Stochastische Bildmodelle und deren Anwendung
|
|
- Kornelius Amsel
- vor 5 Jahren
- Abrufe
Transkript
1 Abtelug Stochastk --Uverstät Ulm Ulm Semar: Bayessche Asätze der der Bldaalyse Stochastsche Bldmodelle ud dere Awedug Sad Bakadr 22.Ma 2006 Sad Bakadr - Uverstät Ulm -
2 Ihalt Eletug Bespele vo Bldmodelle Smulatoe für das Isg-Modell Schätzug der Blder Schätzug der Parameter Graustufeblder 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 2
3 Eletug Wr betrachte Blder als zufällge Markov Felder. De Äquvalez vo zufällge Markov Felder ud Gbbs Markov Felder lefert: Wobe: = π ( ) = ep(- V c()) Z S: Idemege (z.b alle Pel ees Bldes), N: Nachbarschaftssystem auf S. C:Elemet N (alle Nachbar eer Stelle). V c : Potetalfukto c N ( ) S e zufällges Markov Feld, oder e Bld L:Telmege (Phaseraum), L Z ep(- V ()) = c N c 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 3
4 Bespele Isg-Modell : für Blder mt ur zwe Farbe L={0,} β e postver Parameter. Potts -Modell: π ( ) = ep( β I ) = j Z( β ) für Blder mt mehrere Farbe L={0,,...,M} De A-Pror-Vertelug vo hat de gleche Form we bem Isg-Modell ~j 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 4
5 Auto-bomales Modell C det dazu, de Tetur zu beschrebe L={0,,...,M} { V() = l β M ( ) α falls C= {},j ( ) ( M ) N j { } falls C=,j de bedgte Vertelug vo st bomal mt Parameter M ud q, d.h π = M- q (-q) wobe: ep( α + β ),j j j N q= ep( + ) + α β,j j j N 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 5
6 Verrauschte Blder Im Allgemee wrd das Bld cht geau aufgeomme Es werde Date y astatt beobachtet. Bayes-Asatz hlft be der Kostrukto der A-Posteror-Vertelug π( y). y=φ(), wobe φ ee Fukto st. Se lefert Iformatoe über das Rausche Aahme: π (y ) =π(y ) π(y )... π(y ) 2 2 wobe = (,,..., ) ud y=(y,y,...,y ) Ma 2006 Sad Bakadr - Uverstät Ulm - 6
7 Bespele Gaußsches addtves Rausche y = +ε π 2σ daraus folgt wobe ε~ N(0,σ²I), ud ε sd uabhägg 2 (y ) ep(- (y 2 ) ) π 2 (y ) ep( (y 2 ) ) = 2σ Nach dem Satz vo Bayes folgt, π(y,) π(y ). π() π ( y) = = π(y) π(y) wr betrachte bäre Blder. De A-Posteror-Vertelug st π β + 2 ( y) ep( I [= j] (y 2 ) ) j = 2σ 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 7
8 Bäres Rausche (Flp ose) Trtt e, we de falsche Farbe a der Stelle mt eer Beroull Wahrschelchket auftrtt. π (y ) = se k : = = { I p falls y= p falls y [ = y ] π (y ) = ( p) p = k k -p ep(k l( p = )+ l(p)) p d.h π(y ) ep( I[ = y ] l( )) p wr habe π() ep( β I ) j [ = ] j 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 8
9 Nach dem Satz vo Bayes folgt π(y ) π() π( y) = π(y) π( y) ep( β I + h ( p wobe : h (, y ) = I l( ) [ = y ] p [ = j ] j =,y )) (*) Es st zu beachte, dass de A-Posteror-Vertelug dem Gaußsche Rausche- Modell de Form (*) hat, wobe h(,y) = - (y 2 ) 2σ 2 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 9
10 das Ausgagsbld De beobachtete Blder y Gaußsches Rausche bäres Rausche (a) σ² =0. (b) p=0. (c) σ² =0.4 (d) p=0.2 (e) σ²=0.5 (f) p=0.25 (g) σ²=0.6 (h) p=0.3 () σ²=0.8 (j) p= Ma 2006 Sad Bakadr - Uverstät Ulm - 0
11 Smulatoe für das Isg-Modell ( ) π ep( β I ) = j ~j se = I ) de Azahl der schwarze Nachbar vo. b j= ~j = I de Azahl der weße Nachbar vo. w j= 0 ~j ep( β ) π ( = ) = ep( ) ep( ) b b w β + β 22.Ma 2006 Sad Bakadr - Uverstät Ulm -
12 Algorthmus : Gbbs-sampler Wähle =0 oder, for t= to N do for j= to do =Net(j) U ~ Uform(0,) p= b ep( β ) ep( β ) + ep( β ) b f U<p the = else =0 ed f ed for Ed for w Net(j) gbt a, welches Pel aktualsert wrd, z.b Net(j)=j Net(j) wrd zufällg gewählt 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 2
13 Algorthmus 2: Metropols-sampler Wähle =0 oder, for t= to N do for j= to do =Net(j) = ed f ed for ed for d= ep( β I ) ~j = j d = ep( β I ) = j ~j d p= m(, ) d U Uform(0,) f U < p the = 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 3
14 Smulato für das Isg-Modell mt verschedee Betas (a) β= 0.3 (b) β=0.4 (c) β= 0.5 (d) β=0.6 (e) β= 0.7 (f) β=0.8 (g) β= 0.9 (h) β=.0 () β=. (j) β=.3 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 4
15 Algorthmus 3: Metropols sampler für das verrauschte Isg-Modell Italsere, Gebe y ud de Rauschparameter e for t= to N do for j= to do ed for ed for =Net(j) = ~j d =β I + h (,y ) = j d =β I + h (,y ) = j ~j p= ep(m(0,d d)) U Uform(0,) f U < p the ed f = Algorthmus 3 st umersch stabler, da er log-dchte beutzt. 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 5
16 Schätzug der Blder das zugrudelegede Bld y de beobachtete Date z e Schätzer vo Um de optmale Schätzer z vo zu fde, kostruere wr ee so geate Verlustfukto, de de Dfferez vo z zu agbt.. Ee Metrk L(,z) e Schätzer z st besser als z falls L(,z )<L(,z ) falls bekat st, wrd ach der Mmalstelle vo L gesucht. falls ubekat st, wrd der A-Posteror erwartete Abstad zwsche dem Schätzer z ud betrachtet, d.h: y ( ) E L(,z) = π y L(,z) (*) der optmale Bayes Schätzer st de Mmalstelle vo (*) 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 6
17 Wr betrachte de Vektor e, wobe 2. MPM- Schätzer (margal posteror mode) e = I [ z ] De etsprechede Verlustfukto st MPM L (e)= e = Se zählt de Pel der falsche Farbe Der MPM Schätzer etsprcht dem Bld mt mmaler Azahl a Pel falscher Farbe. Zur Berechug der MPM Schätzer bereche wr zuerst de Erwartugswert des Verlusts. 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 7
18 E (L (e))= E e = P( z y) y MPM y = = der MPM-Schätzer =cost - P( = z y) = = arg m{- P( = z y)} MPM MPM z = MPM = z Zur Berechug vo zehe wr N Stchprobe aus der A-Posteror-Vertelug = arg ma(p( = z y) falls #{ } N/2 0 falls #{ = } N/2 { = MPM, = 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 8
19 3. MAP-Schätzer (Mamum A Posteror) De Verlustfukto L MAP(e)=- (-e ) = Uabhägg vo der Azahl der falsche Klassfkatoe mmt dese Fukto de Wert a, we mdestes ee falsche Farbe otert wrd, asoste de Wert 0. Der etsprechede MAP-Schätzer: MAP = arg ma( z π(z y)) Der MAP-Schätzer wrd berechet durch das Zehe vo Stchprobe aus der A-Posteror-Vertelug, oder es wrd der smulated aealg Algorthmus verwedet 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 9
20 Smulated aealg Stochastscher Algorthmus für kombatorsche Optmerug. Wrd der Physk verwedet. Durch lagsames Abkühle eer Substaz wrd ach der edrgste Eergekofgurato gesucht. Es basert auf de stochastsche Methode, z.b Metropols Algorthmus Dese Methode erzeuge jedes Mal ee Kofgurato des MRF. Es wrd ee Fukto (Temperaturfukto) egeführt, de dese Erzeuguge kotrollert. 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 20
21 Zel: *: = arg ma π( y) wr betrachte π () ( π( y)) T + T Also * = arg ma π () T we T gege 0 kovergert, trtt * mt der größte Wahrschelchket e. für T=0 wrd durch ee MCMC-Algorthmus ee lokale Lösug gefude. Um de globale Lösug zu fde, wrd T=T(t) betrachtet (t>0), ud ma lässt t gege kovergere. De Fukto T hat fogede Egeschafte: T st mooto falled T 0, we t. t her wähle wr T(t)=T 0η z.b T0 = 4 ud η= Ma 2006 Sad Bakadr - Uverstät Ulm - 2
22 Algorthmus 4: smulated aealg für das verrauschte Isg-Modell Italsere, T=T0, Gebe y ud de Rauschparameter e for t= to N do for j= to do =Net(j) = ed for T=T(t) ed for Retur ~j d =β I + h (,y ) = j d =β I + h (,y ) = j ~j p= ep(m(0,d d)/t) U Uform(0,) f U < p the ed f = 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 22
23 Gaußsches Rausche bäres Rausche MAP MPM MAP MPM mt Gaußschem Rausche das zugrudlegede mt bäre Rausche erzeugtes Bld (σ²=0.5) Bld erzeugtes Bld (p=0.25) 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 23
24 Schätzug der Parameter Wr betrachte bäre Blder mt Gaußsche Rausche. 2 /2 π ( σ ) 2 ( y) Z( β) ep( β I (y μ ) ) = j [ j] 2 2σ = Es gbt ver Parameter zu schätze: β σ² μ Farbewert für de Htergrud 0 μ Farbewert für de Vordergrud 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 24
25 Falls das Bld bekat st, köe wr durch de Mamum Lkelhood Methode de Parameter σ², μ, =0, schätze. 2 2 ( σˆ, μˆ ˆ 0, μ) = arg ma( π(y ; σ, μ0, μ)) βˆ = arg ma( π(; β)) Nach der Abletug der Lkelhoodfukto erhalte wr : μˆ j σˆ = #{ : = j} : = j 2 2 = (y μˆ ) = y j=0, 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 25
26 Da de Normalserugskostate Z vo β abhägt, wrd der Mamum Pseudo Lkelhood für de Schätzug vo β verwedet. π( β) = π( 2,...,, β) π( 2 3,...,, β)... π( β) π(, β) = π(, β) π(, β) De Mamumstelle vo PSL(β) st der Schätzer für β. Se wrd umersch berechet. PSL( β) = π(, β) = = + ep( β I I ) j [ = ] [ ] j j 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 26
27 Graustufeblder Vorher war der Phaseraum ee edlche Mege. Jetzt st der Phaseraum e Itervall. Das Bld st stückwese glatt. Es besteht aus Bereche getret durch Kate. Das Bld st ee Realsato ees MRF π() ep( U()) mt U()= C N V () de Eergefukto C 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 27
28 Zel: vo de beobachtete Date y werde de Kate bestmmt. Wr ehme a, dass y durch das Gaußsche Rausche erzeugt sd. Wr betrachte das 4-Nachbarschaftssystem De Potetalfukto hat de Form V() = g( ) C j wobe C={,j} ud g ee Fukto st, de de Verletzug der Glatthet bestraft 2 Für stückwese glatte Blde r mmt ma g( ) = m{( ), α} j j De Katebestmmug hägt eg zusamme mt der Wederherstellug der Blder. De Kate sd de Bereche m Bld, dee de Glättug verletzt st. 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 28
29 Geradeprozess zur Etdeckug der Kate = + ε ε σ 2 y wobe N(0, I ) 2 (y ) ep( ) 2 = 2σ π 2 U(y )= de Lkelhood Eerge 2 = 2σ j = (y ) U()= g( ) j (y ) U( y) = (y ) + λ g( ) 2 j j Es wrd de Fukto g modfzert: g(,,l ) = ( ) ( L ) +αl 2 j j j j j { wobe L = j de A-Posteror-Eerge falls es zwsche de Nachbar ud j ee Kate gbt 0 sost 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 29
30 U( y) = (y ) + λ g(,,l ) = 2 j j = j Blake ud Zsserma, 987, habe gezegt : *= arg m { (y ) + λ g( )} = 2 j 2 wobe g( j) m{( j), } ohe Berückschtgug der α j L j Nachdem * berechet wrd, bestmmt ma de Kate durch { falls ( 2 j * ) > α = j 0 sost 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 30
31 Zusammefassug Zufällge Markov Felder bete ee Modellerug der Blder Aus Markov-Gbbs Äquvalez werde verschedee Bldmodelle etwckelt dese Modelle habe vele Aweduge der Wederherstellug der Blder, Etdeckug hrer Kompoete usw. Adere Aweduge sd de ächste Vorträge zu erfahre 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 3
32 Lteratur. Chalmod "Modellg ad Iverse Problems Image Aalyss" Sprger, S.Z. L "Markov Radom Feld Modelg Computer Vso Sprger, W.H.Press, S.A.Teukolsky, W.T.Vetterlg, B.P. Flaery Numercal Recpes C++: The Art of scetfc computg". J.Möller "Spatal Statstcs ad Computatoal Methods" 22.Ma 2006 Sad Bakadr - Uverstät Ulm - 32
5 Reproduktions- und Grenzwertsätze
Reproduktos- ud Grezwertsätze Reproduktos- ud Grezwertsätze. Reproduktossätze Bespel 0: Der Aufzug eer Frma st zugelasse für Persoe bzw. 000 kg. Das Durchschttsgewcht der Agestellte der Frma st µ = 80
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk ud Wahrschelchketsrechug Mathas Graf 8.04.009 Ihalt der heutge Vorlesug Auswahl eer Vertelugsfukto: Wahrschelchketspaper Schätzug ud Modelletwcklug: Methode der Momete Methode der Maxmum Lkelhood
MehrErzeugen und Testen von Zufallszahlen
Erzeuge ud Teste vo Zufallszahle Jürge Zumdck Eletug Ee Lergruppe wrd aufgefordert 00 Zufallszahle (0 oder ) ach folgede Methode zu erzeuge: De Hälfte der Gruppe beutzt a) ee Müze oder b) de Zufallszahlefukto
MehrErinnerung: Funktionslernen. 5.6 Support Vector Maschines (SVM) Beispiel: Funktionenlernen. Reale Beispiele
Ererug: Fuktoslere 5.6 Support Vector Masches (SVM) überomme vo Stefa Rüpg, Kathara Mork Uverstät Dortmud Vorlesug Maschelles Lere ud Data Mg WS 2002/03 Gegebe: Bespele X LE de ahad eer Wahrschelchketsvertelug
MehrIntervallschätzungen geben unter Berücksichtigung des Verteilungstyps von X einen Bereich an, der den Parameter mit vorgegebener Sicherheit enthält.
Parameterschätzuge Fachhochschule Jea Uversty of Appled Sceces Jea Oft st der Vertelugstyp eer Zufallsgröße X bekat, ur de Parameter sd ubekat. Da erfolgt hre Schätzug aus eer Stchprobe. Ma uterschedet
MehrQuellencodierung I: Redundanzreduktion, redundanzsparende Codes
Quellecoderug I: Redudazredukto, redudazsparede Codes. Redudaz. Eführug. Defto der Redudaz. allgemee Redudazredukto. redudazsparede Codes. Coderug ach Shao. Coderug ach Fao. Coderug ach Huffma.4 Coderug
MehrSeminar: Stochastische Geometrie und ihre Anwendungen - Unbegrenzt teilbare und stabile Verteilungen.
Uverstät Ulm, Isttut Stochastk 5. Jul 200 Semar: Stochastsche Geometre ud hre Aweduge - Ubegrezt telbare ud stable Verteluge. Ausarbetug: Stefa Fuke Betreuer: Ju.-Prof. Dr. Zakhar Kabluchko Ubegrezt telbare
Mehr( ) ( ) ( ) ( ) è ø. P A Wahrscheinlichkeitsmaß. lim n. Dr. Christian Schwarz 4. KOMBINATORIK Permutationen
BBA Projektsemar Thess Dr. Chrsta Schwarz Formelsammlug Aalytsche Statstk 4. KOMBINATORIK 4.. Permutatoe Azahl der Permutatoe vo N Elemete ohe Wederholug: Multomalkoeffzet: N! = N N- N -... 3 N! N! N!...
MehrEinführung Fehlerrechnung
IV Eführug Fehlerrechug Fehlerrechuge werde durchgeführt, um de Vertraueswürdgket vo Meßergebsse beurtele zu köe. Uter dem Fehler eer Messug versteht ma de Abwechug ees Meßergebsses vom (grudsätzlch ubekate
MehrVl. Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 3: Diskrete Verteilungen
Vl. Statstsche Prozess- ud Qualtätsotrolle ud Versuchsplaug Übug 3: Dsrete Verteluge Prof. Dr. B. Grabows Zur Lösug der folgede Aufgabe öe Se auch de begefügte Tabelle der dsrete Verteluge m Ahag verwede.
MehrVarianzfortpflanzung
5.0 / SES.5 Parameterschätzug Varazortplazug Torste Maer-Gürr Torste Maer-Gürr Dskrete Zuallsvarable Ee dskrete Zuallsvarable mmt edlch vele oder abzählbar uedlch vele Werte a. - Werte: - Wahrschelchket:,,,,,,,,
MehrLösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung
Lösuge zum Übugs-Blatt 7 Wahrschelchketsrechug BMT Bostatstk Prof. Dr. B. Grabowsk ----------------------------------------------------------------------------------------------- Bedgte Wahrschelchket
Mehrfür j=0,1,...,n Lagrange zur Lösung der Interpolation nicht geeignet, da numerisch problematisch und teuer. 1 n
Aahme: Es gbt zwe Polyome p ud q vom Grad
MehrStatistische Grundlagen Ein kurzer Überblick (diskret)
Prof. J.C. Jackwerth 1 Statstsche Grudlage E kurzer Überblck (dskret De wchtgste Begrffe ud Deftoe: 1 Erwartugswert Varaz / Stadardabwechug 3 Stchprobevaraz 4 Kovaraz 5 Korrelatoskoeffzet 6 Uabhäggket
MehrÜbungen zur Wahrscheinlichkeitsrechnung und Schliessenden Statistik
Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Aufgabe ud Lösuge vo Peter M Schulze, Verea Dexhemer. Auflage Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Schulze / Dexhemer schell ud portofre
MehrEinführung 2. Teil: Fehleranalyse
Phskalsch-chesches Praktku I Modul Eführug. Tel: Fehleraalse Ja Helbg, 7.09.08 Uterlage: htt://www.che.uzh.ch/stud/old/docuets/ear/che3.htl Fehlerrechug Gesucht: wahrer Wert eer Grösse Aber: Sere vo Messuge
MehrSitzplatzreservierungsproblem
tzplatzreserverugsproblem Be vele Zugsysteme Europa müsse Passagere mt hrem Zugtcet ee tzplatzreserverug aufe. Da das Tcetsystem Kude ee ezele Platz zuwese muss, we dese e Tcet aufe, ohe zu wsse, welche
MehrOrdnungsstatistiken und Quantile
KAPITEL Ordugsstatste ud Quatle Um robuste Lage- ud Streuugsparameter eführe zu öe, beötge wr Ordugsstatste ud Quatle... Ordugsstatste ud Quatle Defto... Se (x,..., x R ee Stchprobe. Wr öe de Elemete der
MehrPhysikalische Messungen sind immer fehlerbehaftet! Der wahre Wert ist nicht ermittelbar. Der wahre Wert x ist nicht identisch mit dem Mittelwert
Physkalsche Messuge sd mmer fehlerbehaftet! Der wahre Wert st cht ermttelbar. Der wahre Wert st cht detsch mt dem Mttelwert Der Wert legt mt eer gewsse Wahrschelchket (Kofdezahl bzw. Vertrauesveau %) m
MehrDer Korrelationskoeffizient ist ein Maß für den linearen Zusammenhang zwischen zwei Variablen X und Y. Er ist durch folgende Formel charakterisiert:
Korrelatoskoeffzet Der Korrelatoskoeffzet st e Maß für de leare Zusammehag zwsche zwe Varable X ud Y. Er st durch folgede Formel charaktersert: r xy corr XY ( x x)( y y) ( ) x x ( y y) x x y x ( ) ( )
MehrDie Methode des 2.Moments
De Methode des 2.Momets Chrstoph Schmdt July 13, 2004 1 Eletug De Varaz eer Zufallsvarable st hre mttlere quadratsche Abwechug vo hrem Erwartugswert. V ar[x] = E[(X EX) 2 ] = E[X 2 ] E[X] 2 Der Term E[X
MehrKonzentrationsanalyse
Kaptel V Kozetratosaalyse B. 5.. Im Allgemee wrd aus statstscher Scht zwsche - absoluter ud - relatver Kozetrato uterschede Der absolute ud relatve Aspekt wrd och emal utertelt - statscher ud - dyamscher
MehrKlausur Statistik IV Sommersemester 2009
Klausur Statstk IV (Lösug) Name, Vorame 013456 Klausur Statstk IV Sommersemester 009 Prof. Dr. Torste Hothor Isttut für Statstk Name: Name, Vorame Matrkelummer: 013456 Wchtg: ˆ Überprüfe Se, ob Ihr Klausurexemplar
MehrEigenwerteinschließungen I
auptsemar: Numersche Lösuge für Egewertaufgabe Egewerteschleßuge I Referet: Wolfgag Wesselsky Glederug Eletug Kodto vo Egewerte 3 Eschleßugssätze Bauer-Fke, Gershgor, Wlkso, Bedxo 4 Zusatz: Courat / Weyl
MehrStochastik Formeln von Gerald Meier
Stochast Formel vo Gerald Meer Grudbegrffe ud Operatoe umöglches Eregs scheres Eregs Ω A mplzert B Glechhet A B AB cht A A A ud B A B A oder B A B A ohe B A \ B A B dsjut A B de Morga A B A B Elemetareregs
MehrAsymptotische Normalverteilung nach dem zentralen Grenzwertsatz
Asymptotsche ormalvertelug ach dem zetrale Grezwertsatz Erwartugswert eer Summe vo Zufallsvarable mt jewels de Erwartugswert x (Y Y Asymptotsche ormalvertelug ach dem zetrale Grezwertsatz Varaz eer Summe
MehrKapitel 6: Regression
udwg-maxmlas-uverstät Müche Isttut für Iformatk ehr- ud Forschugsehet für Datebaksysteme Skrpt zur Vorlesug Kowledge Dscovery Databases m Sommersemester 05 Kaptel 6: Regresso Vorlesug: PD Dr. Arthur Zmek
MehrFH D WS 2007/08 Prof. Dr. Horst Peters Dezember 2007
FH D WS 007/08 Prof. Dr. Horst Peters Dezember 007 Formelsammlug Wahrschelchetsrechug ud dutve Statst m Bachelor-Studegag Busess Admstrato (Modul BWL B) Sete / 6 Formelsammlug Wahrschelchetsrechug ud Idutve
Mehr4. Marshallsche Nachfragefunktionen Frage: Wie hängt die Nachfrage nach Gütern
Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 4. Marshallsche Nachfragefuktoe Frage:
MehrStatistik. ist die Kunst, Daten zu gewinnen, darzustellen, zu analysieren und zu interpretieren um zu neuem Wissen zu gelangen.
Statstk st de Kust, Date zu gewe, darzustelle, zu aalysere ud zu terpretere um zu euem Wsse zu gelage. Sachs (984) Aufgabe De Statstk hat also folgede Aufgabe: Zusammefassug vo Date Darstellug vo Date
MehrLösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung
Lösuge zum Übugs-Blatt 7 Wahrschelchketsrechug BMT Bostatstk Prof. Dr. B. Grabowsk ----------------------------------------------------------------------------------------------- Satz vo Bayes ud totale
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 5.2. Eigenschaften von Zufallsvariablen
Vorlesugscharts Vorlesug 5. Egeschafte vo Zufallsvarable Reproduktvtät Approxmatoe Zetraler Grezwertsatz Sete vo Chart : Uabhäggket vo Zufallsvarable Zwe Zufallsvarable X ud Y mt hre Realsatoe { x, x,...,
MehrWIB 2 Mathematik und Statistik Formelsammlung. Z Menge der ganzen Zahlen {...,-3,-2,-1,0,1,2,3,...}
1 Allgeme Geometrsche Rehe: q t = 1 q1 t=0 1 q Mtterachtsformel: ax 2 bxc=0 x 1/ 2 = b±b2 4ac 2a Bomsche Formel: 1. ab 2 =a 2 2abb 2 2. a b 2 =a 2 2abb 2 3. ab a b=a 2 b 2 Wurzel: ugerade 1 Ergebs gerade
Mehrannehmen, so heißt die Funktion, die jedem atomaren Ereignis { x i } mit i { 1; 2; ;
Wahrschelchet Ee Futo X : Ω R, de edem Ergebs ees zufällge Vorgages ee reelle Zahl zuordet, heßt Zufallsgröße (oder auch Zufallsvarable Ee Zufallsgröße X heßt edlch, we X ur edlch vele Werte x aehme a
MehrLösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen, Bedingte Wkt, Unabhängigkeit, Satz von Bayes
Lösuge zu Übugs-latt 7 Klasssche Wahrschelchet Glücsspele, edgte Wt, Uabhägget, Satz vo ayes Master M Höhere ud gewadte Mathemat rof. Dr.. Grabows De folgede ufgabe löse wr uter Verwedug der bede ombatorsche
MehrKlausur SS 2005 Version 1
BEMERKUG: für de Rchtgket der Lösuge wrd atürlch kee Garate überomme!! Klausur SS 005 Verso Aufgabe : e Gamma-Quat hat kee Ladug > el. Felder übe kee Kräfte aus > kee Kräfte, kee Äderug der Bewegug (ewto)
MehrEinführung 2. Teil: Fehleranalyse
Phscal Chemstr Phskalsch-chemsches Praktkum I Modul Eführug. Tel: Fehleraalse Ja Helbg, 9.09.06 Uterlage: htt://www.chem.uzh.ch/stud/old/documets/ear/che3.html Fehlerrechug Phscal Chemstr Gesucht: wahrer
MehrIm Wöhlerdiagramm wird die Lebensdauer (Lastwechsel oder Laufzeit) eines Bauteils in Abhängigkeit von der Belastung dargestellt.
Webull & Wöhler 0 CRGRAPH Wöhlerdagramm Im Wöhlerdagramm wrd de Lebesdauer ( oder Laufzet) ees Bautels Abhägget vo der Belastug dargestellt. Kurzetfestget Beaspruchug Zetfestget auerfestget 0 5 3 4 6 0
MehrMaße zur Kennzeichnung der Form einer Verteilung (1)
Maße zur Kezechug der Form eer Vertelug (1) - Schefe (skewess): Defto I - Ee Vertelug vo Messwerte wrd als schef bezechet, we se der Wese asymmetrsch st, dass lks oder rechts des Durchschtts ee Häufug
MehrGrundlagen der Entscheidungstheorie
Kaptel 0 Grudlage der Etschedugstheore B. 0 (Gegestad) De Etschedugstheore befasst sch mt dem Etschedugsverhalte vo Idvdue ud Gruppe. Se besteht aus we Telgebete. Deskrptve Etschedugstheore De deskrptve
Mehr(Markowitz-Portfoliotheorie)
Thema : ortfolo-selekto ud m-s-rzp (Markowtz-ortfolotheore) Beurtelugskrtere be quadratscher Nutzefukto: Beroull-rzp + quadratsche Nutzefukto Thema Höhekompoete: Erwartugswert µ Rskokompoete: Stadardabwechug
MehrPrinzip "Proportional Reduction of Error" (PRE)
Dr. Reate Prust: Eführug quattatve Forschugsmethode Bvarate Maße: Przp "Proportoal Reducto of Error" (PRE) E 1 - E Fehler be Regel 1 - Fehler be Regel = E 1 Fehler be Regel 1 Regel 1: Vorhersageregel ur
MehrIntervallschätzung. Bibliografie:
Itervallschätzug Kofdeztervall der Varaz Kofdeztervalle vo Atelswerte Kofdeztervall für de Dfferez zweer Atele Bestmmug des tchrobeumfags Dr. Rcabal Delgado/rof. Kück Lehrstuhl tatstk chätzug III Bblografe:
MehrDer Approximationssatz von Weierstraß
Der Approxmatossatz vo Weerstraß Ja Köster 22. Oktober 2007 1 Eführug Aus der Aalyss wsse wr, dass sch aalytsche Fuktoe durch Potezrehe der Form f(x = a 0 + a 1 x + a 2 x 2 +... darstelle lasse. Dabe kovergert
MehrHistogramm / Säulendiagramm
Hstogramm / Säuledagramm Häugkete 10 9 8 7 6 5 4 3 2 1 0 3,45 3,75 4,05 4,35 4,65 Flüge lläge [mm] Be Hstogramme st soort deutlch, daß es sch um Häugketsauszähluge hadelt. De Postoe der Klasse sowe hre
MehrGenexpression (1) Clustering
Clusterg Clusterg: Grupperug ud Etelug eer Datemege ach ählche Merkmale Uüberwachte Klassfzerug (Neuroale Netze- Termologe) Dstazkrterum: E Datevektor st zu adere Datevektore seer Gruppe ahe (äher als
MehrEigenschaften der arithmetischen Mittel. Schätzer für die Varianz. Allgeimeines Method: Likelihood Funktion. Schätzer für die Wahrscheinlichkeit
Statstk. Vorlesug, September 6, 009 Egeschafte er arthmetsche Mttel für alle Fälle wo e Stchprobeelemete habe e selbe Vertelug u s uabhägg: E ( = mvar, ( = / Staarabwechug (Staarfehler: D ( = / Korrektur
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alteratve Darstellug des -Stchprobetests für Atele DCF CF Total 111 11 3 Respose 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Respose No Respose Total absolut DCF 43 68 111 CF 6 86 11 69 154 3 Be Gültgket
Mehr( x) eine Funktion definiert, in der nur die i-te Komponente variabel ist. Folgende Schreibweisen werden aufgrund dieser Anmerkungen auch verwendet:
Pro. Dr. Fredel Bolle LS ür Volkswrtschatslehre sb. Wrtschatstheore (Mkroökoome) Vorlesug Mathematk - WS 008/009 4. Deretalrechug reeller Fuktoe IR IR (Karma, S. 00 06, dort glech ür IR IR m ) 4. Partelle
MehrOptimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R
Optmerugsverfahre: Motvato Bayes-Formalsmus -- egatve log-lkelhoo -- egatver log-pror -- Max. a Posteror! l p( D! l p( + cost = m Schätztheore -- Fehlerfukto L -- Regularserugsfukto R -- F ( = L( +! R(
Mehr3. Das Messergebnis. Was ist ein Messergebnis?
. Das Messergebs Was st e Messergebs? Wederholug der Messug Wahrer Wert? Mehrere Eflussgröße Fehlerbetrachtug Messergebs Vorgeheswese für Messergebs. Bestmmug des bekate systematsche Fehlers 2. Aufahme
Mehr19. Amortisierte Analyse
9. Amortserte Aalyse Amortserte Aalyse wrd egesetzt zur Aalyse der Laufzet vo Operatoe Datestrukture. Allerdgs wrd cht mehr Laufzet ezeler Operatoe aalysert, soder de Gesamtlaufzet eer Folge vo Operatoe.
MehrFehlerrechnung im Praktikum
Fehlerrechug m Pratum Pratum Phsalsche Cheme (A. Dael Boese) I chts zegt sch der Magel a mathematscher Bldug mehr, als eer überbertrebe geaue Rechug. Carl Fredrch Gauß, 777-855 Themegebete Utertelug vo
MehrGrundlagen der Energietechnik Energiewirtschaft Kostenrechnung. Vorlesung EEG Grundlagen der Energietechnik
Prof. Dr. Ig. Post Grudlage der Eergetechk Eergewrtschaft Kosterechug EEG. Vorlesug EEG Grudlage der Eergetechk De elektrsche Eergetechk st e sogeates klasssches Fach. Folglch st deses Fach vele detallert
MehrAllgemeine Prinzipien
Allgemee Przpe Es estere sebe Grudehete der Physk; alle adere physkalsche Größe ka ma darauf zurückführe. Dese Grudehete sd: Läge [m] Masse [kg] Zet [s] Elektrsche Stromstärke [A] Temperatur [K], Stoffmege
Mehr2.2 Rangkorrelation nach Spearman
. Ragkorrelato ach Spearma Wr wolle desem Kaptel de Ragkorrelatoskoeffzete ach Spearma bereche. De erste Daterehe besteht aus Realseruge x, x,..., x der uabhägg ud detsch stetg vertelte Zufallsvarable
MehrMathematik für VIW - Prof. Dr. M. Ludwig ( ) ( ) ( ) n f. bestimmt m Funktionen. durch die Festlegung f (,,
Matheatk ür VIW - Pro. Dr. M. Ludwg 8. Deretato reeller Fuktoe ehrerer Varabler 8. Skalare Felder Vektorelder Koordatesystee Bsher wurde reelle Fuktoe ür ee Varable utersucht: : D t der egeührte Schrebwese
MehrVerteilungen und Schätzungen
Verteluge ud Schätzuge Zufallseperet Grudbegrffe Vorgag ach eer bestte Vorschrft ausgeführt ( Przp) belebg oft wederholbar se Ergebs st zufallsabhägg be ehralge Durchführug des Eperets beeflusse de Ergebsse
MehrStichprobenmodell der linearen Einfachregression
Stchproemodell der leare Efachregresso Stchproemodell der leare Efachregresso Vertelug der Stchproekoeffzete Prof. Kück / Dr. Rcaal Delgado Lehrstuhl Statstk Regresso III lografe: Prof. Dr. Kück verstät
MehrÜbungen zum Vorkurs Mathematik
Matheatsches Isttut der Uverstät zu Köl Dr. L. Galat WSe 016/017 Motag, 19.09.016 Blatt 6-10 Übuge zu Vorkurs Matheatk Aufgabe 0. (1 Es gbt 6 5 4 3 7893600 Möglchkete. 1 ( Uter Aahe vo Glechvertelug ergbt
MehrQuellencodierung I: Redundanzreduktion, redundanzsparende Codes
Quellecoderug I: Redudazredukto, redudazsparede Codes Quellecoderug Durch de Quellecoderug werde de Date aus der Quelle codert, bevor se ee Übertragugskaal übertrage werde De Coderug det der Verkleerug
MehrZ Z, kurz. Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombator Problemstellug Ausgagsput be ombatorsche Fragestelluge st mmer ee edlche Mege M, aus dere Elemete ma edlche Zusammestelluge vo Elemete aus M bldet Formal gesproche bedeutet das: Ist M a,, a ee
Mehr( ) ( ) ( ) E ( ) ( ) ( ) ( ) ( ) Def Erwartungswert. 1. Diskreter Fall X sei diskrete Zufallsgröße mit = { 1, x2,
Def.. Erwarugswer. Dsreer Fall se dsree Zufallsgröße m = {, x, } p = P( = x ),( =,, ), so e ma µ = E = xp = de Erwarugswer vo, falls W x ud de Ezelwahrschelchee = x p
Mehr9. Clustern und Klassifizieren
03. JULI 2006: BLATT 55 9. Cluster ud Klassfzere 9.. Eletug Uter Klassfkato wrd de Zuordug vordeferter Klassfkatore (etwa sytaktsche Kategore aus eer Grammatk) zu Obekte verstade - userem Fall zu sprachlche
Mehr2. Die Elementarereignisse sind die Kombinationsmöglichkeiten von: Wappen = W und:
1 L - Hausaufgabe Nr. 55 Sotag, 1. Ju 2003 Ee Müze werde dremal geworfe. Was st das Zufallsexpermet, das Elemetareregs, das zusammegesetzte Eregs, der Eregsraum ud de Wahrschelchket? Lösugs kte.: 1 De
Mehr1.4 Wellenlängenbestimmung mit dem Prismenspektrometer
F Lorbeer ud Ardt Quer 5.0.006 Physkalsches Praktkum für Afäger Tel Gruppe Optk.4 Wellelägebestmmug mt dem Prsmespektrometer I. Vorbemerkug E Prsmespektrometer st e optsches Spektrometer, welches das efallede
MehrKapitel XI. Funktionen mit mehreren Variablen
Kaptel XI Fuktoe mt mehrere Varable D (Fuktoe vo uabhägge Varable Se R ud D( f R Ist jedem Vektor (Pukt (,,, D( f durch ee Vorschrft f ee reelle Zahl z = f (,,, zugeordet, so heßt f ee Fukto vo uabhägge
MehrMethoden der computergestützten Produktion und Logistik
Methode der comutergestützte Produkto ud Logstk 9. Bedesysteme ud Warteschlage Prof. Dr.-Ig. habl. Wlhelm Dagelmaer Modul W 336 SS 06 Bedesysteme ud Warteschlage Besel: Fahrradfabrk Presse Puffer Lackerere
MehrStatistische Tests für unbekannte Parameter. Statistische Tests für unbekannte Parameter. Statistische Tests für unbekannte Parameter
Kofeztervall Itervall, as e ubekate Parameter er Vertelug mt vorgegebeer Scherhet übereckt ('Geaugketsaussage' bzw. Zuverlässgket er Puktschätzug ees Parameters) Statstscher Test Ja-Ne-Etscheug arüber,
MehrZur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen.
Rudolf Brkma http://brkma-du.de Sete 0.0.008 Lagemaße der beschrebede Statstk. Zur Iterpretato eer Beobachtugsrehe ka ma ebe der grafsche Darstellug wetere charakterstsche Größe herazehe. Mttelwert ud
MehrGrundgesetze der BOOLEschen Algebra und Rechenregeln
5... Grudgesetze der BOOLEsche Algebra ud Recheregel Auf de mathematsch korrekte Eführug der BOOLEsche Algebra ka ch verzchte, da das Ihrer Mathematkausbldug ausführlch behadelt wrd. Ich stelle Ihe zuächst
MehrReihen n. Man benutzt letztere Schreibweise aber häufig auch zur Bezeichnung der Partialsummenfolge. konvergiert, die geometrische Reihe.
Deftoe ud Aussge über Rehe Bchräume ud Hlberträume E vollstädger ormerter Vektorrum (sehe Bemerkuge zur Alyss) heßt Bchrum Stmmt de Norm vo eem Sklrprodukt v = , so sprcht m vo eem Hlbertrum ZB sd
MehrRekurrente Markovketten
Rekurrete Markovkette Im vorge Vortrag wurde der Begrff der Rekurrez eer Markovkette egeführt. Dese woe wr jetzt geauer utersuche. Im Fogede se mmer {X N 0 } ee homogee Markovkette. Defto. () Ee Zufasvarabe
MehrElemente der Algebra und Zahlentheorie Musterlösung, Serie 7, Wintersemester vom 21. Januar 2006
Prof. E.-W. Zk Isttut für Matheatk Huboldt-Uverstät zu Berl Eleete der Algebra ud Zahletheore Musterlösug, Sere 7, Wterseester 2005-06 vo 21. Jauar 2006 1. Se = 2 p 1 Mersee-Zahl, d.h. p P 1. a) Zege:
MehrSpannweite, Median Quartilsabstand, Varianz und Standardabweichung.
Rudolf Brkma http://brkma-du.de Sete 06.0.008 Spawete, Meda Quartlsabstad, Varaz ud Stadardabwechug. Streuug um de Mttelwert. I de folgede Säuledagramme st de Notevertelug zweer Schülergruppe (Mädche,
MehrProf. Dr. B.Grabowski. Die Behauptung I folgt aus der Multiplikationsformel: )
Höhere Mathemat KI Master rof. Dr..Grabows E-ost: grabows@htw-saarlad.de Satz vo ayes ud totale Wahrschelchet Zu ufgabe anachwes der Formel I ud II: eh.: I. Formel der totale Wahrschelchet: ewes: Es glt:...
MehrLineare Klassifikatoren
Uverstät Potsdam Isttut für Iformatk Lehrstuhl Maschelles Lere Leare Klassfkatore Chrstoph Sawade, obas Scheffer Vorlesug am ächste Destag De VL am 28.0. fägt um ca. 2:30 a. 2 Ihalt Klassfkatosproblem
MehrFormelsammlung zur Zuverlässigkeitsberechnung
Formelsmmlug zur Zuverlässgetsberechug zusmmegestellt vo Tt Lge Fchhochschule Merseburg Fchberech Eletrotech Ihlt:. Zuverlässget vo Betrchtugsehete.... Zuverlässget elemetrer, chtreprerbrer ysteme... 3.
MehrVerdichtete Informationen
Verdchtete Iormatoe Maßzahle Statstke be Stchprobe Parameter be Grudgesamthete Maßzahle zur Beschrebug uvarater Verteluge Maßzahle der zetrale Tedez (Mttelwerte) Maßzahle der Varabltät (Streuugswerte)
Mehrwahlberechtigte Personen der BRD zur Bundestagswahl zugelassene Parteien (SPD, CDU, Grüne, FDP)
Zu Aufgabe 1) Sd folgede Merkmale dskret oder stetg? a) De durch ee wahlberechtgte Perso der BRD gewählte Parte be der Budestagswahl. b) Kraftstoffverbrauch ees Persoekraftwages auf 100 km. c) Zahl der
MehrMultiple Regression (1) - Einführung I -
Multple Regreo Eführug I Mt eem Korrelatokoeffzete ud der efache leare Regreo köe ur varate Zuammehäge zwche zwe Varale uterucht werde. Beutzt ma tatt dee mehrere Varale zur Vorherage, egt ma ch auf da
Mehr1. StatischeSpielemit vollständiger Information
Dr. Jeaette Brosg, Vorlesug Speltheore. StatscheSpelemt vollstädger Iformato Das Allmede-Problem Hard (968): The Tragedy of the Commos The ratoal herdsma cocludes that the oly sesble course for hm to pursue
MehrDOOH Audience Measurement 2015
DOOH Audece Measuremet 2015 Berechug Kezahle GfK Swtzerlad Hergswl, 2. März 2016 1 Modul A Stadort-Stchrobe (vor Ort) Werbeträger- ud Werbemttel-Kotakt-Chace Stellschraube Modul B Reräsetatve Bevölkerugsstude
MehrSchiefe- und Konzentrationsmaße
Statst für SozologIe Schefe- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Mermal wurde 3 Gruppe beobachtet ud Form der folgede Häufgetstabelle berchtet: Klasse m Gruppe
MehrTaylor-Entwicklung der exakten Lösung und Verfahrensfehler
Lösug ud Verfaresfeler Ngaleu Poutceu Paul Fracs Fracsc@upb.de 8.6.4 Semar Numerk 1 Lösug ud Verfaresfeler Beobactug, Defto ud Notato Beobactug Notato Taylor-Etwcklug Defto ud Bespele Satz ud Bewes Verfaresfeler
MehrBestimmung der Extrema von Funktionen mehrerer Veränderlicher
Mathematk ü Natuwsseschatle II Bestmmug de Etema vo Fuktoe mehee Veädelche R R ; etwckel um (, ) Taylopolyom. Gades Vektoom ( ) ( ) + ( ) o ( ) + ( ) o Hess( ) o ( ) Vekto Vekto Vekto Mat Vekto Mat Vekto
MehrKorrelations- und Regressionsanalyse
Kaptel VI Korrelatos- ud Regressosaalse B 6 (Gegestad der Korrelatos- ud Regressosaalse) Währed de Korrelatosaalse de Estez, de Stärke ud de Rchtug des Zusammehags zwsche zwe oder mehrere statstsche Varable
MehrSpezielle diskrete Verteilungen
Spezelle dskrete Vertelugsfamle Dskrete Glechvertelug Beroull- oder Zwe-Pukt-Vertelug Bomalvertelug Hypergeometrsche Vertelug Possovertelug Geometrsche Vertelug Appromatoe Bblografe Bleymüller / Gehlert
MehrInvestmentfonds Kennzahlen- berechnung
Ivestmetfods Kezahle- berechug erformace Rsko- ud Ertragsaalyse, Rskokezahle Gültg ab 0.0.2007 Ivestmetfods - Kezahleberechug 2 Ivestmetfods - Kezahleberechug Ihalt erformace 4. Berechug der erformace
MehrSchiefe- und Konzentrationsmaße
Statstk für SozologIe Schefe- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Merkmal wurde 3 Gruppe beobachtet ud Form der folgede Häufgketstabelle berchtet: Klasse m Gruppe
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen II. Clustering
Uverstät Potsdam Isttut für Iformatk Lehrstuhl Maschelles Lere Maschelles Lere II Clusterg Matthas Bussas / Nels Ladwehr Tobas Scheffer Motvato 2 Motvato 3 Clusterg Gegebe: Objekte V = { x,...,x } 1 Dstazfukto
Mehr3.7 Support Vector Machines
3.7 Support Vector Maches Motvato: Leare Separato Vektore R d repräsetere Objekte. Objekte gehöre zu geau eer vo je 2 Klasse Klassfkato durch leare Separato: Suche Hperebee de bede Klasse mamal stabl voeader
MehrTests/Regression/ANOVA. Lösungen Blatt Test auf den unbekannten Erwartungswert bei unbekannter Streuung:
Löuge latt 7. Tet auf de ubekate Erwartugwert be ubekater Streuug: () H 0 : µ 0, 5 H : µ < 0, 5 (lketger Tet) X µ () Tetfukto: Ψ (t-vertelt mt (-)99 G) 0,497 0,5 Realerug: ψ 00 5, 57 0,0075 (3) krtcher
MehrMathematische Modellierung Lösungen zum 1. Übungsblatt
Mathematsche Modellerug Lösuge zum Klaus G. Blümel Lars Hoege 6. Oktober 005 Aufgabe 1 a) Der Raumhalt vo eem Kubkmeter etsprcht gerade 1000 Lter, d.h. 1 m 3 = 1000 l. Reche zuächst 1 m 3 cm 3 um. E Meter
MehrPractical Numerical Training UKNum
Practcal Numercal Trag UKNum Statstk, Datemodellerug PD. Dr. C. Mordas Ma-Plack-Isttute für Astroome, Hedelberg Programm: ) Repetto elemetare Statstk 2) Regressosaalyse 3) Leare Regresso 4) Ncht-leare
Mehrv. Weter st + r X + = ( X + ) = ( X + ) ( X + ) = P Deshalb fr 6 6 = + X = K, d. h. I desem Berech ( 6 6 ) glt also ( Idukto ach ) ( ) ( mod ), was fr
5. De Stze vo Sylow Im gaze Abschtt st G ee edlche Grue, 4 #( G). 5.. Problem: Gbt es zu jedem Teler t vo ( tj ) ee Utergrue H mt #( H) = t? We ja, wevele? Gegebesel: 9 Utergrue H vo G = A 5 mt #( H) =
MehrVorkurs, Teil 1. (3) Matrizen, lineare Gleichungssysteme, Determinanten (Lehrbuch Kap )
Vorkurs, Tel Lehrbuch: Sydsaeter / Hammod, Mathematk für Wrtschaftswsseschaftler, Pearso Studum, ISBN 978-3-873-73-9 Skrpt vo Sevtap Kestel Ihalt () Eführug: Zahle, Fuktoe Potezfukto, Expoetalfukto (Lehrbuch
Mehr