! Was ist Bildverbesserung? ! Abgrenzung zu. ! Kalibrierung! Korrektur! Registrierung! Optimierung. ! Welche Methoden werden benutzt?
|
|
- Wilhelm Böhmer
- vor 8 Jahren
- Abrufe
Transkript
1 Grundlegende Verfaren der automatiscen Bildbearbeitung und Bildverbesserung Tomas M. Deserno Institut für Medizinisce Informatik Medizinisce Fakultät, RWTH Aacen Bildverbesserung! Was ist Bildverbesserung?! Abgrenzung zu! Kalibrierung! Korrektur! Registrierung! Optimierung! Welce Metoden werden benutzt?! Wie kann man Verfaren zur Bildverbesserung evaluieren? Stufen der Bildverarbeitung Merkmalsetraktion Segmentierung Klassifikation Kalibrierung Grauwertmodifikation Aufname Digitalisierung Registrierung Faltung Oberfl.-Rekonst. Beleuctung Scattierung Bilderzeugung Filterung Kompression Arcivierung Retrieval Bildbearbeitung Bildverbesserung! Verbesserung der Bildqualität! Bildqualität! ängt ab von Kontet Anwendung Anwender! Verbesserung! Hängt ab von Qualitätsma tsmaß Interpretation Vermessung Ausgabe Kommunikation Bildauswertung Bilddarstellung Bildspeicerung Bildverbesserung! Ansatzpunkte Stufen der Bildverarbeitung Aufname Auswertung Digitalisierung Kalibrierung Registrierung Erzeugung Darstellung Grauwertmodifikation Faltung Filterung Merkmalsetraktion Oberfl.-Rekonst. Kompression Verbesserung Speicerung Segmentierung Klassifikation Beleuctung Scattierung Arcivierung Retrieval Interpretation Vermessung Ausgabe Kommunikation
2 Bildverbesserung! Abstraktionsgrade! Rodaten! Piel! Kante! Tetur! Region! Objekt! Szene! Multi-level level Algoritmen! adaptiv " Operiert auf Low- und Hig-Level-Ebenen Implementierung von Bildverbesserung! Lokal ale Transformationation Punkt zu Punkt! auf dem Raster zb: Histogramm! nict auf dem Raster zb: Geometrie! Regionale Transformationation Region zu Punkt! linear zb: Faltung! nictlinear zb: gleitender Median morpologisc zb: Erosion! Globale Transformationation Bild zu Punkt! reelwertig zb: Kosinus-Transformation Transformation! komplewertig zb: Fourier-Transform ransformation Implementierung von Bildverbesserung! Lokal ale Transformationation Punkt zu Punkt! auf dem Raster zb: Histogrammspreizung! nict auf dem Raster zb: Dreung! Regionale Transformationation Region zu Punkt! linear zb: Faltung! nictlinear zb: gleitender Median morpologisc zb: Erosion! Globale Transformationation Bild zu Punkt! reelwertig zb: Kosinus-Transformation Transformation! komplewertig zb: Fourier-Transform ransformation Punkt zu Punkt Transformation! Auf dem Raster Beispiel! Histogrammspreizung Punkt zu Punkt Transformation! Nict auf dem Raster g g ' T g g
3 Beispiel: Versciebung! Veränderlic! Ort! Konstant! Orientierung Rictung von Linien! Dimension Größe, Fläce ce! Bestimmt durc! + 0 y y + y 0! 1 Punkt oder! 2 Parameter 0,y 0 Beispiel: : Starr! Veränderlic! Ort! Orientierung! Konstant! Dimension! relativer Winkel! Bestimmt durc! 2 Punkt oder! 3 Parameter Beispiel: : RST! Veränderlic! Ort! Orientierung! Dimension! Konstant! relativer Winkel! Parallelität! Bestimmt durc! 2 Punkt oder! 4 Parameter Beispiel: Affin! Veränderlic! Ort! Orientierung! Dimension! relativer Winkel! Konstant! Parallelität! Geradeit! Bestimmt durc! 3 Punkt oder! 6 Parameter Beispiel: Projektiv! Veränderlic! Ort! Orientierung! Dimension! relativer Winkel! Parallelität! Konstant! Geradeit! Bestimmt durc! 4 Punkt oder! 8 Parameter Beispiel: : Deformation! Veränderlic! Ort! Orientierung! Dimension! relativer Winkel! Parallelität! Geradeit! lokal ale Deformation! Abbildungsmodell! nict voranden! basiert auf korrespon- dierenden Punkten " Vorsict!
4 Implementierung?! Zielorientiert invertiert! Interpolation Teorie der Interpolation! Faltung s, y s m, n m, y n m n! diskretes Bild sm,n! kontinuierlice 2D Impulsantwort,y! Impulsantwort! symmetrisc! separierbar, y y,y k,l Bestimmung des Faltungskernes ss S S f! Ideale Interpolation! Ableitung aus dem Abtastteorem. * f Ortsfrequenz- bereic Fourier- Transformationation Orts- bereic sks k ss S S f. f H f sks k Ideale Interpolation *. H f! sinπ π ss S S f f s, y s m, n m, y n m n Ortsbereic abgescnitten logaritmiert
5 Ideale Interpolation! Problem! ist räumlic r unbegrenzt! Lösung! änlice aber begrenzte Funktionen Interpolation vs. Approimation! Gleices Gitter Bild bleibt unverändert ndert ist Interpolator 0 1 0, 1,2,... " Vorsict: Ramenbedingungen! Interpolation vs. Approimation! DC-Konstanz! Iterpolator Lagrange! Approimator Notc filter Ortsbereic Ortsbereic DC-konstant vs. DC-in inkonstant! Gleicanteil engl. direct current,, DC! Keine generelle Grauwertanebung ist DC-konstant d + k 1 k... H 0 1 H f 0, f 1,2,..., Hf ist Fourier-Transformierte von ω 6.3,12.7,.. DC-Inkonstanz H 0 1 d + k 1 k! abgescnittene sinc-funktion Ortsbereic DC-Inkonstanz H f 0, f 1,2,... d + k 1 k Lineare Interpolation! Leict zu implementieren N2! sclecte Qualität! Gaußfilter 2. Ordnung Ortsbereic logaritmiert Ortsbereic abgescnitten logaritmiert
6 Kubisce Interpolation! Ansatz als stückweise Polynome 3 A1 3 AN 2 + B BN + C1 + D1 + CN + DN 0 0 < 1 1 < < N /2 elsewere Cubic interpolation! N 6! Randbedingungen! Interpolator: k 1 for k 0! DC-konstant onstant: k 0 for k 0! C0-kontinuierlic kontinuierlic: k - k +! C1-kontinuierlic kontinuierlic: k - k +! C2-kontinuierlic kontinuierlic: k - k + Ortsbereic abgescnitten logaritmiert Te advanced standard! B-spline interpolation N Ortsbereic abgescnitten logaritmiert Evaluierung?! Teoretisce Eigenscaften! Interpolation vs. Approimation! DC-konstant vs. DC-in inkonstant! Fourier-Analyse! Pass-Band and möglicst konstantk onstant! Cut-off-Punkt möglicst steil! Stop-Band oe Dämpfung, D keine Wellen! Quantitative Feleranalyse! Subtraktion von in- und rücktransformiertem r Bild vom! Kompleität t des Algoritmus! Laufzeitmessungen Feleranalyse Feleranalyse! ZB: Korrektur des Seitenverältnisses aspect-ratio 4/3! Interpolation nur in Rictung! jede 3. Spalte bleibt unverändert ndert! Je dunkler das Bild, desto sclecter die Metode! Ramen entsprict B-spline Randbereic! weiße e Linien: InterpolatorI! gleicmäß äßige Verteilung: DC-Konstan onstanz truncated sinc DC-in inkonstanter Interpolator notc filter DC-konstant onstanter Approimator linear DC-constant constanter Interpolator
7 Feleranalyse! große Gauß-Kerne! große Lagrange-Kerne erne Feleranalyse! Blackman-Harris gefensterte sinc-funktion! C2-kontinuierlicer kubiscer Kern 2 nd Gaussian N6 10 t Gaussian N8 Lagrange N5 windowed sinc N6 Cubic N6 B-spline N DC-in inkonstanter Approimator DC-in inkonstanter Approimator DC-konstant onstanter Interpolator DC-konstant onstanter Interpolator DC-konstant onstanter Interpolator DC-konstant onstanter Interpolator Quantitative Feleranalyse Laufzeit! Auswal der Testbilder! umfangreic! repräsentativ! Zyklisce Alterierung vs. Hin-Rück ck-trafo! zb: 15 mal um 24 Grad dreen! Quantitative Analyse! absoluter Feler für f r jedes Bild! mittlerer Feler und Varianz aller Bilder! statistisce Signifikanzanalyse t-test " Ergebnisse können k werden von den qualitativen Beobactuntgen abweicen Nearest Neigbor Linear Cubic Quadratic Lagrange Cubic Lagrange Gaussian M2 Truncated sinc Lagrange Truncated sinc Cubic Lagrange Gaussian M2 Gaussian M6 Truncated sinc Lagrange Cubic Lagrange Gaussian M6 Gaussian M10 B-spline interpolation 0.13 s 0.15 s 0.18 s 0.22 s 0.23 s 0.27 s 0.28 s 0.73 s 0.63 s 0.34 s 0.72 s 0.39 s 0.42 s 1.10 s 1.13 s 0.78 s 1.50 s 1.54 s 0.58 s 1.54 s 1.60 s 0.36 s 0 LUT LUT LUT Interpolation Rotation Time in sec Evaluierung? - Zusammenfassung! Kontetabängig ngig! Inalt der Bilder! Wictigkeit von Laufzeit! Metodisces Vorgeen! Überprüfung anand eines Beispielbildes ist unzureicend! benötigte Bildzal ängt von der Varianz ab ebenfalls statistisc zu ermitteln! repräsentativ für f r den Anwendungskontet! statistisce sce Analyse Implementierung von Bildverbesserung! Lokal ale Transformationation Punkt zu Punkt! auf dem Raster zb: Histogramm! nict auf dem Raster zb: Geometrie! Regionale Transformationation Region zu Punkt! linear zb: Faltung! nictlinear zb: gleitender Median morpologisc zb: Erosion! Globale Transformationation Bild zu Punkt! reelwertig zb: Kosinus-Transformation Transformation! komplewertig zb: Fourier-Transform ransformation
8 Regionale Transformation! Punkt zu Region zb: Faltung Regionale Transformation! Punkt zu Region zb: Faltung Lineare regionale Filterung Faltung! Glättung! Tiefpaß! Kontrastverstärkung rkung! Hocpaß! Unsarp-Maskingasking! Edge-Crisping! Reliefs Glättung! geitender Mittelwert! Gauß- bzw. Binomialtiefpaß! Koeffizienten entsprecend der Binomialverteilung Pascalsces Dreieck / / Beispiel: Binomialtiefpaß! Glättung und Rauscunterdrückung ckung Kantenverstärkung rkung! Positive und negative Koeffizienten! Gauß- bzw. BinomialB inomialocpaß! Koeffizienten entsprecend der Binomialverteilung Pascalsces Dreieck / / Template 55 Template
9 Beispiel: Binomialocpaß! Kantenetraktion Unsarp Masking! Kontrast- und Kantenverstärkung rkung 33 Template 55 Template Hocpaß Unsarp Masking Unsarp Masking Reliefbilder! Verbindung von und Hocpaß Hocpaß Unsarp Masking Stufe Rampe Impuls einfacer Versatz doppelter Versatz Reliefbilder Edge Crisping! Versatz und Subtraktion
10 Nictlineare regionale Filterung Rangordnungsfilter! Rangordnungsfilter! Median! Adaptive Filter! Nagao & Matsuyama 1979! Morpologisce Filter! Erosion! Dilatation! Median Stufe Rampe Tiefpaß Median Impuls Beispiel: Medianfilter Adaptive Filterung! Entfernung diskreter Artefakte! Wal des Filters oder der Filterparameter ängt von lokalen Bildeigenscaften ab Filter Analyse Tiefpaß Fenstergröß öße e 55 Median Fenstergröß öße e 77 linear nictlinear Nagao & Matsuyama 1979! Variable Berecnung von Mittelwert und Varianz Nagao & Matsuyama 1979 for m 1 to M { // walk over columns for n 1 to N { // walk over lines for current_mask 1 to MASKS { // for all masks current_variance calc_variance input_image, m, n, mask[current_mask]; if current_mask 1 current_variance < least_variance { least_variance current_variance; result_mean calc_mean input_image, m, n, mask[current_mask]; } } // for current_mask result_image[ m, n ] result_mean; } // for n } // for m
11 Nagao & Matsuyama 1979! Beispiel Morpologisce Filterung! Logisce Operationen auf Binärbildern! Nur scwarze und weiße e Piel! Grundoperationen:! Erosion: AND! Dilatat ation: OR! Opening: Bilatation des eroierten Bildes! Closing: Erosion des dilatierten Bildes! Skelettierung: Berecnung des Skeletts 1 Iteration 48 Iterationen Definitionen! Erosion #: I#E {p Z² E p I}! Dilatat ation $: I$E {p Z² E p I }! Opening : I En I#E n $ E n! Closing : I E n I$ E n #E n Beispiel! Bild! Template Erosion! Bild! Template Dilatation! Bild! Template
12 Opening! Bild! Template Closing! Bild! Template Skelettierung! Im Diskreten: Skelett nict eindeutig Implementierung von Bildverbesserung! Lokal ale Transformationation Punkt zu Punkt! auf dem Raster zb: Histogramm! nict auf dem Raster zb: Geometrie! Regionale Transformationation Region zu Punkt! linear zb: Faltung! nictlinear zb: gleitender Median morpologisc zb: Erosion! Globale Transformationation Bild zu Punkt! reelwertig zb: Kosinus-Transformation Transformation! komplewertig zb: Fourier-Transform ransformation Globale Transformation! Bild zu Punkt Globale Transformation! Intra-space vs. Inter-space Transformationen! Logaritmus: Multiplikation vs. Addition! Fourier Transformation: Faltung vs. Multiplikation Bild Vorwärtstransform. intra-space Verarbeitung inter-space Verarbeitung Ergebnis inverse Transform.
13 Globale Transformation! Wavelet-Transformation! Fourier-Transformation! Etraction von Frequenzkomponenten Beispiel: Filterung im! Ausgangsdaten! Abwicklung! Vorverarbeitung! Segmentierung! Klassifikation Beispiel: Filterung im Fourier Power-Spektrum Inverse Wiener Filterung! Modell der biomediziniscen Bildgebung N q N d Ergebnis im Ortsbereic s H MTF/OTF Glättung Quanten- rauscen Detektor- rauscen s' Fourier s + N q + N d s ' SH + N S ' q d S ' N S H modifiziertes Fourier Power-Spektrum Bestimmung der MTF! Aufbau des Eperimentes
14 Beispiel: : Inverse Filterung Zusammenfassung: Bildverbesserung! Was ist Bildverbesserung?! Verbesserung der Bildqualität! kontetabängig ngig! bildabängig! Terminologie ie! Optimierung - jede Art der Verbesserung/Korrektur! Verbesserung - qualitative Optimierung! Kalibrierung - quantitative absolute Optimierung! Korrektur - quantitative relative Optimierung adressiert systematisce Feler! Registrierungierung - Korrektur von Unterscieden zwei oder mer Bilder Zusammenfassung: Bildverbesserung! Welce Metoden?! lokal! regional! global! Häufig: Filterung im Ortsbereic regional! nictlinear! kontetabängig ngig! Evaluierung?! inreicend viele und repräsentative Bilder! statistisce sce Analyse
Bildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
MehrNumerische Simulation in der Luft- und Raumfahrttechnik
Numerisce Simulation in der Luft- und Raumfarttecnik Dr. Felix Jägle, Prof. Dr. Claus-Dieter Munz (IAG) Universität Stuttgart Pfaffenwaldring, 70569 Stuttgart Email: felix.jaegle@iag.uni-stuttgart.de Inalt
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012
Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 http://www.ies.uni-karlsruhe.de Zeitlich adaptives Objekttracking in der Aufklärung und Überwachung Flugdrohne / visuell optischer
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrSpezialgewebe für: Industrie Feuerwehr Rettungsdienste Polizei Sicherheitsdienste Militär Motorsport Sachschutz
Spezialgewebe für: Industrie Feuerwer Rettungsdienste Polizei Sicereitsdienste Militär Motorsport Sacscutz IBENA Soft & Dry das Besondere in Sacen Tragekomfort Oberfläce one Vakuum-Plasmabeandlung Zum
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrInhaltsverzeichnis. 3. Erläuterungen zu den Programmbeispielen 13 3.1 Arbeitsblätter 13
Inhaltsverzeichnis 1. Einführung 1 1.1 Ursprünge der Bildverarbeitung 1 1.2 Einordnung und Anwendungen der Bildverarbeitung ] 1.3 Die Bildverarbeitungskette 2 1.4 Aufbau und Inhalt des Buches 3 2. Das
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrRobustheitsuntersuchung am Beispiel der rechnerischen Simulation der ECE-R14
alt 1. Vergleich der Methoden Reine Monte-Carlo-Analyse Ersatzflächenbasierte Monte-Carlo-Analyse 2. Restriktionen nach ECE-R14 3. FEM-Modell 4. Bauteile/ Parameter 5. Anwendung beider Methoden auf ECE-R14
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrPublic-Key-Algorithmen WS2015/2016
Public-Key-Algorithmen WS2015/2016 Lernkontrollfragen Michael Braun Was bedeuten die kryptographischen Schutzziele Vertraulichkeit, Integrität, Nachrichtenauthentizität, Teilnehmerauthentizität, Verbindlichkeit?
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrGrundlagen der Videotechnik. Redundanz
Grundlagen der Videotechnik Redundanz Redundanz beruht auf: - statistischen Abhängigkeiten im Signal, - Information, die vorher schon gesendet wurde - generell eine Art Gedächtnis im Signal Beispiel: Ein
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrElektrische Messtechnik Protokoll - Bestimmung des Frequenzgangs durch eine Messung im Zeitbereich
Elektrische Messtechnik Protokoll - Bestimmung des Frequenzgangs durch eine Messung im Zeitbereich André Grüneberg Janko Lötzsch Mario Apitz Friedemar Blohm Versuch: 19. Dezember 2001 Protokoll: 6. Januar
MehrRepetitionsaufgaben: Lineare Gleichungen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
MehrSignale und Systeme. A1 A2 A3 Summe
Signale und Systeme - Prof. Dr.-Ing. Thomas Sikora - Name:............................... Vorname:.......................... Matr.Nr:.............................. Ergebnis im Web mit verkürzter Matr.Nr?
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Eine praktische Einführung von Thorsten Hermes 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22969 3 Zu Leseprobe schnell und portofrei
MehrKleine Einführung in die lineare Regression mit Excel
Kleine Einführung in die lineare Regression mit Excel Grundoperationen mit Excel Werte mit Formeln berechnen Bsp.: Mittelwert und Standardabweichung Das $-Zeichen Beispielauswertung eines Versuches Daten
MehrInhalt Übersicht über die Testverfahren... 3 Deutsch: Lesen... 4 Klasse 3... 4 Kompetenzbereiche... 4 Aufgabenbeispiele... 4 Klasse 4...
Testübersicht Inhalt Übersicht über die Testverfahren... 3 Deutsch: Lesen... 4 Klasse 3... 4 Kompetenzbereiche... 4 Aufgabenbeispiele... 4 Klasse 4... 6 Kompetenzbereiche... 6 Aufgabenbeispiele... 6 Klasse
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
MehrGrundlagen geometrisches Zeichnen - CAD. E1: Grundlagen des geometrischen Zeichnens (14)
: des geometrischen Zeichnens (14) Die Schüler lernen die Skizze als wich2ge Voraussetzung zur Analyse und Modellierung konstruk2ver Problemstellungen kennen. Dabei eignen sie sich die des geometrischen
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrGleitkommaarithmetik und Pivotsuche bei Gauß-Elimination. Lehrstuhl für Angewandte Mathematik Wintersemester 2009/10. 14.
Gleitkommaarithmetik und Pivotsuche bei Gauß-Elimination Vorlesung Computergestützte Mathematik zur Linearen Algebra Lehrstuhl für Angewandte Mathematik Wintersemester 2009/0 4. Januar 200 Instabilitäten
MehrTerrain-Rendering mit Geometry Clipmaps
Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Terrain-Rendering mit Seminar Computergrak 2010 Vorarbeiten & Grundlagen Basiskomponenten Der Clipmap-Algorithmus Worum geht's? Algorithmus
MehrIdeale und Reale Gase. Was ist ein ideales Gas? einatomige Moleküle mit keinerlei gegenseitiger WW keinem Eigenvolumen (punktförmig)
Ideale und Reale Gase Was ist ein ideales Gas? einatomige Moleküle mit keinerlei gegenseitiger WW keinem Eigenvolumen (punktförmig) Wann sind reale Gase ideal? Reale Gase verhalten sich wie ideale Gase
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrAufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung).
Aufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung). a) Die Anzahl der voneinander verschiedenen Beobachtungswerte eines statistischen Merkmals
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
Mehr1. Sichtbarkeitsproblem beim Rendern einer dreidimensionalen Szene auf einer zweidimensionalen
3D-Rendering Ulf Döring, Markus Färber 07.03.2011 1. Sichtbarkeitsproblem beim Rendern einer dreidimensionalen Szene auf einer zweidimensionalen Anzeigefläche (a) Worin besteht das Sichtbarkeitsproblem?
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrAuswertung zur. Hauptklausur Unternehmensbesteuerung. vom 24.02.10. und Ergebnisse der Kundenbefragung
Auswertung zur Hauptklausur Unternehmensbesteuerung vom 24.02.10 Vergleich: Skriptteufel-Absolventen vs. alle Teilnehmer und Ergebnisse der Kundenbefragung In diesem Dokument vergleichen wir die Klausurergebnisse
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrGitterherstellung und Polarisation
Versuch 1: Gitterherstellung und Polarisation Bei diesem Versuch wollen wir untersuchen wie man durch Überlagerung von zwei ebenen Wellen Gttterstrukturen erzeugen kann. Im zweiten Teil wird die Sichtbarkeit
MehrBilder Schärfen und Rauschen entfernen
Bilder Schärfen und Rauschen entfernen Um alte Bilder, so wie die von der Olympus Camedia 840 L noch dazu zu bewegen, Farben froh und frisch daherzukommen, bedarf es einiger Arbeit und die habe ich hier
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrZusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann
Zusammenfassung Digitale Bildverarbeitung By Fabian Flohrmann VL01 Stufen der Bildverarbeitung Bildgewinnung => Bildbearbeitung => Bilderkennung Bildgewinnung: Bildaufnahme Bilddiskretisierung Bildbearbeitung:
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrDefinition und Begriffe
Merkblatt: Das Dreieck Definition und Begriffe Das Dreieck ist ein Vieleck. In der Ebene ist es die einfachste Figur, die von geraden Linien begrenzt wird. Ecken: Jedes Dreieck hat drei Ecken, die meist
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
MehrProjektdokumentation
Thema: Bildschärfung durch inverse Filterung von: Thorsten Küster 11027641 Lutz Kirberg 11023468 Gruppe: Ibv-team-5 Problemstellung: Bei der Übertragung von Kamerabildern über ein Video-Kabel kommt es
MehrDiese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
MehrMichelson-Interferometer. Jannik Ehlert, Marko Nonho
Michelson-Interferometer Jannik Ehlert, Marko Nonho 4. Juni 2014 Inhaltsverzeichnis 1 Einführung 1 2 Auswertung 2 2.1 Thermische Ausdehnung... 2 2.2 Magnetostriktion... 3 2.2.1 Beobachtung mit dem Auge...
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrNumerisches Programmieren
Technische Universität München WS /3 Institut für Informatik Prof Dr Hans-Joachim Bungartz Dipl-Inf Christoph Riesinger Dipl-Inf Dipl-Math Jürgen Bräckle Numerisches Programmieren Programmieraufgabe: Polnominterpolation,
MehrInhalt. Vorwort... 1 Einführung... 1. 2 Ausgewählte Begriffe... 11. 3 Vorgehensweise im Überblick... 17
Inhalt Vorwort.................................................................. V Inhalt.................................................................... VII 1 Einführung..........................................................
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrBundesweite Online-Befragung Ihr Feedback für unsere Finanzämter. Bundesbericht. Gesamtergebnis. Bund 6,65% 21652
esweite Online-Befragung Ihr Feedback für unsere Finanzämter esbericht Gesamtergebnis Beteiligungsquote in % (Stb) Anzahl der abgeschlossenen Fragebögen (Stb) 6,6% 2162 1 von Erläuterung der Berichtsdiagramme
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrInhalt 1 Einführung... 1 2 Ausgewählte Begriffe... 10 3 Vorgehensweise im Überblick... 14
VII 1 Einführung... 1 1.1 Warum Versuche?... 1 1.2 Warum Statistik?... 1 1.3 Warum Versuchsplanung?... 4 1.4 Welche Art von Ergebnissen kann man erwarten?... 6 1.5 Versuche oder systematische Beobachtung?...
MehrMathematik. UND/ODER Verknüpfung. Ungleichungen. Betrag. Intervall. Umgebung
Mathematik UND/ODER Verknüpfung Ungleichungen Betrag Intervall Umgebung Stefan Gärtner 004 Gr Mathematik UND/ODER Seite UND Verknüpfung Kommentar Aussage Symbolform Die Aussagen Hans kann schwimmen p und
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrMean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
MehrGrundlagen der Informatik
Mag. Christian Gürtler Programmierung Grundlagen der Informatik 2011 Inhaltsverzeichnis I. Allgemeines 3 1. Zahlensysteme 4 1.1. ganze Zahlen...................................... 4 1.1.1. Umrechnungen.................................
MehrEinführung in das Arbeiten mit MS Excel. 1. Bearbeitungs
Einführung in das Arbeiten mit MS Excel 1. Bildschirmaufbau Die Tabellenkalkulation Excel basiert auf einem Rechenblatt, das aus Spalten und Zeilen besteht. Das Rechenblatt setzt sich somit aus einzelnen
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrEinführung in die Programmierung
: Inhalt Einführung in die Programmierung Wintersemester 2008/09 Prof. Dr. Günter Rudolph Lehrstuhl für Algorithm Engineering Fakultät für Informatik TU Dortmund - mit / ohne Parameter - mit / ohne Rückgabewerte
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrSpline Morphing. Softwarepraktikum im IWR. Carl Friedrich Bolz. Carl Friedrich Bolz
Spline Morphing Softwarepraktikum im IWR Einführung Motivation: Splines sind die Grundlage von jeglicher Vektorgrafik, 3D-Grafik, CAD/CAM,... Splines werden häufig zur Beschreibung von Schrift verwendet,
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
MehrZellulare Neuronale Netzwerke
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Zellulare Neuronale Netzwerke Florian Bilstein Dresden, 13.06.2012 Gliederung 1.
MehrÜbung zum Thema. Abmaße ablesen und Toleranzen berechnen
Übung zum Thema Abmaße ablesen und Toleranzen berechnen Grundlage der Übung sind die Tabellen TB2-1 bis TB2-3 im Roloff/Matek Tabellenbuch Vorgehensweise: 1. Bestimmung der Grundtoleranz In TB2-1 stehen
MehrDie Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt.
LÖSUNGEN TEIL 1 Arbeitszeit: 50 min Gegeben ist die Funktion f mit der Gleichung. Begründen Sie, warum die Steigung der Sekante durch die Punkte A(0 2) und C(3 11) eine weniger gute Näherung für die Tangentensteigung
MehrGraphic Coding. Klausur. 9. Februar 2007. Kurs A
Graphic Coding Klausur 9. Februar 2007 Kurs A Name: Matrikelnummer: Hinweise - Es sind keine Hilfsmaterialien erlaubt. (Keine Bücher, Taschenrechner, Handys) - Sie haben zwei Stunden Zeit. - Insgesamt
Mehr