KOLMOGOROV-KOMPLEXITÄT
|
|
- Bärbel Kästner
- vor 6 Jahren
- Abrufe
Transkript
1 1 KOLMOGOROV-KOMPLEXITÄT EINE DEFINITION VON INFORMATION Andrej Nikolaevič Kolmogorov ( ) gilt als Gründungsvater der nach ihm benannten Algorithmischen Komplexität. Auf Basis der Kolmogorov-Komplexität wird eine Untersuchung des Informationsgehalts, d.h. eine Quantifizierung von Inhalt, ermöglicht. Der intuitive Ansatz, der als Grundlage Verwendung findet, ist dieser: Die Komplexität eines Objekts ist durch die Länge der einfachsten Beschreibung gegeben. Die Formalisierung dieses Satzes bildet die Kolmogorov-Komplexität, deren Anwendung wir in diesem Rahmen hauptsächlich auf binäre Strings und somit natürliche Zahlen beschränken. Die Kolmogorov-Komplexität findet heute nicht nur vielfältigste Anwendungsgebiete in der Mathematik und Informatik sondern auch in anderen Wissenschaften großen Anklang. I. Formale Definition Sei Wir definieren eine bijektive Abbildung. Diese bildet ein Tupel aus beliebig vielen binären Objekten auf einen Binärstring ab. Eine Möglichkeit diese Abbildung zu realisieren ist die folgende: Innerhalb eines Objektes ersetzen wir jede 0 durch 00 und jede 1 durch 11. Nun konkatenieren wir alle Strings und fügen als Trennzeichen 01 zwischen den Objekten ein. Diese Implementierung reicht für unsere Zwecke aus. Eine effektivere Methode wird in [1] aufgezeigt. Im Weiteren sei mit die Länge des binären Strings x bezeichnet. Wir wissen, dass eine effektive Aufzählung aller partiell rekursiven Funktionen durch die effektive Aufzählung aller möglichen Turingmaschinen existiert. Im Folgenden nennen wir diejenigen binären Objekte eine Beschreibung von x die als Eingabe für eine feste partiell rekursive Funktion das Objekt x liefert. Wenn p ein Programm, w ein Eingabewort für p ist und gilt, so ist unter Verwendung von eine Beschreibung von x. Unter Angabe des Beschreibungskontexts können wir die konditionale Kolmogorov-Komplexität definieren: Definition 1: Konditionale Kolmogorov-Komplexität Unter der Eingabe w benötigen wir also mindestens binären String x mittels wiederherzustellen. Bits um die Information aus dem Definition 2: Unkonditionale Kolmogorov-Komplexität. Im Falle der unkonditionalen Kolmogorov-Komplexität können wir uns die Eingabe im Programm selbst kodiert vorstellen oder uns das Programm so denken, dass dies immer eine konstante Ausgabe hat. II. Eigenschaften von K Möchte man ein Komplexitäts-Maß verwenden, so muss es zumindest ein universelles Element geben, d.h. eine Funktion die bis auf eine additive Konstante eine optimale Komplexitätsangabe liefert. Im Folgenden sagen wir, dass die Beschreibungsmethode g durch die Beschreibungsmethode f minorisiert wird, wenn: gilt. Zwei Beschreibungsmethoden sind äquivalent, wenn sie sich beide gegenseitig minorisieren.
2 2 Satz 1: Invarianztheorem Es gibt eine universelle, partiell rekursive Funktion. Beweis: Sei die universelle Turingmaschine U. Als Eingabe für nehmen wir den String an, so dass U die n-te Turingmaschine mit der Eingabe simuliert. Da ist, gilt. Hierbei ist und somit unabhängig von dem Objekt x. Die Komplexität eines Objekts ist folglich unabhängig von der Beschreibungsmethode und ist universell. Dieser Satz gilt auch für die unkonditionale Kolmogorov-Komplexität. Auch wenn die universelle Funktion nicht immer die kürzeste Beschreibung liefert, so können wir sagen, dass keine andere Methode uneingeschränkt oft eine kürzere Beschreibung liefern kann. Es folgt aus dem Invarianztheoren, dass für zwei universelle Funktionen gilt. Die Komplexitätsangabe von universellen Funktionen kann maximal um eine additive Konstante variieren und der Begriff der Kolmogorov-Komplexität wird im Weiteren unabhängig von einem Beschreibungskontext benutzt. Beispiel: Die Komplexität ist unabhängig von der Programmiersprache. Es gibt keinen qualitativen von der gewählten Programmiersprache abhängigen Unterschied beim Beschreiben von Objekten, sofern die Programmiersprachen universell sind. So macht es keinen Unterschied ob wir Lisp oder Basic als Programmiersprache präferieren, da wir in Basic einen Lisp Interpreter und in Lisp einen Basic Interpreter bauen können. Es gilt. Die konstante stellt hierbei den maximalen Aufwand dar, die eine Sprache durch die andere zu interpretieren. Satz 2: Es existiert eine Konstante c, so dass gilt. Beweis: Wir definieren eine Turingmaschine T, die das Eingabeband unberührt lässt und als einzigen Schritt terminiert. ist gleich der Länge von x, da wir an T nur x übergeben müssen. Aus dem Invarianztheorem folgt durch Ersetzen von durch der zu beweisende Satz. Satz 3: Es existiert eine Konstante c, so dass gilt. Beweis: Sei T diejenige Turingmaschine, die bei beliebiger Eingabe genau dann x ausgibt, wenn die universelle Turingmaschine U mit dem Parameter z aufgerufen x ausgibt. Es folgt, dass gilt. Aus dem Invarianztheorem erhalten wir durch Substitution von durch die gewünschte Aussage. Satz 4: K ist nicht berechenbar. Beweis: Wir führen einen Widerspruchsbeweis. Angenommen K wäre berechenbar, so könnten wir eine Java Funktion schreiben, die uns K berechnet. Sei diese Funktion int computecomplexity(string input). Die Funktion getstringsoflength(int n) liefert ein Array mit allen Strings der Länge n zurück. Desweiteren sei N eine statische Ganzzahl-Variable der Klasse. Wir können nun eine weitere Java- Funktion getverycomplexstring() schreiben, die den ersten String mit einer Komplexität größer N zurückliefert: public static String getverycomplexstring() { for(int i = 0; i < Double.POSITIVE_INFINITY; ++i) { String[] strings = getstringsoflength(i); for(string item : strings) { if(computecomplexity(item) > N) return item; } } } Sei c der Speicherbedarf des Codes inklusive dem Speicherbedarf für den Code der Java Virtual Machine. Wählen wir, so haben wir einen String mit einer Komplexität N durch den Code mit Größe c beschrieben. Dies ist offensichtlich ein Widerspruch. K ist nicht berechenbar.
3 3 Satz 5: Es gibt eine total rekursive Funktion mit, welche monoton fallend in t ist. Beweis: Wir konstruieren eben diese Funktion. Wir wissen, dass die Komplexität nicht über liegen kann. lasse nun alle möglichen Programme p mit auf der Universellen Turingmaschine für t Schritte laufen. Als Wert von definieren wir die Länge des kürzesten Programms, dass innerhalb von t Schritten terminiert und als Ausgabe x hat. Gibt es kein Programm, dass innerhalb von t Schritten terminiert, so setzen wir auf. Diese Funktion ist offensichtlich monoton fallend in Abhängigkeit von t. Weiterhin liefert diese Funktion in der Unendlichkeit den Wert zurück, da durch ein Programm berechnet wird, was nach endlich vielen Schritten hält. III. Komprimierbarkeit von Strings Definition 3: Wir nennen Strings c-komprimierbar, sofern für einen bestimmten Wert c die Gleichung gilt. Wir können eine Aussage darüber machen, wie viele c-unkomprimierbare Strings es gibt. Dieser einfache Satz reicht für uns aus, die weiter unten beschriebenen Beweise zu führen. Unter [1], Kapitel 2.2 findet man eine vielseitigere Aussage über die Anzahl nicht komprimierbarer Objekte. Satz 6: Es gibt mindestens Strings der Länge n, die c-unkomprimierbar sind. Beweis: Damit ein String x der Länge n c-komprimierbar ist, muss gelten. Nur Strings mit einer Länge kleiner gleich können mögliche Beschreibungen für c-komprimierbare Strings sein. Es gibt Strings der Länge Da es Strings der Länge n gibt, von denen nur c-komprimierbar sein können, folgt der Satz. Anwendungen der Unkomprimierbarkeit Die Möglichkeiten mittels Argumenten über Umkomprimierbarkeit Beweise zu führen sind äußerst vielfältig. So kann man komplizierte Average-Case Analysen von Sortieralgorithmen elegant vornehmen (siehe [1], Kapitel 6.3). Wichtige Sätze der theoretischen Informatik lassen sich ebenso beweisen [5]. Die Anwendungsgebiete umfassen aber auch weite Teile der Mathematik, z.b. die Kombinatorik und Graphentheorie (siehe [1], Kapitel 6.2). Grundlage aller Beweise mit dem Unkomprimierbarkeits-Argument ist die Tatsache, dass es nicht komprimierbare Objekte gibt und dass man bei Annahme bestimmter Bedingungen diese komprimieren könnte, was jeweils zu einem Widerspruch führt. Satz 7: Sei F ein formales System. Wir können nicht alle wahren in F ausdrückbaren Sätze in F beweisen. [Gödels Unvollständigkeitsatz] Beweis: Das formale System F besteht aus Definitionen, Axiomen und Ableitungen aus diesen. Wir führen erneut einen Widerspruchsbeweis und nehmen an, dass alle wahren in F ausdrückbaren Sätze in F bewiesen werden können. Die Komplexität von F ist konstant, da F endlich ist, es gilt. Sei nun die folgende Aussage: x ist der lexikographisch gesehen kleinste String, mit. Offensichtlich muss es für jedes genau ein x geben, so dass erfüllt wird. Die Komplexität von dem Satz ist aber durch c und das formale System F beschränkt:. Könnten wir in F beweisen, dass x die Komplexität hat, so hätten wir ein Objekt mit Komplexität c mittels Bits beschrieben. Dies ist ein Widerspruch, sofern wir wählen. Satz 8: Es gibt unendlich viele Primzahlen. Beweis: Nehmen wir an, es gibt nur endlich viele Primzahlen. Wir wissen nach Satz 4, dass es eine natürliche Zahl n mit folgender Eigenschaft gibt:. Nun ist aber jede Zahl als Produkt der endlich vielen Primzahlen darstellbar:.
4 4 Als Beschreibung von n, reicht es aus die einzelnen Exponenten zu betrachten. Es gilt, da anderenfalls das Produkt die eigentliche Zahl n übertreffen würde. Zum Abspeichern von einem Exponenten benötigen wir viele Bits. Da nur k Primzahlen existieren, erhalten wir eine vollständige Beschreibung von n mit Bits. Zum Speichern von der unkomprimierbaren Zahl n benötigt man jedoch zumindest viele Bits. Da diese Beschreibung nur Bits benötigt und für große n kleiner als ist, haben wir einen Widerspruch hergeleitet. Es gibt doch unendlich viele Primzahlen. Satz 9: Eine Turingmaschine benötigt Schritte, um die Sprache zu erkennen. Beweis: Wir definieren den Begriff der Übergangssequenz (im englischen Original crossing sequence). Unter einer Übergangssequenz verstehen wir die Folge an Zuständen der endlichen Kontrolle beim Übergang von einem Bandelement zwischen diesem und seinem rechten Nachbarn. Diese Folge beginnt immer mit einem Übergang von links nach rechts und alterniert danach. Sei T eine Turingmaschine die L in vielen Schritten erkennt und mit dem Lesekopf auf dem letzten Eingabezeichen hält. Die Länge der Übergangssequenz für ein Bandelement mit dem Index i wird mit ÜS(i) bezeichnet, die Beschreibung der Turingmaschine ihrerseits mit T. Es muss nach Satz 4 einen String x der Länge n geben, für den erfüllt ist. Als Eingabewort für die Turingmaschine konstruieren wir das Wort und betrachten die Übergangssequenzen des Teils des Bands mit den Nullen nach dem Terminieren von T. Gilt für alle Übergangssequenzen in diesem Bereich, so würde T mindestens Schritte benötigen. Dies wäre ein Widerspruch zu der Annahme, dass L von der Turingmaschine T in Schritten erkannt wird. Es muss also mindestens ein Feld, welches wir nennen, geben, so dass diese Länge unterschritten wird:. Mit der Übergangssequenz und dem Index sind wir aber in der Lage x zu rekonstruieren: Wir wählen ein beliebiges und schreiben auf den Anfang des Bandes. Wir können T auf dieser Eingabe simulieren, indem wir jeweils, wenn das Feld nach rechts hin verlassen wird, den nächsten Zustand aus der Übergangssequenz von wählen, T in diesen Zustand versetzen und den Lesekopf auf setzen. Sofern beim Übergang von zu seinem rechten Nachbarn immer der Zustand aus der Übergangssequenz gewählt wird, so muss das Wort akzeptiert werden, da die Berechnungen dann rechts von für und gleich sind. Da T das ursprüngliche Wort akzeptiert, muss T auch akzeptieren und durch die Eigenschaft der Sprache L muss gelten. Durch erschöpfendes Testen aller Möglichkeiten für y, können wir somit x rekonstruieren. Wir folgern daraus, dass ist. Die Übergangssequenz kann nicht größer als sein, da laut Annahme ist. Zum Speichern von reservieren wir genau Bits. Da wir die Länge n gegeben haben, benötigen wir kein Trennzeichen zwischen dem Index und der Übergangssequenz selbst. Wir hatten aber angenommen, dass x unkomprimierbar ist und somit gilt. Somit müsste für alle n gelten. Dies ist jedoch - zumindest für - ein Widerspruch und wir haben bewiesen, dass jede Turingmaschine, die L erkennt, mindestens Schritte benötigt. Da eine Turingmaschine existiert, die L in Schritten erkennt, folgt der Satz. Satz 10: Die Sprache ist nicht regulär. Beweis: Nehmen wir an, dass es einen deterministischen Automaten A mit einer endlichen Anzahl an Zuständen Q gibt, der die Sprache L erkennt. Sei c der konstante Platz, den man benötigt, um den Automaten A und einen seiner Zustände zu beschreiben,. Als n wählen wir nun eine Zahl mit und. Wir betrachten den Zustand, in dem sich der Automat befindet, nachdem n Nullen eingelesen wurden. Sei dieser Zustand q. Der Automat darf zukünftig nur in einem akzeptierenden Zustand
5 5 halten, wenn genau n Einsen eingelesen werden. Mittels dem Automaten A und dem Zustand q können wir somit n beschreiben. Die Größe einer solchen Beschreibung beträgt wie oben aufgezeigt c. Da gilt, ist dies ein Widerspruch zur Annahme, dass n nicht komprimierbar ist. Ein deterministisch endlicher Automat kann die Sprache L nicht erkennen. L ist nicht regulär. Aus dem obigen Satz können wir eine Verallgemeinerung treffen, mit der sich leicht zeigen lässt, dass eine Sprache nicht regulär ist. So kann man das folgende Lemma anstatt des Pumping-Lemmas für reguläre Sprachen verwenden. Darüber hinaus lässt sich eine Verallgemeinerung treffen, die auch positive Aussagen über die Regularität von Sprachen zulässt [6]. Lemma der KC-Regularität: Sei eine reguläre Sprache. Sei weiterhin und eine Bijektion, die alle enumeriert. Sei, so gilt für jedes x:. Beweis: Wenn L regulär ist, gibt es einen endlichen deterministischen Automaten A, der L erkennt. Wir betrachten den Zustand q nach dem Einlesen von x durch A. Zusammen mit der Beschreibung des Automaten, der Information über und der Nummer n können wir offensichtlich y rekonstruieren. Die Komplexität von und dem Automaten A mit dem Zustand q liegt in. Die Komplexität von n beträgt Es folgt:. Satz 11: ist nicht regulär. Beweis: Wir verwenden das Lemma der KC-Regularität. Wir nehmen an, dass es einen endlichen deterministischen Automaten A gäbe, der L erkennt. Sei die lexikographische Enumerierung von. Sei k die (n+1)-te Primzahl und. Wählen wir mit als n-te Primzahl, so ergibt sich. Da y das lexikographisch erste Element in ist, gilt. Somit muss gemäß dem Lemma sein. Da der Abstand von zwei benachbarten Primzahlen unbeschränkt wächst, muss sein und wir haben einen Widerspruch hergeleitet. IV. Ausblick Zufallszahlen (siehe [1], Kapitel 2.4) Intuitiv möchte man die Zufälligkeit von Zahlen als Abwesenheit von jeglicher Regularität beschreiben. Somit wären zufällige Zahlen nicht komprimierbar. Eine umfassende Definition von Zufälligkeit zu geben ist jedoch schwierig. Zwar kann man bestimmte stochastische Eigenschaften zu Grunde legen, doch muss man diese kennen um diese überprüfen zu können. Eine Möglichkeit dies zu umgehen ist die Verwendung von Martin-Löf-Tests für Zufälligkeit. Da diese Tests aufgezählt werden können, kann man nachweisen, dass es einen universellen Test gibt. Es ist leicht zu zeigen, dass alle im Sinne von Martin-Löf-Tests zufälligen Zahlen nicht komprimierbar sind. Zufälligkeit ist also äquivalent mit der Tatsache, dass ein Objekt eine hohe Kolmogorov-Komplexität besitzt. Mit diesem Wissen kann man z.b. den Verkehr zu einem Server analysieren und überprüfen, ob bei den zufälligen Anfragen Gemeinsamkeiten vorliegen und so Distributed-Denial-of-Service-Attacken entdecken [7]. Ameisen-Kommunikation Wie in [8] beschrieben wurden Experimente mit Ameisen durchgeführt, um Details über die Kommunikation dieser Aufschluss zu erhalten. Ausgangslage war ein ebener binärer Baum aus Streichhölzern wobei an einem Blatt des Baums jeweils eine Nahrungsquelle angeschlossen wurde. Nun konnte nachgewiesen werden, dass Ameisen ohne die Möglichkeit einer Duftmarkierung die Nahrung in Abhängigkeit von der Zufälligkeit der Sequenz der Wegewahl länger benötigt haben. Folglich können Ameisen Sequenzen mit einer niedrigen Kolmogorov-Komplexität effizienter übertragen als Sequenzen mit einer hohen Komplexität. Dies lässt den Rückschluss zu, dass Ameisen ihre Kommunikation komprimieren.
6 6 Induktives Schließen (siehe [1], Kapitel 5) Die Wissenschaften abgesehen von der Mathematik beruhen auf der empirischen Beobachtung von Sachverhalten und dem Verallgemeinern dieser. Die Eigenschaft diese Schlüsse richtig zu ziehen, ist aber keinesfalls trivial. So war Epicurus ( v.u.z.) der Meinung, dass von verschiedenen Theorien, die eine bestimmte empirische Tatsache beschreiben, keine verworfen werden dürfe. William of Ockham ( ) formulierte den berühmten Satz, der heute als Occam s Razor bekannt ist: Wenn mehrere Theorien den gleichen Sachverhalt erklären, so wähle die einfachste. Occam s Razor kann man nun mit der Kolmogorov-Komplexität formalisieren. Theorien werden mit den vorliegenden Daten gemäß der Summe bewertet, wobei ein niedrigerer Wert vorzuziehen ist. Man muss nun einen Mittelweg zwischen den Extremen einer komplexen Theorie, welche die Daten sehr gut erklärt, und einer einfachen Theorie, welche die Daten schlecht voraussagt, finden. Diese Idee ist die Grundlage von der Minimum Description Length (siehe für weitere Informationen) und wird benutzt um künstliches Lernen zu untersuchen und zu verbessern. Informations Distanz (siehe [1], Kapitel 8.2, [2]) Für alltägliche Dinge wie Gesichtserkennung und das Lernen sind das Erkennen von Zusammenhängen und die Klassifizierung von Informationen notwendig. Um paarweise Objekte in ihrem Informationsgehalt zu vergleichen, kann man eine Informations Distanz wie folgt angeben:. Man kann zeigen, dass und eine Metrik ist. Da auf der Kolmogorov-Komplexität beruht und somit nicht berechenbar ist, verwendet man zur Bestimmung der Komplexität oft einen einfachen Kompressionsalgorithmus wie gzip oder bzip2 zur Approximation der Komplexität. Zuzüglich einer Normierung ergibt sich die normalisierte Kompressions Distanz. Diese hat vielfältigste Anwendungsgebiete, so ist es möglich reale Krankheiten wie SARS aber auch Internet-Würmer [9] zu klassifizieren. Paul Vitányi benutzt anstatt von einer Kompression Google als Kompressor und zeigt, dass es möglich ist mit Google die semantische Bedeutung von verschiedenen Begriffen zu finden [10]. Computer könnten so, durch das im Internet vorhandene und durch Google indizierte Wissen, Sachverhalte und Zusammenhänge selbstständig lernen. Quellen [1] M. Li, P. Vitányi, An Introduction to Kolmogorov Complexity and its Applications, erste Ausgabe, Springer-Verlag, New York, [2] M. Li, P. Vitanyi, Applications of algorithmic information theory. Scholarpedia, 2(5):2658, (2007) [3] M. Sipser, Introduction to the Theory of Computation, erste Ausgabe, PWS Publishing Company, Boston, [4] O. Watanabe (Hrsg.), Kolmogorov Complexity and Computational Complexity, EACTS Monographs on Theoretical Computer Science, Springer-Verlag, 1992 [5] T. Jiang, J. Seiferas and P.M.B. Vitanyi, Two heads are better than two tapes, J. Assoc. Comp. Mach., 44:2(1997), [6] M. Li and P.M.B. Vitanyi, A new approach to formal language theory by Kolmogorov complexity, SIAM J. Comput., 24:2(1995), [7] A. Kulkarni, S. Bush, and S. Evans. Detecting Distributed Denial-of-Service Attacks using Kolmogorov Complexity Metrics, 2001, GE CRD, Technical Report 2001CRD176. [8]B. Ya. Ryabko, Zh. I. Reznikova. Using Shannon Entropy and Kolmogorov Complexity to study the communicative system and cognitive capacities in ants. Complexity, John Wiley&Suns Inc., New York,USA,Vol.2, N 2, 1996, pp [9]Stephanie Wehner: Analyzing worms and network traffic using compression. Journal of Computer Security 15(3): (2007) [10] R.L. Cilibrasi, P.M.B. Vitanyi, The Google Similarity Distance, IEEE Trans. Knowledge and Data Engineering, 19:3(2007),
Zufälligkeit und Komplexität
André Nies The University of Auckland Universität Bern, Dezember 2008 Überblick Wir wollen die Interaktionen von verstehen. Diese intuitiven Begriffe versucht man in der Philosophie exakt zu definieren.
Mehr$Id: folgen.tex,v /05/31 12:40:06 hk Exp $ an 1 2 n 1 ist gerade, 3a n 1 + 1, a n 1 ist ungerade.
$Id: folgen.tex,v. 202/05/3 2:40:06 hk Exp $ 6 Folgen Am Ende der letzten Sitzung hatten wir Folgen in einer Menge X als Abbildungen a : N X definiert, die dann typischerweise in der Form (a n ) n N, also
MehrMusterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 2013/14
Institut für Theoretische Informatik Prof. Dr. Jörn Müller-Quade Musterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 23/4 Vorname Nachname Matrikelnummer Hinweise Für die
MehrAutomaten und Coinduktion
Philipps-Univestität Marburg Fachbereich Mathematik und Informatik Seminar: Konzepte von Programmiersprachen Abgabedatum 02.12.03 Betreuer: Prof. Dr. H. P. Gumm Referentin: Olga Andriyenko Automaten und
MehrEinführung in die Theoretische Informatik
Technische Universität München Fakultät für Informatik Prof. Tobias Nipkow, Ph.D. Dr. Werner Meixner, Dr. Alexander Krauss Sommersemester 2010 Lösungsblatt 11 15. Juli 2010 Einführung in die Theoretische
MehrLösungsvorschläge Blatt 4
Theoretische Informatik Departement Informatik Prof. Dr. Juraj Hromkovič http://www.ita.inf.ethz.ch/theoinf16 Lösungsvorschläge Blatt 4 Zürich, 21. Oktober 2016 Lösung zu Aufgabe 10 (a) Wir zeigen mit
MehrDonnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.
Unterräume und Lineare Hülle 59 3. Unterräume und Lineare Hülle Definition.1 Eine Teilmenge U eines R-Vektorraums V heißt von V, wenn gilt: Unterraum (U 1) 0 U. (U ) U + U U, d.h. x, y U x + y U. (U )
MehrFormale 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,
Mehr2. Übungsblatt 6.0 VU Theoretische Informatik und Logik
2. Übungsblatt 6.0 VU Theoretische Informatik und Logik 25. September 2013 Aufgabe 1 Geben Sie jeweils eine kontextfreie Grammatik an, welche die folgenden Sprachen erzeugt, sowie einen Ableitungsbaum
MehrGrundlagen 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
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik 0 KIT 17.05.2010 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik nationales Forschungszentrum Vorlesung in am
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrWir suchen Antworten auf die folgenden Fragen: Was ist Berechenbarkeit? Wie kann man das intuitiv Berechenbare formal fassen?
Einige Fragen Ziel: Wir suchen Antworten auf die folgenden Fragen: Wie kann man das intuitiv Berechenbare formal fassen? Was ist ein Algorithmus? Welche Indizien hat man dafür, dass ein formaler Algorithmenbegriff
MehrPraktische Informatik I WS 1999/2000
Universität Mannheim Lehrstuhl für Praktische Informatik IV Prof. Dr. W. Effelsberg Christoph Kuhmünch, Gerald Kühne Praktische Informatik I WS 999/2 Übungsblatt 2 Ausgabe: Mi, 26.. Abgabe: Di,.2., 8 Uhr
MehrWS06/07 Referentin: Katharina Blinova. Formale Sprachen. Hauptseminar Intelligente Systeme Dozent: Prof. Dr. J. Rolshoven
WS06/07 Referentin: Katharina Blinova Formale Sprachen Hauptseminar Intelligente Systeme Dozent: Prof. Dr. J. Rolshoven 1. Allgemeines 2. Formale Sprachen 3. Formale Grammatiken 4. Chomsky-Hierarchie 5.
MehrHoffmann (HAW Hamburg) Automatentheorie und formale Sprachen
Hoffmann (HAW Hamburg) Automatentheorie und formale Sprachen 18.4. 2012 176 Automatentheorie und formale Sprachen VL 5 Reguläre und nichtreguläre Sprachen Kathrin Hoffmann 18. Aptil 2012 Hoffmann (HAW
Mehr$Id: reihen.tex,v /06/12 10:59:50 hk Exp $ unendliche Summe. a 1 + a 2 + a 3 +.
Mathematik für Informatiker B, SS 202 Dienstag 2.6 $Id: reihen.tex,v.8 202/06/2 0:59:50 hk Exp $ 7 Reihen Eine Reihe ist eine unendliche Summe a + a 2 + a 3 +. Die Summanden a i können dabei reell oder
MehrDem Anschein nach werden diese Zahlen kleiner und kleiner und streben gegen Null. Was sollen sie sonst auch tun? Aber der Begriff
47 5 Irrationales 5.1 Folgen, Konvergenz und Vollständigkeit Eine Abbildung a : N R definiert eine Folge von reellen Werten a 1 = a(1), a 2 = a(2), a 3 = a(3),... Solche Zahlenfolgen werden uns dazu dienen,
MehrEinführung in die Informatik Turing Machines
Einführung in die Informatik Turing Machines Eine abstrakte Maschine zur Präzisierung des Algorithmenbegriffs Wolfram Burgard Cyrill Stachniss 1/14 Motivation und Einleitung Bisher haben wir verschiedene
Mehr8. Turingmaschinen und kontextsensitive Sprachen
8. Turingmaschinen und kontextsensitive Sprachen Turingmaschinen (TM) von A. Turing vorgeschlagen, um den Begriff der Berechenbarkeit formal zu präzisieren. Intuitiv: statt des Stacks bei Kellerautomaten
MehrFolgen und Reihen. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen Dr. Thomas Zehrt Folgen und Reihen Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band, 7. Auflage,
MehrFalls H die Eingabe verwirft, so wissen wir, dass M bei Eingabe w nicht hält. M hält im verwerfenden Haltezustand. Beweis:
1 Unentscheidbarkeit 2 Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Wintersemester 2014/15 #include char *s="include
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrFormale Methoden 1. Gerhard Jäger 23. Januar Uni Bielefeld, WS 2007/2008 1/18
1/18 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 23. Januar 2008 2/18 Das Pumping-Lemma Sein L eine unendliche reguläre Sprache über ein endliches Alphabet
MehrKettenbrüche. dar, und allgemein: a 1 + 1
Kettenbrüche Um die Verfahren der höheren Mathematik besser verstehen zu können, ist es ratsam, sich über die verwendeten Zahlen Gedanken zu machen. Der Grieche Hippasos (5. Jahrh. v. Chr.) entdeckte,
MehrÜbung Theoretische Grundlagen
Übung Theoretische Grundlagen Berechenbarkeit/Entscheidbarkeit Nico Döttling November 26, 2009 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT University of the State of Baden-Wuerttemberg and National Laboratory
MehrTheoretische Informatik 2 bzw. Formale Sprachen und Berechenbarkeit. Sommersemester Herzlich willkommen!
Theoretische Informatik 2 bzw. Formale Sprachen und Berechenbarkeit Sommersemester 2012 Prof. Dr. Nicole Schweikardt AG Theorie komplexer Systeme Goethe-Universität Frankfurt am Main Herzlich willkommen!
MehrDer erste Gödelsche Unvollständigkeitssatz
Der erste Gödelsche Unvollständigkeitssatz Referent: Tobias Gleißner 29. Januar 2013 (syntaktischer Aufbau eines arithmetischen Terms) - Jede Zahl ist ein Term - Jede Variable ist ein Term - Sind und Terme,
MehrTheoretische Informatik I
Theoretische Informatik I Rückblick Theoretische Informatik I 1. Mathematische Methoden 2. Reguläre Sprachen 3. Kontextfreie Sprachen Themen der Theoretischen Informatik I & II Mathematische Methodik in
Mehrkontextfreie Grammatiken Theoretische Informatik kontextfreie Grammatiken kontextfreie Grammatiken Rainer Schrader 14. Juli 2009 Gliederung
Theoretische Informatik Rainer Schrader Zentrum für Angewandte Informatik Köln 14. Juli 2009 1 / 40 2 / 40 Beispiele: Aus den bisher gemachten Überlegungen ergibt sich: aus der Chomsky-Hierarchie bleiben
MehrKonstruktion reeller Zahlen aus rationalen Zahlen
Konstruktion reeller Zahlen aus rationalen Zahlen Wir nehmen an, daß der Körper der rationalen Zahlen bekannt ist. Genauer wollen wir annehmen: Gegeben ist eine Menge Q zusammen mit zwei Verknüpfungen
MehrTheorie der Informatik
Theorie der Informatik 8. Reguläre Sprachen II Malte Helmert Gabriele Röger Universität Basel 24. März 24 Pumping Lemma Pumping Lemma: Motivation Man kann zeigen, dass eine Sprache regulär ist, indem man
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Turingmaschinen und rekursiv aufzählbare Sprachen (II) 2.07.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
MehrVorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
MehrTheoretische Informatik. Probabilistische Turingmaschinen PTM PTM. Rainer Schrader. 10. Juni 2009
Theoretische Informatik Rainer Schrader Probabilistische Turingmaschinen Institut für Informatik 10. Juni 009 1 / 30 / 30 Gliederung probabilistische Turingmaschinen Beziehungen zwischen und NDTM es stellt
MehrKompaktheit und Überdeckungen. 1 Überdeckungskompaktheit
Vortrag zum Proseminar zur Analysis, 17.05.2010 Min Ge, Niklas Fischer In diesem Vortrag werden die Eigenschaften von kompakten, metrischen Räumen vertieft. Unser Ziel ist es Techniken zu erlernen, um
Mehr2.7 Der Shannon-Fano-Elias Code
2.7 Der Shannon-Fano-Elias Code Die Huffman-Codierung ist ein asymptotisch optimales Verfahren. Wir haben auch gesehen, dass sich die Huffman-Codierung gut berechnen und dann auch gut decodieren lassen.
MehrEinwegfunktionen. Problemseminar. Komplexitätstheorie und Kryptographie. Martin Huschenbett. 30. Oktober 2008
Problemseminar Komplexitätstheorie und Kryptographie Martin Huschenbett Student am Institut für Informatik an der Universität Leipzig 30. Oktober 2008 1 / 33 Gliederung 1 Randomisierte Algorithmen und
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
MehrProbeklausur zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Probeklausur 25.01.2013 Probeklausur zur Vorlesung Berechenbarkeit und Komplexität Aufgabe 1 (1+2+6+3 Punkte)
Mehr1 Einführung. 2 Typ-0- und Typ-1-Sprachen. 3 Berechnungsmodelle. 4 Unentscheidbarkeit. 5 Unentscheidbare Probleme. 6 Komplexitätstheorie
1 Einführung 2 Typ-0- und Typ-1-Sprachen 3 Berechnungsmodelle 4 Unentscheidbarkeit 5 Unentscheidbare Probleme 6 Komplexitätstheorie 15 Ziele vgl. AFS: Berechnungsmodelle für Typ-0- und Typ-1-Sprachen (Nicht-)Abschlußeigenschaften
MehrAutomaten und Formale Sprachen
Automaten und Formale Sprachen Einführung Ralf Möller Hamburg Univ. of Technology Übung Fr. 14:30-15:15 Max Berndt, D1025 Literatur Gottfried Vossen, Kurt-Ulrich Witt: Grundkurs Theoretische Informatik,
MehrEinführung in die Theorie der Markov-Ketten. Jens Schomaker
Einführung in die Theorie der Markov-Ketten Jens Schomaker Markov-Ketten Zur Motivation der Einführung von Markov-Ketten betrachte folgendes Beispiel: 1.1 Beispiel Wir wollen die folgende Situation mathematisch
MehrKapitel 3: Die Sätze von Euler, Fermat und Wilson. 8 Der Satz von Euler
Kapitel 3: Die Sätze von Euler, Fermat und Wilson In diesem Kapitel wollen wir nun die eulersche -Funktion verwenden, um einen berühmten Satz von Euler zu formulieren, aus dem wir dann mehrere interessante
MehrTuring-Maschinen. Definition 1. Eine deterministische Turing-Maschine (kurz DTM) ist ein 6- Dem endlichen Alphabet Σ von Eingabesymbolen.
Turing-Maschinen Nachdem wir endliche Automaten und (die mächtigeren) Kellerautomaten kennengelernt haben, werden wir nun ein letztes, noch mächtigeres Automatenmodell kennenlernen: Die Turing-Maschine
MehrKapitel 1. Grundlegendes
Kapitel 1 Grundlegendes Abschnitt 1.4 Vollständige Induktion Charakterisierung der natürlichen Zahlen Die Menge N 0 = {0, 1, 2, 3,...} der natürlichen Zahlen läßt sich wie folgt charakterisieren: 1. 0
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Sommersemester 2015 29.04.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Motivation 2. Terminologie 3. Endliche Automaten und reguläre
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrLösungen zur 3. Projektaufgabe TheGI1
Marco Kunze (makunze@cs.tu-berlin.de) WS 2001/2002 Sebastian Nowozin (nowozin@cs.tu-berlin.de) 21. 1. 2002 Lösungen zur 3. Projektaufgabe TheGI1 Definition: Turing-Aufzähler Ein Turing-Aufzähler einer
MehrFormale Sprachen und endliche Automaten
Formale Sprachen und endliche Automaten Formale Sprachen Definition: 1 (Alphabet) Ein Alphabet Σ ist eine endliche, nichtleere Menge von Zeichen oder Symbolen. Ein Wort über dem Alphabet Σ ist eine endliche
MehrReferat rekursive Mengen vs. rekursiv-aufzählbare Mengen
Kapitel 1: rekursive Mengen 1 rekursive Mengen 1.1 Definition 1.1.1 informal Eine Menge heißt rekursiv oder entscheidbar, wenn ihre charakteristische Funktion berechenbar ist. 1.1.2 formal Eine Menge A
Mehr2. 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
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Johannes Köbler Institut für Informatik Humboldt-Universität zu Berlin WS 2011/12 Die Registermaschine (random access machine, RAM) 0 I 0 1 I 1 2 I 2 m I m Programm
Mehr1. Gruppen. 1. Gruppen 7
1. Gruppen 7 1. Gruppen Wie schon in der Einleitung erläutert wollen wir uns in dieser Vorlesung mit Mengen beschäftigen, auf denen algebraische Verknüpfungen mit gewissen Eigenschaften definiert sind.
Mehr2.3 Basis und Dimension
Lineare Algebra I WS 205/6 c Rudolf Scharlau 65 2.3 Basis und Dimension In diesem zentralen Abschnitt werden einige für die gesamte Lineare Algebra fundamentale Grundbegriffe eingeführt: Lineare Abhängigkeit
MehrBeschreibungskomplexität von Grammatiken Definitionen
Beschreibungskomplexität von Grammatiken Definitionen Für eine Grammatik G = (N, T, P, S) führen wir die folgenden drei Komplexitätsmaße ein: Var(G) = #(N), Prod(G) = #(P ), Symb(G) = ( α + β + 1). α β
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik Sommersemester 2015 23.04.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Bis jetzt 1. Terminologie 2. Endliche Automaten und reguläre Sprachen
MehrKapitel: Die Chomsky Hierarchie. Die Chomsky Hierarchie 1 / 14
Kapitel: Die Chomsky Hierarchie Die Chomsky Hierarchie 1 / 14 Allgemeine Grammatiken Definition Eine Grammatik G = (Σ, V, S, P) besteht aus: einem endlichen Alphabet Σ, einer endlichen Menge V von Variablen
Mehr$Id: ring.tex,v /05/03 15:13:26 hk Exp $
$Id: ring.tex,v 1.13 2012/05/03 15:13:26 hk Exp $ 3 Ringe 3.1 Der Ring Z m In der letzten Sitzung hatten wir die sogenannten Ringe eingeführt, dies waren Mengen A versehen mit einer Addition + und einer
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 3 Wintersemester 2016/17 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler Wintersemester 2016/17 Inhaltsverzeichnis Teil 1 Teil
MehrDie Ackermannfunktion
Die Ackermannfunktion Slide 1 Die Ackermannfunktion Hans U. Simon (RUB) Email: simon@lmi.rub.de Homepage: http://www.ruhr-uni-bochum.de/lmi Die Ackermannfunktion Slide 2 Eine Frage zu Anfang Ist jede intuitiv
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
MehrKapitel 3. Natürliche Zahlen und vollständige Induktion
Kapitel 3 Natürliche Zahlen und vollständige Induktion In Kapitel 1 haben wir den direkten Beweis, den modus ponens, kennen gelernt, der durch die Tautologie ( A (A = B) ) = B gegeben ist Dabei war B eine
Mehr6 Reelle und komplexe Zahlenfolgen
$Id: folgen.tex,v.7 200//29 :58:57 hk Exp hk $ 6 Reelle und komplexe Zahlenfolgen 6. Folgenkonvergenz In der letzten Sitzung hatten wir den Begriff der Konvergenz einer reellen oder komplexen Folge gegen
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 1-12. Sitzung Dennis Felsing dennis.felsing@student.kit.edu http://www.stud.uni-karlsruhe.de/~ubcqr/2010w/tut gbi/ 2011-01-24 Überblick 1 Reguläre Ausdrücke Wiederholung
MehrFrank Heitmann 2/47. 1 Ein PDA beginnt im Startzustand z 0 und mit im Keller. 2 Ist der Automat
Formale Grundlagen der Informatik 1 Kapitel 5 Über reguläre Sprachen hinaus und (Teil 2) Frank Heitmann heitmann@informatik.uni-hamburg.de 21. April 2015 Der Kellerautomat - Formal Definition (Kellerautomat
MehrKapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
MehrÜbung zur Vorlesung Berechenbarkeit und Komplexität
RWTH Aachen Lehrgebiet Theoretische Informatik Reidl Ries Rossmanith Sanchez Tönnis WS 2012/13 Übungsblatt 7 26.11.2012 Übung zur Vorlesung Berechenbarkeit und Komplexität Aufgabe T15 Entwickeln Sie ein
Mehr1.) Zahlensysteme (10 Punkte)
1.) Zahlensysteme (10 Punkte) (a) Stellen Sie die folgenden zur Basis 8 (oktal) angegebenen Ganzzahlen als vorzeichenbehaftete Binärzahlen in 7 Bit dar. Negative Binärzahlen sollen im Zweierkomplement
MehrKapitel 1. Grundlagen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
MehrMusterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 2012/13
Institut für Kryptographie und Sicherheit Prof. Dr. Jörn Müller-Quade Musterlösung der Hauptklausur zur Vorlesung Theoretische Grundlagen der Informatik Wintersemester 22/3 Vorname Nachname Matrikelnummer
MehrUnentscheidbare Probleme: Diagonalisierung
Unentscheidbare Probleme: Diagonalisierung Prof Dr Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen Oktober 2011 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrMathematik I. Vorlesung 7. Folgen in einem angeordneten Körper
Prof. Dr. H. Brenner Osnabrück WS 009/010 Mathematik I Vorlesung 7 Folgen in einem angeordneten Körper Wir beginnen mit einem motivierenden Beispiel. Beispiel 7.1. Wir wollen die Quadratwurzel einer natürlichen
MehrKombinatorik von Zahlenfolgen
6. April 2006 Vorlesung in der Orientierungswoche 1 Kombinatorik von Zahlenfolgen Einige Beispiele Jeder kennt die Fragen aus Intelligenztests, in denen man Zahlenfolgen fortsetzen soll. Zum Beispiel könnten
MehrFolgen. Kapitel 2. Folgen. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 2 Folgen Peter Becker (H-BRS) Analysis Sommersemester 2016 89 / 543 Inhalt Inhalt 1 Folgen Definition kriterien in C, R d und C d Peter Becker (H-BRS) Analysis Sommersemester 2016 90 / 543 Definition
MehrEinführung in Berechenbarkeit, Komplexität und formale Sprachen
Johannes Blömer Skript zur Vorlesung Einführung in Berechenbarkeit, Komplexität und formale Sprachen Universität Paderborn Wintersemester 2011/12 Inhaltsverzeichnis 1 Einleitung 2 1.1 Ziele der Vorlesung...................................
MehrTheoretische Informatik
Theoretische Informatik Wintersemester 2016/2017 2V, Mittwoch, 12:00-13:30 Uhr, F303 2Ü, Dienstag, 12:00-13:30 Uhr, BE08 2Ü, Dienstag, 15:00-16:30 Uhr, B212 2Ü, Mittwoch, 8:30-10:00 Uhr, B312 Fachprüfung:
MehrKapitel 9. Komplexität von Algorithmen und Sortieralgorithmen
1 Kapitel 9 Komplexität von Algorithmen und Sortieralgorithmen Ziele 2 Komplexität von Algorithmen bestimmen können (in Bezug auf Laufzeit und auf Speicherplatzbedarf) Sortieralgorithmen kennenlernen:
MehrTheoretische Informatik 1
Theoretische Informatik 1 Nichtdeterminismus David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2012 Übersicht Nichtdeterminismus NTM Nichtdeterministische Turingmaschine Die
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Beweise)
WS 2014/15 Diskrete Strukturen Kapitel 2: Grundlagen (Beweise) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_14
MehrGrundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I
Vorlesung Grundlagen der Theoretischen Informatik / Einführung in die Theoretische Informatik I Bernhard Beckert Institut für Informatik Sommersemester 2007 B. Beckert Grundlagen d. Theoretischen Informatik:
Mehr1.2 Eigenschaften der ganzen Zahlen
Lineare Algebra I WS 2015/16 c Rudolf Scharlau 13 1.2 Eigenschaften der ganzen Zahlen Dieser Abschnitt handelt von den gewöhlichen ganzen Zahlen Z und ihren Verknüpfungen plus und mal. Man kann die natürlichen
MehrEinführung Grundbegriffe
Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung
MehrAusgewählte unentscheidbare Sprachen
Proseminar Theoretische Informatik 15.12.15 Ausgewählte unentscheidbare Sprachen Marian Sigler, Jakob Köhler Wolfgang Mulzer 1 Entscheidbarkeit und Semi-Entscheidbarkeit Definition 1: L ist entscheidbar
MehrProgrammieren für Fortgeschrittene
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme Wintersemester 2011/12 Programmieren für Fortgeschrittene Rekursive Spezifikationen Die folgende
MehrGrundlagen der Theoretischen Informatik
Grundlagen der Theoretischen Informatik 4. Kellerautomaten und kontextfreie Sprachen (III) 17.06.2015 Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Übersicht 1. Motivation 2. Terminologie
MehrFolgen und endliche Summen
Kapitel 2 Folgen und endliche Summen Folgen und ihre Eigenschaften Endliche arithmetische und geometrische Folgen und Reihen Vollständige Induktion Anwendungen Folgen/endliche Summen Eigenschaften Folgen
Mehr( )= c+t(n-1) n>1. Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3)
Stand der Vorlesung Komplexität von Algorithmen (Kapitel 3) Motivation: IT gestützte Steuerung, Überwachung, Fertigung, Produktion,. : erfordert effiziente Berechnungsvorschriften Ziel: Methoden kennen
Mehr,...) ist eine Folge, deren Glieder der Null beliebig nahe kommen. (iii) Die Folge a n = ( 1) n + 1 n oder (a n) = (0, 3 2, 2 3, 5 4, 4 5
3 Folgen 3.1 Definition und Beispiele Eine Abbildung a : Æ Ê heißt (reelle) Zahlenfolge. Statt a(n) schreiben wir kürzer a n und bezeichnen die ganze Folge mit (a n ) n Æ oder einfach (a n ), was aber
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 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/ws1314
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
MehrZusammenfassung zur Konvergenz von Folgen
Zusammenfassung zur Konvergenz von Folgen. Definition des Konvergenzbegriffs Eine Folge reeller Zahlen a n n heißt konvergent gegen a in Zeichen a n = a, falls gilt > 0 n 0 n n 0 : an a < Hinweise: Bei
MehrLOOP-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: ; :=
Mehr3 Vollständige Induktion
3.1 Natürliche Zahlen In den vorherigen Kapiteln haben wir die Menge der natürlichen Zahlen schon mehrfach als Beispiel benutzt. Das Konzept der natürlichen Zahlen erscheint uns einfach, da wir es schon
MehrResolutionsalgorithmus
112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:
MehrWS 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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrBrainfuck. 1 Brainfuck. 1.1 Brainfuck Geschichte und Umfeld. 1.2 Esoterische Programmiersprachen
Brainfuck 1 Brainfuck 1.1 Brainfuck Geschichte und Umfeld Brainfuck ist eine sogenannte esoterische Programmiersprache. Sie wurde 1993 vom Schweizer Urban Müller entworfen mit dem Ziel, eine Sprache mit
MehrWas Mathematiker schon vor Jahrhunderten erfunden haben, gibt es jetzt endlich in ihrer Programmiersprache:
Kapitel 8 Operatoren Was Mathematiker schon vor Jahrhunderten erfunden haben, gibt es jetzt endlich in ihrer Programmiersprache: Operatoren definieren Es ist in C++ möglich, Operatoren wie +, oder für
MehrMengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit
Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {
Mehr