Zufällige Polytope. Benedikt Liedtke. 18. Januar 2010
|
|
- Oskar Eberhardt
- vor 5 Jahren
- Abrufe
Transkript
1 Zufällige Polytope Benedikt Liedtke 18. Januar 2010
2 Inhaltsverzeichnis 1 Einleitung Motivation Definition zufälliges konvexes Polytop 3 verschiedene Modelle E(K, n) Ef k (K n )
3 Inhaltsverzeichnis 1 Einleitung Motivation Definition zufälliges konvexes Polytop 3 verschiedene Modelle E(K, n) Ef k (K n ) 2 Bestimmung von E(K, n) Begriffe Kappe und zugehörige Größen Asymptotisches Verhalten von E(K, n) Beweis der unteren Grenze Macbeath-Regionen Beweis der oberen Grenze Beispiele
4 Inhaltsverzeichnis 1 Einleitung Motivation Definition zufälliges konvexes Polytop 3 verschiedene Modelle E(K, n) Ef k (K n ) 2 Bestimmung von E(K, n) Begriffe Kappe und zugehörige Größen Asymptotisches Verhalten von E(K, n) Beweis der unteren Grenze Macbeath-Regionen Beweis der oberen Grenze Beispiele 3 Bestimmung von Ef k (K n ) Asymptotisches Verhalten von Ef k (K n )
5 Motivation Sylvestersches 4-Punkte Problem (1865) Sylvester warf 1865 die Frage auf wie hoch die Wahrscheinlichkeit P (R) ist, dass die konvexe Hülle von 4 zufälligen Punkten in einem 2-dimensionalen Bereich R ein Viereck ist. Offensichtlich spielt es eine Rolle, nach welcher Verteilung man die zufälligen Punkte wählt und welche Form die Region R hat.
6 Motivation Sylvestersches 4-Punkte Problem (1865) Sylvester warf 1865 die Frage auf wie hoch die Wahrscheinlichkeit P (R) ist, dass die konvexe Hülle von 4 zufälligen Punkten in einem 2-dimensionalen Bereich R ein Viereck ist. Offensichtlich spielt es eine Rolle, nach welcher Verteilung man die zufälligen Punkte wählt und welche Form die Region R hat.
7 Motivation Es wurde gezeigt (Blaschke 1923, Peyerimhoff 1997), dass in Abhängigkeit der zugrundeliegenden Menge R gilt: P (R) 12π Der minimale Wert wird angenommen falls R ein Dreieck, der maximale falls R ein Ellipsoid ist. Die generalisierten Fragestellungen: Wahrscheinlichkeit, dass die konvexe Hülle von n+2 Punkten in einem Körper B n n+1 Ecken hat.
8 Motivation Es wurde gezeigt (Blaschke 1923, Peyerimhoff 1997), dass in Abhängigkeit der zugrundeliegenden Menge R gilt: P (R) 12π Der minimale Wert wird angenommen falls R ein Dreieck, der maximale falls R ein Ellipsoid ist. Die generalisierten Fragestellungen: Wahrscheinlichkeit, dass die konvexe Hülle von n+2 Punkten in einem Körper B n n+1 Ecken hat. erwartete Anzahl von Ecken
9 Motivation Es wurde gezeigt (Blaschke 1923, Peyerimhoff 1997), dass in Abhängigkeit der zugrundeliegenden Menge R gilt: P (R) 12π Der minimale Wert wird angenommen falls R ein Dreieck, der maximale falls R ein Ellipsoid ist. Die generalisierten Fragestellungen: Wahrscheinlichkeit, dass die konvexe Hülle von n+2 Punkten in einem Körper B n n+1 Ecken hat. erwartete Anzahl von Ecken erwartetes Volumen der konvexen Hülle.
10 Definition zufälliges konvexes Polytop Definition (konvexe Hülle) Wir schreiben [x 1,..., x n ] für die konvexe Hülle der Punktmenge {x 1,..., x n }
11 Definition zufälliges konvexes Polytop Definition (konvexe Hülle) Wir schreiben [x 1,..., x n ] für die konvexe Hülle der Punktmenge {x 1,..., x n } Definition (konvexes Polytop) Ein konvexes Polytop ist die nichtleere konvexe Hülle von endlich vielen Punkten und somit eine kompakte und konvexe Teilmenge des R d
12 Definition zufälliges konvexes Polytop Definition (konvexe Hülle) Wir schreiben [x 1,..., x n ] für die konvexe Hülle der Punktmenge {x 1,..., x n } Definition (konvexes Polytop) Ein konvexes Polytop ist die nichtleere konvexe Hülle von endlich vielen Punkten und somit eine kompakte und konvexe Teilmenge des R d Definition (zufälliges Polytop) Sei P die Menge aller Polytope, dann ist das Bild einer messbaren Abbildung X : Ω P ein zufälliges Polytop.
13 3 verschiedene Modelle Seien x 1,..., x n zufällige Punkte im R d, dann ist K = [x 1,..., x n ] ein zufälliges Polytop im R d
14 3 verschiedene Modelle Seien x 1,..., x n zufällige Punkte im R d, dann ist K = [x 1,..., x n ] ein zufälliges Polytop im R d Sei K R n, n > d, dann ist die orthogonale Projektion von K auf einen zufälligen d-dimensionalen Unterraum ein zufälliges Polytop im R d
15 3 verschiedene Modelle Seien x 1,..., x n zufällige Punkte im R d, dann ist K = [x 1,..., x n ] ein zufälliges Polytop im R d Sei K R n, n > d, dann ist die orthogonale Projektion von K auf einen zufälligen d-dimensionalen Unterraum ein zufälliges Polytop im R d Seien H 1,..., H n zufällige abgeschlossene Halbräume des R d, dann kann K = i=1,..,n H i ein zufälliges Polytop im R d sein falls es die Definition erfüllt
16 E(K, n) ν(k \ K n ): das von K n ausgelassene Volumen
17 E(K, n) ν(k \ K n ): das von K n ausgelassene Volumen und der zugehörige Erwartungswert E(ν(K \ K n )) = E(K, n)
18 E(K, n) ν(k \ K n ): das von K n ausgelassene Volumen und der zugehörige Erwartungswert E(ν(K \ K n )) = E(K, n)
19 Ef k (K n) f k (K n ): die Zahl der k-dimensionalen Seiten von K n
20 Ef k (K n) f k (K n ): die Zahl der k-dimensionalen Seiten von K n und deren Erwartungswert: Ef k (K n )
21 Ef k (K n) f k (K n ): die Zahl der k-dimensionalen Seiten von K n und deren Erwartungswert: Ef k (K n )
22 Begriffe K = K d := { K K R d, K, kompakt und konvex }
23 Begriffe K = K d := { K K R d, K, kompakt und konvex } K 1 := { K K ν(k) = 1 }
24 Begriffe K = K d := { K K R d, K, kompakt und konvex } K 1 := { K K ν(k) = 1 } K n := [x 1,..., x n ], x i U(K) u.i.v, K K
25 Begriffe K = K d := { K K R d, K, kompakt und konvex } K 1 := { K K ν(k) = 1 } K n := [x 1,..., x n ], x i U(K) u.i.v, K K Halbraum: H(a t) = { x R d a, x t } mit a R d Einheitsvektor und t R
26 Begriffe K = K d := { K K R d, K, kompakt und konvex } K 1 := { K K ν(k) = 1 } K n := [x 1,..., x n ], x i U(K) u.i.v, K K Halbraum: H(a t) = { x R d a, x t } mit a R d Einheitsvektor und t R H(a = t) die zugehörige begrenzende Hyperebene
27 Kappe und zugehörige Größen eine Kappe C von K K ist eine Menge der Form C = K H, H abgeschlossener Halbraum
28 Kappe und zugehörige Größen eine Kappe C von K K ist eine Menge der Form C = K H, H abgeschlossener Halbraum Wir definieren die Funktion v : K R v(x) :=min { ν(k H) x H, H ist Halbraum }
29 Kappe und zugehörige Größen eine Kappe C von K K ist eine Menge der Form C = K H, H abgeschlossener Halbraum Wir definieren die Funktion v : K R v(x) :=min { ν(k H) x H, H ist Halbraum } die minimale Kappe von x K ist eine Kappe C(x) mit ν(c(x)) = v(x)
30 Kappe und zugehörige Größen eine Kappe C von K K ist eine Menge der Form C = K H, H abgeschlossener Halbraum Wir definieren die Funktion v : K R v(x) :=min { ν(k H) x H, H ist Halbraum } die minimale Kappe von x K ist eine Kappe C(x) mit ν(c(x)) = v(x) der floating body (Niveaumengen) von K ist definiert durch K(v t) = { x K v(x) t }
31 Kappe und zugehörige Größen eine Kappe C von K K ist eine Menge der Form C = K H, H abgeschlossener Halbraum Wir definieren die Funktion v : K R v(x) :=min { ν(k H) x H, H ist Halbraum } die minimale Kappe von x K ist eine Kappe C(x) mit ν(c(x)) = v(x) der floating body (Niveaumengen) von K ist definiert durch K(v t) = { x K v(x) t } der wet part von K mit Parameter t > 0 ist K(t) = K(v t) = { x K v(x) t }
32 Asymptotisches Verhalten von E(K, n) Satz 1: Es gibt Konstanten c 0, c 1, c 2 > 0, sodass K K 1 und n c 0 gilt: c 1 ν(k(1/n)) E(K, n) c 2 ν(k(1/n)) Man kann also anstelle von E(K, n), das Volumen des wet part von K berechnen und somit das asymptotische Verhalten für E(K, n) bestimmen.
33 Beweis der unteren Grenze Sei x K fest, K n K 1 zufällig und C(x) minimale Kappe von x.
34 Beweis der unteren Grenze Sei x K fest, K n K 1 zufällig und C(x) minimale Kappe von x. Lemma 1: P {x / K n } P {X n C(x) = } = (1 v(x)) n wobei X n eine Stichprobe von n zufälligen Punkten ist.
35 Beweis der unteren Grenze Sei x K fest, K n K 1 zufällig und C(x) minimale Kappe von x. Lemma 1: P {x / K n } P {X n C(x) = } = (1 v(x)) n wobei X n eine Stichprobe von n zufälligen Punkten ist. Mit Lemma 1 erhält man t > 0: E(K, n) (1 t) n ν(k(t)) Dies liefert mit t = 1/n und c 1 = 1/4 die untere Grenze in Satz 1.
36 Macbeath-Regionen Definition Zu einem konvexen Körper K K und einen Punkt x K ist die zugehörige Macbeath-Region gegeben durch: M(x) = M K (x) = K (2x K)
37 Macbeath-Regionen Definition Zu einem konvexen Körper K K und einen Punkt x K ist die zugehörige Macbeath-Region gegeben durch: M(x) = M K (x) = K (2x K) M(x, λ) = M K (x, λ) = x + λ[(k x) (x K)]
38 Macbeath-Regionen Definition Zu einem konvexen Körper K K und einen Punkt x K ist die zugehörige Macbeath-Region gegeben durch: M(x) = M K (x) = K (2x K) M(x, λ) = M K (x, λ) = x + λ[(k x) (x K)] u : K R : u(x) = ν(m(x))
39 Macbeath-Regionen Zusammenhang von Kappe und M-Regionen Für x K, K K 1 und v(x) (d2 d ) 1 gilt: C(x) M(x, 2d)
40 Macbeath-Regionen Zusammenhang von Kappe und M-Regionen Für x K, K K 1 und v(x) (d2 d ) 1 gilt: C(x) M(x, 2d) außerdem gilt: M(x) H(a t) C(x) = K H(a t)
41 Macbeath-Regionen Zusammenhang von Kappe und M-Regionen Für x K, K K 1 und v(x) (d2 d ) 1 gilt: C(x) M(x, 2d) außerdem gilt: M(x) H(a t) C(x) = K H(a t) in der Nähe des Randes gilt v(x) u(x)
42 Macbeath-Regionen Zusammenhang von Kappe und M-Regionen Für x K, K K 1 und v(x) (d2 d ) 1 gilt: C(x) M(x, 2d) außerdem gilt: M(x) H(a t) C(x) = K H(a t) in der Nähe des Randes gilt v(x) u(x) M(x) lässt sich durch C(x) ersetzen
43 Beweis der oberen Grenze Als erstes benötigen wir eine obere Grenze für P {x / K n }: Lemma 2: P {x / K n } 2 d 1 ( n i) ( ) i ( ) n i u(x) 2 1 u(x) 2 i=0
44 Beweis der oberen Grenze Als erstes benötigen wir eine obere Grenze für P {x / K n }: Lemma 2: P {x / K n } 2 d 1 ( n i) ( ) i ( ) n i u(x) 2 1 u(x) 2 i=0 Zum Beweis benötigen wir Wendels Gleichung: Sei K ein zu x symmetrischer d-dimensionaler konvexer Körper und X n eine zufällige Stichprobe mit x i U(K) u.i.v dann gilt: P {x / K n } = 2 n+1 d 1 i=0 ( n 1 ) i
45 Beweis der oberen Grenze Beweis von Lemma 2: Sei x K fest und definiere N(x) = K n M(x). Setze n(x) = X n M(x) dann gilt: P {x / K n } = = 2 2 n P { } x / K n n(x) = m P {n(x) = m} m=0 n P { x / N(x) n(x) = m } P {n(x) = m} m=0 n m=0 n m=0 2 m d 1 2 m d 1 ( m 1 i i=0 ( m 1 i i=0 ) P {n(x) = m} )( n m ) u m (1 u) n m
46 Beweis der oberen Grenze d 1 P {x / K n } = 2 i=0 m=0 d 1 2 d 1 = 2 n ( m 1 n i=0 m=i+1 i=0 d 1 = 2 i=0 d 1 = 2 i=0 ( n i ( n i ( n i i ( m i ) n m=i ) n i )( n m )( n m ) ( u 2 )m (1 u) n m ) ( u 2 )m (1 u) n m ( ) n i ( u m i 2 )m (1 u) n m ( n i k k=0 ) ( u 2 )i (1 u 2 )n i ) ( u 2 )k+i (1 u) n i k
47 Beweis der oberen Grenze Somit erhält man für die obere Grenze: E(K, n) = P {x / K}dx K d 1 2 i=0 ( ) n ( u(x) i K 2 )i (1 u(x) 2 )n i Daraus folgt die obere Grenze, deren Beweis (Barany,Larmann, 1988) hier aber zu weit geht.
48 Beispiele Beispiel 1: Einheitskugel B 2 im R 2 Der wet part B 2 (v t) ist der Ring B 2 \ (1 h)b 2 wobei h vom Grad t 2/(2+1) ist E(B 2, n) ν(b 2 (1/n)) n 2/(2+1)
49 Beispiele Beispiel 1: Einheitskugel B 2 im R 2 Der wet part B 2 (v t) ist der Ring B 2 \ (1 h)b 2 wobei h vom Grad t 2/(2+1) ist E(B 2, n) ν(b 2 (1/n)) n 2/(2+1) Beispiel 2: Einheitsquadrat Q 2 im R 2 E(Q 2, n) (ln(n))2 1 n
50 Asymptotisches Verhalten von Ef k (K n) Satz 2: (Efron,1965) K K 1 gilt: Ef 0 (K n ) = ne(k, n 1) Somit wird Ef 0 (K n ) ebenfalls durch Satz 1 abgeschätzt. Satz 3: (Barany,1989) Für genügend große n und K K 1 und k = 0, 1,..., d 1 c 0, c 1, c 2 > 0 sodass n > c 0 gilt: c 1 nν(k(1/n)) Ef k (K n ) c 2 nν(k(1/n))
51 Asymptotisches Verhalten von Ef k (K n) Literatur R. Schneider, 2008 Recent Results on Random Polytopes I. Barany, 2008 Random points and lattice points in convex bodies Sylvester, 1865 On a Special Class of Questions on the Theory of Probabilities W. Blaschke, 1923 Vorlesungen über Differentialgeometrie, II. Affine Differentialgeometrie N. Peyerimhoff, 1997 Areas and Intersections in Convex Domains. B. Efron, 1965 The Convex Hull of a Random Set of Points.
Innere Volumina und Integralgeometrie
16.11.2009 1 2 3 b(o, r) bezeichne die Kugel um den Ursprung mit Radius r b(o, r) bezeichne die Kugel um den Ursprung mit Radius r Spiegelung: Ǎ = A = { x : x A}, für A R d falls Ǎ = A heißt A symmetrisch
MehrAlois Fichtl, Julius Vogelbacher 10. Juni Voronoi und Johnson-Mehl Mosaike
Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Voronoi und Johnson-Mehl Mosaike Seite 2 Voronoi- und Johnson-Mehl-Mosaike Alois Fichtl, Julius Vogelbacher 10. Juni 2008 Inhaltsverzeichnis Einführung Mosaike
MehrTriangulierungen von Punktmengen und Polyedern
Triangulierungen von Punktmengen und Polyedern Vorlesung im Sommersemester 2000 Technische Universität Berlin Jörg Rambau 17.05.2000 Sekundärpolytop und 6 bistellare Operationen In diesem Kapitel werden
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 2: Konvexe Mengen und Kegel Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 19. April 2010) Gliederung 2 Konvexe Mengen
MehrAlgorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005
Algorithmische Geometrie, SoSe 2005 Skriptmitschrift vom 29. April 2005 Antonia Wittmers Igor Savchenko Konvexe Hüllen Inkrementeller Algorithmus für die konvexe Hülle Dabei heißt inkrementeller Algorithmus,
MehrDer Eulersche Polyedersatz in beliebiger Dimension
Der Eulersche Polyedersatz in beliebiger Dimension Rolf Stefan Wilke 17. Juli 2007 Definition. Sei P R d ein Polytop der Dimension d. Es bezeichne f k (P ) die Anzahl der k-dimensionalen Seitenflächen.
MehrInnere Volumina und Integralgeometrie
Seminar Stochastische Geometrie und ihre Anwendungen" 19. November 2009 Inhaltsverzeichnis Grundlagen Mengenoperationen Digitale Bildbearbeitung Die Hausdor-Metrik Mengenoperationen Spiegelung\Translation
MehrProseminar: Konvexe Mengen
Proseminar: Konvexe Mengen Varianten vom Satz von Kirchberger Trennung von Mengen mit einer Kugeloberfläche Trennung von Mengen mit Zylindern Jens Siewert Vortrag vom 14.12.04 und 04.01.05 1 Varianten
MehrAffine Geometrie (Einfachere, konstruktive Version)
Affine Geometrie (Einfachere, konstruktive Version) Def. Affiner Raum der Dimension n über Körper K ist nach Definition K n. Bemerkung. Man könnte Theorie von affinen Raumen auch axiomatisch aufbauen mit
MehrDifferentialgleichungen und Hilberträume Sommersemester 2014 Übungsblatt 11
Institut für Analysis Prof. Dr. Wolfgang Reichel Dipl.-Math. Anton Verbitsky Aufgabe 1 Differentialgleichungen und Hilberträume Sommersemester 14 Übungsblatt 11 5 Punkte In dieser Aufgabe geht es um die
Mehr8. Konvexe Polytope. Tobias Boelter. Mittwoch, 5. März TopMath Frühlingsschule
1 / 31 8. Konvexe Tobias Boelter TopMath Frühlingsschule Mittwoch, 5. März 2014 2 / 31 Es können auch nicht konvexe untersucht werden, wir beschränken uns hier aber auf konvexe. Mit einem Polytop ist hier
MehrInsbesondere sind nach dieser Definition also auch die leere Menge und einpunktige Teilmengen konvex.
Konvexe Mengen 2 Wie am Ende des vorigen Kapitels bereits erwähnt, ist die notwendige Gradientenbedingung aus Satz 1.4.6 für konvexe Zielfunktionen auch hinreichend. Diese Tatsache mag als erste Motivation
Mehr3.3 Der Seitenverband
Diskrete Geometrie (Version 3) 10. Januar 2012 c Rudolf Scharlau 217 3.3 Der Seitenverband Wir setzen die Untersuchung der Relation ist Seite von auf der Menge aller konvexen Polytope in einem gegebenen
MehrHausdorff-Maß und Hausdorff-Dimension. Jens Krüger
Hausdorff-Maß und Hausdorff-Dimension Jens Krüger Inhaltsverzeichnis 1 Einleitung 2 2 Grundlagen aus der Maßtheorie 3 3 Die Konstruktion des Hausdorff-Maßes 4 4 Eigenschaften des Hausdorff-Maßes und Hausdorff-Dimension
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrProjektive Räume und Unterräume
Projektive Räume und Unterräume Erik Slawski Proseminar Analytische Geometrie bei Prof. Dr. Werner Seiler und Marcus Hausdorf Wintersemester 2007/2008 Fachbereich 17 Mathematik Universität Kassel Inhaltsverzeichnis
MehrLineare Algebra I. - 9.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Korrektur: 2. Klausurtermin:
Lineare Algebra I - 9.Vorlesung - rof. Dr. Daniel Roggenkamp & Falko Gauß Korrektur: 2. Klausurtermin: 09.02.2017 Linearkombination von Vektoren lineare Hülle Erzeugendensystem S lineare Unabhängigkeit
MehrKonvexe Optimierungsprobleme
von: Veronika Kühl 1 Konvexe Optimierungsprobleme Betrachtet werden Probleme der Form (P) min x C f(x) wobei f : C R eine auf C konvexe, aber nicht notwendigerweise differenzierbare Funktion ist. Ziel
MehrMeßbare Funktionen. Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen.
Meßbare Funktionen Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen. Definition. Seien (X, Ω 1 ) und (Y, Ω 2 ) Meßräume. Eine Abbildung f : X Y heißt Ω 1 -Ω 2 -meßbar oder kurz
MehrZufällige Tessellationen II :
Zufällige Tessellationen II : David Neuhäuser Seminar: "Stochastische Geometrie und ihre Anwendungen" Universität Ulm 11.01.2010 Wiederholung Inhalt 1 Wiederholung Tessellation Zufällige Tessellation k-facetten
Mehr3 Polytope. 3.1 Polyeder
28 3 Polytope 3.1 Polyeder Polytope in der Ebene und im Raum standen neben Kreis und Kugel schon während der griechischen Antike im Mittelpunkt des mathematischen (und philosophischen) Interesses. Durch
Mehr3.4 Kombinatorische Äquivalenz und Dualität von Polytopen
222 Diskrete Geometrie (Version 3) 12. Januar 2012 c Rudolf Scharlau 3.4 Kombinatorische Äquivalenz und Dualität von Polytopen Dieser Abschnitt baut auf den beiden vorigen auf, indem er weiterhin den Seitenverband
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrZufällige Tessellationen II: komplexere Modelle
Zufällige Tessellationen II: komplexere Modelle Seminar: Stochastische Geometrie und ihre Anwendungen Benjamin Lang Universität Ulm 15. Januar 2010 Ziel: Warum braucht man komplexere Modelle? angemessenes
MehrDefinition Sei V ein Vektorraum, und seien v 1,..., v n V. Dann heißt eine Linearkombination. n λ i = 1. mit. v = v i λ i.
Kapitel Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften von R 3 interessieren, so stört manchmal die Ausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
MehrEULER-CHARAKTERISTIK KONVEXER POLYEDER
MINI-IKM 1998 EULER-CHARAKTERISTIK KONVEXER POLYEDER Eberhard-Karls-Universität Tübingen, März 1998 Richard Bödi Inhalt 1. Der euklidische Raum, affine Räume...........................................1
MehrKonvexe Mengen. Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke
Konvexe Mengen Def. Eine Teilmenge A R n heißt konvex, wenn sie mit je zwei Punkten x,y auch stets deren Verbindungsstrecke xy = {x + t xy 0 t 1} = {(1 t)x + ty 0 t 1} enthält. konvex nicht konvex Lemma
MehrDer Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.
Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x
Mehrmit. Wir definieren (Skalarprodukt = Winkel).
1 Grundidee des Simplexverfahrens (von George Dantzig): Man bestimmt eine beliebige Ecke (Extremalpunkt) einer Lösungsmenge eines Ungleichungssystems. Nun geht man an den Kanten vom Punkt entlang und kontrolliert
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrProseminar Konvexe Mengen: Der Satz von Carathéodory
Proseminar Konvexe Mengen: Der Satz von Carathéodory Gerrit Grenzebach 26. Otober 2004 In diesem Referat werden der Begriff der onvexen Hülle einer Menge eingeführt und einige Eigenschaften der onvexen
MehrA = A A
Musterlösung - Aufgabenblatt 8 Aufgabe 1 Gegeben ist das Polytop P = conv {±e i ± e j : 1 i, j 3, i j} = conv {e 1 + e 2, e 1 e 2, e 1 + e 2, e 1 e 2, e 1 + e 3, e 1 e 3, e 1 + e 3, e 1 e 3, e 2 + e 3,
MehrÜbungen zu Lineare Algebra 1, NAWI Graz, WS 2018/19 Blatt 1 (3.10.)
Blatt 1 (3.10.) 1. Von einem Parallelogramm ABCD sind die Punkte A = (2, 1), B = (6, 2) und D = (3, 5) gegeben. Berechnen Sie C. 2. Stellen Sie rechnerisch fest, ob das Viereck ABCD mit A = (2, 3), B =
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrKonvexe Mengen und Funktionen
Konvexe Mengen und Funktionen von Corinna Alber Seminararbeit Leiter: Prof. Jarre im Rahmen des Seminars Optimierung III am Lehrstuhl für Mathematische Optimierung an der Heinrich-Heine-Universität Düsseldorf
MehrUnterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie. Sommersemester Franz Pauer
Unterlagen zur Vorlesung Algebra und Geometrie in der Schule: Grundwissen über Affine Geometrie Sommersemester 2009 Franz Pauer INSTITUT FÜR MATHEMATIK, UNIVERSITÄT INNSBRUCK, TECHNIKERSTRASSE 13, 6020
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 1: Facetten des Knapsack-Polytops
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 1: Facetten des Knapsack-Polytops Diskutieren Sie folgende Fragen
MehrIntegralgeometrie und Stereologie
Integralgeometrie und Stereologie Hans Friedrich April 2010 1/ 31 Integralgeometrie und Stereologie Hans Friedrich April 2010 Übersicht Grundlagen aus der Integralgeometrie Übergang zur Stereologie Stereologie
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrProjektive algebraische Mengen
Projektive algebraische Mengen Rostislav Doganov, Stefan Lörwald 29. April 2009 1 Motivation An dem anen Raum stört uns die Möglichkeit, dass Geraden, Flächen etc. parallel zueinander liegen können und
MehrFinite Elemente I Konvergenzaussagen
Finite Elemente I 195 5 onvergenzaussagen 5 onvergenzaussagen TU Bergakademie Freiberg, SoS 2006 Finite Elemente I 196 5.1 Interpolation in Sobolev-Räumen Wesentlicher Baustein der FE-onvergenzanalyse
MehrKONSTRUKTION VON MASSEN
KONSTRUKTION VON MASSEN MARCUS HEITEL 1. Einleitung Wir wollen im Folgenden das Lebesguemaß konstruieren. Dieses soll die Eigenschaft λ ( [a, b = b a für a, b R besitzen. Nun ist ein Maß aber auf einer
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.37 2018/04/26 14:09:00 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.4 Anordnungseigenschaften Am Ende der letzten Sitzung hatten wir begonnen uns mit den konvexen Teilmengen des
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 2)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 2) Nico Düvelmeyer WS 2009/2010, 2.2.2010 Überblick 1 Delaunay Triangulierungen 2 Berechnung der Delaunay Triangulierung Randomisiert inkrementeller
MehrMathematik III. Henri Léon Lebesgue ( ) Das Borel-Lebesgue-Maß auf R.
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 67 Wir haben jetzt alle Hilfsmittel zusammen, um auf den Borel-Mengen des R n ein Maß zu definieren, dass für einen Quader, dessen Seiten
MehrInvariante Kegel in Cartan-Algebren
Seminar Sophus Lie 1 (1991) 55 63 Invariante Kegel in Cartan-Algebren Ulrike Zimmermann Für die Bestimmung von Halbgruppen in einer Liegruppe spielen invariante Kegel als deren Tangentialobjekte eine sehr
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Station 3: Das Matching-Polytop
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis Barbara Wilhelm Michael Ritter Station 3: Das Matching-Polytop Diskutieren Sie folgende Fragen in der
MehrAnalysis III. Vorlesung 72. Korollar Es sei (M,A,µ) ein σ-endlicher Maßraum und v: M R n eine messbare Abbildung. Dann ist die Abbildung
Prof. Dr. H. Brenner Osnabrück WS 15/16 Analysis III Vorlesung 7 Korollar 7.1. Es sei (,A,µ) ein σ-endlicher aßraum und v: R n eine messbare Abbildung. Dann ist die Abbildung bijektiv und maßtreu. ϕ v
MehrAffine Hülle. x x 1 ist lineare Kombination der Vektoren x 2 x 1,x 3 x 1,...,x k x 1. Tatsächlich, in diesem Fall ist λ 1 = 1 λ 2 λ 3...
Affine Hülle Wiederholung. Der Vektor x K n ist eine lineare Kombination der Vektoren x,...,x k K n, wenn es Zahlen λ,...,λ k K gibt mit x = λ x +... + λ k x k. Def. Gibt es solche Zahlen λ,...,λ k K mit
Mehr1. Übungsblatt: Lineare Algebra II Abgabe: 24./ in den Übungsgruppen
Hannover, den 0. April 2006. Übungsblatt: Lineare Algebra II Abgabe: 24./25.4.2006 in den Übungsgruppen ( ) 2 5 a) Zeigen Sie, dass A = und B = 2 ( 7 6 invertierbare Matrix T an mit T AT = B. b) Zeigen
MehrSpezifische innere Volumina
Spezifische innere Volumina Stochastische Geometrie und ihre en - Zufallsfelder Regina Poltnigg und Henrik Haßfeld Universität Ulm 13. Januar 2009 1 Regina Poltnigg und Henrik Haßfeld 1 2 Berechnung von
Mehr102 KAPITEL 14. FLÄCHEN
102 KAPITEL 14. FLÄCHEN Definition 14.3.1 (Kurve) Es sei M eine k-dimensionale Untermannigfaltigkeit des R n. Eine C 1 - Kurve γ : ( a, a) R n mit γ(( a, a)) M heißt Kurve auf M durch x 0 = γ(0). Definition
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.36 2018/04/24 14:50:37 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.3 Sätze über Geraden in der Ebene Wir beschäftigen uns gerade mit dem Schwerpunkt eines Dreiecks, gegeben sind
MehrDie Pontryagin-Thom-Konstruktion
Die Pontryagin-Thom-Konstruktion Daniel Kasprowski Ausarbeitung zum Seminarvortrag über die Pontryagin-Thom-Konstruktion im Seminar "Was ist...?" bei Arthur Bartels, gehalten am 30.11.2009 an der WWU Münster.
MehrKlausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik
Klausur zur Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. C. Löh/M. Blank 27. Juli 2012 Name: Matrikelnummer: Vorname: Übungsleiter: Diese Klausur besteht aus 8 Seiten. Bitte überprüfen
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrLösung zu Aufgabe 1 Blatt 9
Lösung zu Aufgabe 1 Blatt 9 Wir befinden uns in einem arbitragefreien 1-Perioden-Trinomialmodell. Die risikofreie Anlage β ist gegeben durch β 0 = 1 und β 1 = 1 + ρ mit ρ > 1. Die risikobehaftete Anlage
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
MehrDas Lebesgue-Maß im R p
Das Lebesgue-Maß im R p Wir werden nun im R p ein metrisches äußeres Maß definieren, welches schließlich zum Lebesgue-Maß führen wird. Als erstes definieren wir das Volumen von Intervallen des R p. Seien
Mehr1 Analytische Geometrie und Grundlagen
$Id: vektor.tex,v 1.8 017/04/4 15:51:58 hk Exp $ 1 Analytische Geometrie und Grundlagen 1.3 Sätze über Geraden in der Ebene In der letzten Sitzung hatten wir die Sätze von Ceva und Menelaos bewiesen. Wir
MehrEinführung in die Morse-Theorie: Änderung der Homotopieklasse von f 1 ((, a]) bei nicht einem degenerierten kritischen Punkt
Einführung in die Morse-Theorie: Änderung der Homotopieklasse von f 1 ((, a]) bei nicht einem degenerierten kritischen Punkt Mara Sommerfeld Seminar Dynamische Systeme und Ergodentheorie September 2008
MehrFunktionalanalysis II. Carsten Schütt SS 2012
1. Jeder Filter ist in einem Ultrafilter enthalten. 2. Es sei X ein topologischer Hausdor Raum. X ist genau dann kompakt, wenn jeder Ultrafilter konvergiert. 3. (Skript) (i) {0, 1} [0,1] mit der Produkttopologie
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrKlausur zur Höheren Mathematik IV
Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene
MehrAnalysis II - 2. Klausur
Analysis II - 2. Klausur Sommersemester 25 Vorname: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Summe Analysis II - 2. Klausur 6.7.25 Aufgabe 6 Punkte Betrachten Sie die C
MehrUltrametrik. Christian Semrau Metrische Räume
Ultrametrik Christian Semrau 05.11.2002 Inhaltsverzeichnis 1 Metrische Räume 1 1.1 Definition der Metrik.................................. 1 1.2 Offene und abgeschlossene Mengen..........................
MehrJohannes Veit. 8. Januar 2016
Finite im Ein Blick über den Tellerrand... mit FreeFem++ 8. Januar 2016 im 1 2 im 3 4 Gliederung 5 im 1 2 im 3 4 Gliederung 5 dem Einheitsquadrat Laplace - Gleichung: im u(x) = 0 Man betrachte das Problem
MehrDie komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe
Die komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe Matthias Nagel Riemannsche Flächen Stets sei X eine 2-dimensionale Mannigfaltigkeit (Fläche). Definition. ) Eine komplexe Karte auf X ist
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 6/7): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr 5, Thema, Aufgabe ) Sei V ein reeller Vektorraum. a) Wann nennt man eine Teilmenge U
MehrVorlesung Lineare Optimierung (Sommersemester 2010)
1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 03.12.2013 Alexander Lytchak 1 / 16 Wiederholung und Beispiele Der Spaltenrang einer Matrix ist gleich ihrem Zeilenrang.
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr 5, Thema, Aufgabe ) Sei V ein reeller Vektorraum. a) Wann nennt man eine Teilmenge U
MehrDas Gruppengesetz auf elliptischen Kurven: Assoziativität
Ausarbeitung des Seminarvortrags Das Gruppengesetz auf elliptischen Kurven: Assoziativität Seminar Kryptographie, TU Kaiserslautern Sommersemester 2011 Pablo Luka Version vom 14. 05. 2011 Inhaltsverzeichnis
MehrTechniken zur Berechnung der Dimension
Seminarvortrag Ulm, 21.11.2006 Übersicht Masse-Verteilungs-Prinzip Berechnung der Dimension von Fraktalen Es ist oft nicht einfach die Hausdorff - Dimension allein durch deren Definition zu berechnen.
MehrMathematik III. Vorlesung 68. Das Verhalten von Maßen bei linearen Abbildungen
Prof. Dr. H. Brenner Osnabrück WS 2010/2011 Mathematik III Vorlesung 68 Das Verhalten von Maßen bei linearen Abbildungen Lemma 68.1. Es sei V ein reeller Vektorraum und L :R n V eine bijektive lineare
MehrAlgorithmische Geometrie: Delaunay Triangulierung (Teil 1)
Algorithmische Geometrie: Delaunay Triangulierung (Teil 1) Nico Düvelmeyer WS 2009/2010, 26.1.2010 Überblick 1 Motivation Interpolation von Höhendaten 2 Triangulierungen von ebenen Punktmengen 3 Delaunay
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrKapitel 14. Geometrie Eine kurze Einführung in die affine Geometrie
Kapitel 14 Geometrie Sei V ein Vektorraum, z.b. V = R 3. Wenn wir uns für geometrische Eigenschaften vonr 3 interessieren, so stört manchmal dieausnahmerolle des Nullvektors, die es ja in V gibt. Beispielsweise
MehrAufbau der Projektiven Geometrie
Seminararbeit zum Seminar aus Reiner Mathematik Aufbau der Projektiven Geometrie Leonie Knittelfelder Matr. Nr. 1011654 WS 2012/13 Inhaltsverzeichnis 1 Einleitung 3 2 Linearmengen 4 2.1 Satz (1.3.1): Das
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
Mehr1.2 Gitter: Grundlegende Konzepte
Gitter und Codes c Rudolf Scharlau 16. April 2009 5 1.2 Gitter: Grundlegende Konzepte Es sei V ein n-dimensionaler R-Vektorraum. Auf V sei ein Skalarprodukt gegeben, dessen Werte mit x, y R, dabei x, y
Mehr3 Gewöhnliche Differentialgleichungen 23.4.
3 Gewöhnliche Differentialgleichungen 23.4. 3.1 Differentialgleichungen erster Ordnung 3.1.1 Fundamentalsätze Definition 3.1. Es sei Ω R d eine offene Menge und V : Ω R d eine Vektorfunktion. Eine Kurve
MehrTonnelierte Räume und der Satz von Banach-Steinhaus. David Pavlicek
Tonnelierte Räume und der Satz von Banach-Steinhaus David Pavlicek 6.11.2010 Inhaltsverzeichnis 1 Einleitung 2 1.1 Topologische Vektorräume.......................... 2 1.2 Tonnelierte Räume..............................
MehrÜbungen zur Vorlesung Lineare Algebra
Übungen zur Vorlesung Lineare Algebra Institut für Reine Mathematik WS 2009/10 & SS 2010 Kapitel 1. Vektorräume Was ist ein Vektorraum? Sei X und K ein Körper. Wie macht man Abb (X, K) zu einem K -Vektorraum?
MehrHöhere Funktionalanalysis WS2016/17 Übungsblatt
Höhere Funktionalanalysis WS2016/17 Übungsblatt 1 11.10.2016 Aufgabe 1. Berechne die Normen der Operatoren (a) f L [0, 1], M f : L 2 [0, 1] L 2 [0, 1], (M f g)(x) = f(x)g(x). (b) g C[0, 1], T g : C[0,
MehrHorton Strahler Zahlen
Horton Strahler Zahlen Manuel Inselmann 3.11.011 1 Einführung In diesem Seminarvortrag wird als Hauptresultat gezeigt, dass P n ( S n log n ɛ) D für ein D > 0 und alle ɛ > 0 gilt, wobei P ɛ n die Gleichverteilung
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 06 Lineare Algebra analytische Geometrie II Vorlesung 35 Winkeltreue Abbildungen Definition 35.. Eine lineare Abbildung ϕ: V W zwischen euklidischen Vektorräumen V W heißt
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
Mehr. TRENNENDE HYPEREBENEN
VORLESUNG ÜBER KONVEXITÄT Daniel Plaumann Universität Konstanz Wintersemester /.. HYPEREBENEN De nition.. Es sei V ein reeller Vektorraum. Eine lineare Abbildung ℓ V R heißt lineares Funktional auf V.
MehrOptimales Routing. Paul Kunze
Optimales Routing Paul Kunze 10.07.2015 Grundlagen Grundlagen endliche Menge an Punkten Φ = {x i } aus R 2 hier: gebildet durch Poisson-Punktprozess A = A D : Route zum Ziel D Φ. Abbildung auf einem Graphen
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
MehrVorlesung Algorithmische Geometrie Konvexe Hülle im R 3
Vorlesung Algorithmische Geometrie Konvexe Hülle im R 3 LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 26.06.2012 Prüfung! Termine: 20. Juli 27.
Mehr4 Holomorphie-Konvexität. Definition Satz. 42 Kapitel 2 Holomorphiegebiete
42 Kapitel 2 Holomorphiegebiete 4 Holomorphie-Konvexität Wir wollen weitere Beziehungen zwischen Pseudokonvexität und affiner Konvexität untersuchen. Zunächst stellen wir einige Eigenschaften konvexer
Mehr