Minimiere f unter N.B. (10.1a) h j (x)=0, j=1,..., p, g i (x) 0, i=1,..., m.
|
|
- Paulina Giese
- vor 5 Jahren
- Abrufe
Transkript
1 Kaptel 10 SQP-Methoden Vorbemerkung: SQP-Methoden ( sequental quadratc programmng ) lösen allgemene Optmerungsprobleme unter Nebenbedngungen. Das Verfahren st teratv, und es wrd ene Folge von quadratschen Programmen gelöst. Wr betrachten Mnmere f unter N.B. (10.1a) h (x)=0, =1,..., p, g (x) 0, =1,..., m. (10.1b) (10.1c) 10.1 Lokales SQP-Verfahren Zur Motvaton betrachten wr nur das glechungsrestrngerte System (10.1a), (10.1b). De KKT-Glechungen snd Wr setzen x L(x,µ)=0, (Dh(x)) = ( h 1,..., h p ), Φ(x,µ)= h(x)=0. ( x L(x,µ) h(x) (10.2a) (10.2b) ) (, Φ 2 (x,µ)= xx L(x,µ) (Dh(x)) Dh(x) 0 ), Für enen Newtonschrtt für (10.2) muß man das LGS x k+1 = x k + x k, µ k+1 =µ k + µ k Φ (x k,µ k ) ( x k µ k ) = Φ(x k,µ k ) 101
2 lösen, d.h. H k x+(dh(x k )) µ= x L(x k,µ k ), ( h (x k )) x= h (x k ), =1,..., p, wobe her H k = 2 xx L(xk,µ k ). Setzt manµ + :=µ k + µ, so ergbt sch H k x+(dh(x k )) µ + = x f (x k ), ( h (x k )) x= h (x k ), =1,..., p, (10.3a) (10.3b) Ene alternatve Schtwese st, de Glechungen (10.3) als de KKT-Bedngungen für folgendes Mnmerungsproblem zu verstehen: Mnmere f (x k ) x+ 1 2 x H k x unter N.B. (10.4) h (x k )+ h (x k ) x=0, =1,..., p. (10.5) Des st en quadratsches Programm we n Kaptel 9 betrachtet. Des motvert, für das volle Problem (10.1) folgende Approxmaton zu verwenden: Mn. f (x k ) x+ 1 2 x H k x unter N.B. (10.6a) h (x k )+ h (x k ) x=0, =1,..., p, g (x k )+ g (x k ) x 0, =1,..., m. (10.6b) (10.6c) Bemerkung 10.1: Das Problem kann als Approxmaton an de ursprünglche Mnmerungsaufgabe verstanden werden: für de Korrektur x verwenden wr das Modell f (x k ) x+ 1 2 x H k x, wobe H k ene Approxmaton an 2 xx L(xk,µ k ) st; de N.B. h, g werden bs zum lnearen Gled approxmert. We be unrestrngerten Problemen auch muß H k ncht als 2 xxl gewählt werden. Oft werden Updateformeln we be Quas-Newtonverfahren verwendet. Damt ergbt sch de Grundstruktur des SQP-Verfahrens Algorthmus 10.2 (Rohfassung): Wähle (x 0,λ 0,µ 0 ), H 0 symmetrsch. for k=0, 1,..., do{ f (x k,λ k,µ k ) st KKT-Punkt von (10.1) then stop 102
3 } Berechne Lösung x k von (10.6) mt zugeh. Lagrangemultplkatorenλ k+1,µ k+1 x k+1 := x k + x k wähle H k+1 Für de konkrete Wahl H k = 2 xxl(x,λ,µ) formuleren wr unten den Algorthmus erneut. Wel 2 xxl(x,λ,µ) ncht unbedngt SPD st, st de Lösbarket von (10.6) ncht geschert. Der Algorthmus sucht deshalb nur KKT-Punkte: Algorthmus 10.3 (SQP mt H k = 2 xx L): Wähle (x 0,λ 0,µ 0 ) for k=0, 1,..., do{ f (x k,λ k,µ k ) st KKT-Punkt von (10.1) then stop Berechne KKT-Punkt (x k+1,λ k+1,µ k+1 ) von Mn. f (x k ) (x x k )+ 1 2 (x xk ) 2 xxl(x k,λ k,µ k )(x x k ) (10.7a) unter N.B. h (x k )+ h (x k )(x x k )=0 =1,..., p, (10.7b) g (x k )+ g (x k )(x x k ) 0 =1,..., m. (10.7c) Falls es mehrere KKT-Punkte gbt, wähle den (x k,λ k,µ k ) nächstgelegenen. } Auch wenn Alg ene dealserte Varante von SQP-Verfahrens st, kann man lokal quadratsche Konvergenz zegen. Satz 10.4: Se (x,λ,µ ) en KKT-Punkt von (10.1). Seen f, h, g hnrechend glatt. Es gelte: () strkte Komplementartät: g (x )+λ 0, =1,..., m. () LICQ be x. () 2 xxl(x,λ,µ ) st SPD auf{d h (x ) d=0, =1,..., p, g (x ) d= 0, A(x )}. D.g.: Für Startwerte (x 0,λ 0,µ 0 ) hnrechend nahe be (x,λ,µ ) konvergert de von Alg erzeugte Folge quadratsch gegen (x,λ,µ ). 103
4 Bewes: De Kerndee st, daß de strkte Komplementartät dazu führt, daß das Verfahren mt enem Newtonverfahren für das Problem Mn. f unter N.B.h(x)=0, g (x)=0 A(x ) überenstmmt, welches quadratsch konvergert. Defnere x L(x,λ,µ) Φ(x,µ,λ) := h(x), mn{ g(x), λ} wobe mn{ g(x),λ}=(mn{ g 1 (x),λ 1 },..., mn{ g m (x),λ m }) st. Wr bemerken, daß aufgrund der strkten Komplementartät glt: g (x) A(x ) mn{λ, g (x)}= (x,µ,λ) n ener Umgebung von (x,µ,λ ). λ A(x ) Des zegt, daßφbe (x,µ,λ ) so glatt st, we f, h, g es zulassen. 1. Schrtt: De AbletungΦ (x,µ,λ ) st regulär. Es st 2 xxl (Dh) (Dg A ) (Dg A ) Φ Dh (x,µ,λ A,λ A )=, Dg A Id wobe wr herλ=(λ A,λ A ) getelt haben n de Komponenten, de zu (be x ) aktven und naktven Komponenten gehören. Man prüft nun, daß de Voraussetzungen des Satzes dazu führen, daßφ be (x,µ,λ ) und damt, aufgrund von Stetgket n ener Umgebung regulär st. 2. Schrtt: WelΦ (x,µ,λ ) regulär st und welφ(x,µ,λ )=0, folgt, daß es n ener Umgebung kene wetere Lösung gbt. 3. Schrtt: Aufgrund des 1. Schrttes konvergert das Newtonverfahren für Φ(x, µ, λ) = 0 quadratsch, wenn der Startwert hnrechend nahe be (x,µ,λ ) st. 4. Schrtt: Wr zegen, daß en Newtonschrtt genau dem Glechungssystem (10.7) entsprcht. Ausgeschreben st das Glechungssytem x k+1 x k Φ (x k,µ k,λ k ) µ k+1 µ k = Φ(xk,µ k,λ k ) λ k+1 λ k gegeben durch 2 xx L(xk,µ k,λ k )(x k+1 x k )+ g (x k )(λ k+1 g (x k ) (x k+1 x k )=g (x k ) A(x ), λ k+1 λ k = λ k A(x ), h (x k ) (x k+1 x k )= h (x k ). 104 λ k )+ h (x k )(µ k+1 µ k )= xl(x k,µ k,λ k ),
5 Umgeformt ergbt sch 2 xxl(x k,µ k,λ k )(x k+1 x k )+ g (x k )λ k+1 + g (x k )+ g (x k ) (x k+1 x k )=0 A(x ), λ k+1 = 0 A(x ), h (x k )+ h (x k ) (x k+1 x k )=0. h (x k )µ k+1 = x f (x k ), De KKT-Bedngungen für (10.7) lauten 2 xx L(xk,µ k,λ k )(x x k )+ g (x k )λ + h (x k )µ = x f (x k ), mn{ (g (x k )+ g (x k ) (x x k )),λ }=0, =1,..., m, h (x k )+ h (x k ) (x x k )=0. Für (x k,λ k,µ k ) und (x,µ,λ) hnrechend nahe an (x,µ,λ ) läßt sch des äquvalent umschreben zu 2 xxl(x k,µ k,λ k )(x x k )+ g (x k )λ + h (x k )µ = x f (x k ) g (x k )+ g (x k ) (x x k )=0 A(x ) λ = 0 A(x ) h (x k )+ h (x k ) (x x k )=0. Des st genau de Newtonglechung. Wegen der Endeutgket der Newtonlösung folgt de Behauptung. Übung 10.5: Im Bewes wurde de Funktonϕ m (a, b) := mn{a, b} verwendet und ausgenutzt, daß ϕ m (a, b)=0 a, b 0, und ab=0. Zegen Se: de Fscher-Burmester Funktonϕ F (a, b) := a+b a 2 + b 2 lestet ebenfalls des Globalsertes SQP Probleme des lokalen SQP: 105
