Einführung in die Angewandte Informatik Modellierung und Simulation
|
|
- Philipp Dunkle
- vor 7 Jahren
- Abrufe
Transkript
1 Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Angewandte Informatik Modellierung und Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden,
2 Einführung in die Simulation Wintersemester 11/12 EXPERIMENTDESIGN Einführung in die Simulation Folie Nr. 2
3 Rückblende: letzte Woche 1. Was ist Simulation? 2. Warum nutzen wir Simulation? 3. In welcher Form wird ein Simulationsprojekt umgesetzt? Einführung in die Simulation Folie Nr. 3 3
4 Was ist Simulation? VDI Simulation ist das Nachbilden eines dynamischen Prozesses in einem System mit Hilfe eines experimentierfähigen Modells, um zu Erkenntnissen zu gelangen, die auf die Wirklichkeit übertragbar sind. [VDI-Richtlinie 3633] Einführung in die Simulation Folie Nr. 4
5 Einführung Experimentdesign Aufgabe: Optimiere mittels Simulation ein System mit verschiedenen In- und Outputs Fragen Wie gestaltet man dazu Experimente? Welche Optimierungsmethoden können verwendet werden? Welche Parameter haben überhaupt Einfluss auf die Problemlösung? Ein schwierigeres Problem Einführung in die Simulation Folie Nr. 5 5
6 Einführung Experimentdesign Inputparameter und Strukturannahmen sind Faktoren; Output-Performanzmaße heißen Antworten (Responses) Faktoren können quantitativ oder qualitativ sein Quantitative Faktoren nehmen numerische Werte an Qualitative Faktoren geben oft Strukturannahmen wieder und können nicht natürlich quantifiziert werden Unterscheidung nicht klar für einige Faktoren Weitere Klassifikation: steuerbar/unkontrollierbar Abhängig davon, was im Realsystem tatsächlich verändert werden kann u. U. auch Abhängigkeit von der jeweiligen Situation Einführung in die Simulation Folie Nr. 6 6
7 Bedeutung des Designs der Simulation Das Design eines Experiments entscheidet a priori darüber, welche Konfigurationen mit welchem Simulationsaufwand getestet werden. Aufwand soll natürlich möglichst gering sein, Ergebnis möglichst gut Intelligentes Design weitaus mehr Effizienz als Hit-or-Miss! Heute einige Methoden, wie man a) unter vielen Alternativen die näher zu untersuchenden findet und b) schließlich zu quasi-optimalen Lösungen gelangen kann Einführung in die Simulation Folie Nr. 7 7
8 Anmerkung zur Versuchsplanung Geplante Experimente haben in der Simulation wesentliche Vorteile gegenüber normaler Experimentation Faktoren, die in Realität nicht kontrolliert werden können, sind steuerbar Der Zufall ist steuerbar aufgrund der Eigenschaften der Zufallszahlengeneratoren Bedingungen der Experimente müssen nicht randomisiert werden, weil keine systematischen Fehlerquellen auszuschalten sind im Gegensatz z. B. zu biologischen Laborversuchen (Was ist repräsentativ? ;-)) (Annahme: Zufallszahlengenerator macht, was er soll!) Einführung in die Simulation Folie Nr. 8 8
9 2 k -Faktoren-Design Bei einzelner Outputgröße wie bisher n Replikationen für ein gegebenes Faktorlevel Konfidenzintervall, Auswertung über Graph usw. Wiederhole das für alle zu untersuchenden m Faktorlevel (d. h. mind. m*n Replikationen) fertig, aber nur für 1 Faktor! nun gegeben: k Faktoren ( k > 1) Fragestellungen: 1) Wie beeinflusst ein Faktor das Antwortverhalten des Systems? 2) Wie beeinflussen sich die Faktoren gegenseitig? Ziel: Untersuche das System möglichst effizient! Einführung in die Simulation Folie Nr. 9 9
10 2 k -Faktoren-Design Vorschlag 1: Masse statt Klasse Fixiere k - 1 Faktoren und mache jeweils n Replikationen für verschiedene Level des k. Faktors Aber: Sehr viele Replikationen notwendig Messung von Faktor-Interaktionen unmöglich Sogar implizite Annahme, dass keine Interaktionen zwischen Faktoren vorliegen Vorschlag 2: 2 k -Faktoren-Design Wähle pro Faktor 2 Level aus und repliziere n Mal für alle der 2 k möglichen Faktorkombinationen (sog. Design-Punkte) Einführung in die Simulation Folie Nr
11 2 k -Faktoren-Design Schreibung: Das erste Level eines Faktors wird mit -, das zweite mit + gekennzeichnet + - und - -Level sollten in etwa konträr sein Aber: nicht so weit auseinander, dass sie unrealistisch werden Und: nah genug beieinander, um kein eventuell auftretendes Zwischenverhalten zu verpassen. Einführung in die Simulation Folie Nr
12 2 k -Faktoren-Design Design-Matrix für k = 3 Faktoren Faktorkomb. (Design Punkt) Faktor 1 Faktor 2 Faktor 3 Antwort (Response) 1 R R R R R R R R 8 Einführung in die Simulation Folie Nr
13 2 k -Faktoren-Design Das Antwortverhalten des Systems ist selbst zufallsbehaftet, d. h. die Varianzen der Wirkungen sind zu schätzen, um zufällige Fluktuationen auszuschließen Einfacher Ansatz: Repliziere das komplette Design n mal Achtung: Statistische Signifikanz bedeutet nicht praktische Relevanz! Über die Antworten kann man ein lineares Regressionsmodell entwickeln. Einführung in die Simulation Folie Nr
14 2 k -Faktoren-Design Schlussbemerkungen Generell gilt: Über andere als die betrachteten Faktorlevel kann keine Aussage getroffen werden, weil die Ergebnisse direkt von der absoluten Höhe und dem relativen Abstand von - und + abhängen Es gibt keine Vorschrift, welche Level als - und + auszuwählen sind Der Ergebnisraum wird fast immer nichtlinear sein, was bei der Ergebnisanalyse zu berücksichtigen ist! Einführung in die Simulation Folie Nr
15 Untersuchung vieler Faktoren Beispiel: k = 11 2 k = 2048 Design-Punkte nur n = 5 Replikationen pro Punkt, jede mit Länge 1 min min, d. h. 1 Woche rund um die Uhr! Ergo: Bilde eine möglichst intelligente Kombination von Experimenten, die fast dieselbe Aussagekraft haben Teilfaktorieller Versuchsplan Oder: Filtere möglichst schnell die irrelevanten Faktoren (die ohne Einfluss) heraus und fixiere sie im Durchschnitt oder einem plausiblen Niveau Je weniger zu betrachtende Faktoren, desto höher die Chance, später ein Optimum per Simulation zu finden! Einführung in die Simulation Folie Nr
16 Response-Surface-Methode Simulation kann als stochastische Vektorfunktion aufgefasst werden Sie ist meist sehr kompliziert, da die Berechnung mehrere Replikationen eines u. U. umfangreichen Modells umfasst Aber: Sie kann manchmal relativ einfach approximiert werden Die Approximation kann dann als Modell für die Simulation benutzt werden Schafft Verständnis für das Simulationsmodell Suche von Optima in der Approximation sicher einfacher! Einführung in die Simulation Folie Nr
17 Response-Surface-Methode - Beispiel Betrachte ein Lagermodell: Die Durchschnittskosten C pro Monat sind eine Funktion der Inputs s und d: C = R(s, d) R ist stochastisch, unbekannt, und u. U. ziemlich fies Komplette Simulation wird zur Berechnung benötigt Plot der Response Surface und Höhenlinien vgl. nächste Folie 420 Kombinationen (s = 0, 5, 10,, 100; d = 5, 10,, 100) Funktion wird numerisch verhältnismäßig präzise beschrieben ohne algebraische Formel Einführung in die Simulation Folie Nr
18 Response-Surface-Methode und Metamodelle Beispiel Interpretation: Minimale Durchschnittskosten irgendwo zwischen 110 und 120, dafür s bei ca. 25, d bei 35 bis 40 Aber: Rechenaufwand bei großen Modellen zu hoch: evtl. Stunden für eine einzige Replikation ohne Berechnungen zur Erstellung der Response-Surface Einführung in die Simulation Folie Nr
19 Metamodelle durch Regression Man kann zusätzlich durch einfache Transformationen Formel umstellen die Regressionsgleichung von den Faktoren abhängig machen Faktorenanalyse ist für beliebige Faktorkombinationen mit Tabellenkalkulation möglich! Achtung: Nach wie vor nur grobe Annäherung der tatsächlichen Response Surface Abhängig von den zur Verfügung stehenden Punkten der echten Surface Auch ein Metamodell muss nicht valide sein! Beispiele: Verbesserung der Schätzung der Approximation durch Erhöhung der Anzahl der betrachteten Punkte (vgl. nächste Folien) Einführung in die Simulation Folie Nr
20 Beispiel: Approximation mit 4, 16, 32 Punkten der Response Surface Einführung in die Simulation Folie Nr
21 Evolutionary Operation (EVOP) Eigentlich: Kontinuierliche Prozessverbesserung im laufenden Betrieb ohne Prozessstörungen Aber auch: iteratives Vorgehen zur Parametereinstellung bei wenigen Faktoren Sukzessive bessere Einstellparameter identifizieren Einführung in die Simulation Folie Nr
22 Simulation zur Optimierung Ultimatives Ziel der Simulation Suche die Systemkonfiguration, die Kosten mini- oder Gewinne maximiert Intelligentes Durchsuchen des Faktorraums nach Kombinationen, die bestimmte Performanzmaße (Responses) optimieren. Allgemeine Problemstellung aus der Optimierungstheorie (vgl. z. B. Grundlagen von Optimierungssystemen) Zielfunktion (hier Zufallsvariable) R, varianzbehaftet Inputfaktoren 1,, k = Entscheidungsvariablen obere und untere Schranken für Variablen l i <= i <= u i zusätzliche Restriktionen, z. B. a j1 1 + a j a jk k <= c j Einführung in die Simulation Folie Nr. 22
23 Simulation zur Optimierung Für Simulation weitaus schwieriger als z. B. für mathematische Programmierung Kein Einsetzen in eine einfache Formel möglich: Berechnung eines einzigen Faktorenvektors erfordert n Replikationen Auswertung ist aufgrund stochastischer Einflüsse sehr schwierig Diverse Ansätze verfügbar, die unter Verwendung von (Meta)Heuristiken Optimierung mittels Simulation durchführt Trotzdem in letzter Zeit eines der Hauptforschungsgebiete im Bereich der Simulation. Einführung in die Simulation Folie Nr. 23
24 Optimierungsmethoden Einige (Meta-)Heuristiken Vollständige Enumeration Tabu search Simulated Annealing Evolutionäre Strategien Neuronale Netze PSO usw Einführung in die Simulation Folie Nr. 24
25 Optimierungssoftware Software kann auch kein Optimum garantieren, aber bei der systematische Suche unterstützen Prinzipieller Ablauf (nach Law/Kelton): Optimierungssoft ware optimiert variable Inputs Start nein Spezifiziere neue Systemkonfiguration Abbruchkriterium erfüllt? ja Erstelle Lösungsreport Simulationsergebnisse (Outputs, Zielfunktionswert(e)) als Optimierungs-input Ende Simulationssoft ware simuliert Modell Simuliere spezifizierte Systemkonfiguration (ggf. n Replikationen) Einführung in die Simulation Folie Nr. 25
26 Einführung in die Simulation Wintersemester 11/12 FRAGEN? Einführung in die Simulation Folie Nr. 26
Einführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 22.11.2011 29.11.2011 Folie
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
MehrEinführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 11.10.2011 11.10.2011 Einführung
MehrMethodik der multiplen linearen Regression
Methodik der multiplen linearen Regression Sibel Aydemir Statistisches Amt, Direktorium Landeshauptstadt München Name, Stadt Regressionsanalyse: Schritt für Schritt Schritt 1 Schritt 2 Schritt 3 Schritt
MehrÜ b u n g s b l a t t 15
Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine
MehrRepetitionsaufgaben: Quadratische Funktionen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Quadratische Funktionen Zusammengestellt von Felix Huber, KSR Lernziele: - Sie wissen, dass der Graph einer quadratischen Funktion eine Parabel ist
MehrKünstliche Neuronale Netze (KNN)
Künstliche Neuronale Netze (KNN) Die von Neuronalen Netzen ausgehende Faszination besteht darin, dass sie in der Lage sind, in einigen Fällen Probleme von hoher Kompleität mit einfachen Mitteln zu lösen.
