Optimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R
|
|
- Miriam Bruhn
- vor 5 Jahren
- Abrufe
Transkript
1 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( =! m PD Dr. Mart Stetter, Semes AG Lere vo Datemoelle: Regularserug
2 Lere vo Datemoelle Optmerugsverfahre Optmerug kovexer Fuktoe Optmerugsprobleme mt Rabeguge Nchtkovexe Optmerugsprobleme
3 Optmerug kovexer Fuktoe Häufges Problem be Lere: Maxmerug bz. Mmerug eer Fukto -> Optmerug Bsp: Maxmum Lkelhoo, Maxmum a Posteror, Fehlermmerug..., # + ( " #! # + ( " #, 0! # Def: Kovexe Fukto: Für alle F (! Kovexes Opmerugsproblem Für kovexe Optmerugsprobleme (Mmerug glt: -- Es gbt geau e Mmum -- Es gbt kee lokale Mma -- Maxma lege am Ra es Deftosberechs -- Vele Verfahre fuktoere och be gutartg chtkovexe Fuktoe Ab jetzt: Mmerug Nchtkovex Lokales Mmum Gutartg chtkovex 3
4 Fuktoe eer Varable D-Graeteabsteg: F Gehe e klees Stück Rchtug " = " F! ( " F!( 0 < 0 Itervallschachtelug -- Start a Itervallräer A, B -- Auf Welcher Sete st as Mmum? A 0 B F "(( A + B / > 0! B = ( A + B / F "(( A + B / < 0! A = ( A + B / F " # -- bs: F (( A + B / <! res = ( A + B / Parabel Neto-Verfahre: -- Start mt bel ayloretcklug er Fukto als Parabel F ( # + F" ( (! + F"" ( (! F! ( + = " F!! ( -- Nehme M er Parabel: 4 0
5 Fuktoe mehrerer Varable Graeteabsteg: * Gehe e klees Stück Rchtug es egatve Graete (stelster Absteg & ' F ( + $ % ' = ( + ( bs <! " ' F,..., ' = ( + gra ( #! " = : ( + g = "! Probleme: -- Stelster Absteg zegt cht mmer zum Mmum -- Absteg fägt sch a flache Stelle -- ethält llkürlche Lerschrttete η -- ka uötg lagsam se -- ka oszllere Höhele -! Mmum * 5
6 Neto-Verfahre (Hesse-Matrx: Aalog D-Fall: Nähere F als quaratsche Fukto $ + (! #" +! F ( H( j = ( Hessematrx!! ähle ere Mmum als j (! H( ŵ + =!" ˆ = " + H( ( ˆ! 0 " # = ˆ = " H (! + (! ŵ Höhele "! Bem: -- " " H (! " " H! zegt vo rekt zum Mmum er quarat. Näherug Probleme: -- H be hochmesoale Probleme aufäg zu bereche u zu vertere -- Ncht robust be Übergag zu chtkovexe Optmerugsprobleme 6
7 Zurückführug auf emesoale Probleme: Le-Suche Graetebaserte Le-Suche: =!" =! g -- Im -te Schrtt ähle Rchtug, z.b. -- Mmere (e gehabt D-Fukto f (! =!,! ˆ + = arg m f (! =!ˆ Bem: Höhele -- Etsprcht automatscher Wahl er Lerschrttete -- +! g+ g = 0 0 = + # = " F ( + # = " F ( + = g+ =! + # # ˆ Probleme: -- Zckzack-Kurs, oft sogar be quaratscher Fehlerfukto ˆ 7
8 Kojugerte Graeteverfahre: -- Gehe e gute Rchtug : aber ohe H - explzt zu bereche! + =! H g+ -> Äquvalet: Gehe e Rchtug, e sch er Graet (. Näherug cht äert. De: ( : Es glt: + H = 0 0 =! +!! ˆ = " +! ˆ = " + = g + = # + H ( :! + + " + #! + + " + H =! + -- Daraus läßt sch er Cojugate Graet Algorthmus ablete: =! g +, " +. Wähle Afags-Parameter u. m -te Schrtt mmere 3. Bereche g F + =! ( +!! ˆ = + 4. Kojugerte Graete-Rchtug: + =!g + + ", " = g + 5. Falls Ergebs verbesserugsürg: =+, gehe zu + (g +! g g g! g + 8
9 Optmerugsprobleme mt Rabeguge Def: Glechhets-Rabegug: Mmere uter e Beguge G j ( = 0, j =,..., l Def: Uglechhets-Rabegug: Mmere uter e Beguge U (! 0, =,..., k b Lagrage-Multplkatore (Motvato: = m, geg. " b! 0 Zel: Mmere F, aber blebe auf er Hyperfläche! F -- Stelle scher, ur etlag zu optmere -- gra (G( st sekrecht auf e Fläche (G(=0: Für ε auf Fläche: -- Asatz: L (,! +! G( G( = 0! F G( + å = G( + å! G =! G( # å "! G G( = 0! F ( =! + "! G( für geegetes!! L(, " = Löse: = 0, =,...,!! L(, "!,! G( parallel ( = G( = 0!" -- Also: -- Alteratve Iterpretato: A er Lösug s! -- hesse Lagrage-Multplkatore 9.!G!F
10 Lagrage-Multplkatore u Kuh-ucker Sattelpukt-Begug: G( = 0 -- Betrachte Glechhetsbegug als Paar -- Ab jetzt oba Uglechhets-Rabeguge = m, geg. U (! 0, =,..., k G(! 0, " G(! 0 L (, á = + " = # (, U # ( ˆ, ሠ(, á! 0 L ( ˆ, á L( ˆ, áˆ! L(, ሠŵ -- Betrachte Lagrage-Fukto -- We er Sattelpukt exstert, also für alle 0 k! 0! a löst as Optmerugsproblem mt RB ˆ ˆ ˆ k ˆ U -- Bees: ( L (, á! L(, á # $ = (% "% (! 0 mt mt ( = $ ˆ +, $ j = $ ˆ j, j # " U ( ˆ! 0 $ = 0, $ = $ ˆ, j #! $ ˆ U ( ˆ " 0 $ Rabegug erfüllt! $ ˆ U L( ˆ, áˆ! " ˆ + ( ˆ = 0 j αˆ L(, ሠj ˆ Karush-Kuh-ucker (KK-Begug (ˆ k k # = # = für bel. {"! 0, =, L k} Nur eteer oer köe vo Null abeche U, $ ˆ ˆ ˆ ( ˆ U ( =! F + $ U (! = 0! 0 orb erfüllt
11 Nchtkovexe Optmerugsprobleme Möglche Egeschafte: Kokave Bereche Sattelpukte Globales Mmum Kokaver Berech Sattelpukt Lokales Mmum Lokale Mma Jees Mmum hat ee Ezugsberech -> Attraktorbecke Nahe ees Mmums st as Problem kovex Optmerug: I.. R. r e lokales Mmum gefue Attraktorbecke Im Attraktorbecke: Graeteabsteg, Lesuche fuktoere Im kovexe Berech: Netoverfahre fuktoert Attraktorbecke kovexer Berech
12 Möglchket: Weerholter Graeteabsteg -- Wähle Startparameter 0 -- Fe Mmum m jeelge Attraktorbecke -- Nach vele Durchgäge ähle as Mmum mt klestem F Probleme: -- Kee Garate, as globale Mmum zu fe -- Fluch er Dmesoe -- Ke Stopkrterum p( Wchtger: Globale Suchstratege Mote Carlo Verfahre -- Versuch, Stchprobe { 0,,...} aus er ubekate Vertelug zu zehe p ( = exp(! -- Przp: Wähle zufällg, beerte ese mt Hlfe vo F, Akzeptere proportoal zu p -- Bespele: Importace samplg, Metropols Algorthmus -- Aeug: Numersche Itegrato, Globale Optmerug
13 Smulate Aealg Iee: Betrebe afags Importace Samplg, schleße a System tefstes Mmum e Przp: Lasse afags auch ugüstge Sprüge zu, um lokale Mma zu etkomme exp( "!F k Algorthmus. Wähle hohe Pseuotemperatur 0. Wähle Zufalls-Sprug Δ, bereche 3. < 0 " = +!! F +! F # 0 " + = +! 4. Gehe N mal zurück zu mt Wahrschelchket < 5. Ererge e emparatur gehe zu, bs Etemparatur K errecht k + k " F Aealg Scheule gegebe urch, K,, Abkühlverfahre 0 N = + "! p & ' F = exp $ ( % k #! " Globale Mmerug garatert urch (zu lagsame logarthmsche Abkühlug I er Praxs z.b: 0 $ ( Fmax " Fm est, k + = % k, 0.9 # % # 0.99, N = 00, exp( "! F / K << 3
Erinnerung: 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
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
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
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
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
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
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
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
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,...,
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
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
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
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
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
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
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
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
MehrProf. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 54
Prof. Dr. H. Rommelfager: tschedugstheore, Katel 3 54 3.2.8 ARROW-PRATT-Maß für de Rskoestellug Rskoverhalte bsher grob kategorsert ach Rskoeutraltät, -symathe ud averso be Rskoaverso: (X) < SÄ Rskoräme
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
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
Mehr5 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
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
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
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.
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
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
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
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
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
MehrLösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung
Lösuge zum Übugs-Blatt 7 Wahrschelchketsrechug BMT Bostatstk Prof. Dr. B. Grabowsk ----------------------------------------------------------------------------------------------- Bedgte Wahrschelchket
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)
MehrErgebnis- und Ereignisräume
I Ergebs- ud Eregsräume Zufallsexpermete Defto: E Expermet, welches belebg oft uter gleche Bedguge wederholbar st ud desse Ergebs cht mt Bestmmthet vorhergesagt werde ka (d.h. es gbt md. 2 Mgk.), heßt
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:
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
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
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
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
MehrTeil II. Analysis in der Ökonomie
Tel II Aalyss der Ökoome D (Fuktoe vo uabhägge Varable Se N ud D( f R Ist jedem Vektor (Pukt ( Vorschrft f ee reelle Zahl z f (,,, D( f durch ee =,,, zugeordet, so heßt f ee Fukto vo uabhägge Varable,,,
MehrProbleme mit mehreren Zielen. Probleme mit mehreren Zielen. Probleme mit mehreren Zielen
Probleme mt mehrere Zele Bespel (Dkelbach) E Reseder muss sch vor Ort vo ver Hotels für ees etschede. Dabe verfolgt er folgede Zele: - Bestmöglche Ruhe - Qualtät des Frühstücks - Sauberes Bad - Scherer
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
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,
MehrZahlensysteme. Dezimalsystem. Binär- oder Dualsystem. Hexadezimal- oder Sedezimalzahlen
IT Zahlesysteme Zahledarstellug eem Stellewertcode (jede Stelle hat ee bestmmte Wert) Def. Code: Edeutge Abbldugsvorschrft für de Abbldug ees Zeche-Vorrates eem adere Zechevorrat. Dezmalsystem De Bass
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.
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
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!...
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
MehrSkript Teil 7: Polygonzug
Prof. Dr. tech. Alfred Mschke Vorlesug zur Verastaltug Vermessugskude Skrpt Tel 7: Polgozug Der Begrff Polgo letet sch aus Pol = vel ud Go = Wkel ab ud bedeutet uregelmäßges Veleck. Das Polgoere det zum
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
MehrLösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung
Lösuge zum Übugs-Blatt 7 Wahrschelchketsrechug BMT Bostatstk Prof. Dr. B. Grabowsk ----------------------------------------------------------------------------------------------- Satz vo Bayes ud totale
MehrKorrelations- und Assoziationsmaße
k m χ : j l r +. Zusammehagsmaße ( o e ) jl jl e jl Korrelatos- ud Assozatosmaße e jl 5 Merkmal Y Summe X b b m a H (a,b) H (a,b). a H (a,b) H (a,b). Summe.. Zusammehagsmaße Eführug Sche- ud Noses-Korrelato
Mehr8. Funktionen mehrerer Veränderlicher
Prof. Dr. Wolfgag Koe Mathematk, SS9 9.3.9 8. Fuktoe mehrerer Veräderlcher Das Zel des Reches st Escht, cht Zahle. [Rchard Hammg, 95-998] 8.. Worum geht es? Bsher hatte wr be der Dfferetato ur Fuktoe eer
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:,,,,,,,,
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
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
MehrHier die ausführlichen Lösungen (wenn auch nicht druckreif ): Zeigen Sie für vollkommene Konkurrenz auf dem Faktormarkt:
Her de ausführlche Lösuge (e auch cht druckref ): ufgabeblatt 5: ufgabe : Zege Se für ollkoee Kokurrez auf de Faktorarkt: a) e ollstädger Kokurrez auf de Güterarkt rd jeder Faktor t see Wertgrezrodukt
MehrLösungen. Häufigkeitsverteilung (Stabdiagramm) Aufgabe 1. Häufigkeit (h) Merkmal (x)
Lösuge Aufgabe Merkmal (x) Häufgket (h) h x,, 3, 3,, 8, 5, 5, 6, 6, 7, 3, 8, 3 5, 9, 38,, 5,, 8 68,, 6 3, 3, 9,, 8, 5, 5 5, 6, 3 78, 7, 5, 8, 8, 3, 3, Summe 5.63, Aufgabe Häufgketsvertelug (Stabdagramm)
MehrLeitfaden zu den Indexkennzahlen der Deutschen Börse
Letfade zu de Idexkezahle der Deutsche Börse Verso.5 Deutsche Börse AG Verso.5 Letfade zu de Idexkezahle der Deutsche Börse Page Allgemee Iformato Um de hohe Qualtät der vo der Deutsche Börse AG berechete
MehrRegressionsrechnung und Korrelationsrechnung
Regressosrechug ud Korrelatosrechug Beschrebede Statstk Modul : Probleme be der Abhäggketsaalyse Problem : Es gbt mest cht ur ee Eflussfaktor (Probleme sd selte mookausal ) A Ursache() Wrkug B C - efache
Mehrdie Schadenhöhe ( = Risikoergebnis) des i-ten Versicherungsnehmers i 1,, n).
Aufgabe Wr betrachte ee Reteverscherug der Retebezugszet mt jährlch vorschüssger Retezahlug solage der Verscherte lebt. a) Bezeche V bzw. V de rechugsmäßge Deckugsrückstellug am Afag bzw. am Ede des Verscherugsjahres.
MehrKapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
MehrInduktion am Beispiel des Pascalschen Dreiecks
Iduto am Bespel des Pascalsche Dreecs Alexader Rehold Coldtz 0.02.2005 Eletug vollstädge Iduto De vollstädge Iduto st ebe dem drete ud drete Bewesverfahre ees der wchtgste der Mathemat. Eher bespelhaft
MehrMehrdimensionale Häufigkeitsverteilungen (1)
Mehrdmesoale Häufgketsverteluge () - De Begrffe uvarat ud bvarat - Vo uvarate (edmesoale) statstsche Aalyse sprcht ma, we pro Perso ur e Merkmal tabellarsche oder grafsche Häufgketsverteluge oder be der
MehrStochastische Bildmodelle und deren Anwendung
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 - Ihalt Eletug Bespele vo Bldmodelle
MehrInterpolationspolynome
Iterpolatospolyome Ac Gegebe sd +1 Stützstelle x 0 bs x zusamme mt hre Stützwerte y 0 bs y. Durch de Pukte ( x / y ) soll e Polyom p(x) -te Grades gelegt werde : p(x) = a 0 + a 1 x + a 2 x² + + a x = Das
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
MehrUnter einer Rente versteht man eine regelmässige und konstante Zahlung
8 Aweduge aus der Fazmathematk Perodsche Zahluge: Rete ud Leasg Uter eer Rete versteht ma ee regelmässge ud kostate Zahlug Bespele: moatlche Krakekassepräme, moatlche Altersrete, perodsches Spare, verteljährlcher
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
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
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
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
MehrRekurrenz. Algorithmen rufen sich selbst (rekursiv) auf.
Rekurrez Rekurso: Algorthme rue sch selst rekursv u. Rekurrez: Ds Luzetverhlte zw. der Specherpltzedr vo rekursve Algorthme k der Regel durch ee Rekursosormel recurrece, RF eschree werde. Rekurrez Bespel:
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:
MehrWenn man mehrere Verbraucher in Reihe schaltet, so werden alle vom gleichen Strom durchflossen, siehe auch Abschnitt und Formel ( ).
- rudlage der Elektrotechk - 60 22..04 4 Der komplzertere elektrsche lechstromkres 4. Kombato vo Verbraucher 4.. Sere- oder eheschaltug vo Wderstäde We ma mehrere Verbraucher ehe schaltet, so werde alle
Mehr5. Mehrkomponentensysteme - Gleichgewichte
5. Mehrkomoetesysteme - lechgewchte 5.1 Phaseglechgewchte artelles molares olume eobachtug: esamtvolume eer Flüssgketsmschug oft (Ezelvoluma) z.., 1000 cm 3 Ethaol + 18 cm 3 Wasser (1mol) = 1014 cm 3 Mschug
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
MehrAUSLEGUNGSVERFAHREN FÜR AUTARKE PV BATTERIE WASSERSTOFF HYBRIDSYSTEME MITTELS PARTIKEL SCHWARM OPTIMIERUNG
Isttut für Eergetechk Professur für Eergespechersysteme AUSLEGUNGSVERFAHREN FÜR AUTARKE PV BATTERIE WASSERSTOFF HYBRIDSYSTEME MITTELS PARTIKEL SCHWARM OPTIMIERUNG Mart Paultschke Dresde, 15. November 2016
Mehr14. Folgen und Reihen, Grenzwerte
4. Folge ud Rehe, Grezwerte 4. Folge ud Rehe, Grezwerte 4. Ee Folge defere Eplzte Defto Reursve Defto 4. Gleder eer vorher deferte Folge bereche E Gled Mehrere Gleder 6 4 5 4.3 Ee Folge defere ud ege hrer
Mehr2 42 ). logn, y an, bzw die Information, die y über x enthält. input y besitzt, dann gibt die notwendige Programmlänge, KΦ x y p : Φ p x
TM, KΦ y y y lteratv dazu ka a auch sage, dass der $ (a) koplzerter ( Se seer Beschrebug) als (b) oder (c) st. Das führt zu Begrff der deskrptve oder Kologorov Kopletät edlcher oder uedlcher $s. Zufällgket
MehrEinführung in die Stochastik 3. Übungsblatt
Eführug de Stochastk 3. Übugsblatt Fachberech Mathematk SS 0 M. Kohler 06.05.0 A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 9 (4 Pukte) Der Mkrozesus st ee statstsche Erhebug. Herbe werde ach bestmmte
MehrRegression und Korrelation
Regreo ud Korrelato regreo: Zurückführug, Rückchrete correlato: Wechelbezehug Praktche Aäherug (Bepel1) wevele Ewemoleküle d dem Blutplama? (Stück, mol, g, ) we gro t de Ewekozetrato de Blutplama? (St/L,
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
Mehr8. Mehrdimensionale Funktionen
Prof. Dr. Wolfgag Koe Mathematk, SS05.05.05 8. Mehrdmesoale Fuktoe Wer Greze überschretet, versucht, ee eue Dmeso vorzustoße. [Dael Mühlema, (*959), Übersetzer ud Aphorstker] Ege Leute sollte cht dü werde,
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
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
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 ( ) ( )
MehrNeuronale Verfahren zur Regression
Neuroale Verfahre zur Regresso eares oell Vo Percetro zu ultlage-percetro Error-BAckroagato erregel Raale Bassfuktoe-Netze P r art Stetter Sees AG Regresso as leare oell Ausgagsukt: eares Percetro Fttet
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
MehrInvestmentfonds. Kennzahlenberechnung. Performance Risiko- und Ertragsanalyse, Risikokennzahlen
Ivestmetfods Kezahleberechug erformace Rsko- ud Ertragsaalyse, Rskokezahle Gültg ab 01.01.2007 Ihalt 1 erformace 4 1.1 Berechug der erformace über de gesamte Beobachtugzetraum (absolut)... 4 1.2 Aualserug
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
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
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
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
MehrVektorraummodell. Michael Granitzer Know-Center - gefördert durch das Kompetenzzentrenprogramm
Vektorrauoell Mchael Gratzer gra@ko-ceter.at / - geförert urch as Kopetezzetreprogra Vektorrauoell Ausgagsbass Gegebe: Vorverarbetug vo Dokuete Tokezato POS Taggg Nae Etty Extracto Mege vo Merkale pro
MehrHochschule Darmstadt Fachbereich MK Prof. Dr. Fritz Bierbaum Mathematik I Wintersemester 2017 / 2018 Kapitel 1, Übungen, Seite 1/7
Hohshule Darmstadt Fahbereh K Prof Dr Frtz Berbaum athematk I Wtersemester 0 / 08 Kaptel, Übuge, Sete / Aufgabe We es x Lter auf de Quadratmeter reget, we hoh steht da das Wasser m Aufgabe Gegebe sd utershedlhe
Mehr6. Zusammenhangsmaße (Kovarianz und Korrelation)
6. Zuammehagmaße Kovaraz ud Korrelato Problemtellug: Bher: Ee Varable pro Merkmalträger, Stchprobe x,, x Geucht: Maße für Durchchtt, Streuug, uw. Jetzt: Zwe metrche! Varable pro Merkmalträger, Stchprobe
MehrStatistik. (Inferenzstatistik)
Statstk Mathematsche Hlfswsseschaft mt der Aufgabe, Methode für de Sammlug, Aufberetug, Aalyse ud Iterpretato vo umersche Date beretzustelle, um de Struktur vo Masseerscheuge zu erkee. Deskrptve (beschrebede)
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
Mehr