Netzwerkanalyse II. Übersicht. VL Forschungsmethoden. 1 Rollen, Positionen, Cluster Strukturelle Äquivalenz Cluster Blockmodels. 2 Beispiele.
|
|
- Susanne Hofmann
- vor 6 Jahren
- Abrufe
Transkript
1 Netzwerkanalyse II VL Forschungsmethoden Rollen, Positionen, Übersicht 1 Rollen, Positionen, 2 3 VL Forschungsmethoden SNA II (1/15)
2 Rollen, Positionen, Worum geht es? Bisher: Eigenschaften einzelner Punkte bzw. des Netzwerkes Definiert über Muster der Kontakte Was fehlt: Typen von Positionen/Rollen strukturelle Äquivalenz VL Forschungsmethoden SNA II (2/15) Rollen, Positionen, Was ist Äquivalenz? Zwei Akteure (Knoten im Netzwerk) sind äquivalent Wenn sie im Netzwerk vergleichbare Positionen einnehmen, d. h. gegeneinander austauschbar sind Verschieden strikte Definitionen von Äquivalenz: 1 2 Automorphe Äquivalenz 3 Reguläre Äquivalenz VL Forschungsmethoden SNA II (3/15)
3 Rollen, Positionen, Was ist? Zwei Knoten mit identischen Beziehungen zu allen anderen Knoten klassen Äquivalenzklassen: {A}, {B}, {C}, {D}, {G} Quelle: Wasserman & Faust {E,F}, {H,I} VL Forschungsmethoden SNA II (4/15) Rollen, Positionen, Automorphe Äquivalenz Was ist automorphe Äquivalenz? Akteure in äquivalente lokale Strukturen eingebettet (Distanzen bleiben gleich, wenn alle Akteure (samt ihrer Nachbarn) innerhalb ihrer jeweiligen Äquivalenzklassen ausgetauscht werden) Klarer: Indegree, outdegree, Zentralität (alle Maße), alle Maßzahlen gleich Strukturelle Replikation Äquivalenzklassen: {A}, {C}, {G} Quelle: Wasserman & Faust VL Forschungsmethoden SNA II (5/15) {B,D}, {E,F,H,I}
4 Rollen, Positionen, Reguläre Äquivalenz Was ist reguläre Äquivalenz? Selbes Profil von ties mit Mitgliedern anderer regulärer Äquivalenzklassen Nicht notwendigerweise selbe Personen/selbe Zahl Entspricht intuitiv am ehesten Rolle/Position Äquivalenzklassen: {A}, {B,C,D} Quelle: Wasserman & Faust {E,F,G,H,I} VL Forschungsmethoden SNA II (6/15) Rollen, Positionen, Exakte vs. approximative Äquivalenz Reale Netzwerke sind messy Zwei Akteure sind nicht notwendigerweise strukturell, automorph oder regulär äquivalent Aber trotzdem ähnlich Kontinuierliche Maßzahlen für Grad der Äquivalenz Z. B. Prozentsatz der ties, die übereinstimmen VL Forschungsmethoden SNA II (7/15)
5 Rollen, Positionen, Beispiel gerichtetes Netzwerk aus Zwei instructors (i 1, i 2 ) Drei students (s 1, s 2, s 3 ) Wie mißt man Äquivalenz? i 1 i 2 i 1 i 2 s 1 s 2 s 3 i i s s s s 1 s 2 s 3 Perfekte Ähnlichkeit Spalten und Zeilen identisch Abstufungen Vielzahl von Maßen VL Forschungsmethoden SNA II (8/15) Maße für Ähnlichkeiten vs. Unähnlichkeiten (Distanzen) Pearsonsche Rollen, Positionen, Korrelation Prozentsatz gemeinsame Nachbarn Euklidische Distanzen (Wurzel aus der Summe der quadrierten Differenzen) etc. Was macht hierarchisches ing? Neue Matrix mit Distanzen (Unähnlichkeiten) zwischen den Knoten a = 2 Euklidische Distanzen Allgemeine Methode, um Gruppen von ähnlichen Fällen zu Benannt identifizieren nach Euklid Entfernungen Auf der Basis imvon normalen Ähnlichkeits-/Unähnlichkeitsmaßen Raum Distanz Hierarchisch = Quadratwurzel es werden ausimmer größere Gruppen von Fällen Summe gebildet der quadrierten Entfernungen in jeder Dimension b = 5 Verschiedene Algorithmen a 2 + b 2 Im Beispiel: acht Dimensionen = andere Knoten reflexive/wechselseitige Beziehungen (besonders berechnet) i 1 i 2 s 1 s 2 s 3 i 1 i 2 s 1 s 2 s 3 i 1 VL0Forschungsmethoden SNA II (9/15) i i 1 i 2 i i
6 Rollen, Positionen, Wie sieht ein Dendrogramm aus? Pajek - Ward [0.00,4.44] s1 s3 s2 i1 i2 ing findet die (uns bekannte) Unterscheidung zwischen Dozenten und Studierenden VL Forschungsmethoden SNA II (10/15) Rollen, Positionen, Worum geht es hier? Block : Kontingente Gruppe von Zellen in der Adjacency Matrix Hauptdiagonale ignorieren Wenn strukturelle Äquivalenz vorliegt Und Fälle in Klassen geordnet sind Sind Blöcke komplett oder leer i 1 i 2 s 1 s 2 s 3 i i s s s Fälle innerhalb eines Blocks können durch eine einzige Zelle ersetzt werden Image-Matrix VL Forschungsmethoden erfaßt Struktur des SNANetzwerkes II (11/15)
7 Rollen, Positionen, Co-Sponsorship im Kongreß Fowler 2006 Co-Sponsorhip Theoretische Bedeutung Operationalisierung Maß für Relevanz einzelner Abgeordneter Ergebnisse: Hohe Korrelation mit which members will pass more amendments on the floor, a measure that is commonly used as a proxy for legislative influence Validität VL Forschungsmethoden SNA II (12/15) Rollen, Positionen, Politische Kommunikation Huckfeldt 2007 Meinungsvielfalt im persönlichen Umfeld Wie bilden sich Bürger eine Meinung, und wie schätzen sie Meinung anderer ein? In homogenen Umfeldern: minimising (environmental priors) In heterogenen Umfeldern: dyadische Kommunikation VL Forschungsmethoden SNA II (13/15)
8 Rollen, Positionen, Policy/Kollektivgutprobleme Kollektivgutprobleme nicht nur Gefangenendilemma, sondern auch Kommunikations- und Koordinationsproblem (Sub)Netzwerke als Lösung? Kleine, dichte Netzwerke: Vertrauen Große, weniger dichte Netzwerke: Kommunikation und Partnersuche Letztere sind wichtiger Strength of weak ties (Granovetter 1973: 30132) VL Forschungsmethoden SNA II (14/15) Rollen, Positionen, Zusammenfassung SNA: Perspektive Beziehungen zwischen Akteuren manchmal wichtiger als deren Eigenschaften Beziehungsnetzwerk = strukturelle Eigenschaft des sozialen Systems Klassische Sozialwissenschaftliche Betrachtungsweise SNA: Verfahren Besondere Daten besondere Verfahren Ähnlich wie Regression (weitgehend) agnostisch gegenüber theoretischen Annahmen Grundlagen seit acht Jahrzehnten bekannt In jüngerer Zeit (ca. 25 Jahre extrem dynamische Entwicklung) VL Forschungsmethoden SNA II (15/15)
Einführung in die Netzwerkanalyse
Dorothea Jansen Einführung in die Netzwerkanalyse Grundlagen, Methoden, Forschungsbeispiele 3., überarbeitete Auflage in VS VERLAG FÜR SOZIALWISSENSCHAFTEN Inhalt Vorwort zur zweiten Auflage 9 Vorwort
MehrSoziale Netzwerke. Einführung Teil 1
Soziale Netzwerke Einführung Teil 1 Soziale Netzwerke... verbinden beliebige soziale Objekte werden empirisch erhoben repräsentieren ein dynamisches System unterstützen die Interpretation beantworten Hypothesen
MehrSocial Network Analysis als Instrument zur Bewertung von Beziehungskapital
Social Network Analysis als Instrument zur Bewertung von Beziehungskapital Barbara Heller-Schuh Konferenz: 10 Jahre Wissensbilanzierung in Österreich Wien, 30. September 2008 Beziehungskapital in der Wissensbilanzierung
MehrThema: Soziale Netzwerke. von. Sebastian Fahrentholz. Institut für Statistik Ludwig-Maximilians-Universität München
Thema: Soziale Netzwerke von Sebastian Fahrentholz Institut für Statistik Ludwig-Maximilians-Universität München Seminar: Statistische Herausforderungen sozialwissenschaftlicher Studien Betreuer: Julia
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
MehrStatistik II: Klassifikation und Segmentierung
Medien Institut : Klassifikation und Segmentierung Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Faktorenanalyse 2. Clusteranalyse 3. Key Facts 2 I 14 Ziel
MehrÜbung zur Vorlesung Theoretische Information. Minimierungsalgorithmus
Übung zur Vorlesung Theoretische Information Minimierungsalgorithmus Folie Warum Automaten minimieren? Zwei endliche Automaten Automat q q Automat 2 q q Beide akzeptieren die selbe Sprache Welche? q 2
MehrKapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie
Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel
MehrAlgorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions
Algorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions Dr. rer. nat. Bastian Katz 0. Juni 009 (Version vom. Juni 009) Von Kreisen, Kugeln und Bällen Definition In einem metrischen
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
MehrElemente von Sozialkapital - Netzwerke
Seminar Sozialkapital Robert Neumann Institut für Soziologie Elemente von Sozialkapital - Netzwerke Magdalena Kostyra, Kristina Wiese, Sarah Lenk TU-Dresden, 05.Januar 2009 Gliederung 01 Definition Soziale
MehrSudoku und andere reguläre Strukturen. Universitätsprofessor Dr. Hans-Dietrich Gronau Institut für Mathematik 28. Oktober 2008
Sudoku und andere reguläre Strukturen Universitätsprofessor Dr. Hans-Dietrich Gronau Institut für Mathematik 28. Oktober 2008 1 7 8 1 4 8 9 2 5 6 3 8 7 9 6 4 5 2 2 2 5 6 9 3 1 4 7 8 3 9 4 5 8 7 6 1 2 7
Mehr4. Relationen. Beschreibung einer binären Relation
4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrSOZIALE NETZWERKANALYSE ALS METHODE DER REGIONALFORSCHUNG?
SOZIALE NETZWERKANALYSE ALS METHODE DER REGIONALFORSCHUNG? Kurzfassung Michael Vyborny Dieser Beitrag beschäftigt sich mit der Möglichkeit eines Einsatzes der sozialen Netzwerkanalyse (SNA) als Methode
MehrTerme und Gleichungen
Terme und Gleichungen Rainer Hauser November 00 Terme. Rekursive Definition der Terme Welche Objekte Terme genannt werden, wird rekursiv definiert. Die rekursive Definition legt zuerst als Basis fest,
MehrClusteranalyse mit SPSS
Autor: Thomas Nirschl, Amt für Stadtforschung und Statistik, Stadt Nürnberg Clusteranalyse mit SPSS Das Statistikpaket SPSS (aktuell in der Version 17 vorliegend) stellt dem Anwender eine große Vielfalt
MehrBeziehungsmatrix. Jürgen Lerner
Beziehungsmatrix Jürgen Lerner Zusammenfassung Ausser durch Graphen lassen sich Netzwerke auch durch Matrizen repräsentieren. Zunächst einmal ist diese Art der Darstellung nicht ausdrucksstärker als die
MehrKorrespondenzanalyse
Seite 1 von 5 Korrespondenzanalyse Ziel der Korrespondenzanalyse... 1 Anforderungen an die Daten (Stärke des Verfahrens)... 1 Einordnung in die multivariaten Verfahren... 1 Normierung der Daten... 1 Festlegung
MehrDefekte Demokratie oder keine?
Jörn Knobloch Defekte Demokratie oder keine? Das politische System Rußlands A441096 LIT Inhalt 1. Einleitung 1 Teill- Theoretische Konzepte und Vorgehensweise 2. Einführung in das Konzept der defekten
MehrWas ist eine Clusteranalyse, wann und wie wird sie angewendet?
Autor: Dr. Ralf Gutfleisch, Stadt Frankfurt a. M., Bürgeramt, Statistik und Wahlen Was ist eine Clusteranalyse, wann und wie wird sie angewendet? Fragestellung Drei Fragen stehen im Vordergrund dieser
Mehr2 ZAHLEN UND VARIABLE
Zahlen und Variable 2 ZAHLEN UND VARIABLE 2.1 Grundlagen der Mengenlehre Unter einer Menge versteht man die Zusammenfassung von unterscheidbaren Objekten zu einem Ganzen. Diese Objekte bezeichnet man als
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
MehrAlgorithmische Methoden der Netzwerkanalyse
Algorithmische Methoden der Netzwerkanalyse Marco Gaertler 9. Dezember, 2008 1/ 15 Abstandszentralitäten 2/ 15 Distanzsummen auf Bäumen Lemma Sei T = (V, E) ein ungerichteter Baum und T s = (V S, E s )
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
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrGlossar (Fachbegriffe der Netzwerkanalyse)
Glossar (Fachbegriffe der Netzwerkanalyse) Fachbegriffe der Netzwerkanalyse Der jeweils erläuterte Begriff erscheint fett; andere Begriffe, die ebenfalls im Glossar erläutert werden, erscheinen kursiv.
Mehr8. Elemente der linearen Algebra 8.5 Quadratische Matrizen und Determinanten
Einheitsmatrix Die quadratische Einheitsmatrix I n M n,n ist definiert durch I n = 1 0 0 0 1 0 0 0 1 (Auf der Hauptdiagonalen stehen Einsen, außerhalb Nullen Durch Ausmultiplizieren sieht man I n A = A
Mehr4.3. Interdependenzen, Spieltheorie und agentenbasierte
4.3. Interdependenzen, Spieltheorie und agentenbasierte Simulation Interdependenz liegt vor, wenn A im Erreichen seiner Handlungsziele von B und B im Erreichen seiner Handlungsziele von A abhängig ist,
MehrRang einer Matrix. 1-E1 Ma 1 Lubov Vassilevskaya
Rang einer Matrix 1-E1 Ma 1 Lubov Vassilevskaya Unterdeterminante einer nichtquadratischen Matrix M ist eine nichtquadratische 2,3-Matrix: M = 6 2 3 0 5 7 Durch Streichen einer der drei Spalten kann man
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrKomplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz
Ernst Moritz Arndt Universität Greifswald 24. 4. 29 Komplexe Netzwere Gradverteilung der Knoten, Salenfreiheit, Potenzgesetz Dr. Matthias Scholz www.networ-science.org/ss29.html 1 Begriffe und Definitionen
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrDatenstrukturen & Algorithmen
Datenstrukturen & Algorithmen Matthias Zwicker Universität Bern Frühling 2010 Übersicht Binäre Suchbäume Einführung und Begriffe Binäre Suchbäume 2 Binäre Suchbäume Datenstruktur für dynamische Mengen
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
Mehr22. Netzwerke II. 4. Maschenstromanalyse 5. Knotenpotentialanalyse
. Netzwerke II 4. Maschenstromanalyse 5. Knotenpotentialanalyse 4. Netzwerkberechnungsverfahren Das Maschenstromanalyse Paul, Elektrotechnik 2, Seite 68 ff. Unbehauen, Grundlagen der Elektrotechnik 1,
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrNetzwerkanalyse I. Lernziele. VL Forschungsmethoden. 1 Einführung Was sind Netzwerke? Netzwerkdaten
Netzwerkanalyse I VL Forschungsmethoden 1 Was sind Netzwerke? Netzwerkdaten 2 Grundzüge der Netzwerkanalyse Design und Datenerhebung 3 Zentrale Linien, Richtung, Dichte Zentralität und Zentralisierung
MehrDas Voronoi Diagramm. 1. Definition. 2. Eigenschaften. 3. Größe und Speicherung. 4. Konstruktion. 5. Verwendung
Das Voronoi Diagramm 1. Definition 2. Eigenschaften 3. Größe und Speicherung 4. Konstruktion 5. Verwendung Das Voronoi- Diagramm Voronoi Regionen Euklidische Distanz: d(p,q) = (px-qx)^2+(py-qy)^2 Das Voronoi-Diagramm
MehrWas sind Zusammenhangsmaße?
Was sind Zusammenhangsmaße? Zusammenhangsmaße beschreiben einen Zusammenhang zwischen zwei Variablen Beispiele für Zusammenhänge: Arbeiter wählen häufiger die SPD als andere Gruppen Hochgebildete vertreten
Mehr2.2 der Größenbegriff
(mit Äquivalenzrelationen) Maximilian Geier Institut für Mathematik, Landau Universität Koblenz-Landau Zu Größen gelangt man ausgehend von realen Gegenständen durch einen Abstraktionsvorgang. Man geht
Mehrmathe plus Aussagenlogik Seite 1
mathe plus Aussagenlogik Seite 1 1 Aussagenlogik 1.1 Grundbegriffe Def 1 Aussage Eine Aussage ist ein beschriebener Sachverhalt, dem eindeutig einer der Wahrheitswerte entweder wahr oder falsch zugeordnet
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,
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
MehrÜbungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho
Übungen (HS-2010): Urteilsfehler Autor: Siegfried Macho Inhaltsverzeichnis i Inhaltsverzeichnis 1. Übungen zu Kapitel 2 1 Übungen zu Kontingenz- und Kausalurteile 1 Übung 1-1: 1. Übungen zu Kapitel 2 Gegeben:
MehrFortgeschrittene Netzwerk- und Graph-Algorithmen
Fortgeschrittene Netzwerk- und Graph-Algorithmen Dr. Hanjo Täubig Lehrstuhl für Eziente Algorithmen (Prof. Dr. Ernst W. Mayr) Institut für Informatik Technische Universität München Wintersemester 2007/08
MehrNetzwerkanalyse für Politikwissenschaftler
Netzwerkanalyse für Politikwissenschaftler Netzwerkanalyse für Politikwissenschaftler (1/23) Politikwissenschaftliche Anwendungen Seminarablauf Netzwerkanalyse für Politikwissenschaftler (2/23) Politikwissenschaft
MehrRolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de
Peer-to to-peer-netzwerke Rolf Wanka Sommersemester 2007 11. Vorlesung 05.07.2007 rwanka@cs.fau.de basiert auf einer Vorlesung von Christian Schindelhauer an der Uni Freiburg Inhalte Kurze Geschichte der
MehrSoziale Netzwerke in der Forschungspraxis:
Soziale Netzwerke in der Forschungspraxis: Zur theoretischen Perspektive, Vergleichbarkeit und Standardisierung von Erhebungsverfahren sozialer Netzwerke Zur Validität und Reliabilität von egozentrierten
MehrMarkenstärkemessung unter besonderer Berücksichtigung von Konsumentenheterogenität
Lars Köster Markenstärkemessung unter besonderer Berücksichtigung von Konsumentenheterogenität Das Beispiel der deutschen Brau Wirtschaft Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrKorrektur: Lineare Regression in Excel
Korrektur: Lineare Regression in Excel Doppelsummenkurve 1 8 kum. Abfluss 6 4 2 Juni 1987 5 1 15 2 kum. Niederschlag 1 PDFA Abfluss Lange Bramke 4 kum. Stabw. 3 2 1 Feb. 1981 1.8 1.82 1.84 1.86 1.88 1.9
MehrENTWURF. 23 Netzwerkanalyse. Hans J. Hummell und Wolfgang Sodeur. 1 Einführung
23 Netzwerkanalyse Hans J. Hummell und Wolfgang Sodeur Universität Duisburg-Essen Zusammenfassung. Die Netzwerkanalyse befasst sich mit der systematischen Anordnung der Beziehungen zwischen den Einheiten
Mehr1.3 Charakteristische Eigenschaften von objektorientierten Systemen
1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität
MehrLOOP-Programme: Syntaktische Komponenten
LOOP-Programme: Syntaktische Komponenten LOOP-Programme bestehen aus folgenden Zeichen (syntaktischen Komponenten): Variablen: x 0 x 1 x 2... Konstanten: 0 1 2... Operationssymbole: + Trennsymbole: ; :=
MehrMehr-Ebenen-Analyse I. Regressionsmodelle für Politikwissenschaftler
Mehr-Ebenen-Analyse I Regressionsmodelle für Politikwissenschaftler Was sind strukturierte Daten? Was ist Struktur? Probleme Bisher sind wir stets von einfachen Zufallsstichproben ausgegangen (Registerstichprobe)
MehrTheoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen. Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst
Theoretische Überlegungen zur Ausbreitung von Infektionserregern auf Kontaktnetzen Hartmut Lentz, Maria Kasper, Ansgar Aschfalk und Thomas Selhorst Netzwerke / Graphen verschiedene Typen von Graphen: einfache
MehrWas macht gute Versuche aus? ... aus der Sicht eines Biometrikers
Was macht gute Versuche aus?... aus der Sicht eines Biometrikers DLG-Technikertagung Soest, 28. Januar 2015 Andreas Büchse BASF SE, Ludwigshafen Vorbemerkung Einige Kriterien für Qualität von Experimenten
MehrLage- und Streuungsparameter
Lage- und Streuungsparameter Beziehen sich auf die Verteilung der Ausprägungen von intervall- und ratio-skalierten Variablen Versuchen, diese Verteilung durch Zahlen zu beschreiben, statt sie graphisch
MehrSerie 8: Fakultativer Online-Test
Prof Norbert Hungerbühler Lineare Algebra I Serie 8: Fakultativer Online-Test ETH Zürich - D-MAVT HS 215 1 Diese Serie besteht nur aus Multiple-Choice-Aufgaben und wird nicht vorbesprochen Die Nachbesprechung
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
MehrParalleler Programmentwurf nach Foster
Paralleler Programmentwurf nach Foster Die PCAM-Methode Partitionierung - ermittle maximale Parallelität Communication - ermittle Datenabhängigkeiten Agglomeration - erhöhe die Granularität der Aufgaben
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P. Grohs T. Welti F. Weber Herbstsemester 5 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie Aufgabe. Skalarprodukt und Orthogonalität.a) Bezüglich des euklidischen
MehrNetzwerkanalyse von Klimadaten: Anwendung und Interpretation
Netzwerkanalyse von Klimadaten: Anwendung und Interpretation DACH0, Vorhersagbarkeit und Verifikation,.9.0 Netzwerkanalyse von Klimadaten.... Was ist das?? Definition und Mathematik. Wie macht man das??
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrKapitel 6: Graphalgorithmen Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
Mehr2.5 Diskrete Bewegungsgruppen I: die Punktgruppe,
Diskrete Geometrie (Version 3) 20. November 2011 c Rudolf Scharlau 133 2.5 Diskrete Bewegungsgruppen I: die Punktgruppe, Friesgruppen In diesem Abschnitt ist wie bisher ein euklidischer (Vektor-)Raum E
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
MehrVirtuelle Unternehmen
Martin Garrecht Virtuelle Unternehmen Entstehung, Struktur und Verbreitung in der Praxis PETER LANG Europäischer Verlag der Wissenschaften Gliederung Gliederung Abbildungsverzeichnis 11 Tabellenverzeichnis
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrBildungsforschung und Bildungspolitik im Dialog. Lernprozesse und Irritationen. Heinz-Elmar Tenorth
Bildungsforschung und Bildungspolitik im Dialog Lernprozesse und Irritationen Heinz-Elmar Tenorth Übersicht über den Vortrag 1. Das Thema und sein Problem 2. Das System der Kommunikation von Bildungsforschung
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
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
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
Mehr3. Vorlesung. Die Existenz des Pentagons. (*)
3. Vorlesung. ie Existenz des Pentagons. (*) In dieser Vorlesung werden wir sehen wie die Griechen bewiesen haben, dass es das Pentagon wirklich gibt. ieser eweis ist schon recht anspruchsvoll. So anspruchsvoll,
MehrKapitel 1 Einleitung
Kapitel 1 Einleitung Menschen gehen Beziehungen miteinander ein, indem sie kommunizieren und interagieren. Sie stehen in unterschiedlichen Relation zu ihren Kollegen, Freunden und Verwandten. Die Webseiten
MehrPraktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen
Praktikum Einführung in die Mathematik 1 WS 2010/2011 Blatt 2 Lösungen 27. bis 29. Oktober 2010 (1) Lösung von Aufgabe (1) : ad (a) : Die Aussage 2n + 1 < 2 n wird durch Induktion über n für alle n gezeigt.
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
MehrKap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien
Kap. 7.1 Heuristiken Kap. 7.2 Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 23. VO DAP2 SS 2008 14. Juli 2009
MehrVorlesung Mathematik I für Wirtschaftswissenschaftler. Universität Leipzig, WS 16/17
Vorlesung Mathematik I für Wirtschaftswissenschaftler Universität Leipzig, WS 16/17 Prof. Dr. Bernd Kirchheim Mathematisches Institut kirchheim@math.uni-leipzig.de 1 / 1 Kapitel 1: Grundlagen 4 / 1 Kap.1
Mehr23. November Betweenness Centrality Closeness Centrality. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108
23. November 2011 Betweenness Centrality Closeness Centrality H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 108 Betweenness Centrality Grundlegende Idee: Ein Knoten ist wichtig, wenn er auf
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
MehrNumerische Lineare Algebra
Numerische Lineare Algebra Vorlesung 5 Prof. Dr. Klaus Höllig Institut für Mathematischen Methoden in den Ingenieurwissenschaften, Numerik und Geometrische Modellierung SS 21 Prof. Dr. Klaus Höllig (IMNG)
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
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrOptimierung für Wirtschaftsinformatiker: Lineare Programme
Optimierung für Wirtschaftsinformatiker: Lineare Programme Dr. Nico Düvelmeyer Dienstag, 31. Mai 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Lineare Programme Allgemeine Form 2 Spezielle Darstellungen
MehrDer Gaußsche Algorithmus
Der Gaußsche Algorithmus Der Gaußsche Algorithmus beinhaltet das Vertauschen der Zeilen der erweiterten Koeffizientenmatrix (A, b) und das Additionsverfahren. Ziel ist es, möglichst viele Nullen unterhalb
MehrAlgorithm Engineering. Alexander Kröller, Abteilung Algorithmik, IBR
#7 Terminchaos Nächste Vorlesungen: 27. 5. Vertretung durch Prof. Fekete 3. 6. Exkursionswoche 10. 6. Vertretung durch N.N. 17. 6. back to normal... Experiment Durchlaufe zwei gleichgrosse Arrays: Sortierte
MehrVollständigkeit der reellen Zahlen
Vollständigkeit der reellen Zahlen Vorlesung zur Didaktik der Analysis Oliver Passon Vollständigkeit von R 1 take home message I Wollte man mit Zahlen nur rechnen, könnte man mit den rationalen Zahlen
MehrAlgorithmen in Zellularautomaten
Algorithmen in Zellularautomaten 1. Grundlegende Definitionen 2. Berechnungsmächtigkeit von ZA 3. Endliche Muster und Konfigurationen 4. Selbstreproduktion 5. Sortieren in eindimensionalen ZA 6. Einfache
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrSchulung Handkarte Umgang mit Risiken
Schulung Handkarte Umgang mit Risiken Inhalte Ziele Inhalt der Handkarte Beispiele und Diskussion Beantwortung von Fragen Befehlserteilung 2 Ziele Jeder mil Vorgesetzte ist betreffend Umgang mit Risiken
MehrEinführung Gruppen, Beispiele, Konjugationsklassen
Einführung Gruppen, eispiele, Konjugationsklassen Fabian Rühle 21.10.2015 Inhaltsverzeichnis 1 Definition von Gruppen und einfache eispiele 1 2 Die zyklische Gruppe n 2 3 Die Diedergruppe D n 3 4 Die Permutationsgruppe
Mehr