Kapitel 3 Fuzzy-Mengen und Relationen. 12. Mai 2005
|
|
- Gerrit Kneller
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 3 Fuzzy-Mengen und Relationen 12. Mai 2005
2 Rückblick Darstellung unscharfer Konzepte mit Hilfe von Fuzzy-Mengen, Definition von Fuzzy-Mengen, Fuzzy-Mengen über einem festen Universum bilden einen Verband, Alternative Schnitt- und Vereinigungsoperatoren.
3 Paare von t-normen und t-konormen die Weber-Familie (umfaßt die von beschränktem Produkt, Produkt und drastischem Produkt erzeugten Paare): t λ (a, b) = max{0, a + b 1 + λab } für λ ( 1, ), 1 + λ s λ (a, b) = min{1, a + b λab } für λ ( 1, ), 1 + λ die Yager-Familie(umfaßt die von drastischem Produkt und Minimum erzeugten Paare): t p (a, b) = 1 min{1, [(1 a) p + (1 b) p ] 1 p } für p [0, ), s p (a, b) = min{1, [a p + b p )] 1 p } für p [0, ), Archimedische t-normen und t-konormen.
4 Archimedische t-normen Definition Seien t : [0, 1] 2 [0, 1] und s : [0, 1] 2 [0, 1] zwei Funktionen. 1. t heißt archimedische t-norm genau dann, wenn t stetige t-norm ist und für alle a (0, 1) die Ungleichung t(a, a) < a gilt. 2. s heißt archimedische t-konorm genau dann, wenn s stetige t-konorm ist und für alle a (0, 1) die Ungleichung s(a, a) > a gilt.
5 Darstellung von Archimedischen t-normen und t-konormen Satz Eine Funktion t : [0, 1] 2 [0, 1] ist genau dann eine archimedische t-norm, wenn eine streng monoton fallende Funktion f : [0, 1] [0, ] existiert mit f (1) = 0 und t(a, b) = f 1(f (a) + f (b)), wobei f 1 die Pseudoinverse von f ist mit { f 1 x [0, 1] f (x) = y, falls y [0, f (0)]; (y) = 0, falls y [f (0), ]. Für f (0) = ist t streng monoton wachsend in beiden Argumenten.
6 Beispiel Archimedische t-normen Sei f : [0, 1] [0, 1] mit f (x) = 1 x. Dann gilt: f (0) = 1, f 1 (y) = { 1 y, falls y [0, f (0)] 0, sonst. t(x, y) = max{0, a + b 1} (beschränkte Summe) die im Satz auftretende Funktion f ist eindeutig bis auf Multiplikation mit einer positiven reellen Konstanten, f heißt additiver Generator von t, eine archimedische t-norm heißt nilpotent, wenn f (0) <.
7 Beispiele für Archimedische t-normen II f p : [0, 1] [0, 1], f p (x) = (1 x) p, p [0, ) t(a, b) = f 1 (f (a) + f (b)) = f 1 ((1 a) p + (1 b) p ) = 1 ((1 a) p + (1 b) p ) 1 p definiert die Yager-Familie.
8 Beispiel für Archimedische t-normen III f : [0, 1] [0, 1], f (x) = { ln(x), falls x [0, 1],, fallsx = 0. t(a, b) = f 1 (f (a) + f (b)) = f 1 ( ln(a) ln(b)) = e ln(a)+ln(b) = a b definiert das algebraische Produkt.
9 Literatur zu t-normen Ling,C.-H. Representations of associative functions, Publucations Mathematicae Debrece, 12: , 1965 H.Bandemer, S.Gottwald: Einführung in Fuzzy-Methoden, Akademie-Verlag, Berlin, 4.Auflage, 1993, S.Gottwald: A Treatise on Many-Valued Logic, Studies in Logic and Computation 9, Research Studies Press, Baldock, 2000, G. Klir, T.A. Folger: Fuzzy-Sets, Uncertainty, and Information, Prentice Hall, 1988
10 α-schnitte von Fuzzy-Mengen bisher wurden Fuzzy-Mengen u ausschließlich durch die sie charakterisierende Zugehörigkeitsfunktion dargestellt: vertikale Repräsentation, ein Experte muß dazu für jedes Element x aus dem Referenzbereich M einen Wert u(x) bestimmen, horizontalen Repräsentation durch Niveau-Mengen. Definition Sei u F(M) und α [0, 1]. Die Menge heißt α-schnitt von u. C(u, α) = {x M u(x) α}
11 Beispiel α-schnitte Interpretation des Begriffes jung-sein durch die Fuzzy-Menge u(x) = e 1/1000x 0.5 Schnitt von u besteht aus den Jahreszahlen, für die wir (entsprechend unserer Modellierung) sagen würden, daß ein Mensch in diesem Alter mindestens zum Grad 0.5 als jung bezeichnet werden kann Alter C(u, 0.5) 0.5-Schnitt der Fuzzy-Menge u(x) = e 1/1000x
12 Eigenschaften von α-schnitten Satz Sei u F(M), α, β [0, 1]. Dann gilt: 1. C(u, 0) = M, 2. für α < β gilt: C(u, α) C(u, β), 3. α α<β C(u, α) = C(u, β).
13 Offene α-schnitte Definition Ein offener α-schnitt einer Fuzzy-Menge u wird definiert durch: O(u, α) = {x M u(x) > α} Im obigen Beispiel ist der offene 0.5-Schnitt das rechtsseitig halboffene Intervall [0,26.6). für alle u F(M) gilt: O(u, 1) =. O(u, 0) heißt Träger der Fuzzy-Menge u. Falls O(u, 0) nur ein einziges Element enthält, dann heißt u Fuzzy-Einermenge.
14 Eigenschaften abgeschlossener α-schnitte Satz 1. Die Familie der abgeschlossenen α-schnitte einer Fuzzy-Menge ist sup-umkehrend, d.h. für eine Menge {α i } i I [0, 1] gilt: C(u, sup α i ) = C(u, α i ). i I i I 2. Für eine Menge {u i } i I F(M) von Fuzzy-Mengen gilt außerdem: C( u i, α) = C(u i, α). i I i I
15 Eigenschaften offener α-schnitte Satz 1. Die Familie der offenen α-schnitte einer Fuzzy-Menge ist inf-umkehrend, d.h. für eine Menge {α i } i I gilt: O(u, inf α i) = O(u, α i ). i I i I 2. Für eine Menge {u i } i I F(M) von Fuzzy-Mengen gilt: O( u i, α) = O(u i, α). i I i I
16 α-schnitte zur Charakterisierung von Fuzzy-Mengen Sei α [0, 1], X M, u α (x) := α für alle x M. Bezeichnung: α X = u α χ X α X = u α χ X Satz Für jede Fuzzy-Menge u F(M) gilt: u = u = α [0,1] α [0,1] (α C(u, α)) und u = α [0,1] (α C(u, α)) und u = α [0,1] (α O(u, α)), (α O(u, α)).
17 Extensionsprinzip bisher Möglichkeit der Verallgemeinerung mengentheoretischer Operationen auf Fuzzy-Mengen, Erweiterung von Funktionen f : X n Y zu Abbildungen ˆf : F(X ) n F(Y ), v Interpretation des Begriffes Jung, u Interpretation des Begriffes ungefähr 20, man interpretiert u(22) als Grad der Akzeptanz, daß die Aussage 22 ist ungefähr 20 korrekt ist, u v(22) ist der Zugehörigkeitsgrad von 22 zum vagen Begriff ungefähr 20 und jung, Akzeptanzgrade stellen verallgemeinerte Wahrheitsgrade dar, Wie operiert man auf solchen Akzeptanzgraden?
18 Beispiel + : R R R Addition auf den reellen Zahlen. Ziel: eine Additionsoperation auf Intervallen Seien A 1, A 2 R reele Intervalle. ˆ+ : P(R) P(R) P(R). A 1 ˆ+A 2 = {x 1 + x 2 mit x 1 A 1, x 2 A 2 }.
19 Verallgemeinerung auf Mengen Für f : X n Y ergibt sich ˆf : (P(X )) n P(Y ), mit ˆf (A 1,..., A n ) = {y Y (x 1,..., x n ) A 1... A n : f (x 1,... x n ) = y} Der Akzeptanzgrad acc(y gehört zum Bild von (A 1,..., A n )) = { acc ( (x 1,..., x n ) A 1... A n : f (x 1,... x n ) = y) 1, falls (x 1,..., x n ) A 1... A n : f (x 1,... x n ) = y) = 0, sonst.
20 Verallgemeinerung auf Fuzzy-Mengen Erweiterung von f : X n Y auf ˆf : (F(X )) n F(Y ) Der Akzeptanzgrad acc(y gehört zum Bild von (v 1,..., v n )) v i F(X ) ist dann = acc( (x 1,..., x n ) X n f (x 1,... x n ) = y x 1 gehört zu v 1 und x 2 gehört zu v 2 und. x n gehört zu v n.) =sup (x1,...,x i ) X n,y=f ((x 1,...,x i )){min{v 1 (x 1 ),... v n (x n )}}
21 Extension Definition Sei f : X n Y eine Abbildung, die Extension von f ist gegeben durch ˆf : (F(X )) n F(Y ) mit ˆf (v 1,... v n )(y) = sup{min{v 1 (x 1 ),... v n (x n )} (x 1,..., x i ) X n und y = f (x 1,..., x n )}
22 Fuzzy-Relationen Definition Eine Fuzzy-Relation S über U 1,..., U n ist eine Abbildung S : U 1,..., U n [0, 1].
23 Beispiel Relation n m: die natürliche Zahl n ist viel kleiner als m, läßt sich im klassischen Sinn einer Relation nicht definieren, als Fuzzy-Relation: S(n, m) = { 0 falls m n 1 1 n m sonst. es gibt kein absolutes viel kleiner d.h. es existiert kein Paar (n, m) so daß S(n, m) = 1. die Werte von S(m, n) konvergieren aber für (m n) gegen 1
24 Beispiel andere Definition: S x (n, m) = { 0 falls m n (1 1 n m )x sonst. man erhält damit eine (allerdings der Intuition nicht besonders gut entsprechende) scharfe Relation, wenn man für x = 0 einsetzt, welche Definitionen im konkreten Fall verwendet wird, ist keine mathematische Frage, sondern hängt vom Anwendungszweck ab.
25 t-ähnlichkeitsrelationen Definition Sei t eine t-norm. Eine Fuzzy-Relation R : U U [0, 1] über dem Universum U heißt t-ähnlichkeitsrelation, wenn für alle x, y, z U gilt:, (i) R(x, x) = 1 (ii) R(x, z) t(r(x, y), R(y, z)) (iii) R(x, y) = R(y, x) (Reflexivität) (Transitivität) (Symmetrie) Falls x, y U gilt R(x, y) {0, 1} dann ist R charakteristische Funktion einer klassischen Äquivalenzrelation.
26 Beispiel Thriller Krimi SciFi Fantasy Thriller Krimi SciFi Fantasy R ist t 2 -und t 4 -Ähnlichkeitsrelation aber keine t 1 -oder t 3 -Ähnlichkeitsrelation. R(K, T )t 1 R(T, S) = min(0.8, 0.7) = 0.7 R(K, S) = 0.5 R(K, T )t 3 R(T, S) = = 0.56 R(K, S) = 0.5
27 Produkt von Relationen Definition Seien R U 1,..., U n, W und S W, V 1,..., V m Relationen. Das Produkt R S zweier Relationen ist gegeben durch: (x 1,..., x n, y 1,... y m ) R S, gdw. z W, so daß (x 1,..., x n, z) R und (z, y 1,... y m ) S.
28 Produkt von Fuzzy-Relationen Fuzzy-Relationen sind Fuzzy-Mengen, nämlich über dem entsprechenden kartesischen Produkt, die schon definierten Operationen,, lassen sich auf Paare von Fuzzy-Relationen anwenden, das Produkt von Fuzzy-Relationen läßt sich nicht mit Hilfe der verallgemeinerten Mengenoperationen darstellen.
29 Standardprodukt von Fuzzy-Relationen Definition Seien S 1 : U 1... U n W [0, 1] und S 2 : W V 1... V m [0, 1] zwei unscharfe Relationen. Das Standardprodukt S 1 S 2 : U 1... U n V 1... V m [0, 1] wird definiert durch: S 1 S 2 ((x 1,..., x n, y 1,... y m )) = sup{min(s 1 ((x 1,..., x n, z)), S 2 ((z, y 1,... y m ))) z W }. Verwendet man anstelle von sup nur max, so ist S1 S 2 eventuell nur partiell definiert. Andere Produkte von Fuzzy-Relationen als das Standardprodukt erhält man, wenn man min durch eine andere t-norm ersetzt.
30 Abstrakte Ähnlichkeitslogik (Ying, 1994) Logik für approximatives Schließen auf der Basis von Fuzzy-Relationen, Ableitungsregeln können auch dann anwendet werden, wenn die Prämissen den Antezenten nur annähernd erfüllen, Gegeben sei folgende Inferenz: x ist ein Thriller x gefällt mir, y ist ein Krimi, Thriller ist ähnlich zu Krimi, y gefällt mir.
31 Abstrakte Ähnlichkeitslogik II Die Relation ähnlich zu ist eine Fuzzy-Relation. Eine Fuzzy-Logik sollte einen Zusammenhang zwischen dem Grad der Ähnlichkeit und dem Grad, zu dem wir die Konklusion als gültig anerkennen, herstellen. Der Grad der Konklusion y gefällt mir sollte groß sein, wenn wir annehmen wollen, daß der Grad der Ähnlichkeit zwischen Krimi und Thriller groß ist.
32 Transitive Hülle unter einer Fuzzy-Ähnlichkeitsrelation Sei R : F L F L [0, 1]. Beispiel SIM(u)(ϕ) = sup{t 2 (R(ϕ, ψ), u(ψ)) ψ F L }. Sei R die t2 Ähnlichkeitsrelation von oben, u mit u(t ) = 0.8, u(f ) = 0.9 Charakterisierung einer spannenden Fantasy-Geschichte, SIM(u)(T ) = 0.8, SIM(u)(K) = 0.6 SIM(u)(S) = 0.7, SIM(u)(F ) = 0.9
33 Transitive Hülle unter einer Fuzzy-Ähnlichkeitsrelation II SIM(u) ist eine Art transitive Hülle, es gilt: 1. SIM(u)(ϕ) u(ϕ) (Inklusion) 2. für u v gilt SIM(u) SIM(v) (Monotonie) 3. SIM(SIM(u)) = SIM(u) (Idempotenz)
34 Abstrakte Ähnlichkeitslogik Für den Schluß y gefällt mir brauchen wir noch einen Abschlußoperator D, der das logische Schließen übernimmt. D : F(F L ) F(F L ), Abschlußoperator auf Fuzzy-Mengen K = D SIM v SIM(v) D(SIM(v)) SIM(D(SIM(v)))... D R (v) D R (v) = n N K n (v).
Kapitel 3 Fuzzy-Mengen und Relationen. 29. April 2005
Kapitel 3 und Relationen 29. April 2005 Rückblick Tarski s Deduktionsbegriff, Verbandstheorie, Abstrakte Logik über Verbänden Wohldefinierte Eigenschaften P wohldefinierte Eigenschaft auf einer Menge M,
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 10. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 10. Juni 2005 Zusammenfassung Wahrheitsfunktionale Fuzzy-Semantik besteht aus Mengen aller wahrheitsfunktionalen Belegungen von Formeln, jedem Modell in M entspricht
Mehr1 0, x C X (A). = 1 χ A(x).
Aufgabe 1 a) Wir müssen nur zeigen, dass χ A B (x) = χ A (x) χ B (x) für alle x X gilt. (Dass χ A χ B Abbildung von X in {0, 1} ist, ist klar.) Sei also x X beliebig. Fall 1: x A B. Dies bedeutet x A und
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
MehrFundamente der Computational Intelligence Teil 4
Fundamente der Computational Intelligence Teil 4 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Fuzzy Relationen Relationen mit scharfen Mengen X 1,
MehrLösungen zur Übungsserie 9
Analysis 1 Herbstsemester 2018 Prof. Peter Jossen Montag,? November Lösungen zur Übungsserie 9 Aufgaben 1,2,3,5,6,8,9,11 Aufgabe 1. Sei a R. Berechnen Sie die folgenden Grenzwerte, falls sie existieren.
MehrVollständigkeit. 1 Konstruktion der reellen Zahlen
Vortrag im Rahmen des Proseminars zur Analysis, 17.03.2006 Albert Zeyer Ziel des Vortrags ist es, die Vollständigkeit auf Basis der Konstruktion von R über die CAUCHY-Folgen zu beweisen und äquivalente
Mehr6.1 Zerlegungen Ober- und Unterintegrale Existenz des Integrals
Kapitel 6 Das Riemann-Integral In diesem Abschnitt wollen wir einen Integralbegriff einführen. Dieser Integralbegriff geht auf Riemann 1 zurück und beruht auf einer naheliegenden Anschauung. Es wird sich
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
MehrFuzzy Logic & Control
The more, the fuzzier... Prof. Dr.-Ing. Doris Danziger Prof. Dr. rer. nat. Nikolaus Wulff Fuzzy Theorie Lofi Zadeh enwickelte 1967 die Fuzzy Theorie. Er erweiterte die klassische Mengenlehre um den Begriff
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrLogarithmusfunktion zur Basis 2, Aufgaben. 7-E Vorkurs, Mathematik
Logarithmusfunktion zur Basis 2, Aufgaben 7-E Vorkurs, Mathematik Logarithmusfunktion zur Basis 2: Aufgaben 7-9 Aufgabe 7: Bestimmen Sie eine vertikale Asymptote für die folgenden Funktionen: f ( x) =
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrComputational Intelligence 1 / 29. Computational Intelligence Fuzzy Systeme Einleitung 3 / 29
Gliederung 1 / 29 1 Fuzzy Systeme Einleitung Grundlagen Zadehs Operationen auf Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Relationen Einsatzgebiete Fuzzy-Systeme Historisches Fuzzy Systeme Einleitung
MehrKapitel II Funktionen reeller Variabler
Kapitel II Funktionen reeller Variabler D (Funktion) Es sei f XxY eine Abbildung Die Abbildung f heiß Funktion, falls sie eindeutig ist Man schreibt dann auch: f : X Y f ( x) = y, wobei y das (eindeutig
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrFundamente der Computational Intelligence Teil 2
Fundamente der Computational Intelligence Teil 2 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Grobe Gliederung 1. Fuzzy Methoden 2. Evolutionäre
MehrRepräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I. Alexander Fabisch und Benjamin Markowsky. Universität Bremen
Repräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I Alexander Fabisch und Benjamin Markowsky Universität Bremen 25.05.2010 Alexander Fabisch und Benjamin Markowsky (Universität Bremen)
MehrKapitel 16 : Differentialrechnung
Kapitel 16 : Differentialrechnung 16.1 Die Ableitung einer Funktion 16.2 Ableitungsregeln 16.3 Mittelwertsätze und Extrema 16.4 Approximation durch Taylor-Polynome 16.5 Zur iterativen Lösung von Gleichungen
MehrMathematik für Informatiker I Mitschrift zur Vorlesung vom
Mathematik für Informatiker I Mitschrift zur Vorlesung vom 18.11.2004 Zur Wiederholung: Das Kartesische Produkt dient dem Ordnen von Mengen. A B = {(a, b) : a A, b B)} Spezialfall A = Äquivalenzrelation
Mehr4. Mathematische und notationelle Grundlagen. Beispiel Mengen. Bezeichnungen:
4. Mathematische und notationelle Grundlagen 4.1 Mengen Beispiel 3 A 1 = {2, 4, 6, 8}; A 2 = {0, 2, 4, 6,...} = {n N 0 ; n gerade} Bezeichnungen: x A A x x A B A B A { } x Element A x nicht Element A B
Mehr3 Folgen, Reihen und stetige Funktionen
Höhere Mathematik 101 3 Folgen, Reihen und stetige Funktionen 3.1 Folgen und Reihen: Definitionen und Beispiele Eine reelle oder komplexe Zahlenfolge ist eine Abbildung, die jeder natürlichen Zahl n eine
MehrVon den rationalen zu den reellen Zahlen
Skript zur Schülerwoche 016, zweiter Tag: Von den rationalen zu den reellen Zahlen Dr. Mira Schedensack 1. September 016 1 Einführung Dieser Vorlesung geht von der Menge der rationalen Zahlen aus und definiert
Mehr10 Formale Grundlagen
95 10 Formale Grundlagen 10.1 Mengentheorie Die Aussagen hierzu sind aus [?, S.13-21] und [?, S.75-136]. In [?] sind die nötigsten Aussagen zusammengefaßt. In [?] sind insbesondere Links und Rechtsinverse
Mehr2. Stetige lineare Funktionale
-21-2. Stetige lineare Funktionale Die am Ende von 1 angedeutete Eigenschaft, die ein lineares Funktional T : D(ú) 6 verallgemeinerten Funktion macht, ist die Stetigkeit von T in jedem n 0 0 D(ú). Wenn
MehrDr. Jürgen Roth. Fachbereich 6: Abteilung Didaktik der Mathematik. Elemente der Algebra. Dr. Jürgen Roth 2.1
.1 Fachbereich 6: Abteilung Didaktik der Mathematik Elemente der Algebra . Inhaltsverzeichnis Elemente der Algebra & Argumentationsgrundlagen, Gleichungen & Gleichungssysteme Quadratische und Gleichungen
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
Mehr(1.18) Def.: Eine Abbildung f : M N heißt
Zurück zur Mengenlehre: Abbildungen zwischen Mengen (1.17) Def.: Es seien M, N Mengen. Eine Abbildung f : M N von M nach N ist eine Vorschrift, die jedem x M genau ein Element f(x) N zuordnet. a) M = N
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
MehrFundamente der Computational Intelligence Teil 3
Fundamente der Computational Intelligence Teil 3 Günter Rudolph Fachbereich Informatik, Lehrstuhl XI Fachgebiet Computational Intelligence WS 2006/07 Standard Fuzzy Operatoren Bisher betrachtet: Standard
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker 1 2 Mengen, Relationen, Funktionen 2.1 Mengen Definition 2.1 [Georg Cantor 1895] Eine Menge ist eine Zusammenfassung bestimmter, wohlunterschiedener Dinge unserer
MehrAbschnitt 1.3. Funktionen
Abschnitt 1.3 Funktionen Arbeitsdefinition des Begriffs Funktion Bereits an Ende von Abschnitt 1.1 wurde definiert: Eine Funktion f ordnet Elementen x einer Menge D Elemente f (x) zu, die in der Menge
MehrÜberabzählbarkeit der reellen Zahlen
Überabzählbarkeit der reellen Zahlen Mathematik M4 Dozentin: Dr. Regula Krapf Jan Lukas Schallenberg Matr. Nr.: 214202241 November 2017 1 Inhaltsverzeichnis 1 Dedekindsche Schnitte 3 2 Addition und Multiplikation
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker Grundlagen der Mathematik für Informatiker Mengen, Relationen, Funktionen. Mengen Definition. [Georg Cantor 895] Eine Menge ist eine Zusammenfassung bestimmter,
MehrAnalysis für Informatiker
Analysis für Informatiker Wintersemester 2017/2018 Carsten.Schneider@risc.jku.at 1 Bemerkung: Dies ist kein Skript, welches den gesamten Inhalt der Vorlesung abdeckt. Es soll den Studierenden aber während
MehrFormale Methoden 2 (Lehrstuhl I Logik in der Informatik)
Formale Methoden 2 Gaetano Geck (Lehrstuhl I Logik in der Informatik) Blatt 3 Beispiellösung WS 2015/16 Aufgabe 1 [Wiederholung: Relationen] 3 Punkte Begründe jeden deiner Lösungsvorschläge. a) Wir definieren
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 2. Folgen Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies Grundlagen Mathematik
Mehr2. Reelle und komplexe Zahlen [Sch-St ]
7 2. Reelle und komplexe Zahlen [Sch-St 6.4-6.5] 2.1 Körperstruktur und Anordnung von R [Kö 2.1-2.2] Für (beliebige) reelle Zahlen a, b, c R gelten die folgenden (algebraischen) Körperaxiome: (K1) a +
Mehr4. Funktionen und Relationen
4. Funktionen und Relationen Nikolaus von Oresmes Richard Dedekind (1831-1916) René Descartes 1596-1650 Pierre de Fermat 1607/8-1665 Seite 1 Inhalt der Vorlesung Teil 4: Funktionen und Relationen 4.1 Funktionen:
MehrFundamente der Computational Intelligence
Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
MehrProseminar Analysis Vollständigkeit der reellen Zahlen
Proseminar Analysis Vollständigkeit der reellen Zahlen Axel Wagner 18. Juli 2009 1 Voraussetzungen Zunächst wollen wir festhalten, was wir als bekannt voraussetzen: Es sei (Q, +, ) der Körper der rationalen
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrMathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1. 1 Grundlagen 2. 2 Der Graph einer Funktion 4. 3 Umkehrbarkeit 5
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Funktionen 1 Inhaltsverzeichnis 1 Grundlagen 2 2 Der Graph einer Funktion
Mehr1 Verbandstheorie. Aufgabensammlung. Höhere Mathematik für Physiker III Wintersemester 2014
Aufgabensammlung Höhere Mathematik für Physiker III Wintersemester 2014 1 Verbandstheorie 1. Aufgabe: (a) Sei f C(R) eine stetige Funktion. Wenn Rf(x)φ(x)dx = 0 für alle Testfunktionen φ Cc (R) gilt, dann
MehrMengen. (Nicht-) Elemente einer Menge { 3, 4 } { 1, { 2 }, { 3, 4 }, { 5 } } 3 { 1, { 2 }, { 3, 4 }, { 5 } }
Mengen Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor) Notation 1. Aufzählung aller Elemente: { 1,
MehrMengen, Funktionen und Logik
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Mengen, Funktionen und Logik Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrSpickzettel Mathe C1
Spickzettel Mathe C1 1 Mengenlehre 1.1 Potenzmenge Die Potenzmenge P (Ω) einer Menge Ω ist die Menge aller Teilmengen von Ω. Dabei gilt: P (Ω) := {A A Ω} card P (Ω) = 2 card Ω P (Ω) 1.2 Mengenalgebra Eine
MehrFuzzy-Logik und Fuzzy-Control
Georg Jaanineh / Markus Maijohann Fuzzy-Logik und Fuzzy-Control Vogel Buchverlag Inhaltsverzeichnis Vorwort 5 TEIL1 1 Einleitung 13 2 Klassische Mengen und klassische Logik 17 2.1 Klassische Mengen 17
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
Mehrsign: R R, sign(x) := 0 falls x = 0 1 falls x < 0 Diese ist im Punkt x 0 = 0 nicht stetig, denn etwa zu ε = 1 finden wir kein δ > 0
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 81 3. Stetigkeit 3.1. Stetigkeit. Im Folgenden sei D R eine beliebige nichtleere Teilmenge. Typischerweise wird D ein allgemeines Intervall sein, siehe Abschnitt
Mehr2.4 Verallgemeinerte Ungleichungen
2.4 Verallgemeinerte Ungleichungen 2.4.1 Eigentliche Kegel und verallgemeinerte Ungleichungen Ein Kegel K R heißt eigentlicher Kegel, wenn er die folgenden Bedingungen erfüllt: K ist konvex K ist abgeschlossen
Mehr13. Funktionen in einer Variablen
13. Funktionen in einer Variablen Definition. Seien X, Y Mengen. Eine Funktion f : X Y ist eine Vorschrift, wo jedem Element der Menge X eindeutig ein Element von Y zugeordnet wird. Wir betrachten hier
MehrV. Lineare Algebra. 35 Lineare Abbildungen und Matrizen. 156 V. Lineare Algebra
156 V. Lineare Algebra V. Lineare Algebra 35. Lineare Abbildungen und Matrizen 156 36. Eigenwerte und Eigenvektoren 161 37. Hauptvektoren 165 38. Normen und Neumannsche Reihe 168 39. Numerische Anwendungen
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws13/14
MehrDifferential- und Integralrechnung
Brückenkurs Mathematik TU Dresden 2016 Differential- und Integralrechnung Schwerpunkte: Differentiation Integration Eigenschaften und Anwendungen Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik
MehrAufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I
Aufgaben und en Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Wintersemester 008/009 Übung am..008 Übung 4 Einleitung Zuerst soll auf den aktuellen Übungsblatt und Stoff der Vorlesung eingegangen
MehrMusterlösung. 1 Relationen. 2 Abbildungen. TUM Ferienkurs Lineare Algebra 1 WiSe 08/09 Dipl.-Math. Konrad Waldherr
TUM Ferienkurs Lineare Algebra WiSe 8/9 Dipl.-Math. Konrad Waldherr Musterlösung Relationen Aufgabe Auf R sei die Relation σ gegeben durch (a, b)σ(c, d) : a + b c + d. Ist σ reflexiv, symmetrisch, transitiv,
Mehr(alternierendes Vorzeichen) a n := ( 1)n n + 1 a n := 3n 2 7n a n := n(n 1)(n 2), n 3
ANALYSIS FÜR PHYSIK UND VERWANDTE FÄCHER I 43 2. Folgen und Reihen Folgen und Reihen werden in jedem Analysislehrbuch besprochen, siehe etwa [H, Kapitel III], [K, Kapitel 5], [J2, Kapitel 23] oder [M,
MehrAufgabensammlung zur Analysis 1
Analysis 1 18.12.2017 Prof. Dr. H. Koch Dr. F. Gmeineder Abgabe: Keine Abgabe. Aufgabensammlung zur Analysis 1 Anmerkungen: Das vorliegende Blatt enthält eine Auswahl von Aufgaben, die auf Klausuren zur
Mehre. Für zwei reelle Zahlen x,y R gelten die Additionstheoreme sin(x+y) = cos(x) sin(y)+sin(x) cos(y). und f. Für eine reelle Zahl x R gilt e ix = 1.
8. GRENZWERTE UND STETIGKEIT VON FUNKTIONEN 51 e. Für zwei reelle Zahlen x,y R gelten die Additionstheoreme cos(x+y) = cos(x) cos(y) sin(x) sin(y) und sin(x+y) = cos(x) sin(y)+sin(x) cos(y). f. Für eine
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrEigenschaften stetiger Funktionen Buch Kap. 2.5
Eigenschaften stetiger Funktionen Buch Kap. 2.5 Satz 2.6: (Nullstellensatz) Ist f : [a, b] R stetig und haben f (a) und f (b) unterschiedliche Vorzeichen, so besitzt f in (a, b) mindestens eine Nullstelle.
MehrFuzzy Systeme vom Typ 1. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Fuzzy Systeme vom Typ Sommersemester 2008 Ausgewählte Kapitel der Computational Intelligence (Vorlesung) Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Fuzzy Regelung Prof. Dr. Günter Rudolph Fachbereich
MehrBeschränktheit, Monotonie & Symmetrie
Beschränktheit, Monotonie & Symmetrie ein Referat Dies ist eine Beilage zum Gruppen-SOL - Projekt Potenz- & Exponentialfunktionen Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch November 2015 Inhaltsverzeichnis
MehrMengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit
Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {
MehrVollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die kontinuierlich ablaufende Zeit.
Kapitel 4 Reelle Zahlen 4.1 Die reellen Zahlen (Schranken von Mengen; Axiomatik; Anordnung; Vollständigkeit; Überabzählbarkeit und dichte Mengen) Als typisches Beispiel für die reellen Zahlen dient die
MehrDie reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen. Steven Klein
Die reellen Zahlen als Äquivalenzklassen rationaler Cauchy-Folgen Steven Klein 04.01.017 1 In dieser Ausarbeitung konstruieren wir die reellen Zahlen aus den rationalen Zahlen. Hierzu denieren wir zunächst
Mehr01. Gruppen, Ringe, Körper
01. Gruppen, Ringe, Körper Gruppen, Ringe bzw. Körper sind wichtige abstrakte algebraische Strukturen. Sie entstehen dadurch, dass auf einer Menge M eine oder mehrere sogenannte Verknüpfungen definiert
MehrThema 3 Folgen, Grenzwerte
Thema 3 Folgen, Grenzwerte Definition Eine Folge von reellen Zahlen ist eine Abbildung von N in R d.h. jedem n N ist eine Zahl a n zugeordnet. Wir schreiben für eine solche Folge. Beispiele. (a n ) n N
MehrThema 4 Limiten und Stetigkeit von Funktionen
Thema 4 Limiten und Stetigkeit von Funktionen Wir betrachten jetzt Funktionen zwischen geeigneten Punktmengen. Dazu wiederholen wir einige grundlegende Begriffe und Schreibweisen aus der Mengentheorie.
Mehr8 Ungleichungen. Themen: Klassische Ungleichungen Konvexe und monotone Funktionen
8 Ungleichungen Themen: Klassische Ungleichungen Konvexe und monotone Funktionen Die Youngsche Ungleichung Aus 0 (a±b) 2 erhalten wir die Youngsche Ungleichung für a, b Ê ab 1 2 a2 + 1 2 b2. Ersetzen wir
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 16 S-Homomorphismen und elementare Äquivalenz Definition 16.1. Zwei S-Strukturen M und N über einem erststufigen Symbolalphabet
MehrMathematik für Informatiker II (Maikel Nadolski)
Lösungen zum 4. Aufgabenblatt vom Mittwoch, den 02.Mai 2012 zur Vorlesung Mathematik für Informatiker II (Maikel Nadolski) 1. Reelles Betrachten Sie die folgenden beiden Mengen reeller Zahlen: S = { m
MehrKonstruktion reeller Zahlen aus rationalen Zahlen
Konstruktion reeller Zahlen aus rationalen Zahlen Wir nehmen an, daß der Körper der rationalen Zahlen bekannt ist. Genauer wollen wir annehmen: Gegeben ist eine Menge Q zusammen mit zwei Verknüpfungen
Mehr13. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 3. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS 00/ 07.0.-.0. Aufgabe G Stetigkeit) a) Gegeben
MehrKonstruktion der reellen Zahlen. 1 Der Körper der reellen Zahlen
Vortrag zum Proseminar zur Analysis, 24.10.2012 Adrian Hauffe-Waschbüsch In diesem Vortrag werden die reellen Zahlen aus rationalen Cauchy-Folgen konstruiert. Dies dient zur Vorbereitung der späteren Vorträge,
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
MehrDarstellungsformeln für die Lösung von parabolischen Differentialgleichungen
Kapitel 8 Darstellungsformeln für die Lösung von parabolischen Differentialgleichungen Wir hatten im Beispiel 5. gesehen, dass die Wärmeleitungsgleichung t u u = f auf Ω (0, ) (8.1) eine parabolische Differentialgleichung
MehrÜbersichtsblatt Hertrampf/Bahrdt. 1 Mathematische Aussagen. Theoretische Informatik I WS2018/19
Theoretische Informatik I WS2018/19 Übersichtsblatt Hertrampf/Bahrdt Institut für Formale Methoden der Informatik Theoretische Informatik Universität Stuttgart 1 Mathematische Aussagen Um mathematische
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrDer 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
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
MehrLS Informatik 4 & Funktionen. Buchholz / Rudolph: MafI 2 88
4. Funktionen Buchholz / Rudolph: MafI 2 88 Kapitelgliederung 4.1 Grundlegende Denitionen 4.2 Polynome und rationale Funktionen 4.3 Beschränkte und monotone Funktionen 4.4 Grenzwerte von Funktionen 4.5
MehrMathematik 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
Mehr6.2 Beispiel: endlich dimensionale Räume
6.2 Beispiel: endlich dimensionale Räume 81 6.2 Beispiel: endlich dimensionale Räume Wir stellen hier ein paar Aussagen über verschiedene Normen in endlich dimensionalen Räumen vor. Sie dienen vor allem
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 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
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Differential und Integralrechnung 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 206/7): Differential und Integralrechnung 3 3. (Herbst 20, Thema 3, Aufgabe 2) Gegeben ist für m R die Funktion f m : ], 2π[ R; f m (x) = Folgende
MehrLösungen zur Übungsserie 1
Analysis 1 Herbstsemester 2018 Prof. Peter Jossen Montag, 24. September Lösungen zur Übungsserie 1 Aufgaben 1, 3, 4, 5, 6, 8 Aufgabe 1. Sei X eine endliche Menge mit n Elementen, und sei Y eine endliche
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 2014/15 Thomas Timmermann 26. November 2014 Was kommt nach den natürlichen Zahlen? Mehr als die natürlichen Zahlen braucht man nicht, um einige der schwierigsten
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehrf(f 1 (w)) = w f 1 (f(z)) = z Abbildung 21: Eine Funktion und ihre Umkehrfunktion
Mathematik für Naturwissenschaftler I 2.8 2.8 Umkehrfunktionen 2.8. Definition Sei f eine Funktion. Eine Funktion f heißt Umkehrfunktion, wenn f (w) = z für w = f(z). f darf nicht mit f(z) = (f(z)) verwechselt
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr