Engineering Design via Surrogate Modelling Sampling Plans

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Engineering Design via Surrogate Modelling Sampling Plans"

Transkript

1 Engineering Design via Surrogate Modelling Sampling Plans Lisa Weber Universität Trier L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

2 Inhaltsverzeichnis 1 Einführung 2 Surrogate Model 3 Engineering Design 4 Sampling Plans-Stichprobenpläne Der Fluch der Dimensionen und wie ich damit umgehen kann Physikalische vs. rechnerische Experimente Entwerfen eines vorläufigen Experiments (Screening) Erstellung eines Stichprobenversuchs 5 Fazit/Ausblick L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

3 Einführung Wer ist es? L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

4 Einfu hrung Wer ist es? Auflo sung L. Weber (Universita t Trier) Surrogate Models - Seminar Numerik / 34

5 Surrogate Model Grundidee Ein Surrogate Model ist ein Approximationsmodell, also Ersatzmodell für rechenaufwendige Simulationen. Es versucht mit Hilfe von einigen Parametern aus der rechenaufwendigen Simulation möglichst genau die Eigenschaften dieser nachzustellen um so rechnerisch günstiger an die gewünschten Informationen zu gelangen. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

6 Surrogate Model Der Teufel steckt im Detail Der Teufel steckt im Detail Welche Punkte nehme ich um die Approximation zu bauen? Welche Approximationsmethode soll ich verwenden? Wie kann ich die Approximation nutzen um neue Designs zu erhalten? Was muss ich tun wenn die Simulation numerical noise aufweist? Wo bekomme ich den Computercode her, der dies alles kann? L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

7 Engineering Design Im Engineering Design trifft man mit Hilfe von Analysen Entscheidungen, die Auswirkungen auf Produkt und Service haben. Diese Analysen dienen dabei als eine Art Background der Entscheidungstreffung. (Bsp. Luft-und Raumfahrttechnik) = Surrogate Models ergeben Kompromisse zwischen Rechenaufwand und Genauigkeit. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

8 Engineering Design Wo werden Surrogate Modelle im Engineering Design genutzt? Zur Unterstützung der Resultate einer Simulation Als Kalibrierungsmechanismus für Codes mit begrenzter Exaktheit Zur Datengewinnung um die funktionale Beziehung zwischen den Designvariablen und anderen Variabelen, die interessant sind, zu vergleichen Den Umgang mit fehlerhaften Daten zu lernen L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

9 Sampling Plans Engineering Designs benötigen die Konstruktion eines Surrogate Modells, welches die rechenaufwendige Antwort einer black box f in Variationen nachbilden kann. Fundamentales f (x) ist eine gleichbleibende Qualitäts-, Kosten- oder Performance Abbildung eines Produktes oder Prozesses, welche durch einen k-vektor mit Designvariablen x D R k dargestellt wird. D ist design space oder design domain diskrete Beobachtungen oder Stichproben erhalten wir mit Hilfe von {x (i) y (i) = f (x (i) ) i = (1,...,n)} Konstruiere nun eine Approximation ˆf um eine günstige performance Vorhersage zu tätigen für jedes x D X = {x (1),x (2),...,x (n) } ist der Stichprobenplan (sample plan) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

10 Sampling Plans Engineering Designs benötigen die Konstruktion eines Surrogate Modells, welches die rechenaufwendige Antwort einer black box f in Variationen nachbilden kann. Fundamentales f (x) ist eine gleichbleibende Qualitäts-, Kosten- oder Performance Abbildung eines Produktes oder Prozesses, welche durch einen k-vektor mit Designvariablen x D R k dargestellt wird. D ist design space oder design domain diskrete Beobachtungen oder Stichproben erhalten wir mit Hilfe von {x (i) y (i) = f (x (i) ) i = (1,...,n)} Konstruiere nun eine Approximation ˆf um eine günstige performance Vorhersage zu tätigen für jedes x D X = {x (1),x (2),...,x (n) } ist der Stichprobenplan (sample plan) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

11 Der Fluch der Dimensionen und wie ich damit umgehen kann Intuitiv Je höher die Anzahl der Designvariablen im Modellierungsproblem, desto mehr Messungen für die Stellen der Zielfunktion benötigen wir um eine genaue Approximation zu tätigen. z.b. Wenn ein bestimmtes Approximationslevel durch einen Stichprobenversuch in einem Ein-Variabel-Raum an n Stellen erzielt wurde, würde die Erzeugung der selben Stichprobendichte in einem k dimensionalen Raum n k Versuche benötigen. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