MehrKonfidenzintervall für den Anteilswert θ. Konfidenzintervalle. Jost Reinecke. Universität Bielefeld. 13. Juni 2005
Universität Bielefeld 13. Juni 2005 Einführung Einführung Wie kann die Kenntnis der Wahrscheinlichkeitsverteilung der Parameter einer Stichprobe dazu verhelfen auf die wahren Werte der Grundgesamtheit
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrAnalytische Statistik II
Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.
MehrEffizienz von Algorithmen
Effizienz von Algorithmen Letzte Bearbeitung: Jan 211 Ein wichtiger Aspekt bei Algorithmen sind seine "Kosten". Wir wollen uns hier ausschließlich mit der Laufzeit des gewählten Algorithmus beschäftigen.
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik DoE-Übung Prof. Dr.-Ing. Alexander Brosius 13.
MehrVersuchsplanung. Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling
Versuchsplanung Teil 2 Varianzanalyse (ANOVA) Dr. Tobias Kiesling Gliederung Grundlagen der Varianzanalyse Streuungszerlegung und Modellschätzer Modellannahmen und Transformationen
Mehr3. Selbstbehalt und Selbstbeteiligung
3. Selbstbehalt und Selbstbeteiligung Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Selbstbehalt und Selbstbeteiligung 1 / 16 1. Modellrahmen 1.1
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
Mehr7. Optimierung von Simulationsmodellen
7. Optimierung von Ziel vieler Simulationsmodelle ist das finden einer guten/optimalen Lösung Allgemein formuliert: Min f(x) unter den Nebenbedingungen x W oft sind die Nebenbedingungen durch Gleichungen/Ungleichungen
MehrInhalt 1 Einführung... 1 2 Ausgewählte Begriffe... 10 3 Vorgehensweise im Überblick... 14
VII 1 Einführung... 1 1.1 Warum Versuche?... 1 1.2 Warum Statistik?... 1 1.3 Warum Versuchsplanung?... 4 1.4 Welche Art von Ergebnissen kann man erwarten?... 6 1.5 Versuche oder systematische Beobachtung?...
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen 5. Zwei spieltheoretische Aspekte Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2015/2016 1 / 36 Überblick
MehrInhalt. Vorwort... 1 Einführung... 1. 2 Ausgewählte Begriffe... 11. 3 Vorgehensweise im Überblick... 17
Inhalt Vorwort.................................................................. V Inhalt.................................................................... VII 1 Einführung..........................................................
MehrFertilität und psychische Gesundheit im Alter
Fertilität und psychische Gesundheit im Alter Kai Eberhard Kruk MEA, Universität Mannheim MEA Jahreskonferenz, 30.11.2010 Mannheim Research Institute for the Economics of Aging www.mea.uni-mannheim.de
MehrSortierverfahren. Lernziele
1 Sortierverfahren Einleitung Wir beschäftigen uns heute mit einfachen Sortierverfahren, also mit algorithmischen Lösungen für das Problem, eine ungeordnete Liste mit gleichartigen Elementen (gleicher
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrEinführung in die Induktive Statistik: Varianzanalyse
Einführung in die Induktive Statistik: Varianzanalyse Jörg Drechsler LMU München Wintersemester 2011/2012 Varianzanalyse bisher: Vergleich der Erwartungswerte für zwei normalverteilte Variablen durch t-test
MehrDurchführung von Simulationsprojekten
Literatur: Durchführung von Simulationsprojekten J. Banks et al., Discrete Event System Simulation, Prentice Hall, 2001. A.M. Law and W.D. Kelton, 1991: Simulation, Modeling and Analysis, McGrawHill, 1991.
MehrRealisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation
Realisierung einer Problemlösungsstrategie für Logistikprozesse im Krankenhaus durch agentenbasierte Simulation Lydia Lotzmann 12.07.2013 Institut für Medizinische Informatik, Statistik und Epidemiologie
MehrKombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik
Kombinatorische Optimierung Vorlesung für den Bereich Diplom/Master Informatik Dozent: Juniorprof. Dr. Henning Meyerhenke PARALLELES RECHNEN INSTITUT FÜR THEORETISCHE INFORMATIK, FAKULTÄT FÜR INFORMATIK
MehrKombinatorik: Abzählverfahren (Teschl/Teschl 7) Summenregel. Allgemeiner
Kombinatorik: Abzählverfahren (Teschl/Teschl 7) Fragestellung: Wie viele verschiedene Möglichkeiten gibt es, Elemente auszuwählen, z. B. Anzahl verschiedener möglicher Passwörter, IPAdressen, Zahlenkombinationen
MehrInterpolation und Approximation
Interpolation und Approximation Fakultät Grundlagen Mai 2006 Fakultät Grundlagen Interpolation und Approximation Übersicht 1 Problemstellung Polynominterpolation 2 Kubische Fakultät Grundlagen Interpolation
MehrErstellung eines Versuchsplanes
Statistiksoftware Statgraphics Softwarevertrieb, Schulungen, W orkshops Erstellung eines Versuchsplanes UMEX GmbH Dresden Moritzburger Weg 67 01109 Dresden Allg. Informationen zu Versuchsplänen Erläuterung
MehrMarcel Dettling. GdM 2: LinAlg & Statistik FS 2017 Woche 12. Winterthur, 17. Mai Institut für Datenanalyse und Prozessdesign
Marcel Dettling Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften marcel.dettling@zhaw.ch http://stat.ethz.ch/~dettling Winterthur, 17. Mai 2017 1 Verteilung
MehrFolgen und Grenzwerte
Wintersemester 2015/201 Folgen und Grenzwerte von Sven Grützmacher Dieser Vortrag wurde für den (von der Fachschaft organisierten) Vorkurs für die Studienanfänger an der Fakultät für Mathematik und Informatik
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrVersuchsplanung. 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
MehrBiometrische Planung von Versuchsvorhaben
Biometrische Planung von Versuchsvorhaben Einführung in das Prinzip der Lehrstuhl für Mathematik VIII Statistik http://statistik.mathematik.uni-wuerzburg.de/~hain Ziel des Vortrags Im nachfolgenden Vortrag
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
Mehr12. Rekursion Grundlagen der Programmierung 1 (Java)
12. Rekursion Grundlagen der Programmierung 1 (Java) Fachhochschule Darmstadt Haardtring 100 D-64295 Darmstadt Prof. Dr. Bernhard Humm FH Darmstadt, 24. Januar 2006 Einordnung im Kontext der Vorlesung
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrInferenzstatistik (=schließende Statistik)
Inferenzstatistik (=schließende Statistik) Grundproblem der Inferenzstatistik: Wie kann man von einer Stichprobe einen gültigen Schluß auf di Grundgesamtheit ziehen Bzw.: Wie groß sind die Fehler, die
MehrTEIL 13: DIE LINEARE REGRESSION
TEIL 13: DIE LINEARE REGRESSION Dozent: Dawid Bekalarczyk GLIEDERUNG Dozent: Dawid Bekalarczyk Lineare Regression Grundlagen Prognosen / Schätzungen Verbindung zwischen Prognose und Zusammenhang zwischen
MehrGrundlagen zum Umgang mit mathematischen Softwarepaketen
MathSoft Praktikum 2016 Fakultät für Mathematik Grundlagen zum Umgang mit mathematischen Softwarepaketen Praktikum 2016 Roman Unger Fakultät für Mathematik Januar 2016 TUC Januar 2016 Roman Unger 1 / 31
MehrDas Gewinnmaximierungsproblem einer Firma kann in zwei Teile zerlegt werden: 1. Welche Inputkombination ist für einen gegebenen Output
Kapitel 7: Kosten Hauptidee: Aus der Produktionsfunktion einer Firma bestimmen wir ihre Kostenfunktion. Diese spielt eine zentrale Rolle für die Gewinnmaximierung der Firma. Das Gewinnmaximierungsproblem
MehrStochastische Modellierung von Private Equity-Fonds
Reihe: Finanzierung, Kapitalmarkt und Banken Band 59 Herausgegeben von Prof. Dr. Hermann Locarek-Junge, Dresden, Prof. Dr. Klaus Röder, Regensburg, und Prof. Dr. Mark Wahrenburg, Frankfurt Dr. Axel Buchner
MehrKapitel 5 FRAGESTELLUNG 1. Öffne die Datei alctobac.sav.
Kapitel 5 FRAGESTELLUNG 1 Öffne die Datei alctobac.sav. Zuerst werden wir ein Streudiagramm erstellen, um einen grafischen Überblick von diesem Datensatz zu erhalten. Gehe dazu auf Grafiken / Streudiagramm
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
Mehr7.1 Ökonomische Kosten
Kapitel 7: Kosten Hauptidee: Aus der Produktionsfunktion einer Firma bestimmen wir ihre Kostenfunktion. Diese spielt eine zentrale Rolle für die Gewinnmaximierung der Firma. 7.1 Ökonomische Kosten Angenommen,
MehrKlausur zur Vorlesung Methoden Verkehrsökonometrie. für Master-Studierende WS 2012/13
Seite: von 4 Klausur zur Vorlesung Methoden Verkehrsökonometrie Aufgabe (50 Punkte) für Master-Studierende WS 202/3 Die Nutzung der ÖV-Angebote verschiedener Städte (mittlere Fahrtenhäufigkeit pro Einwohner
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Rot-schwarz Bäume Eigenschaften Rotationen Einfügen (Löschen) 2 Einführung Binäre Suchbäume Höhe h O(h) für Operationen
MehrDiskrete und Kontinuierliche Modellierung
Diskrete und Kontinuierliche Modellierung Bei Modellen unterscheidet man unter anderem zwischen diskreten und kontinuierlichen Modellen. In diesem Artikel möchte ich den Unterschied zwischen beiden Arten
Mehr5 Kontinuierliches Wachstum
5 Kontinuierliches Wachstum Kontinuierlich meßbare Größe Wir betrachten nun eine Größe a, die man kontinuierlich messen kann. Den Wert von a zum Zeitpunkt t schreiben wir nun als a(t). Wir können jedem
MehrGegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen. 0 sonst.
Aufgabe 1 (2 + 4 + 2 + 1 Punkte) Gegeben sei folgende zweidimensionale Wahrscheinlichkeitsdichtefunktion zweier Zufallsvariablen X und Y : { 2x + 2y für 0.5 x 0.5, 1 y 2 f(x, y) = 3 0 sonst. a) Berechnen
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik Design of Experiments - DoE Prof. Dr.-Ing. Alexander
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
MehrStatistik für SozialwissenschaftlerInnen II p.85
Schätzverfahren Statistik für SozialwissenschaftlerInnen II p.85 Schätzverfahren Ziel von Schätzverfahren: Ausgehend von Stichproben Aussagen über Populationskennwerte machen Kenntnis der Abweichung des
MehrKurzfristige und langfristige Kostenkurven
Kurzfristige und langfristige Kostenkurven Kurzfristige und langfristige Gesamtkostenkurve Ein Unternehmen hat unterschiedliche kurzfristige Gesamtkostenkurven für jede mögliche kurzfristige Situation.
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner Carl Hanser Verlag München Wien VII Inhalt 1 Einführung 1 1.1
MehrKombinatorische Optimierung
Kombinatorische Optimierung Zuweisungsprobleme 2 1 3 5 4 Kombinatorische Optimierung Rucksackpackproblem 1 10 2 4 6 3 5 8 6 Aufspannende Bäume Travelling Salesman VLSI Design C. Kanzow, M. Gerdts Kombinatorische
MehrPG 431 Metaheuristiken
PG 431 Metaheuristiken Seminar Optimierung Wie und warum? Dirk Hoppe Überblick Einführung Optimierungsverfahren Anwendungen Der Begriff Optimierung Littger, Optimierung (1992): Unter Optimierung versteht
MehrDeskriptive Statistik Kapitel IX - Kontingenzkoeffizient
Deskriptive Statistik Kapitel IX - Kontingenzkoeffizient Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Agenda 1. Untersuchung der Abhängigkeit 2.
Mehr4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung
4.5 Überbestimmte Gleichungssysteme, Gauß sche Ausgleichrechnung In vielen Anwendungen treten lineare Gleichungssysteme auf, die eine unterschiedliche Anzahl von Gleichungen und Unbekannten besitzen: Ax
MehrVerteilungsfunktionen (in Excel) (1)
Verteilungsfunktionen (in Excel) () F(x) Veranschaulichung der Sprungstellen: Erst ab x=4 ist F(x) = 0,75! Eine Minimal kleinere Zahl als 4, bspw. 3,9999999999 gehört noch zu F(x)=0,5! 0,75 0,5 0,25 0
Mehrmhsl 1.0 Synthese von HS-Bewegungsgesetzen
mhsl 1.0 Synthese von HS-Bewegungsgesetzen Dr.-Ing. Klaus Kaltofen, TU Chemnitz Zusammenfassung: Er wird ein Überblick über die Berechnungsmöglichkeiten von mhsl 1.0 gegeben. Das Programm mhsl ist eine
Mehr2. Rechnen mit Wahrscheinlichkeiten
2. Rechnen mit Wahrscheinlichkeiten 2.1 Axiome der Wahrscheinlichkeitsrechnung Die Wahrscheinlichkeitsrechnung ist ein Teilgebiet der Mathematik. Es ist üblich, an den Anfang einer mathematischen Theorie
MehrTiederle. Einsatz der statistischen Versuchsplanung zur Optimierung des Drahtbond Prozesses in der Produktion
Tiederle Einsatz der statistischen Versuchsplanung zur Optimierung des Drahtbond Prozesses in der Produktion Inhaltsanaabe ZUSAMMENFASSUNG 1 1 EI NFÜ H RU NG 3 2 DRAHTBONDPROZEß 13 2.1 PHYSIKALISCH-METALLURGISCHE
Mehr09. Übung zu Algorithmen I 12. Juli 2017
09. Übung zu Algorithmen I 12. Juli 2017 Björn Kaidel bjoern.kaidel@kit.edu mit Folien von Lukas Barth 1 / 67 Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP
MehrProbeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende
Probeklausur zur Vorlesung Statistik II für Studierende der Soziologie und Nebenfachstudierende im Sommersemester 2012 Prof. Dr. H. Küchenhoff, J. Brandt, G. Schollmeyer, G. Walter Aufgabe 1 Betrachten
MehrDifferentialrechnung bei Funktionen mehreren Variablen
Kap. 6 Differentialrechnung bei Funktionen mehreren Variablen Im folgenden geht es um Funktionen des Typsf :R n R X... Y =f(x,...,x n ) X n Eine Weiterentwicklung der Differentialrechnung für solche Funktionen
MehrTaschenbuch Versuchsplanung Produkte und Prozesse optimieren
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren ISBN-10: 3-446-41595-5 ISBN-13: 978-3-446-41595-9 Inhaltsverzeichnis Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-41595-9
MehrEvolutionäre Strategien. Informatik Unterricht in der SII. ausreichende Programmierkenntnisse zur Implementierung der Evolutionären Strategien (ES)
1 Voraussetzungen an den Kurs: ausreichende Programmierkenntnisse zur Implementierung der Evolutionären Strategien (ES) Kenntnisse über Sortierverfahren ggf. hilfreich Somit: idealer Zeitpunkt zur Durchführung
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Grundlagen 1 1.1 Einleitung 1 1.2 Grundbegriffe 2 1.2.1 Systemgrenzen 3 1.2.2 Qualitätsmerkmal 4 1.2.3 Parameter und Faktoren 5 1.2.4 Stufen 6 1.2.5 Vergleich zu traditionellen Verfahren 6 1.3 Auswertung
MehrMonopol. Wir betrachten nun den Extremfall eines Monopols: Es gibt nur einen Anbieter/Verkäufer, den Monopolisten Wir nehmen des weiteren an, es gebe
Kapitel 10: Monopol Hauptidee: Ein Unternehmen mit Marktmacht nimmt den Marktpreis nicht als gegeben hin. Es maximiert seinen Gewinn indem es einen Output wählt, für welchen der Preis höher ist als die
Mehr2 Rationale und reelle Zahlen
2 reelle Es gibt Mathematik mit Grenzwert (Analysis) und Mathematik ohne Grenzwert (z.b Algebra). Grenzwerte existieren sicher nur dann, wenn der Zahlbereich vollständig ist, also keine Lücken aufweist
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
MehrÜber den Autor 7. Teil Beschreibende Statistik 29
Inhaltsverzeichnis Über den Autor 7 Einführung Über dieses Buch - oder:»... für Dummies«verpflichtet! Wie man dieses Buch benutzt 22 Wie ich Sie mir vorstelle 22 Wie dieses Buch aufgebaut ist 23 Teil I:
MehrMultivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.167
Multivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.167 Multivariate Regression Verfahren zur Prüfung des gemeinsamen linearen Einflusses mehrerer unabhängiger Variablen auf eine
MehrDynamische Optimierung
Dynamische Optimierung Mike Hüftle 28. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Dynamisches Optimierungmodell 3 2.1 Grundmodell der dynamischen Optimierung............
