7 Einfache Korrespondenzanalyse
|
|
- Kora Stieber
- vor 6 Jahren
- Abrufe
Transkript
1 7 Einfache Korresondenzanalyse Ziel: Beschreibung der Beziehungen zwischen zwei kategoriellen Variablen I und J, die an k ++ Individuen erhoben wurden Kategorien: {, 2,, } beziehungsweise {, 2,, q} Kontingenztafel: Anzahlen k ij der Individuen für alle Kombinationen I = i und J = j: 2 q Total k k 2 k q k + 2 k 2 k 22 k 2q k 2+ k k 2 k q k + Total k + k +2 k +q k ++ Kontingenztafel der relativen Häufigkeiten: wobei 2 q Total f f 2 f q f + 2 f 2 f 22 f 2q f 2+ f f 2 f q f + Total f + f +2 f +q f ij = k ij k ++, f i+ = k i+ k ++, = k +j k ++ Schätzwerte für die Poulationsanteile π ij, π i+ bzw π +j, i =,,, j =,, q sind 02
2 7 χ 2 -Unabhängigkeitstest H 0 : I und J sind unabhängig vs H : I und J sind abhängig Beisiel 7 Variablen I = Augenfarbe mit Werten {blau, braun, grün} und J = Haarfarbe mit Werten {blond, rot, braun, schwarz} sind unabhängig, wenn der Personenanteil mit blauen/braunen/grünen Augen für alle Personengruen gleicher Haarfarbe gleich ist I ist unabhängig von J, wenn die Proortion der Individuen in jeder Kategorie i von I die gleiche ist für alle Kategorien j von J, π + = π = π 2 = = π q π ++ π + π +2 π +q π 2+ = π 2 = π 22 = = π 2q π ++ π + π +2 π +q und π + π ++ = π π + = π 2 π +2 = = π q π +q Zusammengefasst: I ist unabhängig von J, wenn π ij π +j = π i+ π ++ π ij = π i+π +j π ++ i {, 2,, }, j {, 2,, q} Je verschiedener die k ij von k i+ k +j /k ++, desto stärker die Evidenz für Abhängigkeiten zwischen I und J χ 2 -Statistik der Abstände zwischen den k ij und k i+ k +j /k ++ : ˆT = q j= k ij k i+k +j k ++ 2 k i+ k +j k ++ = k ++ q 2 fij f i+ f j= i+ 03
3 Test 72 Ablehnung von H 0 zum Signifikanzniveau α, falls ˆT > χ 2 q ; α Beisiel 73 Konsum von 4 Artikeln j = A, B, C, D in 3 Kundenbereichen i =, 2, 3 Hängt die Wahl der Artikel vom Bereich ab? Artikel Bereich A B C D Total Total Test: H 0 : Artikel & Bereich unabh vs H : Artikel & Bereich abhängig χ 2 = = Wert = Pχ > = < 005 H 0 ablehnen 04
4 Tabelle der Zeilenhäufigkeiten 2 2 q Total f f 2 f + f 2 f 22 f 2+ f f + f + f 2+ f 2 f + f q f + f 2q f 2+ f q f + f + f +2 f +q Tabelle der Saltenhäufigkeiten 2 2 q Total f f 2 f + f 2 f 22 f + f f + f +2 f +2 f 2 f +2 f q f +q f + f 2q f +q f 2+ f q f +q f + mit f ij f i+ = k ij k ++ k i+ k ++ = k ij k i+ und f ij = k ij k +j i, j Unter H 0 : Unabhängigkeit sollten die Anteile f ij f i+, i =,,, ungefähr gleich sein für jedes feste j, und genauso alle f ij, j =,, q, für jedes feste i Beisiel 74 Fortsetzung von Beisiel 73: Tabelle der relativen Häufigkeiten A B C D Total Total Tabelle der Zeilenrofile A B C D Tot To Tabelle der Saltenrofile A B C D Tot / / /3 To 05
5 72 Wolke der Zeilen-/ Saltenvektoren Wir betrachten die Zeilenrofile als Punkte im R q i-ter Zeilenunkt: r i = r i, r i2,, r iq = fi f i+, f i2 f i+,, Jeder Zeilenunkt erhält als Gewicht seine relative Randhäufigkeit Wolke der Zeilenunkte mit zugehörigen Gewichten: NI = {r i, f i+, i =, 2,, } Schwerunkt der Zeilenunkte gewichtetes Mittel der Zeilen: denn r j = r = r,, r q = f +,, f +q, f ij f i+ = f i+ f iq f i+ f ij =, j =, 2,, q Analog: Wolke der q Saltenunkte im R samt zugehörigen Gewichten: NJ = {c j,, j =, 2,, q}, wobei c j = c j, c 2j,, c j = fj, f 2j,, f j, j =, 2,, q Schwerunkt der Saltenunkte gewichtetes Mittel der q Salten: wegen c i = c = c,, c = f +,, f + q f ij = f j= +j q j= q f ij = f i+, i =, 2,, j= Gewichteter χ 2 -Abstand zwischen Zeilenunkten r i und r i : q d 2 χr i, r i = r ij r i f j 2 fij = +j fi j f j= i+ f i + 2 Gewichteter χ 2 -Abstand zwischen Saltenunkten c j und c j : d 2 χc j, c j = c ij c ij 2 fij = f i+ f i+ f 2 ij f i+ f i+ 06
6 Beisiel 75 Fortsetzung Beisiel 73 χ 2 -Abstand zwischen den Zeilen r und r 2 : d 2 χr, r 2 = = 264 χ 2 -Abstand zwischen den Salten c und c 2 : d 2 χc, c 2 = = 84 Satz 76 Prinzi der Verteilungsäquivalenz Wenn wir zwei identische Saltenunkte c j = c j2 durch einen einzigen Punkt c j0 c j = c j2 mit der Summe der Gewichte der Originalunkte 0 = + 2 als Gewicht ersetzen, so bleiben die Abstände zwischen beliebigen Punkten der Zeilenwolke gleich Entsrechendes gilt bei Ersetzen von Zeilenunkten Durch Zusammenlegen gleicher Saltenunkte kann also die Dimension der Zeilenunkte verringert werden, ohne deren Entfernungen zu ändern Definition 77 Die Trägheit des Zeilenunktes r i ist das Produkt seines Gewichts mit seiner χ 2 -Distanz vom Schwerunkt, Ir i = f i+ d 2 χr i, r Genauso ist die Trägheit des Saltenunktes c j gleich Ic j = d 2 χc j, c Beisiel 78 Fortsetzung von Beisiel 73 Abstände vom Schwerunkt: d 2 χc, c = = 0676, 07
7 d χc 2, c = d χc 3, c = d χc 4, c = Trägheiten der Saltenunkte: = 0554, = 0255, = 0662 Ic = f + d 2 χc, c = = 0220, Ic 2 = f +2 d 2 χc 2, c = = 059, Ic 3 = f +3 d 2 χc 3, c = = 0054, Ic 4 = f +4 d 2 χc 4, c = = 05 Definition 79 Die Trägheit der Wolke der Zeilenunkte NI ist die Summe der Trägheiten aller Zeilenunkte, I NI = Ir i = f i+ d 2 χr i, r = f i+ q j= Gleichermaßen: Die Trägheit der Wolke der Saltenunkte ist I NJ = q Ic j = j= q d 2 χc j, c j= 2 fij f i+ Trägheit der Zeilenwolke = χ 2 -Statistik / gesamte Beobachtungsanzahl: I NI = q fij f i+ f 2 +j f i+ = f j= i+ q 2 fij f i+ = ˆT f j= i+ k ++ Trägheit zerlegt die χ 2 -Statistik für Abhängigkeit zwischen I und J in die Anteile der einzelnen Zeilen bzw Salten Die χ 2 -Statistik ist symmetrisch für Zeilen und Salten, so dass I NI = χ2 k ++ = I NJ 08
8 Beisiel 70 Totale Trägheit der Saltenunktewolke in Beisiel 73 INJ = 4 Ic j = = 0549 = ˆT/k ++ = 36243/ j= 73 Analyse der Zeilenunktewolke Ziel: Darstellung der Zeilenunkte in Raum niedriger Dimension unter Maximierung der Trägheit der rojizierten Punkte auf den neuen orthogonalen Achsen: Maximiere die χ 2 -Statistik für die rojizierten Punkte entsrechend maximaler Abhängigkeit zwischen I und J Idee ähnlich zu Hautkomonentenanalyse mit Trägheit statt Varianz Bemerkung 7 Transformation der Zeilenunktewolke zwecks Nutzung der quadrierten Euklidischen Distanz d 2 e statt d 2 χ: N I = {ri, f i+, i =, 2,, }, wobei ri = ri,, riq r i r iq =,, = f+ f+q f i f i+ f+,, f iq f i+ f+q Schwerunkt der transformierten Punktewolke N I: r = r,, r q = f+,, f +q denn r j = f i+ f ij f i+ f+j = f+j =, j =, 2,, q, Der Schwerunkt transformiert sich wie die Punkte, r f + f +q r =,, r q =,, f+ f+q f+ f+q 09
9 Beisiel 72 Transformierte Punktewolke für Beisiel 73: A B C D Total Quadrierte Euklidische Distanz zwischen Zeilenunkten von N I: d 2 er i, r i = q f ij j= f i+ f i + f i j 2 = q j= Trägheit der Zeilenunktewolke ausgedrückt hierüber: INI = f i+ d 2 e ri, r fij f 2 i j = d 2 f i+ f χr i, r i i + Beisiel 73 Quadrierte Euklidische Distanz zwischen transformierten r und r 2 für Kontingenztafel aus Bsl 73 Vergleich mit Resultat Bsl 75: d 2 er, r 2 = = 264 = d 2 χr, r 2 Zentrierung der Zeilenunktewolke mittels ihres Schwerunktes: mit den Punkten i =,, x i = x i,, x iq = N I = {x i, f i+, i =, 2,, }, f i f i+ f+ f +,, f iq f +q, f i+ f+q 0
10 und neuem Schwerunkt x = 0,, 0 Die gesamte Trägheit der Zeilenunktewolke bleibt gleich: INI = f i+ d 2 ex i, 0 = f i+ x ix i Beisiel 74 Zentrierte Zeilenunktematrix für Beisiel 73: X = Definition 75 Sei X = x ij die Matrix der Zeilenunkte und D I = diag f +,, f + die Diagonalmatrix mit den Gewichten der Zeilenunkte Die Trägheitsmatrix der Zeilenunkte ist die Matrix T = X D I X mit j, k-element t jk = f i+x ij x ik Die Trägheitsmatrix T ist eine Art gewichtete Varianz-Kovarianz Matrix von X Beisiel 76 Trägheitsmatrix T für Kontingenztafel in Beisiel 73: T = Mit der Matrix T wird nun eine Hautkomonentenanalyse durchgeführt Zunächst noch ein bisschen Notation:
11 Definiere q Hautachsen, gegeben durch ihre normierten Richtungsvektoren: a = a,, a q = a q a q a q Projektionen der Zeilenrofile x i = x i,, x iq, i =,,, auf die l-te Hautachse: F l = x a l, F 2l = x 2a l,, F l = x a l, Koordinaten der Zeilenunkte x i = x i,, x iq auf den Hautachsen: F i x i F i = = a x i a + + x iq a q = x i a q x i a q + + x iq a qq F iq Beachte: x i sind zwar die Zeilenrofile, werden aber wie üblich immer als Saltenvektoren interretiert Schwerunkt der neuen Koordinaten F i, i =, 2,, : F = 0,, 0 Die Trägheit der l-ten Achse: I l = f i+ F il 2 = q 2 f i+ x ij a lj j= Trägheit der Achse l als Funktion der Trägheitsmatrix: I l = a l Ta l Definition 77 Die Hautachse sei die Achse, welche die Trägheit der Zeilenunkte maximiert Die Hautachse erhält man durch Lösung von Max! I = a Ta unter der Nebenbedingung udnb: a a = Lösung mit Satz 45 HKA: Maximalwert ist größter Eigenwert λ von T; Richtungsvektor a ist normierter Eigenvektor zu λ 4 2
12 Definition 78 Die l-te Hautachse mit Richtungsvektor a l sei diejenige unter allen normierten, zu a,, a l orthogonalen Achsen, welche maximale Trägheit besitzt l-te Hautachse ist also Lösung von Max! I l = a l Ta l udnb: a l a l =, a l a j = 0, j =,, l Dank Theorem 45: Trägheit λ l ist l-ter Eigenwert von T mit Eigenvektor a l, l =, 2,, q Beisiel 79 Eigenwerte und -vektoren der Matrix T aus Bs 76: a = λ = 03405, λ 2 = 02086, λ 3 = λ 4 = 0, , a 2 =, a =, a = Zwei Hautachsen mit Richtungsvektoren a und a 2 Zugehörige Trägheiten I = λ = 0340 bzw I 2 = λ 2 = 0209 Koordinaten des Punktes auf den Hautachsen: F = F, F 2, F = x a = = 0473 F 2 = x a 2 = = 0529 Koordinaten des 2 Punktes: F 2 = F 2, F 22 = 0349, 0584, Koordinaten des 3 Punktes: F 3 = F 3, F 32 = 0822, 0056 Proosition 720 r = f +,, f +q ist ein Eigenvektor von T zum Eigenwert 0 3
13 Daher: r ist orthogonal zu allen Hautachsen a l von T, also r a l = q j= f+j a lj = 0 Als Hautachsen zählen dabei nur die Eigenvektoren zu den von 0 verschiedenen Eigenwerten, also im Bs oben a und a 2 Damit lässt sich die Trägheit der Achsen a l etwas umschreiben: I l = q 2 f i+ x ij a lj = j= f i+ q j= f ij f i+ a lj Das wiederum lässt sich umschreiben zu: q 2 I l = xija lj = a lx X a l = a l T a l, j= wobei X = x ij, mit x ij = 2 = q j= f ij fi+ a lj f ij fi+ Die Hautachsen sind also ebenso über eine Eigenwertzerlegung von T = X X bestimmbar 2 Beisiel 72 Bestimmung der Matrizen X und T für Beisiel 73 Matrix X aus der Matrix der relativen Häufigkeiten, X = T = Eigenwerte und Eigenvektoren von T : a = λ = 03405, λ 2 = 02086, λ 3 =, λ 4 = 0, , a =, a =
14 Proosition 722 Es gilt: Jeder Eigenvektor von T zu einem echt ositiven Eigenwert λ l ist ein Eigenvektor von T zum gleichen Eigenwert λ l Der Eigenvektor r von T zum Eigenwert 0 ist ein Eigenvektor von T zum Eigenwert Nach einer langen Herleitung über r ij zu r ij zu x ij zu x ij mit dem Grundgedanken Maximierung der Trägheit der Zeilenunktewolke haben wir als Fazit bisher: Aus Tabelle der relativen Häufigkeiten mit Einträgen f ij wird die Matrix X = xij mit Einträgen x ij = bestimmt f ij fi+ Dann wird eine Sektralzerlegung von T = X X durchgeführt Dabei werden die Eigenvektoren zu den Eigenwerten 0 und ignoriert und die restlichen absteigend geordnet nach der Größe der zugehörigen Eigenwerte als Hautachsen genommen Hautziel des Ganzen: die Projektionen der transformierten und zentrierten Zeilenrofile auf die Achse a das sind die Werte F = x a, F 2 = x 2 a,, F = x a sollen maximale Trägheit Maß für die Variabilität besitzen Dimensionsreduktion: die skalaren Werte F i sollen zur möglichst guten Unterscheidung der q-dimensionalen Zeilenrofile herangezogen werden 5
15 Beisiel 723 US crime data USA Kriminalitätsstatistik im Jahr 2009, Quelle: R-Paket VGAM State Murder Rae Robbery Assault Burglary LarcenyTheft AutoTheft AL AK AZ AR CA CO CT DE FL GA HI ID IL IN IA KS KY LA ME MD MA MI MN MS MO MT NE NV NH NJ NM NY NC ND OH OK OR PA RI SC SD TN TX UT VT VA WA WV WI WY
16 Die normalisierten Zeilenrofile die r i der Bundesstaaten Nevada, Utah, Wisconsin, New York, Missouri, Maine: NV Murder Rae Robb Assault Burglary Theft AutoTheft UT Murder Rae Robb Assault Burglary Theft AutoTheft WI Murder Rae Robb Assault Burglary Theft AutoTheft NY MO ME Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft Diese Darstelung ist nicht gut geeignet, um Unterschiede deutlich zu machen Alle Profile werden dominiert von Theft, bei Murder und Rae erkennt man gar nichts Die transfomierten und standardisierten Zeilenrofile die x i : NV UT WI Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft NY MO ME Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft Murder Rae Robb Assault Burglary Theft AutoTheft Hier sind die Unterschiede der Profile besser zu erkennen, z B Missouri hat ein durchschnittliches Profil Nevada und Maine haben sehr unterschiedliche Profile Wisconsin und Utah haben ähnliche Profile, aber nicht sehr durchschnittliche Profile 7
17 Als Ergebnis der Analyse der Zeilerofile erhält man die ersten beiden Hautachsen a = 038, a 2 = Die erste Achse ist im Wesentlichen Robbery + Assault + AutoTheft vs Theft Die zweite Achse wird dominiert von Burglary Projektionen der Zeilenrofile auf erste beiden Hautachsen: MS AR NC NM OK 2 Hautachse NV CA MD MI GA AL KY LA OH WV TN SC FL TX IN IA AZ DE KS ID MA WA MO RI IL CO HI ND NJ SD MN AK PA CT OR NEWI UT WY VA NY MT NH VT ME Hautachse Die Koordinaten der Zeile i in diesem Plot sind F i, F i2, i =,, Nevada und Maine liegen an entgegensetzten Enden der ersten Achse, Missouri liegt ziemlich in der Mitte, Wisconsin und Utah liegen nicht mittig, aber nah bei einander 8
18 Nun das ganze nochmal mit der Saltenunktewolke 74 Analyse der Saltenunktewolke Die Saltenunktewolke ist gegeben durch NJ = {c j,, j =, 2,, q}, mit c j = c j, c 2j,, c j = fj, χ 2 -Abstand zwischen zwei Saltenunkten j und j : d 2 χc j, c j = f i+ c ij c ij 2 = f 2j,, f i+ f j, j =, 2,, q fij f i+ f ij f i+ Transformierte Saltenunkte zwecks Nutzung der Euklidischen Distanz: N J = {c j,, j =, 2,, q}, mit c j = c j,, c j = cj f+,, c j = f+ f j f+,, Schwerunkt der transformierten Salten N J : c = f +,, f + Zentrierung der transformierten Punktewolke: N J = {y j,, j =, 2,, q}, mit y j = y j,, y j = f j f+ f +,, 2 f j f+ f j f + f+ Koordinate von y j auf Achse mit Richtung b l = b l,, b lq : Skalarrodukt G jl = y ijb li Koordinaten auf Achsen mit Richtungsvektoren b, b 2,, b : G j = G j, G j2,, G jq Definition 724 Die Trägheit der Achse l ist die Summe der Trägheiten der auf die Achse rojizierten Punkte, gewichtet mit der quadrierten Euklidischen Distanz, q I l = 2 Gjl = j= q 2 y ij b li j= Definition 725 Sei Y = y ij die Matrix der zentrierten Saltenunkte, und D J = diag f +,, f +q die Diagonalmatrix mit den Gewichten der Saltenunkte Wir definieren die Trägheitsmatrix der Saltenunkte als die Matrix S = YD J Y Das i, j Element dieser Matrix ist s ij = q k= f +ky ik y jk Es gilt: I l = b l Sb l 9
19 Definition 726 Die Hautachse der Saltenunktewolke ist die Achse, welche die Trägheit der Saltenunkte maximiert Die Hautachse erhält man somit als Lösung des Problems Max! I = b Sb udnb b b = Dank Satz 45 der HKA ist das Maximum gleich dem größten Eigenwert λ von S, und der Richtungsvektor b ein normierter Eigenvektor zu λ Definition 727 Die l-te Hautachse mit Richtungsvektor b l ist eine unter allen zu allen vorherigen Hautachsen b, b 2,, b l orthogonale Achse mit maximaler Trägheit Die Trägheit der l-ten Hautachse ist λ l, der l-te Eigenwert von S, und der Richtungsvektor b l ein normierter Eigenvektor hierzu, l =, 2,, Proosition 728 c = f +,, f + ist ein Eigenvektor von S zum Eigenwert 0 Somit ist c orthogonal zu allen Hautachsen b l von S, d h c b l = q j= fi+ b lj = 0 Trägheit der auf die Achse b l rojizierten Punkte: I l = q 2 y ij b li = j= q j= f ij fi+ b li 2 = q j= f ij fi+ b li 2 Mit der Matrix S = X X, wobei X = x ij und x ij = Achse l I l = q 2 xij b li = b l X X b l = b l S b l j= f ij fi+, gilt für die Trägheit der Fazit bisher: Aus Tabelle der relativen Häufigkeiten mit Einträgen f ij wird die Matrix X = xij mit Einträgen x ij = bestimmt f ij fi+ 20
20 Analyse der Zeilenunktewolke: Sektralzerlegung von T = X X Die Eigenvektoren zu den Eigenwerten 0 und werden ignoriert, die restlichen absteigend geordnet nach der Größe der zugehörigen Eigenwerte als Hautachsen genommen Analyse der Saltenunktewolke: Sektralzerlegung von S = X X Die Eigenvektoren zu den Eigenwerten 0 und werden ignoriert, die restlichen absteigend geordnet nach der Größe der zugehörigen Eigenwerte als Hautachsen genommen Beisiel 729 US crime data Fortsetzung von Bs 723 Burglary 2 Hautachse AutoTheft Murder Assault Rae Theft Robb Hautachse Die Koordinaten der Salte j in diesem Plot sind G j, G j2, i =,, q 2
21 75 Gemeinsame Analyse Es sollen die Eigenwerte und -vektoren von S = X X und T = X X berechnet werden Erinnere an Satz 30 Singulärwertzerlegung: Die Matrix X lässt sich schreiben als X = BΛ /2 A, wobei Λ eine Diagonalmatrix mit den von 0 verschiedenen Eigenwerten von S = X X und T = X X ist, A die normierten Eigenvektoren von T als Salten und B die normierten Eigenvektoren von S als Salten enthält Die von 0 verschiedene Eigenwerte von S = X X und T = X X sind gleich Es gibt r = min{, q} von 0 verschiedene EWe von S und T Den EW, welcher dem EW 0 von S bzw T entsricht vernachlässigen wir, so dass wir r = min{, q } Hautachsen haben Korollar 730 Beziehung zwischen den Eigenvektoren von S und T : a l = λl X b l, b l = λl X a l Daraus folgt für die Koordinaten auf den Hautauchsen: G jl = λl f ij F il, F il = λl q j= f ij f i+ G jl, l =,, r In Worten: die Koordinate G jl des Saltenunktes c j auf der l-ten Hautachse ist gewichtetes Mittel der Koordinaten F il der Zeilenunkte auf der entsrechenden Achse, mit Faktor / λ l und Gewichtung durch das Saltenrofil c j analog für die Zeilenunkte 22
22 Gemeinsame Grahik der Zeilen- und Saltenrofile Präsentation der Punkte F i, F i2, i =,,, und G j, G j2, i =,, q, in einem gemeinsamen Koordinatensystem Mit Korrolar 730 ist Koordinate des jten Saltenunktes auf der lten Achse: G jl = f j λl F l + f 2j λl F 2l + + f j λl F l, l =,, r, oder in Vektorform Beschränkung auf r = 2: G j = G j2 f j F + F λl λl F 2 f 2j F 22 f j λl F 5 F 2 Etwas Geometrie-Background: Mit F il = F il/ λ l, i =,, ist G jl = f j F l + f 2j F 2l + + f j F l, l =,, r, oder in Vektorform Beschränkung auf r = 2: G j G j2 = f j F F2 + f 2j F 2 F f j F F2 6 Jeder Saltenunkt G j, G j2 ist eine Konvexkombination der Punkte F i, F i2, i =,,, d h er liegt in ihrer konvexen Hülle Liegen G j, G j2 und F i, F i2 in der Grahik nah beieinander insb gleiche Richtung vom Ursrung, so hat G j, G j2 in der Konvex-Kombination 6, und damit auch in 5 ein hohes Gewicht, d h f ij ist verglichen mit den anderen Werten innerhalb der jten Salte c j groß Mit analoger Argumentation bei Vertauschung der Rollen von F ij und G ij : Liegen G j, G j2 und F i, F i2 in der Grahik nah beieinander, so erhält F i, F i2 in der Linearkombination der G k, G k2, k =,, q ein relativ 23
23 hohes Gewicht, f ij ist auch im Vergleich zu den anderen Werten in der i-ten Zeile relativ groß Fazit: Wenn in der gemeinsamen Grafik r i und c j nahe beieinander liegen genauer: ihre Projektionen auf die jeweiligen ersten beiden Hautachsen, so besteht eine Korresondenz zwischen diesem Zeilen- und Saltenunkt Beisiel 73 Hautachsenkoordinaten der Saltenunkte aus Bs 73: Koordinaten der Saltenunkte in ihren Hautachsen aus der Tafel der Saltenrofile und den Koordinaten der Zeilenunkte in allen Hautachsen Koordinaten des ersten Saltenunktes, G = G, G 2, G = G 2 = [ ] = 087, [ ] = 007 Koordinaten des zweiten Saltenunktes: G 2 = G 2, G 22, G 2 = G 22 = [ ] = 035, [ ] = 0672 Koordinaten des dritten Saltenunktes: G 3 = G 3, G 32, G 3 = G 32 = [ ] = 0289, [ ] = 044 Koordinaten des vierten Saltenunktes: G 4 = G 4, G 42, G 4 = G 42 = [ ] = 0, [ ] =
24 Beisiel 732 US crime data Fortsetzung von Bs 723 MS Burglary AR NC NM OK 2 Hautachse NV AutoTheft CA Robb MI Murder Assault MD GA AL KY LA OH WV TN SC FL IN TX IA Rae AZ ID MA DE WA KS MO RI Theft IL CO HI ND NJ SD PA MN AK CT OR NE WI UT WY VA NH VT ME NY MT Hautachse Die Koordinaten der Zeile i in diesem Plot sind F i, F i2, i =,,, die Koordinaten der Salte j sind G j, G j2, i =,, q Wichtig: Vorzeichen von a l und b l müssen assen, d h die Beziehung aus Korrolar 730 muss erfüllt sein Führt man Eigenwertzerlegungen von T und S unabhängig von einander durch, so kann es assieren, dass man a l = λ /2 l X b l erhält Also besser: die kleinere von beiden Matrizen sektralzerlegen und die Eigenvektoren der anderen mit Korrolar 730 bestimmen 25
25 Burglary 2 Hautachse AutoTheft Murder Assault NV CA AR MS NM NC OK MIGAAL SC TN LA AZ DE FL WV OH INIA KY Rae TX ID ILCO KS ME MD MA MO HI AK NJ ND CT PA RI VT WA OR NE WI MN UT SD NH NY VA MT WY Theft Robb Hautachse Die Koordinaten der Zeile i in diesem Plot sind F i, F i2, i =,,, die der Salte j sind G j, G j2 = G j/ λ, G j2 / λ 2, i =,, q Zusammenfassung grahische Darstellungen Wolke der Zeilenunkte F i bezüglich ihrer Hautachsen, i =,, 2 Wolke der Saltenunkte G j bezüglich ihrer Hautachsen, j =,, q Benachbarte Zeilenunkte Saltenunkte haben ähnliche Profile, weit auseinanderliegende Punkte sehr verschiedene Profile rel Häufigkeiten 26
26 Ursrung ist das Mittel aller Faktoren; Punkte nahe am Ursrung haben ein durchschnittliches Profil 3 Simultane Darstellung der Zeilen- und Saltenunkte im gemeinsamen Raum Nachbarschaft eines Zeilen- und eines Saltenunktes bedeutet, dass diese Zeile / Salte hohes Gewicht an der Salte / Zeile hat; weit auseinanderliegende Zeilen / Salten teilen kaum gemeinsame Beobachtungen Wahl der Anzahl der Hautachsen a Anteil der erklärten Trägheit 75%: Trägheit der l-ten Hautachse ist l-ter Eigenwert λ l Totale Trägheit ist die Summe der Trägheiten aller Achsen: INI = r λ i Anteil der durch l-te Achse erklärte Trägheit: λ l / r λ i Anteil der durch erste r Hautachsen erklärten Trägheit: r λ i r λ i b Scree-Grah 27
27 76 Weitere Maßzahlen Trägheit der l-ten Achse: λ l = Trägheit des i-ten Zeilenunktes: f i+ Fil 2 = q Gjl 2, j= IF i = f i+ d 2 ef i, 0 = f i+ F if i = f i+ A x i A x i = f i+ x ix i = Ix i, wobei A die Eigenvektoren a,, a q von T als Salten hat Orthogonalmatrix Der relative Beitrag des i-ten Zeilenunktes zur Trägheit der l-ten Achse ist b z i,l = f i+f 2 il λ l Der relative Beitrag des j-ten Saltenunktes zur l-ten Achse ist b s j,l = G 2 jl λ l Kategorien mit höheren Beiträgen sind wesentliche Bestandteile der Achse und erlauben die Interretation der Hautachsen Der relative Beitrag der l-ten Achse zur Trägheit des i-ten Zeilenunktes ist ci,l z = F2 il F i F i Relativer Beitrag der l-ten Achse zur Trägheit des j-ten Saltenunktes: c s j,l = G2 jl G j G j Die relativen Beiträge geben an, wie gut die Punkte durch die Hautachsen reräsentiert werden 28
28 Ein Zeilenunkt i ist akzetabel reräsentiert durch die Hautachsen, wenn für die Kommunalitat gilt: r ci,l z 06 l= Beisiel 733 Relative Beiträge der Zeilen- und Saltenunkte zu den Trägheiten der Hautachsen in Beisiel 73 Koordinaten Relativer Beitrag Saltenunkt Gewicht Dim Dim 2 Dim Dim 2 A B C D Koordinaten Relativer Beitrag Zeilenunkt Gewicht Dim Dim 2 Dim Dim Relative Beiträge der Zeilenunkte in Beisiel 73 rel Beitrag Saltenunkt Dim Dim 2 Total A B C D
29 Beisiel 734 Fortsetzung von Bs 723 l λ l l λ i r λ i Eigenwerte Hautachsen Die Anteile der ersten beiden Achsen an den einzelnen Zeilenunkten: AL 096 HI 07 MA 007 NM 054 SD 042 AK 07 ID 06 MI 066 NY 060 TN 09 AZ 05 IL 029 MN 082 NC 093 TX 073 AR 087 IN 068 MS 085 ND 049 UT 059 CA 094 IA 064 MO 028 OH 048 VT 09 CO 022 KS 052 MT 072 OK 076 VA 089 CT 082 KY 080 NE 079 OR 053 WA 009 DE 004 LA 034 NV 094 PA 058 WV 080 FL 09 ME 086 NH 089 RI 033 WI 090 GA 060 MD 086 NJ 053 SC 0 WY
30 MO DE Murder Rae Robb Assault Theft AutoTheft Murder Rae Robb Assault Theft AutoTheft WA MA Murder Rae Robb Assault Theft AutoTheft Murder Rae Robb Assault Theft AutoTheft Die Staaten Missouri, Delaware, Washington und Massachusetts liegen im Plot 732 in der Mitte Ihre Profile sind aber verschieden nah am Zeilenschwerunkt, sie werden unterschiedlich gut durch die ersten beiden Achsen erklärt MO 28% im Vergleich zu mageren 4% bei Delaware 3
Preisliste w a r e A u f t r a g 8. V e r t r b 8. P C K a s s e 8. _ D a t a n o r m 8. _ F I B U 8. O P O S 8. _ K a s s a b u c h 8. L o h n 8. L e t u n g 8. _ w a r e D n s t l e t u n g e n S c h
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.
MehrKundenNutzen, Schnelligkeit, Liquidität
KundenNutzen, Schnelligkeit, Liquidität SCHEIDEANSTALT neu definiert KÖLN NTR METALS VERFÜGT ÜBER MEHR ALS 50 STANDORTE IN EUROPA UND DEN USA UND BEDIENT SOMIT DIE ANFORDERUNGEN VON MEHR ALS 20 000 UNTERNEHMEN
MehrInternationale Erfahrungen der aktiven. Einbindung der Nachfrage. Input für die deutsche Diskussion. Berliner Energietage 2013
Internationale Erfahrungen der aktiven Einbindung der Nachfrage Input für die deutsche Diskussion Berliner Energietage 2013 Meg Gottstein /Andreas Jahn 15. Mai 2013 The Regulatory Assistance Project Rosenstrasse
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrWirtschaftswissenschaften - MBA-Programme in den USA
Universität / Schule Arizona State University, W. P. Carey School of Business, Tempe, AZ E-mail: wpcareymba@asu.edu Babson College, F.W. Olin Graduate School of Business, Wellesley, MA E-mail: mbaadmission@babson.edu
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
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:
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
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
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
Mehr2 Lösungen "Peptide de novo Sequencing"
Lösungen "Peptide de novo Sequencing". Algorithm : PeptideSequencingOnlySux Input: a spectrum M with array of masses M = {m, m,, m n }, Σ, µ : Σ R >0 Output: the peptide string of the spectrum begin peptide
MehrBONUS MALUS SYSTEME UND MARKOV KETTEN
Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,
MehrVorlesung 12 22. bzw. 23. Januar 2014. Determinanten 1. Cramersche Regel
Vorlesung 2 22 bzw 23 Januar 204 Lineares Gleichungssystem a a 2 b b 2 = F a a 2 a 3 b b 2 b 3 c c 2 c 3 = V V =< a, b c > c b a b a F V Seite 70 a x + a 2 x 2 + a 3 x 3 b = 0 < a x + a 2 x 2 + a 3 x 3
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
Mehr1000 Dinge, an die zu denken ist, wenn Microsoft Office SharePoint Server 2007 implementiert werden soll
1000 Dinge, an die zu denken ist, wenn Microsoft Office SharePoint Server 2007 implementiert werden soll 1 0 0 0 Di n g e, a n di e z u d e n k e n ist, w e n n M i c r o s o f t O f f i c e S h a r e
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
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
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
MehrKAPITEL 4. Lineare Ausgleichsrechnung Beispiel 4.1. Das Ohmsche Gesetz: U = RI. Eine Meßreihe von Daten:
KAPITEL 4 Lineare Ausgleichsrechnung Beispiel 41 Das Ohmsche Gesetz: Eine Meßreihe von Daten: U = RI (U i, I i ) (Spannung, Stromstärke), i = 1,, m Aufgabe: man bestimme aus diesen Meßdaten den Widerstand
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
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrJetzt auch als E-Journal 5 / 2013. www.productivity-management.de. Besuchen Sie uns: glogistikprozesse. Logistiktrends.
Jv J -J J J -J -J L L L L L 5 v- - v Nv - v v- IN 868-85 x OUCTIV % G - IN 868-85 L v JN868-85 I J 6 8-85 v- IN 8 -- IZ G T 5 ß G T 68-8 Fä ßvU 8V G T % IN G L ßv ß J T NLGTTGI 5 V IV Fx v v V I ö j L
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
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
MehrEntscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?
Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrIV. Spieltheorie. H. Weber, FHW, OR SS07, Teil 7, Seite 1
IV. Spieltheorie 1. Gegenstand der Spieltheorie 2. Einführung in Matrixspiele 3. Strategien bei Matrixspielen 4. Weitere Beispiele 5. Mögliche Erweiterungen H. Weber, FHW, OR SS07, Teil 7, Seite 1 1. Gegenstand
MehrStrahlenschutzverordnung
Strahlenschutzverordnung (StSV) Änderung vom 15. November 2000 Der Schweizerische Bundesrat verordnet: I Die Strahlenschutzverordnung vom 22. Juni 1994 1 wird wie folgt geändert: Art. 9 Kommission für
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
MehrKlausur 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
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.
MehrFREUZEITSPORT mit Union Trendsport Weichberger 2012 Nr. 2 - P.b.b. 05Z036131 S 3100 St. Pölten, Fuhrmannsgasse 9/7, (ZVR: 887639717)
RUZITORT Ui T Wi 0-05Z0363 300 öl 9/7 (ZVR 88763977) L i i L*ROMOTIO W D GH 35 Kff/i U Oß 7 Tl +43 676 700 30 90 -il ffi@li UID TU994940 9366 LG öl 0 l iöi öl Iil l Mli ÖT i i K f i ö Oi 0 75 5 l 85 0
MehrKleiner Satz von Fermat
Kleiner Satz von Fermat Satz Kleiner Satz von Fermat Sei p P. Dann gilt a p a mo p für alle a Z. Wir führen zunächst eine Inuktion für a 0 urch. IA a = 0: 0 p 0 mo p. IS a a+1: Nach vorigem Lemma gilt
MehrReproduzierbarkeit der Bachelor-Thesis
der Bachelor-Thesis Anonymisierungsverfahren: Randverteilungen und ihr statistisches Analysepotential Seminar Institut für Statistik Ludwig-Maxmilians-Universität in München Betreuung: Manuel J. A. Eugster
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
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
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
MehrLineare Algebra - alles was man wissen muß
Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger
Mehr5. Vorlesung. Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung
5. Vorlesung Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung Seite 120 The Ranking Problem Eingabe: D: Dokumentkollektion Q: Anfrageraum
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
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
Mehr16. All Pairs Shortest Path (ASPS)
. All Pairs Shortest Path (ASPS) All Pairs Shortest Path (APSP): Eingabe: Gewichteter Graph G=(V,E) Ausgabe: Für jedes Paar von Knoten u,v V die Distanz von u nach v sowie einen kürzesten Weg a b c d e
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)
Mehr1 F r e q u e n t l y A s k e d Q u e s t i o n s Was ist der Global Partner Event Calendar (GPEC)? D e r g l o b a l e V e r a n s t a l t u n g s k a l e n d e r f ü r P a r t n e r i s t e i n w i c
MehrFortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum
Fortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum Peter Fleissner (Version 05.02.2008) Bisher wurde die Rechung nur mit zirkulierendem konstantem Kapital durchgeführt. Die
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),
MehrSemidiskretisierung der PDA-Systeme
Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.
MehrSechs Module aus der Praxis
Modu l 1 : V o r b e r e i tung für d a s Re i te n L e r n s i tuatio n : De r e r ste Ko n ta k t K i n d u n d P fe r d d a r f : 1 2 0 m i n. D i e K i n d e r so l l e n d a s P f e r d, s e i n e
MehrCORNELIUS DÄMMRICH AUSBILDUNG / KÖNNEN 01 / 09 ICH BIN 24 JAHRE ALT UND LEBE IN KÖLN.NACH ABSOLVIERTE ICH 2012 EIN BACHELORSTUDIUM UNFOLD 3D
01 / 09 CORNELIUS DÄMMRICH AUSBILDUNG / KÖNNEN ICH BIN 24 JAHRE ALT UND LEBE IN KÖLN.NACH S O F T WA R E MEINER P H O T O S H O P, I N D E S I G N, A F T E R E F F E C T S, P R E M I E R E AUSBILDUNG ZUM
MehrChemische Bindung. Wie halten Atome zusammen? Welche Atome können sich verbinden? Febr 02
Chemische Bindung locker bleiben Wie halten Atome zusammen? positiv Welche Atome können sich verbinden? power keep smiling Chemische Bindung Die chemischen Reaktionen spielen sich zwischen den Hüllen der
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,
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
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
MehrComputer-Graphik 2 Visibility Computations II Culling
lausthal omputer-raphik 2 Visibility omputations II ulling lausthal University, ermany zach@in.tu-clausthal.de Klassifikation (Erinnerung) Problemklassen innerhalb des Bereichs "Visibility omputations":
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 58 Angewandte Multivariate Statistik Correspondence Analysis Motivation Korrespondenzanalyse
MehrMinimale Darstellungen, Kommutator- und Fixräume, projektive Geometrie
Notation Die in dieser Arbeit verwendete Notation ist im Wesentlichen Standard, so wie sie beispielsweise in [As] zu nden ist. Einige Abweichungen hiervon, Klarstellungen und zusätzliche Notationen (sofern
MehrInduktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010
Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver
MehrIm Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.
Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre
MehrRechtsextremismus und demokratiegefährdende Phänomene in Berlin-Marzahn-Hellersdorf und Möglichkeiten der demokratischen Intervention
23 Rechtsextremismus und demokratiegefährdende hänomene in Berlin-Marzahn-Hellersdorf und Möglichkeiten der demokratischen Intervention Bea Dorn, Silke Meier, Desirée ilz, Kerstin Sischka Moritz Blanke,
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrDie Verbindung privater mit ö f f entl ic h er I nf o rmatio n "On the stock market it is b etter to b e rig ht f or the w rong reason than to b e w rong f or the rig ht reason. " Paulos (2003 Eine Konsequenz:
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
Mehr(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n
Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)
MehrDie Austauschprogramme der Freien Universität Berlin
Musterbild Die Austauschprogramme der Freien Universität Berlin - Internationale Studierendenmobilität FU Berlin - Direktaustausch, DAAD & PROMOS Stand: Oktober 2014 Erste Informationen: Online & Broschüre
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
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
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrPortfoliorisiko und Minimum Varianz Hedge
ortfoliorisiko und Minimum Varianz Hedge Vertiefungsstudium Finanzwirtschaft rof. Dr. Mark Wahrenburg Überblick Messung von Risiko ortfoliodiversifikation Minimum Varianz ortfolios ortfolioanalyse und
MehrClusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung
Mehr3. Ulmer Robotertag 4. März 2010
servicerobotik autonome mobile Serviceroboter 3. Ulmer Robotertag Andreas Steck and Christian Schlegel ZAFH Servicerobotik Institut für Informatik Hochschule Ulm http://smart-robotics.sourceforge.net/
MehrMatrixalgebra. mit einer Einführung in lineare Modelle. Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@stat.uni-muenchen.
Matrixalgebra mit einer Einführung in lineare Modelle Stefan Lang Institut für Statistik Ludwigstrasse 33 email: lang@statuni-muenchende 25 August 24 Vielen Dank an Christiane Belitz, Manuela Hummel und
MehrVisualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher
Hauptseminar SS11 Inhalt Einführung zu hochdimensionalen Daten Visualisierungsmöglichkeiten dimensionale Teilmengen dimensionale Schachtelung Achsenumgestaltung Algorithmen zur Dimensionsreduktion Zusammenfassung
MehrHerzlich Willkommen ! " $' #$% (!)% " * +,'-. ! 0 12" 12'" " #$%"& /!' '- 2! 2' 3 45267 2-5267
Page 1/1 Herzlich Willkommen! " #$%"&! " $' #$% (!)% " * +,'-. /!' '-! 0 12" 12'" 2! 2' 3 45267 2-5267 -26 89 : 9; ;/!!' 0 '6'!!2' 2(' '' ' &! =>! = / 5,?//'6 20%! ' 6', 62 '! @ @! &> $'( #'/
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
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
MehrEinführung in die Kodierungstheorie
Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht
MehrEngineering Design via Surrogate Modelling Sampling Plans
Engineering Design via Surrogate Modelling Sampling Plans Lisa Weber Universität Trier 01.06.2011 L. Weber (Universität Trier) Surrogate Models - Seminar Numerik 11 01.06.2011 1 / 34 Inhaltsverzeichnis
MehrGeometrische Maße oder,... wie kann man quantitative Aussagen über geometrische Objekte erhalten?
In der euklidischen Geometrie der Mittelstufe ging es zumeist um geometrische Konstruktionen und um qualitative Aussagen über geometrische Objekte in Bezug zueinander. Möchte man, insbesondere im dreidimensionalen
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrÜbungsaufgaben LAAG I. für Lehramtsstudenten GS, MS, BS
Doz.Dr. Norbert Koksch TU DRESDEN Fachrichtung Mathematik, Institut für Analysis Übungsaufgaben LAAG I für Lehramtsstudenten GS, MS, BS Logik: Übungsaufgabe 1. Begründen Sie, ob es sich um eine Aussage
MehrProjektive Moduln. Lemma/Definition 1.1. Folgende Aussagen für einen R-Modul P sind äquivalent: (i) P erfüllt folgende Liftungseigenschaft:
Seminar Summen von Quadraten und K-Theorie Projektive Moduln Im Folgenden sei R ein assoziativer Ring mit Eins, nicht notwendigerweise kommutativ. R-Modul ist im Folgenden stets ein Rechts-R-Modul. Ein
MehrPotentialanalyse EU-F ö r d er u ng - ein Werkstattbericht - Grundlinien des Instruments - P l a n u n g s s t a n d D e z e m b e r 2 0 0 7 - D r. J e n s -P e t e r G a u l, K o W i KoWi Koordinierungsstelle
MehrSO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
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
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
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
MehrDeutsche Rentenversicherung Deutsche Sozialversicherung und Europarecht im H inb lick auf und ausländische d ie A l terssicherung W anderarb eitnehm er/ innen m o b il er W issenscha f tl er Aktuelle Entwicklungen
MehrEntwurf robuster Regelungen
Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrY=0 Y=2 Y=1. Druckbegrenzungsventile direktgesteuert EINSTELLUNG FEDER. Seite V.01.01.00 TYP VM 35 ART. 900F111220YZ000 SYMBOL VENTILSITZ : CFH003
Seite V... VM AR. 9F - AMSGEEICHNEE SABILIAE - SEHR NIEDRIGE HSERESE - FILRIERUNG : 5 µm - LECÖKL : NULL - ANUGSDREHMOMEN : 5 Nm - DURCHFLUSS MAX. : L/min - DRUCK MAX. : bar - GEWICH :, Kg 7 8 4 9 5 =
MehrAuswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
MehrBlack Jack - Kartenzählen
Black Jack - Kartenzählen Michael Gabler 24.01.2012 Literatur: N. Richard Werthamer: Risk and Reward - The Science of Casino Blackjack, Springer Black Jack - Kartenzählen 1 Wie zähle ich Karten? Historisches
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
Mehr