Beispiel für Analyse von Verfahren und gleichzeitig eine Art, Datenmengen zu verwalten.

Größe: px
Ab Seite anzeigen:

Download "Beispiel für Analyse von Verfahren und gleichzeitig eine Art, Datenmengen zu verwalten."

Transkript

1 3. Sortiere Beispiel für Aalyse vo Verfahre ud gleichzeitig eie Art, Datemege zu verwalte. Sortiere: eie Folge so permutiere, dass sie aufsteiged geordet ist. 3,7, 7,,3 Motivatio: 5% aller Recherzeit wird für Sortiere verbraucht. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

2 3. Sortiere durch Auswahl: Eigabe:,3,6,7,6, Ausgabe: 3,6,6,7,, Jeweils Miimum suche, ausgebe, streiche.) Wie repräsetiere wir Ei- ud Ausgabefolge? Beutze z.b. Felder A ud B: i-tes Ei- ud Ausgabeelemet i A[i] bzw. B[i]..) Was bedeutet es, eie Zahl zu streiche? Beutze weiteres Feld: Rem: array [...] of boolea Rem[i] = true bedeutet, dass A[i] durchgestriche ist. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

3 3.) Wie bestimme wir die Positio des Miimums? fuctio Posofmi: iteger; var i, pos : iteger begi i ; while Rem[i] do i i; pos i; for i = to do if (A[i] < A[pos]) ad ot Rem[i] the pos i; Posofmi pos; ed Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 3

4 We wir icht Zahle sortiere, soder beliebige Elemete eies bestimmte Typs, so ersetze wir (A[i] < A[pos]) durch lesstha (A[i], A[pos]), wobei fuctio lesstha (x,y : typ): boolea geeiget defiiert werde muss. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 4

5 Sortiere durch Auswahl for i to do Rem[i] := false; for i to do begi j posmi; B[i] A[j]; Rem[j] true ed; Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 5

6 Elegatere ud platzeffizietere Lösug for i to do begi j posmi (i,); (* posmi liefert Miimum vo A[i],...,A[] *) exchage (A[i], A[j]); ed; Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 6

7 3. Quicksort (Sortiere durch Teile) Wede Teile- ud Beherrsche -Prizip a. Eigabe: Feld S mit Werte x, x,..., x Idee. Teile S-{x } bzgl. x i Mege A,B (Teile) A = x i ud x x, sei A = j B = { i i } { x i ud x > x } i Speichere A i S[]...S[j] x i S[j] B i S[j]...S[] A i x j j B. Wede Verfahre rekursiv auf A ud B a. (Beherrsche) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 7

8 Implemetierug: Füge S [] 0 = ud S[ ] = zu S hizu. Dies erspart eiige Tests. Teil : Teile i ; j ; k S[] ; repeat while S[ i] k do i i ; while S [ j] > k do j j- ; if i j fi util i > j ; Vertausche (S[], S[j]) the vertausche (S[i], S[j]) i i ; j j- ; Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 8

9 Aalyse: Koste = Azahl der Vergleiche zwische S[i] s. Koste im schlechteste Fall: Koste eies Aufrufs Quicksort (l,r) sid a) umittelbare Koste bei Teile-Schritt O(r-l) Vergleiche b) Koste der rekursive Aufrufe Sei QS() = max. Azahl vo Vergleiche, die Quicksort a Feld der Läge durchführt. Es gilt: QS QS ( ) = O( ) ( 0) = QS( ) = 0. max{ QS( j ) QS( j)} j rek. Aufruf für A für B Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 9

10 Behauptug: QS Beweis: durch Iduktio ( ) ( ) ( i = O ) = i= Bemerkug: A Eigabe,, 3,..., führt Quicksort wirklich O( ) Vergleiche durch. Obere Schrake ist also scharf. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 0

11 Koste im Mittel: Aahme:. Elemete vo S sid paarweise verschiede.. Jede der! mögliche Permutatioe der Eigabe ist gleich wahrscheilich. Damit köe wir o.b.d.a. aehme, dass die Schlüssel die Zahle,,..., sid ud dass S[] = k ist mit Wahrscheilichkeit / für k. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

12 Da müsse rekursiv Teilprobleme der Größe k- ud -k gelöst werde. Diese Teilprobleme sid wieder zufällige Folge, d.h. sie erfülle Aahme.) ud.). (Beweis: etfällt, siehe Literatur) ( ) Sei QS die mittlere Azahl der Vergleiche, die Quicksort a eiem Feld der Größe durchführt. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

13 QS ud ( 0) = QS() = 0 QS( ) = "Erwartugswert QS( A) QS( B) QS = = k = k = 0 ( ) ( QS( k ) QS( k) ) ( k) ( ) = QS( k) k = 0 QS " Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 3

14 ud ( ) QS( ) = ( ) QS( k) Da: ( ) QS( ) QS( ) = ( ) QS( ) = QS( ) ( ) QS( ) = ( ) QS( ) k = 0 Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 4

15 Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 5 ( ) ( ) ( ).... QS QS = = = ) ( ) ( K K

16 Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 6 ( ) ( ) ( ) ( ) ( ) ( ) ( )( ) ( ) O i i i i QS i i i i log l = = = = = = = = d.h. Satz: Die mittlere Laufzeit vo Quicksort ist O( log ).

