Bevorzugter Zitierstil

Größe: px
Ab Seite anzeigen:

Download "Bevorzugter Zitierstil"

Transkript

1 Bevorzugter Zterstl Vrtc, M. (2005) Smultanes Routen- und Verkehrsmttelwahlmodell, Heureka 05, Forschungsgesellschaft für Straßen- und Verkehrswesen (FGSV), Köln.

2 Smultanes Routen- und Verkehrsmttelwahlmodell M Vrtc März 2005

3 Problem: Sequentelle Routen- und Verkehrsmttelwahlmodelle Routen- und Verkehrsmttelwahl mt unterschedlchen Ansätzen Nutzenfunktonen Modellparametern Konsstenz: Umlegung mt mehreren Routen Angebotsbeschrebung n der Verkehrsmttelwahl als Mttelwert Rückkoppelung Routenwahl-Verkehrsmttelwahl [Angebotsvarablen] komplexe Modellstrukturen ken konsstentes Gesamtglechgewcht 3

4 Zel Routen- und Verkehrsmttelwahl konsstent zu lösen und n enen Glechgewchtszustand zu brngen Konsstente Schätzung der Modellparameter Geegnetes Modell sowohl für schwach, als auch für stark belastete Strassennetze Unterschedlche Wahrnehmung der Resekosten und Netzbelastungen berückschtgen 4

5 Grundstruktur des Verfahrens β 0 aus anderen Untersuchungen Modellparameter β +1 Beobachtetes Verhalten K. 1 Nachfragevertelung auf de verfügbaren Routen (mt Glechgewchtsbedngung) K. 2 Schätzung der Modellparameter für de Verkehrsmttel- und Routenwahl Generalserte Kosten GK +1 β n β < 1 ε, n Ende Stochastsches Nutzerglechgewcht für smultane Nachfrageauftelung -nneres Glechgewcht der Nachfrageauftelung Smultane Nachfrageauftelung mt Kalbraton der Modellparameter - äusseres Glechgewcht VBA - Programm 5

6 Smultane Nachfrageauftelung: Anforderungen Glechgewchtsbedngungen Veränderlche Kosten (Belastungen) und unterschedlche Wahrnehmung der Kosten Ähnlchketen bzw. Streckenüberlappungen (IAA) Analytsche Handhabbarket 6

7 Stochastsches Nutzerglechgewcht (SUE) Konvergenz Abfrage Anfangsbelastung (n) x Streckenkosten C(x) Neue Belastung X n+1 Stochastsche Auftelung -Y Hlfsbelastung w (n) Schrttgrösse λ(n+1) Stochastsche Auftelung -W y (n) Hlfsbelastung Streckenkosten C(y) 7

8 SUE: Lösungsalgorthmus f rs rs rs = q P rs rs = a q P rs rs a x δ x a = ya a Lösungsalgorthmus (Maher und Hughes, 1998) z ( n) ( n) dca ( λ) ( λ) g = = ( ya xa ) ( ya xa ) λ dx a a 2 dca g0 = ( ya xa ) g 1 = ( ya xa ) ( wa ya ) dx a a a dc dx a a λ ( n+ 1) = g 0 /( g + g1 ) 0 x ( n+ 1) = (1 λ) x ( n) + λ y ( n) 8

9 Veränderung der Schrttgrösse und Streckenbelastungen Schrttlänge Schrttgrösse Belastungsdfferenz Belastungsdfferenz Iteratonsschrtt 0 9

10 Entschedungsansätze für de Nachfrageauftelung Nested-Logt Cross-Nested-Logt C-Logt Path-Sze-Logt Nested-C-Logt Probt-Modell (Vergleche) 10

11 11 Nested-C-Logt = = J cf V cf V cf V cf V P 1 exp ln exp exp ln exp exp exp ), ( µ µ µ µ µ µ + = γ α 2 1/ 2 1/, 1 ln L L L cf

12 Verglech - Netzbespel [Glechgewchtsergebnsse] 0.25 Nested-Logt Cross-N C-Logt Nested-C-Logt PS-Logt Probt Antel r1 r2 r3 röv1 röv2 röv3 12

13 Kalbrerung der Modellparameter β 0 aus anderen Untersuchungen Modellparameter β +1 Beobachtetes Verhalten K. 1 Nachfragevertelung auf de verfügbaren Routen (mt Glechgewchtsbedngung) K. 2 Schätzung der Modellparameter für de Verkehrsmttel- und Routenwahl Generalserte Kosten GK +1 Bestmmung der konsstenten Modellparameter β β < 1 ε, n n Ende De Angebotsvarablen snd de Engangsgrössen be der Bestmmung der Modellparameter, deswegen st en Glechgewcht zwschen der Umlegung m Netz und der Kalbrerung der Modellparameter nötg. 13

14 Veränderung der Modellparameter 1 Kalbratonsschrtt 0.5 Parameter Konstante Skalerungsparam. Zet Pres alfa f. Gem.F. x ( n+ 1) = (1 λ) x ( n) + λ y ( n) 14

15 15 Anwendung : Dreeck Zürch-Bern-Basel Basel Zürch Brugg Baden Lenzburg Aarau Olten Lestal Solothurn Delemont Bern Nutzenfunktonen (Nested-C-Logt) Pres β Zet β Konstante V Intervall β Umstegezahl β Pres β Zet β V p t PW, u p t ÖV, + + = =

16 Anwendung : Anfänglche und endgültge Parameter Konstante Skalerunsparameter Zet Pres Umstegehäufgket Intervall α für gemen. Faktor Anfangsparameter Glechgewchtsparameter N-Beobachtungen = 660 Log-lkelhood (β) = -114 Ad Pseudo R 2 =

17 Verglech der Streckenbelastungen I Querschnttszählung Streckenbelastung Nested-C-Logt 17

18 Bahn: Dfferenz Nested-C-Logt / Natonales Bahnmodell gelb= kene Dfferenz, rot= mehr bem Nested-C-Logt grün= wenger bem Nested-C-Logt 18

19 Strasse: Dfferenz Nested-C-Logt / Natonales Strassenmodell gelb= kene Dfferenz, rot= mehr bem Nested-C-Logt grün= wenger bem Nested-C-Logt 19

20 Fortschrtte: en konsstentes Glechgewcht zwschen den geschätzten Modellparametern der Nutzenfunkton und der Nachfrageauftelung auf de vorhandenen Alternatven De Entwcklung und Anwendung enes neuen Modellansatzes (Nested-C-Logt) Durch smultane Nachfrageauftelung mt SUE en konsstentes Glechgewcht zwschen Verkehrsangebot und Verkehrsnachfrage mehrerer Verkehrsmttel zu berechnen 20

21 Weterentwcklung Für de praktsche Anwendung auf belebg grosse Netze (Abbldung von multmodalen Netzen, Echung auf de Querschnttszählungen, Berechnung von Routenantelen usw.) Erweterung mt enem Zelwahlmodell (Smultanes Routen-, Verkehrsmttel- und Zelwahlmodell, Schnttstelle mt VISEVA) 21

22 Fragen 22

Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit

Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =

Mehr

5 Gemischte Verallgemeinerte Lineare Modelle

5 Gemischte Verallgemeinerte Lineare Modelle 5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren

Mehr

Numerische Methoden II

Numerische Methoden II umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,

Mehr

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen

Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

5.3.3 Relaxationsverfahren: das SOR-Verfahren

5.3.3 Relaxationsverfahren: das SOR-Verfahren 53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

Elektron Loch Symmetrie und Grundzustand beim Fraktionellen Quanten Halleffekt (FQHE)

Elektron Loch Symmetrie und Grundzustand beim Fraktionellen Quanten Halleffekt (FQHE) Hauptsemnar Theoretsche Physk (Sommersemester 003) Elektron Loch Symmetre und Grundzustand bem Fraktonellen Quanten Halleffekt (FQHE) Srko Plz 04.06.003 Velen Dank an den Betreuer T. Sommer für sene Unterstützung

Mehr

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.

14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht. 14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche

Mehr

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation

Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng

Mehr

Fairnesspräferenzen in sozialen Dilemmata Eine experimentelle Analyse

Fairnesspräferenzen in sozialen Dilemmata Eine experimentelle Analyse Farnesspräferenzen n sozalen Dlemmata Ene expermentelle Analyse Bodo Sturm, Astrd Dannenberg Zentrum für Europäsche Wrtschaftsforschung (ZEW), Mannhem Thomas Rechmann Otto-von-Guercke-Unverstät Magdeburg

Mehr

Institut für Technische Chemie Technische Universität Clausthal

Institut für Technische Chemie Technische Universität Clausthal Insttut für Technsche Cheme Technsche Unverstät Clusthl Technsch-chemsches Prktkum TCB Versuch: Wärmeübertrgung: Doppelrohrwärmeustuscher m Glechstrom- und Gegenstrombetreb Enletung ür de Auslegung von

Mehr

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

Mehr

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014 4. ndexzahlen 5.1 Grundlagen 5.2 Presndzes 5.3 ndexzahlenumrechnungen 1 4.1 Grundlagen Als Messzahlen werden de Quotenten bezechnet, de aus den Beobachtungswerten bzw. den Maßzahlen zweer Telmengen derselben

Mehr

Physikalische Chemie II

Physikalische Chemie II Prof.Dr.M.Bredol / FB01 Physkalsche Cheme II Modulprüfung PC-II (Klausur) 26.3.2014 Name, Vorname Aufgabe 1 2 3 4 5 Punkte maxmal 20 20 20 20 20 Errechte Punktzahl Matrkel-Nr. Gesamtpunktzahl Note 1. Welcher

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich

Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y 5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech

Mehr

1.1 Beispiele zur linearen Regression

1.1 Beispiele zur linearen Regression 1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton

Mehr

Zeitreihenmodellierung der ARMA-Klasse

Zeitreihenmodellierung der ARMA-Klasse Zetrehenmodellerung der ARMA-Klasse Zel: endogene Modellerung ener Zetrehe (Synthese) Motvaton: ünstlche Verlängerung gegebener Zetrehen unter Wahrung wchtger statstscher Egenschaften zum Zwece der - oeratven

Mehr

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell

ME II, Prof. Dr. T. Wollmershäuser. Kapitel 2 Das IS-LM-Modell ME II, Prof. Dr. T. Wollmershäuser Kaptel 2 Das IS-LM-Modell Verson: 26.04.2011 2.1 Der Gütermarkt De gesamte Güternachfrage Z (Verwendung des BIP) lässt sch we folgt darstellen: Z C+ I + G ME II, Prof.

Mehr

Kaplan- Meier- Schätzer

Kaplan- Meier- Schätzer Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

29 zweite Ableitungen der thermodynamischen Potentiale spezifische Wärme (thermischer response) E = = = T V N V N V N = = κ T.

29 zweite Ableitungen der thermodynamischen Potentiale spezifische Wärme (thermischer response) E = = = T V N V N V N = = κ T. hermodynamsche resonse -unktonen: 9 zwete Abletungen der thermodynamschen Potentale sezfsche Wärme (thermscher resonse) E C S be konstantem olumen (sochor):,,, be konstantem Druck (sobar): C S Komressbltät

Mehr

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen

Mehr

1 Finanzmathematik. 1.1 Das Modell. Sei Xt

1 Finanzmathematik. 1.1 Das Modell. Sei Xt 1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd

Mehr

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik 0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Versuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose)

Versuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose) Chrstan Wdlng, Georg Deres Versuch Nr. 6 Chemsche Knet Atverungsenerge (Inverson von Saccharose) Zel des Versuchs: Das Zel des Versuches st de Bestmmung der Atverungsenerge der Reaton von Saccharose (S)

Mehr

Analyse der Validität der Rule of Half zur Ermittlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle

Analyse der Validität der Rule of Half zur Ermittlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle DLR.de Fole Analyse der Valdtät der Rule of Half zur Ermttlung der Änderung der Konsumentenrente für gekoppelte Verkehrsnachfragemodelle Dr.-Ing. Chrstan Wnkler Insttut für Verkehrsforschung Deutsches

Mehr

e dt (Gaußsches Fehlerintegral)

e dt (Gaußsches Fehlerintegral) Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Musterlösung zu Übung 4

Musterlösung zu Übung 4 PCI Thermodynamk G. Jeschke FS 05 Musterlösung zu Übung erson vom 6. Februar 05) Aufgabe a) En Lter flüssges Wasser egt m H O, l ρ H O, l L 998 g L 998 g. ) De Stoffmenge n H O, l) von enem Lter flüssgen

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 2. Übung (05.02.2009) Agenda Agenda Datenbsp. scalefactors.dat Berechnen der Varanzen der Latent Response Varablen Berechnen der modellmplzerten

Mehr

IK: Einkommen, Beschäftigung und Finanzmärkte (Wintersemester 2011/12) Das IS LM Modell

IK: Einkommen, Beschäftigung und Finanzmärkte (Wintersemester 2011/12) Das IS LM Modell IK: Enkommen, Beschäftgung und Fnanzmärkte (Wntersemester 2011/12) Das IS LM Modell Zele und Inhalt Zel: Zusammenführung von Güter-und Fnanzmärkten um den Output und den Znssatz ener Ökonome n der kurzen

Mehr

Röntgenbeugung: Übungsblatt - Lösungen

Röntgenbeugung: Übungsblatt - Lösungen Basskurs Krstallographe und Beugung Kurs WS2012/13 1/5 Röntgenbeugung: Übungsblatt - Lösungen 1. Antmontrchlord SbCl 3 krstallsert orthorhombsch mt den Gtterparametern a = 8.12, b = 9.47 und c = 6.37 Å

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Erläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S

Erläuterungen zur Analyse des Zinssatzswaps Referenz N//83734/5 zwischen der A/B Duegården und der Nykredit Bank A/S Erläuterungen zur Analyse des Znssatzswaps Referenz 3584455N//83734/5 zwschen der A/B Duegården und der Nykredt Bank A/S 1. Zusammenfassung der Analyse De A/B Duegården und de Nykredt Bank A/S haben am

Mehr

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen

Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:

Mehr

Systempartitionierung. Hw-Sw-Co-Design

Systempartitionierung. Hw-Sw-Co-Design Systemparttonerung Hw-Sw-Co-Desgn Überblc Modelle für de Systemsynthese Parttonerung Allgemene Parttonerungsalgorthmen Hw/Sw-Parttonerungsalgorthmen Fallbespele Allgemene Parttonerungsverfahren heurstsche

Mehr

Finite Differenzen. Tino Kluge. January 17,

Finite Differenzen. Tino Kluge.   January 17, Enletung Explztes Fntes... Implzte Fnte... Startsete Ttelsete Fnte Dfferenzen Tno Kluge tno.kluge@hrz.tu-chemntz.de http://www.mathfnance.de/semnars/sdgl.html January 17, 2002 Sete 1 von 15 Vollbld Schleßen

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Der Erweiterungsfaktor k

Der Erweiterungsfaktor k Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang

Mehr

Einführung in die Finanzmathematik

Einführung in die Finanzmathematik 1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg

Mehr

Hydrosystemanalyse: Finite-Elemente-Methode (FEM)

Hydrosystemanalyse: Finite-Elemente-Methode (FEM) Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am

Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am TU Graz, Insttut für Regelungs- und Automatserungstechnk 1 Schrftlche Prüfung aus Sgnaltransformatonen Tel: Dourdoumas am 1. 10. 01 Name / Vorname(n): Kennzahl / Matrkel-Nummer: 1 errechbare Punkte 4 errechte

Mehr

Der Parameter Migrationsmatrix Teil I

Der Parameter Migrationsmatrix Teil I Der Parameter Mgratonsmatrx el I Anne-Chrstne Barthel Semnar Portfolokredtrsko Unverstät Mannhem 22..27 Glederung. Bedeutung der Mgratonsmatrx 2. Schätzung der Mgratonsmatrx. Statstscher Hntergrund: Markov-Ketten.

Mehr

Modellierung und Simulation in der Raumplanung

Modellierung und Simulation in der Raumplanung 0 LVA 1 Systemtheore 2 Modellerung 3 Speltheore 2.1 Begrffe 2.2 Konstrukton 2.3 Kalbrerung 2.4 Valderung 2.5 Smulaton Modellerung und Smulaton n der Raumplanung Reales System Untersuchungsgegenstand Theore

Mehr

Zur Erinnerung: System von Massenpunkten. dt i dt. 1 dt. Massenschwerpunkt

Zur Erinnerung: System von Massenpunkten. dt i dt. 1 dt. Massenschwerpunkt Massenschwerunkt r Zur rnnerung: yste on Massenunkten r dr dt r t M, M dr P dt M M M F dp d dt d M dt dt Ma chwerunktsyste Der chwerunkt enes ystes aus Massenunkten bewegt sch so, als ob er en Körer t

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

Bestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl.

Bestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl. Versuch Nr. 5: Bestmmung der Elementarladung nach Mllkan. Theore zum Versuchs Be der Öltröpfchenmethode nach Mllkan wrd Öl mttels enes Zerstäubers n wnzge Tropfen aufgetelt. De Öltröpfchen werden durch

Mehr

-1- Alles kein Zufall. - Starkes Markenmanagement - Inhaltsverzeichnis und Übersicht

-1- Alles kein Zufall. - Starkes Markenmanagement - Inhaltsverzeichnis und Übersicht -1- Alles ken Zufall - Starkes Markenmanagement - Inhaltsverzechns und Überscht -2- Alles ken Zufall Das Inhaltsverzechns 1. De Grundlagen moderner Markenführung. 5. Postonerung und Framng. De Analyse

Mehr

12 UMPU Tests ( UMP unbiased )

12 UMPU Tests ( UMP unbiased ) 89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

Die Leistung von Quicksort

Die Leistung von Quicksort De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen

Mehr

Physikalische Chemie II

Physikalische Chemie II Prof.Dr.M.Bredol / FB01 Physkalsche Cheme II Modulprüfung PC-II (Klausur) 21.3.2018 Name, Vorname Aufgabe 1 2 3 4 5 Punkte maxmal 20 20 20 20 20 Errechte Punktzahl Matrkel-Nr. Gesamtpunktzahl Note 1. Welcher

Mehr

Sequential minimal optimization: A fast Algorithm for Training Support Vector machines

Sequential minimal optimization: A fast Algorithm for Training Support Vector machines Sequental mnmal optmzaton: A fast Algorthm for Tranng Support Vector machnes By John C. Platt (998) Referat von Joerg Ntschke Fall der ncht-trennbaren Tranngs-Daten (/) In der Realtät kommen lnear ncht-trennbare

Mehr

Übungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2

Übungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2 Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte

Mehr

Plastizität, Rekristallisation, Kriechen

Plastizität, Rekristallisation, Kriechen Werkstoffe und Fertgung II Prof.Dr. K. Wegener Sommersemester 007 Semnarübung 8 Plastztät, Rekrstallsaton, Krechen Musterlösung Insttut für Werkzeugmaschnen und Fertgung, ETH Zentrum Übungsassstenz:, Mchael

Mehr

Modellbildung Mechatronischer Systeme (MMS)

Modellbildung Mechatronischer Systeme (MMS) Modellbldung Mechatronscher Systeme (MMS) rof. Dr.-Ing. habl. Jörg Grabow Fachgebet Mechatronk www.fh-jena.de Vorlesungsnhalt 1. Enführung und Grundbegrffe 2. Mechatronsche Bauelemente 3. hyskalsche elsysteme

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Wir steuern einen Mini-Roboter!

Wir steuern einen Mini-Roboter! Wr steuern enen Mn-Roboter! Telnehmer: Marek Bartusch Cecla Lange Yannck Lehmann Johannes-Lucas Löwe Ncolas Menzel Huong Thao Pham Floran Pogatzk Anne Reulke Jonas Wanke Maran Zuska mt tatkräftger Unterstützung

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Kapitel 5 Systeme von Massenpunkten, Stöße

Kapitel 5 Systeme von Massenpunkten, Stöße Katel 5 ystee von Massenunkten, töße Drehoente und Drehuls enes Telchensystes O t : z r r r F x r F F F y F F t (acto = reacto) : F t äußeren Kräften F und F und nneren Kräften F = -F Drehoente : D D r

Mehr

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.

Asymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n. Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Zulassungsprüfung Stochastik,

Zulassungsprüfung Stochastik, Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt

Mehr

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9 WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung

Mehr

Die Dreieckschaltung

Die Dreieckschaltung De Dreeckschaltung Handrechung zur Präsentaton Raphael Denert 5. Oktober 2016 Inhaltsverzechns 1 Wederholung: Knoten- und Maschenregel 1 1.1 Maschenregel.............................. 1 1.1.1 Bespel Maschenregel.....................

