Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator

Größe: px
Ab Seite anzeigen:

Download "Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator"

Transkript

1 Unverstät Bremen Sorteren Thomas Röfer Permutatonen Naves Sorteren Sorteren durch Enfügen, Auswählen, Vertauschen, Mschen QuckSort Comparator

2 Unverstät Bremen Rückblck Suchen Identtät/Flache/Tefe Glechhet Lneare Suche Bnäre Suche a b null null 2 null null Aufwand Asymptotsche Komplextät Typsche Aufwandsklassen Z(n) V(n) M(n) I(n) O(1) O(1) : : swap() swap() O(log O(log n) n) : : bnarysearch() bnarysearch() O(n) O(n) : : lnearsearch() lnearsearch() O(n O(n log log n) n) : : mergesort() mergesort() O(n²) O(n²) : : selectsort() selectsort() O(n!) O(n!) : : navesort() navesort() PI2: Sorteren 2

3 Unverstät Bremen Permuteren nach Djkstra Zel Ene Funkton, de aus ener gegebenen Permutaton de jewels nächste erzeugt Voraussetzung: Es exstert ene Ordnungsrelaton zwschen den Elementen der zu permuterenden Folge Algorthmus Folge a 0 a n1 Fnde das letzte a, das klener als a +1 st Fnde das letzte a j, das größer als a st Vertausche de beden Drehe de Rehenfolge der Elemente ab a +1 um Aufwand Im Mttel O(1) m Mttel werden nur 1,76 Elemente durchsucht und umgedreht PI2: Sorteren 3

4 Unverstät Bremen Permuteren nach Djkstra PI2: Sorteren

5 Unverstät Bremen Permuteren nach Djkstra class class Permutaton Permutaton nextperm(comparable[] nextperm(comparable[] a) a) nt ; nt ; for( for( a.length a.length 2; 2; 0 0 && && a[].compareto(a[+1]) a[].compareto(a[+1]) 0; 0; ) ) ; ; f( f( nt j; nt j; for(j for(j a.length a.length 1; 1; a[j].compareto(a[]) a[j].compareto(a[]) 0; 0; j) j) ; ;,, j); j); reverse( reverse( + + 1, 1, a.length a.length 1); 1); PI2: Sorteren prvate prvate reverse( reverse( Comparable[] Comparable[] nt nt l, l, nt nt r) r) whle(l whle(l r) r) l++, l++, r); r); swap(object[] swap(object[] o, o, nt nt nt nt b) b) Object Object temp temp o[a]; o[a]; o[a] o[a] o[b]; o[b]; o[b] o[b] temp; temp;

6 Unverstät Bremen Sorteren Defnton Ene sorterte Folge S st ene Permutaton ener Folge T S perm(t) S bezechnet man als aufstegend sortert, wenn jedes Element größer oder glech senem Vorgänger n der Folge st s 0 s 1... s n1 S bezechnet man als abstegend sortert, wenn jedes Element klener oder glech senem Vorgänger n der Folge st s 0 s 1... s n1 Sorterkrterum Es wrd mmer nach enem Sorterkrterum sortert (Sorterschlüssel) Der Sorterschlüssel kann sch aus mehreren Telen zusammensetzen z.b. Name, Vorname, Telefonnummer Je komplexer der Sorterschlüssel, desto komplexer de zum Sorteren notwendgen Vergleche Indzes Zu ener Menge von Daten können mehrere sorterte Indzes vorgehalten werden PI2: Sorteren 6

7 Unverstät Bremen Naves Sorteren Algorthmus Erzeuge so lange Permutonen, bs ene entsprechend dem Krterum sortert st Aufwand Bester Fall: O(n) vorsortert Schlechtester Fall: O(½ n n!) O(n n!) erst letzte Permutaton st sortert NchtSorterthet wrd m Mttel nach der Hälfte der Vergleche festgestellt Durchschnttlcher Fall: O(½ n n! / 2) O(n n!) Sorterte Folge wrd nach der Hälfte der Permutatonen gefunden NchtSorterthet wrd m Mttel nach der Hälfte der Vergleche festgestellt PI2: Sorteren navesort( navesort( Comparable[] Comparable[] a) a) whle(!sorted(a)) Permutaton.nextPerm(a); prvate prvate boolean boolean sorted( sorted( Comparable[] Comparable[] a) a) for(nt 1; a.length; for(nt 1; a.length; ++) ++) f(a[].compareto(a[1]) f(a[].compareto(a[1]) return false; return false; return return true; true; 7

8 Unverstät Bremen Sorteren durch Enfügen PI2: Sorteren 8

9 Unverstät Bremen Sorteren durch Enfügen Algorthmus Füge alle Elemente der Rehe nach n ene ursprünglch leere Folge sortert en Problem be Rehungen: Enfügen heßt, dass alle Elemente hnter der Enfügeposton verschoben werden müssen Aufwand Doppelter Specherplatzverbrauch Bester Fall: O(n) vorsortert Schlechtester Fall: O(n²) rückwärts sortert Durchschnttlcher Fall: O(½ n²) O(n²) Ensorteren m Mttel n der Mtte nsertsort(comparable[] nsertsort(comparable[] a) a) Comparable[] Comparable[] b b (Comparable[]) a.clone(); (Comparable[]) a.clone(); for(nt for(nt 0; 0; b.length; b.length; ++) ++) nt j ; nt j ; whle(j whle(j 0 0 && && a[j a[j 1].compareTo(b[]) 1].compareTo(b[]) a[j] a[j] a[j a[j 1]; 1]; j; j; a[j] a[j] b[]; b[]; PI2: Sorteren 9

10 Unverstät Bremen Sorteren durch Auswählen PI2: Sorteren

11 Unverstät Bremen Sorteren durch Auswählen Algorthmus Falls nur noch en Element übrg st, st de Folge sortert. Ansonsten Suche nach dem klensten Element und stelle es an den Anfang, sortere den Rest. Aufwand In jedem Durchgang wrd en Element ausgewählt Um das Element auszuwählen, müssen m Mttel n/2 Elemente durchsucht werden Durchschnttlcher Fall: O(½ n n) O(½ n 2 ) O(n 2 ) selectsort(comparable[] selectsort(comparable[] a) a) for(nt for(nt 0; 0; a.length a.length 1; 1; ++) ++) for(nt for(nt j j + + 1; 1; j j a.length; a.length; ++j) ++j) f(a[].compareto(a[j]) f(a[].compareto(a[j]),, j); j); swap(object[] swap(object[] o, o, nt nt nt nt b) b) Object Object temp temp o[a]; o[a]; o[a] o[a] o[b]; o[b]; o[b] o[b] temp; temp; PI2: Sorteren 11

12 Unverstät Bremen BubbleSort PI2: Sorteren

13 Unverstät Bremen BubbleSort Algorthmus Gehe der Rehe nach durch alle Elemente und vertausche zwe jewels aufenander folgende, wenn hre Rehenfolge falsch st Wederhole des so lange, bs kene Vertauschungen mehr notwendg snd Aufwand Günstgster Fall: O(n) vorsortert Schlechtester Fall: O(n²) rückwärts sortert (maxmale Anzahl von Vertauschungen) Durchschnttlcher Fall: O(n²) m Mttel ½ n² Vertauschungen PI2: Sorteren bubblesort(comparable[] a) a) boolean boolean swapped; swapped; do do swapped false; swapped false; for(nt for(nt j 1; 1; j a.length; a.length; ++j) ++j) f(a[j].compareto(a[j 1]) 1]) j, j, j 1); 1); swapped swapped true; true; whle(swapped); whle(swapped); 13

14 Unverstät Bremen Sorteren durch Mschen PI2: Sorteren 1

15 Unverstät Bremen Sorteren durch Mschen Algorthmus Enthält de Folge ken oder nur en Element, st se sortert Ansonsten Tele de Folge n zwe glech große Hälften Sortere de Hälften Msche de sorterten Hälften weder zusammen Mschen Vergleche de beden ersten Elemente der Hälften Entnmm das klenere von beden und füge es dem Ergebns hnzu Wederhole so lange, bs bede Hälften leer snd Aufwand Folge kann log 2 (n) mal n Hälften zerlegt werden Auf jeder Ebene der Zerlegung werden alle Elemente enmal gemscht: O(n) Insgesamt (n jedem Fall): O(n log n) Platzkomplextät: 2 n Elemente bem Mschen PI2: Sorteren 1

16 Unverstät Bremen Sorteren durch Mschen class push(object) Object pop() Object top() nt length() mergesort( mergesort( q) q) f(q.length() f(q.length() 1) 1) q2 q2 new new (); (); balance(q, balance(q, q2); q2); return return merge(mergesort(q), merge(mergesort(q), else else return return q; q; mergesort(q2)); mergesort(q2)); prvate prvate balance( balance( q2) q2) whle(q1.length() whle(q1.length() q2.length()) q2.length()) q2.push(q1.pop()); q2.push(q1.pop()); prvate prvate merge( merge( q2) q2) q new (); q new (); whle(q1.length() 0 q2.length() whle(q1.length() 0 q2.length() f(q2.length() 0 q1.length() 0 f(q2.length() 0 q1.length() 0 && && ((Comparable) ((Comparable) q1.top()) q1.top()) else else.compareto(q2.top()).compareto(q2.top()) q.push(q1.pop()); q.push(q1.pop()); q.push(q2.pop()); q.push(q2.pop()); return return q; q; PI2: Sorteren 16

17 Unverstät Bremen QuckSort PI2: Sorteren

18 Unverstät Bremen QuckSort Ungünstge Vorsorterung PI2: Sorteren 18

19 Unverstät Bremen QuckSort Algorthmus Enthält de Folge ken oder nur en Element, st se sortert Ansonsten entnmm en Element (das sog. PvotElement), blde ene neue Lste aus allen kleneren Elementen und lasse dese sorteren, blde ene neue Lste aus allen größeren Elementen und lasse dese sorteren, Hänge de sorterte Lste der kleneren Elemente, das gewählte Element und de sorterte Lste der größeren Elemente anenander und lefere dese zurück. Aufwand Günstgster Fall: O(n log n) bede Tellsten snd jewels glech lang Schlechtester Fall: O(n 2 ) Ene der Tellsten st mmer leer Wenn als PvotElement mmer das erste verwendet wrd, st des be Vorsorterung der Fall! Durchschnttlcher Fall: O(n log n) Bewes sehe Ottmann / Wdmayer Ken zusätzlcher Specherbedarf be Sorterung enes Arrays! PI2: Sorteren 19

20 Unverstät Bremen QuckSort ener Warteschlange qucksort( qucksort( q) q) f(q.length() f(q.length() Comparable Comparable pvot pvot (Comparable) (Comparable) q.pop(); q.pop(); q1 q1 new new (), (), q2 q2 new new (); (); splt(q, splt(q, pvot, pvot, q2); q2); qucksort(q1); qucksort(q1); qucksort(q2); qucksort(q2); jon(q, jon(q, pvot, pvot, q2); q2); splt( splt( q, q, Comparable Comparable pvot, pvot, q2) q2) whle(q.length() whle(q.length() f(pvot.compareto(q.top()) f(pvot.compareto(q.top()) q1.push(q.pop()); q1.push(q.pop()); else else q2.push(q.pop()); q2.push(q.pop()); jon( jon( q, q, Object Object pvot, pvot, q2) q2) whle(q1.length() whle(q1.length() q.push(q1.pop()); q.push(q1.pop()); q.push(pvot); q.push(pvot); whle(q2.length() whle(q2.length() q.push(q2.pop()); q.push(q2.pop()); PI2: Sorteren 20

21 Unverstät Bremen QuckSort mt Arrays qucksort qucksort PI2: Sorteren 21

22 Unverstät Bremen QuckSort qucksort(comparable[] qucksort(comparable[] a) a) qucksort2( qucksort2( 0, 0, a.length); a.length); prvate prvate qucksort2(comparable[] qucksort2(comparable[] nt nt bottom, bottom, nt nt top) top) f(bottom + 1 top) f(bottom + 1 top) bottom, bottom, (top (top + + bottom) bottom) / / 2); 2); Comparable Comparable pvot pvot a[bottom]; a[bottom]; nt bottom + 1, nt bottom + 1, j top 1; do do j top 1; whle( top && a[].compareto(pvot) ++; whle( top && a[].compareto(pvot) ++; whle(j whle(j bottom bottom && && a[j].compareto(pvot) a[j].compareto(pvot) j; j; f( f( j) j),, j); j); whle( whle( j); j); 1, 1, bottom); bottom); qucksort2( qucksort2( bottom, bottom, 1); 1); qucksort2( qucksort2(,, top); top); PI2: Sorteren 22

23 Unverstät Bremen Schnttstelle Comparator Motvaton De Schnttstelle Comparable legt nur genau ene Ordnungsrelaton für ene Klasse fest De Schnttstelle Comparator erlaubt de Defnton belebger weterer Ordnungsrelatonen Genersche Schnttstellen nterface ComparableT nterface ComparatorT new ComparatorStrng() publc nt compare(strng Strng b) return a.compareto(b); mport mport java.utl.comparator; java.utl.comparator; selectsort(object[] selectsort(object[] Comparator Comparator c) c) for(nt for(nt 0; 0; a.length a.length 1; 1; ++) ++) for(nt for(nt j j + + 1; 1; j j a.length; a.length; ++j) ++j) f(c.compare(a[],a[j]) f(c.compare(a[],a[j]),, j); j); selectsort(strng[] selectsort(strng[] s) s) selectsort(s, selectsort(s, new new Comparator() Comparator() ); ); publc publc nt nt compare(object compare(object Object Object b) b) return return ((Strng) ((Strng) a).compareto(b); a).compareto(b); PI2: Sorteren 23

Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator

Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator Unverstät Bremen Sorteren Thomas Röfer Permutatonen Naves Sorteren Sorteren durch Enfügen, Auswählen, Vertauschen, Mschen QuckSort Comparator Unverstät Bremen Rückblck Suchen Identtät/Flache/Tefe Glechhet

Mehr

Übungen zu Algorithmen

Übungen zu Algorithmen Insttut für Informatk Unverstät Osnabrück, 06.12.2016 Prof. Dr. Olver Vornberger http://www-lehre.nf.uos.de/~anf Lukas Kalbertodt, B.Sc. Testat bs 14.12.2016, 14:00 Uhr Nls Haldenwang, M.Sc. Übungen zu

Mehr

Prof. Dr. Margarita Esponda

Prof. Dr. Margarita Esponda Algorthmen und Programmeren II Sorteralgorthmen mperatv Tel II Prof. Dr. Margarta Esponda Free Unverstät Berln Tele und Herrsche "Dvde und Conquer" Vele Probleme lassen sch ncht mt trvalen Schlefen lösen

Mehr

Die Leistung von Quicksort

Die 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

Mehr

Algorithmen und Datenstrukturen SS09. Foliensatz 13. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik

Algorithmen und Datenstrukturen SS09. Foliensatz 13. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik Folensatz Mchael Brnkmeer Technsche Unverstät Ilmenau Insttut für Theoretsche Informatk Sommersemester 009 TU Ilmenau Sete / Sorteren TU Ilmenau Sete / Das Sorterproblem Das Sorterproblem Daten: ene total

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

1 Der Uncovering-by-bases-Algorithmus

1 Der Uncovering-by-bases-Algorithmus De Komplextät des Uncoverng-y-ases-Algorthmus Peer Hlderandt 1 Der Uncoverng-y-ases-Algorthmus 1.1 Defnton (Der Algorthmus) Se G ene Gruppe, U en Uncoverng durch Basen und w = w 1... w n en empfangenes

Mehr

Manipulation von Mengen

Manipulation von Mengen Manpulaton von Mengen Thomas Röfer Vorrangwarteschlange Lnksbaum Heap HeapSort Unon-Fnd-Strukturen Allgemener Rahmen für Mengenmanpulatonen Rückblck Hashng Streuspecherverfahren Hashfunkton Hashen mt Verkettung

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

Universität Karlsruhe (TH)

Universität Karlsruhe (TH) Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor

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

Algorithmen und Datenstrukturen 6. Vorlesung

Algorithmen 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)

Mehr

Informatik I 3. Kapitel. Sortierverfahren. Sortierverfahren. Sortierverfahren. Rainer Schrader. 28. Mai 2008

Informatik I 3. Kapitel. Sortierverfahren. Sortierverfahren. Sortierverfahren. Rainer Schrader. 28. Mai 2008 Informat I 3. Kaptel Raner Schrader Zentrum für Angewandte Informat Köln 8. Ma 008 / / en bedeutender Tel der ommerzell genutzten Rechenzet wrd für Sorteren verwendet daraus resultert en Bedarf nach guten

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

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

Algorithmik 1. Organisatorisches. Friedrich-Alexander-Universität Erlangen-Nürnberg. Informatik 2/8 Programmiersysteme / Künstliche Intelligenz

Algorithmik 1. Organisatorisches. Friedrich-Alexander-Universität Erlangen-Nürnberg. Informatik 2/8 Programmiersysteme / Künstliche Intelligenz Organsatorsches Algorthmk Evaluaton der Lehre Denken Se btte daran, de beden onlne-fragebögen auszufüllen. Wer noch kene Transaktonsnummern erhalten hat, kann dese nach der Vorlesung be mr abholen. Prof.

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

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

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

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

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

Lineare Regression (1) - Einführung I -

Lineare 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:

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

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

Statistik und Wahrscheinlichkeit

Statistik 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

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

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

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

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

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

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

Algorithmen und ihre Programmierung -Teil 3-

Algorithmen und ihre Programmierung -Teil 3- Veranstaltung Pr.-Nr.: Algorthmen und hre Programmerung -Tel - Veronka Waue WS / Veronka Waue: Grundstudum Wrtschaftsnformatk WS/ Übung Ersetzen Se n folgendem Bespel de For schlefe durch ene WhleWend-Schlefe

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

Listen, Stapel, Warteschlangen

Listen, Stapel, Warteschlangen Lsten, Stapel, Warteschlangen Thomas Röfer Abstrakte Datentypen Rehung Stapel Warteschlange Enfach und doppelt verkettete Lste Rückblck Prozeduren, Funktonen, Datenströme, JavaDoc Unterprogramme Prozeduren

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

Standortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung

Standortplanung. 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

Mehr

Übersicht der Vorlesung

Übersicht der Vorlesung Überscht der Vorlesung. Enführung. Bldverarbetung 3. Morphologsche Operatonen 4. Bldsegmenterung 5. Merkmale von Objekten 6. Klassfkaton 7. Dredmensonale Bldnterpretaton 8. Bewegungsanalyse aus Bldfolgen

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung 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

Mehr

1. Graphen 8. B={{d,e},{b,d},{a,b},{d,f},{b,c}}.

1. Graphen 8. B={{d,e},{b,d},{a,b},{d,f},{b,c}}. . Graphen 8 Bespel: f 5 5 d e 7 7 a 4 b 6 c Für den obenstehenden zusammenhängenden Graphen soll en Mnmalgerüst konstruert werden. Wr ordnen zunächst de Kanten des Graphen nach wachsender Bewertung, d.h.

Mehr

Vorlesung Programmieren II

Vorlesung Programmieren II Hashng Vorlesung Prograeren II Mchael Bergau Fortsetzung der Stoffenhet Hashng Hashng 2 Was st Hashng? Hashng st ene Methode zur dynaschen Verwaltung von Daten, wobe de Daten durch enen Schlüssel (key)

Mehr

Modellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell

Modellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell Modellerung von Hydrosystemen Numersche und daten-baserte Methoden BHYWI-22-21 @ 2018 Fnte-Elemente-Methode Selke-Modell Olaf Koldtz *Helmholtz Centre for Envronmental Research UFZ 1 Technsche Unverstät

Mehr

Universität Bremen. Hashing. Thomas Röfer. Hash-Funktionen Hashing mit Verkettung Offenes Hashing Doppeltes Hashing Dynamische Hash-Tabellen

Universität Bremen. Hashing. Thomas Röfer. Hash-Funktionen Hashing mit Verkettung Offenes Hashing Doppeltes Hashing Dynamische Hash-Tabellen Unverstät Bremen Hshng Thoms Röfer Hsh-Funktonen Hshng mt Verkettung Offenes Hshng Doppeltes Hshng Dynmsche Hsh-Tbellen Unverstät Bremen Rückblck Bäume 2 Suchbäume Blttsuchbäume Löschen us Suchbum 8 5

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

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

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim 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.

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.

Z Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden. Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet

Mehr

Hydrosystemanalyse: Finite-Elemente-Methode (FEM)

Hydrosystemanalyse: Finite-Elemente-Methode (FEM) Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf

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

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

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

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

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

e dt (Gaußsches Fehlerintegral)

e 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)

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

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

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

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

Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München

Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt

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

5 Gemischte Verallgemeinerte Lineare Modelle

5 Gemischte Verallgemeinerte Lineare Modelle 5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren

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

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014 4. ndexzahlen 5.1 Grundlagen 5.2 Presndzes 5.3 ndexzahlenumrechnungen 1 4.1 Grundlagen Als Messzahlen werden de Quotenten bezechnet, de aus den Beobachtungswerten bzw. den Maßzahlen zweer Telmengen derselben

Mehr

6. Modelle mit binären abhängigen Variablen

6. 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

Mehr

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

3.1 Extensive Form, Spielbaum und Teilspiele

3.1 Extensive Form, Spielbaum und Teilspiele 3. Spele n extensver Form 3.1 Extensve Form, Spelbaum und Telspele 3.2 Strategen n extensven Spelen 4. Spele mt vollkommener Informaton 4.1 Telspelperfekte Nash-Glechgewchte 4.2 Das chan-store -Paradox

Mehr

Grundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit

Grundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit Grundlagen der Technschen Informatk 12. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 12. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer

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

( ) 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

Rückblick Regression II: Anpassung an Polynome

Rückblick 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

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

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

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012

Mehr

Contents blog.stromhaltig.de

Contents blog.stromhaltig.de Contents We hoch st egentlch Ihre Grundlast? Ene ncht ganz unwchtge Frage, wenn es um de Dmensonerung ener senannten Plug&Play Solar-Anlage geht. Solarsteckdosensystem für jermann, auch für Meter lautete

Mehr

Numerische Methoden II

Numerische Methoden II umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson

Mehr

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel) Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen

Mehr

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht. 14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe 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

Mehr

Einführung in die Finanzmathematik

Einführung 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

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

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

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

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.

Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten. ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.

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

LITECOM infinity Infinity-Modus

LITECOM infinity Infinity-Modus LITECOM nfnty Infnty-Modus nfnty Rechtlche Hnwese Copyrght Copyrght Zumtobel Lghtng GmbH Alle Rechte vorbehalten. Hersteller Zumtobel Lghtng GmbH Schwezerstrasse 30 6850 Dornbrn AUSTRIA Tel. +43-(0)5572-390-0

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

Zusammenfassung der letzten LVA. Diskrete Mathematik

Zusammenfassung der letzten LVA. Diskrete Mathematik Zusammenfassung Dskrete Mathematk Chrstna Kohl Georg Moser Oleksandra Panasuk Chrstan Sternagel Vncent van Oostrom Insttut für Informatk @ UIBK Sommersemester 2017 Zusammenfassung der letzten LVA ene Telmenge

Mehr

ERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de

ERP 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

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

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

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

Approximationsalgorithmen. Facility Location K-Median. Cheng, Wei 12. Juli

Approximationsalgorithmen. 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

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische 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

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für 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

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

Hochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen

Hochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket

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