17 3.3 Heapsort (Sortiere durch Auswahl) Heap ist Datestruktur, die folgede Operatioe uterstützt: fuctio Emptyheap : heap; liefert Heap mit Wert ø. procedure Isert (x: item, var h: heap); verädert Wert vo h durch Eifüge vo x fuctio Extractmi (var h: heap): item; verädert Wert vo h durch Streiche des Miimums ud liefert gestrichees Elemet. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 7

18 Heapsort: h Emptyheap; for i = to do Isert (A[i], h); for i = to do B[i] Extractmi (h); Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 8

19 Zur Realisierug vo Heaps: Ei biärer Baum ist etweder leer oder er besteht aus eiem Kote, der Wurzel geat wird, ud eiem rechte ud like Teilbaum. Bsp.: u v w u ist die Wurzel, v die Wurzel des like Teilbaums vo u,... v = Kid vo u, u = Elterkote vo v, x ist ei Blatt. x Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 9

20 Sei u ei Kote i eiem Baum T. Tiefe(u) := Höhe(u) := 0, falls u die Wurzel ist Tiefe(Elterkote(u)), sost Bsp.: Tiefe(w) = 0, falls u ei Blatt ist max{höhe(v) v ist Kid vo u}, sost Bsp.: Höhe(w) = Tiefe(T) := max {Tiefe(u) u ist Kote i T} Höhe(T) := max {Höhe(u) u ist Kote i T} = Höhe(Wurzel(T)) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 0

21 (Biäre) Heaps lasse sich durch Biärbäume darstelle: Bsp.: {,, 3, 4, 5} darstellbar durch oder oder Jeder Baumkote u ist mit eiem Elemet S[u] beschriftet. Zusätzlich forder wir die Heap-Eigeschaft : Ist u Elterkote vo v, so ist S [ u] S[ v] Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

22 Realisierug der Heap-Operatioe: fuctio Emptyheap: klar! fuctio Extractmi: Miimumsbestimmug: Mi. steht a der Wurzel Miimumsetferug: Baum muss reorgaisiert werde Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige

23 Bsp.: 6 4 Reorg. I I) Beliebiges Blatt wird etfert ud a die Wurzel gesetzt. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 3

24 II) daach wird durch sukzessives Vertausche mit dem kleiste Kid die Heap-Eigeschaft wiederhergestellt: Reorg. II Reorg. II Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 4

25 procedure Isert: Eizufügedes Elemet a Kote ahäge, welcher höchstes ei Kid hat. Daach Vertausche mit Elterkote, falls dieser größer ist usw. Bsp.: Eifüge des Elemets 5: Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 5

26 Ausgewogee Bäume: Es gibt k 0, sodass. Alle Blätter habe Tiefe k oder k ud. Blätter der Tiefe k sitze gaz liks. Bsp.: Nummerierug der Kote: Nummeriere Kote der Höhe ach ud ierhalb jeder Höhe vo liks ach rechts Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 6

27 Da gilt: () Hat ei Kote Nummer i >, so hat sei Elterkote die Nummer i /. () Hat ei Kote Nummer i, so habe seie Kider (falls existet) die Nummer i ud i. Darstellug ausgewogeer biärer Baum durch Paar (A,), wobei Azahl der Kote ud A Array, sodass A[i] Beschriftug des Kotes mit Nummer i ist für alle i =,...,. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 7

28 Beispiel: A: Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 8

29 Zur Implemetierug vo Heapsort: type heap = record ed A: array [...N] of item; <*N hireiched groß*> : iteger; fuctio Emptyheap : heap; var h: heap; begi h. 0; <*keie Elemete*> Emptyheap h ed Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 9

30 procedure Isert (x: item; var h: heap); var i,j: iteger; fiish: boolea; begi h. h. ;<*ei Elemet mehr*> i h. h.a[i] x; <*eues, liksbüdiges El.*> fiish (i = ); while ot fiish do begi j i div <*j Elterkote vo i*> if h.a[i] < h.a[j] the Iterchage (h.a[i], h.a[j]) else fiish true; i j; if fiish = false the fiish (i=); ed ed Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 30

31 Zur Laufzeit-Aalyse vo Heapsort: Heapsort besteht i.w. aus je Aufrufe vo Isert ud Extractmi. Leicht sieht ma: Ausführugszeit vo Isert ud Extractmi ist O(Höhe des Baumes) Lemma: Hat ei ausgewogeer Baum die Höhe m, so ethält er midestes m ud weiger als m Kote. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 3

32 Nu gilt: m m Wir erhalte Laufzeit = log ( m) = O( ( log ) ) O( log ). O = Bemerkuge: Obwohl Heapsort im Gegesatz zu Quicksort sogar im Worst Case Laufzeit O( log ) hat, ist Quicksort i der Praxis meist überlege. Für vergleichsbasierte Sortierverfahre läßt sich die utere ( ) Schrake Ω log beweise, Heapsort ist i diesem Sie also asymptotisch optimal. Diese utere Schrake gilt auch im Durchschitt (bei Gleichverteilug). Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 3

33 3.4 Mergesort (Sortiere durch Mische) Bisher betrachtete Sortierverfahre: Date im Hauptspeicher. Für extere Speichermedie, aber adere Sortierverfahre vorteilhaft, z.b. Sortiere durch Mische: Füge zwei (oder mehrere) sortierte Folge zu eier sortierte Folge zusamme. Z.B Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 33

34 Mischalgorithmus: Start mit leerer Ausgabefolge Solage mid. eie Eigabefolge ichtleer, - bestimme x = mi A, wobei A die Mege der erste Elemete der ichtleere Eigabefolge ist, -etfere x aus Eigabefolge, wo es vorkommt ud - füge es as Ede der Ausgabefolge. Korrektheit: x ist icht ur das Miimum über A, soder über der Mege aller verbleibede Eigabeelemete... Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 34

35 Zum Sortierverfahre: Bezeiche aufsteiged sortierte Teilfolge als Rus. Grudprizip: Teile Eigabe i Teilfolge der Läge (das sid Rus). Mische daach Rus zu lägere Rus. Bsp.: Eigabe: 3,, 4,, 5, 9,, 6, 5, 3, 5 () Streuphase: 3,, 4,, 5, 9,, 6, 5, 3, 5 3, 4, 5,, 5, 5,, 9, 6, 3 Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 35

36 () Mischphase: Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 36

37 Beobachtug: Nach i-tem Durchlauf habe alle Rus i Läge. Allgemeier: p i für p = # Eigabedateie = # Ausgabedateie We p i, so ist die Eigabe sortiert. Also geau log p Durchläufe ötig. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 37

38 Effiziezverbesserug: Aahme: Hauptspeicher habe Platz für m Elemete (p < m < ). Da köe wir Durchläufe spare, idem wir itere Sortierverfahre dazu beutze, afags Rus der Läge m zu erstelle. Bsp.: m = Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 38

39 Aalyse: Nach i Durchläufe habe die Rus Läge m i (bzw. m p i ). Also geüge log p Durchläufe. m Bsp.: = 0 7, m = 0 4, p = 3 7 Durchläufe Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 39

40 3.5 Bucketsort (Sortiere durch Fachverteilug) Betrachte obda Alphabet Σ = {,,..., m} * Für die Wörter x = x... x k ud y = y... y r Σ sage wir, dass x kleier als y (x < y) ist, geau da, we i, 0 i k j, j i: x j = y j ud etweder i = k < r oder i < k ud i < r ud x i < y i. Ziel: Wörter über dem Alphabet Σ bzgl. der gegebee Ordug sortiere. Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 40

41 Spezialfall : Alle Wörter habe Läge. Lösugsasatz: Stelle m Fächer bereit ud gehe die Zahle durch ud wirf jede Zahl i das ihrem Wert gemäße Fach. Implemetierug der Fächer z.b. als lieare Liste ud ei Feld der Größe m zum Speicher der Listeköpfe. Gesamtzeitaufwad: O( m) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 4

42 Spezialfall : Alle Wörter habe gleiche Läge k. Schreibweise: i-tes Wort: x i = x i x i... x i k Vorteilhaft, zuächst ach dem k-te Symbol zu sortiere, da ach dem (k-)-te, usw. Damit k Läufe über die Mege der Wörter. Jeder Lauf gemäß Spezialfall Laufzeit O(( m) k) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 4

43 Bsp.: 3, 4, 3, 34, 3 m = 4, = 5, k = 3. Lauf Lauf 3. Lauf Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 43

44 Wie vermeide wir Aufwad mit leere Fächer? Sei s j die Azahl der im j-te Lauf ichtleere Fächer. Ziel: Aufsammel im j-te Lauf i O(s j ) Schritte ud damit Aufwad j-ter Lauf O(s j ). i Erzeuge k Paare (j, x j ), i, j k ud sortiere durch Fachverteilug zuächst ach der zweite ud da ach der erste Kompoete. Nach. Lauf liege im j-te Fach gerade alle Buchstabe i sortierter Reihefolge, die a der j-te Stelle vorkomme. Aufwad. Lauf: O( k m) Aufwad. Lauf: O( k k) Σ : O( k m) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 44

45 Allgemeier Fall: Wörter beliebiger Läge x i =: r i, L :=, l max := max i {l i } i= l i Beachte: xi icht zu früh i Fachverteilug miteibeziehe; erst bearbeite, we ach dem l i -te Buchstabe sortiert wird. ( Sortiere Wörter zuächst der Läge ach...) Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 45

46 Algorithmus: 3 4 Bestimme l i i ud erzeuge Paare (l i, Verweis auf x i ) Sortiere (l i, Verweis auf x i ) durch Fachverteilug ach. Kompoete. Bezeiche Läge[k] die Liste der Elemete der Läge k. Erzeuge L Paare (j, x ji ), i, j r ud i sortiere sie ach der. ud da der. Kompoete.. Fachverteilug liefert lieare Liste Nichtleer[j], j l max. Lösche Duplikate aus Nichtleer[j]. Sortiere u die Wörter x i durch Fachverteilug wie obe beschriebe (uter Berücksichtigug vo Läge[k]). Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 46

47 Eie eifache Aalyse zeigt: Satz: Sortiere durch Fachverteilug sortiert Wörter der Gesamtläge L über eiem Alphabet der Größe m i Zeit O(m L). Awedug: Sortiere reeller Zahle x,...,x Vereifachug: Betrachte reelle Zahle x i (0,] mit i : Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 47

48 3.6 Hybridsort α R fest, k : = α Schaffe k leere Körbe. Wirf x i i de Korb k xi für i Wede Heapsort auf jede Korb a ud kokateiere die Körbe, d.h. reihe sie hitereiader auf. Mitteilug:. Worst Case Laufzeit vo Hybridsort ist O( log ).. We x i uabhägig gemäß Eiheitsverteilug aus (0,] gewählt, da hat Hybridsort mittlere Laufzeit O(). Vorlesug Algorithme (RN/MK/AZ) WSI für Iformatik, Uiversität Tübige 48

Grundlagen: Algorithmen und Datenstrukturen

Grundlagen: Algorithmen und Datenstrukturen Techische Uiversität Müche Fakultät für Iformatik Lehrstuhl für Effiziete Algorithme Dr. Hajo Täubig Tobias Lieber Sommersemester 2011 Übugsblatt 1 13. Mai 2011 Grudlage: Algorithme ud Datestrukture Abgabetermi:

Mehr

3. Inkrementelle Algorithmen

3. Inkrementelle Algorithmen 3. Ikremetelle Algorithme Defiitio 3.1: Bei eiem ikremetelle Algorithmus wird sukzessive die Teillösug für die erste i Objekte aus der bereits bekate Teillösug für die erste i-1 Objekte berechet, i=1,,.

Mehr

11 Divide-and-Conquer und Rekursionsgleichungen

11 Divide-and-Conquer und Rekursionsgleichungen 160 11 DIVIDE-AND-CONQUER UND REKURSIONSGLEICHUNGEN 11 Divide-ad-Coquer ud Rekursiosgleichuge Divide-ad-Coquer Problem aufteile i Teilprobleme Teilproblem (rekursiv) löse Lösuge der Teilprobleme zusammesetze

Mehr

Übersicht. Datenstrukturen und Algorithmen. Rekursionsgleichungen. Übersicht. Vorlesung 6: Mastertheorem (K4) Joost-Pieter Katoen

Übersicht. Datenstrukturen und Algorithmen. Rekursionsgleichungen. Übersicht. Vorlesung 6: Mastertheorem (K4) Joost-Pieter Katoen Übersicht Datestrukture ud Algorithme Vorlesug 6: (K) Joost-Pieter Katoe Lehrstuhl für Iformatik 2 Software Modelig ad Verificatio Group 1 Substitutiosmethode Rekursiosbäume http://moves.rwth-aache.de/teachig/ss-15/dsal/

Mehr

Algorithmentheorie Randomisierung

Algorithmentheorie Randomisierung Algorithmetheorie 03 - Radomisierug Prof. Dr. S. Albers Prof. Dr. Th. Ottma Radomisierug Klasse vo radomisierte Algorithme Radomisierter Quicksort Radomisierter Primzahltest Kryptographie 2 1. Klasse vo

Mehr

1 Randomisierte Bestimmung des Medians

1 Randomisierte Bestimmung des Medians Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser

Mehr

Vorlesung Informatik 2 Algorithmen und Datenstrukturen. (02 Funktionenklassen) Prof. Dr. Susanne Albers

Vorlesung Informatik 2 Algorithmen und Datenstrukturen. (02 Funktionenklassen) Prof. Dr. Susanne Albers Vorlesug Iformatik 2 Algorithme ud Datestrukture (2 Fuktioeklasse) Prof. Dr. Susae Albers Beschreibug ud Aalyse vo Algorithme Mathematisches Istrumetarium zur Messug der Komplexität (des Zeitud Platzbedarfs

Mehr

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst für Iformatik Modellierug ud Verifikatio vo Software Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Lösug - Übug 3 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,

Mehr

Sortieren DNA-Array oder DNA-Chip

Sortieren DNA-Array oder DNA-Chip Sortiere DNA-Array oder DNA-Chip Jeder Pukt des Feldes repräsetiert ei Ge g i des Mesche. Ei Ge ist der Baupla eies molekulare Bausteis useres Körpers. Mittels eies DNA-Chips ka ma gleichzeitig für viele

Mehr

Lösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann

Lösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann Lösugsskizze Mathematik für Iformatiker 5. Aufl. Kapitel 3 Peter Hartma Verstädisfrage. Ka ma ei Axiom beweise? Nei!. Ka ei Beweis eier Aussage richtig sei, we im Iduktiosschluss die Iduktiosaahme icht

Mehr

Lösung: Datenstrukturen und Algorithmen SS17 Lösung - Klausur

Lösung: Datenstrukturen und Algorithmen SS17 Lösung - Klausur Prof. aa Dr. Ir. G. Woegiger T. Hartma, D. Korzeiewski, B. Tauer Aufgabe (O-Notatio): Trage Sie i (a) (e) jeweils das Symbol o oder Θ oder ω (i Worte: klei-o oder groß-theta oder klei- Omega) i die durch

Mehr

Wörterbuchmethoden und Lempel-Ziv-Codierung

Wörterbuchmethoden und Lempel-Ziv-Codierung Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches

Mehr

Informatik II Dynamische Programmierung

Informatik II Dynamische Programmierung lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit

Mehr

Mathematische Rekursion. Rekursion. Rekursion in C++ Mathematische Rekursion. Definition. 1, falls n 1. n! = n (n-1)!, falls n > 1

Mathematische Rekursion. Rekursion. Rekursion in C++ Mathematische Rekursion. Definition. 1, falls n 1. n! = n (n-1)!, falls n > 1 Mathematische Rekursio Rekursio o Viele mathematische Fuktioe sid sehr atürlich rekursiv defiierbar, d.h. o die Fuktio erscheit i ihrer eigee Defiitio. Mathematische Rekursio o Viele mathematische Fuktioe

Mehr

2. Übung Algorithmen II

2. Übung Algorithmen II Johaes Sigler, Prof. Saders 1 Johaes Sigler: KIT Uiversität des Lades Bade-Württemberg ud atioales Forschugszetrum i der Helmholtz-Gemeischaft Istitut für Theoretische www.kit.edu Iformatik Orgaisatorisches

Mehr

Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität

Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität Datestrukture ud Algorithme Christia Sohler FG Algorithme & Komplexität Orgaisatorisches Vorlesug: Mo 11:15-12:45 Fr 11:15-12:45 Zetralübug: Mo 13:00 13:45 Begi: Heute (2. Teil der Vorlesug) Übuge: Begi:

Mehr

186.813 Algorithmen und Datenstrukturen 1 VU 6.0 1. Übungstest SS 2012 26. April 2012

186.813 Algorithmen und Datenstrukturen 1 VU 6.0 1. Übungstest SS 2012 26. April 2012 Techische Uiversität Wie Istitut für Computergraphik ud Algorithme Arbeitsbereich für Algorithme ud Datestrukture 186.813 Algorithme ud Datestrukture 1 VU 6.0 1. Übugstest SS 2012 26. April 2012 Mache

Mehr

Teil VII : Zeitkomplexität von Algorithmen

Teil VII : Zeitkomplexität von Algorithmen Teil VII : Zeitkomplexität vo Algorithme 1. Algorithme ud ihr Berechugsaufwad. Aufwadsabschätzug Wachstum vo Fuktioe 3. Aufwad vo Suchalgorithme K. Murma, H. Neuma, Fakultät für Iformatik, Uiversität Ulm,

Mehr

Teil VII : Zeitkomplexität von Algorithmen

Teil VII : Zeitkomplexität von Algorithmen Teil VII : Zeitkomplexität vo Algorithme. Algorithme ud ihr Berechugsaufwad. Aufwadsabschätzug Wachstum vo Fuktioe. Aufwad vo Suchalgorithme K. Murma, H. Neuma, Fakultät für Iformatik, Uiversität Ulm,

Mehr

Skriptum zur ANALYSIS 1

Skriptum zur ANALYSIS 1 Skriptum zur ANALYSIS 1 Güter Lettl WS 2017/2018 1. Grudbegriffe der Megelehre ud der Logik 1.1 Naive Megelehre [Sch-St 4.1] Defiitio eier Mege ach Georg Cator (1845 1918):,,Eie Mege M ist eie Zusammefassug

Mehr

Musterlösung. Testklausur Vorkurs Informatik, Testklausur Vorkurs Informatik Musterlösung. Seite 1 von 10

Musterlösung. Testklausur Vorkurs Informatik, Testklausur Vorkurs Informatik Musterlösung. Seite 1 von 10 Musterlösug Name, Vorame, Matrikelummer Agabe sid freiwillig) Bitte ubedigt leserlich ausfülle Testklausur Vorkurs Iformatik, 27.09.20 Testklausur Vorkurs Iformatik 27.09.20 Musterlösug eite vo 0 Musterlösug

Mehr

Dritter Zirkelbrief: Ungleichungen

Dritter Zirkelbrief: Ungleichungen Matheschülerzirkel Uiversität Augsburg Schuljahr 014/015 Dritter Zirkelbrief: Ugleichuge Ihaltsverzeichis 1 Grudlage vo Ugleichuge 1 Löse vo Ugleichuge 3 3 Mittel 4 4 Mittelugleichuge 5 5 Umordugsugleichug

Mehr

Der Groß-O-Kalkül. Additionsregel. Zunächst ein paar einfache "Rechen"-Regeln: " ": Sei. Lemma, Teil 2: Für beliebige Funktionen f und g gilt:

Der Groß-O-Kalkül. Additionsregel. Zunächst ein paar einfache Rechen-Regeln:  : Sei. Lemma, Teil 2: Für beliebige Funktionen f und g gilt: Der Groß-O-Kalkül Additiosregel Zuächst ei paar eifache "Reche"-Regel: Lemma, Teil 1: Für beliebige Fuktioe f g gilt: Zu beweise: ur das rechte "=" Zu beweise: jede der beide Mege ist jeweils i der adere

Mehr

Kapitel 10. Rekursion

Kapitel 10. Rekursion Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 1/14 1 Kapitel 10 Rekursio Rekursio Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 1/14 Ziele Das Prizip der rekursive

Mehr

Dynamisches Programmieren Stand

Dynamisches Programmieren Stand Dyamisches Programmiere Stad Stad der Dige: Dyamische Programmierug vermeidet Mehrfachberechug vo Zwischeergebisse Bei Rekursio eisetzbar Häufig eifache bottom-up Implemetierug möglich Das Subset Sum Problem:

Mehr

Asymptotische Notationen

Asymptotische Notationen Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo

Mehr

so spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.

so spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe. Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es

Mehr

Vorkurs Mathematik für Informatiker Potenzen und Polynome --

Vorkurs Mathematik für Informatiker Potenzen und Polynome -- Vorkurs Mathematik für Iformatiker -- Poteze ud Polyome -- Thomas Huckle Stefa Zimmer (Stuttgart) 6.0.06 Vorwort Es solle Arbeitstechike vermittelt werde für das Iformatikstudium Der wesetliche Teil ist

Mehr

1. Übungsblatt zu Algorithmen II im WS 2016/2017

1. Übungsblatt zu Algorithmen II im WS 2016/2017 Karlsruher Istitut für Techologie Istitut für Theoretische Iformatik Prof. Dr. Peter Saders Dr. Christia Schulz, Dr. Simo Gog Michael Atma. Übugsblatt zu Algorithme II im WS 06/07 http://algo.iti.kit.edu/algorithmeii

Mehr

Heapsort / 1 A[1] A[2] A[3] A[4] A[5] A[6] A[7] A[8]

Heapsort / 1 A[1] A[2] A[3] A[4] A[5] A[6] A[7] A[8] Heapsort / 1 Heap: Ein Array heißt Heap, falls A [i] A [2i] und A[i] A [2i + 1] (für 2i n bzw. 2i + 1 n) gilt. Beispiel: A[1] A[2] A[3] A[4] A[5] A[6] A[7] A[8] Heapsort / 2 Darstellung eines Heaps als

Mehr

Kapitel 11. Rekursion

Kapitel 11. Rekursion Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 16/17 Kapitel 11 Rekursio Rekursio 1 Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 16/17 Ziele Das Prizip der rekursive

Mehr

ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS

ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS ELEMENTE DER ZAHLENTHEORIE UND AUFBAU DES ZAHLENSYSTEMS vo Rolf Waldi 1 Kapitel I. Elemetare Zahletheorie 1 Grudlegede Regel ud Prizipie Es wird vorausgesetzt, daß der Leser mit gaze Zahle reche ka ud

Mehr

Denition 27: Die Fakultät ist eine Folge f : N N mit f(1) := 1 und f(n + 1) := (n + 1) f(n) für alle n N. Wir schreiben n! := f(n) für diese Folge.

