1. Vorbereitungen. - 1. 1 Einleitung. - 1. 2 In dieser Arbeit verwendete Notation. - 2. Das lineare Modell. - 2. 1 Das Gaußsche lineare Modell. - 2. 2 Angeben eines beliebigen Modells. - 2. 3 Effektives Gleichgewicht. - 2. 4 Das verallgemeinerte lineare Modell. - 3. Der Algorithmus für konjugierte Gradienten. - 3. 1 Konzepte zur Minimierung. - 3. 2 Der grundlegende Algorithmus. - 3. 3 Überlegungen zur Konvergenz. - 3. 4 Der Fall des nicht vollen Ranges. - 3. 5 Rechentechnische Details. - 3. 6 Vorkonditionierung. - 4. Anwendungen: Der Fall ohne vollen Rang. - 4. 1 Eine direkte Summenzerlegung. - 4. 2 Aufzählung der Eigenwerte. - 4. 3 vollständige faktorielle Versuchspläne. - 4. 4 weitere Designs. - 4. 5 Vorkonditionierung. - 5. Anwendungen: Der Full Rank Case. - 5. 1 Eine Parametrisierung mit vollständigem Rang. - 5. 2 Hierarchische Modelle. - 5. 3 Eigenwerte für vollständige faktorielle Versuchspläne. - 5. 4 weitere Designs. - 5. 5 Vorkonditionierung. - 6. Beispiele: Gaußsche lineare Modelle. - 6. 1 Details zur Implementierung. - 6. 2 Der allgemeine 3-Wege-Fall. - 6. 3 Ein blockiertes 23 Experiment. - 6. 4 Ein fraktioniertes 34-Experiment. - 6. 5 Ein quasi lateinisches Quadrat Beispiel. - 6. 6 Ein Beispiel für einen ausgeglichenen unvollständigen Block. - 7. Beispiele: Generalisierte lineare Modelle. - 7. 1 Details zur Implementierung. - 7. 2 Ein 3x24 loglineares Modell. - 7. 3 22 Loglineares Modell auf einem lateinischen Quadrat. - 7. 4 Ein 3x22 Binomial Beispiel. - 7. 5 Ein kombiniertes loglineares und binomiales Beispiel. - 8. Schlusswort. -Referenzen. -Anhänge. - A. Algorithmen. -Ein. I Hestenes-Stiefel-Algorithmus. - A. 2 Beale-Algorithmus. - A. 3 Vorkonditionierter Hestenes-Stiefel-Algorithmus. - A. 4 Hemmerles Algorithmus mit Liniensuche;. - A. 5 Hestenes-Stiefel-Algorithmus mit Hemmerle-Präkonditionierung. - A. 6 Eigenwerte Parametrisierung ohne vollen Rang. - A. 7 Eigenwerte Parametrisierung mit vollem Rang. - B. GLIM-Ausgang. Sprache: Englisch