5.Tutorium Multivariate Verfahren
|
|
- Theresa Lenz
- vor 6 Jahren
- Abrufe
Transkript
1 5.Tutorium Multivariate Verfahren - Hauptkomponentenanalyse - Nicole Schüller: und Hannah Busen: und Institut für Statistik, LMU München 1 / 18
2 Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 2 / 18
3 Idee der Hauptkomponentenanalyse Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 3 / 18
4 Idee der Hauptkomponentenanalyse Problemstellung Instrument zur Erklärung der Variablität der Daten Ziel: einfache Interpretierbarkeit Vereinfachung und Veranschaulichung der Daten Reduktion der Daten auf wenige möglichst aussagekräftige Hauptkomponenten Fragestellung: Wie kann die Dimension mit möglichst geringem Informationsverlust reduziert werden? Information Varianz 4 / 18
5 Idee der Hauptkomponentenanalyse Graphische Veranschaulichung 5 HK 1 4 Variable 1 3 HK Variable 2 5 / 18
6 Bestimmung der Hauptkomponenten Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 6 / 18
7 Bestimmung der Hauptkomponenten 1. Hauptkomponente Ausgangsgrößen: Zufallsvektor: x = (X 1,..., X p ) Erwartungswertvektor: E(x) = µ Kovarianzmatrix: Σ = Cov(x) Finde die Linear-Kombination y 1 = a 1 x mit Vektor a 1 = (a 11,..., a 1p ), sodass Var(y 1 ) = a 1 Σa 1 maximal wird y 1 ˆ= 1. Hauptkomponente Nebenbedingung: a 1 2 = a 1 a 1 = 1 ansonsten ist das Problem nicht eindeutig lösbar! 7 / 18
8 Bestimmung der Hauptkomponenten 2. Hauptkomponente Finde im zweiten Schritt die Linear-Kombination y 2 = a 2 x mit Vektor a 2 = (a 21,..., a 2p ), sodass Var(y 2 ) = a 2 Σa 2 maximal wird Nebenbedingungen: 1 a 2 2 = a 2 a 2 = 1 (wie vorher) 2 Cov(y 1, y 2 ) = 0 a 1 a 2 Merke: Die ersten beiden Hauptkomponenten sind unkorreliert und stehen somit aufeinander senkrecht! 8 / 18
9 Lösung des Eigenwertproblems Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 9 / 18
10 Lösung des Eigenwertproblems Maximierung unter Nebenbedingung (1. HK): Lagrange: ϕ(a 1 ) = a1 T Σa 1 λ(a T 1 a 1 1) a 1 max ϕ! = 2Σa 1 2λa 1 = 0 da 1 Σa 1 = λa 1 ˆ= Eigenwertproblem! a 1 ist der Eigenvektor zum größten Eigenwert λ von Σ 10 / 18
11 Lösung des Eigenwertproblems Maximierung unter Nebenbedingung (2. HK): Lagrange: ϕ(a 2 ) = a T 2 Σa 2 λ(a T 2 a 2 1) }{{} 1. NB γ(a 1 a 2 ) }{{} 2. NB a 2 max a 2 ist der Eigenvektor zum zweitgrößten Eigenwert λ von Σ Merke: Es können maximal p Hauptkomponenten bestimmt werden, was der Anzahl an betrachteten Variablen entspricht! 11 / 18
12 Lösung des Eigenwertproblems Spektralzerlegung Man erhält den Vektor der Hauptkomponenten mittels Spektralzerlegung von Σ: Σ = PΛP mit P = (p 1... p p ) Eigenvektoren von Σ (entsprechen den gesuchten a 1,..., a p ) λ 1 0 Λ =... Eigenwerte λ 1... λ p 0 λ p Kovarianz der Hauptkomponentenanalyse: λ 1 0 Cov(y) = Cov(P x) = P ΣP = Λ =... 0 λ p 12 / 18
13 Geometrische Interpretation Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 13 / 18
14 Geometrische Interpretation Geometrische Interpretation Darstellung einer Beobachtung x im Koordinatensystem: x = x 1. x p = x x x p d.h. x 1,..., x p sind die Koordinaten von x zur kanonischen Basis y = P x x = Py x = (p 1... p p ) y 1. y p = y 1 p y p p p d.h. y 1,..., y p sind die Koordinaten von x zur Basis p 1,..., p p 14 / 18
15 Geometrische Interpretation Bemerkungen Die Hauptkomponenten stellen neue Basisvektoren dar Die Hauptkomponenten haben die Richtung der Hauptachsen der zu Σ gehörigen Ellipsen Die Größe der Eigenwerte entspricht der Varianz der Hauptkomponenten und ist somit proportional zur Länge der Basisvektoren Merke: Bei Skalenänderung ändern sich die Eigenwerte und Eigenvektoren! meist Verwendung standardisierter Daten bzw. der Korrelationsmatrix! 15 / 18