Denition 27: Die Fakultät ist eine Folge f : N N mit f(1) := 1 und f(n + 1) := (n + 1) f(n) für alle n N. Wir schreiben n! := f(n) für diese Folge. Vorkurs Mathematik, PD Dr. K. Halupczok, WWU Müster Fachbereich Mathematik ud Iformatik 22.9.20 Ÿ3.2 Folge ud Summe (Fortsetzug) Eie wichtige Möglichkeit, wie ma Zahlefolge deiere ka, ist die über eie

Mehr

Nicht-Anwendbarkeit des Master- Theorems

Nicht-Anwendbarkeit des Master- Theorems Nicht-Awedbarkeit des Master- Theorems Beispiel: Betrachte die Rekursiosgleichug T () = 2T ( 2 ) + log. Es gilt sicherlich f () = Ω( log b a ) = Ω(), aber icht f () = Ω( log b a+ɛ ). Ma beachte, dass f

Mehr

2 Konvergenz von Folgen

2 Konvergenz von Folgen Kovergez vo Folge. Eifache Eigeschafte Defiitio.. Eie Abbildug A : N C heißt Folge. Ma schreibt a statt A) für N ud a ) oder a ) statt A. We a R N, so heißt a ) reelle Folge. Defiitio.. Seie a ) eie Folge

Mehr

Dynamische Programmierung Matrixkettenprodukt

Dynamische Programmierung Matrixkettenprodukt Dyamische Programmierug Matrixketteprodukt Das Optimalitätsprizip Typische Awedug für dyamisches Programmiere: Optimierugsprobleme Eie optimale Lösug für das Ausgagsproblem setzt sich aus optimale Lösuge

Mehr

Starke und schwache Einwegfunktionen

Starke und schwache Einwegfunktionen Starke ud schwache Eiwegfuktioe Daiela Weiberg weiberg@iformatik.hu-berli.de Semiar: Perle der theoretische Iformatik Dozete: Prof. Johaes Köbler, Olaf Beyersdorff Witersemester 2002/2003 2. Dezember 2002

Mehr

Übungen zur Linearen Algebra 1

Übungen zur Linearen Algebra 1 Übuge zur Lieare Algebra 1 Lösuge Witersemester 009/010 Uiversität Heidelberg Mathematisches Istitut Lösuge Blatt 8 Dr D Vogel Michael Maier Aufgabe 33 Gehe wir aalog zu Algorithmus vor: v 1 M(4,K) A :=

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN Prof Dr R Köig Dr M Prähofer Zetralübug TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik Mathematik für Physiker (Aalysis ) MA90 Witersem 07/8 Lösugsblatt 4 http://www-m5matumde/allgemeies/ma90 07W (007)

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN

TECHNISCHE UNIVERSITÄT MÜNCHEN TECHNISCHE UNIVERSITÄT MÜNCHEN Zetrum Mathematik PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathematik für Iformatiker II (Sommersemester 004) Aufgabe 7. Ubeschräktes

Mehr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr

Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:

Mehr

Universität Stuttgart Fachbereich Mathematik. 1 Lineare Abbildungen und Matrizen. 1.1 Um was geht es?

Universität Stuttgart Fachbereich Mathematik. 1 Lineare Abbildungen und Matrizen. 1.1 Um was geht es? Uiversität Stuttgart Fachbereich Mathematik Prof Dr C Hesse PD Dr P H Lesky Dipl Math D Zimmerma Msc J Köller FAQ 4 Höhere Mathematik 724 el, kyb, mecha, phys Lieare Abbilduge ud Matrize Um was geht es?

Mehr

Empirische Verteilungsfunktion

Empirische Verteilungsfunktion KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,

Mehr

Kombinatorik und Polynommultiplikation

Kombinatorik und Polynommultiplikation Kombiatorik ud Polyommultiplikatio 3 Vorträge für Schüler SS 2004 W Pleske RWTH Aache, Lehrstuhl B für Mathematik 3 Eiige Zählprizipie ud Ausblicke Wir habe bislag gesehe, was die Multiomialkoeffiziete

Mehr

Informatik II Übung 10

Informatik II Übung 10 Iformatik II Übug 10 Floria Scheidegger florsche@studet.ethz.ch Folie mit freudlicher Geehmigug adaptiert vo Gábor Sörös ud Simo Mayer gabor.soros@if.ethz.ch, simo.mayer@if.ethz.ch 9.5.2013 Iformatik II

Mehr

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37

Reelle Folgen. Definition. Eine reelle Folge ist eine Abbildung f : N R. liefert ( 7 9, 37 Reelle Folge Der Begriff der Folge ist ei grudlegeder Baustei der Aalysis, weil damit u.a. Grezprozesse defiiert werde köe. Er beschreibt de Sachverhalt eier Abfolge vo Elemete, wobei die Reihefolge bzw.

Mehr

Probeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst?

Probeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst? Quaterecher Witersemester 5/6 Theoretische Iformatik Uiversität Haover Dr. Matthias Homeister Dipl.-Math. Heig Schoor Probeklausur Hiweis: Diese Probeklausur ist kürzer als die tatsächliche Klausur.. a

Mehr

Kapitel 11. Rekursion

Kapitel 11. Rekursion Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 17/18 Kapitel 11 Rekursio Rekursio 1 Eiführug i die Iformatik: Programmierug ud Software-Etwicklug, WS 17/18 Ziele Das Prizip der rekursive

Mehr

Zusammenfassung: Mathe 1

Zusammenfassung: Mathe 1 Zusammefassug: Mathe 1 Beispiel zur Iduktio Behauptug: es gilt k 2 = 6 (+1) (2+1) Beweis: Iduktio über Iduktiosafag: = 1 k 2 + 1: für = 1: k 2 =1 2 =1 1 Aahme: Für ei N gilt Zu zeige: da muss auch gelte

Mehr

5 Aufwandsbetrachtungen am Beispiel des Sortierens. 5.2 Entwicklung eines Sortieralgorithmus. 5.3 Untere Schranke fürs Sortieren

5 Aufwandsbetrachtungen am Beispiel des Sortierens. 5.2 Entwicklung eines Sortieralgorithmus. 5.3 Untere Schranke fürs Sortieren 5 Aufwadsbetrachtuge am Beispiel des Sortieres 5.1 Praktische Komplexität 5. Etwicklug eies Sortieralgorithmus 5.3 Utere Schrake fürs Sortiere 5.4 Digitales Sortiere 5.5 O-Arithmetik 5.6 Gewiug vo Sortierverfahre

Mehr

Kapitel 5. Ausrichten

Kapitel 5. Ausrichten Kapitel 5 Ausrichte Sucht ma i eier Datebak ach Zeichekette (Wörter, Name, Gesequeze), möchte ma oft aders als i de voragegagee Kapitel uterstellt icht ur exakte Treer, soder auch ähliche Vorkomme de.

Mehr

Rekursion und Dateioperationen

Rekursion und Dateioperationen Lerziele: Rekursio ud Dateioperatioe Vertiefe der Ketisse über die die Verwedug vo rekursive Fuktioe ud Dateioperatioe. Aufgabe 1: Mergesort (Beispiel für die Verwedug rekursiver Fuktiosaufrufe) Ei effizietes

Mehr

Vorkurs Mathematik für Informatiker Folgen

Vorkurs Mathematik für Informatiker Folgen Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,

Mehr

mit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1

mit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1 Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler

Mehr

Wir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!

Wir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach! Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud

Mehr

6 Vergleich mehrerer unverbundener Stichproben

6 Vergleich mehrerer unverbundener Stichproben 6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die

Mehr

Musterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015

Musterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015 Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für

Mehr

Leitfaden Bielefeld SS 2007 III-4

Leitfaden Bielefeld SS 2007 III-4 Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie

Mehr

10 Aussagen mit Quantoren und

10 Aussagen mit Quantoren und 0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits

Mehr

3 Grenzwerte. 3.1 Grenzwerte von Folgen

3 Grenzwerte. 3.1 Grenzwerte von Folgen 03-grezwerte.cdf 3 Grezwerte 3. Grezwerte vo Folge Kovergez Mache Folge zeige ei spezielles Verhalte, we der Idex sehr groß wird. Sie äher sich eier bestimmte Zahl. Betrachte wir zum Beispiel die Folge

Mehr

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...

KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung... KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4

Mehr

Mathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes.

Mathematik III. Vorlesung 81. Eigenschaften des Dachprodukts. Die folgende Aussage beschreibt die universelle Eigenschaft des Dachproduktes. Prof. Dr. H. Breer Osabrück S 2010/2011 Mathematik III Vorlesug 81 Eigeschafte des Dachprodukts Die folgede Aussage beschreibt die uiverselle Eigeschaft des Dachproduktes. Satz 81.1. Es sei K ei Körper,

Mehr

Lösungen zur Präsenzübung 6

Lösungen zur Präsenzübung 6 Lösuge zur Präsezübug 6 Mirko Getzi Uiversität Bielefeld Fakultät für Mathematik. Dezember 203 Ich gebe keie Gewähr auf eie vollstädige Richtigkeit der Lösuge zu de Übugsaufgabe. Das Dokumet hat jedoch

Mehr

Beispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge

Beispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge 1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8

Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8 Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir

Mehr

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst

3 T (d 1, l 2. ) + (6 + 2) falls d > 0 7 sonst. n 2. 4T ( n 2 ) + log 2 (n), falls n > 1 1, sonst Prof. aa Dr. Ir. Joost-Pieter Katoe Datestrukture ud Algorithme SS5 Tutoriumslösug - Übug 3 (Abgabe 3.05.05 Christia Dehert, Friedrich Gretz, Bejami Kamiski, Thomas Ströder Tutoraufgabe (Rekursiosgleichuge:

Mehr

Lösungen 4 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren

Lösungen 4 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren Lösuge 4 zum Mathematik-Brückekurs für alle, die sich für Mathematik iteressiere µfsr, TU Dresde Versio vom 26. September 2016, Fehler ud Verbesserugsvorschläge bitte a beedikt.bartsch@myfsr.de Aufgabe

Mehr

KAPITEL 2. Zahlenfolgen

KAPITEL 2. Zahlenfolgen KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................

Mehr

Übung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen

Übung zur Vorlesung Einführung in die Algebra Prof. Dr. J. H. Bruinier Stephan Ehlen Übug zur Vorlesug Eiführug i die Algebra Prof. Dr. J. H. Bruiier Stepha Ehle Sommersemester 2009 Lösugshiweise zu Übugsblatt 3 Aufgabe G3.1 Automorphisme vo Das ist im Prizip lieare Algebra: Sei f Aut(

Mehr

Positiv denken! Lösungen

Positiv denken! Lösungen Schülerzirkel Mathematik Fakultät für Mathematik. Uiversität Regesburg Positiv deke! Lösuge Aufgabe 1 (GMAMQM (ur für die Klasse 7/8) [ Pukte]). Seie a, b reelle Zahle. 1. Sei a 0 ud b 0. Zeige, dass a

Mehr

Tests statistischer Hypothesen

Tests statistischer Hypothesen KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir

Mehr

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung

6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung 6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez

Mehr

8. Übungsblatt Aufgaben mit Lösungen

8. Übungsblatt Aufgaben mit Lösungen 8. Übugsblatt Aufgabe mit Lösuge Aufgabe 36: Bestimme Sie alle z C, für die die folgede Potezreihe kovergiere: z z a, b! +, c z +. = = Lösug 36: Wir bezeiche de Kovergezradius mit r. a Wir wede das Quotietekriterium

Mehr

Numerische Lineare Algebra - Theorie-Blatt 2

Numerische Lineare Algebra - Theorie-Blatt 2 Prof Dr Stefa Fuke Uiversität Ulm MSc Adreas Batle Istitut für Numerische Mathematik Dipl-Math oec Klaus Stolle Witersemester 04/05 Numerische Lieare Algebra - Theorie-Blatt Lösug (Abgabe am 04 vor der

Mehr

Zusammenfassung: Folgen und Konvergenz

Zusammenfassung: Folgen und Konvergenz Zusammefassug Folge ud Kovergez Ihaltsverzeichis Defiitioe ud Beispiele für Folge Beschräkte Folge Kovergez vo Folge Grezwertsätze für Folge 6 Für Experte 8 Defiitioe ud Beispiele für Folge Defiitio Eie

Mehr

6 Grenzwerte von Zahlenfolgen

6 Grenzwerte von Zahlenfolgen 6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z

Mehr

Übung 1 Algorithmen II

Übung 1 Algorithmen II Yaroslav Akhremtsev, Demia Hespe yaroslav.akhremtsev@kit.edu, hespe@kit.edu Mit Folie vo Michael Axtma (teilweise) http://algo2.iti.kit.edu/algorithmeii_ws17.php - 0 Akhremtsev, Hespe: KIT Uiversität des

Mehr

1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch

1. Man zeige, daß (IR n, d i ), i = 1, 2, metrische Räume sind, wenn für x = (x 1,..., x n ), y = (y 1,..., y n ) IR n die Abstandsfunktionen durch Ma zeige, daß IR, d i ), i,, metrische Räume sid, we für x x,, x ), y y,, y ) IR die Abstadsfuktioe durch d x, y) x y, d x, y) x y ), d x, y) max x y gegebe sid Lösug: Ma muß für alle drei Fuktio d i x,

Mehr

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I

Aufgaben und Lösungen Ausarbeitung der Übungsstunde zur Vorlesung Analysis I Aufgabe ud e Ausarbeitug der Übugsstude zur Vorlesug Aalysis I Witersemester 008/009 Übug am 8..008 Übug 5 Eileitug Zuerst soll auf de aktuelle Übugsblatt ud Stoff der Vorlesug eigegage werde. Dazu werde

Mehr

Zahlenfolgen und Konvergenzkriterien

Zahlenfolgen und Konvergenzkriterien www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit

Mehr

Anwendungen der Wahrscheinlichkeit II. Markovketten

Anwendungen der Wahrscheinlichkeit II. Markovketten Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem

Mehr

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit

Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit - 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete

Mehr

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik

Höhere Mathematik I (Analysis) für die Fachrichtung Informatik Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv.-Doz. Dr. Gerd Herzog M. Sc. Adreas Hirsch WS 204/5 24.0.204 Höhere Mathematik I (Aalysis) für die Fachrichtug Iformatik Lösugsvorschlag

Mehr

1 Aussagenlogik und vollständige Induktion

1 Aussagenlogik und vollständige Induktion Dr. Siegfried Echterhoff Aalysis 1 Vorlesug WS 08 09 1 Aussagelogi ud vollstädige Idutio Die Mathemati basiert auf eier Reihe vo Axiome, d.h. auf mathematische Aussage, die als (offesichtlich? wahr ageomme

Mehr

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),

Analysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität), Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,

Mehr

Tutoraufgabe 1 (Rekursionsgleichungen):

Tutoraufgabe 1 (Rekursionsgleichungen): Prof. aa Dr. E. Ábrahám Datestrukture ud Algorithme SS4 Lösug - Übug F. Corzilius, S. Schupp, T. Ströder Tutoraufgabe (Rekursiosgleichuge): Gebe Sie die Rekursiosgleichuge für die Laufzeit der folgede

Mehr

Eigenschaften von Texten

Eigenschaften von Texten Worthäufigkeite Eigeschafte vo Texte Eiige Wörter sid sehr gebräuchlich. 2 der häufigste Wörter (z.b. the, of ) köe ca. 0 % der Wortvorkomme ausmache. Die meiste Wörter sid sehr selte. Die Hälfte der Wörter

Mehr

Stochastik im SoSe 2018 Übungsblatt 2

Stochastik im SoSe 2018 Übungsblatt 2 Stochasti im SoSe 2018 Übugsblatt 2 K. Paagiotou/ L. Ramzews / S. Reisser Lösuge zu de Aufgabe. Aufgabe 1 Eie Ure ethält B blaue, R rote ud G grüe Bälle. Wir ziehe eie Teilmege mit geau Bälle aus der Ure,

Mehr

4 Konvergenz von Folgen

4 Konvergenz von Folgen 4 Kovergez vo Folge Defiitio 4.. Sei M eie Mege. Ist 0 Z ud für jedes Z mit 0 ei a M gegebe, so et ma die Abbildug { Z; 0 } M, a eie Folge i M. Abkürzed schreibt ma für eie solche Abbildug auch a ) 0 oder

Mehr

Basisfall Vergleichsbasiertes Sortieren Programmieraufgabe Algorithm Engineering

Basisfall Vergleichsbasiertes Sortieren Programmieraufgabe Algorithm Engineering Basisfall Vergleichsbasiertes Sortiere Programmieraufgabe Algorithm Egieerig Deis Felsig 013-0-07 1 Eileitug I dieser Programmieraufgabe sollte Basisfälle für vergleichsbasiertes Sortiere utersucht werde.

Mehr

ALP I Induktion und Rekursion

ALP I Induktion und Rekursion ALP I Iduktio ud Rekursio Teil II WS 2009/200 Prof. Dr. Margarita Espoda Prof. Dr. Margarita Espoda Iduktio über Bäue Defiitio: a) Ei eizeler Blatt-Kote ist ei Bau o b) Falls t, t 2,,t Bäue sid, da ist

Mehr

Einige wichtige Ungleichungen

Einige wichtige Ungleichungen Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe

Mehr

10. Testen von Hypothesen Seite 1 von 6

10. Testen von Hypothesen Seite 1 von 6 10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)

Mehr

3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57

3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57 Ihaltsverzeichis 1 Berechebarkeit ud Algorithme 7 1.1 Berechebarkeit................................. 7 1.1.1 LOOP/WHILE-Berechebarkeit................... 8 1.1.2 Turig-Maschie...........................

Mehr