Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik

Größe: px
Ab Seite anzeigen:

Download "Lösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik"

Transkript

1 Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KWL Aufgabe. Die Folgen (F n ) n N bzw. (G n ) n N von natürlichen Zahlen F n bzw. G n seien rekursiv definiert durch Punkt F 0 =, F =, F n = F n + F n falls n, G 0 =, G = 0, G n = (a) Berechnen Sie G und G. n G k falls n. k=0 G = G = 0 k=0 G k = G 0 =. G k = G 0 + G = +0=. k=0 Punkte (b) Zeigen Sie, dass für alle n N gilt: G n+ = F n. Wir zeigen die Behauptung per Induktion nach n. Für n=0 und n= folgt die Behauptung aus (a) und der Definition von F 0 und F. Sei nun n und die Behauptung bereits bewiesen für alle k N mit 0 k n. Dann folgt aus der Induktionsvoraussetzung: G n+ () = n G k k=0 n = G n + G k k=0 () = G n + G n+ (IV) = F n + F n () = F n. An den Stellen () haben wir die Definition von G n und an der Stelle () die Definition von F n für n ausgenutzt, bei (IV) haben wir die Induktionsvoraussetzung (für n und n ) eingesetzt. Nach dem Prinzip der vollständigen Induktion folgt also die Gültigkeit der Behauptung für alle n N.

2 KWL Aufgabe. In dieser Aufgabe geht es um Permutationen. Punkte (a) Für k N sei N k ={,,,...,k} die Menge aller natürlichen Zahlen im Intervall [,k]. Sei F k die Menge der bijektiven Funktionen mit Definitionsbereich N k und Wertebereich N k. Betrachten Sie einen Wahrscheinlichkeitsraum auf der Menge M = F F F F F F 6 mit Gleichverteilung auf den Elementen von M. Sei A das Ereignis, das aus allen Funktionen f M besteht, für die es ein x aus dem Definitionsbereich von f gibt mit f(x) x. Bestimmen Sie die Wahrscheinlichkeit des Ereignisses A. Die Grundmenge besteht aus allen Permutationen der Längen,,,,, und 6, hat also die Größe M = 6 6 F k = k!= = 87. k= k= Das Ereignis A besteht aus allen Permutationen, die keine identische Permutation sind. Es gibt genau 6 identische Permutationen in M, eine für jede Länge k, k 6. Damit ergibt sich als Größe von A der Wert A = M A =87 6=867. Somit beträgt die gesuchte Wahrscheinlichkeit p(a)= A M = = Punkte (b) Zerlegen Sie die Permutation ( in disjunkte Zyklen. Man kann die gegebene Permutation wie folgt in Zyklen zerlegen:,,8,,9,0,7,,6,,, )

3 KWL Punkte Aufgabe. Zeigen oder widerlegen Sie: Die unten abgebildeten Graphen G und G sind isomorph. G G Wir zeigen, dass G und G nicht isomorph sind.. Beweismöglichkeit: Der Graph G enthält einen Kreis der Länge, der Graph G (ist isomorph zum vollständigen bipartiten Graphen K, und) enthält (als bipartiter Graph somit) keinen Kreis der Länge. Daher können G und G nicht isomorph sein.. Beweismöglichkeit: Löscht man in G den obersten Knoten bzw. in G einen beliebigen Knoten v, so entstehen Graphen G bzw. G mit jeweils genau zwei Knoten vom Grad. Diese sind in G benachbart, in G nicht. Also sind G und G nicht isomorph, und da die Wahl von v beliebig war, können folglich auch G und G nicht isomorph sein.. Beweismöglichkeit: Löscht man in G den obersten Knoten, so entsteht ein Graph G, der einen Kreis der Länge enthält. Löscht man in G einen beliebigen Knoten v, so entsteht ein Graph G, der (isomorph zum vollständigen bipartiten Graphen K, ist und somit) keinen Kreis der Länge enthält. Also sind G und G nicht isomorph, und da die Wahl von v beliebig war, können folglich auch G und G nicht isomorph sein.. Beweismöglichkeit: Löscht man in G den obersten Knoten, so entsteht ein Graph G, der einen Kreis der Länge, also einen Hamiltonkreis, enthält. Löscht man in G einen beliebigen Knoten v, so entsteht ein Graph G, der bipartit ist und ungerade Knotenanzahl hat und somit keinen Hamiltonkreis enthält. Also sind G und G nicht isomorph, und da die Wahl von v beliebig war, können folglich auch G und G nicht isomorph sein.. Beweismöglichkeit: Löscht man in G den obersten Knoten und den Knoten oben rechts, welches benachbarte Knoten sind, so entsteht ein Graph G mit Valenzsequenz (,,,). Löscht man in G zwei beliebige benachbarte Knoten v und w, so entsteht ein Graph G, der isomorph zum C ist und somit Valenzsequenz (,,,) hat. Da G und G unterschiedliche Valenzsequenzen haben, sind sie nicht isomorph. Da die Wahl des Paares {v,w} von benachbarten Knoten beliebig war, können folglich auch G und G nicht isomorph sein.

4 KWL Aufgabe. 6 Punkte (a) Zeigen oder widerlegen Sie: Es gibt einen Graphen mit genau Knoten, von denen acht den Grad und drei den Grad haben. Geben Sie, falls möglich, einen solchen Graphen explizit an. Wir zeigen, dass es einen solchen Graphen, d.h. einen Graphen mit Valenzsequenz (,,,,,,,,,, ) gibt und konstruieren einen solchen explizit. Wir benutzen das Verfahren nach Havel und Hakimi. v v v v v v 6 v 7 v 8 v 9 v 0 v v v v 6 v 7 v 8 v 9 v 0 v v v v 8 v 9 v 0 v v v 6 v 7 v v v v 6 v 7 v v v 0 v v v v 6 v 7 v 0 v 0 v v 7 v 0 v v v 0 v v 7 v Da es einen Graphen mit isolierten Knoten gibt, gibt es somit nach dem Satz zum Verfahren von Havel und Hakimi auch einen Graphen mit Valenzsequenz (,,,,,,,,,,). Wenden wir das Verfahren von Havel und Hakimi rückwärts an, so lässt sich ein solcher Graph konstruieren. Wir starten mit drei isolierten Knoten und fügen dann immer Knoten hinzu.

5 KWL. Schritt:. Schritt:. Schritt:

6 KWL 6. Schritt:. Schritt: 6. Schritt:

7 KWL 7 7. Schritt: 8. Schritt: 9. Schritt: Der Graph aus dem 9. Schritt hat die geforderte Eigenschaft.

8 KWL 8 Punkte (b) Zeigen oder widerlegen Sie: Es gibt einen weiteren Graphen mit genau Knoten, von denen acht den Grad und drei den Grad haben, der nicht isomorph zu Ihrem Beispielgraph aus (a) ist. Wir zeigen, dass es mindestens zwei nichtisomorphe Graphen mit der Valenzsequenz gibt. Neben dem Beispiel in (a) kann man einen weiteren Graphen etwa unter Benutzung von einem der Graphen G bzw. G aus Aufgabe konstruieren. Ein Beispiel hierfür ist der folgende Graph. Dieser Graph hat Komponenten der Größen 6 und, der Graph aus (a) hat Komponenten der Größen 7 und, somit sind diese beiden Graphen auch nicht isomorph. Kurze gemeinsame Lösung von (a) und (b) zusammen: Der folgende Graph H und der folgende Graph H haben offenbar die geforderte Valenzsequenz. Sie sind nicht isomorph, denn jeder Isomorphismus von H nach H müsste die Komponente mit 6 Knoten von H, d.h. den Graphen G aus Aufgabe, auf die Komponente mit 6 Knoten von H, d.h. den Graphen G aus Aufgabe, isomorph abbilden. Ein solcher Isomorphismus existiert aber nach dem Ergebnis aus der Lösung zu Aufgabe nicht.

9 KWL 9 Aufgabe. Entscheiden Sie, ob folgende Zeichenketten Code eines Baumes sind. Begründen Sie Ihre Aussagen. Falls die Zeichenketten Code eines Baumes sind, geben Sie einen Baum mit dem entsprechenden Code an. Punkte (a) ( ( ( ( ) ( ( ) ( ) ) ) ( ) ( ( ) ) ) ( ( ) ( ) ( ) ) ) Wir zeigen, dass der Code nicht Code eines Baumes ist.. Beweismöglichkeit: Der Teil des Codes von der dritten bis zur zwölften Klammer lautet ( ( ) ( ( ) ( ) ) ). Dies ist ein wohlgeklammerter Teilcode, er ist jedoch nicht lexikographisch sortiert, da ( ) ( ( ) ( ) ) ist. Somit handelt es sich nicht um den Code eines Baumes.. Beweismöglichkeit: Der Code ist wohlgeklammert, somit ist er Code eines gepflanzten Baumes, nämlich des folgenden: Dieser Baum ist nicht korrekt gewurzelt. Somit ist der Code nicht Code eines Baumes. Punkte (b) ( ( ( ( ) ( ) ) ( ( ) ( ) ) ) ( ( ( ) ) ( ) ( ) ) ) Wir zeigen, dass der Code Code eines Baumes ist. Der Code ist wohlgeklammert. Der zugehörige gepflanzte Baum ist der folgende:

10 KWL 0 Der Code ist lexikographisch sortiert, wie man leicht sieht: ( ( ) ) () ( ( ( ) ( ) ) ( ( ) ( ) ) ) ( ( ( ) ) ( ) ( ) ) Ferner ist der obige gepflanzte Baum richtig gewurzelt, denn das Zentrum ist hier die Menge aller Knoten mit Exzentrizität, diese Menge ist einelementig und besteht nur aus dem Wurzelknoten. Somit handelt es sich um den Code eines Baumes. Aufgabe 6. Gegeben seien drei Männer A, B und C sowie drei Frauen, und. Sie haben unterschiedliche Präferenzen bezüglich eines Partners des anderen Geschlechts. Die Präferenzlisten sind wie folgt: A: (,,) : (B,C,A) B: (,,) : (C,A,B) C: (,,) : (B,A,C) Dabei bezeichne der linke Eintrag eines Tripels jeweils den liebsten Partner, der mittlere den zweitliebsten und der rechte den drittliebsten. Punkte (a) Bestimmen Sie eine stabile Hochzeit. Begründen Sie Ihre Vorgehensweise. Mit dem Algorithmus Men-Propose-Women-Dispose bestimmen wir eine stabile Hochzeit. Die einzelnen Schritte des Algorithmus sind unten abgebildet. A macht einen Antrag und verlobt sich mit ihr. B macht einen Antrag und verlobt sich mit ihr. C macht einen Antrag. löst die Verlobung mit A, da sie C lieber mag als A, und verlobt sich mit C. A macht einen Antrag. löst die Verlobung mit B, da sie A lieber mag als B, und verlobt sich mit A. B macht einen Antrag und verlobt sich mit ihr. Bei dem perfekten Matching aus dem letzten Schritt handelt es sich um eine stabile Hochzeit

11 KWL Punkte (b) Der Graph G 0 = (V,E) sei definiert durch V = U W mit U = {A,B,C} und W = {,,}, und E bestehe aus all den Paaren {u,w} mit u U und w W, für die weder der Mann u die Frau w am liebsten mag noch die Frau w den Mann u am liebsten mag (gemäß obigen Präferenzlisten). Stellen Sie den Graphen grafisch dar. 6 Punkte (c) Bestimmen Sie ein maximales Matching von G 0 und beweisen Sie dessen Maximalität. Können Sie dieses Matching zu einer stabilen Hochzeit ergänzen? Das einzige maximale Matching in G 0 besteht offenbar aus den Kanten (A,) und (C,), da jede andere Teilmenge von zwei oder drei Kanten einen Knoten gemeinsam hätte. Die einzige Art, es zu einem perfekten Matching zu ergänzen, ist es, die Kante (B,) hinzuzunehmen. Dieses perfekte Matching ist jedoch keine stabile Hochzeit, da das Paar (B, ) instabil ist, denn B mag lieber als seine Partnerin und mag B lieber als ihren Partner C. Somit ist es nicht möglich, das maximale Matching zu einer stabilen Hochzeit zu ergänzen.

12 KWL Punkte Aufgabe 7. Schreiben Sie die Dezimalzahl 88,8 (0) ins er-system (d.h. Binärsystem) um. Es folgt: 88 : 6 = Rest : = 0 Rest : 6 = Rest 8 8 : 8 = Rest : = 0 Rest : = 0 Rest : = 0 Rest : = 0 8 : 0 : = 6 0 : 0 : 8 = 0 : 0 = Rest 0 0 = Rest 0 0 = 0 Rest 0 0 : 6 = 80 : 80 = 0 Rest 80 88,8 (0) = 0000,00 (). 80 = 6 Aufgabe 8. Gegeben sei die Matrix und der Vektor b=(,8,8). A= Punkte (a) Bestimmen Sie eine LU -Zerlegung von A Somit lautet eine LU -Zerlegung = 0 0 } 6 0 {{ } } {{ }} 0 0 {{ } A L U Punkte (b) Zeigen Sie, dass A regulär ist und für die Inverse A von A gilt: 8 A 8 8 = 07.

13 KWL. Lösungsmöglichkeit: A ist regulär nach (a) als Produkt der beiden offensichtlich regulären Matrizen L und U. Wegen A=LU ist A = U L. Die Inverse L von L lässt sich sehr leicht bestimmen. Nach dem Satz über die Dreieckszerlegung ist nämlich L=G G das Produkt der beiden Frobeniusmatrizen 0 0 G = 0 0 und G = Nach Bemerkung..9 gilt für deren Inversen: 0 0 G = 0 0 und Somit ist L = G G = G = = Die Inverse von U berechnen wir wie folgt:

14 KWL Somit ist U = und A = U L = = Lösungsmöglichkeit: A ist regulär nach (a) als Produkt der beiden offensichtlich regulären Matrizen L und U. Die Inverse von A berechnen wir wie folgt: Somit lautet wie behauptet. A = ,

15 KWL. Lösungsmöglichkeit: A ist regulär nach (a) als Produkt der beiden offensichtlich regulären Matrizen L und U. Wegen } 6 0 {{ } A lautet A wie behauptet = Punkte (c) Bestimmen Sie A und A und die Konditionszahl von A bezüglich der Spaltensummennorm und bezüglich der Zeilensummennorm. Für die Spaltensummennorm berechnen wir: A = max{++6,8++, }= max{,8,}=, A = max{. +07+,8+ +,8+ +} = max{., 08, 0} =., cond (A) = A A =.=887.= 769. Für die Spaltensummennorm berechnen wir: A A = max{+8+6,++ 9,6++0}= max{6,8,7}=7, = max{. +8+8,07+ +, ++} = max{78.,0,7}= 78., cond (A) = A A = 7 78.=07.= 87. Aufgabe 9. Ein Student lernt für zwei Klausuren. Er will genau Stunden lang lernen. Er weiß, dass er die 0 Punkte Mindestpunktzahl bei der leichten Klausur auf jeden Fall schafft. Wenn s die Zeit (in Stunden) ist, die der Student für die leichte Klausur lernt, dann kann er erwarten, bei dieser Klausur zusätzliche s+ 0s Punkte zu erzielen. Bei der schweren Klausur dagegen ist sein Kenntnisstand gleich null. Lernt er t Stunden für die schwere Klausur, so kann er t+ 80t Punkte bei dieser Klausur erwarten. Er möchte diese Klausur aber auf jeden Fall schaffen, dazu braucht er 0 Punkte. Der Student möchte einen Zeitplan aufstellen, um die Gesamtpunktzahl aus beiden Klausuren zu maximieren und alle seine Ziele zu erreichen. Punkte (a) Modellieren Sie das Problem als Optimierungsproblem. Sei s die Lernzeit in Stunden für die leichte Klausur und t die Lernzeit in Stunden für die schwere Klausur.

16 KWL 6 Die zu maximierende Zielfunktion lautet f(s,t)=0+ 0s s+ + 80t t+. Da die Lernzeit jeweils nicht negativ sein kann, haben wir s,t 0, und da die Summe der Lernzeiten exakt beträgt haben wir s+t =. Wegen der Mindestpunktzahl in der schweren Klausur haben wir 80t t+ 0, was äquivalent zu 80t 0t+ 0 bzw. 0t 0 bzw. t ist. Damit ist die Bedingung t 0 redundant. Insgesamt lautet das Problem min 0 0 s s+ 80 t t+ s 0 s + t = t. 8 Punkte (b) Bestimmen Sie eine Optimallösung des Problems.. Lösungsmöglichkeit: Substitution Mittels der Substitution s = t vereinfacht sicht das Problem zu min 0 0 t t 0 t t+ t t. Wir ignorieren vorerst die Nebenbedingungen und bestimmen alle lokalen Minima der Funktion im Intervall ].[. Dazu berechnen wir ( f(t) := 0 + t t + t ) t+ f (t) := 0 ( ( t) + ) (t+ ) und ( f (t) := 0 ( t) + 8 ) (t+ ).

17 KWL 7 Es ist f (t)=0 genau dann, wenn ( t) = (t+ ), d.h. wenn d.h. wenn d.h. wenn d.h. wenn d.h. wenn ( t) =(t+ ), 00 0t+ t = t + t+, 99 t+ t = 0, t t+ =0, t {7± 9 } {,}. Somit liegt bei t = ein Kandidat für ein lokales Extremum vor, wegen f ()=7.>0 handelt es sich um ein lokales Mimimum mit Funktionswert f()= 90. Wegen f()= 7 und f()= 8 handelt es sich um das einzige globale Minimum von f im Intervall [,]. Somit lautet die Lösung unseres ursprünglichen Problems (s,t) =(, ), d.h. der Student sollte eine Stunde für die leichte Klausur lernen und Stunden für die schwere Klausur und erzielt dabei die optimale Gesamtpunktzahl von 90 Punkten.. Lösungsmöglichkeit: Kuhn-Tucker-Bedingungen Wir definieren die Funktionen f(s,t) := 0 0s s+ 80t t+, h(s,t) := s+t, g (s,t) := s, g (s,t) := t+. Unser Problem lautet dann min f(s,t) unter h(s,t)= 0, g i (s,t) 0, i=,.

18 KWL 8 Wir berechnen zunächst die Gradienten und Hessematrizen der obigen Funktionen. ( f(s,t) := 0 ) 80 (s+), (t+ ), h(s,t) := (,), g (s,t) := (,0), g (s,t) := (0, ), ( 0 ) 0 (s+) f(s,t) := 60, 0 (t+) h(s,t) := 0, g (s,t) := 0. g (s,t) := 0. Je zwei der Gradienten von h, g und g sind linear unabhängig. Die Nebenbedingungen, in denen g und g vorkommen, können niemals gleichzeitig aktiv sein, wenn s+ t = gilt. Damit sind alle zulässigen Punkte reguläre Punkte der Nebenbedingungen. Daher ist eine notwendige Bedingung dafür, dass an der Stelle (s,t) ein Minimum vorliegt, dass es λ R und µ, µ 0 gibt mit Wir unterscheiden Fälle. Fall : µ = µ = 0. 0 (s+) = λ µ 80 (t+) = λ µ Dann folgt aus den Kuhn-Tucker-Bedingungen, dass 0 80 = λ = (s+) (t+ ) gilt, also (t+ ) = (s+). () Aus der Gleichungnebenbedingung folgt s = t. Setzen wir dies in () ein, so erhalten wir (t+ ) = ( t), d.h. d.h. d.h. t + t+ =t 0t+ 00, t t+ 99=0, t t+ =0,

19 KWL 9 also t {,}. Da von diesen beiden Werten nur der Kandidat im zulässigen Bereich liegt, erhalten wir also nur als Kandidat fuer eine Minimalstelle (s,t)=(,). Da f(,) positiv definit ist, liegt tatsächlich an der Stelle (,) ein lokales Minimum. Fall : µ 0, µ = 0. Dann ist die erste Ungleichungsnebenbedingung aktiv, d.h. es gilt s = 0. Aus der Gleichungsnebenbedingung folgt dann t =. Setzen wir dies in die Kuhn-Tucker- Bedingungen ein, erhalten wir also was ein Widerspruch ist. Fall : µ = 0, µ 0. 0=λ µ, 6 = λ, µ = 0+λ = 0 6 > 0, Dann ist die zweite Ungleichungsnebenbedingung aktiv, d.h. es gilt t =. Aus der Gleichungsnebenbedingung folgt dann s =. Setzen wir dies in die Kuhn-Tucker- Bedingungen ein, erhalten wir also was ein Widerspruch ist. Fall : µ 0, µ 0. = λ, 0=λ µ, µ = 0+λ = 0 > 0, Dann sind beide Ungleichungsnebenbedingungen aktiv, was nicht sein kann, wie wir eben schon argumentiert haben. Wir haben also nur ein lokales Minimum, nämlich (, ), im Zulässigkeitsbereich gefunden. Da dieser als Strecke kompakt ist, handelt es sich um ein globales Minimum des Optimierungsproblems. 7 Punkte Aufgabe 0. Sei f : R R definiert durch f(x,y) := x + y xy+x 70000y+. Zeigen oder widerlegen Sie: f ist konvex. Wir zeigen, dass f konvex ist. Beweis: f ist zweimal stetig differenzierbar mit Hessematrix ( ) H =. 0

20 KWL 0 Eine Cholesky-Faktorisierung von H existiert, sie lautet nämlich ( ) ( )( 0 H = = 0 0 somit ist H positiv definit und f strikt konvex. ), Punkte 9 Punkte Aufgabe. Geben Sie eine mathematisch exakte Definition dafür an, was es bedeutet, dass eine Funktion f : [a,b] R strikt unimodal auf [a,b] ist. Eine Funktion f : [a,b] R heißt strikt unimodal auf [a,b], wenn sie genau ein lokales Minimum in [a, b] besitzt. Aufgabe. Lösen Sie das folgende lineare Optimierungsproblem: max x + y unter x + y 6 x + y 6 x y x,y 0 Tipps: Grafische Lösung ist zulässig. Bei Benutzung von Blands Rule tauchen in unseren Rechnungen im Simplextableau keine Nenner größer als 6 auf.. Lösungsmöglichkeit: Graphische Lösung Wir lesen die Optimallösung (, ) ab und errechnen den optimalen Zielfunktionswert als + =7.

21 KWL. Lösungsmöglichkeit: Simplexverfahren Das Starttableau für das Hilfsproblem für Phase I lautet wie folgt: Der erste Pivotschritt ergibt: Der zweite Pivotschritt ergibt: Damit ist eine zulässige Lösung, nämlich (x,y) = (,), gefunden und Phase I beendet. Wir streichen die künstliche Zielfunktion und die Spalten der künstlichen Schlupfvariablen und erhalten als Starttableau für Phase II: Der Pivotschritt ergibt: Das Tableau ist final. Wir lesen die Optimallösung (,) mit Zielfunktionswert 7 ab.

2. Optimierungsprobleme 6

2. Optimierungsprobleme 6 6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen

Mehr

Studientag zur Algorithmischen Mathematik

Studientag zur Algorithmischen Mathematik Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform

Mehr

f(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.

f(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum. Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit

Mehr

3 Optimierung mehrdimensionaler Funktionen f : R n R

3 Optimierung mehrdimensionaler Funktionen f : R n R 3 Optimierung mehrdimensionaler Funktionen f : R n R 31 Optimierung ohne Nebenbedingungen Optimierung heißt eigentlich: Wir suchen ein x R n so, dass f(x ) f(x) für alle x R n (dann heißt x globales Minimum)

Mehr

Formale Grundlagen der Informatik

Formale Grundlagen der Informatik Formale Grundlagen der Informatik / 2015 1 Die Elemente einer (endlichen) Menge sollen den Elementen einer zweiten, gleichmächtigen Menge zugeordnet werden Problemstellung Bipartite Graphen Zuordnungsprobleme

Mehr

8 Extremwerte reellwertiger Funktionen

8 Extremwerte reellwertiger Funktionen 8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R

Mehr

9 Optimierung mehrdimensionaler reeller Funktionen f : R n R

9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 9 Optimierung mehrdimensionaler reeller Funktionen f : R n R 91 Optimierung ohne Nebenbedingungen Ein Optimum zu suchen heißt, den größten oder den kleinsten Wert zu suchen Wir suchen also ein x R n, sodass

Mehr

Mathematik 2 für Wirtschaftsinformatik

Mathematik 2 für Wirtschaftsinformatik für Wirtschaftsinformatik Sommersemester 2012 Hochschule Augsburg Hinreichende Bedingung für lokale Extrema Voraussetzungen Satz D R n konvex und offen Funktion f : D R zweimal stetig partiell differenzierbar

Mehr

KLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen)

KLAUSUR zu Einführung in die Optimierung. Studiengang: Bachelor Master Diplom (bitte ankreuzen) Mathematisches Institut WS 2012/13 der Heinrich-Heine-Universität 7.02.2013 Düsseldorf Prof. Dr. Achim Schädle KLAUSUR zu Einführung in die Optimierung Bitte folgende Angaben ergänzen und DEUTLICH LESBAR

Mehr

2. Symmetrische Gruppen

2. Symmetrische Gruppen 14 Andreas Gathmann 2 Symmetrische Gruppen Im letzten Kapitel haben wir Gruppen eingeführt und ihre elementaren Eigenschaften untersucht Wir wollen nun eine neue wichtige Klasse von Beispielen von Gruppen

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge

(x, x + y 2, x y 2 + z 3. = e x sin y. sin y. Nach dem Umkehrsatz besitzt f dann genau auf der Menge ÜBUNGSBLATT 0 LÖSUNGEN MAT/MAT3 ANALYSIS II FRÜHJAHRSSEMESTER 0 PROF DR CAMILLO DE LELLIS Aufgabe Finden Sie für folgende Funktionen jene Punkte im Bildraum, in welchen sie sich lokal umkehren lassen,

Mehr

Tutorium Mathematik II, M Lösungen

Tutorium Mathematik II, M Lösungen Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,

Mehr

55 Lokale Extrema unter Nebenbedingungen

55 Lokale Extrema unter Nebenbedingungen 55 Lokale Extrema unter Nebenbedingungen Sei f : O R mit O R n differenzierbar. Notwendige Bescheinigung für ein lokales Extremum in p 0 ist dann die Bedingung f = 0 (siehe 52.4 und 49.14). Ist nun F :

Mehr

3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z

3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des

Mehr

1. Einleitung wichtige Begriffe

1. 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

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 5

Technische Universität München Zentrum Mathematik. Übungsblatt 5 Technische Universität München Zentrum Mathematik Mathematik Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 5 Hausaufgaben Aufgabe 5. Bestimmen Sie folgende Grenzwerte. Benutzen

Mehr

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN

KAPITEL 6 GANZZAHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULARE MATRIZEN KPITEL 6 GNZZHLIGE OPTIMIERUNG UND VOLLSTÄNDIG UNIMODULRE MTRIZEN F. VLLENTIN,. GUNDERT. Ganzzahlige lineare Programme Viele Optimierungsprobleme des Operations Research lassen sich als ganzzahlige lineare

Mehr

1 Lineare Optimierung, Simplex-Verfahren

1 Lineare Optimierung, Simplex-Verfahren 1 Lineare Optimierung, Simplex-Verfahren 1.1 Einführung Beispiel: In einer Fabrik werden n Produkte A 1, A 2,..., A n hergestellt. Dazu werden m Rohstoffe B 1, B 2,..., B m (inklusive Arbeitskräfte und

Mehr

WS 2013/14. Diskrete Strukturen

WS 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

Mehr

Rückblick auf die letzte Vorlesung. Bemerkung

Rückblick auf die letzte Vorlesung. Bemerkung Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D

Mehr

Vorkurs Mathematik Abbildungen

Vorkurs Mathematik Abbildungen Vorkurs Mathematik Abbildungen Philip Bell 19. September 2016 Diese Arbeit beruht im Wesentlichen auf dem Vortrag Relationen, Partitionen und Abbildungen von Fabian Grünig aus den vorangehenden Jahren.

Mehr

Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)

Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:

Mehr

Folgerungen aus dem Auflösungsatz

Folgerungen aus dem Auflösungsatz Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und

Mehr

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016

Mathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern

Mehr

18 Höhere Ableitungen und Taylorformel

18 Höhere Ableitungen und Taylorformel 8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a

Mehr

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

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

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt.

Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Kapitel 3 Konvexität 3.1 Konvexe Mengen Der Begriff der konvexen Menge ist bereits aus Definition 1.4, Teil I, bekannt. Definition 3.1 Konvexer Kegel. Eine Menge Ω R n heißt konvexer Kegel, wenn mit x

Mehr

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering

Das Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme

Mehr

Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Übungsblatt 1

Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Übungsblatt 1 Technische Universität München Zentrum Mathematik Mathematik 1 (Elektrotechnik) Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 1 Hausaufgaben Aufgabe 1.1 Zeigen Sie mit vollständiger Induktion:

Mehr

Elementare Beweismethoden

Elementare Beweismethoden Elementare Beweismethoden Christian Hensel 404015 Inhaltsverzeichnis Vortrag zum Thema Elementare Beweismethoden im Rahmen des Proseminars Mathematisches Problemlösen 1 Einführung und wichtige Begriffe

Mehr

1 Das Prinzip der vollständigen Induktion

1 Das Prinzip der vollständigen Induktion 1 1 Das Prinzip der vollständigen Induktion 1.1 Etwas Logik Wir nennen eine Formel oder einen Satz der Alltagssprache eine Aussage, wenn sie wahr oder falsch sein kann. Die Formeln 2 = 3, 2 4, 5 5 sind

Mehr

2 Die Dimension eines Vektorraums

2 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

Mehr

Musterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II...

Musterlösung. TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik. Klausur Mathematik für Physiker 3 (Analysis 2) I... II... ................ Note I II Name Vorname 1 Matrikelnummer Studiengang (Hauptfach) Fachrichtung (Nebenfach) 2 3 Unterschrift der Kandidatin/des Kandidaten 4 TECHNISCHE UNIVERSITÄT MÜNCHEN Fakultät für Mathematik

Mehr

11 Optimierung von Funktionen einer Veränderlichen

11 Optimierung von Funktionen einer Veränderlichen 11 Optimierung von Funktionen einer Veränderlichen In diesem Kapitel werden die bis hier behandelten Grundlagen der Analysis genutzt, um Methoden aus der Optimierungstheorie für eindimensionale Entscheidungsmengen

Mehr

37 Gauß-Algorithmus und lineare Gleichungssysteme

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

Mehr

Donnerstag, 11. Dezember 03 Satz 2.2 Der Name Unterraum ist gerechtfertigt, denn jeder Unterraum U von V ist bzgl.

Donnerstag, 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 )

Mehr

Mathematik 1 für Wirtschaftsinformatik

Mathematik 1 für Wirtschaftsinformatik Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration

Mehr

Höhere Mathematik für Physiker II

Höhere Mathematik für Physiker II Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei

Mehr

Westfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld

Westfählische 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

Mehr

Übungen zu Einführung in die Lineare Algebra und Geometrie

Übungen zu Einführung in die Lineare Algebra und Geometrie Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b

Mehr

5.10. Mehrdimensionale Extrema und Sattelpunkte

5.10. Mehrdimensionale Extrema und Sattelpunkte 5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(

Mehr

10 Extremwerte mit Nebenbedingungen

10 Extremwerte mit Nebenbedingungen 10 Extremwerte mit Nebenbedingungen 49 10 Extremwerte mit Nebenbedingungen Wir betrachten nun Extremwertaufgaben, bei denen nach dem Extremwert einer fx 1,, x n gesucht wird, aber die Menge der zulässigen

Mehr

Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle

Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle 2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische

Mehr

9.2 Invertierbare Matrizen

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

Mehr

Lösungen zu den Hausaufgaben zur Analysis II

Lösungen zu den Hausaufgaben zur Analysis II Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin

Mehr

Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt

Technische 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

Mehr

Vier-Farben-Vermutung (1)

Vier-Farben-Vermutung (1) Vier-Farben-Vermutung (1) Landkarten möchte man so färben, dass keine benachbarten Länder die gleiche Farbe erhalten. Wie viele Farben braucht man zur Färbung einer Landkarte? Vier-Farben-Vermutung: Jede

Mehr

Durchschnitt von Matroiden

Durchschnitt 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

Mehr

ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS

ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS ÜBUNGSBLATT 11 LÖSUNGEN MAT121/MAT131 ANALYSIS II FRÜHJAHRSSEMESTER 2011 PROF. DR. CAMILLO DE LELLIS Aufgabe 1. a) Gegeben sei die Gleichung 2x 2 4xy +y 2 3x+4y = 0. Verifizieren Sie, dass diese Gleichung

Mehr

Optimieren unter Nebenbedingungen

Optimieren unter Nebenbedingungen Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht

Mehr

4.1 Definition. Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn. = y 1. = y 2. xfy 1. xfy 2

4.1 Definition. Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn. = y 1. = y 2. xfy 1. xfy 2 4.1 Definition Gegeben: Relation f X Y f heißt Funktion (Abbildung) von X nach Y, wenn xfy 1 xfy 2 = y 1 = y 2 Y heißt Zielbereich oder Zielmenge von f. Statt (x, y) f oder xfy schreibt man y = f(x). Vollständige

Mehr

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.

Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.

Mehr

Unabhängigkeit KAPITEL 4

Unabhängigkeit 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

Mehr

11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen

11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen 11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des

Mehr

6 Hauptachsentransformation

6 Hauptachsentransformation 6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten

Mehr

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung

Kapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken

Mehr

Technische Universität München Zentrum Mathematik. Übungsblatt 7

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

Mehr

Extrema von Funktionen mit zwei Variablen

Extrema von Funktionen mit zwei Variablen Extrema von Funktionen mit zwei Variablen Es gilt der Satz: Ist an einer Stelle x,y ) f x x,y ) = und f y x,y ) = und besteht außerdem die Ungleichung f xx x,y )f yy x,y ) f xy x,y ) >, so liegt an dieser

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Lineare Algebra I Klausur. Klausur - Musterlösung

Lineare Algebra I Klausur. Klausur - Musterlösung Prof. Dr. B. Hanke Dr. J. Bowden Lineare Algebra I Klausur Klausur - Musterlösung 20. Februar 203 Aufgabe - Lösung Aussage wahr falsch (Z, +, 0) ist eine abelsche Gruppe. Der Ring Z/24Z ist nullteilerfrei.

Mehr

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)

Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Lineare Algebra

Mehr

Mathematik für Ökonomen 1

Mathematik für Ökonomen 1 Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstemester 2008 Mengen, Funktionen und Logik Inhalt: 1. Mengen 2. Funktionen 3. Logik Teil 1 Mengen

Mehr

Kapitel 5 KONVERGENZ

Kapitel 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

Mehr

1 Euklidische und unitäre Vektorräume

1 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

Mehr

Studientag zur Algorithmischen Mathematik

Studientag 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

Mehr

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler

Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:

Mehr

5 Grundlagen der Zahlentheorie

5 Grundlagen der Zahlentheorie 5 Grundlagen der Zahlentheorie 1 Primfaktorzerlegung Seienm, n N + := {k N k > 0} Man schreibt n n, gesprochen m teilt n oder m ist ein Teiler von n, wenn es eine positive natürliche Zahl k gibt mit mk

Mehr

Grundlagen der Mathematik

Grundlagen der Mathematik Grundlagen der Mathematik Übungsaufgaben zu Kapitel 1 Einführung 1.1.1 Für reelle Zahlen a und b gilt (a+b) (a-b) = a 2 -b 2. Was ist die Voraussetzung? Wie lautet die Behauptung? Beweisen Sie die Behauptung.

Mehr

Kapitel 5: Minimale spannende Bäume Gliederung der Vorlesung

Kapitel 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

Mehr

Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion

Vorkurs 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

Mehr

3 Vollständige Induktion

3 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

Mehr

Serie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015

Serie 4. Analysis D-BAUG Dr. Cornelia Busch FS 2015 Analysis D-BAUG Dr. Cornelia Busch FS 05 Serie 4. Finden Sie die lokalen Extrema der Funktionen f : R R auf dem Einheitskreis S = {x, y R : x + y = } und geben Sie an, ob es sich um ein lokales Minimum

Mehr

Mengen und Abbildungen

Mengen und Abbildungen Mengen und Abbildungen Der Mengenbegriff Durchschnitt, Vereinigung, Differenzmenge Kartesisches Produkt Abbildungen Prinzip der kleinsten natürlichen Zahl Vollständige Induktion Mengen und Abbildungen

Mehr

Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2

Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2 Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die

Mehr

Satz 18 (Satz von der totalen Wahrscheinlichkeit)

Satz 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

Mehr

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω 5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,

Mehr

Vervollständigung Lateinischer Quadrate

Vervollständigung Lateinischer Quadrate Vervollständigung Lateinischer Quadrate Elisabeth Schmidhofer 01.12.2013 Inhaltsverzeichnis 1 Vorwort 3 2 Einleitung 4 2.1 Beispele.............................................. 4 3 Lateinische Quadrate

Mehr

Klausurenkurs zum Staatsexamen (SS 2016): Differential und Integralrechnung 7

Klausurenkurs zum Staatsexamen (SS 2016): Differential und Integralrechnung 7 Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2016): Differential und Integralrechnung 7 7.1 (Herbst 2015, Thema 1, Aufgabe 4) Gegeben sei das Dreieck und die Funktion f : R mit Bestimmen Sie f(

Mehr

MafI I: Logik & Diskrete Mathematik (F. Hoffmann)

MafI 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

Mehr

Extrema mit Nebenbedingungen

Extrema mit Nebenbedingungen Extrema mit Nebenbedingungen Gesucht ist das Extremum der Funktion f(x,y) = 5 x y unter der Nebenbedingung g(x,y) = x+y =. 5 y x In diesem einfachen Fall kann die Nebenbedingung nach einer Variablen aufgelöst

Mehr

Satz 16 (Multiplikationssatz)

Satz 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.

Mehr

Anwendungen der Differentialrechnung

Anwendungen der Differentialrechnung KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................

Mehr

Studientag zur Algorithmischen Mathematik

Studientag zur Algorithmischen Mathematik Studientag zur Algorithmischen Mathematik Aufgaben zur nicht-linearen Optimierung Teil II Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Aufgabe 5 Bestimmen

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

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

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

Mehr

WS 2009/10. Diskrete Strukturen

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

Mehr

2 Euklidische Vektorräume

2 Euklidische Vektorräume Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,

Mehr

PRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF.

PRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF. Zuname: Vorname: Matrikelnummer: PRÜFUNG AUS ALGEBRA UND DISKRETE MATHEMATIK F. INF. U. WINF. (GITTENBERGER) Wien, am 5. Februar 2013 (Ab hier freilassen!) Arbeitszeit: 100 Minuten 1) 2) 3) 4) 5) 1)(8

Mehr

Gleichungen und Ungleichungen

Gleichungen und Ungleichungen Gleichung Eine Gleichung erhalten wir durch Gleichsetzen zweier Terme. Kapitel 3 Gleichungen und Ungleichungen linke Seite = rechte Seite Grundmenge: Menge aller Zahlen, die wir als Lösung der Gleichung

Mehr

4 Lineare Algebra (Teil 2): Quadratische Matrizen

4 Lineare Algebra (Teil 2): Quadratische Matrizen 4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,

Mehr

Kurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok

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

Mehr

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

Mathematischen Grundlagen und Notationen

Mathematischen Grundlagen und Notationen Mathematischen Grundlagen und Notationen Susanne Schimpf Juni 008 Es geht in dieser Lerneinheit darum, mathematische Notationen besser zu verstehen und auch selbst korrekt zu benutzen. Außerdem sollen

Mehr

Mathematische Grundlagen der Ökonomie Übungsblatt 8

Mathematische Grundlagen der Ökonomie Übungsblatt 8 Mathematische Grundlagen der Ökonomie Übungsblatt 8 Abgabe Donnerstag 7. Dezember, 0:5 in H 5+7+8 = 20 Punkte Mit Lösungshinweisen zu einigen Aufgaben 29. Das Bisektionsverfahren sucht eine Nullstelle

Mehr

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung

4.13. Permutationen. Definition. Eine Permutation der Elementen {1,..., n} ist eine bijektive Abbildung 43 Permutationen Definition Eine Permutation der Elementen {,, n} ist eine bijektive Abbildung σ : {,,n} {,,n} Es ist leicht zu sehen, dass die Hintereinanderführung zweier Permutationen ergibt wieder

Mehr

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

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

Mehr

MATHEMATIK FÜR WIRTSCHAFTSWISSENSCHAFTLER MUSTERLÖSUNG 3. TEST

MATHEMATIK FÜR WIRTSCHAFTSWISSENSCHAFTLER MUSTERLÖSUNG 3. TEST Privatdozent Dr. C. Diem diem@math.uni-leipzig.de http://www.math.uni-leipzig.de/ diem/wiwi MATHEMATIK FÜR WIRTSCHAFTSWISSENSCHAFTLER MUSTERLÖSUNG 3. TEST Es folgt eine Musterlösung zusammen mit Anleitungen

Mehr

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

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

Mehr