Data Warehousing und Data Mining
|
|
- Theresa Pfaff
- vor 8 Jahren
- Abrufe
Transkript
1 Data Warehousing und Data Mining Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik
2 Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM) Dimensionen und Granularität Beispiel Ulf Leser: Data Warehousing und Data Mining 2
3 Spreadsheets EXCEL-artige Anwendungen sind extrem weit verbreitet Vorläufer der Data Warehouse Idee Unverändert populär (OLAP-Plug-Ins für EXCEL) Beispiel: Summen von Verkaufszahlen aufgeschlüsselt nach Eigenschaften der Verkäufe Q1 Q2 Q3 Q4 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Romane Bücher Kinder Fachliteratur Klassik CDs Hörbücher Pop Ulf Leser: Data Warehousing und Data Mining 3
4 Spreadsheets EXCEL-artige Anwendungen sind extrem weit verbreitet Vorläufer der Data Warehouse Idee Unverändert populär (OLAP-Plug-Ins für EXCEL) Beispiel: Summen von Verkaufszahlen aufgeschlüsselt nach Eigenschaften der Verkäufe Dimensionen: Zeit und Produkt Q1 Q2 Q3 Q4 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Romane Bücher Kinder Fachliteratur 3 45 Detailaggregate Klassik CDs Hörbücher Pop Hierarchische Dimensionen Ulf Leser: Data Warehousing und Data Mining 4
5 Randsummen Wichtig sind immer auch die Randsummen Jede Kombination von Dimensionen Schwierigkeit: Summen auf allen Hierarchiestufen Möglich, nicht schön Summe Q1 Q2 Q3 Q4 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Romane Bücher Kinder Fachliteratur Klassik CDs Hörbücher Pop Summe Ulf Leser: Data Warehousing und Data Mining 5
6 Drei Dimensionen Hinzufügen einer dritten Dimension: Länder Erste Möglichkeit: Schachteln Unklare Darstellung (dritte Dimension geht verloren) Randsummen pro Land sehr unschön 2010 Q 1 Q2 Jan Feb Mar Apr BRD FR GB BRD FR GB BRD FR GB BRD FR GB Romane Bücher Kinder Fachliteratur Klassik CDs Hörbücher Pop Ulf Leser: Data Warehousing und Data Mining 6
7 Drei Dimensionen Hinzufügen einer dritten Dimension: Länder Zweite Möglichkeit: Stapeln Unübersichtlich, keine Gesamtschau Hierarchische dritte Dimension? Randsummen pro Jahr / Produkt kaum möglich 2010 BRD Q1 Q2 Q3 Q4 Jan Feb Mär Apr Mai Jun Jul 2010 FR Aug Sep Okt Nov Dez Romane Q Q Q Q4 Bücher Kinder 19 Jan 13 Feb 8 Mär 19 Apr 13 Mai 8 Jun 19 Jul 2010 GB 13 Aug 8 Sep 19 Okt 13 Nov 8 Dez Fachliteratur Romane Q Q Q Q4 Bücher Klassik Kinder Jan 1213 Feb 24 8 Mär 2319 Apr 1213 Mai 24 8 Jun 2319 Jul 1213 Aug 24 8 Sep 1119 Okt 1213 Nov 8 Dez CDs Hörbücher Fachliteratur Romane Bücher Pop Klassik Kinder CDs Hörbücher Fachliteratur Pop Klassik CDs Hörbücher Pop Ulf Leser: Data Warehousing und Data Mining 7
8 Nachteile von Spreadsheets Bei mehr als zwei Dimensionen unübersichtlich Mehr als drei Dimensionen kaum handhabbar Schwierigkeiten mit hierarchischen Dimensionen Schwierigkeiten mit spezielleren Anforderungen Gleitenden Durchschnitt pro Ort über je 3 Jahre? Immer Summe und Durchschnitt anzeigen? Ulf Leser: Data Warehousing und Data Mining 8
9 Lösung Jahr Jan Feb Land Mär Apr F BRD Bücher Romane Fachliteratur Klassik Produkt Konzeptionelles Modell Kann man nicht ausdrucken also Seiten, Abschnitt, Ulf Leser: Data Warehousing und Data Mining 9
10 Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM) Dimensionen und Granularität Beispiel Ulf Leser: Data Warehousing und Data Mining 10
11 MDDM Grundidee Unterscheidung von Fakten (Measures) Gemessene Werte Dimensionen Beschreibung der Fakten in Raum, Zeit,... Klassifikationshierarchien Strukturierte Dimensionen Metapher: Würfel (Cube) bzw. Hypercube Fakten: Punkte im multidimensionalen Raum Genauer: Aggregate höchster Detailstufe Dimensionen: Achsenbeschriftung / Koordinaten Hierarchien: Koordinaten in unterschiedlichem Detailgrad Analyse durch Operationen auf dem Cube Auswahl von Subwürfeln (Flächen, Punkten,...) Hierarchiestufe vergröbern/verfeinern Ulf Leser: Data Warehousing und Data Mining 11
12 Beispiel Verkäufe von Autos pro Marke, Kontinent und Jahr gemessen in Euro Fakten Verkäufe in Euro Dimensionen Automarke Kontinent Jahr Ulf Leser: Data Warehousing und Data Mining 12
13 Beispiel: Auswahl (Slicing) Verkäufe von Peugeot pro Jahr und Kontinent Verkäufe in Asien pro Jahr und Marke Jahr Asien Südamerika Kontinent BMW Peugeot VW Ford Automarke Ulf Leser: Data Warehousing und Data Mining 13
14 Fakten (Measures) Fakten werden durch Koordinaten in allen Dimensionen beschrieben Fakten haben Werte (in der Regel Zahlen) Können auch mehrere sein, z.b. (Uhrzeit, Verkaufswert) Wichtigste Unterscheidung Event facts: Fakten entsprechen Ereignissen der Welt Z.B. Messungen, Verkäufe, Wählerstimmen, Können über Zeit aggregiert werden Summe, Mittelwert, Quantil, Snapshot facts: Fakten entsprechen Zuständen der realen Welt Z.B. Lagerbestände Können nicht über die Zeit aggregiert werden Aber über alle anderen Dimensionen Ulf Leser: Data Warehousing und Data Mining 14
15 Dimensionen Beschreiben relevante Eigenschaften von Fakten Müssen orthogonal (funktional unabhängig) sein Abhängigkeiten bereiten viele Probleme später Haben meist ein hierarchisches Schema Zeit: Tag, Woche, Jahr, Achtung: Es sind individuelle Tage, Monate, gemeint. Als nicht 1 = der erste jedes Monats, sondern 1 = etc. Region: Landkreis, Land, Staat, Produkt: Produktgruppe, Produktklasse, Produktfamilie,... und eine erlaubte Wertemenge auf jeder Ebene (1/1/99, 2/1/99,..., 31/1/99, 31/12/07), (Berlin, NRW, Department-1,...), (BRD, F,...) Das ergibt ein Schema Ulf Leser: Data Warehousing und Data Mining 15
16 Dimension Dimensions schema TOP Jahr Quartal I II III IV I II III IV Klassifikationsstufen Monat Jan Feb Mar Okt Nov Dez Tag Klassifikationsknoten Ulf Leser: Data Warehousing und Data Mining 16
17 Produkthierarchie Aus: Geppert, ETZ Zürich, Vorlesung Data Warehouse Elemente einer Stufe können geordnet sein Geordnet: Zeit Ungeordnet: Produkte Ulf Leser: Data Warehousing und Data Mining 17
18 Formale Definition Ziele Operationen im MDDM exakt definieren Aus dem Modell muss man ersehen können, welche Aggregate semantisch sinnvoll sind und welche nicht Tools bieten dann nur die sinnvollen Operationen an Optimierer können die Informationen für schnellere Anfragen benutzen Multidimensionale Modelle grafisch exakt spezifizieren Konzern Sparte Region Bereich Unternehmen Abteilung Ulf Leser: Data Warehousing und Data Mining 18
19 Klassifikationsschema Definition Ein Klassifikationsschema K ist ein Quadrupel (K s, s, K k, k ) mit K s ist die Menge von Klassifikationsstufen {k 0,... k n } s ist eine Halbordnung auf K s mit größtem Element top(k s ) D.h.: k K s : k s top(k s ) K k ist die Menge von Klassifikationsknoten {n 0,... n m } Jeder Klassifikationsknoten n ist genau einer Klassifikationsstufe k zugeordnet. stufe(n) = k knoten(k) = {n n K k stufe(n)=k} k ist die Halbordnung auf K s übertragen auf K k Sei k,l K k. Es gilt k s l gdw. stufe(k) S stufe(l) Bemerkung Eine Klassifikationsstufe hat mehrere Klassifikationsknoten, aber jeder Klassifikationsknoten ist genau einer Klassifikationsstufe zugeordnet Wir benutzen i.d.r. einfach für k oder s Ulf Leser: Data Warehousing und Data Mining 19
20 Erläuterung Klassifikationsstufen: Schemaelemente der Dimension Klassifikationsknoten: Instanzen der Schemaelemente Das größte Element (top) ist artifiziell Steht für alles Interpretation von Funktionale Abhängigkeit & Aggregierbarkeit Tag bestimmt Monat bestimmt Jahr bestimmt TOP TOP Produkt Produktfamilie Produktgruppe TOP Asus M2400N Notebooks Büroelektronik TOP Beachte: Halbordnung ist zyklusfrei Ulf Leser: Data Warehousing und Data Mining 20
21 Beispiel Ordnung Tag Monat Monat Quartal Quartal Jahr Tag Woche Woche Jahr Alle TOP Keine Ordnung Quartal? Woche Monat? Woche Transitivität Tag Jahr TOP Jahr Quartal Monat Tag Tatsächlich? Woche Saison Ulf Leser: Data Warehousing und Data Mining 21
22 Knotenattribute Name... Staat Name Name Depot Manager Logistics Bundesland Region... Name Address Jede Klassifikationsstufe hat eine Menge von Attributen, die Knotenattribute Teil des Schemas des Klassifikationsschemas Shop Supplier Facilities Ulf Leser: Data Warehousing und Data Mining 22
23 Klassifikationspfade Definition Ein Klassifikationspfad P in einem Klassifikationsschema K mit Klassifikationsstufen K s ist eine Menge {p 0,..., p m } K s mit p m = top(k s ) p i, 1 i m: p i-1 p i und q: p i-1 q p i Die Länge des Pfades P ist P =m+1 Der Klassifikationslevel von p i in P ist i Bedeutung P: Zusammenhängende und vollständig geordnete Teilmenge von K s Aggregate werden wir entlang von Pfaden definieren Und damit entlang funktionaler Abhängigkeiten Ulf Leser: Data Warehousing und Data Mining 23
24 Beispielpfade Klassifikationsschema Pfad 1 Pfad 2 TOP TOP TOP Jahr Jahr Quartal Monat Woche Quartal Monat Woche Tag Tag Tag Ulf Leser: Data Warehousing und Data Mining 24
25 Klassifikationsstufen und Pfade Level 4 TOP Level 2 TOP Der Klassifikationslevel einer Stufe ist nur eindeutig in einem Pfad Der Level des größten Elements TOP ist nicht konstant Level 3 Level 2 Level 1 Jahr Quartal Monat Level 1 Woche Wir zählen von unten Level 0 Tag Level 0 Tag Ulf Leser: Data Warehousing und Data Mining 25
26 Klassifikationshierarchie Definition Die Klassifikationshierarchie H zu einem Klassifikationsschema K mit Pfad P ist der Baum mit Knoten N und Kanten E wie folgt: N = knoten( p ) p P i i E = ( n, m) n, m N n m j : n knoten( p ) m knoten( j p j + 1) Bemerkungen Jede Klassifikationshierarchie ist balanciert: Alle Pfade Wurzel- Blatt haben die Länge P Ulf Leser: Data Warehousing und Data Mining 26
27 Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM) Dimensionen und Granularität Beispiel Ulf Leser: Data Warehousing und Data Mining 27
28 Dimension Definition Eine Dimension D=(K, {P 1,...,P j }) besteht aus Einem Klassifikationsschema K Einer Menge von Pfaden P i in K Bemerkungen D muss nicht alle Pfade enthalten, die es in K gibt Theoretisch müssen nicht alle Klassifikationsstufen von K in (mindestens) einem Pfad enthalten sein Aber man wird seine Pfade so wählen, dass dies doch gilt Schreibweise D.k bezeichnet die Klassifikationsstufe k aus D Jedes D.k kann in mehreren Pfaden vorkommen Ulf Leser: Data Warehousing und Data Mining 28
29 Granularität Definition Gegeben eine Menge U von Dimensionen D 1,..., D n. Eine Granularität G über U ist eine Menge {D 1.k 1,...,D n.k n } für die gilt Jedes k i ist eine Klassifikationsstufe in D i Es gibt keine funktionalen Abhängigkeiten zwischen den Klassifikationsstufen verschiedener Dimensionen Bemerkungen Zweite Bedingung ist immer erfüllt, wenn keine funktionalen Abhängigkeiten zwischen Dimensionen bestehen Beispiel: Nicht gleichzeitig Dimensionen Zeit und Fiskalisches Jahr in einer Granularität betrachten Ulf Leser: Data Warehousing und Data Mining 29
30 Erläuterung Mit einer Granularität legt man fest, in welcher Detailstufe Daten beschrieben werden Festlegung für jede Dimension Hyperwürfel in einer bestimmten Auflösung OLAP-Operationen operieren (im Wesentlichen) auf Granularitäten und erzeugen (andere) Granularitäten Navigation entlang von Pfaden Selektion von Knoten Herausschneiden von Dimensionen Durch die Anordnung der Stufen in Pfaden sind Granularitäten halb-geordnet Ulf Leser: Data Warehousing und Data Mining 30
31 Halbordnung auf Granularitäten Definition Auf der Menge aller Granularitäten zu einer Menge U von Dimensionen ist eine Halbordnung wie folgt definiert Sei G 1 ={D 1.k 11,...,D n.k n1 } und G 2 ={D 1.k 12,...,D n.k n2 } Es gilt: G 1 G 2 genau dann wenn i: D i.k i 1 D i.k i 2 Bemerkung D i.k i 1 D i.k i 2 ist auch erfüllt wenn D i.k i1 =D i.k i 2 Halbordnung repräsentiert erlaubte Transformation von Granularitäten Anfrageoptimierung: Wiederverwendung von Aggregaten Ulf Leser: Data Warehousing und Data Mining 31
32 Bereich TOP Beispiel Region TOP Zeit TOP Konzern Staat Jahr Sparte Bundesland Monat Abteilung Shop Tag (B.Sparte, R.Shop, Z.Tag) (B.Sparte, R.Shop, Z.Monat) (B.Sparte, R.TOP, Z.Monat) (B.TOP, R.TOP, Z.TOP) (B.Sparte, R.Staat, Z.Tag)? (B.Konzern, R.Shop, Z.Tag) Ulf Leser: Data Warehousing und Data Mining 32
33 Würfelschema und Würfel Definition Ein Würfelschema WS ist ein Tupel (G,F) mit Einer Granularität G Einer Menge F von Fakten mit F =m Ein Würfel W ist eine Instanz eines Würfelschema (G,F) W = dom( G) dom( F) = knoten( D Bemerkung. k )... knoten( D dom( F )... dom( F Die Werte dom(g) geben die Koordinaten der Werte dom(f) an Würfelschema zu Würfel ist wie Relationenschema zu Relation. k ) 1 1 n n 1 m ) Ulf Leser: Data Warehousing und Data Mining 33
34 Kein Würfelschema Autoverkäufe pro Zeit (Monat, Jahr), Händler und Region (Kreis, Land) Drei Dimensionen Monat Jahr Händler Kreis Land Jahr Land Monat Kreis Händler Aber: EU Recht! Händler Land Damit können wir keine Granularität bauen Jahr Monat Land Kreis Händler Ulf Leser: Data Warehousing und Data Mining 34
35 Semantik von Kanten Die Hierarchie von Klassifikationsstufen wird durch funktionale Abhängigkeiten bestimmt Das beinhaltet keine Aussage zur Semantik von Kanten Bereich Komm.Elektronik Land Brandenburg TOP Güter Hauptabt. Mobilfunk Kreis Potsdam P.gruppe Kleidung Abteilung Dualband Stadt Golm Produkt Hose gehört_zur_ organisationseinheit Geographisches PART_OF IS-A Ulf Leser: Data Warehousing und Data Mining 35
36 Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM) Dimensionen und Granularität Beispiel Ulf Leser: Data Warehousing und Data Mining 36
37 Ein längeres Beispiel Wir bauen ein DWH zur Verwaltung von Lagerbeständen Wir haben viele Lagerhäuser (international verteilt) Messung ist der Zugang oder Abgang von Produkten Jede Messung erzeugt zwei Fakten Bestand und Delta von Artikeln Nur über das eine darf man in der Zeit aggregieren Klassifikationsschema K Zeit: Monat, Quartal, Woche, Jahr Ort: Region, Land Produkt: Artikel, Artikelgruppe, Bereich Ulf Leser: Data Warehousing und Data Mining 37
38 Pfade P 1 : TOP Jahr Quartal Monat P 2 : TOP Woche P 3 : TOP Land Region P 4 : TOP Bereich Artikelgruppe Artikel Entlang der Pfade sind Verdichtungen im Modell sinnvoll Ulf Leser: Data Warehousing und Data Mining 38
39 Klassifikationsknoten Jahr: 1997, 1998, 1999, Quartal: I, II, III, IV (pro Jahr) Woche: 1-52 (pro Jahr) Monate: 1-3 (pro Quartal I), 4-6 (pro Quartal II),... Land: Deutschland, Frankreich, Großbritannien,... Region: Bayern, Berlin,..., Departament1, Departament2,... Bereich: Kleidung, Nahrung, Elektronik,... Artikelgruppe: Oberbekleidung, Unterbekleidung, Kindernahrung, Kleingeräte, TV/Video,... Artikel:... Alle möglichen Ausprägungen der Klassifikationsstufen Ulf Leser: Data Warehousing und Data Mining 39
40 Klassifikationshierarchien Klassifikationshierarchie zu P 1 P 1 : TOP Jahr Quartal Monat TOP I II III IV... Jan Feb Mar... Okt Nov Dez Klassifikationshierarchie zu P 2 P 2 : TOP Woche TOP Ulf Leser: Data Warehousing und Data Mining 40
41 Dimensionen Dimension ZEIT ({Monat, Quartal, Woche, Jahr}, {P 1, P 2 }) Dimension ORT ({Region, Land}, {P 3 }) Dimension PRODUKT ({Artikel, Artikelgruppe, Bereich}, {P 4 }) Dimensionen enthalten mehrere Pfade Ulf Leser: Data Warehousing und Data Mining 41
42 Granularität, Würfel Mögliche Granularitäten G 1 = (Zeit.Woche, Ort.Land, Produkt.Artikel) G 2 = (Zeit.Jahr, Ort.Gebiet, Produkt.TOP) Halbordnung: (Zeit.Tag, Ort.Gebiet, Produkt.Artikel) (Zeit.Jahr, Ort.Gebiet, Produkt.Bereich) (Zeit.Jahr, Ort.TOP, Produkt.Bereich) (Zeit.TOP, Ort.TOP, Produkt.TOP) Würfelschema Granularität plus Menge von Fakten (F 1 =Bestand, F 2 =Delta) Würfel: Instanz des Würfelschemas Konkrete Bewegungen von Produkten aggregiert auf einer bestimmten Detailstufe pro Dimension Ulf Leser: Data Warehousing und Data Mining 42
43 Weiterführende Literatur Vassiliadis, P. (1998). "Modeling Multidimensional Databases, Cubes, and Cube Operations". 10th International Conference on Scientific and Statistical Database Management, Capri, Italy. Rizzi, S., Abello, A., Lechtenbörger, J. and Trujillo, J. (2006). "Research in Data Warehousing Modeling and Design: Dead or Alive?" DOLAP, Arlington, USA. Vetterli, T., Vaduva, A. and Staudt, M. (2000). "Metadata Standards for Data Warehousing: Open Information Model versus Common Warehouse Model." SIGMOD Record 29(3): Ulf Leser: Data Warehousing und Data Mining 43
Data Warehousing und Data Mining
Data Warehousing und Data Mining Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Vom Spreadsheet zum Würfel Multidimensionales Datenmodell (MDDM)
Data Warehousing. Modellierung im DWH Das multidimensionale Datenmodell. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Modellierung im DWH Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik Zusammenfassung: Hubs and Spokes Mart 1 Mart 2 Mart 3 Mart 4 DWH Quelle 1 RDBMS Quelle
Data Warehousing. Modellierung im DWH Das multidimensionale Datenmodell. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Modellierung im DWH Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik Zusammenfassung: Hubs and Spokes Mart 1 Mart 2 Mart 3 Mart 4 DWH Quelle 1 RDBMS Quelle
Data Warehousing und Data Mining
Data Warehousing und Data Mining Das multidimensionale Datenmodell Ulf Leser Wissensmanagement in der Bioinformatik DWH Grobarchitektur: Hubs and Spokes Abgeleitete Sichten Mart 1 Mart 2 Mart 3 Mart 4
1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
WS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Programmiersprachen und Übersetzer
Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch
Data Warehousing und Data Mining
Data Warehousing und Data Mining OLAP Operationen Ein konzeptionelles MDDM Aggregierbarkeit Ulf Leser Wissensmanagement in der Bioinformatik Inhalt dieser Vorlesung Operationen im multidimensionalen Datenmodell
WS 2008/09. Diskrete Strukturen
WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809
Data Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.
Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel
Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
Grundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
10 größten SLA Irrtümer. Seminar: 8663 Service-Level-Agreement. Qualified for the Job
10 größten SLA Irrtümer Seminar: 8663 Service-Level-Agreement Qualified for the Job Die 10 größten SLA-Irrtümer Irrtum 1: Alle Service Levels sind Kennzahlen Irrtum 2: SLAs dürfen keine Plagiate sein Irrtum
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER
Abamsoft Finos im Zusammenspiel mit shop to date von DATA BECKER Abamsoft Finos in Verbindung mit der Webshopanbindung wurde speziell auf die Shop-Software shop to date von DATA BECKER abgestimmt. Mit
Einführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
Idee: Wenn wir beim Kopfknoten zwei Referenzen verfolgen können, sind die Teillisten kürzer. kopf Eine Datenstruktur mit Schlüsselwerten 1 bis 10
Binäre Bäume Bäume gehören zu den wichtigsten Datenstrukturen in der Informatik. Sie repräsentieren z.b. die Struktur eines arithmetischen Terms oder die Struktur eines Buchs. Bäume beschreiben Organisationshierarchien
Business Intelligence Praktikum 1
Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum
15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
Zeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
Was meinen die Leute eigentlich mit: Grexit?
Was meinen die Leute eigentlich mit: Grexit? Grexit sind eigentlich 2 Wörter. 1. Griechenland 2. Exit Exit ist ein englisches Wort. Es bedeutet: Ausgang. Aber was haben diese 2 Sachen mit-einander zu tun?
t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
WS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:
4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen. Wir bringen Qualität. Wir beraten Sie. Wir unterstützen Sie. Wir schaffen Lösungen
Was bedeutet es, ein Redaktionssystem einzuführen? Vorgehensmodell für die Einführung eines Redaktionssystems Die Bedeutung Fast alle Arbeitsabläufe in der Abteilung werden sich verändern Die inhaltliche
7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
Einführung in. Logische Schaltungen
Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von
Rente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
1 3.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind
Hetero-Homogene Data Warehouses
Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung
Korrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
Anmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
Also kann nur A ist roter Südler und B ist grüner Nordler gelten.
Aufgabe 1.1: (4 Punkte) Der Planet Og wird von zwei verschiedenen Rassen bewohnt - dem grünen und dem roten Volk. Desweiteren sind die Leute, die auf der nördlichen Halbkugel geboren wurden von denen auf
Zusatzmodul Lagerverwaltung
P.A.P.A. die kaufmännische Softwarelösung Zusatzmodul Inhalt Einleitung... 2 Definieren der Lager... 3 Zuteilen des Lagerorts... 3 Einzelartikel... 4 Drucken... 4 Zusammenfassung... 5 Es gelten ausschließlich
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,
Ihre Interessentendatensätze bei inobroker. 1. Interessentendatensätze
Ihre Interessentendatensätze bei inobroker Wenn Sie oder Ihre Kunden die Prozesse von inobroker nutzen, werden Interessentendatensätze erzeugt. Diese können Sie direkt über inobroker bearbeiten oder mit
Kapitel 7 Dr. Jérôme Kunegis. Logische Kalküle. WeST Web Science & Technologies
Kapitel 7 Dr. Jérôme Kunegis Logische Kalküle WeST Web Science & Technologies Lernziele Grundideen des Domain-Relationenkalküls (DRK) und des Tupel-Relationenkalküls (TRK) Relationale Datenbank als Formelmenge
10. Vorlesung Spieltheorie in der Nachrichtentechnik
10. Vorlesung Spieltheorie in der Nachrichtentechnik Vorlesung: Eduard Jorswieck Übung: Rami Mochaourab Sommersemester 2010 Kooperative Spiele - Stabile Paarungen Wir studieren Märkte mit zweiseitigen
Datenbanksysteme 2 Frühjahr-/Sommersemester 2014 28. Mai 2014
Lehrstuhl für Praktische Informatik III Prof. Dr. Guido Moerkotte Email: moer@db.informatik.uni-mannheim.de Marius Eich Email: marius.eich@uni-mannheim.de Datenbanksysteme 2 8. Übungsblatt Frühjahr-/Sommersemester
Step by Step Webserver unter Windows Server 2003. von Christian Bartl
Step by Step Webserver unter Windows Server 2003 von Webserver unter Windows Server 2003 Um den WWW-Server-Dienst IIS (Internet Information Service) zu nutzen muss dieser zunächst installiert werden (wird
1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
Musterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
Hochschule Karlsruhe Klausur EAI Prof. Dr. Christian Pape. Klausur EAI WS 05/06. Note: Bearbeitungszeit 90 Minuten Keine Hilfsmittel
Klausur EAI WS 05/06 Aufgabe a) b) c) d) Punkte Gesamtpunkte (max. 90): Note: Bearbeitungszeit 90 Minuten Keine Hilfsmittel Tragen Sie als erstes Ihren vollständigen Namen und Ihre Matrikelnummer ein.
Theoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
9 Auto. Rund um das Auto. Welche Wörter zum Thema Auto kennst du? Welches Wort passt? Lies die Definitionen und ordne zu.
1 Rund um das Auto Welche Wörter zum Thema Auto kennst du? Welches Wort passt? Lies die Definitionen und ordne zu. 1. Zu diesem Fahrzeug sagt man auch Pkw oder Wagen. 2. kein neues Auto, aber viel billiger
Updatehinweise für die Version forma 5.5.5
Updatehinweise für die Version forma 5.5.5 Seit der Version forma 5.5.0 aus 2012 gibt es nur noch eine Office-Version und keine StandAlone-Version mehr. Wenn Sie noch mit der alten Version forma 5.0.x
Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
Projektmanagement für Ingenieure
Springer Vieweg PLUS Zusatzinformationen zu Medien von Springer Vieweg Projektmanagement für Ingenieure Ein praxisnahes Lehrbuch für den systematischen Projekterfolg 2013 2. Auflage Kapitel 9 Lösungen
6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
Repetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
How to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access. Die Grundlagen der Datenbanken.
In diesem Thema lernen wir die Grundlagen der Datenbanken kennen und werden diese lernen einzusetzen. Access Die Grundlagen der Datenbanken kurspc15 Inhaltsverzeichnis Access... Fehler! Textmarke nicht
Kapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken
Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen
1 Aussagenlogik und Mengenlehre
1 Aussagenlogik und engenlehre 1.1 engenlehre Definition (Georg Cantor): nter einer enge verstehen wir jede Zusammenfassung von bestimmten wohl unterschiedenen Objekten (m) unserer Anschauung oder unseres
Übungen zur Softwaretechnik
Technische Universität München Fakultät für Informatik Lehrstuhl IV: Software & Systems Engineering Markus Pister, Dr. Bernhard Rumpe WS 2002/2003 Lösungsblatt 9 17. Dezember 2002 www4.in.tum.de/~rumpe/se
Barrierefreie Webseiten erstellen mit TYPO3
Barrierefreie Webseiten erstellen mit TYPO3 Alternativtexte Für jedes Nicht-Text-Element ist ein äquivalenter Text bereitzustellen. Dies gilt insbesondere für Bilder. In der Liste der HTML 4-Attribute
In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können.
Tutorial: Wie erfasse ich einen Termin? In diesem Tutorial lernen Sie, wie Sie einen Termin erfassen und verschiedene Einstellungen zu einem Termin vornehmen können. Neben den allgemeinen Angaben zu einem
Tipps & Tricks Neuerungen Nr. 5/ 2015. Externe Web-Shops im UniKat für Laborverbrauchsmaterial & Chemikalien
Tipps & Tricks Neuerungen Nr. 5/ 2015 V01 08-06-2015 Externe Web-Shops im UniKat für Laborverbrauchsmaterial & Chemikalien Inhalt Einleitung... 2 Externe Web-Shops auswählen... 3 Artikelsuche und Artikelauswahl...
Übungsklausur vom 7. Dez. 2007
Übungsklausur vom 7. Dez. 2007 Ein Lösungsmuster Teilbereiche der Softwaretechnik Software Anforderungen Software Entwurf Software Konstruktion Software Test Software Wartung Software Konfigurationsmanagement
Professionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Objektorientierte Programmierung für Anfänger am Beispiel PHP
Objektorientierte Programmierung für Anfänger am Beispiel PHP Johannes Mittendorfer http://jmittendorfer.hostingsociety.com 19. August 2012 Abstract Dieses Dokument soll die Vorteile der objektorientierten
SENSIBILISIERUNG FÜR CYBERSICHERHEIT: RISIKEN FÜR VERBRAUCHER DURCH ONLINEVERHALTEN
SENSIBILISIERUNG FÜR CYBERSICHERHEIT: RISIKEN FÜR VERBRAUCHER DURCH ONLINEVERHALTEN Oktober 2013 Der Oktober ist in den USA der National Cyber Security Awareness -Monat, in dem der öffentliche und der
Übungsblatt 4. Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin)
Übungsblatt 4 Aufgabe 7: Datensicht Fachkonzept (Klausur SS 2002, 1. Termin) Die Saartal Linien beauftragen Sie mit dem Entwurf der Datenstrukturen für ein Informationssystem. Dieses soll zur Verwaltung
Beweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
Erstellen von x-y-diagrammen in OpenOffice.calc
Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei
SharePoint Demonstration
SharePoint Demonstration Was zeigt die Demonstration? Diese Demonstration soll den modernen Zugriff auf Daten und Informationen veranschaulichen und zeigen welche Vorteile sich dadurch in der Zusammenarbeit
Hilfe zur Urlaubsplanung und Zeiterfassung
Hilfe zur Urlaubsplanung und Zeiterfassung Urlaubs- und Arbeitsplanung: Mit der Urlaubs- und Arbeitsplanung kann jeder Mitarbeiter in Coffee seine Zeiten eintragen. Die Eintragung kann mit dem Status anfragen,
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Statuten in leichter Sprache
Statuten in leichter Sprache Zweck vom Verein Artikel 1: Zivil-Gesetz-Buch Es gibt einen Verein der selbstbestimmung.ch heisst. Der Verein ist so aufgebaut, wie es im Zivil-Gesetz-Buch steht. Im Zivil-Gesetz-Buch
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
Stellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Windows 7 - Whoami. Whoami liefert Informationen wie z.b. die SID, Anmelde-ID eines Users, sowie Gruppenzuordnungen, Berechtigungen und Attribute.
Bei Windows 8/7 und Vista ist die Benutzerverwaltung, die zentrale Stelle zur Verwaltung der angelegten Benutzer. Wer weitere Informationen zu einem Benutzer erfahren möchte, der nutzt den DOS Befehl whoami.
EasyWk DAS Schwimmwettkampfprogramm
EasyWk DAS Schwimmwettkampfprogramm Arbeiten mit OMEGA ARES 21 EasyWk - DAS Schwimmwettkampfprogramm 1 Einleitung Diese Präsentation dient zur Darstellung der Zusammenarbeit zwischen EasyWk und der Zeitmessanlage
Tutorium Algorithmen & Datenstrukturen
June 16, 2010 Binärer Baum Binärer Baum enthält keine Knoten (NIL) besteht aus drei disjunkten Knotenmengen: einem Wurzelknoten, einem binären Baum als linken Unterbaum und einem binären Baum als rechten
IRF2000 Application Note Lösung von IP-Adresskonflikten bei zwei identischen Netzwerken
Version 2.0 1 Original-Application Note ads-tec GmbH IRF2000 Application Note Lösung von IP-Adresskonflikten bei zwei identischen Netzwerken Stand: 27.10.2014 ads-tec GmbH 2014 IRF2000 2 Inhaltsverzeichnis
Unterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
Zwei einfache Kennzahlen für große Engagements
Klecksen nicht klotzen Zwei einfache Risikokennzahlen für große Engagements Dominik Zeillinger, Hypo Tirol Bank Die meisten Banken besitzen Engagements, die wesentlich größer sind als der Durchschnitt
SJ OFFICE - Update 3.0
SJ OFFICE - Update 3.0 Das Update auf die vorherige Version 2.0 kostet netto Euro 75,00 für die erste Lizenz. Das Update für weitere Lizenzen kostet jeweils netto Euro 18,75 (25%). inkl. Programmsupport
Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik).
1) Handytarif Der monatliche Tarif für ein Handy wurde als lineare Funktion der Form f(x) = k x + d modelliert (siehe Grafik). Euro Gesprächsminuten Tragen Sie in der folgenden Tabelle ein, welche Bedeutung
Der Zwei-Quadrate-Satz von Fermat
Der Zwei-Quadrate-Satz von Fermat Proseminar: Das BUCH der Beweise Fridtjof Schulte Steinberg Institut für Informatik Humboldt-Universität zu Berlin 29.November 2012 1 / 20 Allgemeines Pierre de Fermat
Auswertung des Fragebogens zum CO2-Fußabdruck
Auswertung des Fragebogens zum CO2-Fußabdruck Um Ähnlichkeiten und Unterschiede im CO2-Verbrauch zwischen unseren Ländern zu untersuchen, haben wir eine Online-Umfrage zum CO2- Fußabdruck durchgeführt.
Wurzeln als Potenzen mit gebrochenen Exponenten. Vorkurs, Mathematik
Wurzeln als Potenzen mit gebrochenen Exponenten Zur Einstimmung Wir haben die Formel benutzt x m n = x m n nach der eine Exponentialzahl potenziert wird, indem man die Exponenten multipliziert. Dann sollte
Data Warehousing. Operationen im multidimensionalen Datenmodell Graphische MDDM Summierbarkeit. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Operationen im multidimensionalen Datenmodell Graphische MDDM Summierbarkeit Ulf Leser Wissensmanagement in der Bioinformatik Klassifikationsschema Definition Ein Klassifikationsschema
Information Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
Veröffentlichen von Apps, Arbeitsblättern und Storys. Qlik Sense 2.0.6 Copyright 1993-2015 QlikTech International AB. Alle Rechte vorbehalten.
Veröffentlichen von Apps, Arbeitsblättern und Storys Qlik Sense 2.0.6 Copyright 1993-2015 QlikTech International AB. Alle Rechte vorbehalten. Copyright 1993-2015 QlikTech International AB. Alle Rechte
Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
Darstellungsformen einer Funktion
http://www.flickr.com/photos/sigfrid/348144517/ Darstellungsformen einer Funktion 9 Analytische Darstellung: Eplizite Darstellung Funktionen werden nach Möglichkeit eplizit dargestellt, das heißt, die
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
Was ist Sozial-Raum-Orientierung?
Was ist Sozial-Raum-Orientierung? Dr. Wolfgang Hinte Universität Duisburg-Essen Institut für Stadt-Entwicklung und Sozial-Raum-Orientierte Arbeit Das ist eine Zusammen-Fassung des Vortrages: Sozialräume
Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff