Bevorzugter Zitierstil
|
|
- Cathrin Lorentz
- vor 5 Jahren
- Abrufe
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
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, >
MehrÜbung 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 ( =
Mehr5 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
MehrNumerische 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
MehrUniversität 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,
MehrLineare 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
Mehr6. 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
Mehr5.3.3 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:
(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
MehrElektron 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
Mehr14 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
MehrKapitel 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
MehrFairnesspräferenzen 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
MehrInstitut 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
MehrTeil 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.
Mehr4. 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
MehrPhysikalische 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
MehrStreuungs-, 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
MehrItem-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
MehrFallstudie 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
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
MehrProf. 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
MehrDaten 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
MehrGrundgedanke 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
MehrÜbung 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
Mehr1.1 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
MehrZeitreihenmodellierung 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
MehrME 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.
MehrKaplan- 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
Mehr1 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)
Mehr29 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
MehrÖkonomische 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
Mehr1 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
MehrLineare 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
MehrKonkave 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
MehrVersuch 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)
MehrAnalyse 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
Mehre 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)
MehrAbbildung 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
MehrMusterlösung 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
MehrÜbung 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
MehrIK: 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
MehrRöntgenbeugung: 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
MehrAufgabe 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
MehrErläuterungen 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
MehrNäherungsverfahren. 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.:
MehrSystempartitionierung. Hw-Sw-Co-Design
Systemparttonerung Hw-Sw-Co-Desgn Überblc Modelle für de Systemsynthese Parttonerung Allgemene Parttonerungsalgorthmen Hw/Sw-Parttonerungsalgorthmen Fallbespele Allgemene Parttonerungsverfahren heurstsche
MehrFinite 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
MehrFacility 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
MehrDer 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
MehrEinführung 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
MehrHydrosystemanalyse: 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
Mehrwird 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
MehrSchriftliche 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
MehrDer 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.
MehrModellierung 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
MehrZur 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
MehrDie 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
MehrItemanalyse 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
MehrBestimmung 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 ken Zufall - Starkes Markenmanagement - Inhaltsverzechns und Überscht -2- Alles ken Zufall Das Inhaltsverzechns 1. De Grundlagen moderner Markenführung. 5. Postonerung und Framng. De Analyse
Mehr12 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
MehrElemente 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
MehrDie 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
MehrPhysikalische 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
MehrSequential 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
MehrÜbungen 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
MehrPlastizität, 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
MehrModellbildung 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
MehrAuswertung 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;
MehrWir 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
MehrBeim 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.
MehrKapitel 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
MehrAsymptotische 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
MehrÜbungsklausur 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
MehrAlternative 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
MehrStochastische 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)
MehrFunktionsgleichungen 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
MehrZulassungsprüfung 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
MehrWS 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
MehrDie 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.....................
MehrAggregation: Marktnachfrage und Marktangebot
. Enführung/Motvaton. Konsumtheore 3. Produktonstheore 4. Marktanalyse Marktanalyse ggregaton: Marktangebot und Marktnachfrage Wohlfahrtsanalyse: Konsumenten und Produzentenrente Vollkommene Konkurrenz
MehrBeispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung
Beispiel Wahlentscheidungen: Vierstufenmodell der Verkehrsplanung Simultanes Verfahren Verkehrs erzeugung Aktivitätenwahl Verkehrs erzeugung Verkehrs verteilung Verkehrs verteilung Wege/Zielwahl Verkehrs
MehrSchriftliche 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
Mehr10 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
MehrKlasse : 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
MehrHocheffiziente 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
MehrBeschreibung 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
MehrPolygonalisierung 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
MehrStatistics, 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
MehrFree 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
MehrRoy, 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
MehrEinführung 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
MehrMOD-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,
MehrStrategien 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
MehrHausübung 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