2. Klausur zur Vorlesung Algorithmen II Wintersemester 2012/2013

Größe: px
Ab Seite anzeigen:

Download "2. Klausur zur Vorlesung Algorithmen II Wintersemester 2012/2013"

Transkript

1 2. Klausur zur Vorlesung Algorthmen II Wntersemester 202/203 Lösung! Beachten Se: Brngen Se den Aufkleber mt Ihrem Namen und Matrkelnummer auf desem Deckblatt an und beschrften Se jedes Aufgabenblatt mt Ihrem Namen und Matrkelnummer. Schreben Se de Lösungen auf de Aufgabenblätter und Rückseten. Zusätzlches Paer erhalten Se be Bedarf von der Aufscht. Zum Bestehen der Klausur snd 20 der möglchen 60 Punkte hnrechend. Es snd kene Hlfsmttel zugelassen. Aufgabe Möglche Punkte Errechte Punkte a b c d Σ a b c d Σ ,5 2, ,5 3,5-6 -,5 2, ,5 5 3, ,5 2 2, ,5 2, x 7 Σ 60

2 Name: Matrkelnr.: Sete 2 Problem : Flüsse und lneare Programmerung = 7 Punkte (a) Betrachten Se das unten stehende Flussnetzwerk, n dem jede Kante mt hrer Kaaztät beschrftet st. Geben Se enen maxmalen st-fluss an, ndem Se de Flusswerte an de Kanten schreben. / s 3/3 /2 3/3 /3 2/6 t 3/ / 2/2 (b) Zechnen Se n das Netzwerk aus Aufgabentel (a) enen mnmalen st-schntt en. Begründen Se, warum Ihr Schntt mnmal st. Der Schntt hat Gewcht 6 und st damt so groß we der Fluss aus Aufgabentel (a). Aus der Dualtät zwschen maxmalem Fluss und mnmalem Schntt folgt, dass es kenen kleneren Schntt (und auch kenen größeren Fluss) geben kann. (c) Se (D, s, t, c) en Flussnetzwerk bestehend aus enem gerchteten Grah D = (V, E), der Quelle s, der Senke t, sowe der Kaaztätsfunkton c: E N. Formuleren Se de Berechnung enes maxmalen st-flusses als lneares Programm (LP). Hnwes: Benutzen Se für jede Kante (u, v) E ene Varable x u,v, de angbt, we vel Fluss auf der Kante (u, v) fleßt. Maxmere (s,v) E x s,v (v,s) E x v,s Mt Nebenbedngung (u, v) E : 0 x u,v c(u, v) (Kaaztätsbed.) und u V \ {s, t}: x u,v x v,u = 0 (Flusserhaltungsbed.) (u,v) E (v,u) E

3 Name: Matrkelnr.: Sete 3 (d) Se zusätzlch zu Aufgabentel (c) ene Kostenfunkton w : E R gegeben, mt der Bedeutung, dass en Fluss f(e) auf der Kante e de Kosten f(e) w(e) verursacht. Geben Se en LP an, das enen st-fluss mt festem Wert b und mnmalen Kosten berechnet. Mnmere (u,v) E x u,v w(u, v) Mt Nebenbedngung (u, v) E : 0 x u,v c(u, v) (Kaaztätsbed.) und u V \ {s, t}: x u,v x v,u = 0 (Flusserhaltungsbed.) (u,v) E (v,u) E sowe x s,v x v,s = b (Flussgröße b) (s,v) E (v,s) E

4 Name: Matrkelnr.: Sete Problem 2: Suffxbäume 3,5 + 2,5 = 6 Punkte (a) Erstellen Se den Suffxbaum der Zechenkette = AA. Verwenden Se das teratve Verfahren aus der Vorlesung, be dem de Suffxe S, S 2,... nachenander n den Baum enfügt werden und zechnen Se für jeden Schrtt enen egenen Baum. Stellen Se scher, dass jedes Suffx von enem Pfad zwschen enem Blatt und der Wurzel reräsentert wrd.. Schrtt:. Schrtt: 2. Schrtt: A A 2 A 5. Schrtt: A A A 3 A A 2 3. Schrtt: 2 A A A A A A 3 A A 5 A 2 6. Schrtt: 5 A 2 A A A 3 8 A A A 3 A A

5 Name: Matrkelnr.: Sete 5 (b) Der längste wederholte elstrng n ener Zechenkette, st der längste elstrng von, der mndestens zwe Mal n vorkommt. () Geben Se den längsten wederholten elstrng von = ssss an und markeren Se n folgendem Suffxbaum den Pfad, der desen elstrng reräsentert. elstrng: ss s 0 s s s s s s s s () Skzzeren Se enen Algorthmus, der de Länge des längsten wederholten elstrngs n ener Zechenkette n Zet O( ) bestmmt. Se dürfen annehmen, dass der Suffxbaum S = (V, E) von gegeben st und dass de Strng-efe d(v) enes Knotens v V n O() Zet bestmmt werden kann. Wende zum Besel ene Bretensuche auf dem Baum an und merke global de größte Strng-efe d max der berets besuchten nneren Knoten. Falls d max = 0 nach der Bretensuche, dann gbt es kene Wederholung von elstrngs n. Ansonsten st d max der gesuchte Wert.

6 Name: Matrkelnr.: Sete 6 Problem 3: Kresraum & Kresbasen, ,5 = 6 Punkte Gegeben se der unten abgebldete Grah G = (V, E). Das Kantengewcht w(e) jeder Kante e st an der Kante notert. 2 (a) Zechnen Se n de folgenden Abbldungen alle (auch ncht enfache) Krese en und geben Se das Gewcht der Krese an. C : C 2 : C 3 : C : w(c ) = w(c 2 ) = 6 w(c 3 ) = 6 w(c ) = C 5 : C 6 : C 7 : w(c 5 ) = 3 w(c 6 ) = 5 w(c 7 ) = 5 (b) Geben Se ene mnmale Kresbass B von G an. Verwenden Se de Bezechnungen der Krese aus Aufgabentel (a). Zegen Se, dass B ene mnmale Kresbass st (zu zegen snd Mnmaltät und Kresbass-Egenschaft). B = {C, C 5, C 6 }. Bass-Egenschaft: Offenschtlch st B lnear unabhängg. Außerdem glt n = 6 und m = 8. Jeder Sannbaum enthält 5 Kanten. Ene Fundamentalbass (und damt jede Bass) hat de Größe 8 5 = 3. B muss Bass sen.

7 Name: Matrkelnr.: Sete 7 Mnmaltät: Da der Kresraum en Matrod st, lefert de Greedy-Methode ene mnmale Kresbass. Laut Aufgabentel (a) snd C und C 5 de beden klensten Krese. Der nächst größere Kres st C, allerdngs glt C = C + C 5. C und C 5 blden zusammen mt C 6 oder C 7 ene mnmale Kresbass. (c) Geben Se ene Famle von Grahen G n (für n =, 2, 3,... ) an, sodass G n O(n) Knoten und Ω(2 n ) Krese enthält. Begründen Se Ihre Antwort. Der Grah G n besteht aus n Dreecken,..., n. De Dreecke können zusätzlch durch enen Pfad verbunden sen (falls der Grah zusammenhängend sen soll). 2 3 n G n hat 3n O(n) Knoten. Außerdem bldet jede elmenge der Dreecke enen Kres. Es gbt Ω(2 n ) Krese.

8 Name: Matrkelnr.: Sete 8 Problem : Matrode, ,5 = 5 Punkte (a) Se G = (V, E) en zusammenhängender Grah mt V 2. Ene elmenge E u nduzert enen unzusammenhängenden elgrah, wenn G u = (V, E u ) unzusammenhängend st. Zegen Se, dass U u = {E u E u E nduzert unzusammenhängenden elgrah} en Unabhänggketssystem st. Bede Bedngungen für Unabhänggketssysteme snd erfüllt: Es glt U u, denn (V, ) st offenschtlch en unzusammenhängender Grah. Falls der Grah G u = (V, E u ) unzusammenhängend st, dann wrd er durch Löschen von Kanten ncht zusammenhängend. E u U u für alle E u E u. (b) Geben Se für den folgenden Grahen alle Mengen n U u exlzt an. e e 2 e e 3 U u = {, {e }, {e 2 }, {e 3 }, {e }, {e, e 2 }, {e, e 3 }, {e, e }, {e 2, e 3 }, {e 2, e }, {e 3, e }, {e, e 2, e 3 }} (c) Zegen Se, dass U u m allgemenen ken Matrod st. Der Grah aus Aufgabentel (a) st en Gegenbesel dafür, dass U u m allgemenen en Matrod st, denn: {e, e } U u und {e, e 2, e 3 } U u, aber {e, e 2, e } / U u und {e, e 3, e } / U u.

9 Name: Matrkelnr.: Sete 9 Problem 5: Parametrserte Algorthmen, ,5 = 0 Punkte Das Problem Punktüberdeckung st we folgt defnert. Gegeben: Ene Menge von Punkten P = {,..., n } n der Ebene, sowe en Parameter k. Gesucht: Ene Menge von maxmal k Geraden G = {g,..., g k }, sodass es für jeden Punkt P ene Gerade g j G mt g j gbt. (a) Gegeben se ene Instanz von Punktüberdeckung bestehend aus der unten abgebldeten Punktmenge, sowe dem Parameter k = 3. Zechnen Se 3 Geraden en, de dese Instanz von Punktüberdeckung lösen. (b) Geben Se enen FP-Algorthmus für Punktüberdeckung an. Begründen Se, warum hr Algorthmus korrekt st. Hnwes: Benutzen Se de echnk der Kernbldung. Zegen Se dazu zunächst, dass ene Gerade, de mehr als k Punkte aus P enthält, n jeder Lösung enthalten sen muss. Zege zunächst den Hnwes. Se g ene Gerade, de l Punkte aus P enthält. Dann st entweder g n der Lösung G enthalten, oder durch jeden der l Punkte geht ene andere Gerade aus G. falls l > k, so muss g n der Lösung enthalten sen, da sonst G > k glt. Damt erhält man folgenden Algorthmus, bestehend aus dre Schrtten.. Solange es ene Gerade g gbt, de mehr als k Punkte aus P enthält, füge g zu G hnzu und lösche alle enthaltenen Punkte aus P. Se P de resulterende Punktmenge und se k = k G. Es gbt offenschtlch für P mt Parameter k ene Lösung genau dann, wenn es für de Punktmenge P mt dem Parameter k ene Lösung gbt.

10 Name: Matrkelnr.: Sete 0 2. Falls P > k 2, dann gebe falsch aus. Begründung: Jede Gerade kann nur k der übrgen Punkte enthalten. Daher kann man mt k k Geraden ncht mehr als k 2 Punkte überdecken. 3. Betrachte de Menge aller Geraden G, de mndestens zwe Punkte aus P enthalten. Überrüfe für jede elmenge von G der Größe k, ob se alle Punkte n P überdeckt. Falls es ene solche elmenge gbt, gb se zusammen mt den n Schrtt. gefundenen Geraden aus. Man rüft also mttels Brute-Force-Methode, ob es Ene Lösung für P mt Parameter k gbt. (c) Zegen Se mt Hlfe ener Laufzetanalyse, dass Ihr Algorthmus aus Aufgabentel (b) en FP- Algorthmus st. Es gbt O(n 2 ) Geraden, de durch mndestens zwe Punkte n P gehen, für jede deser Geraden muss man überrüfen, ob se mehr als k Punkte enthalten. Laufzet für Schrtt.: O(n 3 ). Schrtt 2. kann n konstanter Zet ausgeführt werden. In Schrtt 3. glt: P O(k 2 ). Es glt G O(k ). De Anzahl der elmengen von G der Größe k st also n O((k ) k ) = O(k k ). Pro elmenge benötgt man O( P k) = O(k 3 ) Zet zum Überrüfen, ob jeder Knoten abgedeckt wrd. Für Schrtt 3. erhält man also ene Laufzet von O(k k k 3 ). Insgesamt hat der Algorthmus de Laufzet O(k k k 3 + n 3 ) und st damt en FP-Algorthmus.

11 Name: Matrkelnr.: Sete Problem 6: Aroxmatonsalgorthmus, ,5 = 6 Punkte En gerchteter Grah heßt azyklsch, falls er kenen gerchteten Kres enthält. Se G = (V, E) en gerchteter Grah und se G = (V, E E) en nklusonsmaxmaler azyklscher elgrah von G. Des Weteren se G 2 = (V, E 2 = E \ E ) das Komlement zu G. (a) Zegen Se: Für jede Kante (u, v) E 2 gbt es n G enen gerchteten Pfad von v nach u. Annahme: Es gbt ene Kante (u, v) E 2, sodass es kenen gerchteten Pfad von v nach u n G gbt. Dann kann de Kante (u, v) zu E hnzu genommen werden, ohne das en gerchteter Kres entsteht. Des st en Wdersruch dazu, dass G nklusonsmaxmal, azyklscher Grah st. (b) Zegen Se: G 2 st azyklsch. Annahme: G 2 enthält enen Kres P = (e, e 2,..., e k ). Nach elaufgabe (a) kann für jede deser Kanten e P en gerchteter Pfad P n G gefunden werden, der vom Zelknoten von e zum Startknoten von e führt: P P 5 e 5 e e 2 P 2 e e 3 P P 3 Falls dese Pfade dsjunkt snd, so blden se ene Kres n G, was en Wdersruch dazu st, dass G azyklsch st. Andernfalls hat jeder Knoten n dem von den Pfaden nduzerten Subgrah den glechen Engangs we Ausgangsgrad. Damt enthält deser Subgrah (und auch G ) enen gerchteten Kres.

12 Name: Matrkelnr.: Sete 2 (c) Betrachten Se das Problem Maxmum Acyclc Grah: Gegeben: Gerchteter Grah G = (V, E). Gesucht: Kardnaltätsmaxmaler azyklscher elgrah von G. Skzzeren Se enen Aroxmatonsalgorthmus für Maxmum Acyclc Grah mt relatver Gütegarante 2. Bewesen Se dese Gütegarante. Algorthmus : MAGAroxmaton Engabe : Gerchteter Grah G = (V, E). Ausgabe : Azyklscher elgrah von G. Berechne nklusonsmaxmalen azyklschen elgrah G = (V, E ) von G. 2 Berechne Komlementgrah G 2 = (V, E \ E ) zu G. 3 Wenn E E 2 return G 5 sonst 6 return G 2 Nach Berechnungsvorschrft st G en nklusonsmaxmaler, azyklscher elgrah von G. Wegen elaufgabe b) folgt außerdem, dass der Komlementgrah G 2 von G auch azyklsch st. Da wegen E + E 2 = E und E E 2 entweder E 2 E oder E 2 2 E gelten muss und de otmale Lösung maxmal E Kanten enthalten kann, folgt de Behautung.

