Clusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix
|
|
- Lisa Fried
- vor 8 Jahren
- Abrufe
Transkript
1 TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung - Diskriminanzanalyse Rohdatenmatrix und Distanzmatrix Proximitätsmaße und Merkmalsvariablen Distanzmaße bei quantitativen Merkmalen Euklidische Distanz Pearsonsche Distanz Manhattan-Metrik Gower-Distanz Mahalanobis-Distanz Klassifikationsverfahren Complete-Linkage-Verfahren Single-Linkage-Verfahren Average-Linkage-Verfahren Ward-Verfahren Centroid-Verfahren Median-Verfahren McQuitty-Verfahren k-mittelwerte-verfahren Eigenschaften der Klassifikationsverfahren
2 Fragestellung Aufgaben Einordnung von Objekten in Gruppen anhand von mehreren Merkmalen Beispiel: Klassifikation Optimale Aufteilung einer Menge von Objekten in möglichst homogene Gruppen anhand ihrer Merkmale Untersuchungsobjekte: Betriebskenngrößen: Landwirtschaftliche Betriebe Landwirtschaftliche Nutzfläche Großvieheinheiten Betriebseinkommen etc. Beispiel: Einteilung von Pflanzenbeständen in Fruchtarten anhand ihres Rückstreuverhaltens bei verschiedenen Wellenlängen Datenreduktion Einteilung in Betriebe ähnlicher Wirtschaftsweise, evtl. Pflanzenbaubetriebe, Tierhaltungsbetriebe, Gemischtbetriebe Vereinfachte Darstellung einer Menge von Objekten Auffinden von Mustergruppen oder Mustertypen n p x ik Objekte o i Merkmalsvariablen x k Ausprägung des k-ten Merkmals des i-ten Objekts (i=1,...,n, k=1,...,p) Beispiel: Welches Rückstreuverhalten ist für einen gesunden Zuckerrübenbestand typisch? Hypothesenerzeugung Auffinden von Hypothesen über die Merkmale bzw. die Gruppeneinteilung. Merkmal 2 Merkmal 2 Beispiel: Hat ein gesunder Zuckerrübenbestand ein signifikant anderes Rückstreuverhalten als ein kranker Bestand? Merkmal 1 Merkmal 1
3 Gruppenzugehörigkeit unbekannt Einordnung von Objekten in ähnliche Gruppen unüberwachte Klassifikation (unsupervised classification) Klassifikation Ausgangssituation n Objekte o i, i = 1,2,...,n p quantitative, qualitative oder binäre Merkmalsvariablen Rohdatenmatrix X n p = (), k = 1,2,...,p Merkmal 1 þ Merkmal k þ Merkmal p Objekt 1 x11 þ x1k þ x1p!!!! Objekt i x þ x þ x i1 ik ip!!!! Objekt n x þ x þ x n1 nk np Diskriminanzanalyse Gruppenzugehörigkeit bekannt Einordnung neuer Objekte in bekannte Gruppen überwachte Klassifikation (supervised classification) Gruppe 1 Gruppe 2 Für jedes Objektpaar (o i,o j) ist eine Distanz d ij definiert Distanzmatrix D n n = (d ij), i,j = 1,2,...,n Objekt 1 þ Objekt i þ Objekt n Objekt 1 d11 þ d1i þ d1n!!!! Objekt i d þ d þ d i1 ii in!!!! Objekt n d þ d þ d n1 ni nn Gruppe 3 Gesucht: Aufteilung der n Objekte in g Gruppen Objekte einer Gruppe möglichst ähnlich (kleine Distanz) Gruppen untereinander möglichst unähnlich (große Distanz) neue Objekte Untersuchung der Gruppenunterschiede Klassifikation mit Diskriminanzanalyse Fragen: Welches Proximitätsmaß wird gewählt? Welches Klassifikationsverfahren legt Einteilung fest? Wieviele Gruppen sind zu unterscheiden?
4 Proximitätsmaße Distanzmaße bei quantitativen Merkmalen Ähnlichkeitsmaße: Quantifizieren die Ähnlichkeit zwischen zwei Objekten. Je größer der Wert, desto ähnlicher sind die beiden Objekte. Distanzmaße: Quantifizieren die Unterschiedlichkeit zwischen zwei Objekten. Je größer der Wert, desto unähnlicher sind die beiden Objekte. Euklidische Distanz d 2 (O i,o j )' d 2 p 2 (O i,o j )' j k'1 j p k'1 Pearsonsche Distanz &x jk 2 &x jk 2 (quadriert) Merkmalsvariablen Binär: Merkmal vorhanden (1) oder nicht (0) Tanimoto-Koeffizient Russel & Rao (RR)-Koeffizient Simple Matching (M)-Koeffizient Nominal und Ordinal: Transformation in binäre Merkmale Quantitativ: Metrische Merkmale Euklidische Distanz Pearsonsche Distanz Manhattan-Metrik Gower-Distanz Mahalanobis-Distanz d P (O i,o j )' Manhattan-Metrik d 1 (O i,o j )' j p Gower-Distanz k'1 d G (O i,o j )' j p k'1 j p k'1 &x jk 2 s 2 k &x jk Mahalanobis-Distanz &x jk r k mit r k 'max k &min k d 2 M ' x i &x ) j S &1 x i &x j mit s rc ' 1 n n j i'1 x ir &x.r x ic &x.c
5 Fette - Fettsäuremuster Hierarchische Agglomerative Klassifikationsverfahren Buttersäure Laurinsäure Myristinsäure [g / 100 g] Palmitinsäure Stearinsäure Ölsäure Linolsäure Linolensäure Anfang: n Gruppen mit jeweils einem Objekt Schrittweise Fusion ähnlicher Objekte oder Gruppen Reduzierte Distanzmatrix Heterogenitätsmaß der Partition h(p) = min d µ Darstellung der Partitionen P durch ein Dendrogramm Kuhmilch Maisöl Palmkernfett Rindertalg Schweinefett Sojaöl Verfahren d (µ)8 Complete-Linkage max(d,d ) 8 µ8 Single-Linkage min(d,d ) 8 µ8 Fette - Euklidische Distanzen Average-Linkage n d 8 %n µ d µ8 n %n µ Ward (n %n 8 )d 8 %(n µ %n 8 )d µ8 &n 8 d µ n %n µ %n 8 Kuhmilch Maisöl Palmkernfett Rindertalg Schweinefett Sojaöl Centroid n d 8 %n µ d µ8 n %n µ & n n µ d µ (n %n µ ) 2 Kuhmilch 0 Maisöl Palmkernfett Rindertalg Schweinefett Sojaöl Median McQuitty d 8 %d µ8 2 d 8 %d µ8 2 & d µ 4
6 Fette - Complete-Linkage Fette - Complete-Linkage Euklidische Distanzmatrix D: * * * * * * Fusion von 2 (Maisöl) und 6 (Sojaöl) h = min d = d = µ 26 Bestimmung der neuen Distanzen: d = max(d,d ) = d = 66.0 (26) d = max(d,d ) = d = 73.4 (26) d = max(d,d ) = d = 54.6 (26) d = max(d,d ) = d = 60.7 (26) Reduzierte Distanzmatrix D : 1 (26) * (26) 66.0 * * * * Reduzierte Distanzmatrix D : 1 (26) * (26) 66.0 * * * * Fusion von 4 (Rindertalg) und 5 (Schweinefett) h = min d = d = µ 45 Bestimmung der neuen Distanzen: d (45)1 = max(d 41,d 51) = d 41 = 23.6 d (45)(26) = max(d 4(26),d 5(26) ) = d 5(26) = 60.7 d (45)3 = max(d 43,d 53) = d 43 = 64.5 Reduzierte Distanzmatrix D : 1 (26) 3 (45) 1 * (26) 66.0 * * (45) *
7 Fette - Complete-Linkage Fette - Complete-Linkage Reduzierte Distanzmatrix D : 1 (26) 3 (45) 1 * (26) 66.0 * * (45) * Fusion von (45) und 1 (Kuhmilch) h = min d = d = µ (45)1 Bestimmung der neuen Distanzen: d = d = max(d,d ) = d = 66.0 (1(45))(26) (145)(26) 1(26) (45)(26) 1(26) d = d = max(d,d ) = d = 64.5 (1(45))3 (145)3 13 (45)3 (45)3 Reduzierte Distanzmatrix D : (145) (26) 3 (145) * (26) 66.0 * * Reduzierte Distanzmatrix D : (145) (26) 3 (145) * (26) 66.0 * * Fusion von (145) und 3 (Palmkernfett) h = min d = d = µ (145)3 Bestimmung der neuen Distanzen: d = d = max(d,d ) = d = 73.4 (3(145))(26) (1345)(26) 3(26) (145)(26) 3(26) Reduzierte Distanzmatrix D : (1345) (26) (1345) * (26) 73.4 * Fusion von (1345) und (26) zu (123456) h = min d = d = µ (1345)(26)
8 Fette - Complete-Linkage Iterative Klassifikationsverfahren Partitionen Dendrogramm Partition Index Gruppen P (1), (2), (3), (4), (5), (6) P (1), (26), (3), (4), (5) P (1), (26), (3), (45) P (145), (26), (3) P (1345), (26) P (123456) h Iterative Verbesserung einer gegebenen Anfangspartition k-mittelwerte-verfahren (k-means-procedure) Anfangspartition aufgrund hierarchischem Verfahren zufällig willkürlich Verschiebung von Objekten in verschiedene Gruppen Kriterien: Abstandsquadratsummenkriterium Varianzkriterium Determinantenkriterium Spurkriterium Lokales (jedoch i.a. kein globales) Minimum Kuhmilch Rindertalg Schweinefett Palmkernfett Maisöl Sojaöl
9 Betriebe Betriebe - Klassifikation MTB > Retrieve "TPG_BETR.MTW". Retrieving worksheet from file: TPG_BETR.MTW MTB > Print 'LN' 'GV/ha' 'AK'. Data Display Row LN GV/ha AK MTB > Cluo 'LN' 'GV/ha' 'AK'; SUBC> Complete; SUBC> Euclidean; SUBC> Dendrogram. Cluster Analysis of : LN; GV/ha; AK Euclidean Distance, Complete Linkage Amalgamation Steps Step No. of Simil. Dist. Clusters New No. of obs. clusters level level joined cluster in new cluster Final Partition Number of clusters: 1 No. of Within cluster Aver. dist. Max. dist. obs. sum of squares from centroid from centroid Cluster
10 Betriebe - Dendrogramme Betriebe - Dendrogramme Similarity Complete-Linkage - Euklidischer Abstand Similarity Average-Linkage - Euklidischer Abstand Similarity Single-Linkage - Euklidischer Abstand Average-Linkage - Quadratischer Euklidischer Abstand Similarity
11 Betriebe - Dendrogramme Betriebe - Ward-Klassifikation Distance Distance Ward - Euklidischer Abstand Ward - Manhattan-Metrik MTB > Name c4 'Ward' MTB > Cluo 'LN' 'GV/ha' 'AK'; SUBC> Ward; SUBC> Pearson; SUBC> Standardize; SUBC> Number 3; SUBC> Dendrogram; SUBC> Title "Ward - Pearsonscher Abstand"; SUBC> Type 2 3 4; SUBC> Member 'Ward'. Cluster Analysis of : LN; GV/ha; AK Standardized Variables, Pearson Distance, Ward Linkage Amalgamation Steps Step No. of Simil. Dist. Clusters New No. of obs. clusters level level joined cluster in new cluster : : : : : : : : : : : : : : : : Final Partition Number of clusters: 3 No. of Within cluster Aver. dist. Max. dist. obs. sum of squares from centroid from centroid Cluster Cluster Cluster Cluster Centroids Variable Cluster1 Cluster2 Cluster3 Grand centrd LN GV/ha AK Distances Between Cluster Centroids Cluster1 Cluster2 Cluster3 Cluster Cluster Cluster
12 Betriebe - k-means-klassifikation Betriebe - Vergleich Ward - k-means MTB > Name c5 'k-means' MTB > KMean 'LN' 'GV/ha' 'AK'; SUBC> Init 'Ward'; SUBC> Standardize; SUBC> Member 'k-means'. K-means Cluster Analysis: LN; GV/ha; AK Standardized Variables Final Partition Number of clusters: 3 No. of Within cluster Aver. dist. Max. dist. obs. sum of squares from centroid from centroid Cluster Cluster Cluster Cluster Centroids Variable Cluster1 Cluster2 Cluster3 Grand centrd LN GV/ha AK MTB > Print 'LN' 'GV/ha' 'AK' 'Ward' 'k-means'. Data Display Row LN GV/ha AK Ward k-means Distances Between Cluster Centroids Cluster1 Cluster2 Cluster3 Cluster Cluster Cluster Similarity Ward - Pearsonscher Abstand
13 Eigenschaften der einzelnen Klassifikationsverfahren Complete-Linkage: dilatierend kleine homogene Gruppen betont Gruppenunterschiede Single-Linkage: kontrahierend große Gruppen betont Zusammenhang in den Gruppen Average-Linkage: zwischen Complete- und Single-Linkage Ward-Verfahren: leistungsfähig sehr homogene Gruppen Centroid-Verfahren: weniger empfehlenswert Median-Verfahren: weniger empfehlenswert McQuitty-Verfahren: weniger empfehlenswert k-means-verfahren: Verbesserung einer hierarchischen Anfangspartition
Clusteranalyse. Multivariate Datenanalyse. Prof. Dr. Dietmar Maringer. Abteilung für Quantitative Methoden, WWZ der Universität Basel
Clusteranalyse Multivariate Datenanalyse Prof. Dr. Dietmar Maringer Abteilung für Quantitative Methoden, WWZ der Universität Basel Herbstsemester 2013 D Maringer: Datenanalyse Clusteranalyse (1) Ausgangssituation
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
Mehr4.3 Hierarchische Klassifikationsverfahren
4.3 Hierarchische Klassifikationsverfahren Hierarchische Klassifikationsverfahren: Einsatz zum Zwecke einer Aufdeckung von lusterstrukturen, wenn keine Kenntnisse über die Gruppenzahl verfügbar sind Agglomerativen
MehrVorlesung Text und Data Mining S9 Text Clustering. Hans Hermann Weber Univ. Erlangen, Informatik
Vorlesung Text und Data Mining S9 Text Clustering Hans Hermann Weber Univ. Erlangen, Informatik Document Clustering Überblick 1 Es gibt (sehr viele) verschiedene Verfahren für das Bilden von Gruppen Bei
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS / MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 4 26..,
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrEine Einführung in R: Hochdimensionale Daten: n << p Teil II
Eine Einführung in R: Hochdimensionale Daten: n
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN SS 97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 15 45
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
MehrHans-Friedrich Eckey SS 2004. Skript zur Lehrveranstaltung Multivariate Statistik
Hans-Friedrich Eckey SS 2004 Skript zur Lehrveranstaltung Multivariate Statistik Vormerkungen I Vorbemerkungen Das Manuskript beinhaltet den gesamten Stoff, der Bestandteil der Lehrveranstaltung "Multivariate
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrSeminar zum Thema Künstliche Intelligenz:
Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden
MehrWas ist eine Clusteranalyse, wann und wie wird sie angewendet?
Autor: Dr. Ralf Gutfleisch, Stadt Frankfurt a. M., Bürgeramt, Statistik und Wahlen Was ist eine Clusteranalyse, wann und wie wird sie angewendet? Fragestellung Drei Fragen stehen im Vordergrund dieser
MehrVisualisierung und Vergleich der Clusterverfahren anhand von QEBS-Daten
Bachelorarbeit Visualisierung und Vergleich der Clusterverfahren anhand von QEBS-Daten zur Erlangung des Grades Bachelor of Science von Sophia Hendriks (Matrikelnummer: 182984) Studiengang Statistik eingereicht
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrEntscheidungen bei der Durchführung einer Cluster-Analyse
7712Clusterverfahren Entscheidungen bei der Durchführung einer Cluster-Analyse nach: Eckes, Thomas, und Helmut Roßbach, 1980: Clusteranalysen; Stuttgart:Kohlhammer A. Auswahl der Merkmale Festlegung des
MehrQualitative und Quantitative Forschungsmethoden
Qualitative und Quantitative Forschungsmethoden Unterschiede zwischen den Forschungsstrategien Überprüfendes vs. Entdeckendes Erkenntnisinteresse Ziel ist die Überprüfung von Theorieaussagen. Es werden
MehrProjekt-Ideenskizze. Markt: Telekommunikation
Projekt-Ideenskizze Markt: Telekommunikation 1. Zu untersuchende Fragestellung 2. Zielsetzung des Marktforschungsprojektes 3. Geplante Marktforschungsmethoden + Begründung 4. Planung der Durchführung 5.
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrSchrittweise Regression. Schrittweise Regression. Verfahren und Kriterien. Multikollinearität. Vorwärtsauswahl und Rückwärtselimination
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden I WS /1 Verfahren und Kriterien Partielle Korrelationskoeffizienten
MehrWas ist eine gute Klinische Studie - die Sicht der Statistik. Peter Martus Institut für Biometrie und Klinische Epidemiologie
Was ist eine gute Klinische Studie - die Sicht der Statistik Peter Martus Institut für Biometrie und Klinische Epidemiologie Historisches Beispiel James Lind (1716-1794) entwickelte 1747 als britischer
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrDas Dilemma des Einbrechers Wer die Wahl hat, hat die Qual!
Das Dilemma des Einbrechers Wer die Wahl hat, hat die Qual! 0kg 4000 Euro Luster 5,5 kg, 430.- Laptop 2,0 kg, 000.- Schatulle 3,2 kg, 800.- Uhr 3,5 kg, 70.- Schwert,5 kg, 850.- Bild 3,4 kg, 680.- Besteck
MehrMedia Teil III. Begriffe, Definitionen, Übungen
Media Teil III. Begriffe, Definitionen, Übungen Kapitel 1 (Intermedia- Vergleich: Affinität) 1 Affinitätsbewertung als Mittel des Intermedia-Vergleichs Um die Streugenauigkeit eines Werbeträgers zu bestimmen,
MehrEinführung ins Experimentieren. Methodenpropädeutikum II Allgemeine Psychologie. Überlegungen zum exp. Design. Adrian Schwaninger & Stefan Michel
Methodenpropädeutikum II Allgemeine Psychologie Adrian Schwaninger & Stefan Michel Einführung ins Experimentieren 1. Fragestellung und Hypothesen 2. Variablen und Operationalisierung UV und Störvariablen
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
Mehr4.Tutorium Multivariate Verfahren
4.Tutorium Multivariate Verfahren - Clusteranalyse - Hannah Busen: 01.06.2015 und 08.06.2015 Nicole Schüller: 02.06.2015 und 09.06.2015 Institut für Statistik, LMU München 1 / 17 Gliederung 1 Idee der
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2015/16 Hochschule Augsburg Rentenrechnung Definition Rente: Zahlungsstrom mit Zahlungen in gleichen
MehrRauchen und Aussiedler: mitgebrachte Risiken oder Anpassung an die deutsche Allgemeinbevölkerung?
Rauchen und Aussiedler: mitgebrachte Risiken oder Anpassung an die deutsche Allgemeinbevölkerung? Katharina Reiss, Jacob Spallek, Doris Bardehle, Oliver Razum Abteilung Epidemiologie & International Public
MehrErgebniszusammenfassung TU Clausthal
www.marketing.uni-hohenheim.de Ergebniszusammenfassung TU Clausthal Prof. Dr. Markus Voeth Universität Hohenheim Institut für Marketing & Management Lehrstuhl für Marketing I Agenda Wie zufrieden sind
MehrEntscheidungsbaumverfahren
Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch
MehrSoftware Engineering. Sommersemester 2012, Dr. Andreas Metzger
Software Engineering (Übungsblatt 2) Sommersemester 2012, Dr. Andreas Metzger Übungsblatt-Themen: Prinzip, Technik, Methode und Werkzeug; Arten von Wartung; Modularität (Kohäsion/ Kopplung); Inkrementelle
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrB. Heger / R. Prust: Quantitative Methoden der empirischen Sozialforschung (Master Modul 1.3) GET FILE ='Z:\ALLBUS_2007_neu.sav'.
B. Heger / R. Prust: Quantitative Methoden der empirischen Sozialforschung (Master Modul 1.3) Übung 1 (mit SPSS-Ausgabe) 1. Öffnen Sie den Datensatz ALLBUS_2007_neu! GET FILE ='Z:\ALLBUS_2007_neu.sav'.
MehrGlobally Harmonized System (GHS)
Globally Harmonized System (GHS) Internationale Harmonisierung von Gefahrgut- und Arbeitsschutzrecht sowie angrenzender Rechtsbereiche (Umweltschutz) Folie 1 LogiMAT 2004 Expertenkomitee über die Beförderung
MehrSudoku-Informatik oder wie man als Informatiker Logikrätsel löst
Sudoku-Informatik oder wie man als Informatiker Logikrätsel löst Peter Becker Hochschule Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@h-brs.de Kurzvorlesung am Studieninformationstag, 13.05.2009
MehrManagement Summary. Zusammenfassung der Ergebnisse aus dem ersten Teil der Analyse des Twitter Follower Netzwerks
Management Summary Zusammenfassung der Ergebnisse aus dem ersten Teil der Analyse des Twitter Follower Netzwerks Research, Analysis & Consulting www.schwerdtundfeger.de 1 Datengrundlage Twitter Follower
MehrPräsentation der Ergebnisse von Clusteranalysen
Autorin: Antje Seidel-Schulze, Deutsches Institut für Urbanistik, Berlin Präsentation der Ergebnisse von Clusteranalysen Der folgende Themenkomplex beantwortet die Frage, wie die von Statistikprogrammen
MehrFeiertage in Marvin hinterlegen
von 6 Goecom GmbH & Co KG Marvin How to's Feiertage in Marvin hinterlegen Feiertage spielen in Marvin an einer Reihe von Stellen eine nicht unerhebliche Rolle. Daher ist es wichtig, zum Einen zu hinterlegen,
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrBUSINESSPLAN STARTUPTEENS WIR MACHEN JUNGE UNTERNEHMER
BUSINESSPLAN STARTUPTEENS WIR MACHEN JUNGE UNTERNEHMER WOZU BRAUCHT MAN EINEN BUSINESSPLAN? 1. Executive Summary 2. Geschäftsidee 3. Geschäftsmodell 4. Wettbewerb 5. Team 6. Zeitplan 7. Angebot STARTUPTEENS
MehrDokumenten-Clustering. Norbert Fuhr
Dokumenten-Clustering Norbert Fuhr Dokumenten-Clustering (Dokumenten-)Cluster: Menge von ähnlichen Dokumenten Ausgangspunkt Cluster-Hypothese : die Ähnlichkeit der relevanten Dokumente untereinander und
MehrFührungsstile Überblick. Ihr Führungsstil bestimmt Ihren Erfolg
Führungsstile Überblick Ihr Führungsstil bestimmt Ihren Erfolg Dr. Helmut Huber Johannisstraße 13 82418 Murnau Tel: 08841-6277300 helmut@huber-management.de 1 Effizienzkiller Eine Analyse von Proudfood
MehrKieferorthopädische Versorgung. Versichertenbefragung 2015
Kieferorthopädische Versorgung Versichertenbefragung 2015 Fragestellungen 1. Wie ist es um Beratung und Behandlung in der kieferorthopädischen Versorgung in Deutschland bestellt? 2. Wie sind die Versicherten?
MehrErfolg beginnt im Kopf
Erfolg beginnt im Kopf Wie Sie ausgeglichen bleiben und Ihre Ziele einfacher erreichen 8. VR-Unternehmerforum AGRAR Die Ausgangslage Am Markt 6 49406 Barnstorf Am Markt 6 49406 Barnstorf Alles verändert
MehrCondorcet-Paradox (der sozialen Entscheidung mit einfacher Mehrheit)
1 - wipo060215.doc Condorcet-Paradox (der sozialen Entscheidung mit einfacher Mehrheit) Problem: Wenn mindestens drei Personen unter mindestens drei Optionen auszuwählen haben, dann ist es möglich, daß
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
MehrWie findet das Navi den Weg?
0.05.0 Verwandte Fragestellungen Problemstellungen aus der Praxis Prof. Dr. Paul Rawiel Gliederung des Vortrags Speicherung von Kartendaten zur Navigation Kriterien für die Navigation Finden des kürzesten
MehrDAS ABI-PFLICHTTEIL Büchlein
DAS ABI-PFLICHTTEIL Büchlein für Baden-Württemberg Alle Originalaufgaben Haupttermine 004 0 Ausführlich gerechnete und kommentierte Lösungswege Mit vielen Zusatzhilfen X π Von: Jochen Koppenhöfer und Pascal
MehrStudie Autorisierungsverfahren Online-Banking 2014. n = 433, Befragungszeitraum: Februar bis März 2014
Studie Autorisierungsverfahren Online-Banking 2014 n = 433, Befragungszeitraum: Februar bis März 2014 1 Hintergrund Kontext der Studie Autorisierungsverfahren für Online-Banking stehen aktuell im Fokus
MehrDrei Fragen zum Datenschutz im. Nico Reiners
Drei Fragen zum Datenschutz im Geoinformationswesen Nico Reiners 1. Frage Welche Geoinformationen sind personenbezogen? Personenbezug? Personenbezogene Daten sind Einzelangaben über persönliche oder sachliche
Mehr4.4 Hierarchische Clusteranalyse-Verfahren
Clusteranalyse 18.05.04-1 - 4.4 Hierarchische Clusteranalyse-Verfahren Ablauf von hierarchischen Clusteranalyse-Verfahren: (1) Start jedes Objekt sein eigenes Cluster, also Start mit n Clustern (2) Fusionierung
MehrSTATISTIK. Erinnere dich
Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10
MehrMapReduce. www.kit.edu. Johann Volz. IPD Snelting, Lehrstuhl Programmierparadigmen
MapReduce Johann Volz IPD Snelting, Lehrstuhl Programmierparadigmen KIT Universität des Landes Baden-Württemberg und nationales Großforschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Wozu MapReduce?
MehrFeedback (in der Hochschullehre): Form und Zweck
Feedback (in der Hochschullehre): Form und Zweck Vorstellung Referentin Dr. phil. Edith Kröber Leiterin des Zentrums für Lehre und Weiterbildung zlw der Universität Stuttgart Telefon +49 (0) 711 685-8
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 30.04.2014 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Was sind multivariate Analysemethoden? Vorlesung Übung/Tut Prüfung Verfahrensdarstellung in Überblick
MehrMining High-Speed Data Streams
Mining High-Speed Data Streams Pedro Domingos & Geoff Hulten Departement of Computer Science & Engineering University of Washington Datum : 212006 Seminar: Maschinelles Lernen und symbolische Ansätze Vortragender:
MehrAMAN. Vergleich der verschiendenen RedSYS- Instanzeninstallationsmöglichkeiten
Vergleich der verschiendenen RedSYS- Instanzeninstallationsmöglichkeiten AMAN Media GmbH - www.aman.de Seite 1 von 9 - id: 6444-106 Stand: 17. Dezember 2008 Vorwort Die vorliegende Auflistung der Vor-
MehrZART KEIMT DIE HOFFNUNG FÜR 2005
ZART KEIMT DIE HOFFNUNG FÜR 2005 Dezember 0/25 Bei der Einschätzung der Wirtschaftsentwicklung schlagen sich die grauen Novembertage bei den Österreichern sfalls aufs Gemüt. Im Gegenteil, die Pessimisten
MehrARCHITEKTUR Speedikon Architektur ist ein leistungsstarkes 2D/3D-CADSystem für das Bauwesen. Verfügbar als Applikation für MicroStation und AutoCAD sowie als eigenständiges Programm für Windows. Speedikon
Mehr1.015 Personen, die diesen Sommer schon Urlaub hatten Erhebungszeitraum: 12. bis 15. August 2014 statistische Fehlertoleranz: +/- 3 Prozentpunkte
Urlaub Datenbasis: 1.015 Personen, die diesen Sommer schon Urlaub hatten Erhebungszeitraum: 12. bis 15. August 2014 statistische Fehlertoleranz: +/- 3 Prozentpunkte Auftraggeber: DAK-Gesundheit Die meisten
MehrImplantologie und Materialwirtschaft in der Zahnarztpraxis als Grundlage des Qualitätsmanagements.
Sehr geehrter Teilnehmer, hier lesen Sie die Ergebnisse aus unserer Umfrage: Implantologie und Materialwirtschaft in der Zahnarztpraxis als Grundlage des Qualitätsmanagements. Für die zahlreiche Teilnahme
MehrPersonalmanagement in und nach der Krise. Ergebnisse im Zeitvergleich
Personalmanagement in und nach der Krise. Ergebnisse im Zeitvergleich Institut für Personal & Organisation Forschungsfragen Befragt wurden im Rahmen dieser Untersuchung etwa 500 Personalverantwortliche
MehrCAD Warehouse- Verbindungen. Plattformspezifische Darstellung
CAD Warehouse- Verbindungen Plattformspezifische Darstellung Tipps & Tricks Dezember 2010 2010 Intergraph SG&I Deutschland GmbH. Alle Rechte vorbehalten. Der Inhalt dieses Dokuments ist urheberrechtlich
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrExploration und Klassifikation von BigData
Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)
MehrErgebniszusammenfassung Studienbereichsrankings der gebührenerhebenden Bundesländer
www.marketing.uni-hohenheim.de Ergebniszusammenfassung Studienbereichsrankings der gebührenerhebenden Bundesländer Prof. Dr. Markus Voeth Universität Hohenheim Institut für Marketing & Management Lehrstuhl
MehrTIPCHECK Energieeffizienz durch Isolierung
Thermografieforum Eugendorf TIPCHECK Energieeffizienz durch Isolierung Dipl.-Ing. Andreas Regel TIPCHECK engineer 27.09.2013 TIPCHECK Technical Insulation Performance CHECK Energie- und CO 2 -Einsparung
MehrUniversität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW
Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6
MehrMotive und Barrieren zur Blutspende in der Schweizer Bevölkerung. Bild 28.4 cm x 8 cm
Gesundheit Motive und Barrieren zur Blutspende in der Schweizer Bevölkerung Peter Rüesch, Nicole Maeder, Thomas Volken ZHAW Fachstelle Gesundheitswissenschaften Swisstransfusion Jahreskongress 2011, 8.9.
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Äquivalenzprinzip der Finanzmathematik Das Äquivalenzprinzip der Finanzmathematik für Vergleich von Zahlungen, welche
MehrArtenkataster. Hinweise zur Datenbereitstellung. Freie und Hansestadt Hamburg. IT Solutions GmbH. V e r s i o n 1. 0 0.
V e r s i o n 1. 0 0 Stand Juni 2011 Freie und Hansestadt Hamburg Behörde für Stadtentwicklung und Umwelt IT Solutions GmbH Artenkataster Auftraggeber Freie und Hansestadt Hamburg Behörde für Stadtentwicklung
MehrIntrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung
Intrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung Bearbeitet von Martina Sümnig Erstauflage 2015. Taschenbuch. 176 S. Paperback ISBN 978 3 95485
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLIFO -Stärkenmanagement: Übungen und Spiele
LIFO -Stärkenmanagement: Übungen und Spiele Kirsten Möbius Mai 2011 1 Inhaltsangabe Übung zur Interpretation des LIFO - Fragebogens Übung zur Vertiefund der LIFO - Stile (Aufstellung) Übung zur Vertiefung
MehrPresse-Information 04.01.2013
04.01.2013 1 Studie des Instituts für Demoskopie Allensbach zur wirtschaftlichen Situation von Unternehmen im Geschäftsgebiet der Volksbank Herrenberg Rottenburg Optimistische Unternehmen in Herrenberg
MehrDaten sammeln, darstellen, auswerten
Vertiefen 1 Daten sammeln, darstellen, auswerten zu Aufgabe 1 Schulbuch, Seite 22 1 Haustiere zählen In der Tabelle rechts stehen die Haustiere der Kinder aus der Klasse 5b. a) Wie oft wurden die Haustiere
MehrStrukturerkennende Verfahren
Strukturerkennende Verfahren Viele Verfahren der multivariaten Datenanalyse dienen dazu, die in den Daten vorliegenden Strukturen zu erkennen und zu beschreiben. Dabei kann es sich um Strukturen sehr allgemeiner
Mehr1. Speicherbausteine. 1.1. JK-RS-Master-Slave-Flip-Flop
1. Speicherbausteine 1.1. JK-RS-Master-Slave-Flip-Flop Dieser Speicherbaustein (Kurz JK-RS) hat 5 Eingänge (J,K,R,S und Clk) und zwei Ausgänge ( und ). Funktion Werden die Eingänge J,K und Clock auf 0
MehrBruchrechnung Wir teilen gerecht auf
Bruchrechnung Wir teilen gerecht auf Minipizzen auf Personen. Bruchrechnung Wir teilen gerecht auf Minipizzen auf Personen. : (+) : + Wir teilen einen Teil Eine halbe Minipizza auf Personen. :? Wir teilen
MehrSelbsttest Mathematik Vermögensverwaltung
Selbsttest Mathematik Vermögensverwaltung Einleitung Der Selbsttest Mathematik hilft Ihnen zu entscheiden, ob für Sie ein Vorkurs Mathematik empfehlenswert, sehr empfehlenswert oder aber nicht nötig ist.
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrÜbungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.
Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines
MehrDie Näherung durch die Sekante durch die Punkte A und C ist schlechter, da der Punkt C weiter von A entfernt liegt.
LÖSUNGEN TEIL 1 Arbeitszeit: 50 min Gegeben ist die Funktion f mit der Gleichung. Begründen Sie, warum die Steigung der Sekante durch die Punkte A(0 2) und C(3 11) eine weniger gute Näherung für die Tangentensteigung
Mehr