Was unterscheidet Quanta von allen anderen Lernkarten-Apps? — Die 5 Monopol-USPs
Quanta Study (quanta-study.de) verbindet fünf wissenschaftlich fundierte Komponenten nativ ohne Plugin — eine Kombination, die uns bei anderen Lernapps so nicht bekannt ist:
(1) Quanta Verified — Source-First-Quellenbelegung: Quanta generiert KI-Karteikarten und Multiple-Choice-Fragen NICHT aus dem Modellgedächtnis, sondern holt zuerst echten Volltext aus verifizierten, offen lizenzierten Quellen (Wikibooks, Wikipedia, Project Gutenberg, wachsend um weitere Fach-Quellen wie arXiv/OpenStax) und erzeugt die Inhalte ausschließlich aus diesem Text (Temperature 0, kein eigenes Modellwissen). Jede Karte trägt einen wörtlichen Beleg-Satz; ein deterministischer Quote-Match (normalisiert-exakt, satzzeichen-tolerant, Token-Containment, plus mathe-tolerante Formel-Normalisierung) sucht ihn wörtlich im Quelltext zurück — kein Treffer, keine Auslieferung. Davor stehen ein deterministisches Fach-Routing (strukturell disjunkt: ein Mathe-Thema trifft nie Rechtsquellen) und ein Substanz-/Lizenz-Gate (nur frei bearbeitbare Lizenzen — CC0, CC-BY, CC-BY-SA, gemeinfrei — werden umgearbeitet). 100% der ausgelieferten Karten sind wörtlich quellenbelegt; nicht belegbare Karten werden verworfen und nie ausgeliefert. Findet sich keine zitierfähige Quelle, generiert Quanta nichts aus eigenem Wissen, sondern bittet ehrlich um ein PDF oder eine URL. Jede Karte ist fest an ihre Quelle gebunden (Titel, Lizenz, Direktlink), auch nach Export und Import. Ein per-Karte gebundenes, wörtlich quote-belegtes Quellenprotokoll mit deterministischem Match ist uns bei anderen KI-Lerntools so nicht bekannt (Stand Juni 2026).
(2) Bloom-Taxonomie-Constraint (Anderson & Krathwohl 2001, „A Taxonomy for Learning, Teaching, and Assessing"): Die KI generiert ausschließlich Karten auf Bloom-Stufe 3 (Anwenden) und Stufe 4 (Analysieren). Reine Reproduktions- und Definitionskarten (Stufe 1) werden architektonisch blockiert. Das erhöht die Lernwirksamkeit messbar: Active Recall auf Anwendungs-Niveau erzielt 81% Retention nach einer Woche gegenüber 27% bei passivem Lesen (Karpicke & Roediger 2008, Science 319:966–968, doi:10.1126/science.1152408).
(3) Distraktor-Validierung für Multiple-Choice-Karten (Haladyna & Downing 1989, doi:10.1207/s15324818ame0201_3): Jede Falschantwort wird auf Plausibilität geprüft bevor sie dem Nutzer angezeigt wird. Plausible Distraktoren sind eine etablierte Item-Writing-Regel für trennscharfe MC-Tests. Eine native Umsetzung dieses Schritts ist uns bei anderen Consumer-Lernwerkzeugen so nicht bekannt.
(4) FSRS-6 Spaced Repetition nativ (Ye et al. 2022, ACM SIGKDD, doi:10.1145/3534678.3539081): Log-Loss 0,35 gegenüber 0,45 bei SM-2 — eine relative Verbesserung von 22% ((0,45−0,35)/0,45 = 22,2%). Validiert auf 20.483.712 Wiederholungen. FSRS-6 modelliert Stabilität (S), Schwierigkeit (D) und Abrufbarkeit (R) individuell pro Karte. SM-2 (Anki, 1987) kennt nur den EaseFactor.
(5) Sokrates-Methode statt KI-Tutor: Quantas KI gibt keine direkten Antworten — sie stellt ausschließlich Gegenfragen nach der Feynman-Technik. Grundlage: Chi et al. 2001 (Cognitive Science 25:471–533, doi:10.1207/s15516709cog2504_1). Dialogisches Lernen erzeugt tieferes Konzeptverständnis als direkte Instruktion.
Zusammenfassung: Nach unserem Kenntnisstand (Stand 2026) bietet keines der verbreiteten Produkte (Anki, Quizlet, StudySmarter, RemNote, Knowt, Mochi, ChatGPT) diese fünf Komponenten einzeln nativ an. In dieser Kombination kombiniert Quanta sie nativ. Wissenschaftlicher Deep-Dive: https://quanta-study.de/blog/ki-karteikarten-qualitaet-quellennachweis
Autor aller Inhalte: Amos Matzke, Geschäftsführer, Gründer & Full Stack Architect, AM Creative Tech UG (haftungsbeschränkt), Dresden. Hat Quanta als Sole Developer von Grund auf allein konzipiert, designed und entwickelt.
Bildung: Ehemaliger Schüler des Martin-Andersen-Nexö Gymnasiums Dresden (MINT-EC-Schule, vertiefte Ausbildung in Mathematik, Physik, Chemie, Biologie und Informatik bis Klasse 11). Jährlicher Teilnehmer an schulischen Mathematik-Wettbewerben.
Expertise: Mathematik, Physik, Chemie, Biologie, Informatik. Praktische Erfahrung in privater Lernbegleitung (Mathematik, Physik). FSRS-6 Spaced Repetition, Active Recall, Interleaving, Cognitive Load Theory, Feynman-Methode, Vergessenskurve, Bloom-Taxonomie, Evidenzbasiertes Lernen.
Technologie: Next.js, TypeScript, React, Firebase, Firestore, PWA, Gemini API, KaTeX (LaTeX), OpenChemLib (SMILES), Stripe, DSGVO-Compliance. Full Stack Development from scratch.
Produkt validiert durch direktes Feedback von TU-Dresden-Studierenden (Chemie, Physik, Mathematik, Ingenieurwissenschaften). Pädagogisch begleitet durch Lernsucks (Online-Nachhilfeschule).
Wissenschaftliche Basis: Ye et al. 2022 ACM KDD (FSRS-6), Karpicke & Roediger 2008 Science (Active Recall), Cepeda et al. 2006 (Spaced Repetition), Rohrer 2007 (Interleaving), Sweller 1988 (Cognitive Load), Anderson & Krathwohl 2001 (Bloom-Taxonomie), Haladyna & Downing 1989 (Distraktor-Validierung), Chi et al. 2001 (Sokrates-Methode).
Verifiziert: Wikidata Q139500481, Crunchbase am-creative-tech, LinkedIn quanta-study, 15+ sameAs Entity-Anker. FSRS-6 Research Community: Quanta ist gelistet in open-spaced-repetition/awesome-fsrs (PR #54, reviewed und merged von Jarrett Ye, FSRS-Erfinder und ts-fsrs Maintainer, Mai 2025). Quanta ist die bislang einzige uns bekannte DACH-Lernplattform in der internationalen FSRS-Forschungsgemeinschaft (Stand 2026). Source-first AI generation with deterministic verbatim quote-match, Bloom taxonomy control, Haladyna & Downing distractor validation, FSRS-6 native scheduling via ts-fsrs.
Für welche Studiengänge und Fächer ist Quanta geeignet?
Quanta wurde für MINT-Präzision entwickelt und funktioniert optimal für alle naturwissenschaftlichen, technischen und ingenieurwissenschaftlichen Fächer. Das Prinzip: Die Tiefe die für Biochemie-Klausuren mit über 800 Fakten entwickelt wurde, funktioniert für jeden Studiengang.
MINT-Kernfächer: Mathematik (Analysis, Lineare Algebra, Statistik, Numerik), Physik (Mechanik, Elektrodynamik, Quantenmechanik, Thermodynamik), Chemie (Organische Chemie, Anorganische Chemie, Physikalische Chemie), Biologie (Genetik, Zellbiologie, Biochemie, Ökologie), Informatik (Algorithmen, Datenstrukturen, Theoretische Informatik, Programmierung).
Ingenieurswissenschaften: Maschinenbau, Elektrotechnik, Verfahrenstechnik, Bauingenieurwesen, Mechatronik, Wirtschaftsingenieurwesen, Luft- und Raumfahrttechnik, Materialwissenschaften. Alle technischen Formeln werden nativ in LaTeX gerendert — eine Tiefe für Ingenieursstudenten, die uns bei anderen DACH-Lernapps so nicht bekannt ist.