MehrTaschenbuch Versuchsplanung
Wilhelm Kleppmann Taschenbuch Versuchsplanung Produkte und Prozesse optimieren 7., aktualisierte und erweiterte Auflage Praxisreihe Qualitätswissen Herausgegeben von Franz J. Brunner HANSER VII Inhalt
MehrLösung Aufgabe 1 (Regression) Es wurden in einer Befragung zwei metrische Merkmale X und Y erhoben. Betrachten Sie dazu die
Statistik für Kommunikationswissenschaftler Wintersemester 2010/2011 Vorlesung Prof. Dr. Nicole Krämer Übung Nicole Krämer, Cornelia Oberhauser, Monia Mahling Lösung Thema 9 Homepage zur Veranstaltung:
MehrMethoden der computergestützten Produktion und Logistik
Methoden der computergestützten Produktion und Logistik 6. Prof. Dr.-Ing. habil. Wilhelm Dangelmaier Modul W 2336 SS 2016 Allgemeines Zeitsystem Definition: Allgemeines Zeitsystem Wir nehmen an, dass die
MehrLösung von Textaufgaben (Beispiel Adventure-Treff) mit Maxima
Lösung von Textaufgaben (Beispiel Adventure-Treff) mit Maxima Das Tool das ich mittlerweile gerne zur Lösung solcher Aufgaben verwende, ist Maxima in der Win32- Version mit der wxmaxima-oberfläche. Ich
MehrRechenregeln für Summen
Rechenregeln für Summen Im Umgang mit Summen sind gewisse Regeln zu beachten. 1 Summe gleicher Summanden Betrachten wir folgende Summe: x Hier enthält x keinen Summationsindex, d.h. es wird x einfach n-mal
MehrLineare Gleichungssysteme
Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Übersicht Lineare Gleichungssystem mit 2 Variablen 1 Lineare Gleichungssystem mit 2 Variablen Beispiele 2 Fakultät Grundlagen Folie: 2 Beispiel I Lineare
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEinführung in die Simulation. Dr. Christoph Laroque Wintersemester 11/12. Dresden,
Fakultät Informatik, Institut für Angewandte Informatik, Professur Modellierung und Simulation Einführung in die Simulation Dr. Christoph Laroque Wintersemester 11/12 Dresden, 06.12.2011 06.12.2011 Folie
Mehrlimhatewerzeoelhiniii
limhatewerzeoelhiniii Vorwort 13 Kapitel 1 Einleitung 15 1.1 Wozu brauchen wir Statistik? 16 1.2 Medizinische Statistik 16 1.3 Beschreibende und schließende Statistik 17 1.4 Das Buch in Kürze 17 Kapitel
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
Mehrv R n ist Abstiegsrichtung in x R n wenn f(x) v < 0 v R n ist Abstiegsrichtung in x R n wenn i=1,,d: f i
MOP: Pareto-Gradientenabstiegsverfahren Annahme: Zielfunktion differenzierbar Wintersemester 2007/08 Praktische Optimierung (Vorlesung) d = 1: (monokriteriell) v R n ist Abstiegsrichtung in x R n wenn
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrWie man leicht erkennen kann, steigt die Anzahl notwendiger Versuche zur Basis 2 bei jeder Modellerweiterung um einen weiteren Faktor.
Ziel Prinzip Bestimmung der relevanten Einflussgrößen und Effekte unabhängiger Eingangsvariablen auf das Ergebnis eines Produktes oder Prozess mit einem Minimum an Versuchsaufwand. DoE (Design of Experiment)
MehrDie Korrelation von Merkmalen
Die Korrelation von Merkmalen In der Analse von Datenmaterial ist eines der Hauptziele der Statistik eine Abhängigkeit bzw. einen Zusammenhang zwischen Merkmalen zu erkennen. Die Korrelation ermittelt
MehrGütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signalklassen
Gütebewertung und Performanceanalyse von Prognosealgorithmen bei unterschiedlichen Signallassen Diplomverteidigung Yongrui Qiao 25. 06. 2009 1/33 Gliederung Motivation und Problemstellung Testverfahren
MehrEinführung in das Seminar Algorithmentechnik
Einführung in das Seminar Algorithmentechnik 10. Mai 2012 Henning Meyerhenke, Roland Glantz 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Roland undglantz: nationales Einführung Forschungszentrum
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
Mehr