Maschinelles Lernen: Ein Blick hinter die Kulissen
|
|
|
- Karin Vogt
- vor 5 Jahren
- Abrufe
Transkript
1 Maschielles Lere: Ei Blick hiter die Kulisse Dr.-Ig. Thorste Edelhäußer Gruppe: Machie Learig ad Iformatio Fusio Frauhofer IIS
2 Über us Bereich Lokalisierug ud Veretzug des Frauhofer IIS i Nürberg Schwerpukte: Maschielles Lere ud Data Aalytics (Deep Learig, Reiforcemet Learig) Verteilte Ereigisverarbeitug ud Datestromaalyse Iformatio ud Sesor Fusio (Bays sche Filter, SLAM) Kamerabasierte ud hybride Lokalisierugslösuge Awedugsfelder: Virtual Reality, Lokalisierug, Sport, Robotik, Idustrie 4.0 Frauhofer IIS 2
3 Date sid allgegewärtig... Frauhofer IIS 3
4 Date sid allgegewärtig... Extraktio vo Wisse/Iformatio: Data Miig? Data Miig auf diese Date: Erkeug vo Aomalie/Ausreißer Erkeug vo Objekt-Gruppieruge Klassifikatio vo Datesätze Idetifikatio kausaler Zusammehäge Idetifikatio statistischer Abhägigkeite Aggregatio vo Datesätze (ohe Iformatiosverlust) Frauhofer IIS 4
5 Machielles Lere Was ist das eigetlich? Machielles Lere ist ei Oberbegriff für die küstliche Geerierug vo Wisse aus Erfahrug: Ei küstliches System lert aus Beispiele ud ka diese ach Beedigug der Lerphase verallgemeier. Quelle: Beispiele werde icht eifach auswedig lere Muster ud Gesetzmäßigkeite werde erkat/extrahiert ud i Form eies Modells repräsetiert Ziel: Lertrasfer: Beurteilug ubekater Date Achtug: Overfittig Frauhofer IIS 5
6 Machielles Lere Was ist das eigetlich? Usupervised Learig Supervised Learig Reiforcemet Learig Keie Labels Iput/Output Paare Etscheidugsprozess kei Feedback Direktes Feedback Belohugssystem Verborgee Strukture extrahiere Klassifikator oder Regressor zur Prädiktio Optimales "Verhalte" Frauhofer IIS 6
7 Machielles Lere Was ist das eigetlich? Die klassische Implemetierug Iput Die ML -Implemetierug Iput Output Programm Programm Output Frauhofer IIS 7
8 Beispiel: Lokalisierugssysteme Time Differece of Arrival (TDOA) Atee 12 Atee N Cluster Atee 2 Lokalisiertes Objekt Frauhofer IIS Atee 1 8
9 Corr Edge Max Beispiel: Lokalisierugssysteme Der traditioelle Weg - Modellierug ToA ToA ToA (t, x, y, z) ToA Bewegug? Wo? Kalibrierug? Aalyse? Smoothig? Messmodell? Fehlermodell? Notwedig? Frauhofer IIS 9
10 Beispiel: Lokalisierugssysteme Der Machie Learig Weg Modellierug des Systems oft durch Approximatio ud Liearisierug. Ka ma hier auch Machie Learig awede? Exkurs: WLAN-Figerpritig: 1. Referezdateaufahme a viele Pukte. 2. Speicher i Datebak. 3. Für eue Messpukt KNN ausführe ud Positio (gewichtet) mittel. Problem: es wird kei Modell gebildet! Frauhofer IIS 10
11 Beispiel: Lokalisierugssysteme Der Machie Learig Weg Modellierug des Systems oft durch Approximatio ud Liearisierug. Ka ma hier auch Machie Learig awede? Exkurs: WLAN-Figerpritig: 1. Referezdateaufahme a viele Pukte. 2. Geerierug eies Modells. 3. Für eue Messpukt das Modell etscheide lasse. Frauhofer IIS 11
12 Beispiel: Lokalisierugssysteme Der Machie Learig Weg Die etscheidede Merkmale (ToA) extrahiere, um damit ei Modell zu geeriere, welches die Wirklichkeit beschreibt. Weig Vorverarbeitug otwedig (es wird ur eie SW-Kompoete ersetzt). Moderate Mege a Traiigsdate otwedig (abhägig vo sog. Nicht-Liearitäte). NN, SVM etc. habe ähliches Laufzeitverhalte wie klassische Verfahre. Frauhofer IIS 12
13 Beispiel: Lokalisierugssysteme Der Machie Learig Weg Bewegugsmodell ka auch erlert werde. Positiosdate geeriere ohe (spezifisches) Bewegugsmodell. Beschreibug der Bewegug mit Hilfe eies Textstrigs. Erlere zusammehägeder Textfragmete ud dere Übergäge zueiader. Frauhofer IIS 13
14 Beispiel: Waremaagemet i der Logistik Herausforderuge für die Lokalisierug Realbediguge oft sehr schwierig: Metallische Oberfläche. Uterschiedlichste Ware. Ege Gäge. Istallatioe müsse oft ud aufwädig per Had optimiert werde. Frauhofer IIS 14
15 Beispiel: Lokalisierug i der Logistik Der Deep Learig Weg Auch der ML-Asatz steht hier vor große Herausforderuge! Geerelle Idee: Vorverarbeitug, Merkmalsextraktio, ud selektio auch durch das ML-Verfahre optimiere à Deep Learig Bewegugsverhalte der Objekte auch gleich mit itegriere. Dateaufahme (A/D) Vorverarbeitug Merkmalsextraktio Merkmalsauswahl Klassifikatio Deep Learig Samples Traiig Machie Learig Frauhofer IIS 15
16 Deep Learig Grudsätzliches Meist i Form vo euroale Netze implemetiert. Die erste Schichte erlere Merkmale ud dere Gewichtug. Die letzte Verarbeitugsschritte gewichte extrahierte Merkmale ud fälle Etscheiduge. Aber: Immese Mege a Date otwedig. Modellgeerierug ka Woche dauer. Etscheidug oft schwer achvollziehbar. Frauhofer IIS 16
17 Deep Learig Dategeerierug Messprizip für Lokalisierugssysteme objektiv reproduzierbar automatisiert Stadardisierter Messbericht Positioe Beweguge Aber auch ideal, um Traiigsdate zu erzeuge! Frauhofer IIS 17
18 Beispiel: Lokalisierugssysteme Der Deep Learig Weg Außerdem möglich: Active Learig Frauhofer IIS 18
19 Erste Eiblicke Massive Mehrwege Klassische Verfahre ML-Asatz Frauhofer IIS 19
20 Beispiel: Optische Lokalisierugssysteme Der Deep Learig Weg Merkmals-basierte Matchig-Verfahre i der Praxis: Zu lagsam. Zu weig robust gegeüber Umgebugsäderuge. outdoor: ~2.5m, < 5 ; idoor: < 0.7m, < 1. Frauhofer IIS 20
21 Was habe wir verschwiege? Reiforcemet Learig MIT Techology Review: Groudbreakig Techologies 2017 Zur Erierug: Deep Learig war 2013 auf der Liste. Frauhofer IIS 21
22 Fazit Maschielles Lere hilft, Gesetzmäßigkeite aus Datesätze zu extrahiere, ud diese durch ei Modell zu beschreibe. ML ka das Modell bestefalls approximiere. We das Modell ideal beschreibbar ist, köe kovetioelle Methode überlege sei. Vergleiche sollte daher differeziert betrachtet werde: Kovetioelle Verfahre uter Idealbediguge? Wie häufig existierte schwierige Bediguge? Echt-Hybride Methode häufig die beste Lösug (aber aufwädig!) Frauhofer IIS 22
Schätzung der Kovarianzmatrix
Schätzug der Kovariazmatrix Aus eiem Esemble vo Beobachtuge {x i } ka die Kovariazmatrix (Zetralmomete) geschätzt werde: C = E{( x µ )( x µ ) } = R µ µ xx x x xx x x ˆ 1 C ˆ ˆ xx = xk µ x xk µ x k = 1
Schätzung der Kovarianzmatrix
Schätzug der Kovariazmatri Aus eiem Esemble vo Beobachtuge { i } ka die Kovariazmatri (Zetralmomete) geschätzt werde: C E{( )( ) } R ˆ 1 k ˆ k ˆ k 1 Schätzwert (edliche Summe): C ( )( ) ud dem Schätzwert:
Anwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
Cyber-physische Systeme in der industriellen Wertschöpfung Einsatzpotentiale, Technologien und Lösungen
Cyber-physische Systeme i der idustrielle Wertschöpfug Eisatzpotetiale, Techologie ud Lösuge Regesburg, de 18.Mai 2017 Ulli Müch, Frauhofer-Arbeitsgruppe Supply Chai Services SCS Frauhofer IIS User Lebe
Verhaltensmodellierung Übersicht
DHBW Stuttgart, SWEgieerig März 2010 Problem: Das dyamische Verhalte vo Systeme lässt sich icht durch Dateflussdiagramme beschreibe; es fehle Beschreibugsmittel zur: Spezifikatio vo komplee Ablaufbediguge
Dynamisches Programmieren Stand
Dyamisches Programmiere Stad Stad der Dige: Dyamische Programmierug vermeidet Mehrfachberechug vo Zwischeergebisse Bei Rekursio eisetzbar Häufig eifache bottom-up Implemetierug möglich Das Subset Sum Problem:
Strukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
Projektmanagement Solarkraftwerke
Projektmaagemet Solarkraftwerke Solar Forum - St. Veit 2013 Mauel Uterweger 1 Ihalt des Impulsvortrages eie Überblick über Projektmaagemet bei Solarkraftwerke zu gebe gewoee Erfahruge aufgrud eies reale
Beispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
und wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
Schwerpunkt 1 E Ma 1 Lubov Vassilevskaya
http://www.ewagilmour.com/wp-cotet/uploads/2010/05/forkkifespooegg.jpg Schwerpukt 1 E Der starre c Körper http://www.flickr.com/photos/iesca/3139536876/i/pool-streetlamps Abb. 1 1: Zur Defiitio eies starre
Für eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
Probeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst?
Quaterecher Witersemester 5/6 Theoretische Iformatik Uiversität Haover Dr. Matthias Homeister Dipl.-Math. Heig Schoor Probeklausur Hiweis: Diese Probeklausur ist kürzer als die tatsächliche Klausur.. a
= a n: Wurzelexponent x: Radikand oder Wurzelbasis a: Wurzelwert Bei der ersten Wurzel wird einfach das Wurzelzeichen weggelassen.
Wurzelgesetze Gesetzmäßigkeite Grudlage Das Wurzelziehe (oder Radiziere) ist die Umkehrug des Potezieres. Daher sid die Wurzelgesetze de Potezgesetze sehr ählich. Die Wurzel aus eier positive Zahl ergibt
So lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
Technische Universität München Zentrum Mathematik. Übungsblatt 1
Techische Uiversität Müche Zetrum Mathematik Mathematik (Elektrotechik) Prof. Dr. Ausch Taraz Dr. Michael Ritter Übugsblatt Hausaufgabe Aufgabe. Bestimme Sie de Kovergezbereich M der folgede Reihe für
8. Gewöhnliche Differentialgleichungen (ODE)
8 Gewöhliche Differetialgleichuge (ODE) 81 Motivatio Eidimesioale (1d) Bewegug eies Teilches (Masse m, keie Reibug) im Potezial U() U() E klassisch: Ermittle die Bahkurve/Trajektorie (t) des Massepukts
Tutorium Mathematik I, M Lösungen
Tutorium Mathematik I, M Lösuge 16. November 2012 *Aufgabe 1. Ma utersuche die folgede Reihe auf Kovergez (a) ( 1) (1 ) (b) ( ) 2 +1 (c) (!) 3 10 (3)! (d) (e) (f) 2 +3 3 2 +1 3 ( 2 +1) 2 + 3 ( 2 +3) (g)
Analysis ZAHLENFOLGEN Teil 4 : Monotonie
Aalysis ZAHLENFOLGEN Teil 4 : Mootoie Datei Nr. 40051 Friedrich Buckel Juli 005 Iteretbibliothek für Schulmathematik Ihalt 1 Eiführugsbeispiele 1 Mootoie bei arithmetische Folge Defiitioe 3 3 Welche Beweistechik
Lösungsvorschläge zu den Aufgaben der Lernsituation 20 (S. 64, 65)
Lösugsvorschläge zu de Aufgabe der Lersituatio 20 (S. 64, 65) Aufgabe : a ERM für die Vermittlug vo Fahrradreise Kudeummer Vorame Nachame Straße ud Hausr. Telefoummer IBAN (FS) Buchugsummer Kudeummer (FS)
6 Vergleich mehrerer unverbundener Stichproben
6 Vergleich mehrerer uverbudeer Stichprobe 6.1 Die eifaktorielle Variazaalyse Die eifaktorielle Variazaalyse diet der Utersuchug des Eiflusses eier kategorieller (bzw. ichtmetrischer) Variable, die die
s xy x i x y i y s xy = 1 n i=1 y 2 i=1 x 2 s 1 n x n i Streudiagramme empirische Kovarianz x=5,5 y=7,5
Streudiagramme für metrisch skalierte Variable paarweise Messwerte (x,y) x 5 7 y 7 5 7 5 5 7 Aussage zu Zusammehäge. empirische Kovariaz Stadardabweichug der WertPAARE x i x y Wert x Mittelwert aller x
n 2(a + bx i y i ) = 0 und i=1 n 2(a + bx i y i )x i = 0 i=1 gilt. Aus diesen beiden Gleichungen erhalten wir nach wenigen einfachen Umformungen
Regressio Dieser Text rekapituliert die i der Aalsis ud Statistik wohlbekate Methode der kleiste Quadrate, auch Regressio geat, zur Bestimmug vo Ausgleichsgerade Regressiosgerade ud allgemei Ausgleichpolome.
Lehrveranstaltung Grundlagen von Datenbanken WS 2018/19. Gesamtpunktzahl 40 Ausgabe Do Abgabe Fr
Iformatiosmodellierug mit dem Etity-Relatioship-Modell Die Abteilug für Cyber Idetizierug Dieste (ACID) möchte ei eues Überwachugssystem für Mobilfukgespräche eiführe. Dabei soll eie relatioale Datebak
Umrechnung einer tatsächlichen Häufigkeitsverteilung in eine prozentuale Häufigkeitsverteilung
.3. Prozetuale Häufigkeitsverteilug (HV) Die prozetuale Häufigkeitsverteilug erlaubt de Vergleich vo Auswertuge, dee uterschiedliche Stichprobegröße zugrude liege. Es köe auch uterschiedliche Stichprobegröße
Der Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
Lösung der Aufgabe 4, Blatt 05
Lösug der Aufgabe 4, Blatt 05 10-PHY-BMA1 WS18/19 Auf Wusch eiiger StudetIe möchte ich hier ach eigeem Ermesse eiige Lösuge digital zur Verfügug stelle. Dazu solle ei paar der bereits besprochee Beweisaufgabe
Streuungsmaße. Prof. Dr. Paul Reuber. Institut für Geographie. Seminar Methoden der empirischen Humangeographie
Streuugsmaße Istitut für Geographie Streuugswerte (Streuugsmaße) Die Diskussio um die Mittelwerte hat die Vorteile dieser statistische Kewerte gezeigt, aber bereits, isbesodere beim arithmetische Mittel,
Kapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
Vorlesung 6. Biologisch motivierte Methoden der Objekterkennung II
Vorlesug 6 Biologisch motivierte Methode der Objekterkeug II Marti Giese Marti.giese@ui-tuebige.de Übersicht Kategorisierug Grudbegriffe der Iformatiostheorie Erkeug basiered auf gelerte Objektteile I.
Übungen zur Analysis 1 für Informatiker und Statistiker. Lösung zu Blatt 8
Mathematisches Istitut der Uiversität Müche Prof Dr Peter Otte WiSe 203/4 Lösug 8 032203 Übuge zur Aalysis für Iformatiker ud Statistiker Lösug zu Blatt 8 Aufgabe 8 [8 Pukte] (a) Für alle N sei = (+) Wir
3.8 Sequentieller Multiplizierer 159
.8 Sequetieller Multiplizierer 59 Nachfolgede Abbildug zeigt de (uvollstädige) Aufbau eier Schaltug zur Implemetierug des gezeigte Multiplikatiosverfahres. b) Vervollstädige Sie die Schaltug so, dass sie
Die notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
Kurvenanpassung durch Regression (3) Ac nichtlineare Regression/Linearisierung -
Kurveapassug durch Regressio (3) Ac 207 - ichtlieare Regressio/Liearisierug - Für Probleme, die eie icht lieare ( ud icht polyomiale) Apassugsfuktio ahelege, ist eie direkte Berechug ach der Methode der
Modellierung des zeitlichen Verhaltens mit Warteschlangen
H HOCHCHLE FÜ TECHIK A PPEW I L Modellierug des zeitliche Verhaltes mit Warteschlage Prof. Dr.-Ig. Adreas ikel adreas.rikel@hsr.ch Tel.: +41 0 55 4461 Mobil: +41 0 79 33056 Ihalt H HOCHCHLE FÜ TECHIK A
Methode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
Jugendliche (18-24 Jahre) in Westdeutschland
Modus Beispiel: Modus Jugedliche (8-4 Jahre) i Westdeutschlad Parameter oder Kewerte eier Häufigkeitsverteilug sid Kegröße, mit dere Hilfe die Verteilug z.t. oder vollstädig rekostruiert werde ka D West
AngStat1(Ue13-21).doc 23
3. Ereigisse Versuchsausgäge ud Wahrscheilicheite: a) Wie wird die Wahrscheilicheit des Auftretes eies Elemetarereigisses A geschätzt? A Ω heißt Elemetarereigis we es ur eie Versuchsausgag ethält also
Das Erstellen von Folgen mit der Last Answer Funktion
Schülerarbeitsblatt Wisseschaftlicher Recher EL-W5 WriteView Das Erstelle vo Folge mit der Last Aswer Fuktio 5 9 Die obige Folge wird ach eier eifache Regel gebildet: Zu jedem Glied wird addiert. Über
Die Jensensche Ungleichung
Die Jesesche Ugleichug Has-Gert Gräbe, Uiv Leipzig Februar 1998 1 Kovexe ud kokave Fuktioe Wir betrachte eie stetige Fuktio y = (x), die au eiem oee Itervall ]a, b[ deiiert sei möge Eie solche Fuktio köe
Wörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
Entity Relationship Modell
Etity Relatioship Modell A.Kaiser; WU-Wie MIS 90 Wahrehmug Systems vo Perso Wahrehmug Systems vo Perso 2 System (oder Ausschitt) Wahrehmug Systems vo Perso 3 Wahrehmug Systems vo Perso 4 Wahrehmug Systems
Totzeitbehaftete Prozesse in der Automation - Probleme und Lösungen
Totzeitbehaftete Prozee i der Automatio - Probleme ud Löuge Hauptemiar Techiche Iformatioyteme Burkhard Heel Drede, 7..2008 Ihalt - Wiederholug Totzeit - Problemtellug Löuge:. Regelug mit PID-Regler 2.
2.3 Einführung der Bruchzahlen
. Eiführug der Bruchzahle..1 Bruchzahlaspekte Sei m (mit m ), eie Bruchzahl. (1) Teil vom Gaze (Siehe dazu de folgede Abschitt..!) () Maßzahl: Bezeichug vo Größe [Siehe Abschitt., Teil I (Größekozept).
1 Informationsmodellierung mit dem Entity-Relationship-Modell
Aufgabezettel 2 (Lösugsvorschläge) Gesamtpuktzahl 40 Iformatiosmodellierug mit dem Etity-Relatioship-Modell Ei ahegelegeer Tierpark möchte ei eues System zur Verwaltug der Tierpopulatioe eiführe, bei dem
Statistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
Tests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
3.2 Wilcoxon Rangsummentest
3. Wilcoxo Ragsummetest Wir gehe davo aus, dass zwei Teilstichprobe x 1, x,..., x 1 ud y1, y,..., y vorliege, wobei die erste Teilstichprobe aus Realisieruge vo uabhägig ud idetisch stetig verteilte Zufallsvariable
Mathematische Vorgehensweise
Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud
Abb. 1: Woher kommen die schwarzen Quadrate?
Has Walser, [0160916], [0161009] Umögliche pythagoreische Dreiecke Idee: Chr. Z., B. 1 Schwarze Quadrate Woher komme die beide schwarze Quadrate? Abb. 1: Woher komme die schwarze Quadrate? Sachverhalt
n=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
Beurteilung des Businessplans zur Tragfähigkeitsbescheinigung
Fachkudige Stellugahme Beurteilug des Busiessplas zur Tragfähigkeitsbescheiigug Name Datum Has Musterma 7. Oktober 2015 Wilfried Orth Grüdugsberatug Stadort Würzburg: Stadort Stuttgart: Waldleite 9a Möhriger
Konfidenzbereiche die auf Runden Normaldaten Basiert Sind
Kofidezbereiche die auf Rude Normaldate Basiert Sid Steve Vardema C-S (Johso) Lee (JQT 001, Comm Stat 00, (003)) Iliaa Vaca (M.S. laufed) 1 Gerudete/Digitale Date Kei eues Problem z. B. gibt es: Sheppard,
Reengineering mit Sniffalyzer
Reegieerig mit Siffalyzer Dr. Walter Bischofberger Wid River Ic. wbischofberger@acm.org http://www.widriver.com/siff 30.10.01 2001 Wid River Systems, Ic. 1 Das Siffgate Projekt Motivatio Schaffe eier Plattform
Tutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
Quantenmechanik I. Musterlösung 12.
Quatemechaik I. Musterlösug 1. Herbst 011 Prof. Reato Reer Übug 1. Ster-Gerlach (19). Ei Strahl aus ugeladee Teilche mit Spi s = 1 läuft etlag der x-achse ud durchquert ei i z-richtug stark ihomogees Magetfeld.
Kreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
Einige wichtige Ungleichungen
Eiige wichtige Ugleichuge Has-Gert Gräbe, Leipzig http://www.iformatik.ui-leipzig.de/~graebe 1. Februar 1997 Ziel dieser kurze Note ist es, eiige wichtige Ugleichuge, die i verschiedee Olympiadeaufgabe
b) Der eintretende und der austretende Lichtstrahl sind parallel. Es tritt keine Verzerrung auf.
Physik awede ud verstehe: Lösuge 5. Brechug ud Totalreflexio 004 Orell Füssli Verlag AG 5. Brechug ud Totalreflexio Beim Übergag i ei Medium gilt obige Aussage icht mehr. Würde das Licht die kürzeste Strecke
Liebe am Arbeitsplatz - die Ergebnisse
Liebe am Arbeitsplatz - die Ergebisse Autor Viktoria Weber Datum der Geerierug 22. 0. 203 (5:28) Iformatioe zum Bericht BESCHREIBUNG UMFRAGESTART UMFRAGEENDE GESAMTSAMPLE NETTOBETEILIGUNG 22. 0. 203 (00:00)
Index. Majorante, 24 Minorante, 23. Partialsumme, 17
Folge, Reihe Idex Kovergezkriterie Hauptkriterium, Leibiz-Kriterium, Majoratekriterium, 4 Mioratekriterium, otwediges Kriterium, 0 Quotietekriterium, teleskopierede Summe, Wurzelkriterium, Majorate, 4
Ganzrationale Funktionen
Gazratioale Fuktioe 9. Defiitio gazratioaler Fuktioe Im Folgede werde ebe lieare ud quadratische Fuktioe auch solche betrachtet, bei dee die Variable i der dritte, vierte oder auch i eier och höhere Potez
(a) Richtig, die Varianz ist eine Summe quadratischer Größen.
Aufgabe 1 (10 Pukte) Welche der folgede Aussage sid richtig? (a) Richtig, die Variaz ist eie Summe quadratischer Größe. (b) Falsch, die Abweichug ordialer Merkmale vom Media ist icht defiiert - also auch
10 Aussagen mit Quantoren und
0 Aussage mit Quatore ud 0.6. Eisatz vo (bereits bekater) Eistezaussage Bisher hatte wir Eistezbeweise geführt, idem wir ei passedes Objekt agegebe habe ( Setze... ). Stattdesse ka ma auch auf bereits
6. Übungsblatt Aufgaben mit Lösungen + Selbsttest-Auflösung
6. Übugsblatt Aufgabe mit Lösuge + Selbsttest-Auflösug Aufgabe 6: Utersuche Sie die Folge, dere Glieder ute für N agegebe sid, auf Beschräktheit, Mootoie ud Kovergez bzw. Beschräktheit, Mootoie ud Kovergez
x = a + b α + β. b) Wir erweitern den Bruch geeignet (Standardtrick: z z ist reell, daher ergibt 1/z = 1/z z/ z = z/(z z) einen reellen Nenner):
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv-Doz Dr P C Kustma Dr D Frey WS 0/ Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zum 3 Übugsblatt Aufgabe Zuächst zum Supremum:
Das FSB Geldkonto. Einfache Abwicklung und attraktive Verzinsung. +++ Verzinsung aktuell bis zu 3,7% p.a. +++
Das FSB Geldkoto Eifache Abwicklug ud attraktive Verzisug +++ Verzisug aktuell bis zu 3,7% p.a. +++ zuverlässig servicestark bequem Kompeteter Parter für Ihr Wertpapiergeschäft Die FodsServiceBak zählt
3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
AT AB., so bezeichnet man dies als innere Teilung von
Teilverhältisse Aus der Geometrie der Dreiecke ket ma die Aussage, dass der Schwerpukt T eies Dreiecks die Seitehalbierede im Verhältis : teilt. Für die Strecke AT ud TM gilt gemäß der Abbildug AT : TM
Statistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
Zahlungsverkehr Inland & SEPA
Zahlugsverkehr Ilad & SEPA Elektroische Abwicklug vo Zahluge ud Lastschrifte im DTA- oder SEPA-Stadard für Microsoft Dyamics NAV Graule ID 5001910 Zahlugsverkehr Ilad & SEPA Allgemeies Das Modul Zahlugsverkehr
h a 2 b 1 h a1 b 2 h a1 b 1 h a1. h a 2. h.b1 h ij h 11 h 12 h 21 a b h. j h 1. h 2. h.1 a b h i. =h i1 h i2... h i m h. j =h 1j h 2j... h k j h.
Kotigeztabelle / Kreuztabelle für 2 diskrete /omialskalierte Variable ethält: 1. absolute gemeisame Häufigkeite h 11 h 12 h 21 für Kombiatioe vo zwei Merkmale / Variable a b steht also für mit jeweils
Kombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
Es werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
4. Mathematikschulaufgabe
10 Gegebe sid die Pukte A(/4), B(/8) ud Z 1 (5/6) eier zetrische Streckug mit dem Zetrum Z 1 ud k = - 11 Fertige eie Zeichug a ud kostruiere die Bildstrecke [A`B`] Platzbedarf: - < x < 15 ud 0 < y < 14
Gruppe. . Das Aussehen des Dirac Impulses wird in Bild 1 veranschaulicht. δ(n)
Übug &Praktikum zur digitale Nachrichtetechik Thema: Faltug Diskrete Faltug Wird ei zeitdiskretes Sigal ( T ) x mit Hile eies Sigalverarbeitugssystems oder eies Sigalverarbeitugsblocks weiter bearbeitet,
Übungen zur Klausur Nr. 2: Wahrscheinlichkeitsrechnung II
Berufskolleg Marieschule Lippstadt Schule der Sekudarstufe II mit gymasialer Oberstufe ud Fachschule - staatlich aerkat - Kurslehrer: Lagebach Berufskolleg Marieschule Lippstadt Schule der Sekudarstufe
Grundlagen der Mathematik (LPSI/LS-M1)
Fachbereich Mathematik Algebra ud Zahletheorie Christia Curilla Grudlage der Mathematik (LPSI/LS-M1) Übugsklausur WiSe 2010/11 - C. Curilla/S. Koch/S. Ziegehage Liebe Studierede, im Folgede fide Sie eiige
U N T E R N E H M E N S K U LT U R
B U S I N E S S C O N S U LT I N G U N T E R N E H M E N S K U LT U R NUTZEN WAS? WARUM? WIE? WARUM? Ausgagssituatio Viele Uterehme sehe sich i Zeite der Digitalisierug ud Reizüberflutug vor die Herausforderug
Datenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datestrukture ud Algorithme Christia Sohler FG Algorithme & Komplexität Orgaisatorisches Vorlesug: Mo 11:15-12:45 Fr 11:15-12:45 Zetralübug: Mo 13:00 13:45 Begi: Heute (2. Teil der Vorlesug) Übuge: Begi:
Aufgaben Reflexionsgesetz und Brechungsgesetz
Aufgabe Reflexiosgesetz ud Brechugsgesetz 24. Zeiche zwei Spiegel, die sekrecht zueiader stehe. Utersuche mit zwei verschiede eifallede Strahle, welche Eigeschafte die reflektierte Strahle habe, die acheiader
Kunde. Kontobewegung
Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:
Finanzmathematik. = K 0 (1+i) n = K 0 q n
Fiazmathematik 1. Kapitalverzisug: Beispiel 1: Ei Kapital vo 3000 wird mit 5% verzist. Wie viel bekommt ma am Ede eies Jahres samt Zise? Die Zise Z werde so berechet: Z = K 0 p/100 = 3000 5/100 = 0. Das
Reader Teil 1: Beschreibende Statistik
Dr. Katharia Best Sommersemester 2011 14. April 2011 Reader Teil 1: Beschreibede Statistik WiMa-Praktikum Um Date darzustelle ud eie Übersicht über die Struktur der Date zu erstelle, stellt die beschreibede
Biosignale und Benutzerschnittstellen
Biosigale ud Beutzerschittstelle - Klassifikatio Vorlesug WS 0/03 Biosigale ud Beutzerschittstelle Toke Modelig / Klassifikatio Prof. Dr. Taja Schultz Dipl.-Math. Michael Wad Biosigale ud Beutzerschittstelle
5. Übungsblatt Aufgaben mit Lösungen
5. Übugsblatt Aufgabe mit Lösuge Aufgabe 2: Bestimme Sie alle Häufugspukte der komplexe) Folge mit de Glieder a) a = ) 5 + 7 + 2 ) b) b = i Lösug 2: a) Die Folge a ) zerfällt vollstädig i die beide Teilfolge
Datenbasis - 3 Sichten
Etity Relatioship Modell A.Kaiser; WU-Wie MIS 76 Datebasis - 3 Sichte Kozeptioelle Sicht EER-Modell Extere Sicht Beutzerorietiert Itere Sicht Computer-orietiert A.Kaiser; WU-Wie MIS 77 Kozeptioelle Datemodelle
Analysis I - Zweite Klausur
Aalysis I - Zweite Klausur Witersemester 2004-2005 Vorame: Name: Aufgabe Aufgabe 2 Aufgabe 3 Aufgabe 4 Aufgabe 5 Aufgabe 6 Aufgabe 7 Aufgabe 8 Aufgabe 9 Summe Aufgabe 4 Pukte Bestimme Sie (mit Beweis)
Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT
Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug
Korrelationsanalyse zwischen kategorischen Merkmalen. Kontingenztabellen. Chi-Quadrat-Test
Kotigeztabelle. Chi-Quadrat-Test Korrelatiosaalyse zwische kategorische Merkmale Beispiel 1 ohe Frau 8 75 1 Ma 48 49 97 76 14? Häufigkeitstabelle (Kotigeztabelle): eie tabellarische Darstellug der gemeisame
4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
CampusSourceEngine HISLSF
Kopplug Hochschuliformatiossysteme ud elearig CampusSourceEgie Dipl.-Iform. Christof Veltma Uiversität Dortmud leartec, Karlsruhe, 14.02.2006 - Hochschuliformatiossysteme allgemei: Iformatiossysteme ud
Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt
2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:
Proseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
Finanzmathematik. = K 0 (1+i) n = K 0 q n
Fiazmathematik 1. Kapitalverzisug: Beispiel 1: Ei Kapital vo 3000 wird mit 5% verzist. Wie viel bekommt ma am Ede eies Jahres samt Zise? Die Zise Z werde so berechet: Z = K 0 p/100 = 3000 5/100 = 0. Das
Konfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer