Hashing. Hashing. Hashing. Vorteil von Hashing. Aufgabe
|
|
- Hede Bayer
- vor 6 Jahren
- Abrufe
Transkript
1 Realisierug Realisierug Dyaische Verwaltug vo Date, wobei jeder Datesatz eideutig durch eie Schlüssel charakterisiert ist Viele Aweduge beötige ur eifache Date-Zugriffsechaise (dictioary operatios): Suche ach Datesatz bei gegebee Schlüssel x search(x) Eifüge eies eue Datesatzes d it Schlüssel x isert(x, d) (abgekürzt isert(x)) Etfere eies Datesatzes bei gegebee Schlüssel x delete(x) - Mege U potetieller Schlüssel sehr groß, aktuelle Schlüsselege S jeweils ur kleie Teilege des Uiversus (i allgeeie S icht bekat) - Idee: durch Berechug feststelle, wo Datesatz it Schlüssel x gespeichert - Abspeicherug der Datesätze i eie Array T it Idizes {0,,..., }: Hashtabelle - Hashfuktio h liefert für jede Schlüssel x U eie Adresse i Hashtabelle, d.h. h : U {0,,..., }. Mege potetieller Schlüssel (Uiversu) kasehr groß sei! /33 2/33 Realisierug Vorteil vo Realisierug U h T 0 2 Sei := S. Balacierte Suchbäue (AVL-Bäue, B-Bäue): dictioary operatios Koplexität O(log ) : für alle Operatioe ittlere Koplexität O() S Belegugsfaktor Quotiet β := / heißt Belegugsfaktor oder Auslastugsfaktor eier Hashtabelle der Größe. Mittlerer Aufwad für dictioary operatios als Fuktio i β abschätzbar Azahl aktueller Schlüssel geht ur idirekt i Aufwad ei 3/33 4/33
2 Realisierug Aforderuge Aforderuge a Herausforderug: Azahl öglicher Schlüssel viel größer als Hashtabelle, also U >> Hashfuktio uss verschiedee Schlüssel x ud x 2 auf gleiche Adresse abbilde. x ud x 2 beide i aktueller Schlüsselege Adresskollisio Hashverfahre gegebe durch: eie Hashtabelle, eie Hashfuktio, die Uiversu der ögliche Schlüssel auf Adresse eier Hashtabelle abbildet, eie Strategie zur Auflösug öglicher Adresskollisioe. 5/33 Gute sollte: surjektiv sei, d.h. de gaze Wertebereich ufasse, die zu speicherde Schlüssel (öglichst) gleichäßig verteile, d.h. für alle Speicherplätze i ud j sollte gelte h (i) h (j), effiziet berechebar sei. Voraussetzug: U = {0,,...,N } ud h : U {0,,..., } Häufig: Divisios- oder Kogruezethode h(x) : x od h (i) { N/, N/ } 6/33 Wahl eier Hashfuktio Aforderuge h(x) : x od Proble: Date oft icht gleichverteilt! Beispiel: Texte i Zahle übertrage, oft viele Leerzeiche, bestite Wörter häufiger etc. Wichtig: geeigete Wahl vo Zweierpotez: x od wählt ur die letzte log Bits Prizahl: x od beeiflusst alle Bits Beispiel: =ud S = {49, 22, 6, 52, 76, 34, 3, 29} Hashwerte: h(49) = 49 od = 5, h(22) = 22 od = 0, 6, 8, 0,, 2, 7 Erierug: I allgeeie uvereidbar, dass auftrete, de aus N >> folgt Existez eies Speicherplatzes i it h (i) N/. Frage: Sei := S. Wie wahrscheilich sid bei <<? Bei wie viele (zufällig gewählte) Persoe ist es wahrscheilich, dass hiervo zwei a selbe Tag (ud Moat) Geburtstag habe? 7/33 8/33
3 Aahe: Date uabhägig Prob(h(x) =j)=/ Prob(i-tes Datu kollidiert icht it de erste i Date, we diese kollisiosfrei sid)= (i ) Ituitio: Egal welche Speicherplätze die erste i Date belege, i +der Möglichkeite sid gut. Prob( Date kollisiosfrei) = 2 Beispiel: = 365 Prob(23 Date kollisiosfrei) 0,49 Prob(50 Date kollisiosfrei) 0,03 + Prob(2 /2 Date kollisiosfrei) = /2 2/2 + }{{}}{{} ( ) /2 /2 ( = /2 ) /2 uss it lebe ud beötigt Strategie zur Kollisiosbehadlug. e 9/33 0/33 Kollisiosbehadlug Kollisiosbehadlug Hashverfahre uterscheide sich i Strategie zur Kollisiosbehadlug: ittels verketteter Liste: Jede Kopoete der Hashtabelle ethält Zeiger auf Überlaufliste. ittels offeer Adressierug: I Kollisiosfall ach fester Regel alterative freie Platz i Hashtabelle suche. Für jede Schlüssel Reihefolge, i der Speicherplätze betrachtet werde, vorgegebe: Sodierugsfolge Verschiedee Arte der Kollisiosbehadlug: ittels verketteter Liste (liks) ittels offeer Adressierug (rechts) /33 2/33
4 it Verkettug Beispiel Verkettug der Überläufer Realisierug: Jede Kopoete der Hashtabelle ethält Zeiger auf paarweise disjukte lieare Liste. Die i-te Liste L(i) ethält alle Schlüssel x S it h(x) =i. Vorteil: Alle Operatioe werde uterstützt ud >öglich (für >>jedoch Rehashig ratsa). Nachteil: Speicherplatzbedarf für Zeiger Beispiel: =7ud h(x) =x od S = {2, 5, 2, 5,, 43, 53} search(x): Bereche h(x) ud suche i Liste L(h(x)) isert(x) (ach erfolgloser Suche): Bereche h(x) ud füge x i Liste L(h(x)) ei. delete(x) (ach erfolgreicher Suche): Bereche h(x), suche x i Liste L(h(x)) ud etfere x. 3/33 4/33 Aalyse Aalyse Bei zufällige Date ud ideal streuede Hashfuktio gilt für { i-tes Datu kot i Liste L(j) X ij := 0 sost Prob(X ij =)= E(X ij )= + 0 = X j = X j + + X j zähltazahldateilistel(j). E(X j )=E(X j + + X j )=E(X j )+ +E(X j )= Erfolglose Suche i Liste L(j): Iklusive il-zeiger durchschittlich + = +β Objekte betrachte Beispiel: Für 0, 95, istdies, 95. Erfolgreiche Suche i Liste L(j): derläge l Jede Positio i der Liste hat Wahrscheilichkeit /l, also l+ l ( l) = 2. Durchschittliche Listeläge hier: + (Liste ethält sicher das gesuchte Datu ud die adere Datesidzufällig verteilt.) Also erwartete Suchdauer 2 ( + +)= β 2 Beispiel: Für 0, 95, istdies, /33 6/33
5 Hashverfahre it offeer Adressierug Operatioe bei offeer Adressierug Erierug: I Kollisiosfall ach fester Regel alterative freie Platz i Hashtabelle suche (Sodierugsfolge). Voraussetzug: Auswertug vo h gilt als eie Operatio. t(i, j) := Positio des i-te Versuchs zu Eifüge vo Date x it h(x) = j Aforderug a Fuktio t: auch t i Zeit O() berechebar t(0,j)=j t(,j):{0,..., } {0,..., } bijektiv search(x): Bereche j := h(x). Suche x a de Positioe t(0,j),...,t(,j). Abbruch, we x gefude oder freie Stelle etdeckt (kei Datu it Schlüssel x). isert(x) ach erfolgloser Suche: Freie Platz fide (sost Overflow) ud x dort eifüge. delete(x) ach erfolgreicher Suche: Das Datu ka icht eifach etfert werde, da search frühzeitig Lücke fide würde ud eie Suche fälschlicherweise als erfolglos abbreche köte. 7/33 8/33 Etfere bei offeer Adressierug Proble: Datu ka bei Operatio delete(x) icht ohe weiteres gelöscht werde. Ausweg: Speicherplatz/Positio als besetzt, och ie besetzt oder wieder frei arkiere. Suche wird ur a Positioe it Markierug och ie besetzt vorzeitig abgebroche. Proble: I Laufe der Zeit keie Positio ehr, die it och ie besetzt arkiert ist. wird ieffiziet. Lieares Sodiere Quadratisches Sodiere Doppeltes Hilfsittel bei der Aalyse: ideales Offees ur bei Aweduge it search ud isert. /33 20/33
6 Lieares Sodiere Clusterbildug t(i, j) :=(i + j) od Beispiel: =ud j = h(x) =7 Sodierugsfolge: 7, 8, 9, 0,, 2, 3, 4, 5, 6, 7, 8, 0,, 2, 3, 4, 5, 6 Proble: Clusterbildug Tedez, dass ier lägere zusaehägede, belegte Abschitte i der Hashtabelle etstehe, sogeate Cluster erhöhte Suchzeite Beispiel: =, Positioe 2, 5, 6,9, 0,, 2, 7 belegt h(x): ladet a Positio: W.keit: h(x): ladet a Positio: W.keit: /33 22/33 Ideales Quadratisches Sodiere Wusch: Zu jede Zeitpukt alle Positioe die gleiche Wahrscheilichkeit besetzt zu werde Beobachtug: Das geht uerisch icht geau, i Beispiel freie Plätze, ögliche Hashwerte, also alle Wahrscheilichkeite k/, icht k/ Modell des ideale s: Alle ( ) Möglichkeite, die besetzte Plätze für Schlüssel auszuwähle, habe die gleiche Wahrscheilichkeit. Lieares Sodiere weit vo ideale etfert. t(i, j) :=j +( ) i+ i+ 2 2 od Sodierugsfolge: j, j + 2, j 2, j +2 2, j 2 2,..., j +( 2 )2, j ( 2 )2 Beispiel: =ud j = h(x) =7 Sodierugsfolge: 2 = 23 = 9 = 32 = 8 = 7, 8, 6,, 3, 6, 7, 4, 0, 3,, 43 = 29 = 56 = 42 = 7 = 57 = 88 = 74 = 5, 9, 8, 5, 4, 0, 2, 2 23/33 24/33
7 Quadratisches Sodiere Doppeltes Frage: Ist t(,j)für alle j ud bijektiv? Nei, aber ier we 3 od 4 ud eie Prizahl ist (Beweis: Zahletheorie) Besser als lieares Sodiere, aber für großes sid die erste Werte och ah a j Sei h (x) x od ud h 2 (x) x od ( 2) +. i-te Positio für x: h (x)+i h 2 (x) od, i Beispiel: =ud x =47 h (47) 47 od = 9 ud h 2 (47) 47 od 7 + = 4 Sodierugsfolge: 9, 4, 8, 3, 8, 3, 7, 2, 7, 2, 6,, 6,, 5, 0, 5, 0, 4 Doppeltes kot de ideale a ächste. 25/33 26/33 Aalyse Ideales, erfolglose Suche Aalyse der Kollisiosstrategie schwierig Wege otwediger Modellierug der Clusterbildug ist z.b: Durchschittsaalyse für Lieares Sodiere icht gaz eifach. Zeit für erfolgreiche Suche /2( + β ) it β := / Zeit für erfolglose Suche /2( + ) ( β) 2 Beispiel: Auslastug 95% Erfolgreiche Suche: durchschittlich 0, 5 Positioe Erfolglose Suche: durchschittlich 200, 5 Positioe Erfolglose Suche bei ideale : Hashtabelle icht voll, d. h. +, Date abgespeichert f(, ) := erwartete Suchzeit. it W.keit Suche a Positio t(0,h(x)) Wahrscheilichkeit ( )/: Positio leer, Restkoste 0 Wahrscheilichkeit /: Positio besetzt, erwartete Restkoste f(, ) (Resttabelle der Läge ethält zufällig verteilte Date.) Ideales aalysiere, u Greze auszulote 27/33 28/33
8 Ideales, erfolglose Suche Also f(, ) = + 0+ f(, ) = + f(, ) = + ( + = + + M ) f( 2, 2) ( + 2 f( 3, 3) 2 = Ausprobiere, rate,... Ud jetzt? ) 29/33 Ideales, erfolglose Suche f(, ) = + + ( β ) Beweis durch Iduktio über : =0: f(0,) = ud =. : f(, ) = + f(, ) I.V. = + ( ) = + + = + +. Für 0, 95 ( +)i Schitt 20 Positioe (Ersparisfaktor 0 gegeüber lieare Sodiere) 30/33 Ideales, erfolgreiche Suche Erfolgreiche Suche bei ideale : Gesuchtes Datu x wurde als k-tes Datu eigefügt. Erfolgreiche Suche ach x verläuft bis zu Fide vo x idetisch zu der erfolglose Suche ach x direkt vor de Eifüge vo x. Also k besetzte Stelle erwartete Suchzeit + + (k ) We jedes der Date it Wahrscheilichkeit gesucht wird, beträgt die erwartete Suchzeit + k+2. k 3/33 Ideales, erfolgreiche Suche k ( + k+2 = ) + }{{} P ı + ı P ı + Die erwartete Zeit eier erfolgreiche Suche bei ideale beträgt + (H( +) H( +)) + /β l β (l( +) l( +))= + ı l + + Für 0, 95 ( +)i Schitt 3, 5 Positioe (Ersparisfaktor größer als 3 gegeüber lieare Sodiere) 32/33
9 Uiverselles Uiverselles Proble Trotz hervorrageder average-case Koplexität vo Θ() sehr schlechtes worst-case Verhalte (alle aktuelle Schlüssel auf dieselbe Adresse der Hashtabelle) Θ(). Beobachtug: Bei festgelegter Hashfuktio bestite Schlüsselege, die dieses ugüstige Verhalte hervorrufe ka. Ausweg: Zur Laufzeit zufällig Hashfuktio aus Klasse vo (it besodere Eigeschafte) auswähle. Für jede Schlüsselege S U gutes Laufzeitverhalte i Mittel (bezoge auf Zufallsauswahl der Hashfuktio). 33/33
Hashing. Überblick Aufgabe Realisierung
Überblick Aufgabe Realisierung Aufgabe Realisierung Anforderungen Wahl einer Hashfunktion mit Verkettung der Überläufer Offene Universelles 2/33 Überblick Aufgabe Realisierung Aufgabe Dynamische Verwaltung
Hashing Hashfunktionen Kollisionen Ausblick. Hashverfahren. Dank an: Beate Bollig, TU Dortmund! 1/42. Hashverfahren
Dank an: Beate Bollig, TU Dortmund! 1/42 Hashing Überblick Aufgabe Realisierung Aufgabe Realisierung Anforderungen Wahl einer Hashfunktion mit Verkettung der Überläufer Offene Universelles Hashing 2/42
ALP I Induktion und Rekursion
ALP I Iduktio ud Rekursio Teil II WS 2009/200 Prof. Dr. Margarita Espoda Prof. Dr. Margarita Espoda Iduktio über Bäue Defiitio: a) Ei eizeler Blatt-Kote ist ei Bau o b) Falls t, t 2,,t Bäue sid, da ist
1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
Mathematik 1 für Informatik
Guter Ochs. Juli 203 Mathematik für Iformatik Probeklausur Lösugshiweise. a Bestimme Sie per NewtoIterpolatio ei Polyom px mit möglichst kleiem Grad, so dass p = p0 = p = sowie p2 = 7. i x i y i d i,i
Wörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
WS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukture Prof. Dr. J. Esparza Lehrstuhl für Grudlage der Softwarezuverlässigkeit ud theoretische Iforatik Fakultät für Iforatik Techische Uiversität Müche http://www7.i.tu.de/u/courses/ds/ws0910
2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
so spricht man von einer kommutativen Gruppe oder auch abelschen Gruppe.
Defiitioe ud Aussage zu ruppe Michael ortma Eie ruppe ist ei geordetes Paar (, ). Dabei ist eie icht-leere Mege, ist eie Verküpfug (Abbildug), wobei ma i.a. a b oder gar ur ab statt ( a, b) schreibt. Es
n=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
SUCHPROBLEME UND ALPHABETISCHE CODES
SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich
Effiziente Algorithmen I: Approximationsalgorithmen Motivation und Begriffe
Michael Auerbach 291 Effiziete Algorithe I: Approxiatiosalgorithe Motivatio ud Begriffe Viele fudaetale Optiierugsproblee lasse sich für e Praxis icht schell geug exakt löse. Daher besteht der Wusch, das
Prof. S. Krauter Kombinatorik. WS Blatt07.doc. (Quelle: M. Aigner; Diskrete Mathematik. Vieweg 1993.)
Prof. S. Krauter Kobiatorik. WS-05-06. Blatt07.doc (Quelle: M. Aiger; Diskrete Matheatik. Vieweg 1993.) 1. a) Bereche Sie i Pascal sche Zahledreieck die Sue der Bioialkoeffiziete lägs eier Diagoale, also
6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
Universität Stuttgart Fachbereich Mathematik. 1 Lineare Abbildungen und Matrizen. 1.1 Um was geht es?
Uiversität Stuttgart Fachbereich Mathematik Prof Dr C Hesse PD Dr P H Lesky Dipl Math D Zimmerma Msc J Köller FAQ 4 Höhere Mathematik 724 el, kyb, mecha, phys Lieare Abbilduge ud Matrize Um was geht es?
Dr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger IDUKTIVE STTISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUG - LÖSUGE erutatioe. zahl der erutatioe vo verschiedefarbige erle!! 0. zahl der erutatioe vo 0 uerierte Kugel! 0!.8.800
Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
s xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
Beispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
Wiederholung: Linearer Ausgleich 1. Linearer Ausgleich. Vorlesung April. Aufgabe Gegeben Naturgesetz
Vorlesug 4 6 + 9 April Bei w,, w m, v R ; (w,, w m =: A R (,m ud ieres Produkt = euklidisches Produkt schrieb sich das Approximatiosproblem so: Fide w = Wiederholug: m ζ k w k mit w v w v w spa{w,, w m
Lösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann
Lösugsskizze Mathematik für Iformatiker 5. Aufl. Kapitel 3 Peter Hartma Verstädisfrage. Ka ma ei Axiom beweise? Nei!. Ka ei Beweis eier Aussage richtig sei, we im Iduktiosschluss die Iduktiosaahme icht
Seminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
Kapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
Informatik II Dynamische Programmierung
lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit
Analysis I Lösungsvorschläge zum 3. Übungsblatt Abgabe: Bis Donnerstag, den , um 11:30 Uhr
Karlsruher Istitut für Techologie Istitut für Aalysis Dr. Christoph Schmoeger Dipl.-Math. Lars Machiek Dipl.-Math. Sebastia Schwarz WS 206/207 03..206 Aalysis I Lösugsvorschläge zum 3. Übugsblatt Abgabe:
Lösungsskizzen Mathematik für Informatiker 6. Aufl. Kapitel 4 Peter Hartmann
Lösugssizze Mathemati für Iformatier 6. Aufl. Kapitel 4 Peter Hartma Verstädisfrage 1. We Sie die Berechug des Biomialoeffiziete mit Hilfe vo Satz 4.5 i eiem Programm durchführe wolle stoße Sie schell
Grundlagen der Differentialrechnung mit mehreren Veränderlichen
www.atheatik-etz.de Copyright, Page 1 of 6 Grudlage der Differetialrechug it ehrere Veräderliche Die Differezierbarkeit eier Fuktio f:m eier Veräderliche (d.h. M ) i eie Häufugspukt a M bedeutet a - geoetrisch
3 Elemente der Komplexitätstheorie Definitionen und ein Beispiel Nichtdeterminismus und das P-NP-Problem... 57
Ihaltsverzeichis 1 Berechebarkeit ud Algorithme 7 1.1 Berechebarkeit................................. 7 1.1.1 LOOP/WHILE-Berechebarkeit................... 8 1.1.2 Turig-Maschie...........................
Wir wiederholen zunächst das Majorantenkriterium aus Satz des Vorlesungsskripts Analysis von W. Kimmerle und M. Stroppel.
Uiversität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dr. D. Zimmerma MSc. J. Köller MSc. R. Marczizik FDSA 4 Höhere Mathematik II 30.04.2014 el, kyb, mecha, phys 1 Kovergezkriterie
10 Aussagen mit Quantoren und
0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits
4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
Strukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
Kryptographische Protokolle
Kryptographische Protokolle Eiführede Beispiele Claudia Herklotz, 04.05.2004 Protokolle Regel Gebräuche Formalitäte 2 Kryptographische Protokolle Kommuikatio zwische verschiedee Parteie Teile vo Geheimisse
4. Die Menge der Primzahlen. Bertrands Postulat
O. Forster: Eiführug i die Zahletheorie 4. Die Mege der Primzahle. Bertrads Postulat 4.1. Satz (Euklid. Es gibt uedlich viele Primzahle. Beweis. Wir zeige, dass es zu jeder edliche Mege p 1, p 2,..., p
Eigenschaften von Texten
Worthäufigkeite Eigeschafte vo Texte Eiige Wörter sid sehr gebräuchlich. 2 der häufigste Wörter (z.b. the, of ) köe ca. 0 % der Wortvorkomme ausmache. Die meiste Wörter sid sehr selte. Die Hälfte der Wörter
Election: Nachrichtenkomplexität. Mittlere Nachrichtenkomplexität (1) - Beispiel: Sei k = n = 4 - Über alle Permutationen mitteln (wieviele?
Electio: Nachrichtekompleität - Message-etictio-Prizip vo Chag ud Roberts 979 - war eier der erste verteilte Algorithme Mittlere Nachrichtekompleität () - Beispiel: Sei k = = - Über alle Permutatioe mittel
Lineare Abbildungen und Matrizen
Kapitel 6 Lieare Abbilduge ud Matrize I diese Kapitel werde wir lieare Abbilduge ittels sogeater Matrize beschreibe. Das Matrizekalkül wurde i Wesetliche vo C.F. Gauß, J.J. Sylvester ud A. Cayley i 19.
1 Einführende Worte 2
Sara Adams Semiarvortrag Rekursive Fuktioe - WS 2004/05 1 Sara Adams Semiarvortrag Rekursive Fuktioe - WS 2004/05 2 1 Eiführede Worte Semiar Grudlegede Algorithme Auflösug vo Rekursioe 1.1 Beispiele Bevor
3. Inkrementelle Algorithmen
3. Ikremetelle Algorithme Defiitio 3.1: Bei eiem ikremetelle Algorithmus wird sukzessive die Teillösug für die erste i Objekte aus der bereits bekate Teillösug für die erste i-1 Objekte berechet, i=1,,.
Algorithmen und Datenstrukturen"
Lehrstuhl für Medieiformatik Uiversität Siege Fakultät IV 10 Aufwad vo Algorithme Versio: WS 14/15 Fachgruppe Medieiformatik 10.1 10 Aufwad vo Algorithme... Motivatio: I der Regel gibt es viele mögliche
Tests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
Teil VII : Zeitkomplexität von Algorithmen
Teil VII : Zeitkomplexität vo Algorithme. Algorithme ud ihr Berechugsaufwad. Aufwadsabschätzug Wachstum vo Fuktioe. Aufwad vo Suchalgorithme K. Murma, H. Neuma, Fakultät für Iformatik, Uiversität Ulm,
Musterlösung zu Blatt 8 der Vorlesung Analysis I WS08/09
Musterlösug zu Blatt 8 der Vorlesug Aalysis I WS08/09 Schriftliche Aufgabe Aufgabe. Voraussetzuge: Für alle N setze a : +2 ud b : ( 2. [Amerkug: I der Aufgabestellug heiÿe die Reihe beide gleich. Es steht
Univariate Verteilungen
(1) Aalyse: "deskriptive Statistike" Aalysiere -> deskriptive Statistike -> deskriptive Statistik Keie tabellarische Darstellug der Häufigkeitsverteilug () Aalyse: "Häufigkeitsverteilug" Aalysiere -> deskriptive
KAPITEL 7. Zahlenfolgen. 7.1 Konvergente Zahlenfolgen Grenzwertbestimmung Grenzwertbestimmung durch Abschätzung...
KAPITEL 7 Zahlefolge 7. Kovergete Zahlefolge.............................. 30 7.2 Grezwertbestimmug............................... 32 7.3 Grezwertbestimmug durch Abschätzug..................... 35 7.4
Dynamisches Programmieren Stand
Dyamisches Programmiere Stad Stad der Dige: Dyamische Programmierug vermeidet Mehrfachberechug vo Zwischeergebisse Bei Rekursio eisetzbar Häufig eifache bottom-up Implemetierug möglich Das Subset Sum Problem:
Tutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
1.3 Funktionen. Seien M und N Mengen. f : M N x M : 1 y N : y = f(x) nennt man Funktion oder Abbildung. Beachte: Zuordnung ist eindeutig.
1.3 Fuktioe Seie M ud N Mege f : M N x M : 1 y N : y fx et ma Fuktio oder Abbildug. Beachte: Zuordug ist eideutig. Bezeichuge: M : Defiitiosbereich N : Bildbereich Zielmege vo f Der Graph eier Fuktio:
1. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Istitut für Techologie Istitut für Theoretische Iformatik Prof. Dr. Peter Saders Dr. Christia Schulz, Dr. Simo Gog Michael Atma. Übugsblatt zu Algorithme II im WS 06/07 http://algo.iti.kit.edu/algorithmeii
Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT
Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug
KAPITEL 2. Zahlenfolgen
KAPITEL Zahlefolge. Kovergete Zahlefolge...................... 35. Grezwertbestimmug....................... 38.3 Grezwertbestimmug durch Abschätzug............. 4.4 Mootoe Folge..........................
Einführung in die Stochastik 10. Übungsblatt
Eiführug i die Stochastik. Übugsblatt Fachbereich Mathematik SS M. Kohler.7. A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 37 (4 Pukte) Ei Eremit am Südpol hat sich für die eibrechede polare Nacht mit
HEUTE. Beispiele. O-Notation neue Einführung Ideen und Eigenschaften Aufgaben 47 und 52
11.02.04 1 HEUTE 11.02.04 3 Beispiele 2, 2 2, 2 +, 1 2 2 log habe asymptotisch gleiches Wachstum: O-Notatio eue Eiführug Idee ud Eigeschafte Aufgabe 47 ud 2 Aufteilugs- ud Beschleuigugssatz Idee ud Awedug
Wirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
4-1 Elementare Zahlentheorie
4-1 Elemetare Zahletheorie 4. Dirichlet s Satz über Primzahle i arithmetische Progressioe. Satz (Dirichlet 1837). Seie a, k atürliche Zahle. Sid die Zahle a, k teilerfremd, so gibt es uedlich viele Primzahle
Nachtrag. Alternatives Buch zum Satz von Fermat 1999 bei amazon nur noch gebraucht
Nachtrag Alteratives Buch zum Satz vo Fermat 1999 bei amazo ur och gebraucht 1 Uedliche (Zahle-) Mege 2 Wiederholug Steuer Bei eiem Eikomme vo ud eiem Steuersatz vo 33% müsse Sie Steuer zahle. Da werde
(4) = 37,7 % mit 37,7 % Wahrscheinlichkeit sind es höchstens 4 Fahrräder, das ist recht hoch; man kann also die Behauptung nicht wirklich ablehnen.
Schülerbuchseite 98 1 Lösuge vorläufig IV Beurteilede Statistik S. 98 p S. 1 p w a t Tabelle Tabelle dowloadbar im Iteretauftritt 1 Teste vo Hypothese 1 a) Erwartugswert μ = 5 ud Stadardabweichug σ = 1,6;
Wirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
und wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
n 2(a + bx i y i ) = 0 und i=1 n 2(a + bx i y i )x i = 0 i=1 gilt. Aus diesen beiden Gleichungen erhalten wir nach wenigen einfachen Umformungen
Regressio Dieser Text rekapituliert die i der Aalsis ud Statistik wohlbekate Methode der kleiste Quadrate, auch Regressio geat, zur Bestimmug vo Ausgleichsgerade Regressiosgerade ud allgemei Ausgleichpolome.
Lösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
Kombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
Dynamische Programmierung Matrixkettenprodukt
Dyamische Programmierug Matrixketteprodukt Das Optimalitätsprizip Typische Awedug für dyamisches Programmiere: Optimierugsprobleme Eie optimale Lösug für das Ausgagsproblem setzt sich aus optimale Lösuge
Kapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Methode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
Gliederung. Value-at-Risk
Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug
Übungen zur Vorlesung Funktionentheorie Sommersemester 2012. Musterlösung zu Blatt 0
UNIVERSITÄT DES SAARLANDES FACHRICHTUNG 6.1 MATHEMATIK Prof. Dr. Rolad Speicher M.Sc. Tobias Mai Übuge zur Vorlesug Fuktioetheorie Sommersemester 01 Musterlösug zu Blatt 0 Aufgabe 1. Käpt Schwarzbart,
... a ik) i=1...m, k=1...n A = = ( a mn
Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,
Vorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik ür Iormatiker -- 8 Folge -- 11.10.2015 1 Folge: Deiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reiheolge wichtig,
4. Reihen Definitionen
4. Reihe 4.1. Defiitioe Addiere wir die Glieder eier reelle Zahlefolge (a k ), so heißt diese Summe S (uedliche) (Zahle-) Reihe S (Folge: Fuktio über N; Reihe: 1 Zahl): S := a 1 + a 2 + a 3 +... := Σ a
Lektion II Grundlagen der Kryptologie
Lektio II Grudlage der Kryptologie Klassische Algorithme Ihalt Lektio II Grudbegriffe Kryptologie Kryptographische Systeme Traspositioschiffre Substitutioschiffre Kryptoaalyse Übuge Vorlesug Datesicherheit
Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet
Humboldt-Uiversität zu Berli Istitut für Iformatik Logik i der Iformatik Prof. Dr. Nicole Schweikardt Page-Rak: Markov-Kette als Grudlage für Suchmaschie im Iteret Skript zum gleichamige Kapitel der im
D-MATH Topologie FS 15 Theo Bühler. Musterlösung 2
D-MATH Topologie FS 15 Theo Bühler Musterlösug 2 1. a) Per Defiitio ist A = {x : x berührt A}. I der Vorlesug wurde die Formel (X A) = ( A ) c gezeigt, also A = ( X A ) c. Daher ist A = A A = A (A ) c
AT AB., so bezeichnet man dies als innere Teilung von
Teilverhältisse Aus der Geometrie der Dreiecke ket ma die Aussage, dass der Schwerpukt T eies Dreiecks die Seitehalbierede im Verhältis : teilt. Für die Strecke AT ud TM gilt gemäß der Abbildug AT : TM
14. Hashing. Motivation. Naive Ideen. Bessere Idee? k(s) = s i b i
Motivation 14. Hashing Hash Tabellen, Geburtstagsparadoxon, Hashfunktionen, Perfektes und universelles Hashing, Kollisionsauflösung durch Verketten, offenes Hashing, Sondieren [Ottan/Widayer, Kap. 4.1-4.3.2,
Kapitel 4. Streuen. (h K injektiv) k 1 k 2 K = h(k 1 ) h(k 2 )
Kapitel 4 Streuen Wir behandeln nun Ipleentationen ungeordneter Wörterbücher, in denen die Schlüssel ohne Beachtung ihrer Sortierreihenfolge gespeichert werden dürfen, verlangen aber, dass es sich bei
Proseminar SS 2003 Codierverfahren Thema: Präfix-Codes, Kraft-Ungleichung und Huffmanverfahren
Proseiar SS 003 Codierverfahre Thea: Präfix-Codes, Kraft-Ugleichug ud Huffaverfahre Liag Zhag . Eiführug. Code Ei Code ist eie Vorschrift für die eideutige Zuordug der Zeiche eies Zeichevorrats zu dejeige
Übungsblatt 1 zur Vorlesung Angewandte Stochastik
Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche
2. Verteilung der Primzahlen. Bertrands Postulat
O Forster: Prizahle 2 Verteilug der Prizahle Bertrads Postulat 21 Satz (Euklid Es gibt uedlich viele Prizahle Beweis Wir zeige, dass es zu jeder edliche Mege 1, 2,, vo Prizahle ier och eie weitere Prizahl
Algebra und Zahlentheorie WS 13/14 Lösungsskizzen zu Zettel 5 PD Dr. Tobias Finis Frederik Garbe, Huy Le Duc
Algebra ud Zahletheorie WS 13/14 Lösugsskizze zu Zettel 5 FU Berli Dozet: Tutore: Zetralübug: PD Dr. Tobias Fiis Frederik Garbe, Huy Le Duc David Müßig Bitte beachte: Diese Lösuge sid Lösugsskizze. Es
Mathematik der Lebensversicherung. Dr. Karsten Kroll GeneralCologne Re
atheatik der Lebesersicherug r. Karste Kroll GeeralCologe Re atheatik der Lebesersicherug atheatische Grudasätze iskotiuierliche ethode: Sätliche Leistuge erfolge zu bestite Zeitpukte ie Zeititeralle dazwische
Wir weisen die Gültigkeit der 4Axiome der sigma-algebra für die Potenzmenge einer endlichen Menge A nach!
Lösug zu Übug 4 Prof. Dr. B.Grabowski E-Post: grabowski@htw-saarlad.de Zu Aufgabe ) Wir weise die Gültigkeit der 4Axiome der sigma-algebra für die Potezmege eier edliche Mege A ach! ) Die leere Mege ud
Beweistechniken Vollständige Induktion - Beispiele, Erweiterungen und Übungen
Beweistechike Vollstädige Iduktio - Beispiele, Erweiteruge ud Übuge Alex Chmelitzki 15. März 005 1 Starke Iduktio Eie etwas abgewadelte Form der Iduktio ist die sogeate starke Iduktio. Bei dieser Spielart
Zahlenfolgen und Konvergenzkriterien
www.mathematik-etz.de Copyright, Page of 7 Zahlefolge ud Kovergezkriterie Defiitio: (Zahle-Folge, Grezwert) Eie Folge ist eie Abbildug der atürliche Zahle i die Mege A. Es ist also im Fall A: ; f: mit
HONORAR Honorarabrechnung
HONORAR Hoorarabrechug Ihaltsverzeichis 1 Leistugsbeschreibug... 3 2 Itegratio i das Ageda-System... 4 3 Highlights... 5 3.1 Freie Formulargestaltug... 5 3.2 Positiosvorschläge aus Leistuge bzw. Gegestadswerte...
Folgen und Reihen. 23. Mai 2002
Folge ud Reihe Reé Müller 23. Mai 2002 Ihaltsverzeichis 1 Folge 2 1.1 Defiitio ud Darstellug eier reelle Zahlefolge.................. 2 1.1.1 Rekursive Defiitio eier Folge......................... 3 1.2
Empirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
Kombinatorik und Polynommultiplikation
Kombiatorik ud Polyommultiplikatio 3 Vorträge für Schüler SS 2004 W Pleske RWTH Aache, Lehrstuhl B für Mathematik 3 Eiige Zählprizipie ud Ausblicke Wir habe bislag gesehe, was die Multiomialkoeffiziete
LGÖ Ks VMa 12 Schuljahr 2017/2018
LGÖ Ks VMa Schuljahr 7/8 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Experte 8 Polyomgleichuge ud -ugleichuge
6 Grenzwerte von Zahlenfolgen
6 Grezwerte vo Zahlefolge Ei zetraler Begriff der Aalysis ist der des Grezwertes. Wir begie mit der Betrachtug vo Grezwerte vo Zahlefolge. 6. Zahlefolge 6.. Grudbegriffe Defiitio 6... Eie Fuktio f : Z
Vereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung
. Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug
BINOMIALKOEFFIZIENTEN. Stochastik und ihre Didaktik Referentin: Iris Winkler 10.11.2008
Stochasti ud ihre Didati Refereti: Iris Wiler 10.11.2008 Aufgabe: Führe Sie i der Seudarstufe II die Biomialoeffiziete als ombiatorisches Azahlproblem ei. Erarbeite Sie mit de Schülerie ud Schüler mithilfe
Wissenschaftliches Arbeiten Studiengang Energiewirtschaft
Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:
5.3 Wachstum von Folgen
53 Wachstum vo Folge I diesem Abschitt betrachte wir (rekursiv oder aders defiierte) Folge {a } = ud wolle vergleiche, wie schell sie awachse, we wächst Wir orietiere us dabei a W Hochstättler: Algorithmische
Verteilungsfunktionen
Verteilugsfuktioe Wie sid zufällige Fehler verteilt? Wie sid Messwerte verteilt? Fehler Messwerte Verteilugsfuktioe: Maxwell-Boltza Feri-Dirac Bose-Eistei Placksche Verteilug Frage ist stets, wie groß
Zusammenfassung: Gleichungen und Ungleichungen
LGÖ Ks VMa Schuljahr 6/7 Zusammefassug: Gleichuge ud Ugleichuge Ihaltsverzeichis Polyomgleichuge ud -ugleichuge Bruch-, Wurzel- ud Betragsgleichuge ud ugleichuge 6 Für Eperte 8 Polyomgleichuge ud -ugleichuge
1. Zahlenfolgen und Reihen
. Zahlefolge ud Reihe We ma eie edliche Mege vo Zahle hat, ka ma diese i eier bestimmte Reihefolge durchummeriere: {a,a 2,...,a }. Ma spricht vo eier edliche Zahlefolge. Fügt ma immer mehr Zahle hizu,