Ziele. Soll-Ist-Vergleich. Korrektur. Ursachenanalyse
|
|
- Kristina Ritter
- vor 6 Jahren
- Abrufe
Transkript
1 I
2
3
4 Ziele Korrektur Soll-Ist-Vergleich Ursachenanalyse
5 Soll-Ist-Vergleich Ziele Korrektur Soll-Ist-Vergleich Ziele Korrektur Simulation des Umsatzes Ursachenanalyse Ursachenanalyse
6
7
8 STORE 1115 STORETYPE A B C D ASSORTMENT A B C COMPETITION DISTANCE COMPETITION OPEN DATUM OPEN PROMO PROMO2 DAY OF WEEK HOLIDAY (State / School) CUSTOMERS SALES usw.
9
10 Linearer Trend Wochen Trend Jahres Trend Umsatz = Autoregressiver Anteil + Statistischer Rest
11 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben require(ore) ore.connect(user="usr", password="pwd", sid="orcl", host=" ", port=1521, all=true) ore.sync() data = ore.get("rossmann_all") data$customers = NULL data$schoolholiday = NULL data$assortment = NULL data$stateholiday = NULL data$storetype = NULL USW.
12 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben storenumber = 1 # dat = data[data$store==storenumber,] dat=ore.sort(data=dat,by='dat') # Daten raussuchen # Sortieren nach Datum anz_train=dim(train)[1] train$cnt=c(1:anz_train) # Variablengröße # Durchgehende Nummer
13 Initialisierung, Daten einschränken Daten eines Stores auswählen Datenlücken, -fehler beheben # daten bereinigen: sales == NA mit Mittelwert füllen wo_leer = is.na(train$sales)==1 wo_nichtleer = is.na(train$sales)==0 &!train$dayofweek==7 train$salesorig[wo_leer] = mean(train$salesorig[wo_nichtleer])
14 orefit = ore.lm(salesorig ~ cnt, data = train[train$open==1,]) train$trend = orefit[[1]][2] * train$cnt # Regressionsgerade # Trendgerade: y = m*x
15 train$sales = train$salesorig - train$trend train$sales[train$open==0,] = 0 # Rest berechnen # Korrektur
16
17 # Wöchentlichen Trend berechnen season_week_promo0 = rep(0,7) season_week_promo1 = rep(0,7) for (i in 1:7){season_week_promo0[i] = median(train$sales[ train$dayofweek==i & train$promo==0 ]) season_week_promo1[i] = median(train$sales[ train$dayofweek==i & train$promo==1 ]) }
18
19 # Wöchentlichen Trend berechnen... # Wöchentlichen Trend zuweisen train$season_week = rep(0, anz_train) for (i in 1:7) {train$season_week[train$dayofweek==i & train$promo==0]=season_week_promo0[i] train$season_week[train$dayofweek==i & train$promo==1]=season_week_promo1[i] }
20 train$season_week_rest = train$sales - train$season_week
21 smoothi = ore.rollmean(train$season_week_rest, k = 21, align="center") #Gleitender Mittelwert zaehl = c(1:365,1:365,1:(anz_train )) tmp = rep(0,365) #Vektoren initiieren for (i in 1:365){ tmp[i] = median(smoothi[zaehl==i])} #Mittelwerte bilden train$season_year = c(tmp,tmp,tmp[1:(anz_train )]) train$season_year_rest = train$season_week_rest-train$season_year #Zuweisen #Abziehen
22 ax 1 +bx 2 +cx 3 +dx 4 = y
23 ax 1 +bx 2 +cx 3 +dx 4 = y
24 ax 1 +bx 2 +cx 3 +dx 4 = y
25 ax 1 +bx 2 +cx 3 +dx 4 = y autoregression = function (lag, anz_train-lag, data) {... output=list(xx,a) }
26 tmp = ore.pull( ore.doeval(autoregression,lag,sp,train$season_year_rest)) xx=tmp[[1]] a=tmp[[2]] rm(tmp) # Autoregression train tmp = rep(0,anz_train) for (i in (lag+1):anz_train) { tmp[i] = xx[i-lag,]%*%a } train$autoreg=tmp
27 # Autoregression Vorhersage tmp = rep(0,anz_dat) tmp=c(ore.pull(train$autoreg),rep(0,(anz_dat-anz_train) )) for (i in 1:(anz_dat-anz_train+1)) { wo = anz_train+i-1 tmp[wo] = t(tmp[(wo-lag):(wo-1)])%*%a } dat$autoreg=tmp
28 dat$autoreg_pred = dat$autoreg + dat$season_year + dat$season_week + dat$trend dat$autoreg_pred[dat$open==0] = 0 Linearer Trend Wochen Trend Jahres Trend Umsatz = Autoregressiver Anteil + Statistischer Rest
29 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13
30 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13
31 Wikipedia. CC BY-SA 3.0
32 rfmod <- ore.randomforest(formula, DATA, ntree=1000) tree <- grabtree(rfmod, k = 500) rfpred <- predict(rfmod, DATA,... )
33 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13 Random Forest (Machine Learning): alle Variablen (Umsatz, Filialen-Typ, Entfernung zur Konkurrenz, ) RMS 0,12
34 Nur Nullen RMS 1,00 Nur mittlere Tageswerte RMS 0,24 Autoregression (Zeitreihenanalyse): nur Umsatz- / Besucherzahlen RMS 0,13 Random Forest (Machine Learning): alle Variablen (Umsatz, Filialen-Typ, Entfernung zur Konkurrenz, ) RMS 0,12 Gewinner (Gert, NL): Random Forest: alle Variablen + externe Daten (Wetter, Großereignisse, ) RMS 0,10
35
36
Bild Nummer 1: Bild Nummer 2: Seite B 1
Bild Nummer 1: Bild Nummer 2: Seite B 1 Bild Nummer 3: Bild Nummer 4: Seite B 2 Bild Nummer 5: Bild Nummer 6: Seite B 3 Bild Nummer 7: Bild Nummer 8: Seite B 4 Bild Nummer 9: Bild Nummer 10: Seite B 5
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrProjekt 7. Machine Learning. (Matthias Bethge) 7.1 Overtüre
Projekt 7 Machine Learning Matthias Bethge) 7. Overtüre Alles messen, was messbar ist - und messbar machen, was noch nicht messbar ist. Galileo Galilei 564-642) Ziel der quantitativen Wissenschaft ist
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrGleichungen Aufgaben und Lösungen
Gleichungen Aufgaben und Lösungen http://www.fersch.de Klemens Fersch 6. Januar 3 Inhaltsverzeichnis Lineare Gleichung. a x + b = c....................................................... Aufgaben....................................................
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
Mehru + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.
Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume
MehrBestandsplanung und -steuerung. Methodik der ABC - Analyse
Bestandsplanung und -steuerung Methodik der ABC - Analyse Dortmund, Oktober 1998 Prof. Dr. Heinz-Michael Winkels, Fachbereich Wirtschaft FH Dortmund Emil-Figge-Str. 44, D44227-Dortmund, TEL.: (0231)755-4966,
MehrWas wollen wir mit den statistischen Methoden erreichen?
Was wollen wir mit den statistischen Methoden erreichen? Lösung betrieblicher Probleme: enkung der Kosten, Erhöhung der Fähigkeiten durch statistische Prozessanalyse und Prozessverbesserung, Qualifizierung
MehrExcel Funktionen durch eigene Funktionen erweitern.
Excel Funktionen durch eigene Funktionen erweitern. Excel bietet eine große Anzahl an Funktionen für viele Anwendungsbereiche an. Doch es kommt hin und wieder vor, dass man die eine oder andere Funktion
MehrCharakteristikenmethode im Beispiel
Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)
MehrProf. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1
Prof. Dr. P. von der Lippe Statistik I NK SS 2002 Seite 1 Aufgabe 1 a) BWL-Student S hat von seinem Lieblingsonkel 10.000 geschenkt bekommen mit der Auflage damit etwas Vernünftiges zu machen. Nachdem
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrAN, AUS, AUF, AB: LOMO denkt mit.
AN, AUS, AUF, AB: OMO denkt mit. OMOcompact DAS STEUERUNGSMODU INTEIGENT ÜBERWACEN und STEUERN OMOcompact OMO 852 OMO 552 OMO 552 Unsere OMO ist die perfekte Kleinsteuerung für einfache bis mittlere Überwachungs-
MehrGemeinsame Geschäftsmöglichkeiten
Gemeinsame Geschäftsmöglichkeiten 4S - Server, Storage, Service und Solutions Patrick Echle / Dirk Eichblatt Director Product Marketing / Director Portfolio Management Data Center Systems, Fujitsu Technology
MehrBig & Smart Data. bernard.bekavac@htwchur.ch
Big & Smart Data Prof. Dr. Bernard Bekavac Schweizerisches Institut für Informationswissenschaft SII Studienleiter Bachelor of Science in Information Science bernard.bekavac@htwchur.ch Quiz An welchem
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrUnterlagen für die Lehrkraft
Ministerium für Bildung, Jugend und Sport Zentrale Prüfung zum Erwerb der Fachhochschulreife im Schuljahr 01/01 Mathematik. Juni 01 09:00 Uhr Unterlagen für die Lehrkraft 1. Aufgabe: Differentialrechnung
MehrLangzeitverhalten der Hochwasserabflüsse Ergebnisse aus KLIWA
122 KLIWA-Symposium 2000 Langzeitverhalten der Hochwasserabflüsse Ergebnisse aus KLIWA Helmut Straub Landesanstalt für Umweltschutz Baden-Württemberg, Karlsruhe In jüngster Vergangenheit traten in verschiedenen
MehrSmart Content Creation and Annotation (SCCA)
Smart Content Creation and Annotation (SCCA) Statusmeeting, 7. Oktober 2014 Agenda 1) Einleitung 2) Text Mining bei Neofonie 3) Text Mining für Unternehmen 4) Aufbau von Fachlexika 5) Big-Data-Technologien
MehrPIWIN 1 Übung Blatt 5
Fakultät für Informatik Wintersemester 2008 André Gronemeier, LS 2, OH 14 Raum 307, andre.gronemeier@cs.uni-dortmund.de PIWIN 1 Übung Blatt 5 Ausgabedatum: 19.12.2008 Übungen: 12.1.2009-22.1.2009 Abgabe:
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
MehrKlausur Grundlagen der Informatik
Klausur Grundlagen der Informatik 11.03.2010 Hinweise: Bearbeitungszeit: 120 Minuten es sind keine Unterlagen (Bücher, Vorlesungsmitschriften, Übungen), Taschenrechner, Mobiltelefone (ausschalten und in
MehrTU Bergakademie Freiberg Datenanalyse/Statistik Wintersemester 2015/16. 7. Übungsblatt
Themen und Begriffe Lineare Modelle Regressoren, Regressant Varianzanalysetabelle Residuen Hebelwirkung Cook-Distanz 7. Übungsblatt Im Datensatz steinsalz sind Meßwerte für den Korndurchmesser (in mm)
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
MehrPredictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf
Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf 28.05.14 Inhalt Die Glückssträhne Statistische Simulationen Baseball, Basketball & andere Sportarten Maschinelles Lernen Windhund-und
MehrWolfgang Trutschnig. Salzburg, 2014-05-08. FB Mathematik Universität Salzburg www.trutschnig.net
Auffrischungskurs Angewandte Statistik/Datenanalyse (Interne Weiterbildung FOR SS14-08) Block 1: Deskriptive Statistik, Wiederholung grundlegender Konzepte, R FB Mathematik Universität Salzburg www.trutschnig.net
MehrAufgabe 2: Anzahl Erdbeben als Funktion der Zeit
Übung 2 Analyse von Zeitreihen in der Umweltphysik und Geophysik 1 Aufgabe 2: Anzahl Erdbeben als Funktion der Zeit In dieser Übung wollen wir der Frage nachgehen, was war die Anzahl Erdbeben mit M>1 pro
MehrInstitut für Betriebswirtschaftslehre Services & Operations Management
Services & Operations Management Prof. Dr. Helmut Dietl Modulübersicht 1. Operations Strategie 2. Process Analytics 3. Qualitätsmanagement: SPC 4. Plattformmanagement 5. Sportmanagement Seite 2 Lernziele
MehrALP I. Funktionale Programmierung
ALP I Funktionale Programmierung Sortieren und Suchen (Teil 1) WS 2012/2013 Suchen 8 False unsortiert 21 4 16 7 19 11 12 7 1 5 27 3 8 False sortiert 2 4 6 7 9 11 12 18 21 24 27 36 Suchen in unsortierten
MehrMedienart: Print Medientyp: Publikumszeitschriften Auflage: 312'871 Erscheinungsweise: 26x jährlich
Ausschnitt Seite: 1/10 Bericht Seite: 8/28 Datum: 28.05.2010 Ausschnitt Seite: 2/10 Bericht Seite: 9/28 Datum: 28.05.2010 Ausschnitt Seite: 3/10 Bericht Seite: 10/28 Datum: 28.05.2010 Ausschnitt Seite:
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Basiswissen Rheinland-Pfalz. Übungsbuch für den Grund- und Leistungskurs mit Tipps und Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Basiswissen Rheinland-Pfalz Übungsbuch für den Grund- und Leistungskurs mit Tipps und Lösungen Vorwort Vorwort Erfolg von Anfang an Dieses Übungsbuch ist auf die
MehrErfolg im Mathe-Abi. H. Gruber, R. Neumann. Prüfungsaufgaben Hessen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Prüfungsaufgaben Hessen Übungsbuch für den Grundkurs mit Tipps und Lösungen - plus Aufgaben für GTR und CAS Inhaltsverzeichnis Inhaltsverzeichnis 1 Ganzrationale
MehrFormelsammlung zur Kreisgleichung
zur Kreisgleichung Julia Wolters 6. Oktober 2008 Inhaltsverzeichnis 1 Allgemeine Kreisgleichung 2 1.1 Berechnung des Mittelpunktes und Radius am Beispiel..... 3 2 Kreis und Gerade 4 2.1 Sekanten, Tangenten,
MehrMÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN
MÖGLICHKEITEN UND GRENZEN DER VORHERSAGBARKEIT VON EPIDEMIEN IN FRÜHEN STADIEN Mario Ziller Friedrich-Loeffler-Institut Bundesforschungsinstitut für Tiergesundheit Institut für Epidemiologie Seestr. 55,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrInhaltsverzeichnis. X Mark I Pro. X Mark I Pro
Inhaltsverzeichnis Anzeige...P.28 Erste Schritte Stromeinschalt-/Ausschalttaste...P.28 Displayhelligkeit Anpassen...P.28 MODE/Modus-Wahltaste...P.29 Anwendungsmenü...P.29 Menü rechnereinrichtung...p.30
MehrMidterm-Klausur Technische Grundlagen der Informatik
Midterm-Klausur Technische Grundlagen der Informatik Prof. Dr. Arndt Bode Wintersemester 2002/2003 7. Dezember 2002 Name: Vorname: Matrikelnummer: Hörsaal: Platz: Unterschrift: Ergebnis: Aufgabe Punkte
MehrEMC² Global Financial Services
EMC² Global Financial Services Partner Bootcamp 10. Juni 2011 Bad Kleinkirchheim Christian Bauer 1 EMC Global Financial Services (GFS) GFS Technology Lifecycle und Finanzierungsprogramme für unsere Partner
MehrSwitches. Switch P133 P550 P400 P450
Switches Hier ist zunächst die Bridge zu erwähnen. Die Bridge (Brücke) verbindet zwei Segmente (zwei Kollisionsdomänen) analog einer Brücke, die zwei Ufer eines Flusses verbindet. Jeder Port einer Brücke
MehrPrüfungsfach Mathematik Samstag, 08. Juni 2002
MANAGEMENT CENTER INNSBRUCK Bitte auf jedem Blatt den Vor- und Nachnamen angeben:... Prüfungsfach Mathematik Samstag, 08. Juni 2002 Sollten Sie bereits in einem der vorangegangenen Jahre an der Vorbereitungsprüfung
MehrKapitel 3 Mathematik. Kapitel 3.3. Algebra Gleichungen
TG TECHNOLOGISCHE GRUNDLAGEN Kapitel 3 Mathematik Kapitel 3.3 Algebra Gleichungen Verfasser: Hans-Rudolf Niederberger Elektroingenieur FH/HTL Vordergut 1, 877 Nidfurn 055-654 1 87 Ausgabe: Februar 009
MehrBloomberg-University Schulungen in München
Bloomberg-University Schulungen in München -Stand: 03.11.2014- Alle Schulungen finden in der Maximilianstraße 2a in 80539 München statt. (Angaben bitte selbstständig am Bloomberg-Terminal auf Richtigkeit
MehrDemographie III Übung
Demographie III Übung Roland Rau roland.rau@uni-rostock.de 19. November 2012 Inhaltsverzeichnis 1 Überblick 2 2 Funktionen in R 2 3 Berechnung einer Sterbetafel 3 3.1 Daten.......................................
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
Mehr1. Grundlegende Konzepte in Java (6 Punkte)
1. Grundlegende Konzepte in Java (6 Punkte) a) Welches der folgenden Literale ist korrekt und wenn ja, von welchem Typ ist es? "true" nicht korrekt X korrekt vom Typ String 'true' X nicht korrekt korrekt
MehrRevenue Management 4 MICE
Revenue Management 4 MICE - Umsatzoptimierung im Tagungsbereich - Birgit Haake Director of Revenue Management Maritim Hotelgesellschaft mbh Function Space Revenue Management (FSRM) Warum hat es so lange
MehrMobile Device Management
Mobile Device Management Na und? Stefan Mai Partner Manager, Good Technology, Frankfurt Netzplan MDM Kosten oder Nutzen? Wann was steuern und warum. MDM der Beginn einer Reise. Steigen Sie ein und seien
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrPDF/A: Validieren und Korrigieren
DMS Expo, Köln, September 2007 PDF/A: Validieren und Korrigieren callas software GmbH 2007 by PDF/A Competence Center, Kleine Rekapitulation Warum? Defintion von guten PDFs PDF ist Diener vieler Herren
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrMonte Carlo Simulationen
Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und
MehrZuammenfassung: Reelle Funktionen
Zuammenfassung: Reelle Funktionen 1 Grundlegendes a) Zahlenmengen IN = {1; 2; 3; 4;...} Natürliche Zahlen IN 0 = IN {0} Natürliche Zahlen mit 0 ZZ = {... ; 2; 1; 0; 1; 2;...} Ganze Zahlen Q = { z z ZZ,
MehrProjekt Standardisierte schriftliche Reifeprüfung in Mathematik. T e s t h e f t B 1. Schulbezeichnung:.. Klasse: Vorname: Datum:.
Projekt Standardisierte schriftliche Reifeprüfung in Mathematik T e s t h e f t B Schulbezeichnung:.. Klasse: Schüler(in) Nachname:. Vorname: Datum:. B Große und kleine Zahlen In Wikipedia findet man die
MehrBericht zum Neubeginn der CLM- Konsortialrechnungen infolge
BugReport: CO2 Modellversion: CLM2.4. Datum: 25.9.2006 Bericht zum Neubeginn der CLM Konsortialrechnungen infolge einer notwendigen Korrektur der CO 2 Konzentrationen im CLM Zusammenfassung Andreas Will,
MehrVortrag von Wolny B. am 4.11.2009
PHOTOSYNTHESE Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE (SCHÜLLER, TEIGE WS2008) Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE (SCHÜLLER, TEIGE WS2008) Vortrag von Wolny B. am 4.11.2009 AUS BIOCHEMIE
MehrAPEX URLs Suchmaschienen- und Benutzerfreundlich
APEX URLs Suchmaschienen- und Benutzerfreundlich Christian Rokitta themes4apex Leusden (NL) Schlüsselworte APEX, URL, Parameter, Suchmaschinen, PLSQL, Google Analytics, Restful Services Einleitung Im Vergleich
MehrInhaltsverzeichnis. 1. Ein kleiner Rundgang 10 1.1 Programmstart... 10 1.2 Tabellenblatt und Arbeitsmappe... 11 1.2.1 Spalten, Zeilen und Zellen...
Inhaltsverzeichnis 1. Ein kleiner Rundgang 10 1.1 Programmstart... 10 1.2 Tabellenblatt und Arbeitsmappe... 11 1.2.1 Spalten, Zeilen und Zellen... 11 1.3 Die Werkzeuge in Excel 2003... 12 1.3.1 Die Menüleiste...
MehrMicrosoft Office Excel 2007. für Windows W-EX2007S. Autor: Peter Wies. Inhaltliches Lektorat: Sabine Spieß. Fachlektorat: Dr.
W-EX2007S Autor: Peter Wies Inhaltliches Lektorat: Sabine Spieß Fachlektorat: Dr. Ulrich Rohland 2. Ausgabe, Oktober 2010 HERDT-Verlag für Bildungsmedien GmbH, Bodenheim Internet: www.herdt.com Alle Rechte
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrTrendlinien in Diagrammen (Excel 2010)
Trendlinien in Diagrammen (Excel 2010) Trendlinien in Diagrammen (Excel 2010)... 1 Allgemeines... 2 Informationen über Prognosen und das Anzeigen von Trends in Diagrammen... 3 AUSWÄHLEN DES PASSENDEN TRENDLINIETYPS
MehrJavaScript Cheat Sheet
JavaScript Cheat Sheet Variablen Um eine Variable mit dem Namen nummer anzulegen, musst du folgendes schreiben: var nummer; Danach kannst du dieser Variablen Werte hinzufügen, in dem du diese mit = zuweist:
Mehr> patienten<-data.frame( c(28,61,79,54,na,48), c(2,2,3,2,1,1), c("pillen","pillen","massage","gymnastik","massage","gymnastik"),
1 Der Datentyp factor in R 2 Beispieldatensatz > patienten
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrRegionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren
Institut für Arbeitsmarkt- und Berufsforschung Folie 1 Regionale Arbeitslosenprognosen: Die Leistungsfähigkeit ausgewählter Zeitreihenverfahren Katharina Hampel Marcus Kunz Norbert Schanne Antje Weyh Dr.
MehrBerechnung von Strukturgleichungsmodellen mit Amos. Im folgenden kurze Einführung: Arbeiten mit Amos Graphics
Oliver Schiling Handout:: Amos 6.0 / Graphics 1 Berechnung von Strukturgleichungsmodellen mit Amos Was kann Amos? Klassische Strukturgleichungsmodelle (Kovarianzstrukturanalysen, Pfadmodelle mit/ohne latente
MehrMAXIMUM2.STR 02.10.2002. Struktogramme. Aufgabe: 3 Zahlen eingeben, größte Zahl ermitteln und ausgeben.
Struktogramme 02.10.2002 Aufgabe: 3 Zahlen eingeben, größte Zahl ermitteln und ausgeben. MAX_DOZ1 Integer a, b, c, max M AX IM U M 1.S T R Inte g er a, b, c Ausgabe "Zahlen eingeben" E ing abe a, b, c
MehrLineare Gleichungssysteme mit zwei Variablen Lösungen
Lineare Gleichungssysteme mit zwei Variablen Lösungen. Bestimme rechnerisch und grafisch die Lösungsmenge L der folgenden Gleichungssysteme. a) b) c) I. x y I. 5y (x ) 5 II. x y II. x y I. 5y (x ) 5 II.
MehrSystem Center 2012 Server-Management-Lizenzen... 2
Inhalt System Center 2012 Server-Management-Lizenzen... 2 1. Was ist neu in der Lizenzierung von System Center 2012 zur Verwaltung von Servern?... 2 2. Welche Produkteditionen bietet System Center 2012?...
MehrAbschlussprüfung an der Fachoberschule im Schuljahr 2011/2012
Senatsverwaltung für Bildung, Jugend und Wissenschaft Abschlussprüfung an der Fachoberschule im Schuljahr / Fach (B) Prüfungstag 5. April Prüfungszeit Zugelassene Hilfsmittel Allgemeine Arbeitshinweise
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
MehrMathematikaufgaben zur Vorbereitung auf das Studium
Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen
MehrRepetitionsaufgaben: Lineare Gleichungen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Gleichungen Zusammengestellt von Hannes Ernst, KSR Lernziele: - Lineare Gleichungen von Hand auflösen können. - Lineare Gleichungen mit Parametern
MehrBestimmung der Induktivität einer Spule durch Messung der Resonanzfrequenz in einem Parallelschwingkreis Versuchsprotokoll
Bestimmung der Induktivität einer Spule durch Messung der Resonanzfrequenz in einem Parallelschwingkreis Tobias Krähling email: Homepage: 22.04.2007 Version:
MehrKASPRO Field I/O modules: Remote analog I/O module with linear inputs, 0-10 VDC/4-20mA(Dip selectable) RS485, Modbus RTU, 24 VDC PWR
EZ-Preis Gewicht KASPRO Field I/O modules KAS-KA-FIOA-0800- L-B KASPRO Field I/O modules: Remote analog I/O module with linear inputs, 0-10 VDC/4-20mA(Dip selectable) RS485, Modbus RTU, 24 VDC PWR 199.0
MehrSprecher. Stephan Krauß Enterprise Portale E-Commerce. Dipl.-Phys. Johannes Knauf Business Analytics Data Science
Sprecher Stephan Krauß Enterprise Portale E-Commerce T +49 (0)911 25 25 68 0 F +49 (0)911 25 25 68 68 info@ancud.de http://www.ancud.de Dipl.-Phys. Johannes Knauf Business Analytics Data Science T +49
MehrObjektorientierte Programmierung
Objektorientierte Programmierung 1 Geschichte Dahl, Nygaard: Simula 67 (Algol 60 + Objektorientierung) Kay et al.: Smalltalk (erste rein-objektorientierte Sprache) Object Pascal, Objective C, C++ (wiederum
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrVorlesung. Informationsökonomik und die Theorie der Firma
Vorlesung Informationsökonomik und die Theorie der Firma Ulrich Schwalbe Universität Hohenheim 5. Vorlesung 28.11.2007 Ulrich Schwalbe (Universität Hohenheim) Informationsökonomik 5. Vorlesung 28.11.2007
Mehroptibelt Super X-POWER M=S Schmalkeilriemen flankenoffen, formgezahnt Moulded Cogged, Raw Edge Wedge Belts Profil Profile XPZ / 3VX
XPZ Profil Profile XPZ / 3VX Riemenbezeichnung USA Standard BM BQ = 25 Stück pieces 587 8,90 612 8,90 630 3VX 250 9,00 637 9,00 662 9,00 670 3VX 265 9,00 687 9,00 710 3VX 280 9,00 730 9,00 737 9,00 750
MehrCultureWaves weltweite kulturübergreifende Unterstützung
Unternehmensprofil CultureWaves weltweite kulturübergreifende Unterstützung Seit 1999 unterstützt CultureWaves Unternehmen in ihrer internationalen Zusammenarbeit sowie bei Veränderungs- und Internationalisierungsprozessen.
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrNetzwerksicherheit Musterlösung Übungsblatt 4: Viren
Institut für Informatik Alina Barendt und Philipp Hagemeister Netzwerksicherheit Musterlösung Übungsblatt 4: Viren 1 Vorbereitung msg db "Virus" mov ah, 40h mov bx, 1 mov cx, $5 mov dx, msg int 21h ; Write
MehrBaKRS - BRIC and Konsortium Rating Service. Entwicklung des Systems: Igelmann/Bernard Cornfeld Technische Umsetzung: skydevment und Tr0nYx
BaKRS - BRIC and Konsortium Rating Service Entwicklung des Systems: Igelmann/Bernard Cornfeld Technische Umsetzung: skydevment und Tr0nYx 1 Inhaltsverzeichnis 1 Bestandteile des Ratings 3 2 Anleihen 3
MehrRäumliches Data Mining
Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
MehrOne-class Support Vector Machines
One-class Support Vector Machines Seminar Wissensbasierte Systeme Dietrich Derksen 3. Januar 204 Motivation One-class Support Vector Machines: Detektion von Ausreißern (Systemfehlererkennung) Klassifikation
MehrEngineering Design via Surrogate Modelling Sampling Plans
Engineering Design via Surrogate Modelling Sampling Plans Lisa Weber Universität Trier 01.06.2011 L. Weber (Universität Trier) Surrogate Models - Seminar Numerik 11 01.06.2011 1 / 34 Inhaltsverzeichnis
MehrBevor lineare Gleichungen gelöst werden, ein paar wichtige Begriffe, die im Zusammenhang von linearen Gleichungen oft auftauchen.
R. Brinkmann http://brinkmann-du.de Seite 1 13.0.010 Lineare Gleichungen Werden zwei Terme durch ein Gleichheitszeichen miteinander verbunden, so entsteht eine Gleichung. Enthält die Gleichung die Variable
Mehr20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX. Evaluierung von H2O. Enterprise Data Management Beuth Hochschule für Technik
20.01.2015 Fabian Grimme und Tino Krüger 1 INDREX Evaluierung von H2O Enterprise Data Management Beuth Hochschule für Technik 20.01.2015 Fabian Grimme und Tino Krüger 2 INDREX im Überblick In-Database
MehrAufgaben zu Lineare Gleichungen mit einer Variablen. Einfache Gleichungen, Gleichungen mit Klammern und Binomen. a) x + 17 = 21.
Besuchen Sie auch die Seite http://www.matheaufgaben-loesen.de/ dort gibt es viele Aufgaben zu weiteren Themen und unter Hinweise den Weg zu den Lösungen. Aufgaben zu Lineare Gleichungen mit einer Variablen
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrHiOPC Hirschmann Netzmanagement. Anforderungsformular für eine Lizenz. Order form for a license
HiOPC Hirschmann Netzmanagement Anforderungsformular für eine Lizenz Order form for a license Anforderungsformular für eine Lizenz Vielen Dank für Ihr Interesse an HiOPC, dem SNMP/OPC Gateway von Hirschmann
MehrCommercial Banking Übung 1 Kreditscoring
Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse
Mehr