Lineare Optimierung Einführung

Größe: px
Ab Seite anzeigen:

Download "Lineare Optimierung Einführung"

Transkript

1 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 stellt aus den Rohstoffen R, Rund Rde ProdukteP undpher. De nachfolgende Tabelle enthält den Rohstoffverbrauch pro Produktenhet, de verfügbaren Rohstoffmengen und de Gewnne pro Enhet der enzelnen Produkte: P P Verfügbarket R R R Gewnn/ME 4 Es st en gewnnmaxmerendes Produktonsprogramm zu fnden. BS... (Das Dätproblem) De nachfolgende Tabelle zegt we vele Mengenenheten Eweß, Fett und Kohlenhydrate n 00 g zweer Nahrungsmttel Nund Nenthalten snd, den täglchen Mndestbedarf ener Person an desen Nährstoffen und de Prese n Euro von 00 g der NahrungsmttelNundN : Nährstoffe Nahrungsmttel N N Täglcher Mndestbedarf Eweß 5 Fett Kohlenhydrate 8 40 Pres (n /00g) 4 Es st en kostenmnmaler Dätplan aufzustellen.

2 BS... (Das klasssche Transportproblem) Dre FabrkenF, F und F belefern de Lager L, L, Lund L4mt enem gewsse Produkt. De nachfolgende Tabelle zegt de Kapaztäten der Fabrken, den Bedarf der enzelnen Lager und de Transportkosten pro Produktenhet für de Transportwege. Es st en kostenmnmaler Transportplan aufzustellen. L L L L Kapaztät 4 F F F Bedarf D... (Lneares Optmerungsproblem) Unter enem lnearen Optmerungsproblem versteht man folgendes Problem: n j j (Zelfunkton) j= z= c x opt unter folgenden Nebenbedngungen: n j= a x, =, b, =,,..., m j j x, x,..., x 0, (Nchtnegatvtätsbedngung) n Dabe snd: c a b R m j n j, j,, =,,..., ; =,,...,. B... Das Problem der lnearen Optmerung lässt sch n Matrzenschrebwese folgendermaßen darstellen: Her snd: T { = < >= b x } opt z c x Ax ( ), 0. c: = ( c ), j=,,..., n j x: = ( x ), j=,,..., n j A: = ( a ), =,,..., m; j=,,..., n j b: = ( b), =,,..., m.

3 BS.. 4. Formuleren Se de Probleme n BS..... als Modelle der lnearen Optmerung: Lösung: BS...: Se x, =,: ProduktonsmengeP z= x + 4 x Max! unter den Bedngungen: x + x x + x 5x + 8x 80 x, x 0. BS...: Se x, =,: NahrungsmttelN z= x + 4 x Mn! unter den Bedngungen: x + x 5 + x x x + 8x 40 x, x 0. BS...: Se xj, =,,..., m; j=,,..., n: Transportmenge vonf zu L j z= 60x + 50x + 0x + 0x x + 80x + 600x + 400x x + 50x + 70x + 40 x > Mn! 4

4 unter den Bedngungen: x x x x 4 = 75 x x x x = 4 5 x + x + x + x = 4 00 x + x + x = 80 x + x + x = 65 x + x + x = 70 x + x + x = x 0, =,,; j=,,, 4. j D.. 4. (Normalform) En lneares Optmerungsproblem legt n der Normalform vor, wenn es folgende Gestalt hat: { z= c T x Ax= b x } max, 0. BS.. 5. Überführen Se de Probleme n BS... und BS... n de Normalform. Lösung: BS...: z= x + 4 x Max! unter den Bedngungen: x + x + x = x + x + x = 4 5x + 8 x + x = 80 5 x 0, =,,...,5. BS...: x 4 x Max! unter den Bedngungen: x + x x = 5 x + x x = 4 x + 8 x x = 40 5 x 0, =,,...,5. 4

5 BS.. 6. Überführen Se folgendes Problem der lnearen Optmerung n de Normalform: x + x Mn! unter den Nebenbedngungen x + x + Lösung: x x x + x bzw. x x x x bzw. x+ x = x + x4 = x+ x5 = x + x6 = x, x4, x5, x6 0 Se nun x : = y y x : = y y 5 y, y, y, y 0. 4 Dann lautet de Normalform: ( ) ( ) y y y y Max 4! unter den Nebenbedngungen y y+ x = y y + x = ( ) 4 y y4+ x5 = y y + x = ( ) 4 6 x, x4, x5, x6, y, y, y, y 0. 5

6 Bzw. y+ y y+ y4 Max! unter der Nebenbedngungen: y y + x = y + y + x = 4 y y + x = 4 5 y + y + x = 4 6 x, x, x, x, y, y, y, y D.. 5. (Schlupfvarable) De Varablen, mt deren Hlfe aus Unglechungen des Typs bzw. Glechungen gemacht werden, heßen Schlupfvarable. D.. 6. (Zulässge Lösung, Menge der zulässgen Lösungen) Betrachtet se en lneares Optmerungsproblem n Normalform. En Punkt xmt _ x _ 0, _ Ax= bheßt zulässge Lösung. De Menge _ M = { x Ax= b, x 0} heßt de Menge der zulässgen Lösungen. BS... (Fortsetzung) Der Vektor T x= (4 6 5 ) 0 st ene zulässge Lösung deses Problems, denn = = = 80. D.. 7. (Zulässge Basslösung) Ene zulässge Lösung _ xener lnearen Optmerungsaufgabe heßt ene zulässge Basslösung, wenn de Vektoren der Nebenbedngungen, de zu den postven Komponenten von _ xgehören, lnear unabhängg snd. BS... (Fortsetzung) Der Vektor T x= (0 0 0) 0 st ene zulässge Basslösung deses Problems. 6

7 Er st zulässg, da = = = 80. Er st auch ene Basslösung, da de Vektorena, a unda 4 wegen 0 det 0 = lnear unabhängg snd. D.. 8. (Bass der zulässgen Basslösung, Bassvarable, Nchtbassvarable) En System vonmlnear unabhänggen Vektoren der Nebenbedngungen, dass alle Vektoren der Nebenbedngungena j enthält, für dex j > 0 st, heßt Bass der zulässgen Basslösung. De den Bassvektoren entsprechenden Komponenten der zulässgen Basslösung heßen Bassvarable, de übrgen Komponenten Nchtbassvarable. BS... (Fortsetzung) De Vektorena, a unda 4 blden ene Bass der zulässgen Basslösung x= (0 0 0) T. De Varablenx, x undx 4 snd Bassvarable; xund x 5 snd Nchtbassvarable. S... Ene zulässge Basslösung kann höchstensmpostve Komponenten bestzen. D.. 9. (Degenererte und Nchtdegenererte Basslösung) Se r de Anzahl der postven Elemente ener Basslösung. Is r= m, so heßt de Basslösung nchtdegenerert. Im Falle r< mheßt de Basslösung degenerert. BS... (Fortsetzung) De Basslösung x = (0 0 0) T st nchtdegenerert, dar= m= glt. BS.. 7. Gegeben se das Problem z= 40x + 0x > max x + x 6 x + x 7 x + x x, x 0 7

8 oder n der Normalform: z= 40x + 0x > max x + x + x = 6 x + x + x = 7 4 x + x + x = 5 x 0, =,,...,5 Wr zegen, dass der Vektor ( ) x= ene degenererte zulässge Basslösung deses Problems st: De Lösung st zulässg, da 7 + = 6 7+ = = Nun zegen wr, dass de Vektorena, a unda 5 ene Bass blden: 0 det 0 = 5 0 Damt sndx, x und x undx und x 4 Nchtbassvarable. T Anderersets kann man zegen, dass auch de Vektorena, a unda ene Bassblden: det 0 = Damt st m Falle ener degenererten Lösung de Bass ncht endeutg. D.. 0. (Optmallösung) Ene zulässge Lösung x* heßt Optmallösung enes lnearen Optmerungsproblems, wenn T T c x* c x, x M. S... De Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe st konvex, falls se ncht leer st. 8

9 Bewes: SeM de Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe n der Normalform. EnthältM nur en Element, so st de Behauptung des Satzes offenschtlch rchtg. Betrachtet seen jetzt zwe zulässge Lösungen x undx. Dann muss gelten: Ax Ax = b, x 0, = b, x 0. Für de konvexe Lnearkombnatonα x obgen Glechungen: ( ) + α x folgt wegenα, α 0, α + α = und der A α x α x α Ax α Ax α b α b b α + = + = + =, α x + x 0. Also gehrt jede konvexe Lnearkombnaton auch der MengeM an. D... (Eckpunkt) En Punkt _ xder Menge der zulässgen LösungenM heßt Eckpunkt vonm, wenn _ xsch ncht als streng konvexe Lnearkombnaton zweer verschedener Punkte ausm darstellen lässt. S... Jeder Eckpunkt der Menge der zulässgen LösungenM stellt ene zulässge Basslösung dar und umgekehrt. S.. 4. De Menge der zulässgen Lösungen hat höchstens endlch vele Eckpunkte. S.. 5 Ist de Menge der zulässgen Lösungen ncht leer, so bestzt se wengstens enen Eckpunkt. S.. 6. Bldet de Menge der zulässgen Lösungen M en konvexes Polyeder, so lässt sch jeder Punkte vonm als konvexe Lnearkombnaton der endlch velen Eckpunkte darstellen. S.. 7. Bestzt ene lneare Optmerungsaufgabe ene optmale Lösung, dann nmmt de Zelfunkton hr Maxmum n mndestens enen Eckpunkt des Bereches der zulässgen Lösungen an. S.. 8. Bldet de Menge der zulässgen Lösungen en konvexes Polyeder und nmmt de Zelfunkton hr Maxmum n mehr als enen Eckpunkte an, so bestmmt auch jede konvexe Lnearkombnaton deser Eckpunkte ene Optmallösung. S.. 9. Ist de Menge der zulässgen Lösungen ener lnearen Optmerungsaufgabe ncht leer und de Zelfunkton auf deser Menge nach oben beschränkt (be Maxmerungsaufgaben), so exster wengstens ene Optmallösung 9

10 (Letzte Aktualserung: ) 0

Lineare Optimierung Dualität

Lineare 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

Mehr

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog

Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog 60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren

Mehr

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg

Hauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober

Mehr

4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:

4.5 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

Mehr

3. Lineare Algebra (Teil 2)

3. 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

Mehr

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem

Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem 1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik 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

Mehr

Diskrete Mathematik 1 WS 2008/09

Diskrete 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 /

Mehr

Analysis I. Vorlesung 17. Logarithmen. R R, x exp x,

Analysis 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

Mehr

4.6 Das Pumping-Lemma für reguläre Sprachen:

4.6 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

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung

Fachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare 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

Mehr

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013

5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013 O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel 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

Mehr

Sei 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 ).

Sei 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

Mehr

3.3 Lineare Abbildungen und Matrizen

3.3 Lineare Abbildungen und Matrizen 33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle

Mehr

Übungsblatt 7 Lösungsvorschläge

Übungsblatt 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

Mehr

Cash flow matching: ein kurzfristiges Finanzierungsmodell

Cash flow matching: ein kurzfristiges Finanzierungsmodell Cash flow matchng: en kurzfrstges Fnanzerungsmodell 1 Negatve Zahlen entsprechen Ausgaben, postve Zahlen entsprechen Ennahmen Cash flow matchng: en kurzfrstges Fnanzerungsmodell Monat Jän. Feb. Mär. Apr.

Mehr

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

Mehr

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.

Determinanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet. Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

SS 2017 Torsten Schreiber

SS 2017 Torsten Schreiber SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar 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

Mehr

Elemente der Mathematik - Sommer 2016

Elemente 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

Mehr

6. Übung zur Linearen Algebra II

6. 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

Mehr

Vorlesung 3 Differentialgeometrie in der Physik 13

Vorlesung 3 Differentialgeometrie in der Physik 13 Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie

Prof. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur 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

Mehr

-70- Anhang: -Lineare Regression-

-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

Mehr

22. Vorlesung Sommersemester

22. Vorlesung Sommersemester 22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

Mehr

Stochastische Prozesse

Stochastische 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)

Mehr

1 Definition und Grundbegriffe

1 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:

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

1 Differentialrechnung in mehreren Variablen

1 Differentialrechnung in mehreren Variablen 1 Dfferentalrechnung n mehreren Varablen 1.1 De Geometre eukldscher Räume Zur Ernnerung De Elemente des R n schreben wr normalerwese als Zelenvektoren: x = (x 1,..., x n ). Kommen Matrzen ns Spel, so st

Mehr

Rotation (2. Versuch)

Rotation (2. Versuch) Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, 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

Mehr

Stochastische Prozesse

Stochastische 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

Manhattan-Metrik anhand des Beispiels

Manhattan-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.

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. 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,

Mehr

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Lineare 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

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n. Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle

Mehr

Gruppe. Lineare Block-Codes

Gruppe. 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

Mehr

Spiele und Codes. Rafael Mechtel

Spiele 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,,

Mehr

16. Vorlesung Sommersemester

16. Vorlesung Sommersemester 16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,

Mehr

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )

( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 ) Funktonentheore, Woche 10 Bholomorphe Abbldungen 10.1 Konform und bholomorph Ene konforme Abbldung erhält Wnkel und Orenterung. Damt st folgendes gement: Wenn sch zwe Kurven schneden, dann schneden sch

Mehr

Übungsblatt 4 - Lösung

Übungsblatt 4 - Lösung Formle Sprchen und Automten Üungsltt 4 - Lösung 26. M 2013 1 Whr oder flsch? Begründe kurz dene Antwort! 1. In enem determnstschen endlchen Automten gt es für jedes Wort w Σ mxml enen kzepterenden Pfd.

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

AKADEMIE DER WISSENSCHAF1'EN

AKADEMIE DER WISSENSCHAF1'EN S ZUN GSBER ehe DER KÖNGLCH REUSSSCHEN AKADEME DER WSSENSCHAF1'EN JAH~GANll- 1913 Z'VEER HALBBAND. JUL BS DECEvBER SÜCK XXX -- L M ENER AFEL DRM VERZECHNSS DER ENGEGANGENEN DRUCKSCHRFEN NAMEN- UND SACHREGSER

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 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

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte 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

Mehr

Einführung in die theoretische Physik 1

Einführung in die theoretische Physik 1 Enführung n de theoretsche hysk 1 rof. Dr. L. Mathey Denstag 15:45 16:45 und Donnerstag 10:45 12:00 Begnn: 23.10.12 Jungus 9, Hörs 2 Mathey Enführung n de theor. hysk 1 1 Grundhypothese der Thermostatk

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Weitere NP-vollständige Probleme

Weitere 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,

Mehr

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt

Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. 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

1.11 Beispielaufgaben

1.11 Beispielaufgaben . Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr

Wir steuern einen Mini-Roboter!

Wir steuern einen Mini-Roboter! Wr steuern enen Mn-Roboter! Telnehmer: Marek Bartusch Cecla Lange Yannck Lehmann Johannes-Lucas Löwe Ncolas Menzel Huong Thao Pham Floran Pogatzk Anne Reulke Jonas Wanke Maran Zuska mt tatkräftger Unterstützung

Mehr

Definition des linearen Korrelationskoeffizienten

Definition 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.

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

50 Matrixnormen und Eigenwertabschätzungen

50 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

Mehr

1. (14 Punkte) Mikroökonomik I, Wintersemester 1995/96, Prof.Dr.H.Sautter 1

1. (14 Punkte) Mikroökonomik I, Wintersemester 1995/96, Prof.Dr.H.Sautter 1 Mkroökonomk I, Wntersemester 1995/96, Prof.Dr.H.Sautter 1 1. (14 Punkte) Kuno Chaos, der m zweten Semester BWL studert, hat be senen Klausurvorberetungen für das Fach Mkroökonomk Probleme mt senem PC bekommen.

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik 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

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. 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.

Mehr

Einführung in die numerische Mathematik

Einführung in die numerische Mathematik Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung

Mehr

Seminar Einführung in die Kunst mathematischer Ungleichungen

Seminar Einführung in die Kunst mathematischer Ungleichungen Semnar Enführung n de Kunst mathematscher Unglechungen Cauchys erste Unglechung und de Unglechung vom arthmetschen und geometrschen Mttel Sopha Volmerng. prl 0 Inhaltsverzechns Cauchys erste Unglechung.

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen 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

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 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

Mehr

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung) LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter

Mehr

n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ).

n y j l j (x) È n. j=0 n (x x j ). f(x) = a y n+1 p n (x n+1 ) (x n+1 x 0 )...(x n+1 x n ). 5 Interpolaton 5.1 De Lagrangesche Interpolatonsaufgabe Mt È n bezechnen wr den Raum der reellen Polynome vom Grad n. Gegeben seen n+1 verschedene Stützstellen x j Ê, j = 0,...,n, und n + 1 ncht notwendg

Mehr

Grundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) SoSe C. Curilla/ B. Janssens

Grundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) SoSe C. Curilla/ B. Janssens Fchberech Mthemtk Algebr und Zhlentheore Chrstn Curll Grundbldung Lnere Algebr und Anltsche Geometre (LPSI/LS-M) Bltt 1 SoSe 011 - C. Curll/ B. Jnssens Präsenzufgben (P1) Mch Se sch be den folgenden Glechungssstemen

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer 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

Mehr

Lösungen aller Aufgaben und Lernkontrollen

Lösungen aller Aufgaben und Lernkontrollen Oft gbt es be den Aufgaben mehr als nur enen rchtgen Lösungsweg. Es st jedoch mest nur ene Lösung dargestellt. Aufgaben u Kaptel Lösung u Aufgabe a) nach Defnton von. b) 4 ( ) ( ). c) 5 4. d) ( ) (( )

Mehr

Dynamisches Programmieren

Dynamisches 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,.

Mehr

11 Charaktere endlicher Gruppen

11 Charaktere endlicher Gruppen $Id: chaakte.tex,v.4 2009/07/3 4:38:36 hk Exp $ Chaaktee endlche Guppen W hatten gesehen, dass w fü enge Guppen G allen mt Hlfe des Satz 3 de Anzahl und de Dmensonen de eduzblen Dastellungen beechnen können.

Mehr

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell ME II, Prof. Dr. T. Wollmershäuser Kaptel 2 Das IS-LM-Modell Verson: 26.04.2011 2.1 Der Gütermarkt De gesamte Güternachfrage Z (Verwendung des BIP) lässt sch we folgt darstellen: Z C+ I + G ME II, Prof.

Mehr

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.

Der stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden. Stoffwerte De Stoffwerte für de enzelnen omponenten raftstoff, Luft und Abgas snd den verschedenen Stellen aus den Lteraturhnwesen zu entnehmen, für enge Stoffe sollen jedoch de grundlegenden Zusammenhänge

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

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,

Mehr

Aufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen

Aufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,

Mehr

12. Vortrag Verzweigung. Seminar Zahlentheorie WS 07/08

12. Vortrag Verzweigung. Seminar Zahlentheorie WS 07/08 12. Votag Vezwegung Semna Zahlentheoe WS 07/08 Pof. D. Tosten Wedhon Unvestät Padebon von Geda Weth und Ingo Plaschczek 22. Janua 2008 12. Vezwegung (A) p-adsche Bewetung enes gebochenen Ideals n enem

Mehr

Zwei Sätze von Joseph Wolstenholme. Johann Cigler

Zwei Sätze von Joseph Wolstenholme. Johann Cigler Zwe Sätze von Joseh Wolstenholme Johann Cgler Vor enger Zet sandte mr Herr P., en hlosohsch gebldeter älterer Mann, enge Bemerkungen zu enem Resultat von Joseh Wolstenholme, das er folgendermaßen formulerte:

Mehr

Die kanonische Zustandssumme (System) und ihr Zusammenhang mit der molekularen Zustandssumme (Einzelmolekül) unterscheidbare Teilchen:

Die kanonische Zustandssumme (System) und ihr Zusammenhang mit der molekularen Zustandssumme (Einzelmolekül) unterscheidbare Teilchen: De molekulare Zustandssumme βε = e mt β = De kanonsche Zustandssumme (System) und hr Zusammenhang mt der molekularen Zustandssumme (Enzelmolekül) unterschedbare elchen: Q = ununterschedbareelchen Q : =!

Mehr

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik

1. Runde 2010. Aufgaben und Lösungen. Bundeswettbewerb Mathematik Bundeswettbewerb Mathemat Wssenschaftszentrum Postfach 2 14 48 53144 Bonn Fon: 228-9 59 15-2 Fax: 228-9 59 15-29 e-mal: nfo@bundeswettbewerb-mathemat.de www.bundeswettbewerb-mathemat.de Korreturommsson

Mehr

Proseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner

Proseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner Prosemnar Speltheore SS 2006 Ausarbetung zum Vortrag Allgemene Zwe-Personenspele am 06.07.2006 Vortragender: Floran Lener Der Vortrag basert auf dem entsprechenden Kaptel wo-person general-sum games aus

Mehr