Informatik für Ökonomen II: Modellierung von Informatiksystemen. 2. Modelle und Modelltheorie
|
|
- Joseph Melsbach
- vor 1 Jahren
- Abrufe
Transkript
1 Martin Glinz Informatik für Ökonomen II: Modellierung von Informatiksystemen Wintersemester 2006/07 2. Modelle und Modelltheorie Universität Zürich Institut für Informatik 2005, 2006 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe sind für den persönlichen, nicht kommerziellen Gebrauch gestattet, wobei bei auszugsweiser Verwendung Quelle und Copyright zu nennen sind. Die Verwendung für Unterrichtszwecke oder für kommerziellen Gebrauch ist nur mit vorheriger schriftlicher Genehmigung des Autors gestattet.
2 2.1 Der Modellbegriff Aufgabe 2.1: Was verstehen Sie intuitiv unter «Modell»? Notieren Sie eine oder mehrere Bedeutungen in Stichworten. Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 2
3 Zum Modellbegriff: Ein Abbild Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 3
4 Zum Modellbegriff: Ein Vorbild Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 4
5 Zum Modellbegriff: Abstraktion Ein einfaches volkswirtschaftliches Modell Angebot Preis Reduktion auf das Wesentliche: Abstraktion Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 5
6 Zum Modellbegriff: Modell in der Logik In der Mathematischen Logik gibt es einen sehr speziellen Modellbegriff: Eine Menge von Bedingungen, die immer wahr (d.h. erfüllt) sein sollen, wird in der Mathematik ein Axiomensystem genannt. Jede Menge, welche ein solches Axiomensystem erfüllt, heißt ein Modell des Axiomensystems. Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 6
7 Zum Modellbegriff: Modell in der Logik Beispiel eines Axiomensystems Für eine Menge Z sollen folgende Bedingungen immer wahr sein: Für beliebige i, j aus Z gilt entweder i < j oder i > j oder i = j Es gibt genau ein Element e aus Z, so dass e < i für alle i e aus Z Es gibt eine Funktion N, welche jedem Element i aus Z seinen Nachfolger N(i) so zuordnet, dass gilt (a) i < N(i) (b) es gibt kein k aus Z, für das i < k < N(i) Die Menge der natürlichen Zahlen ist ein Modell dieses Axiomensystems Die Menge der ganzen Zahlen ist kein Modell dieses Axiomensystems Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 7
8 Weitere Modellbegriffe Fotomodell Modell in der Kunst (ein Mensch als Gegenstand einer künstlerischen Darstellung) Modell als Typ von etwas in der Technik Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 8
9 Definition von Modell 1. a Konkretes oder gedankliches Abbild eines vorhandenen Gebildes (ein Schiffsmodell, ein Modell einer Volkswirtschaft) 1. b Konkretes oder gedankliches Vorbild für ein zu schaffendes Gebilde (ein Modell eines geplanten Gebäudes, Musterbriefe für verschiedene Anlässe) 1. c In der mathematischen Logik: Interpretation einer Menge von Axiomen, in der alle Axiome wahre Aussagen sind 2. a Person oder Sache als Gegenstand einer künstlerischen Abbildung ( Er stand ihr Modell ) 2. b Person, welche Modeschöpfungen vorführt ( Sie arbeitet als Fotomodell ) 3. Typ von etwas ( Dieses Auto ist das neueste Modell ) vgl. hierzu Stachowiak (1973) p.129 und Duden (1989) Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 9
10 Der wissenschaftliche Modellbegriff Konkretes oder gedankliches Abbild eines vorhandenen Gebildes Vorbild für ein zu schaffendes Gebilde Immer mit Abstraktion verbunden Das Gebilde, welches Abbild oder Vorbild ist, wird Original genannt Jedes Modell ist durch die Wahrnehmung der modellierenden Person(en) geprägt Die Vorstellung «Modell = Ausschnitt der Realität» greift zu kurz («naiver Realismus») Modelle sind Abbildung und Konstruktion der Realität Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 10
11 Konsequenzen Nicht wertneutral Modell Konkretes oder gedankliches Abbild eines vorhandenen Gebildes oder Vorbild für ein zu schaffendes Gebilde in der Wahrnehmung der beteiligten Personen für einen bestimmten Verwendungszweck Größtmögliche Ähnlichkeit zwischen Original und Modell kein Ziel Bewusste Abstraktion und Gestaltung des Modells Ausnahme: Anfertigung von Kopien Validierung erforderlich Alle relevanten Eigenschaften des Originals müssen adäquat und vollständig auf Eigenschaften des Modells abgebildet sein Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 11
12 2.2 Wozu Modelle? Verstehen eines Gebildes Kommunizieren über ein Gebilde Gedankliches Hilfsmittel zum Gestalten, Bewerten oder Kritisieren eines geplanten Gebildes oder von Varianten davon Spezifikation von Anforderungen an ein geplantes Gebilde Durchführung von Experimenten, die am Original nicht durchgeführt werden sollen, können oder dürfen Aufstellen / Prüfen von Hypothesen über beobachtete oder postulierte Phänomene Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 12
13 Modelle sind insbesondere notwendig wenn das modellierte Original... nicht beobachtbar ist zu groß oder zu klein ist zu komplex ist nicht zur Verfügung steht noch nicht existiert wenn die Arbeit am Original... zu gefährlich, zu teuer, verboten, nicht möglich ist Aufgabe 2.2: Überlegen Sie sich für jeden dieser Punkte eine Beispielsituation Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 13
14 2.3 Modellbildung Modellbildung Prozess der Erstellung eines Modells Zwei Rollen: WissensträgerIn Person, welche das Wissen über den zu modellierenden Gegenstand bzw. Gegenstandsbereich (das Original im Sinn der Modelltheorie) hat ModelliererIn Person, welche ein Modell erstellt In jeder Rolle kann es mehrere reale Personen geben Eine Person kann beide Rollen gleichzeitig haben Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 14
15 Prinzipschema der Modellbildung Anwendungsbereich/ Problem reflektieren Modell verstehen Anwendungsbereich/ Problem verstehen Modell aufbauen WissensträgerIn ModelliererIn Modellbildung ist ein iterativer Prozess Modellieren bedeutet immer auch Reflektieren über das Original unabhängig ob dieses bereits existiert oder erst zu schaffen ist Modellbildung ist auch ein Verstehens- und Konsensbildungsprozess Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 15
16 Tätigkeiten in der Modellbildung Reflektieren Überlegen und verstehen, was modelliert werden soll (Pragmatik des Modells, abzubildende/wegzulassende Merkmale, Umfang,...) Gewinnen Informationen über das Original und die Intentionen der Wissensträger gewinnen (Diskutieren, lesen, fragen, rückfragen, suchen, analysieren,...) Beschreiben Gewonnene Informationen verstehen, ordnen, strukturieren, bewerten,... und mit geeigneten Mitteln beschreiben Validieren Modelle (Zwischenergebnisse und fertiges Modell) durch Wissensträger überprüfen lassen: Ist es das, was sie wollen und brauchen? Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 16
17 2.4 Theoretische Fundierung von Modellen Betrachtet werden nur Modelle als Abbilder oder Vorbilder (vgl. Kap. 2.1) Jedes Modell und jedes modellierte Original wird als Menge von Individuen und Attributen beschrieben. Ein Individuum ist ein individuell erkennbarer, von anderen Individuen eindeutig abgrenzbarer, für sich stehender Gegenstand. Attribute sind Eigenschaften von Individuen oder von anderen Attributen Beziehungen zwischen Individuen oder Attributen Operationen auf Individuen oder Attributen. Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 17
18 Beispiel für die Elemente eines Modells Individuen Teil Ident-Nr Bezeichnung Bestellen Bestellung Bestelldatum Lieferant Name Adresse Strasse Postleitzahl Ort Merkmal Beziehung Attribute Operation Attribute eines Attributs Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 18
19 Konstituierende Merkmale eines Modells Abbildungsmerkmal Jedes Modell ist Abbild oder Vorbild Verkürzungsmerkmal Jedes Modell abstrahiert Pragmatisches Merkmal Jedes Modell wird im Hinblick auf einen Verwendungszweck geschaffen (Stachowiak 1973) Manchmal werden Modelle als Abstraktion eines Ausschnitts der Realität definiert (z.b. Hansen und Neumann (2005), p. 174) Diese Definition greift zu kurz und erfasst nur eine Facette des Modellbegriffs Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 19
20 Das Abbildungsmerkmal 1 Ein Kran a. Original b. Ein Modell eines Krans d Last 4d Zug c. Ein anderes Modell eines Krans d. Ein Modell des Modells c. Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 20
21 Das Abbildungsmerkmal 2 Individuum oder Attribut Abbildung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 21
22 Das Abbildungsmerkmal 3 Modelle sind Abbilder oder Vorbilder eines vorhandenen oder zu schaffenden Originals Zu jedem Modell gehört eine Abbildung, welche die Individuen und Attribute des Originals auf diejenigen des Modells abbildet Das Original kann selbst wieder ein Modell sein Es kann verschiedene Modelle des selben Originals geben Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 22
23 Das Verkürzungsmerkmal 1 Original Modell Modelle erfassen meistens nicht alle Individuen und Attribute des Originals Es wird nur das modelliert, was den Modellschaffenden wichtig/ nützlich/notwendig erscheint Abstraktion Das Modell kann Individuen und Attribute enthalten, die keine Entsprechung im Original haben Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 23
24 Das Verkürzungsmerkmal 2 A message to mapmakers: highways are not painted red, rivers don t have county lines running down the middle, and you can t see contour lines on a mountain. William Kent (1978) Aufgabe 2.3: Warum hat es auf topographischen Karten Höhenlinien? Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 24
25 Das pragmatische Merkmal Original und Modell(e) sind einander nicht aus sich selbst heraus zugeordnet. Jedes Modell ist für einen spezifischen Zeitraum und Verwendungszweck geschaffen Es gibt keine a priori richtigen oder falschen Modelle Es dürfen keine Modellattribute ausgewertet werden, die keine Entsprechung im Original haben. Kaufvertrag Unsere Wohnung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 25
26 Aufgabe 2.4 Gegeben ist folgendes Modell einer Diskette: Notieren Sie in Stichworten zu dieser Modellbildung: (1) Welche Attribute des Originals entsprechen welchen Modellattributen? (2) Welche Attribute des Originals sind nicht modelliert? (3) Welche Attribute des Modells gibt es im Original nicht? (4) Mit welcher Pragmatik wurde dieses Modell erstellt? Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 26
27 2.5 Sprache und Modell Modelle, welche nicht aus einem konkreten Material bestehen, benötigen eine Sprache, in der sie ausgedrückt werden können Sprache: strukturierte Menge von Zeichen und die damit bezeichnete begriffliche Vorstellung Zeichen: Laute, Schrift, Symbole, Gebärden,... Modelle: in der Regel mit Schrift und Symbolen ausgedrückt: Notation Notation System von Schrift- und Symbolzeichen zur Darstellung eines Modells Explizite Zuordnung von begrifflicher Vorstellung und Notation Meist mehrere Notationen zur gleichen begrifflichen Vorstellung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 27
