Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
|
|
- Jacob Steinmann
- vor 7 Jahren
- Abrufe
Transkript
1 Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr
2 Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen Modellen (exakt, approxmatv) Sequenzmodelle 2
3 Ernnerung: Lernproblem Ernnerung: Lernproblem Tranngsdaten Zel: Vorhersage des Labels für Testnstanz x X L ( x, y),...,( x Matrxschrebwese, y Merkmalsvektoren x... x x x m x x m ) x y x m Merkmalsvektoren y {0,} bnäre Klassenlabel y reelles Label Zugehörge Labels y y... y 3
4 Ernnerung: Bayes sches Lernen Bayescher Ansatz: Wr wenden probablstsche Überlegungen auf Daten, Modelle und Vorhersagen an A-pror Vertelung über Modelle p( ) (bekannt) A-posteror Vertelung Vorhersageproblem: MAP Lösung * argmax p( L) y* argmax y p( y x, *) Vorhersageproblem: Bayes Lösung p( L) p( L ) p( ) posteror lkelhood pror y* arg max y p( y x, L) arg max y p( y x, ) p( L) d 4
5 Ernnerung: Parameterschätzung Münzwurf Ernnerung: Münzwurf Enzelner Münzwurf Bernoull-vertelt mt Parameter μ X {0,} X X ~ Bern( X ) ( ) Parameterschätzproblem: X px ( ) unbekannter Parameter Wr haben unabhängge Münzwürfe gesehen, als Ausprägung L={x,, x } der ZV X,, X Der echte Parameter μ st unbekannt, wr wollen ene Schätzung ˆ bzw. ene posteror-vertelung p( L) Bayesscher Ansatz: Posteror Pror x Lkelhood p( L) p( L ) p( ) posteror lkelhood pror 5
6 Ernnerung: Parameterschätzung Münzwurf Pror: Beta-Vertelung über Münzparameter μ p( ) Beta( Lkelhood unabhängge Münzwürfe: p( X,..., X ) p( X ) k z k z k z k ( k z Bern( X X ( ) z ) X..d. Beta( 22 6
7 Ernnerung: Parameterschätzung Münzwurf Münzwurfszenaro als graphsches Modell? Zufallsvarablen n Münzwurfszenaro snd X,..., X, Gemensame Vertelung von Daten und Parameter: Pror x Lkelhood p( X,..., X, ) p( p( X ) Darstellung als graphsches Modell: Bernoull 7
8 Ernnerung: Parameterschätzung Münzwurf Münzwurfszenaro als graphsches Modell? Zufallsvarablen n Münzwurfszenaro snd X,..., X, Gemensame Vertelung von Daten und Parameter: Pror x Lkelhood p( X,..., X, ) p( p( X ) Darstellung als graphsches Modell: X X 2 X 3 X Bernoull pa( ) pa( X ) { } 8
9 Schätzung enes Münzparameters als Graphsches Modell Unabhängge Münzwürfe: Darstellung als graphsches Modell D-separaton X X 2 Glt,...,? X X X X 3 X 9
10 Schätzung enes Münzparameters als Graphsches Modell Unabhängge Münzwürfe: Darstellung als graphsches Modell D-separaton Glt,...,? en, Pfad durch μ st ncht blockert. Intutv: Der versteckte Parameter μ koppelt ZV X,, X. Aber es glt X X 2 X X X 2 X 3 X X... X Wahrschenlch 0.5 Wahrschenlch X X X,..., X X 0
11 Parameterschätzung als Inferenzproblem MAP-Parameterschätzung Münzwurf Inferenzproblem: arg max (,..., ) p x x p( ) X 2 Evdenz auf den Knoten X,, X Gesucht: Vertelung p( X,..., X ) px ( ) px ( ) X X X 3
12 Plate-Modelle Erweterung der graphschen Modelle: Plate-otaton Unabhängge Münzwürfe: Darstellung als graphsches Modell Knoten X,, X snd von glecher Form X X 2 X 3 Glecher Werteberech Gleche bedngte Vertelungen p( X ) p( X ). Kurznotaton n der Form ener Schablone : Plate otaton X j 2
13 Plate-Modelle Plate otaton für Münzwürfe X X 2 En Plate st ene abkürzende otaton für Varablen der glechen Form X 3 X Plate otaton Bezechnet mt Anzahl der Varablen, Varablen haben Index (z.b. X ). Plate-Modelle werden m Maschnellen Lernen oft verwendet X Plate 3
14 Plate-Modelle: Hyperparameter Rolle der Hyperparameter,? k z Kene Zufallsvarablen, wr modelleren nur de gemensame Vertelung über X,..., X, gegeben Hyperparameter Hyperparameter kene Knoten m GM, werden aber oft zusätzlch angegeben (otaton: Punkt statt Kres) X X 2 p( X,..., X, ) p( p( X ) p( k z) p( kz) X 3 k z k z X k Plate otaton z k z X Plate 4
15 Ernnerung: Bayessche Lneare Regresson Regressonslernen L ( x, y),...,( x Lneare Regresson T f ( x w ) w x w Parametervektor, Gewchtsvektor m wx, y ) x y m Merkmalsvektoren reelles Zelattrbut 5
16 Ernnerung: Bayessche Lneare Regresson Dskrmnatves Settng: x fest, y generert aus x und w plus Gaussschem Rauschen p y y T 2 ( x, w) w x ( y 0, ) y ~ p( y x, w) T 2 ( wx, ) dskrmnatves Modell: T wx p( x) ncht modellert Bayessches Settng: Posteror Pror x Lkelhood p( w L) p( L w) p( w) posteror lkelhood pror y x 6
17 Ernnerung: Bayessche Lneare Regresson Lkelhood der Daten L unter enem Modell w: ( 2 2, w, ) p( y x, w, ) p L X y T 2 ( wx, ) ormalvertelter Pror über Modelle p I 2 2 ( w ) ( w 0, ) I d. Isotrope multvarate ormalvertelung, Mttelwert 0, Varanz τ 2 7
18 Bayessche Lneare Regresson als Graphsches Modell Was snd Zufallsvarablen? Labels y,, y, Parameter w cht: x,, x, Hyperparameter Gemensame Vertelung über Labels und Parameter Darstellung von Bayesscher Lnearer Regresson als graphsches Modell: Ablesen der Struktur aus gemensamer Vertelung Pror Lkelhood p( y,..., y, w x,..., x,, ) p( w ) p( y,..., y w, x,..., x, ) p 2 2 ( w ) p( y w, x, ) 8
19 Bayessche Lneare Regresson als Graphsches Modell (,..., y, w x,..., x,, ) p( w ) p( y x, w, ) p y Graphsches Modell, =3 y w y2 y3 x x2 x3 Graphsches Modell, Plate-otaton x w y 9
20 MAP Parameterschätzung als Inferenzproblem w y y2 y3 x x2 x3 MAP Parameterschätzung: wahrschenlchstes Modell gegeben Daten w w x x 2 2 * arg max w p( y,..., y,,...,,, ) Inferenzproblem: was st de Vertelung über den Knoten w, gegeben beobachtete Knoten y,, y? x n w y n 20
21 Bayes-optmale Vorhersage Vorhersage mt MAP Modell: w*,, 2 2 arg max w p( w L X, ) y p y 2 * arg max y ( xw, *, ) w x T * Alternatv: Bayessche Vorhersage y p y L X * 2 2 arg max y ( x,,,, ) arg max y (,, ) (,,, ) p y x w p w L X dw X x... x Merkmalsvektoren cht nötg, sch auf en Modell fest zu legen 2
22 Bayessche Lneare Regresson als Graphsches Modell Bayessche Vorhersage: Erweterung des Modells durch neue Testnstanz (neue Zufallsvarable y) p( y,,, ) p( ) p( y, p y ,..., y, y, w x,..., x x w w x, ) ( w, x, ) Graphsches Modell, =3 w y y2 y3 x x2 x3 x y Plate otaton x n w y n x y 22
23 Bayessche Lneare Regresson als Graphsches Modell Bayessche Vorhersage y p y L X * 2 2 arg max y ( x,,,, ) Inferenzproblem: was st der wahrschenlchste Zustand für Knoten y, gegeben beobachtete Knoten y,, y? 23
24 Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen Modellen (exakt, approxmatv) Sequenzmodelle 24
25 Problemstellung Inferenz Gegeben graphsches Modell über Menge von ZV {X,,X }. Problemstellung Inferenz: Varablen mt Evdenz Anfrage-Varable Berechne Randvertelung über Anfrage-Varable gegeben Evdenz Bedngte Vertelung über ZV X a Berechne p( x x,..., x ) a m X,..., X {,..., } {,..., } m m X a {,..., {,..., } a Allgemener auch p( x,..., x x,..., x ) a a k Evdenz: beobachtete Werte für ZV X,..., X m } m m 25
26 Graphsche Modelle: Inferenz Bespel Alarm Domäne Varablen mt Evdenz:, R Anfrage-Varablen: B Wahrschenlchket für Enbruch gegeben dass der achbar uns angerufen hat? Zum Bespel: p( B, R 0) 0.7 p( B 0, R 0) 0.3 p( B, R ) 0.2 p( B 0, R ) 0.8 Posteror über Parameter, Bayessche Vorhersage, 26
27 Graphsche Modelle: Inferenz Inferenz schwerges Problem Allgemene graphsche Modelle: exakte Inferenz P-hart Es gbt Algorthmen für exakte Inferenz n allgemenen graphschen Modellen, deren Laufzet von den Egenschaften der Graphstruktur abhängt ( Message- Passng ) Es gbt verschedene Technken für approxmatve Inferenz (Samplng, Varatonal Inference, Expectaton Propagaton) Wr betrachten Message-Passng Algorthmus: n Spezalfällen Samplng-baserte approxmatve Inferenz 27
28 Inferenz: Dskrete vs. Kontnuerlche Varablen Wr dskuteren Inferenz nur für dskrete Varablen Betrachtete Inferenzalgorthmen snd auch auf kontnuerlche Varablen anwendbar Summen ersetzen durch Integrale Vertelungen müssen so gewählt sen, dass sch de entsprechenden Integrale n geschlossener Form ausrechnen lassen 28
29 Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen Modellen Exakte Inferenz Approxmatve Inferenz Sequenzmodelle 29
30 Exakte Inferenz: av Z Graphsches Modell: Repräsentaton von px (,..., ) X ave Inferenz: otaton :{ X,..., } { X, X,..., X, X,..., X } Berechne für jeden Wert x : p( x x,..., x ) ormalserungsfaktor, lecht explzt zu berechnen be unvaraten Vertelungen X a j Anfrage- Varable m Evdenz-Varablen a a m restlche Varablen p( x, x,..., x ) a m p( x,..., x ) m p ( xa, x,..., x m ) Z p( x,..., x ) Z x x j x j j 2 Zentrales Problem: Aussummeren aller restlchen Varablen (exponentell, wenn nav gelöst) j k k 30
31 Effzentere Inferenzmethoden? Effzentere Methode als nave Inferenz? Für allgemene Graphen (vollständg verbunden) ncht möglch! Aber wenn es Struktur m Modell gbt (Unabhänggketen), können wr dese unter Umständen ausnutzen Idee: Lokale Berechnungen, de entlang der Graphstruktur propagert werden Knoten schcken sch gegensetg achrchten, de Ergebnsse von Telberechnungen enthalten Message Passng, Belef Propagaton Laufzet der Verfahren hängt von Graphstruktur ab (exponentell m worst-case) 3
32 Graphsche Modelle: Inferenz auf lnearer Kette Wr betrachten jetzt den Message-Passng Algorthmus n enem Spezalfall mt besonders enfacher Struktur: lneare Kette von Zufallsvarablen x x2 x3 x 4 p( x,..., x ) p( x ) p( x x ) p( x x )... p( x x ) otaton: Darstellung der gemensamen Vertelung als Produkt von Potenzalfunktonen über Paare von ZV p( x ) p( x x ) p( x x ) p( x x ) p( x,..., x),2 ( x, x2) 2,3( x2, x3)..., ( x, x ) x x2 x3 x 4,2 2,3 3,4 4,5 32
33 Inferenz: lneare Kette von ZV Enführung des Message-Passng Algorthmus am Bespel Lnearen Kette von 5 Zufallsvarablen: Randvertelung der 3. Zufallsvarable berechnen (kene Evdenz) Anfrage- Varable x x2 x3 x4 x5 p( x ) p( x, x, x, x, x ) 3 x x x x x x x x Restlche Varablen (aussummeren) ave Berechnung exponentell (Mehrfachsumme) Idee: Struktur (lneare Kette) ausnutzen, um Berechnung effzenter durchzuführen ( x, x ) ( x, x ) ( x, x ) ( x, x ),2 2 2, , ,
34 Inferenz: Message-Passng utze Faktorserung der gemensamen Vertelung n Potenzale (Unabhänggketen) Lokale Telberechnung: achrcht p( x ) ( x, x ) ( x, x ) ( x, x ) ( x, x ) 3,2 2 2, , ,5 4 5 x x x x 2 4 5,2 2 2, , , x x x x Berechne für alle Werte von ( x, x ) ( x, x ) ( x, x ) ( x, x ) achrcht st Funkton n Abhänggket vom Zustand x 4 (z.b. kodert als Vektor) In der achrcht st der Knoten X 5 aussummert 5 Lokale Telberechnung: "achrch t " (x ) ( x ) x : ( x ) ( x, x ) 4 4 4,5 4 5 x
35 Inferenz: Message-Passng utze Faktorserung der gemensamen Vertelung n Potenzale (Unabhänggketen) Lokale Telberechnung: achrcht p( x ) ( x, x ) ( x, x ) ( x, x ) ( x, x ) 3,2 2 2, , ,5 4 5 x x x x ( x, x ) ( x, x ) ( x, x ) ( x, x ),2 2 2, , , x x x x ( x4) x5 Koderung z.b. als Vektor: ( x4 ) Berechne für alle Werte von x4: ( x4) 4,5( x 4, x5 ) 4 x5 x5 achrcht st Funkton n Abhänggket vom Zustand x 4 (z.b. kodert als Vektor) In der achrcht st der Knoten X 5 aussummert Lokale Telberechnung: "achrch t " (x ) 4,5,5 ( x4 0, x5) ( x4, x5) 4 35
36 Inferenz: Message-Passng Anschauung: Wr summeren den Knoten X 5 aus, und schcken das Ergebns weter an den Knoten X 4 ( x ) x x2 x3 x4,2 2,3 3,4 4,5 4 x 5 36
37 Inferenz: Message-Passng Wr wenden deselbe Idee auf de nächste auszusummerenden Varable an Lokale Telberechnung: achrcht p( x ) ( x, x ) ( x, x ) ( x, x ) ( x 3,2 2 2, , x x x 2 4 ( x, x ) ( x, x ) ( x, x ) ( x ),2 2 2, , x x x 2 4 ( x ) Berechne für alle Werte von x : ( x ) ( x, x ) ( x ) achrcht st Funkton n Abhänggket vom Zustand x 3 In der achrcht snd de Knoten X 5, X 4 aussummert Lokale Telberechnung: "achrch t " (x ) , x 3 ) 3 37
38 Inferenz: Message-Passng Anschauung: Wr summeren den Knoten X 4 aus, und schcken das Ergebns weter an den Knoten X 3 ( x ) x x2 x3 x4,2 2,3 3,4 4,5 X 3 st Anfrageknoten, also ncht aussummeren 3 ( x ) 4 x 5 38
39 Inferenz: Message-Passng Gleches Prnzp anwenden auf de Varablen lnks vom Anfrageknoten Telberechnung: achrcht p( x ) ( x, x ) ( x, x ) ( x ) 3,2 2 2, x x 2 ( x ) ( x, x ) ( x, x ) 3 2,3 2 3,2 2 x x 2 ( x ) ( x, x ) ( x, x ) 3 2,3 2 3,2 2 x x 2 ( x ) Berechne für alle Werte von x : ( x ) ( x, x ) achrcht st Funkton n Abhänggket vom Zustand x 2 In der achrcht st der Knoten X aussummert "achrcht " (x ) 2 2 2,2 2 x 2 39
40 Inferenz: Message-Passng Anschauung: Wr summeren den Knoten X aus, und schcken das Ergebns weter an den Knoten X 2 ( x ) 2 ( x ) x x2 x3 x4,2 2,3 3,4 4,5 3 ( x ) 4 x 5 40
41 Inferenz: Message-Passng Letzte Varable X 2 aussummeren p( x ) ( x ) ( x, x ) ( x ) 3 3 2, x (x ) ( x ) "achrcht " (x ) 3 Gesuchte Randvertelung st Produkt der achrchten m Anfrageknoten: p( x ) ( x ) ( x )
42 Inferenz: Message-Passng achrchten-austausch Schema: ( x2) x3 ( ) ( x ) x x2 x3 x4 x,2 2,3 5 3,4 4,5 p( x ) ( x ) ( x ) ( x ) Endergebns: gesuchte Randvertelung st Produkt der achrchten 4 42
43 Inferenz: Message-Passng Laufzet: Berechnung ener achrcht: achrchten nsgesamt x : ( x ) ( x, x ) ( x ) k k k, k k k k x k 2 OM ( ) für Berechnung ener achrcht (Varablen mt M dskreten Zuständen) 2 O( M ) Gesamtlaufzet Vel besser als nave Inferenz mt OM ( ) 43
44 Inferenz: Message-Passng Algorthmus Algorthmus: Message-Passng auf lnearer Kette Engabe: p( x,..., x ), 2( x, x2),...,, ( x, x) Gesucht: p( x )? Berechne achrchten (rekursv): ( ) x ( x ) Ausgabe: a Für k -,..., a: ( x ) ( x, x ) ( x ) k kk, k k k x Für k 2,..., a: ( x ) ( x, x ) ( x ) k k k, k k k k x k p( x ) ( x ) ( x ) (Vertelung) a a a 44
45 Message-Passng mt Evdenz Bsher Randvertelung ( ) ohne Evdenz bestmmt Was st wenn wr Evdenz haben? Bedngte Vertelung px a otaton :{ x,..., x } { x, x,..., x, x,..., x } a j j p( x x,., x ) a m Anfrage- Evdenz-Varablen restlche Varablen Varable m p( x, x,..., x ) a px (,..., x Z enfach zu berechnen p ( xa, x,..., x m ) (ormalserer unvarate Vertelung) Z k m m ) 45
46 Message-Passng mt Evdenz Zel: Lechte Modfkaton des Message-Passng Algorthmus p ( x,,..., )? a x x m Wr berechnen we bsher achrchten ( x ),..., ( x ) ( ),..., ( ) x2 x a a Falls x k+ unbeobachtet st, summeren wr desen Knoten aus k {,. } ( x ) ( x, x ) x ).., m k k, k k k ( k x k Falls x k+ beobachtet st, verwenden wr nur den entsprechenden Summanden x k beobachteter Wert (Evdenz) k {,..., } ( x ) ( x, x ) ( x ) m k k, k k k k 46
47 Message-Passng mt Evdenz Ebenso für ( x ) x k Jetzt glt k ( x k ) ( x, x ) ( x ) : k {,..., } (Knoten ncht beobachtet) k, k k k k m ( x, x ) ( x ) : k {,..., } (Knoten beobachtet) k, k k k k m p( x, x,..., x ) ( x ) ( x ) a m a a Laufzet für Inferenz mt Evdenz mmer noch 2 O( M ) 47
Bayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
MehrProf. 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
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrModelle, Version Spaces, Lernen
Unverstät Potsdam Insttut ür Inormatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle Verson Spaces Lernen Tobas Scheer Mchael Brückner Klasskaton Engabe: Instanz Objekt X. Können durch Attrbut-Vektoren
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Mehr2 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
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrKapitel 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
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrStochastische 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)
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
MehrKapitel 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
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrAlternative 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
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
MehrAnalyse 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
MehrModelle, Version Spaces, Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Maschnelles Lernen Modelle, Verson Spaces, Lernen Chrstoph Sawade/Nels Landwehr Slva Makowsk Tobas Scheffer Überblck Problemstellungen:
MehrWeitere 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,
MehrÜbung 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
MehrGrundlagen 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
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Mehr9 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.
Mehr9 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.
Mehr2. Klausur zur Vorlesung Algorithmen II Wintersemester 2012/2013
2. Klausur zur Vorlesung Algorthmen II Wntersemester 202/203 Her Aufkleber mt Name und Matrkelnummer anbrngen Vorname: Nachname: Matrkelnummer: Beachten Se: Brngen Se den Aufkleber mt Ihrem Namen und Matrkelnummer
MehrTeil E: Qualitative abhängige Variable in Regressionsmodellen
Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.
MehrBeschreibung 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
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrBemerkungen zum LCG Rupert Hartung,
mt Bemerkungen zum LCG Rupert Hartung, 24.6.2005 Wr betrachten den Lnear Congruental Generator (LCG) X 0, X 1,..., X,... X +1 = ax + c mod N (1) zur Erzeugung von Pseudozufallszahlen mäÿger Qualtät. De
MehrDiskrete 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 /
MehrGitterbasierte Kryptosysteme (Ajtai-Dwork, Regev) Sebastian Pape
Gtterbaserte Kryptosysteme (Ajta-Dwork, Regev) Sebastan Pape Überblck Motvaton Gtter SVP, usvp, Gtterbassredukton Kryptosysteme Ajta-Dwork Regev (2003), Regev (2005) Zusammenfassung Gtterbaserte Kryptosysteme
Mehr5. 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
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
Mehr9 Diskriminanzanalyse
9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrLösungen 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
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrRegressionsgerade. 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
Mehr-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
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
MehrBayessche Ansätze in der Geostatistik
Unverstät Ulm, Fakultät für Mathematk und Wrtschaftswssenschaften Abtelung Stochastk Bayessche Ansätze n der Geostatstk m Rahmen des Semnars Bayessche Ansätze n der Bldanalyse m Sommersemester 006 be Prof.Dr.V.
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrNSt. 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
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Graphische Modelle iels Landwehr Überblick: Graphische Modelle Graphische Modelle: Werkzeug zur Modellierung einer Domäne mit verschiedenen
MehrWahl 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
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
Mehr6.5. 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
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrNeuronale 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
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
MehrSystempartitionierung. Hw-Sw-Co-Design
Systemparttonerung Hw-Sw-Co-Desgn Überblc Modelle für de Systemsynthese Parttonerung Allgemene Parttonerungsalgorthmen Hw/Sw-Parttonerungsalgorthmen Fallbespele Allgemene Parttonerungsverfahren heurstsche
MehrProf. 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
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrGrundlagen der Technischen Informatik. 9. Übung
Grundlagen der Technschen Informatk 9. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 9. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
MehrKleiner Fermatscher Satz, Chinesischer Restsatz, Eulersche ϕ-funktion, RSA
Klener Fermatscher Satz, Chnesscher Restsatz, Eulersche ϕ-funkton, RSA Manfred Gruber http://www.cs.hm.edu/~gruber SS 2008, KW 15 Klener Fermatscher Satz Satz 1. Se p prm und a Z p. Dann st a p 1 mod p
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrÜbung 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
MehrEntscheidungstheorie Teil 3. Thomas Kämpke
Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr