Ferienkurs zum Propädeutikum Diskrete Mathematik. Technische Universität München
|
|
- Catrin Hofer
- vor 6 Jahren
- Abrufe
Transkript
1 Ferienkurs zum Propädeutikum Diskrete Mathematik Andreas Würfl Stefan König Technische Universität München WS 09/10
2 Übersicht 1 Binäre Relationen 2 Elementares Zählen 3 Partitionen zählen 4 Erzeugende Funktionen 5 Graphen: Definitionen und Bäume 6 Graphen: Färbung und Planarität 7 Graphen: Matchings
3 Binäre Relationen
4 Binäre Relationen Relation: M Menge, R M M Schreibweisen: (a, b) R, a R b, a R b, arb,... R heißt reflexiv: a M : a a irreflexiv: a M : a a symmetrisch: a, b M : a b b a antisymmetrisch: a, b M : a b und b a a = b transitiv: a, b, c M : a b und b c a c Graph: irreflexiv und symmetrisch partielle Ordnung: reflexiv, antisymmetrisch, transitiv
5 Binäre Relationen Äquivalenzrelation: reflexiv, symmetrisch, transitiv Äquivalenz-Klasse: [a] := {b M : a b} Satz: Sei R Äquivalenzrelation Äquivalenzklassen bilden eine Partition von M a b [a] = [b] [a] [b]
6 Binäre Relationen Aufgabe: Es seien R 1, R 2 zwei Äquivalenz-Relationen auf M. Welche Eigenschaften hat dann...? a) R 1 R 2 b) R 1 R 2 c) R 1 \R 2
7 Binäre Relationen Posets: reflexiv, antisymmetrisch, transitiv ( R ) Aufgabe: Es seien R 1, R 2, Posets. Welche Eigenschaften haben...? a) R 1 R 2 b) R 1 R 2 c) R 1 \R 2
8 Binäre Relationen Posets: x, y M vergleichbar : x y oder y x sonst unvergleichbar K M Kette : x, y K: x, y vergleichbar A M Antikette : x, y A: x, y unvergleichbar Satz: a) max A = min{k : M lässt sich in k Ketten part. } A Antikette b) max K = min{a : M lässt sich in a Antiketten part. } K Kette
9 Elementares Zählen
10 Elementares Zählen Summenregel: M = M 1... M k M = k M i i=1 B Produktregel: M = M 1 M k M = k M i i=1 A Doppeltes Abzählen: R A B {b B : (a, b) R} = R = {a A : (a, b) R} a A b B
11 Elementares Zählen Summenregel: M = M 1... M k M = k M i i=1 B Produktregel: M = M 1 M k M = k M i i=1 A Doppeltes Abzählen: R A B {b B : (a, b) R} = R = {a A : (a, b) R} a A b B
12 Elementares Zählen Summenregel: M = M 1... M k M = k M i i=1 B Produktregel: M = M 1 M k M = k M i i=1 A Doppeltes Abzählen: R A B {b B : (a, b) R} = R = {a A : (a, b) R} a A b B
13 Elementares Zählen Summenregel: M = M 1... M k M = k M i i=1 Inklusion-Exklusion: M = M 1 M k schon komplizierter!
14 Elementares Zählen Inklusion-Exklusion M = =I [n] ( 1) I 1 M i i I M 1 M 2 M 1 M 1 M 2 M 3 M 2 M 1 M 3 M 2 M 3 M 3 M = M 1 M 2 M 3
15 Elementares Zählen k aus n Elementen wählen geordnet ungeordnet mit Zurücklegen n k n ( k = n+k 1 ) k ohne Zurücklegen n k ( n ) k Beispiele: Spiel 77: Auslosung einer 7-stelligen Zahl Wanddeko: 15 Bilder, 8 Bilderrahmen in einer Galerie Kniffel: Anzahl Resultate nach einem Wurf Lotto: Ziehe 6 aus 49
16 Elementares Zählen Wichtige Identitäten: ( n ( k) = n ) n k ( n ( k) = n 1 ) ( k 1 + n 1 ) k n ( n ) i = 2 n i=0 ( n+m ) k ( k = n )( m ) i k i i=0 (x + y) n = n i=0 ( n ) i x i y n i
17 Partitionen zählen
18 Partitionen zählen k-partition einer n-elementigen Menge: { ungeordnet: {M 1,..., M k } : M = M i, M i } =: Sn.k geordnet: { (M 1,..., M k ) : M = M i, M i } =: Tn.k k-partition von n n = n n k ungeordnet: (Multimenge!) P n,k { geordnet: (n 1,..., n k ) N k : k n i = n} i=1 = ( n 1 k 1 )
19 Partitionen zählen Wichtige Identitäten: S 0,0 = 1, P 0,0 = 1 k > n : S n,k = P n,k = 0 S n,0 = P n,0 = 0 S n,k = S n 1,k 1 + ks n 1,k T n,k = k!s n,k T n,k = k ( 1) r ( k) (k r) n r=0 S n,k = k ( 1) r 1 r=0 P n+k,k = k P n,i i=1 r r!(k r)! (k r)n
20 Partitionen zählen Bälle und Körbe: beliebig inj. surj. bij. n Bälle k Körbe n k n k n = k unt. unt. k n k n T n,k n! ununt. unt. ( n+k 1 n ) ( k n) ( n 1 k 1 ) 1 unt. ununt. ununt. ununt. k S n,i 1 S n,k 1 i=1 k P n,i 1 P n,k 1 i=1
21 Erzeugende Funktionen
22 Erzeugende Funktionen Gegeben: Rekursiv definierte Folge: a 0 R, a n+1 := ϕ(a n ) Gesucht: Explizite Darstellung von (a n ) n N Aufgabe: Sei a 0 = 0, a n+1 = 3a n + 2 n für n N. Bestimmen Sie a n. a n = 3 n 2 n
