Effiziente Algorithmen und Komplexitätstheorie

Größe: px
Ab Seite anzeigen:

Download "Effiziente Algorithmen und Komplexitätstheorie"

Transkript

1 Effiziente Algorithmen und Komplexitätstheorie Vorlesung Ingo Wegener Vertretung Thoms Jnsen Ws letzten Donnerstg geschh Linere Optimierung Wiederholung der Grundbegriffe und Aussgen M konvex und kompkt ht Extrempunkt Rndpunkt von M konvex und bgeschlossen ht Hyperebene mit M gnz uf einer Seite x M konvex und kompkt ls kl von n + 1 Extrempunkten drstellbr x zulässige Menge M ls kl mit Beteiligung eines Extrempunkts drstellbr minz) M Extrempunkt von M miniml Z ht in M keine nur loklen Minim zwei Beispiele für die Simplex-Methode Simplex-Tbleu im Simplex-Tbleu b 0 Bsispunkt zulässig zusätzlich c 0 zusätzlich optiml äquivlentes Simplex-Tbleu mit nderer Bsis: Hyperebenen der N-BV hben flls zulässig) Extrempunkt der zulässigen Menge ls Schnittpunkt Und ds wr uch schon lles 2 Bsiswechsel m Simplex-Tbleu Z min c T x + δ = Z Ax b = u x 0, u 0 r 1 r 2 r k r n 1,1 1,2 1,k 1,n b 1 s 1 2,1 2,2 2,k 2,n b 2 s 2 i,1 i,2 i,n b i s i m,1 m,2 m,k m,n b m s m c 1 c 2 c k c n δ Z Definition 26 Beim Bsiswechsel r k s i heißt Pivotelement Vorussetzung für Bsiswechsel Pivotelement 0 3 Bsiswechsel m Simplex-Tbleu 2) r 1 r 2 r k r n 1,1 1,2 1,k 1,n b 1 s 1 i,1 i,2 i,n b i s i m,1 m,2 m,k m,n b m s m c 1 c 2 c k c n δ Z Bsiswechsel r k s i i-te Zeile: r k = i,1 r r k s i + +1 r k i,n r n b i j-te Zeile j i): j,1 r j,k 1 r k 1 + j,k r k + j,k+1 r k j,n r n b j = s j r k in j-te Zeile ) eingesetzt j i): i,1 j,1 j,k r j,k+1 j,k ) r k j,k 1 j,k 1 j,n j,k i,n ) r k 1 j,k s i ) r n b j j,k b i ) = s j 4

2 Bsiswechsel m Simplex-Tbleu 3) r 1 r 2 r k r n 1,1 1,2 1,k 1,n b 1 s 1 i,1 i,2 i,n b i s i m,1 m,2 m,k m,n b m s m c 1 c 2 c k c n δ Z Zusmmenfssung Bsiswechsel r k s i Pivotelement 1 Pivotzeile j k i,j i,j, b i b i Pivotsplte i k j,k j,k, c k c k ndere Elemente i j, k l j,l j,l i,l j,k, b b j b j i j,k, c l c l c i,l b k, δ δ c i k zum Merken p = Pivot) [ ] p q r s [ 1 p r p q p s rq p ] Der Simplex-Algorithmus noch offen Whl des Pivot-Elements noch offen Korrektheit = prtielle Korrektheit und Endlichkeit Definition 27 Zeile i gut b i 0 bzw b i 0) Zeile i sonst schlecht G := {l l {1,, m} und l gut} 5 6 Der Simplex Algorithmus 2) 1 Phse Finden eines zulässigen Bsispunkts 1 Wenn G = {1,, m} dnn Ausgbe Zulässiger Bsispunkt gefunden STOP 2 s := min{l b l < 0} oberste schlechte Zeile) 3 Wenn min{ s,1,, s,n } 0 dnn Ausgbe Zulässige Menge leer STOP 4 Wähle k 0 mit s,k0 { < 0 Wähle Pivotzeile p } so, b dss p = min j G und > 0 { } Wenn j G und > 0 =, dnn wähle p := s 5 Führe Bsiswechsel um Pivotelement durch 6 Fhre mit neuem Simplex-Tbleu bei Zeile 1 fort 7 Der Simplex Algorithmus 3) 2 Phse Minimieren von Z uf zulässigen Bsispunkten Vorussetzung G = {1,, m} Bsispunkt zulässig) 1 Wenn min{c 1,, c n } 0 dnn Ausgbe Bsispunkt optiml STOP 2 Wähle k 0 mit c k0 { < 0 Wähle Pivotzeile p so, } b dss p = min j G und > 0 { } Wenn j G und > 0 =, dnn Ausgbe Z STOP 3 Führe Bsiswechsel um Pivotelement durch 4 Fhre mit neuem Simplex-Tbleu bei Zeile 1 fort zu Zeile 2: k 0 -te N-BV Bsis; ndere N-BV bleiben 0 i-te Gleichung 0 r k0 + s i = b i mit b i r k0 knn beliebig wchsen; mit c k0 < 0 Z 0 > 0 r k0 = b i s i 0 b i 0 stärkste Beschränkung für r k0 8

3 Noch ein winziges Beispiel 4x 1 x 2 min unter 1 4 x 1 + x x 2 15 x 1 3x x 1 + x 2 13 x 1 x 2 4 x 1 10 x 1 + 3x 2 23 und x 1 0, x Noch ein winziges Beispiel 2) u 7 u u u x u u x u Z Z10, 4333)) = optiml Zwischen-Fzit Simplex-Algorithmus zur 1 Phse zur 2 Phse Ausgbe Zulässiger Bsispunkt gefunden korrekt Ausgbe Zulässige Menge leer korrekt gesmt Ausgbe korrekt Ausgbe Bsispunkt optiml korrekt Ausgbe Z korrekt neuer Bsispunkt zulässig gesmt Ausgbe korrekt Theorem 28 Der Simplex-Algorithmus ist prtiell korrekt Bsiswechsel ist in Zeit Onm) durchführbr Degenerierte Probleme Definition 29 Ein lineres Optimierungsproblem heißt degeneriert, wenn es unter den n + m Hyperebenen n + 1 Hyperebenen mit nicht leerem Schnitt gibt Beobchtungen 0 in b-splte degeneriert degeneriert äquiv Simplex-Tbleu mit 0 in b-splte Endlichkeit fehlt uns noch! 11 12

4 Ein technisches Lemm Zur Endlichkeit Lemm 30 Wenn Pivotelement gewählt wird, dnn bp 0 { Beweis } j G und > 0 { gute p-zeile wird gewählt, } lso b p 0 mit > 0 j G und > 0 = p = s, s schlecht, lso b p < 0; ußerdem < 0 Theorem 31 Der Simplex-Algorithmus ist für nicht degenerierte Probleme endlich Beweis Teil 1: Phse 1 endet in endlicher Zeit Betrchte einen Bsiswechsel: Simplex-Tbleu Behuptungen: r c b δ s Z b g 0 b g 0 gut bleibt gut) b s > b s schlecht wird besser) r b s c δ Z Beweis von Theorem 31 2) Behuptung: b g 0 b g 0 gut bleibt gut) Pivotzeile p: b p = bp gemäß Algorithmus und bp 0 nch Lemm 30 sogr > 0, d nicht degeneriert) lso Pivotzeile uf jeden Fll gut b p ndere Zeile i: b i = b i 0 }{{} i 1 Fll: 0 0 i 0 gemäß Algorithmus b i = b i i b i 0 2 Fll: 0 > 0 bei Berechnung von p uch Zeile i betrchtet drum b i 0 bp ) b i = b i 0 b p = bi i,k0 0 bp 0 15 Beweis von Theorem 31 3) Behuptung: b s > b s schlecht wird besser) Pivotzeile p: wird uf jeden Fll gut gerde gesehen) ndere Zeile i: b i = b i 0 gemäß Algorithmus }{{} i b p 0 < 0 und bp > 0 lso i < 0 und b i > b s D Anzhl Bsispunkte endlich, wird schlechte Zeile in endlicher Zeit gut Also stoppt erste Phse mit zulässigem Bsispunkt oder M = 16

5 Beweis von Theorem 31 4) Teil 2: Phse 2 endet in endlicher Zeit Strt mit zulässigem Bsispunkt wie in Phse 1: gute Zeile bleiben gut immer zulässiger Bsispunkt Behuptung: δ < δ δ = δ + c k0 b p gemäß Algorithmus c k0 < 0 und > 0 gemäß Whl von k 0 b p > 0, weil nicht degeneriert lso δ < δ D Anzhl Bsispunkte endlich, nch endlichen vielen Schritten optimle Lösung oder Z Endlichkeit des Simplex-Algorithmus Ws ist bei degenerierten Problemen? Wenn wir Glück hben, hält der Algorithmus in endlicher Zeit Dnn ist ds Ergebnis korrekt Wenn wir Pech hben, hält der Algorithmus nicht Knn mn Endlichkeit nicht immer erreichen? Doch! Alle Entscheidungen merken und Wiederholung vermeiden Speicherbedrf für prktische Zwecke zu groß in der Prxis rndomisierte Entscheidungen endliche erwrtete Rechenzeit Endliche viele Schritte Heuristische Verbesserungen Wie schnell oder lngsm ist der Simplex-Algorithmus? im Worst Cse exponentielle Rechenzeit Worst Cse Instnzen sind schwierig zu finden in der Prxis sehr schnell Worst Cse Instnzen sind empfindlich : wckeln polynomielle Rechenzeit smoothed complexity) Es gibt eher unprktische) Polynomilzeitlgorithmen Simplex-Algorithmus ist empirisch guter Algorithmus Einige Ideen, um ihn empirisch noch besser zu mchen: Ideen ohne Nchweis Heuristiken) besserer Umgng mit Nebenbedingungen in Gleichungsform besserer Umgng mit unbeschränkten Vriblen besserer Umgng mit nch oben beschränkten Vriblen schnellere Lösung ähnlicher Optimierungsprobleme 19 20

6 Nebenbedingungen in Gleichungsform bisher i x = b i i x b i und i x b i Nchteil: Problem degeneriert neu Löse Gleichung nch einer Vriblen uf Setze in nderen Ungleichungen ein Benutze Gleichung direkt, mche lso Vrible zur BV Vorteile verhindert Degenertion sprt eine Nebenbedingung sprt zwei Vrible Unbeschränkte Vrible bisher x i R x i x i mit x i, x i 0 Nchteil: eine Vrible mehr neu Lsse unbeschränkte Vrible direkt zu klr Mcht Algorithmus komplizierter Ideen Phse 1: Gleichungen mit unbeschränkten Vriblen bei Whl von Pivotzeile und -splte ignorieren, nsonsten unverändert Phse 2: Optimlitätskriterium c 0 greift nicht mehr unbeschränkte Vrible für c k 0 berücksichtigen optiml, wenn keine Vrible wählbr bei Whl unbeschränkter Vrible ls Pivotzeile uf Zulässigkeit des Bsispunkts chten Nch oben beschränkte Vrible bisher x i α i Nebenbedingung Nchteil: eine Nebenbedingung mehr neu Lsse nch oben beschränkte Vrible direkt zu klr Mcht Algorithmus komplizierter Ideen erweitere Definition von Bsispunkt Werte 0 und αi zugelssen optiml, wenn keine erlubte Änderung Zielfunktion vermindert Z nicht von beschränkten x i bhängig Phse 1: x i > α i bei Zulässigkeit bechten Phse 2: Richtung der erlubten Änderung bei Bsiswechsel bechten bei Whl der neuen N-BV stärkste Beschränkung wählen 23 Hinzufügen einer Vriblen Sei Z = c T x min mit Ax = b und x 0 gelöst Lösung x zur Bsis B neues Problem durch Hinzufügen von x n+1 und einer Splte in A Können wir ds schneller lösen? Vermutlich ist x, 0) besserer Strtpunkt Wenn Weg zu B beknnt, ist ds nutzbr Muss mn ds lles speichern? 24

7 Hinzufügen einer Vriblen 2) Wiederholung: Theorem 26 und sein Beweis Z = c T x min mit Ax = b und x 0 mit Lösung x zur Bsis B beknnt neues Problem durch Hinzufügen von x n+1 und einer Splte in A Wunsch Verwendung von x, 0) ls Strtpunkt Einsicht Weg von Strtbsis B zu B unerheblich kürzester Weg ht Länge min{n, m} Rechenzeit Omn min{m, n}) Mit Hilfe von Theorem 26 geht es sogr noch direkter Theorem 26 Ist Simplex-Tbleu zur Bsis x 1,, x k, u k+1,, u m äquivlent zum zu einem lineren Optimierungsproblem gehörigen Simplex-Tbleu, sind die Hyperebenen u 1 = 0,, u k = 0, x k+1 = 0,, x n = 0 liner unbhängig Der Schnittpunkt der Hyperebenen ist, flls zulässig, Extrempunkt der zulässigen Menge Beweis Schreibe Hyperebenen ls Gleichungen in ursprünglichen x-vriblen: u i = 0 i,1 x i,n x n = b i x k+j = 0 bleibt so Beweis von Theorem 26 Fortsetzung) Beweis von Theorem 26 Fortsetzung 2)) Betrchte Koeffizientenmtrix: 1,1 1,k 1,k+1 1,n A = k,1 k,k k,k+1 k,n klr: Hyperebenen liner unbhängig A invertierbr 1,1 1,k betrchte A k) = k,1 k,k klr: A invertierbr A k) invertierbr Betrchte Koeffizientenmtrix A zum Tbleu zur Bsis x 1,, x k, u k+1,, u m Mit x k+1 = = x n = 0 hben wir x k) = A k) u k) b k) us dem Originltbleu: u k) = A k) x k) b k) Einsetzen liefert: x k) = A k) A k) x k) + b k)) b k) lso: x k) = A k) A k) x k) A k) b k) + b k) Gilt insbesondere für x k) = 0 k), lso A k) b k) + b k) = 0 k) lso x k) = A k) A k) x k) für lle x k) lso A k) = A k)) 1 und A k) invertierbr 27 28

8 Hinzufügen einer Vriblen Fortsetzung) gesehen Inverse von A k) oben links im Tbleu Ws pssiert dbei mit der n + 1)-ten Splte? Betrchte n+1) k) Anfng der Länge k dieser Splte 1,k+1 1,n 2,k+1 2,n B :=, x = x k+1,, x n ) k,k+1 k,n im Strttbleu A k) x k) + Bx + n+1 ) k) x n+1 b k) = u k) A k)) 1 u k) + A k)) 1 Bx + A k)) 1 n+1 ) k) x n+1 A k) ) 1 b k) = x k) A k) ) 1 blesbr, nur A k) ) 1 n+1 ) k) neu zu berechnen Hinzufügen einer Vriblen Fortsetzung 2)) Ws ist mit restlichen -Elementen und c n+1? Beobchtung niemls in der Pivot-Zeile immer Regel s s rq p k = 1 c neu) n+1 = c n+1 neu n+1 ) 1 c 1 k = 2 c neu) n+1 = c n+1 neu n+1 ) 1 c 1 neu n+1 ) 2 c 2 llgemein Beweis per Induktion) c neu) n+1 = c n+1 k ) n+1 neu nlog für i=1 i c i lso verschiedene effiziente Methoden verfügbr 29 30

