Aufgabe 3b) [$, Unterschied zwischen $ auf der linken und der rechten Seite]

Größe: px
Ab Seite anzeigen:

Download "Aufgabe 3b) [$, Unterschied zwischen $ auf der linken und der rechten Seite]"

Transkript

1 Aufgabe 3 Aufgabe 3a) [Bedingte Wertzuweisung] Gegeben sei folgendes GAMS-Skript: set i /1*4/ j /1*4/; table c(i,j) Bewertung aller Kombinationen von i und j ; parameter a(i,j); Geben Sie eine Anweisung in GAMS-Syntax an, die dem Parameter a ij genau dann den Wert 1 zuweist, wenn der zugehörige Wert von c ij größer ist als 0 (sonst ist a ij = 0)! a(i,j)$(c(i,j)>0) = 1; display a; Aufgabe 3b) [$, Unterschied zwischen $ auf der linken und der rechten Seite] Gegeben ist folgender GAMS-Code: scalar a, b, c; a=4; b=8; c=2; Wie lautet der Wert von a nach Ausführung der nächsten GAMS-Anweisung, die entweder 1: a$(b<7)=a+2; 2: a=(a+2)$(b<7); 3: a=a+2$(b<7); lautet? Überprüfen Sie Ihre Lösung mit GAMS! 1: 4 2: 0 3: 4 9

2 Aufgabe 3c) [Bedingte Summe] Gegeben sei folgendes GAMS-Skript (vgl. Aufgabenteil a): set i /1*4/ j /1*4/; table c(i,j) Bewertung aller Kombinationen von i und j ; scalar X,Y; X = sum((i,j)$(ord(i)=1), c(i,j) ) ; Y = sum((i,j)$(ord(i)=card(i)), c(i,j) ); display X,Y; Weisen sie den Skalaren X bzw. Y folgende bedingte Summen zu: X = Y = (i,j) i=1 (i,j) i= I c ij c ij X = Sum((i,j)$(ord(i)=1), c(i,j) ); Y = Sum((i,j)$(ord(i)=card(i)), c(i,j) ); display X,Y; PARAMETER X = PARAMETER Y = In den folgenden Aufgabenteilen der Aufgabe 3 wird mit dem Transportmodell aus Aufgabe 2 weiter gearbeitet. Bitte bringen Sie Ihre Lösung der Aufgabe 2 mit! Aufgabe 3d) [Subsets,Mehrdimensionale Sets] Hinweis zu Aufgabe 3d: Da die nachfolgenden Definitionen beim Lösen des Modells in späteren Aufgabenteilen benötigt werden, müssen Sie diese vor die equations platzieren, frühestens nach den bereits deklarierten und definierten Sets. Erst dann sind alle Mengen, auf die Bezug genommen wird (hier Kundenmenge K) bereits bekannt. 1. Deklarieren Sie basierend auf der Menge K der Kunden folgende Untermengen: AK: A-Kunden gemäß ABC-Klassifizierung BK: B-Kunden gemäß ABC-Klassifizierung 10

3 CK: C-Kunden gemäß ABC-Klassifizierung 2. Ordnen Sie die fünf Kunden den Untermengen mit /../ wie folgt zu: A-Kunden: H B-Kunden: DD, F C-Kunden K, S 3. Lassen Sie sich danach durch die display-anweisung die in den Mengen AK,BK und CK enthaltenen Elemente im Listing anzeigen! 4. Bestimmte Transportverbindungen seien nicht erwünscht. Deklarieren Sie dazu im set-bereich eine zweidimensionale Menge U, wobei der erste Index der Menge der Standorte S und der zweite Index der Menge der Kunden K entspricht! 5. Folgende Transportverbindung sei nicht erwünscht: von M nach K. Fügen Sie diese in Ihre Menge als Daten ein. 6. Lassen Sie sich danach durch die display-anweisung die in der Menge U enthaltenen Elemente im Listing anzeigen! Hinweis: Allein durch diese Angaben wird noch nicht gewährleistet, dass die angegebene Transportverbindung nicht in der Lösung enthalten ist. Dies wird in nachfolgenden Aufgabenteilen realisiert. sets S Anbieter /B, HH, M/ K Nachfrager /DD, F, H, K, S/ ; sets AK(K) A-Kunden /H/ BK(K) B-Kunden /DD,F/ CK(K) C-Kunden /K,S/ U(s,k) Unerwünschte Transportverbindungen /M.K/ ; display AK,BK,CK,U; Aufgabe 3e) [Bedingte Equations] Das Modell soll so abgewandelt werden, dass nur die Kunden beliefert werden sollen, die eine Nachfrage von mindestens 200 Einheiten aufweisen. Die neue Nebenbedingung (8) lautet somit formal: X sk b k k K b k 200 (10) s S Ergänzen Sie in GAMS die zugehörige Bedingung in der equation zur Nachfragebefriedigung mittels $ und lösen Sie das veränderte Modell! Welchen Wert nimmt die Zielfunktionsvariable an? 11

4 F = 1745 nachfrage_3e(k)$(b(k)>=200).. sum(s, x(s,k) ) =G= b(k); Hinweis: Diese Bedingung müsste theoretisch auch in die Angebotsrestriktion eingefügt werden, d.h. in der Summation der Kunden. Da wir durch (10) gewährleisten, das einige Kunden nun gar nicht mehr beliefert werden müssen und wir die Transportkosten minimieren möchten, werden die betreffenden Kunden automatisch nicht mehr beliefert. Aufgabe 3f) [Bedingte Summen] Das Modell soll nun so erweitert werden, dass die unerwünschte Transportverbindung aus (d) nicht gewählt wird. Veränderungen aus (e) bleiben erhalten. 1. Die neue Nebenbedingung (7) lautet somit formal: X sk a s s S (11) k K (s,k)/ U 2. Die neue Nebenbedingung (8) lautet somit formal: X sk b k k K b k 200 (12) Lösen Sie das veränderte Modell! Welchen Wert nimmt die Zielfunktionsvariable an? F = nachfrage_3f(k)$(b(k)>=200).. sum(s$(not U(s,k)), x(s,k) ) =G= b(k); angebot_3f(s).. sum(k$(not U(s,k)), x(s,k) ) =L= a(s); auch möglich: x.fx(s,k)$(u(s,k)) = 0; Aufgabe 3g) [Bedingte Equations] Das Modell soll so erweitert werden, dass nur die A- und B-Kunden beliefert werden sollen (unerwünschte Transportverbindungen aus (d) beibehalten). Die neue Nebenbedingung (8) lautet somit formal: X sk b k k AK BK (13) 12

5 Ergänzen Sie in GAMS die zugehörige Bedingung in der equation zur Nachfragebefriedigung mittels $! Hinweis: Dies ist gleichbedeutend mit: X sk b k k K k / CK (14) Lösen Sie das Modell! Welchen Wert nimmt die Zielfunktionsvariable an? F = nachfrage_3g(k)$(ak(k) OR BK(k)).. sum(s$(not U(s,k)), x(s,k) ) =G= b(k); oder: nachfrage_3g(k)$(not CK(k)).. sum(s$(not U(s,k)), x(s,k) ) =G= b(k); Hinweis: Diese Bedingung müsste theoretisch auch in die Angebotsrestriktion eingefügt werden, d.h. in der Summation der Kunden. Da wir durch (13) gewährleisten, das einige Kunden nun gar nicht mehr beliefert werden müssen und wir die Transportkosten minimieren möchten, werden die betreffenden Kunden automatisch nicht mehr beliefert. 13

Übung zur Modellierung mit GAMS

Übung zur Modellierung mit GAMS Übung zur Modellierung mit GAMS Aufgabe 1 Einführungsbeispiel Es ist das folgende lineare Optimierungsproblem gegeben: max F = 90x 1 + 50x 2 + 70x 3 + 40x 4 (1) unter den Nebenbedingungen 2x 1 1x 2 + 1x

Mehr

Gegeben sei das folgende formale Modell aus dem Bereich der Transportplanung: Transportkosten pro Stück zwischen Standort s und Kunde k in Euro

Gegeben sei das folgende formale Modell aus dem Bereich der Transportplanung: Transportkosten pro Stück zwischen Standort s und Kunde k in Euro Aufgabe 2 Transportmodell Gegeben sei das folgende formale Modell aus dem Bereich der Transportplanung: Mengen und Indices S Menge der Unternehmensstandorte (Index s) K Menge der Kunden (Index k) Parameter

Mehr

Aufgabe 6. Standortplanung in der Ebene: Miehle-Verfahren. Distanzmessung

Aufgabe 6. Standortplanung in der Ebene: Miehle-Verfahren. Distanzmessung Aufgabe 6 Standortplanung in der Ebene: Miehle-Verfahren Distanzmessung Ein Luftverkehrsunternehmen plant die Einrichtung eines Cargo-Hubs in Europa. Die für die Airline wichtigsten Flughäfen mit Ihren

Mehr

Zeiger: Der Adressoperator &

Zeiger: Der Adressoperator & Zeiger: Der Adressoperator & Variablen werden im Computer im Speicher abgelegt. Nach der Deklaration int a,b,c; double x,y,z; Sieht die Speicherbelegung etwa wie folgt aus: a b c x y z Jede Variable hat

Mehr

Rechnerarchitektur SS 2013

Rechnerarchitektur SS 2013 Rechnerarchitektur SS 2013 Parallel Random Access Machine (PRAM) Michael Engel TU Dortmund, Fakultät für Informatik Teilweise basierend auf Material von Gernot A. Fink und R. Yahyapour 6. Juni 2013 Parallel

Mehr

GAMS (General Algebraic Modeling System)

GAMS (General Algebraic Modeling System) GAMS (General Algebraic Modeling System) Crash-Kurs Dortmund, Januar 1999 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966,

Mehr

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK

Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über

Mehr

Zwei Bemerkungen zum Schluss

Zwei Bemerkungen zum Schluss Man könnte sich fragen, ob eine Typ-3 Sprache inhärent mehrdeutig sein kann (im Sinn von Einheit 8). Die Antwort lautet: NEIN. Zwei Bemerkungen zum Schluss Denn für jede Typ-3 Sprache gibt es einen DEA,

Mehr

- - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2 off 3 3.0 4 2.0 5 off 6 1 8 20.0 9 60 C 7 4.0 10 80 C 1 38 C 12 8 k 13 on 14 30.0 15 10 16 - - CodE 11 CodE 0 0 0 0 0 0 0 0 2.o C 1 10.0 C 2

Mehr

Chapter 1 : þÿ b e t a t h o m e E r g e b n i s z u l a u f e n c h a p t e r

Chapter 1 : þÿ b e t a t h o m e E r g e b n i s z u l a u f e n c h a p t e r Chapter 1 : þÿ b e t a t h o m e E r g e b n i s z u l a u f e n c h a p t e r þÿ b e k o m m t m a n w e i t e r e 1 0 0 E u r o a l s P r o m o - C a s h a u f d a s W e t t k o n t o g e b u c h t..

Mehr

Mathematik für Naturwissenschaftler II SS 2010

Mathematik für Naturwissenschaftler II SS 2010 Mathematik für Naturwissenschaftler II SS 2010 Lektion 9 20. Mai 2010 Kapitel 9. Matrizen und Determinanten Der Begriff der Matrix Die transponierte Matrix Definition 84. Unter einer (reellen) m n-matrix

Mehr

Chapter 1 : þÿ b e t a t h o m e? 0 B a c k u p - W e t t e c h a p t e r

Chapter 1 : þÿ b e t a t h o m e? 0 B a c k u p - W e t t e c h a p t e r Chapter 1 : þÿ b e t a t h o m e? 0 B a c k u p - W e t t e c h a p t e r þÿ A l l t r a d e r s w h o h a v e b e e n s p r e a d b e t t i n g o r C F D t r a d i n g f o r a n y r e a l l e n g t h

Mehr

Kapitel 23 Importieren einer DWG-Zeichnung, nicht von MasterChef erstellt

Kapitel 23 Importieren einer DWG-Zeichnung, nicht von MasterChef erstellt Kapitel 23 Importieren einer DWG-Zeichnung, nicht von MasterChef erstellt Hinweis: In diesem Tutorial werden wir DWG Dateien bevorzugen, welche in den Video- Ordner Zip (Kap. 23) sind. Starten Sie MasterChef

Mehr

This image cannot currently be displayed. Java à Matlab. bereitgestellt von Dr. Lukas Faessler 12/4/17

This image cannot currently be displayed. Java à Matlab. bereitgestellt von Dr. Lukas Faessler 12/4/17 This image cannot currently be displayed. Java à Matlab bereitgestellt von Dr. Lukas Faessler 12/4/17 Allgemeine Programmierkonzepte kommen in verschiedenen Programmiersprachen vor sind langlebig Sprachen

Mehr

Einstieg in die Informatik mit Java

Einstieg in die Informatik mit Java 1 / 27 Einstieg in die Informatik mit Java Methoden / Funktionen Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 27 1 Überblick 2 Zweck von Methoden 3 Methodendefinition

Mehr

4. Objektrelationales Typsystem Kollektionstypen. Nested Table

4. Objektrelationales Typsystem Kollektionstypen. Nested Table Nested Table Bei einer Nested Table handelt es sich um eine Tabelle als Attributwert. Im Gegensatz zu Varray gibt es keine Beschränkung bei der Größe. Definition erfolgt auf einem Basistyp, als Basistypen

Mehr

Definition der Hilfsprädikate

Definition der Hilfsprädikate Denition der Hilfsprädikate fct sorted = (seq nat s) bool: if #s < 2 then true else rst(s) rst(rest(s)) sorted(rest(s)) a s = ( nat k: k#a = k#s) mit k# = 0 k# j s = if k == j then 1+ k#s else k#s 1 Annotierte

Mehr

Chapter 1 : þÿ h a b e m e i n b e t a t h o m e B e n u t z e r n a m e c h a p t e r

Chapter 1 : þÿ h a b e m e i n b e t a t h o m e B e n u t z e r n a m e c h a p t e r Chapter 1 : þÿ h a b e m e i n b e t a t h o m e B e n u t z e r n a m e c h a p t e r þÿ 1 5. M a i 2 0 1 3 F ü r s t l i c h s p e i s e n i n d e r b e t - a t - h o m e. c o m V I P - L o g e a u f

Mehr

Access Programmierung. Ricardo Hernández García. 1. Ausgabe, November 2013 ACC2013P

Access Programmierung. Ricardo Hernández García. 1. Ausgabe, November 2013 ACC2013P Access 2013 Ricardo Hernández García 1. Ausgabe, November 2013 Programmierung ACC2013P Die VBA-Entwicklungsumgebung 5 Weitere Eingabehilfen Im Menü Bearbeiten finden Sie noch weitere Hilfen, die Ihnen

Mehr

Klausur zur Vorlesung Höhere Mathematik I

Klausur zur Vorlesung Höhere Mathematik I Name: 30. Januar 200,.00-3.00 Uhr Allgemeine Hinweise: Dauer der Klausur: Zugelassene Hilfsmittel: 20 min, 2 Zeitstunden Skript, Vorlesungsmitschrift Schreiben Sie bitte auf dieses Deckblatt oben rechts

Mehr

So planen Sie eine Route

So planen Sie eine Route Prof. Dr. Hans G. Bartels Frankfurt, SS 00 Klausur zum speziellen Seminar Ausgewählte OR-Probleme Bearbeiter Maximale Punktzahl: Nachname :... Musterlösung ohne Gewähr 90 Vorname :... Matr.-Nr. :... Studienfach

Mehr

Einstieg in die Informatik mit Java

Einstieg in die Informatik mit Java 1 / 34 Einstieg in die Informatik mit Java Klassen mit Instanzmethoden Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 34 1 Definition von Klassen 2 Methoden 3 Methoden

Mehr

Beispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist

Beispiele 1. Gegeben ist das lineare System. x+4y +3z = 1 2x+5y +9z = 14 x 3y 2z = 5. Die erweiterte Matrix ist 127 Die Schritte des Gauß-Algorithmus sind nun die Folgenden: 1. Wir bestimmen die am weitesten links stehende Spalte, die Einträge 0 enthält. 2. Ist die oberste Zahl der in Schritt 1 gefundenen Spalte

Mehr

Ganzzahlige OR-Methoden: Operations Research II a. Übungsblatt 12

Ganzzahlige OR-Methoden: Operations Research II a. Übungsblatt 12 Operations Research und Wirtschaftsinformatik Prof. Dr. P. Recht // Dr. Eva-Maria Sprengel Ganzzahlige OR-Methoden: Operations Research II a Übungsblatt 12 Aufgabe 37 Auf einem Güterumschlagplatz werden

Mehr

Mathematik, Klasse 7, Terme und Termwerte

Mathematik, Klasse 7, Terme und Termwerte Mathematik, Klasse 7, Terme und Termwerte. Finde den Term und berechne dann den Termwert für x = - 5 und x = 00. x = x = x = 3 x = 4 x = 5 x = - 5 x =00 T (x) = 5 8 4 7 T (x) = 3 6 9-5 T 3 (x) = 0 3 8

Mehr

Beispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A

Beispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A 133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des

Mehr

a ij i - te Gleichung (Zeile), i = 1,2,3,..., m

a ij i - te Gleichung (Zeile), i = 1,2,3,..., m I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix

Mehr

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK)

Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK (STOCHASTIK) für Studierende des Maschinenbaus vom 7. Juli (Dauer: 8 Minuten) Übersicht über die

Mehr

Methoden. Gerd Bohlender. Einstieg in die Informatik mit Java, Vorlesung vom

Methoden. Gerd Bohlender. Einstieg in die Informatik mit Java, Vorlesung vom Einstieg in die Informatik mit Java, Vorlesung vom 2.5.07 Übersicht 1 2 definition 3 Parameterübergabe, aufruf 4 Referenztypen bei 5 Überladen von 6 Hauptprogrammparameter 7 Rekursion bilden das Analogon

Mehr

Visual Basic Express Fehlerermittlung

Visual Basic Express Fehlerermittlung Inhalt Dokument Beschreibung... 1 Fehlermeldungen anzeigen... 1 Fehlerkorrektur mit Fehlerliste... 2 Laufzeitfehler... 3 Arbeiten mit Haltepunkten... 4 Dokument Beschreibung Bei der Programmierung können

Mehr

Universität Innsbruck WS 2013/2014. Brückenkurs. Formale Konzepte. 3. Auflage. Harald Zankl. 15. Januar 2014

Universität Innsbruck WS 2013/2014. Brückenkurs. Formale Konzepte. 3. Auflage. Harald Zankl. 15. Januar 2014 Universität Innsbruck WS 013/014 Brückenkurs Formale Konzepte 3. Auflage Harald Zankl 15. Januar 014 Institut für Informatik Innsbruck, Österreich Inhaltsverzeichnis 1 Definition, Satz, Beweis 1.1 Aufgaben................................

Mehr

Proseminar Mathematisches Problemlösen

Proseminar Mathematisches Problemlösen Was bedeutet Konvexität? Konvexität ist die natürliche Fortsetzung des Linearitätsgedankens mit dem Zusatz der Positivität, d.h. ein Term heißt konvex, wenn alle Koeffizienten nichtnegativ sind. Aufgabe

Mehr

Variation mit Nebenbedingungen

Variation mit Nebenbedingungen Variation mit Nebenbedingungen Lagrange-Multiplikatoren Welcher Punkt minimiert unter der Nebenbedingung (NB) absolutes Minimum Ohne NB wäre Antwort: 2 Gl. für 2 Unbekannte Aber: NB verknüpft x,y unabhängige

Mehr

shell variable HOWTO.txt

shell variable HOWTO.txt HOWTO zu Shell und Umgebungs/Environment Variablen (C) 2006 2017 T.Birnthaler/H.Gottschalk OSTC Open Source Training and Consulting GmbH http://www.ostc.de $Id:,v 1.17 2017/09/11 22:59:53

Mehr

Master-Kursprüfung Ost-West-Handelsmodelle SS Bearbeiten Sie vier der fünf Aufgaben!

Master-Kursprüfung Ost-West-Handelsmodelle SS Bearbeiten Sie vier der fünf Aufgaben! Master-Kursprüfung Ost-West-Handelsmodelle SS 2017 Pflichtmodul Internationale VWL (M.Sc. IVWL) Schwerpunktmodul Außenwirtschaft (M.Sc. VWL) 6 Kreditpunkte Bearbeitungsdauer: 90 Minuten 02.08.2017 Prof.

Mehr

Veranstaltung und Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen. Uwe Suhl Veronika Waue SS 2008

Veranstaltung und Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen. Uwe Suhl Veronika Waue SS 2008 Veranstaltung 10033025 und 101053 Übung: Optimierungssysteme Modelle, Software, Praxisanwendungen Uwe Suhl Veronika Waue SS 2008 Organisatorisches Veronika Waue Sprechstunde Mi.11h-12h (R214) E-mail: veronika@waue.net

Mehr

Mathematische Computer-Software

Mathematische Computer-Software Mathematische Computer-Software Kommerzielle Computeralgebrasysteme (CAS) Beispiele: Mathematica, Maple, Numerisches und symbolisches Verarbeiten von Gleichungen: Grundrechenarten Ableitung und Integration

Mehr

Chapter 1 : þÿ A p p b e t a t h o m e c h a p t e r

Chapter 1 : þÿ A p p b e t a t h o m e c h a p t e r Chapter 1 : þÿ A p p b e t a t h o m e c h a p t e r þÿ W e t t a n b i e t e r I n t e r w e t t e n h a t a m M o n t a g s e i n e n J a h r e s b e r i c h t u n d e i n e I n d e r. a l t m o d i

Mehr

Eulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal

Eulerweg, 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

Mehr

12 BG EDV Access / Inf-SQL1 Theodor-Heuss-Schule Wetzlar

12 BG EDV Access / Inf-SQL1 Theodor-Heuss-Schule Wetzlar Abfragen aus einer Tabelle mit Hilfe der Datenbank-Sprache SQL SQL (Structured Query Language) ist eine Computersprache zum Speichern, Bearbeiten und Abfragen von Daten in relationalen Datenbanken. Eine

Mehr

Programmiervorkurs für die Numerik Teil 2/4

Programmiervorkurs für die Numerik Teil 2/4 line 1 1 0.8 0.6 0.4 0.2 0-0.2-0.4 Programmiervorkurs für die Numerik Teil 2/4 Christian Power Mathematisches Institut Universität Tübingen -8-6 -4-2 0 05.10.2016 2 4 6 8-8 -6-4 -2 0 2 4 6 8 Wiederholung

Mehr

Zeiger. C-Kurs 2012, 2. Vorlesung. Tino Kutschbach 10.

Zeiger. C-Kurs 2012, 2. Vorlesung. Tino Kutschbach  10. Zeiger C-Kurs 2012, 2. Vorlesung Tino Kutschbach tino.kutschbach@campus.tu-berlin.de http://wiki.freitagsrunde.org 10. September 2012 This work is licensed under the Creative Commons Attribution-ShareAlike

Mehr

Klausur Kompaktkurs Einführung in die Programmierung Dr. T. Weinzierl & M. Sedlacek 25. März 2011

Klausur Kompaktkurs Einführung in die Programmierung Dr. T. Weinzierl & M. Sedlacek 25. März 2011 Kompaktkurs Einführung in die Programmierung Klausur Seite 1/10 Name, Vorname, Unterschrift: Matrikelnummer: Wichtig: Klausur Kompaktkurs Einführung in die Programmierung Dr. T. Weinzierl & M. Sedlacek

Mehr

Algorithmen und ihre Programmierung

Algorithmen und ihre Programmierung Veranstaltung Pr.-Nr.: 101023 Algorithmen und ihre Programmierung Veronika Waue WS 07/08 Einführung Definition: Algorithmus Ein Algorithmus ist eine genau definierte Folge von Anweisungen zur Lösung eines

Mehr

Arbeitsblatt 24: Statistische Parameter Top-secret

Arbeitsblatt 24: Statistische Parameter Top-secret Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste

Mehr

Analytische Geometrie mit dem Voyage 1

Analytische Geometrie mit dem Voyage 1 Analytische Geometrie mit dem Voyage. Vektoren Vektoren lassen sich definieren in eckigen Klammern. Setzt man ein Semikolon zwischen die einzelnen Komponenten, so ergibt sich ein Spaltenvektor. Ein Spaltenvektor

Mehr

hue12 January 24, 2017

hue12 January 24, 2017 hue12 January 24, 2017 1 Abgabehinweise Beachten Sie unbedingt diese Hinweise, sonst erhalten Sie keine Punkte aus dieser Abgabe! Für Details siehe z.b. Folien der nullten Zentralübung 1.1 Namen und Matrikelnummern

Mehr

Sprachanalyse. Fachseminar WS 08/09 Dozent: Prof. Dr. Helmut Weber Referentin: Nadia Douiri

Sprachanalyse. Fachseminar WS 08/09 Dozent: Prof. Dr. Helmut Weber Referentin: Nadia Douiri Sprachanalyse WS 08/09 Dozent: Prof. Dr. Helmut Weber Referentin: Inhalt 1. Formale Sprachen 2. Chomsky-Hierarchie 2 FORMALE SPRACHE 1. WAS IST EINE SPRACHE? 2. WIE BESCHREIBT MAN EINE SPRACHE? 3. WAS

Mehr

Lineare Algebra 1. Roger Burkhardt

Lineare Algebra 1. Roger Burkhardt Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2010/11 2 Rechenoperationen und Gesetze Gleichheit

Mehr

Als Instanz für das p-median Problem wählen wir das Netzwerk von Abbildung 1-1 des Buches auf Seite 6.

Als Instanz für das p-median Problem wählen wir das Netzwerk von Abbildung 1-1 des Buches auf Seite 6. Übung zum p-median Problem Prof. Dr. R. Vahrenkamp, Universität Kassel Als Instanz für das p-median Problem wählen wir das Netzwerk von Abbildung 1-1 des Buches auf Seite 6. Abbildung1 1: Ausschnitt aus

Mehr

Funktionsweise Um dieses Leistungsmerkmal zu erfüllen, bekommen die Favoritenordner eine Zusatzfunktion:

Funktionsweise Um dieses Leistungsmerkmal zu erfüllen, bekommen die Favoritenordner eine Zusatzfunktion: Definition Die Beurteilung von Patenten bei infopatent macht es möglich, Patentfamilien mit einer dreistufigen Beurteilung zu versehen. Folgende Anwendungsregeln gelten: Die Beurteilung wird durch Betätigen

Mehr

Tag 4 Repetitorium Informatik (Java)

Tag 4 Repetitorium Informatik (Java) Tag 4 Repetitorium Informatik (Java) Dozent: Michael Baer Lehrstuhl für Informatik 2 (Programmiersysteme) Friedrich-Alexander-Universität Erlangen-Nürnberg Wintersemester 2017/2018 Übersicht Arrays (Reihungen)

Mehr

Gödels Incompleteness Theorems. Episode I: Einführung

Gödels Incompleteness Theorems. Episode I: Einführung Gödels Incompleteness Theorems Episode I: Einführung Inhaltsübersicht Generelle Beweisidee Gödels Eigenschaften und Relationen der Sprache L Tools & Rules Beweise, 1. Teil Anforderungen an L Tools & Rules,

Mehr

4.4 Imperative Algorithmen Prozeduren

4.4 Imperative Algorithmen Prozeduren 4.4.2 Prozeduren Der Wert eines Ausdrucks u in Zustand z Z lässt sich damit auch leicht definieren (jetzt W Z statt W σ ) Dazu erweitern wir die rekursive Definition von Folie 57 (Wert eines Ausdrucks):

Mehr

Differenzengleichungen

Differenzengleichungen Universität Basel Wirtschaftswissenschaftliches Zentrum Differenzengleichungen Dr. Thomas Zehrt Inhalt: 1. Einführungsbeispiele 2. Definition 3. Lineare Differenzengleichungen 1. Ordnung (Wiederholung)

Mehr

Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014

Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014 Klausur zur Modulprüfung ABWL1 SoSe14 2. Termin 13. Oktober 2014 Name: Vorname: Matrikel-Nr.: Studiengang, Abschluss: Hiermit erkläre ich mich nach 39(10) der AllgStuPO prüfungsfähig. Ein Rücktritt bzw.

Mehr

NICHT TRIVIAL: MAKROVARIABLEN - GLOBAL ODER LOKAL

NICHT TRIVIAL: MAKROVARIABLEN - GLOBAL ODER LOKAL WEBINAR@LUNCHTIME NICHT TRIVIAL: MAKROVARIABLEN - GLOBAL ODER LOKAL FRAGE Antworten EINSTIEGSFRAGE Wie werden die Makrovariablen durch Call Symput erstellt Global, lokal, teils-teils oder gar nicht? %macro

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

3 Query Language (QL) Einfachste Abfrage Ordnen Gruppieren... 7

3 Query Language (QL) Einfachste Abfrage Ordnen Gruppieren... 7 1 Data Definition Language (DDL)... 2 1.1 Tabellen erstellen... 2 1.1.1 Datentyp...... 2 1.1.2 Zusätze.... 2 1.2 Tabellen löschen... 2 1.3 Tabellen ändern (Spalten hinzufügen)... 2 1.4 Tabellen ändern

Mehr

Ideen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn

Ideen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn Ideen und Konzepte der Informatik Programme und Algorithmen Kurt Mehlhorn 26. Oktober 2015 Programme und Algorithmen Programmiersprache = Kunstsprache mit genau definierter Syntax (was ist ein zulässiger

Mehr

1.2 Rechnen mit Termen II

1.2 Rechnen mit Termen II 1.2 Rechnen mit Termen II Inhaltsverzeichnis 1 Ziele 2 2 Potenzen, bei denen der Exponent negativ oder 0 ist 2 3 Potenzregeln 3 4 Terme mit Wurzelausdrücken 4 5 Wurzelgesetze 4 6 Distributivgesetz 5 7

Mehr

Theorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie

Theorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung

Mehr

Gefährdungsbeurteilung und Auswahl von PSA

Gefährdungsbeurteilung und Auswahl von PSA Gefährdungsbeurteilung und Auswahl von PSA Dr. Jürgen Klein Abteilungsleiter IuK, Medien und elektrische Geräte (Vorsitzender AK Schutz- und Sicherheitsausrüstung im Ref. 8 vfdb) Inhalt Ausgangslage Ziele

Mehr

Tag 4 Repetitorium Informatik (Java)

Tag 4 Repetitorium Informatik (Java) Tag 4 Repetitorium Informatik (Java) Dozent: Patrick Kreutzer Lehrstuhl für Informatik 2 (Programmiersysteme) Friedrich-Alexander-Universität Erlangen-Nürnberg Wintersemester 2016/2017 Willkommen zum Informatik-Repetitorium!

Mehr

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen

Musterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können

Mehr

2 Lineare Gleichungssysteme

2 Lineare Gleichungssysteme 2 Lineare Gleichungssysteme Betrachte ein beliebiges System von m linearen Gleichungen in den n Unbekannten x,,x n : a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x n = b 2 () a m x + a m2 x

Mehr

Mischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw.

Mischungsverhältnisse: Nehmen wir an, es stehen zwei Substanzen (zum Beispiel Flüssigkeiten) mit spezifischen Gewicht a = 2 kg/l bzw. Kapitel 5 Lineare Algebra 51 Lineare Gleichungssysteme und Matrizen Man begegnet Systemen von linearen Gleichungen in sehr vielen verschiedenen Zusammenhängen, etwa bei Mischungsverhältnissen von Substanzen

Mehr

Wahrscheinlichkeitstheorie und Statistik vom

Wahrscheinlichkeitstheorie und Statistik vom INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste

Mehr

Programmieren I. Kapitel 5. Kontrollfluss

Programmieren I. Kapitel 5. Kontrollfluss Programmieren I Kapitel 5. Kontrollfluss Kapitel 5: Kontrollfluss Ziel: Komplexere Berechnungen im Methodenrumpf Ausdrücke und Anweisungen Fallunterscheidungen (if, switch) Wiederholte Ausführung (for,

Mehr

Erläuterungen zum Online-Zähltool b4p. Mehr Informationen über mds:

Erläuterungen zum Online-Zähltool b4p. Mehr Informationen über mds: Erläuterungen zum Online-Zähltool b4p Mehr Informationen über mds: www.mds-mediaplanung.de Zielgruppendefinition Mit dem Modul Zielgruppen-Definition wird eine Personengruppe festgelegt, auf die sich alle

Mehr

SQL Data Manipulation Language (DML) und Query Language (QL)

SQL Data Manipulation Language (DML) und Query Language (QL) Innsbruck Information System University of Innsbruck School of Management Information Systems Universitätsstraße 15 6020 Innsbruck SQL Data Manipulation Language (DML) und Query Language (QL) Universität

Mehr

Optimierung für Nichtmathematiker

Optimierung für Nichtmathematiker Technische Universität Chemnitz Chemnitz, 19.10.2009 Prof. Dr. C. Helmberg, A. Lau Optimierung für Nichtmathematiker Übung 2 Einführung in die Modellierungssprache AMPL 1. Wir betrachten zunächst das Mozartproblem

Mehr

Paul Molitor und Jörg Ritter VHDL. Eine Einführung. ein Imprint von Pearson Education

Paul Molitor und Jörg Ritter VHDL. Eine Einführung. ein Imprint von Pearson Education Paul Molitor und Jörg Ritter VHDL Eine Einführung ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis

Mehr

Ausgabe:

Ausgabe: Aufgabe 2.10: Schreiben Sie ein Programm, das zunächst die Quadratzahlen zu den Zahlen 1-10 mit Hilfe einer While- Schleife und danach die Quadratzahlen zu den Zahlen 3, 6, 9,.., 30 mit Hilfe einer For-Schleife

Mehr

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206

Unimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter

Mehr

Bestimmung einer ganzrationalen Funktionenschar

Bestimmung einer ganzrationalen Funktionenschar Bestimmung einer ganzrationalen Funktionenschar x Gesucht ist eine Schar f a ganzrationaler Funktionen. Grades, deren Graphen durch A(0 ) und B( ) verlaufen und in A die Steigung a haben. Funktionenschar

Mehr

Ingenieurinformatik II Numerik für Ingenieure Teil 2

Ingenieurinformatik II Numerik für Ingenieure Teil 2 Hochschule München, FK 03 MB SS 013 Name Vorname Matrikelnummer Sem.Gr. Hörsaal Platz Ingenieurinformatik II Numerik für Ingenieure Teil Bearbeitungszeit : 60 Minuten Aufgabensteller : Dr. Reichl Hilfsmittel

Mehr

Funktionen in JavaScript

Funktionen in JavaScript Funktionen in JavaScript Eine Funktion enthält gebündelten Code, der sich in dieser Form wiederverwenden lässt. Es können ganze Programmteile aufgenommen werden. Mithilfe von Funktionen kann man denselben

Mehr

1. Transport- und Zuordnungsprobleme

1. Transport- und Zuordnungsprobleme 1. Transport- und Zuordnungsprobleme Themen 1. Transport- und Zuordnungsprobleme Themen: Analyse der Problemstruktur Spezielle Varianten des Simplexalgorithmus für Transport- und Zuordnungsprobleme Bezug

Mehr

Definition 4 (Operationen auf Sprachen) Beispiel 5. Seien A, B Σ zwei (formale) Sprachen. Konkatenation: AB = {uv ; u A, v B} A + = n 1 An

Definition 4 (Operationen auf Sprachen) Beispiel 5. Seien A, B Σ zwei (formale) Sprachen. Konkatenation: AB = {uv ; u A, v B} A + = n 1 An Definition 4 (Operationen auf Sprachen) Seien A, B Σ zwei (formale) Sprachen. Konkatenation: AB = {uv ; u A, v B} A 0 = {ɛ}, A n+1 = AA n A = n 0 An A + = n 1 An Beispiel 5 {ab, b}{a, bb} = {aba, abbb,

Mehr

Kontextfreie Sprachen. Automaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kontextfreie Sprachen

Kontextfreie Sprachen. Automaten und Formale Sprachen alias Theoretische Informatik. Sommersemester Kontextfreie Sprachen Automaten und Formale Sprachen alias Theoretische Informatik Sommersemester 2012 Dr. Sander Bruggink Übungsleitung: Jan Stückrath Wortproblem: der CYK-Algorithmus Pumping Lemma für kontextfreie Sprachen

Mehr

Resolution (Motivation) Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Resolution (Idee) Resolution (Idee)

Resolution (Motivation) Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Resolution (Idee) Resolution (Idee) (Motivation) Vorlesung Logik Sommersemester 0 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Wir benötigen Algorithmen für Erfüllbarkeitstests, die zumindest in vielen Fällen gutartiges

Mehr

Vorlesung Logik Wintersemester 2012/13 Universität Duisburg-Essen

Vorlesung Logik Wintersemester 2012/13 Universität Duisburg-Essen Vorlesung Logik Wintersemester 2012/13 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume & Dr. Sander Bruggink Barbara König Logik 1 (Motivation) Wir benötigen Algorithmen für Erfüllbarkeitstests,

Mehr

Ideen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn

Ideen und Konzepte der Informatik. Programme und Algorithmen Kurt Mehlhorn Ideen und Konzepte der Informatik Programme und Algorithmen Kurt Mehlhorn Algorithmen und Programme Algorithmus Schritt-für-Schritt Vorschrift zur Lösung eines Problems. Formuliert man umgangssprachlich,

Mehr

Inhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung

Inhalt. 8.1 Motivation. 8.2 Optimierung ohne Nebenbedingungen. 8.3 Optimierung unter Nebenbedingungen. 8.4 Lineare Programmierung 8. Optimierung Inhalt 8.1 Motivation 8.2 Optimierung ohne Nebenbedingungen 8.3 Optimierung unter Nebenbedingungen 8.4 Lineare Programmierung 8.5 Kombinatorische Optimierung 2 8.1 Motivation Viele Anwendungen

Mehr

SigmaPlots Gleichungsplotter und Solver

SigmaPlots Gleichungsplotter und Solver SigmaPlots Gleichungsplotter und Solver Mit SigmaPlots Gleichungsplotter und Solver können Sie - Kurven für Daten aus benutzerdefinierten Gleichungen plotten - Gleichungen für Datenpunkte berechnen oder

Mehr

5 Assoziationsmessung in Kontingenztafeln

5 Assoziationsmessung in Kontingenztafeln 5 Assoziationsmessung in Kontingenztafeln 51 Multivariate Merkmale 51 Multivariate Merkmale Gerade in der Soziologie ist die Analyse eindimensionaler Merkmale nur der allererste Schritt zur Beschreibung

Mehr

JavaScript. Dies ist normales HTML. Hallo Welt! Dies ist JavaScript. Wieder normales HTML.

JavaScript. Dies ist normales HTML. Hallo Welt! Dies ist JavaScript. Wieder normales HTML. JavaScript JavaScript wird direkt in HTML-Dokumente eingebunden. Gib folgende Zeilen mit einem Texteditor (Notepad) ein: (Falls der Editor nicht gefunden wird, öffne im Browser eine Datei mit der Endung

Mehr

Einführung in die Theoretische Informatik

Einführung 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

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

Matrizen und Drehungen

Matrizen und Drehungen Matrizen und Drehungen 20. Noember 2003 Diese Ausführungen sind im wesentlichen dem Skript zur Vorlesung Einführung in die Theoretische Physik I und II on PD Dr. Horst Fichtner entnommen. Dieses entstand

Mehr

Übersicht der wichtigsten MySQL-Befehle

Übersicht der wichtigsten MySQL-Befehle Übersicht der wichtigsten MySQL-Befehle 1. Arbeiten mit Datenbanken 1.1 Datenbank anlegen Eine Datenbank kann man wie folgt erstellen. CREATE DATABASE db_namen; 1.2 Existierende Datenbanken anzeigen Mit

Mehr

Streuungsmaße. Die angegebenen Maßzahlen sind empirisch, d.h. sie sind Schätzungen für die wahre Varianz (empirische) Varianz (Streuung) s 2 = 1 n

Streuungsmaße. Die angegebenen Maßzahlen sind empirisch, d.h. sie sind Schätzungen für die wahre Varianz (empirische) Varianz (Streuung) s 2 = 1 n Streuungsmaße Diskrete Stetige Die angegebenen Maßzahlen sind empirisch, d.h. sie sind Schätzungen für die wahre (empirische) (Streuung) s 2 = 1 n (X i X) 2 n 1 i=1 s 2 n var(x) Warum Division durch (n

Mehr

Physische Datenstrukturen

Physische Datenstrukturen Elementare Datentypen Strukturierte Datentypen Zeiger Seite 1 Einfache Datentypen Datentyp char Verwendung: ASCII-Zeichen Wertebereich: alle darstellbaren Zeichen, 8 bit lange Ganzzahlen im Intervall -128

Mehr

3.6 Einführung in die Vektorrechnung

3.6 Einführung in die Vektorrechnung 3.6 Einführung in die Vektorrechnung Inhaltsverzeichnis Definition des Vektors 2 2 Skalare Multiplikation und Kehrvektor 4 3 Addition und Subtraktion von Vektoren 5 3. Addition von zwei Vektoren..................................

Mehr

32 2 Lineare Algebra

32 2 Lineare Algebra 3 Lineare Algebra Definition i Die Vektoren a,, a k R n, k N, heißen linear unabhängig genau dann, wenn für alle λ,, λ k R aus der Eigenschaft λ i a i λ a + + λ k a k folgt λ λ k Anderenfalls heißen die

Mehr

WiMa-Praktikum 1. Woche 8

WiMa-Praktikum 1. Woche 8 WiMa-Praktikum 1 Universität Ulm, Sommersemester 2017 Woche 8 Lernziele In diesem Praktikum sollen Sie üben und lernen: Besonderheiten der For-Schleife in Matlab Wiederholung des Umgangs mit Matrizen und

Mehr