Information Retrieval Modelle: Probabilistische Modelle
|
|
- Alke Dieter
- vor 8 Jahren
- Abrufe
Transkript
1 Informaton etreval Modelle: Probablstsche Modelle Kursfolen Karn Haenelt mt Korreturen vom
2 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton obertsonsparcjones SV Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
3 Probablstsche etrevalmodelle Zel Schätzung der Wahrschenlchet, dass en Doument d m für ene Anfrage relevant st Erster Ansatz: Maron und Kuhns 1960 Das lasssche probablstsche etrevalmodell st das Bnary Independence etreval BI Modell obertson/sparc Jones, 1976 Doumentvetoren mt bnären Werten Term ommt vor, ommt ncht vor Annahme der Unabhängget der enzelnen Terme Weterentwclungen: Enbezehung der Termfreuenzen Karn Haenelt, I-Modelle: Probablstsche Modelle
4 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
5 Bnary Independence etreval Model Darstellungen Orgnalartel Stephen E. obertson und Karen Spärc Jones elevance weghtng of search terms. In: Journal of the Amercan Socety for Informaton Scence 27, May June 1976, S Beschrebungen egnald Ferber Informaton etreval. Suchmodelle und Data-Mnng-Verfahren für Textsammlungen und das Web. Hedelberg: dpunt-verlag. Norbert Fuhr Informaton etreval. Srptum zur Vorlesung m SS Aprl Karn Haenelt, I-Modelle: Probablstsche Modelle
6 Bnary Independence etreval Model Bespel: Aussorteren unerwünschter Werbe-Mals Lösungsschrtte 1. elevance Feedbac ene Person marert E-Mals n enem Lerncorpus relevante Mals und ncht-relevante Mals = unerwünschte Werbe-Mals 2. Gewchtungsfunton als Lernaufgabe Lerncorpus das System berechnet Termgewchte für de enzelnen Terme je nach hrer Vertelung n relevanten und nchtrelevanten Mals 3. Klassfaton Anwendungscorpus das System berechnet de Wahrschenlchet der elevanz neuer E-Mals auf der Bass der Termgewchte Karn Haenelt, I-Modelle: Probablstsche Modelle
7 Bnary Independence etreval Model Bespel: Lösungsschrtt: elevance Feedbac t1 t2 t3 t4 t5 t6.feedbac d d d d elevanz- d Angaben d d d rel rel=4 nrel nrel=4 rel relevante Doumente mt Term nrel ncht-relevante Doumente mt Term rel relevante Doumente nrel ncht-relevante Doumente Ferber, 1998:120 Karn Haenelt, I-Modelle: Probablstsche Modelle
8 Bnary Independence etreval Model Bespel: Lösungsschrtt: Gewchtungsfunton 1 t1 t2 t3 t4 t5 t6.feedbac d d d d d d d d rel=4 nrel Term- Gewcht rel nrel=4 rel nrel 1 rel nrel nrel rel 1 nrel rel Ferber, 1998:120 Karn Haenelt, I-Modelle: Probablstsche Modelle
9 Bnary Independence etreval Model Bespel: Lösungsschrtt: Gewchtungsfunton 2 t1 t.feedbac d 1 1 d 2 1 d 3 0 d 4 0 d 5 0 d 6 0 d 7 1 d 8 0 rel 2 rel=4 nrel 1 nrel=4 Term- Gewcht rel nrel 1 rel nrel nrel rel 1 nrel rel 3 Berechnung des Termgewchts für Term t1 Formel für Termgewcht nach probablst. Modell Ensetzen der Werte aus elevance Feedbac rel nrel 1 rel nrel nrel rel 1 nrel rel = 3 Karn Haenelt, I-Modelle: Probablstsche Modelle
10 Bnary Independence etreval Model Bespel: Lösungsschrtt: Klassfaton Neue E-Mals und hr etrevalstatuswert t1 t2 t3 t4 t5 t6 etrevalstatuswert d log3+log1+log3= log1+log9=0.95 d 11 d 12 d log3+log9= log3+log3=0.95 Berechnete Termgewchte Term- Gewcht Ferber, 1998: Karn Haenelt, I-Modelle: Probablstsche Modelle
11 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
12 Bnary Independence etreval Model Theore 1 Das Modell st formal hergeletet nach Prnzpen der Wahrschenlchetstheore De Theore beschrebt, we Vorommenswahrschenlcheten enzelner Terme n relevanten und ncht-relevanten Doumenten zu ener Gesamtschätzung der elevanz enes Douments etrevalstatuswert enes Douments SV ombnert werden obertson/sparc Jones, 1976 Karn Haenelt, I-Modelle: Probablstsche Modelle
13 Bnary Independence etreval Model Theore 2 Vorommenswahrschenlcheten der Terme und das Verfahren der elevanzschätzung enes Douments blden ene theoretsche Enhet: Termgewchtung und Ähnlchetsfunton snd gemensam m ahmen der Wahrschenlchetstheore bestmmt önnen ncht unabhängg vonenander gewählt werden obertson/sparc Jones, 1976 Karn Haenelt, I-Modelle: Probablstsche Modelle
14 Bnary Independence etreval Model Theore 3 se önnen n ener Funton mplementert werden se lassen sch aus pratschen Gründen der Systemmodulartät zerlegen n ene Termgewchtungsfunton w t ene Ähnlchetsfunton smd m, wobe smd m, den etrevalstatuswert enes Douments SV unter Verwendung der Termgewchte w t berechnet - smd m, = SV obertson/sparc Jones, 1976 Karn Haenelt, I-Modelle: Probablstsche Modelle
15 Bnary Independence Model Defnton w,m {0,1} w, {0,1} T = {t 1,..,t x } x X = {1,...,x} } Varablen der Index-Term- Gewchtung snd bnär Menge der Index-Terme Anzahl der Index-Terme m System Menge d. Kennungen der I-Terme = w,, w2,,..., wx, d m = w, m, w2, m,..., w 1 1 x, m Query-Vetor Doument-Vetor Karn Haenelt, I-Modelle: Probablstsche Modelle
16 Bnary Independence Model Defnton P,d m P,d m Menge der relevanten Doumente beannt oder anfangs geschätzt!!! Komplementmenge zu Menge der ncht-relevanten Doumente Wahrschenlchet der elevanz, wenn ene Anfrage und en Doument d m gegeben snd Wahrschenlchet der Irrelevanz, wenn ene Anfrage und en Doument d m gegeben snd Karn Haenelt, I-Modelle: Probablstsche Modelle
17 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
18 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 1 Zel Bestmmung von P,d m Zel: Schätzung der Wahrschenlchet, dass en spezfsches Doument d m für ene Anfrage genauer: für ene Suchstuaton s mt ener Anfrage, also ene Instanz ener Anfrage elevanz hat Grundannahme Cluster-Hypothese Terme snd n relevanten und ncht relevanten Doumenten unterschedlch vertelt Karn Haenelt, I-Modelle: Probablstsche Modelle
19 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 2 1 Ensetzung von Doumentrepräsentatonen um P,d m zu schätzen, müssten zu allen Anfragen Doumente mt elevanzbestmmungen vorlegen aum realstsch daher Berechnung ncht für enzelne Doumente, sondern für Termmengen.e. Doumentvetoren [1] P, dm Karn Haenelt, I-Modelle: Probablstsche Modelle
20 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 3 2 Umformung nach Bayes-egeln a PAB = PA B/PB b PA B = PAPBA = PBPAB 20 [2.1] [2.2], m m m d P d P d P =, m m m d P P d P P d P = PAB = PA B/PB PA B = PAPBA PA B = PAPBA Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
21 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 4 2 Umformung nach Bayes-egeln a PAB = PA B/PB b PA B = PAPBA = PBPAB 21 [2.3] [2.4], m m m d P P d P P P d P =, m m m d P d P P d P = Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
22 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 5 3 Quote Odds statt Wahrschenlcheten Wetere Darstellungsmöglchet für de Chance, dass en Eregns auftrtt: Quote Odds enes Eregnsses P Y O Y = = P Y OY < 1 für Wahrschenlcheten < 0.5 OY > 1 für Wahrschenlcheten > 0.5 P Y 1 P Y Lefert deselbe angrehe für Eregnsse we Wahrschenlchet; erlaubt z.t. enfacheres echnen Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
23 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 6 3 Quote Odds statt Wahrschenlcheten [3.1],, m m m m d P P d P d P d O = = [2.4] 23 [3.1] [3.2] Ferber, 1998,, m m m m d P P d P d P d O = =, m m m d P d P P P d O = [2.4] Karn Haenelt, I-Modelle: Probablstsche Modelle
24 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 7 4 Annahme der Unabhängget der Terme Dese Annahme über Doumente st sehr verenfachend Snd A und B unabhängg, so glt PA B = PAPB [3.2] [4] O O, d, d m m = P P O P d P d x m m P w m, = 1 P wm, Auf der Bass der Annahme der Unabhängget der Terme wrd de Wahrschenlchet des Doumentvetors dargestellt durch das Produt der Wahrschenlcheten der Enzelterme Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
25 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 8 5 Aufspaltung des Produts nach dem Vorommen der Terme [5] O, dm O P w = m 1, P wm = 1, X t d = t d + + P w m = 0, X t \ d P wm = 0, P w m = 0 w X t P wm = 0 wm = 1, m = 1, - + +/- - Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
26 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 9 6 Wetere verenfachende Annahme Es wrd - ncht mmer zutreffend - angenommen, dass alle Terme, de ncht n der Anfrage auftreten, mt derselben Wahrschenlchet n relevanten und rrelevanten Doumenten auftreten für t T \ glt P wm, = P wm, d.h. X t P w P w m m = = 0 0 w w m m = 1 = 1,, = 1 [5] drtter Fator Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
27 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 10 6 Wetere verenfachende Annahme So ergbt sch folgende verenfachte Formel [6] O, d m O P w P w m = 1, X t d m = 1, P w m = 0, X t \ d P wm = 0, Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
28 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 11 7 Komplementäre Umformung der Wahrschenlchet P A + P A = 1 P wm = 0, = 1 P wm = 1, [7] O, d m O P wm = 1, P wm 1, X t d = 1 P w m = 1, X t \ d 1 P wm = 1, Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
29 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 12 8 Verenfachung der Schrebwese r = P wm = 1, n = P wm = 1, [8] O, d m O r n X t d X t \ d 1 1 r n Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
30 n r 1 1 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, 13 9 Herausarbetung der doumentabhänggen Fatoren [9.1], m O d O r 1 r [8] multplzert mt 1 d X t r n n r Ferber, 1998 [9.2] d X t n r \ 1 1 d t X n r X t d t X m n r r n n r O d O , Geegnete Aufspaltung des Fators Karn Haenelt, I-Modelle: Probablstsche Modelle
31 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, Ausblendung der ncht doument-abhänggen Fatoren r n r 1 1 nur de Fatoren, de für de angfolge der Doumente relevant snd, werden weter betrachtet 31 [9.2] Ferber, 1998 [10] X t d t X m n r r n n r O d O , d t X r n n r 1 1 Karn Haenelt, I-Modelle: Probablstsche Modelle
32 Bnary Independence etreval Model Herletung des etrevalstatuswertes enes Douments SV smd m, Anwendung enes Logarthmus - zur logarthmschen Salerung der Ergebnsse - zur Vermedung mehrfacher undungsfehler auf dem echner [10] r 1 n n 1 r X t d etrevalstatuswert enes Douments retreval status value [11] SV = r 1 n log = n 1 r log 1 n + log 1 r X t d X t d r n Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
33 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
34 Bnary Independence etreval Model Termgewchtungsfunton : Grundlagen 1 Um aus Formel [11] den etrevalstatuswert enes Douments berechnen zu önnen, werden de Parameter der Summanden r und n gebraucht r = P wm = 1, n = P wm = 1, Term m relevanten Doument Term m ncht-relevanten Doument Zwe Vorgehenswesen: Parameterschätzung durch nteratves elevance Feedbac automatsche reursve Verfenerung m Suchprozess Karn Haenelt, I-Modelle: Probablstsche Modelle
35 Bnary Independence etreval Model Termgewchtungsfunton : Grundlagen 2 m Untersched zum Booleschen Modell und zum Vetormodell werden probablstsche Termgewchte ncht anfrage-unabhängg auf der Doumentbass bestmmt sondern anfragespezfsch berechnet nach der elevanz der Doumente für ene Anfrage auf der Bass der Vertelung n relevanten und nchtrelevanten Doumenten jede Anfrage st en Anfrage-Eregns: stellen verschedene Leute deselbe Anfrage, so snd verschedene elevanzbeurtelungen der Doumente möglch n der Praxs werden allerdngs auch Mttelwerte über de Beurtelungen der Anfrage-Eregnsse gebldet Karn Haenelt, I-Modelle: Probablstsche Modelle
36 Bnary Independence etreval Model Termgewchtungsfunton Parameterschätzung durch elevance Feedbac 1 Bass der Parameterschätzung Es wurden berets Doumente ausgewählt Benutzende untertelen Doumente n relevant und nchtrelevant Karn Haenelt, I-Modelle: Probablstsche Modelle
37 Bnary Independence etreval Model Termgewchtungsfunton Parameterschätzung durch elevance Feedbac 2 Beobachtungsbass rel rel nrel Anzahl der als relevant beurtelten Doumente Anzahl der relevanten Doumente mt Term t Anzahl der ncht-relevanten Doumente nrel Schätzwerte Anzahl der ncht-relevanten Doumente mt Term t P w P w m m = 1, = r = 1, = n rel rel nrel nrel Ferber, 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
38 Bnary Independence etreval Model Termgewchtungsfunton Parameterschätzung durch elevance Feedbac 3 Ensetzung der Schätzwerte n Formel [11] etrevalstatuswert enes Douments [11] [12] Termgewcht r 1 n SV = log n r 1 w r t = X t d etrevalstatuswert enes Douments SV = log rel 1 rel nrel nrel nrel nrel rel rel X t d 1 log rel nrel 1 rel nrel nrel rel 1 nrel rel Karn Haenelt, I-Modelle: Probablstsche Modelle
39 Bnary Independence etreval Model Bespel: Lösungsschrtt: elevance Feedbac t1 t2 t3 t4 t5 t6.feedbac d d d d elevanz- d Angaben d d d rel rel=4 nrel nrel=4 rel relevante Doumente mt Term nrel ncht-relevante Doumente mt Term rel relevante Doumente nrel ncht-relevante Doumente Ferber, 1998:120 Karn Haenelt, I-Modelle: Probablstsche Modelle
40 Bnary Independence etreval Model Bespel: Lösungsschrtt: Gewchtungsfunton 2 t1 t.feedbac d 1 1 d 2 1 d 3 0 d 4 0 d 5 0 d 6 0 d 7 1 d 8 0 rel 2 rel=4 nrel 1 nrel=4 Term- Gewcht rel nrel 1 rel nrel nrel rel 1 nrel rel 3 Berechnung des Termgewchts für Term t1 Formel für Termgewcht nach probablst. Modell Ensetzen der Werte aus elevance Feedbac rel nrel 1 rel nrel nrel rel 1 nrel rel = 3 Karn Haenelt, I-Modelle: Probablstsche Modelle
41 Bnary Independence etreval Model Bespel: Lösungsschrtt: Klassfaton Neue E-Mals und hr etrevalstatuswert t1 t2 t3 t4 t5 t6 etrevalstatuswert d log3+log1+log3= log1+log9=0.95 d 11 d 12 d log3+log9= log3+log3=0.95 Berechnete Termgewchte Term- Gewcht Ferber, 1998: Karn Haenelt, I-Modelle: Probablstsche Modelle
42 Bnary Independence etreval Model Termgewchtungsfunton reursve Parameterschätzung m Suchprozess Prnzp Anfangsschätzung P eurson t = P t = 0.5 n N N t n Gesamtzahl der Doumente m System Indexterm Anzahl der Doumente, n denen Term t vorommt anng auf der Bass der Schätzung der Termgewchte Verwendung enes Schwellenwertes Annahme der elevanz für alle Doumente deren SV über dem Schwellenwert legt Ermttlung der Termvertelungen n den Doumenten und Erzeugung neuer Termgewchte Baeza-Yates/bero-Neto, 1999,33 Karn Haenelt, I-Modelle: Probablstsche Modelle
43 Bnary Independence etreval Model Termgewchtungsfunton reursve Parameterschätzung m Suchprozess Formeln für de reursve Verfenerung Annahme a Pt, ann an Hand der Vertelung der Index-Terme t n den bsher ausgewählten Doumenten approxmert werden rel rel Annahme b Pt-, ann unter der Annahme approxmert werden, dass alle ncht ausgewählten Doumente ncht relevant snd P t P t,, n rel N rel Baeza-Yates/bero-Neto, 1999,33 Karn Haenelt, I-Modelle: Probablstsche Modelle
44 Bnary Independence etreval Model Termgewchtungsfunton reursve Parameterschätzung m Suchprozess Parameterorretur De Formeln bereten Probleme be lenen Werten von rel und rel z.b. rel = 1 und rel = 0 P t, rel rel P t, n rel N rel Korreturwerte P t, rel rel + 1 P t, n rel N rel + 1 Karn Haenelt, I-Modelle: Probablstsche Modelle
45 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
46 Oap Bedeutung probablstsches etrevalsystem probablstsche Termgewchtungsfuntonen für bnäre Doumentvetoren BM1 Best Match theoretsche Funderung: obertson/sparc Jones, 1976 Erweterung: Parameter für Doumentlänge und Termfreuenz n Anfrage und Doument BM11, BM15, BM25 auch olletv als Famle von Gewchtungsfuntonen Oap BM25 genannt theoretsche Funderung: obertson/waler, 1994 BM25F obertson/zaragoza/taylor, 2004 Karn Haenelt, I-Modelle: Probablstsche Modelle
47 Oap Hstore Oap : ursprünglch ene Famle bblographscher etrevalsysteme, entwcelt unter Förderung der Brtsh Lbrary an der Polytechnc of Central London heute: Unversty of Westmnster : Cty Unversty, London 1998 ff: wetergeführt von Mcrosoft esearch Laboratory n Cambrdge und engebunden n de Keenbow- Evaluerungsumgebung für etrevalsysteme obertson, Waler, 2000 neue Expermente mt neuen Systemen z.b. Indzes mt paralleler Archtetur und mehreren Gewchtungsfuntonen z.b. BM25, BM25F; Pagean Craswell, Fetterly, Najor, obertson, Ylmaz, 2009 Karn Haenelt, I-Modelle: Probablstsche Modelle
48 Oap Suchtechnen Gewchtung von Suchtermen Match-Funton: Überenstmmungswert enes Douments st de Summe der Gewchtung der zwschen der Suchanfrage und Doument überenstmmenden Terme elevance Feedbac Query Expanson obertson, Waler, Hancoc-Beauleu, Gull, Lau, 1992 Karn Haenelt, I-Modelle: Probablstsche Modelle
49 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
50 Oap-Gewchtungsfuntonen Notaton N Anzahl der Doumente n der Kolleton n Anzahl der Doumente mt enem bestmmten Term Kolletonsfreuenz Anzahl der relevanten Doumente für en Thema r Anzahl der relevanten Doumente mt enem bestmmten Term tf Vorommenshäufget enes Terms n enem Doument tf Vorommenshäufget enes Terms n ener Query dl Doumentlänge belebge Enheten avdl durchschnttlche Doumentlänge BMxx Best-match-Gewchtungsfunton, b Konstanten Karn Haenelt, I-Modelle: Probablstsche Modelle
51 Oap-Gewchtungsfuntonen Bass: obertson/sparc Jones-Formel Formel von obertson / Sparc Jones 1976 SJ w SJ = r N n + r log n r r N Anzahl der Doumente n der Kolleton n Anzahl der Doumente mt enem bestmmten Term Kolletonsfreuenz Anzahl der relevanten Doumente für en Thema r Anzahl der relevanten Doumente mt enem bestmmten Term obertson, S. Waler, S. Jones, M.M. Hancoc-Beauleu, M. Gatford 1994 Karn Haenelt, I-Modelle: Probablstsche Modelle
52 Oap-Gewchtungsfuntonen BM1 / IDF Formel der Expermente für TEC-1 st de obertson-sparc Jones-Formel SJ ohne elevanzangaben, d.h. = r = 0 n deser Form entsprcht de Formel der nversen Kolletonsgewchtung df BM1 w IDF N n = log n entsprcht der Annahme Ptrelevant=0.5 N Anzahl der Doumente n der Kolleton n Anzahl der Doumente mt enem bestmmten Term Kolletonsfreuenz Anzahl der relevanten Doumente für en Thema r Anzahl der relevanten Doumente mt enem bestmmten Term obertson, S. Waler, S. Jones, M.M. Hancoc-Beauleu, M. Gatford 1994 Karn Haenelt, I-Modelle: Probablstsche Modelle
53 Oap-Gewchtungsfuntonen BM25 Motvaton Bnary Independence Model ursprünglch für Katalogenträge und abstracts glecher Länge entwcelt Modell für free Volltext-Kolletonen sollte berücschtgen Termfreuenz Doumentlänge Anfrage-Länge Anfrage ann en Bespeldoument sen BM 25 Oap-Gewchtung theoretsche Funderung entwcelt von Stephen E. obertson und S. Waler 1994 benannt nach dem System Oap, n dem es erstmals verwendet wurde Karn Haenelt, I-Modelle: Probablstsche Modelle
54 Oap-Gewchtungsfuntonen BM25 w - Grundform - allgemenere Formen z.b. ohne tf - spezellere Varanten z.b. BM11, BM15 BM 25 SJ = w dl b + b + tf tf avdl tf tf tf Termfreuenz m Doument tf Termfreuenz n der Themenformulerung, de der Anfrage zu Grunde legt dl Doumentlänge st geegnet festzusetzen avdl durchschnttlche Doumentlänge st geegnet festzusetzen 1, b, 3 Parameter zur Anpassung an Egenschaften enestextcorpus obertson/waler 2000, Sparc Jones/oberstonWaler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
55 Oap-Gewchtungsfuntonen BM25 w BM 25 SJ tf = w 1 dlnf + tf 3 + tf tf tf Termfreuenz m Doument tf Termfreuenz n der Themenformulerung, de der Anfrage zu Grunde legt dlnf Doumentlängennormerungsfator 1, b, 3 Parameter zur Anpassung an Egenschaften enestextcorpus obertson/waler 2000, Sparc Jones/oberstonWaler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
56 Oap-Gewchtungsfuntonen BM25 enfache Gewchtungs- Funton SJ oder IDF Doumentterm- freuenz- Fator Anfrageterm- freuenz- Fator w BM 25 SJ tf = w 1 dlnf + tf 3 + tf tf Doumentlängen-Normerungs-Fator tf Termfreuenz m Doument tf Termfreuenz n der Themenformulerung, de der Anfrage zu Grunde legt dlnf Doumentlängennormerungsfator 1, b, 3 Parameter zur Anpassung an Egenschaften enestextcorpus obertson/waler 2000, Sparc Jones/oberston/Waler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
57 Oap-Gewchtungsfuntonen BM25 Termfreuenzfator obertson/waler 1994 entwceln ene omplexe Formel, de auf Überlegungen zu folgenden Egenschaften beruht Vertelung 1: für jedes Thema glt: es gbt Doumente, de das Thema behandeln, und solche, de es ncht behandeln Vertelung 2: für jeden Term glt: er ann n enem Doument mt dem Thema, das mt dem Term assozert wrd, vorommen oder ncht Vertelung 1 und Vertelung 2 snd bedes Posson- Vertelungen Elteness enes Terms: Term steht n Zusammenhang mt dem mt dem Term assozerten Thema E oder E Sparc Jones/oberston/Waler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
58 Oap-Gewchtungsfuntonen BM25 Termfreuenzfator De Formel st omplex algebrasch und bezüglch Interpretaton und Abschätzung obertson/waler 1994 untersuchen das Verhalten der Formel und schlagen ene enfachere Formel mt enem ähnlchen Verhalten vor SJ wtf = w 1 + tf tf Sparc Jones/oberston/Waler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
59 Oap-Gewchtungsfuntonen BM25 Termfreuenzfator Egenschaften st 0 be Termfreuenz = 0 SJ wtf = w 1 + tf tf wächst monoton mt tf hat ene asymptotsche Grenze d.h. zusätzlche Vorommen von t erhöhen das Gewcht, aber es gbt en Lmt des Erhöhungswertes 1 : Modellerungsparameter zur Anpassung an Corpora bestmmt, we sehr das Gewcht w tf auf ene Erhöhung von tf reagert mt =0 st w tf dentsch mt w enfache Termpräsenz TEC-Erfahrung: Werte zwschen 1.2 und 2 snd effetv Sparc Jones/oberston/Waler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle
60 Oap-Gewchtungsfuntonen BM25 Doumentlängennormerungsfator Annahme: Wortrechtum entsteht eher durch erweterte Ausführungen als durch Wederholungen von Aussagen sollte also ncht enfach wegdvdert werden enfache Verson dl dlnf = berücschtgt Annahme ncht avdl dl erweterte Verson dlnf = 1 b + b avdl mt b = 1 ergbt sch enfache Verson Werte b < 1 reduzeren den Doumentlängennormerungsfator TEC-Erfahrungen: en Wert b = 0.75 st gut Sparc Jones/obertson/Waler 1998 Karn Haenelt, I-Modelle: Probablstsche Modelle ; orr
61 Oap-Gewchtungsfuntonen BM SJ dlnf SJ tf 1 + wtf dnlf = w = w tf + 1 dnlf + 1 tf dnlf 1 tf w BM 25 SJ = w dl b + b + tf tf avdl tf tf BM25F berücschtgt zusätzlch de Stelle des Vorommens Feld Ttel, 1. Satz, Karn Haenelt, I-Modelle: Probablstsche Modelle
62 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
63 Synopse: Vetormodell und probablstsches Modell Anfrage Termgewcht w Doument d Vetormodell Doumentterme werden nach Corpusegenschaften gewchtet, repräsenteren Doument w j {0,1} oder w j + w dj + probablst. Modell Doumentterme werden nach elevanzegenschaften bezüglch ener Anfrage gewchtet repräsenteren Query w j {0,1} oder w j + SV j +, BM Do.Fre. ggf. n BM berücschtgt w dj {0,1} Karn Haenelt, I-Modelle: Probablstsche Modelle ; orr
64 Synopse Vetormodell und probablstsches Modell probablstsche Termgewchtungsschemata önnen auch m Vetormodell verwendet werden Vernüpfung der Vetoren m Vetormodell: verschedene Möglcheten der Vetorähnlchet m probablstschen Modell: festgelegt durch de Theore Wahrschenlchet mehrerer Eregnsse her: Termvorommen ncht-logarthmsche Form: Salarprodut logarthmsche Form: Summe probablstsche Gewchtung und Vernüpfung der Query- und Doument-Vetoren durch Salarprodut ergbt m Wesentlchen den etreval-status-wert des probablstschen Modells Karn Haenelt, I-Modelle: Probablstsche Modelle
65 Synopse Vetormodell und probablstsches Modell Vortel des probablstschen Modells gegenüber dem Vetormodell: Bestmmung der angfolge von Doumenten ohne den Umweg über ad-hoc-termgewchtungen Zele der Enführung von Termgewchtungen Ensparung enes relevance-feedbac-verfahrens Karn Haenelt, I-Modelle: Probablstsche Modelle
66 Probablstsches Modell Anwendungsbespele Browsng 1. elevance Feedbac: für Bespel-Doumente für en Themengebet 2. Erlernen der Term-Gewchtungen für das elevanz- anzegende Voabular des Themengebetes 3. Klassfaton: Suche ähnlcher Doumente multlnguales etreval 1. elevance Feedbac: für Doumente n mehreren Sprachen 2. Erlernen der Term-Gewchtungen erfolgt ohne besondere Verfahren multlngual 3. Klassfaton: erfolgt sprachübergrefend Karn Haenelt, I-Modelle: Probablstsche Modelle
67 Verglech der lassschen Informaton etreval Modelle Boolesches Modell Schwächste Methode Kene partellen Überenstmmungen Vetormodell offenbar beste Ergebnsse für allgemene Doumentsammlungen Wachsende Populartät n Internetsuchmaschnen Probablstsches Modell Gute Ergebnsse für spezfsche Doumentsammlungen mt elevanz-feedbac: Bestmmung ener angfolge von Doumenten ohne Umweg über ad-hoc Termgewchtungen Tranngscorpus und elevanz-meldungen erforderlch vgl. Baeza-Yates/bero-Neto, 1999,34 Karn Haenelt, I-Modelle: Probablstsche Modelle
68 Inhalt I Probablstsche etrevalmodelle Bnary Independence etreval Model BI Bespel Theore und Defntonen etrevalstatuswert enes Douments SV Termgewchtungsfunton Oap probablstsches etrevalsystem Termgewchtungsfuntonen BM1, BM11, BM15, BM25 Synopse: Vetormodell und probablstsches Modell Anhang 1: Orgnalartel obertson/sparc Jones, 1976, Notatonsverglech Karn Haenelt, I-Modelle: Probablstsche Modelle
69 Anhang 1 Bnary Independence Model Ergänzende Betrachtungen aus dem Orgnalartel Stephen E. obertson und Karen Spärc Jones elevance weghtng of search terms. In: Journal of the Amercan Socety for Informaton Scence 27, May June 1976, S Ergänzungen unter den Aspeten nformelle Darstellung formale Abletung Formel SJ F4 = BM1 als Grundlage enes besseren Verständnsses verschedener Darstellungen und Weterentwclungen Karn Haenelt, I-Modelle: Probablstsche Modelle
nonparametrische 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
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
MehrEinführung in die Finanzmathematik
1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg
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
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
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:
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,
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
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
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
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
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
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrIch habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
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
MehrEinbau-/Betriebsanleitung Stahl-PE-Übergang Typ PESS / Typ PESVS Originalbetriebsanleitung Für künftige Verwendung aufbewahren!
Franz Schuck GmbH Enbau-/Betrebsanletung Stahl-PE-Übergang Typ PESS / Typ PESVS Orgnalbetrebsanletung Für künftge Verwendung aufbewahren! Enletung Dese Anletung st für das Beden-, Instandhaltungs- und
MehrIT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.
IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung
Mehrd da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb
S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von
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)
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
MehrZinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
Mehr1.1 Grundbegriffe und Grundgesetze 29
1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld
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
MehrWechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I
Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"
MehrKreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
Mehr1 - Prüfungsvorbereitungsseminar
1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten
MehrPraktikum Physikalische Chemie I (C-2) Versuch Nr. 6
Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
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.
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
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
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
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
MehrGrundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften
Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de
MehrDatenträger löschen und einrichten
Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe
MehrBackup- und Restore-Systeme implementieren. Technische Berufsschule Zürich IT Seite 1
Modul 143 Backup- und Restore-Systeme mplementeren Technsche Berufsschule Zürch IT Sete 1 Warum Backup? (Enge Zahlen aus Untersuchungen) Wert von 100 MByte Daten bs CHF 1 500 000 Pro Vorfall entstehen
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
MehrDie Ausgangssituation... 14 Das Beispiel-Szenario... 14
E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern
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
MehrDer Satz von COOK (1971)
Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls
Mehrphil omondo phil omondo Skalierung von Organisationen und Innovationen gestalten Sie möchten mehr Preise und Leistungen Workshops und Seminare
Skalerung von Organsatonen und Innovatonen gestalten phl omondo Se stehen vor dem nächsten Wachstumsschrtt hrer Organsaton oder haben berets begonnen desen aktv zu gestalten? In desem Workshop-Semnar erarbeten
MehrMessung und Modellierung von Nebensprechstörungen auf
Messung und Modellerung von ebensprechstörungen au xdl-kanälen Alred Voglgsang ITG Dsussonsstzung Messverahren der EMV 5.0.003 Glederung. Atuelle Ausgangsstuaton. ebensprechen au xdl-kanälen 3. mulaton
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
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
Mehr14 Überlagerung einfacher Belastungsfälle
85 De bsher betrachteten speellen Belastungsfälle treten n der Technk. Allg. ncht n rener orm auf, sondern überlagern sch. Da de auftretenden Verformungen klen snd und en lnearer Zusammenhang wschen Verformung
MehrMetrische Untersuchung der Wiederverwendung im Content Management. Statische Kennzahlen in der Technischen Redaktion
Metrsche Untersuchung der Wederverwendung m Content Management Statsche Kennzahlen n der Technschen Redaton W. Zegler 1 [Stand: 14. September 2008] De Enführung von Content Management (CM) Methoden und
MehrNetzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008
Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrChair of Software Engineering
1 2 Enführung n de Programmerung Bertrand Meyer Vorlesung 13: Contaner-Datenstrukturen Letzte Bearbetung 1. Dezember 2003 Themen für dese Vorlesung 3 Contaner-Datenstrukturen 4 Contaner und Genercty Enthalten
Mehr3.1 Gleichstrom und Gleichspannung. 3 Messung elektrischer Größen. Gleichstrom. 3.1 Gleichstrom und Gleichspannung
. Glechstrom und Glechspannung Glechstrom essung elektrscher Größen. Glechstrom und Glechspannung. Wechselstrom und Wechselspannung. essung von mpedanzen. essverstärker.5 Darstellung des etverlaufs elektrscher
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrPortfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
MehrOperations Research II (Netzplantechnik und Projektmanagement)
Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
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
MehrFachkräfte- Die aktuelle Situation in Österreich
Chart 1 Fachkräfte- De aktuelle Stuaton n Österrech Projektleter: Studen-Nr.: Prok. Dr. Davd Pfarrhofer F818..P2.T n= telefonsche CATI-Intervews, repräsentatv für de Arbetgeberbetrebe Österrechs (ohne
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
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrEAU SWH l$,0, wohngebäude
EAU SWH l$,0, wohngebäude gemäß den $$ 6 ff, Energeensparverordnung (EnEV) :,:: Gültsbs: 09208 Gebäude Gebäudetyp Altbau Mehrfamlenhaus Adresse Hardstraße 3 33, 40629 Düsseldorf Gebäudetel Baujahr Gebäude
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
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrOnline-Services Vorteile für Mandanten im Überblick
Onlne-ervces Vortele für en m Überblck teuerberechnung Jahresbschluss E-Mal Dgtales Belegbuchen Fgur-enzeln De Entfernung zu Ihrem Berater spelt mt deser Anwendung kene Rolle mehr. Und so funktonert s:
MehrSteigLeitern Systemteile
140 unten 420 2 0 9 12 1540 1820 Länge 140 StegLetern Leterntele/Leterverbnder Materal Alumnum Stahl verznkt Sprossenabstand 2 mm Leternholme 64 mm x 25 mm 50 x 25 mm Leternbrete außen 500 mm Sprossen
Mehr"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft
"Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012
MehrOnline-Services Vorteile für Mandanten im Überblick
Onlne-ervces Vortele für en m Überblck Fgur-enzeln E-Mal Dgtales Belegbuchen Fgur-Gruppe teuerberater austausch mt Kassenbuch der Fnanzverwaltung onlne hreschluss Jahresbschluss De Entfernung zu Ihrem
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrKennlinienaufnahme des Transistors BC170
Kennlnenufnhme des Trnsstors 170 Enletung polre Trnsstoren werden us zwe eng benchbrten pn-übergängen gebldet. Vorrusetzung für ds Funktonsprnzp st de gegensetge eenflussung beder pn-übergänge, de nur
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
Mehr13.Selbstinduktion; Induktivität
13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt 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
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr4. Ratenmonotones Scheduling Rate-Monotonic Scheduling (LIU/LAYLAND 1973)
4. Raenmonoones Schedulng Rae-Monoonc Schedulng (LIU/LAYLAND 973) 4.. Tasbeschrebung Tas Planungsenhe. Perodsche Folge von Jobs. T = {,..., n } Tasparameer Anforderungsze, Bereze (release me) Bearbeungs-,
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
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
MehrW i r m a c h e n d a s F e n s t e r
Komfort W r m a c h e n d a s F e n s t e r vertrauen vertrauen Set der Gründung von ROLF Fensterbau m Jahr 1980 snd de Ansprüche an moderne Kunststofffenster deutlch gestegen. Heute stehen neben Scherhet
Mehr6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines
6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.
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
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
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,
Mehr