Über das inverse Machtindexproblem

Größe: px
Ab Seite anzeigen:

Download "Über das inverse Machtindexproblem"

Transkript

1 Über das inverse Machtindexproblem Sascha Kurz Süddeutsches Power-Meeting 2011, Augsburg,

2 Über das inverse Machtindexproblem Einleitung 1 / 26 Europäische Wirtschaftsgemeinschaft Land Stimmen Deutschland 4 Frankreich 4 Italien 4 Niederland 2 Belgien 2 Luxemburg 1 Quota 70 % mindestens 12 von 17 Stimmen

3 Über das inverse Machtindexproblem Einleitung 1 / 26 Europäische Wirtschaftsgemeinschaft Land Stimmen Deutschland 4 Frankreich 4 Italien 4 Niederland 2 Belgien 2 Luxemburg 1 Quota 70 % mindestens 12 von 17 Stimmen Wie mächtig ist Luxemburg?

4 Über das inverse Machtindexproblem Einleitung 2 / 26 Wen interessiert schon Luxemburg? Was ist Macht? Macht bezeichnet die Fähigkeit die Meinung bzw. das Verhalten einer sozialen Gruppe zu beeinflussen.

5 Über das inverse Machtindexproblem Einleitung 2 / 26 Wen interessiert schon Luxemburg? Was ist Macht? Macht bezeichnet die Fähigkeit die Meinung bzw. das Verhalten einer sozialen Gruppe zu beeinflussen. Eine Ja/Nein-Entscheidung (Stimmen ohne Luxemburg / Stimmen mit Luxemburg) Abstimmung St.o.L. St.m.L. N N N N N 0 1 N N N N Y 2 3 N N N Y N 2 3 N N N Y Y 4 5 N N Y N N 4 5 N N Y N Y 6 7 N N Y Y N 6 7 N N Y Y Y 8 9 N Y N N N 4 5 N Y N N Y 6 7 N Y N Y N 6 7 N Y N Y Y 8 9 N Y Y N N 8 9 N Y Y N Y N Y Y Y N N Y Y Y Y Abstimmung St.o.L. St.m.L. Y N N N N 4 5 Y N N N Y 6 7 Y N N Y N 6 7 Y N N Y Y 8 9 Y N Y N N 8 9 Y N Y N Y Y N Y Y N Y N Y Y Y Y Y N N N 8 9 Y Y N N Y Y Y N Y N Y Y N Y Y Y Y Y N N Y Y Y N Y Y Y Y Y N Y Y Y Y Y 16 17

6 Über das inverse Machtindexproblem Einleitung 2 / 26 Wen interessiert schon Luxemburg? Was ist Macht? Macht bezeichnet die Fähigkeit die Meinung bzw. das Verhalten einer sozialen Gruppe zu beeinflussen. Eine Ja/Nein-Entscheidung (Stimmen ohne Luxemburg / Stimmen mit Luxemburg) Abstimmung St.o.L. St.m.L. N N N N N 0 1 N N N N Y 2 3 N N N Y N 2 3 N N N Y Y 4 5 N N Y N N 4 5 N N Y N Y 6 7 N N Y Y N 6 7 N N Y Y Y 8 9 N Y N N N 4 5 N Y N N Y 6 7 N Y N Y N 6 7 N Y N Y Y 8 9 N Y Y N N 8 9 N Y Y N Y N Y Y Y N N Y Y Y Y Abstimmung St.o.L. St.m.L. Y N N N N 4 5 Y N N N Y 6 7 Y N N Y N 6 7 Y N N Y Y 8 9 Y N Y N N 8 9 Y N Y N Y Y N Y Y N Y N Y Y Y Y Y N N N 8 9 Y Y N N Y Y Y N Y N Y Y N Y Y Y Y Y N N Y Y Y N Y Y Y Y Y N Y Y Y Y Y Schlussfolgerung: Luxemburg hat keinerlei Macht.

7 Über das inverse Machtindexproblem Machtindizes 3 / 26 Wie kann man Macht messen? Shapley-Shubik Machtindex (es gibt andere) Die Macht eines Spielers wird gemessen durch den Anteil der möglichen Abstimmungsreihenfolgen, in denen der Spieler die entscheidende Stimme abgibt. Der Machtindex ist normiert zwischen 0 und 1. Beispiel: A 3, B 2, C 1, D 1, Quota= 4 ABCD ABDC ACBD ACDB ADBC ADCB BACD BADC BCAD BCDA BDAC BDCA CABD CADB CBAD CBDA CDAB CDBA DABC DACB DBAC DBCA DCAB DCBA

8 Über das inverse Machtindexproblem Machtindizes 3 / 26 Wie kann man Macht messen? Shapley-Shubik Machtindex (es gibt andere) Die Macht eines Spielers wird gemessen durch den Anteil der möglichen Abstimmungsreihenfolgen, in denen der Spieler die entscheidende Stimme abgibt. Der Machtindex ist normiert zwischen 0 und 1. Beispiel: A 3, B 2, C 1, D 1, Quota= 4 ABCD ABDC ACBD ACDB ADBC ADCB BACD BADC BCAD BCDA BDAC BDCA CABD CADB CBAD CBDA CDAB CDBA DABC DACB DBAC DBCA DCAB DCBA Pow(A) = 12 24, Pow(B) = 4 24, Pow(C) = 4 24, Pow(D) = 4 24

9 Über das inverse Machtindexproblem Machtindizes 4 / 26 Definition Shapley-Shubik Machtindex Ein Wähler i ist ein Swing für eine Koalition S, wenn S {i} gewinnt aber S verliert. Beispiel: A 3, B 2, C 1, D 1, Quota= 4 Koalition S = {A} ist ein Swing für Wähler B, da {A, B} gewinnt aber {A} verliert.

10 Über das inverse Machtindexproblem Machtindizes 4 / 26 Definition Shapley-Shubik Machtindex Ein Wähler i ist ein Swing für eine Koalition S, wenn S {i} gewinnt aber S verliert. Beispiel: A 3, B 2, C 1, D 1, Quota= 4 Koalition S = {A} ist ein Swing für Wähler B, da {A, B} gewinnt aber {A} verliert. Lemma Pow(i) = 1 n! S N\{i} ist Swing für i S! (n S 1)!

11 Über das inverse Machtindexproblem Gewichtete Wahlspiele 5 / 26 Gewichtete Wahlspiele Definition Ein n-personen gewichtetes Wahlspiel wird dargestellt durch eine Liste [q; w 1, w 2,..., w n ] von Zahlen aus R 0 : [4; 3, 2, 1, 1]. Eine Koalition C {1,..., n} gewinnt falls w i q und verliert anderenfalls. i C

12 Über das inverse Machtindexproblem Gewichtete Wahlspiele 5 / 26 Gewichtete Wahlspiele Definition Ein n-personen gewichtetes Wahlspiel wird dargestellt durch eine Liste [q; w 1, w 2,..., w n ] von Zahlen aus R 0 : [4; 3, 2, 1, 1]. Eine Koalition C {1,..., n} gewinnt falls w i q und verliert anderenfalls. i C {A, B, C, D} {A, B, C} {A, B, D} {A, C, D} {B, C, D} {A} {B} {C} {D} {A, B} {A, C} {A, D} {B, C} {B, D} {C, D} {}

13 Über das inverse Machtindexproblem Faire Stimmgewichte 6 / 26 Alternativen für die Europäische Wirtschaftsgemeinschaft Land St. Pow St. Pow St. Pow Deutschland Frankreich Italien Niederlande Belgien Luxemburg Quota Welche Abstimmungsregel ist am fairsten?

14 Über das inverse Machtindexproblem Faire Stimmgewichte 7 / 26 Quadratwurzelgesetz von Penrose Wie viele Stimmen für Polen? Eine Person eine Stimme?

15 Über das inverse Machtindexproblem Faire Stimmgewichte 7 / 26 Quadratwurzelgesetz von Penrose Eine Person eine Stimme? In a fair assignment of voting weights the voting power of a state should be proportional to the square-root of the population of this state. Lionel Penrose, 1946 Vertrag von Nizza (2001) Land Bevölkerung St. St. % Banzhaf Shapley-Shubik Bevölkerung Deutschland % % % % % Frankreich % % % % % Verein. Königreich % % % % % Italien % % % % % Spanien % % % % 9.86 % Niederlande 4.26 % % 5.54 % 5.26 % 6.15 % Griechenland 2.89 % % 5.21 % 5.08 % 5.07 % Belgien 2.73 % % 5.21 % 5.08 % 4.92 % Portugal 2.73 % % 5.21 % 5.08 % 4.92 % Schweden 2.34 % % 4.32 % 4.20 % 4.56 % Österreich 2.13 % % 4.32 % 4.20 % 4.35 % Dänemark 1.42 % % 3.12 % 3.01 % 3.55 % Finnland 1.37 % % 3.12 % 3.01 % 3.49 % Irland 1.05 % % 3.12 % 3.01 % 3.05 % Luxemburg 0.13 % % 2.03 % 1.91 % 1.07 % Quota 169

16 Über das inverse Machtindexproblem Faire Stimmgewichte 8 / 26 Fairnessoptimierung Berechnung von Stimmgewichten Optimierungsproblem Für n Spieler, einen Vektor I der idealen Machtverteilung und eine Norm, bestimme ein gewichtetes Wahlspiel W, so dass die Differenz I Pow(W ) zwischen der idealen und der erreichten Machtverteilung minimiert wird.

17 Über das inverse Machtindexproblem Faire Stimmgewichte 8 / 26 Fairnessoptimierung Berechnung von Stimmgewichten Optimierungsproblem Für n Spieler, einen Vektor I der idealen Machtverteilung und eine Norm, bestimme ein gewichtetes Wahlspiel W, so dass die Differenz I Pow(W ) zwischen der idealen und der erreichten Machtverteilung minimiert wird. Stand der Dinge Bisher wurden nur Heuristiken verwendet: Fixpunkt-Iteration W = W + λ (I Pow(W )) auf den Stimmgewichten Dennis Leech, 2002.

18 Über das inverse Machtindexproblem Faire Stimmgewichte 9 / 26 Problem Endliches Problem? Die Gewichte und die Quota eines gewichteten Wahlspiels sind nicht eindeutig: [4; 3, 2, 1, 1] und [11; 9, 5, 5, 4] stellen dasselbe Spiel dar.

19 Über das inverse Machtindexproblem Faire Stimmgewichte 9 / 26 Problem Endliches Problem? Die Gewichte und die Quota eines gewichteten Wahlspiels sind nicht eindeutig: [4; 3, 2, 1, 1] und [11; 9, 5, 5, 4] stellen dasselbe Spiel dar. Zugrunde liegende diskrete Struktur Die (inklusions-) minimalen gewinnenden Koalitionen von [4; 3, 2, 1, 1] sind gegeben durch {A, B}, {A, C}, {A, D}, {B, C, D}. Jedes gewichtete Wahlspiel ist eine monotone Boolsche (Schwellwert) Funktion Υ : {0, 1} n {0, 1} oder auch einfaches Spiel. (Vorläufiger) Optimierungsalgorithmus Durchlaufe die endliche Menge der gewichteten Wahlspiele und wähle dasjenige, welches die gegebene Zielfunktion minimiert.

20 Über das inverse Machtindexproblem Faire Stimmgewichte 10 / 26 Daten Eine ILP-Formulierung gewünschte Machtverteilung σ = (σ 1,..., σ n ), Menge N = {1,..., n} von Spielern, w A = ( A! (n A 1)!)/n!, minimiere Pow(χ) σ 1 für Wahlspiele χ

21 Über das inverse Machtindexproblem Faire Stimmgewichte 10 / 26 Daten Eine ILP-Formulierung gewünschte Machtverteilung σ = (σ 1,..., σ n ), Menge N = {1,..., n} von Spielern, w A = ( A! (n A 1)!)/n!, minimiere Pow(χ) σ 1 für Wahlspiele χ Variablen x A {0, 1}: Gewinnt Koalition A N? y i,a {0, 1}: Ist Koalition A ein Swing für Spieler i? p i : Shapley-Shubik Macht von Spieler i d i : p i σ i

22 Über das inverse Machtindexproblem Faire Stimmgewichte 11 / 26 Eine ILP-Formulierung (Forts.) n min d i i=1 s.t. σ i d i p i σ i + d i i N, p i = w A y i,a i N, A N\{i} y i,a = x A {i} x A i N, A N\{i}, x A x A\{j} A N, j A, x = 0 x N = 1 x A {0, 1} A N, y i,a {0, 1} i N, A N\{i}, d i, p i 0 i N.

23 Über das inverse Machtindexproblem Faire Stimmgewichte 12 / 26 Rechenergebnisse gewichtete Wahlspiele Inst. 1 Knoten Zeit Untere Schranke EU s EU s EU s EU s EU s EU s EU s EU s EU s EU m EU h Tabelle: Resultate für die EU bei Verwendung des Shapley-Shubik Machtindex. Bemerkung Für spezielle Wunschmachtverteilungen wie (0.75, 0.25, 0,... ) ist n = 16, 17 rechenbar.

24 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 13 / 26 Machtvektoren die schwer zu approximieren sind Theorem, Alon and Edelmann, 2009 Let n > k be positive integers, let ε < 1 k+1 be a positive real, and n let χ be a simple game for n voters. If B(χ, i) ε, then }{{} i=k+1 Banzhaf power there exists a simple game χ for k voters such that B(χ) B(χ ) 1 = k B(χ, i) B(χ, i) + i=1 n i=k+1 B(χ, i) 0 (2k + 1)ε 1 (k + 1)ε + ε.

25 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 14 / 26 Machtvektoren die schwer zu approximieren sind Problem Bestimme ein einfaches Spiel χ, so dass Pow(χ) σ n 1 minimiert wird für σ n = (0.75, 0.25, 0,... 0).

26 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 14 / 26 Machtvektoren die schwer zu approximieren sind Problem Bestimme ein einfaches Spiel χ, so dass Pow(χ) σ n 1 minimiert wird für σ n = (0.75, 0.25, 0,... 0). Resultat Für 2 n 14 Spieler gilt Pow(χ) σ n für alle einfachen Spiele (gewichteten Wahlspiele) mit Pow {SS, B}. Vermutung Die obige Ungleichung gilt für alle n 2 und für jede Machtverteilung σ existiert ein gewichtetes Wahlspiel χ mit Pow(χ) σ (Vergleiche Alon und Edelmann (2009); k = 2 und ε = 1 18 B(χ) σ n )

27 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 15 / 26 7 Spieler: Machtverteilungen für Spieler 1 und 2 (Projektionen) Banzhaf Machtindex Shapley-Shubik Machtindex i < j: p i p j und ip i + (j i)p j 1 i = 1 < j: (j 1)p 1 + (n + 1 j)p j 1

28 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 16 / 26 8 Spieler: Machtverteilungen für Spieler 1 und 2 Banzhaf Machtindex Shapley-Shubik Machtindex

29 Über das inverse Machtindexproblem Machtvektoren die schwer zu approximieren sind 17 / 26 9 Spieler: Machtverteilungen für Spieler 1 und 2 Banzhaf Machtindex Shapley-Shubik Machtindex

30 Über das inverse Machtindexproblem Vollständige einfache Spiele 18 / 26 Austausch-Ordnung auf Koalitionen Beobachtung Für die Gewichte w 1 w 2 w n sei τ = (i, j) eine Transposition mit i j. Falls Koalition c Spieler j enthält, dann gilt Υ(τ( c)) Υ( c) und wir schreiben τ ( c ) c. (Wir haben Spieler j durch Spieler i ausgetauscht.) Einfache Spiele, welche diese Halbordnung erfüllen, heißen vollständige einfache Spiele. Beispiel [1100] [1010] [1001] und [1100] [0111], wobei c 1 c 2 dafür steht, dass weder c 1 c 2 noch c 1 c 2 gilt.

31 Über das inverse Machtindexproblem Vollständige einfache Spiele 19 / 26 Das Hasse Diagramm von auf [4; 3, 2, 1, 1] [1111] [1110] [1101] [1011] [1100] [0111] [1010] [1001] [0110] [1000] [0101] [0100] [0011] [0010] [0001] [0000]

32 Über das inverse Machtindexproblem Vollständige einfache Spiele 20 / 26 Definition Vollständige einfache Spiele Ein vollständiges einfaches Spiel ist eine Menge W {0, 1} n \ 0 mit w 1 w 2 für alle w 1 w 2 W. Eine Koalition c {0, 1} n gewinnt, wenn es ein w W mit c w gibt. Beispiel Die minimalen gewinnenden Koalitionen {A, B}, {A, C}, { {A, D}, } {B, C, D} von [4; 3, 2, 1, 1] werden beschrieben durch [1001], [0111]. n cs(n) time 0.02 s 1.23 s 44:01 m Tabelle: Vollständige einfache Spiele für n Spieler Enumeration von Cliquen mit Cliquer.

33 Über das inverse Machtindexproblem Vollständige Enumeration gewichteter Wahlspiele 21 / 26 Bemerkung Gewichtete Wahlspiele Ein vollständiges einfaches Spiel genau dann gewichtet falls w i x > l j x oder w i x y lj x < y x 1 x n 0 x 1 x n 0, y > 0 eine Lösung für alle minimal gewinnenden Koalitionen w i und alle maximal verlierenden Koalitionen l j besitzt. Enumerationsalgorithmus (Freixas et al.) Berechne alle vollständigen einfachen Spiele und anschließend jeweils ein lineares Programm. n = 9 unerreichbar

34 Über das inverse Machtindexproblem Vollständige Enumeration gewichteter Wahlspiele 22 / 26 Ein neuer Enumerationsalgorithmus Löse das lineare Programm w i x y w i x + y 0 lj x y 1 l j x y 1 x 1 x n 0, y 1, wobei w i minimale gewinnende und l j maximal verlierende Koalitionen bezeichnen. Satz, K Für eine Teilmenge W der minimal gewinnenden Koalitionen eines vollständigen einfachen Spiels lässt sich bereits eine Teilmenge L der maximal verlierenden Koalitionen berechnen. Es müssen nicht alle vollständigen einfachen Spiele erzeugt werden.

35 Über das inverse Machtindexproblem Vollständige Enumeration gewichteter Wahlspiele 23 / 26 Enumerationsresultate n cs(n) Zeit 0.02 s 1.23 s 44:01 m wm(n) Zeit 0.5 s 2.25 m 4.3 d Tabelle: Anzahl cs(n) vollständiger einfacher und wm(n) gewichteter Wahlspiele. (Neue Resultate) Bemerkung Wir haben eine Reimplementierung des dualen Simplexalgorithmus in Tableauxdarstellung verwendet, um die linearen Programme effizient zu lösen. Im Durchschnitt wurde weniger als 9 Mikrosekunden pro linearem Programm benötigt. (In dieser Zeit kann die verwendete Maschine nur 2500 Additionen in einer Schleife durchführen.)

36 Über das inverse Machtindexproblem Enumerationsformeln für vollständige einfache Spiele 24 / 26 Definition Äquivalenzklassen von Spielern Zwei Spieler i, j sind äquivalent, falls Υ(τ( c)) = Υ( c) für alle Koalitionen mit i c, j / c und τ = (ij) gilt. Mit cs(n, t) bezeichnen wir die Anzahl der vollständigen Spiele mit n Spielern in t Äquivalenzklassen.

37 Über das inverse Machtindexproblem Enumerationsformeln für vollständige einfache Spiele 24 / 26 Definition Äquivalenzklassen von Spielern Zwei Spieler i, j sind äquivalent, falls Υ(τ( c)) = Υ( c) für alle Koalitionen mit i c, j / c und τ = (ij) gilt. Mit cs(n, t) bezeichnen wir die Anzahl der vollständigen Spiele mit n Spielern in t Äquivalenzklassen. Satz (May, 1952) cs(n, 1) = n. Satz (Freixas, Molinero und Roura, 2009; K., 2009) ( ) cs(n, 2) = Fibonacci(n + 6) n 2 + 4n + 8.

38 Über das inverse Machtindexproblem Enumerationsformeln für vollständige einfache Spiele 25 / 26 Parametrischer Barvinok Algorithmus Satz (K. und Tautenhahn, 2008) Es gibt eine Bijektion der vollständigen einfachen Spielen mit n Spielern in t Äquivalenzklassen und r minimal gewinnenden Koalitionen auf die Menge der ganzzahligen Punkte eines geeigneten Polyeders P(n, t, r).

39 Über das inverse Machtindexproblem Enumerationsformeln für vollständige einfache Spiele 25 / 26 Parametrischer Barvinok Algorithmus Satz (K. und Tautenhahn, 2008) Es gibt eine Bijektion der vollständigen einfachen Spielen mit n Spielern in t Äquivalenzklassen und r minimal gewinnenden Koalitionen auf die Menge der ganzzahligen Punkte eines geeigneten Polyeders P(n, t, r). Das Polyeder P(n, t, r) lässt sich in eine endliche Menge an Teilpolyedern zerlegen, deren Koeffizienten nicht mehr von n abhängen. Für die Anzahl cs(n, t, r) der zugehörigen vollständigen Spiele können exakte Formeln mit Hilfe des parametrischen Barvinok Algorithmus berechnet werden. Beispiel cs(n, 2, 3) = n n n n n n 2 [ ] [ , 13 n + 0, 4480 n 1 ] 128 n

40 Über das inverse Machtindexproblem Zukünftige Forschungsfragen 26 / 26 Zukünftige Forschungsfragen Beweis der 1 3 -Approximationsvermutung Ende Kombination des ILP-Ansatz mit der Enumerationsmethode Polyedrische Analyse des vorgeschlagenen ILP Modells Charakterisierung von Regionen von Machtverteilungen, die schwer zu approximieren sind Enumeration der gewichteten Wahlspiele mit 10 Spielern Herleitung einer Formel für die Anzahl wm(n, 2) der gewichteten Wahlspiele mit zwei Äquivalenzklassen von Spielern Vielen Dank für Ihre Aufmerksamkeit!

Wahlen, Macht und Mathematik

Wahlen, Macht und Mathematik sascha.kurz@uni-bayreuth.de Lehrstuhl für Wirtschaftsmathematik Universität Bayreuth 3. Tag der Mathematik 12.07.2008 Der EU-Gipfel in Brüssel: Juni 2007 Um was ging es? Rat der Europäischen Union umgangssprachlich

Mehr

Die Chiffriermaschine Enigma. Seminar Kryptographie und Sicherheit Hannes Schwarz

Die Chiffriermaschine Enigma. Seminar Kryptographie und Sicherheit Hannes Schwarz Die Chiffriermaschine Enigma Seminar Kryptographie und Sicherheit Hannes Schwarz Übersicht Geschichte der Enigma Aufbau und Prinzip Bedienung Stärken und Schwächen Entschlüsselung Geschichte der Enigma

Mehr

Kraftverhältnisse bei den Wahlen in der Europäischen Union

Kraftverhältnisse bei den Wahlen in der Europäischen Union Kraftverhältnisse bei den Wahlen in der Europäischen Union Federico Perea Justo Puerto MaMaEuSch Management Mathematics for European Schools 94342 - CP - 1-2001 - DE - COMENIUS - C21 Universität Sevilla

Mehr

Werkstattbericht Nr. 10/2001. Werkstattbericht. Werkstattbericht

Werkstattbericht Nr. 10/2001. Werkstattbericht. Werkstattbericht Werkstattbericht Nr. 10/2001 Werkstattbericht Werkstattbericht Werkstattbericht Nr. 10/2001 Werkstattbericht Nr. 10/2001 Werkstattbericht Nr. 10/2001 Ausländische Beschäftigte in den EU-Staaten nach Nationalität

Mehr

Daten und Zufall. (d) Ursula dreht nacheinander drei von den 9 verdeckten Karten um. Sie sagt:

Daten und Zufall. (d) Ursula dreht nacheinander drei von den 9 verdeckten Karten um. Sie sagt: Daten und Zufall 1. Beate und Ursula spielen mit 9 verdeckten Karten: Zwei davon sind auf der Unterseite rot, drei davon grün und vier davon blau. Zieht ein Mädchen eine rote Karte (r), bekommt sie 18

Mehr

Ein mathematisches Modell für eine faire. Stimmverteilung im Ministerrat

Ein mathematisches Modell für eine faire. Stimmverteilung im Ministerrat Ein mathematisches Modell für eine faire im Ministerrat der EU Vortrag im Rahmen der Vorlesung " der Mathematik 2", SS 2010 im Ministerrat Gliederung Einführung 1 Einführung Der Rat der Europäischen Union

Mehr

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme

Mehr

VATTENFALL-Cyclassics

VATTENFALL-Cyclassics 55km total men women total men women total men women Dänemark Dominica Dominikanische Republik Dschibuti Frankreich Italien Luxemburg Neuseeland Niederlande Österreich Polen Rumänien Schweden Schweiz Vereinigte

Mehr

Mathematik und Politik: Von Macht, Quadratwurzeln und Ministern. Werner Kirsch Fakultät für Mathematik und Informatik

Mathematik und Politik: Von Macht, Quadratwurzeln und Ministern. Werner Kirsch Fakultät für Mathematik und Informatik Mathematik und Politik: Von Macht, Quadratwurzeln und Ministern Werner Kirsch Fakultät für Mathematik und Informatik Zum Jahr der Mathematik FernUniversität Hagen, Oktober 2008 Parlamente Parlamente Parlamente

Mehr

MARKTDATEN. Schuhe in Europa EU 15 JAHRGANG 2011

MARKTDATEN. Schuhe in Europa EU 15 JAHRGANG 2011 MARKTDATEN Schuhe in Europa EU 15 JAHRGANG 2011 Inhaltsverzeichnis Inhaltsverzeichnis Übersichtsverzeichnis Seite I V Editorial/Methodik 1 Schuhmarkt Europa EU 15 Länder im Überblick 3 1 Belgien 6 2 Dänemark

Mehr

Graphische Spiele. M i (p) M i (p[i : p i]) M i (p) + ε M i (p[i : p i])

Graphische Spiele. M i (p) M i (p[i : p i]) M i (p) + ε M i (p[i : p i]) Seminar über Algorithmen 19. November 2013 Michael Brückner Graphische Spiele Wolfgang Mulzer, Yannik Stein 1 Einführung Da in Mehrspielerspielen mit einer hohen Anzahl n N an Spielern die Auszahlungsdarstellungen

Mehr

4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9

4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9 Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )

Mehr

Bürger der Europäische Union

Bürger der Europäische Union Eurobarometer-Umfrage, Angaben in Prozent der Bevölkerung, EU-Mitgliedstaaten, Frühjahr 2011 Eurobarometer-Frage: Fühlen Sie sich als Bürger der Europäischen Union? Gesamt Ja = 61 bis 69% Europäische Union

Mehr

Einführung in Verschlüsselungstechniken

Einführung in Verschlüsselungstechniken Von der Enigma bis zum Internetbanking www.kaishakunin.com Stefan.Schumacher@kaishakunin.com Informationstechnologie und Sicherheitspolitik Wintersemester 2010/11 Über mich IT-Sicherheitsberatung: Schulungen

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Eine Einführung in die algebraische D-Modultheorie

Eine Einführung in die algebraische D-Modultheorie Eine Einführung in die algebraische D-Modultheorie Daniel Andres 4. November 2010 Übersicht 2 / 27 1 Die Weylalgebra 2 G-Algebren und Gröbnerbasen 3 Der s-parametrische Annihilator 4 Schnitte von Ideal

Mehr

5. Äquivalenzrelationen

5. Äquivalenzrelationen 5. Äquivalenzrelationen 35 5. Äquivalenzrelationen Wenn man eine große und komplizierte Menge (bzw. Gruppe) untersuchen will, so kann es sinnvoll sein, zunächst kleinere, einfachere Mengen (bzw. Gruppen)

Mehr

Methodenlehreklausur 4/04 Diplom Name: 1. Bearbeitungszeit: 2 Stunden 30 Minuten Zugelassene Hilfsmittel: Taschenrechner. Teil I: Offenes Beispiel

Methodenlehreklausur 4/04 Diplom Name: 1. Bearbeitungszeit: 2 Stunden 30 Minuten Zugelassene Hilfsmittel: Taschenrechner. Teil I: Offenes Beispiel Methodenlehreklausur 4/04 Diplom Name: 1 Bearbeitungszeit: 2 Stunden 30 Minuten Zugelassene Hilfsmittel: Taschenrechner Teil I: Offenes Beispiel Werner Kirsch: Europa, nachgerechnet. In der EU müssen die

Mehr

Sitzverteilung nach Ländern I. Europaabgeordnete nach Ländern und jeweiligen Vertragsgrundlagen

Sitzverteilung nach Ländern I. Europaabgeordnete nach Ländern und jeweiligen Vertragsgrundlagen Sitzverteilung nach Ländern I. von Nizza von Lissabon -3 99 Deutschland 96 +2 72 Frankreich 74 72 Vereinigtes 73 Königreich 72 Italien 73 +4 50 Spanien 54 50 Polen 51 33 Rumänien 33 25 Niederlande 26 Abweichung

Mehr

Teil I. Lineare Optimierung

Teil I. Lineare Optimierung Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,

Mehr

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme

Theoretische Informatik. Exkurs: Komplexität von Optimierungsproblemen. Optimierungsprobleme. Optimierungsprobleme. Exkurs Optimierungsprobleme Theoretische Informatik Exkurs Rainer Schrader Exkurs: Komplexität von n Institut für Informatik 13. Mai 2009 1 / 34 2 / 34 Gliederung Entscheidungs- und Approximationen und Gütegarantien zwei Greedy-Strategien

Mehr

Vortrag 20: Kurze Vektoren in Gittern

Vortrag 20: Kurze Vektoren in Gittern Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die

Mehr

Resolutionsalgorithmus

Resolutionsalgorithmus 112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:

Mehr

Wahrscheinlichkeit. 1. Mengenmodell:

Wahrscheinlichkeit. 1. Mengenmodell: 1. Mengenmodell: Wahrscheinlichkeit Dr. Manfred Gurtner 2014 Ein Versuch kann mehrere Versuchsausgänge haben. Wenn man würfelt, ist das Ergebnis 1,2,3,4,5 oder 6. Alle möglichen Ergebnisse fasst man zu

Mehr

Kapitel 2. Zahlenbereiche

Kapitel 2. Zahlenbereiche Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,... } = N {0} N. Rationale Zahlen Q := { m n m Z, n N }. Beachte:

Mehr

Vorlesung Mathematik I für Wirtschaftswissenschaftler. Universität Leipzig, WS 16/17

Vorlesung Mathematik I für Wirtschaftswissenschaftler. Universität Leipzig, WS 16/17 Vorlesung Mathematik I für Wirtschaftswissenschaftler Universität Leipzig, WS 16/17 Prof. Dr. Bernd Kirchheim Mathematisches Institut kirchheim@math.uni-leipzig.de 1 / 1 Kapitel 1: Grundlagen 4 / 1 Kap.1

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 20. November 2014 INSTITUT FÜR THEORETISCHE 0 KIT 20.11.2014 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der

Mehr

VERBRAUCHERPREISINDIZES nächste Veröffentlichung:

VERBRAUCHERPREISINDIZES nächste Veröffentlichung: VERBRAUCHERPREISINDIZES nächste Veröffentlichung: 28.2.2013 Monat % zu Vorjahr VPI 2010 VPI 2005 VPI 2000 VPI 96 VPI 86 Ø 1990 3,3.... 109,5 170,2 298,6 380,5 381,7 2881,6 3343,6 2839,9 Ø 1991 3,3....

Mehr

2. Teilbarkeit. Euklidischer Algorithmus

2. Teilbarkeit. Euklidischer Algorithmus O. Forster: Einführung in die Zahlentheorie 2. Teilbarkeit. Euklidischer Algorithmus 2.1. Wir benutzen die folgenden Bezeichnungen: Z = {0, ±1, ±2, ±3,...} Menge aller ganzen Zahlen N 0 = {0, 1, 2, 3,...}

Mehr

Armutsgefährdungsquoten vor und nach Sozialleistungen (Teil 1)

Armutsgefährdungsquoten vor und nach Sozialleistungen (Teil 1) Armutsgefährdungsquoten vor und nach Sozialleistungen (Teil 1) Reduzierung der Armutsgefährdungsquote vor Sozialleistungen * nach Sozialleistungen * 30,3 Lettland 25,7-15,2 29,1 Rumänien 22,4-23,0 26,4

Mehr

DOWNLOAD. Die Europawahl. Politik ganz einfach und klar. Sebastian Barsch. Downloadauszug aus dem Originaltitel: Politik ganz einfach und klar: Wahlen

DOWNLOAD. Die Europawahl. Politik ganz einfach und klar. Sebastian Barsch. Downloadauszug aus dem Originaltitel: Politik ganz einfach und klar: Wahlen DOWNLOAD Sebastian Barsch Die Europawahl Politik ganz einfach und klar Sebastian Barsch Bergedorfer Unterrichtsideen Downloadauszug aus dem Originaltitel: Politik ganz einfach und klar: Wahlen FÖRDER-

Mehr

Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen

Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Kurztest zur Numerik I WiR AG, Dep. Mathematik, NT-Fakultät, Universität Siegen Wintersemester 2012/201 Zwischentest Teil 1: 1. Was bedeuten die Bezeichnungen O(h) und o(h)? (Definition) (siehe Skript!)

Mehr

Einführung in die Mathematik des Operations Research

Einführung in die Mathematik des Operations Research Universität zu Köln Mathematisches Institut Prof. Dr. F. Vallentin Einführung in die Mathematik des Operations Research Sommersemester 3 en zur Klausur (7. Oktober 3) Aufgabe ( + 3 + 5 = Punkte). Es sei

Mehr

Diskrete Strukturen Kapitel 2: Grundlagen (Relationen)

Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16

Mehr

Körper- und Galoistheorie

Körper- und Galoistheorie Prof. Dr. H. Brenner Osnabrück SS 2011 Körper- und Galoistheorie Vorlesung 8 Erzeugte Algebra und erzeugter Körper Satz 8.1. Sei K L eine Körpererweiterung und sei f L ein algebraisches Element. Dann ist

Mehr

Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7

Perlen der Informatik I Wintersemester 2012 Aufgabenblatt 7 Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt

Mehr

Kapitel 2. Zahlenbereiche

Kapitel 2. Zahlenbereiche Kapitel 2. Zahlenbereiche 2.3. Reelle Zahlen Erweiterung des Zahlenbereichs der natürlichen Zahlen Ganze Zahlen Z := {..., 3, 2, 1, 0, 1, 2, 3,...} = N {0} N. Rationale Zahlen Q := { m } n m Z, n N. Beachte:

Mehr

Minimale Anzahl von Hinweisen bei Sudoku

Minimale Anzahl von Hinweisen bei Sudoku Minimale Anzahl von Hinweisen bei Sudoku Sascha Kurz sascha.kurz@uni-bayreuth.de (basierend auf Arbeiten von Ariane Papke und Gary McGuire et al.) Oberseminar Effizienz dezentraler Strukturen, Bayreuth,

Mehr

5. Bäume und Minimalgerüste

5. Bäume und Minimalgerüste 5. Bäume und Minimalgerüste Charakterisierung von Minimalgerüsten 5. Bäume und Minimalgerüste Definition 5.1. Es ein G = (V, E) ein zusammenhängender Graph. H = (V,E ) heißt Gerüst von G gdw. wenn H ein

Mehr

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung.

Operations Research. Flüsse in Netzwerken. Flüsse in Netzwerken. Unimodularität. Rainer Schrader. 2. Juli Gliederung. Operations Research Rainer Schrader Flüsse in Netzwerken Zentrum für Angewandte Informatik Köln 2. Juli 2007 1 / 53 2 / 53 Flüsse in Netzwerken Unimodularität Gliederung Netzwerke und Flüsse bipartite

Mehr

Kapitel 9: Lineare Programmierung Gliederung

Kapitel 9: Lineare Programmierung Gliederung Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen

Mehr

1 Der Simplex Algorithmus I

1 Der Simplex Algorithmus I 1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier

Mehr

Algorithmische Bioinformatik 1

Algorithmische Bioinformatik 1 Algorithmische Bioinformatik 1 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen

Mehr

Approximationsklassen für Optimierungsprobleme

Approximationsklassen für Optimierungsprobleme Approximationsklassen für Optimierungsprobleme Matthias Erbar 19. September 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Approximationsalgorithmen mit garantierter Güte 2 2.1 Terminologie......................................

Mehr

Kapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298

Kapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298 Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester

Mehr

8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n.

8 Interpolation. 8.1 Problemstellung. Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen. x 0 < x 1 <... < x n. 8 Interpolation 81 Problemstellung Gegeben: Diskrete Werte einer Funktion f : R R an n + 1 Stützstellen x 0 < x 1 < < x n Eingabedaten: (x 0, f 0 ),(x 1, f 1 ),,(x n, f n ) Gegebene Daten (x j, f j ) Analysis

Mehr

Video-Thema mit Vokabeln Begleitmaterialien

Video-Thema mit Vokabeln Begleitmaterialien Lösungen 2013 Die Lösungsschlüssel für alle Video-Themen des Jahres 2013 im Überblick. Artikel Gleich und doch verschieden 02.01.2013 Eine Nacht in Eis und Schnee 09.01.2013 Eine Frage der Ehre 16.01.2013

Mehr

Quelle: Urheberrecht: URL: Publication date:

Quelle: Urheberrecht: URL: Publication date: Schlussfolgerungen des Europäischen Rates von Brüssel: Auszug über die Stellung der beitrittswilligen Länder in den Gemeinschaftsorganen und -einrichtungen (Brüssel, 10. und 11. Dezember 1993) Quelle:

Mehr

Grundlagen kollektiver Entscheidungsfindung

Grundlagen kollektiver Entscheidungsfindung PD Dr. Sascha Kurz LS für Wirtschaftsmathematik Prof. Dr. Stefan Napel LS für VWL IV Hauptseminar WiSe 2015/16 Grundlagen kollektiver Entscheidungsfindung Entscheidungen werden oft innerhalb einer Gruppe

Mehr

Gesetze, damit Sie wichtige Entscheidungen selbst treffen können

Gesetze, damit Sie wichtige Entscheidungen selbst treffen können Gesetze, damit Sie wichtige Entscheidungen selbst treffen können Inhalt dieses Buches In diesem Buch finden Sie: Worum es in diesem Buch geht Wichtiges, was Sie sich merken sollten Ihr Recht, selbst zu

Mehr

Kapitel 3. Konvergenz von Folgen und Reihen

Kapitel 3. Konvergenz von Folgen und Reihen Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden

Mehr

Das Trust-Region-Verfahren

Das Trust-Region-Verfahren Das Trust-Region-Verfahren Nadine Erath 13. Mai 2013... ist eine Methode der Nichtlinearen Optimierung Ziel ist es, das Minimum der Funktion f : R n R zu bestimmen. 1 Prinzip 1. Ersetzen f(x) durch ein

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

4.4 Quadratische Optimierungsprobleme

4.4 Quadratische Optimierungsprobleme 4.4 Quadratische Optimierungsprobleme 1. Quadratische Programme (QP) 1 2 xt P x + q T x + r s.t. Gx h (4.34) wobei P S n +, G R (m n) und A R (p n) Zielfunktion (ZF) ist (konvex) quadratisch Nebenbedingungen

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Effiziente Algorithmen 2

Effiziente Algorithmen 2 Effiziente Algorithmen 2 Dr. Hanjo Täubig Lehrstuhl für Effiziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Sommersemester 2009 Übersicht Algorithmen

Mehr

Reelle Zufallsvariablen

Reelle Zufallsvariablen Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen

Mehr

Grundbegriffe der Informatik Tutorium 14

Grundbegriffe der Informatik Tutorium 14 Grundbegriffe der Informatik Tutorium 14 Tutorium Nr. 16 Philipp Oppermann 11. Februar 2015 KARLSRUHER INSTITUT FÜR TECHNOLOGIE KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum

Mehr

Zweites Halbjahr 2013 verglichen mit zweitem Halbjahr 2012 Strompreise für Haushalte in der EU28 stiegen um 2,8% und Gaspreise um 1,0%

Zweites Halbjahr 2013 verglichen mit zweitem Halbjahr 2012 Strompreise für Haushalte in der EU28 stiegen um 2,8% und Gaspreise um 1,0% STAT/14/81 21. Mai 2014 Zweites Halbjahr 2013 verglichen mit zweitem Halbjahr 2012 Strompreise für Haushalte in der EU28 stiegen um 2,8% und Gaspreise um 1,0% In der EU28 stiegen die Strompreise 1 für

Mehr

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1

1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme. Duales Problem. a i u i + i=1. j=1 1. Transport- und Zuordnungsprobleme Optimierungsalgorithmus für Transportprobleme Duales Problem Lemma 1.4. Das zum Transportproblem duale Problem lautet: max unter den Nebenbedingungen m a i u i + i=1

Mehr

Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010

Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) SS 2010 Lösungsverfahren für Ganzzahlige Optimierung Sandro Pirkwieser, (Bin Hu, Jakob Puchinger) Fortgeschrittene Algorithmen und Datenstrukturen Arbeitsbereich für Algorithmen und Datenstrukturen Institut für

Mehr

Statistik I Übungsblatt 4

Statistik I Übungsblatt 4 Universität Konstanz Lehrstuhl für Statistik SS 2007 Statistik I Übungsblatt 4 Stem-and-Leaf-Diagramm, Boxplot, Konzentrationssmessung Aufgabe 4.1 a) Bei einem Boxplot gilt allgemein: drei Viertel aller

Mehr

Konstruktion der reellen Zahlen

Konstruktion der reellen Zahlen Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert

Mehr

Vorlesung Lineare Optimierung (Sommersemester 2010)

Vorlesung Lineare Optimierung (Sommersemester 2010) 1 Vorlesung Lineare Optimierung (Sommersemester 2010) Kapitel 6: Die Geometrie der Linearen Optimierung Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 15. Juni 2010) Gliederung 2 Das

Mehr

9 Metrische und normierte Räume

9 Metrische und normierte Räume 9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik

Mehr

INFOS FÜR MENSCHEN AUS DEM AUSLAND WENN SIE FÜR EINEN FREIWILLIGEN-DIENST NACH DEUTSCHLAND KOMMEN WOLLEN: IN DIESEM TEXT SIND ALLE WICHTIGEN INFOS.

INFOS FÜR MENSCHEN AUS DEM AUSLAND WENN SIE FÜR EINEN FREIWILLIGEN-DIENST NACH DEUTSCHLAND KOMMEN WOLLEN: IN DIESEM TEXT SIND ALLE WICHTIGEN INFOS. INFOS FÜR MENSCHEN AUS DEM AUSLAND WENN SIE FÜR EINEN FREIWILLIGEN-DIENST NACH DEUTSCHLAND KOMMEN WOLLEN: IN DIESEM TEXT SIND ALLE WICHTIGEN INFOS. Stand: 29. Mai 2015 Genaue Infos zu den Freiwilligen-Diensten

Mehr

Grundlagen der Theoretischen Informatik

Grundlagen der Theoretischen Informatik Grundlagen der Theoretischen Informatik 4. Kellerautomaten und kontextfreie Sprachen (II) 11.06.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie

Mehr

1. Klausur zur Vorlesung Informatik III Wintersemester 2004/2005

1. Klausur zur Vorlesung Informatik III Wintersemester 2004/2005 Universität Karlsruhe Theoretische Informatik Fakultät für Informatik WS 2004/05 ILKD Prof. Dr. D. Wagner 24. Februar 2005 1. Klausur zur Vorlesung Informatik III Wintersemester 2004/2005 Aufkleber Beachten

Mehr

y (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)

y (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x) 9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten

Mehr

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme

Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Kapitel 11 Die duale Simplexmethode zur Lösung rein ganzzahliger linearer Programme Wir betrachten folgendes Optimierungsproblem z = c T x min! Ax = b (11.1) (11.2) x j ganz für j = 1,..., n 1 n, (11.3)

Mehr

Lineare Algebra I (WS 13/14)

Lineare Algebra I (WS 13/14) Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden

Mehr

Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität

Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte

Mehr

Kapitel III Ringe und Körper

Kapitel III Ringe und Körper Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem

Mehr

Stimmengewichtung im Europäischen Parlament I. Einwohner pro Parlamentarier berechnet auf die jeweiligen Mitgliedsländer

Stimmengewichtung im Europäischen Parlament I. Einwohner pro Parlamentarier berechnet auf die jeweiligen Mitgliedsländer Stimmengewichtung im Europäischen Parlament I. 82,1 64,1 61,6 60,1 Einwohner (in Millionen) 45,9 38,1 21,5 16,5 11,3 10,7 10,6 10,5 10,0 9,3 Deutschland Frankreich Vereinigtes Königreich Italien Spanien

Mehr

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse

Mehr

ANHANG III (Artikel 6 Absatz 3) Bestimmungen, die ungeachtet des Artikels 5 in Kraft bleiben I MEHRSEITIGE ABKOMMEN II ZWEISEITIGE ABKOMMEN

ANHANG III (Artikel 6 Absatz 3) Bestimmungen, die ungeachtet des Artikels 5 in Kraft bleiben I MEHRSEITIGE ABKOMMEN II ZWEISEITIGE ABKOMMEN Kurztitel Soziale Sicherheit Kundmachungsorgan BGBl. Nr. 428/1977 zuletzt geändert durch BGBl. III Nr. 67/2002 /Artikel/Anlage Anl. 3 Inkrafttretensdatum 26.10.2001 Text ANHANG III (Artikel 6 Absatz 3)

Mehr

Hauptsatz der Zahlentheorie.

Hauptsatz der Zahlentheorie. Hauptsatz der Zahlentheorie. Satz: Jede natürliche Zahl n N läßt sich als Produkt von Primzahlpotenzen schreiben, n = p r 1 1 p r 2 2... p r k k, wobei p j Primzahl und r j N 0 für 1 j k. Beweis: durch

Mehr

Vollständige Induktion. Analysis I. Guofang Wang. Universität Freiburg

Vollständige Induktion. Analysis I. Guofang Wang. Universität Freiburg Universität Freiburg 26.10.2011 Vollständige Induktion Wir unterbrechen jetzt die Diskussion der Axiome der reellen Zahlen, um das Beweisverfahren der vollständigen Induktion kennenzulernen. Wir setzen

Mehr

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 11 Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) VORLESUNG Lineare Optimierung (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 3 Wiederholung! Lineare Programme häufig geeignete Modellierung von Optimierungsproblemen! Verschiedene Darstellungen sind

Mehr

VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)

VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max

Mehr

3.1 Sukzessive Minima und reduzierte Basen: Resultate

3.1 Sukzessive Minima und reduzierte Basen: Resultate Gitter und Codes c Rudolf Scharlau 4. Juni 2009 202 3.1 Sukzessive Minima und reduzierte Basen: Resultate In diesem Abschnitt behandeln wir die Existenz von kurzen Basen, das sind Basen eines Gitters,

Mehr

Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen. Steven Klein

Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen. Steven Klein Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen Steven Klein 04.01.017 1 In dieser Ausarbeitung konstruieren wir die reellen Zahlen aus den rationalen Zahlen. Hierzu denieren wir zunächst

Mehr

ILNAS-EN 15140:2006. Public passenger transport - Basic requirements and recommendations for systems that measure delivered service quality

ILNAS-EN 15140:2006. Public passenger transport - Basic requirements and recommendations for systems that measure delivered service quality Öffentlicher Personennahverkehr - Grundlegende Anforderungen und Empfehlungen für Systeme zur Messung der erbrachten Dienstleistungsqualität Public passenger transport - Basic requirements and recommendations

Mehr

Demographie und Arbeitsmarktentwicklung. Fachexperte der Sektion VI Mag. Manfred Zauner

Demographie und Arbeitsmarktentwicklung. Fachexperte der Sektion VI Mag. Manfred Zauner Demographie und Arbeitsmarktentwicklung Fachexperte der Sektion VI Mag. Manfred Zauner Arbeitsmarktdaten - Begriffsbestimmungen Teil 1 Beschäftigte Nationale Definition: Unselbständig Beschäftigte: Unselbständige

Mehr

DWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr

DWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr 2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,

Mehr

Algorithmen und Datenstrukturen

Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen Dipl. Inform. Andreas Wilkens aw@awilkens.com Überblick Grundlagen Definitionen Elementare Datenstrukturen Rekursionen Bäume 2 1 Datenstruktur Baum Definition eines Baumes

Mehr

Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren

Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben. Eine kurze Einführung in Quasi Newton Verfahren Ergänzungen zu dem Buch Numerische Verfahren zur Lösung unrestringierter Optimierungsaufgaben von Carl Geiger und Christian Kanzow (Springer Verlag, 1999) Eine kurze Einführung in Quasi Newton Verfahren

Mehr

W09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung

W09 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Waldinventur und Fernerkundung Der Verhältnisschätzer - Ratio estimator Beispiel: Schätzung der Anzahl Objekte (Bäume) in einem bestimmten Gebiet. Situation: Die Fläche ist unterteilt in Streifen / Transekte. Man wählt zufällig n =

Mehr

Summen und direkte Summen

Summen und direkte Summen Summen und direkte Summen Sei V ein K-Vektorraum. Wie früher erwähnt, ist für beliebige Teilmengen M, N V die Teilmenge M +N V wie folgt definiert M +N = {v+w : v M, w N}. Man sieht leicht, dass i.a. M

Mehr

3. Schnittebenenverfahren

3. Schnittebenenverfahren 3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research

Mehr

ILNAS-EN 1116:2004. Meubles de cuisine - Dimensions de coordination pour meubles de cuisine et appareils ménagers

ILNAS-EN 1116:2004. Meubles de cuisine - Dimensions de coordination pour meubles de cuisine et appareils ménagers Meubles de cuisine - Dimensions de coordination pour meubles de cuisine et appareils ménagers 06/2004 Nationales Vorwort Diese Europäische Norm EN 1116:2004 wurde im Juni 2004 als luxemburgische Norm übernommen.

Mehr

Pr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P.

Pr[X t+1 = k] = Pr[X t+1 = k X t = i] Pr[X t = i], also. (q t+1 ) k = p ik (q t ) i, bzw. in Matrixschreibweise. q t+1 = q t P. 2.2 Berechnung von Übergangswahrscheinlichkeiten Wir beschreiben die Situation zum Zeitpunkt t durch einen Zustandsvektor q t (den wir als Zeilenvektor schreiben). Die i-te Komponente (q t ) i bezeichnet

Mehr

Konjunkturprognose Hessen 2014

Konjunkturprognose Hessen 2014 Konjunkturprognose Hessen 2014 Pressekonferenz am 09. Dezember 2013 Hessischer Landtag, Wiesbaden Annahmen zur Prognose 2014 2013 (aus Herbstgutachten 2012) 2013 2014 Ölpreis (US $) 112 108 110 Wechselkurs

Mehr

Teil 4. Mengen und Relationen

Teil 4. Mengen und Relationen Teil 4 Mengen und Relationen KAPITEL 10 Äquivalenzrelationen und Faktormengen 1. Äquivalenzrelationen Wir nennen eine Relation von A nach A auch eine Relation auf A. DEFINITION 10.1. SeiΡeine Relation

Mehr

Unternehmen nach Beschäftigtengrößenklassen im europäischen Vergleich

Unternehmen nach Beschäftigtengrößenklassen im europäischen Vergleich Unternehmen nach n im europäischen Vergleich Unternehmen Anzahl Anzahl Anteil Anzahl Anteil Anzahl Anteil Anzahl Anteil Anzahl Anteil Anzahl Anteil Europäische Union (28) : : : : : : : : : : : : : Belgien

Mehr

Funktionslernen. 5. Klassifikation. 5.6 Support Vector Maschines (SVM) Reale Beispiele. Beispiel: Funktionenlernen

Funktionslernen. 5. Klassifikation. 5.6 Support Vector Maschines (SVM) Reale Beispiele. Beispiel: Funktionenlernen 5. Klassifikation 5.6 Support Vector Maschines (SVM) übernommen von Stefan Rüping, Katharina Morik, Universität Dortmund Vorlesung Maschinelles Lernen und Data Mining, WS 2002/03 und Katharina Morik, Claus

Mehr

5 Interpolation und Approximation

5 Interpolation und Approximation 5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)

Mehr

Promotionskolloquium

Promotionskolloquium sascha.kurz@uni-bayreuth.de in der im Universität Bayreuth Promotionskolloquium 23.11.2005 Gliederung 1 2 3 in der 4 im in der im Definition m-dimensionale ganzzahlige Punktmenge: Menge von n Punkten im

Mehr

3 Vektorräume abstrakt

3 Vektorräume abstrakt Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare

Mehr