Kapitel 14: Clustering
|
|
- Linda Müller
- vor 7 Jahren
- Abrufe
Transkript
1 Kaptel 4: Bespel : Customer Segmentaton Gegeben: Große Datenbank mt Kundendaten, de Egenschaften und Käufe der Kunden n der Vergangenhet enthält. Zel: Gruppen von Kunden mt ähnlchem Verhalten fnden, Kunden mt ungewöhnlchem Verhalten fnden. Data Warehousng und Mnng: - Data Warehousng und Mnng: - Bespel : CAD Datenbanken Gegeben: Große Datenbank, de abstrakte Beschrebung von Bautelen enthält (Feature-Vektoren). Zel: Fnde homogene Gruppen ähnlcher Bautele, fnde Repräsentanten für jede Gruppe, verwende dese Standardtele anstelle der spezellen Tele Verklenerung der Zahl der Typen von Telen, de produzert werden. : Allgemene Problembeschrebung () Gegeben: Ene Datenmenge mt d-dmensonalen Data Items. Fnde: atürlche Parttonerung der Daten n mehrere Cluster (k Anzahl deser Cluster) und nose. De Cluster sollten so gewählt sen, daß Items m glechen Cluster ähnlch snd Intra-cluster Smlarty wrd mamert, Items n unterschedlchen Clustern verscheden snd Inter-cluster Smlarty wrd mnmert. Data Warehousng und Mnng: - 3 Data Warehousng und Mnng: - 4
2 : Allgemene Problembeschrebung () Her: Parttonerung des Datenbestands, Überlappung der Cluster aber auch möglch. Problemstellung n hochdmensonalen Merkmalsräumen st etwas anders. Anforderungen Effektve und effzente Algorthmen für große hochdmensonale Datenbestände mt hohem ose-antel erfordern Skalerbarket hnschtlch Anzahl der Datenpunkte (), Anzahl der Dmensonen (d), ose-antel. Data Warehousng und Mnng: - 5 Data Warehousng und Mnng: - 6 Alternatve Ansätze Dsclamer Methoden baserend auf Parttonerung k-means, k-medods Herarchsche Methoden, CURE Methoden baserend auf Lnks Dchte-baserte Methoden DBSCA, DECLUE Thema ncht: We gut geben de Punkte/Poston der Punkte de Wrklchket weder? Wann st Punktmenge en Cluster? Kene allgemene Antwort möglch (vgl. Dchte-Bld). Bespel: We wählt man de Schwellenwerte für de enzelnen Verfahren? We snnvoll snd de Cluster-Defntonen, de den enzelnen Verfahren zugrundelegen? Data Warehousng und Mnng: - 7 Data Warehousng und Mnng: - 8
3 Crteron Functon K-Means: Bespel Zel von : Optmerung der Crteron Functon. Verbretete Crteron Functon für Metrc Spaces: k r r E = d, m r = C ( ) Erklärungen: k gegeben. Mnmere E. Illustraton: Wenn Punkt m falschen Cluster, wrd E größer. 3 3 z Data Warehousng und Mnng: - 9 Data Warehousng und Mnng: - 0 K-Means Verfahren m Überblck () K-Means Verfahren m Überblck () Medod Punkt, der als Surrogat für den Schwerpunkt enes Clusters dent. (Medod = Seed) Bestmme k Medods (p,,p k ) für enen gegebenen Datenbestand (Intalserung), Ordne jeden Datenpunkt dem nächsten Medod zu; mnmere Dstance Stop Krterum: Iteratver Algorthmus (Hll Clmbng) Verschebe jeden Medod n Rchtung des Schwerpunkts der hm zugeordneten Menge von Punkten, eue Zuordnung (s.o.). k = j= d(p ), j Data Warehousng und Mnng: - Data Warehousng und Mnng: -
4 Intalserungsphase K-Means Parameter und Varanten Zel der Intalserungsphase Fnden von möglchst guten Medods, Greedy-Verfahren: Medods enen nach dem anderen auswählen, Medods snd Datenpunkte, neuen Medod so wählen, daß Abstand zu bshergen Medods groß genug st, z. B. Punkt, dessen Mndestabstand zu anderen Medods mamal st. Genaues Stop Krterum d. h. Ende, wenn bestmmte Anzahl von Schrtten kene Verbesserung brngt, oder Verbesserung nur noch relatv klen Algorthmus nur mt Sample anstatt mt ganzem Datenbestand laufenlassen; Parameter: Größe der Stchprobe, Mehrere