Expanded bootstrap chapter and improved latex header

likelihood/code/mlegammafit.out

@@ -0,0 +1,3 @@
+>> mlegammafit
+shape=2.10
+scale=0.95

likelihood/code/mlemean.out

@@ -0,0 +1,5 @@
+>> mlemean
+standard deviation of the data is 1.93
+              mean of the data is 2.98
+      maximum of likelihood is at 2.98
+  maximum of log-likelihood is at 2.98

likelihood/lecture/likelihood.tex

@@ -105,7 +105,7 @@ x$ der Daten. D.h. das arithmetische Mittel maximiert die
 Wahrscheinlichkeit, dass die Daten aus einer Normalverteilung mit
 diesem Mittelwert gezogen worden sind (\figref{mlemeanfig}).
 
-\begin{exercise}[mlemean.m]
+\begin{exercise}{mlemean.m}{mlemean.out}
   Ziehe $n=50$ normalverteilte Zufallsvariablen mit einem Mittelwert $\ne 0$
   und einer Standardabweichung $\ne 1$.
 
@@ -244,7 +244,7 @@ gesuchten Wahrscheinlichkeitsdichtefunktion bei der die Log-Likelihood
 nichtlinieares Optimierungsproblem, das mit numerischen Verfahren, wie
 z.B. dem Gradientenabstieg, gel\"ost wird \matlabfun{mle}.
 
-\begin{exercise}[mlegammafit.m]
+\begin{exercise}{mlegammafit.m}{mlegammafit.out}
   Erzeuge Gammaverteilte Zufallszahlen und benutze Maximum-Likelihood,
   um die Parameter der Gammafunktion aus den Daten zu bestimmen.
   \newpage

likelihood/lecture/mlecoding.py

@@ -94,7 +94,7 @@ ax.annotate('',
             xytext=(maxp, -30), textcoords='data',
             arrowprops=dict(arrowstyle="->", relpos=(0.5,0.5),
             connectionstyle="angle3,angleA=80,angleB=90") )
-ax.text(maxp+0.05, -1300, 'most\nlikely\norientation')
+ax.text(maxp+0.05, -1100, 'most likely\norientation\ngiven the responses')
 ax.plot(phases, loglikelihood, '-b')
 
 plt.savefig('mlecoding.pdf')