Statistische Sprachmodelle
|
|
- Frank Fertig
- vor 5 Jahren
- Abrufe
Transkript
1 Uiersität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Statistische Sprachmodelle obias Scheffer Paul Prasse Michael Großhas
2 Statistische Sprachmodelle Welche Sätze sid Elemete eier Sprache. Durch Grammatik eier Sprache beschriebe. Wie ahrscheilich ist ei bestimmter Satz i eiem Kotext: P( ich pflücke Beere ist ielleicht 0.000, P( ich pflücke Bäre ist ielleicht Statistische Sprachmodelle: N-Gramme, Probabilistische kotextfreie Grammatike. 2
3 Statistische Sprachmodelle Wozu? Spracherkeug: Akustisches Modell + Sprachmodell. Phoe Wörter ich Sprachmodell bleibe heute Abed hier du bist krak 3
4 Statistische Sprachmodelle Wozu? Hadschrifterkeug: Schreibmodell + Sprachmodell. Schreibmodell Sprachmodell
5 Statistische Sprachmodelle Wozu? Rechtschreibkorrektur: Fehler- / Vertippmodell + Sprachmodell. Vertippmodell Gauß-Blob ich Sprachmodell bleibe heute Abed hier du bist krak 5
6 Statistische Sprachmodelle Wozu? ext Übersetzug: Übersetzugsmodell + Sprachmodell der Zielsprache. Übersetzugsmodell delete file x ( delete Verb ( file Nou ( x ID VP Verb delete S Nou file NP ID x ich Sprachmodell bleibe heute Abed hier du bist krak Uix rm i x 6
7 Statistische Sprachmodelle Wozu? Smartphoe-astatureigabe : Normalerteilte Figerpositio + Sprachmodell. Normalerteilte Figerpositio Gauß-Blob ich Sprachmodell bleibe heute Abed hier du bist krak 7
8 Statistische Sprachmodelle Die Formel Satz o Bayes ( DIE Formel : X Likelihood Prior ich bleibe hier heute Abe d du bist krak 8
9 N-Gramm-Modelle Wahrscheilichkeit für eie gegebee Satz: P( ich pflücke Beere im Wald = P( ich x P( pflücke ich x P( Beere ich pflücke x P( im ich pflücke Beere x P( Wald ich pflücke Beere im. Problem: Zu iele Wahrscheilichkeite. Marko-Aahme (N-. Ordug (bsp: 2. Ordug: P( Wald ich pflücke Beere im = P( Wald Beere im. 9
10 N-Gramm-Modelle Marko-Aahme (N-. Ordug (bsp: 2. Ordug: P( Wald ich pflücke Beere im = P( Wald Beere im. Modell speichert Wahrscheilichkeite für Wortfolge der Läge maximal N. N=: Uigramm, N=2: Bigramm, N=3: rigramm. 0
11 N-Gramm Modelle Vorhersage Vorhersage des ächste Wortes: Bestimme P( t,..., t-. Die meiste Wortfolge,..., t tauche i eiem Korpus ur eimal auf, ie köe ir dafür Wahrscheilichkeite ermittel? Marko-Aahme (N--ter Ordug: Nur die letzte N- Wörter sid etscheided für das ächste (N-te Wort. P( t+n t+n-,..., = P( t+n t+n-,..., t Igoriere Wörter t bis
12 N-Gramm-Modelle Marko-Aahme Wahrscheilichkeit für Wort t+n ergibt sich aus Wörter t bis t+n-. ich pflücke heute achmittag ieder... [Beere], N = 5 ich jage heute achmittag ieder... [Bäre] N = 4 N = 4 N = 5 N4: Eta gleiche Wahrscheilichkeite für ächstes Wort; N5: Uterschiedliche Wahrscheilichkeite. 2
13 N-Gramm-Modelle Wahl o N Großes N: Weige Beispiele für jedes N-Gramm; Schätze der Wahrscheilichkeite schierig. Vorteil: Weig Kotextiformatio geht erlore. Nachteil: Viele Wahrscheilichkeite müsse geschätzt erde (iele 0. Kleies N: Viele Beispiele, aber Vorhersage ugeau da erschiedee Wortfolge als gleich behadelt erde. Vorteile: Weige Wortfolge, die häufig orkomme. Vorhersage stützt sich auf iele Beispiele. Nachteil: Kotextiformatio geht erlore. 3
14 N-Gramm-Modelle Wahl o N Wie iele Wahrscheilichkeite müsse ir kee? N= (ullte Ordug: ca. 20,000 erschiedee Wortfolge der Läge, N=2 (erste Ordug: ca. 400,000,000, N=3 (zeite Ordug: ca 8 x 0 2. N=4 (dritte Ordug: ca.6 x 0 7. N-Gramme über Wortstämme, statt über Wörter. Etas Iformatio geht erlore, aber deutlich eiger Wahrscheilichkeite müsse geschätzt erde. Beispiel: Kategorie kategor Kategorie kategor 4
15 N-Gramm-Modelle Lere, Multiomialerteilug Verteilug über m erschiedee Beleguge eier Zufallsariable bestimmt durch Parameterektor q=(q,,q m mit der Eigeschaft q i 0, S i q i = Wahrscheilichkeitserteilug: P x,,x N x x,,x q q x Multiomialkoeffiziet m 5
16 Multiomialerteilug Beispiel Bei eiem Roulett-Spiel gibt es 38 Verschiedee Möglichkeite: 8 mal rot, 8 mal scharz, 2 mal grü. Daraus ergebe sich folgede Parameter der Multiomialerteilug: θ = θ 2 = 8 38, θ 3 = Frage: Was ist die Wahrscheilichkeit für 4 mal rot, 2 mal scharz ud 4 mal grü? Atort: P 4,2, ! !2!4! x q P x,,x N x,,x q x m 6
17 N-Gramm-Modelle Lere, Dirichleterteilug Kojugierter Prior zur Multiomialerteilug. Verteilug über m-dimesioale Vektore mit reellertige Eiträge i [0;] mit Summe der Eiträge =. Parametrisiert durch m-dimesioale Vektor a mit positie Eiträge. Dichtefuktio: erallgemeierte Beta-Fuktio Spezialfall bei m=2: Beta-Verteilug 7
18 N-Gramm-Modelle Lere Korpus D ist Folge o Zufallsariable i ; Wertebereich ist das Vokabular bis K. Beobachtuge: x : Azahl der Vorkomme der -Gramme...,..., x K... K bis K K i D. Parameter q i θ ( q q... K... K ( i... i... i... P, θ i Wie iele Parameter gibt es? 8
19 9 N-Gramm-Modelle Wahrscheilichkeit eies Satzes Wahrscheilichkeit des Satzes bei gegebeem N-Gramm-Modell: Beispiel: 3-Gramm-Modell: N i N i N i i i i N i i i i i i P P P P P P P P P ,..., (,..., (,..., (... ( (,..., (... ( (,..., ( q q q P(,..., P( P( 2...P(,..., P( P( 2 P( i i, i2 i 3 q q 2 q i i i2 i 3,..., Marko- Eigeschaft
20 N-Gramm-Modelle Empirische Iferez der Modellparameter Parameter des Modells sid die echte Auftretesahrscheilichkeite θ ( q q. Wahrscheilichkeite sid icht bekat. Echte Wahrscheilichkeite sid i eiem Korpus o raiigsdokumete reflektiert. Empirische Iferez: Berechug des Posteriors P( θ D P( D θ P( θ... K... MAP-Hypothese: Wahrscheilichste Parameter gegebe das Korpus D. K 20
21 N-Gramm-Modelle Iferez: Maximum-Likelihood Posterior: Likelihood: Produkt o Multiomialerteiluge. Maximum-Likelihood- (ML-Schätzer: P( θ D P( D θ P( θ P( D θ q P( t t t t t t t,..., t... i i,...,, θ q... ML θ arg max P( D θ arg max PD... q Auftrittshäufigkeit o... i i K... K x ML i... i q i... i x Laut Defiitio der Multiomialerteilug 2
22 N-Gramm-Modelle Iferez: Maximum A-Posteriori Posterior: Prior: Dirichlet, kojugiert zur Multiomialerteilug. P( θ D P( D θ P( θ K... P(q K P Dirichlet (q...,..., q K... a a K Posterior: Wieder Dirichleterteilt. P(q D P(D K... K K... K q t t t,..., t P Dirichlet (q...,..., q K... a a K P Dirichlet q...,...,q K... a x... a K x K Likelihood Prior 22
23 N-Gramm-Modelle Iferez: Maximum A-Posteriori Posterior: ieder Dirichleterteilt. MAP-Hypothese: P( θ D arg max x x K... i q... i... K... a K ( a j P( θ D i j Dirichlet... K K K... P q,..., q a Soderbehadlug <N: Wahrscheilichkeite ur aus Satzafäge schätze. a x a=2: Laplace Smoothig x 23
24 N-Gramm-Modelle Iferez der Hyperparameter Eistelle der Hyperparameter a. a: Wahrscheilichkeit für ei N-Gramm, das im raiigskorpus icht auftaucht: 0 a i q ;... i K x ( a... j Bei eiem Wert für alle a:. j x... a (a K 24
25 N-Gramm-Modelle Iferez der Hyperparameter Wie iel Wahrscheilichkeitsmasse sollte auf ugesehee Kombiatioe etfalle? eile Korpus i zei eile. Zähle, ie iele Kombiatioe... im zeite eil, aber icht im erste eil auftauche. Stelle da a so ei, dass x im Durchschitt über alle Kotexte (a K dem geüschte Verhältis etspricht. Kleie Schäche des Verfahres: Im erste eil des Korpus komme mehr N-Gramme icht or als im gesamte Korpus. (Wahrscheilichkeit für ugesehee Kombiatioe ird überschätzt a 25
26 N-Gramm-Modelle Eistelle o N (Marko-Grad N ist etscheideder Parameter des N-Gramm- Modells. Großes N : iele Wahrscheilichkeite müsse geschätzt erde. Kleies N : zu iel Kotextiformatio geht erlore. Kompromiss: Iterpolatio. 26
27 N-Gramm-Modelle Iterpolatio Dem N-Gramm-Sprachmodell liegt ei geeraties Prozessmodell zugrude. Wörter erde iterati ausgeürfelt. Jedes Wort i ird ach der Wahrscheilichkeit P,..., ausgeürfelt. ( i i i Geeraties Modell für iterpoliertes N-Gramm: Für jedes Wort i ird zuächst Marko-Grad zische ud N ach p( gezoge. Wort i ird da ach P( i i,..., i gezoge. 27
28 Iterpoliertes N-Gramm-Modell Wahrscheilichkeit eies Satzes Wahrscheilichkeit des Satzes,, mit iterpoliertem N-Gramm-Modell: P(,..., P( P( 2...P(,..., Beispiel: N = 3. P(,..., P( (p(p( 2 p(2p( 2... p(p(,..., N i N p( p i (P( i i,..., p i (P( i i,..., i P( ( p( P( 2 i 2 p(2 P( 2 3 N i N p( P(, i 3 i i i2 28
29 29 Iterpoliertes N-Gramm-Modell Iferez der Parameter Likelihood für iterpoliertes N-Gramm: Posterior: Problem beim Parameterschätze: t ist latete, ubeobachtete Variable. t N t t N t t t t t t t t t t t p P P D P,..., (,,..., ( ( ( q θ θ K K K K K K K K K t t t t t N Dirichlet N Dirichlet t N t x x P p P p p D P ,...,,..., (,..., ( ( ( ( a a q q a a q q q θ
30 Iterpoliertes N-Gramm-Modell Parameterschätzug Beim Schätze der Parameter der N-Gramm- Modelle müsste ir isse, elches Wort mit elchem Abhägigkeitsert N erzeugt urde. Nur die Wörter, die mit Wert N geeriert urde sollte i Schätzug des N-Gramm-Modells eigehe. Defiitio Zufallsariable z i : Wert z i = zeigt a, dass Wort i mit Abhägigkeit N gezoge urde. Problem: Werte der z i sid aber ubekat. 30
31 Iterpoliertes N-Gramm-Modell Parameterschätzug Problem: Schätzproblem (Schätze der Paramater θ ( q q mit latete Variable z i.... K... K Lösug: Expactatio-Maximizatio-Algorithmus. Idee: Begie mit zufällige Parameter. Expactatio-Schritt: Bereche Wahrscheilichkeite p(z i gegebe die Date ud Parameter. Maximizatio-Schritt: Schätze θ ( q... q K... basiered auf de aktuelle Werte der p(z i. Wiederhole bis zur Koergez. K 3
32 Expactatio Maximizatio -Algorithmus Motiatio ud Beispiel Müzurfexperimet mit zei Müze: Müze A mit Parameter θ A Müze B mit Parameter θ B Ziel: Parameter θ = θ A, θ B schätze. Experimet: Wiederhole für t =,, 5: Wähle zufällig eie Müze z t = {A, B} ud irf die Müze 0 mal (x t K, Z 0. Parameterschätzug (ML: θ A = # Würfe mit Kopf für Müze A # Würfe mit Müze A Wahrscheilichkeit für Zahl Aalog fürθ B Problem: Wie Parameter schätze, e die Zufallsariable z t ubekat sid? 32
33 Expactatio Maximizatio Basisalgorithmus Idee: We ir isse, elche Müze a georfe urde, ist Parameteriferez eifach (siehe letzte Folie. θ A = # Würfe mit Kopf für Müze A # Würfe mit Müze A Algorithmus (für Müzurfexperimet:. Starte mit iitiale Parameter θ A ud θ B. 2. Expactatio: Bestimme für alle t =,, 5 Müzurfserie, mit elcher Wahrscheilichkeit z t die Müze die Serie produziert habe. 3. Maximizatio: Nutze z,, z 5, um die optimale Parameter θ A ud θ B zu bestimme. 4. Wiederhole 2. ud 3. bis zur Koergez. 33
34 Expactatio Maximizatio Beispiel ( ( Müze A Müze B ubekat z K Z Z Z K K Z K Z K z 2 K K K K Z K K K K K z 3 K Z K K K K K Z K K z 4 K Z K Z Z Z K K Z Z z 5 Z K K K Z K K K Z K θ A (0 = 0.6 θ B (0 = 0.5 Expactatio 0.45 x A 0.55 x B 0.8 x A 0.2 x B 0.73 x A 0.27 x B 0.35 x A 0.65 x B 0.65 x A 0.35 x B θ A ( = θ B ( = K, 2.2 Z 2.8 K, 2.8 Z 7.2 K, 0.8 Z.8 K, 0.2 Z 5.9 K,.5 Z 2. K, 0.5 Z.4 K, 2. Z 2.6 K, 3.9 Z 4.5 K,.9 Z 2.5 K,. Z 2.3 K, 8.6 Z.7 k, 8.4 Z Maximizatio (0 θ A 0.8 (0 θ B 0.52 Iitialisierug 34
35 Iterpoliertes N-Gramm-Modell Expectatio-Schritt p(z i : Wahrscheilichkeit dafür, dass i o - Gramm-Modell geeriert urde: p( z p( p(,..., p( i i i i i 35
36 Iterpoliertes N-Gramm-Modell Maximizatio-Schritt MAP-Schätzer: Zählariable: arg max P( q D q i... i i x x a... i i i i K... i i i i i i i ( a K x p ( z [[ ]]... t t t t i i i Idikatorfuktio 36
37 N-Gramm-Modelle Azahl der Parameter: Beispiel IBM agora: Korpus mit 365 Mio Wörter, ( Verschiedee 6.8x0 0 2-Gramme, 4 Mio dao tauche auf, 8 Mio ur eimal; 2.2% aller eue 2-Gramme sid ubekat..8x0 6 3-Gramme, 75 Mio tauche auf, 53 Mio eimal, 4.7% aller eue 3-Gramme sid ubekat. 37
38 N-Gramm-Modelle Ealuatio N-Gramm auf raiigskorpus gelert. Wie gut ist es? Beertug auf estkorpus. Nicht auf raiigskorpus. Wie sehr überrascht jedes eue Wort des estkorpus? Gutes Modell Weiger Überraschug. Etropie H: Wie iele Bit brauche ich um ächstes Wort zu kodiere? Perplexität ( mittlerer Verzeigugsfaktor : 2 H. Miimum der Etropie = Miimum der Perplexität e gelertes Modell gleich echtem Modell ist. 38
39 N-Gramm-Modelle Ealuatio N-Gramm-Modell ud ei lager ext W. Kreuzetropie des extes gegebe das Modell: H W m = W log 2 P m W H W m = W log 2 P m = W Perplexität des Modells (durchschittlicher Verzeigugsfaktor: PP W m = 2 H(W m Wahrscheilichkeit für Wortfolge für ei Gegebees Modell m i log 2 P m ( i i,, 39
40 N-Gramm-Klassemodelle Mache Wörter habe deselbe Kotext. Wir sehe us [Motag Diestag...] Nachmittag. Idee: Wortklasse. (=c. Ei N-Gramm-Modell ist ei Klassemodell gd. P(,..., P( c P( c c,..., c Klassemodell hat eiger Parameter (e C < V. N-Gramm-Klassemodell = N-Gramm-Modell, e jedes Wort eie eigee Klasse hat. N-Gramm-Klassemodell mit eiem Wort pro Klasse ird ormal aus raiigskorpus gelert. Da erde Klasse zusamme gelegt. 40
41 N-Gramm-Klassemodelle Beispiel-Dedrogramme 4
42 Beispielaufteilug i 000 Klasse Beispielklasse 42
43 Aedug o N-Gramme Rechtschreibkorrektur Gegebe: Sigal s,, s ; gesucht: Wahrscheilichste beabsichtigte Abfolge,,. Fehlermodell: p(s i i. Z.B.: Dekodierug: arg max arg max arg max p( si i exp dedit ( si, i 2d phoetisch( si, i 3d,...,,...,,..., p(,..., p( s i,..., s p( s ( s, keyboard i i i s,..., s,..., p( i i p(,..., i,..., i Satz o Bayes Uabhägigkeitsaahme + Marko Aahme 43
44 Aedug o N-Gramme Rechtschreibkorrektur Dekodierug: arg max arg max,...,,..., p(,..., i p( s Naie Implemetierug:,..., s p(,..., Suche über alle,, i O(V. Mit dyamischer Programmierug: s Suche über alle,, i O(V. i Idee: abelle mit p(,, - i O(V orbereche. i Da liear durch Sigalabfolge gehe, für jedes - Gramm ur die ahrscheilichste Historie merke i i i 44
45 Aedug o N-Gramme Rechtschreibkorrektur Dekodierug: arg max arg max,...,,..., p(,..., i Weitere Optimierug: Für jedes s i, ur die k beste i i Erägug ziehe. Suche i O(k. p( s,..., s p(,..., Optimierug für Suchmaschie: i s i Für häufig falsch geschriebee Suchafrage (z.b. Gadaffi ahrscheilichste Bedeutug i Cache orhalte. i i i 45
46 Aedug o N-Gramme Auto-Complete Dekodierug: arg max Suche mit dyamischer Programmierug: O(V. k arg max,..., k p(,..., θ,..., p( i i i,..., i 46
47 Zusammefassug Sprachmodelle bestimme Wahrscheilichkeit für Elemete (z.b. Sätze eier Sprache. N-Gramme: Marko Aahme (N-. Ordug. Lere der Parameter: Empirsche Iferez der Modellparameter (Wahrscheilichkeite für N- Gramme. Ereiterug: Iterpoliertes N-Gramm-Modell. Lere der Parameter: EM-Algorithmus. Wahrscheilichkeite für N-Gramme + Wahrscheilichkeite für ei bestimmtes N. 47
48 Frage? 48
Statistische Sprachmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Statistische Sprachmodelle Tobias Scheffer Thomas Vanck Statistische Sprachmodelle Welche Sätze sind Elemente einer Sprache (durch
MehrStatistische Sprachmodelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Statistische Sprachmodelle obias Scheffer Paul Prasse Michael Großhans Uwe Dick Statistische Sprachmodelle Welche Sätze sind Elemente
MehrMaschinelle Sprachverarbeitung: N-Gramm-Modelle
HUMBOLD-UNIVERSIÄ ZU BERLIN Institut für Informatik Lehrstuhl Wissensmanagement Maschinelle Sprachverarbeitung: N-Gramm-Modelle obias Scheffer, Ulf Brefeld Statistische Sprachmodelle Welche Sätze sind
Mehr1. Probabilistisches Sprachmodell - Verständnisfragen
. Probabilistisches Sprachmodell - Verstädisfrage (a) Defiiere Sie de Begriff eies probabilistische Sprachmodells für eie Sprache. (b) Beerte Sie die folgede Aussage als richtig oder falsch: I eiem probabilistische
MehrBayessches Lernen (II)
Uiversität Potsdam Istitut für Iformatik Lehrstuhl Maschielles Lere Bayessches Lere (II) Christoph Sawade/Niels Ladwehr Jules Rasetahariso Tobias Scheffer Überblick Wahrscheilichkeite, Erwartugswerte,
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug 9. Vorlesug Joche Köhler 1 Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler 9.04.008 Äderug Übugsstude Statistik ud Wahrscheilichkeitsrechug Die Gruppe vo Markus trifft sich am Doerstag statt im HCI D zusamme mit der Gruppe
MehrTests statistischer Hypothesen
KAPITEL 0 Tests statistischer Hypothese I der Statistik muss ma oft Hypothese teste, z.b. muss ma ahad eier Stichprobe etscheide, ob ei ubekater Parameter eie vorgegebee Wert aimmt. Zuerst betrachte wir
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
MehrLinguistische Informatik
Liguistische Iformatik Gerhard Heyer Uiversität Leipzig heyer@iformatik.ui-leipzig.de Istitut für Iformatik Das klassische Verarbeitugsmodell Lexiko Grammatik Iput: atürlichsprachlicher Satz arser Output:
MehrVl Statistische Prozess und Qualitätskontrolle und Versuchsplanung Übung 3
Vl Statistische Prozess ud Qualitätskotrolle ud Versuchsplaug Übug 3 Aufgabe ) Die Schichtdicke X bei eier galvaische Beschichtug vo Autoteile sei ormalverteilt N(μ,σ ). 4 Teile werde galvaisch beschichtet.
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
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
MehrDr. Jürgen Senger INDUKTIVE STATISTIK. Wahrscheinlichkeitstheorie, Schätz- und Testverfahren
Dr. Jürge Seger INDUKTIVE STATISTIK Wahrscheilichkeitstheorie, Schätz- ud Testverfahre ÜBUNG 9 - LÖSUNGEN. Ziehug vo Kugel aus eier Ure a. Die Zahl der Permutatio der Kugel, die aus Klasse utereiader gleicher
MehrWahrscheinlichkeitsrechnung & Statistik - Ergänzung zum Skript
Wahrscheilichkeitsrechug & Statistik - Ergäzug zum Skript Prof. Schweizer 9. Oktober 008 Mitschrift: Adreas Steiger Warug: Wir sid sicher dass diese Notize eie Mege Fehler ethalte. Betrete der Baustelle
MehrVl Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 5
Vl Statistische Prozess- ud Qualitätskotrolle ud Versuchsplaug Übug 5 Aufgabe ) Sei p = P(A) die Wahrscheilichkeit für ei Ereigis A, dh., es gilt 0 p. Bereche Sie das Maximum der Fuktio f(p) = p(-p). Aufgabe
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Übug 9 1 Ihalt der heutige Übug Statistik ud Wahrscheilichkeitsrechug Iformatioe zur Testatprüfug Besprechug der der Hausübug
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
Mehr5. Übungsblatt - Lösungsskizzen
Eiführug i die Wahrscheilichkeitstheorie ud Statistik rof. Dr. Ja Johaes Sadra Schluttehofer Witersemester 8/9 5. Übugsblatt - Lösugsskizze Aufgabe 7 (Neyma-earso-Lemma für stetige Verteiluge, 4 ukte).
MehrAsymptotische Notationen
Foliesatz 2 Michael Brikmeier Techische Uiversität Ilmeau Istitut für Theoretische Iformatik Sommersemester 29 TU Ilmeau Seite 1 / 42 Asymptotische Notatioe TU Ilmeau Seite 2 / 42 Zielsetzug Igoriere vo
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
MehrHöhere Analysis. Lösungen zu Aufgabenblatt 6. Die Funktion f sei auf ( π, π] definiert durch f(x) = x und wird 2π-periodisch fortgesetzt.
Fachbereich Iformatik Sommersemester 8 Prof. Dr. Peter Becker Höhere Aalysis Lösuge zu Aufgabeblatt 6 Aufgabe (Fourierreihe) 3+5 Pukte Die Fuktio f sei auf (, π] defiiert durch f(x) x ud wird π-periodisch
MehrKapitel 9: Schätzungen
- 73 (Kapitel 9: chätzuge) Kapitel 9: chätzuge Betrachte wir folgedes 9. Beispiel : I eiem Krakehaus wurde Date über Zwilligsgeburte gesammelt. Bei vo 48 Paare hatte die beide Zwillige verschiedees Geschlecht.
MehrDie notwendigen Verteilungstabellen finden Sie z.b. hier:
Fakultät für Mathematik Istitute IAG ud IMO Prof. Dr. G. Kyureghya/Dr. M. Hödig Schätz- ud Prüfverfahre Die otwedige Verteilugstabelle fide Sie z.b. hier: http://www.ivwl.ui-kassel.de/kosfeld/lehre/zeitreihe/verteilugstabelle.pdf
Mehr2. Schätzverfahren 2.1 Punktschätzung wirtschaftlicher Kennzahlen. Allgemein: Punktschätzung eines Parameters:
. Schätzverfahre. Puktschätzug wirtschaftlicher Kezahle Allgemei: Puktschätzug eies Parameters: Ermittlug eies Schätzwertes für eie ubekate Parameter eier Zufallsvariable i der Grudgesamtheit mit Hilfe
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
MehrStatistische Modelle und Parameterschätzung
Kapitel 2 Statistische Modelle ud Parameterschätzug 2. Statistisches Modell Die bisher betrachtete Modellierug eies Zufallsexperimetes erforderte isbesodere die Festlegug eier W-Verteilug. Oft besteht
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
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
MehrAnwendungen 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
Mehr6 Folgen. 6.4 Folgen reeller Zahlen. Mathematik für Informatiker B, SS 2012 Dienstag 5.6. $Id: folgen.tex,v /06/05 11:12:18 hk Exp $
Mathematik für Iformatiker B, SS 0 Diestag 5.6 $Id: folge.tex,v. 0/06/05 ::8 hk Exp $ 6 Folge 6.4 Folge reeller Zahle I der letzte Sitzug habe wir de Begriff des Grezwerts eier Folge i eiem metrische Raum
Mehr2. Übung Algorithmen II
Johaes Sigler, Prof. Saders 1 Johaes Sigler: KIT Uiversität des Lades Bade-Württemberg ud atioales Forschugszetrum i der Helmholtz-Gemeischaft Istitut für Theoretische www.kit.edu Iformatik Orgaisatorisches
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
MehrParameterschätzung. Numero, pondere et mensura Deus omnia condidit
Parameterschätzug Numero, podere et mesura Deus omia codidit Populatio, Zufallsvariable, Stichprobe Populatio Zufallsvariable X Stichprobe x eie"realisierug vo X (Beobachtug) alle mäliche Rekrute der US
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
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Empirische Wirtschaftsforschug ud Ökoometrie Dr. Rolad Füss Statistik II: Schließede Statistik SS 2007 6. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug
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
Mehr6. Übung - Differenzengleichungen
6. Übug - Differezegleichuge Beispiel 00 Gesucht sid alle Lösuge vo a) x + 3x + = 0 ud b) x + x + 7 = 0, jeweils für 0. Um diese lieare Differezegleichug erster Ordug zu löse, verwede wir die im Buch auf
MehrStochastik - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Witer 28 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (2 Pukte) Wir defiiere die Ereigisse K {die Perso ist krak} ud T {der Test ist positiv}.
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,
MehrStatistik, Abschnitt (1) Gegeben sei der Stichprobenvektor (X 1,..., X n ). Die Stichprobenfunktion. ˆµ k := 1 n. Xi k (1) i=1.
Statistik, Abschitt.. Schätzmethode.. Mometemethode Für Parameter, die sich i bekater Weise aus de Momete zusammesetze, erhält ma Schätzuge, idem ma die theoretische Momete durch die sogeate empirische
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
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 5
TUM, Zetrum Mathematik Lehrstuhl für Mathematische Physik WS 13/14 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weider Tutoraufgabe: Eiführug i die Wahrscheilichkeitstheorie Lösugsvorschläge zu Übugsblatt
MehrMethode der kleinsten Quadrate
Methode der kleiste Quadrate KAPITEL 5: REGRESSIONSRECHNUNG Die Methode der kleiste Quadrate (MklQ) ist ei Verfahre zur Apassug eier Fuktio a eie Puktwolke. Agewadt wird sie beispielsweise, um eie Gesetzmäßigkeit
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik ud Wahrscheilichkeitsrechug Statistik ud Wahrscheilichkeitsrechug Dr. Joche Köhler Statistik ud Wahrscheilichkeitsrechug Testatprüfug am Doerstag 5.Mai Wa? Doerstag, 5. Mai, 8:00 Uhr Dauer der
MehrWirksamkeit, Effizienz
3 Parameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische Verteilugsaahme mit Parameterraum Θ. 1 Seie θ ud θ erwartugstreue
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,
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
MehrVorbereitung auf 6. Übungsblatt (Präsenzübungen) - Lösungen
Prof. Dr. Raier Dahlhaus Statisti Witersemester 06/07 Vorbereitug auf 6. Übugsblatt Präsezübuge - Lösuge Aufgabe P0 Bereche vo UMVU-Schätzer. Gegebe sei jeweils ei statistisches Modell R, B R, P θ, θ Θ
MehrDer χ 2 Test. Bei Verteilungen Beantwortung der Frage, ob eine gemessene Verteilung Gauß- oder Poisson-verteilt ist oder nicht?
Der χ Test Es gibt verschiedee Arte vo Sigifikaztests Nebe Sigifikaztests, die sich mit dem Mittelwert beschäftige, gibt es auch Testverfahre für Verteiluge Bei Verteiluge Beatwortug der Frage, ob eie
Mehr4 Schwankungsintervalle Schwankungsintervalle 4.2
4 Schwakugsitervalle Schwakugsitervalle 4. Bemerkuge Die bekate Symmetrieeigeschaft Φ(x) = 1 Φ( x) bzw. Φ( x) = 1 Φ(x) für alle x R überträgt sich auf die Quatile N p der Stadardormalverteilug i der Form
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 - Lösung (BSc D-MAVT / BSc D-MATH / BSc D-MATL)
Prof. Dr. M. Schweizer ETH Zürich Sommer 8 Stochastik - Lösug (BSc D-MAVT / BSc D-MATH / BSc D-MATL). (6 Pukte) a) (.5 Pukte) Wir defiiere die Ereigisse D = die ähmaschie bekommt eie kleie Defekt} ud U
MehrWirksamkeit, Effizienz. Beispiel: Effizienz. Mittlerer quadratischer Fehler (MSE) Konsistenz im quadratischen Mittel
3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Wirksamkeit, Effiziez 3 arameterpuktschätzer Eigeschafte vo Schätzfuktioe 3.3 Beispiel: Effiziez Defiitio 3.5 (Wirksamkeit, Effiziez Sei W eie parametrische
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,...,
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
MehrProf. Dr. Roland Füss Statistik II SS 2008
1. Grezwertsätze Der wichtigste Grud für die Häufigkeit des Auftretes der Normalverteilug ergibt sich aus de Grezwertsätze. Grezwertsätze sid Aussage über eie Zufallsvariable für de Fall, dass die Azahl
Mehr10. Testen von Hypothesen Seite 1 von 6
10. Teste vo Hypothese Seite 1 vo 6 10.1 Eiführug i das Teste vo Hypothese Eie Hypothese ist eie Vermutug bzw. Behauptug über die Wahrscheilichkeit eies Ereigisses. Mit Hilfe eies geeigete Tests (=Testverfahre)
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
MehrThermodynamik von Legierungen
Thermodyamik vo Legieruge Ei System verädert sich solage, bis es das thermodyamische Gleichgewicht erreicht hat, wobei die Eistellug des Gleichgewichtes kietisch möglich sei muß. Das thermodyamische Gleichgewicht
MehrDas kollektive Risikomodell. 12. Mai 2009
Kirill Rudik Das kollektive Risikomodell 12. Mai 2009 4.1 Eileitug Wir betrachte i diesem Kapitel die Gesamtforderuge im Laufe eies Jahres. Beim Abschluss eies Versicherugsvertrages weiß der Versicherer
MehrB Phänomenologische Wärmelehre Thermodynamik Statistische Mechanik
B Phäomeologische Wärmelehre Thermodyamik Statistische Mechaik 1. Wärme ud Temperatur 1.1. Grudbegriffe 1.2. Thermisches Gleichgewicht ullter Hauptsatz der Wärmelehre 1.3. Wärmeausdehug ud Temperaturmessug
MehrÜbungen Abgabetermin: Freitag, , 10 Uhr THEMEN: Testtheorie
Uiversität Müster Istitut für Mathematische Statistik Stochastik WS 203/204, Blatt Löwe/Heusel Aufgabe (4 Pukte) Übuge Abgabetermi: Freitag, 24.0.204, 0 Uhr THEMEN: Testtheorie Die Sollstärke der Rohrwäde
MehrStatistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39
Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle
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
MehrKapitel 5: Schließende Statistik
Kapitel 5: Schließede Statistik Statistik, Prof. Dr. Kari Melzer 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte SS00 7.Sitzug vom.06.00 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluß Grudlage des Iduktiosschlusses:
Mehrin % gekennzeichnet ist (1)
Semiar: Zerkleierug Aufgabe : Berechug des Arbeitsidexes ach BOND I eier Nass-Austragskammer-Kugelmühle (Mahlraum-Durchmesser D = 300 mm, Läge L = 3200 mm), die im Kreislauf mit eiem Hydrozyklo arbeitet,
Mehr1 Randomisierte Bestimmung des Medians
Praktikum Diskrete Optimierug (Teil 0) 0.07.006 Radomisierte Bestimmug des Medias. Problemstellug ud Ziel I diesem Abschitt stelle wir eie radomisierte Algorithmus zur Bestimmug des Medias vor, der besser
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
Mehr11 Divide-and-Conquer und Rekursionsgleichungen
160 11 DIVIDE-AND-CONQUER UND REKURSIONSGLEICHUNGEN 11 Divide-ad-Coquer ud Rekursiosgleichuge Divide-ad-Coquer Problem aufteile i Teilprobleme Teilproblem (rekursiv) löse Lösuge der Teilprobleme zusammesetze
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
Mehr+ a 3 cos (3ωt) + b 3 sin (3ωt)
Fourier-Reihe Wir gehe aus vo eier gegebee periodische Fuktio f (t). Die Fuktio hat die Fudametalperiode ( Schwigugsdauer ) ud damit die Grud-Kreisfrequez ω = π. Zeit t Periode Die Fuktio f (t) soll zerlegt
Mehr,,, xn. 3. Intervallschätzungen Zufallsstichproben und Stichprobenfunktionen Zufallsstichproben. Zufallsvariablen mit
3. Itervallschätzuge 3.1. Zufallsstichprobe ud Stichprobefuktioe 3.1.1 Zufallsstichprobe 1 Sei eie Zufallsvariable ud seie gemeisamer Verteilug,,,, Zufallsvariable mit - da heiße 1,,, Zufallsstichprobe
MehrÜbungsblatt 6 Musterlösung
NumLiAlg WS56 Übugsblatt 6 Musterlösug Lösug 22 (QR-Zerlegug ud Vergleich mit der LU-Zerlegug) a) fuctio [Q, R] = my_qr_house(a) 2 % [Q,R] = qr_house(a) berechet die QR Zerlegug eier 3 % quadratische Matrix
MehrLeitfaden Bielefeld SS 2007 III-4
Leitfade Bielefeld SS 2007 III-4 8.2. Der allgemeie Fall. Satz. Sei N 1, sei ω eie primitive -te Eiheitswurzel ud K = Q[ω ]. Da gilt: (a) [K : Q] = φ(), (b) Φ ist irreduzibel, (c) O K = Z[ω ]. (d) Eie
Mehr3. Grundbegrie der Schätztheorie
Statistik, Abschitt 3. 3. Grudbegrie der Schätztheorie I der kormatorische Statistik will ma uter aderem auf Grud eier Stichprobe vom Umfag Iformatioe über ubekate Parameter θ der Verteilug F der zugrudeliegede
MehrErzbischöfliche Liebfrauenschule Köln. Schulinternes Curriculum Fach: Mathematik Jg. 8
Erzbischöfliche Liebfraueschule Köl Schuliteres Curriculum Fach: Mathematik Jg. 8 Reihe - folge Buchabschitt Theme Ihaltsbezogee Kompeteze Prozessbezogee Kompeteze 1 1.1 1.11 Terme ud Gleichuge mit Klammer
MehrZusammenfassung: Mathe 1
Zusammefassug: Mathe 1 Beispiel zur Iduktio Behauptug: es gilt k 2 = 6 (+1) (2+1) Beweis: Iduktio über Iduktiosafag: = 1 k 2 + 1: für = 1: k 2 =1 2 =1 1 Aahme: Für ei N gilt Zu zeige: da muss auch gelte
Mehr4. Vektorräume mit Skalarprodukt
4. Vektorräume mit Skalarprodukt Wiederholug: V=R x, y R: x= x x i x, y= y y, :R R R Skalarprodukt Stadardskalarprodukt lieare Abbildug mit 2 Argumete 4. Eigeschafte vo Skalarprodukte Def.: Es sei V ei
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
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
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
MehrFür eine n n-matrix A müssen wir die Gleichung. lösen. Falls (A λi) invertierbar ist, dann ist. Dann ist aber λ kein Eigenwert.
Geschlossees Leotief-Modell Ei Leotief-Modell für eie Volkswirtschaft heißt geschlosse, we der Kosum gleich der Produktio ist, d.h. we Kapitel 5 Eigewerte V x = x Es hadelt sich dabei um eie Spezialfall
MehrStatistik. 5. Schließende Statistik: Typische Fragestellung anhand von Beispielen. Kapitel 5: Schließende Statistik
Statistik Kapitel 5: Schließede Statistik 5. Schließede Statistik: Typische Fragestellug ahad vo Beispiele Beispiel 1» Aus 5 Messwerte ergebe sich für die Reißfestigkeit eier Garsorte der arithmetische
MehrMathematik 2 für Naturwissenschaften
Has Walser Mathematik für Naturwisseschafte Modul 0 Regressiosgerade ud Korrelatio Has Walser: Modul 0, Regressiosgerade ud Korrelatio ii Ihalt Die Regressiosgerade.... Problemstellug.... Berechug der
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.
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt Semester ARBEITSBLATT 13. DAS NEWTONsche NÄHERUNGSVERFAHREN
Mathematik: Mag. Schmi Wolgag Arbeitsblatt 3 6. Semester ARBEITSBLATT 3 DAS NEWTONsche NÄHERUNGSVERFAHREN Mit em Itervallschachtelugsverahre Siehe Arbeitsblatt habe wir bereits ei Verahre kee gelert, mit
MehrKonfidenzintervalle. Praktische Übung Stochastik SS 2017 Lektion 10 1
Kofidezitervalle Praktische Übug Stochastik SS 017 Lektio 10 1 Kofidezitervalle Geerelle Aahme: Parametrisches Modell (P ϑ ) ϑ Θ Beobachtuge X 1,..., X u.i.v. ach P ϑ mit ubekatem ϑ Θ Grudidee: Schätzer
MehrDynamische Programmierung Matrixkettenprodukt
Dyamische Programmierug Matrixketteprodukt Das Optimalitätsprizip Typische Awedug für dyamisches Programmiere: Optimierugsprobleme Eie optimale Lösug für das Ausgagsproblem setzt sich aus optimale Lösuge
MehrLösungsskizzen Mathematik für Informatiker 5. Aufl. Kapitel 3 Peter Hartmann
Lösugsskizze Mathematik für Iformatiker 5. Aufl. Kapitel 3 Peter Hartma Verstädisfrage. Ka ma ei Axiom beweise? Nei!. Ka ei Beweis eier Aussage richtig sei, we im Iduktiosschluss die Iduktiosaahme icht
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)
MehrSchätzen von Populationswerten
Schätze vo Populatioswerte 7.Sitzug 35 Seite, SoSe 003 Schätze vo Populatioswerte Ziel: Ermöglichug vo Aussage über die Grudgesamtheit ahad vo Stichprobedate Logische Methode: Iduktiosschluss Grudlage
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
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
MehrKreisabbildungen. S 1 f S 1. Beispiele: (1) f = id, F = id,
Kreisabbilduge Im Folgede sehe wir us eie gaz spezielle Klasse vo dyamische Systeme a: Abbilduge auf dem Kreis. Diese sid eifach geug, so dass wir sie och recht leicht aalysiere köe, habe aber adererseits
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
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,...,
Mehr