Teil XIV. Lösung linearer Gleichungssysteme. Scientific Computing in Computer Science, Technische Universität München
|
|
- Timo Dittmar
- vor 6 Jahren
- Abrufe
Transkript
1 Tel XIV Lösung lnearer Glechungssysteme IN8008, Wntersemester 010/011 89
2 Gauss Algorthmus Zwe Schrtte: Vorwärtselmnaton und Rückwärtssubsttuton Vorwärtselmnaton Erzeugen ener Stufenform Zelen dürfen mt Konstanten multplzert werden Zelen dürfen addert werden werden a 11 a 1 a 13 a 1 a a 3 a 31 a 3 a 33 a 11 a 1 a 13 0 ã ã 3 0 ã 3 ã 33 a 11 0 a 1 ã a 13 ã ā 33 x 1 x x 3 x 1 x x 3 x 1 x x 3 = = = b 1 b b 3 b 1 b b 3 b 1 b b 3-1. Zele a1 a Zele a31 a Zele ã3 ã -. Zele ã3 ã IN8008, Wntersemester 010/011 90
3 Rückwärtssubsttuton LGS muss n Stufenform (obere Dreechsmatrx) vorlegen De unterste Glechung hat nur ene Varable Deren Wert kann drekt berechnet werden Zwetunterste Zele hat zwe Varablen, ene davon unbekannt... nte Zele von unten hat n Varablen, ene unbekannt x 3 = b 3 /ā 33 x = b ã 3 x 3 /ã x 1 = b 1 a 1 x a 13 x 3 /a 11 Zele n ener größeren Matrx: n x = (b a j x j )/a j=+1 IN8008, Wntersemester 010/011 91
4 Bespel x 3 = 1/ = 0.5 x 1 x x 3 x 1 x x 3 x 1 x x 3 = = = x = ( )/1 = x 1 = (1 3 ( 0.5) 1 0.5)/ = 1.0 IN8008, Wntersemester 010/011 9
5 Vorwärtselmnaton n python def elmnaton (a, b) n = a. shape [0] for n range (n): for j n range (+1,n): faktor = a[j,]/a[,] b[j] -= b[]* faktor for k n range (,n): a[j,k] -= a[,k]* faktor 1. Schlefe: Über alle Zelen/Dagonalelemente. Schlefe: Über alle Zelen unterhalb des Dagonalelements. Elemente unterhalb des Dagonalelements müssen Null werden 3. Schlefe: Über alle Elemente der Zele aus der. Schlefe Velfaches der Dagonalelementszele zur aktuellen Zele adderen faktor so gewählt, dass Element unterhalb des Dagonalelements zu Null wrd IN8008, Wntersemester 010/011 93
6 Rückwärtssubsttuton n python def substtuton (a, b): n = a. shape [0] x = empty (n) for n range (n -1, -1, -1): zaehler = b[ ] for j n range (+1,n): zaehler -= a[, j] * x[ j] x[ ] = zaehler / a[, ] return x 1. Schlefe: Zelen von unten nach oben durchlaufen. Schlefe: Bekannte Varablen auf de rechte Sete Zum Schluß telen durch den Koeffzenten des aktuellen x-werts Lösungsvektor x zurückgeben IN8008, Wntersemester 010/011 94
7 Lösung des vorgen Bespels >>> from lgs mport * # enthaelt bede funktonen # + numpy - mport >>> a = array ([[,3,1],[4,7,3],[,4,4]], dtype = float ) >>> b = array ([1,,], dtype = float ) >>> elmnaton (a, b); a; b array ([[., 3., 1.], [ 0., 1., 1.], [ 0., 0.,.]]) array ([ 1., 0., 1.]) >>> substtuton (a, b) array ([ 1., -0.5, 0.5]) IN8008, Wntersemester 010/011 95
8 Lösung der Wärmeletungsglechung 1D Stab mt neun Dskretserungspunkten Lnks behezt: T = 0, rechter Rand: T = 0 >>> def getwaermelgs1d (): >>> a = array ([[ -, 1, 0, 0, 0, 0, 0, 0, 0], >>> [ 1,-, 1, 0, 0, 0, 0, 0, 0],... >>> [ 0, 0, 0, 0, 0, 0, 0, 1, -]], >>> dtype = float ) >>> b = array ([ -1, 0, 0, 0, 0, 0, 0, 0, 0], >>> dtype = float ) >>> return (a,b) >>> >>> (a, b) = getwaermelgs1d () >>> loese (a,b) array ([0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0., 0.1]) IN8008, Wntersemester 010/011 96
9 Lösung der Wärmeletungsglechung D LGS aus der vorgen Vorlesung Dskretserung des Raums mt 3x3 Punkten Unten behezt: T = 1, restlcher Rand: T = 0 >>> def getwaermelgsd (): >>> a = array ([[ -4, 1, 0, 1, 0, 0, 0, 0, 0], >>> [ 1,-4, 1, 0, 1, 0, 0, 0, 0],... >>> [ 0, 0, 0, 0, 0, 1, 0, 1, -4]], >>> dtype = float ) >>> b = array ([ -1, -1, -1, 0, 0, 0, 0, 0, 0], >>> dtype = float ) >>> return (a, b) >>> >>> (a, b) = getwaermelgsd () >>> loese (a,b) array ([0.43, 0.53, 0.43, 0.19, 0.5, 0.19, 0.07, 0.10, 0.07]) IN8008, Wntersemester 010/011 97
10 Kosten des Gauss-Algorthmus Vorwärtselmnaton n se de Anzahl an Unbekannten Dre verschachtelte Schlefen Jewels O(n) Schlefendurchläufe Insgesamt Kosten von O(n 3 ) Rückwärtssubsttuton Zwe verschachtelte Schlefen (Je O(n)) Insgesamt Kosten von O(n ) Optmerung Matrx st dünn besetzt, vele der Operatonen unnötg 1D: Matrx trdagonal Bede nneren Schlefen nur über zwe Elemente Gesamtkosten O(n) D: Matrx hat zwe wetere Bänder mt Abstand n Inneren Schlefen über je n Elemente Gesamtkosten O(n n n) = O(n ) IN8008, Wntersemester 010/011 98
11 Iteratve Verfahren Motvaton O(n 3 ) st vel zu teuer. Optmert mmer noch O(n ) (D) bzw. O(n,33 ) (3D) Kosten be 3D-Smulaton: Mehrgtter Jacob Gauss opt. Gauss N Punkte p. Dm. n = N 3 N 5 n,33 = N 7 n 3 = N e5 1e7 1e e6 1e9 5e e8 8e11 e e6 1e10 1e14 1e18 Idee: Schrttwese Verbesserung ener Näherungslösung x x (k+1) = Φ(x (k) ) Be Konvergenz gbt es enen Fxpunkt Φ(x) = x En Schrtt des Verfahrens kostet O(n) Anzahl Schrtte möglchst klen, m Ideallfall O(1) IN8008, Wntersemester 010/011 99
12 Typen von Iteratonsverfahren Relaxatonsverfahren Ausgangspunkt LGS Ax = b Zel: Fehler e (k) = x (k) x mnmeren Fehler st leder ncht messbar, da x unbekannt Resduum r (k) = b Ax (k) = Ae (k) als Rchtung des Fehlers Neues x unter Verwendung des Resduums Z.B. be Jacob: Resduum lokal mmer auf Null setzen Mnmerungsverfahren Ausgang weder LGS Ax = b, A symmetrsch, postv defnt Lösung äquvalent zur Mnmerung von f (x) := 1 x T Ax b T x + c f (x) := 1 AT x + 1 Ax b = Ax b = r(x) Mnmum von f (Nullstelle von f ) st Lösung des LGS Jeder Iteratonsschrtt läuft enen Schrtt (z.b. stelster Absteg) auf das Mnmum zu IN8008, Wntersemester 010/
13 Jacob-Verfahren (aus PDE-Scht) Ist en Relaxatonsverfahren An jedem Punkt wrd wrd de PDE lokal erfüllt Neue Werte T (k+1) aus alten Werte T (k) berechnen 1D Wärmeletung statonär: Zwete Ablegung muß Null sen T +1 T + T 1 = 0 T = 1 (T +1 + T 1 ) T T (k+1) = 1 (k) (T +1 + T (k) +1 ) x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
14 Jacob-Verfahren (aus PDE-Scht) Ist en Relaxatonsverfahren An jedem Punkt wrd wrd de PDE lokal erfüllt Neue Werte T (k+1) aus alten Werte T (k) berechnen 1D Wärmeletung statonär: Zwete Ablegung muß Null sen T +1 T + T 1 = 0 T = 1 (T +1 + T 1 ) T T (k+1) = 1 (k) (T +1 + T (k) +1 ) x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/011 30
15 Jacob-Verfahren (aus PDE-Scht) Ist en Relaxatonsverfahren An jedem Punkt wrd wrd de PDE lokal erfüllt Neue Werte T (k+1) aus alten Werte T (k) berechnen 1D Wärmeletung statonär: Zwete Ablegung muß Null sen T +1 T + T 1 = 0 T = 1 (T +1 + T 1 ) T T (k+1) = 1 (k) (T +1 + T (k) +1 ) x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
16 Jacob-Verfahren (aus PDE-Scht) Ist en Relaxatonsverfahren An jedem Punkt wrd wrd de PDE lokal erfüllt Neue Werte T (k+1) aus alten Werte T (k) berechnen 1D Wärmeletung statonär: Zwete Ablegung muß Null sen T +1 T + T 1 = 0 T = 1 (T +1 + T 1 ) T T (k+1) = 1 (k) (T +1 + T (k) +1 ) x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
17 Jacob-Verfahren (aus PDE-Scht) Ist en Relaxatonsverfahren An jedem Punkt wrd wrd de PDE lokal erfüllt Neue Werte T (k+1) aus alten Werte T (k) berechnen 1D Wärmeletung statonär: Zwete Ablegung muß Null sen T +1 T + T 1 = 0 T = 1 (T +1 + T 1 ) T T (k+1) = 1 (k) (T +1 + T (k) 1 ) x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
18 Jacob-Verfahren (aus LGS-Scht) Matrx A auftelen Umformen A x = (M + N) x = b x = N 1 (b M x) Vorge Glechung als Iteratonsvorschrft x (k+1) = N 1 (b M x (k) ) = N 1 (b (A N) x (k) ) = N 1 (b A x (k) + N x (k) ) = N 1 (b A x (k) ) + x (k) = x (k) + N 1 r (k) N lecht nverterbar: Matrx der Dagonalelemente von A x (k+1) = x (k) 1 (k) ( (1 x 1 x (k) + 1 x (k) +1 )) = 1 (k) (x 1 + x (k) D: x (k+1),j = 1 (k) 4 (x 1,j + x (k) +1,j + x (k),j 1 + x (k),j+1 ) IN8008, Wntersemester 010/ )
19 Jacob-Verfahren ohne Aufstellung der Matrx De Matrx A hat O(n ) Elemente De mesten Elemente snd Null Verschwendung von Specher Entweder Matrx effzenter spechern, oder gar ncht aufstellen. Für jeden neuen x-wert snd nur jewels ver alte (D) nötg Koeffzent st dabe jewels ens De Matrx st also überhaupt ncht nötg. Randbehandlung De Iteratonsvorschrft x (k+1),j =... geht nur für nnere Punkte Am Rand fehlen Nachbarelemente, dafür muss b berückschtgt werden Andere Möglchket: Randpunkte n x aufnehmen und nur alle bshergen x-werte aktualseren Damt zusätzlch zur Matrx A auch noch b unnötg IN8008, Wntersemester 010/
20 Implementerung Maß für den Fehler Perfekt wäre en Fehler (damt auch Resduum) glech Null Dazu st ene sehr hohe Zahl an Iteratonen nötg So hohe Genaugket st mestens ncht erforderlch So lange tereren, bs Resduum unter ener Schranke st. n res = =0 (res ) /n Includes from numpy mport * mport matplotlb. pyplot as plt from math mport sqrt class Waermesmulaton :... IN8008, Wntersemester 010/
21 Implementerung Konstruktor Vorgabe von Gebetsbrete, -höhe und Zellbrete h Vorgabe der Temperatur an den ver Rändern Erstellung enes ntalen Arrays für de Temperatur Null für nnere Zellen, am Rand de gegebenen Werte def nt (self, lengthx, lengthy, h, leftt, \ rghtt, uppert, lowert ): self. zelen = nt ( lengthy /h) self. spalten = nt ( lengthx /h) self.t = zeros (( self. zelen +, self. spalten +)) for n range (1, self. zelen +1): self. T[, 0] = leftt self. T[, self. spalten +1] = rghtt for n range (1, self. spalten +1): self.t[0, ] = lowert self.t[ self. zelen +1, ] = uppert IN8008, Wntersemester 010/
22 Iteratonsschlefe Itereren bs Resduum klener als maxres Ncht drekt auf self.t arbeten, sondern auf ener Kope def jacob ( self, maxres ): res = maxres +1. whle res > maxres : tempt = copy ( self.t) res = 0 for n range (1, self. zelen +1): for j n range (1, self. spalten +1): res += ( tempt [ -1,j] + tempt [+1,j] \ + tempt [,j -1] + tempt [,j +1] \ - 4 * tempt [,j ])** self.t[,j] = 0.5*( tempt [ -1,j] \ + tempt [+1,j] \ + tempt [,j -1] \ + tempt [,j +1]) res = sqrt ( res /( self. zelen * self. spalten )) IN8008, Wntersemester 010/
23 Ergebns plotten def plot ( self ): prnt self. T plt. pcolormesh ( self.t) plt. show () Bespel >>> from waermesm mport * >>> lgs = Waermesmulaton (50., 30., 1., 0.6, 0., 1., 0.) >>> lgs. jacob (0.01) >>> lgs. plot () IN8008, Wntersemester 010/
24 Gauss-Sedel-Verfahren We Jacob, es werden aber alle neuen Werte glech verwendet Jacob 1D: T (k+1) = 1 (k) (T +1 + T (k) 1 ) Gauss-Sedel 1D: T (k+1) = 1 (k) (T +1 + T (k+1) 1 ) Achtung: Gauss-Sedel abhängg von Durchlaufrehenfolge LGS-Scht: N = D A + L A (Dagonale + unteres Dreeck) x (k+1) = x (k) + N 1 r (k) T x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/011 31
25 Gauss-Sedel-Verfahren We Jacob, es werden aber alle neuen Werte glech verwendet Jacob 1D: T (k+1) = 1 (k) (T +1 + T (k) 1 ) Gauss-Sedel 1D: T (k+1) = 1 (k) (T +1 + T (k+1) 1 ) Achtung: Gauss-Sedel abhängg von Durchlaufrehenfolge LGS-Scht: N = D A + L A (Dagonale + unteres Dreeck) x (k+1) = x (k) + N 1 r (k) T x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
26 Gauss-Sedel-Verfahren We Jacob, es werden aber alle neuen Werte glech verwendet Jacob 1D: T (k+1) = 1 (k) (T +1 + T (k) 1 ) Gauss-Sedel 1D: T (k+1) = 1 (k) (T +1 + T (k+1) 1 ) Achtung: Gauss-Sedel abhängg von Durchlaufrehenfolge LGS-Scht: N = D A + L A (Dagonale + unteres Dreeck) x (k+1) = x (k) + N 1 r (k) T x T 0 T 1 T T 3 T 4 T 5 T 6 T 7 IN8008, Wntersemester 010/
27 Implementerung Gauss-Sedel Untersched zu Jacob: drekt auf self.t arbeten Vortel: schneller und spechereffzenter def gausssedel ( self, maxres ): res = abs ( maxres )+1. whle abs ( res ) > abs ( maxres ): # tempt = copy ( self.t) res = 0 for n range (1, self. zelen +1): for j n range (1, self. spalten +1): res += ( self.t[ -1,j] + self.t[+1,j] \ + self.t[,j -1] + self.t[,j +1] \ - 4 * self.t[,j ])** self.t[,j] = 0.5*( self.t[ -1,j] \ + self.t[+1,j] \ + self.t[,j -1] \ + self.t[,j +1]) res = sqrt ( res /( self. zelen * self. spalten )) IN8008, Wntersemester 010/
5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
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
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,
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf
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
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 /
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
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
MehrÜbungen zu Algorithmen
Insttut für Informatk Unverstät Osnabrück, 06.12.2016 Prof. Dr. Olver Vornberger http://www-lehre.nf.uos.de/~anf Lukas Kalbertodt, B.Sc. Testat bs 14.12.2016, 14:00 Uhr Nls Haldenwang, M.Sc. Übungen zu
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
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
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
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
MehrProf. Dr. Margarita Esponda
Algorthmen und Programmeren II Sorteralgorthmen mperatv Tel II Prof. Dr. Margarta Esponda Free Unverstät Berln Tele und Herrsche "Dvde und Conquer" Vele Probleme lassen sch ncht mt trvalen Schlefen lösen
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
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
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
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
MehrLineare Gleichungen treten sehr oft in den Naturwissenschaften auf, siehe auch Kap. Interpolation. Die Schreibweise für n Gleichungen lautet.
Kaptel 6 Lneare Glechungen 6.1 Grundlagen Lneare Glechungen treten sehr oft n den Naturwssenschaften auf, sehe auch Kap. Interpolaton. De Schrebwese für n Glechungen lautet. a 11 + a 12... a 1n = b 1 a
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
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
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
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,.
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
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
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:
Mehr3.6 Molekulare Dynamik
3.6 Molekulare Dynamk In den letzten 5 Jahrzehnten wurden drekte numersche Smulatonen zur statstschen Auswertung von Veltelchensystemen mmer wchtger. So lassen sch Phasenübergänge, aber auch makroskopsche
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
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
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
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
Mehr1 - Prüfungsvorbereitungsseminar
1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten
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.
MehrAn welche Stichwörter von der letzten Vorlesung können Sie sich noch erinnern?
An welche Stchwörter von der letzten Vorlesung können Se sch noch ernnern? Gasgesetz ür deale Gase pv = nr Gelestete Arbet be sotherme Ausdehnung adabatsche Ausdehnung 2 n Reale Gase p + a 2 ( V nb) =
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrFinite Differenzen Methode
Fnte Dfferenzen Methode Blockkursunterlagen * 28. November 2011 *Technsche Unverstät Berln, Fachberech Mathematk, Projektgruppe Praktsche Mathematk Inhaltsverzechns 1 Enletung 3 1.1 Motvaton......................................
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
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
MehrEinführung in Origin 8 Pro
Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten
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
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
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
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
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
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
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
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
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
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
MehrBoost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
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
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
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)
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
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
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
Mehrc) schwierige freiwillige Zusatzaufgabe (ohne Bonuspunkte): Leiten Sie die allgemeinen iterativen Formeln für S, D, D R und V her.
Rechnerarchtetur Lösungsvorschlag. Bonusübung oerseester Fachgebet Rechnerarchtetur Prof. R. Hoffann Patrc Edger. Aufgabe: Maße für Barrel-hfter 7 + 7 Punte Gegeben st en Barrel hfter t n= Prozessoren
MehrAllgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken
FernUnverstät n Hagen Lehrstuhl für Betrebswrtschaftslehre, nsb. Operatons Research Prof. Dr. Wlhelm Rödder Allgemene Betrebswrtschaftslehre Planungs- und Entschedungstechnken Sandra Rudolph, Dr. Fredhelm
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:
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
MehrKapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
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
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
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
MehrVorlesung Programmieren II
Hashng Vorlesung Prograeren II Mchael Bergau Fortsetzung der Stoffenhet Hashng Hashng 2 Was st Hashng? Hashng st ene Methode zur dynaschen Verwaltung von Daten, wobe de Daten durch enen Schlüssel (key)
MehrGrundlagen der Technischen Informatik. 9. Übung
Grundlagen der Technschen Informatk 9. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 9. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
MehrDatenträger löschen und einrichten
Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
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
MehrSortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator
Unverstät Bremen Sorteren Thomas Röfer Permutatonen Naves Sorteren Sorteren durch Enfügen, Auswählen, Vertauschen, Mschen QuckSort Comparator Unverstät Bremen Rückblck Suchen Identtät/Flache/Tefe Glechhet
MehrProjektmanagement / Netzplantechnik Sommersemester 2005 Seite 1
Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
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
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;
MehrBemerkungen zum LCG Rupert Hartung,
mt Bemerkungen zum LCG Rupert Hartung, 24.6.2005 Wr betrachten den Lnear Congruental Generator (LCG) X 0, X 1,..., X,... X +1 = ax + c mod N (1) zur Erzeugung von Pseudozufallszahlen mäÿger Qualtät. De
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
MehrChair of Software Engineering
1 2 Enführung n de Programmerung Bertrand Meyer Vorlesung 13: Contaner-Datenstrukturen Letzte Bearbetung 1. Dezember 2003 Themen für dese Vorlesung 3 Contaner-Datenstrukturen 4 Contaner und Genercty Enthalten
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem
1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.
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
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
Mehr