Der Satz vom Diktator
|
|
- Bastian Lenz
- vor 6 Jahren
- Abrufe
Transkript
1 Prof. Dr. Michael Eisermann Institut für Geometrie und Topologie Der Satz vom Diktator Kenneth Arrows geniale Antwort auf die Frage Wie schreibe ich meine Doktorarbeit in fünf Tagen und erhalte dafür den Wirtschaftsnobelpreis? Try Science! Workshop Mathematik für Schülerinnen und Schüler März 2017, Uhr
2 Kenneth Arrow ( ) 003
3 Wozu dient Mathematik? 008 T h e o r i e / M a t h e m a t i k Modell grundlegende Eigenschaften Formulierung von Axiomen analysieren folgern Theorie aufbauende Eigenschaften Regeln, Sätze, Beweise modellieren auswählen abstrahieren vereinfachen? konkretisieren spezialisieren kalibrieren anpassen Empirie Beobachtung / Experiment Erfahrungen, Probleme, Ziele anpassen überprüfen Anwendung Interpretation der Ergebnisse Überprüfung des Modells R e a l i t ä t / A n w e n d u n g Es gibt nichts Praktischeres als eine gute Theorie. (Immanuel Kant)
4 Problemstellung 101 Beispiel: Eine vierköpfige Familie {1, 2, 3, 4} plant ihren gemeinsamen Urlaub. Zur Wahl stehen a = Venedig, b = London, c = Paris. 1 : b c a 2 : a c b 3 : a b c 4 : c b a Was ist ein sinnvoller Kompromiss? rational? nachvollziehbar? gerecht? Beispiel: A = {a, b, c,...} sind Gesetzesvorlagen, jeder Abgeordnete i hat seine Präferenz P i. Gesucht ist ein Abstimmungsergebnis P. Beispiel: A = {a, b, c,...} sind Universitäten, P i ist das Ranking nach Kriterium i. Gesucht ist ein zusammengefasstes Ranking P. Beispiel: Berufung eines Professors, Kandidaten A = {a, b, c,...}. Die Kriterien sind Forschung, Lehre, Drittmittel, Administration.
5 Präferenzen 105 Sei A = {a, b, c,...} die Menge der betrachteten Alternativen, A 2. Schwache Präferenz: x y bedeutet x ist mindestens so gut wie y. Indifferenz/Äquivalenz: x y bedeutet x y und y x. Strikte Präferenz: x y bedeutet x y und nicht y x. Definition A1 (Präferenz) Für jede Präferenz fordern wir gewisse Grundregeln: Transitivität: Gilt x y und y z, so auch x z. Linearität: Für jedes Paar x, y A gilt x y oder y x.
6 Präferenzen 107 Aufgabe: Wie viele Präferenzen gibt es auf der Menge A = {a, b}? Lösung: Es gibt genau drei Präferenzen, nämlich: b a = P a b Aufgabe: Wie viele Präferenzen gibt es auf der Menge A = {a, b, c}? Lösung: Es gibt genau 13 Präferenzen, nämlich: c c a c b b a c b a c c a b b c a a b c = P c a c b c b a b c a (strikte Präferenzen) a b c
7 Wahlverfahren für 2 Individuen und 2 Alternativen 109 Aufgabe: Zählen Sie alle möglichen Abstimmungen (Voten) auf bei zwei Individuen, I = {1, 2}, und zwei Alternativen, A = {a, b}. Was ist jeweils das Ergebnis bei Mehrheitswahl M? Lösung: 1 : 2 : 1 : 2 : b a a b 1 : 2 : a b 1 : b a 2 : a b 1 : b a 2 : b a b a 1 : b a 2 : a b b a 1 : a b 2 : 1 : a b 2 : b a b a 1 : a b 2 : a b a b Dies definiert das Wahlverfahren M : P P P : (P 1, P 2 ) P.
8 Wahlverfahren für 2 Individuen und 2 Alternativen 111 Aufgabe: Beschreiben Sie ebenso folgendes Wahlverfahren D 1 : Allein 1 entscheidet. (Das ist die lupenreine Diktatur.) Lösung: 1 : 2 : 1 : 2 : b a 1 : 2 : a b 1 : b a 2 : b a 1 : b a 2 : b a b a 1 : b a 2 : a b b a 1 : a b 2 : a b 1 : a b 2 : b a b a 1 : a b 2 : a b a b Dies definiert das Wahlverfahren D 1 : P P P : (P 1, P 2 ) P.
9 Wahlverfahren für 2 Individuen und 2 Alternativen 112 Aufgabe: Beschreiben Sie ebenso folgendes Wahlverfahren D 1,2 : Allein 1 entscheidet, nur bei Indifferenz entscheidet 2. Lösung: 1 : 2 : 1 : 2 : b a 1 : 2 : a b 1 : b a 2 : b a 1 : b a 2 : b a b a 1 : b a 2 : a b b a 1 : a b 2 : 1 : a b 2 : b a b a 1 : a b 2 : a b a b Dies definiert das Wahlverfahren D 1,2 : P P P : (P 1, P 2 ) P.
10 Wahlverfahren: allgemeine Definition 201 Gegeben sei die Menge I = {1, 2,..., n} der Individuen/Kriterien, n 2, und die Menge A = {a, b, c,...} der Alternativen/Kandidaten, A 2. Wie oben erklärt sei P die Menge aller Präferenzen auf A. Definition B1 (Wahlverfahren) Ein Wahlverfahren V ist eine Funktion V : P n P : (P 1, P 2,..., P n ) P. Beispiel: (Diktatur) Zu k I definieren wir die Funktion D k : P n P : (P 1, P 2,..., P n ) P k. Definition B2 (Diktator) Ein Element k I heißt Diktator, wenn aus x k y stets x y folgt.
11 Mehrheitswahl für n Individuen und 2 Alternativen 203 In diesem Abschnitt bestehe A = {a, b} aus zwei Alternativen, a b. Die Menge I = {1, 2,..., n} der Individuen ist beliebig, mit n 2. Aufgabe: Formulieren Sie die Mehrheitswahl durch Stimmenzählung, M : P n P : (P 1, P 2,..., P n ) P. Lösung: Genau dann gilt x y, wenn { i x i y } { i y i x }. Aufgabe: Sei µ : I [0, 1] eine Gewichtung mit µ(1) + + µ(n) = 1. Formulieren Sie die Mehrheitswahl durch gewichtete Stimmenzählung, M µ : P n P : (P 1, P 2,..., P n ) P. Lösung: Genau dann gilt x y, wenn µ{ i x i y } µ{ i y i x }. Für µ = ( 1 /n, 1 /n,..., 1 /n) erhalten wir M µ = M wie oben. Die Diktatur D k = M µ entspricht µ(k) = 1 und µ(i) = 0 für i k.
12 Gute Eigenschaften / sinnvolle Forderungen 205 Die Mehrheitswahl erfreut sich folgender Eigenschaften: (E) Einhelligkeit: Gilt a i b für alle i I, so folgt. I : (M) Monotonie: Angenommen, (P 1, P 2,..., P n ) P ergibt a b, und bei einem Vergleichswahlgang (P 1, P 2,..., P n) P wächst die Unterstützung für a und sinkt die Unterstützung für b. Dann gilt a b. : J J : a b a b : U U : a b b a : K K : b a a b = a b
13 Gute Eigenschaften / sinnvolle Forderungen 207 Aus Monotonie folgt Unabhängigkeit von irrelevanten Alternativen: (U) Sind bei (P 1,..., P n ) P und (P 1,..., P n) P alle individuellen Präferenzen zwischen a und b gleich, so auch das Ergebnis. : J = J : a b a b : U = U : a b b a : K = K : b a a b a b (S) Symmetrie: Das Ergebnis ändert sich nicht bei Umordnung; V (P 1, P 2,..., P n ) = V (P τ1, P τ2,..., P τn ) für jede Umordnung τ.
14 Mehrheitswahl mit Schranken α = β = 0 +1 Wir bilden die Differenz δ = µ{ i a i b } µ{ i b i a } und setzen b a falls δ < β, a b falls β δ α, falls δ > α. 1 β α +1 Beispiel: Bei α = β = 1 /3 benötigt a eine Zweidrittelmehrheit. 1 β = α = 1 /3 +1 Was kann eine Teilmenge J I mit Stimmgewicht µ(j) = 1 /2 erreichen? Sie kann b a erzwingen, aber nicht, nur a b verhindern. (Veto)
15 Wahlverfahren für zwei Alternativen 211 Zusammenfassung wichtiger Wahlverfahren und ihrer Eigenschaften: (E) (M) ( D) (S) einhellig monoton nicht-diktatorisch symmetrisch Diktatur D k Mehrheitswahl M mit Gewichtung M µ ( ) ( ) mit Schranken M µ,α,β ( ) ( ) Ein Wahlverfahren ist eine Funktion V : P n P : (P 1, P 2,..., P n ) P. Wir nennen V perfekt, wenn die Zuordnung (P 1, P 2,..., P n ) P einhellig, monoton und nicht-diktatorisch ist.
16 Das Paradox von Condorcet 301 Können wir paarweise Stimmzählung auf drei Alternativen anwenden? Wir setzen x y genau dann, wenn { i x i y } { i y i x } Aufgabe: Ist dies ein Wahlverfahren C : P n P : (P 1, P 2,..., P n ) P? 40% : c 35% : b c a 25% : c Lösung: Nein! Es gibt Gegenbeispiele wie die obige Abstimmung. Stimmzählung: 65% sagen, 75% sagen b c, 60% sagen c a. Satz C1 (Nicolas de Condorcet, 1785) Für A 3 ist die paarweise Stimmzählung kein Wahlverfahren P n P. Aufgabe: Entwickeln Sie Wahlverfahren für drei und mehr Alternativen! Welche guten Eigenschaften können Sie erreichen? Gelingen alle?
17 Arrows Satz vom Diktator 309 Satz C2 (Satz vom Diktator, Kenneth Arrow 1951) Die Menge A bestehe aus drei oder mehr Alternativen. Erfüllt V : P n P die Forderungen der Einhelligkeit und Monotonie, so ist V diktatorisch.
18 Entscheidende Teilmengen 310 Definition C3 (entscheidende Teilmengen) Eine Teilmenge J I heißt entscheidend für (a, b), wenn sie das Ergebnis erzwingen kann, auch entgegen allen anderen. J : I J : b a Dank Einhelligkeit ist I entscheidend für jedes Paar (a, b). Die leere Menge ist hingegen niemals entscheidend. Bei Mehrheitswahl M µ : P n P ist J I entscheidend, wenn µ(j) > 1 2. Bei der Diktatur D k : P n P ist J I entscheidend, wenn k J gilt. Hier ist J = {k} die minimale entscheidende Teilmenge.
19 Entscheidende Teilmengen 311 Lemma C4 (Entscheidend bedeutet allmächtig.) Es gebe mindestens drei Alternativen, A 3. Ist eine Teilmenge J I entscheidend für ein Paar (a, b), so ist J entscheidend für alle Paare. Wir untersuchen folgende Abstimmung: J : x I J : b x a Es folgt x a dank Einhelligkeit und, denn J ist entscheidend, also x b dank Transitivität. Dank UIA ist J entscheidend für (x, b). Ebenso analysieren wir folgende Abstimmung: J : y I J : b y a Es folgt b y dank Einhelligkeit und, denn J ist entscheidend, also a y dank Transitivität. Dank UIA ist J entscheidend für (a, y). So fortfahrend können wir (a, b) zu jedem Paar (x, y) tauschen. QED
20 Beweis des Satzes vom Diktator 312 Sei J I entscheidend und minimal. Sei k J. Wir untersuchen folgende Abstimmung (à la Condorcet): k : a x b J k : b a x I J : x b a Zunächst folgt a x, denn J ist entscheidend. Gälte b x, so wäre J k entscheidend und J nicht minimal. Dank Linearität folgt x b. Dank Transitivität folgt. Nur das Individuum k wertet, alle anderen werten b a. Somit ist k entscheidend für das Paar (a, b), also für alle Paare. Demnach ist k ein Diktator! QED
21 Zusammenfassung und Interpretation 313 Gegeben sei die Menge I = {1, 2,..., n} der Individuen/Kriterien, n 2, und die Menge A = {a, b, c,...} der Alternativen/Kandidaten, A 2. Eine Präferenz ist eine transitive und lineare Relation auf A. Sei P die Menge aller Präferenzen auf A. Ein Wahlverfahren ist eine Funktion V : P n P : (P 1, P 2,..., P n ) P. Wir nennen V perfekt, wenn die Zuordnung (P 1, P 2,..., P n ) P einhellig und monoton und nicht-diktatorisch ist. Korollar C5 (Arrows Un/Möglichkeitssatz) Für A = 2 gibt es (mehrere) perfekte Wahlverfahren. Für A 3 gibt es kein perfektes Wahlverfahren.
22 Wozu dient Mathematik? 316 T h e o r i e / M a t h e m a t i k Modell grundlegende Eigenschaften Formulierung von Axiomen analysieren folgern Theorie aufbauende Eigenschaften Regeln, Sätze, Beweise modellieren auswählen abstrahieren vereinfachen? konkretisieren spezialisieren kalibrieren anpassen Empirie Beobachtung / Experiment Erfahrungen, Probleme, Ziele anpassen überprüfen Anwendung Interpretation der Ergebnisse Überprüfung des Modells R e a l i t ä t / A n w e n d u n g Es gibt nichts Praktischeres als eine gute Theorie. (Immanuel Kant)
Wie kann man beweisen, dass (H, ) eine Gruppe ist?
Wie kann man beweisen, dass (H, ) eine Gruppe ist? Wie kann man beweisen, dass (H, ) eine Gruppe ist? (zb wenn die Multiplikation mit Hilfe einer Tabelle gegeben ist) Wie kann man beweisen, dass (H, )
MehrVorlesung. Funktionen/Abbildungen 1
Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehr3. Zusammenhang. 22 Andreas Gathmann
22 Andreas Gathmann 3. Zusammenhang Eine der anschaulichsten Eigenschaften eines topologischen Raumes ist wahrscheinlich, ob er zusammenhängend ist oder aus mehreren Teilen besteht. Wir wollen dieses Konzept
MehrCondorcet-Paradox (der sozialen Entscheidung mit einfacher Mehrheit)
1 - wipo060215.doc Condorcet-Paradox (der sozialen Entscheidung mit einfacher Mehrheit) Problem: Wenn mindestens drei Personen unter mindestens drei Optionen auszuwählen haben, dann ist es möglich, daß
MehrMathematik 1. Lösungsvorschläge zum 2. Übungsblatt
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Wintersemester 0/0 Wirtschaftsinformatik Bachelor IW Informatik Bachelor IN Vorlesung Mathematik Mathematik Lösungsvorschläge zum Übungsblatt
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
MehrKombinatorische Optimierung
Juniorprof. Dr. Henning Meyerhenke 1 Henning Meyerhenke: KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Vorlesung 1 Programm des
MehrWS 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
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrAspekte kollektiver Entscheidungen
Aspekte kollektiver Entscheidungen 1. Das Wahlparadoxon Bei Mehrheitswahl kann es sein, dass es kein Gleichgewicht gibt: Dies wurde bereits 1785 vom Marquis de Condorcet (1743-1794) erkannt. Als Beispiel
MehrWintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung
Wintersemester 2005/2006 Gedächtnisprotokoll der mündlichen Prüfung Ulrich Loup 24.03.2006 Prüfungsstoff: Alegebra I, Analysis IV, Graphentheorie I Prüfer: Prof. Dr. Wilhelm Plesken Protokollant: Dipl.
Mehr3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper
32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt
MehrEinführung 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
MehrDiskrete Mathematik für Informatiker
Diskrete Mathematik für Informatiker Markus Lohrey Universität Siegen Wintersemester 2014/2015 Lohrey (Universität Siegen) Diskrete Mathematik Wintersem. 2014/2015 1 / 344 Organisatorisches zur Vorlesung
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
Mehra n + 2 1 auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert:
Beispiel: Wir untersuchen die rekursiv definierte Folge a 0 + auf Konvergenz. Berechnen der ersten paar Folgenglieder liefert: ( ) (,, 7, 5,...) Wir können also vermuten, dass die Folge monoton fallend
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrEine mathematische Reise ins Unendliche. Peter Koepke Universität Bonn
Eine mathematische Reise ins Unendliche Peter Koepke Universität Bonn Treffen sich die Schienen im Unendlichen? Gibt es unendlich ferne Punkte? Gibt es unendliche Zahlen? 1 Antwort: Nein! , so prostestire
Mehrw a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2
1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba
MehrMathematische Modelle in Angewandten Wissenschaften
Mathematische Modelle in Angewandten Wissenschaften LVA 405.880 C. Fuchs Inhaltsübersicht 14.12.2015 Inhaltsübersicht Diese Lehrveranstaltung dient zur Finalisierung der mathematischen Ausbildung im Lehramtsstudium
MehrKorrelation (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
MehrGibt es verschiedene Arten unendlich? Dieter Wolke
Gibt es verschiedene Arten unendlich? Dieter Wolke 1 Zuerst zum Gebrauch des Wortes unendlich Es wird in der Mathematik in zwei unterschiedlichen Bedeutungen benutzt Erstens im Zusammenhang mit Funktionen
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrDidaktik der Zahlbereiche 4. Die Menge der ganzen Zahlen. Mathematikunterricht in der Jahrgangsstufe 7. Zahlbereichserweiterungen in der Hauptschule
Zahlbereichserweiterungen in der Hauptschule Didaktik der Zahlbereiche 4 Dr. Christian Groß Lehrstuhl Didaktik der Mathematik Universität Augsburg Wintersemester 2006/07 Natürliche Zahlen, : Klasse 5 positive
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrKapitel 7: Formaler Datenbankentwurf
7. Formaler Datenbankentwurf Seite 1 Kapitel 7: Formaler Datenbankentwurf Die Schwierigkeiten der konzeptuellen Modellierung sind zu einem großen Teil dadurch begründet, dass sich die relevanten Strukturen
Mehr4. Woche Decodierung; Maximale, Perfekte und Optimale Codes. 4. Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140
4 Woche Decodierung; Maximale, Perfekte und Optimale Codes 4 Woche: Decodierung; Maximale, Perfekte und Optimale Codes 69/ 140 Szenario für fehlerkorrigierende Codes Definition (n, M)-Code Sei C {0, 1}
MehrFixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind
Mehr10. 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
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 8: kontextfreie Grammatiken Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2009/2010 1/37 Überblick Kontextfreie Grammatiken
MehrGuten Morgen und Willkommen zur Saalübung!
Guten Morgen und Willkommen zur Saalübung! 1 Wie gewinnt man ein Spiel? Was ist ein Spiel? 2 Verschiedene Spiele Schach, Tic-Tac-Toe, Go Memory Backgammon Poker Nim, Käsekästchen... 3 Einschränkungen Zwei
MehrGrundlagen Theoretischer Informatik I SoSe 2011 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de
Grundlagen Theoretischer Informatik I SoSe 2011 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Grundlagen Theoretischer Informatik I Gesamtübersicht Organisatorisches; Einführung Logik
Mehr1. 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:
MehrOptimierung. Optimierung. Vorlesung 7 Lineare Programmierung II. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 7 Lineare Programmierung II 1 Lineare Programme Lineares Programm: Lineare Zielfunktion Lineare Nebenbedingungen (Gleichungen oder Ungleichungen) Spezialfall der konvexen Optimierung
MehrFormale Sprachen. Der Unterschied zwischen Grammatiken und Sprachen. Rudolf Freund, Marian Kogler
Formale Sprachen Der Unterschied zwischen Grammatiken und Sprachen Rudolf Freund, Marian Kogler Es gibt reguläre Sprachen, die nicht von einer nichtregulären kontextfreien Grammatik erzeugt werden können.
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrWie löst man Mathematikaufgaben?
Wie löst man Mathematikaufgaben? Manfred Dobrowolski Universität Würzburg Wie löst man Mathematikaufgaben? 1 Das Schubfachprinzip 2 Das Invarianzprinzip 3 Das Extremalprinzip Das Schubfachprinzip Verteilt
MehrRSA-Verschlüsselung. von Johannes Becker Gießen 2006/2008
RSA-Verschlüsselung von Johannes Becker Gießen 2006/2008 Zusammenfassung Es wird gezeigt, wieso das nach Ronald L. Rivest, Adi Shamir und Leonard Adleman genannte RSA-Krptosstem funktioniert, das mittlerweile
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrZusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
MehrQualitative Datenanalyse
Qualitative Datenanalyse Prof. Dr. Stefan E. Schmidt Francesco Kriegel TU Dresden Fakultät Mathematik Institut Algebra SS 2007 28. September 2008 Inhaltsverzeichnis Kapitel 1 Formale Begriffsanalyse 1
Mehr1 Das Lemma von Burnside und seine Anwendungen
Das Lemma von Burnside und seine Anwendungen Mit dem Lemma von Burnside lassen sich Zählprobleme lösen, bei denen Symmetrien eine Rolle spielen. Betrachten wir als einführendes Beispiel die Anzahl der
MehrLenstras Algorithmus für Faktorisierung
Lenstras Algorithmus für Faktorisierung Bertil Nestorius 9 März 2010 1 Motivation Die schnelle Faktorisierung von Zahlen ist heutzutage ein sehr wichtigen Thema, zb gibt es in der Kryptographie viele weit
MehrIst Ihre persönliche Visitenkarte am Telefon und bestimmt den Grundeindruck durch:
Telefon-Marketing Ist Ihre persönliche Visitenkarte am Telefon und bestimmt den Grundeindruck durch: Ihre Stimme - Ihre Sprache - Ihre Sprechweise Grundregeln für das aktive Telefongespräch Gesprächsvorbereitung:
MehrWas ist Entscheidungstheorie?
Was ist Entscheidungstheorie? Verschiedene Typen der Entscheidungstheorie Individualentscheidungen Normative Klassische Ökonomie Theorien Statistische Entsch.-th. Moralphilosophie Deskriptive Lerntheorie
Mehr2. Vorlesung. Slide 40
2. Vorlesung Slide 40 Knobelaufgabe Was tut dieses Programm? Informell Formal Wie stellt man dies sicher? knobel(a,b) { Wenn a = 0 dann return b sonst { solange b 0 wenn a > b dann { a := a - b sonst b
MehrAlgorithmentheorie. 13 - Maximale Flüsse
Algorithmentheorie 3 - Maximale Flüsse Prof. Dr. S. Albers Prof. Dr. Th. Ottmann . Maximale Flüsse in Netzwerken 5 3 4 7 s 0 5 9 5 9 4 3 4 5 0 3 5 5 t 8 8 Netzwerke und Flüsse N = (V,E,c) gerichtetes Netzwerk
MehrDefinition 27 Affiner Raum über Vektorraum V
Definition 27 Affiner Raum über Vektorraum V Definition 27 Affiner Raum über Vektorraum V ist die Menge A = Definition 27 Affiner Raum über Vektorraum V ist die Menge A = mit einer Abbildung + : A V A,
MehrApproximationsalgorithmen
Makespan-Scheduling Kapitel 4: Approximationsalgorithmen (dritter Teil) (weitere Beispiele und Illustrationen an der Tafel) Hilfreiche Literatur: Vazarani: Approximation Algorithms, Springer Verlag, 2001.
MehrBisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners
1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man
MehrLösungen zur Vorrundenprüfung 2006
Lösungen zur Vorrundenprüfung 2006 Zuerst einige Bemerkungen zum Punkteschema. Eine vollständige und korrekte Lösung einer Aufgabe ist jeweils 7 Punkte wert. Für komplette Lösungen mit kleineren Fehlern
MehrLiteratur zu geometrischen Konstruktionen
Literatur zu geometrischen Konstruktionen Hadlock, Charles Robert, Field theory and its classical problems. Carus Mathematical Monographs, 19. Mathematical Association of America, Washington, D.C., 1978.
MehrTECHNISCHE UNIVERSITÄT DRESDEN. Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra
TECHNISCHE UNIVERSITÄT DRESDEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik Institut für Algebra Halbgruppen binärer Relationen auf einer 3-elementigen Menge Arbeit im Rahmen des
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrEinführung. 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
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrKapitel 4. Euklidische Ringe und die Jordansche Normalform. 4.1 Euklidische Ringe
Kapitel 4 Euklidische Ringe und die Jordansche Normalform 4.1 Euklidische Ringe Die Ringe der ganzen Zahlen, Z, sowie Polynomringe über Körpern, K[X], wobei K ein Körper ist, haben die folgenden Gemeinsamheiten:
MehrProbabilistische Primzahltests
Probabilistische Primzahltests Daniel Tanke 11. Dezember 2007 In dieser Arbeit wird ein Verfahren vorgestellt, mit welchem man relativ schnell testen kann, ob eine ganze Zahl eine Primzahl ist. Für einen
Mehr2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik
Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,
MehrZusammenfalten des Post schen Verbandes mittels Operationen aus binären booleschen Funktionen
Institut für Informatik der Bayerischen Julius Maximilians Universität Würzburg Zusammenfalten des Post schen Verbandes mittels Operationen aus binären booleschen Funktionen Studienarbeit von Christian
MehrFinanzmathematik Bachelorarbeit aus Mathematische Modelle in den Naturwissenschaften im WS 2010
Finanzmathematik Bachelorarbeit aus Mathematische Modelle in den Naturwissenschaften im WS 2010 Harald Hinterleitner (0755828) und Christof Schöffl (0686939) 28. März 2010 Inhaltsverzeichnis 1 Ein-Perioden-Wertpapiermärkte
MehrVon optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen. Schülerwoche der Bonner Mathematik 2013
Von optimaler Partnerwahl, minimalen Schnitten und maximalen Flüssen Schülerwoche der Bonner Mathematik 203 3. September 203 Dr. Lisa Beck Hausdorff Center for Mathematics Universität Bonn Einleitung Ziel
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,
MehrWas ist Mathematik? Eine Strukturwissenschaft, eine Geisteswissenschaft, aber keine Naturwissenschaft.
Vorlesung 1 Einführung 1.1 Praktisches Zeiten: 10:00-12:00 Uhr Vorlesung 12:00-13:00 Uhr Mittagspause 13:00-14:30 Uhr Präsenzübung 14:30-16:00 Uhr Übungsgruppen Material: Papier und Stift wacher Verstand
MehrZusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke
MehrBP S600: Hinweise zum Auftrag Ausgangsdiagnose Mathematik
BP S600: Hinweise zum Auftrag Ausgangsdiagnose Mathematik Im Auftrag Binnendifferenzierung ist das Vorgehen zur Wahrnehmung der fachspezifischen Kompetenzen beschrieben. In dieser Unterlage finden Sie
MehrBeispiele für Relationen
Text Relationen 2 Beispiele für Relationen eine Person X ist Mutter von einer Person Y eine Person X ist verheiratet mit einer Person Y eine Person X wohnt am gleichen Ort wie eine Person Y eine Person
MehrWS 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
MehrSeminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn
Seminarvortag zum Thema Virtual Private Network Design im Rahmen des Seminars Network Design an der Universität Paderborn Ein 5.55-Approximationsalgorithmus für das VPND-Problem Lars Schäfers Inhalt Einführung:
Mehr4. Relationen. Beschreibung einer binären Relation
4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B
Mehr5 Relationen. Formale Grundlagen der Informatik I Herbstsemester 2012. Robert Marti
Formale Grundlagen der Informatik I Herbstsemester 2012 Robert Marti Vorlesung teilweise basierend auf Unterlagen von Prof. emer. Helmut Schauer Allgemeine Definition einer Relation Eine n-stellige Relation
MehrVorlesung Theoretische Informatik
Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrHierarchische Archimedische Copulas
Hierarchische Archimedische Copulas Bachelorarbeit im Studiengang Wirtschaftsmathematik am Fachbereich Mathematik und Informatik der Philipps-Universität Marburg eingereicht von Yuriy Pinkhasik Marburg,
MehrKongruenzrechnung. 2 Kongruenzrechnung 7 2.1 Rechnenregeln Addition und Multiplikation... 7 2.2 Rechenregeln bzgl. verschiedener Moduln...
Kongruenzrechnung Inhaltsverzeichnis 1 Einführung und Definitionen 2 1.1 Einige Beispiele aus dem Alltag..................... 2 1.2 Kongruenzrechnung im Alltag und Rechenproben........... 3 1.3 Kongruenzen
MehrInformatik IC2. Balazs Simon 2005.03.26.
Informatik IC2 Balazs Simon 2005.03.26. Inhaltsverzeichnis 1 Reguläre Sprachen 3 1.1 Reguläre Sprachen und endliche Automaten...................... 3 1.2 Determinisieren.....................................
MehrS=[n] Menge von Veranstaltungen J S kompatibel mit maximaler Größe J
Greedy-Strategie Definition Paradigma Greedy Der Greedy-Ansatz verwendet die Strategie 1 Top-down Auswahl: Bestimme in jedem Schritt eine lokal optimale Lösung, so dass man eine global optimale Lösung
Mehr9. Übung Formale Grundlagen der Informatik
Institut für Informatik Sommersemester 2001 Universität Zürich 9. Übung Formale Grundlagen der Informatik Norbert E. Fuchs (fuchs@ifi.unizh.ch) Reinhard Riedl (riedl@ifi.unizh.ch) Nadine Korolnik (korolnik@ifi.unizh.ch)
MehrInformationsökonomik: Anwendung Versicherungsmarkt
Informationsökonomik: Anwendung Versicherungsmarkt Tone Arnold Universität des Saarlandes 13. Dezember 2007 Tone Arnold (Universität des Saarlandes) Informationsökonomik: Anwendung Versicherungsmarkt 13.
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
Mehr010 03 Marketing WS 2014/2015
Prüfungsnummer: (für Studierende der WiSo-Fakultät) Matrikel-Nummer: (für Studierende anderer Fakultäten) Vorname und Name (nur Initial): 010 03 Marketing WS 2014/2015 24.03.2015 (2. Termin) Prüfer: Prof.
MehrSpieltheorie. Thomas Riechmann. Verlag Franz Vahlen München. 3., vollständig überarbeitete Auflage. von
Spieltheorie von Thomas Riechmann 3., vollständig überarbeitete Auflage Verlag Franz Vahlen München Inhaltsverzeichnis 1. Einleitung 1 1.1 Entscheidungstheorie und Spieltheorie 1 1.2 Präferenzen und Präferenzaxiome
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrSuchmaschinen. Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6
Universität Augsburg, Institut für Informatik SS 2014 Prof. Dr. W. Kießling 23. Mai 2014 Dr. M. Endres, F. Wenzel Lösungsblatt 6 Aufgabe 1: Pareto mit SV-Semantik Suchmaschinen Pareto Definition: x < P
MehrEffiziente Algorithmen und Datenstrukturen I. Kapitel 9: Minimale Spannbäume
Effiziente Algorithmen und Datenstrukturen I Kapitel 9: Minimale Spannbäume Christian Scheideler WS 008 19.0.009 Kapitel 9 1 Minimaler Spannbaum Zentrale Frage: Welche Kanten muss ich nehmen, um mit minimalen
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrMathematische Ökologie
Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen
MehrFraktale Geometrie: Julia Mengen
Fraktale Geometrie: Julia Mengen Gunnar Völkel 1. Februar 007 Zusammenfassung Diese Ausarbeitung ist als Stoffsammlung für das Seminar Fraktale Geometrie im Wintersemester 006/007 an der Universität Ulm
MehrAufgaben zur Vorlesung Analysis II Prof. Dr. Holger Dette SS 2012 Lösungen zu Blatt 6
Aufgben zur Vorlesung Anlysis II Prof. Dr. Holger Dette SS 0 Lösungen zu Bltt 6 Aufgbe. Die Funktion f : [, ) R sei in jedem endlichen Teilintervll von [, ) Riemnnintegrierbr. Für n N sei I n := f() d.
MehrKommentierter SPSS-Ausdruck zur logistischen Regression
Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
Mehr