Starke und schwache Einwegfunktionen

Größe: px
Ab Seite anzeigen:

Download "Starke und schwache Einwegfunktionen"

Transkript

1 Starke ud schwache Eiwegfuktioe Daiela Weiberg Semiar: Perle der theoretische Iformatik Dozete: Prof. Johaes Köbler, Olaf Beyersdorff Witersemester 2002/ Dezember 2002 Schwache Eiwegfuktioe impliziere starke Eiwegfuktioe Wir wolle zeige, daß die Existez vo schwache Eiwegfuktioe die Existez vo starke Eiwegfuktioe impliziert. Aber zuächst überlege wir us, daß icht jede schwache Eiwegfuktio ubedigt eie starke Eiwegfuktio ist. Dazu betrachte wir folgedes Beispiel: Sei z = x ud sei f eie Eiwegfuktio, die o.b.d.a. lägeerhalted ist. D.h. fx) = x. Nu kostruiere wir eie Fuktio g wie folgt: { z, fx)) z begit mit log2 x Nulle. gz, x) = z, x) sost Die Fuktio g ka keie starke Eiwegfuktio sei, da für alle außer eiem Teil der Zeichekette der Läge 2 die Fuktio mit der Idetitätsfuktio gleich ist. Nu beweise wir, daß g eie schwache Eiwegfuktio ist. Behauptug.. Sei f eie schwache) Eiwegfuktio. Da ist die Fuktio g, wie obe kostruiert, eie schwache Eiwegfuktio. Beweis. Betrachte wir die Fuktio g geauer. Ivertiere wir g u auf solche Eigabe, so daß g icht mit der Idetitätsfuktio zusamme trifft, müsse wir us ur Gedake über die Ivertierug vo f mache. Mit eier Wahrscheilichkeit vo mehr als wird g mit Eigabe der Läge größer als 2 ivertiert. Somit muß g also mit eier hohe Wahrscheilichkeit auf Eigabe ivertiert werde, wo sie die Fuktio f awedet. We g also keie schwache Eiwegfuktio ist, so ist f es auch icht. Werde wir jetzt etwas kokreter: wir ehme us eie probabilistische i Polyomialzeit arbeitede Algorithmus B her, der die Fuktio g ivertiert. Nu kostruiere wir och eie weitere probabilistische i Polyomialzeit arbeitede Algorithmus A, der f mit eier ähliche Erfolgswahrscheilichkeit ivertiert. Bei der Eigabe vo y macht der Algorithmus A u folgedes:

2 Schwache Eiwegfuktioe impliziere starke Eiwegfuktioe 2 setze def = y setze l def = log 2 wähle gleichverteilt ei z aus {0, } l bereche z def = B 0 l z, y) stoppe mit Ausgabe des bit Suffixes vo z Defiiere wir u och eie Mege S 2, die alle 2 bit lage Zeichekette ethalte möge, die gerade mit log 2 Nulle afage: def S 2 = {0 log2 α : α i{0, } log2} Somit köe wir us folgedes überlege: Pr[A fu )) f fu ))] Pr[B 0 l U l, fu )) 0 l U l, f fu ))] = Pr[B gu 2 ) g gu 2 )) U 2 S 2 ] Pr[B gu 2 ) g gu 2 ))] Pr[U 2 / S 2 ] Pr[U 2 S 2 ] = Pr[B gu 2 ) g gu 2 ))] )) = Pr[B gu 2 ) g gu 2 ))]) Hieraus sehe wir, daß für us ur der Fall iteressat ist wo Pr[B gu 2 ) g gu 2 ))] > gilt. Eie kurze Amerkug och zu de Umformuge: Pr[A B] = Pr[A B] Pr[B] Pr[A B] Pr[A] Pr[ B] ud Es folgt u folgedes für jedes Polyom p ) ud jede gaze Zahl : we B die Fuktio g auf gu 2 ) mit eier Wahrscheilichkeit größer als p2) ivertiert, so ivertiert auch A die Fuktio f auf fu ) mit eier Wahrscheilichkeit größer als p2). Nehme wir jetzt a, daß g keie schwache Eiwegfuktio ist. Das hieße also, daß für jedes Polyom p ) uedlich viele m s existiere müsse, so daß g auf gu m ) mit eier Wahrscheilichkeit vo mehr als pm) erfolgreich ivertiert werde ka. Da wäre auch f keie schwache Eiwegfuktio, da es da für jedes Polyom q ) uedlich viele s gebe müßte, so daß f auf fu ) mit eier Wahrscheilichkeit vo mehr als q) erfolgreich ivertiert werde ka, wobei q) = p2)/. Das steht aber im Widerspruch zu userer Aahme, daß f eie schwache Eiwegfuktio ist! Was habe wir u gezeigt? So es de Eiwegfuktioe gibt, gibt es schwache, die keie starke Eiwegfuktioe sid. Somit köe wir also ausschließe, daß alle Eiwegfuktioe starke Eiwegfuktioe sid. Im weitere Verlauf wolle wir u zeige, daß folgedes gilt.

3 2 Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere3 2 Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere Theorem 2.. Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere. Beweis. Sei f u eie schwache Eiwegfuktio ud sei p gerade das Polyom, welches wir bei der Defiitio vo schwache Eiwegfuktioe eigeführt habe. Jeder probabilistische i Polyomialzeit arbeitede Algorithmus ivertiert falsch. Weiterhi ehme wir a, daß f lägeerhalted ist. Wir defiiere u die Fuktio g wie folgt: f auf fu ) mit eier Wahrscheilichkeit vo midestes p) gx,..., x t) ) def = fx ),..., fx t) ) wobei gilt: x = = x t) = ud t) def = p). Wir zerlege also die 2 p) bit lage Eigabe vo g i t) Blöcke ud wede f auf jede Block a. Demach müsse wir u um die Fuktio g auf gx,..., x t) ) zu ivertiere praktisch das pre-image zu jedem fx i ) fide. Wir köe u folger, daß g eie starke Eiwegfuktio ist ud wir eie Ivertierugsalgorithmus habe, der separat für jedes fx i ) agesetzt arbeitet. Wäre dies der Fall, ist die Wahrscheilichkeit dafür, daß der Algorithmus erfolgreich alle fx i ) ivertiert, höchstes ) p) < 2. p) Die Aahme, daß der Algorithmus, welcher usere Fuktio g ivertiert, uabhägig für jedes fx i ) arbeitet, ka icht gerechtfertig werde. Daher müsse wir us dem Problem aders äher. Der Beweis wird wie folgt aussehe: Als erstes ehme wir a, daß usere Fuktio g keie starke Eiwegfuktio ist. Es existiert also ei i Polyomialzeit arbeiteder Algorithmus, der g mit eier icht ubedeutede Wahrscheilichkeit ivertiert. Wir werde eie Algorithmus agebe, der für uedlich viele die Fuktio f auf fu ) mit ivertiert gaz im Widerspruch zu userer Hypothese). Der Ivertierugsalgorithmus vo f utzt gerade de Ivertierugsalgorithmus vo g als eie Uterfuktio. eier Wahrscheilichkeit größer als p) Wir ehme ja a, daß g keie starke Eiwegfuktio ist. Daher gilt folgedes: Es gibt eie Algorithmus B ud ei Polyom q ), so daß gilt: Pr[B gu m )) g gu m ))] > qm), )

4 2 Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere4 wobei B der probabilistische i Polyomialzeit arbeitede Algorithmus zur Ivertierug vo g ist. Noch ei paar Festleguge: sei M eie uedliche Mege vo atürliche Zahle, sei N eie uedliche Mege vo s für die gilt 2 p) M. Somit sid also alle m s der Form 2 p). Uter der Beutzug vo B bilde wir u also eie i polyomieller Zeit arbeitede Algorithmus A, der a) mal wiederholt wird, zum Ivertiere vo f. Dabei setze wir a) def = 2 2 p) q 2 p)). A arbeitet mit folgeder Prozedur: wiederhole a) mal: Prozedur I : Iput: y setze def = y ). 2: for i = to t) do 3: wähle uabhägig ud gleichverteilt eie Sequez vo Strigs der Form x,..., x t) {0, } 4: bereche z,..., z t) ) B fx ),..., fx i ), y, fx i+ ),..., fx t) )) 5: we fz i ) = y, da stoppe ud gebe z i aus 6: ed for Zusamme mit der Gleichug ) köe wir us u eie utere Greze für die Erfolgswahrscheilichkeit useres Algorithmuses A überlege. Vorerst müsse wir allerdigs och eie Mege defiiere. Nee wir sie S. Sie möge alle bit Zeichekette ethalte, welche die Prozedur I mit eier Wahrscheilichkeit vo mehr als S def = a) zum Erfolg führt. { x {0, } : P r[ifx)) f fx))] > } a) Nu wolle wir zeige, daß usere Mege S alle, aber höchstes 2p) viele, Teilmege vo Zeichekette der Läge N ethält. Für jede Zeichekette x S ivertiert user Algorithmus A die Fuktio f auf fx) mit eier Wahrscheilichkeit, die expoetiell ahe ist. Behauptug 2.. Es gilt für jedes x S P r[a fx)) f fx))] > 2 Beweis. Aus der Defiitio der Mege S folgt, daß die Prozedur I die Fuktio fx) mit eier Wahrscheilichkeit vo midestes a) ivertiert. Da der Algorithmus A die Prozedur I a) mal wiederholt, folgt u P r[a fx)) / f fx))] < ) a) < a) 2 2)

5 2 Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere5 Behauptug 2.2. Für jedes N gilt: S > ) 2 2p) Beweis. Nehme wir a, es gelte im Gegesatz zur der obe geate Gleichug folgedes: S ) 2 2p) Wir versuche u eie Widerspruch zu userer Gleichug 2) zu fide. Es sei: s) def = Pr[B gu 2 p))) g gu 2 p)))] > q 2 3) p)) Seie U ),..., U p)) bit lage Blöcke der Zufallsvariable U 2 p), d.h. diese U i) sid uabhägige Zufallsvariable gleichverteilt auf {0, }. Nu zerlege wir das Ereigis beschriebe durch die Gleichug 2.2) i zwei disjukte Ereigisse. Diese etstehe dadurch, idem wir zum eie die U i) s betrachte die i S liege ud zum adere ebe jee die icht i der Mege liege. Ituitiv köe wir sage, daß B i eiem solche Fall icht gut fuktioiere ka, da ebe dieser Fall mit der Erfolgswahrscheilichkeit vo I korrespodiert. Auf der adere Seite ist die Wahrscheilichkeit, daß alle U i) s i S liege recht gerig. Kokret defiiere wir folgedes: ud s ) def = Pr[B gu 2 p))) g gu 2 p))) i : U i) / S )] s 2 ) def = Pr[B gu 2 p))) g gu 2 p))) i : U i) S )] Offesichtlich gilt: s) = s ) + s 2 ) die Ereigisse i de s i s sid disjukt). Wir versuche u eie Widerspruch zur utere Schrake vo s) aufzustelle, idem wir obere Schrake für s ) ud s 2 ) agebe, die sich da zu weiger als s) addiere. Als erstes stelle wir eie obere Schrake für s ) auf. Richte wir user Augemerk auf die Prozedur I. I ivertiert ja f auf Eigabe fx) mit eier Wahrscheilichkeit, die vo dem Erfolg vo B zur Ivertierug vo g auf eier Sequez der zufällige f-bilder, die fx) beihalte, abhägt. Für jedes x {0, } ud jedes i p), ist die Wahrscheilichkeit, daß I die Fuktio f auf fx) ivertiert größer oder gleich der Wahrscheilichkeit, daß = x. Der Erfolg vo B g zu ivertiere, heißt, daß f auf dem i te Block ivertiert wurde ud trägt zur Erfolgswahrscheilichkeit vo I bei.) Es folgt u, daß für jedes x {0, } ud jedes i p): B g auf gu 2 p)) ivertiert. Dabei gilt U i) Pr[Ifx)) f fx))] Pr[B gu 2 p))) g gu 2 p))) U i) = x], 4) gilt. Da für x / S die like Seite icht groß werde ka, wolle wir zeige, daß s ) icht groß sei ka. Somit köe wir us u folgedes überlege:

6 2 Schwache Eiwegfuktioe existiere geau da, we starke Eiwegfuktioe existiere6 s ) = Pr[ i : B gu 2 p))) g gu 2 p))) U i) / S ] = p) i= p) i= p) i= p) i= p) i= Pr[B gu 2 p))) g gu 2 p))) U i) / S ] p) = 2 p) a) x/ S Pr[B gu 2 p))) g gu 2 p))) U i) = x] Pr[U i) x/ S = x] Pr[B gu 2 p))) g gu 2 p))) U i) = x] max x/ S {Pr[B gu 2 p))) g gu 2 p))) U i) max x/ S {Pr[Ifx)) f fx))]} a) = x]} Die letzte Ugleichug utzt die Defiitio vo S ud die davor utzt die Gleichug 2.2). Nu köe wir eie obere Greze für s 2 ) agebe. Erier wir us, daß usere Hypothese ja S 2p) ) 2 war. Es folgt also: s 2 ) Pr[ i : U i) S ] 2p) < 2 /2 < 2 p) a) ) p) Die letzte Ugleichug gilt für hireiched große.) Führe wir u usere obere Greze der s i s zusamme, erhalte wir s ) + s 2 ) < 22 p) a) = q 2 p)), wo Gleichheit ebe bei der Defiitio vo a) gilt. Auf der adere Seite gilt aber s )+s 2 ) = s) > q 2 p)), wo Ugleichheit wege der Gleichug 2.2 gilt. Wir habe also eie Widerspruch ud usere Behauptug folgt! Kombiiere wir u usere letzte beide Behauptuge, so erhalte wir folgedes:

7 3 Zusammefassug 7 P r[a fu )) f fu ))] P r[a fu )) f fu )) U S ] = P r[u S ] P r[a fu )) f fu )) U S ] ) 2 ) 2p) > p) Es muß also ei probabilistischer i polyomieller Zeit arbeiteder Algorithmus A existiere, der f auf fx), für N, mit eier Wahrscheilichkeit vo mehr als p) ivertiert. Diese Schlußfolgerug steht aber u gaz im Widerspruch zu der Hypothese, daß jeder probabilistische i polyomieller Zeit arbeitede Algorithmus mit eier Wahrscheilichkeit vo midestes p) bei der Ivertierug der Fuktio f scheitert. Somit folgt also usere Behauptug. 3 Zusammefassug Was habe wir de eigetlich im letzte Absatz gemacht? Wir habe bewiese, daß es schwache Eiwegfuktioe geau da gibt, we es auch starke Eiwegfuktioe gibt. Wir kostruierte us zu eier schwache Eiwegfuktio f eie i Polyomialzeit berechebare Fuktio g ud wollte später beweise, daß diese Fuktio eie starke Eiwegfuktio ist. Für diese Beweis utzte wir ei Reduzierbarkeitsargumet. Wir reduzierte also das Löse des eie Problems auf das Löse des adere. Da wir aber eie Prozedur utze, die das Problem ur für eie bestimmte Wahrscheilichkeit auf eier bestimmte Verteilug löst, spreche wir vo eiem Reduzierbarkeitsargumet ud icht vo eier Reduzierug im herkömmliche Sie. Literatur [] Goldreich, Oded. Foudatios of Cryptography, Cambridge Uiversity Press, 200.

10 Aussagen mit Quantoren und

10 Aussagen mit Quantoren und 0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits

Mehr

Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,

Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id, Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits

Mehr

Tests statistischer Hypothesen

Tests statistischer Hypothesen KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes

Mehr

4 Konvergenz von Folgen

4 Konvergenz von Folgen 4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder

Mehr

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,

Mehr

Empirische Verteilungsfunktion

Empirische Verteilungsfunktion KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,

Mehr

Die Probabilistische Methode

Die Probabilistische Methode Mathematisch-Naturwisseschaftliche Fakultät II Istitut für Iformatik Die Probabilistische Methode Prosemiar Das Buch der Beweise Dozet: Dr. Wolfgag Kössler Floria Becker 11. Februar 013 1 Ihaltsverzeichis

Mehr

Dritter Zirkelbrief: Ungleichungen

Dritter Zirkelbrief: Ungleichungen Matheschülerzirkel Uiversität Augsburg Schuljahr 014/015 Dritter Zirkelbrief: Ugleichuge Ihaltsverzeichis 1 Grudlage vo Ugleichuge 1 Löse vo Ugleichuge 3 3 Mittel 4 4 Mittelugleichuge 5 5 Umordugsugleichug

Mehr

Diskrete Wahrscheinlichkeitstheorie Wiederholungsklausur

Diskrete Wahrscheinlichkeitstheorie Wiederholungsklausur Techische Uiversität Müche Sommersemester 007 Istitut für Iformatik Prof. Dr. Javier Esparza Diskrete Wahrscheilichkeitstheorie Wiederholugsklausur LÖSUNG Hiweis: Bei alle Aufgabe wird ebe dem gefragte

Mehr

Das Erstellen von Folgen mit der Last Answer Funktion

Das Erstellen von Folgen mit der Last Answer Funktion Schülerarbeitsblatt Wisseschaftlicher Recher EL-W5 WriteView Das Erstelle vo Folge mit der Last Aswer Fuktio 5 9 Die obige Folge wird ach eier eifache Regel gebildet: Zu jedem Glied wird addiert. Über

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

1 Randomisierte Bestimmung des Medians

1 Randomisierte Bestimmung des Medians Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser

Mehr

Kombinatorik und Polynommultiplikation

Kombinatorik und Polynommultiplikation Kombiatorik ud Polyommultiplikatio 3 Vorträge für Schüler SS 2004 W Pleske RWTH Aache, Lehrstuhl B für Mathematik 3 Eiige Zählprizipie ud Ausblicke Wir habe bislag gesehe, was die Multiomialkoeffiziete

Mehr

2 Konvergenz von Folgen

2 Konvergenz von Folgen Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge

Mehr

Aufgrund der Körperaxiome ist jedoch

Aufgrund der Körperaxiome ist jedoch Hiweise: Der Doppelstrich // steht für eie Kommetarzeile. Tipp- ud Rechtschreibfehler köe trotz mehrfacher Kotrolle icht hudertprozetig vermiede werde. Die selbst erstellte Lösugsasätze orietiere sich

Mehr

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität), Aalysis, Woche 2 Reelle Zahle A 2. Ordug Defiitio 2. Ma et eie Ordug für K, we. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a, b, c K

Mehr

Stochastik im SoSe 2018 Übungsblatt 2

Stochastik im SoSe 2018 Übungsblatt 2 Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,

Mehr

Wörterbuchmethoden und Lempel-Ziv-Codierung

Wörterbuchmethoden und Lempel-Ziv-Codierung Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches

Mehr

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2

D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2 D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c

Mehr

Skriptum zur ANALYSIS 1

Skriptum zur ANALYSIS 1 Skriptum zur ANALYSIS 1 Güter Lettl WS 2017/2018 1. Grudbegriffe der Megelehre ud der Logik 1.1 Naive Megelehre [Sch-St 4.1] Defiitio eier Mege ach Georg Cator (1845 1918):,,Eie Mege M ist eie Zusammefassug

Mehr

Grundlagen: Algorithmen und Datenstrukturen

Grundlagen: Algorithmen und Datenstrukturen Techische Uiversität Müche Fakultät für Iformatik Lehrstuhl für Effiziete Algorithme Dr. Hajo Täubig Tobias Lieber Sommersemester 2011 Übugsblatt 1 13. Mai 2011 Grudlage: Algorithme ud Datestrukture Abgabetermi:

Mehr

Kompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0

Kompaktheit und gleichgradige Stetigkeit. 1 Einführung in die Kompaktheit in C 0 Kompaktheit ud gleichgradige Stetigkeit Vortrag zum Prosemiar zur Aalysis, 14.06.2010 Mao Wiescherma Matthias Klupsch Dieser Vortrag beschäftigt sich mit Kompaktheit vo Teilräume vom Raum der stetige Abbilduge

Mehr

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität), Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN Prof. Dr. R. Köig Dr. M. Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Z8.. Kriterie für strege Mootoie Mathematik für Physiker 2 (Aalysis ) MA9202 Witersem. 207/8 Lösugsblatt 8

Mehr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:

Mehr

Lösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann

Lösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann Lösugsskizze Mathematik für Iformatiker 5. Aufl. Kapitel 3 Peter Hartma Verstädisfrage. Ka ma ei Axiom beweise? Nei!. Ka ei Beweis eier Aussage richtig sei, we im Iduktiosschluss die Iduktiosaahme icht

Mehr

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ).

KAPITEL 11. Ungleichungen. g(x) g(x 0 ) + K 0 (x x 0 ). KAPITEL 11 Ugleichuge 111 Jese-Ugleichug Defiitio 1111 Eie Fuktio g : R R heißt kovex, we ma für jedes x R ei K = K (x ) R fide ka, so dass für alle x R gilt: g(x) g(x ) + K (x x ) Bemerkug 111 Eie Fuktio

Mehr

Seminar: Randomisierte Algorithmen Routenplanung in Netzwerken

Seminar: Randomisierte Algorithmen Routenplanung in Netzwerken Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter

Mehr

Das kollektive Risikomodell. 12. Mai 2009

Das kollektive Risikomodell. 12. Mai 2009 Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer

Mehr

Fit in Mathe. April Klassenstufe 10 Wurzelfunktionen

Fit in Mathe. April Klassenstufe 10 Wurzelfunktionen Thema Fit i Mathe Musterlösuge 1 April Klassestufe 10 Wurzelfuktioe Uter der -te Wurzel eier icht-egative Zahl (i Zeiche: ) versteht ma die icht-egative Zahl, die mal mit sich selber multipliziert, die

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung... KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4

Mehr

Mathematische Vorgehensweise

Mathematische Vorgehensweise Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud

Mehr

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde

Mehr

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen

Grenzwert. 1. Der Grenzwert von monotonen, beschränkten Folgen . Der Grezwert vo mootoe, beschräkte Folge Der Grezwert vo mootoe, beschräkte Folge ist eifacher verstädlich als der allgemeie Fall. Deshalb utersuche wir zuerst diese Spezialfall ud verallgemeier aschliessed.

Mehr

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit - 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete

Mehr

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS

ÜBUNGSBLATT 4 LÖSUNGEN MAT121/MAT131 ANALYSIS I HERBSTSEMESTER 2010 PROF. DR. CAMILLO DE LELLIS ÜBUNGSBLATT 4 LÖSUNGEN MAT/MAT3 ANALYSIS I HERBSTSEMESTER 00 PROF. DR. AMILLO DE LELLIS Aufgabe. Etscheide Sie für folgede Folge (wobei N \ {0}), ob diese koverget sid, ud bereche sie gegebeefalls ihre

Mehr

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09

Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09 Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht

Mehr

Kapitel 3 Folgen von reellen Zahlen

Kapitel 3 Folgen von reellen Zahlen Wolter/Dah: Aalysis Idividuell 4 Kapitel 3 Folge vo reelle Zahle Wir befasse us i diesem Abschitt mit Zahlefolge, die u.a. zur Eiführug ud 3/0/0 Behadlug des für die Aalysis äußerst wichtige Grezwertbegriffes

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 04..05 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 6. Übugsblatt Aufgabe

Mehr

Lösungsvorschlag zu den Hausaufgaben der 1. Übung

Lösungsvorschlag zu den Hausaufgaben der 1. Übung FAKULTÄT FÜR MATHEMATIK Prof. Dr. Patrizio Neff Christia Thiel 4.04.04 Lösugsvorschlag zu de Hausaufgabe der. Übug Aufgabe : (6 Pukte Bereche Sie für die Fuktio f : R R, f( : ep( a der Stelle 0 0 das Taylorpolyom

Mehr

Determinante und Resultante Azadeh Pasandi

Determinante und Resultante Azadeh Pasandi Determiate ud Resultate 07.01.2009 Azadeh Pasadi Defiitio ud Grudeigeschafte: sei U, V, W ud Vektor-Raum über Körper F ud beachte eie Abbildug f ( u,v ) vo kartesische Produkt: f: U x V W Diese Abbildug

Mehr

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt

Höhere Mathematik I für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie Lösungsvorschläge zum 4. Übungsblatt UNIVERSITÄT KARLSRUHE Istitut für Aalysis HDoz. Dr. P. C. Kustma Dipl.-Math. M. Uhl WS 2008/09 Höhere Mathematik I für die Fachrichtuge Elektroigeieurwese, Physik ud Geodäsie Lösugsvorschläge zum 4. Übugsblatt

Mehr

3 Grenzwerte. 3.1 Grenzwerte von Folgen

3 Grenzwerte. 3.1 Grenzwerte von Folgen 03-grezwerte.cdf 3 Grezwerte 3. Grezwerte vo Folge Kovergez Mache Folge zeige ei spezielles Verhalte, we der Idex sehr groß wird. Sie äher sich eier bestimmte Zahl. Betrachte wir zum Beispiel die Folge

Mehr

Zenraler Grenzwertsatz

Zenraler Grenzwertsatz Zeraler Grezwertsatz Ato Klimovsky Zetraler Grezwertsatz. Kovergez i Verteilug. Normalapproximatio. I diesem Abschitt beschäftige wir us mit der folgede Frage. Frage: Wie sieht die Verteilug eier Summe

Mehr

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß

Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-

Mehr

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung 6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez

Mehr

2. Übung Algorithmen II

2. Übung Algorithmen II Johaes Sigler, Prof. Saders 1 Johaes Sigler: KIT Uiversität des Lades Bade-Württemberg ud atioales Forschugszetrum i der Helmholtz-Gemeischaft Istitut für Theoretische www.kit.edu Iformatik Orgaisatorisches

Mehr

Dann ist die Zahl auf der linken Seite gerade und die auf der rechten Seite ungerade. Also sind sie nicht gleich.

Dann ist die Zahl auf der linken Seite gerade und die auf der rechten Seite ungerade. Also sind sie nicht gleich. Lösuge. Es gibt drei Lösuge.. Lösug: Ato ist traurig ud er trikt keie Likör. Bruo isst Torte ud ist besorgt. Christa ist icht übel ud sie macht Purzelbäume.. Lösug: Ato ist traurig ud trikt keie Likör.

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,

Mehr

KAPITEL 2. Zahlenfolgen

KAPITEL 2. Zahlenfolgen KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................

Mehr

38 Normen und Neumannsche Reihe

38 Normen und Neumannsche Reihe 168 V. Lieare Algebra 38 Norme ud Neumasche Reihe Wir erier zuächst a (vgl. 15.6) 38.1 Normierte Räume. Es sei E ei Vektorraum über K = R oder K = C. Eie Abbildug : E [0, ) heißt Norm auf E, falls gilt

Mehr

Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung

Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 05/06 3..05 Höhere Mathemati für die Fachrichtug Physi Lösugsvorschläge zum 3. Übugsblatt Vorbemerug

Mehr

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen

Seminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert

Mehr

2 Asymptotische Schranken

2 Asymptotische Schranken Asymptotische Schrake Sowohl die Laufzeit T () als auch der Speicherbedarf S() werde meist durch asymptotische Schrake agegebe. Die Kostate c i, welche i der Eiführug deiert wurde, sid direkt vo der Implemetatio

Mehr

Wir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.

Wir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel. Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8 Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir

Mehr

Kapitel 9: Schätzungen

Kapitel 9: Schätzungen - 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.

Mehr

Übung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen

Übung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen Übug zur Vorlesug Eiführug i die Algebra Prof. Dr. J. H. Bruiier Stepha Ehle Sommersemester 2009 Lösugshiweise zu Übugsblatt 3 Aufgabe G3.1 Automorphisme vo Das ist im Prizip lieare Algebra: Sei f Aut(

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004 Lösuge zu Aufgabeblatt 7

Mehr

3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57

3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57 Ihaltsverzeichis 1 Berechebarkeit ud Algorithme 7 1.1 Berechebarkeit................................. 7 1.1.1 LOOP/WHILE-Berechebarkeit................... 8 1.1.2 Turig-Maschie...........................

Mehr

Zahlenfolgen und Konvergenzkriterien

Zahlenfolgen und Konvergenzkriterien www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit

Mehr

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5

Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5 TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt

Mehr

Metrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan

Metrisierbarkeit. Technische Universität Wien Seminararbeit aus Analysis WS 2014 Sinan Özcaliskan Metrisierbarkeit Techische Uiversität Wie Semiararbeit aus Aalysis WS 04 Sia Özcaliska Ihaltsverzeichis Eileitug 3 Der Metrisierbarkeitssatz vo Alexadroff-Urysoh 3 3 Der Metrisierbarkeitssatz vo Nagata-Smirov

Mehr

Probeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst?

Probeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst? Quaterecher Witersemester 5/6 Theoretische Iformatik Uiversität Haover Dr. Matthias Homeister Dipl.-Math. Heig Schoor Probeklausur Hiweis: Diese Probeklausur ist kürzer als die tatsächliche Klausur.. a

Mehr

Es gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden

Es gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem

Mehr

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $

$Id: reihen.tex,v /06/14 13:59:06 hk Exp $ Mathematik für Iformatiker B, SS 202 Doerstag 4.6 $Id: reihe.tex,v.9 202/06/4 3:59:06 hk Exp $ 7 Reihe 7.4 Kovergezkriterie für Reihe 7.4. Alterierede Reihe Wir hatte gesehe das die harmoische Reihe divergiert,

Mehr

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.

3 Folgen, Reihen, Grenzwerte 3.1 Zahlenfolgen. Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10. 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Beispiele: 1, 2, 3, 4, 5,. 1, 3, 5, 7, 9, 3, 6, 9, 12, 15, 2, 4, 8, 16, 32, 64, 10, 100, 1.000, 10.000, 1 3 Folge, Reihe, Grezwerte 3.1 Zahlefolge Defiitio: Eie

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug

Mehr

5. Übungsblatt Aufgaben mit Lösungen

5. Übungsblatt Aufgaben mit Lösungen 5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge

Mehr

Elemente der Mathematik - Winter 2016/2017

Elemente der Mathematik - Winter 2016/2017 4 Elemete der Mathemati - Witer 201/2017 Prof. Dr. Peter Koepe, Regula Krapf Übugsblatt 8 Aufgabe 33 ( Pute). Beweise Sie folgede Idetitäte durch vollstädige Idutio: (a) 0 2 (1)(21), N. (b) 2 (1 1 ) 1

Mehr

Analysis ZAHLENFOLGEN Teil 4 : Monotonie

Analysis ZAHLENFOLGEN Teil 4 : Monotonie Aalysis ZAHLENFOLGEN Teil 4 : Mootoie Datei Nr. 40051 Friedrich Buckel Juli 005 Iteretbibliothek für Schulmathematik Ihalt 1 Eiführugsbeispiele 1 Mootoie bei arithmetische Folge Defiitioe 3 3 Welche Beweistechik

Mehr

Einführung in die Grenzwerte

Einführung in die Grenzwerte Eiführug i die Grezwerte Dieser Text folgt hauptsächlich der Notwedigkeit i sehr kurzer Zeit eie Idee ud Teile ihrer Awedug zu präsetiere, so dass relativ schell mit dieser Idee gerechet werde ka. Der

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)

Mehr

Lösungen zu Kapitel 4

Lösungen zu Kapitel 4 Lösuge zu Kapitel 4 Lösug zu Aufgabe : Die folgede Grezwerte köe aalog zu Beispiel 4.(c bestimmt werde: (a lim + = 3 3. (b Die Folge a ist diverget. (c lim + = 0. 3 (d lim ( + 3 = 0. (e lim ( + = 0. Lösug

Mehr

1. Folgen ( Zahlenfolgen )

1. Folgen ( Zahlenfolgen ) . Folge ( Zahlefolge Allgemeies Beispiel für eie regelmäßige Folge: /, /3, /4, /5, /6,... Das erste Glied ist a =/ Das ist das Glied mit dem Ide Das zweite Glied ist a =/3 Das ist das Glied mit dem Ide

Mehr

Übungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Serie 10

Übungsaufgaben zur Vorlesung ANALYSIS I (WS 12/13) Serie 10 Humboldt-Uiversität zu Berli Istitut für Mathematik Prof. A. Griewak Ph.D.; Dr. A. Hoffkamp; Dipl.Math. T.Bosse; Dipl.Math. L. Jase Übugsaufgabe zur Vorlesug ANALYSIS I (WS 2/3) Serie 0 Musterlösug S.

Mehr

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa

4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa 20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle

Mehr

Aufgaben zur Analysis I

Aufgaben zur Analysis I Aufgabe zur Aalysis I Es werde folgede Theme behadelt:. Logik, Iduktio, Mege, Abbilduge 2. Supremum, Ifimum 3. Folge, Fuktioefolge 4. Reihe, Potezreihe 5. Mootoie ud Stetigkeit 6. Differetialrechug 7.

Mehr

Demo-Text für INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK. ANALYSIS Vollständige Induktion FRIEDRICH W.

Demo-Text für   INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK.   ANALYSIS Vollständige Induktion FRIEDRICH W. ANALYSIS Vollstädige Iduktio Datei Nr. 40080 Stad 14. März 018 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK 40080 Beweismethode: Vollstädige Iduktio Vorwort Die Methode der vollstädige Iduktio

Mehr

6. Übung - Differenzengleichungen

6. Übung - Differenzengleichungen 6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf

Mehr

Tutorial zum Grenzwert reeller Zahlenfolgen

Tutorial zum Grenzwert reeller Zahlenfolgen MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des

Mehr

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $

6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $ Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum

Mehr

Kapitel VI. Einige spezielle diskrete Verteilungen

Kapitel VI. Einige spezielle diskrete Verteilungen Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p

Mehr

Aufgaben und Lösungen der Probeklausur zur Analysis I

Aufgaben und Lösungen der Probeklausur zur Analysis I Fachbereich Mathematik AG 5: Fuktioalaalysis Prof. Dr. K.-H. Neeb Dipl.-Math. Rafael Dahme Dipl.-Math. Stefa Wager ATECHNISCHE UNIVERSITÄT DARMSTADT SS 007 19. Jui 007 Aufgabe ud Lösuge der Probeklausur

Mehr

Lösungen 4 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren

Lösungen 4 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren Lösuge 4 zum Mathematik-Brückekurs für alle, die sich für Mathematik iteressiere µfsr, TU Dresde Versio vom 26. September 2016, Fehler ud Verbesserugsvorschläge bitte a beedikt.bartsch@myfsr.de Aufgabe

Mehr

Analysis I für M, LaG/M, Ph 8.Übungsblatt

Analysis I für M, LaG/M, Ph 8.Übungsblatt Aalysis I für M, LaG/M, Ph 8Übugsblatt Fachbereich Mathematik Sommersemester 200 Dr Robert Haller-Ditelma 0206200 David Bücher Christia Bradeburg Gruppeübug Aufgabe G (Kovergezkriterie/Kovergezradie) (a)

Mehr

Höhere Mathematik für die Fachrichtung Physik

Höhere Mathematik für die Fachrichtung Physik Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Sebastia Schwarz WS 04/05 0..04 Höhere Mathematik für die Fachrichtug Physik Lösugsvorschläge zum 4. Übugsblatt

Mehr

3 Vergleich zweier unverbundener Stichproben

3 Vergleich zweier unverbundener Stichproben 3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite

Mehr

Asymptotische Notationen

Asymptotische Notationen Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathemati PROF DRDR JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathemati für Iformatier I Witersemester 2003/2004 Aufgabeblatt 8 12 Dezember

Mehr

Analysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung

Analysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme

Mehr

Analysis I. Prof. Dr. H. Brenner Osnabrück WS 2014/2015. Vorlesung 20. Konvexe Funktionen

Analysis I. Prof. Dr. H. Brenner Osnabrück WS 2014/2015. Vorlesung 20. Konvexe Funktionen Prof. Dr. H. Breer Osabrück WS 2014/2015 Aalysis I Vorlesug 20 Kovexe Fuktioe Eie kovexe Teilmege. Eie ichtkovexe Teilmege. Defiitio 20.1. Eie Teilmege T R heißt kovex, we mit je zwei Pukte P, Q T auch

Mehr

Lösungen zur Präsenzübung 6

Lösungen zur Präsenzübung 6 Lösuge zur Präsezübug 6 Mirko Getzi Uiversität Bielefeld Fakultät für Mathematik. Dezember 203 Ich gebe keie Gewähr auf eie vollstädige Richtigkeit der Lösuge zu de Übugsaufgabe. Das Dokumet hat jedoch

Mehr

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst für Iformatik Modellierug ud Verifikatio vo Software Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Lösug - Übug 3 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder

Mehr

Grundlagen der Mathematik (LPSI/LS-M1)

Grundlagen der Mathematik (LPSI/LS-M1) Fachbereich Mathematik Algebra ud Zahletheorie Christia Curilla Grudlage der Mathematik (LPSI/LS-M1) Übugsklausur WiSe 2010/11 - C. Curilla/S. Koch/S. Ziegehage Liebe Studierede, im Folgede fide Sie eiige

Mehr