Algorithmen für paarweise Sequenz-Alignments. Katharina Hembach

Größe: px
Ab Seite anzeigen:

Download "Algorithmen für paarweise Sequenz-Alignments. Katharina Hembach"

Transkript

1 Proseminar Bioinformatik WS 2010/11 Algorithmen für paarweise Sequenz-Alignments Katharina Hembach Einleitung Paarweise Sequenz-Alignments spielen in der Bioinformatik eine wichtige Rolle. Oft will man DNA-Sequenzen auf Unterschiede untersuchen, um zum Beispiel einzelne Mutationen zu finden. Bei der Genom-Sequenzierung müssen viele einzelne Sequenzen in der richtigen Reihenfolge zusammengesetzt werden, das heißt man sucht nach einem Suffix der ersten Sequenz, der mit einem Präfix der zweiten übereinstimmt. Eine weitere Anwendung wäre die Suche nach ähnliche Substrings, zum Beispiel Proteindomänen, in zwei oder mehreren Sequenzen. Auf multiple Alignments, die bei der Datenbanksuche erstellt werden, wird hier jedoch nicht eingegangen. Der Aufbau und Inhalt dieser Ausarbeitung orientiert sich an der Quelle [2]. 2 Begriffsdefinitionen In einem Sequenz-Alignment werden zwei Sequenzen übereinander geschrieben, so dass sich pro Spalte möglichst zwei gleiche Buchstaben gegenüberstehen. Sind die Sequenzen sehr unterschiedlich oder haben sie nicht die gleiche Länge, dann müssen Gaps am Anfang, in der Mitte oder am Ende eingefügt werden, um die passenden Buchstaben gegenüberzustellen und die Sequenzen auf die gleiche Länge bringen zu können. Dabei muss beachtet werden, dass ein Gap mit einem Buchstaben gepaart werden darf, aber niemals zwei Gaps miteinander. Danach wird anhand von Scoring-Werten für jede Spalte des Alignments ein Score berechnet. Diese Scores aller Spalten werden addiert und bilden den totale Score, welcher angibt, wie ähnlich sich die zwei Sequenzen sind. Im Folgenden werden zwei gleiche Buchstaben mit einem positiven Wert belohnt, zwei unterschiedliche Buchstaben und die Einfügung eines Gaps (Gapstrafe g) mit einem negativen Wert bestraft. Die Similarity (Ähnlichkeit) sim(s, t) zweier Sequenzen s und t bezeichnet den höchsten erreichbaren totalen Score der zwei Sequenzen. Ein globales Alignment erstreckt sich über die komplette Länge der zwei Sequenzen. Bei einem lokalen Alignment hingegen wird nach den zwei ähnlichsten Teilsequenzen (Substrings) der beiden Ausgangs-Sequenzen gesucht. Das semiglobale Alignment bezieht Gaps am Anfang und/oder Ende der Sequenzen nicht mit in die Berechnung des Scores ein. 3 Grundalgorithmus Die Eingabe besteht aus zwei Sequenzen s und t, deren globales Alignment berechnet werden soll.

2 2 Katharina Hembach 3.1 Vorüberlegung Der Algorithmus bedient sich der Idee des Dynamischen Programmierens. Diese ist genau dann anwendbar, wenn man ein schwieriges Problem in lösbare kleinstmögliche Teilprobleme zerlegen kann. Deren Lösung kann man zur Lösung der nächstgrößeren Teilprobleme zusammensetzen und mit diesen wiederum größere Probleme lösen. Das wird solange gemacht, bis man die Lösung des Ausgansproblems erhalten hat. Da der Score eines globalen Alignments aus den Scores aller Spalten addiert wird, kann man es in mehrere Teile unterteilen: S 1 S w S w+1 S x S x+1 S y S y+1 S z T 1 T w T w+1 T x T x+1 T y T y+1 T z Im obigen Alignment der Sequenzen s und t entsprechen S und T jeweils einer Position des Alignments, also entweder einem Buchstaben der jeweiligen Sequenz oder einem Gap. Das Alignment wurde in vier Teile geteilt: Position 1 bis w, w+1 bis x, x+1 bis y und y+1 bis z. Der Gesamtscore setzt sich demnach aus dem Score der vier einzelnen Teile zusammen. Da diese Scores voneinander unabhängig sind, folgt somit, dass man das optimale globale Alignment zweier beliebiger Sequenzen finden kann, indem man es aus den optimalen Alignments einzelner Teilsequenzen zusammensetzt. Andersherum bedeutet dies aber auch, dass ein optimales globales Alignment keine Teile enthält, die nicht optimal sind [1]. 3.2 Algorithmus Mithilfe dieser Überlegung kann nun der Algorithmus erklärt werden. Er berechnet das globale Alignment nicht direkt, sonder nacheinander die Similarity aller möglichen Paare von Präfixe (Teilsequenz, beginnend am Anfang der Sequenz), bis die Similarity der kompletten Sequenzen berechnet ist. Dafür werden die Einzelergebnisse in einer (m+1) (n+1)-matrix gespeichert. Dabei bezeichnet m die Länge der Sequenz s und n die Länge der Sequenz t. Beide werden um eins verlängert, da es die leere Sequenz gibt. Jeder Eintrag a[i, j] der Matrix enthält die Similarity zwischen den Präfixen s[1..i] und t[1..j], mit 0 und Initialisierung Der Algorithmus initialisiert zuerst die erste Zeile und Spalte der Matrix mit der Gapstrafe, da die erste Zeile (Spalte) alle möglichen Präfixe von t (s) enthält, die mit leeren Präfixen der Sequenz s(t) aligniert werden und der Gesamtscore dieser Alignments einem Vielfachen der Gapstrafe entspricht. Das bedeutet, dass,0 = und 0, =, mit 0 und Berechnung der übrigen Einträge Alle anderen Einträge a[i, j] werden mithilfe der folgenden Formel ermittelt:, 1 +, = 1, 1 +, 1, +

3 3 Algorithmen für paarweise Sequenz-Alignments Score(i, j) bezeichnet den Score eines Alignments des i-ten Buchstabens von s und des j-ten Buchstabens von t. Dieser wird zuvor vom Benutzer, zusammen mit der Gapstrafe g, festgelegt. Die Formel verwendet obige Überlegung (s. 3.1), dass ein optimales Alignment, das um eine Spalte verkürzt wird, wieder ein optimales Alignment ergibt. Folglich besteht jedes Alignment der Präfixe s[1..i] und t[1..j] aus einem um eine Spalte kürzeren optimalen Alignment zu dem die fehlende letzte Spalte hinzugefügt wird. Für das optimale Alignment von s[1..i] und t[1..j] ergeben sich somit drei Möglichkeiten: 1. Die letzte Spalte kann aus einem Gap in s, das mit dem j-ten Buchstaben aus t gepaart wird, bestehen, die zum optimalen Alignment der Präfixe s[1..i] und t[1..j-1] hinzugefügt wird. Der total Score besteht somit aus dem des vorangehenden Alignments, a[i, j-1], und dem der letzten Spalte, also der Gapstrafe g (I). 2. Der Spalte mit dem i-ten und j-ten Buchstabe von s und von t wird das Alignment der Präfixe s[1..i-1] und t[1..j-1] vorangestellt. Der totale Score berechnet sich aus dem des Alignments, a[i-1, j-1], und dem Score der zwei Buchstaben, score(i, j) (II). 3. Die letzte Spalte besteht aus dem i-ten Buchtaben von s und einem Gap in t, die an das Alignment der Präfixe s[1..i-1] und t[1..j] angehängt wird. Analog zu (I) wird der Score ermittelt: Score des Alignments, a[i-1, j], summiert mit g (III). Aus diesen drei Scores für a[i, j] wird der höchste gewählt, die Similarity der zwei Präfixe. Danach wird mithilfe eines oder mehrerer Pfeile in der Matrix markiert, welche der drei Berechnungen, und somit vorangehenden Alignments, zu diesem Score geführt hat/haben Traceback Als letztes wird mithilfe der Matrix das Alignment erstellt (Traceback). Der Score des globalen Alignments ist a[n, m]. Somit werden ausgehend von diesem Eintrag, die Pfeile bis zu Eintrag a[0, 0] verfolgt. Jeder Pfeil entspricht einer Spalte des Alignments, beginnend am Ende. Ist er senkrecht, bezeichnet er eine Spalte mit einem Gap in t, ist er diagonal entspricht er zwei Buchstaben und ist er waagrecht, bezeichnet er eine Spalte mit einem Gap in s. Das optimale Alignment ist nicht eindeutig, da es mehrere Möglichkeiten für das Traceback geben kann, wenn einen Eintrag mehrere Pfeile verlassen. 3.3 Aufwand Der Platzbedarf des Algorithmus beträgt O n m und die Laufzeit zur Berechnung der Matrix ebenfalls O n m. Dies entspricht der Größe der Matrix, die n m Einträge hat, wobei jeder dieser Einträge in konstanter Zeit berechnet werden kann. Sind beide Sequenzen gleich lang, dann erhält man eine Laufzeit von O n n =O n², also eine quadratische. Das Traceback kann in O n+m Zeit durchgeführt werden, da (n + m) der Größe des erhaltenen Alignments entspricht.

4 4 Katharina Hembach 4 Lokales Alignment 4.1 Algorithmus Der Algorithmus, der das lokale Alignment zweier Sequenzen s und t berechnet, ist eine Abwandlung des Grundalgorithmus. Die Zwischenergebnisse werden ebenfalls in einer (m+1) (n+1)-matrix gespeichert. Ein Eintrag a[i, j] enthält die Similarity eines Alignments zwischen zwei Suffixen aus s[1..i] und t[1..j]. Da ein Suffix eines Präfixes ein Teilwort ist, Initialisierung Die Matrix wird mit 0 initialisiert, das heißt a[i, 0] = 0 und a[1, j] = 0, mit 1 und 1, weil es das Alignment der leeren Suffixe gibt, dessen Score 0 ist Berechnung der übrigen Einträge Es werden ähnlich wie in alle Einträge a[i, j] mit folgender Formel berechnet:, 1 + 1, 1 +,, = 1, + 0 Im Unterschied zu sind zwar (I), (II), und (III) gleich, allerdings werden dabei keine Präfixe, sondern Suffixe betrachtet. Aus diesem Grund gibt es die vierte Möglichkeit (IV), die im Falle der zwei leeren Suffixe deren Alignment-Score, nämlich 0, liefert. Da für jeden Eintrag das Maximum aus (I), (II), (III) und (IV) gewählt wird, ist a[i, j] Traceback Um das Traceback zu beginnen, wird der höchste Eintrag der Matrix gesucht, da jeder Eintrag die Similarity zweier Suffixe von Präfixen, und somit zweier Teilwörter, enthält. Der maximale Eintrag entspricht folglich der Similarity des lokalen Alignments. Gibt es mehrere Einträge mit dem gleichen Wert, dann wird ein beliebiger ausgewählt. Ausgehend von ihm werden die Pfeile verfolgt und die Spalten des Alignments notiert, bis man auf einen Eintrag mit dem Wert 0 stößt. 5 Semiglobales Alignment Wie schon erwähnt, werden bei einem semiglobalen Alignment mögliche Gaps am Anfang und Ende der Sequenzen beim Scoring nicht mitgezählt. Dies kann gewollt sein, wenn die zwei Sequenzen sehr unterschiedlich lang sind. Ein globales Alignment würde eventuell die kürzere Sequenz sehr stark durch einzelne kurze Gaps unterteilen um sie mit der langen am besten alignieren zu können. Sucht man jedoch nach einer Region der längeren Sequenz, die mit der kürzeren größtenteils übereinstimmt, dann führen die vielen Gaps dazu, dass man nicht das gewünschte Ergebnis erhält. Will man deshalb Gaps am Anfang der Sequenzen nicht bewerten, dann initialisiert man die Matrix mit 0, das heißt alle Einträge der ersten Zeile und Spalte bekommen den Wert 0. Alternativ kann man auch nur ein Gap in s nicht mitzählen, dann wird die erste Spalte mit 0 initialisiert oder man kann ein Gap in t nicht werten und

5 5 Algorithmen für paarweise Sequenz-Alignments initialisiert die erste Zeile mit 0. Alle weiteren Einträge werden wie im Grundalgorithmus (3.2.2) berechnet. Sollen außerdem Gaps am Ende der Sequenz s nicht bewertet werden, dann sucht man das beste Alignment zwischen s und einem Präfix von t, das heißt man wählt den größten Wert in der letzten Zeile von s als Startpunkt für das Traceback:, =,. Analog dazu ist der Fall, der nicht gewerteten Gaps in t:, =,, das heißt, man sucht den maximalen Wert in der letzten Spalte von t. Diese letzten zwei Fälle kann man auch kombinieren, indem man in der letzten Zeile und Spalte nach dem größten Eintrag sucht und diesen als den Ausganspunkt des Tracebacks nimmt. Dadurch wird aus beiden Möglichkeiten, Gap am Ende in s oder t, das Alignment mit dem größten Score ausgewählt. Das Traceback wird vom jeweiligen Start bis zum Eintrag a[0, 0] durchgeführt. Man erhält dadurch ein Alignment das aus einer der Sequenzen und einem Präfix der anderen besteht. Die fehlenden Zeichen der zweiten Sequenz werden mit den nichtbewerteten Gaps der ersten Sequenz gepaart und am Ende des Alignments angefügt. 6 Erweiterungen des Grundalgorithmus Im Folgenden wird des Grundalgorithmus auf verschiedene Arten abgewandelt und verbessert. 6.1 Vergleich zweier ähnlicher Sequenzen Gegeben sind zwei gleichlange ähnliche Sequenzen, deren globales Alignment bestimmt werden soll. Ähnlich bedeutet in diesem Fall, dass der Score des Alignments der Sequenzen fast so hoch ist wie der zweier identischer Sequenzen. Zur Berechnung des Alignments wird eine quadratische n n-matrix verwendet. Die Diagonale von a[0, 0] bis a[n, n] entspricht einem Alignment ohne Gaps. Werden Gaps eingefügt, dann immer als Paar, das heißt in beiden Sequenzen wird jeweils ein Gap eingefügt, da die Sequenzen gleich lang sind und das Ende des Alignments immer in a[n, n] liegt. Durch das erste Gap eines Gap-Paares in einer der Sequenzen wird das Alignment entweder von der Diagonale weg und durch das zweite Gap in der anderen Sequenz wieder zu ihr zurück versetzt, oder das erste Gap versetzt das Alignment in Richtung Diagonale und das zweite wieder von ihr weg. Daraus folgt, dass die Anzahl der Gap-Paare größer oder gleich dem Abstand des Alignments von der Diagonale ist. Sind die zwei Sequenzen sehr ähnlich, dann ist das beste Alignment nahe der Diagonale und für die Berechnung des optimalen Scores reicht deshalb ein schmaler Bereich um die Diagonale statt der ganzen Matrix. Der Algorithmus berechnet ein Band der Breite 2k+1 um die Diagonale, wobei k eine beliebig gewählte kleine natürliche Zahl ist. Bei der Berechnung der Einträge muss

6 6 Katharina Hembach zusätzlich geprüft werden, ob a[i, j-1] und a[i-1, j] innerhalb des Bandes liegen, das heißt i j k, wenn nicht stehen sie nicht zur Verfügung. Der Eintrag a[n, n] enthält folglich den besten Score eines vom Band begrenzten Alignments. Die Laufzeit reduziert sich von O(n²) auf O(k n). Zuletzt wird noch überprüft, ob a n,n M n k k+1 g, M ist der Score für ein Match und g die Gapstrafe, also ob a[n, n] größer oder gleich dem besten Score eines Alignments mit (k+1) Gap-Paaren und n-(k+1) Übereinstimmungen ist. Ist dies der Fall wurden mit O(kn) Schritten das optimale Alignment gefunden, wenn nicht, wird k verdoppelt und das Band erneut berechnet, da es ein besseres Alignment mit mehr Gaps gibt. Je höher sim(s, t) ist, desto geringer ist folglich die Laufzeit. 6.2 Gapstrafe-Funktionen Betrachtet man ein Alignment in biologischer Hinsicht, dann ist ein Gap mit k Lücken (ein Mutationsereignis) wahrscheinlicher als das von k einzelnen (k Mutationsereignissen). Will man unter Berücksichtigung dieses Aspekts ein Alignment erstellen, dann kann man dies mit einer linearen Gapstrafe-Funktion ( =, = ) machen, wie im Grundalgorithmus unterscheidet diese nicht zwischen langen oder einzelnen Gaps, aber der angewandte Algorithmus schon. Ein anderer Algorithmus verwendet eine affine Gapstrafe-Funktion ( = + ), die die biologische Annahme modelliert: die erste Lücke eines Gaps kostet + und jede weitere nur noch c. Beide Algorithmen benötigen 3 Matrizen, der mit affinen Funktionen hat allerdings eine Laufzeit von O(n²) im Gegensatz zu O(n³) bei linearen Funktionen. 7 Zusammenfassung Es wurde gezeigt, dass der Grundalgorithmus für globale Alignments, der die Idee der dynamischen Programmierung umsetzt, auch für viele andere Arten von Alignments verwendet werden kann. Für die lokalen Alignments werden die erste Zeile und Spalte der Matrix mit 0 initialisiert und bei der Berechnung der Einträge eine vierte Möglichkeit eingeführt. Bei den semiglobalen Alignments werden entsprechend den Wünschen des Anwenders die Initialisierung und/oder der Ausganspunkt des Tracebacks geändert. Desweiteren kann man beim Vergleich zweier gleichlanger Sequenzen die Laufzeit von quadratisch auf linear verkürzen und wenn man ein Alignment mit speziellen biologischen Annahmen bezüglich der Gap-Längen sucht, dann kann dies mithilfe von affinen Funktionen sogar in der Laufzeit des Grundalgorithmus, O(n²), geschehen. 8 Literatur [1] Marketa Zvelebil und Jeremy O. Baum: Understanding Bioinformatics, Garland Science, 2007, S. 127f. [2] J. Setubal, J. Meidanis: Introduction to Computational Molecular Biology, PWS, 1997; Abschnitte 3.1, 3.2, 3.3

Algorithmische Anwendungen WS 2005/2006

Algorithmische Anwendungen WS 2005/2006 Algorithmische Anwendungen WS 2005/2006 Sequenzalignment Gruppe F_lila_Ala0506 Allal Kharaz Yassine ELassad Inhaltsverzeichnis 1 Problemstellungen...................................... 3 1.1 Rechtschreibkorrektur...............................

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 Paarweises

Mehr

Bioinformatik. Lokale Alignierung Gapkosten. Silke Trißl / Ulf Leser Wissensmanagement in der. Bioinformatik

Bioinformatik. Lokale Alignierung Gapkosten. Silke Trißl / Ulf Leser Wissensmanagement in der. Bioinformatik Bioinformatik Lokale Alignierung Gapkosten Silke Trißl / Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Ähnlichkeit Lokales und globales Alignment Gapped Alignment Silke Trißl:

Mehr

Studiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel

Studiengang Informatik der FH Gießen-Friedberg. Sequenz-Alignment. Jan Schäfer. WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Studiengang Informatik der FH Gießen-Friedberg Sequenz-Alignment Jan Schäfer WS 2006/07 Betreuer: Prof. Dr. Klaus Quibeldey-Cirkel Überblick Einführung Grundlagen Wann ist das Merkmal der Ähnlichkeit erfüllt?

Mehr

Homologie und Sequenzähnlichkeit. Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de

Homologie und Sequenzähnlichkeit. Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de Homologie und Sequenzähnlichkeit Prof. Dr. Antje Krause FH Bingen 06721 / 409 253 akrause@fh-bingen.de Homologie Verwandtschaft aufgrund gleicher Abstammung basiert auf Speziation (Artbildung): aus einer

Mehr

Algorithmische Bioinformatik

Algorithmische Bioinformatik Algorithmische Bioinformatik Effiziente Berechnung des Editabstands Dynamische Programmierung Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Rekursive Definition des Editabstands

Mehr

Alignment-Verfahren zum Vergleich biologischer Sequenzen

Alignment-Verfahren zum Vergleich biologischer Sequenzen zum Vergleich biologischer Sequenzen Hans-Joachim Böckenhauer Dennis Komm Volkshochschule Zürich. April Ein biologisches Problem Fragestellung Finde eine Methode zum Vergleich von DNA-Molekülen oder Proteinen

Mehr

4.9.7 Konstruktion der Suffixbäume

4.9.7 Konstruktion der Suffixbäume .9.7 Konstruktion der Suffixbäume Beipiel: xabxa (siehe Abbildung.27) Man beginnt mit der Konstruktion eines Suffixbaumes für gesamten String und schreibt eine 1 am Blatt, weil der Suffix xabxa an der

Mehr

1 Matrizenrechnung zweiter Teil

1 Matrizenrechnung zweiter Teil MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten

Mehr

Kapitel 7: Sequenzen- Alignierung in der Bioinformatik

Kapitel 7: Sequenzen- Alignierung in der Bioinformatik Kapitel 7: Sequenzen- Alignierung in der Bioinformatik VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS11 19. VO 14. Juni 2007 1 Literatur für diese VO Volker

Mehr

Genome Rearrangements

Genome Rearrangements Schriftliche Ausarbeitung zum Vortrag über Genome Rearrangements im Proseminar Bioinformatik (Sommersemester 2011) Verfasser: Christof Schramm Betreuer: Prof. Heun 1 Biologischer Hintergrund Ein wichtiges

Mehr

Threading - Algorithmen

Threading - Algorithmen Threading - Algorithmen Florian Lindemann 22.11.2007 Florian Lindemann () Threading - Algorithmen 22.11.2007 1 / 25 Gliederung 1 Prospect Scoring Function Algorithmus Weitere Eigenschaften Komplexität

Mehr

Sequenzen-Alignierung in der Bioinformatik

Sequenzen-Alignierung in der Bioinformatik Sequenzen-Alignierung in der Bioinformatik VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS 2. VO 2.0.2006 Literatur für diese VO Volker Heun: Skriptum zur Vorlesung

Mehr

1 Zahlentheorie. 1.1 Kongruenzen

1 Zahlentheorie. 1.1 Kongruenzen 3 Zahlentheorie. Kongruenzen Der letzte Abschnitt zeigte, daß es sinnvoll ist, mit großen Zahlen möglichst einfach rechnen zu können. Oft kommt es nicht darauf, an eine Zahl im Detail zu kennen, sondern

Mehr

2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung

2. Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 2 Woche: Eindeutige Entschlüsselbarleit, Sätze von Kraft und McMillan, Huffmancodierung 24/ 44 Zwei Beispiele a 0

Mehr

Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren

Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren Kommentiertes Beispiel für das Gaußsche Eliminationsverfahren oder: Wie rechnet eigentlich der TI 84, wenn lineare Gleichungssysteme gelöst werden? Hier wird an einem Beispiel das Gaußsche Verfahren zum

Mehr

Kapitel 1. Exakte Suche nach einem Wort. R. Stiebe: Textalgorithmen, WS 2003/04 11

Kapitel 1. Exakte Suche nach einem Wort. R. Stiebe: Textalgorithmen, WS 2003/04 11 Kapitel 1 Exakte Suche nach einem Wort R. Stiebe: Textalgorithmen, WS 2003/04 11 Überblick Aufgabenstellung Gegeben: Text T Σ, Suchwort Σ mit T = n, = m, Σ = σ Gesucht: alle Vorkommen von in T Es gibt

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

Der Gaußsche Algorithmus

Der Gaußsche Algorithmus Der Gaußsche Algorithmus Der Gaußsche Algorithmus beinhaltet das Vertauschen der Zeilen der erweiterten Koeffizientenmatrix (A, b) und das Additionsverfahren. Ziel ist es, möglichst viele Nullen unterhalb

Mehr

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de

Mehr

Randomisierte Algorithmen 2. Erste Beispiele

Randomisierte Algorithmen 2. Erste Beispiele Randomisierte Algorithmen Randomisierte Algorithmen 2. Erste Beispiele Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 35 Randomisierter Identitätstest

Mehr

A2.3 Lineare Gleichungssysteme

A2.3 Lineare Gleichungssysteme A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen

Mehr

Evolutionäre Bäume. Madox Sesen. 30. Juni 2014

Evolutionäre Bäume. Madox Sesen. 30. Juni 2014 Evolutionäre Bäume Madox Sesen 30. Juni 2014 1 Einleitung Phylogenetische Bäume sind ein wichtiges Darstellungsmittel der Evolutionsforschung. Durch sie werden Verwandtschaftsbeziehungen zwischen Spezies

Mehr

Corinne Schenka Vorkurs Mathematik WiSe 2012/13

Corinne Schenka Vorkurs Mathematik WiSe 2012/13 4. Lineare Gleichungssysteme Ein lineares Gleichungssystem ist ein System aus Gleichungen mit Unbekannten, die nur linear vorkommen. Dieses kann abkürzend auch in Matrizenschreibweise 1 notiert werden:

Mehr

3. Übungsblatt zur Lineare Algebra I für Physiker

3. Übungsblatt zur Lineare Algebra I für Physiker Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte

Mehr

3 Matrizenrechnung. 3. November

3 Matrizenrechnung. 3. November 3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige

Mehr

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen

3 Elementare Umformung von linearen Gleichungssystemen und Matrizen 3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange

Mehr

8.2 Invertierbare Matrizen

8.2 Invertierbare Matrizen 38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Serie 10: Inverse Matrix und Determinante

Serie 10: Inverse Matrix und Determinante D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die

Mehr

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR

bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass

Mehr

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck

Algorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach

Mehr

Algorithmen und Datenstrukturen in der Bioinformatik Viertes Übungsblatt WS 05/06 Musterlösung

Algorithmen und Datenstrukturen in der Bioinformatik Viertes Übungsblatt WS 05/06 Musterlösung Konstantin Clemens Johanna Ploog Freie Universität Berlin Institut für Mathematik II Arbeitsgruppe für Mathematik in den Lebenswissenschaften Algorithmen und Datenstrukturen in der Bioinformatik Viertes

Mehr

Einführung in die Bioinformatik Algorithmen zur Sequenzanalyse

Einführung in die Bioinformatik Algorithmen zur Sequenzanalyse Einführung in die Bioinformatik Algorithmen zur Sequenzanalyse!! Vorläufige Fassung, nur einzelne Abschnitte!!!! Enthält wahrscheinlich noch viele Fehler!!!! Wird regelmäßig erweitert und verbessert!!

Mehr

6 Lineare Gleichungssysteme

6 Lineare Gleichungssysteme 6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α

Mehr

SQL. SQL SELECT Anweisung SQL-SELECT SQL-SELECT

SQL. SQL SELECT Anweisung SQL-SELECT SQL-SELECT SQL SQL SELECT Anweisung Mit der SQL SELECT-Anweisung werden Datenwerte aus einer oder mehreren Tabellen einer Datenbank ausgewählt. Das Ergebnis der Auswahl ist erneut eine Tabelle, die sich dynamisch

Mehr

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)

In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1) 34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)

Mehr

Masterarbeit. Variantentolerantes Readmapping durch Locality Sensitive Hashing. Jens Quedenfeld November Gutachter: Sven Rahmann Dominik Köppl

Masterarbeit. Variantentolerantes Readmapping durch Locality Sensitive Hashing. Jens Quedenfeld November Gutachter: Sven Rahmann Dominik Köppl Masterarbeit Variantentolerantes Readmapping durch Locality Sensitive Hashing Jens Quedenfeld November 2015 Gutachter: Sven Rahmann Dominik Köppl Technische Universität Dortmund Fakultät für Informatik

Mehr

9.2 Invertierbare Matrizen

9.2 Invertierbare Matrizen 34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen

Mehr

Ausarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme

Ausarbeitung zum Modulabschluss. Graphentheorie. spannende Bäume, bewertete Graphen, optimale Bäume, Verbindungsprobleme Universität Hamburg Fachbereich Mathematik Seminar: Proseminar Graphentheorie Dozentin: Haibo Ruan Sommersemester 2011 Ausarbeitung zum Modulabschluss Graphentheorie spannende Bäume, bewertete Graphen,

Mehr

Lineare Gleichungssysteme (Teschl/Teschl 11.1)

Lineare Gleichungssysteme (Teschl/Teschl 11.1) Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...

Mehr

Grundlagen der Theoretischen Informatik Musterlösungen zu ausgewählten Übungsaufgaben

Grundlagen der Theoretischen Informatik Musterlösungen zu ausgewählten Übungsaufgaben Dieses Dokument soll mehr dazu dienen, Beispiele für die formal korrekt mathematische Bearbeitung von Aufgaben zu liefern, als konkrete Hinweise auf typische Klausuraufgaben zu liefern. Die hier gezeigten

Mehr

Mathematik Matrizenrechnung

Mathematik Matrizenrechnung Mathematik Matrizenrechnung Einstufige Prozesse Rechenregeln für Matrizen Mehrstufige Prozesse Inverse Matrix Stochastische Prozesse 6 Zyklisches Verhalten Einstufige Prozesse Einstufige Prozesse Zur Beschreibung

Mehr

Lineare (Un-)Gleichungen und lineare Optimierung

Lineare (Un-)Gleichungen und lineare Optimierung Lineare (Un-)Gleichungen und lineare Optimierung Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung In der linearen

Mehr

Praktikum Algorithmen-Entwurf (Teil 7)

Praktikum Algorithmen-Entwurf (Teil 7) Praktikum Algorithmen-Entwurf (Teil 7) 28.11.2005 1 1 Vier gewinnt Die Spielregeln von Vier Gewinnt sind sehr einfach: Das Spielfeld besteht aus 7 Spalten und 6 Reihen. Jeder Spieler erhält zu Beginn des

Mehr

Datenstrukturen & Algorithmen

Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Dynamische Programmierung Einführung Ablaufkoordination von Montagebändern Längste gemeinsame Teilsequenz Optimale

Mehr

von Zahlenfolgen, die bei Gebietsteilungsproblemen

von Zahlenfolgen, die bei Gebietsteilungsproblemen Zahlenfolgen bei Gebietsteilungsproblemen Karin Halupczok Oktober 005 Zusammenfassung Gesucht sind rekursive und explizite Bildungsgesetze von Zahlenfolgen, die bei Gebietsteilungsproblemen auftauchen:

Mehr

1. Beispiel 1, die Tabelle Daten 1

1. Beispiel 1, die Tabelle Daten 1 Nachdem ich im letzten Newsletter einige Funktionen vorgestellt habe, biete ich im Newsletter vom März praktische Anwendungsbeispiele dazu an. Im ersten Beispiel in der Tabelle Daten1 geht es darum, gezielt

Mehr

13 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang

13 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 13 (2-4)-Bäume (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 2. Die Ordnung (maximale Anzahl der Söhne eines Knotens) ist gleich 4 3. Innere Knoten haben 2 Söhne

Mehr

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $

$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $ Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium Mathematik II, M Lösungen Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +

Mehr

Mathematik II Frühjahrssemester 2013

Mathematik II Frühjahrssemester 2013 Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Poelchau-Oberschule Berlin A. Mentzendorff September 2007 Lineare Gleichungssysteme Inhaltsverzeichnis 1 Grundlagen 2 2 Das Lösungsverfahren von Gauß 4 3 Kurzschreibweise und Zeilensummenkontrolle 6 4

Mehr

Copyright, Page 1 of 5 Die Determinante

Copyright, Page 1 of 5 Die Determinante wwwmathematik-netzde Copyright, Page 1 of 5 Die Determinante Determinanten sind ein äußerst wichtiges Instrument zur Untersuchung von Matrizen und linearen Abbildungen Außerhalb der linearen Algebra ist

Mehr

Mathematik IT 2 (Lineare Algebra)

Mathematik IT 2 (Lineare Algebra) Lehrstuhl Mathematik, insbesondere Numerische und Angewandte Mathematik Prof Dr L Cromme Mathematik IT (Lineare Algebra für die Studiengänge Informatik, IMT und ebusiness im Sommersemester 3 Lineare Gleichungssysteme

Mehr

Zusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren

Zusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier

Mehr

Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen

Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen 27. bis 29. Oktober 2010 (1) Lösung von Aufgabe (1) : ad (a) : Die Aussage 2n + 1 < 2 n wird durch Induktion über n für alle n gezeigt.

Mehr

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11

Mathematik für Wirtschaftswissenschaftler, WS 10/11 Musterlösungen zu Aufgabenblatt 11 Mathematik für Wirtschaftswissenschaftler, WS / Musterlösungen zu Aufgabenblatt Aufgabe 76: Bestimmen Sie mittels Gauß-Elimination die allgemeine Lösung der folgenden linearen Gleichungssysteme Ax b: a)

Mehr

7. Sortieren Lernziele. 7. Sortieren

7. Sortieren Lernziele. 7. Sortieren 7. Sortieren Lernziele 7. Sortieren Lernziele: Die wichtigsten Sortierverfahren kennen und einsetzen können, Aufwand und weitere Eigenschaften der Sortierverfahren kennen, das Problemlösungsparadigma Teile-und-herrsche

Mehr

9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T

9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T 9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon

Mehr

Lösen von Gleichungen mittels Ungleichungen

Lösen von Gleichungen mittels Ungleichungen Lösen von Gleichungen mittels Ungleichungen. März 00 Die Aufgaben sind mit Schwierigkeitsstufen leicht, mittel, schwer markiert. Aufgabe (leicht) Ermittle alle nichtnegativen reellen Zahlen a, b, c, für

Mehr

Primärstruktur. Wintersemester 2011/12. Peter Güntert

Primärstruktur. Wintersemester 2011/12. Peter Güntert Primärstruktur Wintersemester 2011/12 Peter Güntert Primärstruktur Beziehung Sequenz Struktur Proteinsequenzen, Sequenzdatenbanken Sequenzvergleich (sequence alignment) Sequenzidentität, Sequenzhomologie

Mehr

Online-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01

Online-Algorithmen. Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Online-Algorithmen Proseminar von Prof. Dr. Rolf Klein, Dr. Elmar Langetepe, Dipl. Inform. Thomas Kamphans im Wintersemester 00/01 Vortrag Bin Packing von Thilo Geertzen 25. Oktober 2000 Online Algorithmen

Mehr

12 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang

12 (2-4)-Bäume Implementierbare Funktionen. (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 12 (2-4)-Bäume (2-4)-Bäume sind durch folgende Eigenschaften deniert: 1. Alle Äste sind gleich lang 2. Die Ordnung (maximale Anzahl der Söhne eines Knotens) ist gleich 4 3. Innere Knoten haben 2 Söhne

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 11. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Das Rucksack-Problem Ein Dieb, der einen Safe

Mehr

Basistext Geraden und Ebenen

Basistext Geraden und Ebenen Basistext Geraden und Ebenen Parameterdarstellung Geraden Eine Gerade ist durch zwei Punkte P und Q, die auf der Geraden liegen, eindeutig festgelegt. Man benötigt zur Darstellung den Vektor. Dieser wird

Mehr

Sequenzen-Alignierung in der Bioinformatik

Sequenzen-Alignierung in der Bioinformatik Sequenzen-Alignierung in der Bioinformatik VO Algorithm Engineering Professor Dr. Petra Mutzel Lehrstuhl für Algorithm Engineering, LS 22. VO 23..26 Literatur für diese VO Volker Heun: Skriptum zur Vorlesung

Mehr

Lineare Algebra II 12. Übungsblatt

Lineare Algebra II 12. Übungsblatt Lineare Algebra II 12. Übungsblatt Fachbereich Mathematik SS 2011 Prof. Dr. Kollross 13. / 14. Juli 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Probeklausur) Sprechen Sie über die Probeklausur

Mehr

15. Elementare Graphalgorithmen

15. Elementare Graphalgorithmen Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen

Mehr

Counting - Sort [ [ ] [ [ ] 1. SS 2008 Datenstrukturen und Algorithmen Sortieren in linearer Zeit

Counting - Sort [ [ ] [ [ ] 1. SS 2008 Datenstrukturen und Algorithmen Sortieren in linearer Zeit Counting-Sort Counting - Sort ( A,B,k ). for i to k. do C[ i]. for j to length[ A]. do C[ A[ j ] C[ A[ j ] +. > C[ i] enthält Anzahl der Elemente in 6. for i to k. do C[ i] C[ i] + C[ i ]. > C[ i] enthält

Mehr

Triangulierung von einfachen Polygonen

Triangulierung von einfachen Polygonen Triangulierung von einfachen Polygonen Tobias Kyrion Inhaltsverzeichnis 1.1 Die Problemstellung....................... 1 2.1 Ein naiver Algorithmus...................... 2 3.1 Zerlegung in monotone Teilpolygone..............

Mehr

3.4 Der Gaußsche Algorithmus

3.4 Der Gaußsche Algorithmus 94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,

Mehr

Übungen zur Linearen Algebra, Kap. 1 bis Kap. 3

Übungen zur Linearen Algebra, Kap. 1 bis Kap. 3 Übungen zur Linearen Algebra, Kap. bis Kap. 3. Gegeben seien die beiden Matrizen Berechnen Sie Lösungen zu Übung 6 3 4, B = ( 3 5 4 A B, B A, (A B, (B A Dies ist fast eine reine Rechenaufgabe. Wir wollen

Mehr

16. All Pairs Shortest Path (ASPS)

16. All Pairs Shortest Path (ASPS) . All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e

Mehr

Dynamische Geometrie

Dynamische Geometrie Dynamische Geometrie 1) Die Mittelsenkrechten, die Seitenhalbierenden, die Höhen und die Winkelhalbierenden eines beliebigen Dreiecks schneiden sich jeweils in einem Punkt. a) Untersuchen Sie die Lage

Mehr

Beispiellösung zu den Übungen Datenstrukturen und Algorithmen SS 2008 Blatt 5

Beispiellösung zu den Übungen Datenstrukturen und Algorithmen SS 2008 Blatt 5 Robert Elsässer Paderborn, den 15. Mai 2008 u.v.a. Beispiellösung zu den Übungen Datenstrukturen und Algorithmen SS 2008 Blatt 5 AUFGABE 1 (6 Punkte): Nehmen wir an, Anfang bezeichne in einer normalen

Mehr

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de

Datenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der

Mehr

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya

Inverse Matrix. 1-E Ma 1 Lubov Vassilevskaya Inverse Matrix -E Ma Lubov Vassilevskaya Inverse Matrix Eine n-reihige, quadratische Matrix heißt regulär, wenn ihre Determinante einen von Null verschiedenen Wert besitzt. Anderenfalls heißt sie singulär.

Mehr

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.

Lineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D. Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion

Mehr

Formale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016

Formale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016 Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2015/2016 Teil 3: Kodierung 1 Motivation 2 Exkurs Grundlagen formaler Sprachen 3 Grundlagen 4 Beispielkodierungen FM2 (WS 2014/15,

Mehr

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2

Lineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2 Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der

Mehr

MOL.504 Analyse von DNA- und Proteinsequenzen. Modul 2 BLAST-Sequenzsuche und Sequenzvergleiche

MOL.504 Analyse von DNA- und Proteinsequenzen. Modul 2 BLAST-Sequenzsuche und Sequenzvergleiche MOL.504 Analyse von DNA- und Proteinsequenzen Modul 2 BLAST-Sequenzsuche und Sequenzvergleiche Summary Modul 1 - Datenbanken Wo finde ich die DNA Sequenz meines Zielgens? Wie erhalte ich Info aus der DNA-Datenbank

Mehr

Orthonormalbasis. Orthogonalentwicklung

Orthonormalbasis. Orthogonalentwicklung Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht

Mehr

Lineare Gleichungssysteme und Matrizen

Lineare Gleichungssysteme und Matrizen Kapitel 11 Lineare Gleichungssysteme und Matrizen Ein lineares Gleichungssystem (lgs) mit m linearen Gleichungen in den n Unbekannten x 1, x 2,..., x n hat die Gestalt: Mit a 11 x 1 + a 12 x 2 + a 13 x

Mehr

Der Kern einer Matrix

Der Kern einer Matrix Die elementaren Zeilenoperationen p. 1 Der Kern einer Matrix Multipliziert man eine Matrix mit den Spaltenvektoren s 1,..., s m von rechts mit einem Spaltenvektor v := (λ 1,..., λ m ) T, dann ist das Ergebnis

Mehr

5 Zwei spieltheoretische Aspekte

5 Zwei spieltheoretische Aspekte 5 Zwei spieltheoretische Aspekte In diesem Kapitel wollen wir uns mit dem algorithmischen Problem beschäftigen, sogenannte Und-Oder-Bäume (kurz UOB) auszuwerten. Sie sind ein Spezialfall von Spielbäumen,

Mehr

Tag der Mathematik 2016

Tag der Mathematik 2016 Tag der Mathematik 016 Mathematischer Wettbewerb, Klassenstufe 9 10 30. April 016, 9.00 1.00 Uhr Aufgabe 1 Der Mittelwert von 016 (nicht unbedingt verschiedenen) natürlichen Zahlen zwischen 1 und 0 16

Mehr

Thema: Excel-Grundlagen

Thema: Excel-Grundlagen Editieren von Zelleninhalten Die Eingabezeile Unmittelbar oberhalb des Tabellen-Arbeitsbereichs befindet sich eine Zeile, die im linken Feld die Adresse der momentan selektierten Zelle anzeigt und rechts

Mehr

Gliederung. Algorithmen und Datenstrukturen II. Problem: Längste gemeinsame Teilsequenz. Problem: Längste gemeinsame Teilsequenz

Gliederung. Algorithmen und Datenstrukturen II. Problem: Längste gemeinsame Teilsequenz. Problem: Längste gemeinsame Teilsequenz Gliederung Algorithmen und Datenstrukturen II Algorithmen zur Textverarbeitung II D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg

Mehr

Algorithmen und Datenstrukturen VO 3.0 Vorlesungsprüfung 19. Oktober 2007

Algorithmen und Datenstrukturen VO 3.0 Vorlesungsprüfung 19. Oktober 2007 Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen Algorithmen und Datenstrukturen 1 186.089 VO 3.0 Vorlesungsprüfung 19. Oktober

Mehr

WS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1)

WS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1) WS 2016/17 Diskrete Strukturen Kapitel 3: Kombinatorik (1) 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

Kapitel 2: Analyse der Laufzeit von Algorithmen Gliederung

Kapitel 2: Analyse der Laufzeit von Algorithmen Gliederung Gliederung 1. Motivation / Einordnung / Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs

Mehr

Gierige Algorithmen Interval Scheduling

Gierige Algorithmen Interval Scheduling Gierige Algorithmen Interval Scheduling IntervalScheduling(s,f). n length[s] 2. A {} 3. j 4. for i 2 to n do 5. if s[i] f[j] then 6. A A {i} 7. j i 8. return A Gierige Algorithmen Interval Scheduling Beweisidee:

Mehr

Einige Gedanken zur Fibonacci Folge

Einige Gedanken zur Fibonacci Folge Einige Gedanken zur Fibonacci Folge Im Folgenden gehe ich auf einige Aspekte von Aufgabe 4 auf Übungsblatt, d.h. auf Aufgabe 4 auf Seiten und 3 des Buches Hahn-Dzewas: Mathematik, ein. Die Aufgabe hat

Mehr

Vorlesung Einführung in die Bioinformatik

Vorlesung Einführung in die Bioinformatik Vorlesung Einführung in die Bioinformatik Dr. Stephan Weise 04.04.2016 Einführung Gegeben: zwei Sequenzen Gesucht: Ähnlichkeit quantitativ erfassen Entsprechungen zwischen einzelnen Bausteinen beider Sequenzen

Mehr

Lösungen der Aufgaben zu Abschnitt 5.4

Lösungen der Aufgaben zu Abschnitt 5.4 A Filler: Elementare Lineare Algebra Lösungen zu Abschnitt 54 Lösungen der Aufgaben zu Abschnitt 54 B ist linear unabhängig, wenn die Vektorgleichung ( ) ( ) ( ) ( ) 456 λ + λ + λ = bzw das LGS λ +4λ +λ

Mehr

Lineare Algebra II 8. Übungsblatt

Lineare Algebra II 8. Übungsblatt Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

Technische Universität München Zentrum Mathematik. Übungsblatt 7 Technische Universität München Zentrum Mathematik Mathematik (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 7 Hausaufgaben Aufgabe 7. Für n N ist die Matrix-Exponentialfunktion

Mehr

Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990.

Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre 1990. Ein polynomieller Algorithmus für das N-Damen Problem 1 Einführung Der folgende Vortrag basiert auf dem Text A Polynomial Time Algorithm for the N-Queens Problem von Rok Sosic und Jun Gu aus dem Jahre

Mehr

36 2 Lineare Algebra

36 2 Lineare Algebra 6 Lineare Algebra Quadratische Matrizen a a n sei jetzt n m, A, a ij R, i, j,, n a n a nn Definition Eine quadratische Matrix A heißt invertierbar genau dann, wenn es eine quadratische Matrix B gibt, so

Mehr