Ein pragmatisierter Kalkul des naturlichen Schlieβens nebst Metatheorie



2.1 Abschnitte und Abschnittsfolgen

59


min(Dom(G(i))) ≤ max(Dom( G (i))) und beide Falle widersprechen der Annahme. Also
ist
i = j. ■

Theorem 2-19. Verschiedene Glieder einer Abschnittsfolge sind elementfremd

Wenn ʃɔ SEQ und G ABSF(), dann gilt fur alle i, j Dom(G): Wenn G(i) ≠ G(j), dann
G(i) ∩ G(j) = 0.

Beweis: Sei SEQ und G ABSF(). Dann ist G eine Folge mit Ran(G) ABS()
und fur alle
i, j Dom(G) gilt: Wenn i j, dann min(Dom(G(i))) < min(Dom(G(j))) und
max(Dom(
G(i))) < min(Dom(G(j))). Seien i, j Dom(G). Dann gilt: G(i), G(j)
ABS(). Sei nun G(i) ≠ G(j). Dann gilt mit Theorem 2-16-(i), dass i j. Dann ist i j
oder j i. Dann ist

min(Dom(G(i))) < min(Dom(G(j))) und max(Dom(G(i))) < min(Dom(G(j)))
oder

min(Dom(G(j))) < min(Dom(G(i))) und max(Dom(G(j))) < min(Dom(G(i))).

Also ist mit Theorem 2-8 G(i) G(j) = 0. ■

Definition 2-9. ANS-Umfassende Abschnittsfolge fur einen Abschnitt in f

G ist eine ANS-umfassende Abschnittsfolge fur 21. in ʃɔ
gdw

(i)   £ ∈ SEQ,

(ii)   Я ∈ ABS(),

(iii) G ABSF(){0} und

a)   min(Dom(^)) ≤ min(Dom( G (0))),

b)   max(Dom( G (max(Dom( G))))) ≤ max(Dom(2l)) und

c) Fur alle l ∈ Dom(ANS()) Dom(^) gilt: Es gibt ein i ∈ Dom( G), so dass l
Dom( G (i)).

Definition 2-10. Zuordnung der Menge der ANS-Umfassenden Abschnittsfolgen in f
(ANSUMF)

ANSUMF = {(, X) | ⅛ ∈ SEQ und X = {G | Es gibt ein 21. ∈ ABS() und G ist eine
ANS-umfassende Abschnittsfolge fur 21. in
}}.



More intriguing information

1. The name is absent
2. The name is absent
3. The name is absent
4. INTERACTION EFFECTS OF PROMOTION, RESEARCH, AND PRICE SUPPORT PROGRAMS FOR U.S. COTTON
5. FUTURE TRADE RESEARCH AREAS THAT MATTER TO DEVELOPING COUNTRY POLICYMAKERS
6. THE RISE OF RURAL-TO-RURAL LABOR MARKETS IN CHINA
7. Strategic Policy Options to Improve Irrigation Water Allocation Efficiency: Analysis on Egypt and Morocco
8. The name is absent
9. Prevalence of exclusive breastfeeding and its determinants in first 6 months of life: A prospective study
10. Naïve Bayes vs. Decision Trees vs. Neural Networks in the Classification of Training Web Pages