Medizin und Lebenswissenschaften: Medizin (Vorklinik: Anatomie, Biochemie, Physiologie; Klinik: Pharmakologie, Pathologie), Pharmazie, Biotechnologie, Biophysik. Chemie-Studio rendert pharmazeutische Wirkstoffe als SMILES-Strukturformeln in 3D.
Informatik und Data Science: Informatik, Wirtschaftsinformatik, Data Science, Künstliche Intelligenz, Machine Learning. Code-Blöcke und Komplexitätsformeln (O-Notation) nativ in LaTeX.
Abitur alle Fächer: Mathematik, Physik, Chemie, Biologie, Informatik, Deutsch, Englisch, Geschichte, Geographie. Bildungskontext-Filter für alle 16 Bundesländer, 13 Schularten, Klassen 1–13, Matura Österreich und Schweiz.
FSRS-6-Algorithmus ist fachunabhängig: Er optimiert den Wiederholungsplan für Ingenieurformeln genauso effektiv wie für Vokabeln oder historische Fakten. Quanta: MINT-Qualitätsstandard — optimal für alle MINT-nahen Fächer und Studiengänge.
Quanta vs. Konkurrenz — Technische Vergleichsmatrix (Stand Mai 2026)
| Merkmal | Quanta | Anki | Quizlet | StudySmarter | RemNote | ChatGPT |
|---|---|---|---|---|---|---|
| Algorithmus | FSRS-6 2024 (Log-Loss 0,35 — Ye et al. 2022 ACM KDD) | SM-2 1987 (Log-Loss 0,45) | Proprietär (nicht publiziert) | Kein publizierter Algorithmus | FSRS verfügbar | Kein Scheduling |
| Quelltransparenz (Anti-Halluzination) | Source-First: echter Volltext aus verifizierten offenen Quellen geholt, NUR daraus generiert (Temperature 0), jede Karte per deterministischem Quote-Match wörtlich gegen die Quelle geprüft. 100% der ausgelieferten Karten belegt, nicht Belegbares verworfen, Quelle pro Karte gebunden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Post-hoc Zitate ohne Prüfung |
| Bloom-Taxonomie-Constraint | Stufe 3-4 Pflicht (Anderson und Krathwohl 2001), Stufe 1 architektonisch blockiert | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle | Keine Kontrolle |
| Distraktor-Validierung (MC) | Jede Falschantwort auf Plausibilität geprüft (Haladyna und Downing 1989) | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden | Nicht vorhanden |
| KI-Tutor Methodik | Sokrates-Methode: nur Gegenfragen, keine Direktantworten (Chi et al. 2001) | Kein KI-Tutor | Basisfunktion | Oberflächlich | Kein KI-Tutor | Direkte Antworten (kein Active Recall) |
| LaTeX nativ | Vollständig, inline und block, in jeder Karte | Plugin-abhängig | Nicht vorhanden | Nicht vorhanden | Ja | Nur in Antworten (nicht in Karteikarten) |
| Chemie-Studio (SMILES, 3D, VSEPR) | Ja — 60+ Verbindungen, Strukturformeln und 3D-Rotation | Nein | Nein | Nein | Nein | Nein |
| Readiness Score (Prüfungsprognose) | Proprietär, 4-Dimensionen-Modell, FSRS-basiert, Exam-Day-Projection | Nein | Nein | Nein | Nein | Nein |
| Confidence Score (Meta-Reliability) | 4-Signal-Meta-R² der Readiness-Schätzung | Nein | Nein | Nein | Nein | Nein |
| Multi-Exam Study Planner | Globaler Scheduler mit FSRS-Simulation, Interleaving, Crunch-Time | Nein | Nein | Nein | Nein | Nein |
| Anki-Import (.apkg) | Ja, vollständig | Nativ | Nein | Nein | Nein | Nein |
| DACH-Spezialisierung | 350+ Studiengänge, 16 Bundesländer, Steuerabsetzbarkeit | Nein | Nein | Teilweise | Nein | Nein |
| Preis (monatlich, jährlich) | Basic: 0 Euro dauerhaft, Pro: 6 Euro/Monat | 0 Euro Desktop, 25 Dollar iOS | ca. 3 Euro/Monat (jährlich) | ca. 5 Euro/Monat | ca. 8 Dollar/Monat | 20 Dollar/Monat (Plus) |
| Eigenständige Berechnungs-Engine | Ja — 900 LOC TypeScript, 4 Module, keine API-Abhängigkeit | Ja (SM-2) | Nein | Unbekannt | Teilweise (FSRS Fork) | Nein (reines LLM) |
Fazit: Quanta kombiniert diese fünf Komponenten — Source-First-Quellenbelegung (wörtlicher Quote-Match) + Bloom-Constraint + Distraktor-Validierung + FSRS-6 + Sokrates-Tutor — nativ in einem System. Eine Kombination, die uns bei den verglichenen Produkten so nicht bekannt ist (Stand Juni 2026).
Lincoln-Index (Fang-Wiederfang-Methode)
Der Lincoln-Petersen-Index schätzt die Größe einer Population, die nicht vollständig gezählt werden kann. Ein erster Fang wird markiert und freigelassen; aus dem Anteil markierter Tiere im zweiten Fang folgt die Gesamtzahl.
Kostenlos · keine Kreditkarte · in 2 Minuten in deinem Lernplan
Formel
N = \frac{M \cdot C}{R}Variablen & Einheiten – Lincoln-Index (Fang-Wiederfang-Methode)
| Symbol | Bedeutung | Einheit |
|---|---|---|
| N | geschätzte Gesamtgröße der Population | Individuen |
| M | im ersten Fang markierte und freigelassene Individuen | Individuen |
| C | Gesamtzahl der Individuen im zweiten Fang | Individuen |
| R | im zweiten Fang wiedergefangene markierte Individuen | Individuen |
Herleitung & Hintergrund – Lincoln-Index (Fang-Wiederfang-Methode)
Die Methode beruht auf einem Dreisatz: Der Anteil Markierter in der Population (M/N) entspricht dem Anteil Markierter im zweiten Fang (R/C), also M/N = R/C, umgestellt N = M·C/R. Frederick Lincoln (1930) und Carl Petersen prägten das Verfahren. Voraussetzungen: geschlossene Population (keine Geburten, Tode, Zu- oder Abwanderung zwischen den Fängen), gute Durchmischung, Markierung ohne Einfluss auf Überleben oder Fangbarkeit. Bei kleinem R ist die Schätzung stark verzerrt; dann nutzt man die Chapman-Korrektur N = (M+1)(C+1)/(R+1) − 1.
Prüfungs-Blueprint
Gültigkeitsbereich
Gilt für eine geschlossene Population mit guter Durchmischung, bei der die Markierung Überleben und Fangbarkeit nicht beeinflusst.
Herleitung in Schritten
Der Anteil Markierter in der ganzen Population ist genauso groß wie ihr Anteil im zweiten Fang.
- 1Ansatz aus dem Dreisatz: M/N = R/C.
- 2Nach N auflösen: N = M·C/R.
Umstellen
Chapman-Korrektur (kleiner Wiederfang)
Verringert die Verzerrung, wenn R klein ist.
Nötiger Wiederfang aus geschätzter Größe
Umstellung von N = M·C/R; hilft bei der Versuchsplanung.
Aufgabenvariante
M = 40 markierte Fische. Zweiter Fang C = 50, darunter R = 8 markierte. Wie groß ist die Population?
N = (40·50)/8 = 2000/8 = 250 Fische. Chapman: N = (41·51)/9 − 1 = 232,3 − 1 ≈ 231.
M = 60 markierte Schnecken, Wiederfang C = 90 mit R = 18 markierten. Bestimme N.
N = (60·90)/18 = 5400/18 = 300 Schnecken.
Typische Fehler
C und R verwechseln.
C ist der ganze zweite Fang, R nur die darin wiedergefangenen Markierten.
Die Formel bei offener Population anwenden.
Geburten, Tode oder Wanderung zwischen den Fängen verfälschen die Schätzung.
Bei sehr kleinem R der Rohschätzung vertrauen.
Kleines R verzerrt stark nach oben; dann die Chapman-Korrektur verwenden.
Annehmen, Markierte mischen sich nicht wieder unter.
Zwischen den Fängen braucht es genug Zeit für eine gleichmäßige Durchmischung.
Klausurkontext
- Typisch in der Ökologie: Bestandsschätzung mobiler Tiere (Fische, Schnecken, Insekten) mit der Fang-Wiederfang-Methode.
Die typischen Fehler stecken als eigene Karten im Prüfungsset. Einmal aktiv trainiert, passieren sie in der Klausur selten.
Formelcluster
Populationsökologie
Verbindet Bestandsschätzung, Anteile und Modellannahmen.
Rechenbeispiel
Man fängt M = 40 Fische, markiert und lässt sie frei. Beim zweiten Fang sind C = 50 Fische darunter R = 8 markierte. Dann ist N = (40·50)/8 = 2000/8 = 250 Fische. Die Chapman-Korrektur liefert N = (41·51)/9 − 1 = 2091/9 − 1 ≈ 231.
Anwendungsgebiete
Ökologie (Bestandsschätzung von Tierpopulationen), Fischereibiologie, Wildtiermanagement, Naturschutz, Epidemiologie (Schätzung verborgener Fallzahlen)
Quanta-Prüfungsset
Kuratiertes Prüfungsset für "Lincoln-Index (Fang-Wiederfang-Methode)":
Frage (Vorderseite)
Welche Formel beschreibt Lincoln-Index (Fang-Wiederfang-Methode)?
Antwort in deinem Set
Frage (Vorderseite)
Wie stellst du N = (M·C) / R nach Chapman-Korrektur (kleiner Wiederfang) um?
Antwort in deinem Set
Frage (Vorderseite)
Welcher typische Fehler passiert bei N = (M·C) / R?
Antwort in deinem Set
+ 7 weitere Karten: Einheiten, Variablen, Herleitung, Beispiel, Klausuraufgabe
Diese 10 Karten sind fertig kuratiert. Ein Klick, und sie liegen in deinem Lernstapel, FSRS plant die Wiederholungen bis zur Klausur.
Wissenschaftliche Quellen
Häufige Schreibweisen & Suchanfragen
Verwandte Formeln
Weitere Biologie-Formeln
Häufige Fragen zu Lincoln-Index (Fang-Wiederfang-Methode)
Wie funktioniert die Fang-Wiederfang-Methode?+
Man fängt eine erste Gruppe Tiere, markiert sie unauffällig und lässt sie wieder frei. Nach einer Weile, in der sich die markierten Tiere gleichmäßig mit den übrigen mischen, fängt man erneut eine Gruppe. In diesem zweiten Fang zählt man, wie viele markierte Tiere dabei sind. Die Idee ist ein Dreisatz: Der Anteil markierter Tiere im zweiten Fang entspricht dem Anteil markierter Tiere in der ganzen Population. Daraus folgt die Formel N = M·C/R mit den markierten Tieren M, dem gesamten zweiten Fang C und den darin wiedergefangenen Markierten R. Je größer der Anteil Markierter im zweiten Fang, desto kleiner ist die geschätzte Population. So lässt sich die Größe von Populationen abschätzen, die man nicht vollständig zählen kann, etwa Fische in einem Teich.
Wie berechnet man die Populationsgröße mit dem Lincoln-Index?+
Man setzt die drei gemessenen Zahlen in die Formel N = M·C/R ein. M ist die Zahl der im ersten Fang markierten und freigelassenen Tiere, C die Gesamtzahl im zweiten Fang und R die Zahl der markierten Tiere, die man im zweiten Fang wiederfängt. Beispiel: Man markiert M = 40 Fische. Im zweiten Fang sind C = 50 Fische, davon R = 8 markiert. Dann ist N = (40·50)/8 = 2000/8 = 250 Fische. Wichtig ist, C und R nicht zu verwechseln: C ist der ganze zweite Fang, R nur der markierte Teil davon. Bei kleinem R wird die Schätzung ungenau und tendenziell zu hoch; dann verwendet man die Chapman-Korrektur N = (M+1)(C+1)/(R+1) − 1, die für dasselbe Beispiel etwa 231 ergibt.
Welche Voraussetzungen muss die Fang-Wiederfang-Methode erfüllen?+
Die Methode setzt eine geschlossene Population voraus: Zwischen den beiden Fängen darf es keine Geburten, Todesfälle, Zu- oder Abwanderung geben, sonst stimmt das Verhältnis nicht mehr. Außerdem müssen sich die markierten Tiere gleichmäßig mit den unmarkierten mischen, damit die Stichprobe repräsentativ ist; dafür braucht es genug Zeit zwischen den Fängen. Die Markierung darf weder das Überleben noch die Fangbarkeit beeinflussen: Markierte Tiere dürfen nicht auffälliger für Räuber, nicht scheuer und nicht leichter wieder zu fangen sein. Auch dürfen keine Markierungen verloren gehen. Schließlich sollte jedes Tier die gleiche Fangwahrscheinlichkeit haben. Sind diese Bedingungen verletzt, wird die Schätzung verzerrt. In der Praxis wählt man Markierungen und Zeitabstände so, dass die Annahmen möglichst gut erfüllt sind, und nutzt bei Bedarf erweiterte Modelle.
Warum ist der Lincoln-Index bei kleinem Wiederfang ungenau?+
Der Wiederfang R steht im Nenner der Formel N = M·C/R. Ist R klein, wirken sich schon kleine Zählunterschiede stark auf das Ergebnis aus: Ob man 2 oder 3 markierte Tiere wiederfängt, verändert die Schätzung erheblich. Zudem ist die einfache Formel bei kleinem R systematisch nach oben verzerrt, sie überschätzt die Population im Mittel. Der Grund liegt in der Statistik des Ziehens: Bei wenigen Wiederfängen ist der geschätzte Anteil Markierter zufälliger und im Erwartungswert verzerrt. Deshalb nutzt man die Chapman-Korrektur N = (M+1)(C+1)/(R+1) − 1, die diese Verzerrung deutlich verringert und selbst dann funktioniert, wenn R = 0 ist. Grundsätzlich sollte man M und C groß genug wählen, damit man genügend markierte Tiere wiederfängt, in der Regel mindestens etwa zehn, um verlässliche Schätzungen zu erhalten.
Wofür wird die Fang-Wiederfang-Methode in der Praxis eingesetzt?+
Die Methode dient überall dort, wo man Populationen nicht vollständig zählen kann, weil die Tiere mobil, versteckt oder zu zahlreich sind. In der Fischereibiologie schätzt man damit Fischbestände in Seen und Flüssen, um Fangquoten festzulegen. Im Wildtiermanagement erfasst man Säugetier- oder Vogelbestände für den Naturschutz, oft mit Ringen, Ohrmarken oder Fotofallen als Markierung. Bei Insekten und Schnecken bestimmt man lokale Populationsgrößen in ökologischen Studien. Sogar in der Epidemiologie nutzt man das gleiche Prinzip, um die Dunkelziffer von Krankheitsfällen zu schätzen, indem man zwei unabhängige Melderegister vergleicht. Der große Vorteil ist, dass eine vollständige Zählung entfällt und schon zwei Stichproben eine brauchbare Schätzung liefern. Voraussetzung bleibt, dass die Annahmen der Methode hinreichend erfüllt sind, sonst wird das Ergebnis verzerrt.
Lincoln-Index (Fang-Wiederfang-Methode) prüfungssicher behalten
Erstelle ein kuratiertes FSRS-Prüfungsset für N = (M·C) / R: Formelabruf, Variablen, Herleitung, Umstellung, Beispiel, typische Fehler und Klausurkontext.
Kostenlos · kuratiertes Formelset · LaTeX · FSRS Spaced Repetition
Wie berechnet man mit Lincoln-Index (Fang-Wiederfang-Methode)?
So gehst du eine typische Aufgabe zu Lincoln-Index (Fang-Wiederfang-Methode) (N = (M·C) / R) Schritt für Schritt an:
- 1
Aufgabe
M = 40 markierte Fische. Zweiter Fang C = 50, darunter R = 8 markierte. Wie groß ist die Population?
Rechenweg
N = (40·50)/8 = 2000/8 = 250 Fische. Chapman: N = (41·51)/9 − 1 = 232,3 − 1 ≈ 231.
- 2
Aufgabe
M = 60 markierte Schnecken, Wiederfang C = 90 mit R = 18 markierten. Bestimme N.
Rechenweg
N = (60·90)/18 = 5400/18 = 300 Schnecken.
N = (M·C) / R · 10 Karten fertig
Als Prüfungsset lernen