2. Klausur zur Vorlesung Algorithmen II Wintersemester 2012/2013
|
|
- Ludo Brahms
- vor 7 Jahren
- Abrufe
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
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,
Mehrbinäre 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,
Mehr4. 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,
MehrDiskrete 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 /
MehrÜbungsklausur 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
MehrElemente 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
Mehr18. 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
MehrStochastische 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)
MehrAnalysis 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
Mehr4.6 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
MehrProf. 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
MehrAufgabe 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
MehrFachbereich 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
MehrSeminar 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
Mehr6. 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
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrAuswertung 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;
MehrGrundgedanke 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
Mehr3. 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
MehrNäherungsverfahren. 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.:
MehrDie 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
MehrNSt. 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
MehrWahl 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
MehrObere 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
MehrFacility 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
MehrFunktionsgleichungen 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
MehrMethoden 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
MehrArbeitsgruppe 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
MehrBeim 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.
MehrGruppe. 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
MehrStochastische 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)
MehrZ 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
MehrFallstudie 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
Mehrnonparametrische 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
MehrSpiele 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,,
MehrZusammenfassung 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
MehrKlausur 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
MehrDaten 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
MehrÜbung 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
MehrKonkave 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
Mehrwird 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
MehrUniversität 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
MehrDie 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: -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
MehrKreditpunkte-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:
Mehrω 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
Mehr6. 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
MehrMultilineare 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
MehrDer 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
MehrFranzis 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
MehrLehrstuhl 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
MehrHefte 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
MehrWie 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
MehrWie 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
MehrExperimentalphysik 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
MehrOnline 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
MehrVermessungskunde 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
MehrProf. 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
MehrStandortplanung. 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
MehrNetzwerkstrukturen. 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.
MehrBemerkungen 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
MehrÜbungen 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
MehrSIMULATION 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
Mehr5. 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
MehrNomenklatur - 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
Mehr12 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:
MehrStatistik 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
MehrAbbildung 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
MehrKlasse : 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
MehrPolygonalisierung 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
Mehr1 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
MehrVersicherungstechnischer 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
Mehr1 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)
MehrVermessungskunde 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
MehrStreuungs-, 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
Mehr3.3 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
MehrVorlesungsprüfung 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
Mehr6.5. 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
MehrWir 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
MehrWerkstoffmechanik 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
MehrFür 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
Mehr1 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:
MehrStandardnormalverteilung / 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
MehrEinführung 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
MehrBeschreibung 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
MehrDeterminanten - 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
MehrLineare 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
Mehr6 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
MehrKreditrisikomodellierung 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
Mehr1 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
MehrAnwendungsmöglichkeiten 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
MehrDas 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.
MehrErwartungswert, 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
MehrBoost-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
MehrProtokoll 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
MehrSS 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
MehrAUFGABEN 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
MehrAufgabenteil. - 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
MehrRegressionsgerade. 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