13 Name: Matrkelnr.: Sete 3 Problem 7: Randomserte Algorthmen = 5 Punkte En gerchteter Grah G = (V, E) st d-regulär, wenn jeder Knoten genau d ausgehende und genau d engehende Kanten hat. Algorthmus 2 : Randomserter Algorthmus Engabe : d-regulärer gerchteter Grah G = (V, E), Wahrschenlchket [0, ] Ausgabe : elmenge S E S 2 Für jedes (u, v) E 3 x (u,v) blau x (u,v) rot mt Wahrschenlchket Für jedes (u, v) E Wenn x (u,v) = rot oder x (u,w) = blau für alle von u ausgehenden Kanten (u, w) E S S {(u, v)} (a) Se S das Ergebns von Algorthmus 2. Zegen Se: In dem von S nduzerten Grah G = (V, S) hat jeder Knoten mndestens ene ausgehende Kante. Angenommen u V hat kene ausgehende Kante n G. Dann müssen alle ausgehenden Kanten (u, v) E blau gefärbt sen, da sonst ene deser Kanten n S enthalten wäre. Snd alle von u ausgehenden Kanten blau, so werden alle zu S hnzugefügt und u hat ausgehende Kanten n G. (b) Geben Se de Wahrschenlchket P (e S) dafür an, dass ene gegebene Kante e E n S legt. P (e S) = + ( ) d (c) Geben Se den Erwartungswert von S n Abhänggket von, d und m = E an. {, wenn e S Hnwes: Betrachten Se de Zufallsvarablen Y e = 0, sonst. ( ) E( S ) = E Y e e E = e E E(Y e ) = e E ( + ( ) d ) = m + m ( ) d

14 Name: Matrkelnr.: Sete Problem 8: Konvexe Hülle, ,5 + 3 = 8 Punkte Gegeben se ene endlche, ncht-leere Punktmenge P R 2. Se H(S) de konvexe Hülle ener elmenge S P. De Schchten von P snd rekursv defnert durch: Bassfall: S = H(P ) Allgemener Fall: S = H(P \ (S... S )) für > Betrachten Se nun das Problem Onon Peelng: Gesucht snd de Schchten S,..., S k von P, sodass S k und S k+ = glt. Folgende Abbldung zegt ene Punktmenge mt k = 3 ncht-leeren Schchten. (a) Zegen Se, dass für zwe ncht-leere Schchten S und S mt > glt: De Punkte aus S legen nnerhalb des konvexen Polygons S. Se P = P und P = P \ (S... S ) für >. Da nach Defnton P m Verglech zu P nur Punkte verlert, aber kene neuen hnzukommen, glt P P. Des Weteren, da S das klenste konvexe Polygon bldet, das alle Punkte P enschleßt, folgt dass P vollständg n S enthalten st. Wegen S P glt somt de Behautung. (b) Zegen Se, dass der Algorthmus SmleOnonPeelng für n = P de Laufzet O(n 2 log n) hat. Algorthmus 3 : SmleOnonPeelng Engabe : Endlche Menge P R 2 bestehend aus n Punkten. Ausgabe : De Schchten S,..., S k von P, sodass glt S k und S k+ =. P P solange P tue S Ergebns von Graham Scan angewendet auf P P + P \ S //Kann n O(n) Zet berechnet werden. + 7 return S,..., S Da n jedem Durchlauf Punkte aus der aktuellen Punktemenge entfernt werden, kann es maxmal n Durchläufe der äußeren Schlefe geben. In der Schlefe selber stellt Graham Scan mt O(n log n) Zet den aufwendgsten el dar. Damt ergbt sch de Laufzet O(n 2 log n).

15 Name: Matrkelnr.: Sete 5 (c) Geben Se ene Famle von Punktmengen P, P 2,... mt P n O(n) an, sodass de Laufzet von SmleOnonPeelng für dese Instanzen n Ω(n 2 log n) legt. Begründen Se Ihre Antwort. Betrachte folgende Punktmenge P, de n 3 Schchten nduzert, de jewels Dreecke blden. Offenschtlch glt nach dem -ten Schlefendurchlauf P + = P 3, d.h. de betrachtete Punktmenge wrd ro Durchlauf nur um konstant vele Elemente klener, was somt n Θ(n) Schlefendurchläufen resultert. Da Graham Scan Θ( P log P ) Zet benötgt, folgt damt de Laufzet Θ(n 2 log n). (d) Skzzeren Se enen Algorthmus, der das Problem Onon Peelng n O(n 2 ) Laufzet löst und bewesen Se dese Laufzet. Ersetze n SmleOnonPeelng den Aufruf von Graham Scan durch Gft Wrang. Für ene Punktmenge der Größe n mt konvexer Hülle der Größe h benötgt Gft Wrang O(n h) Zet. Da de Punktmenge be kenem Aufruf mehr als n Elemente enthält, wrd de -te Schcht n O(n S ) Zet berechnet. Summert man über alle Schchten, so erhält man O( (n S )) = O(n S ) = O(n 2 ), da jedes Element nur n ener Schcht enthalten st.

16 Name: Matrkelnr.: Sete 6 Problem 9: Verschedenes 7 = 7 Punkte Jeder der folgenden Aussagenblöcke umfasst mehrere Enzelaussagen. De sch unterschedenden Aussagenbaustene snd durch Kästchen gekennzechnet. Kreuzen Se genau jene Baustene an, de n ener wahren Enzelaussage enthalten snd. Jeder Aussagenblock enthält mndestens ene wahre Enzelaussage. Unvollständg oder falsch angekreuzte Aussagenblöcke werden mt null Punkten bewertet. Se erhalten enen Punkt für jeden Aussagenblock, für den Se genau de rchtge Menge an Aussagenbaustenen angekreuzt haben. En Algorthmus mt asymtotscher Laufzet Θ(k log k n k n k ) Θ(n) Θ(2 k n! + n) Θ(2 k! n + n 2 log n) st en FP-Algorthmus, wobe n de Engabegröße und k der Parameter st. Be ener Menge von n Strecken n der Ebene können alle Schnttunkte zwschen desen Strecken n O(n log n) berechnet werden. kann jede Strecke n andere Strecken schneden. schnedet jede Strecke mndestens ene andere. kann es Ω(n 2 ) vele Schnttunkte zwschen desen Strecken geben. En mnmaler st-schntt n enem zusammenhängenden, ungerchteten und ungewchteten Grahen G = (V, E) kann n O( E ) Zet berechnet werden, wenn en maxmaler st-fluss gegeben st. kann Gewcht V haben. trennt t von mndestens enem Knoten v V mt v s. hat Gewcht mndestens. Ene Menge von Algorthmen {A ε ε R + } mt Laufzet Θ(3 ε + ε st en PAS FPAS AFPAS APAS n 3 ) und relatver Aroxmatonsgüte Se G en Grah und C en mnmales Vertex Cover der Größe k n G. Dann enthält C alle Knoten mt Grad maxmal k. kene solerten Knoten. (En Knoten st solert, wenn er Grad 0 hat.) für jede Kante maxmal enen der beden Endknoten. alle Knoten mt Grad größer als k.

17 Name: Matrkelnr.: Sete 7 Se G = (V, E) en Grah. De Menge U enthalte de Menge V V genau dann, wenn für alle {u, v} E glt: u / V oder v / V. Dann st U en Matrod. st U en Unabhänggketssystem. glt V U. st es N P-Schwer ene kardnaltätsmaxmale Menge n U zu fnden. Bem (h, k)-pagng darf der Onlne-Algorthmus maxmal k Fehlzugrffe haben. hat der otmale Offlne-Algorthmus mmer wenger Fehlzugrffe als der Onlne-Algorthmus. hat der Onlne-Algorthmus enen mndestens genauso großen Cache zur Verfügung we der otmale Offlne-Algorthmus. snd konservatve Onlne-Algorthmen 2-komettv, wenn h = k 2.

Weitere NP-vollständige Probleme

Weitere NP-vollständige Probleme Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. Musterlösung. Problem 1: Kreuzende Schnitte ** Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x, Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 Das Pumping-Lemma für reguläre Sprachen: Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Aspekte zur Approximation von Quadratwurzeln

Aspekte zur Approximation von Quadratwurzeln Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Wahl auf Bäumen: FireWire

Wahl auf Bäumen: FireWire Wahl auf Bäumen: FreWre IEEE 94 Hgh Performance Seral Bus (FreWre) Internatonaler Standard Hochgeschwndgketsbus Transport von dgtalen Audo- und Vdeo-Daten 400 Mbps (94b: 800 MBps... 3200 Mbps) Hot-pluggable

Mehr

Obere und untere Schranken beim Broadcasting in Funknetzwerken

Obere und untere Schranken beim Broadcasting in Funknetzwerken Obere und untere Schranken bem Broadcastng n Funknetzwerken Tobas Bräutgam Burgstraße 3 98 Warsten-Hrschberg Mat.-Nr.: 6007 6. Januar 00 Zusammenfassung Dese Arbet untersucht de Zet, de ene Nachrcht ausgehend

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Universität Karlsruhe (TH)

Universität Karlsruhe (TH) Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik) Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:

Mehr

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Der Erweiterungsfaktor k

Der Erweiterungsfaktor k Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang

Mehr

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen

Hefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen Hefte zur Logstk Prof. Dr. Segfred Jetzke Heft 1 Begrffsdefntonen Jun 2010 Deses Heft st urheberrechtlch geschützt. Wenn Se de Quelle angeben, können Se gerne deses Heft wetergeben, Tele koperen oder aus

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?

Wie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct? We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de

Mehr

Experimentalphysik II (Kip SS 2007)

Experimentalphysik II (Kip SS 2007) permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Vermessungskunde für Bauingenieure und Geodäten

Vermessungskunde für Bauingenieure und Geodäten Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13

Mehr

Prof. Dr.- Ing. Herzig Vorlesung "Grundlagen der Elektrotechnik 1" 1etv3-4

Prof. Dr.- Ing. Herzig Vorlesung Grundlagen der Elektrotechnik 1 1etv3-4 Prof. Dr.- ng. Herzg.6 Spezelle erechnungsverfahren lnearer Netzwerke.6. Überlagerungsverfahren Der Lernende kann - den Überlagerungssatz und das darauf beruhende erechnungsprnzp lnearer Netzwerke erklären

Mehr

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Bemerkungen zum LCG Rupert Hartung,

Bemerkungen zum LCG Rupert Hartung, mt Bemerkungen zum LCG Rupert Hartung, 24.6.2005 Wr betrachten den Lnear Congruental Generator (LCG) X 0, X 1,..., X,... X +1 = ax + c mod N (1) zur Erzeugung von Pseudozufallszahlen mäÿger Qualtät. De

Mehr

Übungen zu Algorithmen

Übungen zu Algorithmen Insttut für Informatk Unverstät Osnabrück, 06.12.2016 Prof. Dr. Olver Vornberger http://www-lehre.nf.uos.de/~anf Lukas Kalbertodt, B.Sc. Testat bs 14.12.2016, 14:00 Uhr Nls Haldenwang, M.Sc. Übungen zu

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Vermessungskunde für Bauingenieure und Geodäten

Vermessungskunde für Bauingenieure und Geodäten Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Vorlesungsprüfung Politische Ökonomie

Vorlesungsprüfung Politische Ökonomie Vorlesungsprüfung Poltsche Ökonome 22.06.2007 Famlenname/Vorname: Geburtsdatum: Matrkelnummer: Studenrchtung: Lesen Se den Text aufmerksam durch, bevor Se sch an de Beantwortung der Fragen machen. Ihre

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung

Werkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet. Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren

6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

1 Der Uncovering-by-bases-Algorithmus

1 Der Uncovering-by-bases-Algorithmus De Komplextät des Uncoverng-y-ases-Algorthmus Peer Hlderandt 1 Der Uncoverng-y-ases-Algorthmus 1.1 Defnton (Der Algorthmus) Se G ene Gruppe, U en Uncoverng durch Basen und w = w 1... w n en empfangenes

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten von Lernverfahren Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen

Mehr

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten. ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

Protokoll zum Grundversuch Mechanik

Protokoll zum Grundversuch Mechanik Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel

Mehr

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr