Generalisiertes Vektorraummodell (Generalized Vector Space Model, GSVM) Karin Haenelt
|
|
- Alfred Kruse
- vor 7 Jahren
- Abrufe
Transkript
1 Genealsetes Vetoaummodell (Genealzed Veto Spae Model, GSVM) Kan Haenelt 5..04
2 Abüzungen n Anzahl de Doumente n de Doumentsammlung d Doument n de Doumentsammlung, n t Anzahl de Teme n ene Doumentsammlung Indextem, t Veto zu Indextem, t w, R, Gewht des Tem-Doumentpaaes [,d ] mn mntem, t g (mn ) Funton, de das Gewht {0,} des Indextems m mntem m lefet. v assozete Bass-Veto zu mntem, t Kan Haenelt, Genealsetes Vetoaummodell, 5..04
3 Vetoaummodell Annahme: Indexteme snd vonenande unabhängg Fomale Dastellung de Annahme de Unabhängget Dastellung de Teme duh Temvetoen (Dmensonen snd Teme) Kennzehnung de Abhänggeten: = = 0 falls Tem von Tem abhängg st andenfalls Annahme des Vetoaummodells: = = 0 ;... t = (,0,0,...,0) = (0,,0,...,0) = (0,0,0,...,) Kan Haenelt, Genealsetes Vetoaummodell,
4 Vetoaummodell Annahme: Indexteme snd vonenande unabhängg Defnton: Se en Veto zum Indextem. De Annahme de Unabhängget m Vetoaummodell mplzet, dass de Menge de Vetoen {, lnea unabhänggst und ene Bassfü den,..., n } betahteten Unteaum bldet. De Dmenson deses Raumes entspht de Anzahl t de Indexteme n de Doumentsammlung. Zumest Annahme de paawesen Othogonaltätzwshen Indextemen, so dass fü edes Paa und glt: = 0 Baeza-Yates/Rbeo-Neto, 999, 4 Kan Haenelt, Genealsetes Vetoaummodell,
5 Vetoaummodell Doument-Tem-Vetoen Doumentepäsentatonen snd Lneaombnatonen von Temvetoen se { } de Menge de Temvetoen, t t se nde Anzahl de Doumente n ene Kolleton, n se d en Doument de Kolleton dann gbt es fü edes d n de Kolleton ene Lneaombnaton von Temvetoen, de d epäsentet Bespel Lneaombnaton Tupel-Shebwese d 5 = t + 4 t + 3 t3 + 8 t d 5 = (,4,3,8) 4 Kan Haenelt, Genealsetes Vetoaummodell,
6 Vetoaummodell Bespel: Ranng-Egebns fü Bespeldoumente 3 sm(d,q)(cosnus) Rang d d d d d d d q 3 Kan Haenelt, Genealsetes Vetoaummodell,
7 Genealsetes Vetoaummodell S. K. M. Wong, WoehZao, Pat C. N. Wong(985). GenealzedVetoSpaesModel n Infomaton Reteval. In: SIGIR '85 Poeedngs of the 8th annual ntenatonal ACM SIGIR onfeene on Reseah and development n nfomaton eteval. S. 8-5 Indexteme önnen abhängg sen Kan Haenelt, Genealsetes Vetoaummodell,
8 Genealsetes Vetoaummodell Annahme: Indexteme snd vonenande abhängg Fomale Dastellung de Annahme de Abhängget Temvetoen snd ene othogonalen Vetoen blden nht de Bass des Vetoaumes snd aus leneen Komponenten zusammengesetzt, de ewels aus ene Kolleton hegeletet weden othonomale Bass des Genealseten Vetoaumes: Kan Haenelt, Genealsetes Vetoaummodell, Modelleung de Tem-Koouenzen duh Mnteme Enfühung ene Menge paawese othogonale Vetoen v, de den Mntemenzugeodnet weden de Menge dese paawese othogonalen Vetoen bldet de othonomalsetebass des Genealseten Vetoaumes Baeza-Yates/Rbeo-Neto, 999, 4 8
9 Genealsetes Vetoaummodell Modelleung von Tem-Koouenzmustenduh Mnteme mntem 3 mn mn 0 0 mn mn 4 0 mn mn 6 0 mn 7 0 mn 8 Doumente, de Tem und Tem enthalten Doumente, de alle Teme enthalten wenn n ene Doumentolleton Doumente enthalten snd, deen Temoouenzenem Mntemmn entspht, glt de Mntemmn als atv. Kan Haenelt, Genealsetes Vetoaummodell,
10 Genealsetes Vetoaummodell Mntemenmn, Vetoen v und Zuodnung de Vetoen v zu den Mntemenmn mntem 3 mn mn 0 0 mn mn 4 0 mn mn 6 0 mn 7 0 mn 8 Veto mn mn mn 3 mn 4 mn 5 mn 6 mn 7 mn 8 v v v v v v v v Mnteme modelleen Temoouenzmuste Vetoen v, othonomale Bass des Vetoaumes Kan Haenelt, Genealsetes Vetoaummodell,
11 Mntem Defnton Defnton:Se (B,+,,,0,) ene Booleshe Algeba. Seen x, x,, x n nvaablen. Ene Konunton (Podut) de Fom y y y n mt y = x ode x fü n heßt Mntemn nvaablen x, x,,x n. nvaablen ezeugen n Mnteme. Bespel fü de Vaablen Mnteme efüllen de folgenden Bedngungen mn mn = 0 fü n + mn = = x x x 3 mn mn 0 mn 3 0 mn mn 5 0 mn mn mn Mnteme modelleen Temoouenzmuste Kan Haenelt, Genealsetes Vetoaummodell, 5..04
12 Genealsetes Vetoaummodell Annahme: Indexteme snd vonenande abhängg {,..., } Defnton: Se, n de Menge de Indexteme ene Kolleton, se w, das enem Tem-Doumentpaa [,d ] zugeodnete Gewht. Wenn de Gewhte alle bnä snd, önnen alle möglhen Tem- Koouenz-Muste(nnehalb de Doumente) duh ene Menge von t Mntemenepäsentet weden mt mn = (0,0,,0), mn = (,0,,0),, mn t = (,,,). Se g (mn ) ene Funton, de das Gewht {0,} des Indextems m Mntemmn lefet. Baeza-Yates/Rbeo-Neto, 999, 4 Kan Haenelt, Genealsetes Vetoaummodell, 5..04
13 Genealsetes Vetoaummodell Annahme: Indexteme snd vonenande abhängg Defnton: st de folgende Menge von Vetoen v v v... = (,0,0,...,0) v = t = (0,,0,...,0) (0,0,0,...,) und ede Veto v st dem entspehenden Mntemmn zugeodnet. Es glt v v = 0 fü alle. De Vetoen snd paawese othogonal. De Menge de Vetoen v bldet de othonomalebass des Genealseten Vetoaummodells Baeza-Yates/Rbeo-Neto, 999, 4 Kan Haenelt, Genealsetes Vetoaummodell,
14 Genealsetes Vetoaummodell Beehnung des Temoouenzfatos l, = d g l ( d ) = g l w ( mn, ) fü alle l g l (dd g l ( ( d ) g l ( mn g ( mn g l l ) fü alle l ) ( d ) = ) fü alle l g l ( mn ) fü alle l Gewht {0,} von Tem ln Doument = Temouenzvon Tem ln Doument Temouenzmuste von Doument Gewht {0,} von Tem ln Mntemmn Temouenzmustevon Mntemmn Temouenzmuste von Doument entspht Mntemmn Kan Haenelt, Genealsetes Vetoaummodell,
15 Genealsetes Vetoaummodell Bestmmung des Temvetos zu Tem l =, g ( mn ) =,, g ( mn ) = v, Baeza-Yates/Rbeo-Neto, 999, 43 Kan Haenelt, Genealsetes Vetoaummodell,
16 Genealsetes Vetoaummodell Bespel 3 mntem d 0 mn 6 d 0 0 mn d mn 7 d mn d 5 4 mn 8 d 6 0 mn 4 d mn 3 q 3 mntem 3 mn mn 0 0 mn mn 4 0 mn mn 6 0 mn 7 0 mn 8 Wong, Zao, Wong, 985 V: 6 Kan Haenelt, Genealsetes Vetoaummodell,
17 Genealsetes Vetoaummodell Bespel Beehnung des Temoouenzfatos,, = d g ( d l ) = g l w ( mn, ) fü alle l 3 mntem d 0 mn 6 d 0 0 mn d mn 7 d mn d 5 4 mn 8 d 6 0 mn 4 d mn 3 q 3 mntem 3 mn mn 0 0 mn mn 4 0 mn mn 6 0 mn 7 0 mn 8 Tem, Temoouenzmuste = w Tem,Do + w,4 = + = 3 Tem, Temoouenzmuste4 = w,6 = Tem, Temoouenzmuste6 = w, = Tem, Temoouenzmuste6 = w,5 = Kan Haenelt, Genealsetes Vetoaummodell, Wong, Zao, Wong, 985 V: 6 7
18 Genealsetes Vetoaummodell Bespel: Beehnung des Temvetos zu Tem = =, v +,,4 + v 4,4 +,6 + 3 v + + v 4 + v v,6 v ,8,8 v 8 =, g ( mn ) =,, g ( mn ) = v, = 3v + v4 + v6 + v8 5 = 0, 3 5,0, 5,0, 5,0, 5 Wong, Zao, Wong, 985 V: 6 Kan Haenelt, Genealsetes Vetoaummodell,
19 Genealsetes Vetoaummodell Ranng ombnet de Gewhte des Standad-Vetoaummodells w, (Tem- Doument-Gewht) mt dem Temoelatonsfato, Umehnung de Vetoen des lassshen Vetoaummodells d = w, q = w, und q n Vetoen des Genealseten Vetoaummodells mt Fomel =, g ( mn ) =,, g ( mn ) = v, Anwendung de Ranngfuntonauf dese Vetoen mt Ähnlhetsfuntonen we m Standad-Vetoaummodell Baeza-Yates/Rbeo-Neto, 999, 43 Kan Haenelt, Genealsetes Vetoaummodell,
20 Genealsetes Vetoaummodell Bespel Umehnung de Doumentvetoen d = w, d + = w, + w, w 3, 3 =, g ( mn ) =,, g ( mn ) = v, d + = d = 0,,0,,0,,0, Kan Haenelt, Genealsetes Vetoaummodell,
21 Genealsetes Vetoaummodell Bedeutung unla, n welhen Fällen das Genealsete Vetoaummodell bessee Egebnsse lefet als das Standad-Vetomodell eheblh höhee Rehenaufwand als fü das Standad- Vetoaummodell Anzahl de atven Mntemeann popotonal zu Anzahl de Doumente n de Kolleton weden alle atvenmntememüssen be de Beehnung de - Vetoen beüshtgt weden (maxmale Anzahl = Anzahl de Doumente n de Kolleton) Enfühung ene Fomalseung, de theoetsh nteessant st Baeza-Yates/Rbeo-Neto, 999, 44 Kan Haenelt, Genealsetes Vetoaummodell, 5..04
22 Lteatu Wong, S. K. M., WoehZao, Pat C. N. Wong(985). GenealzedVetoSpaesModel n Infomaton Reteval. In: SIGIR '85 Poeedngs of the 8th annual ntenatonal ACM SIGIR onfeene on Reseah and development n nfomaton eteval. S. 8-5 Wong, S. K. M., WoehZao, Pat C. N. Wong(985V). GenealzedVetoSpaesModel n Infomaton Reteval. Votagsfolen SIGIR InfomatonRetevalandExtaton/Pesent_003F/003F_Genealzed%0Veto%0Spae%0Mo del%0in%0infomaton%0reteval_%e5%bc%b5%e5%bf%97%e8%b%aa.pdf Baeza-Yates, Rado; Rbeo-Neto, Bethe(Eds.) (00). Moden Infomaton Reteval. Essex: Addson Wesley Longman Lmted. Kan Haenelt, Genealsetes Vetoaummodell, 5..04
Einführung in Moderne Portfolio-Theorie. Dr. Thorsten Oest Oktober 2002
Enfühung n Modene Potfolo-Theoe D. Thosten Oest Oktobe Enletung Übeblck Gundlegende Fage be Investtonen: We bestmmt sch ene optmale Statege fü ene Geldanlage?. endte und sko. Dvesfkaton 3. Enfühung n Modene
Mehr12. Vortrag Verzweigung. Seminar Zahlentheorie WS 07/08
12. Votag Vezwegung Semna Zahlentheoe WS 07/08 Pof. D. Tosten Wedhon Unvestät Padebon von Geda Weth und Ingo Plaschczek 22. Janua 2008 12. Vezwegung (A) p-adsche Bewetung enes gebochenen Ideals n enem
Mehr11 Charaktere endlicher Gruppen
$Id: chaakte.tex,v.4 2009/07/3 4:38:36 hk Exp $ Chaaktee endlche Guppen W hatten gesehen, dass w fü enge Guppen G allen mt Hlfe des Satz 3 de Anzahl und de Dmensonen de eduzblen Dastellungen beechnen können.
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrZero-sum Games. Vitali Migal
Sena Gaphentheoe und Kobnatok Wnteseeste 007/08 Zeo-su Gaes Vtal Mgal 1 Inhaltsvezehns 1. Enletung... 3. Dastellung von Spelen... 3 3. Stategen... 4 4. Spele t unvollständge Infoaton... 9 1. Enletung Als
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
MehrElektrolytlösungen, Leitfähigkeit, Ionentransport. Teil I
Ludwg Pohlmann PC III - Elektoheme SS 5 Elektolytlösungen, Letfähgket, Ionentanspot Tel I. Enfühende Übelegungen. Solvataton, Hydataton 3. Ionenbeweglhketen und Letfähgketen Lteatu: Wedle.6. -.6.7 Tel
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrVektoralgebra Rechenregeln für Vektoren. Addition und Subtraktion
D. Hempel Mthemtshe Gundlgen Vetolge 5 Vetolge Rehenegeln fü Vetoen Addton und Sutton geometsh: Vetoen weden geometsh ddet ndem mn de Vetoen mttels Pllelvesheung nennde fügt: Be de Summton weden de Pfele
Mehr1 Lineare, affine und konvexe Kombinationen. für einen Punkt (Vektor) von IR d. IR heißt affin unabhängig, wenn für alle r IN, x1,, R S
U. BEHM: Konvexgeoete 1-1 1 Lneae, affne un konvexe Kobnatonen W abeten -enonalen euklchen au I un cheben x ( 1,, ) ( I, = 1,, ) fü enen Punkt (Vekto) von I. Da nnee Poukt auf I von Vektoen x un y (,,
MehrLineare Optimierung Einführung
Kaptel Lneare Optmerung Enführung B... (Dre klasssche Anwendungen) Im Folgenden führen wr de ersten dre klassschen (zvlen) Anwendungen der lnearen Optmerung an: BS... (Produktonsplanoptmerung) En Betreb
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
MehrFunds Transfer Pricing. Daniel Schlotmann
Danel Schlotmann Fankfut, 8. Apl 2013 Defnton Lqudtät / Lqudtätssko Lqudtät Pesonen ode Untenehmen: snd lqude, wenn se he laufenden Zahlungsvepflchtungen jedezet efüllen können. Vemögensgegenstände: snd
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrR S T R S T R S T. 1 Lineare, affine und konvexe Kombinationen. Definition: X. Definition: Sei X. U. BREHM: Konvexgeometrie 1-1
U. BEHM: Konvexgeoete - Lneae, affne un konvexe Kobnatonen W abeten -enonalen euklchen au I un cheben x = ( x,, x ) ( ξ I, =,, ) fü enen Punkt (Vekto) von I. Da nnee Poukt auf I von Vektoen x un y = (
MehrDas Noether-Theorem. Ausarbeitung zum Vortrag von. Michael Hagemann. am im Rahmen des Proseminars. Gruppentheorie in der Quantenmechanik
Das Nethe-Theem Ausabetung zum Vtag vn Mchael agemann am 202202 m Rahmen des Psemnas Guppenthee n de Quantenmechan vn Pf D Jan Lus und D Rbet Rchte an de nvestät ambug m Wntesemeste 202/203 Inhaltsvezechns
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
Mehr4. Krummlinige orthogonale Koordinaten
4 Kummlnge othogonale Koodnaten ückblck Zu uanttatven Efassung äumlche (und etlche) Beüge denen Koodnatensysteme Bshe haben w Katessche Koodnaten betachtet: { } { } { } Bass: e,,, Koodnaten:,,,, y, Vektoen:
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrBivariable/bivariate Verteilungen. Tabellen Grafiken Maßzahlen
Bvaable/bvaate Vetelungen Tabellen Gafken Maßzahlen 153 Ulste: Wetepaae x/y ode x 1 /x x = Flügellänge [mm], y = Gewcht [g] 3,8; 0,8 3,6; 0,7 4,3; 1,3 3,5; 0,7 4,1; 1,1 4,4; 1,3 4,5; 1,6 3,6; 0,75 3,8;
MehrLineare Algebra IIa Vorlesung - Prof. Dr. Daniel Roggenkamp & Sven Balnojan
Lneare Algebra IIa - 04 orlesung - Pro Dr Danel Roggenkamp & Sen Balnojan 93 Untäre ektorräume hermtesche Form au enem C ektorraum sesqulnear (ant-lnear m ersten lnear m zweten Argument (, w (w, (, 2 R
MehrÜbungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
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
MehrManhattan-Metrik anhand des Beispiels
Bestmmung durch Manhattan-Metrk 3 Manhattan-Metrk anhand des Bespels Gesucht werden de zwe Standorte für zwe Ausleferungslager. De Standpunkte der Nachfrager () snd durch de Koordnaten ( x/y ) gegeben.
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrSeminar über Algorithmen. Load Balancing. Slawa Belousow Freie Universität Berlin, Institut für Informatik SS 2006
Semna übe Algothmen Load Balancng Slawa Belousow Fee Unvestät Beln, Insttut fü Infomatk SS 2006 1. Load Balancng was st das? Mt Load Balancng ode Lastvetelung weden Vefahen bescheben, um be de Specheung,
MehrProf. Dr. Jürgen Dassow Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik. Codierungstheorie und Kryptographie
Prof. Dr. Jürgen Dassow Otto-von-Guercke-Unverstät Magdeburg Fakultät für Informatk Coderungstheore und Kryptographe Sommersemester 2005 1 2 Inhaltsverzechns 1 Defnton und Charakterserung von Codes 5 1.1
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrProf. Dr.-Ing. P. Eberhard, Prof. Dr.-Ing. M. Hanss SS 2016 A 1.1
Insttut für Technsche und Num. Mechan Technsche Mechan IV Prof. Dr.-Ing. P. Eberhard, Prof. Dr.-Ing. M. Hanss SS 16 A 1.1 Aufgabe 1: En mechansches Sstem wrd durch folgende lnearserte Bewegungsglechungen
MehrTransformation von Gleichungen n - ter Ordnung in ein Gleichungssystem 1.Ordnung bei linearen gewoehnlichen Differentialgleichungen
Praesentatonstechn SS4 Transformaton von Glechungen n - ter Ordnung n en Glechungssstem Ordnung be lnearen gewoehnlchen Dfferentalglechungen verfasst von den Studenten fuer Technsche Mathemat an der JKepler
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrDie orthogonale Projektion eines Vektors auf einen anderen. Parallelogramm-Regel. Wer keine Motivation mag, gehe gleich zu der Seite 7.
De othogonle Poeton enes Vetos uf enen ndeen Enfühendes Besel Pllelogmm-Regel We ene Motvton mg gehe gleh zu de Sete 7 Zwe Käfte gefen n enem Punt n We goß st de ulteende Kft de ngefen muss um de eden
Mehrc) schwierige freiwillige Zusatzaufgabe (ohne Bonuspunkte): Leiten Sie die allgemeinen iterativen Formeln für S, D, D R und V her.
Rechnerarchtetur Lösungsvorschlag. Bonusübung oerseester Fachgebet Rechnerarchtetur Prof. R. Hoffann Patrc Edger. Aufgabe: Maße für Barrel-hfter 7 + 7 Punte Gegeben st en Barrel hfter t n= Prozessoren
MehrZulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr1 3«^ ÖÖ. Vorbereitung für 1. Klassenarbeit Dezimalzahlen und Zuordnungen
Vobeetung fü. Klassenabet Dezmalzahlen und Zuodnungen Name:. Setze de chtgen Zechen en:
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrLeistungsmessung im Drehstromnetz
Labovesuch Lestungsmessung Mess- und Sensotechnk HTA Bel Lestungsmessung m Dehstomnetz Nomalewese st es ken allzu gosses Poblem, de Lestung m Glechstomkes zu messen. Im Wechselstomkes und nsbesondee n
MehrMusterlösung Serie 4
D-MATH Lineae Algeba I HS 218 Pof Richad Pin Mustelösung Seie 4 Summen Podute und Matizen 1 Beweisen Sie: (a Fü jede ganze Zahl n gilt n ( n 2 n (b Fü alle ganzen Zahlen n gilt ( ( n n n (c Fü alle ganzen
Mehrω r 6.2 Trägheitsmoment und Rotationsenergie r E dm = = = ω r r r r = K 6.2 Versuch: Fallmaschine Ursprung in Bewegungsebene!
6. Täghetsmoment und Rottonsenege Täghetsmoment enes ssenpunktes Des glt fü sten Köpe nht meh! ellgemeneung fü sten Köpe: m Uspung n Bewegungseene! Dehhse E ot ( E ) v kn snα R R α snα E ot R Rottonsenege
Mehr11 Chemisches Gleichgewicht
11 Chemsches Glechgewcht 11.1 Chemsche Reaktonen und Enstellung des Glechgewchts Untersucht man den Mechansmus chemscher Reaktonen, so wrd man dese enersets mt enem mkroskopschen oder knetschen Blck auf
Mehr1.Schularbeit 22.Okt A. A) Berechne ohne TI-92: Beachte: Für die Beispiele 1 und 2 sind alle notwendigen Rechenschritte anzugeben.
1.Schularbet.Okt. 1997 7.A A) Berechne ohne TI-9: Beachte: Für de Bespele 1 und snd alle notwendgen Rechenschrtte anzugeben. 1a) De zu z= a + bkonjugert komplexe Zahl st z= a b. Zege für z 1 = -4 + 3 und
MehrLösungen zu den Übungsaufgaben
Lösungen zu den Übungsaufgaben Enfühung n de Statstk SS 004 D. H. Gunet Fanzstaße 49, 06406 Benbug Tel. 0347-66493, Fa 0347-66496 Emal: gunet @ mws-bbg.de D. H. Gunet Enfühung n de Statstk SS 004 II. Häufgketsvetelungen,
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrKursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten
Kursthemen 2. Stzung Fole I - 2-1 Tabellarsche und graphsche Darstellung dskreter Daten Tabellarsche und graphsche Darstellung dskreter Daten A) Nomnalskalen (Fole 2 bs 7) A) Nomnalskalen (Fole 2 bs 7)
MehrProseminar Spieltheorie SS 2006 Ausarbeitung zum Vortrag Allgemeine Zwei-Personenspiele am Vortragender: Florian Leiner
Prosemnar Speltheore SS 2006 Ausarbetung zum Vortrag Allgemene Zwe-Personenspele am 06.07.2006 Vortragender: Floran Lener Der Vortrag basert auf dem entsprechenden Kaptel wo-person general-sum games aus
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrDefinition: Unter dem vektoriellen Flächenelement einer ebnen Fläche A versteht man einen Vektor A r der
Obeflächenntegale Vektofluß duch ene Fläche - betachtet wd en homogenes Vektofeld v (B Lchtbündel) - das Lcht falle auf enen Spalt Defnton: Unte dem vektoellen Flächenelement ene ebnen Fläche vesteht man
MehrI) Mechanik 1.Kinematik (Bewegung)
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
MehrVorlesung Reaktionstechnik SS 09 Prof. M. Schönhoff/ PD Dr. Cramer
Vorlesung Reaktonstehnk SS 9 Prof. M. Shönhoff/ PD Dr. Cramer 2.7.29 Musterlösungen zu Übungsaufgaben 2 vorzurehnen am Mo, 2.7.9 Aufgabe 5.) En Rohrbündelreaktor soll für de Durhführung ener Gasreakton
MehrRückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
MehrDas Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrArbeitszeit 60 Minuten Seite 1 von 5 HochschuleMünchen, FK 03 Bordnetze (Vorlesung) SS08. Name:... Vorname:... St. Grp...
betszet 60 Mnuten Sete von 5 HochschuleMünchen, FK 03 odnetze (Volesung) SS08 Nme:... Vonme:... St. Gp.... ufgbenstelle: Pof. D. Wemuth, betszet: 60 mn, Hlfsmttel: Tschenechne ufg. ufg. ufg. 3 ufg. 4 ufg.
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrAutomatische Klassifikation von Dokumenten. Kapitel 3: Automatische Klassifikation von Dokumenten. Klassifikationsproblem (Kategorisierung)
Kaptel : Autoatsche Klassfaton von Douenten. Enfache Klassfatoen. Gunlagen aus e Wahschenlchetsechnung. Nave-Bayes-Klassfato.4 Featue-Seleton Autoatsche Klassfaton von Douenten Zel: Ogansaton von Douenten
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrLückentext (Mathematik I) zum Sommersemester 2013
osten Schee.. Lückentet Mthemtk I um Sommesemeste Nme: Mtkel-N.: Mt desem Lückentet können Se s u mml möglche Zustpunkte elngen. Fü jedes chtg engetgene Wot egt sch somt en Bonuspunkt. Um mehee Mengen
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
Mehr9. Der starre Körper; Rotation I
Mechank De stae Köpe; Rotaton I 9. De stae Köpe; Rotaton I 9.. Enletung bshe: (Systeme on) Punktmassen jetzt: Betachtung ausgedehnte Köpe, übe de de Masse glechmäßg etelt st (kene Atome). Köpe soll sch
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
MehrEinschub: Der Fluss eines Vektorfeldes am Beispiel des Strömungsfeldes
Enschub: De Fluss enes Vektofeldes am Bespel des Stömungsfeldes Vektofeld: Jedem Punkt m Raum ode n enem begenzten Gebet des Raumes wd en Vekto zugeodnet. Bespele: Gatatonsfeld t elektsches Feld Magnetfeld
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrI)1. Kinematik. EP WS 2009/10 Dünnweber/Faessler
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
Mehrr mit der sogenannten Einheitsmatrix:
D. Hempel Mathematsche Gundlagen Tensoen -7- Maten / Tensoen - Tel als Tenso Bem Vesuch den Dehmpuls unte Zuhlfenahme des Täghetstensos daustellen egab sch fü das Täghetsmoment de folgende Zusammenhang:
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
Mehr