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG R Käppeli L Herrmnn W Wu Herbstsemester 206 Linere Algebr und Numerische Mthemtik für D-BAUG Beispiellösung für Serie 5 ETH Zürich D-MATH Aufgbe 5 5) Seien u und v Lösungen des LGS Ax = b mit n Unbeknnten

Mehr

Probeklausur Mathematik für Ingenieure C3

Probeklausur Mathematik für Ingenieure C3 Deprtment Mthemtik Dr. rer. nt. Lrs Schewe Mthis Sirvent Wintersemester 013/014 Probeklusur Mthemtik für Ingenieure C3 Anmerkungen zur Klusur: Die Arbeitszeit wird 90 Minuten betrgen. Sie können sämtliche

Mehr

Satz 6.5 (Mittelwertsatz der Integralrechnung) Sei f : [a, b] R stetig. Dann gibt es ein ξ [a, b], so dass. b a. f dx = (b a)f(ξ) f dx (b a)m.

Satz 6.5 (Mittelwertsatz der Integralrechnung) Sei f : [a, b] R stetig. Dann gibt es ein ξ [a, b], so dass. b a. f dx = (b a)f(ξ) f dx (b a)m. Stz 6.5 (Mittelwertstz der Integrlrechnung) Sei f : [, b] R stetig. Dnn gibt es ein ξ [, b], so dss 9:08.06.2015 gilt. f dx = (b )f(ξ) Lemm 6.6 Sei f : [, b] R stetig und m f(x) M für lle x [, b]. Dnn

Mehr

Übungen zur Analysis 2

Übungen zur Analysis 2 Mthemtisches Institut der Universität München Prof. Dr. Frnz Merkl Sommersemester 2013 Bltt 2 26.4.2013 Übungen zur Anlysis 2 2.1 Vernschulichung der Cuchy-Schwrz-Ungleichung. Gegeben seien die Vektoren

Mehr

- 1 - VB Inhaltsverzeichnis

- 1 - VB Inhaltsverzeichnis - - VB Inhltsverzeichnis Inhltsverzeichnis... Die Inverse einer Mtrix.... Definition der Einheitsmtrix.... Bedingung für die inverse Mtrix.... Berechnung der Inversen Mtrix..... Ds Verfhren nch Guß mit

Mehr

7.9A. Nullstellensuche nach Newton

7.9A. Nullstellensuche nach Newton 7.9A. Nullstellensuche nch Newton Wir hben früher bemerkt, dß zur Auffindung von Nullstellen einer gegebenen Funktion oft nur Näherungsverfhren helfen. Eine lte, ber wirkungsvolle Methode ist ds Newton-Verfhren

Mehr

Ungleichungen. Jan Pöschko. 28. Mai Einführung

Ungleichungen. Jan Pöschko. 28. Mai Einführung Ungleichungen Jn Pöschko 8. Mi 009 Inhltsverzeichnis Einführung. Ws sind Ungleichungen?................................. Äquivlenzumformungen..................................3 Rechnen mit Ungleichungen...............................

Mehr

Brückenkurs Lineare Gleichungssysteme und Vektoren

Brückenkurs Lineare Gleichungssysteme und Vektoren Brückenkurs Linere Gleichungssysteme und Vektoren Dr Alessndro Cobbe 30 September 06 Linere Gleichungssyteme Ws ist eine linere Gleichung? Es ist eine lgebrische Gleichung, in der lle Vriblen nur mit dem

Mehr

Darstellung von Ebenen

Darstellung von Ebenen Drstellung von Ebenen. Ebenengleichung in Prmeterform: Sei E eine Ebene. Dnn lässt sich die Ebene drstellen durch eine Gleichung der Form p u x = p + r v u + s v (r, s R). p u v Der Vektor p heißt Stützvektor

Mehr

3 Uneigentliche Integrale

3 Uneigentliche Integrale Mthemtik für Ingenieure II, SS 29 Dienstg 9.5 $Id: uneigentlich.te,v.5 29/5/9 6:23:8 hk Ep $ $Id: prmeter.te,v.2 29/5/9 6:8:3 hk Ep $ 3 Uneigentliche Integrle Mn knn die eben nchgerechnete Aussge e d =,

Mehr

Grundlagen zu Datenstrukturen und Algorithmen Schmitt, Schömer SS 2001

Grundlagen zu Datenstrukturen und Algorithmen Schmitt, Schömer SS 2001 Grundlgen zu Dtenstrukturen und Algorithmen Schmitt, Schömer SS 001 http://www.mpi-sb.mpg.de/~sschmitt/info5-ss01 U N S A R I V E R S A V I E I T A S N I S S Lösungsvorschläge für ds 4. Übungsbltt Letzte

Mehr

Zum Satz von Taylor. Klaus-R. Loeffler. 2 Der Satz von Taylor 2

Zum Satz von Taylor. Klaus-R. Loeffler. 2 Der Satz von Taylor 2 Zum Stz von Tylor Klus-R. Loeffler Inhltsverzeichnis 1 Der verllgemeinerte Stz von Rolle 1 2 Der Stz von Tylor 2 3 Folgerungen, Anwendungen und Gegenbeispiele 4 3.1 Jede gnzrtionle Funktion ist ihr eigenes

Mehr

5.1 Charakterisierung relativ kompakter und kompakter

5.1 Charakterisierung relativ kompakter und kompakter Kpitel 5 Kompkte Mengen 5.1 Chrkterisierung reltiv kompkter und kompkter Mengen X sei im weiteren ein Bnchrum. Definition 5.1. Eine Menge K X heißt kompkt, wenn us jeder offenen Überdeckung von K eine

Mehr

Geodäten. Mathias Michaelis. 28. Januar 2004

Geodäten. Mathias Michaelis. 28. Januar 2004 Geodäten Mthis Michelis 28. Jnur 2004 1 Vektorfelder Definition 1.1 Sei S 3 eine reguläre Fläche. Ein Vektorfeld uf S ist eine Abbildung v : S 3 so, dss v(p) T n S für lle p S. Ein Vektorfeld ordnet lso

Mehr

Uneigentliche Riemann-Integrale

Uneigentliche Riemann-Integrale Uneigentliche iemnn-integrle Zweck dieses Abschnitts ist es, die Vorussetzungen zu lockern, die wir n die Funktion f : [, b] bei der Einführung des iemnn-integrls gestellt hben. Diese Vorussetzungen wren:

Mehr

Multiplikative Inverse

Multiplikative Inverse Multipliktive Inverse Ein Streifzug durch ds Bruchrechnen in Restklssen von Yimin Ge, Jänner 2006 Viele Leute hben Probleme dbei, Brüche und Restklssen unter einen Hut zu bringen. Dieser kurze Aufstz soll

Mehr

Universität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III

Universität Karlsruhe Institut für Theoretische Informatik. Klausur: Informatik III Nme Vornme Mtrikelnummer Lösungsvorschlg Universität Krlsruhe Institut für Theoretische Informtik o. Prof. Dr. P. Snders 8. März 2006 Klusur: Informtik III Aufgbe 1. Multiple Choice 10 Punkte Aufgbe 2.

Mehr

III. Optimale Portfolioselektion

III. Optimale Portfolioselektion III. Optimle Portfolioselektion Schon bei der Bewertung meriknischer Optionen hben wir gesehen, dss Optimierungsprobleme in der Finnzmthemtik eine wichtige Rolle spielen. Ein weiteres Optimierungsproblem

Mehr

Grundlagen des Maschinellen Lernens Kap 3: Lernverfahren in anderen Domänen

Grundlagen des Maschinellen Lernens Kap 3: Lernverfahren in anderen Domänen . Motivtion 2. Lernmodelle Teil I 2.. Lernen im Limes 2.2. Fllstudie: Lernen von Ptternsprchen 3. Lernverfhren in nderen Domänen 3.. 3.2. Entscheidungsbäume 3.3. Entscheidungsbäume über regulären Ptterns

Mehr

Lineare Algebra I 5. Tutorium mit Lösungshinweisen

Lineare Algebra I 5. Tutorium mit Lösungshinweisen Fchbereich Mthemtik Prof Dr JH Bruinier Mrtin Fuchssteiner Ky Schwieger TECHNISCHE UNIVERSITÄT DARMSTADT AWS 07/08 0607 (T ) Linere Algebr I 5 Tutorium mit Lösungshinweisen Welche Gruppen kennen Sie? Welche

Mehr

FORMALE SYSTEME. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2. November Markus Krötzsch

FORMALE SYSTEME. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2. November Markus Krötzsch FORMALE SYSTEME 7. Vorlesung: Reguläre Ausdrücke Mrkus Krötzsch TU Dresden, 2. November 2017 Rndll Munroe, https://xkcd.com/851_mke_it_better/, CC-BY-NC 2.5 Mrkus Krötzsch, 2. November 2017 Formle Systeme

Mehr

Präsenz-Aufgaben = i. (a) i 15 = i 14 i = (i 2 ) 7 i = ( 1) 7 i = i i 15 = 0 + ( 1)i, i (i i) = i 1 = i i 15 = 0 + 1i,

Präsenz-Aufgaben = i. (a) i 15 = i 14 i = (i 2 ) 7 i = ( 1) 7 i = i i 15 = 0 + ( 1)i, i (i i) = i 1 = i i 15 = 0 + 1i, Präsenz-Aufgben 1. 1. Schreiben Sie z in der Form z α + βi mit α,β R. Aus der Vorlesung ist beknnt: i i i 1, i 1 1 i i i i i 1 i. () i 15 i 1 i (i ) 7 i ( 1) 7 i i i 15 + ( 1)i, (b) i 15 1 i 15 () 1 i

Mehr

Lösungen zu den Übungsaufgaben

Lösungen zu den Übungsaufgaben Lösungen zu den Übungsufgben Aufgbe A.2. Ist k L () mit k(x)dx = und ist f : beschränkt, Lebesgue-messbr und stetig in x, dnn gilt lim r r k(x y r )f(y)dy = f(x). Lösung A.2. Zunächst ist mit der Substitutionsregel

Mehr

Uebersicht. Asymptotische Notation. Komplexitätsanalyse. Mengenschreibweise. O-Notation (obere Schranke) Datenstrukturen & Algorithmen

Uebersicht. Asymptotische Notation. Komplexitätsanalyse. Mengenschreibweise. O-Notation (obere Schranke) Datenstrukturen & Algorithmen Dtenstrukturen & Algorithmen Uebersicht Mthemtische Hilfsmittel zur Komplexitätsnlyse Wchstum von Funktionen Rekursionsgleichungen Mtthis Zwicker Universität Bern Frühling 2010 2 Komplexitätsnlyse Wie

Mehr

Höhere Mathematik für Ingenieure , Uhr

Höhere Mathematik für Ingenieure , Uhr Studiengng: Mtrikelnummer: 3 5 6 Z Punkte Note Prüfungsklusur zum Modul Höhere Mthemtik für Ingenieure 0. 7. 05, 8.00 -.00 Uhr Zugelssene Hilfsmittel: A-Blätter eigene, hndschriftliche Ausrbeitungen ber

Mehr

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre Vorlesung Einführung in die mthemtische Sprche und nive Mengenlehre 1 Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johnn-von-Neumnn-Hus Fchschft Menge ller Studenten eines Institutes Fchschftsrt

Mehr

$Id: integral.tex,v /04/22 11:22:04 hk Exp $

$Id: integral.tex,v /04/22 11:22:04 hk Exp $ Mthemtik für Physiker II, SS 015 Mittwoch.4 $Id: integrl.tex,v 1.35 015/04/ 11::04 hk Exp $ Integrlrechnung.1 Ds Riemn Integrl In der letzten Sitzung hben wir verschiedene vorbereitende Begriffe zur Konstruktion

Mehr

$Id: kurven.tex,v /12/03 19:13:57 hk Exp hk $ K ds = F (γ(t)) γ Summation des Vektorfeldes F in Bewegungsrichtung der Kurve γ

$Id: kurven.tex,v /12/03 19:13:57 hk Exp hk $ K ds = F (γ(t)) γ Summation des Vektorfeldes F in Bewegungsrichtung der Kurve γ Mthemtik für Ingenieure III, WS 9/1 Mittwoch.1 $Id: kurven.tex,v 1. 9/1/3 19:13:57 hk Exp hk $ 3 Kurven 3.3 Kurvenintegrle zweiter Art Wir htten ds vektorielle Kurvenintegrl ls K ds F ((t Summtion des

Mehr

2.6 Unendliche Reihen

2.6 Unendliche Reihen 2.6 Unendliche Reihen In normierten Räumen steht ds wichtige Werkzeug der Bildung von unendlichen Reihen zur Verfügung. Mn denke in diesem Zusmmenhng drn, dss mn in der Anlysis Potenz- und Fourierreihen

Mehr

1.2. Orthogonale Basen und Schmistsche Orthogonalisierungsverfahren.

1.2. Orthogonale Basen und Schmistsche Orthogonalisierungsverfahren. .. Orthogonle Bsen und Schmistsche Orthogonlisierungsverfhren. Definition.. Eine Bsis B = { b, b,..., b n } heit orthogonl, wenn die Vektoren b i, i =,,..., n, prweise orthogonl sind, d.h. bi b j = fur

Mehr

10 Das Riemannsche Integral

10 Das Riemannsche Integral 10 Ds Riemnnsche Integrl 50 10 Ds Riemnnsche Integrl Ziel dieses Prgrphen ist es, den Inhlt einer Fläche, die vom Grphen einer Funktion berndet wird, exkt zu definieren. f(b) f() = t 0 t1 t2 t3 t4 t5 t

Mehr

Resultat: Hauptsatz der Differential- und Integralrechnung

Resultat: Hauptsatz der Differential- und Integralrechnung 17 Der Huptstz der Differentil- und Integrlrechnung Lernziele: Konzept: Stmmfunktion Resultt: Huptstz der Differentil- und Integrlrechnung Methoden: prtielle Integrtion, Substitutionsregel Kompetenzen:

Mehr

Prof. Dr. Siegfried Echterhoff.. 1 HAUPTSATZ DER INTEGRAL UND DIFFERENTIALRECHNUNG

Prof. Dr. Siegfried Echterhoff.. 1 HAUPTSATZ DER INTEGRAL UND DIFFERENTIALRECHNUNG Vorlesung SS 29 Anlysis 2 HAUPTSATZ DER INTEGRAL UND DIFFERENTIALRECHNUNG Teil : Fortsetzung des Studiums von Funktionen in einer reellen Vriblen (Integrtion und Tylorreihen). Huptstz der Integrl und Differentilrechnung

Mehr

11. DER HAUPTSATZ DER DIFFERENTIAL- UND INTEGRALRECHNUNG

11. DER HAUPTSATZ DER DIFFERENTIAL- UND INTEGRALRECHNUNG 91 Dieses Skript ist ein Auszug mit Lücken us Einführung in die mthemtische Behndlung der Nturwissenschften I von Hns Heiner Storrer, Birkhäuser Skripten. Als StudentIn sollten Sie ds Buch uch kufen und

Mehr

Kapitel II. Beschränkte Operatoren und kompakte Operatoren. 3. Beschränkte Operatoren im Hilbertraum.

Kapitel II. Beschränkte Operatoren und kompakte Operatoren. 3. Beschränkte Operatoren im Hilbertraum. Kpitel II. Beschränkte Opertoren und kompkte Opertoren. 3. Beschränkte Opertoren im Hilbertrum. 3.1. Definition. Seien H 1 und H 2 Hilberträume. Eine linere Abb. A : H 1 H 2 heißt ein (linerer) Opertor.

Mehr

Übungen zur Vorlesung Differential und Integralrechnung I Lösungsvorschlag

Übungen zur Vorlesung Differential und Integralrechnung I Lösungsvorschlag MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr. E. Schörner WS 015/16 Bltt 4 09.11.015 Übungen zur Vorlesung Differentil und Integrlrechnung I Lösungsvorschlg 13. Zu betrchten ist die durch 0 = 1 und

Mehr

Der Gauß - Algorithmus

Der Gauß - Algorithmus R Brinkmnn http://brinkmnn-du.de Seite 7..9 Der Guß - Algorithmus Der Algorithmus von Guss ist ds universelle Verfhren zur Lösung beliebiger linerer Gleichungssysteme. Einführungsbeispiel: 7x+ x 5x = Drei

Mehr

2 Lineare Operatoren. T(αx + βy) = αtx + βty x,y X, α, β K. (b) Ist T linear, so heißt

2 Lineare Operatoren. T(αx + βy) = αtx + βty x,y X, α, β K. (b) Ist T linear, so heißt 2 Linere Opertoren Im Folgenden seien X,Y, Z stets normierte Räumen über dem selben Körper K = C oder K = R. 2.1. Definition. () Eine Abbildung T : X Y heißt liner, flls T(αx + βy) = αtx + βty x,y X, α,

Mehr

Kapitel 1 : Mathematische Grundlagen und Stöchiometrie

Kapitel 1 : Mathematische Grundlagen und Stöchiometrie pitel : Mthemtische Grundlgen und Stöchiometrie Elementre Rechenumformungen. Dreistzrechnung : Immer dnn, wenn zwei Meßgrößen zueinnder proportionl bzw. indirekt proportionl (d.h. die eine proportionl

Mehr

a Z1 a 1 a 1,2 Diese Matrix hat genau dann Rang 2, ist also genau dann invertierbar, wenn a 2,2 a 1,2a 2,1

a Z1 a 1 a 1,2 Diese Matrix hat genau dann Rang 2, ist also genau dann invertierbar, wenn a 2,2 a 1,2a 2,1 18 Determinnten 207 18 Determinnten Nchdem wir nun schon recht usführlich Mtrizen und linere Gleichungssysteme studiert hben, wollen wir jetzt die sogennnten Determinnten einführen, die beim Rechnen mit

Mehr

Kurvenintegrale. 17. Juli 2006 (Korrigierte 2. Version) 1 Kurvenintegrale 1. Art (d.h. f ist Zahl, kein Vektor)

Kurvenintegrale. 17. Juli 2006 (Korrigierte 2. Version) 1 Kurvenintegrale 1. Art (d.h. f ist Zahl, kein Vektor) Kurvenintegrle Christin Mosch, Theoretische Chemie, Universität Ulm, christin.mosch@uni-ulm.de 7. Juli 26 (Korrigierte 2. Version Kurvenintegrle. Art (d.h. f ist Zhl, kein Vektor Bei Kurvenintegrlen. Art

Mehr

10. Riemannsche Geometrie I: Riemannsche Metrik. Variable Bilinearformen.

10. Riemannsche Geometrie I: Riemannsche Metrik. Variable Bilinearformen. 10. Riemnnsche Geometrie I: Riemnnsche Metrik Wir können in der hyperbolischen Geometrie noch nicht wirklich messen. Hierfür bruchen wir ein Riemnnsches Längen- und Winkelmß, d.h. eine Riemnnsche Geometrie.

Mehr

6 Numerische Integration

6 Numerische Integration Numerik I 251 6 Numerische Integrtion Ziel numerischer Integrtion (Qudrtur): Näherungswerte für f(t) dt. Wozu? Eine Apprtur liefere Messwerte x i = x i + ε i. Angenommen, die Messfehler ε i sind stndrdnormlverteilt

Mehr

Gebrochenrationale Funktionen (Einführung)

Gebrochenrationale Funktionen (Einführung) Gebrochenrtionle Funktionen (Einführung) Ac Eine gebrochenrtionle Funktion R ist von der Form R(x) P(x) und Q(x) gnzrtionle Funktionen n-ten Grdes sind. P(x) Q(x), wobei Im Allgemeinen ht eine gebrochenrtionle

Mehr

Präfixcodes und der Huffman Algorithmus

Präfixcodes und der Huffman Algorithmus Präfixcodes und der Huffmn Algorithmus Präfixcodes und Codebäume Im Folgenden werden wir Codes untersuchen, die in der Regel keine Blockcodes sind. In diesem Fll können Codewörter verschiedene Länge hben

Mehr

Serie 13 Lösungsvorschläge

Serie 13 Lösungsvorschläge D-Mth Mss und Integrl FS 204 Prof. Dr. D. A. Slmon Serie 3 Lösungsvorschläge. Sei I := [, b] R ein kompktes Intervll und sei B 2 I die Borel-σ-Algebr. Def. Eine Funktion f : I R heisst von beschränkter

Mehr

1 Metrische Räume. Sei X eine nichtleere Menge. Definition 1.1. Eine Abbildung: d : X X R heißt Metrik auf X, falls für alle x, y, z X gilt

1 Metrische Räume. Sei X eine nichtleere Menge. Definition 1.1. Eine Abbildung: d : X X R heißt Metrik auf X, falls für alle x, y, z X gilt Metrische Räume Sei X eine nichtleere Menge. Definition.. Eine Abbildung: d : X X R heißt Metrik uf X, flls für lle x, y, z X gilt (i) d(x, y) 0, (ii) d(x, y) = d(y, x), (iii) d(x, y) d(x, z) + d(z, y)

Mehr

3 Hyperbolische Geometrie

3 Hyperbolische Geometrie Ausgewählte Kpitel der Geometrie 3 Hperbolische Geometrie [... ] Im Folgenden betrchten wir nun spezielle gebrochen-linere Abbildungen, nämlich solche, für die (mit den Bezeichnungen ϕ,b,c,d wie oben die

Mehr

Lineare DGL zweiter Ordnung

Lineare DGL zweiter Ordnung Universität Duisburg-Essen Essen, 03.06.01 Fkultät für Mthemtik S. Buer C. Hubcsek C. Thiel Linere DGL zweiter Ordnung Betrchten wir ds AWP { x + x + bx = 0 mit, b, t 0, x 0, v 0 R. Der Anstz xt 0 = x

Mehr

Lösungen zur Probeklausur Lineare Algebra 1

Lösungen zur Probeklausur Lineare Algebra 1 Prof. Dr. Ktrin Wendlnd Dr. Ktrin Leschke WS 2006/2007 Lösungen zur Probeklusur Linere Algebr Ausgbe: 2. Dezember 2006 Aufgbe.. Geben Sie die Definition des Begriffs Gruppe n. Eine Gruppe ist eine Menge

Mehr

1 Ergänzungen zur Differentialrechnung

1 Ergänzungen zur Differentialrechnung $Id: nlytisch.te,v 1.3 2011/04/13 11:01:11 hk Ep $ 1 Ergänzungen zur Differentilrechnung Dieses einleitende Kpitel wollen wir verwenden um den Anschluss n ds vorige Semester herzustellen. Eine direkte

Mehr

R := {((a, b), (c, d)) a + d = c + b}. Die Element des Quotienten M/R sind die Klassen

R := {((a, b), (c, d)) a + d = c + b}. Die Element des Quotienten M/R sind die Klassen Die ntürlichen Zhlen (zusmmen mit der Addition und der Multipliktion) wurden in Kpitel 3 xiomtisch eingeführt. Aus den ntürlichen Zhlen knn mn nun die gnzen Zhlen Z = {..., 2, 1, 0, 1, 2,...} die rtionlen

Mehr

π 2 r 2 r 2 sin 2 (t)r cos(t) dt π 2 cos2 (t) cos(t) dt = r 2 π dt = cos(x) sin(x) u v = cos(x) sin(x) + = cos(x) sin(x) + x

π 2 r 2 r 2 sin 2 (t)r cos(t) dt π 2 cos2 (t) cos(t) dt = r 2 π dt = cos(x) sin(x) u v = cos(x) sin(x) + = cos(x) sin(x) + x Wir substituieren x x(t) r sin(t), t [ π, π ]. Dnn ist x (t) r cos(t), lso r x dx π π r π r r sin (t)r cos(t) dt π cos (t) cos(t) dt r π π cos (t) dt Wir integrieren cos mittels prtieller Integrtion: Sei

Mehr

Langzeitverhalten von ODE Lösungen

Langzeitverhalten von ODE Lösungen Euler Verfhren für Systeme von ODEs Bemerkung zum Lngzeitverhlten Häufig ist von Interesse (z.b. in der Klimvorhersge), wie sich Lösungen y(t) der ODE ẏ = F (y) für sehr grosse t qulittiv verhlten, und

Mehr

Lösungsvorschläge zum 9. Übungsblatt.

Lösungsvorschläge zum 9. Übungsblatt. Übung zur Anlysis II SS 1 Lösungsvorschläge zum 9. Übungsbltt. Aufgbe 33 () A : {(x, y) R : x [ 1, 1] und y oder x und y [ 1, 1]}. (b) A : {(x, y) R : x < y < 1 + x }. (c) A : {(x, y) R : x < y < 1 + x

Mehr

Klausurvorbereitungsausfgaben für die Feiertage Analysis II im WS 2013/2014

Klausurvorbereitungsausfgaben für die Feiertage Analysis II im WS 2013/2014 Institut für Mthemtik Freie Universität Berlin C. Hrtmnn, A. Ppke Wer spricht von Siegen, Überleben ist lles. Riner Mri Rilke Lösung zu Klusurvorbereitungsusfgben für die Feiertge Anlysis II im WS 23/24

Mehr

Def.: Sei Σ eine Menge von Zeichen. Die Menge Σ* aller Zeichenketten (Wörter) über Σ ist die kleinste Menge, für die gilt:

Def.: Sei Σ eine Menge von Zeichen. Die Menge Σ* aller Zeichenketten (Wörter) über Σ ist die kleinste Menge, für die gilt: 8. Grundlgen der Informtionstheorie 8.1 Informtionsgehlt, Entropie, Redundnz Def.: Sei Σ eine Menge von Zeichen. Die Menge Σ* ller Zeichenketten (Wörter) über Σ ist die kleinste Menge, für die gilt: 1.

Mehr

Umwandlung von endlichen Automaten in reguläre Ausdrücke

Umwandlung von endlichen Automaten in reguläre Ausdrücke Umwndlung von endlichen Automten in reguläre Ausdrücke Wir werden sehen, wie mn us einem endlichen Automten M einen regulären Ausdruck γ konstruieren knn, der genu die von M kzeptierte Sprche erzeugt.

Mehr

Kapitel 10. Integration. Josef Leydold Mathematik für VW WS 2015/16 10 Integration 1 / 35

Kapitel 10. Integration. Josef Leydold Mathematik für VW WS 2015/16 10 Integration 1 / 35 Kpitel 0 Integrtion Josef Leydold Mthemtik für VW WS 205/6 0 Integrtion / 35 Flächeninhlt Berechnen Sie die Inhlte der ngegebenen Flächen! f (x) = Fläche: A = f (x) = +x 2 Approximtion durch Treppenfunktion

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN Prof. Dr. M. Wolf Dr. M. Prähofer Aufgben TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mthemtik Mthemtik für Physiker 3 Anlysis ) Sommersemester Probeklusur Lösung) http://www-m5.m.tum.de/allgemeines/ma93 S

Mehr

Lösungen Quadratische Gleichungen. x = x x = Also probieren wir es 3 4 = 12. x + + = Lösen Sie die folgenden Gleichungen nach x auf:

Lösungen Quadratische Gleichungen. x = x x = Also probieren wir es 3 4 = 12. x + + = Lösen Sie die folgenden Gleichungen nach x auf: Aufgbe : ) Lösen Sie die folgenden Gleichungen nch uf: = kein Problem einfch die Wurel iehen und ds ± nicht vergessen.. = = ±, b) + 5 = 0 Hier hben wir bei jedem Ausdruck ein, lso können wir usklmmern:

Mehr

9.4 Integration rationaler Funktionen

9.4 Integration rationaler Funktionen 9.4 Integrtion rtionler Funktionen Ziel: Integrtion rtionler Funktionen R(x) = p(x) q(x) wobei p(x) = n k x k, q(x) = k=0 m b k x k. k=0 Methode: Prtilbruch-Zerlegung von rtionler Funktion R(x). Anstz:

Mehr

Vorkurs Mathematik DIFFERENTIATION

Vorkurs Mathematik DIFFERENTIATION Vorkurs Mthemtik 6 DIFFERENTIATION Beispiel (Ableitung von sin( )). Es seien f() = sin g() = h() =f(g()) = sin. (f () =cos) (g () =) Also ist die Ableitung von h: h () =f (g())g () =cos = cos. Mn nennt

Mehr

BINOMISCHE FORMELN FRANZ LEMMERMEYER

BINOMISCHE FORMELN FRANZ LEMMERMEYER BINOMISCHE FORMELN FRANZ LEMMERMEYER Ds Distributivgesetz. Die binomischen Formeln sind im wesentlichen Vrinten des Distributivgesetzes. Dieses kennen wir schon; es besgt, dss () (b + = b + c und ( + b)c

Mehr

Automaten und formale Sprachen Notizen zu den Folien

Automaten und formale Sprachen Notizen zu den Folien 5 Ds Pumping Lemm Schufchprinzip (Folie 144) Automten und formle Sprchen Notizen zu den Folien Im Block Ds Schufchprinzip für endliche Automten steht m n (sttt m > n), weil die Länge eines Pfdes die Anzhl

Mehr

Mathematik: Mag Schmid Wolfgang Arbeitsblatt 5 5. Semester ARBEITSBLATT 5 VEKTORRECHNUNG IM RAUM

Mathematik: Mag Schmid Wolfgang Arbeitsblatt 5 5. Semester ARBEITSBLATT 5 VEKTORRECHNUNG IM RAUM Mthemtik: Mg Schmid Wolfgng Arbeitsbltt 5 5. Semester ARBEITSBLATT 5 VEKTORRECHNUNG IM RAUM Bisher hben wir die Lge von Punkten und Gerden lediglich in der Ebene betrchtet. Nun wollen wir die Lge dieser

Mehr

Mathematik Bruchrechnung Grundwissen und Übungen

Mathematik Bruchrechnung Grundwissen und Übungen Mthemtik Bruchrechnung Grundwissen und Übungen von Stefn Gärtner (Gr) Stefn Gärtner -00 Gr Mthemtik Bruchrechnung Seite Inhlt Inhltsverzeichnis Seite Grundwissen Ws ist ein Bruch? Rtionle Zhlen Q Erweitern

Mehr

b f(x)p(x) dx = f(ξ) 2e 2 , Hess f (2, 0) =

b f(x)p(x) dx = f(ξ) 2e 2 , Hess f (2, 0) = Es seien U R n offen und ψ : U R n stetig differenzierbr. Weiter sei f : U R zweiml stetig differenzierbr. Kennzeichnen Sie whre Aussgen mit W und flsche Aussgen mit F. F Flls dψ(x) ein Isomorphismus für

Mehr

Lineare Schaltungen (Widerstände), gleichförmige Erregungen, Knotenpotenzial-Verfahren

Lineare Schaltungen (Widerstände), gleichförmige Erregungen, Knotenpotenzial-Verfahren Linere Schltungen (Widerstände), gleichförmige Erregungen, Knotenpotenzil-Verfhren 2 2.1 Einführung In diesem Kpitel wird ds Knotenpotenzil-Verfhren vorgestellt. Mit Hilfe dieses Verfhrens können uch umfngreiche

Mehr

Einführung in die Festkörperphysik I Prof. Peter Böni, E21

Einführung in die Festkörperphysik I Prof. Peter Böni, E21 Einführung in die Festkörperphsik I Prof. Peter Böni, E21 Lösung zum 2. Übungsbltt (Besprechung: 0. - 1. Oktober 2006) P. Niklowitz, E21 Aufgbe 2.1: Zweidimensionle Wigner-Seitz-Zellen Vernschulichen Sie,

Mehr

Kapitel 2 Variationsrechnung

Kapitel 2 Variationsrechnung Kpitel 2 Vritionsrechnung Die Vritionsrechnung wurde entwickelt, um Frgen zu lösen, bei denen extremle Kurven gesucht sind. Hier einige typische Frgen dieser Art: Welches ist die kürzeste Verbindung zwischen

Mehr

dem Verfahren aus dem Beweis zu Satz 2.20 erhalten wir zunächst die folgenden beiden ε-ndeas für die Sprachen {a} {b} und {ε} {a} +

dem Verfahren aus dem Beweis zu Satz 2.20 erhalten wir zunächst die folgenden beiden ε-ndeas für die Sprachen {a} {b} und {ε} {a} + Lösungen zu Üungsltt 3 Aufge 1. Es gilt L(( ) ) = ({} {}) {} = ({} {}) ({} {} + ). Mit dem Verfhren us dem Beweis zu Stz 2.20 erhlten wir zunächst die folgenden eiden -NDEAs für die Sprchen {} {} und {}

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN Prof. Dr. Simone Wrzel Mx Lein Husufgben 1. Flächeninhlte Teil 1 TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mthemtik Mthemtik 4 für Physik Anlysis 3 Wintersemester 9/1 Lösungsbltt 1.1.9 Wie gross ist der Flächeninhlt

Mehr

Doppel- und Dreifachintegrale

Doppel- und Dreifachintegrale KAPITEL 6 Doppel- und Dreifchintegrle 6. Doppelintegrle................................... 74 6.. Flächeninhlt ebener ereiche.......................... 74 6..2 Definition und Eigenschften des Doppelintegrls..............

Mehr

FORMALE SYSTEME. Kleene s Theorem. Wiederholung: Reguläre Ausdrücke. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2.

FORMALE SYSTEME. Kleene s Theorem. Wiederholung: Reguläre Ausdrücke. 7. Vorlesung: Reguläre Ausdrücke. TU Dresden, 2. FORMALE SYSTEME 7. Vorlesung: Reguläre Ausdrücke Mrkus Krötzsch Rndll Munroe, https://xkcd.com/851_mke_it_etter/, CC-BY-NC 2.5 TU Dresden, 2. Novemer 2017 Mrkus Krötzsch, 2. Novemer 2017 Formle Systeme

Mehr

x usw., wie oben unter 1.) behauptet.]

x usw., wie oben unter 1.) behauptet.] [Anmerkung zur Berechnung im Beispiel: Ersetzen wir die Zhlen der AzM durch die Koeffizienten, 2, 2 und 22, so lässt sich die Rechnung sowohl für ) ls uch b) gnz nlog durchführen, und es ergibt sich z.

Mehr

Automaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kurzer Einschub: das Schubfachprinzip.

Automaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kurzer Einschub: das Schubfachprinzip. Reguläre Sprchen Automten und Formle Sprchen lis Theoretische Informtik Sommersemester 0 Ds Pumping-Lemm Wir hen is jetzt vier Formlismen kennengelernt, mit denen wir eine reguläre Sprche ngeen können:

Mehr

5.2 BASIC MSC (BMSC) BASIC MSC. Kommunikation zwischen Instanzen. Message Sequence Charts

5.2 BASIC MSC (BMSC) BASIC MSC. Kommunikation zwischen Instanzen. Message Sequence Charts BASIC MSC Ein System besteht us Instnzen. Eine Instnz ist eine bstrkte Einheit, deren Interktion mit nderen Instnzen oder mit der Umgebung mn (teilweise) beobchten knn. Instnzen kommunizieren untereinnder

Mehr

a = c d b Matheunterricht: Gesucht ist x. Physikunterricht Gesucht ist t: s = vt + s0 -s0 s - s0 = vt :v = t 3 = 4x = 4x :4 0,5 = x

a = c d b Matheunterricht: Gesucht ist x. Physikunterricht Gesucht ist t: s = vt + s0 -s0 s - s0 = vt :v = t 3 = 4x = 4x :4 0,5 = x Bltt 1: Hilfe zur Umformung von Gleichungen mit vielen Vriblen Im Mthemtikunterricht hben Sie gelernt, wie mn Gleichungen mit einer Vriblen umformt, um diese Vrible uszurechnen. Meistens hieß sie. In Physik

Mehr

Michael Buhlmann Mathematik > Lineare Gleichungssysteme

Michael Buhlmann Mathematik > Lineare Gleichungssysteme Michel Buhlmnn Mthemtik > Linere Gleichungssysteme Crl Friedrich Guß Der Mthemtiker und Gelehrte Crl Friedrich Guß (*1777-1855) studierte nch Schulusbildung und Abitur m Collegium Crolinum Brunschweig

Mehr

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme

Computer Science Department - High Performance and Web Computing Group. Optimierungsprobleme Optimierungsprobleme Häufig in Alltagssituationen anzutreffen (z.b. Kauf eines Gerätes) Optimierungsprobleme (OPs) sind Probleme, die i.a. viele zulässige Lösungen besitzen Jeder Lösung ist ein bestimmter

Mehr

5. Übung Algorithmen II

5. Übung Algorithmen II Johnnes Singler, Prof. Snders 1 Johnnes Singler: KIT Universität des Lndes Bden-Württemberg und ntionles Forschungszentrum in der Helmholtz-Gemeinschft Institut für Theoretische www.kit.edu Informtik Orgnistorisches

Mehr

46. Aufgabe (4 Punkte) Verständnisfragen: a) Was besagt die Church sche-these?

46. Aufgabe (4 Punkte) Verständnisfragen: a) Was besagt die Church sche-these? Formle Methoden der Informtik WS 00/0 Lehrstuhl für Dtenbnken und Künstliche Intelligenz ProfDrDrFJRdermcher H Ünver T Rehfeld J Dollinger 9 Aufgbenbltt Besprechung in den Tutorien vom 00 (b Übungstermin)

Mehr

Analysis II (lehramtsbezogen): Rechnen mit Integralen

Analysis II (lehramtsbezogen): Rechnen mit Integralen Anlysis II (lehrmtsbezogen): Rechnen mit Integrlen A. Ppke. November Substitution Wir wiederholen kurz die grundlegende Methode der Substitution und wenden sie im Beispiel n. Stz. (Integrtion durch Substitution).

Mehr

2.5 Messbare Mengen und Funktionen

2.5 Messbare Mengen und Funktionen 1 2.5 Messbre Mengen und Funktionen Definition Eine beschränkte Menge M R n heißt messbr, flls die chrkteristische Funktion χ M integrierbr ist. Die Zhl vol n (M) := χ M dµ n nennt mn ds Volumen von M.

Mehr

Ferienkurs Experimentalphysik

Ferienkurs Experimentalphysik Ferienkurs Experimentlphysik 4 009 Übung 1 Heisenberg sche Unschärfereltion Zeigen Sie, dss eine Messprtur beim Doppelspltexperiment, die den Durchgng eines Teilchens durch ein Loch detektieren knn, ds

Mehr

Klausur zur Vorlesung Grundbegriffe der Informatik 10. März 2009 mit Lösungsvorschlägen

Klausur zur Vorlesung Grundbegriffe der Informatik 10. März 2009 mit Lösungsvorschlägen Klusur zur Vorlesung Grundegriffe der Informtik 10. März 2009 mit Lösungsvorschlägen Klusurnummer Nme: Vornme: Mtr.-Nr.: Aufge 1 2 3 4 5 6 7 mx. Punkte 4 2 7 8 8 8 9 tts. Punkte Gesmtpunktzhl: Note: Aufge

Mehr

Algebra - Lineare Abbildungen

Algebra - Lineare Abbildungen Algebr - Linere Abbildungen oger Burkhrdt (roger.burkhrdt@fhnw.ch) 8 Hochschule für Technik . Der Vektorrum Hochschule für Technik Hochschule für Technik 4 Vektorrum Definition: Ein Vektorrum über einen

Mehr

Thema 13 Integrale, die von einem Parameter abhängen, Integrale von Funktionen auf Teilmengen von R n

Thema 13 Integrale, die von einem Parameter abhängen, Integrale von Funktionen auf Teilmengen von R n Them 13 Integrle, die von einem Prmeter bhängen, Integrle von Funktionen uf Teilmengen von R n Wir erinnern drn, dß eine Funktion h : [, b] R eine Treppenfunktion ist, flls es eine Unterteilung x < x 1

Mehr

Das Rechnen mit Logarithmen

Das Rechnen mit Logarithmen Ds Rechnen mit Logrithmen Etw in der 0. Klssenstufe kommt mn in Kontkt mit Logrithmen. Für die, die noch nicht so weit sind oder die, die schon zu weit dvon entfernt sind, hier noch einml ein kleiner Einblick:

Mehr

Franz Binder. Vorlesung im 2006W

Franz Binder. Vorlesung im 2006W Formle Reguläre und Formle Institut für Alger Johnnes Kepler Universität Linz Vorlesung im 2006W http://www.lger.uni-linz.c.t/students/win/ml Formle Inhlt Reguläre Reguläre Formle Zustndsdigrmm δ: Σ (Q

Mehr

Keeners Ranking Methode Tabea Born

Keeners Ranking Methode Tabea Born Keeners Rnking Methode Tbe Born 25.06.2014 Fchbereich Informtik Knowledge Engineering Group Prof. Fürnkrnz Überblick 1. Einführung Motivtion Idee 2. Keeners Rnking Methode Berechnung des Rnkings Beispiel

Mehr

Numerische Integration durch Extrapolation

Numerische Integration durch Extrapolation Numerische Integrtion durch Extrpoltion Pblo Thiel Romberg-Verfhren Idee: Im Gegenstz zur numerischen Integrtion mit Hilfe der einfchen bzw. zusmmengesetzten Trpez-, Simpson-, 3/8- oder zum Beispiel der

Mehr

10: Lineare Abbildungen

10: Lineare Abbildungen Chr.Nelius: Linere Alger SS 2008 1 10: Linere Aildungen 10.1 BEISPIEL: Die Vektorräume V 2 und Ê 2 hen diegleiche Struktur. Es git eine ijektive Aildung f : V 2 Ê 2, die durch die Vorschrift definiert

Mehr

Teil 1: Rechenregeln aus der Mittelstufe. Allgemeine Termumformungen

Teil 1: Rechenregeln aus der Mittelstufe. Allgemeine Termumformungen Teil 1: Rechenregeln us der Mittelstufe Allgemeine Termumformungen Kommuttivgesetz: Bei reinen Produkten oder Summen ist die Reihenfolge egl x y z = z y x = x z y =.. x+y+z = z+y+x = x+z+y =.. Ausklmmern:

Mehr

Antworten auf Anfragen von Kursteilnehmern. Zu folgender Aussage aus den Multiple-Choice-Aufgaben: f (n) (a) (x a) n n! n=0

Antworten auf Anfragen von Kursteilnehmern. Zu folgender Aussage aus den Multiple-Choice-Aufgaben: f (n) (a) (x a) n n! n=0 Ferienkurs Anlysis 1 WS 11/12 Florin Drechsler Antworten uf Anfrgen von Kursteilnehmern Zu Tylorreihen Zu folgender Aussge us den Multiple-Choice-Aufgben: Es gibt Funktionen f C (R) mit konvergenter Tylorreihe

Mehr

Seminar Quantum Computation - Finite Quanten-Automaten und Quanten-Turingmaschinen

Seminar Quantum Computation - Finite Quanten-Automaten und Quanten-Turingmaschinen Seminr Quntum Computtion - Finite Qunten-Automten und Qunten-Turingmschinen Sebstin Scholz sscholz@informtik.tu-cottbus.de Dezember 3. Einleitung Aus der klssischen Berechenbrkeitstheorie sind die odelle

Mehr

1.2 Der goldene Schnitt

1.2 Der goldene Schnitt Goldener Schnitt Psclsches Dreieck 8. Der goldene Schnitt Beim Begriff Goldener Schnitt denken viele Menschen n Kunst oder künstlerische Gestltung. Ds künstlerische Problem ist, wie ein Bild wohlproportioniert

Mehr

Einführung in die Numerische Mathematik Vordiplomsklausur,

Einführung in die Numerische Mathematik Vordiplomsklausur, Institut für Angewndte Anlysis und Numerische Simultion Prof Dr C Eck, Dr M Schulz, Dipl- Mth J Giesselmnn Universität Stuttgrt Sommersemester 9 Einführung in die Numerische Mthemtik Vordiplomsklusur,

Mehr