Mehr

Aggregation: Marktnachfrage und Marktangebot

Aggregation: Marktnachfrage und Marktangebot . Enführung/Motvaton. Konsumtheore 3. Produktonstheore 4. Marktanalyse Marktanalyse ggregaton: Marktangebot und Marktnachfrage Wohlfahrtsanalyse: Konsumenten und Produzentenrente Vollkommene Konkurrenz

Mehr

Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung

Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung Simultanes Verfahren Verkehrs erzeugung Aktivitätenwahl Verkehrs erzeugung Verkehrs verteilung Verkehrs verteilung Wege/Zielwahl Verkehrs

Mehr

Schriftliche Prüfung aus Systemtechnik am

Schriftliche Prüfung aus Systemtechnik am U Graz, Insttt Regelngs- nd Atomatserngstechnk Schrftlche Prüfng as Sstemtechnk am 3.. Name / Vorname(n): Matrkel-Nmmer: Bonspnkte as den MALAB-Übngen: O ja O nen 3 4 errechbare Pnkte 5 6 6 4 errechte

Mehr

10 Einführung in die Statistische Physik

10 Einführung in die Statistische Physik 10 Enführung n de Statstsche Physk More s dfferent! P.W. Anderson, Nobelpres 1977 10.1 Prolegomena Technsch gesehen st de Rolle der Statstschen Mechank der Glechgewchtssysteme, ausgehend von unseren Kenntnsse

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

Hocheffiziente Antwortflächenverfahren für die probabilistische Simulation und Optimierung unter Anwendung des Gauss-Prozesses

Hocheffiziente Antwortflächenverfahren für die probabilistische Simulation und Optimierung unter Anwendung des Gauss-Prozesses In1 Hocheffzente Antwortflächenverfahren für de probablstsche mulaton und Optmerung unter Anwendung des Gauss-Prozesses Dr.-Ing. The-Quan Pham OptY e.k. Aschaffenburg Dr.-Ing. Alfred Kamusella Insttut

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Statistics, Data Analysis, and Simulation SS 2017

Statistics, Data Analysis, and Simulation SS 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Roy, Shepard, Marshall, Hicks und Slutsky Dualität von Ausgabenminimierung und Nutzenmaximierung

Roy, Shepard, Marshall, Hicks und Slutsky Dualität von Ausgabenminimierung und Nutzenmaximierung Roy, Sheard, Marshall, Hcks und Slutsky Dualtät von Ausgabenmnmerung und Nutzenmamerung Anwendung n der Konsumententheore Indrekte Nutzenfunkton Ausgabefunkton: Indrekte Nutzenfunkton und Ausgabefunkton

Mehr

Einführung in die Methode der Finiten Elemente

Einführung in die Methode der Finiten Elemente Enührung n de Methode der Fnten Elemente Hrro Schmelng Geophys. Semnr 11. 5. 04 Hstore - Ingeneurwssenschten, Strukturmechnk - Mthemtk/Physk: llg. Theore, nwendbr u belebge prtelle Derentlglechungen PDG

Mehr

MOD-01 LAGRANGE FORMALISMUS -- TEIL 1

MOD-01 LAGRANGE FORMALISMUS -- TEIL 1 MOD- LAGRAGE FORMALISMUS -- EIL. Zustandsfunktonen Defnton -: Zustandsfunkton Ene Zustandsfunkton W( () t, t) = W(, t) bzw. W ( ) st jede belebge skalare Funkton der Zustandsgrößen () t und der Zet t,

Mehr

Strategien zur Effizienzsteigerung Robustheitsbasierter Optimierungen

Strategien zur Effizienzsteigerung Robustheitsbasierter Optimierungen Prof. Dr.-Ing. habl. Deter Bestle Engneerng Mechancs and Vehcle Dynamcs Strategen zur Effzenzstegerung Robusthetsbaserter Otmerungen Motvaton Redukton des Suchraumes aufgrund von Otmerungsnebenbedngungen

Mehr

Hausübung 1 Lösungsvorschlag

Hausübung 1 Lösungsvorschlag Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch

Mehr