Entwicklung von Scoring-Schemata. Scoring-Matrizen 1
|
|
- Dörte Kneller
- vor 7 Jahren
- Abrufe
Transkript
1 Entwcklung von Scorng-Schemata Scorng-Matrzen 1
2 Sequenzalgnment Was snd de Engabeparameter? Querysequenz A Sequenz B (aus Datenbank) und das Scorng-Schema deses besteht aus affnen Kostenfunkton (Lücken) Scorng-Matrx Scorng-Matrzen 2
3 Auswahl ener Scorng-Matrx de krtsche Entschedung da kene Matrx für alle Anwendungen optmal We und wozu werden Algnments verwendet? Rekonstrukton evolutonärer Vorgänge Identfkaton von Proten-Domänen Scorng-Matrzen 3
4 Theore von Scorng-Matrzen Statstk globaler Algnments unbekannt Für lokale Algments exstert ausgearbetete Theore Dese wrd m Folgenden ausgeführt. Scorng-Matrzen 4
5 Substtutonsmatrx Ene Substtutonsmatrx besteht aus ener Menge von Scores s a aj de den Ersatz der Amnosäure a durch a j n ener Sequenz gewchten. Scorng-Matrzen 5
6 Bespel: BLOSUM 62 BLOSUM 62 Ala 4 Arg -1 5 Asn Asp Cys Gln Glu Gly Hs Ile Leu Lys Met Phe Pro Ser Thr Trp Tyr Val Ala Arg Asn Asp Cys Gln Glu Gly Hs Ile Leu Lys Met Phe Pro Ser Thr Trp Tyr Val log odds ratos CGTGYTRASGACDAC CGWGWAIVSRACAIV CRTLYLRVRGGCGLN CNWGRTIVSRLCALI CITAYTRAIGNCDNG q(a, b ) saa = log j p(a )p(b ) Scorng-Matrzen 6
7 Exkurs Statstsche Grundlagen Scorng-Matrzen 7
8 Grundlagen für Scorng-Matrzen Verglech zwe Hypothesen (Modelle) unter Verwendung ener Lkelhood-Funkton Nullhypothese H 0, Z De Sequenzen snd ncht mtenander verwandt. P(A,B Z) = n n p(a ) p(b ) = 1 = 1 Scorng-Matrzen 8
9 Grundlagen Alternatvhypothese, H1, V Sequenzen snd verwandt: P(A,B V) = n = 1 q(a, b ) Woher kommen Verbundwahrschenlchket q(a, b )? Betrachtung evolutonärer Verwandtschaft Vorkommen der a und b n algnerten Domänen Scorng-Matrzen 9
10 Odds-rato P(A,B P(A,B V) Z) = n n = 1 p(a q(a ) = 1 = 1, b ) n p(b ) = q(a p(a, b ) ) p(b ) Logarthmert ergbt sch addtves Scorng-Schema: = q(a, b ) sab log p(a )p(b ) Scorng-Matrzen 10
11 Ergebns Durch das Adderen der enzelnen Scores q(a, b ) sab = log p(a )p(b ) berechnen wr q(a, b ) P(A,B V) log( ) = log( ) p(a ) p(b ) P(A,B Z) Scorng-Matrzen 11
12 Falldskusson P(A, B V) > P(A, B Z) P(A,B V) 1 P(A,B Z) > und P(A,B V) log( ) 0 P(A,B Z) > P(A, B V) > P(A, B Z) P(A,B V) 1 und P(A,B Z) < log( P(A,B V) P(A,B Z) ) < 0 Scorng-Matrzen 12
13 log-odds-scores Nach Altschul (1991) n allgemenster Form: s ab = 1 log λ q(a, b ) p(a ) p(b ) Jedes Scorng-System kann so dargestellt werden. Wozu st λ gut? Verglech mt Zufallssequenzen sollte Extremwertvertelung folgen. Voraussetzung: Erwartungswert negatv Kann mt λ engestellt werden. Scorng-Matrzen 13
14 Verbundwahrschenlchket We wrd q(a, b j ) bestmmt? Hängt von der Fragestellung und dem gewünschten Ensatz der Matrzen ab Scorng-Matrzen 14
15 Enschub Ausflug n de Testheore Scorng-Matrzen 15
16 Entwcklung von Scorng-Schemata Neyman-Pearson-Lemma Für den Test ener enfachen Hypothese H gegen ene zwete A hat P ( X A ) > c P ( X H ) maxmale Macht. Für Gen gene = cdn 1 cdn 2...cdn n : Unabhänggket P( gene H) = p( cdn H) p( cdn H)... p( cdn H) 1 2 n f ( cdn ) f ( cdn )... f ( cdn ) H 1 H 2 H n Schätzung Scorng-Matrzen 16
17 log-lkelhood-rato Neyman-Pearson-Test (log odds scores) Pgene ( A) fa( cdn1) fa( cdn2)... fa( cdnn) = P( gene H) f ( cdn ) f ( cdn )... f ( cdn ) H 1 H 2 H n Übergang zu Logarthmen: Pgene ( A) fa( cdn1) fa( cdn2)... fa( cdn ) n log = log P( gene H) fh( cdn1) fh( cdn2)... fh( cdnn) f ( cdn ) f ( cdn ) = + + A 1 A n log... log fh( cdn1 ) fh( cdnn) n Pgene ( A) fa( cdn) log = log Pgene ( H) f( cdn) = 1 H Werte aus Scorng Tabelle Scorng-Matrzen 17
18 Schwelle c Neyman-Pearson-Lemma Für den Test ener enfachen Hypothese H gegen ene zwete A hat P ( X A ) > c P ( X H ) maxmale Macht. Scorng-Matrzen 18
19 Wahl der Schwelle c Fehler 2. Art Fehler 1. Art Scorng-Matrzen 19
20 Datenquellen Identfkaton von Domänen MSAs von Protensequenzen Bewertung evolutonärer Dstanzen DNA- oder Protensequenzen evolutonär verwandter Genome/Protene Scorng-Matrzen 20
21 Promotor-Score Se p(a, k) de Wahrschenlchket, mt der das Symbol a an Poston k n den Strngs und se p(a ) de Wahrschenlchket, mt der a nsgesamt n M vorkommt. Dann unterscheden Scores der Art s a,k := log ( p(a, k) / p(a ) ) optmal de Elemente aus M von zufällg zusammengesetzten Zechenketten. s(atgctgcttg)= s(a,1)+ s(t,2)+... Falls s > c: Strng st Promotor s(g,10) Scorng-Matrzen 21
22 Bespel: Promotor-Scores Annahme: MSA M von Promotor-Sequenzen gegeben CTGACTCTGG ATAACTGTCG CCAAGTGAGA GTGGATCTGG CGCTTTCTCA CTCGGTCTGG Bestmmung von p(a ) für alle Symbole Bestmmung von p(a, k) für alle Symbole Scorng-Matrzen 22
23 Scores für den PW-Sequenzverglech Scorng-Matrzen 23
24 PAM-Matrzen PAM (M. Dayhoff, 78) steht für Akzepterte Punktmutatonen oder percent accepted mutatons st also ene Enhet zur Dvergenzbestmmung Bezechnet auch Klasse von Substtutonsmatrzen Scorng-Matrzen 24
25 Defnton PAM-Enhet Zwe Sequenzen A und B unterscheden sch um ene PAM- Enhet, wenn B aus A durch ene Sere von akzepterten Punktmutatonen entstanden st und pro 100 Resduen m Schntt ene Punktmutaton auftrat. akzeptert heßt: Mutaton, de vererbt wurde und Funkton des Protens ncht verändern oder für Spezes von Vortel st. Scorng-Matrzen 25
26 Beachte! Rückmutatonen möglch! 2 Sequenzen mt Abstand PAM 100 müssen sch ncht an jeder Stellen unterscheden. Selbst be Abstand PAM 250: Ist zu erwarten, dass m Mttel 25% der Postonen überenstmmen. Scorng-Matrzen 26
27 PAM-Matrzen Scorng-Matrzen zur Bewertung evolutonärer Prozesse auf dem Amnosäurenveau. Jeder Wert s a,aj ener PAM n Matrx gbt an, we häufg der Ersatz von a durch a j n Protenen zu erwarten st, de um n PAM-Enheten dvergeren. Scorng-Matrzen 27
28 Abletung Ausgangspunkt Sequenzen, de sch nur um wenge PAM-Enheten unterscheden. Heraus Extrapolaton von Matrzen mt höheren n-werten. Scorng-Matrzen 28
29 PAM-1 n Se M ene PAM 1 Matrx. Se M n de n-mal mt sch selbst multplzerte Matrx M. Se f(a ) de Häufgket, mt der de Amnosäure a n den betrachteten Sequenzen vorkommt. Dann wrd der Entrag für (, j) n der Matrx PAM n berechnet als log n n f(a) M(a,a) j M(a,a) j = log f(a )f(a ) f(a ) j j Scorng-Matrzen 29
30 PAM-n Matrzen Anschleßend Werte mt 10 multplzert und auf Integer gerundet. Scorng-Matrzen 30
31 Ensatz PAM 250 Bs zur Enführung der BLOSUM-Matrzen war PAM 250 de wchtgste Matrx. Problem Ist der PAM-Abstand zweer Sequenzen bekannt? Häufg ncht! Pragmatsches Vorgehen Mehrere Matrzen ausproberen! Scorng-Matrzen 31
32 PAM-250 Matrx Cys 12 Gly -3 5 Pro Ser Ala Thr Asp Glu Asn Gln Hs Lys Arg Val Met Ile Leu Phe Tyr Trp Cys Gly Pro Ser Ala Thr Asp Glu Asn Gln Hs Lys Arg Val Met Ile Leu Phe Tyr Trp Scorng-Matrzen 32
33 Grundlage des Proten- Sequenzvergleches Scorng-Matrzen 33
34 BLOSUM-Matrzen Ensatzgebet: Entwckelt für den Verglech von Protendomänen. We? Aus der BLOCKS-Datenbank. (Henkoff und Henkoff, 1992) Scorng-Matrzen 34
35 BLOCKS-Datenbank Grundlage PROSITE-Datenbank Sammlung bologsch sgnfkanter Muster n Form von regulären Ausdrücken Bespel: GATA-Znk-Fnger C-x-[DN]-C-x(4,5)-[ST]-x(2)-W-[HR]-[RK]-x(3)-[GN]-x(3,4)-C-N-[AS]-C Scorng-Matrzen 35
36 BLOCKS-DB Zu jedem Muster st n der PROSITE-DB ene Menge von Sequenzen deponert. 1.) Mt PROTOMAT werden MSAs generert. Es werden kene Lücken zugelassen. 2.) Heraus werden nach heurstschem Verfahren BLÖCKE abgeletet. Scorng-Matrzen 36
37 Block zur PROSITE- Gruppe PS00344 Konserverthet AREA_EMENI P17429 ( 673) CTNCFTQTTPLWRRNPEGQPLCNACGLFLKLHGVVRPL 7 AREA_FUSMO P78688 ( 694) CTNCFTQTTPLWRRNPEGQPLCNACGLFLKLHGVVRPL 7 AREA_PENRO O13508 ( 660) CTNCFTQTTPLWRRNPEGQPLCNACGLVLKLHGVVRPL 11 GAF1_SCHPO Q10280 ( 70) CTNCQTRTTPLWRRSPDGQPLCNACGLFMKINGVVRPL 16 GAT1_YEAST P43574 ( 310) CSNCTTSTTPLWRKDPKGLPLCNACGLFLKLHGVTRPL 17 NIT2_NEUCR P19212 ( 743) CTNCFTQTTPLWRRNPDGQPLCNACGLFLKLHGVVRPL 8 NRFA_PENUR Q92269 ( 665) CTNCFTQTTPLWRRNPEGQPLCNACGLFLKLHGVVRPL 7 NUT1_MAGGR Q01168 ( 663) CTNCATQTTPLWRRNPEGQPLCNACGLFLKLHGVVRPL 8 CGPB_FUSSO Q00858 ( 403) TDCGTLDSPEWRKGPSGPKTLCNACGLRWAKKEKKRNS 49 WC2_NEUCR P78714 ( 469) TDCGTLDSPEWRKGPSGPKTLCNACGLRWAKKEKKKNA 54 DA80_YEAST P26343 ( 31) CQNCFTVKTPLWRRDEHGTVLCNACGLFLKLHGEPRPI 17 GZF3_YEAST P42944 ( 131) CKNCLTSTTPLWRRDEHGAMLCNACGLFLKLHGKPRPI 17 ELT1_CAEEL P28515 ( 217) CVNCGVHNTPLWRRDGSGNYLCNACGLYFKMNHHARPL 17 GA1A_XENLA P23767 ( 178) CVNCGATVTPLWRRDMSGHYLCNACGLYHKMNGQNRPL 9 GA1B_XENLA P23768 ( 180) CVNCGATVTPLWRRDLSGHYLCNACGLYHKMNGQNRPL 9 GA5A_XENLA P43695 ( 183) CVNCGAMSTPLWRRDGTGHYLCNACGLYHKMNGMNRPL 6 GA5B_XENLA P43696 ( 184) CVNCGAMSTPLWRRDGTGHYLCNACGLYHKMNGINRPL 6 GA6A_XENLA Q91678 ( 182) CVNCGSVQTPLWRRDGTGHFLCNACGLYSKMNGLSRPL 9 GA6B_XENLA P70005 ( 182) CVNCGSVQTPLWRRDGTGHYLCNACGLYSKMNGLSRPL 7 GAT1_CHICK P17678 ( 110) CVNCGATATPLWRRDGTGHYLCNACGLYHRLNGQNRPL 11 spaltenwese f(a,a j ) Scorng-Matrzen 37
38 Berechnung von Score-Werten Se f(a ) de Häufgket mt der a an allen Postonen nnerhalb der Blöcke von BLOCKS vorkommt. Se f(a, a j ) de Häufgket für das spaltenwese bestmmte Vorkommen der Paare a, a j. Dann kann der Score s a aj defnert werden als: s aa j : = log 2 f(a,a ) f(a ) f(a ) j j Scorng-Matrzen 38
39 Ergebns BLOSUM 100-Matrx Verfenerung: Elmnere von jedem Sequenz-Paar, das N% dentsche Resduen aufwest, ene Sequenz. Ergebns: De Blöcke enthalten nur noch Sequenzen, de m paarwesen Verglech nur noch zu max. N% dentsch snd. Motvaton? Informatonsgehalt PSI-BLAST Scorng-Matrzen 39
40 BLOSUM N N = ergbt Matrzen BLOSUM 50,,, BLOSUM 80 Was wrd am häufgsten engesetzt? Allrounder BLOSUM 62 Scorng-Matrzen 40
41 BLOSUM 62 Ala 4 Arg -1 5 Asn Asp Cys Gln Glu Gly Hs Ile Leu Lys Met Phe Pro Ser Thr Trp Tyr Val Ala Arg Asn Asp Cys Gln Glu Gly Hs Ile Leu Lys Met Phe Pro Ser Thr Trp Tyr Val Scorng-Matrzen 41
42 Scorng-Schemata: Anwendung PAM-Matrzen entwckelt aus stark homologen Sequenzen und Extrapolaton Werden ncht mehr für das Studum von Protendomänen empfohlen. Herfür: BLOSUM-Famle Scorng-Matrzen 42
43 Scores für DNA-Sequenzen s(match) = 5 s(mssmatch) = -4 Verwes auf s, s s = -s : Algnment enthält mehr Matches als MM: Kompakte Algnments Scorng-Matrzen 43
Aminosäurenanalytik. Probenvorbereitung Eiweißfällung, Oxidation und Hydrolyse Karl-Heinz Jansen SYKAM CHROMATOGRAPHIE
Aminosäurenanalytik Probenvorbereitung Eiweißfällung, Oxidation und Hydrolyse Karl-Heinz Jansen SYKAM CHROMATOGRAPHIE Proteinfällung 2 Proteinfällung 3 Proteinfällung 4 Proteinfällung 5 Proteinfällung
MehrExkurs: Entropie in der Wahrscheinlichkeitstheorie
Exkurs: Entrope n der Wahrschenlchketstheore a) Physk/Thermodynamk: S = k B ln(w) mt W=Anzahl glech-wahrschenlcher Möglchketen (Mkrozustände) a) Informatonstheore: Shannon (1948) Entrope wobe p = f /N
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.
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
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
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
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
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
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
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
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
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
MehrZweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
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
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
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
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
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
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
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)
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
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)
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
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
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
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,
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
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
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,
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrVerfahren zu Strukturvorhersagen in vereinfachten Modellen. Tobias Voigt Sommerakademie 2002 St. Johann
Verfahren zu Strukturvorhersagen in vereinfachten Modellen Tobias Voigt Sommerakademie 2002 St. Johann Einführung! Sequenzierung von Proteinen und Nukleinsäuren ist heute Routine! Die räumliche Struktur
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
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
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
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
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
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 /
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrHefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen
Hefte zur Logstk Prof. Dr. Segfred Jetzke Heft 1 Begrffsdefntonen Jun 2010 Deses Heft st urheberrechtlch geschützt. Wenn Se de Quelle angeben, können Se gerne deses Heft wetergeben, Tele koperen oder 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
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
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
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
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrDendrogramm der Primaten
Arbeitsblatt 1 Dargestellt ist ein Ausschnitt der DNA-Sequenz für das Enzym NAD- Polymerase, dass bei den Primatenarten Mensch(M), Schimpanse(S), Gorilla(G), Orang-Utan(O) und Gibbon(Gi) vorhanden ist.
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
MehrÜbungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2
Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte
MehrAutomotive Auswertung der Betriebserfahrung zum Zuverlässigkeitsnachweis sicherheitskritischer Softwaresysteme. S. Söhnlein, F.
Auswertung der Betrebserfahrung zum Zuverlässgketsnachwes scherhetskrtscher Softwaresysteme Unverstät Erlangen-Nürnberg Unverstät Erlangen-Nürnberg Sete 1 Glederung Motvaton Grundlagen des statstschen
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
Mehr9. Übung zur Einführung in die Informatik (HaF) (Abschnitt IV: Rechnerstrukturen und Betriebssysteme) Musterlösung
INFO V Bayerische Julius Maximilians Universität Würzburg Lehrstuhl für Technische Informatik Am Hubland 9774 Würzburg Tel. 93 888 7 Fax: 93 888 7 9. Übung zur Einführung in die Informatik HaF Abschnitt
MehrÜbung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
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
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
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
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
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrSS 2017 Torsten Schreiber
SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
MehrManhattan-Metrik anhand des Beispiels
Bestmmung durch Manhattan-Metrk 3 Manhattan-Metrk anhand des Bespels Gesucht werden de zwe Standorte für zwe Ausleferungslager. De Standpunkte der Nachfrager () snd durch de Koordnaten ( x/y ) gegeben.
MehrGrundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit
Grundlagen der Technschen Informatk 12. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 12. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer
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
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrWelche drei wesentlichen Elemente enthält eine Gewinngleichung nach dem Umsatzkostenverfahren?
. [3 Punkte] Welche dre wesentlchen Elemente enthält ene Gewnnglechung nach dem Umsatzkostenverfahren? Umsatz, Herstellkosten des Umsatzes, übrge Kosten. [5 Punkte] Welche fünf wesentlchen Elemente enthält
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:
MehrAlgorithmen und Datenstrukturen SS09. Foliensatz 13. Michael Brinkmeier. Technische Universität Ilmenau Institut für Theoretische Informatik
Folensatz Mchael Brnkmeer Technsche Unverstät Ilmenau Insttut für Theoretsche Informatk Sommersemester 009 TU Ilmenau Sete / Sorteren TU Ilmenau Sete / Das Sorterproblem Das Sorterproblem Daten: ene total
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
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
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
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
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
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Mehr4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrComputerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst
Matheatsches Senar 00 Nuerk Coputerunterstützte Geschtserkennung = Egenface - Methode = hoas Wese Betreuer: PD Dr. Olver Ernst Glederung:. Enletung/Allgeenes. HauptKoponentenAnalyse 3. Egenface Methode.
MehrMECHATRONISCHE NETZWERKE
MECHATRONISCHE NETZWERKE Jörg Grabow Tel 3: Besondere Egenschaften 3.Besondere Egenschaften REZIPROZITÄT REZIPROZITÄT Neben den allgemenen Enschränkungen (Lneartät, Zetnvaranz) be der Anwendung der Verpoltheore
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
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
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
MehrDie mathematischen Grundlagen der Wellenmechanik
De mathematschen Grundlagen der Wellenmechank Zustände und deren Darstellung En physkalsches System wrd durch enen Zustand u charaktersert, ndem es durch ene bestmmte expermentelle Präparaton gebracht
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
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Substitutionsmatrizen Ulf Leser Wissensmanagement in der Bioinformatik Ziele Ein sehr kleiner Einblick in Evolutionsgenetik Kenntnis einer typischen realen bioinformatischen
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrOnline Algorithmen. k-server randomisiert Teil II
Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
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
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
Mehr