Hauptkomponentenanalyse für funktionale Daten
|
|
- Herta Sternberg
- vor 6 Jahren
- Abrufe
Transkript
1 Hauptkomponentenanalyse für funktionale Daten Cesaire J. Kueté F. Hauptkomponentenanalyse (Wintersemester 2014/2015) 24. November 2014 Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
2 Inhaltsverzeichnis 1 Einleitung 2 Klassische Hauptkomponentenanalyse Denition Die Hauptkomponenten 3 Funktionale Hauptkomponentenanalyse Denition Eigenwerte und Eigenfunktionen Multiple funktionale Hauptkomponentenanalyse Anwendung und Interpretation der Hauptkomponenten 4 Schluss 5 Aufgabe Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
3 Einleitung Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
4 Einleitung Hauptkomponentenanalyse: Finden eines minimalen Unterraums zur leichten Interpretation der Beobachtungen mit minimalem Informationsverlust. Ziel 1 Klassische Hauptkomponentenanalyse Suchen nach U R K, so dass die Projektion der Originalbeobachtungen die beste ist. 2 Funktionale Hauptkomponentenanalyse Suchen nach H L 2 K, so dass die beobachteten Funktionen möglichst gut approximiert werden. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
5 Einleitung Funktionale Hauptkomponentenanalyse Betrachtet werde eine funktionale Zufallsvariable x i (t) nach (Ramsay und Silverman, 1997), dann ist die klassische Hauptkomponentenanalyse nicht mehr anwendbar. Einige Anwendungen: Dynamik von Übertragung der Stimmübertragung, Longitudinalstudie, Variation der Temperatur... Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
6 Funktionale Hauptkomponentenanalyse: Motivation Abbildung: Wetterstation Beispiel Originalfunktionen Temperatur Beobachtung Mittelfkt Tag Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
7 Hauptkomponentenanalyse Wie geht man damit um? Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
8 Klassische Hauptkomponentenanalyse Denition: Betrachte y = (y 1, y 2,..., y n ) T R n R n. und x = (x 1, x 2,..., x n ) T 1 < x, y >= n y i x i ist das Skalarprodukt zwischen y und x. i=1 x 1,1 x 1,2 x 1,k x 2,1 x 2,2 x 2,k 2 X = Rn k x n,1 x n,2 x n,k ist die Matrix der zentrierten Beobachtungen. Die Matrix S X := 1 n 1 X X ist die empirische Kovarianzmatrix. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
9 Klassische Hauptkomponentenanalyse x 1, x 2,..., x n U ist die beste l-dimensionale Approximation von x 1, x 2,..., x n genau dann, wenn 1 SSE = n x i x i 2,minimal ist. d.h. i=1 n x i x i 2 = min{ n x i xi 2, rg([x1, x 2,..., x n]) l} i=1 i=1 Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
10 Klassische Hauptkomponentenanalyse x 1, x 2,..., x n U ist die beste l-dimensionale Approximation von x 1, x 2,..., x n genau dann, wenn 1 SSE = n x i x i 2,minimal ist. d.h. i=1 n x i x i 2 = min{ n x i xi 2, rg([x1, x 2,..., x n]) l} i=1 2 rg([ x 1, x 2,..., x n ]) l i=1 Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
11 Klassische Hauptkomponentenanalyse x 1, x 2,..., x n U ist die beste l-dimensionale Approximation von x 1, x 2,..., x n genau dann, wenn 1 SSE = n x i x i 2,minimal ist. d.h. i=1 n x i x i 2 = min{ n x i xi 2, rg([x1, x 2,..., x n]) l} i=1 2 rg([ x 1, x 2,..., x n ]) l i=1 Problemstellung: Suche die beste l-dimensionale lineare Approximation von x 1, x 2,..., x n R k. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
12 Klassische Hauptkomponentenanalyse x 1, x 2,..., x n U ist die beste l-dimensionale Approximation von x 1, x 2,..., x n genau dann, wenn 1 SSE = n x i x i 2,minimal ist. d.h. i=1 n x i x i 2 = min{ n x i xi 2, rg([x1, x 2,..., x n]) l} i=1 2 rg([ x 1, x 2,..., x n ]) l i=1 Problemstellung: Suche die beste l-dimensionale lineare Approximation von x 1, x 2,..., x n R k. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
13 Klassische Hauptkomponentenanalyse Sei B = {u 1,..., u k } U. Voraussetzungen für die l-dimensionale beste lineare Approximation: 1 u h = k α i X i, h {1,..., k}. i=1 2 Orthogonalität < u g, u h >= 0, h g Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
14 Klassische Hauptkomponentenanalyse Sei B = {u 1,..., u k } U. Voraussetzungen für die l-dimensionale beste lineare Approximation: 1 u h = k α i X i, h {1,..., k}. i=1 2 Orthogonalität < u g, u h >= 0, h g 3 Normalität: h {1,..., k} u h = 1. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
15 Klassische Hauptkomponentenanalyse Sei B = {u 1,..., u k } U. Voraussetzungen für die l-dimensionale beste lineare Approximation: 1 u h = k α i X i, h {1,..., k}. i=1 2 Orthogonalität < u g, u h >= 0, h g 3 Normalität: h {1,..., k} u h = 1. 4 Minimierung der Fehler: u h = arg max uh!s 2 Xh = u h X Xu h = u h S X u h. Unter u g S X u h = 0 g {1,..., h 1}. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
16 Klassische Hauptkomponentenanalyse Sei B = {u 1,..., u k } U. Voraussetzungen für die l-dimensionale beste lineare Approximation: 1 u h = k α i X i, h {1,..., k}. i=1 2 Orthogonalität < u g, u h >= 0, h g 3 Normalität: h {1,..., k} u h = 1. 4 Minimierung der Fehler: u h = arg max uh!s 2 Xh = u h X Xu h = u h S X u h. Unter u g S X u h = 0 g {1,..., h 1}. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
17 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
18 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Der erste Eigenvektor entspricht dem erstgröÿten Eigenwert und trägt die erste Hauptkomponente. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
19 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Der erste Eigenvektor entspricht dem erstgröÿten Eigenwert und trägt die erste Hauptkomponente. Der zweite Eigenvektor entspricht dem zweitgröÿten Eigenwert und trägt die zweite Hauptkomponente. usw... Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
20 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Der erste Eigenvektor entspricht dem erstgröÿten Eigenwert und trägt die erste Hauptkomponente. Der zweite Eigenvektor entspricht dem zweitgröÿten Eigenwert und trägt die zweite Hauptkomponente. usw... Sie erklären den gröÿten bzw. zweit-, drittgröÿten,... Teil der durch U erklärten Variabilität. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
21 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Der erste Eigenvektor entspricht dem erstgröÿten Eigenwert und trägt die erste Hauptkomponente. Der zweite Eigenvektor entspricht dem zweitgröÿten Eigenwert und trägt die zweite Hauptkomponente. usw... Sie erklären den gröÿten bzw. zweit-, drittgröÿten,... Teil der durch U erklärten Variabilität. Es gibt maximal r = min{n, k} < Eigenwerte bzw. Eigenvektoren. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
22 Klassische Hauptkomponentenanalyse Eigenproblem: Finden einer Lösung der Eigengleichung ( X ) uh = Xu h = λ h u h Der erste Eigenvektor entspricht dem erstgröÿten Eigenwert und trägt die erste Hauptkomponente. Der zweite Eigenvektor entspricht dem zweitgröÿten Eigenwert und trägt die zweite Hauptkomponente. usw... Sie erklären den gröÿten bzw. zweit-, drittgröÿten,... Teil der durch U erklärten Variabilität. Es gibt maximal r = min{n, k} < Eigenwerte bzw. Eigenvektoren. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
23 Funktionale Hauptkomponentenanalyse Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
24 Funktionale Hauptkomponentenanalyse Betrachte eine Funktion x i (t), mit t stetig. Gegeben sei H L 2 ein funktionaler Unterraum. Denition Gegeben sei h H 1 Die Projektion von x i entlang h H ist < h, x i > (t) = x i (t)h(t)dt und <, > ist das Skalarprodukt. < h, x i > 2 die durch h erklärte Variabilität und 1 N N < h, x i > 2 gemeinsame erklärte Variabilität. i=0 N 2 kov(s,t) = 1 N x i (t)x i (s) empirische Kovarianz zwischen s und t. i=0 Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
25 Funktionale Hauptkomponentenanalyse Hauptkomponentenanalyse Die folgenden Voraussetzungen müssen von H erfüllt werden. (i) Sei h i H, dann gilt h i (t) = N α i x(t)dt. i=0 (ii) h i, h j mit i j < h i, h j >= h i (t)h j (t)dt = 0. (iii) h H h 2 (t)dt = 1. (iv) Die h H erfüllen die Eigengleichung kov(s, t)h(t)dt = ρh(s)... (E). Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
26 Funktionale Hauptkomponentenanalyse Eigenwerte und Eigenfunktionen Der so genannte Kovarianzsoperator V entlang h wird so deniert, dass Vh = kov(, t)h(t)dt und die Eigengleichung (E) lässt sich als Vh = ρh umschreiben. Es gilt h(s)ρh(s) = h(s)kov(s, t)h(t)dtds = ρ. ρ bezieht sich auf einen Eigenwert, während h sich auf eine Eigenfunktion bezieht. Frage: Wie löst man die Eigengleichung (E)? Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
27 Funktionale Hauptkomponentenanalyse Eigenwerte und Eigenfunktionen Der so genannte Kovarianzsoperator V entlang h wird so deniert, dass Vh = kov(, t)h(t)dt und die Eigengleichung (E) lässt sich als Vh = ρh umschreiben. Es gilt h(s)ρh(s) = h(s)kov(s, t)h(t)dtds = ρ. ρ bezieht sich auf einen Eigenwert, während h sich auf eine Eigenfunktion bezieht. Frage: Wie löst man die Eigengleichung (E)? Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
28 Funktionale Hauptkomponentenanalyse Berechnung von Eigenwerten und Eigenfunktionen: zwei Grundideen Lösung der Eigengleichung 1 Diskretisieren der Integrale Im Fall der äquidistanten Zeitpunkte lautet die Eigengleichung: V h = λ h, wobei V und h sich auf das Diskretisieren von V bzw. h beziehen. λ ist ein Eigenwert von V, d.h. λ 2 ist ein Eigenwert von V T V. 2 Ausdruck der beobachteten Funktionen in Bezug auf eine Funktionalbasis Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
29 Funktionale Hauptkomponentenanalyse Lösung der Eigengleichung: 2. Idee Fortsetzung Gegeben sei eine bel. Funktionalbasis Φ, mit dim(φ) = K N t Sei x i (t) = K α ij Φ j (t), die Gewichtsmatrix j=1 α 1,1 α 1,2 α 1,K α 2,1 α 2,2 α 2,K A = RN K und Φ 1,, Φ K die Funktionen α N,1 α n,2 α N,K der Basis Φ. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
30 Funktionale Hauptkomponentenanalyse Lösung der Eigengleichung: 2. Idee Fortsetzung Dann lautet die Eigengleichung (E): 1 N S 1 2A AS 1 2 µ = ρµ, wobei µ = S 1 2 h S =< Φ, Φ > Φ L 2 K und h R K, sodass h = h Φ Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
31 Funktionale Hauptkomponentenanalyse Lösung der Eigengleichung: 2. Idee Fortsetzung Bemerkung: - h Φ Φ h = 1 h = 1. - Falls Φ Orthonormalbasis, wird nur 1 N A A der Eigengleichung betrachtet. - Für N klein, werden die beobachteten Funktionen als die Funktionen der Basis Φ betrachtet und es folgt A A = I N. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
32 Funktionale Hauptkomponentenanalyse: Verallgemeinerung Multiple funktionale Hauptkomponentenanalyse Gegeben sei F = (f 1,, f K ) L K 2. - < F i, F j >= K fgi f gj ist das Skalarprodukt zwischen F i und F j. g=1 - F = 1 K f 2 i = 1, F ist ein normierter Vektor i=1 kov 11 (s, t) kov 1K (s, t) - K(s, t) =..... kov K1 (s, t) kov KK (s, t) ist die empirische Kovarianzmatrix zwischen zwei beliebigen stetigen Variablen s und t. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
33 Funktionale Hauptkomponentenanalyse: Verallgemeinerung Multiple funktionale Hauptkomponentenanalyse - Fortsetzung. Die Komponenten von K(s, t) werden so gebildet: kov ii (s, t) = 1 N kov ij (s, t) = 1 N N f i (s)f i (t) i=1 N f i (s)f j (t), i=1 kov ij (s, t) = kov ji (t, s) Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
34 Funktionale Hauptkomponentenanalyse: Verallgemeinerung Multiple funktionale Hauptkomponentenanalyse - Fortsetzung. Die Komponenten von K(s, t) werden so gebildet: Es folgt dann die Eigengleichung K(s, t)h = ρh, wobei h = (h 1,, h K ) und kov11 (s, t)h kov 1K h k = ρh 1 (G):. kovk1 (s, t)h kov KK h k. = ρh K ist das Eigengleichungssystem. Es ist genauso wie die Gleichung der univariaten funktionalen Hauptkomponentenanalyse lösbar. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
35 Funktionale Hauptkomponentenanalyse Anwendung und Interpretation: Wetterstationen-Beispiel Tabelle: Namen der kanadischen Wetterstationen Arvida, Que. Kapuskasing, Ont. St. John's, nd Beaverlodge, B.C. London, Ont. Sydney, N.S. Calgary, Alta. Montreal, Que. The Pas, Man. Charlottetown, P.E.I Ottawa, Ont. Thunder Bay, Ont. Churchill, Man Prince Albert, Sask. Toronto, Ont. Dawson, Yukon Prince George, B.C. Vancouver, B.C Edmonton, Alta Prince Rupert, B.C. Victoria, B.C Fredericton, N.B. Quebec City, Que. Whitehorse, Yukon Halifax, N.S. Regina, Sask. Winnipeg, Man. Inuvik, N.W.T. Resulte, N.W.T. Yarmouth, N.S. Iqualuit,N.W.T. Scheerville, Que. YellowKnife, N.W.T. Kamloops, B.C. Sherbrooke, Que. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
36 Funktionale Hauptkomponentenanalyse: Interpretation Abbildung: Darstellung der Originalen Daten Originalfunktionen Temperatur Beobachtung Mittelfkt Tag Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
37 Funktionale Hauptkomponentenanalyse: Interpretation Forts. Abbildung: Die vier ersten Hautkomponenten Temperatur HK1 HK2 HK3 HK Tag Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
38 Funktionale Hauptkomponentenanalyse: Interpretation Forts. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
39 Funktionale Hauptkomponentenanalyse: Interpretation Fortz. Abbildung: Biplot im Raum der zwei ersten Hauptkomponenten HK Projektion der Stationen solute Pr. Rupert Iqaluit St. Johns Victori Sydney Yarmouth Vancou Churchill Scheffervll Pr. Calgary Charlottvl George Halifax Inuvik Whitehorse Thunderbay Edmonton Sherbrooke Fredericton London Toronto Bagottville Quebec Kamloops Arvida Ottawa Montreal Yellowknife Uranium The Pr. Cty Regina Pas Albert Dawson Winnipeg HK 1 Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
40 Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
41 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
42 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
43 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
44 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Eigenwerte {λ i } 1 i min{n,k} {ρ i } i min{n,k} K = dim(b) Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
45 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Eigenwerte {λ i } 1 i min{n,k} {ρ i } i min{n,k} K = dim(b) Eigenvektoren-Funktionen {u i } 1 i min{n,k} R K {h i } i {1,2, } L 2 K ([t1, t K ]) Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
46 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Eigenwerte {λ i } 1 i min{n,k} {ρ i } i min{n,k} K = dim(b) Eigenvektoren-Funktionen {u i } 1 i min{n,k} R K {h i } i {1,2, } L 2 K ([t1, t K ]) Hauptkomponenten von Richtungsvektoren R K von Richtungsfunktionen getragen K L 2 ([t1, t K ]) getragen Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
47 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Eigenwerte {λ i } 1 i min{n,k} {ρ i } i min{n,k} K = dim(b) Eigenvektoren-Funktionen {u i } 1 i min{n,k} R K {h i } i {1,2, } L 2 K ([t1, t K ]) Hauptkomponenten von Richtungsvektoren R K von Richtungsfunktionen getragen K L 2 ([t1, t K ]) getragen N = Stichprobenumfang und K = Anzahl der beobachteten Variablen ( für die klassische Analyse) bzw. = Dimension der betrachteten Basis (für die funktionale Analyse) Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
48 Daten Elemente aus R K Kurven L 2 K ([t1, t K ]) Tabelle: Vergleich klassische Analyse funktionale Analyse X 1,, X K R N, wobei f 1 (x),, f K (x) L 2 Variablen X i = (x 1i,, x Ni ) R N, x [t 1, t K ] i 1,, K Kovarianzmatrix X X = [kov(x i, X j )] 1 i,j K K(s, t) = [kov ij (s, t)] 1 i,j K, wobei X = [X 1,, X K ] s, t [t 1, t K ] Eigengleichung Xh = λh K(, t)h = ρh Eigenwerte {λ i } 1 i min{n,k} {ρ i } i min{n,k} K = dim(b) Eigenvektoren-Funktionen {u i } 1 i min{n,k} R K {h i } i {1,2, } L 2 K ([t1, t K ]) Hauptkomponenten von Richtungsvektoren R K von Richtungsfunktionen getragen K L 2 ([t1, t K ]) getragen N = Stichprobenumfang und K = Anzahl der beobachteten Variablen ( für die klassische Analyse) bzw. = Dimension der betrachteten Basis (für die funktionale Analyse) Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
49 Aufgabe Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
50 Aufgabe Teil I Betrachten wir wieder die Eigengleichung (E): kov(s, t)h(t)dt = ρh(s). Diskretisieren der Integrale (Folie 16): Zeigen Sie das Resultat. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
51 Aufgabe Teil II Betrachten wir wieder das Beispiel der Wetterstationen 1 Laden Sie die Pakete "fda". 2 Schauen Sie sich das Objekt "dailyän. 3 Erstellen Sie mit folgenden Parametervektoren (0, 2π 365 ) 2 und range (0, 365) einen Di. Operator. 4 Erstellen Sie weiter ein funktionales Operator-Objekt mit dem Befehl fdpar. 5 Führen Sie dann die Glättung über den Zeitraum 1 bis 365 durch. 6 Führen Sie mit Hilfe von pca.fd eine funktionale Hauptkomponentenanalyse durch. Berücksichtigen Sie dafür nur die vier ersten Hauptkomponenten. Hinweis: Stellen Sie zunächst die Hauptkomponenten in einer Grak dar und plotten Sie wie in Folie 26 die Hauptkomponenten ± die mittlere Funktion. Ein Biplot wäre auch für die Interpretation Hilfreich. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
52 Ramsay, J. und Silverman, B. W. (1997). Functional Data Analysis. Springer, New York. Cesaire J. Kueté F. (TU Dortmund) Hauptkomponentenanalyse 24. November / 32
Kapitel 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
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
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
MehrDer CG-Algorithmus (Zusammenfassung)
Der CG-Algorithmus (Zusammenfassung) Michael Karow Juli 2008 1 Zweck, Herkunft, Terminologie des CG-Algorithmus Zweck: Numerische Berechnung der Lösung x des linearen Gleichungssystems Ax = b für eine
MehrLineare Algebra II 8. Übungsblatt
Lineare Algebra II 8. Übungsblatt Fachbereich Mathematik SS 11 Prof. Dr. Kollross 1./9. Juni 11 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minitest) Sei V ein euklidischer oder unitärer Vektorraum.
MehrAufgaben zu Kapitel 20
Aufgaben zu Kapitel 20 Aufgaben zu Kapitel 20 Verständnisfragen Aufgabe 20 Sind die folgenden Produkte Skalarprodukte? (( R ) 2 ( R 2 )) R : v w,, v v 2 w w 2 (( R ) 2 ( R 2 )) R : v w, 3 v v 2 w w + v
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
Mehr4 Lineare Abbildungen Basisdarstellungen
4 Lineare Abbildungen Basisdarstellungen (4.1) Seien V,W endlich dimensionale K-Vektorräume, und sei T : V W linear. Sei {v 1,...,v } Basis von V und {w 1,...,w M } Basis von W. Sei T (v j ) = M a kj w
MehrSymplektische Geometrie
Symplektische Geometrie Def. Eine symplektische Form auf U R 2n ist eine geschlossene, nichtausgeartete 2-Differentialform. }{{}}{{} d.h. dω = 0 wird gleich definiert Wir bezeichnen sie normalerweise mit
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
Mehr3. Übungsblatt Aufgaben mit Lösungen
. Übungsblatt Aufgaben mit Lösungen Aufgabe : Gegeben sind zwei Teilmengen von R : E := {x R : x x = }, und F ist eine Ebene durch die Punkte A = ( ), B = ( ) und C = ( ). (a) Stellen Sie diese Mengen
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrMathematik I Prüfung Frühlingssemester 2014
Mathematik I Prüfung Frühlingssemester 2014 Prof. Dr. Enrico De Giorgi 23. Juni 2014 Mathematik II: Prüfung Frühlingssemester 2014 1 Teil I: Offene Fragen (50 Punkte) Allgemeine Anweisungen für offene
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrNormalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,
Normalengleichungen Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b, Normalengleichungen 1-1 Normalengleichungen Für eine beliebige
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
MehrSkalarprodukte (Teschl/Teschl Kap. 13)
Skalarprodukte (Teschl/Teschl Kap. ) Sei V Vektorraum über R. Ein Skalarprodukt auf V ist eine Abbildung V V R, (x, y) x, y mit den Eigenschaften () x, y = y, x (symmetrisch), () ax, y = a x, y und x +
Mehr2) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 +bx 2 +c mit a, b, c R.
Übung 6 1) Wir betrachten den Vektorraum aller Funktionen f(x) = ax 4 + bx 2 + c mit a, b, c R und nennen diesen V. Die Vektoren f 1 (x) = 2x 4 + 2x 2 + 2 und f 2 (x) = 3x 4 + x 2 + 4 sind in diesem Vektorraum
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrKlausur zur Vorlesung Lineare Algebra II, SoSe 2016,
Klausur zur Vorlesung Lineare Algebra II, SoSe 6, 6.7.6 Vokabelbuch In diesem Teil soll getestet werden, inwieweit Sie in der Lage sind, wichtige Definitionen und Sätze aus der Vorlesung korrekt zu formulieren
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
Mehr11.2 Orthogonalität. Wintersemester 2013/2014
Universität Konstanz Fachbereich Mathematik und Statistik Wintersemester 2013/2014 Markus Scheighofer Lineare Algebra I 11.2 Orthogonalität Definition 11.2.1. Seien V ein K-Vektorraum mit Skalarprodukt
Mehr9. Übung zur Linearen Algebra II -
9. Übung zur Linearen Algebra II - en Kommentare an Hannes.Klarner@Fu-Berlin.de FU Berlin. SS 00. Aufgabe 33 (i) Beweise oder widerlege: In einem euklidischen VR gilt x + y = x + y x y (Satz von Pythagoras).
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
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
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrEigenschaften kompakter Operatoren
Eigenschaften kompakter Operatoren Denition Seien X, Y normierte Räume und sei A : X Y linear. Dann heiÿt A kompakt (vollstetig), wenn für jede beschränkte Menge B X die Menge A(B) kompakt ist. Eigenschaften
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrTransformation und Darstellung funktionaler Daten
Transformation und Darstellung funktionaler Daten Seminar - Statistik funktionaler Daten Jakob Bossek Fakultät für Statistik 7. Mai 2012 Übersicht Einleitung Einordnung im Seminar Motivation am Beispiel
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrVon Skalarprodukten induzierte Normen
Von Skalarprodukten induzierte Normen Niklas Angleitner 4. Dezember 2011 Sei ein Skalarproduktraum X,, gegeben, daher ein Vektorraum X über C bzw. R mit einer positiv definiten Sesquilinearform,. Wie aus
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen Teschl/Teschl.3,. Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
Mehr6 Symmetrische und hermitesche Matrizen
$Id: quadrat.tex,v.0 0/06/9 :47:4 hk Exp $ $Id: orthogonal.tex,v.4 0/06/9 3:46:46 hk Exp $ 6 Symmetrische und hermitesche Matrizen 6.3 Quadratische Funktionen und die Hauptachsentransformation Wir sind
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
Mehrf(x) f(x 0 ) lokales Maximum x U : gilt, so heißt x 0 isoliertes lokales Minimum lokales Minimum Ferner nennen wir x 0 Extremum.
Fabian Kohler Karolina Stoiber Ferienkurs Analsis für Phsiker SS 4 A Extrema In diesem Abschnitt sollen Extremwerte von Funktionen f : D R n R diskutiert werden. Auch hier gibt es viele Ähnlichkeiten mit
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrExtremwerte von Funktionen mehrerer reeller Variabler
Extremwerte von Funktionen mehrerer reeller Variabler Bei der Bestimmung der Extrema von (differenzierbaren) Funktionen f : R n R ist es sinnvoll, zuerst jene Stellen zu bestimmen, an denen überhaupt ein
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
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
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
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
MehrAufgabe 1. Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = 1). Es gilt det(λa) = (λ) n det(a).
Aufgabe Die Determinante ist eine lineare Abbildung von C n n nach C? Nein (außer für n = Es gilt det(λa = (λ n det(a det I n = n? Nein (außer für n = Es gilt deti n = det(ab = det A det B? Ja det(a =
MehrKlausurvorbereitungsblatt Lineare Algebra
Klausurvorbereitungsblatt Lineare Algebra Sommersemester 25 Aufgabe 2 2 Sei A 3 3 8 2 4 3 R4 5. 5 2 a) Bestimmen Sie die Lösungsmenge des linearen Gleichungssystems Ax b) Ist Ax b mit b lösbar? (Begründen
Mehr2 Multivariate Normalverteilung
2 Multivariate Normalverteilung 2. Multivariate Normalverteilung Definition 2.. Normalverteilung Eine univariat normalverteilte Zufallsvariable X besitzt ie Dichte ) (x µ)2 f (x) = exp ( x R. 2π σ 2σ 2
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrMatrizen. Spezialfälle. Eine m nmatrix ist ein rechteckiges Zahlenschema mit. m Zeilen und n Spalten der Form. A = (a ij ) =
Matrizen Eine m nmatrix ist ein rechteckiges Zahlenschema mit m Zeilen und n Spalten der Form a 11 a 12 a 1n A = a ij = a 21 a 22 a 2n a m1 a m2 a mn Dabei sind m und n natürliche und die Koezienten a
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 5
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 5 5. (Herbst 9, Thema 3, Aufgabe ) Betrachtet werde die Matrix A := 3 4 5 5 7 7 9 und die lineare Abbildung
MehrVektoren. Kapitel 13 Vektoren. Mathematischer Vorkurs TU Dortmund Seite 114 / 1
Vektoren Kapitel 13 Vektoren Mathematischer Vorkurs TU Dortmund Seite 114 / 1 Vektoren 131 Denition: Vektoren im Zahlenraum Ein Vektor (im Zahlenraum) mit n Komponenten ist ein n-tupel reeller Zahlen,
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
MehrLagebeziehungen zwischen Geraden und Ebenen mit Hilfe der Normalenform
Lagebeziehungen zwischen Geraden und Ebenen mit Hilfe der Normalenform Bernhard Scheideler Albrecht-Dürer-Gymnasium Hagen Hilfen zur Analytischen Geometrie (). Dezember 0 Inhalt: Die Lagebeziehungen zwischen
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
Mehr15.5 Stetige Zufallsvariablen
5.5 Stetige Zufallsvariablen Es gibt auch Zufallsvariable, bei denen jedes Elementarereignis die Wahrscheinlich keit hat. Beispiel: Lebensdauer eines radioaktiven Atoms Die Lebensdauer eines radioaktiven
MehrLineare Algebra I. Christian Ebert & Fritz Hamm. Gruppen & Körper. Vektorraum, Basis & Dimension. Lineare Algebra I. 18.
18. November 2011 Wozu das alles? Bedeutung von Termen Vektoren in R n Ähnlichkeiten zwischen Termbedeutungen Skalarprodukt/Norm/Metrik in R n Komposition von Termbedeutungen Operationen auf/abbildungen
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
Mehr5. Übungsblatt zur Mathematik II für BI, MaWi, WI(BI), AngGeo und UI
Fachbereich Mathematik Prof Dr K Ritter Dr M Slassi M Fuchssteiner SS 9 9 Mai 9 5 Übungsblatt zur Mathematik II für BI, MaWi, WI(BI, AngGeo und UI Gruppenübung Aufgabe G (a Betrachten Sie die Vektoren
Mehr3.6 Approximationstheorie
3.6 Approximationstheorie Bisher haben wir uns im Wesentlichen mit der Interpolation beschäftigt. Die Approximation ist weiter gefasst: wir suchen eine einfache Funktion p P (dabei ist der Funktionenraum
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
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 07/08. Michael Karow. Themen: Niveaumengen und Gradient
Vorlesung: Analysis II für Ingenieure Wintersemester 07/08 Michael Karow Themen: Niveaumengen und Gradient Wir betrachten differenzierbare reellwertige Funktionen f : R n G R, G offen Zur Vereinfachung
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrVektorräume und lineare Abbildungen
Kapitel 11. Vektorräume und lineare Abbildungen 1 11.1 Vektorräume Sei K ein Körper. Definition. Ein Vektorraum über K (K-Vektorraum) ist eine Menge V zusammen mit einer binären Operation + einem ausgezeichneten
MehrStudium und Praktikum in Kanada
Studium und Praktikum in Kanada 1 Geographic Map of Arctic Ocean Beaufort Sea Baffin Bay Yukon Territory Whitehorse Northwest Territories Great Bear Lake Pacific Ocean Great Slave Lake Yellowknife Nunavut
MehrMathematik Abitur 2014 Lösungen
Mathematik Abitur Lösungen Richard Reindl Analysis Aufgabengruppe Teil A. f (x) = lnx (lnx), f (x) = = lnx = = x = e, f(e) = e < x < e : lnx < = f (x) < = f fallend x > e : lnx > = f (x) > = f steigend.
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrLösungsskizzen zur Klausur
sskizzen zur Klausur Mathematik II Sommersemester 4 Aufgabe Es seien die folgenden Vektoren des R 4 gegeben: b = b = b 3 = b 4 = (a) Prüfen Sie ob die Vektoren b b 4 linear unabhängig sind bestimmen Sie
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
Mehr(Allgemeine) Vektorräume (Teschl/Teschl 9)
(Allgemeine) Vektorräume (Teschl/Teschl 9) Sei K ein beliebiger Körper. Ein Vektorraum über K ist eine (nichtleere) Menge V, auf der zwei Operationen deniert sind, die bestimmten Rechenregeln genügen:
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
Mehr3.5 Duale Vektorräume und Abbildungen
3.5. DUALE VEKTORRÄUME UND ABBILDUNGEN 103 3.5 Duale Vektorräume und Abbildungen Wir wollen im Folgenden auch geometrische Zusammenhänge mathematisch beschreiben und beginnen deshalb jetzt mit der Einführung
MehrLineare Algebra und analytische Geometrie II
Prof Dr H Brenner Osnabrück SS 26 Lineare Algebra und analytische Geometrie II Vorlesung 2 Orthogonalität Mit dem Skalarprodukt kann man die Eigenschaft zweier Vektoren, aufeinander senkrecht zu stehen,
MehrFunktionale Regressionsmodelle für skalare Zielgrößen
Funktionale Regressionsmodelle für skalare Zielgrößen Gerrit Toenges Fakultät Statistik Technische Universität Dortmund 15. Dezember 2014 G.Toenges (TU Dortmund) 15.12.14 1 / 47 Inhaltsverzeichnis 1 Motivation
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
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
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrAbbildung 10.1: Das Bild zu Beispiel 10.1
Analysis 3, Woche Mannigfaltigkeiten I. Definition einer Mannigfaltigkeit Die Definition einer Mannigfaltigkeit braucht den Begriff Diffeomorphismus, den wir in Definition 9.5 festgelegt haben. Seien U,
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
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrDabei bezeichnet x die Einflussgrösse (Regressor), y die Zielvariable (die eine Folge der Ursache x ist) und die Störung. Die n = 3 Beobachtungen
Lineare Regression und Matrizen. Einführendes Beispiel Der im Kapitel Skalarprodukt gewählte Lösungsweg für das Problem der linearen Regression kann auch mit Matrizen formuliert werden. Die Idee wird zunächst
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
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
Mehrr i w i (siehe (3.7)). r i v, w i = 0.
Orthogonales Komplement und Orthogonalprojektion Wir betrachten weiterhin einen euklidischen Vektorraum V,,. (6.13) Def.: Ist M V, so heißt das orthogonale Komplement von M. (6.14) Fakt. (i) M ist Untervektorraum
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Berechnung von Eigenwerten und Eigenvektoren Mathematik 1 Bestimmung von Eigenwerten und Eigenvektoren Jedes λ, das det(a
Mehr0, v 6 = , v 4 = 1
Aufgabe 6. Linearkombinationen von Vektoren Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 : M = v =, v =, v 3 =, v 4 =, v 5 =, v 6 =. Zeigen Sie, dass sich jeder Vektor v i M, i =,,...,
Mehrist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).
Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)
MehrLandesabitur 2007 Beispielaufgaben 2005_M-LK_A 7. Eine quadratische Pyramide (Grundkante 4 und Höhe 6) steht neben einer Stufe. 1.
I. Thema und Aufgabenstellung Lineare Algebra / Analytische Geometrie Aufgaben Eine quadratische Pyramide (Grundkante 4 und Höhe 6) steht neben einer Stufe. 3. Achse 2. Achse 1. Achse Die Sonne scheint
MehrDefinitionen. b) Was bedeutet V ist die direkte Summe von U und W? V ist direkte Summe aus U und W, falls V = U + W und U W = {0}.
Technische Universität Berlin Wintersemester 7/8 Institut für Mathematik 9. April 8 Prof. Dr. Stefan Felsner Andrea Hoffkamp Lösungsskizzen zur Nachklausur zur Linearen Algebra I Aufgabe ++ Punkte Definieren
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrGrundlagen der Ökonometrie (für Wirtschaftsmathematikstudenten und mathematisch orientierte Volkswirtschaftsstudenten) Prof. Dr.
Grundlagen der Ökonometrie (für Wirtschaftsmathematikstudenten und mathematisch orientierte Volkswirtschaftsstudenten) Prof Dr Enno Mammen 0 Exkurs: Orthogonaltransformationen, Projektionen im R n In diesem
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehrϕ k (t)ψ j (s) 2 ds)dt < folgt ϕ k (t)ψ j (s) δ j1,j 2 und daher handelt es sich um ein Orthonormalsystem in L 2 (Ω 1 Ω 2 ).
1) a) Wir wollen zeigen, dass {ϕ k (t)ψ j (s)} j,k N0 eine Orthonormalbasis ist. Beachte dabei zunächst, dass (t, s) ϕ k (t)ψ j (s) für alle j, k N 0 messbare Abbildungen auf Ω 1 Ω 2 sind und da Ω 1 ϕ
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
Mehr