Netzwerkanalyse II. Übersicht. VL Forschungsmethoden. 1 Rollen, Positionen, Cluster Strukturelle Äquivalenz Cluster Blockmodels. 2 Beispiele.

Größe: px
Ab Seite anzeigen:

Download "Netzwerkanalyse II. Übersicht. VL Forschungsmethoden. 1 Rollen, Positionen, Cluster Strukturelle Äquivalenz Cluster Blockmodels. 2 Beispiele."

Transkript

1 Netzwerkanalyse II VL Forschungsmethoden Rollen, Positionen, Übersicht 1 Rollen, Positionen, 2 3 VL Forschungsmethoden SNA II (1/15)

2 Rollen, Positionen, Worum geht es? Bisher: Eigenschaften einzelner Punkte bzw. des Netzwerkes Definiert über Muster der Kontakte Was fehlt: Typen von Positionen/Rollen strukturelle Äquivalenz VL Forschungsmethoden SNA II (2/15) Rollen, Positionen, Was ist Äquivalenz? Zwei Akteure (Knoten im Netzwerk) sind äquivalent Wenn sie im Netzwerk vergleichbare Positionen einnehmen, d. h. gegeneinander austauschbar sind Verschieden strikte Definitionen von Äquivalenz: 1 2 Automorphe Äquivalenz 3 Reguläre Äquivalenz VL Forschungsmethoden SNA II (3/15)

3 Rollen, Positionen, Was ist? Zwei Knoten mit identischen Beziehungen zu allen anderen Knoten klassen Äquivalenzklassen: {A}, {B}, {C}, {D}, {G} Quelle: Wasserman & Faust {E,F}, {H,I} VL Forschungsmethoden SNA II (4/15) Rollen, Positionen, Automorphe Äquivalenz Was ist automorphe Äquivalenz? Akteure in äquivalente lokale Strukturen eingebettet (Distanzen bleiben gleich, wenn alle Akteure (samt ihrer Nachbarn) innerhalb ihrer jeweiligen Äquivalenzklassen ausgetauscht werden) Klarer: Indegree, outdegree, Zentralität (alle Maße), alle Maßzahlen gleich Strukturelle Replikation Äquivalenzklassen: {A}, {C}, {G} Quelle: Wasserman & Faust VL Forschungsmethoden SNA II (5/15) {B,D}, {E,F,H,I}

4 Rollen, Positionen, Reguläre Äquivalenz Was ist reguläre Äquivalenz? Selbes Profil von ties mit Mitgliedern anderer regulärer Äquivalenzklassen Nicht notwendigerweise selbe Personen/selbe Zahl Entspricht intuitiv am ehesten Rolle/Position Äquivalenzklassen: {A}, {B,C,D} Quelle: Wasserman & Faust {E,F,G,H,I} VL Forschungsmethoden SNA II (6/15) Rollen, Positionen, Exakte vs. approximative Äquivalenz Reale Netzwerke sind messy Zwei Akteure sind nicht notwendigerweise strukturell, automorph oder regulär äquivalent Aber trotzdem ähnlich Kontinuierliche Maßzahlen für Grad der Äquivalenz Z. B. Prozentsatz der ties, die übereinstimmen VL Forschungsmethoden SNA II (7/15)

5 Rollen, Positionen, Beispiel gerichtetes Netzwerk aus Zwei instructors (i 1, i 2 ) Drei students (s 1, s 2, s 3 ) Wie mißt man Äquivalenz? i 1 i 2 i 1 i 2 s 1 s 2 s 3 i i s s s s 1 s 2 s 3 Perfekte Ähnlichkeit Spalten und Zeilen identisch Abstufungen Vielzahl von Maßen VL Forschungsmethoden SNA II (8/15) Maße für Ähnlichkeiten vs. Unähnlichkeiten (Distanzen) Pearsonsche Rollen, Positionen, Korrelation Prozentsatz gemeinsame Nachbarn Euklidische Distanzen (Wurzel aus der Summe der quadrierten Differenzen) etc. Was macht hierarchisches ing? Neue Matrix mit Distanzen (Unähnlichkeiten) zwischen den Knoten a = 2 Euklidische Distanzen Allgemeine Methode, um Gruppen von ähnlichen Fällen zu Benannt identifizieren nach Euklid Entfernungen Auf der Basis imvon normalen Ähnlichkeits-/Unähnlichkeitsmaßen Raum Distanz Hierarchisch = Quadratwurzel es werden ausimmer größere Gruppen von Fällen Summe gebildet der quadrierten Entfernungen in jeder Dimension b = 5 Verschiedene Algorithmen a 2 + b 2 Im Beispiel: acht Dimensionen = andere Knoten reflexive/wechselseitige Beziehungen (besonders berechnet) i 1 i 2 s 1 s 2 s 3 i 1 i 2 s 1 s 2 s 3 i 1 VL0Forschungsmethoden SNA II (9/15) i i 1 i 2 i i

6 Rollen, Positionen, Wie sieht ein Dendrogramm aus? Pajek - Ward [0.00,4.44] s1 s3 s2 i1 i2 ing findet die (uns bekannte) Unterscheidung zwischen Dozenten und Studierenden VL Forschungsmethoden SNA II (10/15) Rollen, Positionen, Worum geht es hier? Block : Kontingente Gruppe von Zellen in der Adjacency Matrix Hauptdiagonale ignorieren Wenn strukturelle Äquivalenz vorliegt Und Fälle in Klassen geordnet sind Sind Blöcke komplett oder leer i 1 i 2 s 1 s 2 s 3 i i s s s Fälle innerhalb eines Blocks können durch eine einzige Zelle ersetzt werden Image-Matrix VL Forschungsmethoden erfaßt Struktur des SNANetzwerkes II (11/15)

7 Rollen, Positionen, Co-Sponsorship im Kongreß Fowler 2006 Co-Sponsorhip Theoretische Bedeutung Operationalisierung Maß für Relevanz einzelner Abgeordneter Ergebnisse: Hohe Korrelation mit which members will pass more amendments on the floor, a measure that is commonly used as a proxy for legislative influence Validität VL Forschungsmethoden SNA II (12/15) Rollen, Positionen, Politische Kommunikation Huckfeldt 2007 Meinungsvielfalt im persönlichen Umfeld Wie bilden sich Bürger eine Meinung, und wie schätzen sie Meinung anderer ein? In homogenen Umfeldern: minimising (environmental priors) In heterogenen Umfeldern: dyadische Kommunikation VL Forschungsmethoden SNA II (13/15)

8 Rollen, Positionen, Policy/Kollektivgutprobleme Kollektivgutprobleme nicht nur Gefangenendilemma, sondern auch Kommunikations- und Koordinationsproblem (Sub)Netzwerke als Lösung? Kleine, dichte Netzwerke: Vertrauen Große, weniger dichte Netzwerke: Kommunikation und Partnersuche Letztere sind wichtiger Strength of weak ties (Granovetter 1973: 30132) VL Forschungsmethoden SNA II (14/15) Rollen, Positionen, Zusammenfassung SNA: Perspektive Beziehungen zwischen Akteuren manchmal wichtiger als deren Eigenschaften Beziehungsnetzwerk = strukturelle Eigenschaft des sozialen Systems Klassische Sozialwissenschaftliche Betrachtungsweise SNA: Verfahren Besondere Daten besondere Verfahren Ähnlich wie Regression (weitgehend) agnostisch gegenüber theoretischen Annahmen Grundlagen seit acht Jahrzehnten bekannt In jüngerer Zeit (ca. 25 Jahre extrem dynamische Entwicklung) VL Forschungsmethoden SNA II (15/15)

Einführung in die Netzwerkanalyse

Einführung in die Netzwerkanalyse Dorothea Jansen Einführung in die Netzwerkanalyse Grundlagen, Methoden, Forschungsbeispiele 3., überarbeitete Auflage in VS VERLAG FÜR SOZIALWISSENSCHAFTEN Inhalt Vorwort zur zweiten Auflage 9 Vorwort

Mehr

Soziale Netzwerke. Einführung Teil 1

Soziale Netzwerke. Einführung Teil 1 Soziale Netzwerke Einführung Teil 1 Soziale Netzwerke... verbinden beliebige soziale Objekte werden empirisch erhoben repräsentieren ein dynamisches System unterstützen die Interpretation beantworten Hypothesen

Mehr

Social Network Analysis als Instrument zur Bewertung von Beziehungskapital

Social Network Analysis als Instrument zur Bewertung von Beziehungskapital Social Network Analysis als Instrument zur Bewertung von Beziehungskapital Barbara Heller-Schuh Konferenz: 10 Jahre Wissensbilanzierung in Österreich Wien, 30. September 2008 Beziehungskapital in der Wissensbilanzierung

Mehr

Thema: Soziale Netzwerke. von. Sebastian Fahrentholz. Institut für Statistik Ludwig-Maximilians-Universität München

Thema: Soziale Netzwerke. von. Sebastian Fahrentholz. Institut für Statistik Ludwig-Maximilians-Universität München Thema: Soziale Netzwerke von Sebastian Fahrentholz Institut für Statistik Ludwig-Maximilians-Universität München Seminar: Statistische Herausforderungen sozialwissenschaftlicher Studien Betreuer: Julia

Mehr

Multivariate Verfahren

Multivariate Verfahren Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:

Mehr

Statistik II: Klassifikation und Segmentierung

Statistik II: Klassifikation und Segmentierung Medien Institut : Klassifikation und Segmentierung Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Faktorenanalyse 2. Clusteranalyse 3. Key Facts 2 I 14 Ziel

Mehr

Übung zur Vorlesung Theoretische Information. Minimierungsalgorithmus

Übung zur Vorlesung Theoretische Information. Minimierungsalgorithmus Übung zur Vorlesung Theoretische Information Minimierungsalgorithmus Folie Warum Automaten minimieren? Zwei endliche Automaten Automat q q Automat 2 q q Beide akzeptieren die selbe Sprache Welche? q 2

Mehr

Kapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie

Kapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel

Mehr

Algorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions

Algorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions Algorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions Dr. rer. nat. Bastian Katz 0. Juni 009 (Version vom. Juni 009) Von Kreisen, Kugeln und Bällen Definition In einem metrischen

Mehr

Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07

Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat

Mehr

Elemente von Sozialkapital - Netzwerke

Elemente von Sozialkapital - Netzwerke Seminar Sozialkapital Robert Neumann Institut für Soziologie Elemente von Sozialkapital - Netzwerke Magdalena Kostyra, Kristina Wiese, Sarah Lenk TU-Dresden, 05.Januar 2009 Gliederung 01 Definition Soziale

Mehr

Sudoku und andere reguläre Strukturen. Universitätsprofessor Dr. Hans-Dietrich Gronau Institut für Mathematik 28. Oktober 2008

Sudoku und andere reguläre Strukturen. Universitätsprofessor Dr. Hans-Dietrich Gronau Institut für Mathematik 28. Oktober 2008 Sudoku und andere reguläre Strukturen Universitätsprofessor Dr. Hans-Dietrich Gronau Institut für Mathematik 28. Oktober 2008 1 7 8 1 4 8 9 2 5 6 3 8 7 9 6 4 5 2 2 2 5 6 9 3 1 4 7 8 3 9 4 5 8 7 6 1 2 7

Mehr

4. Relationen. Beschreibung einer binären Relation

4. Relationen. Beschreibung einer binären Relation 4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B

Mehr

Die Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse

Die Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit

Mehr

SOZIALE NETZWERKANALYSE ALS METHODE DER REGIONALFORSCHUNG?

SOZIALE NETZWERKANALYSE ALS METHODE DER REGIONALFORSCHUNG? SOZIALE NETZWERKANALYSE ALS METHODE DER REGIONALFORSCHUNG? Kurzfassung Michael Vyborny Dieser Beitrag beschäftigt sich mit der Möglichkeit eines Einsatzes der sozialen Netzwerkanalyse (SNA) als Methode

Mehr

Terme und Gleichungen

Terme und Gleichungen Terme und Gleichungen Rainer Hauser November 00 Terme. Rekursive Definition der Terme Welche Objekte Terme genannt werden, wird rekursiv definiert. Die rekursive Definition legt zuerst als Basis fest,

