Vorlesung 6. Biologisch motivierte Methoden der Objekterkennung II
|
|
- Ella Weber
- vor 5 Jahren
- Abrufe
Transkript
1 Vorlesug 6 Biologisch motivierte Methode der Objekterkeug II Marti Giese Marti.giese@ui-tuebige.de
2 Übersicht Kategorisierug Grudbegriffe der Iformatiostheorie Erkeug basiered auf gelerte Objektteile
3 I. Kategorisierug
4 Erkeug vs. Kategorisierug
5 Erkeug vs. Kategorisierug Ady Elke
6 Erkeug vs. Kategorisierug mälich weiblich
7 Chorus of Prototypes S. Edelma Objektasichte eigebettet i abstrakte Raum Variatioe etlag verschiedeer Dimesioe (Asicht, Beleuchtug, ) Edelma (1999)
8 Chorus of Prototypes Module, die verschiedee Asichte desselbe Objektes erkee Gruppe ( Chorus ) solcher Module, trage zur Repräse-tatio vo Objekte bei. Aktivieruge defiiere iederigdimesioale Repräsetatiosraum Edelma (1999)
9 Chorus of Prototypes Objektspezifische Module feuer verschiede stark, je ach Ählichkeit mit Bild Aktivitätsvektor ekodiert das Objekt Chorus of prototypes Edelma (1999)
10 Kategorisierug mit HMAX Modell Pool vo asichtgetute Neuroe, die icht bestimmte Objekte zugeordet sid Auslese abhägig vo Aufgabe (Kategorisierug, Idetifikatio, ) Riesehuber (2001)
11 Kategorisierug mit HMAX Modell Zuordug zu verschiedee subareale des iferotemporale Kortex (Area IT) (aterior vs. posterior) Neuroe im Präfrotalkortex (PFC) steuer Auslese abhägig vo Aufgabe Prädiktio: Aktivität der PFC-Neuroe sollte Kategorie ekodiere Riesehuber & Poggio (2003)
12 Kategorisierug bei Affe Geerierug vo kotiuierlicher Klasse vo Objekte (Tiere) durch 3D- Morphig Affe mit verschiedee Kategoriegreze traiiert 3D Morphs Freedma et al. (2001)
13 Kategorisierug bei Affe Morphigraum mit 2 oder 3 Kategorie Freedma et al. (2001)
14 Kategorisierug bei Affe Neuroeatwort im Präfrotalkortex Neuroeatwort reflektiert gelerte Kategoriegreze Gilt für alle Liie zwische Morphpaare Nach Umtraiiere auf adere Kategoriegreze lert ei Teil der Neuroe um Freedma et al. (2001)
15 II. Grudbegriffe der Iformatiostheorie
16 Grudbegriffe der Iformatiostheorie Geg.: Diskrete Zufallsvariable X mit X {x 1,, x N }, mit P(X = x ) = P(x ). Def.: Der durch das Ereigis {X = x } übertragee Iformatiosgehalt ist defiiert als: H ( x) : = log2 P( X = x) = log2 P( x) = log2(1/ P( x)) Idee: Seltee Ereigisse übertrage viel Iformatio. Def.: Der mittlere Iformatiosgehalt (Etropie), der durch die Variable X übertrage wird ist defiiert als: H ( X ) : = E{ log2 P( X )} = P( x)log2 P( x ) N = 1 [ 0]
17 Grudbegriffe der Iformatiostheorie Für das Paar vo Zufallsvariable (X, Y) ist die gemeisame oder Verbudetropie H ( X, Y ) = M N m= 1 = 1 P( x, y m )log 2 P( x, ym) Beachte: Falls die Variable X ud Y uabhägig sid, gilt wege P(X, Y) = P(X) P(Y): H ( X, Y ) = H ( X ) + H ( Y ) Falls X ud Y abhägig sid gilt wege P(X, Y) = P(X Y) P(Y) = P(Y X) P(X): H ( X, Y ) = H ( X ) + H ( Y X ) = H ( Y ) + H ( X Y ) mit der bedigte Etropie N M H = 1 m= 1 ( Y X ) = P( x ) log2 P( ym x)
18 Grudbegriffe der Iformatiostheorie Bew.: [ ] = = = = = = = = = = = + = = = N M m m N M m m m M M m m m M m N m m M m N m m x y P x P x P x y P x y P x P x P x y P x y P x P x P x y P x P x y P y x P y x P Y X H ) ( ) ( )log ( ) ( )log ( ) ( ) ( log ) ( log ) ( ) ( ) ( ) ( )log ( ) ( ), ( )log, ( ), ( H(Y X) H(X) 1
19 Grudbegriffe der Iformatiostheorie Ma ka zeige H ( X, Y ) H ( X ) + H ( Y ) mit = geau da we X ud Y uabhägig. (z.b. Papoulis, 1991) Graphische Illustratio: H(X,Y) H(Y) I(X,Y) H(Y) H(X Y) H(Y X) Def.: Die Trasiformatio (mutual iformatio) der Variable X ud Y ist defiiert als I( X, Y ) = H ( X ) + H ( Y ) H ( X, Y ) = H ( X ) H ( X Y ) = H ( Y ) H ( Y X )
20 Seder Grudbegriffe der Iformatiostheorie H(X Y) H(Y) X I(X,Y) Y H(Y) H(Y X) Awedug auf Iformatioskaal: a. Perfekter Kaal: X ud Y vollstädig abhägig, d.h. P(X,Y)=P(X)=P(Y) H(X,Y) = H(X) = H(Y) = I(X,Y) b. Vollstädig gestörter Kaal: X ud Y uabhägig, d.h. P(X,Y)=P(X) P(Y) H(X,Y) = H(X) + H(Y) I(X,Y) = 0 c. Teilweise gestörter Kaal: H(X,Y) < H(X) + H(Y) I(X,Y) > 0 Empfäger H(X) H(Y) H(X) H(Y) H(X) I(X,Y) H(Y)
21 III. Erkeug basiered auf gelerte Objektteile
22 Objektdetektiossystem Positive Beispiele Off-lie Traiig Klassifikator Klassifikatios- Ergebis: Objekt da / icht da Merkmalsextraktio Merkmalsvektor (x 1, x 2,, x ) Negative Beispiele Pixelmuster Suche über verschiedee Positioe ud Skale Heisele (2002)
23 Fehler beim Teste Traiigsbeispiele Traiiere des Klassifikators False Positive Gelabelter Traiigsdatesatz korrekt Empfidlichkeit Klassifikatio Heisele (2002)
24 Receiver Operatig Characteristics (ROC) Problem: Zahl der korrekte Klassifikatioe / False Alarms hägt vo Empfidlichkeit (Schwelle) ab Ergebisse verschiedeer Klassifikatore icht vergleichbar Lösug: ROC Korrekte Klass. ud False Alarms gegeeiader auftrage Schwelle variiere Fläche zwische ROC ud Diagoale bestimmt Qualität P korrekt Zufallsergebis des Klassifikators 1 P korrekt P FA Zufallsergebis des Klassifikators 1 Guter Klassifikator Schwelle Schwelle Schlechter Klassifikator 1 1 P FA
25 Teilbasierte Erkeug Systemarchitektur Fussgägerdetektio Eizele Klassifikatore traiiert mit Kompoete (Arme, Beie, ) Kombiatio der Klassifikatore mit eiem weitere Klassifikator (SVM) Positiosbeschäkuge für Teile Moha (2001)
26 Teilbasierte Erkeug Ergebisse Verschiedee Kombiatiosregel für die Teilklassifikatore UND ( votig ) Kombiatiosklassifikator ( adaptive ) Besseres Ergebisse mit teilbasiertem Verfahre als mit Klassifikator für die gesamte Figur Moha (2001)
27 Vorteile teilbasierter Methode Rotatioe: Rotatio ausserhalb der Bildebee Rotatio i der Bildebee Teilbasierte Klassifizierug Traiig auf rotierte Gesichter Rotatiosivariate Merkmale Aligmet Heisele (2002)
28 Vorteile teilbasierter Methode Eifaches Template Teil- Templates Heisele (2002)
29 Vorteile teilbasierter Methode Gesichtsfragmete Awedug auf Bilder vo Gesichter ud Autos Defiitio vo Bild-Fragmete durch Fester der Grösse p x q Verschiedee Auflösuge Iformatio eies Fragmetes F über Gesicht der Klasse C: I(F, C) Maximaler Iformatiosbeitrag für Fragmete mittlerer Grösse (11 % der Objektgrösse) Selektio der iformativste Fragmete Ullma et al. (2002)
30 Lere optimaler Fragmete Beispiele: Beitrag eies Fragmetes F zur Erkeug eies bestimmte Gesichtes C gegebe durch Likelihood-Ratio: R ( F) = P( F C) P( F C ) Klassifikatio des Gesichtes C durch MAX-Poolig der Ausgagssigale der Fragmete F ik (I-tes Fragmet des Typs k) über verschiedee Positioe: log 2 R( F i ) max( F ) k il k Gesichter ausserhalb der Klasse C > θ Wesetlich bessere Ergebisse als globale Templates (97 % korrekt; 2.1 % falscher Alarm) Mittlere Fragmetgrösse liefert beste Klassifizierugsergebisse l Fragmetgr. (% G. Fläche) Detektio False Alarms 4% 97% 30.4% optimal 95.6% 0% Ullma et al. (2002) 33% 39% 0%
31 Teilbasierte Detektio Heisele et al. (2001)
32 Lere vo Kompoete Rechtreckige Startregio Expasio i eie vo 4 Richtuge Extraktio euer Kompoet aus Bilder Traiiere eies SVM Klassifikators Auswahl der beste Kompoete ahad des Klassifikatiosfehlers Heisele (2002)
33 Lere vo Kompoete Ergebisse: Bilder: 58 x 58 Pixel Grosse Zahl ~ egativer Traiigsbeispiele Sythetische zusätzliche positive Beispiele aus 3D Gesichtsmodell; ges. ~ Regioe Startgrösse 5x5 Edgrösse: Rechtecke mit ca Pixel Seiteläge Heisele (2002)
34 Lere vo Kompoete Ergebisse: Teilbasierte Methode wesetlich besser Correct Face Detectio: Compoet-based vs. Global Approach (5,000 faces 25, 000 o-faces) 14 leared compoets whole face FP / ispected widow Heisele et al (2001)
35 Leistugsvergleich False Positives Heisele (2002)
36 Wichtige Pukte Kategorisierug -- Idetifikatio Chorus of Prototypes Iformatio ud Trasiformatio Receiver Operatig Characteristics Kompoetebasierte Detektio
37 Literatur Edelma, S. (1999). Represetatio ad Recogitio i Visio. MIT Press, Cambridge, MA. Freedma DJ, Riesehuber M, Poggio T, Miller EK (2001) Categorical represetatio of visual stimuli i the primate prefrotal cortex. Sciece 293, Heisele B, Serre T, Potil M, Vetter T, Poggio T (2001) Categorizatio by Learig ad Combiig Object Parts. I: Advaces i Neural Iformatio Processig Systems (NIPS'01), Vacouver, Caada. Mildeberger O (1992) Iformatiostheorie ud Codierug. Vieweg-Verlag, Brauschweig. Moha A (2000) Object detectio i images by compoets. AI Memo # 1664, CBCL Paper #178. Massachusetts Istitute of Techology, Cambridge, MA. Papoulis A (1991) Probability, Radom Variables, ad Stochastic Processes. McGraw-Hill, Sigapore. Ullma S, Vidal-Naquet M, Sali E (2002) Visual features of itermediate complexity ad their use i classificatio. Nature Neurosciece 5,
Anwendungen der Wahrscheinlichkeit II. Markovketten
Aweduge der Wahrscheilichkeit II 1. Fragestelluge Markovkette Markovkette sid ei häufig verwedetes Modell zur Beschreibug vo Systeme, dere Verhalte durch eie zufällige Übergag vo eiem Systemzustad zu eiem
MehrEs gibt verschiedene Möglichkeiten eine Folge zu definieren. Die zwei häufigsten Methoden
Folge ud Reihe Folge Eie Folge ist eie Abbildug der atürliche Zahle N = {0, 1,,...} i die Mege der (zumidest i de meiste Fälle) reelle Zahle R. I diesem Fall ka ma sich eie Folge als Pukte i eiem Koordiatesystem
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungen zum Wiederholungsblatt
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 23/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Eiführug i die Wahrscheilichkeitstheorie Lösuge zum Wiederholugsblatt Aufgabe
MehrKapitel 3: Bedingte Wahrscheinlichkeiten und Unabhängigkeit
- 18 - (Kapitel 3 : Bedigte Wahrscheilichkeite ud Uabhägigkeit) Kapitel 3: Bedigte Wahrscheilichkeite ud Uabhägigkeit Wird bei der Durchführug eies stochastische Experimets bekat, daß ei Ereigis A eigetrete
MehrStrukturelle Modelle in der Bildverarbeitung Markovsche Ketten II
Strukturelle Modelle i der Bildverarbeitug Markovsche Kette II D. Schlesiger TUD/INF/KI/IS Statioäre Verteilug Verborgee Markovsche Kette (HMM) Erkeug stochastisches Automate D. Schlesiger SMBV: Markovsche
MehrFormelsammlung Mathematik
Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1
MehrMaschinelles Lernen: Ein Blick hinter die Kulissen
Maschielles Lere: Ei Blick hiter die Kulisse Dr.-Ig. Thorste Edelhäußer Gruppe: Machie Learig ad Iformatio Fusio Frauhofer IIS Über us Bereich Lokalisierug ud Veretzug des Frauhofer IIS i Nürberg Schwerpukte:
MehrMusterlösung für die Klausur zur Vorlesung Stochastik I im WiSe 2014/2015
Musterlösug für die Klausur zur Vorlesug Stochastik I im WiSe 204/205 Teil I wahr falsch Aussage Gilt E[XY ] = E[X]E[Y ] für zwei Zufallsvariable X ud Y mit edlicher Variaz, so sid X ud Y uabhägig. Für
MehrWahrscheinlichkeit & Statistik
Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege
Mehr10. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik rof. Dr. Michael Kohler Dipl.-Math. Adreas Fromkorth Dipl.-If. Jes Mehert SS 09 6.7.2009 0. Übugsblatt zur Eiführug i die Stochastik Aufgabe 38 (3 ukte Die Zufallsvariable X,...,
MehrVerhaltensmodellierung Übersicht
DHBW Stuttgart, SWEgieerig März 2010 Problem: Das dyamische Verhalte vo Systeme lässt sich icht durch Dateflussdiagramme beschreibe; es fehle Beschreibugsmittel zur: Spezifikatio vo komplee Ablaufbediguge
MehrKapitel 2: Stochastische Prozesse. Copyright M. Gross, ETH Zürich 2006, 2007
Kaitel 2: Coyright M. Gross, ETH Zürich 2006, 2007 Bedigte Verteiluge Ebeso a die Verbudwahrscheilicheit vo Zufallsvariable über bedigte Wahrscheilicheite ausgedrüct werde i i,, i,, Wiederum ommt eie Produtregel
MehrMonotonie einer Folge
Mootoie eier Folge 1 E Mootoe Folge We jedes Folgeglied eier Folge größer oder gleich dem vorhergehede Folgeglied ist a 1 a ℕ so et ma die Folge mooto steiged (oder mooto wachsed). Die geometrische Folge
MehrStochastik: Binomialverteilung Stochastik Bernoulli-Experimente, binomialverteilte Zufallsvariablen Gymnasium ab Klasse 10
Stochastik Beroulli-Experimete, biomialverteilte Zufallsvariable Gymasium ab Klasse 0 Alexader Schwarz www.mathe-aufgabe.com November 203 Hiweis: Für die Aufgabe darf der GTR beutzt werde. Aufgabe : Ei
MehrMathematische Vorgehensweise
Kapitel 2 Mathematische Vorgehesweise Um eue Ergebisse zu erziele, ist es häufig otwedig, Aussage präzise zu formuliere ud zu beweise. Daher werde i diesem Kapitel die mathematische Begriffsbilduge ud
Mehrund wird als n-dimensionaler (reeller) Vektorraum bezeichnet. heißt der von v 1,..., v k aufgespannte Unterraum des R n.
Reeller Vektorraum Kapitel Vektorräume Die Mege aller Vektore x mit Kompoete bezeiche wir mit x R =. : x i R, i x ud wird als -dimesioaler (reeller) Vektorraum bezeichet. Defiitio Ei Vektorraum V ist eie
MehrProbeklausur. (b) Was geschieht, wenn man ein Quantenbit in einem solchen Zustand misst?
Quaterecher Witersemester 5/6 Theoretische Iformatik Uiversität Haover Dr. Matthias Homeister Dipl.-Math. Heig Schoor Probeklausur Hiweis: Diese Probeklausur ist kürzer als die tatsächliche Klausur.. a
MehrR. Brinkmann Seite
R. Brikma http://brikma-du.de Seite 1.0.014 Lösuge zur Biomialverteilug I Ergebisse: E1 E E E4 E E E7 Ergebis Ei Beroulli-Experimet ist ei Zufallsexperimet, das ur zwei Ergebisse hat. Die Ergebisse werde
Mehr7.2 Grundlagen der Wahrscheinlichkeitsrechnung
7.2 Grudlage der Wahrscheilichkeitsrechug Ei Ereigis heißt i Bezug auf eie Satz vo Bediguge zufällig, we es bei der Realisierug dieses Satzes eitrete ka, aber icht ubedigt eitrete muss. Def. 7.2.: Ei Experimet
MehrSeminarausarbeitung: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Unterschiedliche Konvergenzarten von Folgen von Zufallsvariablen
Semiarausarbeitug: Gegebeispiele i der Wahrscheilichkeitstheorie - Uterschiedliche Kovergezarte vo Folge vo Zufallsvariable Volker Michael Eberle 4. März 203 Eileitug Die vorliegede Arbeit thematisiert
MehrSchwerpunkt 1 E Ma 1 Lubov Vassilevskaya
http://www.ewagilmour.com/wp-cotet/uploads/2010/05/forkkifespooegg.jpg Schwerpukt 1 E Der starre c Körper http://www.flickr.com/photos/iesca/3139536876/i/pool-streetlamps Abb. 1 1: Zur Defiitio eies starre
MehrSeminar: Randomisierte Algorithmen Routenplanung in Netzwerken
Semiar: Radomisierte Algorithme Routeplaug i Netzwerke Marie Gotthardt 3. Oktober 008 Ihaltsverzeichis 1 Routeplaug i Netzwerke 1.1 Laufzeit eies determiistische Algorithmus'................ 1. Radomisierter
MehrDiesen Grenzwert nennt man partielle Ableitung von f nach x i und
Bevor wir zum ächste Kapitel übergehe, werde wir de Begri eier Fuktio i mehrere Variable eiführe. Eie Fuktio vo Variable ist eie Vorschrift, die jedem Pukt (x 1,x,...,x ) eier Teilmege D des IR eie bestimmte
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability ad Statistics FS 208 Prüfug 3.08.208 Dauer: 80 Miute Name: Legi-Nummer: Diese Prüfug ethält 4 Seite (zusamme mit dem Deckblatt) ud 0 Aufgabe. Das Formelblatt wird separat verteilt. Begrüde
MehrNachklausur - Analysis 1 - Lösungen
Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:
MehrSchätzung der Kovarianzmatrix
Schätzug der Kovariazmatri Aus eiem Esemble vo Beobachtuge { i } ka die Kovariazmatri (Zetralmomete) geschätzt werde: C E{( )( ) } R ˆ 1 k ˆ k ˆ k 1 Schätzwert (edliche Summe): C ( )( ) ud dem Schätzwert:
MehrKapitel 2 Grundzüge der Informationstheorie
Kapitel Grudzüge der Iformatiostheorie C fg SN Der Beweggrud für dieses Kapitel ist, die Kaalkapazität = Bit / s 3 Hz db (vgl. Seite 36) wahrscheilichkeitstheoretisch herzuleite, um sie auf diesem Weg
MehrK. Felten: Internet Network infrastucture Fachhochschule Kiel, Fachbereich IuE
Defiitio ach DIN4004 Als Zuverlässigkeit ( reliability ) gilt die Fähigkeit eier Betrachtugseiheit ierhalb vorgegebeer Greze dejeige durch de Awedugszweck bedigte Aforderuge zu geüge, die a das Verhalte
MehrVorkurs Mathematik für Informatiker Folgen
Vorkurs Mathematik für Iformatiker -- 9 Folge -- 6.1.215 1 Folge: Defiitio Eie (uedliche) Folge im herkömmliche Sie etsteht durch Hitereiaderschreibe vo Zahle 1,2,3,4,5, Dabei ist die Reihefolge wichtig,
MehrSo lösen Sie die Gleichung für den Korrelationskoeffizienten
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Dabei sid Datepukte ( x 1, y 1 ),( x 2, y 2 ), ( x, y ) gegebe.
MehrNormierte Vektorräume
Normierte Vektorräume Wir betrachte im Folgede ur Vektorräume über R 1. Sei also V ei Vektorraum. Wir möchte Metrike auf V betrachte, die im folgede Sie mit der Vektorraumstruktur verträglich sid:, y,
MehrHerleitung der Parameter-Gleichungen für die einfache lineare Regression
Herleitug der Parameter-Gleichuge für die eifache lieare Regressio Uwe Ziegehage. März 03 Historie v.0 6.03.009, erste Versio hochgelade v.0 0.03.03, eie Vorzeichefehler beseitigt, diverse Gleichuge ud
Mehr2. Repetition relevanter Teilbereiche der Statistik
. Repetitio Statistik Ökoometrie I - Peter Stalder. Repetitio relevater Teilbereiche der Statistik (Maddala Kapitel ) Zufallsvariable ud Wahrscheilichkeitsverteiluge Zufallsvariable X (stochastische Variable)
MehrWörterbuchmethoden und Lempel-Ziv-Codierung
Kapitel 3 Wörterbuchmethode ud Lempel-Ziv-Codierug I diesem Abschitt lere wir allgemei Wörterbuchmethode zur Kompressio ud isbesodere die Lempel-Ziv (LZ))-Codierug kee. Wörterbuchmethode sid ei eifaches
Mehrn=0 f(x) = log(1 + x) = n=1
Potez - Reihe Machmal ist es praktisch eie Fuktio f() mir Hilfe ihrer Potezreihe auszudrücke. Eie Potezreihe um de Etwicklugspukt 0 sieht im Allgemeie so aus a ( 0 ) Fuktioe, für die eie Potezreihe eistiert,
MehrMusterlösung. Testklausur Vorkurs Informatik, Testklausur Vorkurs Informatik Musterlösung. Seite 1 von 10
Musterlösug Name, Vorame, Matrikelummer Agabe sid freiwillig) Bitte ubedigt leserlich ausfülle Testklausur Vorkurs Iformatik, 27.09.20 Testklausur Vorkurs Iformatik 27.09.20 Musterlösug eite vo 0 Musterlösug
MehrLösungen zum Ferienkurs Analysis 1, Vorlesung 2 Wintersemester 2014/2015
Lösuge zum Feriekurs Aalysis, Vorlesug Witersemester 04/05 Fabia Hafer, Thomas Baldauf I Richtig oder Falsch Sid folgede Aussage richtig oder falsch? Korrigiere bzw. ergäze Sie falsche Aussage. Gebe Sie
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Uabhägigkeit, bedigte Wahrscheilichkeite 2.1 Stochastische Uabhägigkeit vo Ereigisse Im Folgede gehe wir vo eiem W-Raum (Ω, A, P aus. Der Begriff der stochastische Uabhägigkeit
MehrEs werden 120 Schüler befragt, ob sie ein Handy besitzen. Das Ergebnis der Umfrage lautet: Von 120 Schülern besitzen 99 ein Handy.
Vo der relative Häufigkeit zur Wahrscheilichkeit Es werde 20 Schüler befragt, ob sie ei Hady besitze. Das Ergebis der Umfrage lautet: Vo 20 Schüler besitze 99 ei Hady. Ereigis E: Schüler besitzt ei Hady
Mehr1) Wahrscheinlichkeitsbegriff und Rechnen mit Wahrscheinlichkeiten. P A = lim r N LI: ={ 1 LII: LIII: P A =1 P A
FORMELSAMMLUNG V03 Alle Formel ohe Gewähr auf Korrektheit Grudlage der Wahrscheilichkeitstheorie 1) Wahrscheilichkeitsbegriff ud Reche mit Wahrscheilichkeite Relative Häufigkeit r N A = h N A N = Abs.
MehrLösungsskizzen Mathematik für Informatiker 6. Aufl. Kapitel 4 Peter Hartmann
Lösugssizze Mathemati für Iformatier 6. Aufl. Kapitel 4 Peter Hartma Verstädisfrage 1. We Sie die Berechug des Biomialoeffiziete mit Hilfe vo Satz 4.5 i eiem Programm durchführe wolle stoße Sie schell
MehrAnalysis II Sommer 2016 Prof. Dr. George Marinescu / Dr. Frank Lapp Übung
Aalysis II Sommer 06 Prof Dr George Mariescu / Dr Frak Lapp Übug Zuallererst sollt ihr die zusätzliche Übug utze um Lösuge vo Aufgabe zu bespreche, zu dere Besprechug ihr i de Übuge davor icht gekomme
Mehr8. Gewöhnliche Differentialgleichungen (ODE)
8 Gewöhliche Differetialgleichuge (ODE) 81 Motivatio Eidimesioale (1d) Bewegug eies Teilches (Masse m, keie Reibug) im Potezial U() U() E klassisch: Ermittle die Bahkurve/Trajektorie (t) des Massepukts
Mehrh a 2 b 1 h a1 b 2 h a1 b 1 h a1. h a 2. h.b1 h ij h 11 h 12 h 21 a b h. j h 1. h 2. h.1 a b h i. =h i1 h i2... h i m h. j =h 1j h 2j... h k j h.
Kotigeztabelle / Kreuztabelle für 2 diskrete /omialskalierte Variable ethält: 1. absolute gemeisame Häufigkeite h 11 h 12 h 21 für Kombiatioe vo zwei Merkmale / Variable a b steht also für mit jeweils
MehrAnalysis 1, Woche 2. Reelle Zahlen. 2.1 Ordnung. Definition 2.1 Man nennt eine Ordnung für K, wenn. 1. für alle a K gilt a a (Reflexivität),
Aalysis 1, Woche 2 Reelle Zahle A1 2.1 Ordug Defiitio 2.1 Ma et eie Ordug für K, we 1. für alle a K gilt a a (Reflexivität), 2. für alle a, b K mit a b ud b a gilt a = b (Atisymmetrie), 3. für alle a,
MehrDiplomvorprüfung Stochastik
Uiversität Karlsruhe TH Istitut für Stochastik Prof. Dr. N. Bäuerle Name: Vorame: Matr.-Nr.: Diplomvorprüfug Stochastik 10. Oktober 2006 Diese Klausur hat bestade, wer midestes 16 Pukte erreicht. Als Hilfsmittel
MehrEmpirische Verteilungsfunktion
KAPITEL 3 Empirische Verteilugsfuktio 3.1. Empirische Verteilugsfuktio Seie X 1,..., X uabhägige ud idetisch verteilte Zufallsvariable mit theoretischer Verteilugsfuktio F (t) = P[X i t]. Es sei (x 1,...,
Mehr3. Einführung in die Statistik
3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :
MehrTutorial zum Grenzwert reeller Zahlenfolgen
MAE Mathematik: Aalysis für Igeieure Herbstsemester 206 Dr. Christoph Kirsch ZHAW Witerthur Tutorial zum Grezwert reeller Zahlefolge I diesem Tutorial lere Sie, die logische Aussage i der Defiitio des
MehrAuszüge der nichtparametrischen Statisik
Empirische Wirtschaftsforschug - 1 - Auszüge der ichtparametrische Statisik Kapitel 1: Räge ud lieare Ragstatistike Aahme, Defiitioe ud Eigeschafte (1.1) Aahme: (a) (b) Die Date x 1,, x sid midestes ordial.
MehrDer Satz von Stone-Weierstraß. 1 Approximationssatz von Weierstraß
Der Satz vo Stoe-Weierstraß Vortrag zum Prosemiar Aalysis, 28.06.2010 Valetia Gerber, Sabria Kielma Aus der Vorlesug Aalysis I ud II kee wir das Kozept des Approximieres. Us wurde die Begriffe Taylor-
MehrLösungsvorschlag Probeklausur zur Elementaren Wahrscheinlichkeitsrechnung
Prof. Dr. V. Schmidt WS 200/20 G. Gaiselma, A. Spettl 7.02.20 Lösugsvorschlag Probeklausur zur Elemetare Wahrscheilichkeitsrechug Hiweis: Der Umfag ud Schwierigkeitsgrad dieser Probeklausur muss icht dem
MehrKlassifizierung der Verteilungen. Streuung der diskreten Verteilung
Wichtigste Verteiluge der Biostatisti Disrete Zur Erierug Klassifizierug der Verteiluge Kotiuierliche Disrete Gleichverteilug Kotiuierliche Gleichverteilug Biomialverteilug Normalverteilug Poisso Verteilug
MehrKombinatorik. Systematisches Abzählen und Anordnen einer endlichen Menge von Objekten unter Beachtung vorgegebener Regeln.
Systematisches Abzähle ud Aorde eier edliche Mege vo Objekte uter Beachtug vorgegebeer Regel Permutatioe Variatioe Kombiatioe Permutatioe: Eie eieideutige (bijektive) Abbildug eier edliche Mege i sich
Mehr15.4 Diskrete Zufallsvariablen
.4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 6 3.03.20 Ihalt der heutige Übug Aufgabe D.7: Reche mit Zufallsvariable Erwartugswert- ud Variazoperator Statistik ud Wahrscheilichkeitsrechug
MehrEigenschaften von Texten
Worthäufigkeite Eigeschafte vo Texte Eiige Wörter sid sehr gebräuchlich. 2 der häufigste Wörter (z.b. the, of ) köe ca. 0 % der Wortvorkomme ausmache. Die meiste Wörter sid sehr selte. Die Hälfte der Wörter
MehrKapitel 2: Laplacesche Wahrscheinlichkeitsräume
- 12 - (Kapitel 2 : Laplacesche Wahrscheilicheitsräume) Kapitel 2: Laplacesche Wahrscheilicheitsräume Wie beim uverfälschte Müzewurf ud beim uverfälschte Würfel spiele Symmetrieüberleguge, die jedem Elemetarereigis
MehrKapitel 6 : Punkt und Intervallschätzer
7 Kapitel 6 : Pukt ud Itervallschätzer Puktschätzuge. I der Statistik wolle wir Rückschlüsse auf das Wahrscheilichkeitsgesetz ziehe, ach dem ei vo us beobachtetes Zufallsexperimet abläuft. Hierzu beobachte
Mehra ist die nichtnegative Lösung der Gleichung a 0 a, b 0 : a 0 und b > 0 Beispiele:
Zahle. Die Quadratwurzel Die Quadratwurzel a heißt Radikad Beachte: 0 = 0 a ist die ichtegative Lösug der Gleichug = a, wobei a 0. 4 Ei Teil der Quadratwurzel sid ratioale Zahle (bspw. 6, 0, 09, ), adere
Mehr4.1 Dezimalzahlen und Intervallschachtelungen. a) Reelle Zahlen werden meist als Dezimalzahlen dargestellt, etwa
20 I. Zahle, Kovergez ud Stetigkeit 4 Kovergete Folge 4. Dezimalzahle ud Itervallschachteluge. a) Reelle Zahle werde meist als Dezimalzahle dargestellt, etwa 7,304 = 0+7 +3 0 +0 00 +4 000. Edliche Dezimalzahle
Mehr= a n: Wurzelexponent x: Radikand oder Wurzelbasis a: Wurzelwert Bei der ersten Wurzel wird einfach das Wurzelzeichen weggelassen.
Wurzelgesetze Gesetzmäßigkeite Grudlage Das Wurzelziehe (oder Radiziere) ist die Umkehrug des Potezieres. Daher sid die Wurzelgesetze de Potezgesetze sehr ählich. Die Wurzel aus eier positive Zahl ergibt
MehrSatz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.
Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,
MehrMaximum Likelihood Version 1.6
Maximum Likelihood Versio 1.6 Uwe Ziegehage 15. November 2005 Logarithmegesetze log a (b) + log a (c) = log a (b c) (1) log a (b) log a (c) = log a (b/c) (2) log a (b c ) = c log a (b) (3) Ableitugsregel
Mehrsfg Quadratwurzeln a ist diejenige nichtnegative Zahl (a 0), die quadriert a ergibt: Die Zahl a unter der Wurzel heißt Radikand:
M 9.1 Quadratwurzel a ist diejeige ichtegative Zahl (a 0), die quadriert a ergibt: a 2 = a Die Zahl a uter der Wurzel heißt Radikad: a Quadratwurzel sid ur für ichtegative Zahle defiiert: a 0 25 = 5; 81
MehrKlassische Theoretische Physik I WS 2013/2014
Karlsruher Istitut für Techologie www.tkm.kit.edu/lehre/ Klassische Theoretische Physik I WS 3/4 Prof. Dr. J. Schmalia Blatt 7 Dr. P. P. Orth Abgabe ud Besprechug 3..3. Tayloretwicklug I 5 + 5 + 5 + 5
Mehr2. Diophantische Gleichungen
2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze
MehrProseminar: Mathematisches Problemlösen. Ungleichungen 2. Pierre Schmidt. Vortragstermin: 19. Juni Fakultät für Mathematik
Prosemiar: Mathematisches Problemlöse Ugleichuge Pierre Schmidt Vortragstermi: 19. Jui 015 Übugsleiteri: Dr. Natalia Griberg Fakultät für Mathematik Karlsruher Istitut für Techologie Ihaltsverzeichis 1
MehrAlgorithmentheorie Randomisierung
Algorithmetheorie 03 - Radomisierug Prof. Dr. S. Albers Prof. Dr. Th. Ottma Radomisierug Klasse vo radomisierte Algorithme Radomisierter Quicksort Radomisierter Primzahltest Kryptographie 2 1. Klasse vo
MehrII. Grundlagen der Programmierung. Variable: Literale (Konstanten) Operatoren & Ausdrücke. Variablendeklaration:
Techische Iformatik für Igeieure (TIfI) WS 20052006, Vorlesug 2 II. Grudlage der Programmierug Ekkart Kidler Überblick Sytaxdefiitio Variable ud Ausdrücke Aweisuge Literale (Kostate) Variable Out.pritl("Das
MehrSkriptum zur ANALYSIS 1
Skriptum zur ANALYSIS 1 Güter Lettl WS 2017/2018 1. Grudbegriffe der Megelehre ud der Logik 1.1 Naive Megelehre [Sch-St 4.1] Defiitio eier Mege ach Georg Cator (1845 1918):,,Eie Mege M ist eie Zusammefassug
MehrEinführung in die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aachen Definitionen und Sätze
Eiführug i die Stochastik für Mathematiker - SS 03 Prof. Dr. M. Schaefer, RWTH Aache Defiitioe ud Sätze Erstellt vo Lars Otte lars.otte@kulle.rwth-aache.de 5. September 2003 Diese Aufzeichuge stamme icht
MehrTests für beliebige Zufallsvariable
Kapitel 10 Tests für beliebige Zufallsvariable 10.1 Der Chi-Quadrat-Apassugstest Sei x eie gaz beliebige Zufallsvariable, dere Dichtefuktio icht oder icht geau bekat ist. Beispiel: Es seie z.b. mittels
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie. Musterlösungen
Istitut für agewadte Mathematik Witersemester 9/ Adreas Eberle, Matthias Erbar, Berhard Hader. (Reelle Zufallsvariable) Klausur zu,,eiführug i die Wahrscheilichkeitstheorie Musterlösuge a) Die Verteilugsfuktio
Mehr( ), der genau auf der Geraden ( ) 2 ( ) #( ) 8. Lineare Regression. = f i. Nach der Summe der kleinsten. mx i
8. Lieare Regressio 8.1. Die Methode der kleiste Quadrate Regressiosgerade bzw. Ausgleichsgerade sid eie Auswertug vo statistische Messdate. Ziel dieses Verfahres ist es, Beziehuge zwische zwei Merkmale
MehrE C v u B. 10. Die Ebene. 1. Parameterform. X (X ist beliebiger Punkt auf E) A A
Gemetrie Oberstufe Seite 4 0. Die Ebee. Parameterfrm E C v u B O Um eie Ebee festzulege, beötigt ma de Ortsvektr des ufhägepukts ud zwei liear uabhägige Richtugsvektre u ud v Gleichug i Parameterfrm: E:
MehrBeispiel 4 (Die Urne zu Fall 4 mit Zurücklegen und ohne Beachten der Reihenfolge ) das Sitzplatzproblem (Kombinationen mit Wiederholung) Reihenfolge
1 Beispiel 4 (Die Ure zu Fall 4 mit Zurücklege ud ohe Beachte der Reihefolge ) das Sitzplatzproblem (Kombiatioe mit Wiederholug) 1. Übersicht Ziehugsmodus ohe Zurücklege des gezogee Loses mit Zurücklege
MehrNachtrag. Alternatives Buch zum Satz von Fermat 1999 bei amazon nur noch gebraucht
Nachtrag Alteratives Buch zum Satz vo Fermat 1999 bei amazo ur och gebraucht 1 Uedliche (Zahle-) Mege 2 Wiederholug Steuer Bei eiem Eikomme vo ud eiem Steuersatz vo 33% müsse Sie Steuer zahle. Da werde
MehrKapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
MehrSchätzung der Kovarianzmatrix
Schätzug der Kovariazmatrix Aus eiem Esemble vo Beobachtuge {x i } ka die Kovariazmatrix (Zetralmomete) geschätzt werde: C = E{( x µ )( x µ ) } = R µ µ xx x x xx x x ˆ 1 C ˆ ˆ xx = xk µ x xk µ x k = 1
MehrKapitel 6 Differenzierbarkeit
Kapitel 6 Differezierbarkeit Ihalt 6.1 6.1Die Defiitio 6.2 6.2Die Eigeschafte 6.3 6.3Extremwerte Seite 2 Was heißt differezierbar? Differezierbare Fuktioe sid sid glatte Fuktioe. Wir Wir beschreibe diese
Mehrn 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:
61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl
Mehrx = a + b α + β. b) Wir erweitern den Bruch geeignet (Standardtrick: z z ist reell, daher ergibt 1/z = 1/z z/ z = z/(z z) einen reellen Nenner):
Karlsruher Istitut für Techologie (KIT) Istitut für Aalysis Priv-Doz Dr P C Kustma Dr D Frey WS 0/ Höhere Mathematik I für die Fachrichtug Physik Lösugsvorschläge zum 3 Übugsblatt Aufgabe Zuächst zum Supremum:
MehrProf. Dr. Holger Dette Musterlösung Statistik I Sommersemester 2009 Dr. Melanie Birke Blatt 5
Prof. Dr. Holger Dette Musterlösug Statistik I Sommersemester 009 Dr. Melaie Birke Blatt 5 Aufgabe : 4 Pukte Sei X eie Poissoλ verteilte Zufallsvariable mit λ > 0, ud die Verlustfuktio L sei defiiert durch
MehrStatistik I Februar 2005
Statistik I Februar 2005 Aufgabe 0 Pukte Ei Merkmal X mit de mögliche Auspräguge 0 ud, das im Folgede wie ei kardialskaliertes Merkmal behadelt werde ka, wird a Merkmalsträger beobachtet. Dabei bezeichet
Mehrmit (a 1 ) (0,0,,0). Dann ist die Menge,,a n,a 2 eine endliche Menge und besitzt ein grösstes Element ggt(a 1
Kapitel 1: Reste, Teiler, Vielfache Defiitio Es sei a 0. Die Zahl b 0 ist ei Teiler vo a, we es ei u 0 gibt, sodass ub= a. Ist b ei Teiler vo a, so ist a ei Vielfaches vo b. Bezeichug b a für b ist Teiler
MehrFunktionenreihen. 1-E1 Ma 2 Lubov Vassilevskaya
Fuktioereihe Erst durch Newto wurde die Theorie uedlicher Reihe zu eiem eigestädige Forschugsgebiet i der Mathematik, das da i Britaie besodere Beachtug ud weitere Etwicklug durch Brook Taylor ud Coli
MehrKapitel VI. Einige spezielle diskrete Verteilungen
Kapitel VI Eiige spezielle diskrete Verteiluge D 6 (Hypergeometrische Verteilug) Eie Zufallsvariable X heißt hypergeometrisch verteilt, we sie folgede Wahrscheilichkeitsfuktio besitzt: M N M P ( X ) p
MehrHA-Lösung TA-Lösung Diskrete Strukturen Tutoraufgabenblatt 13. Besprechung in KW05/2018
Techische Uiversität Müche Witer 2017/18 Prof. J. Esparza / Dr. M. Lutteberger, S. Sickert 2018/02/08 HA-Lösug TA-Lösug Diskrete Strukture Tutoraufgabeblatt 13 Besprechug i KW05/2018 Beachte Sie: Soweit
MehrAT AB., so bezeichnet man dies als innere Teilung von
Teilverhältisse Aus der Geometrie der Dreiecke ket ma die Aussage, dass der Schwerpukt T eies Dreiecks die Seitehalbierede im Verhältis : teilt. Für die Strecke AT ud TM gilt gemäß der Abbildug AT : TM
MehrStatistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.
Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR MATHEMATISCHE STOCHASTIK WS 005/06 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheilichkeitstheorie ud Statistik vom 9..006 Musterlösuge Aufgabe A: Gegebe sei eie Urliste
MehrStochastik. Bernoulli-Experimente und Binomialverteilung. Allg. Gymnasien: ab J1 / Q1 Berufl. Gymnasien: ab Klasse 12.
Stochastik Allg. Gymasie: ab J / Q Berufl. Gymasie: ab Klasse 2 Alexader Schwarz www.mathe-aufgabe.com August 208 Aufgabe : Ist der Zufallsversuch eie Beroulli-Kette? We ja, gib die Läge ud die Trefferwahrscheilichkeit
MehrKapitel 9 WAHRSCHEINLICHKEITS-RÄUME
Kapitel 9 WAHRSCHEINLICHKEITS-RÄUME Fassug vom 13. Februar 2006 Mathematik für Humabiologe ud Biologe 129 9.1 Stichprobe-Raum 9.1 Stichprobe-Raum Die bisher behadelte Beispiele vo Naturvorgäge oder Experimete
MehrMaschinelle Sprachverarbeitung: Mathematische Grundlagen
HUMOLDT-UNIVERSITÄT ZU ERLIN Istitut für Iformatik Lehrstuhl Wissesmaagemet Maschielle Sprachverarbeitug: Mathematische Grudlage Tobias Scheffer Ulf refeld Literatur Huag, cero, Ho: Spoke Laguage rocessig,
MehrMathematik 1 für Informatik
Guter Ochs. Juli 203 Mathematik für Iformatik Probeklausur Lösugshiweise. a Bestimme Sie per NewtoIterpolatio ei Polyom px mit möglichst kleiem Grad, so dass p = p0 = p = sowie p2 = 7. i x i y i d i,i
MehrArbeitsplätze in SAP R/3 Modul PP
Arbeitsplätze i SAP R/3 Modul PP Was ist ei Arbeitsplatz? Der Stadort eier Aktioseiheit, sowie dere kokrete räumliche Gestaltug Was ist eie Aktioseiheit? kleiste produktive Eiheit i eiem Produktiosprozess,
Mehr3 Vergleich zweier unverbundener Stichproben
3 Vergleich zweier uverbudeer Stichprobe 3. Der Zweistichprobe t-test Es wird vorausgesetzt, dass die beide Teilstichprobe x, x,..., x ud y, y,..., y jeweils aus (voeiader uabhägige) ormalverteilte Grudgesamtheite
MehrÜbungen zur Funktionentheorie
Mathematisches Istitut SS 2009 Uiversität Müche Prof. Dr. M. Schotteloher C. Paleai M. Schwigeheuer A. Stadelmaier Übuge zur Fuktioetheorie Übugsblatt. (a) Sei α: C C x y x + iy y x da ist α offesichtlich
MehrKovarianz und Korrelation
Kapitel 2 Kovariaz ud Korrelatio Josef Leydold c 2006 Mathematische Methode II Kovariaz ud Korrelatio 1 / 41 Lerziele Mathematische ud statistische Grudlage der Portfoliotheorie Kovariaz ud Korrelatio
Mehr