23 Erzeugende Funktionen Verfahren: 1) A(x) := n=0 a n x n 2) Nutze Rekusionsformel und schreibe A(x) = f (x) g(x) mit g(x) = k (a i b i x) p i i=1 3) Zerlege mit Partialbruchzerlegung: A(x) = k 4) Rücktransformation der einzelnen Terme Potenzreihen 5) Koeffizientenvergleich i=1 ( pi j=1 α ij (a i b i x) j ) α ij (a i b i x) j in einfache
24 Erzeugende Funktionen Rechenregeln für A(x) = a n x n und B(x) = b n x n : n=0 A(x) + B(x) = (a n + b n )x n γ 0 : n=0 n=0 γ n x n = 1 1 γx n=0 (geom. Reihe) Rechenregeln für A(x) = a n x n und B(x) = b n x n : n=0 n=0 A diff bar in x A (x) = na n x n 1 = (n + 1)a n+1 x n n=0 n=1 ( n+k ) k x n = ( n ) k x n k 1 = (1 x) n k k+1 n=0
25 Graphen: Definitionen und Bäume
26 Graphen: Definitionen und Bäume Graph: G = (V, E) mit V endlich E ( V ) 2 Subgraph H G: H = (W, F ) mit W V und F E ( W 2 ) Isomorphie: G 1, G 2 heißen isomorph bij. Abb, f : V 1 V 2 : {u, v} E 1 {f (u), f (v)} E 2
27 Graphen: Definitionen und Bäume Graph: G = (V, E) mit V endlich E ( V ) 2 v 3 v 4 v 1 v 2 Subgraph H G: H = (W, F ) mit W V und F E ( W 2 ) {v 1, v 2} E Isomorphie: G 1, G 2 heißen isomorph bij. Abb, f : V 1 V 2 : {u, v} E 1 {f (u), f (v)} E 2
28 Graphen: Definitionen und Bäume Graph: G = (V, E) mit V endlich E ( V ) 2 v 3 v 4 v 1 v 2 Subgraph H G: H = (W, F ) mit W V und F E ( W 2 ) v 3 v 4 v 2 v 1 Isomorphie: G 1, G 2 heißen isomorph bij. Abb, f : V 1 V 2 : {u, v} E 1 {f (u), f (v)} E 2
29 Graphen: Definitionen und Bäume Graph: G = (V, E) mit V endlich E ( V ) 2 v 3 v 1 v 2 Subgraph H G: H = (W, F ) mit W V und F E ( W 2 ) Isomorphie: G 1, G 2 heißen isomorph bij. Abb, f : V 1 V 2 : {u, v} E 1 {f (u), f (v)} E 2
30 Graphen: Definitionen und Bäume Graph: G = (V, E) mit V endlich E ( V ) 2 v 3 v 4 v 1 v 2 Subgraph H G: H = (W, F ) mit W V und F E ( W 2 ) v 3 v 4 v 1 v 2 Isomorphie: G 1, G 2 heißen isomorph bij. Abb, f : V 1 V 2 : {u, v} E 1 {f (u), f (v)} E 2
31 Graphen: Definitionen und Bäume Bezeichnungen: x, y V heißen benachbart/adjazent : {x, y} E x V, e E heißen inzident : x e N(x) := {y V : {x, y} E} heißt Nachbarschaft von x deg(x) := N(x) heißt Grad von x deg(x) = 0 : x heißt isoliert deg(x) = 1 : x heißt Blatt δ(g) := min deg(x) heißt Minimalgrad x V (G) := max deg(x) heißt Maximalgrad x V
32 Graphen: Definitionen und Bäume Spezielle Graphen (G isomorph zu): P n := ([n], E) mit E = {{i, i + 1} : i [n 1]} heißt Weg
33 Graphen: Definitionen und Bäume Spezielle Graphen (G isomorph zu): P n := ([n], E) mit E = {{i, i + 1} : i [n 1]} heißt Weg C n := ([n], E) mit E = {{i, i + 1} : i [n 1]} {{n, 1}} heißt Kreis
34 Graphen: Definitionen und Bäume Spezielle Graphen (G isomorph zu): P n := ([n], E) mit E = {{i, i + 1} : i [n 1]} heißt Weg C n := ([n], E) mit E = {{i, i + 1} : i [n 1]} {{n, 1}} heißt Kreis K n := ([n], ( [n] 2 ) ) heißt n-clique oder vollständiger Graph
35 Graphen: Definitionen und Bäume Spezielle Graphen (G isomorph zu): P n := ([n], E) mit E = {{i, i + 1} : i [n 1]} heißt Weg C n := ([n], E) mit E = {{i, i + 1} : i [n 1]} {{n, 1}} heißt Kreis K n := ([n], ( [n] 2 ) ) heißt n-clique oder vollständiger Graph E n := ([n], ) heißt n-stabile Menge oder unabhängige Menge
36 Graphen: Definitionen und Bäume Spezielle Graphen (G isomorph zu): P n := ([n], E) mit E = {{i, i + 1} : i [n 1]} heißt Weg C n := ([n], E) mit E = {{i, i + 1} : i [n 1]} {{n, 1}} heißt Kreis K n := ([n], ( [n] 2 ) ) heißt n-clique oder vollständiger Graph E n := ([n], ) heißt n-stabile Menge oder unabhängige Menge Graphenkonstanten: ω(g) := max {H G : H ist Clique} α(g) := max {H G : H ist stablie Menge}
37 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph
38 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph G heißt zshg. : x, y V : x, y-weg als Subgraph
39 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph G heißt zshg. : x, y V : x, y-weg als Subgraph H G heißt Zshg.-Komp. : H G inklusionsmax. zshg.
40 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph G heißt zshg. : x, y V : x, y-weg als Subgraph H G heißt Zshg.-Komp. : H G inklusionsmax. zshg. G heißt Baum : G zshg. und kreisfrei
41 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph G heißt zshg. : x, y V : x, y-weg als Subgraph H G heißt Zshg.-Komp. : H G inklusionsmax. zshg. G heißt Baum : G zshg. und kreisfrei Ist B = (V, T ) G = (V, E) ein Baum, so heißt B Spannbaum von G.
42 Graphen: Definitionen und Bäume Noch mehr Bezeichnungen: G heißt kreisfrei/wald : G enthält keinen Kreis als Subgraph G heißt zshg. : x, y V : x, y-weg als Subgraph H G heißt Zshg.-Komp. : H G inklusionsmax. zshg. G heißt Baum : G zshg. und kreisfrei Ist B = (V, T ) G = (V, E) ein Baum, so heißt B Spannbaum von G. Äquivalent: G zshg. X, Y mit X Y = V {x, y} E mit x X, y Y Spannbaum B G
43 Graphen: Definitionen und Bäume Einige Eigenschaften: G Wald Zshg.-Komp. sind Bäume G = (V, E) Baum, V 2 G enthält mind. 2 Blätter G Baum, x Blatt von G G x ist wieder Baum G Wald δ(g) 1, ω(g) 2 Äquivalent: G = (V, E) Baum G zshg., E = V 1 G kreisfrei, E = V 1 G kantenminimal zshg. G kantenmaximal kreisfrei x, y V 1 x, y-weg in G
44 Graphen: Defintionen und Bäume Euler-Tour: geschlossener Kantenzug jede Kante genau ein Mal Satz: G = (V, E) ein zshg. Graph. G hat Eulertour v V : deg(v) 0 (mod 2) E lässt sich in kantendisjunkte Kreise partitionieren.
45 Graphen: Defintionen und Bäume Euler-Tour: geschlossener Kantenzug jede Kante genau ein Mal Satz: G = (V, E) ein zshg. Graph. G hat Eulertour v V : deg(v) 0 (mod 2) E lässt sich in kantendisjunkte Kreise partitionieren.
46 Graphen: Defintionen und Bäume Euler-Tour: geschlossener Kantenzug jede Kante genau ein Mal Satz: G = (V, E) ein zshg. Graph. G hat Eulertour v V : deg(v) 0 (mod 2) E lässt sich in kantendisjunkte Kreise partitionieren.
47 Graphen: Defintionen und Bäume Euler-Tour: geschlossener Kantenzug jede Kante genau ein Mal Satz: G = (V, E) ein zshg. Graph. G hat Eulertour v V : deg(v) 0 (mod 2) E lässt sich in kantendisjunkte Kreise partitionieren.
48 Graphen: Defintionen und Bäume Euler-Tour: geschlossener Kantenzug jede Kante genau ein Mal Satz: G = (V, E) ein zshg. Graph. G hat Eulertour v V : deg(v) 0 (mod 2) E lässt sich in kantendisjunkte Kreise partitionieren.
49 Graphen: Defintionen und Bäume Hamilton-Kreis: Kreis der Länge V Satz: x, y V nicht benachbart deg(x) + deg(y) V (V, E {x, y}) hat Hamilton-Kreis G = (V, E) hat Hamilton-Kreis Korollar: V 3, δ(g) V 2 G hat Hamilton-Kreis
50 Graphen: Defintionen und Bäume Hamilton-Kreis: Kreis der Länge V Satz: x, y V nicht benachbart deg(x) + deg(y) V (V, E {x, y}) hat Hamilton-Kreis G = (V, E) hat Hamilton-Kreis Korollar: V 3, δ(g) V 2 G hat Hamilton-Kreis
51 Graphen: Färbung und Planarität
52 Graphen: Färbung und Planarität Bezichnungen: f : V [k], so dass {x, y} E : f (x) f (y) heißt k-färbung G heißt k-färbbar, wenn eine k-färbung von G existiert χ(g) := min{k : G ist k-färbbar} heißt chromatische Zahl Falls χ(g) 2, so heißt G bipartit
53 Graphen: Färbung und Planarität Bezichnungen: f : V [k], so dass {x, y} E : f (x) f (y) heißt k-färbung G heißt k-färbbar, wenn eine k-färbung von G existiert χ(g) := min{k : G ist k-färbbar} heißt chromatische Zahl Falls χ(g) 2, so heißt G bipartit
54 Graphen: Färbung und Planarität Bipartite Graphen: G bipartit V = V 1 V 2, E {{x, y} : x V 1, y V 2 } Ist n 1 = V 1, n 2 = V 2 und E = {{x, y} : x V 1, y V 2 }, so heißt K n1,n 2 := (V 1 V 2, E) vollständiger bipartiter Graph Satz: G bipartit G enthält keinen Kreis ungerader Länge Bemerkung: Wälder sind bipartit. V 1 V 2
55 Graphen: Färbung und Planarität Bipartite Graphen: G bipartit V = V 1 V 2, E {{x, y} : x V 1, y V 2 } Ist n 1 = V 1, n 2 = V 2 und E = {{x, y} : x V 1, y V 2 }, so heißt K n1,n 2 := (V 1 V 2, E) vollständiger bipartiter Graph Satz: G bipartit G enthält keinen Kreis ungerader Länge Bemerkung: Wälder sind bipartit. K 5,4
56 Graphen: Färbung und Planarität Bipartite Graphen: G bipartit V = V 1 V 2, E {{x, y} : x V 1, y V 2 } Ist n 1 = V 1, n 2 = V 2 und E = {{x, y} : x V 1, y V 2 }, so heißt K n1,n 2 := (V 1 V 2, E) vollständiger bipartiter Graph Satz: G bipartit G enthält keinen Kreis ungerader Länge Bemerkung: Wälder sind bipartit. V 1 V 2
57 Graphen: Färbung und Planarität Planarität: G heißt planar : G lässt sich so in die Ebene zeichnen, dass sich Kanten nur in Knoten schneiden Einbettung erzeugt Gebiete R G = (V, E, R) heißt ebener Graph (V, E) planar Eulersche Polyederformel: G = (V, E, R) ebener, zshg. Graph V E + R =
58 Graphen: Färbung und Planarität Planarität: G heißt planar : G lässt sich so in die Ebene zeichnen, dass sich Kanten nur in Knoten schneiden Einbettung erzeugt Gebiete R G = (V, E, R) heißt ebener Graph (V, E) planar Eulersche Polyederformel: G = (V, E, R) ebener, zshg. Graph V E + R =
59 Graphen: Färbung und Planarität Planarität: G heißt planar : G lässt sich so in die Ebene zeichnen, dass sich Kanten nur in Knoten schneiden Einbettung erzeugt Gebiete R G = (V, E, R) heißt ebener Graph (V, E) planar Eulersche Polyederformel: G = (V, E, R) ebener, zshg. Graph V E + R =
60 Graphen: Färbung und Planarität Korollar: G = (V, E) planar, V 3 E 3 V 6 K 5 nicht planar δ(g) 5 Satz: G planar χ(g) 5 Vier-Farben-Satz: G planar χ(g) 4
61 Graphen: Matchings
62 Graphen: Matchings G = (V, E) ein Graph: M E heißt Matching in G e, e M : e e = M (inklusions-)maximales Matching : e E\M : M {e} ist kein Matching M größtes Matching : M E Matching: M M ν(g) := max{ M : M Matching in G} M
63 Graphen: Matchings G = (V, E) ein Graph: M E heißt Matching in G e, e M : e e = M (inklusions-)maximales Matching : e E\M : M {e} ist kein Matching M größtes Matching : M E Matching: M M ν(g) := max{ M : M Matching in G} M
64 Graphen: Matchings G = (V, E) ein Graph: S V heißt Knotenüberdeckung in G : e E : e S τ(g) := min{ S : S ist Knotenüberdeckung} Proposition: ν(g) τ(g) 2ν(G) Satz: G bipartit ν(g) = τ(g) S
65 Graphen: Matchings P = (W, F ) ein Weg P heißt M-alternierend : jede zweite Kante aus M P heißt M-augmentierend : M-alternierend und Anfangs-/Endknoten nicht von M überdeckt Lemma: M Matching, P ein M-augm. Weg, M := M P M = M + 1 Satz: M größtes Matching M M-augm. Weg
66 Graphen: Matchings P = (W, F ) ein Weg P heißt M-alternierend : jede zweite Kante aus M P heißt M-augmentierend : M-alternierend und Anfangs-/Endknoten nicht von M überdeckt Lemma: M Matching, P ein M-augm. Weg, M := M P M = M + 1 Satz: M M größtes Matching M-augm. Weg
67 Graphen: Matchings Bezeichnung: M perfekt : M überdeckt alle Knoten M = V 2 Heiratssatz von Hall: G = (A B, E) bipartit. G hat Matching, das alle Knoten aus A überdeckt S A : N(S) S Korollar: G = (A B, E) bipartit. A = B und S A : N(S) S G hat perfektes Matching A B
68 Graphen: Matchings Bezeichnung: M perfekt : M überdeckt alle Knoten M = V 2 Heiratssatz von Hall: G = (A B, E) bipartit. G hat Matching, das alle Knoten aus A überdeckt S A : N(S) S Korollar: G = (A B, E) bipartit. A = B und S A : N(S) S G hat perfektes Matching A B
69 Graphen: Matchings Bezeichnung: M perfekt : M überdeckt alle Knoten M = V 2 Heiratssatz von Hall: G = (A B, E) bipartit. G hat Matching, das alle Knoten aus A überdeckt S A : N(S) S Korollar: G = (A B, E) bipartit. A = B und S A : N(S) S G hat perfektes Matching A B
70 Graphen: Matchings Bezeichnung: M perfekt : M überdeckt alle Knoten M = V 2 Heiratssatz von Hall: G = (A B, E) bipartit. G hat Matching, das alle Knoten aus A überdeckt S A : N(S) S Korollar: G = (A B, E) bipartit. A = B und S A : N(S) S G hat perfektes Matching A B
71 Graphen: Matchings Bezeichnung: M perfekt : M überdeckt alle Knoten M = V 2 Heiratssatz von Hall: G = (A B, E) bipartit. G hat Matching, das alle Knoten aus A überdeckt S A : N(S) S Korollar: G = (A B, E) bipartit. A = B und S A : N(S) S G hat perfektes Matching A B
72 Literatur M. Aigner: Diskrete Mathematik, 6. Auflage, Vieweg J. Matoušek, J. Nešetřil: Diskrete Mathematik: Eine Entdeckungsreise, 2. Auflage, Springer A. Steger: Diskrete Strukturen, Springer 2001.
1 Vollständige Induktion
1 Vollständige Induktion Die vollständige Induktion ist eine machtvolle Methode, um Aussagen zu beweisen, die für alle natürlichen Zahlen gelten sollen. Sei A(n) so eine Aussage, die zu beweisen ist. Bei
MehrFerienkurs Propädeutikum Diskrete Mathematik
Ferienkurs Propädeutikum Diskrete Mathematik Teil 3: Grundlagen Graphentheorie Tina Janne Schmidt Technische Universität München April 2012 Tina Janne Schmidt (TU München) Ferienkurs Propädeutikum Diskrete
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
MehrFür die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt:
Der K 4 lässt sich auch kreuzungsfrei zeichnen: Für die Anzahl der Kanten in einem vollständigen Graphen (und damit für die maximale Anzahl von Kanten in einem einfachen Graphen) gilt: ( ) n n (n 1) E
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte) Hausaufgabe 2 (5 Punkte) Wintersemester 2007/08 Lösungsblatt Januar 2008
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 2007/08 Lösungsblatt 9
MehrDiskrete Mathematik. Kurzskript zur Vorlesung von Anusch Taraz im Wintersemester 2007/ Februar Mengen... 2
Diskrete Mathematik Kurzskript zur Vorlesung von Anusch Taraz im Wintersemester 007/08 Zentrum für Mathematik, TUM 19. Februar 008 Inhaltsverzeichnis 1 Einführung und Grundlagen 1.1 Mengen..........................................
MehrDiskrete Mathematik Graphentheorie (Übersicht)
Diskrete Mathematik Graphentheorie (Übersicht) Dr. C. Löh 2. Februar 2010 0 Graphentheorie Grundlagen Definition (Graph, gerichteter Graph). Ein Graph ist ein Paar G = (V, E), wobei V eine Menge ist (die
MehrBemerkung: Der vollständige Graph K n hat n(n 1)
Bemerkung: Der vollständige Graph K n hat n(n 1) 2 Kanten. Bew: Abzählen! Definition 111. Graphen mit n paarweise zyklisch verbundenen Kanten heißen Kreise (vom Grad n) und werden mit C n bezeichnet. Beispiel
MehrBäume und Wälder. Definition 1
Bäume und Wälder Definition 1 Ein Baum ist ein zusammenhängender, kreisfreier Graph. Ein Wald ist ein Graph, dessen Zusammenhangskomponenten Bäume sind. Ein Knoten v eines Baums mit Grad deg(v) = 1 heißt
MehrNachbarschaft, Grad, regulär, Inzidenz
Nachbarschaft, Grad, regulär, Inzidenz Definition Eigenschaften von Graphen Sei G = (V, E) ein ungerichteter Graph. 1 Die Nachbarschaftschaft Γ(u) eines Knoten u V ist Γ(u) := {v V {u, v} E}. 2 Der Grad
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Bäume)
WS 2016/17 Diskrete Strukturen Kapitel 4: Graphentheorie (Bäume) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
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
MehrWS 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
MehrÜbungsaufgaben Graphentheorie, Wintersemester 2011/12
Übungsaufgaben Graphentheorie, Wintersemester 2011/12 Frank Göring 25. Januar 2012 Zusammenfassung Übungsaufgaben zur Graphentheorievorlesung. 1 Bis 19.10.2011 1. Wir hatten einen Graphen G als zusammenhängend
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
MehrDiskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphentheorie (Grundlagen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
Mehr1. Einige Begriffe aus der Graphentheorie
. Einige Begriffe aus der Graphentheorie Notation. Sei M eine Menge, n N 0. Dann bezeichnet P n (M) die Menge aller n- elementigen Teilmengen von M, und P(M) die Menge aller Teilmengen von M, d.h. die
Mehrdurch Einfügen von Knoten konstruiert werden kann.
Satz von Kuratowski Definition Unterteilung eines Graphen Sei G = (V, E) und e = {u, v} E. 1 Das Einfügen eines neuen Knoten w in die Kante e führt zum Graphen G = (V {w}, E \ e {{u, w}, {w, v}}). 2 Der
MehrProseminar Graphentheorie Vortrag 3 Matching. Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen
Proseminar Graphentheorie Vortrag 3 Matching Inhalt: 1. Grundlagen 2. Matchings in bipatiten Graphen 3. Matchings in allgemeinen Graphen 1. Grundlagen Definition Matching: Eine Menge M von unabhängigen
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrVier-Farben-Vermutung (1)
Vier-Farben-Vermutung (1) Landkarten möchte man so färben, dass keine benachbarten Länder die gleiche Farbe erhalten. Wie viele Farben braucht man zur Färbung einer Landkarte? Vier-Farben-Vermutung: Jede
MehrGraphentheorie. Kardinalitätsmatchings. Kardinalitätsmatchings. Kardinalitätsmatchings. Rainer Schrader. 11. Dezember 2007
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 11. Dezember 2007 1 / 47 2 / 47 wir wenden uns jetzt einem weiteren Optimierungsproblem zu Gliederung Matchings in bipartiten Graphen
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018 23. November 2017 1/40 Satz 4.27 (Multinomialsatz) Seien r, n N 0. Dann gilt für
MehrWS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings)
WS 2015/16 Diskrete Strukturen Kapitel 4: Graphen (Matchings) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Eulertouren, 2-Zusammenhang, Bäume und Baumisomorphismen Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline
Mehr= n (n 1) 2 dies beruht auf der Auswahl einer zweielementigen Teilmenge aus V = n. Als Folge ergibt sich, dass ein einfacher Graph maximal ( n E = 2
1 Graphen Definition: Ein Graph G = (V,E) setzt sich aus einer Knotenmenge V und einer (Multi)Menge E V V, die als Kantenmenge bezeichnet wird, zusammen. Falls E symmetrisch ist, d.h.( u,v V)[(u,v) E (v,u)
MehrAusarbeitung über den Satz von Menger und den Satz von König
Ausarbeitung über den Satz von Menger und den Satz von König Myriam Ezzedine, 0326943 Anton Ksernofontov, 0327064 Jürgen Platzer, 0025360 Nataliya Sokolovska, 0326991 1. Beweis des Satzes von Menger Bevor
MehrÜbungen zu Kombinatorik und Graphentheorie
Übungen zu Kombinatorik und Graphentheorie Ilse Fischer, SS 07 (1) (a) In einer Schachtel sind 4 rote, 2 blaue, 5 gelbe und 3 grüne Stifte. Wenn man die Stifte mit geschlossenen Augen zieht, wieviele muss
MehrDiskrete Strukturen in der Informatik
Diskrete Strukturen in der Informatik Markus Lohrey Universität Leipzig Wintersemester 2012/2013 Lohrey (Universität Leipzig) Diskrete Strukturen Wintersem. 2012/2013 1 / 287 Organisatorisches zur Vorlesung
MehrRelationen. Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von A B.
Mathematik I für Informatiker Relationen auf einer Menge p. 1 Relationen Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von A B. Ein wichtiger Spezialfall ist der,
MehrAnwendungen von Graphen
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke elektrische Schaltpläne Entity-Relationship Diagramme Beweisbäume endliche Automaten Syntaxbäume für Programmiersprachen Entscheidungsbäume
MehrElementare Definitionen. Anwendungen von Graphen. Formalisierung von Graphen. Formalisierung von Digraphen. Strassen- und Verkehrsnetze
Anwendungen von Graphen Strassen- und Verkehrsnetze Computernetzwerke Elementare Definitionen Ein Graph besteht aus Knoten und Kanten, die die Knoten verbinden. elektrische Schaltpläne Entity-Relationship
MehrWilliam Rowan Hamilton,
3.2.2 Hamiltonkreise Definition 130. In einem Graph G = (V,E) nennt man einen Kreis, der alle Knoten aus V genau einmal durchläuft, einen Hamiltonkreis. Enthält ein Graph eine Hamiltonkreis, nennt man
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Vorbereitung der Abschlussklausur am 16.02.2017 (Teil 2) 15. Februar 2017 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler 15. Februar 2017
MehrGraphen. Graphen und ihre Darstellungen
Graphen Graphen und ihre Darstellungen Ein Graph beschreibt Beziehungen zwischen den Elementen einer Menge von Objekten. Die Objekte werden als Knoten des Graphen bezeichnet; besteht zwischen zwei Knoten
Mehr1. Einführung. Grundbegriffe und Bezeichnungen. Beispiele. gerichtete Graphen. 1. Einführung Kapitelübersicht
1. Einführung Kapitelübersicht 1. Einführung Grundbegriffe und Bezeichnungen Beispiele Bäume gerichtete Graphen Graphentheorie HS Bonn-Rhein-Sieg, WS 2014/15 15 Das Königsberger Brückenproblem Beispiel
MehrRelationen. Bernhard Ganter. Institut für Algebra TU Dresden D Dresden
Relationen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Relationen Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von
MehrTutorium: Diskrete Mathematik
Tutorium: Diskrete Mathematik Vorbereitung der Bonusklausur am 24.11.2016 (Teil 2) 23. November 2016 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2016 Steven Köhler 23. November 2016
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
Mehr6. Planare Graphen und Färbungen
6. Planare Graphen und Färbungen Lernziele: Den Begriff der Planarität verstehen und erläutern können, wichtige Eigenschaften von planaren Graphen kennen und praktisch einsetzen können, die Anzahl von
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza)
WS 2013/14 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Esparza) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2013ws/ds/uebung/ 22. Januar 2014 ZÜ DS ZÜ XIII
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
Mehr8. Übung Algorithmen I
INSTITUT FÜR THEORETISCHE INFORMATIK 1 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft Institut für Theoretische www.kit.edu Informatik Grundlagen
MehrGraphen für Einsteiger
Manfred Nitzsche Graphen für Einsteiger Rund um das Haus vom Nikolaus 2., korrigierte Auflage vieweg 1 Erste Graphen 1 Das Haus vom Nikolaus 1 Was ist ein Graph? 2 Auch das ist bei Graphen möglich! 3 Der
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
MehrGraphentheorie I Dr. Markus Severitt L A TEX-Mitschrift von Christina und Jan
1 Graphentheorie I Dr. Markus Severitt L A TEX-Mitschrift von Christina und Jan Dies ist unsere Vorlesungsmitschrift der Veranstaltung Graphentherie I von Herrn Dr. Severitt, gelesen im Sommersemester
MehrDiskrete Mathematik. Anusch Taraz
Diskrete Mathematik Anusch Taraz 15. Januar 2009 2 Inhaltsverzeichnis I Grundlagen 5 1 Mengen und Mengenoperationen................... 5 2 Vollständige Induktion......................... 7 3 Relationen
MehrLösungen zu Kapitel 5
Lösungen zu Kapitel 5 Lösung zu Aufgabe : (a) Es gibt derartige Graphen: (b) Offensichtlich besitzen 0 der Graphen einen solchen Teilgraphen. Lösung zu Aufgabe : Es sei G = (V, E) zusammenhängend und V
MehrKlausur zu Diskrete Strukturen, WS 09/10
Aufgabenblatt (Gesamtpunktzahl: 50) Klausur zu Diskrete Strukturen, WS 09/10 B.Sc-Modulprüfung / Scheinklausur Dr. Timo Hanke, Lehrstuhl D für Mathematik, RWTH Aachen 06.02.2010 (1. Termin) Name: Matrikelnummer:
MehrGraphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX
Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie
MehrGraphen für Einsteiger
Manfred Nitzsche Graphen für Einsteiger Rund um das Haus vom Nikolaus vieweg 1 Erste Graphen 1 Das Haus vom Nikolaus 1 Was ist ein Graph? 2 Auch das ist bei Graphen möglich! 3 Der Grad einer Ecke 4 Verschiedene
MehrMatching. Organisatorisches. VL-18: Matching. (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger. Tanzabend
Organisatorisches VL-18: Matching (Datenstrukturen und Algorithmen, SS 2017) Gerhard Woeginger Vorlesung: Gerhard Woeginger (Zimmer 4024 im E1) Sprechstunde: Mittwoch 11:15 12:00 Übungen: Tim Hartmann,
Mehr4 Färbungen Begriffe Komplexität Greedy-Algorithmus Knotenreihenfolgen Das 4-Farben-Problem...
Inhaltsverzeichnis 4 Färbungen 41 4.1 Begriffe....................... 41 4.2 Komplexität..................... 42 4.3 Greedy-Algorithmus................ 42 4.4 Knotenreihenfolgen................. 43 4.5
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
MehrKnotenfärbung. Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E.
Knotenfärbung Def.: Eine Knotenfärbung eines Graphen G=(V,E) mit k Farben ist eine Abbildung c:v {1,...,k}, so dass c(u) c(v) für alle {u,v} E. Die chromatische Zahl χ(g) eines Graphen G ist die minimale
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 2: Einführung in die Graphentheorie - Teil 2 Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 2. März 2018 1/48 OPERATIONEN
MehrWiederholung
Wiederholung Knotenfärbung von Graphen Chromatische Zahl χ(g) Beweis: Jeder planare Graph ist 5-färbbar Vierfarbensatz: Jeder planare Graph ist 4-färbbar. Kantenfärbung: χ (G) = (G) oder (G)+1 Matchings
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Minimale aufspannende Bäume und Matchings Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 22. Mai 2011 Outline Minimale aufspannende
MehrFelix Brandt, Jan Johannsen. Vorlesung im Wintersemester 2008/09
Felix Brandt, Jan Johannsen Vorlesung im Wintersemester 2008/09 Übersicht Übersicht Definition Ein Matching in G = (V, E) ist eine Menge M E mit e 1 e 2 = für e 1, e 2 M, e 1 e 2 Ein Matching M ist perfekt,
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
Mehr3-Färbbarkeit. Korollar: Zu Entscheiden, ob ein Graph k-färbbar ist mit k 3, ist NP-vollständig.
3-Färbbarkeit Wir wissen bereits, dass in polynomieller Zeit entschieden werden kann, ob ein Graph 2-färbbar ist. Satz: Zu Entscheiden, ob ein Graph 3-färbbar ist, ist NPvollständig. Beweis: Reduktion
Mehr(1.18) Def.: Eine Abbildung f : M N heißt
Zurück zur Mengenlehre: Abbildungen zwischen Mengen (1.17) Def.: Es seien M, N Mengen. Eine Abbildung f : M N von M nach N ist eine Vorschrift, die jedem x M genau ein Element f(x) N zuordnet. a) M = N
MehrMathematische Grundlagen der Computerlinguistik Ordnungsrelationen
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen Dozentin: Wiebke Petersen 4. Foliensatz Wiebke Petersen math. Grundlagen 89 starke / schwache Ordnungen Eine Ordnung R einer Menge A ist
MehrZentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr)
WS 2011/12 Zentralübung zur Vorlesung Diskrete Strukturen (Prof. Mayr) Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2011ws/ds/uebung/ 25. Januar 2012 ZÜ DS ZÜ XIII
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
MehrFormale Grundlagen. bis , Lösungen. 1. Beweisen Sie, daß die Summe aller Grade der Knoten stets gerade ist.
Formale Grundlagen 4. Übungsaufgaben bis 2011-06-03, Lösungen 1. Beweisen Sie, daß die Summe aller Grade der Knoten stets gerade ist. 2. Finden Sie einen Eulerschen Weg im Briefumschlag, d.h. in: { ((1,
MehrTechnische Universität München. Ferienkurs Lineare Algebra 1. Mengenlehre, Aussagen, Relationen und Funktionen. 21. März 2011.
Technische Universität München Ferienkurs Lineare Algebra 1 Mengenlehre, Aussagen, Relationen und Funktionen 21. März 2011 Tanja Geib Inhaltsverzeichnis 1 Aussagen 1 2 Mengenlehre 3 2.1 Grundlegende Definitionen
MehrDiskrete Strukturen Wiederholungsklausur
Technische Universität München (I7) Winter 2013/14 Prof. J. Esparza / Dr. M. Luttenberger LÖSUNG Diskrete Strukturen Wiederholungsklausur Beachten Sie: Soweit nicht anders angegeben, ist stets eine Begründung
MehrWS 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
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
MehrGrundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008
Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung und
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
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrGraphentheorie. Formale Grundlagen (WIN) 2008S, F. Binder. Vorlesung im 2008S
Minimale Graphentheorie Formale Grundlagen (WIN) Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt
MehrZentralübung zur Vorlesung Diskrete Strukturen
WS 2010/11 Zentralübung zur Vorlesung Diskrete Strukturen Dr. Werner Meixner Fakultät für Informatik TU München http://www14.in.tum.de/lehre/2010ws/ds/uebung/ 2. Februar 2011 ZÜ DS ZÜ XIII 1. Übungsbetrieb:
MehrProgrammiertechnik II
Graph-Algorithmen Anwendungsgebiete "Verbundene Dinge" oft Teilproblem/Abstraktion einer Aufgabenstellung Karten: Wie ist der kürzeste Weg von Sanssouci nach Kunnersdorf? Hypertext: Welche Seiten sind
MehrDefinitionen und Sätze der Graphentheorie. Dr. F. Göring
Definitionen und Sätze der Graphentheorie Dr. F. Göring 4. Februar 2010 Zusammenfassung Die wesentlichen Definitionen und Sätze zusammengestellt. Kapitel 1 Einführung Definition 1.1 Sei Ω eine Grundmenge.
Mehr9. Übung Algorithmen I
Timo Bingmann, Christian Schulz INSTITUT FÜR THEORETISCHE INFORMATIK, PROF. SANDERS 1 KIT Timo Universität Bingmann, des LandesChristian Baden-Württemberg Schulz und nationales Forschungszentrum in der
MehrGraphentheorie. Färbungen. Knoten- und Kantenfärbungen. Knoten- und Kantenfärbungen. Rainer Schrader. 28. Januar 2008
Graphentheorie Rainer Schrader Färbungen Zentrum für Angewandte Informatik Köln 28. Januar 2008 1 / 57 2 / 57 wir wollen versuchen, die Knoten eines Graphen zu färben dabei dürfen keine zwei benachbarten
MehrDiskrete Strukturen. Markus Lohrey. Wintersemester 2008/2009. Universität Leipzig
Diskrete Strukturen Markus Lohrey Universität Leipzig Wintersemester 2008/2009 Lohrey (Universität Leipzig) Diskrete Strukturen Wintersem. 2008/2009 1 / 247 Organisatorisches zur Vorlesung Die aktuelle
MehrBerechnung von Teilmengen
Berechnung von Teilmengen Satz Anzahl der Teilmengen 2 n = n k=0 k=0 ( ) n k Beweis Korollar aus Binomischem Lehrsatz (1 + 1) n = n ( n k=0 k) 1 k 1 n k. Oder kombinatorisch: Sei M Menge mit M = n. Die
MehrEinführung in die Graphentheorie. Monika König
Einführung in die Graphentheorie Monika König 8. 11. 2011 1 Vorwort Diese Seminararbeit basiert auf den Unterkapiteln 1.1-1.3 des Buches Algebraic Graph Theory von Chris Godsil und Gordon Royle (siehe
MehrFünf-Farben-Satz. Seminar aus reiner Mathematik, WS 13/14. Schweighofer Lukas, November Seite 1
Der Fünf- Farben-Satz Seminar aus reiner Mathematik, WS 13/14 Schweighofer Lukas, November 2013 Seite 1 Inhaltsverzeichnis Vorwort...3 Graphentheoretische Grundlagen...4 Satz 2 (Eulerscher Polyedersatz)...7
MehrFormale Grundlagen. Graphentheorie 2008W. Vorlesung im 2008S
Minimale Formale Grundlagen Graphentheorie Franz Binder Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Minimale Inhalt Minimale
MehrDie Vermutungen von Hadwiger und
Die Vermutungen von Hadwiger und Hajós David Müßig Seminar zur Graphentheorie, WS 09/10 Wir alle kennen die Gleichung χ(x) ω(x). Diese Gleichung ist nicht nur einläuchtend, sondern auch mehr oder weniger
MehrMathematische Grundlagen der Computerlinguistik Ordnungsrelationen
Mathematische Grundlagen der Computerlinguistik Ordnungsrelationen Dozentin: Wiebke Petersen 4. Foliensatz Wiebke Petersen math. Grundlagen 86 starke / schwache Ordnungen Eine Ordnung R einer Menge A ist
MehrDiskrete Mathematik 1
Ruhr-Universität Bochum Lehrstuhl für Kryptologie und IT-Sicherheit Prof. Dr. Alexander May M. Ritzenhofen, M. Mansour Al Sawadi, A. Meurer Lösungsblatt zur Vorlesung Diskrete Mathematik 1 WS 2008/09 Blatt
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 6: Matchings und TSP-Problem Dipl-Math. Wolfgang Kinzner 4.4.2012 Kapitel 6: Matchings und TSP-Problem Matching und Matchingproblem Flussalgorithmus
MehrSatz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,...
Satz 324 Sei M wie oben. Dann gibt es für ein geeignetes k Konstanten c i > 0 und Permutationsmatrizen P i, i = 1,..., k, so dass gilt M = k c i P i i=1 k c i = r. i=1 Diskrete Strukturen 7.1 Matchings
MehrAlgorithmische Graphentheorie (WS2014/15)
Algorithmische Graphentheorie (WS2014/15) Kapitel 6 Perfekte Graphen Walter Unger Lehrstuhl für Informatik 1 02.12.2014 15:39 (6:2) Walter Unger 6.1.2015 17:16 WS2014/15 Z x Inhalt I 1 Einleitung Erinnerung
MehrDiskrete Mathematik I
Diskrete Mathematik I Alexander May Fakultät für Mathematik Ruhr-Universität Bochum Wintersemester 08/09 DiMa I - Vorlesung 01-13.10.2008 Mengen, Relationen, Funktionen, Indirekter Beweis 1 / 365 Organisatorisches
Mehr2 Mengen, Relationen, Funktionen
Grundlagen der Mathematik für Informatiker Grundlagen der Mathematik für Informatiker Mengen, Relationen, Funktionen. Mengen Definition. [Georg Cantor 895] Eine Menge ist eine Zusammenfassung bestimmter,
MehrZur Zykelschreibweise von Permutationen
Zur Zykelschreibweise von Permutationen Olivier Sète 16. Juni 2010 1 Grundlagen Definition 1.1. Eine Permutation von {1, 2,..., n} ist eine bijektive Abbildung σ : {1, 2,..., n} {1, 2,..., n}, i σ(i).
MehrDer Fünf-Farben-Satz. Lukas Schweighofer. Feb.2014
Der Fünf-Farben-Satz Lukas Schweighofer Feb.2014 1 Contents 1 Vorwort 3 2 Graphentheoretische Grundlagen 4 3 Satz 2 (Eulerscher Polyedersatz) 8 4 Satz 3 9 5 Der Fnf-Farben-Satz 10 5.1 Beweis 1..............................
MehrKombinatorik. Dr. Lucia Draque Penso. Universität Ulm. Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 19
Kombinatorik Dr. Lucia Draque Penso Universität Ulm Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 1 / 19 Fünfzehnte Vorlesung Dr. Lucia Draque Penso (Universität Ulm) Kombinatorik 2 / 19 Definition
Mehr2 Komplement eines Graphen
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum für Mathematik Prof. Dr. Ulrich Bauer, Zi Ye WS2015/2016 Datum: 21. Dezember Übungen zu Fallstudien der Mathematischen Modellbildung (Modellierung mit Graphen) (1
Mehr