Systems of Linear Congruences | रेखीय समांग समीकरणों की प्रणाली
रेखीय समांग समीकरणों की प्रणाली (Systems of Linear Congruences)
परिचय
संख्या सिद्धांत (Number Theory) में रेखीय समांग समीकरणों की प्रणाली (Systems of Linear Congruences) उन समीकरणों के समूह को संदर्भित करती है जो मॉड्यूलर अंकगणित (Modular Arithmetic) के अंतर्गत आते हैं और जिनमें प्रत्येक समीकरण एक रेखीय समांगता (Linear Congruence) होता है। इस प्रकार की प्रणालियाँ गणित, कंप्यूटर साइंस, क्रिप्टोग्राफी, नेटवर्क सुरक्षा, और डेटा विज्ञान के क्षेत्र में अत्यधिक उपयोगी हैं।
उदाहरण के लिए, किसी सिस्टम में कई समांग समीकरण दिए जा सकते हैं जो किसी अज्ञात चर x के लिए विभिन्न मॉड्यूलस के अंतर्गत संतुष्ट होने चाहिए। इन समीकरणों का एक साथ समाधान निकालने की तकनीक ही “रेखीय समांग समीकरणों की प्रणाली” कहलाती है।
सामान्य रूप
रेखीय समांग समीकरणों की प्रणाली को सामान्यतः इस रूप में लिखा जाता है:
x ≡ a₁ (mod m₁)
x ≡ a₂ (mod m₂)
x ≡ a₃ (mod m₃)
...
x ≡ aₖ (mod mₖ)
यहाँ, m₁, m₂, m₃,…, mₖ मॉड्यूलस हैं और a₁, a₂, a₃,…, aₖ शेषफल (remainders) हैं। यदि सभी mᵢ परस्पर सहाभाज्य (Pairwise Coprime) हैं, तो प्रणाली का एक अद्वितीय समाधान होता है जो Chinese Remainder Theorem (CRT) से प्राप्त किया जा सकता है।
चीनी शेष प्रमेय के माध्यम से समाधान
यदि m₁, m₂, m₃,…, mₖ सभी सहाभाज्य हैं, तो CRT कहता है कि:
x ≡ a₁ (mod m₁)
x ≡ a₂ (mod m₂)
...
x ≡ aₖ (mod mₖ)
का समाधान इस प्रकार निकाला जा सकता है:
x ≡ Σ (aᵢ × Nᵢ × yᵢ) (mod N)
जहाँ N = m₁ × m₂ × … × mₖ, और Nᵢ = N / mᵢ तथा yᵢ वह संख्या है जो Nᵢ × yᵢ ≡ 1 (mod mᵢ) को संतुष्ट करती है।
उदाहरण
निम्नलिखित प्रणाली को हल करें:
x ≡ 1 (mod 2) x ≡ 2 (mod 3) x ≡ 3 (mod 5)
यहाँ m₁ = 2, m₂ = 3, m₃ = 5 अतः N = 2 × 3 × 5 = 30
अब Nᵢ निकालें:
- N₁ = 30/2 = 15
- N₂ = 30/3 = 10
- N₃ = 30/5 = 6
Modular Inverses:
- 15 × y₁ ≡ 1 (mod 2) ⇒ y₁ = 1
- 10 × y₂ ≡ 1 (mod 3) ⇒ y₂ = 1
- 6 × y₃ ≡ 1 (mod 5) ⇒ y₃ = 1
अब:
x ≡ (1×15×1) + (2×10×1) + (3×6×1) = 15 + 20 + 18 = 53 x ≡ 53 mod 30 ⇒ x ≡ 23 (mod 30)
इसलिए समाधान है x ≡ 23 (mod 30)
यदि मॉड्यूलस सहाभाज्य न हों
यदि m₁, m₂, …, mₖ परस्पर सहाभाज्य नहीं हैं, तो समाधान हमेशा मौजूद नहीं होता। इस स्थिति में दो समीकरणों का समाधान तभी होगा जब:
a₁ ≡ a₂ (mod GCD(m₁, m₂))
यदि यह शर्त पूरी नहीं होती, तो प्रणाली असंगत (Inconsistent) होगी।
एल्गोरिद्मिक दृष्टिकोण
- प्रत्येक मॉड्यूलस mᵢ का गुणनफल निकालें → N।
- हर समीकरण के लिए Nᵢ = N / mᵢ निकालें।
- प्रत्येक Nᵢ का Modular Inverse खोजें।
- x = Σ (aᵢ × Nᵢ × yᵢ) (mod N)
- अंतिम परिणाम x mod N के रूप में दें।
Python में समाधान
def chinese_remainder(a, n):
N = 1
for ni in n:
N *= ni
result = 0
for ai, ni in zip(a, n):
Ni = N // ni
yi = pow(Ni, -1, ni)
result += ai * Ni * yi
return result % N
a = [1, 2, 3]
n = [2, 3, 5]
print(chinese_remainder(a, n)) # Output: 23
प्रयोग और उपयोग
- क्रिप्टोग्राफी: RSA Decryption में Modular Computations को तेज़ बनाने के लिए।
- डेटा एन्क्रिप्शन: विभिन्न चैनलों से प्राप्त डेटा को एकल रूप में जोड़ने के लिए।
- नेटवर्क सिंक्रोनाइजेशन: Packet Time Alignment में।
- डेटा साइंस: Modular Patterns और Residue Systems के विश्लेषण में।
निष्कर्ष
रेखीय समांग समीकरणों की प्रणाली मॉड्यूलर अंकगणित की उन्नत अवधारणा है, जो अनेक समीकरणों को एकीकृत तरीके से हल करने की सुविधा प्रदान करती है। यह सिद्धांत डेटा सुरक्षा, क्रिप्टोग्राफी और गणनात्मक गणित में दक्षता लाता है। डेटा साइंस में यह मॉड्यूलर डेटा विश्लेषण और एल्गोरिद्मिक ऑप्टिमाइजेशन के लिए एक मजबूत गणितीय आधार प्रदान करता है।
Related Post
- Concept and Formulation of Hypothesis Testing | परिकल्पना परीक्षण की अवधारणा और निर्माण
- Type I and Type II Errors in Hypothesis Testing | परिकल्पना परीक्षण में प्रकार I और प्रकार II त्रुटियाँ
- Neyman–Pearson Lemma in Hypothesis Testing | परिकल्पना परीक्षण में नेयमन–पियर्सन प्रमेय
- Procedures of Hypothesis Testing | परिकल्पना परीक्षण की प्रक्रिया
- Basics of Time Series Analysis and Forecasting | समय श्रेणी विश्लेषण और पूर्वानुमान के मूल सिद्धांत
- Stationarity in Time Series | समय श्रेणी में स्थिरता
- ARIMA Models: Identification, Estimation, and Forecasting | ARIMA मॉडल: पहचान, अनुमान और पूर्वानुमान
- Comparison between Parametric and Non-Parametric Inference | पैरामीट्रिक और नॉन-पैरामीट्रिक अनुमान की तुलना
- Use of Order Statistics | ऑर्डर सांख्यिकी का उपयोग
- Sign Test in Non-Parametric Inference | नॉन-पैरामीट्रिक अनुमान में साइन परीक्षण
- Wilcoxon Signed Rank Test | विल्कॉक्सन साइन रैंक परीक्षण
- Mann–Whitney U Test | मैन–व्हिटनी यू परीक्षण
- Run Test in Non-Parametric Inference | नॉन-पैरामीट्रिक अनुमान में रन परीक्षण
- Kolmogorov–Smirnov Test | कोल्मोगोरोव–स्मिरनोव परीक्षण
- Spearman’s Rank Correlation Test | स्पीयरमैन रैंक सहसंबंध परीक्षण
- Kendall’s Rank Correlation Test | केंडल रैंक सहसंबंध परीक्षण
- Tolerance Region in Statistics | सांख्यिकी में सहनीय क्षेत्र
- Greatest Common Divisors (GCD) | महत्तम समापवर्तक (GCD)
- The Euclidean Algorithm | यूक्लिडियन एल्गोरिद्म
- The Fundamental Theorem of Arithmetic | अंकगणित का मौलिक प्रमेय
- Factorization of Integers and Fermat Numbers | पूर्णांकों का गुणनखंडन और फर्मा संख्याएँ
- Introduction to Congruences | समांगता का परिचय
- Linear Congruences | रेखीय समांगताएँ
- The Chinese Remainder Theorem | चीनी शेष प्रमेय
- Systems of Linear Congruences | रेखीय समांग समीकरणों की प्रणाली
- Introduction to Stochastic Processes | आकस्मिक प्रक्रियाओं का परिचय
- Markov Process | मार्कोव प्रक्रिया
- Transition Probability and Transition Probability Matrix | संक्रमण प्रायिकता और संक्रमण प्रायिकता मैट्रिक्स
- First Order and Higher Order Markov Processes | प्रथम और उच्च क्रम की मार्कोव प्रक्रियाएँ
- n-Step Transition Probabilities | n-चरण संक्रमण प्रायिकताएँ
- Markov Chain | मार्कोव श्रृंखला
- Steady State Condition and Markov Analysis | स्थिर अवस्था की शर्त और मार्कोव विश्लेषण
- Introduction to R | R का परिचय
- Functions in R | R में फ़ंक्शन्स
- Control Flow and Loops in R | R में नियंत्रण प्रवाह और लूप्स
- Working with Vectors and Matrices in R | R में वेक्टर और मैट्रिक्स के साथ कार्य करना
- Reading Data in R | R में डेटा पढ़ना
- Writing Data in R | R में डेटा लिखना
- Working with and Manipulating Data in R | R में डेटा पर कार्य करना और उसे संशोधित करना
- Simulation in R | R में सिमुलेशन
- Linear Model in R | R में रैखिक मॉडल
- Data Frame in R | R में डेटा फ़्रेम