16 Anzahl nötiger Hauptkomponenten Gliederung 1 Idee der Hauptkomponentenanalyse 2 Bestimmung der Hauptkomponenten 3 Lösung des Eigenwertproblems 4 Geometrische Interpretation 5 Anzahl nötiger Hauptkomponenten 16 / 18
17 Anzahl nötiger Hauptkomponenten Erklärte Varianz der Hauptkomponenten: Gesamtvarianz: tr(σ) = p Var(x i ) i=1 Anteil erklärter Varianz durch r Hauptkomponenten r i=1 ev(r) = Var(y r i) p i=1 Var(y i) = i=1 λ i p i=1 λ i Der Anteil der Varianz, den die Hauptkomponenten erklären, ist ein ausschlaggebendes Kriterium für die Anzahl zu verwendender Hauptkomponenten! 17 / 18
18 Anzahl nötiger Hauptkomponenten Mögliche Kriterien 1 Verwende soviele Hauptkomponenten bis ein gewisser Anteil der Gesamtvarianz der Daten erklärt ist 2 Eine Hauptkomponente sollte mindestens genauso viel beitragen wie eine einzelne Variable im Durchschnitt. Im Fall normierter Variablen (Korrelationsmatrix) sind dies alle Hauptkomponenten mit Eigenwert λ > 1. 3 Betrachte eine graphische Darstellung der Eigenwerte (Scree-Plot). Verwende soviele Hauptkomponenten bis zum Knick des Graphen (Ellbogen). 18 / 18
Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrFormelsammlung zu Multivariate Verfahren
Institut für Statistik Gerhard Tutz, Moritz, Wolfgang Pößnecker Sommersemester 204 Formelsammlung zu Multivariate Verfahren Inhaltsverzeichnis Version 0804204 Diese Formelsammlung darf in der Klausur verwendet
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrStatistische Verfahren für das Data Mining in einem Industrieprojekt
Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrFaktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Faktorenanalyse Bacher, SoSe2007 1. Grundlegende Verfahren explorative FA (EXFA): Für eine Menge von Variablen/Items werden zugrunde liegende gemeinsame (latente) Dimensionen/Faktoren gesucht, die Faktorstruktur
MehrUmweltmonitoring Datenverarbeitung 1, Teil 2: Statistische Verfahren der Datenanalyse
Umweltmonitoring Datenverarbeitung 1, Teil 2: Statistische Verfahren der Datenanalyse Roland Stigge stigge@informatik.hu-berlin.de Humboldt Universität zu Berlin 9. Januar 2003 Umweltmonitoring: Statistische
Mehr2 Stand der Forschung. Bei der Analyse komplexer Proben ist es mit Hilfe moderner Analysensysteme moglich,
2.5 Medatenauswertung mit Hilfe chemometrischer Methoden Bei der Analyse komplexer Proben ist es mit Hilfe moderner Analysensysteme moglich, simultan eine Vielzahl von Eigenschaften zu bestimmen und so
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Mehr2 Multivariate Statistik
MS13 1 2 Multivariate Statistik 21 Grundbegriffe In diesem Abschnitt sollen die ersten wichtigen Grundbegriffe der Multivariaten Statistik eingeführt werden: Mehrdimensionale Variablen, Erwartungswerte,
MehrVisualisierung I 5. Statistische Graphiken
Visualisierung I 5. Statistische Graphiken Vorlesung: Mi, 9:00 11:00, INF 368 532 Übung: Do, 14:00 16:00, INF 350 OMZ R U011 JProf. Dr. Heike Jänicke http://www.iwr.uni-heidelberg.de/groups/covis/ Inhaltsverzeichnis
MehrTermin3 Klassifikation multispektraler Daten unüberwachte Verfahren
Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrStatistische Methoden: Tests, Regression und multivariate Verfahren
(CM)²-Nachwuchsring, Workshop Statistik, 25.Januar 2013 Statistische Methoden: Tests, Regression und multivariate Verfahren Ralf Korn ((CM)², TU Kaiserslautern, Fraunhofer ITWM) 0. Einige Probleme aus
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
MehrMethoden der Biosignalverarbeitung
Vorlesung SS 2012 Methoden der Biosignalverarbeitung Common Spatial Patterns Dipl. Math. Michael Wand Prof. Dr. Tanja Schultz 1 Einführung In dieser Vorlesung behandeln wir Common Spatial Patterns (CSPs),
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrPortfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?
Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
MehrEntwicklung der Faktorenanalyse 17.06.2009. Faktorenanalyse. Faktorenanalyse nach Spearman Variablen zur Beschreibung von Intelligenz
Faktorenanalyse Thomas Schäfer SS 009 1 Entwicklung der Faktorenanalyse Faktorenanalyse nach Spearman Variablen zur Beschreibung von Intelligenz Hauptkomponentenanalyse (Pearson, Hotelling) Thomas Schäfer
MehrEvaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am 03.08.2007 (1.Termin)
Evaluation & Forschungsmethoden (Multivariate Analyse Hauptdiplom-Prüfungsklausur am 03.08.007 (1.Termin Name: Matrikel-Nr.: Aufgabe 1: (3 Punkte Es seien zwei Vektoren a und b (mit mehr als Koordinaten
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrMathematik 1 für Wirtschaftsinformatik
Mathematik 1 für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg : Gliederung 7 Folgen und Reihen 8 Finanzmathematik 9 Reelle Funktionen 10 Differenzieren 1 11 Differenzieren 2 12 Integration
MehrGrundprinzipien der Bayes-Statistik
Grundprinzipien der Bayes-Statistik Karl-Rudolf Koch Zusammenfassung: In drei wesentlichen Punkten unterscheidet sich die Bayes-Statistik von der traditionellen Statistik. Zunächst beruht die Bayes-Statistik
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
MehrQuantitative Risk Management
Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
MehrGrundlagen der Farbbildverarbeitung
Grundlagen der arbbildverarbeitung Vorlesender: Dr.-Ing. Rico Nestler Skripte: PD Dr.-Ing. habil. K.-H. ranke U Ilmenau / akultät IA Institut für Praktische Informatik und Medieninformatik achgebiet Graphische
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrStatistische Methoden
Statistische Methoden Dr CJ Luchsinger 6 Repetition: Rechnen mit Matrizen für die Statistik Matrizen sind aus zwei Gründen für die Statistik sehr wichtig: Sie ermöglichen uns einerseits eine sehr elegante
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrKochen mit Jordan. Vorbereitungen. Schnellzubereitung. JNF für Genießer wenn s noch etwas mehr sein darf
Kochen mit Jordan Vorbereitungen Man nehme eine Matrix A R n n und bestimme ihr charakteristisches Polynom p(λ) = (λ c ) r (λ c j ) rj C[X] Dabei gilt: algebraische Vielfachheit r j ˆ= Länge des Jordanblocks
Mehr# # Daten aus einem csv-file einlesen # readerout = reader(open("daten.csv","rb"),delimiter=',');
-*- coding: utf-8 -*- This Python-program was developed using "Enthought Canopy v. 1.4.1", a Pytho analysis environment, on a MacBook Pro running OS X 10.9.5 written by T. Ihn, D-PHYS ETH Zurich, 5 Oct
MehrMessen im psychologischem Kontext II: Reliabilität und explorative Faktorenanalyse
Messen im psychologischem Kontext II: Reliabilität und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Inhaltsverzeichnis 1 Reliabilität 2 1.1 Methoden zur Reliabilitätsbestimmung.............
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrFaktorenanalyse. Marcel Noack
Faktorenanalyse Marcel Noack 12. April 2007 Inhaltsverzeichnis 1 Einleitung 3 1.1 Grundlagen............................ 3 1.2 Vorüberlegungen......................... 8 1.3 Probleme.............................
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 2009/10 Vorlesung 1, Montag vormittag Vektoralgebra Ein Vektor lässt sich geometrisch als eine gerichtete Strecke darstellen,
MehrProjekt 7. Machine Learning. (Matthias Bethge) 7.1 Overtüre
Projekt 7 Machine Learning Matthias Bethge) 7. Overtüre Alles messen, was messbar ist - und messbar machen, was noch nicht messbar ist. Galileo Galilei 564-642) Ziel der quantitativen Wissenschaft ist
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrÜBERBLICK ÜBER DAS KURS-ANGEBOT
ÜBERBLICK ÜBER DAS KURS-ANGEBOT Alle aufgeführten Kurse sind 100 % kostenfrei und können unter http://www.unterricht.de abgerufen werden. ANALYSIS / INFINITESIMALRECHNUNG Nullstellen * Nullstellen einer
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
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
MehrProbestudium der Physik: Mathematische Grundlagen
Probestudium der Physik: Mathematische Grundlagen Ludger Santen 1. Februar 2013 Fachrichtung Theoretische Physik, Universität des Saarlandes, Saarbrücken 1 Einführung Die Mathematik ist die Sprache der
MehrEntscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen
Entscheidungsanalyse unter Unsicherheit Entscheidungskriterien in ökonomischen Netzen Referat von Guido RECKE Institut für Agrarökonomie der Georg-August-Universität Göttingen Platz der Göttinger Sieben
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
MehrSkriptum zur Vorlesung Kapitalmarkttheorie
Skriptum zur Vorlesung Kapitalmarkttheorie Studiengang: MSc in Business Administration Professor Dr. Jochen Wilhelm Lehrstuhl für Betriebswirtschaftslehre mit Schwerpunkt Finanzierung Universität Passau
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 30.04.2014 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Was sind multivariate Analysemethoden? Vorlesung Übung/Tut Prüfung Verfahrensdarstellung in Überblick
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrSchulinternes Curriculum. Mathematik
Gymnasium Zitadelle Schulinternes Curriculum (G 8) Stand: Schuljahr 2012/13 Gymnasium Zitadelle Schulinternes Curriculum Seite 1 EF Eingeführtes Lehrbuch: Lambacher Schweizer 10 Einführungsphase Funktionen
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrFunktionen (linear, quadratisch)
Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)
Mehr2 Lineare Gleichungen mit zwei Variablen
2 Lineare Gleichungen mit zwei Variablen Die Klasse 9 c möchte ihr Klassenzimmer mit Postern ausschmücken. Dafür nimmt sie 30, aus der Klassenkasse. In Klasse 7 wurden lineare Gleichungen mit einer Variablen
MehrMusterlösungen zu Prüfungsaufgaben über gewöhnliche Differentialgleichungen Prüfungsaufgabe a) Gegeben sei die lineare Differentialgleichung
Musterlösungen zu n über gewöhnliche Differentialgleichungen a) Gegeben sei die lineare Differentialgleichung y + - y = e - ln, > 0 Man gebe die allgemeine Lösung der homogenen Gleichung an Wie lautet
MehrRepetitionsaufgaben: Lineare Funktionen
Kantonale Fachschaft Mathematik Repetitionsaufgaben: Lineare Funktionen Zusammengestellt von Irina Bayer-Krakvina, KSR Lernziele: - Wissen, was ein Steigungsdreieck einer Geraden ist und wie die Steigungszahl
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrDie latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit dem Wert der Aktien der jeweiligen Firmen folgendermaßen zusammen.
Das KMV Modell (siehe auch www.moodyskmv.com) Die Status Variablen S = (S 1,S 2,...,S n ) können nur zwei Werte 0 und 1 annehmen, d.h. m = 1. Die latenten Variablen Y = (Y 1,Y 2,...,Y n ) T hängen mit
MehrExperimentelle Prozessanalyse
Technische Universität Dresden Fakultät Maschinenwesen Institut für Verfahrenstechnik und Umwelttechnik Skript zur Lehrveranstaltung Experimentelle Prozessanalyse Dr. rer. nat. S. Böhlmann März 2015 TU
MehrMethoden Quantitative Datenanalyse
Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung
MehrTI-84 im Mathematikunterricht Stand: 2010-03-25
TI-84 im Mathematikunterricht Stand: 2010-03-25 Graphen einer Funktionsgleichung zeichnen: Neues Betriebssystem (Stand 2010-03-09) download: Betriebssystem http://education.ti.com/downloads/files/83plus/ti84plus_os.8xu
MehrHans Walser, [20090509a] Wurzeln aus Matrizen
Hans Walser, [0090509a] Wurzeln aus Matrizen 1 Worum es geht Zu einer gegebenen,-matri A suchen wir,-matrizen B mit der Eigenschaft: BB = B = A. Wir suchen also Quadratwurzeln der Matri A. Quadrieren Wenn
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
MehrPRAKTIKUM REGELUNGSTECHNIK 2
FACHHOCHSCHULE LANDSHUT Fachbereich Elektrotechnik Prof. Dr. G. Dorn PRAKTIKUM REGELUNGSTECHNIK 2 1 Versuch 2: Übertragungsfunktion und Polvorgabe 1.1 Einleitung Die Laplace Transformation ist ein äußerst
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrJan Krohn Matrikel-Nr. 214147. Diplomarbeit in Mathematik. vorgelegt der. Fakultät für Mathematik, Informatik und Naturwissenschaften der RWTH Aachen
Kapazität von vollständig und partiell bekannten MIMO-Kanälen Jan Krohn Matrikel-Nr. 214147 Diplomarbeit in Mathematik vorgelegt der Fakultät für Mathematik, Informatik und Naturwissenschaften der RWTH
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische
MehrOptimalitätskriterien
Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen
MehrDistributed Graph Layout for Sensor Networks
Distributed Graph Layout for Sensor Networks Ausarbeitung zum Seminar Zeichnen von Graphen (WS04/05) Prof. Dr. Ulrik Brandes Basierend auf dem gleichnamigen Artikel von C. Gotsman und Y. Koren, Proceedings
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrExploratorische Faktorenanalyse: Hauptachsenanalyse und Hauptkomponentenanalyse SPSS-Beispiel zu Kapitel 13 1
Exploratorische Faktorenanalyse: Hauptachsenanalyse und Hauptkomponentenanalyse SPSS-Beispiel zu Kapitel 13 1 Karin Schermelleh-Engel, Christina S. Werner & Helfried Moosbrugger Inhaltsverzeichnis 1 Vorbemerkungen...
MehrRisikoanalyse und optimale Portfolios
Seminar "Quantitative Finance" Universität des Saarlandes 03. 06. 2009 Gliederung 1 Risikoanalyse 2 Variety Asymmetrie 3 Gliederung 1 Risikoanalyse 2 Variety Asymmetrie 3 Volatilität Logarithmischer Ertrag
MehrUniversität Potsdam. Skalenbildung
Universität Potsdam Department Erziehungswissenschaft Grundschulpädagogik/-didaktik Skalenbildung Arbeitsschritte der Testanalyse am Beispiel des Lesetests ELFE 1-6, Subtest Textverständnis Datengrundlage
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
Mehr