Improved indices. Added optional parameter for index to *term* macros.

likelihood/lecture/likelihood.tex

@@ -195,7 +195,7 @@ die Steigung $m$ und der y-Achsenabschnitt $b$ einer Geradengleichung
 \[ y = m \cdot x +b \]
 oder allgemeiner die Koeffizienten $a_k$ eines Polynoms
 \[ y = \sum_{k=0}^N a_k x^k = a_o + a_1x + a_2x^2 + a_3x^4 + \ldots \]
-\matlabfun{polyfit}.
+\matlabfun{polyfit()}.
 
 Parameter, die nichtlinear in einer Funktion enthalten sind, k\"onnen
 im Gegensatz dazu nicht analytisch aus den Daten berechnet
@@ -203,7 +203,7 @@ werden. z.B. die Rate $\lambda$ eines exponentiellen Zerfalls
 \[ y = c \cdot e^{\lambda x} \quad , \quad c, \lambda \in \reZ \; . \]
  F\"ur diesen Fall bleibt dann nur auf numerische Verfahren zur
 Optimierung der Kostenfunktion, wie z.B. der Gradientenabstieg,
-zur\"uckzugreifen \matlabfun{lsqcurvefit}.
+zur\"uckzugreifen \matlabfun{lsqcurvefit()}.
 
 
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
@@ -243,7 +243,7 @@ Maximum Likelihood! Wir suchen einfach die Parameter $\theta$ der
 gesuchten Wahrscheinlichkeitsdichtefunktion bei der die Log-Likelihood
 \eqnref{loglikelihood} maximal wird. Das ist im allgemeinen ein
 nichtlinieares Optimierungsproblem, das mit numerischen Verfahren, wie
-z.B. dem Gradientenabstieg, gel\"ost wird \matlabfun{mle}.
+z.B. dem Gradientenabstieg, gel\"ost wird \matlabfun{mle()}.
 
 \begin{exercise}{mlegammafit.m}{mlegammafit.out}
   Erzeuge Gammaverteilte Zufallszahlen und benutze Maximum-Likelihood,