INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen
|
|
- Lars Fuhrmann
- vor 6 Jahren
- Abrufe
Transkript
1 INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen
2 Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore, Statstk, Numerk: Fehlerfortpflanzung, Näherungsverfahren, 2
3 Lneare Algebra Vektoren Vektor: x x x 1 m [ x x ] 1 m T x Vektorsumme: n x 1 x x 11 n1 1m x x nm x x 2 1 x x x x 3 Skalarprodukt: y, x x, y x y T x, y x y cos m 1 xy x y 3
4 Lneare Algebra Matrzen Matrx: x11 x1 n x11 xm 1 [ x1 xn] x x x x m1 mn 1n mn T Matrxsumme: Matrxprodukt: x11 y11 x1 n y1 n Y x m1 ym 1 xmn y mn n n x1 y 1 x1 yk x11 x1 n y11 y 1k 1 1 Y Y x x y y n n m1 mn n1 nk xm y 1 xm y k 1 1 4
5 Lneare Algebra Geometre Hyperebene: H w Hw x f x x w w T { ( ) 0 0} w z f ( z) w Ellpsod: w 0 w EA x x x Ax T { g( ) 1} 5
6 Lneare Algebra Matrx-Egenschaften Quadratsch: Symmetrsch: Spur (trace): Rang (rank): Determnante: Postv defnt: n m A A T m tr( A) a 1 T x Ax 0 x 0 a A a 11 1n rk( A) #lnear unabhänger Zelen/Spalten det( A) 0 falls alle Zelen/Spalten lnear unabh. m1 a a mn 6
7 Lneare Algebra Spezelle Matrzen Ens-Vektor/-Matrx: Enhetsvektor: Dagonalmatrx: Enhetsmatrx: , T e [ ] 1 dag( a) [ a e a e ] a 1 1 m m 1 0 Idag() a 0 m 7
8 Lneare Algebra Matrx-Faktorserung LU-Zerlegung (m = n): A l11 0 u11 um 1 LU l l 0 u m1 mm mm T Cholesky-Zerlegung (m = n): A GG Egenwert-Zerlegung (m = n): T exstert nur falls Matrx A symmetrsch und postv defnt 1 0 T T T 1 falls A VΣV [ v1 vm] [ v1 vm] v v j 0 falls 0 m j j Egenvektoren Egenwerte falls Matrx A symmetrsch 8
9 Lneare Algebra Matrx-Faktorserung Sngulärwert-Zerlegung (m > n): Sngulärwerte 0 1 falls vv j 0 falls 0 1 falls uuj 0 0 falls 1 T T T AUΩV [ u1 um] [ v1 vn] n T Berechnung durch Egenwert-Zerlegung: j j j j T 0 T T T A A U U, AA V, 0 V n 0 n 0 0 9
10 Analyss Dstanzen Defnton: d( x, y) 0 x y d( x, y) d( y, x) d( x, y) d( x, z) d( z, y) Bespele für Vektor-Dstanzen bzw. Normen: Mnkowsk-Dstanz: Manhattan-Dstanz: Eukldsche Dstanz: Bespel für Matrx-Dstanzen: Schatten-Dstanz: Trace-Dstanz: Frobenus-Dstanz: x m y p x p 1 x y x y 1 2 m Y p p 1 tr p Y Y Y Y F 1 2 y p Norm von x: x d( x, 0) Sngulärwerte der Matrx Y Norm von : d(,0) 10
11 Analyss Dfferentalrechnung Erste Abletung ener Funkton: Nach enem Skalar x: Nach enem Vektor x: df f dx f f x f grad ( f ) x1 xm T Zwete Abletung ener Funkton: Nach enem Skalar x: Nach enem Vektor x: Gradent Partelle Abletung f 2 d f dx x1 x1x m 2 f H ( f ) x 2 2 Hesse-Matrx f f f xmx1 x f 2 m 11
12 Analyss Integralrechnung Integral ener Funkton: Über enem Skalar x: Über enem Vektor x: Bestmmtes Integral: Umkehroperaton: Fx f ( x)dx F f x x f x x x x b a ( )d ( )d 1 d m f ( x)d x F ( b) F ( a) f( x) d dx F x x x Berechnung analytsch durch Integratonsregeln oder numersche Approxmaton (Quadraturformeln). 12
13 Analyss Konvexe & konkave Funktonen Konvexe Funkton: f ( tx (1 t) y) tf ( x) (1 t) f ( y) Konkave Funkton: f ( tx (1 t) y) tf ( x) (1 t) f ( y) Streng konvex bzw. konkav: bzw. wrd zu bzw.. Es exstert maxmal en Mnmum bzw. Maxmum. Zwete Abletung st überall postv bzw. negatv. Tangente an f(x) st untere bzw. obere Schranke von f. 13
14 Optmerung Defntonen Optmerungsaufgabe (OA): f Zelfunkton. S zulässger Berech (defnert durch Nebenbedngungen). f * Optmalwert. x * optmale Lösung. En x S wrd zulässge Lösung genannt. Konvexe Optmerungsaufgabe: Zelfunkton und zulässger Berech konvex. Lokales Optmum = globales Optmum. * * f f x x f x xs xs mn ( ) mt arg mn ( ) 14
15 Optmerung Egenschaften Notwendge Optmaltätskrteren für x * : Wenn f n x * * dfferenzerbar st, dann st ( ) 0. Wenn f n x * zwemal dfferenzerbar st, dann st ene postv (sem-)defnte Matrx. OA ohne Nebenbedngungen: S m OA mt n Nebenbedngungen: m S { x g ( x) 0, g ( x) 0, 1... k, j k 1... n} j f x x 2 f * x ( x ) 15
16 Optmerung Lagrange-Ansatz Lagrange-Ansatz für konvexe Optmerungsaufgabe mt Nebenbedngungen: Zulässger Berech: Lagrange-Funkton: Dualtät: m S { x g ( x) 0, g ( x) 0, 1... k, j k 1... n} n 1 L( x, α) f ( x) g ( x) * f f L L xs m m x 0 0 x mn ( x ) mn max ( x, α ) max mn ( x, α ) j Wegen Konvextät von f, g und g j Prmale OA: Duale OA: f ( ) p x f ( α) f( x) falls x S mn f ( ) mt ( ) m p x fp x x falls x S max f ( α) mt f ( α) mn L( x, α) 0 d d x m d 16
17 Stochastk Wahrschenlchketstheore Zufallsexperment: Defnerter Prozess n dem ene Beobachtung ω erzeugt wrd (Elementareregns). Eregnsraum Ω: Menge aller möglchen Elementareregnsse; Anzahl aller Elementareregnsse st Ω. Eregns A: Telmenge des Eregnsraums. Wahrschenlchket P: Funkton welche Wahrschenlchketsmasse auf Eregnsse A aus Ω vertelt. P( A) : P A 17
18 Stochastk Wahrschenlchketstheore Wahrschenlchketsfunkton = normertes Maß defnert durch Kolmogorow-Axome. Wahrschenlchket von Eregns A : 0 PA ( ) 1 Scheres Eregns: P( ) 1 Wahrschenlchket dass Eregns A oder Eregns B entrtt mt A B (bede Eregnsse snd nkompatbel): P( A B) P( A) P( B) Allgemen glt: P( A B) P( A) P( B) P( A B) 18
19 Stochastk Satz von Bayes Für zwe unabhängge Zufallsexpermente glt: Wahrschenlchket dass Eregns A (m ersten Experment) und Eregns B (m zweten Experment) entrtt st P( A, B) P( A) P( B) Allgemen glt: P( A, B) P( A B) P( B) Bedngte Wahrschenlchket: Wahrschenlchket von A unter der Bedngung dass B engetreten st. Wahrschenlchket dass Eregns B entrtt. Satz von Bayes: P( A, B) P( B, A) P( A B) P( B) P( B A) P( A) P( A B) P( B A) P( A) PB ( ) 19
20 Stochastk Zufallsvarablen Zufallsvarable st Abbldung enes elementaren Eregnsses auf enen numerschen Wert, : bzw. auf enen m-dmensonalen Vektor, : x x m. Vertelungsfunkton ener Zufallsvarable : P ( x) : P( x) : P({ ( ) x}) Dchtefunkton ener Zufallsvarable : P ( x) p ( a) : P ( a) p ( x)dx Für endlchen Eregnsraum ( Ω < ) glt: p ( x) : P( x) : P({ ( ) x}) x xa a 20
21 Stochastk Informatonstheore Informatonsgehalt der Realserung x enes Zufallsexperments (mt Zufallsvarable ): h ( x) : h( x) Informaton der Realserungen x, y zweer unabhängger Zufallsexpermente (mt Zufallsvarablen, Y): Aus wobe 0 log p ( x, y). h ( x, y) h( x) h( Y y) Y p ( x, y) P( x, Y y) P( x) P( Y y) Y Informatonsgehalt: h ( x) : log p ( x). folgt: log p ( x, y) log P( x) log P( Y y) Y Y 21
22 Stochastk Kenngrößen von Zufallsvarablen Vertelungs- und Dchtefunkton. Werteberech: stetg/dskret, endlch/unendlch,... Erwartungswert (erwartete Realserung): wobe C: { ( ) }. E[ ] ( )d P( ) xp ( x)dx Varanz (erwartete Abwechung vom Erwartungswert): C E ( ) ( ) d P( ) x p ( x)dx Entrope (erwarteter Informatonsgehalt): C H E[ h( )] p( ( ))log p( ( ))d p ( x)log p ( x)dx C 22
23 Stochastk Stochastscher Prozess Stochastscher Prozess: Abbldung (, t) aus T auf Menge der reellen Zahlen de für jedes fxerte tt ene Zufallsgröße t und für jedes fxerte ene gewöhnlche reelle Funkton x(t) darstellt. Jede Zufallsgröße t nmmt für en Zufallsexperment enen Wert x t (Realserung von t ) an. Realserung enes (unvaraten) stochastschen Prozesses = Sequenz von Werten { x : t 1... n}. t 23
24 Stochastk Mathematsche Statstk Annahmen: Datenpunkt x st ene Belegung der Zufallsvarable (Realserung des dazugehörgen Zufallsexperments). Stchprobe von n Datenpunkten x resultert aus n-malger Wederholung des Zufallsexperments. Zel: Bestmmung der Egenschaften von (bspw. Vertelungsfunkton) baserend auf Stchprobe. Entwcklung von Schätz- und Testverfahren für solche Aussagen, z.b.: Schätzer für Parameter von Vertelungsfunktonen. Sgnfkanztests für Aussagen. 24
25 Stochastk Schätzer Idee: Ersetzen der Dchtefunkton 1 Dchte pˆ ( x) : C x1,..., xn. durch emprsche Erwartungswert-Schätzer = Emprscher Erwartungswert (Mttelwert bzw. mttlere Realserung): n 1 xp ( x)d x ˆ xpˆ ( x)dx x n C C 1 Varanz-Schätzer = Emprsche Varanz (mttlere quadratsche Abwechung vom Mttelwert): Erwartungstreuer Schätzer: n 1 n ( )d ˆ ˆ ( )d ( ˆ x p x x x p x x x ) n C C 1 lm fˆ n p f ( x) 25
26 Numerk Überblck Zel: Konstrukton und Analyse von Algorthmen für kontnuerlche mathematsche Probleme falls Kene analytsche Lösung für en Problem exstert, oder Analytsche Lösung ncht effzent gefunden werden kann. Konstruktonsprnzpen: Exakte Verfahren: Exakte Lösung be unendlcher Rechnergenaugket. Näherungsverfahren: Approxmatve Lösung. Analysen: Laufzet, Stabltät/Fehleranalyse und Robusthet. 26
27 Numerk Fehler Fehlerarten: Engabefehler, Messfehler, Rundung auf Maschnengenaugket. Systematsche Fehler (z.b. Dskretserung), Rundungsfehler. Bespele: Addton von x und y mt x y : Logarthmeren/Potenzrechnen: Fehlerfortpflanzung: Summeren n ähnlch großer Zahlen n ln 1e y x 1 a b a b y f (1, n) mt f ( a, b) f a, f 1, b und f ( a, a) x a 27
28 Numerk Anwendungen Lösung lnearer Glechungssysteme. Interpolaton/Approxmaton von reellen Funktonen. Fnden von Extremwerten (Nullstellen, Mnma, Maxma, Sattelpunkte, ) nchtlnearer Glechungen. Numersche Dfferentaton/Integraton. Anfangswert-/Randwertprobleme für Dfferentalglechungen. Egenwertprobleme und Matrx-Faktorserung. 28
29 Numerk Bespel: Nullstellenproblem 0 0 Zel: Fnden von x mt gx ( ) 0. Newtonsches Näherungsverfahren (Newton-Verfahren): xt 1 xt g( xt ) g( xt ) Anwendung: Lösen von Optmerungsaufgabe ohne NB; für optmale Lösung x * * glt xf ( x ) 0 g( x) : xf ( x) : * * 2 * 1 * x t 1 x t x f ( xt ) x f ( xt ) H( f) Quas-Newton-Verfahren: Approxmaton von 1 bzw. H( f). 1 grad ( f ) g 1 29
30 Zusammenfassung Maschnelles Lernen st zum großen Tel de Anwendung von Mathematk aus zahlrechen Gebeten, nsbesondere der Statstk & Optmerung. Inhalt der Veranstaltung st Verstehen, Implementeren und Anwenden von Algorthmen des Maschnellen Lernens. Inhalt der Veranstaltung st NICHT Herleten der zugrunde legenden Mathematk. 30
Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrStatistische Datenanalyse und Optimierung
Statstsche Datenanalyse und Optmerung.0.00 Glederung Vertelungsfunktonen Normalvertelung Normalvertelung mehrerer Vayrablen Abgeletete Vertelungen: χ -Vertelung, Student-t-Vertelung Statstsche ests Fehlerfortpflanzung
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrGrundlagen der Wahrscheinlichkeitsrechnung
Kaptel 1 Grundlagen der Wahrschenlchketsrechnung 1.1 Kombnatork Addtonsprnzp (Summenregel). Es se A = A 1 A 2 A n, wo A ( = 1, 2,..., n) paarwese dsjunkte endlche Mengen snd. Dann st A = A 1 + A 2 + +
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrNeuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .
Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrKapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrKapitel 4: Wahrscheinlichkeitsrechnung und Kombinatorik
Kaptel 4: Wahrschenlchetsrechnung und Kombnator 1 4. Wahrschenlchetsrechnung De Wahrschenlchetsrechung stellt Modelle beret zur Beschrebung und Interpretaton solcher zufällger Erschenungen, de statstsche
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrKapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehr8. MARKOVKETTEN 127. Abbildung 8.1: Reduzible und periodische Markovkette. p ji IIP[X n 1 = j] = [(IIP[X n 1 = j]) j E P ] i. j=0
8. MARKOVKETTEN 17 8. Marovetten Abbldung 8.1: Reduzble und perodsche Marovette 8.1. Homogene Marovetten n dsreter Zet En Prozess {X n : n IIN} hesst homogene Marovette (n dsreter Zet) mt (abzählbarem)
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrStatistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.
Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
MehrOnline Algorithmen. k-server randomisiert Teil II
Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrEntscheidungstheorie Teil 1. Thomas Kämpke
Entschedungstheore Tel Thomas Kämpke Sete 2 Entschedungstheore Tel Inhalt Kompaktensteg Wahrschenlchketsrechnung Wahrschenlchketsmaß auf Grundraum Enfaches Lotto Stochastsche Unabhänggket Verknüpfung von
MehrForschungsstatistik I
Psychologe Prof. Dr. G. Menhardt 2. Stock, Nordflügel R. 02-429 (Perske) R. 02-431 (Menhardt) Sprechstunde jederzet nach Verenbarung Forschungsstatstk I Dr. Malte Perske perske@un-manz.de WS 2008/2009
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
Mehr6. Elektrische Wechselgrössen
Grundlagen der Elektrotechnk GE 2 [Buch GE 2: Seten 72-14] Grundbegrffe Wechselgrössen Perodsche Wechselgrössen Lnearer und quadratscher Mttelwert Der Effektvwert Bezugspfele Verallgemenerte Zetfunktonen
MehrOperations Research II (Netzplantechnik und Projektmanagement)
Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges
MehrUnter der Drehgruppe verstehen wir diegruppe der homogenen linearen Transformationen
Darstellunstheore der SO() und SU() Powtschnk Alexander. Defnton Darstellun Ene Darstellun ener Gruppe G st homomorphe Abbldun von deser Gruppe auf ene Gruppe nchtsnulärer lnearer Operatoren auf enem Vektorraum
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
Mehr9 Diskriminanzanalyse
9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe
MehrIII. Theorie des Haushalts
Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 86 Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 87 III. Theore des Haushalts Unternehmung
MehrPhysikalisches Praktikum PAP 1 für Physiker (B.Sc.) September 2010
Physkalsches Praktkum PAP 1 für Physker (B.Sc.) September 010 (Kurze) Enführung n de Grundlagen der Fehlerrechnung oder besser: Bestmmung von Messunscherheten Step nsde, lades & gentlemen, sad the museum
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrA robust algorithm for point set registration using mixtures of gaussians
A robust algorthm for pont set regstraton usng mxtures of gaussans von Robert Pyttel Inhalt 1 Enletung 54 1.1 Regstrerung........................................... 54 1.2 Zusammenhang/Verwendung n der
MehrLagrangesche Mechanik
Kaptel Lagrangesche Mechank De Newtonsche Mechank hat enge Nachtele. 1) De Bewegungsglechungen snd ncht kovarant, d.h. se haben n verschedenen Koordnatensystemen verschedene Form. Z.B., zwedmensonale Bewegungsglechungen
MehrStochastik - Kapitel 4
Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
Mehr3.1 Grundlagen der Multivariaten Modellierung
Semnar: Quanttatves Rskomanagement Multvarate Moelle I Prof: Hanspeter.Schml Betreuung: Jula Esenberg Zhou,Yng 3. Multvarate Moelle I Fnanzelle Rskomoelle für en Absatzmarkt oer für Kretrsken sn grunsätzlch
MehrDynamik starrer Körper
Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt
Mehr3.2 Bewertung sozialer Zustände
u Kaptel 3: Wohlfahrtstheoretsche Grundlagen 3.2 Bewertung soaler Zustände Gesellschaft habe ndvduen, ndex 1,2,..., Jedes ndvduum kann n ener vorgegebenen Anahl von Zuständen sen, x Bestmmter gesellschaftlcher
Mehr1. Schaltungsbeschreibung - Netzwerktopologie. Regeln der Schaltwerktheorie:
1. Schaltungsbeschrebung - Netzwerktopologe Regeln der Schaltwerktheore: Krchhoffsche Spannungsregel Krchhoffsche Stromregel + Zweg- (bzw. Element-) Funktonen De Netzwerktopologe beschrebt de Verknüpfung
MehrÜbung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrBayessches Lernen (3)
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen (3) Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz
Mehrarxiv: v1 [math.nt] 10 Apr 2014
Über de ratonalen Punkte auf der Sphäre von Nkolay Moshchevtn 1 Moskau) arxv:1404.907v1 [math.nt] 10 Apr 014 Wr beschäftgen uns her mt der Approxmaton von Punkten auf der n-dmensonalen Sphäre durch ratonale
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
Mehr1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl
0. STRÖMUNG INKOMPRESSIBLER FLUIDE IN ROHRLEITUNGEN Enführung Vorlesung Strömungslehre Prof. Dr.-Ing. Chrstan Olver Pascheret C. O. Pascheret Insttute of Flud Mechancs and Acoustcs olver.pascheret@tu-berln.de
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
MehrUntersuchung der Abhängigkeit einer interessierenden Größe von einem einzelnen Einflussparameter bei Konstanz aller übrigen
Sete Stehlng AVWL 3 (Mkro) SS 08 - Kap. 4: Komparatve Statk 4 Komparatve Statk Komparatve Statk: Untersuchung der Abhänggket ener nteresserenden Größe von enem enzelnen Enflussparameter be Konstanz aller
Mehr9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen
9 Phasenglechgewcht n heterogenen Mehrkomonentensystemen 9. Gbbs sche Phasenregel α =... ν Phasen =... k Komonenten Y n (α) -Molzahl der Komonente Y n der Phase α. Für jede Phase glt ene Gbbs-Duhem-Margules
MehrKapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrFähigkeitsuntersuchungen beim Lotpastendruck
Fakultät Elektrotechnk und Informatonstechnk Insttut für Aufbau- und Verbndungstechnk der Elektronk Fähgketsuntersuchungen bem Lotpastendruck Dr.-Ing. H. Wohlrabe Ottobrunn, 2. Februar 2009 Qualtätsmerkmale
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrMOD-01 LAGRANGE FORMALISMUS -- TEIL 1
MOD- LAGRAGE FORMALISMUS -- EIL. Zustandsfunktonen Defnton -: Zustandsfunkton Ene Zustandsfunkton W( () t, t) = W(, t) bzw. W ( ) st jede belebge skalare Funkton der Zustandsgrößen () t und der Zet t,
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
MehrSIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
MehrOptische Systeme. Inhalte der Vorlesung. Hausaufgabe: Reflexion mit Winkel. Vergleichen Sie Ihre Rechnung mit einem Experiment! n = tan. sin.
Inhalte der Vorlesung 3. Optsche Systeme Martna Gerken 05..007. Grundlagen der Wellenoptk. De Helmholtz-Glechung. Lösungen der Helmholtz-Glechung: Ebene Wellen und Kugelwellen.3 Das Huygenssche Prnzp.4
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr2 Vektoren. 2.1 Vektorraum 2 VEKTOREN 1
2 VEKTOREN 1 2 Vektoren 2.1 Vektorraum In der Physk unterscheden wr skalare Grössen von vektorellen. En Skalar st ene reelle Messgrösse, mathematsch enfach ene Zahl, phykalsch ene dmensonsbehaftete Zahl.
Mehr1. Kristallographisches Rechnen ohne Computer
1 1. Krstallographsches Rechnen ohne Computer Peter G. Jones TU Braunschweg Insttut für Anorgansche und Analytsche Cheme Hagenrng 30 38106 Braunschweg E-Mal: p.jones@tu-bs.de Lteratur Gacovazzo, Fundamentals
MehrMathematik der Finanzmärkte Vorlesungsskript
Mathematk der Fnanzmärkte Vorlesungsskrpt Wnter 24/25 Achm Klenke Insttut für Mathematk Johannes Gutenberg-Unverstät Manz Staudngerweg 9 D-5599 Manz 16. Februar 25 korrgert: 11. Aprl 25 2 Inhaltsverzechns
MehrWahrscheinlichkeitstheorie
Wahrschenlchet Grundbegrffe Wahrschenlchetsbegrffe (Axomatsche Defnton) Rechenoperatonen mt Wahrschenlcheten Statstsche Unabhängget Numersche Berechnung von Wahrschenlcheten Klasssche Bemessung nach Laplace
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrÄhnlichkeit im Kontext der Bildsuche
Ähnlchket m Kontext der Bldsuche Vorlesung Bldnformatonssysteme, Tel 3 Ullrch Köthe, FB Informatk, Un Hamburg Ähnlchket Motvaton: kene klar defnerte Semantk Approxmaton des korrekten Ergebnsses Präsentaton
Mehr