Semantik einiger Konjunktionen. Arnim von Stechow Einführung in die Semantik
|
|
- Busso Stein
- vor 6 Jahren
- Abrufe
Transkript
1 Semantik einiger Konjunktionen Arnim von Stechow Einführung in die Semantik
2 Programm Syntax und Semantik einiger AL-Junktoren Epistemisches müssen und können Strukturellen Mehrdeutigkeiten Extensionale AL 2
3 Intensionale Aussagenlogik Propositionen sind Mengen von möglichen Welten. Wir erhalten eine Boolesche Propositionsalgebra, wenn wir die Mengen unter Durchschnitt, Vereinigung und Komplement abschließen. Die Idee für die Deutung der Junktoren: und drückt Durchschnitt aus, oder die Vereinigung und nicht die Komplementbildung. 3
4 Wir schreiben einfache Sätze als Ganzes ins Lexikon. Es gibt also endlich viele Sätze φ1,...,φn vom Typ p im Lexikon, die atomare Sätze heißen. Atomare Sätze von AL (= A) a. Alla im Schrank ist (ais) b. Alla in der Küche ist (aik) c. Bertha im Schrank ist (bis) d. Bertha in der Küche ist (bik) e. Caroline im Schrank ist (cis) f. Caroline in der Küche ist (cik) Das Lexikon enthält ferner die Konjunktionen [pp nicht], [p (pp) oder], [p(pp) und], [p(pp) wenn]. 4
5 Mithilfe der Konjunktionen und Modale lassen sich aus den atomaren Sätzen komplexe Sätze bilden, zum Beispiel: [ pp nicht pp [ p Caroline im Schrank ist]] kurz: [nicht [cis]] [p [p Alla in der Küche ist] [pp undp(pp) [p Bertha in der Küche ist]]] kurz: [aik [und bik]] [p[pp wennp(pp) [p [p Alla in der Küche ist] [undp(pp) [p Bertha in der Küche ist]]]][p Caroline im Schrank ist]] kurz: [[wenn [aik [und bik]]] cis] 5
6 Scrambling Es ist eine Eigenart der deutschen Syntax, dass definite DPs in der SS niemals unter der Negation bleiben. Die Bewegungsregel, die eine Konstituente im Mittelfeld nach links verschiebt, heißt Scrambling: DS: [p nichtpp [p Caroline im Schrank ist]] SS: Caroline1 [nicht [t1 im Schrank ist]] 6
7 Noch ein Beispiel für Scrambling Das glaube ich nicht DS: nicht [ich das glaube] => ich das [nicht [ich das glaube]] (Bewegung von Subjekt und Objekt über nicht ) => glaube [ich das [nicht [ich das glaube]]] (V2-Bewegung) => das [glaube [ich das [nicht [ich das glaube]]]] (Topikalisierung) 7
8 SS von [[wenn [aik [und bik]]] cis] CP p pp C' p( pp) wenn p C ist C p Caroline in dem Schrank t ist S p Alla in der Küche ist p( pp) und pp S p Bertha in der Küche ist 8
9 Die Interpretation von AL Ein intensionales AL Modell M = (S, s 0,. M ) besteht aus einer Menge (von Situationen) S, einer ausgezeichneten Situation s0 S und einer Bedeutungsfunktion. M, welche den folgenden Bedingungen genügt: a. φ M S, für jeden Atomsatz von AL. b. nicht M = [λp: p Dp. S\p] c. oder M = [λp: p Dp.[ λq: q Dp. p q]] d. und M = [λp: p Dp.[ λq: q Dp. p q]] e. wenn M = [λp: p Dp.[ λq: q Dp.(S\p) q]] 9 Zurück
10 Wahrheit/Falschheit s 0 ist die wirkliche Situation. Deswegen lässt sich Wahrheit/Falschheit wie folgt einführen: φ ist wahr in dem Modell M gdw. s0 φ M. φ ist falsch in dem Modell M gdw. s 0 φ M. 10
11 Bedeutungsbeziehungen Die Bedeutungsbeziehungen zwischen Sätzen definiert man in der bereits bekannten Weise, z.b. der Satz φ impliziert den Satz ψ logisch (bezüglich des Modells M), falls φ M ψ M. Analoges gilt für den Widerspruch, die Unverträglichkeit usw. Ein Satz φ ist eine Tautologie im Modell M gdw. φ M = S. φ ist eine Tautologie schlechthin, wenn für jedes Modell M gilt: φ M = S. 11
12 Termmodell Ein Termmodell für AL über den atomaren Sätzen A von AL ist ein Paar (S,. ), wobei S die Potenzmenge von A ist, also (A), und. ist eine Funktion, so dass für jedes φ A und s S gilt: s φ M gdw. φ s. 12
13 Versteck Szenarien: Modell M Alla, Bertha und Caroline verstecken sich in meiner Wohnung, die sehr klein ist. Die einzigen Orte, wo man sich verstecken kann, sind der Schrank, in den nur eine Person passt, und die Küche, in die zwei Personen rein gehen. S = {s0, s1, s2} s0 = {ais, bik, cik} s1 = {aik, bis, cik} s2 = {aik, bik, cis} 13 Zurück
14 Wir können nun zum Beispiel Folgendes beweisen: Alla ist im Schrank ist wahr in M. Alla ist in der Küche ist falsch in M. Alla ist im Schrank und Bertha ist nicht im Schrank ist wahr in M. Wenn Alla im Schrank ist, ist Caroline nicht im Schrank ist wahr in M. Wenn Alla nicht im Schrank ist, ist Bertha im Schrank oder Caroline ist im Schrank wahr in M. 14 Szenario
15 Die Bedeutungen einiger atomarer Sätze ais = die Menge der Situationen, welche ais als Element enthalten = {s0} aik = die Menge der Situationen, welche aik als Element enthalten = {s 1, s 2 } bis = die Menge der Situationen, welche bis als Element enthalten = {s 1 } cis = die Menge der Situationen, welche cis als Element enthalten= {s2} u.s.w. 15 Szenario
16 Wir zeigen nun einige der Behauptungen: Alla ist im Schrank ist wahr in M. Zu zeigen: s 0 ais Das gilt, denn ais = {s 0 }. Alla ist in der Küche ist falsch in M. Zu zeigen: Nicht s0 aik Das gilt, denn aik = {s1, s2} enthält s0 nicht. 16 Szenario
17 Alla ist im Schrank und Bertha ist nicht im Schrank ist wahr in M. Zu zeigen: s0 ais und nicht bis s0 ais und nicht bis gdw. s0 und nicht bis ( ais ) FA gdw. s0 ( und ( nicht bis ))( ais ) FA gdw. s0 ([λp: p Dp.[ λq: q Dp. p q]] ( nicht bis )) ( ais ) Bedeutung von und gdw. s0 [ λq: q Dp. nicht bis q] ( ais ) λ-konversion gdw. s0 ( nicht bis ais ) 17 λ-konversion Szenario
18 gdw. s0 (( nicht ( bis )) ais ) FA gdw. s0 (([[λp: p Dp. S\p] ( bis )) ais ) Bedeutung von nicht gdw. s0 ( (S\ bis ) ais ) λ-konversion gdw. s0 ( ({s0, s1, s2}\{s1}) {s0} ) Def. von S, bis und ais gdw. s0 ( ({s0, s2}) {s0} ) mengentheoretische Differenz gdw. s0 {s0} Q.E.D. 18 Szenario
19 Wenn Alla im Schrank ist, ist Caroline nicht im Schrank ist wahr in M. Zu zeigen: s0 wenn ais nicht cis wenn bringt die beiden Teilsätze ais und nicht cis zusammen, wobei ais = {s0} und nicht cis = {s0,s1}. wenn ({s0})({s0,s1}) = (S\{s0}) {s0,s1} = {s1,s2} {s0,s1} = {s0, s1, s2}. Also s0 {s0, s1, s2}. Q.E.D. 19 Szenario
20 Epistemische Modale: Überblick Wir werden hier zeigen, wie modales Denken funktioniert. Die Einführung von Modalverben wird sofort zu strukturellen Mehrdeutigen führen, d.h., derselbe Oberflächensatz kann eine unterschiedliche Syntax haben und damit auch zwei Bedeutungen. kann wird bedeuten es ist mit meinem Wissen verträglich und muss wird bedeuten aus meinem Wissen folgt. Dazu modifizieren wir den Modellbegriff. 20
21 Strukturelle Mehrdeutigkeit Alla muss nicht in der Küche sein. LF1: [p nichtpp [p musspp [p Alla in der Küche sein]]] SS1: CP e Alla C' C muss S t Alla VP p pp nicht VP p VP p V pp t muss e t Alla V ep in der Küche sein 21
22 Strukturelle Mehrdeutigkeit LF2: [musspp [nichtpp [p Alla in der Küche sein]]] SS2: CP e Alla C' C muss S t Alla VP p pp nicht p VP p V pp t muss e t Alla 22 V ep in der Küche sein
23 AL-Modelle mit Redehintergrund Ein epistemisches Modell M = (S, c, s 0,. M ) für die Sprache AL besteht aus einer Menge von möglichen Situationen/Welten und einer Interpretationsfunktion, die alle Bedingungen erfüllt, welche das AL-Modell erfüllt und zusätzlich noch die folgenden Bedingungen: c S muss M = die Funktion f Dpp:( p Dp) f(p) = S, falls c p & f(p) =, falls nicht c p. kann M = die Funktion f Dpp:( p Dp) f(p) = S, falls c p & f(p) =, falls c p =. 23
24 Redehintergrund Die Proposition c common ground ist ein Redehintergrund, der den Informationsstand des Sprechers oder der Diskussionspartner enthält. Der Begriff geht auf (Stalnaker, 1973) zurück. Wenn der Sprecher bzw. die Diskussionspartner etwas Neues erfahren und akzeptieren, nehmen sie das zum Redehintergrund hinzu. c ist also unser momentanes Wissen. 24
25 Erweitertes Versteck Modell Wir spielen wieder Versteck und ich bin der Sucher. Die Küche ist durch einen Vorhang abgeteilt. Ich kann nur eine Person von den beiden sehen, die sich dort verstecken. Im Unterschied zum ersten AL- Modell, gibt es diesmal unterschiedliche Szenarien, die meinen jeweiligen Wissensstand beschreiben. Wenn ich eine Person gefunden habe, ändert sich c. Genau wie früher haben wir es mit drei möglichen Situationen zu tun: S = {s0, s1, s2} s 0 = {ais, bik, cik} s 1 = {aik, bis, cik} s 2 = {aik, bik, cis} 25 Zurück
26 Modell M1 Ich weiß noch gar nichts, d.h. c = S. In dem Modell M1, das diesem Szenario entspricht, sind unter anderen die folgenden Aussagen wahr: Alla kann in der Küche sein Alla kann im Schrank sein Alla kann im Schrank sein und Bertha kann im Schrank sein Alla ist im Schrank oder sie ist in der Küche Falsch sind dagegen die Folgenden: Alla muss in der Küche sein Alla kann nicht in der Küche sein 26 Zurück
27 Alla kann in der Küche sein ist wahr in M1 Begründung: Mein Wissen c ist S. Damit muss die Aussage aik verträglich sein. Mit S ist aber jede unserer Aussagen verträglich. Alla muss in der Küche sein ist falsch in M1 Begründung: aik = {s1,s2}, und das ist keine Obermenge von S Alla muss nicht im Schrank sein und Bertha muss nicht in der Küche sein und Caroline muss auch nicht in der Küche sein sind falsch in M1 Begründung: In dem M1 sind die folgenden Aussagen wahr: Alla ist im Schrank Bertha ist in der Küche und Caroline ist in der Küche Keine von diesen Aussagen weiß ich jedoch 27 Szenario
28 Modell M2 Ich habe in die Küche geschaut und dort Caroline gesehen. c = cik = {s0, s2} In M2 sind die folgenden Sätze wahr: Caroline muss in der Küche sein Alla kann in der Küche sein Bertha kann in der Küche sein oder sie kann im Schrank sein Alla muss in der Küche sein, oder sie muss im Schrank sein Falsch dagegen sind die folgenden: Alla muss in der Küche sein Alla muss im Schrank sein Der folgende Satz ist in M2 in einer Lesart wahr, in einer anderen falsch: Alla kann nicht in der Küche sein (Übungsaufgabe) Szenario 28
29 Modell M3 Ich habe nun im Schrank nachgeschaut und dort Bertha gefunden. c = cik und bis = {s1} Damit habe ich ein Maximum an Information erreicht. Ich weiß, wo jeder ist. Ich weiß nun auch, dass Alla in der Küche hinter dem Vorhang ist, obwohl ich da nicht nachgeschaut habe. Damit ist die erste Runde des Versteckspiels zu Ende. 29 Szenario
30 Extensionale Aussagenlogik Ein extensionales Modell ordnet jedem Satz der Sprache einen der beiden Wahrheitswerte {0,1} zu. Wir können die drei möglichen Situationen unseres Versteckszenarios durch drei verschiedene extensionale Modelle beschreiben. Extensionales Modell für s0: ais = 1, bis = 0, cis = 0, aik = 0, bik = 1, cik = 1 Extensionales Modell für s1: ais = 0, bis = 1, cis = 0, aik = 1, bik = 0, cik = 1 Extensionales Modell für s2: ais = 0, bis = 0, cis = 1, aik = 1, bik = 1, cik = 0 30 Szenario
31 Extensionale AL-Typen t ist der Typ der Wahrheitswerte. Wenn a und b Typen sind, dann ist (ab) ein Typ. Nur was aufgrund von (a) oder (b) gebildet ist, ist ein Typ. 31
32 Extensionale AL-Typen Die Atomsätze ais, bis, cis, aik, bik, cik haben also alle den Typ t. Die Typen für die AL-Junktoren änderen wir in analoger Weise: [ tt nicht], [ t(tt) oder], [ t(tt) und], [ t(tt) wenn] Der Satz Wenn Alla nicht in der Küche ist, dann ist sie im Schrank hat also die folgende LF: [t[tt wennt(tt) [t nichttt aikt ]] aist ] 32
33 Ein (extensionales) Modell M = ({0,1},. M ) für AL besteht aus einer Menge {0,1} und einer Bedeutungsfunktion. M, welche den folgenden Bedingungen genügt: φ M D t, für jeden Atomsatz von AL. [ tt nicht] M = das f D tt : ( x D t )[f(x) = 0, falls x = 1 & f(x) = 1, falls x = 0]. [t(tt) oder] M = das f Dt(tt)[ x Dt : f(x) = [das g Dtt: ( y Dt)[(g(y) = 1, falls x = 1 oder y = 1) & (g(y) = 0, falls (x = 0 & y = 0)) ]]]. [t(tt) und] M = das f Dt(tt)[ x Dt : f(x) = [das g Dtt: ( y Dt)[(g(y) = 1, falls x = 1 und y = 1) & (g(y) = 0, falls (x = 0 oder y = 0)) ]]]. [ t(tt) wenn] M = das f D t(tt) [ x D t : f(x) = [das g D tt : ( y D t ) [(g(y) = 1, falls (x = 0 oder y = 1)) & (g(y) = 0, falls (x = 1 und y = 0)) ]]] 33
34 Bedeutungen von Junktoren in der λ-schreibweise [tt nicht] M = λx: x Dt. x = 0 [t(tt) oder] M = λx: Dt.[λy: y Dt. x = 1 oder y = 1] [t(tt) und] M = λx: Dt.[λy: y Dt. x = 1 und y = 1] [t(tt) wenn] M = λx: Dt.[λy: y Dt. x = 0 oder y = 1] 34
35 Beispiel: Negation nicht (1) soll 0 sein und nicht (0) soll 1 sein. nicht (1) = [λx: x Dt.x = 0](1) = (1 = 0) λ-konversion Diese Gleichung ist falsch und steht deshalb für das Falsche 0. Ebenso erhalten wir für nicht (0) die Gleichung (0 = 0). Diese steht für das Wahre 1. 35
36 Einige Definitionen Der Satz φ ist in M wahr ist, falls φ M = 1. Eine AL-Tautologie ist ein Satz φ, der in jedem Modell wahr ist. Eine AL-Kontradiktion ist nun ein Satz φ, der in keinem Modell wahr ist, d.h. φ M = 0 für jedes solche M. Ein Satz φ ist AL-kontingent, wenn er weder eine Tautologie noch eine Kontradiktion ist, d.h. φ ist in einigen Modellen wahr, in anderen falsch. Ein Satz φ impliziert logisch einen Satz ψ, wenn ψ in jedem Modell wahr ist, in dem φ wahr ist. 36
37 Intensionale vs. Extensionale Interpretation Extensionale Logik Die Atomsätze bedeuten nichts Bestimmtes und heißen deswegen auch Aussagenvariablen. Man interessiert sich nur für die Bedeutung der Junktoren, welche logische Konstanten heißen. Man kann die Wahrheitsbedingungen für die Sätze in einem solchen Modell nicht beschreiben. Wenn man mit den Sätzen bereits eine intuitiv gegebene Bedeutung verbindet, dann kann man jedes Modell als die Beschreibung einer Welt auffassen. Die durch einen Satz ausgedrückte Proposition wäre dann gerade die Menge der Modelle, in denen er wahr ist. Man kann die Bedeutung von Modalen offensichtlich nicht beschreiben. muss φ besagt in epistemischer Bedeutung ja, dass die φ eine Obermenge meines Wissens c ist. muss ist also eine Relation zwischen zwei Mengen von Situationen. 37
38 Intensionale vs. Extensionale Interpretation Wenn man sich auf Sätze beschränkt, die nur mit extensionalen Junktoren wie und, oder und nicht verknüpft sind, charakterisieren extensionale und intensionale Modelle genau dieselbe Menge von Tautologien. In dieser Hinsicht sind die beiden Zugänge zu Bedeutungsanalyse äquivalent. 38
39 Ein tertium non datur der Form φ oder nicht φ ist in jedem propositionalen Modell M wahr. Beweis: Sei M ein beliebiges intensionales Modell mit der Situationsmenge SM. Dann gilt: φ oder nicht φ M = φ M (SM \ φ M ) = SM Also ist φ oder nicht φ in jedem intensionalen Modell wahr und damit eine Tautologie. Betrachte nun ein beliebiges extensionales Modell M. 1. Fall: φ M = 1. Dann ist φ oder nicht φ M = 1 gdw. φ M = 1 oder φ M = 0 Das ist nach Voraussetzung wahr. 2. φ M = 0. Dann ist φ oder nicht φ M = 1 gdw. φ M = 0 oder φ M = 1 Das stimmt ebenfalls. Q.E.D. 39
40 Intensionale vs. Extensionale Interpretation Die Bedeutungen von Artikeln wie jeder oder ein kann man in einem extensionalen Modell ebenfalls beschreiben. Das geht sogar einfacher als in einem intensionalen Modell und wird in (Heim and Kratzer, 1998) so gemacht. Zu Komplementsätzen kann man allerdings mit der Methode nicht gelangen und Wahrheitsbedingungen lassen sich auch nicht formulieren. 40
Teil 7. Grundlagen Logik
Teil 7 Grundlagen Logik Was ist Logik? etymologische Herkunft: griechisch bedeutet Wort, Rede, Lehre (s.a. Faust I ) Logik als Argumentation: Alle Menschen sind sterblich. Sokrates ist ein Mensch. Also
MehrFormeln. 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
MehrVorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
MehrKapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:
MehrI. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.
I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten
MehrSemantic Web Technologies I!
www.semantic-web-grundlagen.de Semantic Web Technologies I! Lehrveranstaltung im WS11/12! Dr. Elena Simperl! DP Dr. Sebastian Rudolph! M.Sc. Anees ul Mehdi! www.semantic-web-grundlagen.de Logik Grundlagen!
MehrWeitere Beweistechniken und aussagenlogische Modellierung
Weitere Beweistechniken und aussagenlogische Modellierung Vorlesung Logik in der Informatik, HU Berlin 2. Übungsstunde Aussagenlogische Modellierung Die Mensa versucht ständig, ihr Angebot an die Wünsche
MehrWahrheitswertesemantik Einführung Aussagenlogik
Wahrheitsbedingungen Wahrheitswertesemantik Einführung Aussagenlogik Sie haben sich in der ersten Sitzung mit verschiedenen Aspekten von Bedeutung auseinandergesetzt. Ein Aspekt, der dabei eine Rolle spielte,
MehrRhetorik und Argumentationstheorie.
Rhetorik und Argumentationstheorie 2 [frederik.gierlinger@univie.ac.at] Teil 2 Was ist ein Beweis? 2 Wichtige Grundlagen Tautologie nennt man eine zusammengesetzte Aussage, die wahr ist, unabhängig vom
MehrAussagen- und Prädikatenlogik
Universität Bielefeld Formale Methoden der Linguistik Prof. Dr. Walther Kindt, Mirco Hilbert Fakultät für Linguistik und Literaturwissenschaft Kurz-Zusammenstellung Aussagen- und Prädikatenlogik Mirco
Mehr7 Bedeutung und Logik
7 Bedeutung und Logik 7.1 Logische Eigenschaften von Sätzen 7.2 Logische Beziehungen zwischen Sätzen 7.3 Logische Beziehungen und Bedeutungsbeziehungen 7.4 Formale Semantik Johannes Dölling: Semantik und
MehrSemantic Web Technologies I Lehrveranstaltung im WS13/14
www.semantic-web-grundlagen.de Semantic Web Technologies I Lehrveranstaltung im WS13/14 Dr. Andreas Harth Dipl.-Inf. Martin Junghans Logik Grundlagen Einleitung und Ausblick XML und URIs Einführung in
Mehr5. Aussagenlogik und Schaltalgebra
5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft
MehrÜbungsblatt 3 Lösungen
Übungsblatt 3 Lösungen Formale Semantik WiSe 2011/2012 1 Lambda-Kalkül Anmerkungen: Pot(U) = Potenzmenge von U, wobei U das Universum Die Potenzmenge einer Menge M ist die Menge aller Teilmengen von M
MehrGrundkurs Semantik. Sitzung 3: Mengenlehre. Andrew Murphy
Grundkurs Semantik Sitzung 3: Mengenlehre Andrew Murphy andrew.murphy@uni-leizpig.de Grundkurs Semantik HU Berlin, Sommersemester 2015 http://www.uni-leipzig.de/ murphy/semantik15 15. Mai 2015 Basiert
MehrAussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen
Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der
MehrMathematik für Techniker
Siegfried Völkel u.a. Mathematik für Techniker 7., neu bearbeitete und erweiterte uflage 16 1 Rechenoperationen Prinzip der Mengenbildung Wenn eine ussageform für die Objekte eines Grundbereichs vorliegt,
MehrFormale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30
Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion
Mehrder einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr
Kapitel 2 Grundbegriffe der Logik 2.1 Aussagen und deren Verknüpfungen Eine Aussage wie 4711 ist durch 3 teilbar oder 2 ist eine Primzahl, die nur wahr oder falsch sein kann, heißt logische Aussage. Ein
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
MehrEinführung in die Semantik, 9. Sitzung Prädikate, definite NPs
Einführung in die Semantik, 9. Sitzung Prädikate, definite NPs, Modifikatoren Göttingen 12. Dezember 2006 Prädikate Adjektive Präpositionalphrasen Attributive Adjektive Attributive Präpositionalphrasen
MehrGrundlagen der Mengenlehre
mathe plus Grundlagen der Mengenlehre Seite 1 1 Grundbegriffe Grundlagen der Mengenlehre Def 1 Mengenbegriff nach Georg Cantor (1845-1918) Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume
MehrKapitel 1.3. Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln
Kapitel 1.3 Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln Mathematische Logik (WS 2011/12) Kapitel 1.3: Normalformen 1/ 29 Übersicht
MehrLogik: aussagenlogische Formeln und Wahrheitstafeln
FH Gießen-Friedberg, Sommersemester 2010 Lösungen zu Übungsblatt 1 Diskrete Mathematik (Informatik) 7./9. April 2010 Prof. Dr. Hans-Rudolf Metz Logik: aussagenlogische Formeln und Wahrheitstafeln Aufgabe
Mehr1 Sprechweisen und Symbole der Mathematik
1 Sprechweisen und Symbole der Mathematik Übersicht 1.1 Junktoren......................................................... 1 1.2 Quantoren......................................................... 4 1.3
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
MehrAufgabe - Fortsetzung
Aufgabe - Fortsetzung NF: Nicht-Formel F: Formel A: Aussage x :( y : Q(x, y) R(x, y)) z :(Q(z, x) R(y, z)) y :(R(x, y) Q(x, z)) x :( P(x) P(f (a))) P(x) x : P(x) x y :((P(y) Q(x, y)) P(x)) x x : Q(x, x)
MehrLogische Folgerung. Definition 2.11
Logische Folgerung Definition 2.11 Sei 2A eine aussagenlogische Formel und F eine endliche Menge aussagenlogischer Formeln aus A. heißt logische Folgerung von F genau dann, wenn I ( ) =1für jedes Modell
MehrSE PHILOSOPHISCHE LOGIK WS 2014 GÜNTHER EDER
SE PHILOSOPHISCHE LOGIK WS 2014 GÜNTHER EDER FORMALE SPRACHEN Wie jede natürliche Sprache, hat auch auch jede formale Sprache Syntax/Grammatik Semantik GRAMMATIK / SYNTAX Die Grammatik / Syntax einer formalen
MehrAussagenlogik Prädikatenlogik erster Stufe. Logik. Logik
Grundzeichen Aussagenlogik Aussagenvariablen P, Q, R,... Junktoren nicht und oder Runde Klammern (, ) Formeln Aussagenlogik Formeln sind spezielle Zeichenreihen aus Grundzeichen, und zwar 1 Jede Aussagenvariable
MehrNormalformen boolescher Funktionen
Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik. Motivation - Beispiel. Motivation - Beispiel
Motivation Formale Grundlagen der Informatik 1 Kapitel 19 & Die ist eine Erweiterung der Aussagenlogik. Sie hat eine größere Ausdrucksstärke und erlaub eine feinere Differenzierung. Ferner sind Beziehungen/Relationen
MehrWS 2009/10. Diskrete Strukturen
WS 29/ 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/ws9
MehrMathematischer Vorbereitungskurs für das MINT-Studium
Mathematischer Vorbereitungskurs für das MINT-Studium Dr. B. Hallouet b.hallouet@mx.uni-saarland.de WS 2016/2017 Vorlesung 2 MINT Mathekurs WS 2016/2017 1 / 20 Studienlexikon: Zeitangabe an der Universität
MehrLogik, Mengen und Abbildungen
Kapitel 1 Logik, Mengen und bbildungen Josef Leydold Mathematik für VW WS 2016/17 1 Logik, Mengen und bbildungen 1 / 26 ussage Um Mathematik betreiben zu können, sind ein paar Grundkenntnisse der mathematischen
MehrFormale Semantik. λ Typenlogik. Tutorium WiSe 2013/ November Sitzung: Folien freundlicherweise bereitgestellt von Andreas Bischoff
Formale Semantik Tutorium WiSe 2013/14 20. November 2013 3. Sitzung: λ Typenlogik Folien freundlicherweise bereitgestellt von Andreas Bischoff Grenzen der Typenlogik Das letzte Mal: lesen(duden*) ( Eigenschaft
MehrDie Folgerungsbeziehung
Kapitel 2: Aussagenlogik Abschnitt 2.1: Syntax und Semantik Die Folgerungsbeziehung Definition 2.15 Eine Formel ψ AL folgt aus einer Formelmenge Φ AL (wir schreiben: Φ = ψ), wenn für jede Interpretation
Mehr4. Aussagenlogik 32 #WUUCIGPNQIKM
4. Aussagenlogik Wir haben bisher beschrieben, auf welche Weise die Objekte und Individuen in unserer Welt als einfache Mengen und Mengen von n-tupeln erfasst werden können. Daraufhin haben wir Relationen
MehrMengen und Abbildungen
Mengen und Abbildungen Der Mengenbegriff Durchschnitt, Vereinigung, Differenzmenge Kartesisches Produkt Abbildungen Prinzip der kleinsten natürlichen Zahl Vollständige Induktion Mengen und Abbildungen
MehrAutomaten, Spiele und Logik
Automaten, Spiele und Logik Woche 13 11. Juli 2014 Inhalt der heutigen Vorlesung Linearzeit Temporale Logik (LTL) Alternierende Büchi Automaten Nicht-Determinisierung (Miyano-Ayashi) Beschriftete Transitionssysteme
MehrMengenlehre gibt es seit den achtziger Jahren des 19. Jahrhunderts. Sie wurde von
Grundbegriffe der Mengenlehre 2 Mengenlehre gibt es seit den achtziger Jahren des 19. Jahrhunderts. Sie wurde von Georg Cantor begründet. Der Begriffsapparat der Mengenlehre hat sich als so nützlich für
MehrJeweils am Montag um 18:30 treffen sich Studenten in Seminarraum 3 zum gemeinsamen Lernen.
Jeweils am Montag um 18:30 treffen sich Studenten in Seminarraum 3 zum gemeinsamen Lernen. Betrachtungen zu Sprache, Logik und Beweisen Sprache Wir gehen von unserem Alphabet einigen Zusatzsymbolen aus.
MehrEinführung in die Mathematik (Vorkurs 1 )
Einführung in die Mathematik (Vorkurs 1 ) Wintersemester 2008/09 Dr. J. Jordan Institut für Mathematik Universität Würzburg Germany 1 Modulbezeichnung 10-M-VKM 1 Inhaltsverzeichnis 1 Aussagen und Beweise
MehrTheoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 2 Grundlegende
MehrVorlesung. Funktionen/Abbildungen
Vorlesung Funktionen/Abbildungen 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrAnalysis I - Stetige Funktionen
Kompaktheit und January 13, 2009 Kompaktheit und Funktionengrenzwert Definition Seien X, d X ) und Y, d Y ) metrische Räume. Desweiteren seien E eine Teilmenge von X, f : E Y eine Funktion und p ein Häufungspunkt
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrGrundlagen der Informationverarbeitung
Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,
Mehr3.5 Ringe und Körper. Diese Eigenschaften kann man nun auch. 1. (R, +) ist eine kommutative Gruppe. 2. Es gilt das Assoziativgesetz bezüglich.
3.5 Ringe und Körper Gehen wir noch mal zu den ganzen Zahlen zurück. Wir wissen: (Z, + ist eine Gruppe, es gibt aber als Verknüpfung noch die Multiplikation, es gibt ein neutrales Element bezüglich, es
MehrHandout zu Beweistechniken
Handout zu Beweistechniken erstellt vom Lernzentrum Informatik auf Basis von [Kre13],[Bün] Inhaltsverzeichnis 1 Was ist ein Beweis? 2 2 Was ist Vorraussetzung, was ist Behauptung? 2 3 Beweisarten 3 3.1
MehrLogik & Semantik 7. Vorlesung Prädikatenlogik 1. Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen
Logik & Semantik 7. Vorlesung Prädikatenlogik 1 Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen 1 Definition eines logischen Systems: Generelles Schema
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
MehrInformatik A (Autor: Max Willert)
2. Aufgabenblatt Wintersemester 2012/2013 - Musterlösung Informatik A (Autor: Max Willert) 1. Logik im Alltag (a) Restaurant A wirbt mit dem Slogan Gutes Essen ist nicht billig!, das danebenliegende Restaurant
MehrLineare Algebra 1. Detlev W. Hoffmann. WS 2013/14, TU Dortmund
Lineare Algebra 1 Detlev W. Hoffmann WS 2013/14, TU Dortmund 1 Mengen und Zahlen 1.1 Mengen und Abbildungen Eine Menge ist eine Zusammenfassung wohlunterscheidbarer Objekte unserer Anschauung/unseres Denkens/unserer
Mehr6. Induktives Beweisen - Themenübersicht
6. Induktives Beweisen - Themenübersicht Ordnungsrelationen Partielle Ordnungen Quasiordnungen Totale Ordnungen Striktordnungen Ordnungen und Teilstrukturen Noethersche Induktion Anwendung: Terminierungsbeweise
MehrKonjunktive und disjunktive Normalformen
Konjunktive und disjunktive Normalformen Nachdem gesprochen wurde, wie man Boolesche Terme unter einer Belegung der Variablen interpretiert und dass somit jeder Boolesche Term eine Boolesche Funktion repräsentiert,
Mehr(10) x 1[FRAU(x 1) RENNT(x 1)] Keine Frau rennt.
Institut für deutsche Sprache und Linguistik, Humboldt-Universität zu Berlin, GK Semantik SS 2009, F.Sode Basierend auf Seminarunterlagen von Prof. Manfred Krifka Quantoren in der Prädikatenlogik (auch
MehrTerme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)
Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden
MehrStetigkeit. Kapitel 4. Stetigkeit. Peter Becker (H-BRS) Analysis Sommersemester / 543
Kapitel 4 Stetigkeit Peter Becker (H-BRS) Analysis Sommersemester 2016 254 / 543 Inhalt Inhalt 4 Stetigkeit Eigenschaften stetiger Funktionen Funktionenfolgen und gleichmäßige Konvergenz Umkehrfunktionen
MehrLogik und Mengenlehre. ... wenn man doch nur vernünftig mit Datenbanken umgehen können will?
Mengenlehre und Logik: iederholung Repetitorium: Grundlagen von Mengenlehre und Logik 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 arum??? arum um alles in der elt muss man sich mit herumschlagen,......
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
MehrEine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten:
Aussagen Aussagen Eine Aussage kann eine Eigenschaft für ein einzelnes, konkretes Objekt behaupten: verbale Aussage formale Aussage Wahrheitswert 1) 201 ist teilbar durch 3 3 201 wahre Aussage (w.a.) 2)
MehrMathematische Grundlagen der Informatik
Skriptum zur Vorlesung Mathematische Grundlagen der Informatik gehalten in WS 2015/16 von Sven Kosub 4. Februar 2016 Version v4.20 Inhaltsverzeichnis Prolog 1 1 Logik 5 1.1 Aussagen.....................................
Mehr13 Übersetzung umgangssprachlicher Sätze in die Sprache AL
13 Übersetzung umgangssprachlicher Sätze in die Sprache AL Lässt sich die Kenntnis der logischen Eigenschaften der Sätze von AL auch zur Beurteilung umgangssprachlicher Sätze und Argumente nutzen? Grundsätzliches
Mehr3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
MehrMathematik für Informatiker I Mitschrift zur Vorlesung vom 14.12.2004
Mathematik für Informatiker I Mitschrift zur Vorlesung vom 14.12.2004 In der letzten Vorlesung haben wir gesehen, wie man die einzelnen Zahlenbereiche aufbaut. Uns fehlen nur noch die reellen Zahlen (siehe
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
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
MehrEinführung in die Logik
Einführung in die Logik Prof. Dr. Ansgar Beckermann Wintersemester 2001/2 Allgemeines vorab Wie es abläuft Vorlesung (Grundlage: Ansgar Beckermann. Einführung in die Logik. (Sammlung Göschen Bd. 2243)
MehrHilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
MehrMütze und Handschuhe trägt er nie zusammen. Handschuhe und Schal trägt er immer zugleich. (h s) Modellierung als Klauselmenge
Was bisher geschah Klassische Aussagenlogik: Syntax Semantik semantische Äquivalenz und Folgern syntaktisches Ableiten (Resolution) Modellierung in Aussagenlogik: Wissensrepräsentation, Schaltungslogik,
MehrEin kausaler Zusammenhang entspricht einer speziellen wahren Implikation. Beispiel: Wenn es regnet, dann wird die Erde nass.
Implikation Implikation Warum ist die Tabelle schwer zu schlucken? In der Umgangssprache benutzt man daraus folgt, also, impliziert, wenn dann, nur für kausale Zusammenhänge Eine Implikation der Form:
MehrKapitel 4: (Einige) Andere Logiken
Kapitel 4: (Einige) Andere Logiken 4.1: Modale Logiken Grundgedanke Nicht alles stimmt unabhängig vom Zeitpunkt es schneit unabhängig vom Ort man kann das Meer sehen unabhängig vom Sprecher ich bin müde
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
MehrLogik Grundlagen. Organisatorisches: Inhalt. Semantic Web Grundlagen
Birte Glimm nstitut für Künstliche ntelligenz 31. Okt 2011 Semantic Web Grundlagen Logik Grundlagen 3/36 Birte Glimm Semantic Web Grundlagen 31. Okt 2011 4/36 Birte Glimm Semantic Web Grundlagen 31. Okt
MehrSkript zur Analysis 1. Kapitel 3 Stetigkeit / Grenzwerte von Funktionen
Skript zur Analysis 1 Kapitel 3 Stetigkeit / Grenzwerte von Funktionen von Prof. Dr. J. Cleven Fachhochschule Dortmund Fachbereich Informatik Oktober 2003 2 Inhaltsverzeichnis 3 Stetigkeit und Grenzwerte
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
MehrDatenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer:
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
MehrLogik, Mengen und Zahlen
Zahlenmengen Herbert Paukert. 1 Logik, Mengen und Zahlen Version 2.0 Herbert Paukert Logik und Mengenlehre [ 02 ] Mathematische Beweisverfahren [ 12 ] Natürliche und ganze Zahlen [ 15 ] Teilbarkeit der
Mehr5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus
5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus 5.4.1 Einführung Einführung Verwendet wird die Sprache der Prädikatenlogik erster Stufe mit Identität (ohne Funktionskonstanten) mit dem folgenden
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrKapitel 5 Untermannigfaltigkeiten. 5.1 Glatte Flächen in R 3
Kapitel 5 Untermannigfaltigkeiten 5.1 Glatte Flächen in R 3 Bisher haben wir unter einem glatten Weg im R n stets eine differenzierbare Abbildung γ:i R n, definiert auf einem Intervall I R, verstanden.
MehrTopologische Räume und stetige Abbildungen Teil 2
TU Dortmund Mathematik Fakultät Proseminar zur Linearen Algebra Ausarbeitung zum Thema Topologische Räume und stetige Abbildungen Teil 2 Anna Kwasniok Dozent: Prof. Dr. L. Schwachhöfer Vorstellung des
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
Mehr13. Klasse TOP 10 Grundwissen 13 Geradengleichungen 01
. Klasse TOP 0 Grundwissen Geradengleichungen 0 Punkt-Richtungs-Form Geraden sind gegeben durch einen Aufpunkt A (mit Ortsvektor a) auf der Geraden und einen Richtungsvektor u: x = a + λ u, λ IR. (Interpretation:
MehrMathematischen Grundlagen und Notationen
Mathematischen Grundlagen und Notationen Susanne Schimpf Juni 008 Es geht in dieser Lerneinheit darum, mathematische Notationen besser zu verstehen und auch selbst korrekt zu benutzen. Außerdem sollen
MehrLineare Gleichungssysteme
Christian Serpé Universität Münster 14. September 2011 Christian Serpé (Universität Münster) 14. September 2011 1 / 56 Gliederung 1 Motivation Beispiele Allgemeines Vorgehen 2 Der Vektorraum R n 3 Lineare
MehrHausaufgaben Negation Aussagen Implikation Äquivalenz Zusammenfassung. Elementare Logik. Diskrete Strukturen. Uta Priss ZeLL, Ostfalia
Elementare Logik Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Elementare Logik Slide 1/26 Agenda Hausaufgaben Negation Aussagen Implikation Äquivalenz Zusammenfassung
MehrKlausur Formale Systeme Fakultät für Informatik WS 2009/2010. Prof. Dr. Bernhard Beckert. 18. Februar 2010
Klausur Formale Systeme Fakultät für Informatik Name: Mustermann Vorname: Peter Matrikel-Nr.: 0000000 Klausur-ID: 0000 WS 2009/2010 Prof. Dr. Bernhard Beckert 18. Februar 2010 A1 (15) A2 (10) A3 (10) A4
Mehr8 Tangenten an Quadriken
8 Tangenten an Quadriken A Geraden auf Quadriken: Sei A 0 eine symmetrische n n Matri und Q : t A + b t + c = 0 eine nicht leere Quadrik im R n, b R n, c R. g = p + R v R n ist die Gerade durch p mit Richtung
MehrSudoku. Warum 6? Warum 6?
. / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn
Mehr