12 Der Fluch der Dimensionen und wie ich damit umgehen kann Intuitiv Je höher die Anzahl der Designvariablen im Modellierungsproblem, desto mehr Messungen für die Stellen der Zielfunktion benötigen wir um eine genaue Approximation zu tätigen. z.b. Wenn ein bestimmtes Approximationslevel durch einen Stichprobenversuch in einem Ein-Variabel-Raum an n Stellen erzielt wurde, würde die Erzeugung der selben Stichprobendichte in einem k dimensionalen Raum n k Versuche benötigen. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

13 Der Fluch der Dimensionen und wie ich damit umgehen kann Bsp: Modellierung der Kosten für einen Autoreifen Aufgabe: Kostenvoranschlag für Herstellungsprozess pro Auswertungs- und Designprozess benötigen wir 1 Stunde, und wir haben ein Budget von 10 Stunden Kostenberechnung für eine Variable (Reifendurchmesser)? 10 Versuche Kostenberechnung für mehrere Variablen (z.b. Furchenabstand; Flankenstärke; Laufflächenbreite usw.)? 10 8 Versuche (11416 Jahre) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

14 Der Fluch der Dimensionen und wie ich damit umgehen kann Bsp: Modellierung der Kosten für einen Autoreifen Aufgabe: Kostenvoranschlag für Herstellungsprozess pro Auswertungs- und Designprozess benötigen wir 1 Stunde, und wir haben ein Budget von 10 Stunden Kostenberechnung für eine Variable (Reifendurchmesser)? 10 Versuche Kostenberechnung für mehrere Variablen (z.b. Furchenabstand; Flankenstärke; Laufflächenbreite usw.)? 10 8 Versuche (11416 Jahre) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

15 Der Fluch der Dimensionen und wie ich damit umgehen kann Bsp: Modellierung der Kosten für einen Autoreifen Aufgabe: Kostenvoranschlag für Herstellungsprozess pro Auswertungs- und Designprozess benötigen wir 1 Stunde, und wir haben ein Budget von 10 Stunden Kostenberechnung für eine Variable (Reifendurchmesser)? 10 Versuche Kostenberechnung für mehrere Variablen (z.b. Furchenabstand; Flankenstärke; Laufflächenbreite usw.)? 10 8 Versuche (11416 Jahre) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

16 Der Fluch der Dimensionen und wie ich damit umgehen kann Fazit: Kostenvoranschlag für Herstellungsprozess Die Berechnung aller möglichen Kombinationen ist sehr rechenaufwendig Die Anzahl der Designvariablen hat großen Einfluss auf die Zahl der Untersuchungen. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

17 Physikalische vs. rechnerische Experimente Physikalische Experimente Physikalische Experimente und Ergebnisse beinhalten oft Versuchsfehler human error systematic error (wiederholbar) random error rechnerische Experimente Auch in rechnerischen Experimenten sind Fehler zu finden human error systematic error deterministisch L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

18 Physikalische vs. rechnerische Experimente Physikalische Experimente Physikalische Experimente und Ergebnisse beinhalten oft Versuchsfehler human error systematic error (wiederholbar) random error rechnerische Experimente Auch in rechnerischen Experimenten sind Fehler zu finden human error systematic error deterministisch L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

19 Entwerfen eines vorläufigen Experiments (Screening) Wie sieben wir die falschen Variablen aus ohne die Analyse zu vergessen? Sei f einmal diff bar über der design domain D bezüglich aller x, so ist f X i x ein Kriterium zur Klassifizierung von Designvariablen. ABER in der Praxis ist diese Berechnung von f X i x zu rechenaufwendig. Screeningregel Viele Variablen inaktiv: gründliches Screening wichtig Viele Variablen aktiv: Fokus auf Modellierung L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

20 Entwerfen eines vorläufigen Experiments (Screening) Abschätzung der Verteilung elementarer Effekte Vorbemerkung -Morris Algorithmus Normierung aller Variablen in den Einheitswürfel D = [0,1] n Beschränkung des design space D zu einem k-dimensionalen, p-ebenen vollständigen faktoriellen Gitters (full factorial grid) 1 x i {0, (p 1), 2 (p 1),...,1} für i = 1,...,k für einen Ausgangswert x D bezeichnet d i (x) den elementaren Effekt von x i d i (x) = y(x 1,x 2,...,x i 1,x i +,x i+1,...,x k ) y(x) wobei x D, so dass gilt x i 1 (1) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

21 Abschätzung der Verteilung elementarer Effekte Morris Methode Die Morris Methode schätzt die Parameteraufteilung elementarer Effekte in Verbindung mit jeder Variable ab. Zentrale Tendenz der Variable wichtiger Einfluss auf Zielfunktion Streuung der Variable Interaktion mit Termen in denen f nicht linear ist In der Praxis Wir schätzen den Stichprobenmittelwert und die Standardabweichung der Stichprobe durch eine Menge von d i (x) Werten ab, die in verschiedenen Teilen des design space berechnet wurden. der Stichprobenplan gibt uns eine bestimmte Anzahl r von elementaren Effekten für jede Variable L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

22 Abschätzung der Verteilung elementarer Effekte Morris Methode Die Morris Methode schätzt die Parameteraufteilung elementarer Effekte in Verbindung mit jeder Variable ab. Zentrale Tendenz der Variable wichtiger Einfluss auf Zielfunktion Streuung der Variable Interaktion mit Termen in denen f nicht linear ist In der Praxis Wir schätzen den Stichprobenmittelwert und die Standardabweichung der Stichprobe durch eine Menge von d i (x) Werten ab, die in verschiedenen Teilen des design space berechnet wurden. der Stichprobenplan gibt uns eine bestimmte Anzahl r von elementaren Effekten für jede Variable L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

23 Abschätzung der Verteilung elementarer Effekte Wie erhalte ich einen solchen Stichprobenplan X? Stichprobenmatrix B k + 1 k mit 0s und 1s, wobei für jede Spalte i = 1,2,...,k jeweils 2 Reihen B existieren, die sich im i ten Eintrag unterschieden Berechne eine zufällige Orientierung von B, B Um r elementare Effekte für jede Variable zu erhalten, ist der Screening-Plan durch r zufällige Orientierungen aufgebaut B1 B2. B r (2) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

24 Abschätzung der Verteilung elementarer Effekte Konzeptuelle Levelabschätzung des Gewichtes eines Leichtflugzeugflügels W = 0.036S W W fw ( A cos 2 Λ )0.6 q λ 0.04 ( 100tc cos Λ ) 0.3 (N z W dg ) S W W p (3) L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

25 Abschätzung der Verteilung elementarer Effekte L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

26 Abschätzung der Verteilung elementarer Effekte L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

27 Abschätzung der Verteilung elementarer Effekte Fazit Screening wird gemacht, wenn kein Vorwissen da ist und wenn man zur Identifikation der Variablen nur auf die Zielfunktion als black box vertrauen kann L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

28 Erstellung eines Stichprobenversuchs-Schichtung Wir nehmen an, dass das einheitliche Level der Modellgenauigkeit durch den gesamten design space eine gleichbleibende Punktestreuung verlangt. Die Stichprobenversuche mit dieser Eigenschaft heißen space-filling (Raumerfüllung). Bsp.: full factorial grid-methode L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

29 Erstellung eines Stichprobenversuchs-Schichtung Beispiel Stichprobe des Einheits- Hyperwürfels in allen Ebenen und Dimensionen. Beispiel eines 3-dimensionalen full factorial sampling plan L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

30 Erstellung eines Stichprobenversuchs-Schichtung 2 Hauptmängel Nur definiert für Design s bestimmter Größe Überlappen der Punktmengen durch Projektion an den Achsen Die zufällig geschichtete Stichprobe wird erreicht durch Teilung der Variabelbereiche in eine relativ große Anzahl von gleichgroßen Kästchen und die Generierung gleichgroßer Stichprobenversuche innerhalb dieser Kästchen. (stratified random sampling) Latin Hybercube Stichprobe Die natürliche Entwicklung einer solchen Idee ist es einen Stichprobenplan so zu generieren, dass er in allen Dimensionen geschichtet ist. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

31 Erstellung eines Stichprobenversuchs-Schichtung 2 Hauptmängel Nur definiert für Design s bestimmter Größe Überlappen der Punktmengen durch Projektion an den Achsen Die zufällig geschichtete Stichprobe wird erreicht durch Teilung der Variabelbereiche in eine relativ große Anzahl von gleichgroßen Kästchen und die Generierung gleichgroßer Stichprobenversuche innerhalb dieser Kästchen. (stratified random sampling) Latin Hybercube Stichprobe Die natürliche Entwicklung einer solchen Idee ist es einen Stichprobenplan so zu generieren, dass er in allen Dimensionen geschichtet ist. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

32 Erstellung eines Stichprobenversuchs-Schichtung 2 Hauptmängel Nur definiert für Design s bestimmter Größe Überlappen der Punktmengen durch Projektion an den Achsen Die zufällig geschichtete Stichprobe wird erreicht durch Teilung der Variabelbereiche in eine relativ große Anzahl von gleichgroßen Kästchen und die Generierung gleichgroßer Stichprobenversuche innerhalb dieser Kästchen. (stratified random sampling) Latin Hybercube Stichprobe Die natürliche Entwicklung einer solchen Idee ist es einen Stichprobenplan so zu generieren, dass er in allen Dimensionen geschichtet ist. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

33 Erstellung eines Stichprobenversuchs-Latin Viereck und zufälliger Latin Hypercube Generierung eines Projektionsplans Es seien n Design s notwenig, so dass ein n n Würfel so aufgebaut ist, dass jede Spalte und Reihe durch eine Permutation von {1,2,...,n} gefüllt ist. Jedoch darf jede Zahl nur einmal pro Zeile und Spalte vorkommen. Bsp n = 4 Latin Viereck. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

34 Erstellung eines Stichprobenversuchs-Latin Viereck und zufälliger Latin Hypercube Bau eines Latin Hyperwürfels Teilung der Designraums in gleichgroße Hyperwürfel Platziere eines Punkt in einen Hyperwürfel pro Spalte und Zeile Bsp. Drei-Variablen, 10 Punkte Latin Hyperwürfel Stichprobenplan L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

35 Erstellung eines Stichprobenversuchs-Latin Viereck und zufälliger Latin Hypercube Bau eines zufälligen Stichprobenplans X bezeichnet die n k Matrix, in welcher wir unseren Stichprobenplan mit n Punkten in k Dimensionen bauen wollen auffüllen von X mit zufälligen Permutationen von {1,2,...,n} in jeder Spalte normieren des Plans in die [0,1] k box Dies erzeugt einen zufälligen Stichprobenplan, dessen Projektionen auf die Achsen gleichmäßig verteilt sind. keine Garantie für Raumfüllung L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

36 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels Maximin Metrik Messung zur gleichmäßigen Raumfüllung eines Stichprobenversuchs d 1,d 2,...,d m sind die aufsteigend sortierten eindeutigen Distanzwerte zwischen allen möglichen Punktepaaren im Stichprobenplan X Seien J 1,J 2,...,J m so definiert, dass J j die Anzahl der Punktepaare in X getrennt durch die Distanz d j ist L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

37 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels Definition Distanz Meistens wird die p-norm des Raums genutzt d p (x i 1,x i 2 ) = ( k j=1 x i 1 j x i 2 j p ) 1 p (4) p = 1 rechteckige Distanz (Manhatten-Norm) p = 2 Euklidische Norm Definition Wir nennen X den Maximinplan zwischen allen möglichen Plänen, wenn er d 1 maximiert und J 1 minimiert, wenn er d 2 maximiert und J 2 minimiert,..., wenn er d m maximiert und J m minimiert. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

38 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels Definition Distanz Meistens wird die p-norm des Raums genutzt d p (x i 1,x i 2 ) = ( k j=1 x i 1 j x i 2 j p ) 1 p (4) p = 1 rechteckige Distanz (Manhatten-Norm) p = 2 Euklidische Norm Definition Wir nennen X den Maximinplan zwischen allen möglichen Plänen, wenn er d 1 maximiert und J 1 minimiert, wenn er d 2 maximiert und J 2 minimiert,..., wenn er d m maximiert und J m minimiert. L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

39 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels Praktischer Anwendung der Definition Erstelle die Vektoren d 1,d 2,...,d m und J 1,J 2,...,J m Erstelle Vektor, der alle Distanzen zwischen allen möglichen Punktpaaren enhält. (sehr aufwendig, Speicherplatzprobleme) Suche nach einem geeigneten raumfüllenden Stichprobenplan mit Hilfe der scalar-valued criterion function m Φ q (X ) = ( J j d q j ) 1 q (5) Je kleiner der Wert von Φ q,desto besser die Raumfüllungseigenschaften von X j=1 L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

40 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

41 Erstellung eines Stichprobenversuchs-Raumfüllung eines Latin Hyperwürfels Zusammenfassung Jetzt haben wir alle Teile des optimalen Latin Hyperwürfel Sammelprozess-Puzzle s 1 Zufälliger Hyperwürfelgenerator als Startpunkt 2 Raumfüllende Metrik zur Optimierung 3 Optimierung L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

42 Fazit/Ausblick Was haben wir gelernt Was ein Surrogate Model ist und wozu am es im Engineering Design benötigt kleiner Auschnitt von Möglichkeiten einen Stichprobenplan zu konstruieren Wie man an hand eines Screenings die Variablen für einen Stichprobenplan auswählt Wie man einen Stichprobenplan erstellen Ausblick Möglichkeiten weiterer Optimierungen L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

43 Danke für Eure Aufmerksamkeit L. Weber (Universität Trier) Surrogate Models - Seminar Numerik / 34

Robustheitsuntersuchung am Beispiel der rechnerischen Simulation der ECE-R14

Robustheitsuntersuchung am Beispiel der rechnerischen Simulation der ECE-R14 alt 1. Vergleich der Methoden Reine Monte-Carlo-Analyse Ersatzflächenbasierte Monte-Carlo-Analyse 2. Restriktionen nach ECE-R14 3. FEM-Modell 4. Bauteile/ Parameter 5. Anwendung beider Methoden auf ECE-R14

Mehr

Kapitel 15. Lösung linearer Gleichungssysteme

Kapitel 15. Lösung linearer Gleichungssysteme Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

R ist freie Software und kann von der Website. www.r-project.org

R ist freie Software und kann von der Website. www.r-project.org R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird

Mehr

(1) Problemstellung. (2) Kalman Filter

(1) Problemstellung. (2) Kalman Filter Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung

Mehr

Grundlagen der Monte Carlo Simulation

Grundlagen der Monte Carlo Simulation Grundlagen der Monte Carlo Simulation 10. Dezember 2003 Peter Hofmann Inhaltsverzeichnis 1 Monte Carlo Simulation.................... 2 1.1 Problemstellung.................... 2 1.2 Lösung durch Monte

Mehr

Einführung in. Logische Schaltungen

Einführung in. Logische Schaltungen Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

Mehr

Insiderwissen 2013. Hintergrund

Insiderwissen 2013. Hintergrund Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen

Mehr

Primzahlen und RSA-Verschlüsselung

Primzahlen und RSA-Verschlüsselung Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also

Mehr

Musterlösungen zur Linearen Algebra II Blatt 5

Musterlösungen zur Linearen Algebra II Blatt 5 Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

Optimierung für Nichtmathematiker

Optimierung für Nichtmathematiker Optimierung für Nichtmathematiker Typische Prüfungsfragen Die folgenden Fragen dienen lediglich der Orientierung und müssen nicht den tatsächlichen Prüfungsfragen entsprechen. Auch Erkenntnisse aus den

Mehr

Konzepte der Informatik

Konzepte der Informatik Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens

Mehr

Zusatztutorium, 25.01.2013

Zusatztutorium, 25.01.2013 Zusatztutorium, 25.01.2013 David Müßig muessig[at]mi.fu-berlin.de http://page.mi.fu-berlin.de/def/tutorium/ WiSe 12/13 1 Der Homomorphiesatz Der Homomorphiesatz scheint für viele eine Art rotes Tuch zu

Mehr

Übungen zum Ferienkurs Lineare Algebra WS 14/15

Übungen zum Ferienkurs Lineare Algebra WS 14/15 Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)

Mehr

Grundlagen beim Linkaufbau

Grundlagen beim Linkaufbau Grundlagen beim Linkaufbau Link-Building welches heute eher als Link-Earning bezeichnet wird, hat sich in den letzten Jahren dramatisch verändert. Was sich nicht verändert hat, ist die Tatsache, dass Links

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

Mehr

Dokumentation. estat Version 2.0

Dokumentation. estat Version 2.0 Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim

Mehr

Gitterherstellung und Polarisation

Gitterherstellung und Polarisation Versuch 1: Gitterherstellung und Polarisation Bei diesem Versuch wollen wir untersuchen wie man durch Überlagerung von zwei ebenen Wellen Gttterstrukturen erzeugen kann. Im zweiten Teil wird die Sichtbarkeit

Mehr

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen

Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Optimierungsprobleme mit Nebenbedingungen - Einführung in die Theorie, Numerische Methoden und Anwendungen Dr. Abebe Geletu Ilmenau University of Technology Department of Simulation and Optimal Processes

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Statische Versuchsplanung (DoE - Design of Experiments)

Statische Versuchsplanung (DoE - Design of Experiments) Statische Versuchsplanung (DoE - Design of Experiments) Übersicht Bei der statistischen Versuchsplanung wird die Wirkung von Steuerparametern unter dem Einfluss von Störparametern untersucht. Mit Hilfe

Mehr

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege

Lange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick

Mehr

WS 2008/09. Diskrete Strukturen

WS 2008/09. Diskrete Strukturen WS 2008/09 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0809

Mehr

Modellbildungssysteme: Pädagogische und didaktische Ziele

Modellbildungssysteme: Pädagogische und didaktische Ziele Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und

Mehr

Institut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b.

Institut für Computational Engineering ICE. N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t. w w w. n t b. Institut für Computational Engineering ICE N ä h e r d ra n a m S ys t e m d e r Te c h n i k d e r Z u ku n f t w w w. n t b. c h Rechnen Sie mit uns Foto: ESA Das Institut für Computational Engineering

Mehr

Approximation durch Taylorpolynome

Approximation durch Taylorpolynome TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni

Mehr

Repetitionsaufgaben Wurzelgleichungen

Repetitionsaufgaben Wurzelgleichungen Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen

Mehr

Eine solche Anordnung wird auch Fabry-Pérot Interferometer genannt

Eine solche Anordnung wird auch Fabry-Pérot Interferometer genannt Interferenz in dünnen Schichten Interferieren die an dünnen Schichten reflektierten Wellen miteinander, so können diese sich je nach Dicke der Schicht und Winkel des Einfalls auslöschen oder verstärken

Mehr

Lineare Gleichungssysteme I (Matrixgleichungen)

Lineare Gleichungssysteme I (Matrixgleichungen) Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst

Mehr

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne

Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Non-Deterministische CFD Simulationen in FINE /Turbo

Non-Deterministische CFD Simulationen in FINE /Turbo Non-Deterministische CFD Simulationen in FINE /Turbo Dipl.-Ing. (FH) Peter Thiel Dr.-Ing. Thomas Hildebrandt NUMECA Ingenieurbüro NUMECA, a New Wave in Fluid Dynamics Überblick 1. Motivation: Warum non-deterministische

Mehr

Repräsentativität in der Online-Marktforschung

Repräsentativität in der Online-Marktforschung Reihe: Electronic Commerce Band 35 Herausgegeben von Prof. Dr. Dr. h. c. Norbert Szyperski, Köln, Prof. Dr. Beat Schmid, St. Gallen, Prof. Dr. Dr. h. c. mult. August-Wilhelm Scheer, Saarbrücken, Prof.

Mehr

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Festigkeit von FDM-3D-Druckteilen

Festigkeit von FDM-3D-Druckteilen Festigkeit von FDM-3D-Druckteilen Häufig werden bei 3D-Druck-Filamenten die Kunststoff-Festigkeit und physikalischen Eigenschaften diskutiert ohne die Einflüsse der Geometrie und der Verschweißung der

Mehr

Mining High-Speed Data Streams

Mining High-Speed Data Streams Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?

Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt

Mehr

Abhängigkeiten zwischen Großschäden

Abhängigkeiten zwischen Großschäden Abhängigkeiten zwischen Großschäden Holger Drees, Universität Hamburg I. Typen von Abhängigkeiten II. Modelle für abhängige Großschäden III. Fallstudie: Dänische Feuerversicherung I. Typen von Abhängigkeiten

Mehr

GEONET Anleitung für Web-Autoren

GEONET Anleitung für Web-Autoren GEONET Anleitung für Web-Autoren Alfred Wassermann Universität Bayreuth Alfred.Wassermann@uni-bayreuth.de 5. Mai 1999 Inhaltsverzeichnis 1 Technische Voraussetzungen 1 2 JAVA-Programme in HTML-Seiten verwenden

Mehr

Einführung in die Fuzzy Logic

Einführung in die Fuzzy Logic Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Beweisbar sichere Verschlüsselung

Beweisbar sichere Verschlüsselung Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

Einführung in die Kodierungstheorie

Einführung in die Kodierungstheorie Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht

Mehr

Das Briefträgerproblem

Das Briefträgerproblem Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................

Mehr

Musterlösung zu Serie 14

Musterlösung zu Serie 14 Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen

Mehr

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen

geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

IMS - Learning Design

IMS - Learning Design IMS - Learning Design Ein Vortrag zum Thema Learning Design von Maayan Weiss Inhalt Was ist IMS Learning Design? Kurzer Einblick Welche Lücken gibt es im e-learning? Was hat IMS-LD zu bieten. Wie sieht

Mehr

Informationsblatt Induktionsbeweis

Informationsblatt Induktionsbeweis Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln

Mehr

Wir arbeiten mit Zufallszahlen

Wir arbeiten mit Zufallszahlen Abb. 1: Bei Kartenspielen müssen zu Beginn die Karten zufällig ausgeteilt werden. Wir arbeiten mit Zufallszahlen Jedesmal wenn ein neues Patience-Spiel gestartet wird, muss das Computerprogramm die Karten

Mehr

Kompetenzinventar im Prozess der Berufswegeplanung

Kompetenzinventar im Prozess der Berufswegeplanung Kompetenzinventar im Prozess der Berufswegeplanung F2/W4 Referentin: Tatjana Keller Also das habe ich übrigens ganz oft gedacht, als ich es ausgefüllt habe [ ] ich habe ganz oft gedacht, ich muss es erläutern.

Mehr

Optimal Control in Air Traffic Management

Optimal Control in Air Traffic Management Optimal Control in Air Traffic Management DGLR Workshop Bestimmung optimaler Trajektorien im Air Traffic Management 23.04.2013 Deutsche Flugsicherung GmbH, Langen 23.04.2013 1 Inhalt. Hintergrund und Motivation.

Mehr

Unterscheidung: Workflowsystem vs. Informationssystem

Unterscheidung: Workflowsystem vs. Informationssystem 1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise

Mehr

DAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG

DAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG DAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG von Urs Schaffer Copyright by Urs Schaffer Schaffer Consulting GmbH Basel www.schaffer-consulting.ch Info@schaffer-consulting.ch Haben Sie gewusst dass... >

Mehr

Erinnerung/Zusammenfassung zu Abbildungsmatrizen

Erinnerung/Zusammenfassung zu Abbildungsmatrizen Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend

Mehr

Lernmaterial für die Fernuni Hagen effizient und prüfungsnah

Lernmaterial für die Fernuni Hagen effizient und prüfungsnah Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18

Mehr

Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2008. Aufgabe 1

Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2008. Aufgabe 1 Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2008 Aufgabe 1 I) Einige Mitarbeiter

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

4. Erstellen von Klassen

4. Erstellen von Klassen Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl

Mehr

Probleme beim Arbeiten mit Variablen, Termen und Gleichungen

Probleme beim Arbeiten mit Variablen, Termen und Gleichungen Probleme beim Arbeiten mit Variablen, Termen und Gleichungen Tage des Unterrichts in Mathematik, Naturwissenschaften und Technik Rostock 2010 Prof. Dr. Hans-Dieter Sill, Universität Rostock, http://www.math.uni-rostock.de/~sill/

Mehr

Vorlesung Analysis I / Lehramt

Vorlesung Analysis I / Lehramt Vorlesung Analysis I / Lehramt TU Dortmund, Wintersemester 2012/ 13 Winfried Kaballo Die Vorlesung Analysis I für Lehramtsstudiengänge im Wintersemester 2012/13 an der TU Dortmund basiert auf meinem Buch

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume?

Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V

Mehr

Wirtschaftsrechnen. Leseprobe

Wirtschaftsrechnen. Leseprobe Wirtschaftsrechnen Kapitel 1 Darstellung von Größen 1.1 Größen im Koordinatensystem 1.2 Diagramme und Ihre Verwendung 1.2.1 Säulendiagramm 1.2.2 Balkendiagramm 1.2.3 Punktdiagramm (Streudiagramm) 1.2.4

Mehr

Arbeitszeiterfassung mit Fingerabdruck

Arbeitszeiterfassung mit Fingerabdruck Arbeitszeiterfassung mit Fingerabdruck Was ist Biometrie? Unter Biometrie, im Zusammenhang mit einer Personenidentifikation, versteht man die Erkennung von Personen anhand von einzigartigen und unverwechselbaren

Mehr

2.5.2 Primärschlüssel

2.5.2 Primärschlüssel Relationale Datenbanken 0110 01101110 01110 0110 0110 0110 01101 011 01110 0110 010 011011011 0110 01111010 01101 011011 0110 01 01110 011011101 01101 0110 010 010 0110 011011101 0101 0110 010 010 01 01101110

Mehr

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren

Lineargleichungssysteme: Additions-/ Subtraktionsverfahren Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als

Mehr

24. Algorithmus der Woche Bin Packing Wie bekomme ich die Klamotten in die Kisten?

24. Algorithmus der Woche Bin Packing Wie bekomme ich die Klamotten in die Kisten? 24. Algorithmus der Woche Wie bekomme ich die Klamotten in die Kisten? Autor Prof. Dr. Friedhelm Meyer auf der Heide, Universität Paderborn Joachim Gehweiler, Universität Paderborn Ich habe diesen Sommer

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen

Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation

Mehr

Theoretische Grundlagen der Informatik WS 09/10

Theoretische Grundlagen der Informatik WS 09/10 Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Gleichungen - Aufgabenstellung und Lösungsstrategien

Gleichungen - Aufgabenstellung und Lösungsstrategien Gleichungen - Aufgabenstellung und Lösungsstrategien Franz Pauer Institut für Mathematik, Universität Innsbruck, Technikerstr. 25, A-6020 Innsbruck, Österreich. Franz.Pauer@uibk.ac.at 18. Juli 2006 1 Einleitung

Mehr

Über den Zusammenhang zwischen geometrischer Parallaxe und der Entfernung des Mondes

Über den Zusammenhang zwischen geometrischer Parallaxe und der Entfernung des Mondes Über den Zusammenhang zwischen geometrischer Parallaxe und der Entfernung des Mondes U. Backhaus Universität Duisburg-Essen Wenn man ein entferntes Objekt von verschiedenen Orten aus anpeilt, dann unterscheiden

Mehr

Statistik im Versicherungs- und Finanzwesen

Statistik im Versicherungs- und Finanzwesen Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel

Mehr

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4

Mehr

Software Engineering in der Praxis

Software Engineering in der Praxis Software Engineering in der Praxis Praktische Übungen Adersberger, Spisländer FAU Erlangen-Nürnberg Software-Metriken 1 / 26 Software-Metriken Josef Adersberger Marc Spisländer Lehrstuhl für Software Engineering

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Stackelberg Scheduling Strategien

Stackelberg Scheduling Strategien Stackelberg Scheduling Strategien Von Tim Roughgarden Präsentiert von Matthias Ernst Inhaltsübersicht Einleitung Vorbetrachtungen Stackelberg Strategien Ergebnisse Seminar Algorithmische Spieltheorie:

Mehr

Berufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Herbsttermin 2013

Berufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Herbsttermin 2013 BRP Mathematik VHS Floridsdorf 5.10.2013 Seite 1/6 Gruppe A Berufsreifeprüfung Mathematik Lehrplan laut Berufsreifeprüfungscurriculaverordnung Volkshochschule Floridsdorf Herbsttermin 2013 Notenschlüssel:

Mehr

Taylorentwicklung der k ten Dimension

Taylorentwicklung der k ten Dimension Taylorentwicklung der k ten Dimension 1.) Taylorentwicklung... 2 1.1.) Vorgehenesweise... 2 1.2.) Beispiel: f ((x, y)) = e x2 +y 2 8x 2 4y 4... 3 2.) Realisierung des Algorithmus im CAS Sage Math... 5

Mehr

Farbe blaues ist ein Sinneseindruck. Physikalisch gesehen gibt es nur Licht verschiedener

Farbe blaues ist ein Sinneseindruck. Physikalisch gesehen gibt es nur Licht verschiedener $ Spektrum Info Additive Farbmischung Durch Addition von verschiedenfarbigem kann man das Spektrum erweitern. Z. B. wird aus rotem, grünem und blauem bei Monitoren jeder Farbeindruck gemischt: rotes! grünes

Mehr

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme

Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie

Mehr

Handbuch. NAFI Online-Spezial. Kunden- / Datenverwaltung. 1. Auflage. (Stand: 24.09.2014)

Handbuch. NAFI Online-Spezial. Kunden- / Datenverwaltung. 1. Auflage. (Stand: 24.09.2014) Handbuch NAFI Online-Spezial 1. Auflage (Stand: 24.09.2014) Copyright 2016 by NAFI GmbH Unerlaubte Vervielfältigungen sind untersagt! Inhaltsangabe Einleitung... 3 Kundenauswahl... 3 Kunde hinzufügen...

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Professionelle Seminare im Bereich MS-Office

Professionelle Seminare im Bereich MS-Office Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion

Mehr

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik

Statistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche

Mehr

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin

Mathematik des Hybriden Monte-Carlo. Marcus Weber. Zuse Institute Berlin Mathematik des Hybriden Monte-Carlo Marcus Weber Zuse Institute Berlin Statistische Thermodynamik Ziel: Am Computer ein Ensemble samplen. Messung im Gleichgewicht (zeitunabhängige Verteilung π der Systemzustände

Mehr

QuickStart. «/ Scores» Kurzanleitung

QuickStart. «/ Scores» Kurzanleitung QuickStart «/ Scores» Kurzanleitung 1. Anwendungsfelder Mit Scores bietet Ihnen onlineumfragen.com eine geniale, exklusive Funktion zur vierfältigen, multivariaten Summierung von antwortabhängigen Punktzahlen.

Mehr

Oracle-Statistiken im Data Warehouse effizient nutzen

Oracle-Statistiken im Data Warehouse effizient nutzen Oracle-Statistiken im Data Warehouse effizient nutzen Reinhard Mense ARETO Consulting Köln Schlüsselworte: DWH, Data Warehouse, Statistiken, Optimizer, Performance, Laufzeiten Einleitung Für die performante

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3

Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3 Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen

Mehr