2 Distanzen. Distanzen von Objekten. Einleitung Distanzen Repräsentation Klassifikation Segmentierung
|
|
- Franz Schulz
- vor 7 Jahren
- Abrufe
Transkript
1 2 von Objekten Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
2 Gliederung Kapitel 2: von Objekten 2.1 Objekte und Merkmale 2.2 Merkmalstypen und ihre Nominale Merkmale Ordinale Merkmale Quantitative Merkmale 2.3 Aggregation von Quantitative Merkmale Nominale Merkmale Gemischte Datenmatrizen Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
3 Schematische Vorgehensweise Objekte Merkmale Interpretation Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
4 2.1 Objekte und Merkmale Einige grundlegende Definitionen (Wiederholung): G = {1, 2, 3,...} Grundgesamtheit von Objekten N = {1,...,n} Falls G = N Falls N G M = {1,...,m} Objektmenge Vollerhebung Stichprobe aus der Grundgesamtheit Merkmalsmenge Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
5 Die Datenmatrix A = (a ik ) n m = a a 1m.... Datenmatrix a n1... a nm mit a ik als Ausprägung des Merkmals k bei Objekt i Zeilen von A (Objektvektoren): a T i = (a i1,...,a im ), i N Spalten von A (Merkmalsvektoren): a k = a 1k. a nk, k M A k Menge der möglichen Ausprägungen bei Merkmal k Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
6 Beispiel: Hörer einer Vorlesung Merkmale Alter Geschlecht Wohnort Semester Studiengang Prüfungen Objekte 1 22 männlich Augsburg 5 BWL mit VD 2 25 männlich Karlsruhe 10 Mathe mit HD 3 21 weiblich München 4 VWL mit VD 4 28 männlich Augsburg 13 BWL mit VD 5 24 männlich Augsburg 8 BWL ohne VD = A Merkmal k Ausprägungsmenge A k Alter Menge der natürlichen Zahlen Geschlecht {männlich, weiblich} Wohnort Menge aller Orte Semester Menge der natürlichen Zahlen Studiengang {BWL, VWL, Mathematik, Informatik,...} Prüfungen {ohne Vordiplom, mit Vordiplom, mit Hauptdiplom} Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
7 Ähnlichkeit contra Verschiedenheit Man benötigt ein Maß, das die Ähnlichkeit zweier Objekte quantifiziert. Ähnlichkeitsmaß (AM): Je größer ein Wert, desto ähnlicher sind sich zwei Objekte. Folgen: Was bedeutet ein Wert AM = 0? Wie groß ist die Ähnlichkeit zweier identischer Objekte? Übergang zu einem Verschiedenheitsmaß Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
8 Definition: Distanzindex Sei N = 1,...,n eine Menge von n Objekten. Die Abbildung heißt Distanzindex, wenn gilt: d : N N R + d(i, i) = 0 d(i, j) = d(j, i) d(i,j) 0 [Reflexivität] [Symmetrie] [Nichtnegativität] Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
9 Distanzindex: Mögliche Eigenschaften Dreiecksungleichung ( ): d(i, j) d(i, h) + d(h, j) i, j, h N Ist beispielsweise erfüllt bei räumlichem Abstandsbegriff j i h Aber: Ist nicht immer haltbar bzw. sinnvoll (Beispiel: Hoher Distanzindex entspricht schwachem Bedarfsverbund bei Supermarkteinkauf) Tee Zucker Kaffee Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
10 Distanzindex: Mögliche Eigenschaften Ultrametrische Ungleichung (U): d(i, j) max { d(i, h), d(j, h) } i, j, h N Es gilt: (U) ( ) ( ) (U) D.h. (U) ist stärker als ( ) Identitätseigenschaft (I): i, j N mit d(i, j) = 0 i = j Ist i.a. nicht erfüllt, da verschiedene Objekte häufig gleiche Merkmalsausprägungen besitzen. Beispiel: Patienten mit identischen Krankheitssymptomen * Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
11 Distanzindex: Mögliche Eigenschaften Äquivalenzeigenschaft (A): i, j N mit d(i, j) = 0 d(i, h) = d(j, h) h N D.h. i und j sind äquivalente Objekte. Bemerkung: (A) ist Abschwächung von (I). Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
12 Definition: Metriken Ein Distanzindex, der die Eigenschaft ( ) (U) ( ), (I) (U), (I) erfüllt, heißt Quasimetrik, erfüllt, heißt Quasiultrametrik, erfüllt, heißt Metrik, erfüllt, heißt Ultrametrik. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
13 Definition: Distanzmatrix Zusammenfassung aller paarweisen zu einer Matrix: D = (d(i,j)) n n = d(1, 1) d(1,n)..... d(n, 1) d(n,n) bzw. D = (d ij ) n n = d 11 d 1n..... d n1 d nn Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
14 Eigenschaften der Distanzmatrix Eine Distanzmatrix D besitzt folgende Eigenschaften: ist quadratisch ist symmetrisch enthält in der Hauptdiagonalen ausschließlich Nullen Somit müssen nur 1 2 zwar n (n 1) berechnet werden und d 12 d 1n.... d n 1n Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
15 Gewinnung von Bestimmung der je Merkmal und anschließende Aggregation zur Gesamtdistanzmatrix (siehe Abschnitte 2.2, 2.3) Direkte Beurteilung von Objektpaaren (ohne Berücksichtigung von Merkmalen) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
16 Gewinnung von, direkte Beurteilung: Bei der direkten Beurteilung von Objektpaaren (ohne Vorgabe von Merkmalen) werden jeder Versuchsperson die möglichen Objektpaare vorgelegt, wobei die Ähnlichkeit durch einen Wert aus einem vorher festgelegten Bereich quantifiziert werden soll. Beispiel zur direkten Beurteilung: Die Parteien SPD, CDU und FDP sollten bezüglich ihrer Verschiedenheit auf einer Skala von Null (Parteien sind identisch) bis zehn (Parteien sind maximal verschieden) beurteilt werden. Folgendes Ergebnis sei festgehalten worden: CDU - FDP 4 CDU - SPD 7 SPD - FDP 5 D = FDP SPD CDU 4 7 FDP 5 Vor- und Nachteile dieser Methodik: Vorteile: + implizite Berücksichtigung mehrerer, nicht weiter spezifizierter Merkmale + einfache, schnelle Datenerhebung Nachteile: - Interpretationsschwierigkeiten, da Merkmale unbekannt - nur bei kleiner Objektmenge zweckmäßig (bei n = 10 bereits = 45 Paarvergleiche) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
17 2.2 Merkmalstypen und ihre Grundsätzlich lassen sich folgende Merkmalstypen unterscheiden: Quantitative Merkmale: Alle Ausprägungen des Merkmals werden intuitiv durch reelle Zahlen benannt. Qualitative Merkmale: Die Ausprägungen des Merkmals werden intuitiv durch Worte oder Begriffe, nicht aber durch Zahlen, wiedergegeben (nominale oder ordinale Merkmale). Da es häufig von Vorteil ist, daß die Ausprägungen eines Merkmals durch Zahlen wiedergegeben werden, quantifiziert man i.d.r. die qualitativen Merkmale. Dies geschieht mit Hilfe einer Abbildung, die man Skala nennt. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
18 Definition: Skala Sei k ein Merkmal mit der Ausprägungsmenge A k. Dann heißt die Abbildung f : A k Reine Skala. Bemerkung: Die Abbildung f sollte so gewählt werden, dass die Informationen und Relationen, die für bzw. zwischen den einzelnen Merkmalsausprägungen a ik gelten, auch für die Bildwerte f(a ik ) korrekt sind. Messungen erfordern oft schon eine Skala. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
19 Nominale Merkmale Definition: Ein Merkmal k heißt nominal oder klassifikatorisch, wenn für die Ausprägungen nur nach Gleichheit (=) oder Ungleichheit ( ) unterschieden werden kann. Bezüglich der Äquivalenz ( ) zweier Objekte gilt: Die Abbildung f : A k R mit i k j a ik = a jk bzw. i k j a ik a jk a ik a jk f(a ik ) f(a jk ) heißt Nominalskala. Jeder Distanzindex hat dann die Form: d k (i, j) = 0 für f(a ik ) = f(a jk ) c für f(a ik ) f(a jk ), mit c > 0 Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
20 Distanzindex nominaler Daten Beispiel: Geschlecht der Hörer Objekte Alter Geschlecht Wohnort Semester Studiengang Prüfungen 1 22 männlich mit VD 2 25 männlich mit HD 3 21 weiblich mit VD 4 28 männlich mit VD 5 24 männlich ohne VD f Geschlecht (weiblich) = 0 f Geschlecht (männlich) = 1 c = 1 D Geschl. = Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
21 Eigenschaften von Nominalskalen Satz: Jede injektive, reelle Abbildung ist eine Nominalskala. Jeder Distanzindex einer Nominalskala ist eine Quasi-Ultrametrik mit der Eigenschaft (A) (Äquivalenzeigenschaft). Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
22 Ordinale Merkmale Definition: Ein Merkmal k heißt ordinal (komparativ), wenn die Ausprägungen vollständig geordnet werden können. Bezüglich der Ordnung zweier Objekte gilt: i j k a ik < a jk niedrigerer Rang i j k a ik = a jk gleicher Rang i k j a ik > a jk höherer Rang Die Abbildung f : A k R mit heißt Ordinalskala. a ik < a jk f(a ik ) < f(a jk ) Ein Distanzindex hat im einfachsten Fall die Form: d k (i, j) = f(a ik ) f(a jk ) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
23 Distanzindex ordinaler Daten Beispiel: Prüfungen der Hörer Objekte Alter Geschlecht Wohnort Semester Studiengang Prüfungen 1 22 männlich mit VD 2 25 männlich mit HD 3 21 weiblich mit VD 4 28 männlich mit VD 5 24 männlich ohne VD f Prüfg. (ohne VD) = 1 f Prüfg. (mit VD) = 2 f Prüfg. (mit HD) = 3 c = 1 D Prüfg. = Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
24 Eigenschaften von Ordinalskalen Satz: Jede streng monotone, reelle Abbildung ist eine Ordinalskala. Der o.g. Distanzindex der Ordinalskala ist eine Quasimetrik mit der Eigenschaft (A) (Äquivalenzeigenschaft). Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
25 Quantitative Merkmale Definition: Ein Merkmal k heißt quantitativ (kardinal, metrisch), wenn es ordinal ist und die Differenzen von Ausprägungspaaren vollständig geordnet werden können. Dies bedeutet insbesondere, dass das Ausmaß der Unterschiedlichkeit zweier Ausprägungen bestimmt werden kann und aussagekräftig ist. Die Abbildung f : Ak R mit f(a ik ) = α a ik + β (α > 0, β R) heißt Intervallskala. Die Abbildung f : Ak R mit f(a ik ) = α a ik (α > 0) heißt Verhältnisskala. Die Abbildung f : Ak N 0 mit f(a ik ) = a ik heißt Absolutskala. Jeder Distanzindex einer quantitativen Skala hat die Form: d k (i, j) = φ k f(a ik ) f(a jk ) p φk ermöglicht eine merkmalspezifische lineare Gewichtung. p ermöglicht eine hohe Gewichtung großer Differenzen in Merkmalsausprägungen. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
26 Distanzindex metrischer Daten Beispiel: Alter der Hörer Objekte Alter Geschlecht männlich 2 25 männlich 3 21 weiblich 4 28 männlich 5 24 männlich f(a ik ) = α a ik + β = a ik (d.h. α = 1, β = 0) φ = 1; p = 1 φ = 1; p = D Alter = D Alter = Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
27 Eigenschaften von metrischen Skalen Satz: Jede positive lineare Abbildung ist eine Intervallskala. Für eine Intervallskala gilt für beliebige Funktionen f: f(a ik ) f(a jk ) f(a i k) f(a j k) = const. Für eine Verhältnisskala gilt für beliebige Funktionen f: f(a ik ) f(a i k) = const. Der Distanzindex einer quantitativen Skala ist unabhängig von β. Die Wirkung von α kann über die φ k beeinflusst werden. Der Distanzindex ist eine Quasimetrik mit der Äquivalenzeigenschaft (A). Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
28 2.3 Aggregation von Aufgabe: Sinnvolle Aggregation der einzelnen, merkmalspezifisch ermittelten. Dabei unterscheidet man zwischen ausschließlich nominalen Merkmalen, ausschließlich quantitativen Merkmalen oder gemischten Datenmatrizen. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
29 Distanzaggregation von nominal skalierten Daten Da nominal polytome Merkmale in mehrere binäre Merkmale überführt werden können, werden im Folgenden zunächst binäre Merkmale betrachtet. Dazu werden die Objekte generell durch den Besitz einer bestimmten Eigenschaft charakterisiert. Distanzaggregation bei binären Merkmalen - Idee Zwei Objekte (i, j) weisen bezüglich mehrerer binärer Merkmale eine große Ähnlichkeit auf, wenn häufig - d.h. bei vielen Merkmalen - die gleiche Ausprägung Ja/Ja bzw. 1/1 Nein/Nein bzw. 0/0 zu beobachten ist. Häufige Kombinationen wie Ja/Nein bzw. Nein/Ja weisen auf eine hohe Verschiedenheit hin. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
30 Distanzaggregation bei binären Merkmalen - Umsetzung Gegeben sei eine Datenmatrix A = (a ik ) n m mit a ik {1,0}. Berechne Kontingenztabelle für binäre Merkmale gemäß 1 (Ja) 0 (Nein) 1 (Ja) α ij β ij 0 (Nein) γ ij δ ij und m := α ij + β ij + γ ij + δ ij mit beispielsweise α ij = { k : a ik = a jk = 1 } Jeder aggregierte Distanzindex d(i, j) ist somit eine Funktion von α ij, β ij, γ ij,δ ij. Es gilt also: d(i, j) = f(α ij, β ij, γ ij,δ ij ) 0 Forderungen an d(i, j): monoton wachsend mit βij und γ ij monoton fallend mit αij und δ ij symmetrisch in βij und γ ij Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
31 Distanzaggregation bei binären Merkmalen - Umsetzung (2) Varianten für die Bildung von d(i, j): 1. Anzahl nicht übereinstimmender Merkmale d(i, j) = β ij + γ ij = m (α ij + δ ij ) 2. Anteil nicht übereinstimmender Merkmale d(i, j) = β ij + γ ij m 3. Gewichteter Anteil nicht übereinstimmender Merkmale d(i, j) = λ (β ij + γ ij ) λ (β ij + γ ij ) + (1 λ) (α ij + δ ij ) mit λ (0, 1) (Beispiel siehe Vorlesung) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
32 Direkte Distanzaggregation bei nominal-polytom skalierten Merkmalen Sei d k (i, j) = { 0 für aik = a jk c > 0 für a ik a jk 1. Ungewichtete Aggregation der merkmalspezifischen d(i, j) = m d k (i,j) k=1 2. Gewichtete Aggregation der merkmalspezifischen d(i, j) = 1 m A k m A k d k (i,j) k=1 k=1 Bemerkung: Variante (2.) gewichtet Merkmale mit vielen Merkmalsausprägungen stärker als solche mit wenigen, d.h. Wenige Ausprägungen Beitrag zu d(i, j) ist klein Viele Ausprägungen Beitrag zu d(i, j) ist groß (Beispiel siehe Vorlesung) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
33 Distanzaggregation bei metrischen Merkmalen Vorüberlegung: Jeder Okjektvektor a i kann als Punkt im m-dimensionalen Raum dargestellt werden. Die geometrische Anschauung legt es also nahe, die Distanz zwischen i und j durch die Euklidsche Distanz (oder eine Verallgemeinerung dieser) zu messen. Definition: Distanzindex für metrische Merkmale Sei A = (a ik ) n m eine quantitative Datenmatrix. Dann heißt d(i, j) mit d(i, j) = ( m k=1 φ k a ik a jk p ) 1 p, φ k > 0, p N gewichtete L p -Distanz von i und j. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
34 Spezialfälle der gewichteten L p -Distanz Man spricht von einer City-Block-Distanz für p = 1: d(i, j) = m φ k a ik a jk k=1 Euklidschen Distanz für p = 2: d(i, j) = m φ k a ik a jk 2 k=1 Tschebyscheff-Distanz für p : (Grafik und Beispiel siehe Vorlesung) d(i, j) = max k (φ k a ik a jk ) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
35 Spezialfälle der gewichteten L p -Distanz City-Block-Distanz Merkmal 2 Euklidscher Abstand Tschebyscheff-Abstand Objekt j Objekt i Merkmal 1 Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
36 Gewichtete L p -Distanz: Beispiel Objekte Alter Semester L L L Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
37 L p -Distanzindex: Eigenschaften Satz: Jede L p -Distanz ist eine Quasimetrik Es gilt d L1 d L2... d L i,j Die Rangordnung der d ij kann sich bei Verwendung unterschiedlicher L p - ändern. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
38 L p -Distanzindex: Potentielle Probleme Merkmale mit hoher Varianz werden bei Distanzaggregation hoch gewichtet. Abhilfe: Gewichtung z.b. mit merkmalsspezifischen Varianzen oder Spannweiten, d.h. φ k = Var(a k ) bzw. φ k = max(a k ) min(a k ) Sind zwei Merkmale k 1 und k 2 hoch korreliert, dann liefern beide Merkmale etwa die gleiche Information bzgl. der Ähnlichkeit der Objekte. Also werden ähnliche Informationen im Distanzindex mehrfach berücksichtigt. Abhilfe: die Mahalanobis-Distanz Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
39 Die Mahalanobis-Distanz Sei A = (a ik ) n m eine quantitative Datenmatrix. Dann heißt d ij mit d ij = m k=1 m s kl (a ik a jk )(a il a jl ) = (a i a j ) T S 1 (a i a j ) l=1 Mahalanobis-Distanz von i und j, wobei (s kl ) m m = S 1 = (Cov(A)) 1 und s kl = 1 n n (a ik a k )(a il a l ) mit a k = 1 n i=1 n i=1 a ik Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
40 Mahalanobis-Distanz: Beispiel Objekte Alter Semester ergibt: L (Berechnung siehe Vorlesung) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
41 Mahalanobis-Distanz: Beispiel mit R > # Alter, Semester > A = cbind(c(22,25,21,28,24), c(5,10,4,13,8)); > > # Anzahl der Objekte > n = dim(a)[1]; > > # Distanzmatrix > d = matrix(0,n,n) > > # Kovarianzmatrix > S = ((n-1)/n)*cov(a); > > for (i in 1:n) d[i,] = mahalanobis(a,a[i,],s); > > # Kosmetik > d = d[lower.tri(d)]; > attr(d,"class")<-"dist"; > attr(d,"size")<-n; > > d; Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
42 Mahalanobis-Distanz: Eigenschaften Sind zwei Merkmale k und l hoch korreliert, dann liefern beide Merkmale etwa die gleiche Information bzgl. der Ähnlichkeit der Objekte. Die Mahalanobis- Distanz versieht in diesem Fall den Beitrag der beiden Merkmale mit einem niedrigeren Gewicht s kl. Sind die Merkmale paarweise unkorreliert, d.h. s kl = 0 für k l, dann werden Merkmale mit großer Varianz bei der Berechnung von d ij weniger stark berücksichtigt, da dann gilt: d ij = m s kk (a ik a jk ) 2 = k=1 m k=1 1 s kk (a ik a jk ) 2 = Beachte: In diesem Fall ist S Diagonalmatrix und damit auch S 1. Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
43 Aggregation gemischter Datenmatrizen Ausgangssituation: Für jedes Merkmal k = 1,...,m ist ein Distanzindex d k (i, j) gegeben, der das entsprechende Skalenniveau adäquat berücksichtigt. Gesucht: Eine Aggregationsregel g, die die Distanzindizes d 1,...,d m zu einer gemeinsamen Distanz d zusammenfasst. Forderungen an eine Aggregationsregel: Aggregationsregel g : g(0,..., 0) = 0 Gilt für alle Merkmale k = 1,..., m d k (i, j) = d k (i, j ) so folgt daraus auch d(i, j) = d(i, j ) Gilt für alle Merkmale k = 1,..., m d k (i, j) d k (i, j ) und für mind. ein k d k (i, j) < d k (i, j ) so folgt daraus auch d(i, j) < d(i, j ) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
44 Aggregation gemischter Datenmatrizen (I) Linear homogene Aggregationen Sei A = (a ik ) n m eine gemischte Datenmatrix und d 1,...,d m seien die Distanzindizes der Merkmale. Dann ergeben sich für φ k > 0 folgende Distanzindizes: (a) d(i,j) = (b) d(i,j) = m k=1 m k=1 φ k d k (i,j) φ k d k (i,j) max i,j (d k(i,j)) (c) d(i,j) = max (d k(i,j)) k Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
45 Linear homogene Aggregationen: Beispiel Geschlecht (1) Studiengang (2) Prüfungen (3) D D D Mit φ 1 = 1, φ 2 = 1 2, φ 3 = 1 2 D (a) ergibt sich D (b) D (c) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
46 Aggregation gemischter Datenmatrizen (II) Aggregationen mit Entscheidungsregeln Sei A = (a ik ) n m eine gemischte Datenmatrix und d 1,...,d m seien die Distanzindizes der Merkmale. Dann ergibt sich für φ k > 0 folgender aggregierter Distanzindex: d(i,j) = m k=1 φ k {(u,v) : u < v, d k (u,v) < d k (i,j)} (Rangordnungsregel) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
47 Aggregation mit Entscheidungsregeln: Beispiel Geschlecht (1) Studiengang (2) Prüfungen (3) D D D Mit φ 1 = φ 2 = φ 3 = 1 ergibt sich D Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
48 Vergleich der Aggregationen (I) Linear homogene Aggregation (a) d(1, 4) < d(1, 5) = d(4, 5) < d(1, 2) = d(1, 3) = d(2, 4) = d(3, 4) < d(2, 5) = d(3, 5) < d(2, 3) (II) Aggr. mit Rangordnungsregel d(1, 4) < d(1, 5) = d(4, 5) < d(1, 2) = d(1, 3) = d(2, 4) = d(3, 4) < d(3, 5) < d(2, 3) = d(2, 5) Die unterschiedlichen Ansätze kommen zu sehr ähnlichen aber im allgemeinen nicht gleichen Ergebnissen. (Philosophie der Datenanalyse) Datenanalyse II - Stefan Etschberger - Universität Augsburg - SS
Ähnlichkeits- und Distanzmaße
Einheit 1 Ähnlichkeits- und Distanzmaße IFAS JKU Linz c 2015 Multivariate Verfahren 1 0 / 41 Problemstellung Ziel: Bestimmung von Ähnlichkeit zwischen n Objekten, an denen p Merkmale erhoben wurden. Die
MehrMathematisch-Statistische Verfahren des Risiko-Managements - SS
Clusteranalyse Mathematisch-Statistische Verfahren des Risiko-Managements - SS 2004 Allgemeine Beschreibung (I) Der Begriff Clusteranalyse wird vielfach als Sammelname für eine Reihe mathematisch-statistischer
MehrEinführung in die Ähnlichkeitsmessung
Einführung in die Ähnlichkeitsmessung Reading Club SS 2008 Similarity Stefanie Sieber stefanie.sieber@uni-bamberg.de Lehrstuhl für Medieninformatik Otto-Friedrich-Universität Bamberg Agenda Worum geht
MehrVariablen und Skalenniveaus
Analytics Grundlagen Variablen und Skalenniveaus : Photo Credit: Unsplash, Roman Mager Statistik Was ist eigentlich eine Variable? Variable In der Datenanalyse wird häufig die Bezeichnung Variable verwendet.
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr4 Lineare Abbildungen und Matrizen
Mathematik I für inf/swt, Wintersemester /, Seite 8 4 Lineare Abbildungen und Matrizen 4 Kern und Injektivität 4 Definition: Sei : V W linear Kern : {v V : v } ist linearer eilraum von V Ü68 und heißt
MehrDatenerhebung, Skalenniveaus und Systemdatei
Datenerhebung, Skalenniveaus und Systemdatei Institut für Geographie 1 Beispiele für verschiedene Typen von Fragen in einer standardisierten Befragung (3 Grundtypen) Geschlossene Fragen Glauben Sie, dass
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
MehrSerie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6. Statistik-Tutorium. Lösungsskizzen Übung SS2005. Thilo Klein. Grundstudium Sommersemester 2008
Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Lösungsskizzen Übung SS2005 Grundstudium Sommersemester 2008 Serie 1 Serie 2 Serie 3 Serie 4 Serie 5 Serie 6 Inhalt Serie 1 Serie 2 Serie 3 Serie 4 Serie
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrStatistik II: Grundlagen und Definitionen der Statistik
Medien Institut : Grundlagen und Definitionen der Statistik Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Hintergrund: Entstehung der Statistik 2. Grundlagen
MehrFormale Begriffsanalyse
Formale Begriffsanalyse I Kontexte, Begriffe und Begriffsverbände 3 Mehrwertige Kontexte und Begriffliches Skalieren Die Elemente von G nennen wir die Gegenstände, die von M die (mehrwertigen) Merkmale
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrMathematik 1 Bachelorstudiengang Maschinenbau
Mathematik 1 Bachelorstudiengang Maschinenbau Prof Dr Stefan Etschberger Hochschule Augsburg Sommersemester 2012 Übersicht 4 Lineare Algebra 1 Grundlegendes 2 Aussagenlogik 3 Mengen 4 Lineare Algebra Lernziele
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrGrundbegriffe. Bibliografie
Grundbegriffe Merkmale und Merkmalsausprägungen Skalen und Skalentransformation Einführung und Grundbegriffe II 1 Bibliografie Bleymüller / Gehlert / Gülicher Verlag Vahlen Statistik für Wirtschaftswissenschaftler
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrKapitel 2: Lineare Gleichungssysteme
Vorlesung Höhere Mathematik: Numerik (für Ingenieure) Kapitel 2: Lineare Gleichungssysteme Jun.-Prof. Dr. Stephan Trenn AG Technomathematik, TU Kaiserslautern Sommersemester 205 HM: Numerik (SS 205), Kapitel
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrKapitel 17. Unabhängigkeit und Homogenität Unabhängigkeit
Kapitel 17 Unabhängigkeit und Homogenität 17.1 Unabhängigkeit Im Rahmen der Wahrscheinlichkeitsrechnung ist das Konzept der Unabhängigkeit von zentraler Bedeutung. Die Ereignisse A und B sind genau dann
MehrAlle weiteren Messoperationen schließen die Klassifikation als Minimaloperation ein.
1 unterschiedliche Skalenniveaus Wir haben zuvor schon kurz von unterschiedlichen Skalenniveaus gehört, nämlich dem: - Nominalskalenniveau - Ordinalskalenniveau - Intervallskalenniveau - Ratioskalenniveau
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrBC 1.2 Mathematik WS 2016/17. BC 1.2 Mathematik Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra. b 2
Zusammenfassung Kapitel II: Vektoralgebra und lineare Algebra 1 Vektoralgebra 1 Der dreidimensionale Vektorraum R 3 ist die Gesamtheit aller geordneten Tripel (x 1, x 2, x 3 ) reeller Zahlen Jedes geordnete
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
MehrMehrdimensionale Skalierung
Mehrdimensionale Skalierung Datenanalyse Dietmar Maringer Abteilung für Quantitative Methoden, WWZ der Universität Basel Herbstsemester 2010 D Maringer: Datenanalyse Mehrdimensionale Skalierung (1) Problemstellung
Mehr3. Merkmale und Daten
3. Merkmale und Daten Ziel dieses Kapitels: Vermittlung des statistischen Grundvokabulars Zu klärende Begriffe: Grundgesamtheit Merkmale (Skalenniveau etc.) Stichprobe 46 3.1 Grundgesamtheiten Definition
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.5: Histogramm (klassierte erreichte Punkte, Fortsetzung Bsp. 1.1) 0.25 0.2 Höhe 0.15 0.1 0.05 0 0 6 7 8,5 10 11 erreichte Punkte Dr. Karsten Webel 24 Beispiel 1.5: Histogramm (Fortsetzung) Klasse
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 1 Grundlegende 2 Grundlegende 3 Aussagenlogik 4 Komplexe Zahlen 5 Lineare Algebra 6 Lineare Programme 5 Lineare Algebra
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrSkalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. Datenanalyse II. Stefan Etschberger Sommersemester 2005
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg Datenanalyse II Stefan Etschberger Sommersemester 2005 Organisatorisches Vorlesung Montag, 10.15-11.45 Uhr Vorlesungsmaterialien
MehrModul 04: Messbarkeit von Merkmalen, Skalen und Klassierung. Prof. Dr. W. Laufner Beschreibende Statistik
Modul 04: Messbarkeit von Merkmalen, Skalen und 1 Modul 04: Informationsbedarf empirische (statistische) Untersuchung Bei einer empirischen Untersuchung messen wir Merkmale bei ausgewählten Untersuchungseinheiten
MehrTeil I: Deskriptive Statistik
Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrDaten, Datentypen, Skalen
Bildung kommt von Bildschirm und nicht von Buch, sonst hieße es ja Buchung. Daten, Datentypen, Skalen [main types of data; levels of measurement] Die Umsetzung sozialwissenschaftlicher Forschungsvorhaben
MehrDeskriptive Statistik Erläuterungen
Grundlagen der Wirtschaftsmathematik und Statistik Erläuterungen Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen 7 2.1 Einfache Lageparameter aus einer gegebenen Messreihe ablesen Erklärung
MehrDie wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen.
Definition: Lineare Abbildung Lineare Abbildungen Die wichtigste Klasse von Funktionen zwischen Vektorräumen sind die linearen Abbildungen. 8.1 Definition: Lineare Abbildung Eine Funktion f : V Ñ W zwischen
MehrStatistische Grundlagen I
Statistische Grundlagen I Arten der Statistik Zusammenfassung und Darstellung von Daten Beschäftigt sich mit der Untersuchung u. Beschreibung von Gesamtheiten oder Teilmengen von Gesamtheiten durch z.b.
Mehr6 Distanzfunktionen (2) 6 Distanzfunktionen. 6.1 Eigenschaften und Klassifikationen. Einführung
6 en 6 en (2) 1. Eigenschaften und Klassifikation 2. en auf Punkten Minkowski L m Gewichtete Minkowski L m w Quadratische d q Quadratische Pseudo Dynamical Partial Semi Pseudo Chi Quadrat Semi Pseudo Kullback
Mehr6 Distanzfunktionen. Quadratische Pseudo. 1. Eigenschaften und Klassifikation
6 Distanzfunktionen 1. Eigenschaften und Klassifikation 2. Distanzfunktionen auf Punkten Minkowski Distanzfunktion L m Gewichtete Minkowski Distanzfunktion L m w Quadratische Distanzfunktion d q Quadratische
MehrForschungsmethoden in der Sozialen Arbeit
Forschungsmethoden in der Sozialen Arbeit Fachhochschule für Sozialarbeit und Sozialpädagogik Alice- Salomon Hochschule für Soziale arbeit, Gesundheit, Erziehung und Bildung University of Applied Sciences
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrLösungsmenge L I = {x R 3x + 5 = 9} = L II = {x R 3x = 4} = L III = { }
Zur Einleitung: Lineare Gleichungssysteme Wir untersuchen zunächst mit Methoden, die Sie vermutlich aus der Schule kennen, explizit einige kleine lineare Gleichungssysteme. Das Gleichungssystem I wird
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr6. f : Abb(R, R) R mit ϕ f(ϕ) := ϕ(1) Hinweis:f :V W über K bedeutet Abbildung f zwischen den Vektorräumen V und W über demselben
Aufgabe 74. Untersuchen Sie die folgenden Abbildungen auf Linearität. 1. f : R 2 R 2 mit (x, y) f(x, y) := (3x + 2y, x) 2. f : R R mit x f(x) := ϑx + ζ für feste ϑ, ζ R 3. f : Q 2 R mit (x, y) f(x, y)
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
Mehr5.5 PRE-Maße (Fehlerreduktionsmaße) 6
359 5.5 PRE-Maße (Fehlerreduktionsmaße) 6 5.5.1 Die grundlegende Konstruktion Völlig andere, sehr allgemeine Grundidee zur Beschreibung von Zusammenhängen. Grundlegendes Prinzip vieler statistischer Konzepte.
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrIV. Matrizenrechnung. Gliederung. I. Motivation. Lesen mathematischer Symbole. III. Wissenschaftliche Argumentation. i. Rechenoperationen mit Matrizen
Gliederung I. Motivation II. Lesen mathematischer Symbole III. Wissenschaftliche Argumentation IV. Matrizenrechnung i. Rechenoperationen mit Matrizen ii. iii. iv. Inverse einer Matrize Determinante Definitheit
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrLineare Abbildungen und Matrizen
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 31. Mai 2016 Stefan Ruzika 9: Lineare Abbildungen und Matrizen 31. Mai 2016 1 / 16 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Mehr6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
Mehr4 Matrizenrechnung. Beide Operationen geschehen also koeffizientenweise. Daher übertragen sich die Rechenregeln von K(m n, k).
4 Matrizenrechnung Der Vektorraum der m n Matrizen über K Sei K ein Körper und m, n N\{0} A sei eine m n Matrix über K: a a 2 a n a 2 a 22 a 2n A = = (a ij) mit a ij K a m a m2 a mn Die a ij heißen die
Mehr1 Die Jordansche Normalform
Matthias Tischler Karolina Stoiber Ferienkurs Lineare Algebra für Physiker WS 4/5 A Die Jordansche Normalform Vierter Tag (9.03.205) Im Zusammenhang mit der Lösung komplexer Differentialgleichungssysteme
Mehr2. Mathematische Grundlagen
2. Mathematische Grundlagen Erforderliche mathematische Hilfsmittel: Summen und Produkte Exponential- und Logarithmusfunktionen 21 2.1 Endliche Summen und Produkte Betrachte n reelle Zahlen a 1, a 2,...,
MehrMethoden der Klassifikation und ihre mathematischen Grundlagen
Methoden der Klassifikation und ihre mathematischen Grundlagen Mengenlehre und Logik A B "Unter einer 'Menge' verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objekten unserer Anschauung
Mehr6.3 Eigenwerte. γ ist Eigenwert von T [T] B B γi ist nicht invertierbar.
Um zu zeigen, dass die irreduziblen Teiler eines reellen Polynoms höchstens den Grad 2 haben, fassen wir nun (x γ) und (x γ) zusammen und stellen fest, dass (x (a + b i))(x ((a b i)) = x 2 2a + (a 2 +
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrDie deskriptive (beschreibende) Statistik hat als Aufgabe, große Datenmengen durch wenige Kennzahlen. oder Grafiken zu beschreiben.
Die deskriptive (beschreibende) Statistik hat als Aufgabe, große Datenmengen durch wenige Kennzahlen wie Lage- und Streuungsmaße oder Grafiken zu beschreiben. Solche Datenmengen entstehen bei der Untersuchung
MehrMetrische Räume und stetige Abbildungen. Inhaltsverzeichnis
Metrische Räume und stetige Abbildungen Vortrag zum Seminar zur Analysis, 19. 04. 2010 René Koch, Stefan Lotterstedt In der Vorlesung Analysis I haben wir uns mit der Stetigkeit von reellen (komplexen)
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
Mehr6 Lineare Gleichungssysteme
6 LINEARE GLEICHUNGSSYSTEME 3 6 Lineare Gleichungssysteme Unter einem linearen Gleichungssystem verstehen wir ein System von Gleichungen α ξ + + α n ξ n = β α m ξ + + α mn ξ n = β m mit Koeffizienten α
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrKapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24
Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt
Mehr6. Normale Abbildungen
SKALARPRODUKE 1 6 Normale Abbildungen 61 Erinnerung Sei V ein n-dimensionaler prä-hilbertraum, also ein n-dimensionaler Vektorraum über K (R oder C) versehen auch mit einer Skalarprodukt, ra K Die euklidische
Mehr10 Kriterien für absolute Konvergenz von Reihen
10 Kriterien für absolute Konvergenz von Reihen 10.1 Majoranten- und Minorantenkriterium 10.3 Wurzelkriterium 10.4 Quotientenkriterium 10.9 Riemannscher Umordnungssatz 10.10 Äquivalenzen zur absoluten
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrKapitel 1. Vektoren und Matrizen. 1.1 Vektoren
Kapitel 1 Vektoren und Matrizen In diesem Kapitel stellen wir die Hilfsmittel aus der linearen Algebra vor, die in den folgenden Kapiteln öfters benötigt werden. Dabei wird angenommen, dass Sie die elementaren
MehrBasis eines Vektorraumes
Basis eines Vektorraumes Basisergänzungssatz: Ist U V ein Unterraum von V und dim V = n, so kann jede Menge linear unabhängiger Vektoren aus U zu einer Basis von U erweitert werden Und es gilt: Beweis:
MehrClusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Michael Hott, M. Sc. WS 5/.. Höhere Mathematik für die Fachrichtung Physik Lösungsvorschläge zum 4. Übungsblatt Aufgabe
MehrBivariate Verteilungen
Bivariate Verteilungen Tabellarische Darstellung: Bivariate Tabellen entstehen durch Kreuztabulation zweier Variablen. Beispiel: X Y Student(in) Herkunft Fakultät 0001 Europa Jura 000 Nicht-Europa Medizin
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
MehrWiederholung Statistik I. Statistik für SozialwissenschaftlerInnen II p.8
Wiederholung Statistik I Statistik für SozialwissenschaftlerInnen II p.8 Konstanten und Variablen Konstante: Merkmal hat nur eine Ausprägung Variable: Merkmal kann mehrere Ausprägungen annehmen Statistik
MehrGrundbegriffe (1) Grundbegriffe (2)
Grundbegriffe (1) S.1 Äquivalenzklasse Unter einer Äquivalenzklasse versteht man eine Klasse von Objekten, die man hinsichtlich bestimmter Merkmalsausprägungen als gleich (äquivalent) betrachtet. (z.b.
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehr