehre) naiv verwendete Eigenschaftsbegriff präzisiert wer-
den: Eine Eigenschaft %(x) ist einfach eine Formel ϕ(x) der Prädikatenlogik (ei-
ner bestimmten Signatur). Weiter können Axiome exakt formuliert werden: In
welcher Signatur werden sie formuliert? Wie lauten sie genau?
Zum anderen erlaubt die Formalisierung zu definieren, was ein mathemati-
scher Beweis ist: Eine Folge von Formeln, die nach bestimmten syntaktischen
Regeln gebildet ist, den Schlussregeln eines logischen Kalküls. Dadurch werden
nicht nur die Spielregeln des mathematischen Beweisens offengelegt und zur
Diskussion gestellt, sondern es wird auch möglich, mathematische Beweise ma-
thematisch zu untersuchen. Erst so können grundlegende Ergebnisse wie die
Nichtbeweisbarkeit bestimmter Aussagen in bestimmten Axiomensystemen er-
zielt werden. Zu diesen gehören allen anderen voran die Unvollständigkeitssätze
von Kurt Gödel und die Resultate über die Grenzen der mengentheoretischen
Axiomatik. Wir verweisen den interessierten Leser hierzu auf die Literatur zur
mathematischen Logik und Mengenlehre.

2. Mengen
Georg Cantor, der Begründer der modernen Mengenlehre, hat den Mengenbe-
griff so beschrieben:
„Unter einer ‚Menge‘ verstehen wir jede Zusammenfassung M von bestimmten

wohlunterschiedenen Objekten m unserer Anschauung oder unseres Denkens
(welche die ‚Elemente‘ von M genannt werden) zu einem Ganzen.“
(Cantor, 1895)
Ist m ein Element der Menge M, so schreiben wir

m P M, (Elementbeziehung, Epsilon-Relation)
gelesen: m Element M, m Epsilon M. Wir sagen auch, dass m in M als Element
enthalten ist oder dass die Menge M das Element m besitzt.
Die Elementbeziehung wird in der mengentheoretisch begründeten Mathe-
matik nicht definiert, sondern axiomatisch beschrieben. Cantors Beschreibung
dient der Unterstützung der Anschauung, eine formale Definition kann sie nicht
sein.
Zwei wesentliche Punkte sind:
(1) In einer Menge kommt es nicht auf die Reihenfolge der Elemente an.
Kein Element ist vor einem anderen durch ein „vorher“ oder „früher“
ausgezeichnet.
(2) In einer Menge wird nicht gezählt, wie oft ein Element vorkommt. Ein
Element kommt vor oder nicht.
Zusammenfassungen, bei denen es auf die Reihenfolge ankommt, sind in der
Mathematik natürlich bedeutsam, lassen sich aber mit Hilfe des Mengenbegriffs
erklären (Paare, Tripel, Tupel, Folgen, Ordnungen). Gleiches gilt für Zusam-
menfassungen mit Wiederholungen (Multimengen).
Die Punkte (1) und (2) lassen sich axiomatisch wie folgt fassen:
Extensionalitätsprinzip
Zwei Mengen sind genau dann gleich, wenn sie dieselben Elemente
besitzen.
Anders formuliert:
Eine Menge ist durch ihre Elemente vollständig bestimmt.

254 Anhänge
Mengen werden oft mit großen Buchstaben notiert, ihre Elemente mit klei-
nen. Prinzipiell können aber beliebige Zeichen verwendet werden und kleine
Buchstaben sehr große Mengen bezeichnen. Dies ist alleine schon deswegen
nötig, weil die Element von Mengen wieder Mengen sein können (und deren
Elemente wieder Mengen usw.). Ist jedes Element einer Menge wieder eine
Menge, so nennt man die Menge auch ein Mengensystem. In der axiomatischen
Mengenlehre ist jedes Objekt eine Menge, sodass es zwischen „Menge“ und
„Mengensystem“ keinen Unterschied gibt.
Teilmengen
Mit Hilfe der Elementbeziehung können wir eine sehr bedeutsame Beziehung
zwischen beliebigen Mengen A und B definieren: Die Inklusion. Die vier Varian-
ten sind:
Relation Definition Bezeichnung Lesart
Teilmengenrelation,
A⊆B ∀a (a P A → a P B) A Teilmenge B
Inklusion
Obermengenrela-
A⊇B ∀a (a P B → a P A) tion, umgekehrte A Obermenge B
Inklusion
A echte Teilmenge
A⊂B A⊆B ∧ A≠B echte Inklusion
B
echte umgekehrte A echte Ober-

A⊃B A⊇B ∧ A≠B
Inklusion menge B
Nach dem Extensionalitätsprinzip gilt für alle Mengen A, B:

A = B genau dann, wenn A ⊆ B ∧ B ⊆ A.
Dies erleichtert oft den Nachweis, dass zwei Mengen übereinstimmen, da der
Beweis in zwei Teile aufgespalten werden kann. Zuerst zeigen wir A ⊆ B und da-
nach B ⊆ A.
Eigenschaften der Inklusion
A⊂B → A⊆B
A ⊆ A, A ⊆ B ∧ B ⊆ A ↔ A = B, A ⊆ B ∧ B ⊆ C → A ⊆ C
¬(A ⊂ A) , A ⊂ B ∧ B ⊆ C → A ⊂ C, A ⊆ B ∧ B ⊂ C → A ⊂ C

2. Mengen 255
Komprehensionen
Die „Zusammenfassung zu einem Ganzen“ wird auch als Komprehension be-

zeichnet. Die „bestimmten Objekte“, die zu einer Menge zusammengefasst wer-
den, sind dabei durch eine Eigenschaft % charakterisiert. Erfüllt ein Objekt a die
Eigenschaft %, so schreiben wir %(a). Damit können wir nun die Mengenklam-
mern-Notation einführen, die eine Komprehension zum Ausdruck bringt:
Komprehension Definition Bezeichnung Lesart
A ist die Menge

A = { a | %(a) } ∀a (a P A ↔ %(a)) Komprehension aller a mit der Ei-
genschaft %
B ist die Menge

B = { a P A | %(a) } B = { a | a P A ∧ %(a) } Aussonderung aller aPA mit der
Eigenschaft %
Die Komprehension führt für gewisse Eigenschaften − die im üblichen mathe-

matischen Alltag nicht verwendet werden − zu Widersprüchen (vgl. die Russell-
Antinomie der Naiven Mengenlehre). Die Aussonderung, bei der Objekte mit
einer bestimmten Eigenschaft nur innerhalb einer Menge A aufgesammelt wer-
den, ist dagegen in allen Fällen erlaubt (im Sinne eines Axioms).
Grundlegende Komprehensionen sind:
Menge Definition Bezeichnung Lesart
{a} {x|x=a} Einermenge Einermenge a
(ungeordnete) Paar-
{ a, b } {x|x=a∨x=b} Paarmenge a,b
menge
Komprehension Menge gebildet

{ a1 , …, an } { x | x = a1 ∨ … ∨ x = an }
durch Aufzählung aus a1 bis an
geordnetes Paar,
(geordnetes)
(a, b) { { a }, { a, b } } Kuratowski-Paar,
Paar a, b
2-Tupel
(a, b, c) ((a, b), c) Tripel, 3-Tupel Tripel a,b,c
(a1 , …, an ) ((a1 , …, an − 1 ), an ) n-Tupel Tupel a1 bis an
Es gilt { a } = { a, a }, { a, b } = { b, a } = { a, b, a } usw. Bei geordneten Paaren ist die

Reihenfolge wesentlich: Es gilt (a, b) = (c, d) genau dann, wenn a = c und b = d.

256 Anhänge
Boolesche Mengenoperationen
Eine Mengenoperation liefert, angewendet auf eine oder mehrere Mengen,

erneut eine Menge. Wichtige Beispiele sind die Booleschen Mengenoperation be-
züglich einer Grundmenge M. Sie sind für alle A, B ⊆ M definiert.
Operation Definition Bezeichnung Lesart
relatives
Ac {aPM|a¸A} A Komplement
Komplement
A∩B {aPM|aPA ∧ aPB} Durchschnitt A geschnitten B
A∪B {aPM|aPA ∨ aPB} Vereinigung A vereinigt B
A − B, A \ B {aPM|aPA ∧ a¸B} Differenz A ohne B
symmetrische
A∆B { a P M | a P A ∨˙ a P B } A Delta B
Differenz
Identität („Rechenregel“) Name
(Ac )c = A doppeltes Komplement
A ∪ Ac = M, A ∩ Ac = ∅ Komplementzerlegung
(A ∩ B)c = Ac ∪ Bc
de Morgansche Regeln
(A ∪ B)c = Ac ∩ Bc
A ∩ (B ∩ C) = (A ∩ B) ∩ C
Assoziativgesetze
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ B = B ∩ A, A ∪ B = B ∪ A Kommutativgesetze
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Distributivgesetze
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A − B = A − (B ∩ A) = A ∩ Bc
A − (B − C) = (A − B) ∪ (A ∩ C) Differenzenregeln
(A − B) − C = A − (B ∪ C)
A ∆ (B ∆ C) = (A ∆ B) ∆ C
A∆B = B∆A ∆-Regeln
(A ∆ B) ∩ C = (A ∩ C) ∆ (B ∩ C)

2. Mengen 257
Zwischen den Booleschen Mengenoperationen und den logischen Junktoren

bestehen die folgenden Entsprechungen:
Operation Ac A∩B A∪B Ac ∪ B (A ∆ B)c A∆B A−B
Junktor ¬A A∧B A∨B A→B A↔B A ∨˙ B A ∧ ¬B
Zudem kann der leeren Menge das Falsum ⊥ und der Grundmenge M das
Verum ¬ ⊥ zugeordnet werden.
Auf der Ebene einer Aussage über Mengen hat die Inklusion A ⊆ B die Ent-
sprechung A → B und die Gleichheit A = B die Entsprechung A ↔ B. Die Aus-
sage A = ∅ für Mengen entspricht ¬ A für Aussagen, und ebenso entsprechen
A = M und A einander. Damit lassen sich Identitäten für Mengen in Tautolo-
gien übersetzen und umgekehrt. Beispiele sind:
Identität Tautologie
A ⊆ A, Ac ∪ A = M A → A
A = A, (A ∆ A)c = M A ↔ A
c c
(A ) = A ¬¬A ↔ A
Ac = Ac ∪ ∅ ¬A ↔ A → ⊥
A ∪ Ac = M A ∨ ¬A
A ∩ Ac = ∅ A ∧ ¬ A ↔ ⊥, ¬ (A ∧ ¬ A)
∅ ⊆ A ⊥ → A
A∩B ⊆ A A∧B → A
Ac ∪ B = (Bc )c ∪ Ac (A → B) ↔ (¬ B → ¬ A)
c c c
(A ∪ B) = A ∩ B ¬ (A ∨ B) ↔ ¬ A ∧ ¬ B
Da sich Tautologien mechanisch (zum Beispiel mit Wahrheitstafeln) als solche

erkennen lassen, gilt dies auch für Identitäten der Booleschen Mengenoperatio-
nen. Bemerkenswert ist, dass die Wichtigkeit einander entsprechender Aussagen
stark verschieden sein kann. Das Kontrapositionsgesetz (vorletzte Zeile der Ta-
belle) spielt für das indirekte Beweisen eine fundamentale Rolle. Seine mengen-
theoretische Entsprechung ist nicht besonders aufregend.

258 Anhänge
Allgemeine Mengenoperationen
Operation Definition Bezeichnung Lesart
Durchschnitt
>A { a | ∀B P A a P B } Durchschnitt
von A
Vereinigung
ÍA { a | ∃B P A a P B } Vereinigung
von A
Kreuzprodukt,
A×B { (a, b) | a P A ∧ b P B } kartesisches A Kreuz B
Produkt
A1 × … × An { (a1 , …, an ) | ∀i ai P Ai }
A2 , A3 , … A × A, A × A × A, … A hoch 2, 3, …
A Funktionen von
B {f|f:A →B} A nach B
A nach B
Potenzmenge
P(A) {B|B⊆A} Potenzmenge
von A
Die Operation > A ist für jedes nichtleere Mengensystem definiert, Í A für
jedes Mengensystem. (Formal wäre > ∅ = { a | ∀A P ∅ a P A } = { a | a = a }.) Ist
eine Grundmenge M gegeben, wo wird oft > ∅ = M festgesetzt. Speziell gilt
> { A, B } = A ∩ B, Í { A, B } = A ∪ B.
Die anderen Operationen sind für beliebige Mengen erklärt. Für das Kreuz-
produkt gilt zum Beispiel
A2 × A3 = { ((a1 , a2 ), (b1 , b2 , b3 )) | a1 , a2 , b1 , b2 , b3 P A }.
Es ist in der Regel ungefährlich, An × Am mit An + m zu identifizieren.
Statt A B wird in der Literatur auch oft BA geschrieben. Die Notation A B hat
den Vorteil, dass der Definitionsbereich auf der richtigen Seite steht. Zudem
schließt sie Verwechslungen mit Potenzen nm aus. Spezialfälle sind
∅ A
B = { ∅ } für alle B (einschließlich B = ∅), ∅ = ∅ für alle A ≠ ∅.
Für die Potenzmenge gilt
P(∅) = { ∅ }, P({ a }) = { ∅, { a } },
P({ a, b }) = { ∅, { a }, { b }, { a, b } }.
Für alle Mengen A gilt ∅ P P(A) und A P P(A).

3. Relationen
Relationen drücken Beziehungen zwischen Objekten aus. Mengentheoretisch

können wir dies ebenso einfach wie allgemein definieren:
Definition (Relation)
Eine Menge R heißt eine (zweistellige) Relation auf einer Menge A, falls
R ⊆ A × A. Allgemeiner heißt R eine n-stelllige Relation auf A, falls R ⊆ An .
Dass a in einer bestimmten Beziehung zu b steht, wird also durch (a, b) P R

zum Ausdruck gebracht. Wir vereinbaren suggestive Schreibweisen:
Notation Bedeutung Bezeichnung Lesart
a steht in Rela-
aRb (a, b) P R Relationsnotation tion R zu b,
aRb
aRbRc aRb ∧ bRc Kettennotation aRbRc
Wichtige Begriffe im Umfeld von zweistelligen Relationen sind:
Objekt Definition Bezeichnung Lesart
dom(R), Definitionsbe-
{ a | ∃b a R b } Domain von R
Def(R) reich, Domain
Wertebereich,
rng(R) { b | ∃a a R b } Range von R
Range
field(R) dom(R) ∪ rng(R) Feld Feld von R
R− 1 { (b, a) | (a, b) P R } Umkehrrelation R hoch minus 1
(relationale)
R+S { (a, c) | ∃b (a R b ∧ b R c) } Verknüpfung, R Kringel S
Komposition
R2 , R3 , … R + R, R + R + R, … R hoch 2, 3, …

260 Anhänge
Eigenschaften von Relationen
Für jede (im Folgenden immer zweistellige) Relation können wir folgende Ei-
genschaften betrachten:
Eigenschaft Definition
R ist linkseindeutig ∀a, b, c (a R c ∧ b R c → a = b)
R ist rechtsseindeutig ∀a, b, c (a R b ∧ a R c → b = c)
R ist reflexiv auf A ∀a P A a R a
R ist irreflexiv ¬ ∃a a R a
R ist symmetrisch ∀a, b (a R b → b R a)
R ist antisymmetrisch ∀a, b (a R b ∧ b R a → a = b)
R ist transitiv ∀a, b, c (a R b ∧ b R c → a R c)
R ist konnex auf A ∀a, b P A (a R b ∨ b R a)
R ist semikonnex auf A ∀a, b P A (a R b ∨ a = b ∨ b R a)
Durch Kombinationen der Eigenschaften lassen sich wichtige relationale

Strukturen beschreiben:
Begriff für eine Relation auf A Definition
R ist eine Äquivalenzrelation R ist reflexiv, symmetrisch, transitiv
< ist eine partielle Ordnung

< ist irreflexiv, transitiv
(vom strikten Typ)
≤ ist eine partielle Ordnung

≤ ist reflexiv, antisymmetrisch, transitiv
(von nichtstrikten Typ)
< ist eine lineare oder totale Ordnung < ist eine semikonnexe partielle Ordnung
(vom strikten Typ) vom strikten Typ
≤ ist eine lineare oder totale Ordnung ≤ ist eine konnexe partielle Ordnung
(vom strikten Typ) vom nichtstrikten Typ

4. Funktionen
Funktionen ordnen einem Element a einer bestimmten Menge A ein Element b

einer anderen Menge B in eindeutiger Weise zu. Mengentheoretisch können wir
diese Anschauung mit Hilfe von Relationen definieren:
Definition (Funktion)
Eine Menge f heißt eine Funktion oder Abbildung, falls f eine rechtseindeu-
tige Relation ist.
Entscheidend ist also die Eigenschaft

∀a, b, c (a f b ∧ a f c → b = c),
die die Eindeutigkeit der Zuordnung sicherstellt. Wir vereinbaren:
Notation Definition Bezeichnung Lesart
f ist Funktion
f ist Funktion mit von … nach von A nach B
f:A →B
dom(f) = A, rng(f) ⊆ B Notation (oder in den
Wertevorrat B)
Graph(f ) f Graph Graph von f
f von a ist
gleich b,
Notation für
f(a) = b (a, b) P f b ist der Wert
Funktionswerte
von f an der
Stelle a
Domain, Domain, Def-

dom(f), Def(f ) { a | ∃b f(a) = b } Definitionsbe- initionsbereich
reich von f
Range, Range, Werte-

rng(f) { b | ∃a f(a) = b }
Wertebereich bereich von f
Wir folgen dem Vorgehen der Logik und Mengenlehre, eine Funktion mit ih-
rem Graphen zu identifizieren. Alternativ wird eine Funktion f : A → B auch oft
als Tripel (Graph(f ), A, B) oder Paar (Graph(f ), B) definiert. Hier gehört ein
Wertevorrat B fest zu einer Funktion mit dazu. In unserer Definition ist ein Wer-
tevorrat nicht eindeutig, aber in der üblichen Notation f : A → B spezifiziert.
Die leere Menge ist eine Funktion der Form ∅ : ∅ → ∅. Diese auf den ersten

262 Anhänge
Blick vielleicht etwas skurrile Eigenschaft ist zum Beispiel in der Kombinatorik
nützlich. Sind A und B Mengen mit genau n bzw. genau m Elementen, so gibt es
genau mn viele Funktionen f : A → B. Diese Formel ist auch für die Spezialfälle
A = ∅ oder B = ∅ gültig.
Abbildungseigenschaften von Funktionen
f ist konstant ∀a, b P dom(f ) f(a) = f(b)
f ist konstant gleich c ∀a P dom(f ) f(a) = c
f ist injektiv ∀a, b P dom(f ) (f(a) = f(b) → a = b)
f : A → B ist surjektiv,
rng(f ) = B
f ist surjektiv auf B
f : A → B ist bijektiv,
f : A → B ist injektiv und surjektiv
f ist bijektiv auf B
Eine Funktion ist genau dann injektiv, wenn sie als Relation linkseindeutig ist.
Die Injektivität ist eine Eigenschaft von f, die Surjektivität und Bijektivität benö-
tigt dagegen immer die Spezifikation eines Wertevorrats B.
Monotonie-Eigenschaften
Ist f : A → B eine Funktion und sind auf den Mengen A und B Ordnungen ge-
geben, so sind die folgenden Monotoniebegriffe definiert:
f ist monoton steigend ∀a, b P dom(f ) (a ≤ b → f(a) ≤ f(b))
f ist streng monoton steigend ∀a, b P dom(f ) (a < b → f(a) < f(b))
f ist monoton fallend ∀a, b P dom(f ) (a ≤ b → f(a) ≥ f(b))
f ist streng monoton fallend ∀a, b P dom(f ) (a < b → f(a) > f(b))

4. Funktionen 263
Bild und Urbild
f [ C ], f(C) { f(a) | a P C } Bild Bild von C unter f

−1 −1
f [C], f (C) { a | f(a) P C } Urbild Urbild von C unter f
f − 1[ { c } ] { a | f(a) = c } Faser Faser von c unter f
Bei der Formung des Bildes einer Menge C unter eine Funktion sammeln wir
alle Funktionswerte für Stellen in der gegebenen Menge. Bei der Formung des
Urbildes sammeln wir dagegen alle Stellen, die durch f auf ein Element der
Menge abgebildet werden. Ist f : A → B, so ist f [A] der Wertebereich und f − 1 [B]
der Definitionsbereich von f.
Urbilder sind immer definiert, es wird nicht vorausgesetzt, dass f injektiv ist.
Eigenschaften von Bild und Urbild
f [ f − 1[ C ] ] ⊆ C
f [ f − 1 [ C ] ] = C, falls C ⊆ rng(f )
f −1 [ f [ C ] ] ⊇ C
f − 1 [ f [ C ] ] = C, falls f injektiv
f[C ∩ D] ⊆ f[C] ∩ f[D]
f [ C ∩ D ] = f [ C ] ∩ f [ D ], falls f injektiv
f[C ∪ D] = f[C] ∪ f[D]
f[C − D] ⊇ f[C] − f[D]
f [ C − D ] = f [ C ] − f [ D ], falls f injektiv
f − 1[ C ∩ D ] = f − 1[ C ] ∩ f − 1[ D ]
f − 1[ C ∪ D ] = f − 1[ C ] ∪ f − 1[ D ]
f − 1[ C − D ] = f − 1[ C ] − f − 1[ D ]
Für nicht injektive Funktionen haben Urbilder bessere Vertauschungseigen-

schaften als Bilder. Ist zum Beispiel f konstant gleich c und sind C, D ⊆ dom(f )
disjunkt und nichtleer, so gilt f [ C ∩ D ] = ∅ ⊂ { c } = f [ C ] ∩ f [ D ].

264 Anhänge
Umkehrfunktion, Verknüpfung, Einschränkung
f −1 { (b, a) | (a, b) P f } Umkehrfunktion f hoch minus 1
(funktionale)
g nach f,
g+f { (a, c) | g(f(a)) = c } Verknüpfung,
g Kringel f
Komposition
f eingeschränkt
f |C { (a, b) P f | a P C } Einschränkung
auf C
Da jede Funktion eine Relation ist, ist f − 1 als Umkehrrelation von f immer de-
finiert. Diese Relation ist genau dann wieder eine Funktion, wenn f injektiv ist:
Die Bildung der Umkehrfunktion setzt die Injektivität von f voraus.
Die Verknüpfung für Funktionen unterscheidet sich von der Verknüpfung für
Relationen durch die umgekehrte Reihenfolge. Zuerst wird die Funktion f ange-
wendet, dann die Funktion g:
Ist f : A → B und g : B → C, so ist g + f : A → C.
Dies motiviert auch die Lesart „g nach f “. Es ist üblich, die Verknüpfung nur
dann zu betrachten, wenn der Wertebereich von f eine Teilmenge des Definiti-
onsbereichs von g ist. Allgemein kann aber
g + f = { (a, c) | g(f(a)) = c } = { (a, c) | a P A, f(a) P dom(g), c = g(f(a)) }
immer gebildet werden.
Die Einschränkung ist eine hinsichtlich des Definitionsbereichs zurechtge-
stutzte Funktion. Ist f : A → B und C ⊆ A, so gilt f|C : C → B.
Bemerkung zu „g nach f “
Gilt a R b S c für Relationen R und S, so gilt a T c für die relationale
Verknüpfung T = R + S. Ist dagegen f(a) = b und g(b) = c, d. h. a f b g c, so
gilt c = h(a) für die funktionale Verknüpfung h = g + f. Um eine Überein-
stimmung mit der relationalen Verknüpfung zu erreichen, müsste die
Komposition für Funktionen als f + g notiert werden, was ja auch der Lesart
„g nach f“ viel besser entsprechen würde. Dies wird vermieden, da sonst
(f + g)(x) = g(f(x)) und nicht (f + g)(x) = f(g(x)) gelten würde. Kurz: Man
nimmt in der Definition von g + f die falsche Reihenfolge in Kauf, weil man
die nach rechts notierte Funktionsanwendung bewahren möchte. Eine
Lösung wäre, die Funktionsanwendung in der Form (x)f („Wert von x unter
der Funktion f “) statt f(x) („f angewendet auf x“) zu schreiben, was der seit
Euler üblichen Notation zuwiderläuft. Dann wäre (x)(f + g) = ((x)f )g.

4. Funktionen 265
Die Folgennotation einer Funktion
Vielfach nützlich ist eine zweite Art, Funktionen zu notieren. Anstelle von f(i)
wird der Funktionswert in der Form ai angegeben.
Notation Definition Bezeichnung Lesart
{ (i, ai ) | i P I } I-Folge, Familie mit Folge aller ai

(ai )i P I
ist eine Funktion Indexmenge I mit i P I
Die Funktion f = (ai )i P I ist die eindeutige Funktion mit Definitionsbereich I

und f(i) = ai für alle i P I. In der Folgennotation wird der Funktion als Ganzes
kein Name wie f, g, h, … gegeben, dafür werden im Unterschied zur anderen
Notation alle Funktionswerte in der Indexform ai notiert. Man nennt den Wert
ai auch das Glied oder Element der Folge mit dem Index i.
Gilt ai P A für alle i P I, so heißt die Folge (ai )i P I eine Folge in A. Speziell in
der Analysis werden Folgen der Form (xn )n P N in R verwendet. Sie sind Funktio-
nen der Form f : N → R. Eine Folge (an )n P N mit der Indexmenge N können wir
auch in der Aufzählungsform a0 , a1 , …, an , … angeben.
Unsere Mengenoperationen können wir auf Folgen erweitern:
Durchschnitt
>i P I Ai { a | ∀i P I a P Ai } Durchschnitt
von (Ai )i P I
Vereinigung
Íi P I Ai { a | ∃i P I a P Ai } Vereinigung
von (Ai )i P I
{ f | dom(f) = I, allgemeines Kreuzprodukt

×i P I Ai f(i) P Ai für alle i } Kreuzprodukt von (Ai )i P I
Ist K eine Menge, (Ik )k P K eine K-Folge und (Ai )i P Ik eine Ik -Folge von Mengen
für alle k P K, so gelten:
Allgemeine Distributivgesetze
> k P K Íi P I k
A k, i = Íf P × k P K Ik
>k P K A k, f(k)
Í k P K >i P I k
A k, i = >f P × k P K Ik
Ík P K A k,f(k)
× k P K Íi P I k
A k, i = Íf P × k P K Ik
× k P K A k, f(k)
× k P K >i P I k
A k, i = >f P × k P K Ik
× k P K A k, f(k)

266 Anhänge
Transformationen und Operationen
Begriff Definition
f ist eine Transformation auf A f:A →A
Identität idA auf A idA : A → A, idA (a) = a für alle a P A
C ⊆ A ist abgeschlossen unter f : A → A f[C] ⊆ C
f 0, f 1, f 2, f 3, … idA , f, f + f , f + f + f , …
Orbit von a P A unter f : A → A (f n (a))n P N
Transformationen sind Funktionen mit der Eigenschaft rng(f) ⊆ dom(f).

Diese Eigenschaft ermöglicht eine wiederholte Anwendung.
Begriff Definition
+ ist eine (zweistellige) Operation auf A + : A2 → A
c = a + b (Verknüpfungsnotation) + (a, b) = c
C ist abgeschlossen unter + ∀a, b P C a + b P C
Abschluss von C unter + > { B | B ⊇ C ist abgeschlossen unter + }

f ist eine n-stellige
f : An → A
Operation auf A
C ist abgeschlossen unter f : An → A ∀a1 , …, an P C f(a1 , …, an ) P C
Anstelle von Operationen sprechen wir gleichwertig auch von Verknüpfun-

gen. Für zweistellige Operationen verwenden wir meist Zeichen wie +, +, ⋅, p, …,
und wir notieren die Funktionsanwendung zwischen den beiden Stellen, wie wir
es von den Relationen gewohnt sind. Transformationen können wir als einstel-
lige Operationen auffassen.
Streng genommen müsste man f((a1 , …, an )) schreiben, da der Definitionsbe-
reich einer Operation aus Tupeln besteht. Der Übersichtlichkeit halber wird die
Notation zu f(a1 , …, an ) vereinfacht.
In der Mathematik sind die Transformationen und die zweistelligen Operatio-
nen besonders prominent. Ein Beispiel für eine n-stellige Operation ist die Bil-
dung des größten gemeinsamen Teilers von n ganzen Zahlen.

4. Funktionen 267
Mächtigkeiten
Injektionen und Bijektion eignen sich für den Größenvergleich von beliebigen
Mengen:
Notation Definition Lesart
die Mächtigkeit von A ist klei-

|A| ≤ |B| ∃f f : A → B injektiv
nergleich der Mächtigkeit von B
|A| = |B| ∃f f : A → B bijektiv A und B sind gleichmächtig
die Mächtigkeit von A ist kleiner

|A| < |B| |A| ≤ |B| ∧ |A| ≠ |B|
als die Mächtigkeit von B
die Mächtigkeit von A ist n,

|A| = n |A| = |{ 0, …, n − 1 }|
A ist n-elementig
Der Vergleich einer Menge mit der Menge N der natürlichen Zahlen führt zu
folgenden Begriffen:
Begriff Definition
A ist endlich |A| < |N|
A ist abzählbar |A| ≤ |N|
A ist abzählbar unendlich |A| = |N|
A ist (Dedekind-)unendlich |N| ≤ |A|
A ist überabzählbar |N| < |A|
Eine endliche Menge A ist ausgezeichnet durch:

Ist f : A → A, so sind die Eigenschaften injektiv, surjektiv, bijektiv äquivalent.
Diese Eigenschaft ist bekannt als Schubfachprinzip. Ist dagegen A unendlich, so
gibt es eine Injektion f : A → A, die keine Surjektion ist.
Die Elemente einer endlichen Menge lassen sich in der Form a1 , …, an aufzäh-
len. Die abzählbare Unendlichkeit einer Menge A bedeutet, dass es eine Aufzäh-
lung a0 , a1 , a2 , …, an , … aller Elemente von A gibt. Dagegen bedeutet die Über-
abzählbarkeit von A, dass für jede Folge a0 , a1 , …, an , … in A ein a P A existiert,
das in der Aufzählung nicht vorkommt.
Die folgende Tabelle enthält einige fundamentale Ergebnisse der Mächtig-
keitstheorie:

268 Anhänge
Ergebnis Name
Abzählbarkeit der rationalen und

|N| = |Q| = |A|
algebraischen Zahlen
|N| < |R| Überabzählbarkeit von R
Gleichmächtigkeit
|R| = |Rn |
verschiedendimensionaler Kontinua
|A| ≤ |B| ∧ |B| ≤ |A| → |A| = |B| Satz von Cantor-(Dedekind-)Bernstein
|A| < |P(A)| Satz von Cantor
|A| ≤ |B| ∨ |B| ≤ |A| Vergleichbarkeitssatz

5. Varianten der Induktion
Wir diskutieren das Prinzip der vollständigen Induktion und verwandte äquiva-
lente Prinzipien.
Die vollständige Induktion
Ein grundlegender Satz über die natürlichen Zahlen ist:
Satz (Prinzip der vollständigen Induktion)

Gilt eine Eigenschaft natürlicher Zahlen für die Null und vererbt sie sich
von jeder natürlichen Zahl auf ihren Nachfolger, so gilt sie für jede
natürliche Zahl.
Genauer formuliert:
Satz (Prinzip der vollständigen Induktion, formale Version)

Sei %(n) eine Eigenschaft natürlicher Zahlen. Dann gilt:
(+) %(0) ∧ ∀n (%(n) → %(n + 1)) → ∀n %(n)
Wer lieber mit Mengen als mit Eigenschaften argumentiert, wird folgende
Version bevorzugen:
Satz (Prinzip der vollständigen Induktion, Version für Mengen)

Sei A ⊆ N. Dann gilt:
(++) 0 P A ∧ ∀n (n P A → n + 1 P A) → A = N
Die Mengen-Induktion für A ergibt sich durch Eigenschafts-Induktion mit der

Eigenschaft
%(n) = „n P A“.
Umgekehrt ergibt sich die Eigenschafts-Induktion für %(n) durch Mengen-In-
duktion mit der Menge
A = { n P N | %(n) }.

270 Anhänge
Bemerkung zur logischen Stellung der Induktion

Wir haben die Induktion als Satz formuliert. In der Tat sind obige Sätze
genauso beweisbar wie alle anderen Sätze der Mathematik, wenn wir eine
mengentheoretische Axiomatik zugrunde legen, in der die Struktur der
natürlichen Zahlen definiert wird. Wir betrachten die Prinzipien hier als
gegeben, da wir eine mengentheoretische Konstruktion und Untersuchung
der natürlichen Zahlen nicht durchführen wollen, sondern N wie die
anderen Zahlbereiche als gegeben betrachten. Dies entspricht dem
Vorgehen der reinen Zahlentheorie, die − ohne mengentheoretischen
Hintergrund − die Induktion in der Form (+) mit Eigenschaften als Axiom
oder genauer als Axiomschema ansieht (ein Axiom pro Eigenschaft).
Die Induktion ist als Satz bzw. Axiom kein rein logisches Beweisprinzip wie
etwa der indirekte Beweis oder der Widerspruchsbeweis. Aufgrund ihres sche-
matischen Charakters wird sie aber als solches erlebt:
Verlauf eines Beweises durch vollständige Induktion

Um zu zeigen, dass jede natürliche Zahl n die Eigenschaft % besitzt, können
wir so vorgehen:
Induktionsanfang n = 0:
Wir zeigen %(0).
Induktionsschritt von n nach n + 1:
Wir zeigen %(n + 1) mit Hilfe der Induktionsvoraussetzung %(n).
Hierbei ist n eine beliebige natürliche Zahl.
Üblich sind in diesem Schema die folgenden Abkürzungen: I.A. für Induktions-
anfang, I. S. für Induktionsschritt und I. V. für Induktionsvoraussetzung.
Im Induktionsschritt ist die schlichte Formulierung „Es gelte %(n).“ als In-
duktionsvoraussetzung korrekter als „Sei %(n) bereits bewiesen.“ Letzteres
suggeriert einen unendlich langen Beweis. Der Induktionsschritt ist einfach ein
Beweis einer für alle natürlichen Zahlen gültigen Implikation. Dies wird in der
formalen Version besonders deutlich: Wir zeigen
∀n (%(n) → %(n + 1)).
Dies geschieht wie üblich:
„Sei n beliebig. Es gelte %(n) (I. V.). Wir zeigen, dass %(n + 1) (Beweisziel).“
Der Induktionsanfang und der Induktionsschritt zusammengenommen be-
weisen die durch ∧ verbundene Aussage auf der linken Seite des Implikations-
pfeils in (+):
%(0) ∧ ∀n (%(n) → %(n + 1)).
Der Satz über Induktion liefert nun
∀n %(n).

5. Varianten der Induktion 271
Varianten
(1) Ist n0 eine natürliche Zahl und wollen wir zeigen, dass jede natürliche
Zahl n ≥ n0 die Eigenschaft %(n) besitzt, so zeigen wir %(n0 ) (Indukti-
onsanfang n = n0 ). Der Induktionsschritt von n nach n + 1 bleibt
gleich, wobei nun n eine beliebige natürliche Zahl größergleich n0 ist.
(2) Den Induktionsschritt können wir auch von n − 1 nach n durchführen:
Wir zeigen %(n) mit Hilfe der Induktionsvoraussetzung %(n − 1). Hier
ist n eine beliebige Zahl größergleich 1.
(3) Um zu zeigen, dass alle geraden Zahlen die Eigenschaft %(n) besitzen,
zeigen wir %(0) und führen den Induktionsschritt von n nach n + 2 für
gerade n durch. Wir zeigen im Induktionsschritt also %(n + 2) unter
der I. V. %(n). Hierbei ist n eine beliebige gerade natürliche Zahl.
(4) Viele weitere Varianten sind möglich.
Starke Induktion oder Wertverlaufsinduktion
Wir betrachten nun eine neue Form der Induktion, bei der wir eine stärkere
Induktionsvoraussetzung geschenkt bekommen. Dies kann die Argumentation
erleichtern. Wir formulieren diese Form wieder in drei äquivalenten Versionen.
Satz (Prinzip der starken Induktion)

Vererbt sich eine Eigenschaft natürlicher Zahlen für jede natürliche Zahl n
von allen natürlichen Zahlen k < n auf n, so gilt sie für jede natürliche Zahl.
Satz (Prinzip der starken Induktion, formale Version)

∀n (∀k < n %(k) → %(n)) → ∀n %(n)
Satz (Prinzip der starken Induktion, Version für Mengen)

∀n ({ 0, ..., n − 1 } ⊆ A → n P A) → A = N
Wir können die starke Induktion mit Hilfe der üblichen Induktion beweisen:
Beweis
Wir zeigen die Version für Eigenschaften. Es gelte also
(1) ∀n (∀k < n %(k) → %(n)).
Unser Beweisziel ist:
(2) ∀n %(n).

272 Anhänge
Dieses Ziel erreichen wir durch einen logischen Trick. Wir zeigen nämlich:
(3) ∀n ∀k < n %(k)
Dies genügt. Zum Beweis von (3) verwenden wir die übliche Induktion, und
zwar für die neue Eigenschaft
%′(n) = „∀k < n %(k)“.
Diese Eigenschaft besagt anschaulich, dass % „unterhalb von n“ gilt.
Induktionsanfang n = 0:
Hier ist nichts zu zeigen, da es kein k < 0 gibt.
Induktionsschritt von n nach n + 1:
Sei n beliebig und es gelte %′(n), d. h.
∀k < n %(k) (I. V.)
Nun wenden wir unsere Voraussetzung (1) an und schließen auf %(n).
Dann gilt also
∀k < n %(k) ∧ %(n),
sodass
∀k < n + 1 %(k).
Die starke Induktion kann erneut schematisch angewendet werden:
Verlauf eines Beweises durch starke Induktion

wir so vorgehen:
Induktionsschritt n:
Wir zeigen %(n) mit Hilfe der (starken) Induktionsvoraussetzung
„%(k) für alle k < n“. Hierbei ist n eine beliebige natürliche Zahl.
Ein Induktionsanfang entfällt bei der starken Induktion. Für n = 0 ist die In-
duktionsvoraussetzung leer, da es keine natürliche Zahl k kleiner als 0 gibt. Der
Fall n = 0 wird also im allgemeinen Induktionsschritt n automatisch mit erfasst.
Dennoch kann es bei der Durchführung der starken Induktion hilfreich sein,
vorab %(0) zu zeigen (oder auch mehrere Einzelfälle %(0), …, %(n0 )). Wir können
dann für den Induktionsschritt n ≥ 1 (bzw. n > n0 ) annehmen. Alternativ ist im In-
duktionsschritt wie in jedem Beweis natürlich auch eine Fallunterscheidung
möglich.
Wie für die einfache Induktion lässt sich die starke Induktion auch ab einer
Stelle oder für eine gewisse (endliche oder unendliche) Menge von natürlichen
Zahlen durchführen.

Das Prinzip vom kleinsten Element
Als Nächstes betrachten wir, erneut in drei Formulierungen, ein auf den ersten
Blick ganz andersartiges Prinzip.
Satz (Prinzip vom kleinsten Element)

Positive Form:
Gibt es eine natürliche Zahl, die eine Eigenschaft erfüllt, so gibt es eine
kleinste natürliche Zahl, die diese Eigenschaft erfüllt.
Negative Form:
Gibt es in den natürlichen Zahlen ein Gegenbeispiel für eine Eigenschaft,
so gibt es ein kleinstes Gegenbeispiel in den natürlichen Zahlen.
Satz (Prinzip vom kleinsten Element, formale Version)

positive Form:
∃n %(n) → ∃n* (%(n*) ∧ ∀k < n* ¬ %(k))
negative Form:
∃n ¬%(n) → ∃n* (¬%(n*) ∧ ∀k < n* %(k))
Satz (Prinzip vom kleinsten Element, Version für Mengen)

Jede nichtleere Menge von natürlichen Zahlen besitzt ein kleinstes
Element. Genauer formuliert: Sei A ⊆ N. Dann gilt:
positive Form:
A ≠ ∅ → ∃n* n* = min(A)
negative Form:
A ≠ N → ∃n* n* = min(N − A)
Dabei ist der Ausdruck n* = min(B) (n* ist das Minimum von B) definiert durch
n* P B ∧ ∀n P B n* ≤ n.
Als Kontrast betrachte der Leser die ganzen und die rationalen Zahlen. Die
Mengen
{ −1, −2, −3, … } ⊆ Z,
{ 1, 1/2, 1/3, 1/4, … } ⊆ Q
sind nichtleer, besitzen aber kein kleinstes Element. Die erste Menge ist unbe-
schränkt, die zweite dagegen beschränkt.
Exemplarisch diskutieren wir die Anwendung der negativen Form des Prin-
zips. Diese Form wird oft als „Prinzip vom kleinsten Gegenbeispiel“ oder „Prin-
zip vom kleinsten Verbrecher“ bezeichnet.

274 Anhänge
Verlauf eines Beweises mit Hilfe des Prinzips vom kleinsten Element
durch einen Widerspruchsbeweis so vorgehen:
Annahme nicht. Dann gibt es ein kleinstes Gegenbeispiel n* für diese Eigen-
schaft, sodass also %(n*) nicht gilt, aber %(n) für alle n < n* erfüllt ist. Nun
erzeugen wir einen Widerspruch unter Verwendung dieser Verhältnisse.
Typischerweise wird dabei eine Zahl m < n* gefunden, die die Eigenschaft %
nicht besitzt. Dies ist ein Widerspruch zur minimalen Wahl von n*.
Der Leser mag sich fragen, ob er, in Theorie und Anwendung, die einfache In-
duktion, die starke Induktion oder das Prinzip vom kleinsten Element einleuch-
tender oder einfacher findet. Mathematisch sind diese Prinzipien rein logisch
äquivalent. Dass die einfache Induktion verwendet werden kann, um die starke
Form zu beweisen, haben wir oben schon gesehen, und natürlich ergibt sich die
einfache Induktion auch leicht aus der starken Version. Bemerkenswert ist, dass
für die Äquivalenz der starken Induktion und des Prinzips vom kleinsten Ele-
ment kein „eigentlicher Beweis“ geführt werden muss. Es genügt, das Kontrapo-
sitionsgesetz der Aussagenlogik und die Regeln für die Verneinung von Quanto-
ren zu bemühen. Sind A und B Aussagen, so gilt:
A → B ↔ ¬ B → ¬ A. (Kontrapositionsgesetz)
Wenden wir dies auf die starke Induktion
∀n (∀k < n %(k) → %(n)) → ∀n %(n)
an, so erhalten wir die äquivalente Aussage
¬ ∀n %(n) → ¬ ∀n (∀k < n %(k) → %(n)).
Die Verneinungsregeln für Quantoren und die Tautologie ¬(C → D) ↔ C ∧ ¬D
ergeben die äquivalente Aussage
∃n ¬ %(n) → ∃n (∀k < n %(k) ∧ ¬ %(n)).
Dies ist aber genau das Prinzip vom kleinsten Element in der negativen Form
(dass auf der rechten Seite der Implikation n statt n* ist, ist vielleicht unschön
aber logisch untadelig).
Das Prinzip vom kleinsten Element wird oft stillschweigend eingesetzt:
Beispiel: Existenz eines Primteilers

Wir betrachten die Aussage:
Sei n eine natürliche Zahl n ≥ 2. Dann besitzt n einen Primteiler.
Wenn wir dies nicht nur glauben, sondern beweisen möchten, betrachten
wir die Menge A aller Teiler d von n mit d ≥ 2. Da n ein Teiler von sich
selbst ist und n ≥ 2 gilt, ist A nichtleer. Also besitzt A ein kleinstes Element
p. Da jeder Teiler k ≥ 2 von p auch ein Teiler von n ist, muss nach Minimali-
tät von p jeder solche Teiler gleich p sein, d. h. p ist eine Primzahl.

Das Prinzip vom unendlichen Abstieg
Zum Abschluss der Diskussion besprechen wir noch eine (eher psychologi-
sche) Umformulierung des Prinzips vom kleinsten Element.
Satz (Prinzip vom unendlichen Abstieg)

Gibt es in den natürlichen Zahlen zu jedem Beispiel für eine Eigenschaft
stets noch ein kleineres Beispiel, so gilt die Eigenschaft für keine natürliche
Zahl.
Satz (Prinzip vom unendlichen Abstieg, Version für Eigenschaften)

∀n(%(n) → ∃m < n %(m)) → ∀n ¬%(n)
Satz (Prinzip vom unendlichen Abstieg, Version für Mengen)

∀n (n P A → { 0, …, n − 1 } ∩ A ≠ ∅) → A = ∅
Der Beweis der Äquivalenz des Prinzips zu einem (und damit allen) der obigen
Prinzipien sei dem Leser überlassen. Wir notieren noch:
Verlauf eines Beweises mit Hilfe des Prinzips vom unendlichen Abstieg
Um zu zeigen, dass jede natürliche Zahl n die Eigenschaft %(n) besitzt,
können wir so vorgehen:
Wir nehmen an, es gilt ¬%(n) für eine natürliche Zahl n. Unter Verwen-
dung dieser Annahme zeigen wir nun, dass ein m < n existiert mit ¬%(m).
Nach dem Prinzip vom unendlichen Abstieg (angewendet auf die Eigen-
schaft ¬ %(n)) ist dann gezeigt, dass %(n) für alle natürlichen Zahlen n gilt.
Schließlich können wir das Prinzip vom unendlichen Abstieg äquivalent auch
in der Sprache der Folgen formulieren:
Satz (Prinzip monoton fallender Folgen)

(a) Es gibt keine streng monoton fallende unendliche Folge in N.
(b) Jede monoton fallende unendliche Folge in N ist schließlich
konstant.
Satz (Prinzip monoton fallender Folgen, formale Version)

(a) ∀(nk )k ≥ 0 ∃k nk + 1 ≥ nk
(b) ∀(nk )k ≥ 0 (∀k nk ≥ nk + 1 → ∃k* ∀k ≥ k* nk = nk* )

276 Anhänge
Rekursives Definieren
Dem Beweisen von Aussagen durch vollständige Induktion entspricht das fol-
gende Verfahren der rekursiven (rückbezüglichen) Definition von Funktionen:
Rekursive Definition
Eine Funktion f mit Definitionsbereich N kann eindeutig definiert werden,
indem
(1) der Funktionswert f(0) erklärt wird (Rekursionsanfang),
(2) für jedes n P N der Funktionswert f(n + 1) unter Verwendung des
Funktionswerts f(n) definiert wird (Rekursionsschritt).
Das Paradebeispiel ist die rekursive Definition der Fakultät:
Beispiel
Die Fakultätsfunktion fac : N → N ist rekursiv definiert durch
fac(0) = 1, (Rekursionsanfang)
fac(n + 1) = fac(n) (n + 1) für alle n P N. (Rekursionsschritt)
Wir schreiben auch n! statt fac(n).
Diese Definition lässt sich als die genauere Version der Pünktchenform
n! = 1 ⋅ … ⋅ n
auffassen (mit der Konvention, dass ein leeres Produkt gleich 1 ist, sodass 0! = 1).
Der starken Induktion entspricht auf der definitorischen Seite ebenfalls ein
Rekursionsverfahren:
Wertverlaufsrekursion
Eine Funktion f mit Definitionsbereich N kann eindeutig definiert werden,
indem für jedes n P N der Funktionswert f(n) unter Verwendung der Werte
f(0), …, f(n − 1) definiert wird.
Die Rekursionsprinzipien werden bei Verwendung mengentheoretischer Axi-

ome zu beweisbaren Sätzen. Dies führt über die Ziele dieses Textes hinaus, aber
wir wollen dem interessierten Leser das genaue auf Richard Dedekind zurückge-
hende Ergebnis nicht vorenthalten:
Satz (Rekursionssatz)
Sei g eine auf einer hinreichend umfassenden Menge definierte Funktion.
Dann gibt es genau eine Funktion f auf N mit der Eigenschaft:
f(n) = g(f(0), …, f(n − 1)) für alle n P N.

Die Funktion g heißt die Rekursionsfunktion der Definition von f. Sie gibt an,
wie der Wert f(n) aus den Werten f(0), …, f(n − 1) hervorgeht. Dieser Übergang
hat funktionalen Charakter und wird deswegen durch eine Funktion beschrie-
ben. „Hinreichend umfassender Definitionsbereich“ bedeutet, dass die Rekur-
sionsfunktion g für alle n auf die endliche Folge (f(0), …, f(n − 1)) angewendet
werden kann. Für n = 0 ist diese Folge die leere Folge ( ), sodass f(0) = g(( )). Sind
alle Werte der Funktion f natürliche Zahlen, so genügt es, dass g auf allen end-
lichen Folgen natürlicher Zahlen definiert ist.
Beispiel
Die Fibonacci-Zahlen f(0), f(1), …, f(n), … sind rekursiv definiert durch
f(0) = f(1) = 1,
f(n) = f(n − 2) + f(n − 1) für alle n ≥ 2.
Die ersten Fibonacci Zahlen sind
1, 1, 3, 4, 7, 11, 18, 29, …
Es liegt eine einfache Form der Wertverlaufsrekursion vor, in der lediglich
auf zwei Vorgänger zurückgegriffen wird. Als zugehörige Rekursionsfunk-
tion ist die auf allen endlichen Folgen definierte Funktion g geeignet mit
g(( )) = g(n) = 1 für alle n P N (mit der leeren Folge ( )),
g(n1 , …, nk ) = nk − 1 + nk für alle k ≥ 2 und alle n1 , …, nk P N.

278 Anhänge
Übungen zur Induktion
Übung 1
Beweisen Sie das Prinzip der vollständigen Induktion
(a) mit Hilfe des Prinzips der starken Induktion,
(b) mit Hilfe des Prinzips vom kleinsten Element.
Übung 2
Wir beweisen das Prinzip vom kleinsten Element mit Hilfe einfacher
Induktion auf neue Art und Weise. Hierzu betrachten wir das folgende
Prinzip:
(E) Jede endliche nichtleere Teilmenge von N besitzt ein kleinstes Element.
Im Gegensatz zum Prinzip vom kleinsten Element werden hier also nur
endliche Mengen betrachtet.
(1) Zeigen Sie, dass aus (E) das Prinzip vom kleinsten Element folgt.
(2) Zeigen Sie (E) durch Induktion über die Anzahl n der Elemente einer
nichtleeren endlichen Teilmenge von N.
Übung 3
Beweisen Sie das Prinzip monoton fallender Folgen mit Hilfe des Prinzips
vom unendlichen Abstieg.
Übung 4
Zeigen Sie, dass jede nach unten beschränkte Teilmenge von Z ein kleinstes
Element besitzt. (Dabei heißt ein A ⊆ Z nach unten beschränkt, wenn ein s P Z
existiert mit s ≤ a für alle a P A.)
Übung 5
Sei %(n) eine Eigenschaft natürlicher Zahlen. Es gelte:
(a) %(0),
(b) ∀n (%(n) → %(n + 2)),
(c) ∀n %(2n) → %(1).
Zeigen Sie, dass %(n) für alle natürlichen Zahlen n gilt.

Übung 6
Sei %(n, m) eine Eigenschaft natürlicher Zahlen. Es gelte:
(a) %(0, 0),
(b) ∀n, m %(n, m) → %(n + 1, m),
(c) ∀n, m %(n, m) → %(n, m + 1).
Zeigen Sie, dass %(n, m) für alle natürlichen Zahlen n, m gilt.
Übung 7
Sei %(n) eine Eigenschaft natürlicher Zahlen. Es gelte:
(a) %(p) für jede Primzahl p,
(b) ∀n, m (%(n) ∧ %(m) → %(nm)).
Zeigen Sie, dass %(n) für alle n gilt.
Übung 8
Sei %(a) eine Eigenschaft ganzer Zahlen. Es gelte:
(a) ∃a P Z %(a),
(b) ∀a P Z (%(a) → %(a + 1) ∧ %(a − 1)).
Zeigen Sie, dass %(a) für alle a P Z gilt.
Übung 9
Wir betrachten eine rechteckige Tafel Schokolade der Länge n und Breite
m (also mit n m Stückchen). Wie oft muss man die Schokolade brechen, um
nm einzelne Stückchen zu erhalten? Auf welche Weise geschieht dies am
Besten? Was hat diese Frage mit Induktion zu tun? Für das Brechen der
Tafel oder eines Teils der Tafel ist dabei nur das übliche waagrechte oder
senkrechte Abbrechen eines Teilstücks entlang der vorgegebenen Rillen
erlaubt; es sind keine Tricks wie zum Beispiel das Übereinanderlegen von
Stücken zulässig.
Übung 10
„Wer reich ist und einen Cent verliert ist immer noch reich.“ Beweisen Sie
unter dieser Voraussetzung, dass man auch dann noch reich ist, wenn man
gar kein Geld hat. (Der interessierte Leser möge sich zudem über das
Sorites-Paradoxon der Philosophie informieren.)
Übung 11
In einigen Schulbüchern wird der Beweis durch vollständige Induktion als
dreiteiliges Prinzip, bestehend aus Induktionsanfang, Induktionsvorausset-
zung und Induktionsschritt eingeführt. Bewerten Sie dieses Vorgehen aus
mathematischer Sicht.

6. Symbolverzeichnis
d|a 12 ,w (Z) 195 A2 , A3 , … 258

A
τ(n) 12 dw (a, b) 195 B 258
a ; b (m) 16 ¬ 243 P(A) 258
a ;m b 16 ∧ 243 aRb 259
(zk …z0 )b 22 ∨ 243 dom(R) 259
qs(n) 22 ∨˙ 243 Def(R) 259
exp (n) 34 → 243 rng(R) 259
π(n) 38 ↔ 243 field(R) 259
−1
ggT(a, b) 46 ⊥ 243 R 259
⊥
(a, b) 46 243 f(a) 261
kgV(a, b) 46 = 243 dom(f) 261
[ a, b ] 46 ∀ 243 Def(f) 261
ggT(a1 , …, an ) 47 ∃ 243 rng(f) 261
kgV(a1 , …, an ) 47 ∃! 243 f[C] 263
[ q0 , , …, qn ] 53 P 253 f(C) 263
ϕ(m) 65 A⊆B 254 f − 1 [C] 263
τ(n) 75 A⊇B 254 f − 1 (C) 263
−1
σ(n) 75 A⊂B 254 f 264
|M| 108 A⊃B 254 g+f 264
N(a) 109 A = { a | %(a) } 255 f|C 264
d(a) 109 {a} 255 (ai )i P I 265
Kn 111 { a, b } 255 >i P I Ai 265
Kn, m 113 { a1 , …, an } 255 Íi P I Ai 265
Cn 116 (a, b) 255 ×i P I Ai 265
a ,G b 126 Ac 256 idA 266
[a] 127 A∩B 256 I.A. 270
a/, 127 A∪B 256 I.S. 270
d(a, b) 133 A−B 256 I.V. 270
G−e 136 A\B 256 fac 276
G1 > G2 142 A∆B 256 n! 276
f : G1 > G2 142 >A 258
Z+W 157 ÍA 258
k
O(n ) 168 A×B 258

7. Index
A Definitionsbereich 259, 261

Abbildung 261 Delta 256
abgeschlossen 266 DFS 186
Abschluss 266 Differenz 256
Abstand 133, 195 Differenzenregeln 256
abzählbar 267 Dirichletscher Primzahlsatz 91
Adjazenz-Matrix 105 Disjunktion 243
Allquantor 243 Distributivgesetze 247, 256, 265
antisymmetrisch 260 Division 15
Äquivalenz 243 Domain 259, 261
Äquivalenzrelation 17, 260 Dominoproblem 172
Assoziativgesetze 256 Dreiecksungleichung 135, 196
asymptotisch gleich 38 dualen Graphen 239
aufspannender Baum 180 duplex negatio affirmat 247
Aufzählungsform 265 Durchschnitt 256, 258, 265
Ausgangsgrad 173
Aussage 249 E
Aussonderung 255 echte Obermenge 254
echte Teilmenge 254
B Ecken 103
b-adische Darstellung 22 Eckenbedingung 142
Baum 176 Ecken-Kanten-Matrix 105
benachbart 109 Einermenge 255
Bertrandsches Postulat 41 einfach 103, 124
BFS 181 Eingangsgrad 173
bijektiv 262 Einschränkung 264
Bindungsstärke der Junktoren 244 Elementbeziehung 253
bipartit 112 endlich 103, 267
Bipartition 112 enthält 118
Blatt 191 enthaltener Kreis 118
Breitensuche 181 Entscheidungsproblem 167
Brücke 129 Epsilon-Relation 253
brute force 168 erreichbar 126
es gibt 243
D Euklidische Primzahl 31
Darstellung 22 Eulersch 154
de Morgansche Regeln 247, 256 Eulersche ϕ-Funktion 65

284 Anhänge
Eulersche Polyederformel 220f H

Euler-Zug 154 Hamilton-Kreis 166
ex falso quodlibet 247 Hamiltonsch 166
Existenzquantor 243
existiert 243 I
Extensionalitätsprinzip 253 Identität 243, 266
Implikation 243
F Implikationsketten 247
Fallunterscheidung 247 Indexmenge 265
Falsum 243 Induktion 269
Familie 265 injektiv 262
Färbung 226 Inklusion 254
Faser 263 Inzidenz-Matrix 105
Feld 259 irreflexiv 260
Fermat-Primzahl 43 isoliert 109
Fermat-Zahl 43 isomorph 142
Fibonacci-Zahlen 54, 277 Isomorphie-Problem 170
Fläche 221 Isomorphismus 142
Flussüberquerung 138
Folge 265 J
Formel 244, 248 Jordanscher Kurvensatz 221
freie Variable 249
Funktion 261 K
Funktionswert 261 kanonische Form 32
für alle 243 kanonische vollständige bipartite Graph
113
G kanonische vollständige Graph 111
Gebiet 221 Kanten 103
gebunden 249 Kantenbedingung 142
gefunden 181 Kantenzug 124
genau ein 243 Kardinalität 108
geometrische Summenformel 22 kartesisches Produkt 258
geordnetes Paar 255 Kettenbruch 53
gerade 156 Kettennotation 259
geschlossen 124 Kettenschluss 247
Gesetz vom ausgeschlossenen Dritten kleinste gemeinsame Vielfache 46
247 Kommutativgesetze 256
Gewicht 194f, 207 Komplement 256
gewichteter Graph 194 Komplementärgraph 152
Gewichts-Matrix 194 Komplexitätsklassen 168
gleichmächtig 267 Komposition 259
Goldbachsche Vermutung 37 Komprehension 255
Grad 109 kongruent 16
Gradfolge 109 Königsberger Brückenproblem 153
Graph 103, 261 Konjunktion 243
Greedy-Algorithmen 209 konnex 260
Grenzkante 188 konstant 262
Größe 108 Konstruktionsproblem 167
größte gemeinsame Teiler 46 Kontradiktion 246
Kontrapositionsgesetz 247, 274

7. Index 285
Kontravalenz 243 Orbit 266

konvex 218 Ordnung 108, 260
Kreis 115f
Kreiskante 136 P
Kreiszerlegung 162 P ungleich NP 169
Kreuzprodukt 258, 265 Paarmenge 255
Kuratowski-Paar 255 partielle Ordnung 260
perfekt 76
L p-Exponent 34
Labyrinth-Algorithmus 173 PFZ 32
Länge 124, 194f planar 214
Längenfunktion 194 planare Darstellung 214
Laufzeit 168 Platonischen Körper 218
Legendre Vermutung 41 Potenzmenge 258
Lemma von Bézout 56 prädikatenlogische Tautologie 250
Linearkombination 14 Primfaktor 30
linkseindeutig 260 Primfaktorzerlegung 32
logisch äquivalent 246 Primformel 248
Primteiler 30
M Primzahl 11, 28
Mächtigkeit 108, 267 Primzahlsatz 38
Mengenbegriff 253 Prinzip der kleinsten Wahl 181
Mengenoperation 256 Problem des Handlungsreisenden 210
Mengensystem 254
Mersenne-Primzahl 42 Q
Mersenne-Zahlen 42 Quadratzahl 11
minimal aufspannender Baum 207 Quantoren 251
Min-Plus-Matrix-Multiplikation 206 Quotient 15
Möbius-Funktion 79
modulo 16 R
modus ponens, tautologische Form 247 Range 259, 261
modus tollens, tautologische Form 247 rechtsseindeutig 260
monoton 262 reduziertes Restsystem 68
multiplikativ 75 reflexiv 260
Multiplikativität 72 Reflexivität 17, 126, 144
reine Logik 248
N Rekursionsanfang 276
nach unten beschränkt 278 Rekursionsfunktion 277
Nachbar 109 Rekursionsschritt 276
Nachbarschafts-Matrix 105 Rekursive Definition 276
Negation 243 Relation 259
n-elementige Menge 108 Relationsnotation 259
NP-schwer 170 relativ prim 46
Nullbedingung 135, 196 Rest 15
Restsystem 68
O
Obermenge 254 S
offen 124 Satz 249
offener Euler-Zug 163 Satz von Cantor 268
Operation 266 Satz von Wilson 93

286 Anhänge
schlingenfrei 103 Vereinigung 256, 258, 265

Schubfachprinzip 267 Vergleichbarkeitssatz 268
selbstkomplementär 152 Verknüpfung 259
semikonnex 260 Verknüpfungsnotation 266
Signatur 248 Verneinungsregeln 251
Sorites-Paradoxon 279 Vertauschungsregeln 251
Stabilität 247 Verum 243
Stelle 261 Vielfaches 12
Suchbaum 181 Vierfarbensatz 225
Summationssatz 75 vollkommen 76
surjektiv 262 vollständig 111
Symmetrie 17, 126, 135, 144, 196 vollständig bipartit 113
symmetrisch 260
symmetrische Differenz 256 W
Wahrheitstafel 245
T Wald 176
Tautologie 246, 250 Weg 124
teilbar 12 Wert 261
Teilbarkeitssatz von Euklid 48, 60 Wertebereich 259, 261, 263
Teiler 12 Wertevorrat 261
teilerfremd 46 Wertverlaufsrekursion 276
Teilersummenfunktion 75 Widerspruch zur minimalen Wahl 274
Teilerzahlfunktion 75 Wirkungsbereich 249
Teilgraph 117
Teilmenge 254 Z
Term 248 Zerlegung 112
tertium non datur 247 zu einem Ganzen 253
Tiefensuche 186 Zusammenfassung 253
Transformation 266 zusammengesetzt 28
transitiv 260 zusammengesetzte Zahl 11
Transitivität 17, 126, 144 zusammenhängend 126
travelling salesman problem 210 Zusammenhangskomponente 127
tripartit 114
Tripel 255
Tupel 255
Turing-Maschine 170
U
überabzählbar 267
Umkehrrelation 259
unendlich 267
unendlicher Kettenbruch 55
Unendlichkeit der Primzahlen 91
ungerichtet 103
ungewichtet 103
Untergraph 117
Unterteilungsgraph 216
V
verbunden 103

Deiser - Einführung in Die Mathematik 2.1 - 220225

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Deiser - Einführung in Die Mathematik 2.1 - 220225

Hochgeladen von

Copyright:

Verfügbare Formate

Oliver Deiser

Einführung in die Mathematik 2.1

Elementare Zahlentheorie und Graphentheorie

für Caroline, Thalia und Larina

1. Abschnitt Elementare Zahlentheorie . . . . . . . . . . . . . . . 7

1. Teilbarkeit und Kongruenzen . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

© Oliver Deiser Einführung in die Mathematik 2.1

4. Die Eulersche ϕ-Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5. Kongruenzen ersten Grades . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

6. Exkurs: Das RSA-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

2. Kantenzüge und Wege . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Einführung in die Mathematik 2.1 © Oliver Deiser

4. Euler-Züge und Hamilton-Kreise . . . . . . . . . . . . . . . . . . . . . . . . 153

6. Gewichtete Graphen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193

© Oliver Deiser Einführung in die Mathematik 2.1

5. Varianten der Induktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269

Einführung in die Mathematik 2.1 © Oliver Deiser

München, im Juni 2018

© Oliver Deiser Einführung in die Mathematik 2.1

© Oliver Deiser Einführung in die Mathematik 2.1

Den Ausgangspunkt unserer zahlentheoretischen Untersuchungen bildet der

© Oliver Deiser Einführung in die Mathematik 2.1

Die ganzen Zahlen

Wir betrachten die folgenden Zahlbereiche:

Einführung in die Mathematik 2.1 © Oliver Deiser

Derartige Überlegungen unterstützen Vorstellungen, die bei der Aneignung

© Oliver Deiser Einführung in die Mathematik 2.1

Teiler und Vielfache

Die grundlegende Begriffsbildung dieses Kapitels ist:

Definition (Teilbarkeit, Teiler, Vielfaches)

a positive Teiler d von a Anzahl τ(n)

Einführung in die Mathematik 2.1 © Oliver Deiser

Eine Visualisierung der Teilbarkeitsrelation: In der Graphik sind alle Paare

Die Vergrößerung des Bereichs zeigt die Struktur der Teilbarkeitsrelation

© Oliver Deiser Einführung in die Mathematik 2.1

Die wichtigsten elementaren Eigenschaften der Teilbarkeitsrelation auf den

Satz (Eigenschaften der Teilbarkeit)

Der Beweis kann dem Leser zur Übung überlassen bleiben.

Ein grundlegendes Ergebnis ist:

Satz (Division mit Rest)

Einführung in die Mathematik 2.1 © Oliver Deiser

Definition (Quotient, Rest)

© Oliver Deiser Einführung in die Mathematik 2.1

Satz (Charakterisierung von „gleicher Rest“)

Definition (Kongruenz, modulo)

Einführung in die Mathematik 2.1 © Oliver Deiser

(4) Für alle a, b gilt:

Leicht zu zeigende Eigenschaften der Kongruenz sind:

Satz (Eigenschaften der Kongruenz, I)

Damit können Kongruenzen wie Identitäten und Abschätzungen in Ketten be-

Für Kongruenzen existiert ein eleganter Rechenkalkül. Die wichtigsten Re-

© Oliver Deiser Einführung in die Mathematik 2.1

Satz (Eigenschaften der Kongruenz, II)

Die Eigenschaften (K1) und (K3) können wir auch so ausdrücken:

Die Kongruenzrelationen lassen sich auf verschiedene Weisen visualisieren.

Einführung in die Mathematik 2.1 © Oliver Deiser

Eine Visualisierung der Kongruenz modulo 5: Gezeigt sind

Größerer Bereich mit dem Modul m = 10

© Oliver Deiser Einführung in die Mathematik 2.1

..., -9, -4, 1, 6, 11, ...

..., -8, -3, 2, 7, 12, ...

..., -10, -5, 0, 5, 10, ...

..., -7, -2, 3, 8, 13, ...