Statistische Methoden der Datenanalyse. Übung XIII
|
|
- Reinhold Franke
- vor 5 Jahren
- Abrufe
Transkript
1 Albert-Ludwgs-Unverstät Freburg Wntersemester 2012/2013 Statstsche Methoden der Datenanalyse Marus Schumacher, Stan La, Floran Kss Übung XIII , Anwesenhetsaufgaben Aufgabe 67 Profle Lelhood für de Entdecung enes neuen Telchens Betrachtet wrd folgendes Szenaro: Ene Theore sagt de Exstenz enes neuen Telchens mt ener Masse von 8 GeV vorher, welches m Experment als ene resonante Überhöhung über enem exponentell vertelten Untergrund (τ = 10 GeV) beobachtet werden önnte. De Wahrschenlchetsdchtefunton für den Untergrund se also ene Exponentalvertelung, und de für das Sgnal ene Gaussfunton mt Mttelwert 8 GeV und Standardabwechung 0. 5 GeV, da wr weterhn annehmen, dass de durch de Detetorauflösung beobachtete Brete der Resonanz sofern se exstert 0. 5 GeV betrage. Des Weteren sagt unsere bsherge Standardtheore ene Gesamtanzahl von Untergrunderegnssen von N UG = voraus, sowe unsere neue Theore N Sg = 175 Sgnaleregnsse. Im Folgenden soll mttels der Profle-Lelhood-Methode, de n der Vorlesung und der letzten Hausaufgabe besprochen wurde, de Senstvtät des Experments auf ene eventuelle Entdecung untersucht werden. De Profle-Lelhood st defnert über das Verhältns λ = L( x H 0) L( x H 1 ), wobe x de beobachteten Daten, L de unter der betreffenden Hypothese maxmerte Lelhoodfunton, H 0 de nur-untergrund Hypothese und H 1 de Sgnal und Untergund Hypothese snd. Zumest wrd dann de Größe q = 2 ln λ betrachtet. Für en Experment mt nur-untergrund sollte q( x UG ) vertelt sen we ene χ 2 -Vertelung mt enem Frehetsgrad. Im Folgenden soll de Monte-Carlo-Methode benutzt werden, um Pseudoexpermente enersets nur mt Untergrund, als auch mt Sgnal- und Untergrund durchzuführen. Mttels deser Pseudoexpermente önnen dann de Vertelungen von q( x UG ) q 0 und von q( x Sg.+UG ) q 1 erzeugt werden, um festzustellen, we senstv das Experment auf das vorhergesagte neue Telchen st. Zur Durchführung der Pseudoexpermente sollen mt float data = Fun.GetRandom(); Zufallszahlen erzeugt werden, de nach der Untergrund- bzw. Sgnal-WDF vertelt snd. De m jewelgen Pseudoexperment zu genererende Anzahl von Untergrund- bzw. Sgnaleregnssen bestmmen Se nach der Possonvertelung mttels myrandom.posson(nbg);. Achten Se jewels darauf, dass jewels sowohl en Pseudoexperment mt nur Untergrund und enes mt Sgnal und Untergrund gemacht wrd. Im Weteren sollen dre verschedene Suchstrategen nach desem neuen Telchen besprochen werden. Im Maro /home/sla/statstcscourse/ps12/aufgabe64_anfang.c befndet sch en Bespelmaro, n dem enge der (auch später) benötgten Funtonen und Hstogramme schon vordefnert snd. De Bnbreten und Vorgabewerte snd her berets aufenander angepasst, so dass später Zet gespart werden ann.
2 () Als en erster Ansatz soll en renes Zählexperment n enem sogenannten Massenfenster gemacht werden, d.h. man zählt nur de Anzahl der Eregnsse n enem bestmmten Massengebet. Im folgenden soll deses Massengebet de 2σ-Umgebung um de Poston des Sgnals sen, also das Intervall zwschen 7 und 9 GeV. Weterhn wollen wr unserer bshergen Theore n Bezug auf de Untergrundvorhersage absolut vertrauen, de erwartete Anzahl B von Untergrunderegnssen m Massenfenster st also gegeben durch das Integral über de Untergrund-WDF multplzert mt der mttleren Gesamtanzahl von Untergrunderegnssen. Wenn man n der so defnerten Sgnalregon x Eregnsse beobachtet, ergbt sch nach ener enfachen Rechnung der q-wert zu: Gehen Se nun we folgt vor: q = 2x ln B + 2B + 2x ln x 2x. a) Bestmmen Se de Anzahl B der erwarteteten Untergrunderegnsse m Massenfenster mttels FunUG.Integral(Double_t low, Double_t hgh) und der beannten erwarteten Gesamtanzahl nbg. b) Führen Se Pseudoexpermente nur mt Untergrund durch. Ermtteln Se de Anzahl der zu nehmenden Messwerte n jedem Zufallsexperment mttels nt nbg_desesexperment=myrandom.posson(nbg);. Würfeln Se dann entsprechend nbg_desesexperment-mal zufällg enen Wert gemäß FunUG und zählen de Anzahl von Eregnssen m Massenfenster. Wenn das Zufallsexperment vollständg erfolgt st (also de Schlefe über de nbg_desesexperment Zufallszahlen beendet st), berechnen Se für jedes Experment den q-wert, m folgenden q 0 genannt. Füllen Se desen n en Hstogramm. Im Bespelmaro st enes vorgegeben (qvalue_bgonly). c) Führen Se das selbe für Pseudoexpermente mt Sgnal- und Untergrund durch. Se önnen her de glechen Untergrunderegnsse we vorher verwenden und nur Sgnaleregnsse hnzufügen. Ermtteln Se de Anzahl an Sgnaleregnssen mttels nt nsg_desesexperment=myrandom.posson(nsg);. Würfeln Se dann entsprechend nsg_desesexperment-mal zufällg enen Wert gemäß FunSg und zählen de Anzahl von Eregnssen m Massenfenster. Beachten Se, dass zur Ermttlung der q-werte nun de Summe von Sgnal- und Untergrunderegnssen benötgt wrd, da de Hypothese H 1 smulert wrd. Ermtteln Se de erhaltenen q-werte (q 1 ) und füllen Se se n en weteres Hstogramm (ebenfalls vorgegeben: qvalue_sgplusbg). d) Stellen Se de Vertelungen von q 0 bzw. q 1 graphsch dar, nachdem Se Zufallsexpermente durchgeführt haben. e) Verfzeren Se, dass es sch be der Vertelung von q 0 um ene χ 2 -Vertelung mt enem Frehetsgrad handelt. In /home/sla/statstcscourse/ps12/ch2snppet.c befndet sch ene defnerte Funton, nebst geegneten Startwerten für ene Anpassung. Se önnen auch de Normerung und de Anzahl der Frehetsgrade fxeren (FxParameter statt SetParameter) und dese Kurve zum Verglech n ener anderen Farbe (z.b. SetLneColor(Red)) mt enzechnen. Um de Vertelung besser sehen zu önnen, önnen Se mttels gpad.setlogy(); ene halblogarthmsche Darstellung wählen. f) Berechnen Se den Medan der Vertelung von q 1. Des önnen Se z.b. we folgt machen: double xq[1]; // poston where to compute the quantles n [0,1] double yq[1]; // array to contan the quantles xq[0]=0.5; qvalue_sgplusbg.getquantles(1,yq,xq); float medan=yq[0]; g) We groß wäre also für Expermente mt Sgnal- und Untergrund m Medan der q-wert? Warum önnte man n desem Fall den p-wert für de Hypothese H 0 (nur Untergrund) ncht so enfach mt solchen Pseudoexpermenten ermtteln? () Als nächstes wollen wr von der Annahme, dass wr den Untergrund m Massenfenster exat ennen, was ncht besonders realstsch st, abrücen, und stattdessen annehmen, dass wr nur de Form des Untergrundes perfet ennen. Man defnert sch dann bespelswese en Setenband über de Forderung, mehr als 4σ von der Sgnalposton entfernt zu sen. Das Verhältns τ zwschen Setenband- und Sgnalregon st dann gegeben durch das Verhältns der Integrale der Untergrund- WDF n desen beden Gebeten. Deses Setenband wrd dann zur Messung des Untergrundes n
3 den Daten verwendet. Wenn dann n der Sgnalregon x und m Setenband y Eregnsse gesehen werden, ergbt sch der q-wert zu: ( ) x + y 2(x ln(x) + y ln(y) (x + y) ln y ln(τ)). 1 + τ a) Bestmmen Se τ für den Fall der beschrebenen Sgnal- und Setenbandregon. b) Führen Se weder Pseudoexpermentze mt nur Untergrund sowe Sgnal- und Untergrund durch und füllen Se q 0 bzw. q 1 n en Hstogramm. c) Verfzeren Se weder das Verhalten von q 0 sowe den Medan der q 1 -Vertelung. Was fällt Ihnen auf? () Wr haben also gesehen, dass es de Profle-Lelhood ermöglcht, sehr enfach p-werte auszurechnen, da der Satz von Wles für de Nullhypothese de Vorhersage macht, dass de q-werte nach χ 2 vertelt sen sollen. Da für Entdecungen m allgemenen p-werte n der Größenordnung von 10 7 (entsprechend q-werten um 25) betrachtet werden, wäre ene MC-Smulaton deser Vertelung sehr zetaufwändg. We vele Pseudoexpermente müßte man bespelswese durchführen, wenn man be enem erwarteten q von 25 den p-wert auf 10% genau bestmmen wollte? Aufgabe 68 Fsher-Dsrmnante Im Folgenden soll de sogenannte Fsher-Dsrmnante zur Trennung zwschen zwe Eregnslassen benutzt werden. Dabe werden.a. n trennende Varablen x 1,... x n benutzt. De Fsher-Dsrmnante st dann gegeben durch t = n a x 1 2 =1 n =1 a ( x (1) + x (2) ), (1) wobe x (1,2) de Mttelwerte der Observablen der Klasse 1 bzw. 2 snd. De a ergeben sch aus den Kovaranzmatrzen der Klasse j V (j) m = 1 (x (j) m x (1) m )(x (j) N x (1) ), (2) wobe über enen Tranngsdatensatz der Größe N summert wrd, zu: a = N (V 1 ) ( x (1) x (2) ) mt: V m = 1 2 ( V (1) m + V (2) m Im Folgenden wollen wr de folgende Stuaton betrachten: Ene Sgnallasse C S und ene Untergrundlasse C B sollen durch ene Fsher-Dsrmnante n den Varablen (x 1,x 2 ) optmal getrennt werden. De Sgnaleregnsse sollen gemäß ener zwedmensonalen Gaussvertelung mt Mttelwerten (0. 7,0. 35) und σ = 0. 15, und de Untergrunderegnsse ebenfalls nach ener zwedmensonalen Gaußvertelung mt glechem σ und Mttelwerten (0. 4,0. 75) vertelt sen. Das Maro /home/sla/statstcscourse/ps13/aufgabe68_anfang.c enthält berets de Konstruton der Fsher-Dsrmnanten gemäß obger Vorschrft und nach den beschrebenen Wahrschenlchetsdchtefuntonen. Se snd gerne engeladen, sch von der Rchtget deses Maros zu überzeugen. Erwetern Se deses Maro, um folgende Aufgaben durchzuführen. () Erzeugen Se nochmals Sgnal- und Untergrunderegnsse, z.b. für Sgnaleregnsse mttels: x[0]=rnd.gaus(sgnalmeanx,sgnalsgmax); x[1]=rnd.gaus(sgnalmeany,sgnalsgmay); Ermtteln Se für jedes erzeugte Wertepaar den Wert der Fsher-Dsrmnante und tragen hn n Hstogramme für Sgnal- und Untergrund en. Benutzen Se für Sgnal- und Untergrund dasselbe Bnnng. Stellen Se de Hstogramme für Sgnal- und Untergrunderegnsse n verschedenen Farben überenandergelegt dar. De Lnenfarbe des Hstogramms önnen Se bespelswese mt TH1::SetLneColor(Red) ändern. () Zur Separaton zwschen Sgnal- und Untergrund ann man also Schntte der Form t > t cut anwenden. Fahren Se enen solchen Schntt durch und ermtteln Se für jeden Schnttwert t cut de Effzenz ɛ und de Renhet π, de defnert snd durch ɛ = N S(t > t cut ) N S π = ). N S (t > t cut ) N S (t > t cut ) + N B (t > t cut ). (3)
4 Das Durchfahren des Schnttes ann über de berets erstellten Hstogramme der Fsherdsrmnanten für Sgnal- und Untergrund erfolgen. Schreben Se dazu enfach ene Schlefe über de Hstogrammbns, ermtteln mttels hst.integral(,nbns+1) de Anzahl an Sgnal- bzw. Untergrunderegnssen de oberhalb des gerade atuell betrachteten Bns legen. Des entsprcht genau der Anwendung enes Schnttes mt dem Schnttwert bem unteren Rand des Hstogrammbns. Stellen Se enen passenden TGraph beret, n den Se de ermttelten Werte für Effzenz und Renhet als Wertepaare engeben. Stellen Se damt de Renhet n Abhängget von der Effzenz graphsch dar. Beachten Se, dass Se den Fall von 0 Sgnal- und 0 Untergrunderegnssen nach dem Schntt auf t abfangen müssen, da es sonst bem Ausrechnen der Renhet zu ener Dvson durch Null ommt. () Erstellen Se enen Scatterplot der Meßgrößen x 1 und x 2 für Sgnal- und Untergrunderegnsse. Benutzen Se dazu zwe wetere TGraph-Objete. Se önnen de Farbe der Punte mttels graph.setmarercolor(red); verändern um Sgnal- und Untergrund unterscheden zu önnen. (v) Zechnen Se n desen Graphen Lnen mt onstantem t en. Benutzen Se dazu ene Funton vom Typ TF1. Überlegen Se sch, we dese Funton aussehen muss. Betrachten Se dazu, we de Fsherdsrmnante berechnet wrd. Schreben Se sch dese auf, setzen Se se auf enen belebgen Wert t cut und lösen nach y auf. De übrgblebenden Parameter snd als Parameter der TF1-Funton zu benutzen und entsprechend mt SetParameter zu setzen. De Lnenfarbe der Funton önnen Se mttels fun.setlnecolor(green) verändern. (v) Sollte noch Zet bleben: Führen Se de obgen Aufgaben auch durch, wenn Se nur n ener Varablen, z.b. x 1 schneden. Verglechen Se de Effzenz-Renhetsurve mt derjengen der Fsher- Dsrmnanten.
5 Hausaufgaben Aufgabe 69 Fsherdsrmante und Lelhoodverhältns 0 Punte Betrachten Se enen Satz von Observablen x, de unter den Hypothesen H 0 und H 1 durch zwe multdmensonale Gaussvertelungen mt dentschen Kovaranzmatrzen V 0 = V 1 = V als Wahrschenluchetsdchtefuntonen beschreben werden sollen. De WDFs unter den verschedenen Hypothesen lauten also: f( x H ) = [ 1 (2π) n/2 exp 1 ] V 1/2 2 ( x µ ) T V 1 ( x µ ) () Zegen Se, dass das Lelhoodverhältns gegeben st durch wobe t de Fsherdsrmnante r = f( x H 0) f( x H 1 ) = exp(t), t( x) = a 0 + ( µ 0 µ 1 ) T V 1 x {0,1}. mt enem belebgen Schwellenwert a 0 st. Dementsprechend st ene Optmerung des Lelhoodverhältnsses äquvalent zu ener Optmerung der Fsherdsrmnante. () Benutzen Se das Bayes-Theorem mt A-Prorwahrschenlcheten π 0 und π 1 für H 0 und H 1, um zu zegen, dass de bedngte Wahrschenlchet für H 0 be gegebenen Daten x gegeben st durch P (H 0 x) = exp( t) = s(t) wobe de s(t) de logstsche Funton st. Betrachten Se dazu ene neue Defnton des Schwellenwertes von der Form a 0 = a 0 + log π 0 π 1.
Arbeitsgruppe 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
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
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
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
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
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
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
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
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
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
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)
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.
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
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.
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
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
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
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
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
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
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
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
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
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
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
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
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober
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
MehrEntfaltungs-Methoden in der Datenanalyse. Matthias Bartelt Universität Dortmund
Entfaltungs-Methoden n der Datenanalyse Matthas Bartelt Unverstät Dortmund bartelt@physk.un-dortmund.de Matthas Bartelt Astrotelchenphysk-Schule Erlangen 2005 1 Überscht Motvaton Mathematsches Problem
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
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
MehrSicherheit von Π MAC2
Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer
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
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
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
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
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
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
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
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)
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
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
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
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
MehrCourse Dec 15, Statistische Mechanik plus. Course Hartmut Ruhl, LMU, Munich. People involved. Rationale
Dec 15, 2016 ASC, room A 238, phone 089-21804210, emal hartmut.ruhl@lmu.de Patrc Böhl, ASC, room A205, phone 089-21804640, emal patrc.boehl@phys.un-muenchen.de. Dsusson der Besetzungszahldarstellungen
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
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
MehrOptimierung 4.3 A2 : Warenhauszentrale a 2 +b 2 =c 2 Materialbörse Mathematik
Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende Taste! [ ] A - Drücken Se erst de Taste [ALPHA] und dann
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
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;
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
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
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13
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
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrVersuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose)
Chrstan Wdlng, Georg Deres Versuch Nr. 6 Chemsche Knet Atverungsenerge (Inverson von Saccharose) Zel des Versuchs: Das Zel des Versuches st de Bestmmung der Atverungsenerge der Reaton von Saccharose (S)
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
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrAufgabe 1: Portfolio Selection
Aufgabe 1: Portfolo Selecton 2 1 2 En Investor mt ener Präferenzfunkton der Form (, ) a verfügt über en 2 Anfangsvermögen n Höhe von 100 Slbermünzen. Am Markt werden de folgenden dre Wertpapere gehandelt,
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
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
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
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
MehrProtokoll zum Grundversuch Mechanik
Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel
MehrVermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
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.
Mehr1.11 Beispielaufgaben
. Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
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
MehrTheoretische Physik II Elektrodynamik Blatt 2
PDDr.S.Mertens M. Hummel Theoretsche Physk II Elektrodynamk Blatt 2 SS 29 8.4.29 1. Rechnen mt Nabla. Zegen Se durch Auswertung n kartesschen Koordnaten de folgende Relaton und werten Se de anderen Relatonen
MehrProtokoll zu Versuch C1-Mischungsvolumina
Protokoll zu Prnz: De sezfschen Mschungsvolumna ener Lösung werden durch auswegen fester Flüssgketsvolumna bekannter Lösungszusammensetzungen mt Hlfe von Pyknometern bestmmt. Theoretsche Grundlagen: Um
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
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
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 /
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
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
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
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrDas Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
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
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
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,.
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
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
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;
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
MehrAlgorithmen und ihre Programmierung -Teil 3-
Veranstaltung Pr.-Nr.: Algorthmen und hre Programmerung -Tel - Veronka Waue WS / Veronka Waue: Grundstudum Wrtschaftsnformatk WS/ Übung Ersetzen Se n folgendem Bespel de For schlefe durch ene WhleWend-Schlefe
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrTeil IV: Drei Musterklausuren
Tel IV: Dre Musterklausuren Hauptklausur SS 97 Aufgabe : 5 Schwmmer verschedenen Alters erbrachten n Wettkämpfen über 50 m Brustschwmmen de folgenden Zeten: Alter Zeten n sec. 8 37.00 40.00 4.00 30 39.00
Mehr