Einführung in die Medieninformatik 1
|
|
- Edith Böhmer
- vor 7 Jahren
- Abrufe
Transkript
1 Einführung in die Medieninformtik 1 Wintersemester 2007/08 Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 1
2 Pln (vorläufig) Einführung Menschen: Whrnehmung Menschen: Whrnehmung Medien: Digitlisierung Medien: Bilder Medien: Kompression Medien: Texte und Typogrphie Medien: Audio: Grundlgen und Berbeitung Menschen und Medien: Interktion Web: Grundlgen + Techniken Medien: Video Zukunft Digitler Medien, Zusmmenfssung und Ausblick Abschluss-Event (gnztägig!) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 2
3 Einführung in die Medieninformtik 1 Teil 5: Kompression Viele Folien Heinrich Hußmnn (München) und ein pr von Jürgen Friedrich (Bremen) Vorlesung Wintersemester 2007/08 Riner Mlk Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 3
4 Speicherbedrf multimediler Informtion Dten vom letzten Ml (Kodierung): Bsp. Audio-Signle Sprche, niedrige Qulität (Mono, 8 bit, 8 khz): 64 kbit/s CD-Qulität (Stereo, 16 bit, 44,1 khz): 0,7 Mbit/s pro Knl Eine Minute Musik in CD-Qulität: 10,5 MByte Bsp. Bilder (9x13cm mit 300 ppi = 1062x1536 Pixel) Schwrz/weiß (1 bit Frbtiefe): c. 200 kbyte TrueColor (24 bit Frbtiefe): 4,5 MByte Bsp. Video (ohne Ton) 720 x 525 Pixel, 25 Bilder/s, 16 bit Frbtiefe: 151,2 Mbit/s 1280 x 720 Pixel, 60 Bilder/s, 24 bit Frbtiefe: 1,32 Gbit/s Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 4
5 Downlodzeiten Formt Smpling Rte Quntisierung Unkomprimierte Dteigröße [byte] (1 Minute) Downlodzeit bei 56kb/s Downlodzeit bei 1,5Mb/s Sprche/Tele fon 8 KHz 8 bit C. 1 min 8 s 2,56 s CD (stereo) 44,1 KHz 16 bit pro Knl > 25 min c. 56 s Video 720 x 525 Pixel, 25 Bilder/s 16 bit pro Pixel und Knl C. > 45 h C. 101 min Sound: 44,1 KHz Kompressionsverfhren können die Dtenmengen wesentlich reduzieren Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 5
6 Kompression Definition Form der Dtenkodierung, die zu einer Reduzierung der Größe des Abbilds im Verhältnis zum Originl führt (Eliminierung der Redundnz) Ziel: Reduzierung der benötigten Ressourcen (Pltzbedrfs uf einem Speichermedium bzw. Bndbreite eines Übertrgungsknls) Typen Verlustfreie Kompression (Redundnzreduktion): Originl knn vollständig wiederhergestellt werden Verlustbehftete Kompression (Irrelevnzreduktion): Originl knn nur unvollständig wiederhergestellt werden Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 6
7 Exkurs: Informtion und Repräsenttion V = Menge von Werten (Interprettionen, Bedeutungen) R = Menge von Repräsenttionen (Drstellungswerte) Abbildung I : R V Interprettion Umkehrung zur Interprettion: Repräsenttionsbeziehung I -1 : V R V Klssische Beispiele: V = Zhlwerte, R = Binärzhlen V = Abbildungen, R = Progrmme I Hier betrchtete Beispiele: V = Text, Bilder, Klänge (z.b.) R = GIF-Dtei, R = WAV-Dten,... R (nch Broy: Informtik Teil I) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 7
8 Informtionsverrbeitung Informtion ist ein bstrkter Begriff. Computer verrbeiten immer Repräsenttionen. Informtionsverrbeitung ist Repräsenttionsverrbeitung. Medien sind spezielle Repräsenttionen von Informtion. V I -1 I R Trnsformtion, Übertrgung Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 8
9 Semiotische Ebenen Semiotik = Theorie der Zeichen und Symbole Klssische Terminologie der Semiotik: Syntx, Semntik, Prgmtik Prgmtik (Wirkung) Sender Semntik (Bedeutung) Empfänger Syntx (Zeichen) Bezug zur trditionellen Informtik: Syntx = Repräsenttionen (Menge R) Semntik = Informtionsgehlt (Menge V) Prgmtik wird ls irrelevnt ngesehen Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 9
10 Semiotische Ebenen in der Medieninformtik Für Medien müssen lle semiotischen Ebenen betrchtet werden. Z.B. Wirkung eines Textes bhängig von der grfischen Drstellungsform (Frbe, Größe, Pltzierung) Prgmtik (Wirkung) Sender Semntik (Bedeutung) Syntx (Zeichen) Empfänger Knl (Träger) Bemerkung: Für die technische Relisierung sind Eigenschften des physiklischen Trägers der Repräsenttion ebenflls wesentlich. Z.B. Speicherbedrf, Frequenzspektrum Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 10
11 Stochstische Informtionstheorie: Zeichenvorräte und Kodierung Ein Zeichenvorrt ist eine endliche Menge von Zeichen. Eine Nchricht (im Zeichenvorrt A) ist eine Sequenz von Zeichen us A Seien A und B Zeichenvorräte. Eine Kodierung c ist eine Abbildung von Nchrichten in A uf Nchrichten in B. c: A B* (B* : Zeichenreihen über B) Wir beschränken uns meist uf binäre Codierungen, d.h. B = { 0, 1 } Die Informtionstheorie (nch Shnnon) befsst sich mit Nchrichtenquellen uf der Ebene der Syntx us stochstischer Sicht Zeichen und zugehörige Kodierung hben immer identische Interprettion A b b c c d d B O 1 b Beispiel: bc ddc Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 11
12 Interprettion und Kodierung Es gibt Kodierungen verschiedener Effizienz für die gleiche Informtion. Die Informtionstheorie betrchtet eine Informtionsquelle nch Eigenschften, die eine bessere (kürzere) Kodierung erluben. Informtionsquelle wird durch einen Bsiszeichenvorrt mit zusätzlichen Informtionen (z.b. Häufigkeitsverteilung) erfsst. V = Identische Informtion I -1 I A c Bessere (kleinere) Repräsenttion B Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 12
13 Entropie (1) Annhme Stochstische Nchrichtenquelle: Wir kennen die Häufigkeitsverteilung der Zeichen in den Nchrichten. Entscheidungsgehlt (Entropie) der Nchrichtenquelle: Wie viele J/Nein-Entscheidungen entsprechen dem Auftreten eines Einzelzeichens? Eine J/Nein-Entscheidung = 1 bit Beispiele: Quelle 1 Zeichen A B C D p = Häufigkeit x = Zhl der Entscheidungen Häufigk. p x Quelle 2 Zeichen A B C D Häufigk. p x x = 1/p x = ld (1/p ) (Logrithmus zur Bsis 2) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 13
14 Entropie (2) Durchschnittlicher Entscheidungsgehlt je Zeichen: Entropie H H = A p ld 1 p mit x = ld (1/p ): Quelle 1 Zeichen A B C D Häufigk. p x Quelle 2 Zeichen A B C D Häufigk. p x Quelle 3 Zeichen A B C D Häufigk. p x Entropie ist Mß für Unordnung, Zufälligkeit H = A H = 0 H = 2 p x H = 1.75 Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 14
15 Wortlängen und Redundnz Eine (Binär-)Codierung der Nchrichten einer stochstischen Nchrichtenquelle ergibt eine durchschnittliche Wortlänge L. L = p c() A Quelle 2 Zeichen A B C D Häufigk. p Code c() H = 2 L = 2 Quelle 3 Zeichen A B C D Häufigk. p Code c() Redundnz = L H H = 1.75 L = 2 Redundnz ist ein Mß für die Güte der Kodierung: möglichst klein! Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 15
16 Optimle Kodierung Eine Codierung ist optiml, wenn die Redundnz 0 ist. Durch geeignete Kodierung (z.b. Wortkodierung sttt Einzelzeichenkodierung) knn mn die Redundnz beliebig niedrig wählen. Redundnz ermöglicht ndererseits die Rekonstruktion fehlender Nchrichtenteile! B ispi l: Ntürlich Sprch Beispiel: Fehlererkennende und -korrigierende Codes (z.b. Pritätsbits) Quelle 3 Zeichen A B C D Häufigk. p Code c() Quelle 3 Zeichen A B C D Häufigk. p Code c () H = 1.75 L = 2 H = 1.75 L = 1.75 Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 16
17 Grundidee zur Huffmn-Kodierung Zeichen größerer Häufigkeit werden durch kürzere Codes repräsentiert vgl. Morse-Code Ds führt zu einem Code vribler Wortlänge In fortlufenden Signlen muss gelten: Kein Codewort drf Anfng eines nderen sein (Fno-Bedingung) In optimlem Code müssen die beiden Symbole der niedrigsten Häufigkeit mit gleicher Länge codiert sein. "Beweis"-Skizze: Wären die Längen verschieden, könnte mn ds längere Wort bei der Länge des kürzeren bschneiden Dnn sind die beiden Codes verschieden (sonst wäre Fno-Bedingung vorher verletzt gewesen) Kein nderes Codewort knn länger sein (d Zeichen niedrigster Whrscheinlichkeit), lso knn die Kürzung nicht die Fno-Bedingung verletzen Dnn hätten wir einen neuen Code mit kleinerer durchschnittlicher Wortlänge! Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 17
18 Huffmn-Kodierung (1) Gegeben: Zeichenvorrt und Häufigkeitsverteilung Ergebnis: Codierung (optiml, wenn lle Häufigkeiten Kehrwerte von Zweierpotenzen sind) Wiederholte Anwendung dieses Schritts uf die Häufigkeitstbelle: Ersetze die beiden Einträge niedrigster Häufigkeit durch einen Codebum mit zwei Ästen 0 und 1 und trge die Summe der Häufigkeiten ls Häufigkeit dfür ein. Zeichen A B C D Häufigkeit Zeichen A B C D Häufigkeit Dvid Huffmn 1951 Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 18
19 Huffmn-Codierung (2) 0 1 Zeichen A B C D Häufigkeit B 0 1 Zeichen A C D Häufigkeit A 0 1 B 0 1 C D Resultierender Bum Kodierung entspricht Mrkierung entlng des Pfdes Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 19
20 Huffmn-Codierung (3) Eine Nchricht, die sich n die gegebene Häufigkeitsverteilung hält: bbcdbcdb (Länge = 16 Zeichen) Codierung mit festen Wortlängen (z.b. = 00, b = 01, c = 10, d = 11) Länge 32 bit Huffmn-Codierung ( = 0, b = 10, c = 110, d = 111) Länge 27 bit (d.h. c. 16% Reduktion) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 20
21 Experiment: Huffmn-Kompression von Bildern Grutonbild, 256 x 256 Pixel, 8 bit (d.h. 256 Grustufen) Unkomprimiert: Bytes Mit Huffmn kodiert: Bytes c. 38% Reduktion Einfcher "Zustztrick": Differenz zwischen benchbrten Pixeln speichern und Huffmn dnn nwenden Bytes c. 51% Reduktion Keine universelle Kompression mehr, sondern speziell für Pixelbilder "semntischen Kodierung" Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 21
22 Luflängencodierung Unkomprimierte Repräsenttionen von Informtion enthlten häufig Wiederholungen desselben Zeichens (z.b. lnge Folgen von x00- oder xff-bytes) Idee: Ersetzen einer Folge gleicher Zeichen durch 1 Zeichen + Zähler Eingesetzt z.b. in Fx-Stndrds Beispiel: bcdeeefgggghibtttiikkkddde ersetzt durch #4bcd#e3f#g4hib#t3#i2#k3#d3e Probleme: Bei geringer Häufigkeit von Wiederholungen ineffektiv (verschlechternd) Syntktische Trennung von Wiederholungsindiktoren und unverändertem Code Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 22
23 Grundidee: Wörterbuch-Kompressionen Suche nch dem "Vokbulr" des Dokuments, d.h. nch sich wiederholenden Teilsequenzen Erstelle Tbelle: Index --> Teilsequenz ("Wort") Tbelle wird dynmisch während der Kodierung ufgebut Codiere Originl ls Folge von Indizes Prktische Algorithmen: Abrhm Lempel, Jcob Ziv (Isrel), Ende 70er-Jhre LZ77- und LZ78-Algorithmen Verbessert 1984 von A. Welch = "LZW"-Algorithmus (Lempel/Ziv/Welch) Bsis vieler semntikunbhängiger Kompressionsverfhren (z.b. UNIX "compress", Zip, gzip, V42.bis) Verwendet in vielen Multimedi-Dtenformten (z.b. GIF) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 23
24 Prinzip der LZW-Codierung Nicht lle Teilworte ins Wörterbuch, sondern nur solche, die um ein Zeichen länger sind, ls bisher beknnte Teilworte bilden eine "Kette" von Teilworten, die sich um je ein Zeichen überschneiden. Sequentieller Aufbu: Neu einzutrgendes Teilwort = Kürzestes ("erstes") noch nicht eingetrgenes Teilwort Beispiel: b n n e n n b u b n n ne en nn nb bu Codierung: b n n e n n b u Neu ins Wörterbuch einzutrgen, codiert nch ltem Wb.-Zustnd Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 24
25 LZW-Codierung (1) Tbelle mit Abbildung: Zeichenreihe Indizes Vorbesetzung der Tbelle mit fest vereinbrten Codes für Einzelzeichen (muß nicht explizit gespeichert und übertrgen werden) Prinzipieller Abluf: String w = NächstesEingbezeichen ; Wiederhole bis Eingbeende: { Chrz= NächstesEingbezeichen; String v = w + z Flls v in Tbelle enthlten ist w = v; Sonst { Trge v neu in Tbelle ein (und erzeuge neuen Index dfür); Schreibe Tbellenindex von w uf Ausgbe; w = z ; } } Schreibe Tbellenindex von w uf Ausgbe; Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 25
26 Algorithmus-Beschreibung ( Pseudo-Code ) Vriblen (ähnlich zu C/Jv-Syntx): Dtentyp fett geschrieben, gefolgt vom Nmen der Vriblen Zuweisung n Vrible mit = Dtentypen: int: Gnze Zhlen Chr: Zeichen (Buchstben, Zhlen, Sonderzeichen) String: Zeichenreihen (Sequenzen von Zeichen) Einelementige Zeichenreihe us einem Zeichen: x Aneinnderreihung (Konktention) mit + NächstesEingbezeichen: Liefert nächstes Zeichen der Eingbe und schltet Leseposition im Eingbepuffer um ein Zeichen weiter Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 26
27 LZW-Codierung (2) Vorbesetzte Tbelle (z.b. mit ASCII-Codes): [(<>, 97), (<b>, 98), (<c>, 99), (<d>, 100), (<e>, 101), (<f>, 102), (<g>, 103), (<h>, 104), (<i>, 105), (<j>, 106), (<k>, 107), (<l>, 108), (<m>, 109), (<n>, 110), (<o>, 111), (<p>, 112), (<q>, 113), (<r>, 114), (<s>, 115), (<t>, 116), (<u>, 117), (<v>, 118), (<w>, 119), (<x>, 120), (<y>, 121), (<z>, 122)] Für neue Einträge z.b. Nummern von 256 ufwärts verwendet. Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 27
28 LZW-Codierung (3) Beispieltext: bnnennbu" Abluf: Lesen (z) Codetbelle schreiben (v = w + z ) Ausgbe Puffer füllen (w) b <b> (<b>, 256) 98 (b) <> n (<n>, 257) 97 () <n> (<n>, 258) 110 (n) <> n <n> e (<ne>, 259) 257 (n) <e> n (<en>, 260) 101 (e) <n> <n> n (<nn>, 261) 258 (n) <n> b (<nb>, 262) 110 (n) <b> <b> u (<bu>, 263) 256 (b) <u> EOF 117 (u) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 28
29 Kompression durch LZW Am Beispiel: 9 (16-Bit-)Worte sttt 12 (16-Bit-)Worte, d.h. 25% In relen Situtionen werden oft c. 50% erreicht. Verfeinerungen des Algorithmus (z.b. Unix "compress"): Obergrenze für Tbellengröße, dnn sttisch Lufendes Beobchten der Kompressionsrte und ggf. Neustrt Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 29
30 LZW-Decodierung bei beknnter Tbelle Wiederhole solnge Eingbe nicht leer: { k = NächsteEingbezhl; Schreibe Zeichenreihe mit Tbellenindex k uf Ausgbe; } Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 30
31 LZW-Dekodierung (1) Grundidee ( symmetrische Kodierung ): Ds ufgebute Wörterbuch muss nicht zum Empfänger übertrgen werden. Ds Wörterbuch wird nch dem gleichen Prinzip wie bei der Kodierung bei der Dekodierung dynmisch ufgebut. Ds funktioniert, weil bei der Kodierung immer zuerst der neue Eintrg für ds Wörterbuch nch beknnten Regeln us dem schon gelesenen Text ufgebut wird, bevor der neue Eintrg in der Ausgbe verwendet wird. Algorithmusidee: Neu einzutrgendes Teilwort = letztes Teilwort plus erstes Zeichen des ktuellen Teilworts b n n e n n b u b n n ne en nn nb bu Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 31
32 LZW-Decodierung (2) Prinzipieller Algorithmus: int k = NächsteEingbezhl; String w = Zeichenreihe mit Tbellenindex k; Schreibe w uf Ausgbe Wiederhole solnge Eingbe nicht leer: { k = NächsteEingbezhl; String kt = Zeichenreihe mit Tbellenindex k; Schreibe kt uf Ausgbe; Chrq= erstes Zeichen von kt; Trge w + q in Tbelle ein (und erzeuge neuen Index dfür); w = kt; } Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 32
33 LZW-Dekodierung (3) Beispielzeichenreihe: " Abluf: Lesen (k) EOF Ausgbe (q ist jeweils unterstriche n) b n n e n n b u Letztes Wort (w) b n n e n n b Codetbelle schreiben (w + q ) (<b>, 256) (<n>, 257) (<n>, 258) (<ne>, 259) (<en>, 260) (<nn>, 261) (<nb>, 262) (<bu>, 263) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 33
34 LZW-Dekodierung (4) Beispieltext: bbb." Abluf Kodierung: Lesen (z) Codetbelle schreiben (v = w + z ) Ausgbe Puffer füllen (w) <> b (<b>, 256) 97 () <b> (<b>, 257) 98 (b) <> b <b> (<b>, 258) 256 (b) <> b <b> <b> b (<bb>, 259) 258 (b) <b> <b> b (<bb>, 260) 257 (b) <b> <b> b <bb> (<bb>, 261) 260 (bb) Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik <> 1 34
35 LZW-Decodierung (5) Beispielzeichenreihe: bbb..., Beispielcode: Abluf: Lesen (k) Ausgbe (q ist jeweils unterstrichen) Letztes Wort (w) Codetbelle schreiben (w + q ) b (<b>, 256) 256 b b (<b>, 257) 258??? b b b b b b b b... Decodierung ist so noch nicht korrekt! Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 35
36 LZW-Decodierung, vollständige Fssung int k = NächsteEingbezhl; String w = Zeichenreihe mit Tbellenindex k; String kt = ; Schreibe w uf Ausgbe Wiederhole solnge Eingbe nicht leer: { k = NächsteEingbezhl; Flls Index k in Tbelle enthlten dnn { kt = Zeichenreihe mit Tbellenindex k; Chrq= erstes Zeichen von kt; } sonst { Chrq= erstes Zeichen von w; kt = w + q ; } Schreibe kt uf Ausgbe; Trge w + q in Tbelle ein (und erzeuge neuen Index dfür); w = kt; } Prof. Dr. Riner Mlk, Digitle Medien Medieninformtik 1 36
2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Verlustfreie universelle Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München, Medieninformatik,
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung Ludwig-Maximilians-Universität München Prof. Hußmann Digitale Medien
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Verlustfreie universelle Kompression 2.3 Digitalisierung, Digitale Medien Weiterführende Literatur zum Thema Informationstheorie:
Mehr2. Digitale Codierung und Übertragung
2. Digitle Codierug ud Üertrgug 2.1 Iformtiostheoretische Grudlge 2.2 Speicheredrf ud Kompressio 2.3 Digitlisierug, Digitle Medie Weiterführede Litertur zum Them Dtekompressio: Khlid Syood: Itroductio
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.1.1 Abtasttheorem 2.1.2 Stochastische Nachrichtenquelle, Entropie, Redundanz 2.2 Verlustfreie universelle Kompression Weiterführende
MehrDef.: Sei Σ eine Menge von Zeichen. Die Menge Σ* aller Zeichenketten (Wörter) über Σ ist die kleinste Menge, für die gilt:
8. Grundlgen der Informtionstheorie 8.1 Informtionsgehlt, Entropie, Redundnz Def.: Sei Σ eine Menge von Zeichen. Die Menge Σ* ller Zeichenketten (Wörter) über Σ ist die kleinste Menge, für die gilt: 1.
MehrÜbung zur Vorlesung. Digitale Medien. Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid, Hanna Schneider
Übung zur Vorlesung Digitale Medien Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid, Hanna Schneider Wintersemester 2015/16 Wiederholung: LZW-Komprimierung Idee: Nicht einzelne Zeichen werden günstig
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.1.1 Abtasttheorem 2.1.2 Stochastische Nachrichtenquelle, Entropie, Redundanz 2.2 Verlustfreie universelle Kompression Siehe
MehrDigitale Medien. Übung zur Vorlesung. Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid
Übung zur Vorlesung Digitale Medien Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid Wintersemester 2016/17 Häufige Fehler beim Blatt 2 1 c) -> nicht erfüllte Fano-Bedingung bei dem Code 2 a) -> falscher
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1! Informationstheoretische Grundlagen!! 2.1.1 Abtasttheorem!! 2.1.2!Stochastische Nachrichtenquelle,!! Entropie, Redundanz 2.2! Verlustfreie universelle Kompression
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.1.1 Abtasttheorem 2.1.2Stochastische Nachrichtenquelle, Entropie, Redundanz 2.2 Verlustfreie universelle Kompression Medieninformatik-Buch:
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München Prof. Hußmann
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1! Informationstheoretische Grundlagen!! 2.1.1 Abtasttheorem!! 2.1.2!Stochastische Nachrichtenquelle,!! Entropie, Redundanz 2.2! Verlustfreie universelle Kompression
Mehr2. Digitale Codierung und Übertragung
2. Digitle Codierug ud Üertrgug 2.1 Iformtiostheoretische Grudlge 2.2 Verlustfreie uiverselle Kompressio 2.3 Digitlisierug, Digitle Medie Ludwig-Mximilis-Uiversität Müche Prof. Hußm Digitle Medie 2-22
Mehr5.2 BASIC MSC (BMSC) BASIC MSC. Kommunikation zwischen Instanzen. Message Sequence Charts
BASIC MSC Ein System besteht us Instnzen. Eine Instnz ist eine bstrkte Einheit, deren Interktion mit nderen Instnzen oder mit der Umgebung mn (teilweise) beobchten knn. Instnzen kommunizieren untereinnder
MehrÜbung zur Vorlesung. Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid, Hanna Schneider
Übung zur Vorlesung Digitale Medien Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid, Hanna Schneider Wintersemester 2016/17 Bilder 20 x 14 Pixel (= Bildpunkte) 16 Bit Farben (= 65.536 Farben) 560
MehrFORMALE SYSTEME. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2. November Markus Krötzsch
FORMALE SYSTEME 7. Vorlesung: Reguläre Ausdrücke Mrkus Krötzsch TU Dresden, 2. November 2017 Rndll Munroe, https://xkcd.com/851_mke_it_better/, CC-BY-NC 2.5 Mrkus Krötzsch, 2. November 2017 Formle Systeme
MehrÜbungen zur Linearen Algebra 1
Übungen zur Lineren Algebr Lösungen Wintersemester 9/ Universität Heidelberg Mthemtisches Institut Lösungen Bltt Dr. D. Vogel Michel Mier Aufgbe 44. b 4 b b 4 ( )b Fll : = ( )b 4 b ( ) b ( ) ( )(b ) b
Mehr16 - Kompressionsverfahren für Texte
16 - Kompressionsverfahren für Texte Prof. Dr. S. Albers Kompressionsverfahren für Texte Verlustfreie Kompression Original kann perfekt rekonstruiert werden Beispiele: Huffman Code, Lauflängencodierung,
MehrAlgorithmen und Datenstrukturen (Th. Ottmann und P. Widmayer) Folien: Editierdistanz Autor: Sven Schuierer
Algorithmen und Dtenstrukturen (Th. Ottmnn und P. Widmyer) Folien: Editierdistnz Autor: Sven Schuierer Institut für Informtik Georges-Köhler-Allee Albert-Ludwigs-Universität Freiburg 1 Editier-Distnz Gegeben:
MehrBisher haben wir keine Annahmen bzgl. der Sortierung der gegebenen Werte gemacht, d.h. sie durften in beliebiger Reihenfolge im Array a stehen
4.2.2 Binäre Suche Bisher hben wir keine Annhmen bzgl. der Sortierung der gegebenen Werte gemcht, d.h. sie durften in beliebiger Reihenfolge im Arry stehen Nehmen wir n, dss die Werte im Arry gemäß der
MehrDigitale Medien. Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid. Übung zur Vorlesung
Übung zur Vorlesung Digitale Medien Vorlesung: Heinrich Hußmann Übung: Renate Häuslschmid Wintersemester 2016/17 LZW-Komprimierung Idee: Nicht einzelne Zeichen werden günstig kodiert, sondern ganze Zeichenketten
MehrKompressionsverfahren für Texte
Kompressionsverfahren für Texte Prof. Dr. S. Albers Prof. Dr. Th. Ottmann 1 Zeichenkettenverarbeitung Suche in Texten, Textindizes Mustererkennung (Pattern-Matching) Verschlüsseln Komprimiern Analysieren
MehrVorkurs Mathematik Frankfurt University Of Applied Sciences, Fachbereich 2 1
Vorkurs Mthemtik Frnkfurt University Of Applied Sciences, Fchbereich 1 Rechnen mit Potenzen N bezeichnet die Menge der ntürlichen Zhlen, Q die Menge der rtionlen Zhlen und R die Menge der reellen Zhlen.
MehrEinführung in die Informatik II Aus der Informationstheorie: Datenkompression
Einführung in die Informatik II Aus der Informationstheorie: Datenkompression Prof. Bernd Brügge, Ph.D Institut für Informatik Technische Universität München Sommersemester 2 2. Juli 2 Copyright 2 Bernd
MehrLR(k)-Parser. CYK-Algorithmus ist zu langsam.
LR(k)-Prser Ziele: Effizienter (und deterministischer) Test, ob ein gegebenes Wort w in der Sprche L(G) enthlten ist. Flls j: Konstruktion des Syntxbums Flls nein: Hinweise zum Fehler CYK-Algorithmus ist
Mehr3. Gültigkeit von Definitionen
3. Gültigkeit von Definitionen GPS-3-1 Themen dieses Kpitels: Definition und Bindung von Bezeichnern Verdeckungsregeln für die Gültigkeit von Definitionen Gültigkeitsregeln in Progrmmiersprchen 2005 bei
MehrJohann Wolfgang Goethe-Universität
1. Einleitung 1.1 Technische Informtik 1.2 Systemgrundlgen 1.3 Systemeinteilung SS 2002 Technische Informtik 2 Einleitung 1 1.1 Technische Informtik Eingebettete Systeme Heterogene Systeme Hrdwre/Softwre
MehrFinite-State Technology
Finite-Stte Technology Teil IV: Automten (2. Teil) 1 Definition eines -NEA Ein -NEA ist ein Quintupel A = (Q,, δ, q0, F), wobei Q = eine endliche Menge von Zuständen = eine endliche Menge von Eingbesymbolen
MehrKlausur Digitale Medien
Klausur Digitale Medien Wintersemester 2005/2006 LMU München LFE Medieninformatik Prof. H. Hußmann Dauer: 90 Minuten Auf jedem Blatt sind Name und Matrikelnummer einzutragen. Blätter ohne Namen und Matrikelnummer
MehrFORMALE SYSTEME. Kleene s Theorem. Wiederholung: Reguläre Ausdrücke. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2.
FORMALE SYSTEME 7. Vorlesung: Reguläre Ausdrücke Mrkus Krötzsch Rndll Munroe, https://xkcd.com/851_mke_it_etter/, CC-BY-NC 2.5 TU Dresden, 2. Novemer 2017 Mrkus Krötzsch, 2. Novemer 2017 Formle Systeme
MehrUniversität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III
Nme Vornme Mtrikelnummer Lösungsvorschlg Universität Krlsruhe Institut für Theoretische Informtik o. Prof. Dr. P. Snders 8. März 2006 Klusur: Informtik III Aufgbe 1. Multiple Choice 10 Punkte Aufgbe 2.
MehrPräfixcodes und der Huffman Algorithmus
Präfixcodes und der Huffmn Algorithmus Präfixcodes und Codebäume Im Folgenden werden wir Codes untersuchen, die in der Regel keine Blockcodes sind. In diesem Fll können Codewörter verschiedene Länge hben
MehrDigitale Medien. Übung
Digitale Medien Übung Übungsbetrieb Informationen zu den Übungen: http://www.medien.ifi.lmu.de/dm http://www.die-informatiker.net Zwei Stunden pro Woche Praktische Anwendungen des theoretischen Vorlesungsstoffs
MehrEndliche Automaten 7. Endliche Automaten
Endliche Automten 7 Endliche Automten Einfches Modellierungswekzeug (z.b. UML-Sttechrts) Verrbeiten Wörter/Ereignisfolgen Erkennen Sprchen Erluben schnelle Sprcherkennung Anwendungsbereiche: Objektorientierte
MehrFORMALE SYSTEME. 6. Vorlesung: Reguläre Ausdrücke. TU Dresden, 27. Oktober Markus Krötzsch
FORMALE SYSTEME 6. Vorlesung: Reguläre Ausdrücke Mrkus Krötzsch TU Dresden, 27. Oktober 2016 Rückblick Mrkus Krötzsch, 27. Oktober 2016 Formle Systeme Folie 2 von 29 Wiederholung: Opertionen uf Automten
MehrDigitale Medien. Übung
Digitale Medien Übung Übungsbetrieb Informationen zu den Übungen: http://www.medien.ifi.lmu.de/dm Zwei Stunden pro Woche Praktische Anwendungen des theoretischen Vorlesungsstoffs Wichtige Voraussetzung
MehrProbeklausur Digitale Medien
Probeklausur Digitale Medien Wintersemester 2007 / 2008 LMU München LFE Medieninformatik Prof. H. Hußmann Dauer: 90 Minuten Zugelassene Hilfsmittel: Unterlagen zur Vorlesung und Übung Digitale Medien,
MehrBerechenbarkeitstheorie 4. Vorlesung
1 Berechenbrkeitstheorie Dr. Institut für Mthemtische Logik und Grundlgenforschung WWU Münster WS 15/16 Alle Folien unter Cretive Commons Attribution-NonCommercil 3.0 Unported Lizenz. Reguläre Ausdrücke
Mehr2. Übungsblatt Ausgabe: Abgabe:
Prktische Informtik 3 WS 08/09 2. Übungsbltt Ausgbe: 17.11.08 Abgbe: 01.12.08 Christoph Lüth Dominik Dietrich Mrcus Ermler Klus Hrtke Christin Meder Dominik Luecke Ewryst Schulz 4....-... -.-..-...-.........-...-
Mehr1.5. Abbildung. DEFINITION injektiv, surjektiv, bijektiv Eine Abbildung f ist injektiv, falls es zu jedem y Y höchstens ein x X gibt mit
CHAPTER. MENGEN UND R ELATIONEN.5. ABBILDUNG.5. Abbildung Eine Abbildung (oder Funktion ist eine Reltion f über X Y mit der Eigenschft: für jedes x us X gibt es genu ein y Y mit (x,y f. Die übliche Schreibweise
MehrBonusklausur über den Stoff der Vorlesung Grundlagen der Informatik II (45 Minuten)
Institut für Angewndte Informtik und Formle Beschreiungsverfhren 5.0.208 Bonusklusur üer den Stoff der Vorlesung Grundlgen der Informtik II (45 Minuten) Nme: Vornme: Mtr.-Nr.: Semester: (WS 207/8) Ich
Mehr1 Symbolisches und approximatives Lösen von Gleichungen
1 Symbolisches und pproimtives Lösen von Gleichungen von Frnk Schumnn 1.1 Eine hrte Nuss von Gleichung Wir sind zu Gst in einer Privtstunde im Fch Mthemtik, Klssenstufe 11. Anwesende sind Herr Riner Müller-Herbst,
MehrKlausur Digitale Medien
Klausur Digitale Medien Sommersemester 2003 LMU München LFE Medieninformatik Prof. H. Hußmann Dauer: 90 Minuten Auf jedes Blatt sind Name und Matrikelnummer einzutragen! Blätter ohne Namen oder ohne Matrikelnummer
MehrKapitel 4. Indizieren von Texten. R. Stiebe: Textalgorithmen, Sommer
Kpitel 4 Indizieren von Texten R. Stiebe: Textlgorithmen, Sommer 2005 244 Motivtion Es sei T ein lnger (und unveränderlicher) Text. Beispiele: Genom-Sequenzen, große Text-Dtenbnken (Internet) Ziel: Bei
MehrLösungen zum Ergänzungsblatt 4
en zum Ergänzungsltt 4 Letzte Änderung: 23. Novemer 2018 Theoretische Informtik I WS 2018 Crlos Cmino Vorereitungsufgen Vorereitungsufge 1 Sei M = ({p, q, r}, {, }, δ, p, {q, r}) ein DEA mit folgender
MehrDatenstrukturen & Algorithmen Lösungen zu Blatt 2 FS 16
Eidgenössische Technische Hochschule Zürich Ecole polytechnique fédérle de Zurich Politecnico federle di Zurigo Federl Institute of Technology t Zurich Institut für Theoretische Informtik 9. März 2016
MehrLösung zur Bonusklausur über den Stoff der Vorlesung Grundlagen der Informatik II (45 Minuten)
Institut für Angewndte Informtik und Formle Beschreiungsverfhren 15.01.2018 Lösung zur Bonusklusur üer den Stoff der Vorlesung Grundlgen der Informtik II (45 Minuten) Nme: Vornme: Mtr.-Nr.: Semester: (WS
MehrInformatik II, SS 2016
Informatik II - SS 2016 (Algorithmen & Datenstrukturen) Vorlesung 22 (20.7.2016) Greedy Algorithmen - Datenkompression Algorithmen und Komplexität Greedy Algorithmen Greedy Algorithmen sind eine Algorithmenmethode,
MehrGrundlagen der Algebra
PH Bern, Vorbereitungskurs MATHEMATIK Vorkenntnisse 0 Grundlgen der Algebr Einleitung Auf den nchfolgenden Seiten werden grundlegende Begriffe und Ttschen der Algebr erläutert: Zhlenmengen, Rechenopertionen,
MehrZiv-Lempel-Kompression von André Lichei
Ziv-Lempel-Kompression von André Lichei Einführung: Die wichtigsten Ansprüche,die an einen Komprimierungs-Algorithmus gestellt werden, sind: - eine hohe Komprimierungsrate - für alle Typen von Daten (
MehrAutomaten und formale Sprachen Notizen zu den Folien
5 Ds Pumping Lemm Schufchprinzip (Folie 144) Automten und formle Sprchen Notizen zu den Folien Im Block Ds Schufchprinzip für endliche Automten steht m n (sttt m > n), weil die Länge eines Pfdes die Anzhl
MehrEffiziente Algorithmen und Komplexitätstheorie
Effiziente Algorithmen und Komplexitätstheorie Vorlesung Ingo Wegener Vertretung Thoms Jnsen 10042006 1 Ws letzten Donnerstg geschh Linere Optimierung Wiederholung der Grundbegriffe und Aussgen M konvex
MehrUngleichungen. Jan Pöschko. 28. Mai Einführung
Ungleichungen Jn Pöschko 8. Mi 009 Inhltsverzeichnis Einführung. Ws sind Ungleichungen?................................. Äquivlenzumformungen..................................3 Rechnen mit Ungleichungen...............................
MehrGrundlagen des Maschinellen Lernens Kap 3: Lernverfahren in anderen Domänen
. Motivtion 2. Lernmodelle Teil I 2.. Lernen im Limes 2.2. Fllstudie: Lernen von Ptternsprchen 3. Lernverfhren in nderen Domänen 3.. 3.2. Entscheidungsbäume 3.3. Entscheidungsbäume über regulären Ptterns
MehrBINOMISCHE FORMELN FRANZ LEMMERMEYER
BINOMISCHE FORMELN FRANZ LEMMERMEYER Ds Distributivgesetz. Die binomischen Formeln sind im wesentlichen Vrinten des Distributivgesetzes. Dieses kennen wir schon; es besgt, dss () (b + = b + c und ( + b)c
MehrImplementierung von Kompressionsverfahren
Uwe Bier Institut für theoretische Informtik Universität Ulm 14.10.2015 Inhlt 1 Einführung 2 BWT LZ77 Kombintion JPEG MPEG 3 Abschließende Anmerkungen Einführung Einführung Kompressionsverfhren werden
MehrDer Gauß - Algorithmus
R Brinkmnn http://brinkmnn-du.de Seite 7..9 Der Guß - Algorithmus Der Algorithmus von Guss ist ds universelle Verfhren zur Lösung beliebiger linerer Gleichungssysteme. Einführungsbeispiel: 7x+ x 5x = Drei
MehrKapitel 4 Kontakte anlegen und verwalten
Kpitel 4 Kontkte nlegen und verwlten Die App Kontkte ist Ihr Adressbuch uf dem iphone. So hben Sie nicht nur jederzeit die gewünschte Telefonnummer, E-Mil-Adresse und Anschrift zur Hnd, sondern können
Mehr11. DER HAUPTSATZ DER DIFFERENTIAL- UND INTEGRALRECHNUNG
91 Dieses Skript ist ein Auszug mit Lücken us Einführung in die mthemtische Behndlung der Nturwissenschften I von Hns Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie ds Buch uch kufen und
MehrInformatik II, SS 2018
Informatik II - SS 28 (Algorithmen & Datenstrukturen) Vorlesung 22 (6.7.28) Greedy Algorithmen II (Datenkompression) Algorithmen und Komplexität Datenkompression Reduziert Größen von Files Viele Verfahren
Mehra = c d b Matheunterricht: Gesucht ist x. Physikunterricht Gesucht ist t: s = vt + s0 -s0 s - s0 = vt :v = t 3 = 4x = 4x :4 0,5 = x
Bltt 1: Hilfe zur Umformung von Gleichungen mit vielen Vriblen Im Mthemtikunterricht hben Sie gelernt, wie mn Gleichungen mit einer Vriblen umformt, um diese Vrible uszurechnen. Meistens hieß sie. In Physik
MehrLogarithmen zu speziellen und häufig gebrauchten Basen haben eigene Namen: Der Logarithmus zur Basis 10 heißt dekadischer oder Zehnerlogarithmus:
0 Dr Andres M Seifert Sternstunden in Mthe, Physik und Technik wwwsternstunden-odenwldde Logrithmen Die Gleichung vom Typ b wird mit Hilfe des Logrithmus gelöst Der Logrithmus von zur Bsis b ist die Zhl,
MehrKlausur über den Stoff der Vorlesung Grundlagen der Informatik II (90 Minuten)
Institut für Angewndte Informtik und Formle Beschreiungsverfhren 2.7.24 Klusur üer den Stoff der Vorlesung Grundlgen der Informtik II (9 Minuten) Nme: Vornme: Mtr.-Nr.: Semester: (SS 24) Ich estätige,
MehrAlgorithmen und Datenstrukturen (für ET/IT)
Algorithmen und Datenstrukturen (für ET/IT) Wintersemester 2012/13 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Informationen zur Klausur Termin: 21. Februar 2013,
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlgen der Mthemtik, WS 2014/15 Thoms Timmermnn 3. Dezember 2014 Wiederholung: Konstruktion der gnzen Zhlen (i) Betrchten formle Differenzen b := (, b) mit, b N 0 (ii) Setzen b c d, flls +
MehrFalls die Werte von X als Ergebnisse eines Zufallsvorgangs resultieren, wird X zu einer stetigen Zufallsvariable.
Sttistik I für Sttistiker, Mthemtiker und Informtiker Lösungen zu Bltt 11 Gerhrd Tutz, Jn Ulbricht, Jn Gertheiss WS 7/8 Theorie: Stetige Zufllsvriblen Begriff Stetigkeit: Eine Vrible oder ein Merkml X
Mehr1 Differenzen- und Differentialquotient 2. 2 Differentiationsregeln 5. 3 Ableitung spezieller Funktionen 6. 4 Unbestimmtes und bestimmtes Integral 7
Universität Bsel Wirtschftswissenschftliches Zentrum Abteilung Quntittive Methoden Mthemtischer Vorkurs Dr. Thoms Zehrt Differentil- und Integrlrechnung Inhltsverzeichnis 1 Differenzen- und Differentilquotient
MehrGrundbegriffe der Informatik Aufgabenblatt 7
Mtrnr: Nchnme: Vornme: Grundbegriffe der Informtik Aufgbenbltt 7 Tutorium: Nr Nme des Tutors: Ausgbe: 4 Februr 2017 Abgbe: 9 Februr 2017, 16:00 Uhr im GBI-Briefksten im Untergeschoss von Gebäude 5034 Lösungen
Mehr3 Hyperbolische Geometrie
Ausgewählte Kpitel der Geometrie 3 Hperbolische Geometrie [... ] Im Folgenden betrchten wir nun spezielle gebrochen-linere Abbildungen, nämlich solche, für die (mit den Bezeichnungen ϕ,b,c,d wie oben die
Mehr1. Einführung in die Nachrichtentechnik
rof. Dr.-Ing. W.-. Buchwld. Einführung in die Nchrichtentechnik. Allgemeine Vorbemerkungen Die Nutzung der Elektrizität setzte etw b der zweiten Hälfte des 8. Jhrhunderts für die Nchrichtenübermittlung
MehrQuadratische Funktionen
Qudrtische Funktionen Die Scheitelpunktform ist eine spezielle Drstellungsform von qudrtischen Funktionen, nhnd der viele geometrische Eigenschften des Funktionsgrphen bgelesen werden können. Abbildung
MehrGliederung. Kapitel 1: Endliche Automaten
Gliederung 0. Motivtion und Einordnung 1. Endliche Automten 2. Formle Sprchen 3. Berechnungstheorie 4. Komplexitätstheorie 1.1. 1.2. Minimierungslgorithmus 1.3. Grenzen endlicher Automten 1/1, S. 1 2017
MehrG2 Grundlagen der Vektorrechnung
G Grundlgen der Vektorrechnung G Grundlgen der Vektorrechnung G. Die Vektorräume R und R Vektoren Beispiel: Physiklische Größen wie Krft und Geschwindigkeit werden nicht nur durch ihre Mßzhl und ihre Einheit,
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mthemtische Sprche und nive Mengenlehre 1 Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johnn-von-Neumnn-Hus Fchschft Menge ller Studenten eines Institutes Fchschftsrt
MehrDie Zufallsvariable und ihre Verteilung
Die Zufllsvrible und ihre Verteilung Die Zufllsvrible In der Whrscheinlichkeitstheorie bzw. Sttistik betrchtet mn Zufllsvriblen. Eine Zufllsvrible ist eine Funktion, die Ergebnissen eines Zufllsexperimentes
Mehr7-1 Elementare Zahlentheorie. 1 a ist quadratischer Rest modulo p, 1 falls gilt a ist quadratischer Nichtrest modulo p, 0 p a. mod p, so ist.
7-1 Elementre Zhlentheorie 7 Ds udrtische Rezirozitätsgesetz 70 Erinnerung Sei eine ungerde Primzhl, sei Z In 114 wurde ds Legendre-Symbol eingeführt: 1 ist udrtischer Rest modulo, 1 flls gilt ist udrtischer
MehrGrundlagen der Theoretischen Informatik
Grundlgen der Theoretischen Informtik 3. Endliche Automten (II) 28.04.2016 Vioric Sofronie-Stokkermns e-mil: sofronie@uni-koblenz.de 1 Übersicht 1. Motivtion 2. Terminologie 3. Endliche Automten und reguläre
MehrTechnische Universität München SS 2006 Fakultät für Informatik Übungsblatt 5 Prof. Dr. A. Knoll 30. Juni 2006
Technische Universität München SS 26 Fkultät für Informtik Übungsbltt 5 Prof. Dr. A. Knoll 3. Juni 26 Übungen zu Einführung in die Informtik II Aufgbe 5 Kleidung ) Wir definieren zunächst die Aktionenmenge
MehrGrundlagen der Programmierung Prof. H. Mössenböck. 7. Arrays
Grundlgen der Progrmmierung Prof. H. Mössenböck 7. Arrys Eindimensionle Arrys Arry = Tbelle gleichrtiger Elemente [0] [1] [2] [3] Nme bezeichnet ds gesmte Arry Elemente werden über Indizes ngesprochen
MehrPotenzautomat. Gegeben: A = (Z, I, d, s 0, F ) P(A) = (P(Z), I, D, {s 0 }, F P ) P(Z) = {S S Z}: Potenzmenge von Z; D : P(Z) I P(Z) mit
1 Potenzutomt Gegeben: A = (Z, I, d, s 0, F ) P(A) = (P(Z), I, D, {s 0 }, F P ) P(Z) = {S S Z}: Potenzmenge von Z; D : P(Z) I P(Z) mit D(S, x) = d(s, x) s S für lle S P(Z), x I; F P = {S P(Z) S F }. Potenzutomt
Mehrb) Dasselbe System, die Unbekannten sind diesmal durchnummeriert:
1 Linere Gleichungssysteme 1. Begriffe Bspl.: ) 2 x - 3 y + z = 1 3 x - 2 z = 0 Dies ist ein Gleichungssystem mit 3 Unbeknnten ( Vriblen ) und 2 Gleichungen. Die Zhlen vor den Unbeknnten heißen Koeffizienten.
Mehr1. Voraussetzung. 2. Erste Schritte 2.1. Web-Account anlegen Einloggen
Toll Collect Serviceprtner-Portl ANLEITUNG Inhlt 1. Vorussetzung 2. Erste Schritte 2.1. Web-Account nlegen 2. 2. Einloggen 3. Serviceprtner-Portl verwenden 3.1. Überblick (Strtseite) 3.2. Fhrzeugdten suchen
MehrErgänzungsblatt 6. Letzte Änderung: 24. November 2018
Ergänzungsltt 6 Letzte Änderung: 24. Novemer 2018 Theoretische Informtik I WS 2018 Crlos Cmino Erinnerung: Die Besprechungstermine für die Ergänzungen 7 is 10 fllen is uf Weiteres us. Aufgen, Lösungen
MehrVerlauf Material LEK Glossar Lösungen. In acht Leveln zum Meister! Exponentialgleichungen lösen. Kerstin Langer, Kiel VORANSICHT
Eponentilgleichungen lösen Reihe 0 S Verluf Mteril LEK Glossr Lösungen In cht Leveln zum Meister! Eponentilgleichungen lösen Kerstin Lnger, Kiel Klsse: Duer: Inhlt: Ihr Plus: 0 (G8) 5 Stunden Eponentilgleichungen
MehrKurzes Ergebnis zu dualen Basen:
Kurzes Ergebnis zu dulen Bsen: Lemm 1 Es sei V ein Vektorrum der Dimension n mit Bsis B = {v j } n j=1, und B = {vj} n j=1 die dzu dule Bsis von V Dnn ist der Koeffizientenvektor eines beliebigen Elements
MehrFormale Systeme, Automaten, Prozesse SS 2010 Musterlösung - Übung 6 M. Brockschmidt, F. Emmes, C. Fuhs, C. Otto, T. Ströder
Prof Dr J Giesl Formle ysteme, utomten, Prozesse 2010 M rockschmidt, F Emmes, C Fuhs, C Otto, T tröder Hinweise: Die Husufgben sollen in Gruppen von je 2 tudierenden us dem gleichen Tutorium berbeitet
MehrÜbungen zur Wiederholung quer durch den Stoff Vollständigkeit wird nicht garantiert, und einige sind umfangreicher als klausurtypisch.
Vorlesung Theoretische Informtik Sommersemester 2017 Dr. B. Bumgrten Üungen zur Wiederholung quer durch den Stoff Vollständigkeit wird nicht grntiert, und einige sind umfngreicher ls klusurtypisch. 1.
Mehr- 1 - VB Inhaltsverzeichnis
- - VB Inhltsverzeichnis Inhltsverzeichnis... Die Inverse einer Mtrix.... Definition der Einheitsmtrix.... Bedingung für die inverse Mtrix.... Berechnung der Inversen Mtrix..... Ds Verfhren nch Guß mit
MehrGrundkurs Mathematik II
Prof Dr H Brenner Osnbrück SS 2017 Grundkurs Mthemtik II Vorlesung 33 Die Zhlenräume Die Addition von zwei Pfeilen und b, ein typisches Beispiel für Vektoren Es sei K ein Körper und n N Dnn ist die Produktmenge
MehrIntegration von Regelfunktionen
Integrtion von Regelfunktionen Inhltsverzeichnis Einleitung 2 Treppen- und Regelfunktionen 3 Denition des Integrls 4 Rechen mit Integrlen 2 4. Grundlegende Eigenschften.............................................
MehrVersuchsplanung. Grundlagen. Extrapolieren unzulässig! Beobachtungsbereich!
Versuchsplnung 22 CRGRAPH www.crgrph.de Grundlgen Die Aufgbe ist es Versuche so zu kombinieren, dss die Zusmmenhänge einer Funktion oder eines Prozesses bestmöglich durch eine spätere Auswertung wiedergegeben
Mehr3 Zerlegen in Faktoren (Ausklammern)
3 Zerlegen in Fktoren (Ausklmmern) 3.1 Einführung 3 + 3b = 3 ( + b) Summe Produkt Merke: Hben lle Summnden einer lgebrischen Summe einen gemeinsmen Fktor, so knn mn diesen gemeinsmen Fktor usklmmern. Die
MehrMathematik Rechenfertigkeiten
2 Mthemtik Rechenfertigkeiten Skript Freitg Dominik Tsndy, Mthemtik Institut, Universität Zürich Winterthurerstrsse 9, 857 Zürich Irmgrd Bühler (Überrbeitung: Dominik Tsndy) 9.August 2 Inhltsverzeichnis
MehrAutomaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kurzer Einschub: das Schubfachprinzip.
Reguläre Sprchen Automten und Formle Sprchen lis Theoretische Informtik Sommersemester 0 Ds Pumping-Lemm Wir hen is jetzt vier Formlismen kennengelernt, mit denen wir eine reguläre Sprche ngeen können:
MehrPrimzahltest nach Solovay-Strassen
Primzhltest nch Solovy-Strssen von Andres Wortmnn 1 Motivtion Primzhltests wie der Solovy-Strssen-Algorithmus (SSA) werden heute vor llem im Rhmen der Kryptogrphie eingesetzt. Hierbei wird eine günstige
Mehr