Runs mt unterschedlcher Intalserung; Parameter: Anzahl der Runs (Anderersets: Epermente zegen, daß fünf Durchläufe mt unterschedlchen Samples zufredenstellende Ergebnsse lefern). Data Warehousng und Mnng: - 3 Data Warehousng und Mnng: - 4 Wann st en Medod schlecht CLARAS () und sollte m nächsten Schrtt durch anderen Punkt ersetzt werden? Medod des Clusters mt den wengsten Punkten, Medod enes Clusters mt wenger als /k*mndev Punkten Konstante vermutlch Outler oder Tel enes anderen Clusters Darstellung des Problems als Graph: Jeder Knoten entsprcht Menge von Objekten, de Medode snd. Sehr großer Graph, wrd ncht eplzt erzeugt. Kante zwschen zwe Knoten gdw. en Objekt unterschedlch. CLARAS betrachtet n jedem Schrtt en Sample von achbar-knoten. Data Warehousng und Mnng: - 5 Data Warehousng und Mnng: - 6
5 CLARAS Illustraton CLARAS () {p, p, p 3 } {p, p, p 4 } {p, p, p 5 } {p, p 3, p 5 } CLARAS betrachtet n jedem Schrtt en Sample von achbar-knoten. Parameter: Anzahl der betrachteten achbarn, Anzahl der Runs. Tendenzell wenger unkontrollert als bsherges Verfahren, da mehrere achbarn betrachtet werden.... {p, p, p 6 } z Data Warehousng und Mnng: - 7 Data Warehousng und Mnng: - 8 Dchte-Basertes Verfahren Überscht, Data Set Influence Functon Densty Functon Influence Functon: Enfluß enes Datenpunkts auf sene achbarschaft, Densty Functon: Summe der Enflüsse aller Datenpunkte. - -Algo. Defntonen von (quanttatven) Egenschaften von Clustern, z. B. Radus enes Clusters, Zugrundelegende Datenstruktur: CF-Tree ( CF = Feature), Aufbau des CF-Tree (erster Schrtt des -Algorthmus), -Algorthmus. Data Warehousng und Mnng: - 9 Data Warehousng und Mnng: - 0
6 () () - Balanced Iteratve Reducng and usng Herarches Annahme: Verfügbares Memory st beschränkt. - Egenschaften des -Algorthmus: I/O-Kosten wachsen lnear mt der Größe des Datenbestands, wenn CF-Tree n Hauptspecher paßt, ene Iteraton lefert berets en, zusätzlche (optonale) Schrtte lefern besseres. Anzahl k der gewünschten Cluster st Parameter des Algorthmus. Data Warehousng und Mnng: - Data Warehousng und Mnng: - Defntonen Defntonen - Cluster {X } se gegeben. Centrod: Radus: X Durchmesser: 0 R = = = = X ( X X0 ) D = = j= ( X X j ) ( ) -,..., Indces der Punkte n Cluster, +,..., dto. Cluster. Durchschnttlche Inter-Cluster Dstanz von Cluster und : + r r X X = j= + D = ( ) j Data Warehousng und Mnng: - 3 Data Warehousng und Mnng: - 4
7 Feature () Feature () - Informaton, de zu jedem Cluster mtführt - Feature CF=(, LS, SS) st aggregerte Informaton über enen Cluster: Anzahl der Punkte m Cluster, LS = X = SS = (X ) = - Centrod und Radus aus CF berechenbar. Fngerübung, empfohlen. Mergen von zwe Clustern: Feature des neuen Clusters läßt sch trvalerwese aus denen der Ausgangscluster berechnen. z Data Warehousng und Mnng: - 5 Data Warehousng und Mnng: - 6 CF-Tree () CF-Tree () - CF-Tree st höhenbalancerter Baum. Jedem Knoten des Baums entsprcht en Cluster. Wenn Knoten zu Cluster A n Knoten zu Cluster B enthalten st, st A n B enthalten. Höhenbalancerter Baum mt zwe Parametern: B Fan-Out, T Schwellenwert (Durchmesser (oder Radus) enes Blatt-Clusters muß klener als T sen.) - Innere Knoten enthalten Enträge der Form [CF, chld ]. (CF st Feature von chld.) Data Warehousng und Mnng: - 7 Data Warehousng und Mnng: - 8
8 Enfügen n den CF-Tree () Enfügen n den CF-Tree () - ode-splttng: De am wetesten vonenander entfernten Punkte snd de Seeds. Zuordnung der Punkte zum näheren Seed. - Man ordnet Punkte n Baum en. Jeder Punkt wandert n den Knoten, zu dessen Schwerpunkt er den klensten Abstand hat. (We bem B+-Baum.) Punkt paßt n ken Blatt (wegen Schwellenwert T) neuer Blatt-Cluster, Knoten werden gesplttet, sobald der Cluster zu groß wrd, d. h. zuvele Tel-Cluster. Data Warehousng und Mnng: - 9 Data Warehousng und Mnng: - 30 Feature Enfügen n den CF-Tree (3) - Informaton, de zu jedem Cluster mtführt - Feature CF=(, LS, SS) st aggregerte Informaton über enen Cluster: Anzahl der Punkte m Cluster, LS = X = SS = (X ) = - Spltten der Knoten funktonert mt den Features, man braucht ncht de Punkte selbst. Illustraton. arbetet nur mt aggregerten Werten, damt möglchst vel m Hauptspecher ablaufen kann. Data Warehousng und Mnng: - 3 Data Warehousng und Mnng: - 3
9 Enfügen n den CF-Tree (4) Intalserungsphase: Illustraton - Problem: Gesplttet wrd, wenn Knoten voll, ken Zusammenhang zur Qualtät des aktuellen s. Zwschenzetlches Zusammenfassen von Geschwster-Knoten, wenn snnvoll (Merge): Man spart Platz, - Knotengröße: 4 neu bessere Qualtät des. Data Warehousng und Mnng: - 33 Data Warehousng und Mnng: - 34 Intalserungsphase: Illustraton Fortsetzung Enfügen n den CF-Tree Merge - Knotengröße: 4 - Merge passert ggf. m Anschluß ans Splttng, wr betrachten de Knder des Knotens, der zwe neue Knoten nach Splttng enthält. Man faßt de zwe Knder mt mnmalem Abstand zu enem neuen Knoten zusammen (falls ncht dentsch mt jenem Splt-Ergebns). Mergen erfordert ggf. Resplttng der Knder. Sobald Knoten, der enem Seed entsprcht, voll, wrd anderer Knoten enfach aufgefüllt. Data Warehousng und Mnng: - 35 Data Warehousng und Mnng: - 36
10 Algorthmus n Oracle - Aufbau des CF-Trees, euanordnung der Subcluster n den Blättern durch globalen -Algorthmus (wegen Skewed Input und Splttng gemäß Page Sze), Centrode der Cluster als Seeds, euvertelung der Datenpunkte. Model buld vs. model apply. Buld: Identfkaton von Clustern. Apply: Zuordnung von Datenpunkten zu Clustern. z Data Warehousng und Mnng: - 37 Data Warehousng und Mnng: Ergebnsse n Oracle System generert Regeln, de -Ergebns beschreben. Regeln spezfzeren Boundng Bo. Bespel: f AGE >= 5 and AGE <= 40 and HEIGHT >= 5.0ft and HEIGHT <= 5.5ft then CLUSTER = 0 - Probleme mt hochdmensonalen Räumen Interessante Cluster snd. d. R. ncht Cluster n allen Dmensonen. y z z Data Warehousng und Mnng: - 39 Data Warehousng und Mnng: - 40
11 - Probleme mt hochdmensonalen Räumen () Ansätze funktoneren ncht, z. B. zu gernge Dchte mt Dchte-baserten Ansätzen, es ergbt sch kene snnvolle Strukturerung der Daten mt herarchschen Verfahren. Problem, das m Hochdmensonalen mehr Gewcht hat: Dmensonen, n denen Punkte Cluster blden, müssen erst enmal gefunden werden. Dmensonen können ncht apror gepruned werden. - Input: Problem Statement Anzahl der Cluster, de der Algorthmus fnden soll: k, durchschnttlche Anzahl der Dmensonen pro Cluster: l, M. E. etwas wllkürlch, daß der Benutzer dese Parameter vorgeben muß, st aber be desem Verfahren so. Output: Parttonerung der Daten n k+ Mengen Warum k+ Mengen anstatt k Mengen? Telmenge D der Menge der Dmensonen für jeden Cluster. Bespel. Data Warehousng und Mnng: - 4 Data Warehousng und Mnng: - 4 Defntonen Überscht über den Algorthmus Manhattan Dstance Manhattan Segmental Dstance normalsert de Anzahl der Dmensonen heraus: d D (, ) =(Σ D, -, )/ D Intalserungsphase (we bsher), schrttweses Verfenern der Zwschenergebnsse (Hll Clmbng, m Prnzp auch we gehabt). we be - - Data Warehousng und Mnng: - 43 Data Warehousng und Mnng: - 44
12 Illustraton Ermtteln der Dmensonen zu enem Medod () Untersched zum bshergen Verfahren: Zu jedem Medod Menge von Dmensonen eplzt wählen (n jedem Schrtt neu, nachdem Medode ermttelt wurden). Dazu für jeden Medod m Punkte nahe be m betrachten. L steht für dese Menge von Punkten. Genauer: δ = mn j (dst(m, m j )) Localty L Menge der Punkte, deren Abstand von m klener st als δ. Data Warehousng und Mnng: - 45 Data Warehousng und Mnng: - 46 Ermtteln der Dmensonen zu enem Medod () Ermtteln der Dmensonen zu enem Medod (3) - L δ L m m m 3 - Berechnung der -Dstanz der Punkte n L pro Dmenson j: X,j m 4 Was wäre also de Localty von m 3? Data Warehousng und Mnng: - 47 Data Warehousng und Mnng: - 48
13 Ermtteln der Dmensonen zu enem Medod (4) Ermtteln der Dmensonen zu enem Medod (5) - X,y m X, - Auswahl der Dmensonen, für de de Punkte nahe be m snd. d Mttel der Dstanzen X,j j= über de Dmensonen: Y = ( steht für Cluster.) d Standardabwechung: σ = ( X,j Y ) j d Data Warehousng und Mnng: - 49 Data Warehousng und Mnng: - 50 Ermtteln der Dmensonen zu enem Medod (6) Ermtteln der Dmensonen zu enem Medod (7) X,y Y m X, X,y Y X m, - - Wenn X,j Y negatv, dann st Dmenson j wchtg Medod. Ansonsten ncht. Im Folgenden: Betrachtung mehrerer Cluster glechzetg. Data Warehousng und Mnng: - 5 Data Warehousng und Mnng: - 5
14 Ermtteln der Dmensonen zu enem Medod (8) Ermtteln der Dmensonen zu enem Medod (9) Interessanter Cluster typscherwese ncht Cluster n allen Dmensonen. y l (durchschnttlche Anzahl von Dmensonen per Cluster) gegeben. We Dmensonen zu ordnen? z - - Auswahl der Dmensonen, n der Punkte nahe be m legen Fortsetzung: Snd Punkte n Dmenson j näher be m als m Durchschntt? Ja, wenn X,j Y negatv. Data Warehousng und Mnng: - 53 Data Warehousng und Mnng: - 54 Ermtteln der Dmensonen zu enem Medod (0) Ermtteln der Dmensonen zu enem Medod () X,y Y m X, X,y Y X m, - - Auswahl der Dmensonen, n der Punkte nahe be m legen Fortsetzung: Jetzt Verglech der Dfferenz für unterschedlche Cluster. X,j Y Herfür Z,j berechnen: Z,j = σ Z,j sorteren (für alle und alle j) und jedem Cluster sene Dmensonen zuordnen. Data Warehousng und Mnng: - 55 Data Warehousng und Mnng: - 56
15 Bestmmung der Cluster Lnk-baserte Methode () Für jeden Punkt Berechnung der Manhattan Segmental Dstance zu jedem Medod, Zuordnung des Punkts zum nächsten Medod. Erster Schrtt: Alle Punkte, deren Dstanz klener als d st, verbnden. - - z Data Warehousng und Mnng: - 57 Data Warehousng und Mnng: - 58 Lnk-baserte Methode () Mnmalanzahl von achbar-punkten: 4 Dünne den Datenbestand aus. für kategorsche () Bespel: Warenkorbanalyse Kunden mt Klenkndern kaufen Wndeln, Babynahrung, Spelzeug, usw. Kunden mt hohem Enkommen kaufen Trüffeln, Kavar, Champagner, usw. snd Boolsch. - - Data Warehousng und Mnng: - 59 Data Warehousng und Mnng: - 60
16 für kategorsche () Probleme bem mt kategorschen n () Boolsche hatten wr berets kommt Item n Transakton vor oder ncht. : Allgemenerer Fall Werteberech st ncht {true, false}, sondern rgendene endlche Menge von Werten, z. B. {braun, schwarz, weß, } Algorthmen verwenden üblcherwese Eukldsche Dstanz. Funktonert gut für numersche. - - Data Warehousng und Mnng: - 6 Data Warehousng und Mnng: - 6 Probleme bem mt kategorschen n () Probleme bem mt kategorschen n (3) Datenbestände mt kategorschen n dagegen: Anzahl der Items/Anzahl der st tendenzell groß (mehrere tausend), verglchen mt Größe typscher Transakton. Kunden mt ähnlchem Kaufverhalten (d. h. glecher Cluster) haben weng Items gemensam. (Bespel: Cluster, der teuren Markenartkeln entsprcht). Verknüpfung zwschen desen Transaktonen ergbt sch durch andere Transaktonen. - - Datenbestände mt kategorschen n dagegen (Forts.): Mengen der Items, de Cluster bestmmen, haben unterschedlche Größen. Große Menge: Vele Paare von Transaktonen haben wenge Items gemensam. Abstände der Transaktonen vom Durchschntt snd größer n großem Cluster. Data Warehousng und Mnng: - 63 Data Warehousng und Mnng: - 64
17 - Schwächen tradtoneller Algorthmen Bespel () MST Algorthmus (MST = mnmum spannng tree) Jedes Objekt st zunächst separater Cluster. Algorthmus fndet dann Paare von Clustern, deren Abstand mnmal st. Merge deser beden Cluster, repräsentert durch Centrod. Wederholung der letzten beden Schrtte, bs Abbruchkrterum erfüllt. - Schwächen tradtoneller Algorthmen Bespel () Input-Daten: {,, 3, 5}, {, 3, 4, 5}, {, 4}, {6} Input-Daten als Punkte: (,,,0,,0), (0,,,,,0), (,0,0,,0,0), (0,0,0,0,0,) Eukldscher Abstand. Zunächst Merge der ersten beden Punkte; Centrod des neuen Clusters st (0.5,,,0.5,,0). Dann: Merge des drtten und des verten Punkts. Dese Punkte entsprechen Transaktonen, de ken Item gemensam haben. Data Warehousng und Mnng: - 65 Data Warehousng und Mnng: - 66 Weteres Bespel () Weteres Bespel () Input: Jaccard Koeffzent quantfzert Ähnlchket von zwe Transaktonen T und T: T T T T Datenbestand {,, 3}, {, 4, 5}, {,, 4}, {, 3, 4}, {,, 5}, {, 3, 5}, {, 3, 4}, {, 4, 5}, {, 3, 5}, {3, 4, 5}, {,, 6}, {,, 7}, {, 6, 7}, {, 6, 7} MST Algorthmus. - - Fragen: Was st der Werteberech des Jaccard Koeffzenten? We seht en natürlches der o. g. Menge von Transaktonen aus, unabhängg vom Algorthmus? Fndet der Algorthmus deses? Ist das mmer der Fall? Data Warehousng und Mnng: - 67 Data Warehousng und Mnng: - 68
18 Weteres Bespel (3) Weteres Bespel (4) Fragen: Was st der Werteberech T T des Jaccard Koeffzenten? T T 0 bs : 0, wenn Schnttmenge leer;, wenn Mengen dentsch. We seht en natürlches der o. g. Menge von Transaktonen aus, unabhängg vom Algorthmus? {,, 3}, {, 4, 5}, {,, 4}, {, 3, 4}, {,, 5}, {, 3, 5}, {, 3, 4}, {, 4, 5}, {, 3, 5}, {3, 4, 5}, {,, 6}, {,, 7}, {, 6, 7}, {, 6, 7} - - Fragen: Fndet der Algorthmus deses? Ist das mmer der Fall? und dskrmneren ncht., können n beden Clustern vorkommen. Wenn z. B. 3 und 6 als erstes zusammengefaßt werden. Data Warehousng und Mnng: - 69 Data Warehousng und Mnng: - 70 Beobachtungen Lösung: Lnks MST Algorthmus & Jaccard Koeffzent verglechen nur zwe Punkte/Transaktonen; achbarschaft blebt unberückschtgt. Im Bespel snd, kene dskrmnerenden Items. - - Zwe Punkte snd achbarn, wenn Ähnlchket größer als Schwellenwert. Anzahl von Lnks zwschen zwe Punkten := Anzahl gemensamer achbarn deser Punkte. Merge von Clustern/Punkten mt mamaler Lnk-Anzahl. Fngerübung, empfohlen: Zegen Se, daß deser Ansatz m Bespel zu korrektem führt, wenn (Schwellenwert) θ=0.5 und Jaccard Koeffzent. Data Warehousng und Mnng: - 7 Data Warehousng und Mnng: - 7
19 Crteron Functon () Crteron Functon () Zel von : Optmerung ener Crteron Functon. Gängge Crteron Functon für metrsche Räume: k r r E = d, m r = C ( ) Erklärungen: k gegeben. Mnmere E. Illustraton: Wenn Punkt m falschen Cluster, wrd E größer. - - Wr wollen Summe von lnk(p q, p r ) mameren für Paare p q, p r von Datenpunkten, de zu glechem Cluster gehören, mnmeren für Paare p q, p r von Datenpunkten n unterschedlchen Clustern. Data Warehousng und Mnng: - 73 Data Warehousng und Mnng: - 74 Crteron Functon (3) Crteron Functon, de das lestet muß mamert werden : E l = k n = p, p C q r lnk n ( p, p ) q + f ( θ ) n Größe des Clusters Zähler erwartete Gesamtanzahl von Lnks n C, baserend auf Anzahl von Punkten. r - - Crteron Functon Crteron Functon (4) E = = p, p C ( p, p ) lestet das ncht Ergebns wäre, wo alle Punkte n enem Cluster. k q r lnk q r Data Warehousng und Mnng: - 75 Data Warehousng und Mnng: - 76
20 Crteron Functon Illustraton Vertelung der Punkte: l Anzahl der Lnks n lnker Wolke, l Anzahl der Lnks n rechter Wolke. Erster Fall: Alle Punkte n glechem Cluster. l + l + l + l E = 0 = Zweter Fall: Zwe Cluster. 0 l l l + l E = + 0 = mt kategorschen Dmensonen Zusammenfassung st schwerg, wenn Dmensonen kategorsch snd. otwendgket, achbarschaft zu berückschtgen, wurde demonstrert. Lösung wurde vorgestellt Algorthmus muß ncht geändert werden, Abstand wrd geändert. Data Warehousng und Mnng: - 77 Data Warehousng und Mnng: - 78 Lteratur () Lteratur () Raymond g und Jawe Han. Effcent and Effectve Methods for Spatal Data Mnng. Proceedngs of the 0th Int'l Conference on Very Large Databases, 994. Tan Zhang, Raghu Ramakrshnan und Mron Lvny. : An Effcent Data Method for Very Large Databases. Proceedngs of the 997 ACM SIGMOD Internatonal Conference on Management of Data. Charu Aggarwal et al. Fast Algorthms for. Proceedngs of the 999 ACM SIGMOD Internatonal Conference on Management of Data. Sudpto Guha, Rajeev Rastog und Kyuseok Shm. ROCK: A Robust Algorthm for Categorcal s. Data Warehousng und Mnng: - 79 Data Warehousng und Mnng: - 80
21 Prüfungsfragen, bespelhaft Welche -Verfahren kennen Se? Erklären Se -Verfahren XY. Warum funktoneren herkömmlche -Verfahren n hochdmensonalen Merkmalsräumen ncht? Skzzeren Se ene möglche Lösung. Erklären Se, warum mt kategorschen n besonders st? Warum st Lnk-basertes her hlfrech? Data Warehousng und Mnng: - 8
wird 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
6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Grundgedanke 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
Lineare 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:
binäre 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,
4.6 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
Kapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
Multilineare 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
Daten 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
Diskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Fallstudie 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
Itemanalyse 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
Die 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
Auswertung 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;
Spiele 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,,
Universität 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
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
Übungsklausur 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
Abbildung 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
-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
Aufgabe 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
Lösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
Methoden 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
Weitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Netzwerkstrukturen. 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.
6. 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
Konkave 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
9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Dynamisches 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,.
Facility 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
4. 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,
2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
Standortplanung. 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
Statistik 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
3. 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
1 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:
Streuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Näherungsverfahren. 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.:
Auswertung 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;
Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
Der Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
WS 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
18. 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
Lineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
3.3 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
Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
Beim 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.
Konzept der Chartanalyse bei Chart-Trend.de
Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung
Elemente 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
Mining Concept-Drifting Data Streams using Ensemble Classifiers
Vortrag m Semnar aus maschnellem Lernen Über das Paper: Mnng Concept-Drftng Data Streams usng Ensemble Classfers Haxun Wang, We Fan, Phlp S. Yu, Jawe Han Vortrag: Robert Deußer Glederung Enführung Ensemble
Lineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Wahl auf Bäumen: FireWire
Wahl auf Bäumen: FreWre IEEE 94 Hgh Performance Seral Bus (FreWre) Internatonaler Standard Hochgeschwndgketsbus Transport von dgtalen Audo- und Vdeo-Daten 400 Mbps (94b: 800 MBps... 3200 Mbps) Hot-pluggable
Die 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
Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
Sortieren. Thomas Röfer. Permutationen Naives Sortieren Sortieren durch Einfügen, Auswählen, Vertauschen, Mischen QuickSort Comparator
Unverstät Bremen Sorteren Thomas Röfer Permutatonen Naves Sorteren Sorteren durch Enfügen, Auswählen, Vertauschen, Mschen QuckSort Comparator Unverstät Bremen Rückblck Suchen Identtät/Flache/Tefe Glechhet
Lehrstuhl 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
Arbeitsgruppe 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
Prof. Dr. Margarita Esponda
Algorthmen und Programmeren II Sorteralgorthmen mperatv Tel II Prof. Dr. Margarta Esponda Free Unverstät Berln Tele und Herrsche "Dvde und Conquer" Vele Probleme lassen sch ncht mt trvalen Schlefen lösen
( ) γ. (t 1 ) (t 2 ) = Arg γ 2(t 2 )
Funktonentheore, Woche 10 Bholomorphe Abbldungen 10.1 Konform und bholomorph Ene konforme Abbldung erhält Wnkel und Orenterung. Damt st folgendes gement: Wenn sch zwe Kurven schneden, dann schneden sch
Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Contents blog.stromhaltig.de
Contents We hoch st egentlch Ihre Grundlast? Ene ncht ganz unwchtge Frage, wenn es um de Dmensonerung ener senannten Plug&Play Solar-Anlage geht. Solarsteckdosensystem für jermann, auch für Meter lautete
Maße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
Kapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
Statistische Berichte
Statstsche Berchte De Entcklung der Bevölkerung m Saarland 2014 bs 2060 Ergebnsse der 13. koordnerten Bevölkerungsvorausberechnung Altersaufbau der Bevölkerung m Saarland Altersjahre 100 95 90 85 80 75
6. 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
Funktionsgleichungen 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
Automotive Auswertung der Betriebserfahrung zum Zuverlässigkeitsnachweis sicherheitskritischer Softwaresysteme. S. Söhnlein, F.
Auswertung der Betrebserfahrung zum Zuverlässgketsnachwes scherhetskrtscher Softwaresysteme Unverstät Erlangen-Nürnberg Unverstät Erlangen-Nürnberg Sete 1 Glederung Motvaton Grundlagen des statstschen
Übung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
SS 2017 Torsten Schreiber
SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene
Physik A VL11 ( )
Physk A VL11 (0.11.01) Dynamk der Rotatonsbewegung I Kresbewegung und Kräfte Drehmoment und räghetsmoment Kresbewegung und Kräfte en Massepunkt (Schwerpunkt) führt nur ene ranslatonsbewegung aus ausgedehnte
Übung 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 ( =
Das 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
Polygonalisierung 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
Gruppe. 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
6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
Übung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
Analyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
Kapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
Ionenselektive 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,
Bildverarbeitung 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
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
Kapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
Analysis 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
12 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:
Technische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem
1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.
Fachbereich 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