Mehr

Clusteranalyse mit SPSS

Clusteranalyse mit SPSS Autor: Thomas Nirschl, Amt für Stadtforschung und Statistik, Stadt Nürnberg Clusteranalyse mit SPSS Das Statistikpaket SPSS (aktuell in der Version 17 vorliegend) stellt dem Anwender eine große Vielfalt

Mehr

Beziehungsmatrix. Jürgen Lerner

Beziehungsmatrix. Jürgen Lerner Beziehungsmatrix Jürgen Lerner Zusammenfassung Ausser durch Graphen lassen sich Netzwerke auch durch Matrizen repräsentieren. Zunächst einmal ist diese Art der Darstellung nicht ausdrucksstärker als die

Mehr

Korrespondenzanalyse

Korrespondenzanalyse Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung

Mehr

Defekte Demokratie oder keine?

Defekte Demokratie oder keine? Jörn Knobloch Defekte Demokratie oder keine? Das politische System Rußlands A441096 LIT Inhalt 1. Einleitung 1 Teill- Theoretische Konzepte und Vorgehensweise 2. Einführung in das Konzept der defekten

Mehr

Was ist eine Clusteranalyse, wann und wie wird sie angewendet?

Was ist eine Clusteranalyse, wann und wie wird sie angewendet? Autor: Dr. Ralf Gutfleisch, Stadt Frankfurt a. M., Bürgeramt, Statistik und Wahlen Was ist eine Clusteranalyse, wann und wie wird sie angewendet? Fragestellung Drei Fragen stehen im Vordergrund dieser

Mehr

2 ZAHLEN UND VARIABLE

2 ZAHLEN UND VARIABLE Zahlen und Variable 2 ZAHLEN UND VARIABLE 2.1 Grundlagen der Mengenlehre Unter einer Menge versteht man die Zusammenfassung von unterscheidbaren Objekten zu einem Ganzen. Diese Objekte bezeichnet man als

Mehr

Diskrete Strukturen Kapitel 2: Grundlagen (Relationen)

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

Mehr

Algorithmische Methoden der Netzwerkanalyse

Algorithmische Methoden der Netzwerkanalyse Algorithmische Methoden der Netzwerkanalyse Marco Gaertler 9. Dezember, 2008 1/ 15 Abstandszentralitäten 2/ 15 Distanzsummen auf Bäumen Lemma Sei T = (V, E) ein ungerichteter Baum und T s = (V S, E s )

Mehr

Euklidische Distanzmatrizen. Andrei Grecu

Euklidische Distanzmatrizen. Andrei Grecu Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer

Mehr

Statistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II

Statistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen

Mehr

Glossar (Fachbegriffe der Netzwerkanalyse)

Glossar (Fachbegriffe der Netzwerkanalyse) Glossar (Fachbegriffe der Netzwerkanalyse) Fachbegriffe der Netzwerkanalyse Der jeweils erläuterte Begriff erscheint fett; andere Begriffe, die ebenfalls im Glossar erläutert werden, erscheinen kursiv.

Mehr

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten

8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A

Mehr

4.3. Interdependenzen, Spieltheorie und agentenbasierte

4.3. Interdependenzen, Spieltheorie und agentenbasierte 4.3. Interdependenzen, Spieltheorie und agentenbasierte Simulation Interdependenz liegt vor, wenn A im Erreichen seiner Handlungsziele von B und B im Erreichen seiner Handlungsziele von A abhängig ist,

Mehr

Rang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya

Rang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man

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

Komplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz

Komplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz Ernst Moritz Arndt Universität Greifswald 24. 4. 29 Komplexe Netzwere Gradverteilung der Knoten, Salenfreiheit, Potenzgesetz Dr. Matthias Scholz www.networ-science.org/ss29.html 1 Begriffe und Definitionen

Mehr

Tests einzelner linearer Hypothesen I

Tests einzelner linearer Hypothesen I 4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen

Mehr

Datenstrukturen & Algorithmen

Datenstrukturen & Algorithmen Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen

Mehr

Zusammenhänge zwischen metrischen Merkmalen

Zusammenhänge zwischen metrischen Merkmalen Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl

Mehr

22. Netzwerke II. 4. Maschenstromanalyse 5. Knotenpotentialanalyse

22. Netzwerke II. 4. Maschenstromanalyse 5. Knotenpotentialanalyse . Netzwerke II 4. Maschenstromanalyse 5. Knotenpotentialanalyse 4. Netzwerkberechnungsverfahren Das Maschenstromanalyse Paul, Elektrotechnik 2, Seite 68 ff. Unbehauen, Grundlagen der Elektrotechnik 1,

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik

Mehr

Netzwerkanalyse I. Lernziele. VL Forschungsmethoden. 1 Einführung Was sind Netzwerke? Netzwerkdaten

Netzwerkanalyse I. Lernziele. VL Forschungsmethoden. 1 Einführung Was sind Netzwerke? Netzwerkdaten Netzwerkanalyse I VL Forschungsmethoden 1 Was sind Netzwerke? Netzwerkdaten 2 Grundzüge der Netzwerkanalyse Design und Datenerhebung 3 Zentrale Linien, Richtung, Dichte Zentralität und Zentralisierung

Mehr

Das Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung

Das Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm

Mehr

Was sind Zusammenhangsmaße?

Was sind Zusammenhangsmaße? Was sind Zusammenhangsmaße? Zusammenhangsmaße beschreiben einen Zusammenhang zwischen zwei Variablen Beispiele für Zusammenhänge: Arbeiter wählen häufiger die SPD als andere Gruppen Hochgebildete vertreten

Mehr

2.2 der Größenbegriff

2.2 der Größenbegriff (mit Äquivalenzrelationen) Maximilian Geier Institut für Mathematik, Landau Universität Koblenz-Landau Zu Größen gelangt man ausgehend von realen Gegenständen durch einen Abstraktionsvorgang. Man geht

Mehr

mathe plus Aussagenlogik Seite 1

mathe plus Aussagenlogik Seite 1 mathe plus Aussagenlogik Seite 1 1 Aussagenlogik 1.1 Grundbegriffe Def 1 Aussage Eine Aussage ist ein beschriebener Sachverhalt, dem eindeutig einer der Wahrheitswerte entweder wahr oder falsch zugeordnet

Mehr

Eine zweidimensionale Stichprobe

Eine zweidimensionale Stichprobe Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:

Mehr

Fortgeschrittene Netzwerk- und Graph-Algorithmen

Fortgeschrittene Netzwerk- und Graph-Algorithmen Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08

Mehr

Netzwerkanalyse für Politikwissenschaftler

Netzwerkanalyse für Politikwissenschaftler Netzwerkanalyse für Politikwissenschaftler Netzwerkanalyse für Politikwissenschaftler (1/23) Politikwissenschaftliche Anwendungen Seminarablauf Netzwerkanalyse für Politikwissenschaftler (2/23) Politikwissenschaft

Mehr

Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de

Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Inhalte Kurze Geschichte der

Mehr

Soziale Netzwerke in der Forschungspraxis:

Soziale Netzwerke in der Forschungspraxis: Soziale Netzwerke in der Forschungspraxis: Zur theoretischen Perspektive, Vergleichbarkeit und Standardisierung von Erhebungsverfahren sozialer Netzwerke Zur Validität und Reliabilität von egozentrierten

Mehr

Markenstärkemessung unter besonderer Berücksichtigung von Konsumentenheterogenität

Markenstärkemessung unter besonderer Berücksichtigung von Konsumentenheterogenität Lars Köster Markenstärkemessung unter besonderer Berücksichtigung von Konsumentenheterogenität Das Beispiel der deutschen Brau Wirtschaft Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis

Mehr

Clustering Seminar für Statistik

Clustering Seminar für Statistik Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden

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

Korrektur: Lineare Regression in Excel

Korrektur: Lineare Regression in Excel Korrektur: Lineare Regression in Excel Doppelsummenkurve 1 8 kum. Abfluss 6 4 2 Juni 1987 5 1 15 2 kum. Niederschlag 1 PDFA Abfluss Lange Bramke 4 kum. Stabw. 3 2 1 Feb. 1981 1.8 1.82 1.84 1.86 1.88 1.9

Mehr

ENTWURF. 23 Netzwerkanalyse. Hans J. Hummell und Wolfgang Sodeur. 1 Einführung

ENTWURF. 23 Netzwerkanalyse. Hans J. Hummell und Wolfgang Sodeur. 1 Einführung 23 Netzwerkanalyse Hans J. Hummell und Wolfgang Sodeur Universität Duisburg-Essen Zusammenfassung. Die Netzwerkanalyse befasst sich mit der systematischen Anordnung der Beziehungen zwischen den Einheiten

Mehr

1.3 Charakteristische Eigenschaften von objektorientierten Systemen

1.3 Charakteristische Eigenschaften von objektorientierten Systemen 1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität

Mehr

LOOP-Programme: Syntaktische Komponenten

LOOP-Programme: Syntaktische Komponenten LOOP-Programme: Syntaktische Komponenten LOOP-Programme bestehen aus folgenden Zeichen (syntaktischen Komponenten): Variablen: x 0 x 1 x 2... Konstanten: 0 1 2... Operationssymbole: + Trennsymbole: ; :=

Mehr

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler

Mehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)

Mehr

Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst

Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache

Mehr

Was macht gute Versuche aus? ... aus der Sicht eines Biometrikers

Was macht gute Versuche aus? ... aus der Sicht eines Biometrikers Was macht gute Versuche aus?... aus der Sicht eines Biometrikers DLG-Technikertagung Soest, 28. Januar 2015 Andreas Büchse BASF SE, Ludwigshafen Vorbemerkung Einige Kriterien für Qualität von Experimenten

Mehr

Lage- und Streuungsparameter

Lage- und Streuungsparameter Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch

Mehr

Serie 8: Fakultativer Online-Test

Serie 8: Fakultativer Online-Test Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung

Mehr

Graphen und Bäume. A.1 Graphen

Graphen und Bäume. A.1 Graphen Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt

Mehr

Paralleler Programmentwurf nach Foster

Paralleler Programmentwurf nach Foster Paralleler Programmentwurf nach Foster Die PCAM-Methode Partitionierung - ermittle maximale Parallelität Communication - ermittle Datenabhängigkeiten Agglomeration - erhöhe die Granularität der Aufgaben

Mehr

Mathematische Grundlagen III

Mathematische Grundlagen III Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten

Mehr

Topologieerkennung von Sensornetzwerken

Topologieerkennung von Sensornetzwerken looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus

Mehr

Lineare Algebra und Numerische Mathematik für D-BAUG

Lineare Algebra und Numerische Mathematik für D-BAUG P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen

Mehr

Netzwerkanalyse von Klimadaten: Anwendung und Interpretation

Netzwerkanalyse von Klimadaten: Anwendung und Interpretation Netzwerkanalyse von Klimadaten: Anwendung und Interpretation DACH0, Vorhersagbarkeit und Verifikation,.9.0 Netzwerkanalyse von Klimadaten.... Was ist das?? Definition und Mathematik. Wie macht man das??

Mehr

Bildverarbeitung Herbstsemester. Mustererkennung

Bildverarbeitung Herbstsemester. Mustererkennung Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung

Mehr

Kapitel 6: Graphalgorithmen Gliederung

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

Mehr

2.5 Diskrete Bewegungsgruppen I: die Punktgruppe,

2.5 Diskrete Bewegungsgruppen I: die Punktgruppe, Diskrete Geometrie (Version 3) 20. November 2011 c Rudolf Scharlau 133 2.5 Diskrete Bewegungsgruppen I: die Punktgruppe, Friesgruppen In diesem Abschnitt ist wie bisher ein euklidischer (Vektor-)Raum E

Mehr

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.

1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2. Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar

Mehr

Virtuelle Unternehmen

Virtuelle Unternehmen Martin Garrecht Virtuelle Unternehmen Entstehung, Struktur und Verbreitung in der Praxis PETER LANG Europäischer Verlag der Wissenschaften Gliederung Gliederung Abbildungsverzeichnis 11 Tabellenverzeichnis

Mehr

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn

Optimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum

Mehr

Bildungsforschung und Bildungspolitik im Dialog. Lernprozesse und Irritationen. Heinz-Elmar Tenorth

Bildungsforschung und Bildungspolitik im Dialog. Lernprozesse und Irritationen. Heinz-Elmar Tenorth Bildungsforschung und Bildungspolitik im Dialog Lernprozesse und Irritationen Heinz-Elmar Tenorth Übersicht über den Vortrag 1. Das Thema und sein Problem 2. Das System der Kommunikation von Bildungsforschung

Mehr

Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h

Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h 5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X

Mehr

Anmerkungen zur Übergangsprüfung

Anmerkungen zur Übergangsprüfung DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung

Mehr

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien

Deskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische

Mehr

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik

Maschinelles Lernen: Neuronale Netze. Ideen der Informatik Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale

Mehr

3. Vorlesung. Die Existenz des Pentagons. (*)

3. Vorlesung. Die Existenz des Pentagons. (*) 3. Vorlesung. ie Existenz des Pentagons. (*) In dieser Vorlesung werden wir sehen wie die Griechen bewiesen haben, dass es das Pentagon wirklich gibt. ieser eweis ist schon recht anspruchsvoll. So anspruchsvoll,

Mehr

Kapitel 1 Einleitung

Kapitel 1 Einleitung Kapitel 1 Einleitung Menschen gehen Beziehungen miteinander ein, indem sie kommunizieren und interagieren. Sie stehen in unterschiedlichen Relation zu ihren Kollegen, Freunden und Verwandten. Die Webseiten

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

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP

Überblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick

Mehr

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien

Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009

Mehr

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

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

Mehr

23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108

23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf

Mehr

Gemeinsame Wahrscheinlichkeitsverteilungen

Gemeinsame Wahrscheinlichkeitsverteilungen Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen

Mehr

Numerische Lineare Algebra

Numerische Lineare Algebra Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)

Mehr

Matrizen, Determinanten, lineare Gleichungssysteme

Matrizen, Determinanten, lineare Gleichungssysteme Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

3.3 Eigenwerte und Eigenräume, Diagonalisierung

3.3 Eigenwerte und Eigenräume, Diagonalisierung 3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.

Mehr

Brückenkurs Mathematik

Brückenkurs Mathematik Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume

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

Optimierung für Wirtschaftsinformatiker: Lineare Programme

Optimierung für Wirtschaftsinformatiker: Lineare Programme Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen

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

Algorithm Engineering. Alexander Kröller, Abteilung Algorithmik, IBR

Algorithm Engineering. Alexander Kröller, Abteilung Algorithmik, IBR #7 Terminchaos Nächste Vorlesungen: 27. 5. Vertretung durch Prof. Fekete 3. 6. Exkursionswoche 10. 6. Vertretung durch N.N. 17. 6. back to normal... Experiment Durchlaufe zwei gleichgrosse Arrays: Sortierte

Mehr

Vollständigkeit der reellen Zahlen

Vollständigkeit der reellen Zahlen Vollständigkeit der reellen Zahlen Vorlesung zur Didaktik der Analysis Oliver Passon Vollständigkeit von R 1 take home message I Wollte man mit Zahlen nur rechnen, könnte man mit den rationalen Zahlen

Mehr

Algorithmen in Zellularautomaten

Algorithmen in Zellularautomaten Algorithmen in Zellularautomaten 1. Grundlegende Definitionen 2. Berechnungsmächtigkeit von ZA 3. Endliche Muster und Konfigurationen 4. Selbstreproduktion 5. Sortieren in eindimensionalen ZA 6. Einfache

Mehr

Inhaltsverzeichnis. Vorwort

Inhaltsverzeichnis. Vorwort V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6

Mehr

Schulung Handkarte Umgang mit Risiken

Schulung Handkarte Umgang mit Risiken Schulung Handkarte Umgang mit Risiken Inhalte Ziele Inhalt der Handkarte Beispiele und Diskussion Beantwortung von Fragen Befehlserteilung 2 Ziele Jeder mil Vorgesetzte ist betreffend Umgang mit Risiken

Mehr

Einführung Gruppen, Beispiele, Konjugationsklassen

Einführung Gruppen, Beispiele, Konjugationsklassen Einführung Gruppen, eispiele, Konjugationsklassen Fabian Rühle 21.10.2015 Inhaltsverzeichnis 1 Definition von Gruppen und einfache eispiele 1 2 Die zyklische Gruppe n 2 3 Die Diedergruppe D n 3 4 Die Permutationsgruppe

Mehr