Quick- und INR-Werte
|
|
- Michael Berg
- vor 7 Jahren
- Abrufe
Transkript
1 Quick- und INR-Werte Univ.-Prof. Dr.-Ing. habil. Josef BETTEN RWTH Aachen University Mathematical Models in Materials Science and Continuum Mechanics Augustinerbach 4-20 D A a c h e n, Germany <betten@mmw.rwth-aachen.de Bemerkung: Die Angaben der Quick-Werte sind fraglich, da sie von der Ermittlungsmethode und vom Labor abhängig sind. Dagegen sind die INR-Werte (International National Ratio) methodenunabhängig und somit zur Therapiekontrolle geeignet. Aufgrund der "fraglichen" Quick-Tests kann ein allgemein gültiger Zusammenhang zwischen Quick und INR nicht angegeben werden. Beispiel Im Folgenden wird ein spezieller Quick-Test mit entspechenden INR-Werten von Marcia L. Zucker, Ph.D., (Director Clinical Research, ITC International Technidyne Corporation) zu Grunde gelegt: restart: DATA:=[,00],[.,85],[.2,74],[.5,52],[2,37],[2.5,28], [3,22],[3.5,8],[4,6],[4.5,5],[5,3],[5.5,],[6,0], [7,9],[8,8],[9,7],[0,6]; DATA := [, 00 ], [., 85 ],[.2, 74 ],[.5, 52 ], [ 237, ], [ 2.5, 28 ], [ 322, ], [ 3.5, 8], [ 46, ], [ 4.5, 5 ], [ 53, ], [ 5.5, ], [ 60, ], [ 79, ], [ 88, ], [ 97, ], [ 0, 6] Diese Daten sind im folgenden Bild dargestellt. alias(h=heaviside,th=thickness,co=color): p[]:=plot([data],inr=..0,th=3, style=point,symbol=cross,symbolsize=50,co=black): p[2]:=plot(00,inr=..0,co=black, title="q[%] in Abhängigkeit vom INR-Wert"): p[3]:=plot(00*h(inr-0),inr= ,co=black): plots[display](seq(p[k],k=..3));
2 Aus einer nichtlinearen Regression gewinnt man mit diesen Daten einen formelmäßigen Zusammenhang zwischen Q[%] und INR. Geeignet ist ein "inverses Polynom zweiter Ordnung": Q(INR):=a+b/INR+c/INR^2; b c Q( INR ) := a + + Die nichtlineare Regression auf der Basis der gegebenen Daten liefert folgende Parameter und die gewünschte Formel zur Umrechnung von INR in Quick[%] oder umgekehrt: [a, b, c] = [2.229, 39.43, 57.73]; [ abc,, ] = [ 2.229, 39.43, 57.73] Q(INR):= /INR+57.73/INR^2; Q( INR ):= Dieser Zusammenhang und die obigen Daten sind im folgenden Bild dargestelllt: p[4]:=plot(q(inr),inr=..0,th=3,co=black): plots[display](seq(p[k],k=..4)); 2
3 L-zwei Fehlernorm Die Abweichung der obigen Näherungsformel von den vorliegenden experimentellen Daten kann durch die L-zwei Fehlernorm charakterisiert werden. Dazu benötigt man den Abstandsvektor zwischen der Näherungsformel und den experimentellen Daten, der folgendermaßen erzeugt wird. with(linalg): # Komponenten des Abstandsvektors in Prozent: for i from to 7 do v[i]:=(subs(inr=data[i][],q(inr))-data[i][2]) od; v := -0.6 v 2 := v 3 :=.776 v 4 := v 5 := v 6 := v 7 := v 8 := v 9 := v 0 := v := v 2 := v 3 := v 4 := v 5 := v 6 := v 7 := V:=vector([seq(v[i],i=..7)]); V := [-0.6, ,.776, , , , , , , , , , , , , , ] # Damit erhält man die L-zwei Fehlernorm in Prozent gemäß: L[2]:=(/sqrt(7))*Norm(V,2)= evalf((/sqrt(7))*norm(v,2),4)*prozent; L 2 := = 7 7 Norm ( V, 2) Prozent # Alternativ ist die L-infinity Norm gegeben durch: L[infinity]:=((/7)^(/infinity))*Norm(V,infinity)= 3
4 evalf(((/7)^(/infinity))*norm(v,infinity),4)*prozent; := Norm ( V, ) = 2.73 Prozent L[infinity]:=Max(abs(v[..7]))= evalf(max(seq(abs(v[i]),i=..7)),4)*prozent; := Max( v.. 7 ) = 2.73 Prozent Relevanter Bereich Im relevanten Bereich (biologische Herzklappe) gilt INR = [2...3]. Daraus ergeben sich gemäß obiger Darstellung Quick-Werte von Quick = [37%...22%]. Zwischenwerte können folgenden Daten entnommen werden. restart: data:=[2,37],[2.2,33],[2.5,28],[2.8,24],[3,22]; data := [ 237, ],[ 2.2, 33 ], [ 2.5, 28 ], [ 2.8, 24 ], [ 322, ] Mit diesen Werten erhält man durch nichtlineare Regression das Polynom Q(INR):= /INR-4.44/INR^2; Q( INR) := alias(h=heaviside,th=thickness,co=color): p[]:=plot([data],inr=2..3,th=3, style=point,symbol=cross,symbolsize=50,co=black): p[2]:=plot(q(inr),inr=2..3,th=3,co=black, title="inr zwischen 2 und 3"): p[3]:=plot(40,inr=2..3,20..40,ytickmarks=4,co=black): p[4]:=plot(40*h(inr-3),inr= ,co=black): plots[display](seq(p[k],k=..4)); L-zwei Fehlernorm im relevanten Bereich Im Bereich INR = [2..3], der für biologische Herzklappen relevant ist, erhält man für den Vergleich zwischen den gegebenen Messwerten und der vorgeschlagenen Formel folgende Fehlerabschätzung. with(linalg): 4
5 # Komponenten des Abstandsvektors in Prozent: for i from to 5 do v[i]:=subs(inr=data[i][],q(inr))-data[i][2] od; v := v 2 := v 3 := v 4 := v 5 := V:=vector([seq(v[i],i=..5)]); V := [ , , , , ] # Damit erhält man die L-zwei Fehlernorm in Prozent gemäß: L[2]:=(/sqrt(5))*Norm(V,2)= evalf((/sqrt(5))*norm(v,2),4)*prozent; L 2 := = 5 5 Norm ( V, 2 ) Prozent # Alternativ ist die L-infinity Norm gegeben durch: L[infinity]:=((/5)^(/infinity))*Norm(V,infinity)= evalf(((/5)^(/infinity))*norm(v,infinity),4)*prozent; := Norm ( V, ) = Prozent L[infinity]:=Max(abs(v[..5]))= evalf(max(seq(abs(v[i]),i=..5)),4)*prozent; := Max( v.. 5 ) = Prozent Die obigen Darstellungen zeigen, dass durch ein inverses Polynom zweiter Ordnung die Umrechnung von Quick[%] in INR oder umgekehrt formelmäßig zufriedenstellend beschrieben werden kann. 5
Approximations of Elliptic Integrals
Approximations of Elliptic Integrals Abstract Univ.-Prof. Dr.-Ing. habil. J. BETTEN RWTH University Aachen Mathematical Models in Materials Science and Continuum Mechanics Augustinerbach 4- D-556 A a c
MehrBlutdruckwerte aus Langzeitmessung
> 17.03. / 18.03.2015 Blutdruckwerte aus Langzeitmessung Univ.-Prof. Dr.-Ing. habil. Josef BETTEN RWTH Aachen University Mathematical Models in Materials Science and Continuum Mechanics Augustinerbach
MehrKapitel III Ringe und Körper
Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
Mehr4.1. Grundlegende Definitionen. Elemente der Analysis I Kapitel 4: Funktionen einer Variablen. 4.2 Graphen von Funktionen
4.1. Grundlegende Definitionen Elemente der Analysis I Kapitel 4: Funktionen einer Variablen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 22./29. November 2010 http://www.mathematik.uni-trier.de/
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
MehrDas Semi-Variogramm. Friedrich-Schiller-Universität Jena Institut für Geographie Wintersemester 2004/2005
Friedrich-Schiller-Universität Jena Institut für Geographie Wintersemester 004/005 Hausarbeit zum Seminar Analyse und Modellierung räumlicher Daten Thema: Das Semi-Variogramm Vorgelegt von: Oliver Roick
Mehr5. Weitere wichtige Funktionsklassen
57 Mathematik für Biologen, Biotechnologen und Biochemiker 5 Weitere wichtige Funktionsklassen 5 Potenzfunktionen und doppelt-logarithmisches Papier Die Funktionen der Form f() = a b (mit reellen Zahlen
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
MehrInstitut für Geometrie und Praktische Mathematik
RWTH Aachen Institut für Geometrie und Praktische Mathematik Diplom VP Numerik 13. September 004 Aufgabe 1 10 0 40 Gegeben sei die Matrix A = 80 10 10. 10 5 5 (6 Punkte) a) Skalieren (Zeilenäquilibrierung)
MehrThe Economics of Higher Education in Germany
Michael Maihaus The Economics of Higher Education in Germany Salary Expectations, Signaling, and Social Mobility Tectum Verlag Dr. rer. pol. Michael Maihaus, born in Steinfurt/Germany in 1983, studied
MehrDiskrete Strukturen 5.9 Permutationsgruppen 168/558 c Ernst W. Mayr
Bemerkung: Der folgende Abschnitt Boolesche Algebren ist (im WS 2010/11) nicht Teil des Prüfungsstoffs, soweit nicht Teile daraus in der Übung behandelt werden! Diskrete Strukturen 5.9 Permutationsgruppen
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine Vektorräume (Teschl/Teschl 9 Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen: Eine
MehrProf. Dr.-Ing. habil. W. Schwarz Prof. Dr.-Ing. Dr.rer.nat. K. Reinschke Prof. A. Griewank, PhD Prof. Dr.-Ing. Dr.h.c. M. Zeitz
Klaus Röbenack Von der Fakultät Elektrotechnik und Informationstechnik der Technischen Universität Dresden zur Erlangung des akademischen Grades Doktoringenieur habilitatus (Dr.-Ing. habil.) angenommene
MehrLogistische Regression
Logistische Regression Teil 2: Beispiel Dirk Enzmann Fortgeschrittene quantitative Methoden der Kriminologie 29.04.206 Universität Hamburg Dirk Enzmann (Hamburg) Logistische Regression UHH, 29.04.206 /
MehrBiometrische und Ökonometrische Methoden I! Lösungen 3
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 97/98 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Biometrische und Ökonometrische Methoden I! Lösungen 3 1. MTB > Retrieve 'H:\STUDENT\MINITAB\TREES.MTW'.
MehrComparison of individual radiosensitivity of peripheral blood lymphocytes from prostate cancer patients and healthy donors
Comparison of individual radiosensitivity of peripheral blood lymphocytes from prostate cancer patients and healthy donors Brzozowska K. 1, Pinkawa M. 2, Eble M.J. 2, Müller W.-U. 3, Wojcik A. 4,5, Kriehuber
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
Mehr9.1 Eine Gleichung mit einer Unbekannten exakt lösen x Beispiel 1: Die Gleichung x 2 = 4 lösen. solve( x / (x 2) = 4, x ); 8 3
MAPLE_Mini_09_V1-0.doc 9-1 9 Gleichungen 9.1 Eine Gleichung mit einer Unbekannten exakt lösen x Beispiel 1: Die Gleichung x 2 = 4 lösen. solve( x / (x 2) = 4, x ); 8 3 Beispiel 2: Lösen Sie die Gleichung
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrStochastische Abhängigkeit von Prognosefehlern der dargebotsabhängigen Einspeisung
4. Syposiu Energieinnovation der dargebotsabhängigen Einspeisung Motivation und Einleitung Analyse Modellierung Exeplarische Untersuchungen Annika Klettke Graz,. Februar 26 Einleitung Hintergrund und Motivation
MehrInstitut für Elektrotechnik und Informationstechnik. Aufgabensammlung zur. Systemtheorie
Institut für Elektrotechnik und Informationstechnik Aufgabensammlung zur Systemtheorie Prof. Dr. techn. F. Gausch Dipl.-Ing. C. Balewski Dipl.-Ing. R. Besrat 05.04.2013 Übungsaufgaben zur Systemtheorie
MehrAlgebraische Statistik von Ranking-Modellen
Algebraische Statistik von n Masterarbeit Benjamin Debeerst 26. September 2011 Objekten einen Rang geben Situation: Gebe einer endlichen Zahl von Objekten O 1,..., O n auf bijektive Weise einen Rang 1
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt Methodenlehre Mathematische und statistische Methoden I Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung Wallstr. 3, 6. Stock, Raum 06-06 Dr. Malte Persike persike@uni-mainz.de
MehrAuslegung von Zentrifugalpumpen zur effizienten, drucksensitiven und atraumatischen Herzunterstützung
Auslegung von Zentrifugalpumpen zur effizienten, drucksensitiven und atraumatischen Herzunterstützung Von der Fakultät für Maschinenwesen der Rheinisch-Westfälischen Technischen Hochschule Aachen zur Erlangung
MehrBegleitmaterial zur Vorlesung. Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen
Institut für Technische Thermodynamik und Kältetechnik Leiter: Prof. Dr.-Ing. K. Schaber Begleitmaterial zur Vorlesung Fehlerrechnung und Fehlerabschätzung bei physikalischen Messungen Verfasst von Dr.
MehrLearn Acting Digitally
Learn Acting Digitally Entwicklung eines interdisziplinären Masterstudiengangs im Blended-Learning-Format zur Förderung von Handlungs- und kompetenzen für digitale Arbeitswelten im Bereich MINT Professor
MehrDas multiple lineare Regressionsmodell
Das multiple lineare Regressionsmodell Worum geht es in diesem Lernmodul? Das Modell Schätzen der Koeffizienten Interpretation der Koeffizienten Testen der Koeffizienten Worum geht es in diesem Lernmodul?
Mehr0, v 6 = , v 4 = 1
Aufgabe 6. Linearkombinationen von Vektoren Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 : M = v =, v =, v 3 =, v 4 =, v 5 =, v 6 =. Zeigen Sie, dass sich jeder Vektor v i M, i =,,...,
MehrKapitel 4: Merkmalszusammenhänge
Kapitel 4: Merkmalszusammenhänge Korrelationen 1 Lineare Regression 3 Literatur 5 Korrelationen Mit Hilfe von G*Power lässt sich analog zum Vorgehen beim t-test (Kapitel 3, Band I) vor einer Untersuchung
Mehrjasimasolutions Simulation based process optimization for the agri food sector jasimabeverageplanner jasima Solutions Spin Off from
jasima Solutions Spin Off from BIBA - Bremer Institut für Produktion und Logistik GmbH Simulation based process optimization for the agri food sector jasimabeverageplanner Torsten Hildebrandt Torsten.Hildebrandt@.de
MehrPrüfen von Zeitreihen mit individuellen Korrekturparametern K-Prüfung
Prüfen von Zeitreihen mit individuellen Korrekturparametern K-Prüfung aqua_plan Ingenieurgesellschaft für Problemlösungen in Hydrologie und Umweltschutz mbh Amyastr. 126, 52066 Aachen Tel.: 0241 40070-0,
MehrLösung 11. Allgemeine Chemie I Herbstsemester d[a] t. = k (1) Trennung der Variablen und Integration in den Randbedingungen führt auf: [A]
Lösung Allgemeine Chemie I Herbstsemester 20. Aufgabe Die Geschwindigkeitsgesetze finden Sie im Skript der Vorlesung und im Mortimer, p. 26-27. Für eine Reaktion, die Species A verbraucht, gilt bei einer
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Name a a Note Vorname Leginummer Datum 19.08.2016 1 2 3 4 5 6 Total 7P 11P 10P 11P
MehrHerleitung der Bessel-Funktionen mit dem Integral-Iterationsverfahren
Herleitung der Bessel-Funktionen mit dem Integral-Iterationsverfahren Dr. rer. nat. Kuang-lai Chao Göttingen, den 3. Februar 009 Abstract Derivation of Bessel functions with the integral iterative method
MehrPolynominterpolation mit Matlab.
Polynominterpolation mit Matlab. Die Matlab-Funktion polyfit a = polyfit(x,f,n-1); berechnet die Koeffizienten a = (a(1),a(2),...,a(n)); des Interpolationspolynoms p(x) = a(1)*x^(n-1) + a(2)*x^(n-2) +...
MehrVergleich verschiedener Wachstumsmodelle
BspNr: D0420 Ziele Entscheiden können, welche Wachstumsmodelle bei einem konkreten Beispiel sinnvoll sind Analoge Aufgabenstellungen Übungsbeispiele Lehrplanbezug (Österreich): Quelle: Dr. Alfred Eisler,
MehrÜbungen zum Ferienkurs Lineare Algebra 2015/2016: Lösungen
1 Lineare Abhängigkeit 1.1 Für welche t sind die folgenden Vektoren aus 3 linear abhängig? (1, 3, 4), (3, t, 11), ( 1, 4, 0). Das zur Aufgabe gehörige LGS führt auf die Matrix 1 3 4 3 t 11. 1 4 0 Diese
MehrV.2 Phasengleichgewichte
Physikalisch-Chemisches Praktikum II WS 02/03 Josef Riedl BCh Team 4/1 V.2 Phasengleichgewichte V.2.1 Gegenstand des Versuches Als Beispiel für ein Phasengleichgewicht im Einstoffsystem wird die Koexistenzkurve
MehrComputer-orientierte Mathematik
Computer-orientierte Mathematik 3. Vorlesung - Christof Schuette 11.11.16 Memo: Rationale und reelle Zahlen Rationale Zahlen: Rationale Zahlen als Brüche ganzer Zahlen. q-adische Brüche, periodische q-adische
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de Vorbesprechung 5. Aufgabe 22. Juni 2017 Human Language Technology
MehrDouble Degree Programme Intake WS 2013. Dr.-Ing. Stefan Werner. Coordination and Support Programm Coordinators. Support
Programme Intake WS 2013 Dr.-Ing. Stefan Werner Coordination and Support Programm Coordinators Overall Coordination Prof. Dr.-Ing. Axel Hunger Room: BB BB318/ 379-4221 axel.hunger@uni-due.de Mech. Eng.
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
Mehr1 Einleitung. 2 Ziel und Methode
COSREM ZwB. N 21 Betrifft: Temperatur-Extrapolation entlang von Mur und Ybbs (für das Fische-Projekt ) Datum: 11. Mai 2005 Von: Patrick Haas Seiten: 7 1 Einleitung Hier wird die Extrapolation von Temperatur-Monatsmitteln
Mehr13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017
13. Lösung weitere Übungsaufgaben Statistik II WiSe 2016/2017 1. Aufgabe: Für 25 der größten Flughäfen wurde die Anzahl der abgefertigten Passagiere in den Jahren 2009 und 2012 erfasst. Aus den Daten (Anzahl
MehrMethode der laser-induzierten Lumineszenz zur experimentellen Analyse des Stofftransportes in laminar-welligen Flüssigkeitsfilmen
Methode der laser-induzierten Lumineszenz zur experimentellen Analyse des Stofftransportes in laminar-welligen Flüssigkeitsfilmen Von der Fakultät für Maschinenwesen der Rheinisch-Westfälischen Technischen
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrErfolgsfaktoren für die Zusammenarbeit zwischen Fachhochschule und Universität
Erfolgsfaktoren für die Zusammenarbeit zwischen Fachhochschule und Universität 4. Konferenz zur Qualität in der Lehre am 04./05. Mai 2017 Aachen Stadt mit hohem Studierendenanteil (mehr als 25%) 3-Länder-Eck
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
MehrMathematischer Vorkurs NAT-ING II
Mathematischer Vorkurs NAT-ING II (02.09.2013 20.09.2013) Dr. Jörg Horst WS 2013-2014 Mathematischer Vorkurs TU Dortmund Seite 1 / 252 Kapitel 15 Komplexe Zahlen Mathematischer Vorkurs TU Dortmund Seite
MehrMathematische und statistische Methoden I
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden I Dr. Malte Persike persike@uni-mainz.de
MehrQuadrate und Wurzelziehen modulo p
Quadrate und Wurzelziehen modulo p Sei im Folgenden p eine Primzahl größer als. Wir möchten im Körper Z p Quadratwurzeln ziehen. Die Quadrierabbildung Q :Z p Z p ist aber nicht surjektiv, daher gibt es
MehrKooperationsprojekt NAWI-GRAZ
Kooperationsprojekt NAWI-GRAZ MASTERSTUDIUM MATHEMATICS Matrikel-Nr. Name, Vorname(n) Kennzeichnung des Studiums B 0 6 6 3 9 4 Abgabe nur mit aktuellem Studienblatt möglich! Auflagen: JA, NEIN Auflagen
MehrVorkurs Mathematik. Vorlesung 8. Angeordnete Körper
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Vorkurs Mathematik Vorlesung 8 Angeordnete Körper Definition 8.1. Ein Körper K heißt angeordnet, wenn es eine totale Ordnung auf K gibt, die die beiden Eigenschaften
MehrDatenanalyse. eine Einführung. Klaus Diepold. Lehrstuhl für Datenverarbeitung Technische Universität München
Datenanalyse eine Einführung Klaus Diepold Lehrstuhl für Datenverarbeitung Technische Universität München Datenanalyse: Für wen?! für die Wissenschaftlerin Auffinden von Zusammenhängen und Strukturen in
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrZur Erlangung des akademischen Grades eines. Doktors der Ingenieurwissenschaften
Numerische und experimentelle Untersuchungen zur Eigenspannungs- und Verzugsausbildung beim martensitischen Härten von Stufenzylindern und Quadern in verdampfenden Flüssigkeiten Zur Erlangung des akademischen
Mehr9. Primitivwurzeln. O. Forster: Einführung in die Zahlentheorie
9. Primitivwurzeln 9.1. Satz. Sei G eine zyklische Gruppe der Ordnung m und g G ein erzeugendes Element. Das Element a := g k, k Z, ist genau dann ein erzeugendes Element von G, wenn k zu m teilerfremd
MehrINR- und %Quick-Messung für PROfis
CoaguChek Pro II PR II INR- und %Quick-Messung für PROfis CoaguChek Pro II INR- und %Quick-Messung für PROfis Abrechnung:* EBM 32026 4,70 GOÄ 3530 8,04 ** Antikoagulation mit Vitamin-K-Antagonisten Im
MehrElementare Regressionsrechnung
Elementare Regressionsrechnung Motivation: Streudiagramm zweier metrisch skalierter Merkmale X und Y Y X Dr. Karsten Webel 107 Ziel: Erfassung des Zusammenhangs zwischen X und Y durch eine Gerade der Form
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 1: Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 12., vollständig überarbeitete Auflage nwb STUDIUM Inhaltsverzeichnis
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
MehrOrthonormalbasis. Orthogonalentwicklung
Orthonormalbasis Eine Orthogonal- oder Orthonormalbasis des R n (oder eines Teilraums) ist eine Basis {v,..., v n } mit v i = und v i, v j = für i j, d. h. alle Basisvektoren haben Norm und stehen senkrecht
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 3
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 205/6): Lineare Algebra und analytische Geometrie 3 3. (Herbst 997, Thema 3, Aufgabe ) Berechnen Sie die Determinante der reellen Matrix 0 2 0 2 2
MehrInterpolation und Integration mit Polynomen
Interpolation und Integration mit Polynomen Philipp Andrea Zardo Universität Kassel 23. Februar 2006 / Kassel Outline 1 Einleitung Was ist numerische Mathematik? Die eulersche e-funktion Ein Wurzelalgorithmus
MehrGrundpraktikum E2 Innenwiderstand von Messgeräten
Grundpraktikum E2 Innenwiderstand von Messgeräten Julien Kluge 7. November 205 Student: Julien Kluge (56453) Partner: Fredrica Särdquist (568558) Betreuer: Pascal Rustige Raum: 27 Messplatz: 2 INHALTSVERZEICHNIS
MehrStatistics, Data Analysis, and Simulation SS 2015
Mainz, May 12, 2015 Statistics, Data Analysis, and Simulation SS 2015 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrStatistik-Klausur vom 25. April 2003
Statistik-Klausur vom 25. April 2003 Bearbeitungszeit: 120 Minuten Aufgabe 1 Performance-Vergleich weltweit angelegter Aktienfonds im Drei-Jahres-Vergleich vom 1.1.1999 bis 31.12.2001 Investmentfonds Astra
MehrAlgebra. 1 = a u + b,
Fachbereich Mathematik Prof. Dr. Nils Scheithauer Walter Reußwig TECHNISCHE UNIVERSITÄT DARMSTADT WS 08/09 11. November 2008 Algebra 5. Übung mit Lösungshinweisen Aufgabe 23 Es sei R ein euklidischer Integritätsbereich.
MehrErwin Grüner
FB Psychologie Uni Marburg 19.01.2006 Themenübersicht in R in R In R gibt es eine Reihe von Funktionen zur : lm(): lineare Regression glm(): allgemeines lineares Modell aov(): manova(): multivariate gam():
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 22 Algebraische Körpererweiterung Satz 1. Sei K L eine Körpererweiterung und sei f L ein Element. Dann sind folgende Aussagen
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrÜbungen zur Vorlesung. Statistik 2
Institut für Stochastik WS 2007/2008 Universität Karlsruhe JProf. Dr. H. Holzmann Blatt 11 Dipl.-Math. oec. D. Engel Übungen zur Vorlesung Statistik 2 Aufgabe 40 (R-Aufgabe, keine Abgabe) In dieser Aufgabe
Mehr[5], [0] v 4 = + λ 3
Aufgabe 9. Basen von Untervektorräumen. Bestimmen Sie Basen von den folgenden Untervektorräumen U K des K :. K = R und U R = span,,,,,.. K = C und U C = span + i, 6, i. i i + 0. K = Z/7Z und U Z/7Z = span
MehrGlobalübung Mikroökonomie SoSe 2017, Linda Hirt-Schierbaum, Till Wagner 1 / 17. Kapitel 15: Marktnachfrage
Globalübung Mikroökonomie SoSe 2017, Linda Hirt-Schierbaum, Till Wagner 1 / 17 Kapitel 15: Marktnachfrage Globalübung Mikroökonomie SoSe 2017, Linda Hirt-Schierbaum, Till Wagner 2 / 17 Von der individuellen
MehrDatenabhängiges, modellbasiertes Gruppieren von binären longitudinalen Verläufen am Beispiel der Neurodermitis
Datenabhängiges, modellbasiertes Gruppieren von binären longitudinalen Verläufen am Beispiel der Neurodermitis Oliver Kuß*; Cora Gromann*; Thomas L. Diepgen**; *Institut für Medizinische Epidemiologie,
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl {peter,guta,rosendahl}@i6.informatik.rwth-aachen.de Vorbesprechung 4. Aufgabe 2. Juni 2017 Human Language
Mehr5 Randwertprobleme. y = f(t, y, y ) für t J, (5.2a) y(t 0 ) = y 0, y(t) = y T (5.2b) zu gegebener Funktion f und Werten y 0, y T.
5 Randwertprobleme Bei den bisher betrachteten Problemen handelte es sich um Anfangswertprobleme. In der Praxis treten, insbesondere bei Differentialgleichungen höherer Ordnung, auch Randwertprobleme auf.
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrAutofokus für das MONET-Teleskop. Projektwoche 2013 im Pascal-Gymnasium Münster AiM-Projektgruppe
Autofokus für das MONET-Teleskop Projektwoche 2013 im Pascal-Gymnasium Münster AiM-Projektgruppe Einführung Wir gehen davon aus, dass ein Bild mit einem kleinen mittleren Sternendurchmesser eher für eine
Mehr9 Lineare Gleichungssysteme
9 Lineare Gleichungssysteme Eine der häufigsten mathematischen Aufgaben ist die Lösung linearer Gleichungssysteme In diesem Abschnitt beschäftigen wir uns zunächst mit Lösbarkeitsbedingungen und mit der
MehrPV-Heimspeicher in Deutschland
PV-Heimspeicher in Deutschland Viktor Kaplan - Lecture 07.06.2017, Wien David Haberschusz Lehrstuhl für Elektrochemische Energiewandlung und 1 Speichersystemtechnik 2016: Mehr PV-Speicher als Elektroautos
MehrStudy fact sheet für ID: Garcia-Retamero 2013
Study fact sheet für ID: Garcia-Retamero 2013 (Name, Jahr (ggf. a,b,c)) 1. Vollständige Referenz Garcia-Retamero R, Hoffrage U (2013). Visual presentation of statistical inference improves diagnostic inferences
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrGrundgesamtheit und Stichprobe
Grundgesamtheit und Stichprobe Definition 1 Die Menge der Untersuchungseinheiten {U 1,U 2,...,U N } heißt Grundgesamtheit. Die Anzahl N der Einheiten ist der Umfang der Grundgesamtheit. Jeder Einheit U
MehrGewöhnliche Dierentialgleichungen
Gewöhnliche Dierentialgleichungen sind Gleichungen, die eine Funktion mit ihren Ableitungen verknüpfen. Denition Eine explizite Dierentialgleichung (DGL) nter Ordnung für die reelle Funktion t x(t) hat
MehrRegressionen mit CA-Systemen
Regressionen mit CA-Systemen TI-Voyage 200: Aufruf der Applikation Data-Matrix-Editor Eingabe der Messwerte Aufruf von Calc und Auswahl der linearen Regression Zuweisung der x-werte (c1) und y-werte
MehrMathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017
Mathematische Methoden in der Systembiologie Universität Heidelberg, Sommer 2017 Dozent: Dr. M. V. Barbarossa (barbarossa@uni-heidelberg.de) Vorlesung+ Übung: Mo/Mi/Fr. 8:15-9:45Uhr, SR 1, INF 205 Termin
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
MehrAlgebraische Strukturen und Verbände
KAPITEL 4 Algebraische Strukturen und Verbände Definition 4.1. Sei M eine Menge. Eine Abbildung : M M M nennt man eine (zweistellige) Verknüpfung in M. Man schreibt dafür auch a b := (a, b) mit a, b M.
MehrLernen mit Queries. Hans Kleine Büning Institut für Informatik, Universität Paderborn Paderborn (Germany),
Lernen mit Queries Hans Kleine Büning Institut für Informatik, Universität Paderborn 33095 Paderborn (Germany), E-mail: kbcsl @upb.de November 2007 1 Einführung In diesem Abschnitt beschreiben wir kurz,
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrPersonalentscheidungen gehören zu den zentralsten und zu-gleich auch anspruchsvollsten Aufgaben im Unternehmen.
Personalentscheidungen gehören zu den zentralsten und zu-gleich auch anspruchsvollsten Aufgaben im Unternehmen. Fehlbesetzungen verursachen Unzufriedenheit und hohe Kosten. Für die Personalauswahl heißt
Mehrnumerische Berechnungen von Wurzeln
numerische Berechnungen von Wurzeln. a) Berechne x = 7 mit dem Newtonverfahren und dem Startwert x = 4. Mache die Probe nach jedem Iterationsschritt. b) h sei eine kleine Zahl, d.h. h. Wir suchen einen
MehrAnalytische Geometrie Spatprodukt
Analytische Geometrie Spatprodukt David Schmid, Reto Da Forno Kantonsschule Schüpfheim Januar 2005 Analytische Geometrie: Das Spatprodukt 1 Das Spatprodukt Hinweis: Die Vektoren werden aus darstellungstechnischen
Mehr