28 Beispiel Sprachelement: Begriffliche Vorstellung Beispiel: Datenstruktur, bei der das zuletzt abgelegte Element als erstes wieder entnommen wird In der Sprach- und Zeichentheorie: Bezeichnetes Bezeichner (de Saussure) Notation Keller Stack Bedeutung, Referenz, Gedanke Ausdruck, Symbol, Name, Wort (Ogden und Richards) Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 28
29 Exkurs in die Sprach- und Zeichentheorie In jeder Sprache sind Bezeichner (Schrift- bzw. Klangbild, Symbol) und Bezeichnetes (begriffliche Vorstellung) einander explizit (im Prinzip willkürlich) zugeordnet (de Saussure 1916) Sprache kann (aber muss nicht!) Dinge der Realität bezeichnen Semiotisches Dreieck (Ogden und Richards 1923): meaning reference thought symbolizes refers to expression symbol name word stands for object referent thing Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 29
30 Notation und Bedeutungen Wenn zwei Partner (Menschen oder Maschinen) kommunizieren, so tauschen sie eine Menge von Zeichen aus Erfolgreiche Kommunikation erfordert die Festlegung von Notation gemeinsamer Zeichenvorrat Regeln für die Bildung von Zeichenstrukturen (Syntax) Bedeutung der Zeichen, d.h. der ihnen zugeordneten begrifflichen Vorstellung (Semantik) Erfordert v.a. in Fachsprachen explizite Bedeutungsdefinitionen Ontologien Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 30
31 Ontologie explizite Bedeutungsdefinitions-Systeme Ontologie (ontology) In der Informatik: die konzeptuelle Formalisierung von Wissensbereichen [Allgemein: die Lehre vom Sein] Ontologien sind formale Modelle einer Anwendungsdomäne, die dazu dienen, den Austausch und das Teilen von Wissen zu erleichtern Damit Menschen über ein Modell kommunizieren können, benötigen sie eine gemeinsame Ontologie des Anwendungs- und Wissensbereichs, der dem Modell zu Grunde liegt Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 31
32 Beispiel Anwendungsbereich: Linienflüge Bezeichnetes, begriffliche Vorstellung: Der für einen Flugschein zu zahlende Betrag Bezeichner: Preis Zum Beispiel: Mit oder ohne Flughafengebühren? Nur mit einer Ontologie, Einschließlich welche die Begrifflichkeit Buchungsgebühr? von «Preis» exakt bestimmt, werden Angebote Mit oder verschiedener ohne Mehrwertsteuer? Fluggesellschaften vergleichbar In welcher Währung? Aufgabe 2.3: Nennen Sie Beispiele möglicher unterschiedlicher Auffassungen von «Preis» Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 32
33 Zusammenhang von Original, Modell und Sprache Modell repräsentiert in einer Sprache Original Modellbildung Pragmatik Modellierer Interpretation Modellauswertung Begriffliche Vorstellung Bedeutung (Semantik) Notation(en) Ontologie Form (Syntax) Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 33
34 Beispiel Begriffliche Vorstellung «Mitarbeiter ist beschäftigt in Abteilung» Original Modell Die Beschäftigten im Verkauf der Firma AGP sind Peter Muster, Anna Maier, Fritz Mann und Eva Schütz (repräsentiert in einer Sprache) Notationen Mitarbeiter beschäftigt Abteilung Mitarbeiter beschäftigt in beschäftigt Abteilung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 34
35 2.6 Operationen auf Modellen Problem: Operationen auf Originalen sind manchmal nicht durchführbar oder zu teuer Operationen auf Modellen: Aus dem resultierenden Modellzustand Rückschlüsse ziehen, wie sich das Original unter den gleichen Operationen verändert hätte Beispiel: Wirkung des Zusammenstoßes zweier Fahrzeuge auf menschenähnliche Puppen in diesen Fahrzeugen Vorsicht: Nur solche Modelloperationen sind zulässig, zu denen es eine entsprechende Operation auf dem Original gibt deren resultierende Attribute auf entsprechende Attribute des Originals abbildbar sind Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 35
36 Operationen auf Modellen 2 Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 36
37 2.7 Deskriptive und präskriptive Modellbildung Modellierung eines existierenden Originals oder Modellierung eines zukünftigen, aber nicht gestaltbaren Originals Deskriptive Modellbildung Beispiele: Stadtplan, Wettervorhersage, Komponentenstruktur eines im Einsatz befindlichen Informatiksystems Modellierung eines zu schaffenden, gestaltbaren Originals Präskriptive Modellbildung Beispiele: Konstruktionszeichnung, Anforderungsspezifikation für zu entwickelnde Software Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 37
38 Deskriptive und präskriptive Modellbildung 2 Deskriptive Modellbildung muss sich streng an der Realität orientieren Präskriptive Modellbildung darf zukünftige Realität gestalten Deskriptiv und präskriptiv sind Eigenschaften der Modellbildung, nicht der Modelle selbst: dasselbe Modell kann deskriptiv bezüglich eines Originals und präskriptiv bezüglich eines anderen Originals sein Aufgabe 2.4: Begründen Sie diese Aussagen an Hand von Beispielen Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 38
39 Deskriptive und präskriptive Modellbildung 3 Vorsicht: auch deskriptive Modellbildung ist nicht wertfrei: zu Grunde liegende Pragmatik gezielte Verkürzung gezielte Wahl der Notation In Werbung und Propaganda häufig anzutreffen Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 39
40 Beispiel: Politische Propaganda Eine politische Partei modelliert die Erwerbsquote in der Schweiz deskriptiv wie folgt: 1972: 58,9% der Ausländer sind erwerbstätig 2000: 59,2% der Ausländer sind erwerbstätig Die Erwerbsquote der Schweizer ist dabei dem Verkürzungsmerkmal zum Opfer gefallen: 1972: 46,2% der Schweizer sind erwerbstätig 2000: 54,7% der Schweizer sind erwerbstätig Der erwünschte Propagandaeffekt entsteht durch geeignetes Auswählen bzw. Weglassen von Attributen des Originals bei der Modellbildung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 40
41 Beispiel: Werbung Eine Telefongesellschaft modelliert die eigenen Preise und die der Konkurrenz deskriptiv wie folgt: Fr Fr. 1. wir Anbieter A Anbieter B Aufgabe 2.5: Was schließen Sie intuitiv aus diesem Modell? Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 41
42 2.8 Philosophische und ethische Aspekte Was sind Originale? Existieren Dinge a priori und objektiv? Existiert nur, was erkennbar ist? Gibt es objektive Erkenntnis? Erkenntnis ist intersubjektiv Erkenntnis ist Modellbildung Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 42
43 Verantwortung, Modelle und Realität Modelle in der Informatik beschreiben Gegenstände und/oder Prozesse eines in der Regel realen Problembereichs Jedes Modell stellt das Original aus einer bestimmten Sicht heraus dar und verändert damit die Wahrnehmung des Originals Das gemäß einem Modell konstruierte System wird durch seinen Einsatz selbst ein Teil der Realität und beeinflusst/verändert den modellierten Problembereich Modellierung ist ein Stück weit Realitätskonstruktion Die Erstellung von Modellen ist keine wertfreie Tätigkeit Alle Beteiligten tragen die Verantwortung für die durch das Modell bewirkten Interpretationen und Veränderungen des Originals Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 43
44 Literatur De Saussure, F. (1916). Cours de linguistique générale (Herausgegeben von C. Bally und A. Sechehaye unter Mitarbeit von A. Riedlinger). Lausanne-Paris: Payot. Duden (1989). Duden Deutsches Universalwörterbuch. 2. Auflage. Mannheim, Wien, Zürich: Dudenverlag. H.R. Hansen und G. Neumann (2005). Wirtschaftsinformatik 1: Grundlagen und Anwendungen, 9.Auflage. Stuttgart: Lucius & Lucius. Ludewig, J. (2003). Models in Software Engineering An Introduction. Software and Systems Modeling 2, 1. Kent, W. (1978). Data and Reality. Amsterdam etc.: North-Holland. Mädche, A., Staab, S., Studer, R. (2001). Ontologien. Wirtschaftsinformatik 43, 4 (August 2001) Ogden, C. K. & Richards, I.A. (1923). The Meaning of Meaning. A Study of the Influence of Language upon Thought and of the Science of Symbolism. London: Routledge & Kegan Paul. Stachowiak, H. (1973). Allgemeine Modelltheorie. Wien: Springer. Wedekind, H., G. Görz, R. Kötter, R. Inhetveen (1998). Modellierung, Simulation, Visualisierung: Zu aktuellen Aufgaben der Informatik. Informatik-Spektrum 21, 5 (Okt. 1998) Informatik für Ökonomen II: Modellierung von Informatiksystemen Kapitel Martin Glinz 44
Einführung in die Modelltheorie
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 2 Einführung in die Modelltheorie Universität Zürich Institut für Informatik Inhalt 2.1 Grundannahmen 2.2 Hauptmerkmale eines Modells 2.3 Sprache
Informatik für Ökonomen II: Modellierung von Informatiksystemen. 2. Modelle und Modelltheorie
Martin Glinz Informatik für Ökonomen II: Modellierung von Informatiksystemen 2. Modelle und Modelltheorie Universität Zürich Institut für Informatik 2005, 2009 Martin Glinz. Alle Rechte vorbehalten. Speicherung
Einführung in die Modellierung
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 1 Einführung in die Modellierung Universität Zürich Institut für Informatik Inhalt 1.1 Der Modellbegriff 1.2 Wozu Modelle? 1.3 Modellbildung 1.4
Einführung in die Modellierung
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 1 Einführung in die Modellierung Universität Zürich Institut für Informatik 1.1 Der Modellbegriff Aufgabe 1.1: Was verstehen Sie intuitiv unter
Modellwelten für diskrete ereignisorientierte dynamische Systeme und ihre Analyse - eine Übersicht -
Modellwelten für diskrete ereignisorientierte dynamische Systeme und ihre Analyse - eine Übersicht - Spezialvorlesung WS 2004/05 Vorlesung: donnerstags, 8-10 Uhr, GB V R 420 Veranstalter Peter Kemper,
Logik und modelltheoretische Semantik. Was ist Bedeutung?
Logik und modelltheoretische Semantik Was ist Bedeutung? Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 30.5.2017 Zangenfeind: Was ist Bedeutung? 1 / 19 Zunächst: der
1 4. Datenmodellierung mit der Unified Modeling Language (UML)
1 4. Datenmodellierung mit der Unified Modeling Language (UML) Objekte, Klassen und Assoziationen Multiplizitäten - Kardinalitäten Rollen (Wiederholung) Einfache Abbildung von Modellen auf Tabellen Empfehlungen
Übung 2: Datenmodelle Kapitel 3
Übung 2: Datenmodelle Kapitel 3 Tutorat vom 10. März 2015 Vorgesehener Ablauf Teil 1: Administratives Nachbesprechung Übung 1 Einige Worte zu Aufgabe 4 (Grafik) Einige Erläuterungen zu den Hauptmerkmalen
Modellierung Zusammenfassung WS2000
Modellierung Zusammenfassung WS2000 Inhalt 1 Einführung in die Modellierung...2 2 Datenmodelle...3 3 Funktionsmodelle...3 4 Verhaltensmodelle...4 5 Objekt-/Klassenmodelle...6 6 Interaktionsmodelle...6
Datenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt
2. Datenbankentwurf Motivation Datenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt Fehler sind umso teurer zu beheben, je weiter die Entwicklung bzw. der Einsatz
Systemtheorie 1. Formale Systeme 1 # WS 2006/2007 Johannes Kepler Universität Linz, Österreich
Einführung 1 Systemtheorie 1 Formale Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof. Dr. Armin Biere Institut für Formale Modelle und Verifikation
Systemtheorie 1. Einführung Systemtheorie 1 Formale Systeme 1 # WS 2006/2007 Armin Biere JKU Linz Revision: 1.4
Einführung intro 1 Grobklassifizierung r Methoden in der Informatik intro 2 Systemtheorie 1 Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof.
Requirements Engineering I
Martin Glinz Requirements Engineering I Kapitel 9 UML Unified Modeling Language Universität Zürich Institut für Informatik 2006, 2008 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe sind
Requirements Engineering Die Dinge von Anfang an richtig machen
Requirements Engineering Die Dinge von Anfang an richtig machen Martin Glinz www.ifi.uzh.ch/~glinz Erstes Requirements Engineering Forum Zürich, 13. November 2008 Universität Zürich Institut für Informatik
Informatik II: Modellierung Prof. Dr. Martin Glinz. Kapitel 2. Datenmodellierung. Universität Zürich Institut für Informatik
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 2 Datenmodellierung Universität Zürich Institut für Informatik 2.1 Grundlagen und Motivation Betriebliche Daten sind in der Regel langlebig stabil
Methoden der computergestützten Produktion und Logistik
Methoden der computergestützten Produktion und Logistik 1. Modelle Prof. Dr.-Ing. habil. Wilhelm Dangelmaier Modul W 2336 SS 2016 Modellbegriff Definition nach Klaus und Buhr Ein Modell ist ein bewusst
Requirements Engineering I
Martin Glinz Requirements Engineering I Kapitel 9 UML Unified Modeling Language Universität Zürich Institut für Informatik 2006, 2009 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe für
Einführung Grundbegriffe
Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung
Requirements Engineering I. Anforderungsspezifikation mit natürlicher Sprache
Martin Glinz Requirements Engineering I Kapitel 5 Anforderungsspezifikation mit natürlicher Sprache Universität Zürich Institut für Informatik 2006 Martin Glinz. Alle Rechte vorbehalten. Speicherung und
Methoden der computergestützten Produktion und Logistik
Methoden der computergestützten Produktion und Logistik 1. Modelle Prof. Dr.-Ing. habil. Wilhelm Dangelmaier Modul W 2336 SS 2017 Modellbegriff Definition nach Klaus und Buhr Ein Modell ist ein bewusst
Kapitel MK:III. III. Begriffe der Modellierung
Kapitel MK:III III. Begriffe der Modellierung System und Modell Modellieren zum Schlussfolgern Modellbildung Systemraum und Modellraum Adäquate Modellierung MK:III-1 Modeling Concepts STEIN 2000-2015 Beispiel
Informatik II: Modellierung Prof. Dr. Martin Glinz. Kapitel 12. Abstraktion. Universität Zürich Institut für Informatik
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 12 Abstraktion Universität Zürich Institut für Informatik Inhalt 12.1 Das Prinzip der Abstraktion 12.2 Klassifikation 12.3 Komposition 12.4 Generalisierung
Grundlagen der modellgetriebenen Softwareentwicklung. Teil 2: Modellierung
Grundlagen der modellgetriebenen Softwareentwicklung Teil 2: ierung Prof. Dr. H. Drachenfels Version 8.0 16.9.2016 Allgemeiner begriff nach Stachowiak [1973] (sinngemäß entnommen http://de.wikipedia.org/wiki/)
Warum Modellierung? OE-Vorlesung 2016 Einführung in Petrinetze. Was ist ein Modell? Und warum Petrinetze? Petrinetze sind ein Modellierungswerkzeug.
Warum Modellierung? OE-Vorlesung 016 Einführung in Petrinetze Dr. Lawrence Cabac cabac@informatik.uni-hamburg.de Folien: Dr. Frank Heitmann Fachbereich Informatik Universität Hamburg Petrinetze sind ein
Software-Qualität Ausgewählte Kapitel
Martin Glinz Software-Qualität Ausgewählte Kapitel Kapitel 10 Qualitätsnormen 2009 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe für den persönlichen, nicht kommerziellen Gebrauch gestattet;
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
Datenstrukturen -- die komplexe Welt in FileMaker Feldern beschreiben
FileMaker Konferenz2010 Datenstrukturen -- die komplexe Welt in FileMaker Feldern beschreiben Modellbildung und Datendefinition für FileMaker Entwickler. * dr.filemaker@mac.com FileMaker Konferenz2010
Modellierung Prof. Dr. Wilfried Hauenschild WS 2006/2007
WS 06/07 Mod 000 Modellierung Prof. Dr. Wilfried Hauenschild WS 2006/2007 2006 1 Prof. Dr. W. Hauenschild Begründung der Vorlesung WS 06/07 Mod 001 Das Modellieren ist eine für das Fach Informatik typische
Software-Konfigurationsverwaltung
Martin Glinz Harald Gall Software Engineering Kapitel 23 Software-Konfigurationsverwaltung Universität Zürich Institut für Informatik 2005, 2007 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe
Rückblick: Entity-Relationship-Modell
Rückblick: Entity-Relationship-Modell Entity-Relationship-Modell für konzeptuellen Entwurf Entitytypen (entity types) (z.b. Studenten) Beziehungstypen (relationships) (z.b. hören) Attribute beschreiben
Objektorientierte Modellierung (1)
Objektorientierte Modellierung (1) Die objektorientierte Modellierung verwendet: Klassen und deren Objekte Beziehungen zwischen Objekten bzw. Klassen Klassen und Objekte Definition Klasse Eine Klasse ist
HM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
6 Requirements Engineering Prozesse. 6.1 Hauptprozesse. Spezifikationsprozess Anforderungen... gewinnen analysieren und dokumentieren prüfen
6 Requirements Engineering Prozesse 6.1 Hauptprozesse Spezifikationsprozess... gewinnen analysieren und dokumentieren prüfen Verwaltungsprozess ( Kapitel «Verwaltung von»)... freigeben ändern rückverfolgen
Kompetenzmodell Mathematik, 4. Schulstufe. Ergänzende Informationen
Kompetenzmodell Mathematik, 4. Schulstufe Ergänzende Informationen Kompetenzmodell Mathematik, 4. Schulstufe 3 Kompetenzmodell Die für Mathematik streben einen nachhaltigen Aufbau von grundlegenden Kompetenzen
Informatische Modellbildung
Informatische Modellbildung Informatik als Wissenschaft von der Herstellung ausführbarer Modelle bzw. der Simulation künstlicher Welten hier: formale Methoden zur Präzisierung des Modellbegriffs Begriffsdefinition
Kapitel 1. Aussagenlogik
Kapitel 1 Aussagenlogik Einführung Mathematische Logik (WS 2012/13) Kapitel 1: Aussagenlogik 1/17 Übersicht Teil I: Syntax und Semantik der Aussagenlogik (1.0) Junktoren und Wahrheitsfunktionen (1.1) Syntax
Prof. Dr. Uwe Schmidt. 12. August Aufgaben zur Klausur Softwaredesign im SS 2014 (BInf v310, BMInf v300, BWInf v310, BWInf- 23)
Prof. Dr. Uwe Schmidt 12. August 2014 Aufgaben zur Klausur Softwaredesign im SS 2014 (BInf v310, BMInf v300, BWInf v310, BWInf- 23) Zeit: 90 Minuten erlaubte Hilfsmittel: keine Bitte tragen Sie Ihre Antworten
Motivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 2.1 Motivation und Geschichte Geschichte der Logik 13 Aufgaben der Logik
3 Empirische Überstzung des Forschungsproblems (X aus 5)
Eigene MC-Aufgaben 3 Empirische Überstzung des Forschungsproblems (X aus 5) 1. Wie kann man die Präzisierung der Aufgabenstellung (A) bezeichnen und worin soll ihr Ergebnis (B) bestehen? (A) dimensionale
Software Engineering. Validierung und Verifikation. Martin Glinz Harald Gall. Kapitel 7. Universität Zürich Institut für Informatik
Martin Glinz Harald Gall Software Engineering Kapitel 7 Validierung und Verifikation Universität Zürich Institut für Informatik 2005, 2006 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe
Logik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
1.1 Spezifikation und Entwurf im Software-Lebenslauf Lineares Prozessmodell:
1 Einführung und Überblick 1.1 Spezifikation und Entwurf im Software-Lebenslauf Lineares Prozessmodell: Anstoß Auftrag Projekt planen Anforderungen spezifizieren Lieferung Architektur entwerfen System
Einführung in die Informatik I (autip)
Einführung in die Informatik I (autip) Dr. Stefan Lewandowski Fakultät 5: Informatik, Elektrotechnik und Informationstechnik Abteilung Formale Konzepte Universität Stuttgart 24. Oktober 2007 Was Sie bis
Mengen, Funktionen und Logik
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
Motivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Logik für Informatiker, M. Lange, IFI/LMU: Motivation und Geschichte Geschichte der Logik 12 Aufgaben der Logik Logik (aus Griechischem)
Was macht mathematische Kompetenz aus?
Was macht mathematische Kompetenz aus? ^ Kompetenzstrukturmodell Zahlen und Operationen Raum und Form Größen und Messen Daten und Zufall Stand 02/2013 Probleme lösen mathematische Kenntnisse, Fertigkeiten
Kap.1: Was ist Wissen? 1.1 Begriff des Wissens (1)
Kap.1: Was ist Wissen? 1.1 Begriff des Wissens (1) Zusammenfassung: Diskutiert wurde: A) Wissensbegriff in verschiedenen Wissenschaften B) Daten Information Wissen Ebenen: (E1) Übermittlung physikalischer
Simulation als epistemologische Grundlage für intelligente Roboter
1 Simulation als epistemologische Grundlage für intelligente Roboter Andreas Tolk The MITRE Corporation Umut Durak Deutsches Zentrum für Luft- und Raumfahrt e.v. (DLR) Public Release No. 17-0085 2017 The
Arbeits- und Präsentationstechniken 1
Arbeits- und Präsentationstechniken 1 Teil A: Wissenschaftstheoretische Grundlagen SS 2014 APT 1 Prof. Dr. Richard Roth 1 Inhaltsverzeichnis A. Wissenschaftstheoretische Grundlagen 1 Wissenschaft was ist
Mathematik-Vorkurs für Informatiker (Wintersemester 2012/13) Übungsblatt 8 (Relationen und Funktionen)
DEPENDABLE SYSTEMS AND SOFTWARE Fachrichtung 6. Informatik Universität des Saarlandes Christian Eisentraut, M.Sc. Julia Krämer Mathematik-Vorkurs für Informatiker (Wintersemester 0/3) Übungsblatt 8 (Relationen
Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.
Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )
Martin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz. 6.
Martin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz http://www.tuwien.ac.at/goldstern/ 6.September 2006 1 Kurt Gödel, 1906-1978 1906: geboren am 28.April in Brünn (heute Brno)
Kapitel DB:IV (Fortsetzung)
Kapitel DB:IV (Fortsetzung) IV. Logischer Datenbankentwurf mit dem relationalen Modell Das relationale Modell Integritätsbedingungen Umsetzung ER-Schema in relationales Schema DB:IV-46 Relational Design
Geoinformation I Datenmodellierung
Seite 1 von 61 Geoinformation I Datenmodellierung Seite 2 von 61 Datenmodellierung Übersicht Datenverwaltung und Datenbanken objektorientierte Abbildung der Realität Grundlagen der Objektorientierung Darstellung
Dieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
17 Architekturentwurf Vorgehen und Dokumentation
17 Architekturentwurf Vorgehen und Dokumentation 17.1 Einbettung Aber Erster Schritt der Lösung Wenn Anforderungsspezifikation vorliegt Vorgabe für Codierung Hierarchische Verzahnung von Anforderungen
1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
Informatik I. Grundlagen der systematischen Programmierung. Peter Thiemann WS 2007/08. Universität Freiburg, Germany
Informatik I Grundlagen der systematischen Programmierung Peter Thiemann Universität Freiburg, Germany WS 2007/08 Literatur Herbert Klaeren, Michael Sperber. Die Macht der Abstraktion. Teubner Verlag,
Theoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 6: Formale Logik Einführung schulz@eprover.org Formale Logik Ziel Formalisierung und Automatisierung rationalen Denkens Rational richtige Ableitung von
Logic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
Was ist Informatik? Alexander Lange
Was ist Informatik? Was ist Informatik? Alexander Lange 12.11.2003 Was ist Informatik? Inhalt 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Das Wort»Informatik«Die Idee Teilgebiete der Informatik Technische Informatik
LB 5: Astronomische Beobachtungen
LB 5: Astronomische Beobachtungen Konkrete Stoffverteilung Stoffverteilung für dieses Schulhr Datenbanken im Profilunterricht Lehrplanbezug im naturwissenschaftlichen Profil Übertragen des Modellbegriffs
Software-Engineering
SWE2 Slide 1 Software-Engineering Sebastian Iwanowski FH Wedel Kapitel 2: Grundbegriffe und Prinzipien SWE2 Slide 2 Grundbegriffe der Software-Entwicklung: Systeme System Ausschnitt aus der realen oder
Kapitel 2 - Die Definitionsphase
Kapitel 2 - Die Definitionsphase SWT I Sommersemester 2010 Walter F. Tichy, Andreas Höfer, Korbinian Molitorisz IPD Tichy, Fakultät für Informatik KIT die Kooperation von Forschungszentrum Karlsruhe GmbH
Aufgabe 01 IA/IV Spurensuche. Sonsalla, Thomas. Potsdam, den
Seite 1 Der Begriff der Semiotik Ursprung der Semiotik Semiotik, die: hergeleitet aus dem Altgriechischen (techne semeiotike),was mit die Lehre von (Kenn-)Zeichen übersetzt werden kann. Die Semiotik ist
Logische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 2014/15 Thomas Timmermann 16. Oktober 2014 1 Einleitung Literatur Paul.R. Halmos, Naive Set Theory Ralf Schindler, Logische Grundlagen der Mathematik Peter J. Cameron,
Theoretische Informatik: Berechenbarkeit und Formale Sprachen
Theoretische Informatik: Berechenbarkeit und Formale Sprachen Prof. Dr. F. Otto Fachbereich Elektrotechnik/Informatik, Universität Kassel 34109 Kassel, Germany E-mail: otto@theory.informatik.uni-kassel.de
Computational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
Modellieren in der Sekundarstufe I
Modellieren in der Sekundarstufe I Michael Marxer Pädagogische Hochschule Schwäbisch Gmünd Workshop zur T 3 -Tagung Pädagogische Hochschule Freiburg 17. Oktober 2008 Gliederung 1. Modellbildung und Modellierungskreislauf
b. Lehre des vernünftigen Schlussfolgerns (1. System von Regeln von Aristoteles ( v. Chr.); sprachliche Argumente
II. Zur Logik 1. Bemerkungen zur Logik a. Logisches Gebäude der Mathematik: wenige Axiome (sich nicht widersprechende Aussagen) bilden die Grundlage; darauf aufbauend Lehrsätze unter Berücksichtigung der
Mathematik für Ökonomen 1
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen
9 Anforderungsspezifikation mit natürlicher Sprache
9 Anforderungsspezifikation mit natürlicher Sprache 9.1 Vorteile und Probleme + Leicht erstellbar + Von allen Beteiligten ohne vorgängige Schulung lesbar + Ausdrucksmächtig Fehlerträchtig mehrdeutig unklar
Einführung in die Informatik 1
Einführung in die Informatik 1 Objektorientierung Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr, o.n.v.
Informatik. Teil 1 Wintersemester 2011/2012. Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik
Informatik Teil 1 Wintersemester 2011/2012 Prof. Dr.-Ing. habil. Peter Sobe Fachkultät Informatik / Mathematik Dieser Foliensatz wurde z.t. von Herrn Prof. Grossmann übernommen Inhalt 1. Algorithmen -
Brückenkurs Mathematik 2015
Technische Universität Dresden Fachrichtung Mathematik, Institut für Analysis Dr.rer.nat.habil. Norbert Koksch Brückenkurs Mathematik 2015 1. Vorlesung Logik, Mengen und Funktionen Ich behaupte aber, dass
2.2.4 Logische Äquivalenz
2.2.4 Logische Äquivalenz (I) Penélope raucht nicht und sie trinkt nicht. (II) Es ist nicht der Fall, dass Penélope raucht oder trinkt. Offenbar behaupten beide Aussagen denselben Sachverhalt, sie unterscheiden
Dieses Kapitel vermittelt:
2 Funktionen Lernziele Dieses Kapitel vermittelt: wie die Abhängigkeit quantitativer Größen mit Funktionen beschrieben wird die erforderlichen Grundkenntnisse elementarer Funktionen grundlegende Eigenschaften
1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Techniken der Projektentwicklungen
Dynamische Modellierung 8. Termin Rückblick auf statische Modellierung Dynamische Modellierung Basiskonzepte Beispiel Erweiterungen Eigenschaften Syntax Rückblick auf statische Modellierung Dynamische
1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
Requirements Engineering I
Norbert Seyff Requirements Engineering I UML Unified Modeling Language! 2006-2012 Martin Glinz und Norbert Seyff. Alle Rechte vorbehalten. Speicherung und Wiedergabe für den persönlichen, nicht kommerziellen
Diskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Zaubern im Mathematikunterricht
Zaubern im Mathematikunterricht 0011 0010 1010 1101 0001 0100 1011 Die Mathematik als Fachgebiet ist so ernst, dass man keine Gelegenheit versäumen sollte, dieses Fachgebiet unterhaltsamer zu gestalten.
EIGENSCHAFTEN VON SPRACHEN
Vorlesung und Übung Universität Paderborn Wintersemester 2016/2017 Dr. Peter Pfahler EIGENSCHAFTEN VON SPRACHEN EWS, WS 2016/17, Pfahler C-1 Einführung Sprachen in der Informatik werden für bestimmte Zwecke
Universität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Kapitel 2 Die Definitionsphase Prof. Walter F. Tichy Wo sind wir gerade? Planung Lastenheft (funktionales Modell) Definition (Analyse) Pflichtenheft
Vorlesung Diskrete Strukturen Die natürlichen Zahlen
Vorlesung Diskrete Strukturen Die natürlichen Zahlen Bernhard Ganter WS 2009/10 Alles ist Zahl? Wenn in der modernen Mathematik alles auf Mengen aufgebaut ist, woher kommen dann die Zahlen? Sind Zahlen
Problemlösen. Zahl Ebene und Raum Größen Daten und Vorhersagen. Fachsprache, Symbole und Arbeitsmittel anwenden
Curriculum Mathematik 3. Klasse Aus den Rahmenrichtlinien Die Schülerin, der Schüler kann Vorstellungen von natürlichen, ganzen rationalen Zahlen nutzen mit diesen schriftlich im Kopf rechnen geometrische
! Modellierung und Simulation 1 (SIM1)
! Modellierung und Simulation 1 (SIM1) 1. Veranstaltung: Einführung 18.10.16 Andreas Vogel andreas.vogel@gcsc.uni-frankfurt.de!!! Organisatorisches Modellierung und Simulation 1 (M-SIM1c; evtl. M-SIM1a,
Software Engineering. Dokumentation. Wintersemester 2005/06. Kapitel 21. Universität Zürich Institut für Informatik
Martin Glinz Harald Gall Software Engineering Wintersemester 2005/06 Kapitel 21 Dokumentation Universität Zürich Institut für Informatik 2006 Martin Glinz. Alle Rechte vorbehalten. Speicherung und Wiedergabe
Struktur des Lehrplans
1 Struktur des Lehrplans Die hier abgebildete Grafik, die im Rahmen einer Präsentation in Fortbildungen schrittweise entwickelt wird, soll die Beziehung der Schlüsselbegriffe des Lehrplans verdeutlichen.
Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen
Einführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
1 Loesungen zu Analysis 1/ 1.Uebung
Loesungen ausgewaehlter Beispiele zu Analysis I, G. Bergauer, Seite 1 1 Loesungen zu Analysis 1/ 1.Uebung 1.1 Einleitung Gegeben Mengen X, A mit A X. Sei die Menge durch A = {a X : a erfuellt B} gegeben,
Erkenntnistheorie I. Der klassische Wissensbegriff: Wissen ist wahre, gerechtfertigte Überzeugung
Erkenntnistheorie I Platon II: Das Höhlengleichnis Die Ideenlehre Wiederholung Der klassische Wissensbegriff: Wissen ist wahre, gerechtfertigte Überzeugung Was kann man ( sicher ) wissen? Wahrheiten über
Die Anfänge der Logik
Die Anfänge der Logik Die Entwicklung des logischen Denkens vor Aristoteles Holger Arnold Universität Potsdam, Institut für Informatik arnold@cs.uni-potsdam.de Grundfragen Was ist Logik? Logik untersucht
Semantik. Anke Himmelreich Formale Semantik. Universität Leipzig, Institut für Linguistik 1 / 47
1 / 47 Semantik Formale Semantik Anke Himmelreich anke.assmann@uni-leipzig.de Universität Leipzig, Institut für Linguistik 09.06.2016 2 / 47 Inhaltsverzeichnis 1 Vorbemerkungen 2 Wahrheitskonditionale
Wissenschaftliches Arbeiten und Methodenlehre 1
Wissenschaftliches Arbeiten und Methodenlehre 1 Teil A: Wissenschaftstheoretische Grundlagen WS 2016/2017 Prof. Dr. Richard Roth 1 Inhaltsverzeichnis A. Wissenschaftstheoretische Grundlagen 1 Wissenschaft
Kapitel 2. Mathematische Grundlagen. Skript zur Vorlesung Einführung in die Programmierung
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 2 Mathematische Grundlagen Skript zur Vorlesung Einführung in die Programmierung im Wintersemester 2012/13 Ludwig-Maximilians-Universität
Thema: Analyse des Verhaltens dynamischer Wirkungsgefüge
Rahmenbedingungen: - Klasse 10, da einige Voraussetzungen (Anwendersysteme, Algorithmen) nötig sind - Bezug zu Inhalten aus der Mathematik, Physik, Politische Bildung, Biologie, Erdkunde - Software: Dynasys,
NACHRICHTENTECHNISCHER SYSTEME
Einführung UML COMPUTERSIMULATION NACHRICHTENTECHNISCHER SYSTEME 11. Unified Modeling Language UML 220 Standardsprache d zur Visualisierung, i Spezifikation, Konstruktion und Dokumentation komplexer (Software-)