6 Konvergenz für schlechte Startwerte unklar. Defnthet von 2 xxl st wchtg für Lösbarket des quadratschen Programms (10.7). Wet von der Lösung st das unklar. Wet von der Lösung st unklar, daß (10.7) überhaupt zulässge Punkte hat ( später) Bemerkung 10.6: Es gbt 2 große Famlen von Globalserungstechnken: lne search Technken, de wr her vorstellen, und trust regon Methoden (sehe [NW06, Sec. 18.5]). De her betrachtete Globalserungsstratege st, das lokale SQP-Verfahren zur Suchrchtungbestmmung zu verwenden und ene Schrttwetensteuerung enzusetzen. Wr verwenden del 1 -Penaltyfunkton Φ 1 (x;α) := f (x)+α max{0, g (x)}+ h (x). Für de Schrttwetensteuerung benötgen wr de Rchtungsabletung D(Φ 1 (x;α), p) n Rchtung p: Übung 10.7: D(Φ 1 (x;α), p)= f (x) p+α g (x) p+α max{0, g (x) p} +α :g (x)>0 h (x) p α :g (x)=0 h (x) p+α :h (x)>0 :h (x)<0 :h (x)=0 h (x) p Wr formuleren de KKT-Bedngungen für (10.6): f (x k )+H k x k + λ k+1 g (x k )+ µ k+1 h (x k )=0, (10.8a) λ k+1 h (x k )+ h (x k ) x k = 0 λ k+1 0,, (10.8b) (10.8c) g (x k )+ g (x k ) x k 0, (10.8d) ( g (x k )+ g (x k ) x k) = 0. (10.8e) 106
7 Bemerkung 10.8: Im wchtgen Fall, daß H k SPD st und de zulässge Menge für (10.6) ncht leer st, hat (10.6) Mnmerer. Aus den Sätzen 5.14, 5.15 folgt dann de Exstenz von Lagrangemultplkatoren n (10.8). Lemma 10.9: Se H k SPD und se x k Lösung von (10.6). Dann glt: () Falls x k = 0, dann st das Trpel (x k+1,λ k+1,µ k+1 ) en KKT-Punkt von (10.1). () Falls x k 0 und dann st d.h. x k st Abstegsrchtung vonφ 1. α max{λ k+1, µ k+1 } (10.9), D(Φ 1 (x k ;α), x k ) x k H k x k < 0, Bewes: ad (): unmttelbar durch Verglech von (10.8) mt x k = 0 und den KKT- Glechungen für (10.1). ad (): Sehe [GK01, Satz 5.36]. Lemma 10.9 zegt, daß wr nur den Fall x k 0 betrachten müssen. Ferner legt es folgende Globalserungsstratege nahe, wel ene Abstegsrchtung dentfzert wrd: Algorthmus (globalsertes SQP mt lne search): Wähle Startwerte x 0,λ 0,µ 0, H 0,α>0 Wähleσ (0, 1),β (0, 1), k := 0 whle (true) do{ Falls (x k,λ k,µ k ) en KKT-Punkt von (10.1) st: STOP Bestmme Lsg. x k von (10.6) samt den Lagrangemult.λ k,µ k (löse (10.8)) Falls x k = 0: STOP Bestmme ene Schrttwete t k = max{β l l N 0 }, so daß Φ 1 (x k + t k x k ;α)<φ 1 (x k ;α)+σt k D(Φ 1 (x k ;α), x k ) (10.10) Setze x k+1 := x k + t k x k ; wähle H k+1 ; k := k+1; } 107
8 Bemerkung 10.11: 1. De Matrzen H k+1 können natürlch als 2 xx L(xk+1,λ k+1,µ k+1 ) gewählt werden. Varanten snd, se we z.b. de BFGS-update Formeln zu wählen. 2. der Parameterαmuß n der Praxs auch adaptv gewählt werden. De Bedngung (10.9) legt folgende Stratege nahe: wobeγ>0en Parameter st. α k+1 := max{α k, max{λ k+1, µ k+1 }+γ}, Alg nmmt an, daß (10.6) lösbar st. Das muß aber ncht so sen: Bespel 10.12: Se f (x)= x 2 und de Nebenbedngung g(x)=1 x 2 0. Se x k = 0. Dann st de Lnearserung der Unglechungsnebenbedngung be x k = 0 gegeben durch g(x k )+ g(x k ) x k! 0. Dese Nebenbedngung hat aber kene zulässgen Punkte, denn g(x k )+ g(x k ) x k = 1 unabhängg von x k. Bespel zegt, daß be der Lnearserung der N.B. Schwergketen auftreten können. Im Kontext von lne search-verfahren ändert man deshalb sowohl de Mnmerungsaufgabe als auch das Zelfunktonal. De Idee st, folgende Funkton zu mnmeren: x Φ 1 (x; x;α) := f (x k ) x+ 1 2 x H k x+α h (x k )+ h (x k ) x +α [g (x k )+ g (x k ) x] +. Durch Enführen von Schlupfvarablen erhält man folgende Mnmerungsaufga- 108
9 be: Mnmere f (x k ) x+ 1 2 x H k x+α (η + +η )+α ξ (10.11a) h (x k )+ h (x k ) x=η + η (10.11b) g (x k )+ g (x k ) x ξ (10.11c) η + 0, (10.11d) η 0, (10.11e) ξ 0. (10.11f) Übung 10.13: Se H k SPD,α>0. Se x k en Mnmerer von x Φ 1 (x; x;α). Zegen Se: der Mnmerer von (10.11) st gegeben durch x k undξ = [g (x k )+ g (x k ) x k ] +, η + = [h (x k )+ h (x k ) x k ] +,η = [h (x k )+ h (x k ) x k ]. Übung 10.14: Geben Se de KKT-Bedngung für (10.11) an. Notaton: ( x k,ξ k, (η + ) k, (η ) k ) st de Lösung, (λ k+1,µ k+1, (λ + ) k+1, (µ + ) k+1, (µ ) k+1 ) der zugehörge Lagrangemultplkator. (vgl. [GK01, (5.101)]). Deses Problem hat folgende Lösungsegenschaften: Lemma 10.15: () Das Problem (10.11) hat zulässge Punkte. Ist H k SPD, dann st (10.11) lösbar. () Der Vektor x st zulässg für (10.6) genau dann wenn ( x, 0, 0, 0) zulässg für (10.11) st. () Se H k SPD. Ist x k Lösung von (10.6) und glt α max{ λ k+1, µ k+1 }, (10.12) so st ( x k, 0, 0, 0) Lösung von (10.11). Ist umgekehrt ( x k, 0, 0, 0) Lösung von (10.11), so st x k Lösung von (10.6) und de Komponentenλ k+1,µ k+1 des zugehörgen Lagrangemultplkators erfüllen (10.12). 109
10 Bewes: Sehe [GK01, Lemma 5.41]. ad (): Se x belebg. Setze ξ := max{0, g (x k )+ g (x k ) x}, η + := max{0, h (x k )+ h (x k ) x}, η := max{0, (h (x k )+ h (x k ) x)},. Dann st (,ξ,η +,η ) zulässg. Falls H k SPD st, dann st ( x,ξ,η +,η ) f (x k ) x+ 1 2 x H k x+α( ξ + η + + η ) aufr d R m + Rp + R p + koerzv und nach unten beschränkt. ad (): klar. ad (): Se x k Lösung von (10.6). Nach Bemerkung 10.8 exsteren Lagrangemultplkatorenλ k+1,µ k+1 von (10.8). Defnere (λ + ) k+1 :=α λ k+1, =1,..., m, (µ + )k+1 :=α µ k+1, =1,..., p, (µ )k+1 :=α+µ k+1, =1,..., p. Man rechnet dann nach, daß (, 0, 0, 0,λ k+1,µ k+1, (λ + ) k+1, (µ + ) k+1, (µ ) k+1 ) en KKT- Punkt für de Mnmerungsaufgabe (10.11) st. Wel H k SPD st, st de Mnmerungsaufgabe (10.11) konvex und Sätze 5.20, 5.24 lefern dann, daß ( x, 0, 0, 0) en Mnmerer von (10.11) st. De Umkehrung: Übung. Lemma 10.16: () Φ(x; x;α) Φ(x;α)+D(Φ(x;α), x) () Für edes x gbt es enδ(x)>0so daß für x δ(x) glt: Φ(x; x;α)=φ(x;α)+d(φ(x;α), x). Bewes: [GK01, Lemma 5.43]. Lemma 10.17: Se ( x,ξ,η +,η ) Lösung von (10.11). Dann glt: Φ(x k ; x;α) Φ(x k ;α) x k H k x k 110
11 Satz 10.18: Se H k SPD. Se ( x k,ξ,η +,η ) mt x k 0 Lösung von (10.11). Dann glt: D(Φ(x k ;α), x k ) x k H k x k < 0, d.h. x k st Abstegsrchtung der exakten PenaltyfunktonΦ n x k. Ene attraktve Egenschaft des folgenden Algorthmus st, daß n edem Telschrtt en quadratrsches Programm gelöst werden muß, das mt den Technken aus Kaptel 9 behandelt werden kann. Algorthmus 10.19: Wähle Startwerte x 0,λ 0,µ 0, H 0,α>0 Wähleσ (0, 1),β (0, 1), k := 0 whle (true) do{ Falls (x k,λ k,µ k ) en KKT-Punkt von (10.1) st: STOP Bestmme Lösung ( x k,ξ k, (η + ) k, (η ) k ) von (10.11) samt den Lagrangemultplkatorenλ k+1,µ k+1, (λ + ) k+1, (µ + ) k+1, (µ ) k+1 Falls x k = 0: STOP Bestmme ene Schrttwete t k = max{β l l N 0 } so daß Φ 1 (x k + t k x k ;α)<φ 1 (x k ;α)+σt k x k H k x k (10.13) Setze x k+1 := x k + t k x k ; wähle H k+1 ; k := k+1 } Unter gewssen Umständen kann Konvergenz des Algorthmus schergestellt werden: Satz 10.20: Es seen de Matrzen H k alle SPD, und es gelte für feste c 1, c 2 > 0 c 1 z 2 z H k z c 2 z 2 Se (x k ) k de von Alg erzeugte Folge. Dann st eder Häufungspunkt deser Folge en Statonärpunkt der exakten Straffunkton Φ( ; α). erzeugte Folge. Dann st eder Häufungspunkt deser Folge en Statonärpunkt der exakten Straffunkton Φ 1 ( ;α). z. 111
12 Lteraturverzechns [GK99] C. Geger and C. Kanzow. Numersche Verfahren zur Lösung unrestrngerter Optmerungsaufgaben. Sprnger Verlag, [GK01] C. Geger and C. Kanzow. Theore und Numerk restrngerter Optmerungsaufgaben. Sprnger Verlag, [GT93] Chrstan Großmann and Johannes Terno. Numerk der Optmerung. Teubner Studenbücher Mathematk. [Teubner Mathematcal Textbooks]. B. G. Teubner, Stuttgart, [NW06] Jorge Nocedal and Stephen J. Wrght. Numercal optmzaton. Sprnger Seres n Operatons Research and Fnancal Engneerng. Sprnger, New York, second edton,
Das zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
MehrPenalty- und Augmented Lagrangian-Verfahren
Kaptel 8 Penalty- und Augmented Lagrangan-Verfahren Zel: überführe Mnmerung unter Nebenbedngungen n ene Mnmerungsaufgabe ohne Nebenbedngungen Technken: 1. (quadratsche) Strafverfahren: enfachste Klasse,
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
MehrLineare Optimierung Einführung
Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
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
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
MehrMi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
Mehrkonvergiert punktweise, wenn es l : U C C gibt derart, dass konvergiert gleichmäßig, wenn es l : U C C gibt derart, dass
Funktonentheore, Woche 4 Konvergenz und Folgen 4. Glechmäßge Konvergenz Ene Zahlenfolge {α n } n N C konvergert, wenn es en l C gbt derart, dass ε > 0 N ε N : n > N ε = α n l < ε. Auch zu Folgen von Funktonen
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
Mehr1.11 Beispielaufgaben
. Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
Mehr( a ) z + ( 1 b ) z = ( 1 c ) z.
Hans Walser, [2000509a] Fermat mt negatven Exponenten Anregung: T. G., B. Vgl. [Morgan 200] Ausgangsrage Gesucht snd Lösungen a,b,c! der Glechung: a z + b z = c z, z! 2 Bespele und Gegenbespele a) Für
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
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
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)
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
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
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Semnar Enführung n de Kunst mathematscher Unglechungen Cauchys erste Unglechung und de Unglechung vom arthmetschen und geometrschen Mttel Sopha Volmerng. prl 0 Inhaltsverzechns Cauchys erste Unglechung.
Mehrarxiv: v1 [math.nt] 10 Apr 2014
Über de ratonalen Punkte auf der Sphäre von Nkolay Moshchevtn 1 Moskau) arxv:1404.907v1 [math.nt] 10 Apr 014 Wr beschäftgen uns her mt der Approxmaton von Punkten auf der n-dmensonalen Sphäre durch ratonale
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrSicherheit von Π MAC2
Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
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
Mehr4.5 Lemma Das folgende Problem Par{ 1, 0, 1}max p ist NP-vollständig:
4.5 Lemma Das folgende Problem Par, 0, }max st NP-vollständg: Inut: d, m N mt m d, α N und x,...,x m, 0, } d l.u.. Frage: Exsteren κ,...,κ m, }, sodass m κ x α? Bemerkung: Beachte, dass wegen Satz 4.2
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
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
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
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
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrKapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
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
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
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
MehrKleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA
Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
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
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrDiskrete Logarithmen. Teil II
Dskrete Logarthmen Ron-Gerrt Vahle Hendrk Radke Unverstät Potsdam Insttut für Informatk Semnar Kryptographe SS2005 Tel II Glederung Pohlg-Hellman Index-Calculus Theoretsche Grenzen Endlche Körper Eplog
MehrMathematik für Ökonomen Kompakter Einstieg für Bachelorstudierende Lösungen der Aufgaben aus Kapitel 12 Version 1.0 (11.
Mathematk für Ökonomen Kompakter Ensteg für Bachelorstuderende Lösungen der Aufgaben aus Kaptel Verson.. September 5) E. Cramer, U. Kamps, M. Kater, M. Burkschat 5 Cramer, Kamps, Kater, Burkschat Lösungen
MehrModellierung von Hydrosystemen Numerische und daten-basierte Methoden 2018 Finite-Elemente-Methode Selke-Modell
Modellerung von Hydrosystemen Numersche und daten-baserte Methoden BHYWI-22-21 @ 2018 Fnte-Elemente-Methode Selke-Modell Olaf Koldtz *Helmholtz Centre for Envronmental Research UFZ 1 Technsche Unverstät
MehrAufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen
Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
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
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
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
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
Mehr3 Das Lanczos Verfahren
Computatonal Physcs III, SS 2014, c Burkhard Bunk, HU Berln 13 3 Das Lanczos Verfahren 3.1 Idee Ausgehend von enem (normerten) Startvektor v 0 soll durch wederholtes Anwenden der (hermteschen) Matrx A
MehrSeminar über Numerische Mathematik
Andreas Mester Semnar über Numersche Mathematk Semnar m Wntersemester 008/009 Unverstät Kassel Fachberech Mathematk Inhaltsverzechns Bezer-Kurven 1 1 Enletung 1 Der Algorthmus von de-castelau.1 Parabeln....................................
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrInvariantentheorie. Vorlesung 3. Lineare Operationen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invarantentheore Vorlesung 3 Lneare Operatonen Ene Operaton ener Gruppe G auf ener (geometrschen) Menge M st das gleche we en Gruppenhomomorphsmus der Gruppe
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
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
Mehr( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )
Funktonentheore, Woche 10 Bholomorphe Abbldungen 10.1 Konform und bholomorph Ene konforme Abbldung erhält Wnkel und Orenterung. Damt st folgendes gement: Wenn sch zwe Kurven schneden, dann schneden sch
MehrProf. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie
Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1
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)
Mehrf s, x(s) ds max f s, x(s) f s, y(s) ds exp L s t0 L t t 0 ) ds
8 1 Fxpunktsätze 2. Nach Defnton von M glt xt p 0 X b für alle t [t 0 c, t 0 + c], d.h. xt Q für alle t [t 0 c, t 0 + c]. Also lefern 1.18 1 und de Egenschaften des Integrals cf. Folgerung??.?? T p0 x
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrZwei Sätze von Joseph Wolstenholme. Johann Cigler
Zwe Sätze von Joseh Wolstenholme Johann Cgler Vor enger Zet sandte mr Herr P., en hlosohsch gebldeter älterer Mann, enge Bemerkungen zu enem Resultat von Joseh Wolstenholme, das er folgendermaßen formulerte:
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrGrundbildung Lineare Algebra und Analytische Geometrie (LPSI/LS-M2) SoSe C. Curilla/ B. Janssens
Fchberech Mthemtk Algebr und Zhlentheore Chrstn Curll Grundbldung Lnere Algebr und Anltsche Geometre (LPSI/LS-M) Bltt 1 SoSe 011 - C. Curll/ B. Jnssens Präsenzufgben (P1) Mch Se sch be den folgenden Glechungssstemen
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrDiplomvorprüfung DI H 04 VD : 1
Dplomvorprüfung DI H 04 VD : Aufgabe : Bewesen Se (zum Bespel mt Hlfe der Dfferentalrechnung) de folgende Glechung: ln(snh(x) + cosh(x)) + ln(cosh(x) snh(x)) 0, für alle x R. Es gbt (mnd.) 2 Möglchketen:.
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
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
Mehr1 Differentialrechnung in mehreren Variablen
1 Dfferentalrechnung n mehreren Varablen 1.1 De Geometre eukldscher Räume Zur Ernnerung De Elemente des R n schreben wr normalerwese als Zelenvektoren: x = (x 1,..., x n ). Kommen Matrzen ns Spel, so st
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
Mehr