Perkolation Christina Sander
|
|
- Christian Grosse
- vor 6 Jahren
- Abrufe
Transkript
1 Perkolation Christina Sander
2 Seite 2 Perkolation Christina Sander Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
3 Seite 3 Perkolation Christina Sander Motivation Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
4 Seite 4 Perkolation Christina Sander Motivation Motivation (percolation: engl. Durchsickern) Flüssigkeiten, die ein poröses Material durchdringen elektrische Leitfähigkeit von Legierungen Ausbreitung von Epidemien und Waldbränden und viele mehr
5 Seite 5 Perkolation Christina Sander Motivation Was ist Perkolation in der Mathematik? Die Perkolationstheorie beschreibt das Ausbilden von zusammenhängenden Gebieten, sogenannten Clustern, auf zufälligen Graphen.
6 Seite 6 Perkolation Christina Sander Definitionen Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
7 Seite 7 Perkolation Christina Sander Definitionen Definitionen Graph Ein Graph besteht aus einer Menge von Knoten{x 1,..., x n } und einer Menge von Kanten{e 1,..., e m }, wobei eine Kante stets zwei Knoten miteinander verbindet.
8 Seite 7 Perkolation Christina Sander Definitionen Definitionen Graph Ein Graph besteht aus einer Menge von Knoten{x 1,..., x n } und einer Menge von Kanten{e 1,..., e m }, wobei eine Kante stets zwei Knoten miteinander verbindet. Zusammenhängend Ein Graph heißt zusammenhängend, wenn je zwei Knoten des Graphen über eine Folge von Kanten verbunden sind. Eine zusammenhängende Komponente innerhalb eines Graphen nennt man Cluster.
9 Seite 8 Perkolation Christina Sander Definitionen Definitionen Kantenwahrscheinlichkeit Die Wahrscheinlichkeit p [0, 1], mit der eine Kante des Gitters geöffnet wird, nennt man Kantenwahrscheinlichkeit.
10 Seite 8 Perkolation Christina Sander Definitionen Definitionen Kantenwahrscheinlichkeit Die Wahrscheinlichkeit p [0, 1], mit der eine Kante des Gitters geöffnet wird, nennt man Kantenwahrscheinlichkeit. Perkolationskonfiguration Die Menge aller offener Kanten wird Perkolationkonfiguration genannt.
11 Seite 9 Perkolation Christina Sander Definitionen Definitionen Gitter Z d Ein Gitter ist ein Graph G mit der Knotenmenge aller ganzzahliger Knoten, wobei ein Knoten mit seinen nächsten Nachbarn über eine Kante verbunden ist. Ist d = 2, dann heißt G = Z 2 das quadratische Gitter.
12 Seite 10 Perkolation Christina Sander Definitionen Beispiel Eine Kantenperkolation auf dem Gitter Z 2 mit p = 0, 3.
13 Seite 11 Perkolation Christina Sander Definitionen Beispiel Eine Kantenperkolation auf dem Gitter Z 2 mit p = 0, 7.
14 Seite 12 Perkolation Christina Sander Kritischer Wert Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
15 Seite 13 Perkolation Christina Sander Kritischer Wert Kritischer Wert Zentrale Fragestellung Ab welcher Wahrscheinlickeit erhält man einen unendlichen Cluster?
16 Seite 13 Perkolation Christina Sander Kritischer Wert Kritischer Wert Zentrale Fragestellung Ab welcher Wahrscheinlickeit erhält man einen unendlichen Cluster? Definition: Kritischer Wert Sei ψ(p) die Wahrscheinlichkeit, dass die Kantenperkolation auf dem Gitter Z d mit der Kantenwahrscheinlichkeit p zu einer unendlich zusammenhängenden Komponente { führt. Dann nennt man p c den kritischen Wert, wenn gilt: 0, für p < p c ψ(p) = 1, für p > p c.
17 Seite 13 Perkolation Christina Sander Kritischer Wert Kritischer Wert Zentrale Fragestellung Ab welcher Wahrscheinlickeit erhält man einen unendlichen Cluster? Definition: Kritischer Wert Sei ψ(p) die Wahrscheinlichkeit, dass die Kantenperkolation auf dem Gitter Z d mit der Kantenwahrscheinlichkeit p zu einer unendlich zusammenhängenden Komponente { führt. Dann nennt man p c den kritischen Wert, wenn gilt: 0, für p < p c ψ(p) = 1, für p > p c. Satz: Kritischer Wert Für jedes Gitter Z d (d 2) existiert ein kritischer Wert p c [0, 1].
18 Seite 14 Perkolation Christina Sander Kritischer Wert Satz vom kritischen Wert Satz vom kritischen Wert auf Z 2 Sei ψ(p) die Wahrscheinlichkeit, dass die Kantenperkolation auf dem Gitter Z 2 mit der Kantenwahrscheinlichkeit p zu einer unendlich zusammenhängenden { Komponente führt. Dann gilt: 0, für p 1 ψ(p) = 2 1, für p > 1 2. (Beweis: Harris, 1960 und Kesten, 1980)
19 Seite 15 Perkolation Christina Sander Kritischer Wert Abgeschwächte Form Proposition Für die Kantenperkolation auf dem Gitter Z 2 existiert ein kritischer Wert p c, für den gilt 1 3 p c 2 3, so dass die Wahrscheinlichkeit ψ(p) für die Existenz einer unendlichen { zusammenhängenden Komponente 0, wenn p < p c ψ(p) = 1, wenn p > p c beträgt.
20 Seite 16 Perkolation Christina Sander Kritischer Wert Äquivalente Formulierung Lemma I Für jedes p < 1 3 gilt: ψ(p) = 0.
21 Seite 16 Perkolation Christina Sander Kritischer Wert Äquivalente Formulierung Lemma I Für jedes p < 1 3 gilt: ψ(p) = 0. Lemma II Für jedes p 2 3 gilt: ψ(p) = 1.
22 Seite 16 Perkolation Christina Sander Kritischer Wert Äquivalente Formulierung Lemma I Für jedes p < 1 3 gilt: ψ(p) = 0. Lemma II Für jedes p 2 3 gilt: ψ(p) = 1. Lemma III Für jedes p ist ψ(p) entweder 0 oder 1.
23 Seite 16 Perkolation Christina Sander Kritischer Wert Äquivalente Formulierung Lemma I Für jedes p < 1 3 gilt: ψ(p) = 0. Lemma II Für jedes p 2 3 gilt: ψ(p) = 1. Lemma III Für jedes p ist ψ(p) entweder 0 oder 1. Lemma IV Seien p 1 und p 2 zwei Wahrscheinlichkeiten mit 0 p 1 p 2 1. Dann gilt ψ(p 1 ) ψ(p 2 ).
24 Seite 17 Perkolation Christina Sander Kritischer Wert Abschätzung der kritischen Werte Satz Für die kritischen Werte p c (d) auf den jeweiligen Gittern Z d gilt folgende Abschätzung: p c (2) p c (3) p c (4)...
25 Seite 18 Perkolation Christina Sander Boolsches Modell Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
26 Seite 19 Perkolation Christina Sander Boolsches Modell Boolsches Modell
27 Seite 20 Perkolation Christina Sander Boolsches Modell Boolsches Modell Kritischer Wert Für ein Boolsches Modell auf R 2 erzeugt duch einen Poisson-Prozess, Intensität λ und Radius r = 1 gilt: 0, 174 < λ c < 0, 843.
28 Seite 21 Perkolation Christina Sander Boolsches Modell Ende Vielen Dank für die Aufmerksamkeit!
29 Seite 22 Perkolation Christina Sander Anhang Inhalt Motivation Definitionen Kritischer Wert Boolsches Modell Anhang
30 Seite 23 Perkolation Christina Sander Anhang Beweis von Lemma I Sei p < 1 3. Z.z.: ψ(p) = 0. D.h., es existiert eine unendliche zusammenhängende Komponente. Sei x ein beliebiger Knoten und habe die Koordinaten (0,0). Sei K n = {(i, j) Z 2 : n i n, n j n}, dann ist der Rand der Menge K n : K n = {(i, j) K n : min. eine der Koordinaten i und j ist gleich -n oder n}. Sei das Ereignis, dass x in einer unendlichen zusammenhängenden Komponente liegt, mit x bezeichnet und mit x K n, dass x in einer zusammenhängenden Komponenteliegt, die mindestens einen Knoten vom Rand enthält.
31 Seite 24 Perkolation Christina Sander Anhang Beweis von Lemma I Dann gilt: P(x ) P(x K n ) Für die Anzahl der selbstvermeidenden Pfade der Länge n gilt: Für die erste Kante hat man 4 Möglichkeiten und für alle folgende jeweils 3. = min. 4 3 n 1 selbstvermeidenden Pfade von x nach K n = P(x K n ) 4 3 n 1 p n = 4 3 (3p)n. = lim n P(x K n ) = 0 = P(x ) = 0 = ψ(p) = 0, da x beliebig.
32 Seite 25 Perkolation Christina Sander Anhang Beweis von Lemma II Definition Das zu Z 2 gehörigen duale Gitter Z 2 wird durch ein um 0,5 sowohl nach oben als auch nach rechts verschobenes quadratisches Gitter definiert. Abb.: quadratisches Gitter Z 2 (schwarz) mit gehörigen duala Gitter Z 2 (weiss).
33 Seite 26 Perkolation Christina Sander Anhang Beweis von Lemma II Definition Für jede Kante ẽ des Gitters Z 2 sei ẽ offen genau dann, wenn die Kante e des Gitters Z 2, die ẽ kreuzt, geschlossen ist. Den so entstandenen Graph nennt man den dualen Perkolationsprozess. Beachte: p = (1 p) Abb.: duale Perkulationskonfiguration
34 Seite 27 Perkolation Christina Sander Anhang Beweis von Lemma II Definition Ein selbstvermeidender Pfad in Z 2 heisst Kontur, wenn jeder seiner Knoten mit höchstens zwei Kanten verbunden ist und Anfangs- und Endknoten derselbe sind.eine Kontur heisst geschlossen, wenn alle ihre Kanten vorhanden sind und sie heisst Kontur um x, wenn der Knoten x im Inneren der Kontur liegt. Abb.: Endliche zusammenhängende Komponente auf dem quadratischen Gitter mit umschliessender Kontur des dualen Perkolationsprozesses.
35 Seite 28 Perkolation Christina Sander Anhang Beweis von Lemma II Sei p > 2 3. Z.z.: psi(p) = 1. Liege der Punkt 0 im Nullpunkt des Perkolationsprozesses auf Z 2. Dann gilt: = min. n 3 n 1 Konturen der Länge n = min. n 3 n 1 (1 p) n geschlossene Konturen der Länge n um 0 = E[AnzahldergeschlossenenKonturenum0] n=1 n 3n 1 (1 p) n = n=1 n 3 (3(1 p))n <, da 3(1 p) < 1 für p < 2 3 = P (es gibt max. endlich viele geschlossene Konturen um 0) = 1
36 Seite 29 Perkolation Christina Sander Anhang Beweis von Lemma III Definition Sei A ein Ereignis, das durch endlich viele Zufallsvariablen definiert ist. A heisst terminales Ereignis, wenn es nicht durch beliebige Änderungen endlich vieler Zufallsvarbiablen beeinflusst werden kann. Kolmogorows 0-1-Gesetz Seien X 1,..., X n unanbhängige Zufallsvariablen und sei A ein terminales Ereignis definiert durch X 1,..., X n. = P(A) = 0 oder P(A) = 1. (ohne Beweis)
37 Seite 30 Perkolation Christina Sander Anhang Beweis von Lemma III Z.z.: p: ψ(p) = 0 oder ψ(p) = 1. Seien e 1, e 2, e 3... die Kanten des Gitters Z 2 mit zugehörigen Zuvallsvariablen X ei, wobei { 0, wenn die Kante e i in der Perkolationskonfiguration ist, X ei = 1, sonst. = X e1, X e2,{... sind unabhängige Zuvallsvariablen mit: 0, mit Wahrscheinlichkeit p X ei = Sei das Ereignis A = { eine 1, mit Wahrscheinlichkeit 1-p. unendliche zussammenhängende Komponente in der Perkolationskonfiguration. } Offensichtlich ist A ein terminales Ereignis und dann folgt die Behauptung als direkte Anwendung des 0-1-Gesetz von Kolmogorow.
38 Seite 31 Perkolation Christina Sander Anhang Beweis von Lemma IV Sei p 1 p 2. Z.z.: ψ(p 1 ) ψ(p 2 ). Seien e 1, e 2,... die Kanten des Gitters Z 2 mit zugehörigen U e1, U e2,... auf [0,1] gleichverteilte Zufallsvariablen. Seien die die zu p 1 und p 2 zugehörigen Perkolationskonfigurationen und X p 1 e = X p 2 e = { 1, für U e p 1 0, sonst { 1, für U e p 2 0, sonst.
39 Seite 32 Perkolation Christina Sander Anhang Dann gilt für jede Kante e: X p 1 e = 1 und X p 2 e = 1, wenn U e p 1 X p 1 e = 0 und X p 2 e = 1, wenn p 1 < U e p 2 X p 1 e = 0 und X p 2 e = 0, wenn p 2 < U e = X p 1 e X p 2 e D.h., jede Kante, die in der zu p 1 zugehörigen Perkolationskonfigurationen offen ist, ist auch in der zu p 2 zugehörigen Perkolationskonfigurationen offen. Mit ψ(p 1 ) = P( die p 1 -Perkolationskonfigurationen beinhaltet eine unendliche zusammenhängende Komponente) und ψ(p 2 ) = P( die p 2 -Perkolationskonfigurationen beinhaltet eine unendliche zusammenhängende Komponente) folgt dann: ψ(p 1 ) ψ(p 2 ).
40 Seite 33 Perkolation Christina Sander Anhang Literatur Olle Häggström: Streifzüge durch die Wahrscheinlichkeitstheoie. Springer (2006) Ronald Meester und Rahul Roy: Continuum Percolation. Cambridge University Press (2004)
Kombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrKapitel 5: Minimale spannende Bäume Gliederung der Vorlesung
Gliederung der Vorlesung 1. Grundbegriffe 2. Elementare Graphalgorithmen und Anwendungen 3. Kürzeste Wege. Minimale spannende Bäume. Färbungen und Cliquen. Traveling Salesman Problem. Flüsse in Netzwerken
MehrComputerviren, Waldbrände und Seuchen - ein stochastisches Modell für die Reichweite einer Epidemie
Computerviren, Waldbrände und Seuchen - ein stochastisches für die Reichweite einer Epidemie Universität Hildesheim Schüler-Universität der Universität Hildesheim, 21.06.2012 Warum Mathematik? Fragen zum
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
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrWS 2008/09. Diskrete Strukturen
WS 2008/09 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/ws0809
MehrDie Kopplung von Markovketten und die Irrfahrt auf dem Torus
Die Kopplung von Markovketten und die Irrfahrt auf dem Torus Verena Monschang Vortrag 20.05.20 Dieser Seminarvortrag thematisiert in erster Linie die Kopplung von Markovketten. Zu deren besseren Verständnis
MehrKapitel 4: Irreduzible und aperiodische Markov Ketten 1
Matrielnummer: 1152750 Projetseminar zur Stochasti Kapitel 4: Irreduzible und aperiodische Marov Ketten 1 Für einige besonders interessante Ergebnisse der Marov Theorie, werden zunächst bestimmte Annnahme
MehrSatz 18 (Satz von der totalen Wahrscheinlichkeit)
Ausgehend von der Darstellung der bedingten Wahrscheinlichkeit in Gleichung 1 zeigen wir: Satz 18 (Satz von der totalen Wahrscheinlichkeit) Die Ereignisse A 1,..., A n seien paarweise disjunkt und es gelte
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
Mehr1 Stochastische Konvergenz 2. 2 Das Gesetz der grossen Zahlen 4. 3 Der Satz von Bernoulli 6
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Mathematik Dr. Thomas Zehrt Grenzwertsätze Benötigtes Vorwissen: Der Stoff der Vorlesung,,Statistik wird als bekannt vorausgesetzt, insbesondere
MehrSatz 16 (Multiplikationssatz)
Häufig verwendet man die Definition der bedingten Wahrscheinlichkeit in der Form Damit: Pr[A B] = Pr[B A] Pr[A] = Pr[A B] Pr[B]. (1) Satz 16 (Multiplikationssatz) Seien die Ereignisse A 1,..., A n gegeben.
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
MehrDrei Anwendungen der Eulerschen Polyederformel
Drei Anwendungen der Eulerschen Polyederformel Seminar aus Reiner Mathematik Viktoria Weißensteiner 04. Dezember 2013 Inhaltsverzeichnis 1 Einleitung 2 2 Vorbereitende Theorie 3 2.1 ebene Graphen..........................
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
MehrKAPITEL 4 FLÜSSE IN NETZWERKEN
KAPITEL 4 FLÜSSE IN NETZWERKEN F. VALLENTIN, A. GUNDERT 1. Das Max-Flow-Min-Cut Theorem Es sei D = (V, A) ein gerichteter Graph, s, t V zwei Knoten. Wir nennen s Quelle und t Senke. Definition 1.1. Eine
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrKürzeste Wege in Graphen. Orte mit Straßenverbindungen. Coma I Rolf Möhring
Kürzeste Wege in Graphen Orte mit Straßenverbindungen Orte als Knoten eines Graphen Straßenverbindungen als Kanten eines Graphen Ungerichteter Graph G = (V,E) Kanten Knoten Knotenmenge V = {,,n} oder {,,n
Mehr4.5 Schranken an die Dichte von Kugelpackungen
Gitter und Codes c Rudolf Scharlau 19. Juli 2009 341 4.5 Schranken an die Dichte von Kugelpackungen Schon in Abschnitt 1.4 hatten wir die Dichte einer Kugelpackung, speziell eines Gitters bzw. einer quadratischen
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
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
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Sommersemester 204 4. Vorlesung Matchings / Paarungen Kombinatorische Anwendungen des Max-Flow-Min-Cut-Theorems Prof. Dr. Alexander Wolff 2 Paarungen (Matchings) Def. Sei
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
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
MehrVorlesung 2 KÜRZESTE WEGE
Vorlesung 2 KÜRZESTE WEGE 34 Kürzeste Wege im Graphen Motivation! Heute:! Kürzeste Wege von einem Knoten (SSSP)! Kürzeste Wege zwischen allen Knotenpaaren (APSP)! Viele Anwendungen:! Navigationssysteme!
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 7. Random Walks Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2016/2017 1 / 43 Überblick Überblick Ein randomisierter
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrFünf-Farben-Satz. Seminar aus reiner Mathematik, WS 13/14. Schweighofer Lukas, November Seite 1
Der Fünf- Farben-Satz Seminar aus reiner Mathematik, WS 13/14 Schweighofer Lukas, November 2013 Seite 1 Inhaltsverzeichnis Vorwort...3 Graphentheoretische Grundlagen...4 Satz 2 (Eulerscher Polyedersatz)...7
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrSatz von Borel-Cantelli. Limes inferior von Mengen. Limes superior von Mengen. Stetigkeit. Konvergenz von Zufallsvariablen. Kolmogorow-Ungleichung
Satz von Borel-Cantelli Limes inferior von Mengen Limes superior von Mengen Stetigkeit Konvergenz von Zufallsvariablen Kolmogorow-Ungleichung Tschebyschow-Ungleichung Konvergenzkriterien Starkes Gesetz
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
Mehr16.3 Rekurrente und transiente Zustände
16.3 Rekurrente und transiente Zustände Für alle n N bezeichnen wir mit f i (n) = P(X n = i,x n 1 i,...,x 1 i,x 0 = i) die Wahrscheinlichkeit, daß nach n Schritten erstmalig wieder der Zustand i erreicht
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrWie viele Geraden werden von n Punkten aufgespannt?
Fakultät für Mathematik und Informatik Lehrgebiet Diskrete Mathematik und Optimierung Prof. Dr. Winfried Hochstättler Sommersemester 009 Seminar zur Diskreten Mathematik Ausarbeitung der Fragestellung:
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
Mehr4. ggt und kgv. Chr.Nelius: Zahlentheorie (SS 2007) 9
Chr.Nelius: Zahlentheorie (SS 2007) 9 4. ggt und kgv (4.1) DEF: Eine ganze Zahl g heißt größter gemeinsamer Teiler (ggt) zweier ganzer Zahlen a und b, wenn gilt: GGT 0 ) g 0 GGT 1 ) g a und g b GGT 2 )
MehrZufallsvariablen: Die allgemeine Definition
KAPITEL 8 Zufallsvariablen: Die allgemeine Definition 8.1. Zufallsvariablen Bis zu diesem Zeitpunkt haben wir ausschließlich Zufallsvariablen mit endlich oder abzählbar vielen Werten (also diskrete Zufallsvariablen)
Mehr6. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 9 1.6.29 6. Übungsblatt zur Einführung in die Stochastik Aufgabe 22 Sei P ein auf der Borelschen
MehrHarmonische Funktionen und ihr Zusammenhang mit elektrischen Netzwerken
Seminar: Seminar über Wahrscheinlichkeitstheorie, Bäume, Netzwerke und Zufall Dozenten: Prof. Dr. Wakolbinger, Dr. Geiger Referentin: Karin Blank Harmonische Funktionen und ihr Zusammenhang mit elektrischen
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrDas Steinerbaumproblem
Das Steinerbaumproblem Natalie Richert Fakultät für Elektrotechnik, Informatik und Mathematik, Universität Paderborn 4. Februar 008 / 3 Überblick Problembeschreibung Vorstellung von zwei Approimationsalgorithmen
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
Mehr10 Untermannigfaltigkeiten
10. Untermannigfaltigkeiten 1 10 Untermannigfaltigkeiten Definition. Eine Menge M R n heißt k-dimensionale Untermannigfaltigkeit des R n, 1 k n, falls es zu jedem a M eine offene Umgebung U R n von a und
MehrElemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester vom 15. Januar 2006
Prof. E.-W. Zink Institut für Mathematik Humboldt-Universität zu Berlin Elemente der Algebra und Zahlentheorie Musterlösung, Serie 3, Wintersemester 2005-06 vom 15. Januar 2006 2te, korrigierte und erweiterte
MehrVorkurs Mathematik B
Vorkurs Mathematik B Dr. Thorsten Camps Fakultät für Mathematik TU Dortmund 20. September 2011 Definition (R n ) Wir definieren: 1 Der R 2 sei die Menge aller Punkte in der Ebene. Jeder Punkt wird in ein
MehrWestfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld
Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus
MehrProseminar Online Algorithmen, Prof. Dr. Rolf Klein
Proseminar Online Algorithmen, Prof. Dr. Rolf Klein Vortrag von Michael Daumen am 13.12.2000 Thema : Minimum Spanning Tree und 2-Approximation der TSP-Tour Inhalt des Vortrags : 1. genaue Vorstellung des
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
MehrFortgeschrittene 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
Mehr1.5 Duales Gitter und Diskriminantengruppe
Gitter und Codes c Rudolf Scharlau 24. April 2009 27 1.5 Duales Gitter und Diskriminantengruppe Dieser Abschnitt ist im wesentlichen algebraischer Natur: Es spielt keine Rolle, dass unsere Gitter in einem
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
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 05.11.2013 Alexander Lytchak 1 / 14 Linearkombinationen Definition Es sei V ein reeller Vektorraum. Es sei (v i ) i
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr5 Teilmengen von R und von R n
5 Teilmengen von R und von R n Der R n ist eine mathematische Verallgemeinerung: R n = {x = (x 1,...,x n ) : x i R} = R }... {{ R }. n mal Für x R ist x der Abstand zum Nullpunkt. Die entsprechende Verallgemeinerung
MehrVertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie
Fakultät für Mathematik Prof. Dr. Barbara Gentz SS 2013 Vertiefung NWI: 13. Vorlesung zur Wahrscheinlichkeitstheorie Mittwoch, 10.7.2013 13. Markoffketten 13.1 Beispiele 1. Irrfahrt auf dem zweidimensionalen
MehrGrundbegriffe 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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Informatiker I Wintersemester 3/ Aufgabenblatt 6. Januar Präsenzaufgaben
MehrKlausur zur Vorlesung,,Algorithmische Mathematik II
Institut für angewandte Mathematik, Institut für numerische Simulation Sommersemester 2015 Prof. Dr. Anton Bovier, Prof. Dr. Martin Rumpf Klausur zur Vorlesung,,Algorithmische Mathematik II Bitte diese
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
MehrEinführung in Markoff-Ketten
Einführung in Markoff-Ketten von Peter Pfaffelhuber Version: 6. Juli 200 Inhaltsverzeichnis 0 Vorbemerkung Grundlegendes 2 Stationäre Verteilungen 6 3 Markoff-Ketten-Konvergenzsatz 8 0 Vorbemerkung Die
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrMotivation. Benötigtes Schulwissen. Übungsaufgaben. Wirtschaftswissenschaftliches Zentrum 10 Universität Basel. Statistik
Wirtschaftswissenschaftliches Zentrum 0 Universität Basel Statistik Dr. Thomas Zehrt Ausblick Motivation Wir werfen einen Würfel 000-mal und wir möchten die Wahrscheinlichkeit P bestimmen, dass zwischen
MehrArbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute
3.4 PageRank Arbeit: Page, Brin, Motwani, Winograd (1998). Ziel: Maß für absolute Wichtigkeit von Webseiten; nicht Relevanz bezüglich Benutzeranfrage. Anfrageunabhängiges Ranking. Ausgangspunkt: Eingangsgrad.
MehrSeite 1 von 10. Abiturprüfung 2005 MATHEMATIK. als Grundkursfach. Arbeitszeit: 180 Minuten
Seite 1 von 10 Abiturprüfung 2005 MATHEMATIK als Grundkursfach Arbeitszeit: 180 Minuten Der Fachausschuss wählt je eine Aufgabe aus den Gebieten GM1, GM2 und GM3 zur Bearbeitung aus. Falls das Thema GM1.II
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
MehrBäume und Wälder. Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann
Bäume und Wälder Seminar: Graphentheorie Sommersemester 2015 Dozent: Dr. Thomas Timmermann Ida Feldmann 2-Fach Bachelor Mathematik und Biologie 6. Fachsemester Inhaltsverzeichnis Einleitung 1 1. Bäume
MehrDiskrete Wahrscheinlichkeitstheorie - Probeklausur
Diskrete Wahrscheinlichkeitstheorie - robeklausur Sommersemester 2007 - Lösung Name: Vorname: Matrikelnr.: Studiengang: Hinweise Sie sollten insgesamt Blätter erhalten haben. Tragen Sie bitte Ihre Antworten
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
MehrVorlesung 27. Der projektive Raum. Wir werden den projektiven Raum zunehmend mit mehr Strukturen versehen.
Vorlesung 27 Der projektive Raum Definition 1. Sei K ein Körper. Der projektive n-dimensionale Raum P n K besteht aus allen Geraden des A n+1 K durch den Nullpunkt, wobei diese Geraden als Punkte aufgefasst
MehrSPEKTRALE GRAPHENTHEORIE
SPEKTRALE GRAPHENTHEORIE 179 Graphen, Matrizen, Spektren! Graph als Matrix:! Adjazenzmatrix! Inzidenzmatrix! Laplacematrix!...! Spektrum: Menge der Eigenwerte! Motivation: Sagt das Spektrum etwas über
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
MehrRechnen mit Vektoren. 1. Vektoren im Koordinatensystem Freie Vektoren in der Ebene
Rechnen mit 1. im Koordinatensystem 1.1. Freie in der Ebene 1) Definition Ein Vektor... Zwei sind gleich, wenn... 2) Das ebene Koordinatensystem Wir legen den Koordinatenursprung fest, ferner zwei zueinander
MehrSatz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
MehrKlausur zur Vorlesung Grundbegriffe der Informatik 5. März 2014
Klausur zur Vorlesung Grundbegriffe der Informatik 5. März 2014 Klausurnummer Nachname: Vorname: Matr.-Nr.: Aufgabe 1 2 3 4 5 6 7 max. Punkte 6 8 4 7 5 6 8 tats. Punkte Gesamtpunktzahl: Note: Punkte Aufgabe
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrProgramm. Wiederholung. Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung. Binomialverteilung. Hypergeometrische Verteilung
Programm Wiederholung Gleichverteilung Diskrete Gleichverteilung Stetige Gleichverteilung Binomialverteilung Hypergeometrische Verteilung Wiederholung verschiedene Mittelwerte für verschiedene Skalenniveaus
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrHomogene und inhomogene Koordinaten und das Hyperboloid
Seminararbeit zum Seminar aus Reiner Mathematik Homogene und inhomogene Koordinaten und das Hyperboloid Gernot Holler 1010674 WS 2012/13 28.November 2012 1 Inhaltsverzeichnis 1 Einleitung 3 2 Homogene
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
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
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 014/015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 7 Abgabetermin: Freitag, 05.1.014, 11 Uhr Aufgabe 7.1 (Vektorräume
MehrWahrscheinlichkeitsrechnung und Quantentheorie
Physikalische Chemie II: Atombau und chemische Bindung Winter 2013/14 Wahrscheinlichkeitsrechnung und Quantentheorie Messergebnisse können in der Quantenmechanik ganz prinzipiell nur noch mit einer bestimmten
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrK. Eppler, Inst. f. Num. Mathematik Übungsaufgaben. 9. Übung SS 16: Woche vom
Übungsaufgaben 9. Übung SS 16: Woche vom 5. 6. 10. 6. 2016 Stochastik III: Totale Wkt., S.v.Bayes, Diskrete ZG Aufgaben: s. pdf auf der homepage von Dr. Vanselow http://www.math.tu-dresden.de/ vanselow/...
Mehr