18. Dynamisches Programmieren
|
|
- Kristin Fertig
- vor 8 Jahren
- Abrufe
Transkript
1 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus Lösungen zu Telproblemen. Lösungen zu Telproblemen werden ncht rekursv gelöst. Lösungen zu Telproblemen werden teratv begnnend mt den Lösungen der klensten Telprobleme berechnet (bottom-up). Datenstrukturen und Algorthmen 8. Dynamsches Programmeren
2 Dynamsches Programmeren (2) Wrd häufg angewandt, wenn rekursver Ansatz Lösungen zu mmer weder denselben Telproblemen lösen wrd. Lernen dre Bespele kennen: Längste gemensame Telfolge, optmale Suchbäume, Rucksackproblem. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 2
3 Längste gemensame Telfolge () Seen X ( x, K,x ) und Y = ( y, K, ) = m yn zwe Telfolgen, wobe x,y A für en endlches Alphabet A. Dann hesst Y Telfolge von X, wenn es aufstegend sorterte Indzes, K, gbt mt x = y für =, K, n. n Bespel: Y=(B,C,A,C) st Telfolge von,,, X=(A,B,A,C,A,B,C). Wähle ( ) ( 2,4,5,7 ) = Snd X,Y,Z Folgen über A, so hesst Z gemensame Telfolge von X und Y, wenn Z Telfolge sowohl von X als auch von Y st. Bespel: Z=(B,C,A,C) st gemensame Telfolge von X=(A,B,A,C,A,B,C) und Y=(B,A,C,C,A,B,B,C). Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 3
4 Längste gemensame Telfolge (2) Z hesst längste gemensame Telfolge von X und Y, wenn Z gemensame Telfolge von X und Y st und es kene andere gemensame Telfolge von X und Y gbt, de größere Länge als Z bestzt. Bespel: Z=(B,C,A,C) st ncht längste gemensame Telfolge von X=(A,B,A,C,A,B,C) und Y=(B,A,C,C,A,B,B,C). Denn (B,A,C,A,C) st ene längere gemensame Telfolge von X und Y. Bem Problem Längste-Gemensame-Telfolge (LCS) snd als Engabe zwe Telfolgen X = ( x, K,xm ) und Y = ( y, K, yn ) gegeben. Gesucht st dann ene längste gemensame Telfolge von X und Y. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 4
5 Bespel längste gemensame Telfolge Folge X A B C B D A B Folge Y B D C A B A Folge X A B C B D A B Folge Y B D C A B A Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 5
6 Struktur von LCS = K m ene belebge Folge. Für = 0,, K,m st der -te Präfx von X defnert als X = ( x, K, x ). Der -te Präfx von besteht also aus den ersten Symbolen von X. Der 0-te Präfx st de leere Folge. Defnton 8.: Se X ( x,,x ) Satz 8.2: Seen X ( x, K,xm ) und Y = ( y, K, yn ) Folgen und se Z ( z, K, ) = belebge = z k ene längste gemensame Telfolge von X und Y. Dann glt. Ist x m = yn, dann st z k = xm = yn und Zk st ene längste gemensame Telfolge von Xm und Yn. 2. Ist xm yn und zk xm, dann st Z ene längste gemensame Telfolge von X m und Y. 3. Ist xm yn und zk yn, dann st Z ene längste gemensame Telfolge von X und Y. n Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 6
7 Rekurson für Länge von LCS Lemma 8.3: Se [, ] c de Länge ener längsten gemensamen Telfolge des -ten Präfx X von X und des -ten Präfx Y von Y. Dann glt: c [, ] = c[, ] +, max{ c[, ],c[, ] } 0,, falls = 0 oder falls, > 0 und x falls, > 0 und x = 0 = y y. [ ] Beobachtung: Rekursve Berechnung der c, würde zu Berechnung mmer weder derselben Werte führen. Deses st neffzent. Berechnen daher de Werte c[, ] teratv, nämlch zelenwese. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 7
8 Berechnung der Werte c[,] ( X,Y) ( X) ( Y) LCS Length m length 2 n length 3 for 0 to m 4 do c[,0] 0 5 for 0 to n 6 do c[ 0, ] 0 7 for to m 8 do for to n 9 do f x = y 0 then c b, 2 else f return b,c [, ] c[, ] + [ " " c[ -, ] c[, ] then c[, ] c[, ] b[, ] " " else c[, ] c[, ] b[, " " [ ] b, spechert Informatonen zur späteren Berechnung ener längsten gemensamen Telfolge. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 8
9 Bespeltabellen c[,] und b[,] y B D C A B A 0 x A 2 B 3 C 4 B 5 D 6 A 7 B Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 9
10 Berechnung von LCS aus c und b ( ) Prnt - LCS b,x,, f = 0 = 0 2 then return 3 f b[, ] = " " 4 then Prnt - LCS b,x, 5 prnt x 6 else f b[, ] = " " 7 then Prnt - LCS b,x, 8 else Prnt - LCS b,x,, ( -, -) ( -, ) ( -) Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 0
11 Laufzet von LCS-Length und LCS-Prnt Lemma 8.4: Algorthmus LCS-Length hat Laufzet O(nm), wenn de Folgen X,Y Länge n und m haben. Lemma 8.5: Algorthmus LCS-Prnt hat Laufzet O(n+m), wenn de Folgen X,Y Länge n und m haben. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren
12 Berechnung von LCS aus c,b - Illustraton y B D C A B A 0 x A 2 B 3 C 4 B 5 D 6 A 7 B Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 2
13 Dynamsches Programmeren - Struktur. Bestmme rekursve Struktur ener optmalen Lösung. 2. Entwerfe rekursve Methode zur Bestmmung des Werts ener optmalen Lösung. 3. Transformere rekursv Methode n ene teratve (bottom-up) Methode zur Bestmmung des Werts ener optmalen Lösung. 4. Bestmmen aus dem Wert ener optmalen Lösung und n 3. ebenfalls berechneten Zusatznformatonen ene optmale Lösung. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 3
14 Optmale bnäre Suchbäume () Gegeben st Folge K ( k, K, ) k < = k n mt k < kn, K,pn; q0,q, K,qn mt sowe Werte p 0 < L, Bedeutung der p, q : Nach Schlüssel k wrd mt Wahrschenlchket p gesucht. Nach enem ncht, k wrd mt Wahrschenlchket q gesucht. Dabe se k und =. k + exsterenden Schlüssel m offenen Intervall ( ) 0 = k n + Repräsenteren ncht exsterende Schlüssel m k, + durch dummy Schlüssel, = 0,, K, n. Intervall ( ) k n = n + p q =. = 0 d Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 4
15 Optmale bnäre Suchbäume (2) Gesucht st bnärer Suchbaum Aufwand pro Suche mnmert. n [ ] = ( depth ( k ) + ) p + ( depth ( d ) + ) E Suchaufwand = T, der erwarteten Hat k oder d Tefe t m Suchbaum T, so st der Aufwand für ene Suche nach k bzw. d genau t+. depth ( ) ( ) Se T k, depth T d Tefe von Schlüssel k bzw. n enem Suchbaum T. Dann st erwarteter Aufwand ener Suche n T gegeben durch T n = 0 T d q = + n = depth T n ( k ) p + deptht ( d ) = 0 q Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 5
16 Nützlche Verallgemenerung Verlangen ncht mehr, dass de Werte p, K,p ; q,q, K,q 0 ene Wahrschenlchketsver- n 0 n telung blden. Erlauben also p q. n = n + Wollen aber weterhn Suchbaum für de Schlüssel k, K,, so dass de Summe k n n = mnmert wrd. Nennen dese Summe trotzdem erwarteten Suchaufwand. = 0 ( deptht ( k ) + ) p + ( deptht ( d ) + ) n = 0 q Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 6
17 Erwarteter Suchaufwand Bespele () p 0,5 0,0 0,05 0,0 0,20 q 0,05 0,0 0,05 0,05 0,05 0,0 k 2 k k 4 d0 d k3 k5 d2 d3 d d 4 5 Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 7
18 Erwarteter Suchaufwand Bespele (2) Knoten k k 2 k 3 k 4 k 5 d 0 d d 2 d 3 d 4 d 5 Tefe Wahrschenlchket 0,5 0,0 0,05 0,0 0,20 0,05 0,0 0,05 0,05 0,05 0,0 Betrag 0,30 0,0 0,5 0,20 0,60 0,5 0,30 0,20 0,20 0,20 0,40 Erwarteter Suchaufwand: 2,80 Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 8
19 Erwarteter Suchaufwand Bespele (3) p 0,5 0,0 0,05 0,0 0,20 q 0,05 0,0 0,05 0,05 0,05 0,0 k 2 Erwarteter Suchaufwand: 2,75 k k 5 d0 d k 4 d 5 k 3 d 4 d d 2 3 Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 9
20 Struktur optmaler Lösung Satz 8.5: Se T en optmaler Suchbaum für de Schlüsselfolge K = ( k, K, k n ) mt Wahrschenlchketen p, K,pn; q0,q, K, qn. Enthält T den Telbaum T mt den Schlüsseln k, K, k, dann st T n optmaler Suchbaum für de Schlüssel k, K, k. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 20
21 Se [, ] Rekursve optmale Lösung () e der erwartete Suchaufwand für enen optmalen Suchbaum mt Schlüsseln k, K, k. Ist k r Wurzel enes optmalen Suchbaums für de Schlüssel k, K, k, so glt [, ] = p + e[,r ] + w[,r ] + e[ r +, ] + w[ r, ]. e r + Dabe st [, ] : = + w p k q. k= k= k Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 2
22 Rekursve optmale Lösung (2) Es glt : [ ] = p + w[,r ] + w[ r +, ] w, [ ] = p + q + w[, ]. w, Damt dann r [, ] = e[,r ] + e[ r +, ] w[, ]. e + Schleßlch folgt [ ] e, = mn r q, { e[,r ] + e[ r +, ] + w[, ] }, falls falls = -. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 22
23 Berechnung der Werte e[,] ( p,q,n) Optmal BST for to n + 2 do e[, -] q 3 w[, -] q 4 for l to n 5 do for to n - l + 6 do + l 7 e, 8 w, 9 for r to 0 do t e,r f t < 2 then 3 4 return e, root [ ] [ ] w[, ] + p [ ] root, spechert Informatonen zur späteren Berechnung enes optmalen Suchbaums + q [ ] + e[ r +, ] + w[, ] e[, ] e [, ][ t root, ] r Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 23
24 Laufzet von Optmal-BST Satz 8.7: Optmal-BST hat be ener Folge von n 3 Schlüsseln Laufzet O n. ( ) Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 24
25 Bespel für Optmal-BST p 0,5 0,0 0,05 0,0 0,20 q 0,05 0,0 0,05 0,05 0,05 0,0 e w ,75 2 4,00 2,75 2, ,70 0,80 3,25,20, ,55 0,50 0,60 4 0,90 0,70 0,60 0,90 5 0,45 0,35 0,30 0, ,45 0,40 0,25 0,30 0,50 0,30 0,25 0,5 0,20 0, ,05 0,0 0,05 0,05 0,05 0,0 0,05 0,0 0,05 0,05 0,05 0,0 6 root Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 25
26 Dynamsches Programmeren - Struktur. Bestmme rekursve Struktur ener optmalen Lösung. 2. Entwerfe rekursve Methode zur Bestmmung des Werts ener optmalen Lösung. 3. Transformere rekursv Methode n ene teratve (bottom-up) Methode zur Bestmmung des Werts ener optmalen Lösung. 4. Bestmmen aus dem Wert ener optmalen Lösung und n 3. ebenfalls berechneten Zusatznformatonen ene optmale Lösung. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 26
27 0/-Rucksackproblem und dynamsches Programmeren Gegeben snd n Gegenstände g, K, g n mt Werten v, K, v n und Gewchten w, K, wn. Außerdem st ene Gewchtsschranke G gegeben. Zulässge Lösungen snd Zahlen a, K,a 0, mt D.h. eder Gegenstand muss entweder vollständg oder überhaupt ncht genommen werden. Gesucht st ene zulässge Lösung mt möglchst großem Gesamtwert n = a w G. n = a v n. { } Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 27
28 Struktur ener optmalen Lösung Defneren für =,,n und Z den Wert g, x als das mnmale Gesamtgewcht ener Telmenge der ersten Gegenstände mt Gesamtwert mndestens x. x [ ] Lemma 8.8: Der optmale Wert opt für ene Instanz des 0/-Rucksackproblems st gegeben durch max { x : g[ n, x] G} Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 28
29 Rekursve optmale Lösung Lemma 8.9: Für alle =0,,n und alle ganzzahlgen x glt: g[, x] : = mn 0,, { g[, x], w + g[, x v ]}, falls x 0 falls x > 0, = falls, x > 0 0 Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 29
30 Berechnung der Werte g[,v] bs zum Optmum Optmal Knapsack x 0 for 0 to n whle [ ] [ ] do g,x g n,x 0 G do x x + g 0,x [ ] 8 do g,x 9 f 0 return x - ( w, v, G) for to n [ ] g[, x] w + g[,max{x - v,0} ] < g[,x] then g[,x] w + g[,max{x - v,0}] Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 30
31 Bespel für Optmal-Knapsack v w x Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 3
32 Laufzet von Optmal-Knapsack Lemma 8.9: Be n Gegenständen hat Optmal-Knapsack Laufzet O ( n opt), wobe opt der Wert ener optmalen Lösung st. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 32
33 Dynamsches Programmeren - Struktur. Bestmme rekursve Struktur ener optmalen Lösung. 2. Entwerfe rekursve Methode zur Bestmmung des Werts ener optmalen Lösung. 3. Transformere rekursv Methode n ene teratve (bottom-up) Methode zur Bestmmung des Werts ener optmalen Lösung. 4. Bestmmen aus dem Wert ener optmalen Lösung und n 3. ebenfalls berechneten Zusatznformatonen ene optmale Lösung. Datenstrukturen und Algorthmen 8. Dynamsches Programmeren 33
binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrEinführung in die Finanzmathematik
1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Mehr1 - Prüfungsvorbereitungsseminar
1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Mehr1. Systematisierung der Verzinsungsarten. 2 Jährliche Verzinsung. 5 Aufgaben zur Zinsrechnung. 2.1. Jährliche Verzinsung mit einfachen Zinsen
1 Systematserung der Verznsungsarten 2 Jährlche Verznsung 3 Unterjährge Verznsung 4 Stetge Verznsung 5 Aufgaben zur Znsrechnung 1. Systematserung der Verznsungsarten a d g Jährlche Verznsung nfache Znsen
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrZinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrKreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
MehrSteigLeitern Systemteile
140 unten 420 2 0 9 12 1540 1820 Länge 140 StegLetern Leterntele/Leterverbnder Materal Alumnum Stahl verznkt Sprossenabstand 2 mm Leternholme 64 mm x 25 mm 50 x 25 mm Leternbrete außen 500 mm Sprossen
MehrAlgorithmen und Datenstrukturen 6. Vorlesung
Algorthmen und Datenstrukturen 6. Vorlesung Karl-Henz Nggl. Ma 006 Sorteralgorthmen Bsher behandelte Sorteralgorhtmen: nserton-sort(a[..n]) mt worst-case und average-case Laufzet O(n ) merge-sort(a,p,r)
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrIch habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrDer Satz von COOK (1971)
Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrÜbungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrApproximationsalgorithmen. Facility Location K-Median. Cheng, Wei 12. Juli
Approxmatonsalgorthmen aclty Locaton K-Medan heng We 12. Jul aclty Locaton Defnton Gegeben: möglche Standorte = { 1 2 m } Städte = { 1 2 n } Eröffnungskosten f für Verbndungskosten c zwschen und Dreecksunglechung
MehrÜbung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
MehrGesetzlicher Unfallversicherungsschutz für Schülerinnen und Schüler
Gesetzlcher Unfallverscherungsschutz für Schülernnen und Schüler Wer st verschert? Lebe Eltern! Ihr Knd st während des Besuches von allgemen bldenden und berufsbldenden Schulen gesetzlch unfallverschert.
MehrDie Ausgangssituation... 14 Das Beispiel-Szenario... 14
E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrNetzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008
Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert
MehrManhattan-Metrik anhand des Beispiels
Bestmmung durch Manhattan-Metrk 3 Manhattan-Metrk anhand des Bespels Gesucht werden de zwe Standorte für zwe Ausleferungslager. De Standpunkte der Nachfrager () snd durch de Koordnaten ( x/y ) gegeben.
MehrI, U : Momentanwerte für Strom und Spannung I 0, U 0 : Scheitelwerte für Strom und Spannung
Wechselsrom B r A B sn( sn( Wrd de eerschlefe über enen Wdersand kurzgeschlossen fleß en Srom: sn( sn(, : Momenanwere für Srom und Spannung, : Scheelwere für Srom und Spannung ~ sn( sn( Effekvwere für
Mehr4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:
4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2
MehrSicherheit von Π MAC2
Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer
MehrChair of Software Engineering
1 2 Enführung n de Programmerung Bertrand Meyer Vorlesung 13: Contaner-Datenstrukturen Letzte Bearbetung 1. Dezember 2003 Themen für dese Vorlesung 3 Contaner-Datenstrukturen 4 Contaner und Genercty Enthalten
Mehrd da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb
S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrWechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I
Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"
MehrUnter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen
Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum
MehrIT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.
IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung
Mehr7/7/06. Das Rucksack-Problem. Beispiel. Rekursive Lösung. Englisch: Knapsack Problem. Das Problem: Fazit:
// Das Ruksak-Problem espel Englsh: Knapsak Problem Das Problem: "De Qual der Wahl" En Deb raubt enen Laden aus; um möglhst flexbel zu sen, hat er für de eute nur enen Ruksak dabe Im Ladens fndet er n
MehrBackup- und Restore-Systeme implementieren. Technische Berufsschule Zürich IT Seite 1
Modul 143 Backup- und Restore-Systeme mplementeren Technsche Berufsschule Zürch IT Sete 1 Warum Backup? (Enge Zahlen aus Untersuchungen) Wert von 100 MByte Daten bs CHF 1 500 000 Pro Vorfall entstehen
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Mehrmit der Anfangsbedingung y(a) = y0
Numersce Lösung von Dfferentalglecungen De n den naturwssenscaftlc-tecnscen Anwendungen auftretenden Dfferentalglecungen snd n den wengsten Fällen eplzt lösbar. Man st desalb auf Näerungsverfaren angewesen.
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrProjektmanagement / Netzplantechnik Sommersemester 2005 Seite 1
Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrLineare Optimierung Einführung
Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb
Mehr4. Ratenmonotones Scheduling Rate-Monotonic Scheduling (LIU/LAYLAND 1973)
4. Raenmonoones Schedulng Rae-Monoonc Schedulng (LIU/LAYLAND 973) 4.. Tasbeschrebung Tas Planungsenhe. Perodsche Folge von Jobs. T = {,..., n } Tasparameer Anforderungsze, Bereze (release me) Bearbeungs-,
MehrEinführung in Moderne Portfolio-Theorie. Dr. Thorsten Oest Oktober 2002
Enfühung n Modene Potfolo-Theoe D. Thosten Oest Oktobe Enletung Übeblck Gundlegende Fage be Investtonen: We bestmmt sch ene optmale Statege fü ene Geldanlage?. endte und sko. Dvesfkaton 3. Enfühung n Modene
Mehr2. Klausur zur Vorlesung Algorithmen II Wintersemester 2012/2013
2. Klausur zur Vorlesung Algorthmen II Wntersemester 202/203 Her Aufkleber mt Name und Matrkelnummer anbrngen Vorname: Nachname: Matrkelnummer: Beachten Se: Brngen Se den Aufkleber mt Ihrem Namen und Matrkelnummer
MehrFranzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny
eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung
Mehrphil omondo phil omondo Skalierung von Organisationen und Innovationen gestalten Sie möchten mehr Preise und Leistungen Workshops und Seminare
Skalerung von Organsatonen und Innovatonen gestalten phl omondo Se stehen vor dem nächsten Wachstumsschrtt hrer Organsaton oder haben berets begonnen desen aktv zu gestalten? In desem Workshop-Semnar erarbeten
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
Mehr