<?xml version="1.0" encoding="ISO-8859-1" standalone="yes" ?>
<document>
<title>Höhere Mathematik 1</title>
<cid>KI735</cid>
<sapsubmodule>P222-0053</sapsubmodule>
<bkey>kim</bkey>
<ctypes>
<hours>2</hours>
<type>V</type>
</ctypes>
<cp>3</cp>
<semester>1</semester>
<mandatory>ja</mandatory>
<language>Deutsch</language>
<exam>Klausur</exam>
<curriculum>
<curriculum_entry>
<cid>KI735</cid>
<branch>Kommunikationsinformatik</branch>
<semester>1</semester>
<mandatory_tag>Pflichtfach</mandatory_tag>
</curriculum_entry>
</curriculum>
<workload>
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 30 Veranstaltungsstunden (= 22.5 Zeitstunden). Der Gesamtaufwand des Moduls beträgt bei 3 Creditpoints 90 Stunden (30 Stunden/ECTS Punkt). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 67.5 Stunden zur Verfügung.
</workload>
<prerequisites>
</prerequisites>
<prerequisitesfor>
<prerequisitefor>
<pfcid>KI835</pfcid>
<pftitle>Höhere Mathematik 2</pftitle>
</prerequisitefor>
<prerequisitefor>
<pfcid>KI861</pfcid>
<pftitle>Data Mining</pftitle>
</prerequisitefor>
<prerequisitefor>
<pfcid>KI867</pfcid>
<pftitle>Methoden der statistischen Geheimhaltung</pftitle>
</prerequisitefor>
</prerequisitesfor>
<convenor>Prof. Dr. Barbara Grabowski</convenor>
<convenor-person-key>bg</convenor-person-key>
<lecturers>
<lecturer>Prof. Dr. Barbara Grabowski</lecturer>
<lecturer-person-key>bg</lecturer-person-key>
</lecturers>
<objectives>Die Studierenden kennen die Grundbegriffe der Wahrscheinlichkeitsrechnung und die Bedeutung dieser Disziplinen  für die Kommunikationsinformatik und sind dadurch in der Lage, einfachere stochastische Aufgaben der Optimierung in Netzen, der Codierung und der Simulation selbständig zu lösen.</objectives>
<content>1.Grundlagen der Wahrscheinlichkeitsrechnung, 
1.1 Kombinatorik und logische Grundlagen
1.2 Grundregeln für Wahrscheinlichkeiten
1.3 Bayes&quot;sche Wahrscheinlichkeiten, Bayes&quot;sche Netze

2.Diskrete und stetige Zufallsgrößen 
2.1 Verteilungsmodelle
2.2 Spezielle Verteilungen 

3.Verteilungen von Funktionen von Zufallsgrößen
3.1 Faltung
3.2 Erzeugendenfunktionen
3.3 Reproduktions- und Grenzwertsätze

4.Schätzen von Parametern und Prüfen von Verteilungen

5.Anwendungen
5.1 Kombinatorische Optimierung
5.2 Zufallszahlenerzeugung
5.3 Simulation 
5.4 Monte-Carlo-Methoden
5.5 Codierung
</content>
<media>Die Vorlesung findet zu 50% im PC-Labor AMSEL &quot;Angewandte Mathematik, Statistik und eLearning&quot; statt. Es werden hier computergestützte praktische Fallbeispiele mit ActiveMath:Statistik, R und AWESIM zu den vermittelten Methoden durchgeführt.
  
Weiterhin wird das eLearning-System ActiveMath-Statistik (AMSEL-PC-Labor 5306) eingesetzt. Die Studenten lösen Hausaufgaben und Übungsaufgaben mit diesem System.</media>
<literature>GRABOWSKI B., Stochastik  für Kommunikationsinformatiker, e-Learning-Buch in ACTIVEMATH. 
BRANDSTÄDT A., Graphen und Algorithmen, B.G.Teubner Stuttgart, 1994</literature>
<offered>
<semshort>WS 2016/17</semshort>
<semshort>WS 2015/16</semshort>
<semshort>WS 2014/15</semshort>
<semshort>WS 2013/14</semshort>
<semshort>WS 2012/13</semshort>
<semshort>WS 2011/12</semshort>
<semshort>WS 2010/11</semshort>
<semshort>WS 2009/10</semshort>
<semshort>WS 2008/09</semshort>
<semshort>WS 2007/08</semshort>
<semshort>WS 2006/07</semshort>
<semshort>WS 2005/06</semshort>
<semshort>WS 2004/05</semshort>
</offered>
<moduldb-query>Sun Mar 15 22:03:41 CET 2026, CKEY=hm1, BKEY=kim, CID=[?], LANGUAGE=de, DATE=15.03.2026</moduldb-query>
</document>
