Einführung in die formale Demographie
|
|
- Oldwig Schulze
- vor 5 Jahren
- Abrufe
Transkript
1 Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/ Dezember 2014 c Roland Rau Einführung in die formale Demographie 1 / 19
2 Vergangene Vorlesung Annahmen des stabile Bevölkerungsmodells: konstante, altersspezifische Fertilität (F(x, t) = F(x)). konstante, altersspezifische Mortalität (m(x, t) = m(x)). keine Migration, bzw. altersspezifische Nettomigrationsraten=0. Betrachtung nur eines Geschlechts c Roland Rau Einführung in die formale Demographie 2 / 19
3 Vergangene Vorlesung Wie füllen wir die Projektionsmatrix? 1) Die Subdiagonale 2) Die erste Zeile 0 0 F 3 F 4 F 5 0 L 2 L L 0 3 L A = L L L L L F x = n L 0 2l 0 ( L 5 0 nf x + n f x+n nl x+n nl x ) c Roland Rau Einführung in die formale Demographie 3 / 19
4 Vergangene Woche: Was passiert langfristig mit einer solchen stabilen Bevölkerung? speziell: wie verhält sich langfristig das Wachstum der Altersgruppen und der Gesamtbevölkerung? Bei gegebener Projektionsmatrix A: Lösung via dominantem Eigenvektor λ und dazugehörigem rechten Eigenvektor x charakteristische Gleichung des stabilen Bevölkerungsmodells (in diskreter Betrachtungsweise) det(a λi) = 0 c Roland Rau Einführung in die formale Demographie 4 / 19
5 Weiteres Beispiel A = ( 0.5 ) det det(a λi) = 0 (( ) ( )) ( ) λ λ 0.9 = det = λ λ = (0.5 λ)(0.1 λ) = λ 0.1λ + λ 2 = = λ 2 0.6λ 0.58 λ 1 = λ 1,2 = 0.6 ± ( 0.58) = ; λ 2 = Damit ist λ 1 = der dominante Eigenwert. = 0.6 ± = c Roland Rau Einführung in die formale Demographie 5 / 19
6 Weiteres Beispiel Damit ist λ 1 = der dominante Eigenwert. Ein möglicher dazugehöriger Eigenvektor wäre: (( ) ( )) ( ) ( ) ( ) ( x x1 0 = = x x 2 0) Wie bereits erwähnt lässt sich ein Element eine Eigenvektors frei festlegen (mit der Einschränkung x 0). Wir müssen bei der späteren Interpretation nur darauf achten, dass der Vektor richtig skaliert ist. Um es uns möglichst einfach zu machen, legen wir fest: x 2 = x x 2 = x = = x x 1 = = ( ) Damit wäre ein möglicher Eigenvektor 1 Skaliert, so dass n x i = 1: i=1 ( ) c Roland Rau Einführung in die formale Demographie 6 / 19
7 Weiteres Beispiel Am Computer: > A <- matrix(c(0.5, 0.9, 0.7, 0.1), byrow=true, ncol=2) > A [,1] [,2] [1,] [2,] > eigen(a) $values [1] $vectors [,1] [,2] [1,] [2,] > rechter.eigenvektor1 <- eigen(a)$vectors[,1] > rechter.eigenvektor1 / sum(rechter.eigenvektor1) [1] > > Graphischer Check: c Roland Rau Einführung in die formale Demographie 7 / 19
8 Exkurs: Eigenvektoren in den Sozialwissenschaften Beispiel: Soziale Mobilität von Vater zu Sohn Adaptiert von Bartholomew (1967, S. 17), basierend auf Kemeny and Snell (1960) Non-Manual Manual Farm Non-Manual Manual Farm w w c Roland Rau Einführung in die formale Demographie 8 / 19
9 Exkurs: Eigenvektoren im Alltag Brin and Page (1998) Quelle: Wikimedia c Roland Rau Einführung in die formale Demographie 9 / 19
10 Langfristige Entwicklung: 3 Theoreme: Perron-Frobenius Theorem das starke ergodische Theorem ( strong ergodic theorem ) das schwache ergodische Theorem ( weak ergodic theorem ) c Roland Rau Einführung in die formale Demographie 10 / 19
11 Langfristige Entwicklung: Unterscheidung von Matrizen nicht-negativ reduzierbar nicht-reduzierbar Nicht-reduzierbar: In einem Life-Cycle-Graph existiert ein Pfad von jeder Stufe ( jedem Alter) zu jeder anderen Stufe (Caswell, 2001, S. 81). primitiv imprimitiv Frage: Gehören Übergangsmatrizen von menschlichen Bevölkerungen zu den nicht-reduzierbaren Matrizen? Quelle: Caswell (2001, S. 80), Keyfitz and Caswell (2005, S. 156) c Roland Rau Einführung in die formale Demographie 11 / 19
12 Langfristige Entwicklung: Unterscheidung von Matrizen nicht-negativ Nicht-reduzierbar: In einem Life-Cycle-Graph existiert ein Pfad von jeder Stufe ( jedem Alter) zu jeder anderen Stufe (Caswell, 2001, S. 81). reduzierbar nicht-reduzierbar primitiv imprimitiv Quelle: Caswell (2001, S. 80), Keyfitz and Caswell (2005, S. 156) Primitiv: A sufficient condition for primitivity of an irreducible age-classified matrix is the existence of any two adjacent age classes with positive fertility. (Caswell, 2001, S. 81) Reproduktion muß von mindestens zwei unterschiedlichen Altersstufen aus möglich sein, wobei diese beiden Altersstufen keinen gemeinsamen Nenner grösser als Eins haben dürfen. (Dinkel, 1989, S. 108, Hervorhebung im Original). c Roland Rau Einführung in die formale Demographie 12 / 19
13 Langfristige Entwicklung: Perron-Frobenius Theorem Das Perron-Frobenius Theorem beschreibt die Eigenschaften von nicht-negativen Matrizen, d.h. in einer Matrix A sind alle Elemente a ij 0. Wir beschränken uns jedoch auf reduzierbare Matrizen, d.h. auf Projektionsmatrizen mit post-reproduktiven Altersstufen (typischerweise menschliche Bevölkerungen). (Das Perron-Frobenius Theorem beschreibt auch die Eigenschaften von nicht-reduzierbaren Matrizen, aber das ist nicht unser Thema.) c Roland Rau Einführung in die formale Demographie 13 / 19
14 Langfristige Entwicklung: Perron-Frobenius Theorem Das Perron-Frobenius Theorem für reduzierbare Matrizen besagt: Es gibt einen reellen Eigenwert λ 1 (mit den entsprechenden rechten und linken Eigenvektoren w 1 0 und v 1 0). Für diesen Eigenwert gilt: (Siehe Caswell, 2001, S. 84) λ 1 λ i, fuer i > 1 Unser bisher kennengelernten Eigenvektoren sind rechte Eigenvektoren. Zu den sogenannten linken Eigenvektoren kommen wir noch. c Roland Rau Einführung in die formale Demographie 14 / 19
15 Langfristige Entwicklung: Perron-Frobenius Theorem Beispiel (kein Beweis): > A [,1] [,2] [,3] [,4] [1,] [2,] [3,] [4,] > eigen(a)$values [1] i i [3] i i c Roland Rau Einführung in die formale Demographie 15 / 19
16 Vielen Dank für Ihre Aufmerksamkeit! c Roland Rau Einführung in die formale Demographie 16 / 19
17 Literatur Bartholomew, D. J. (1967). Stochastic Models for Social Processes. London, UK: John Wiley & Sons. Brin, S. and L. Page (1998). The anatomy of a large-scale hypertextual web search engine. Computer networks and ISDN systems 30(1), Caswell, H. (2001). Matrix Population Models. Construction, Analysis, and Interpretation. Second Edition. Sunderland, MA: Sinauer. Dinkel, R. H. (1989). Demographie. Band 1: Bevölkerungsdynamik. München, D: Vahlen. Kemeny, J. G. and J. L. Snell (1960). Finite Markov Chains. Princeton, NJ: D. Van Nostrad. Keyfitz, N. and H. Caswell (2005). Applied Mathematical Demography. Third Edition. New York, NY: Springer. c Roland Rau Einführung in die formale Demographie 17 / 19
18 Lizenz This open-access work is published under the terms of the Creative Commons Attribution NonCommercial License 2.0 Germany, which permits use, reproduction & distribution in any medium for non-commercial purposes, provided the original author(s) and source are given credit. Für ausführlichere Informationen: (Deutsch) (English) c Roland Rau Einführung in die formale Demographie 18 / 19
19 Kontakt Universität Rostock Institut für Soziologie und Demographie Lehrstuhl für Demographie Ulmenstr Rostock Germany Tel.: Fax.: Sprechstunde im WS 2014/2015: Mittwochs, 09:00 10:00 (und nach Vereinbarung) c Roland Rau Einführung in die formale Demographie 19 / 19
Einführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 08. Dezember 2014 c Roland Rau Einführung in die formale Demographie 1 / 27 Vergangene Vorlesung Berechnung
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 26 Januar 2015 c Roland Rau Einführung in die formale Demographie 1 / 10 Wichtige Themen Übersicht I Bevölkerungsbilanzgleichung
MehrDemographie III ROLAND RAU. 06. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 20
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 06. Januar 2014 c Roland Rau Demographie III 1 / 20 Vergangene Vorlesung Langfristige Dynamik im stabilen Modell dominanter Eigenwert
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 17. November 2014 c Roland Rau Einführung in die formale Demographie 1 / 36 Vergangene Vorlesung: Abschluss:
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juni c Roland Rau Demographie IV 1 / 20
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 03. Juni 2013 c Roland Rau Demographie IV 1 / 20 Vergangene Veranstaltung Schätzung der Wachstumsrate r in der stetigen Betrachtungsweise
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1/16
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 8. Juli 2013 c Roland Rau Demographie IV 1/16 Erstellen von Übergangsmatrizen Leslie-Matrix Interpretation: dominanter Eigenwert (λ 1
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Mai c Roland Rau Demographie IV 1 / 20
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 27. Mai 2013 c Roland Rau Demographie IV 1 / 20 Ankündigung Ehrenpromotion Karl Ulrich Mayer am 29. Mai 2013 um 14h Festveranstaltung
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juni c Roland Rau Demographie IV 1 / 19
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 10. Juni 2013 c Roland Rau Demographie IV 1 / 19 Vergangene Woche Dekomposition der rohen Sterbeziffer ( Crude Death Rate, CDR) zwischen
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 19 Januar 2015 c Roland Rau Einführung in die formale Demographie 1 / 32 Vergangene Veranstaltung Durchschnittliches
MehrDemographie I ROLAND RAU, GABRIELE DOBLHAMMER. 19. Dezember Universität Rostock, Wintersemester 2012/2013. References
Demographie I ROLAND RAU, GABRIELE DOBLHAMMER Universität Rostock, Wintersemester 2012/2013 19. Dezember 2012 Beginn der Vorlesung: Wiederholung der wichtigsten Aspekte der Vorlesung vom 12.12.2012. Heutiges
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 28. Januar 2014 Roland Rau Mortalitätsanalyse 1 / 9 Semesterübersicht, Mortalitätsanalyse
MehrWeiterführende formale Demographie
Weiterführende formale Demographie ROLAND RAU Universität Rostock, Sommersemester 2015 20. April 2015 c Roland Rau Weiterführende formale Demographie 1 / 21 Vergangene Woche Wiederholung wichtiger Konzepte
MehrDemographie III ROLAND RAU. 20. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 35
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 20. Januar 2014 c Roland Rau Demographie III 1 / 35 Themen vergangene Vorlesung (13. Januar 2014): Berechnung des durchschnittlichen
MehrForschungspraktikum: Krebssterblichkeit in den USA
Forschungspraktikum: Krebssterblichkeit in den USA ROLAND RAU Universität Rostock, Wintersemester 2014/2015 21. Oktober 2014 Roland Rau Forschungspraktikum: Krebssterblichkeit in den USA 1 / 18 Interessante,
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 18. Juni 2013 c Roland Rau Survival-Analyse 10. Sitzung 1 / 15 Gruppeneinteilung Kurzvorstellung
MehrDemographie III ROLAND RAU. 14. Oktober Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 29
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 14. Oktober 2013 c Roland Rau Demographie III 1 / 29 Organisatorisches: Demographie III Demographie III Vorlesung: Montag 07:30
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 04. Juni 2013 c Roland Rau Survival-Analyse 08. Sitzung 1 / 22 Vergangene Woche Testat Eintragen
MehrAnforderungen der demografischen Forschung an Daten zur Mortalität
Anforderungen der demografischen Forschung an Daten zur Mortalität ROLAND RAU 1,2 1 Universität Rostock, 2 Max-Planck-Institut für demografische Forschung 15. Februar 2017 c Roland Rau, Uni Rostock & MPIDR
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 12. November 2013 c Roland Rau Mortalitätsanalyse 1 / 21 Erinnerung: Paneldiscussion 19.
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 13. Oktober 2014 c Roland Rau Einführung in die formale Demographie 1 / 37 Organisatorisches: Einführung in
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 14. Januar 2014 Roland Rau Mortalitätsanalyse 1 / 24 Vergangene & Heutige Veranstaltung
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 02. April 2013 c Roland Rau Survival-Analyse 01. Sitzung 1 / 21 Formalia & Übersicht Seminar:
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 06. Mai 2014 c Roland Rau Survival Analysis 1 / 23 Fehler in Folie 7 der ersten Veranstaltung Statistische
MehrWeiterführende formale Demographie
Weiterführende formale Demographie ROLAND RAU Universität Rostock, Sommersemester 2015 13. Juli 2015 c Roland Rau Weiterführende formale Demographie 1 / 24 Herzliche Einladung an alle Interessierten zum
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1 / 27
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2014 07. Juli 2014 c Roland Rau Demographie IV 1 / 27 Vergangene Woche: Sterblichkeit und a) Familienstand und b) SES Erklärungen für Sterblichkeit
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 30. April 2013 c Roland Rau Survival-Analyse 03. Sitzung 1 / 32 Anwendungsbeispiel: Exponentialverteilung
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 01. April 2014 c Roland Rau Survival Analysis 1 / 20 Formalia & Übersicht Seminar: wöchentlich um 09:15
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 28. Januar 2015 c Roland Rau Einführung in die Demographie 1 / 18 Hinweis: Die Tutorensprechstunde für die Vorlesung
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 10. November 2014 c Roland Rau Einführung in die formale Demographie 1 / 29 Vergangene und heutige Vorlesung:
MehrDemographie I ROLAND RAU. 29. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie I 1 / 16
Demographie I ROLAND RAU Universität Rostock, Wintersemester 2013/2014 29. Januar 2014 c Roland Rau Demographie I 1 / 16 Vorlesung: 16.10.2013 Was ist Demographie? Bevölkerungsbilanzgleichung Die drei
MehrPanorama der Mathematik und Informatik
Panorama der Mathematik und Informatik 9: Algorithmen II: Google Dirk Frettlöh Technische Fakultät / Richtig Einsteigen 8.6.24 Gründe für den Erfolg von google: Kein Schnickschnack (schlichte Seiten, kluges
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 14. Mai 2013 c Roland Rau Survival-Analyse 06. Sitzung 1 / 23 Hinweis: Interview mit Prof. Matthias
MehrPanorama der Mathematik und Informatik
Panorama der Mathematik und Informatik 2: Algorithmen III: Google Dirk Frettlöh Technische Fakultät / Richtig Einsteigen 2: Algorithmen III: Google Panorama der Mathematik und Informatik Gründe für den
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 22. April 2014 c Roland Rau Survival Analysis 1 / 23 Erinnerung: Prüfungsmodalitäten Nr. Termine evtl.
Mehrfür die Wahrscheinlichkeit, dass die Markov-Kette in t Schritten von Zustand i in Zustand j übergeht. Es ist also P (t) = (P t ) ij.
8 Markov-Ketten 8.1 Grundlegendes zu Markov-Ketten Eine Markov-Kette ist ein stochastischer Prozess, der in diskreten Zeitschritten abläuft. Dabei wird jeweils von einem Zustand in einen nächsten übergegangen.
MehrForschungspraktikum: Krebssterblichkeit in den USA
Forschungspraktikum: Krebssterblichkeit in den USA ROLAND RAU Universität Rostock, Wintersemester 2014/2015 14. Oktober 2014 Roland Rau Forschungspraktikum: Krebssterblichkeit in den USA 1 / 19 Tutoren
MehrReferences. Demographie I ROLAND RAU. Universität Rostock, Wintersemester 2012/ Januar 2013
ROLAND RAU Universität Rostock, Wintersemester 2012/2013 30. Januar 2013 Heutige Veranstaltung = Letzte Veranstaltung Zusammenfassung! Vorlesung: 17.10.2012 Was ist Demographie? Bevölkerungsbilanzgleichung
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1 / 23
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 01. Juli 2013 c Roland Rau Demographie IV 1 / 23 EINLADUNG Das Rektorat, die Fakultäten und die Gesellschaft der Förderer der Universität
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrDiskrete Modellierung
Diskrete Modellierung Wintersemester 2013/14 Prof. Dr. Isolde Adler Letzte Vorlesung: Korrespondenz zwischen der Page-Rank-Eigenschaft und Eigenvektoren zum Eigenwert 1 der Page-Rank-Matrix Markov-Ketten
MehrÜber Konvergente Zerlegungen von Matrizen
Sonderdruck aus "Numerische Mathematik" 20, 32-36 (973) (Q by Springer- Verlag 973 Prinled in Germany Über Konvergente Zerlegungen von Matrizen G. ALE FELD Herrn Professor Dr. Johannes Weissinger zum 60.
MehrDemographie III ROLAND RAU. 04. November Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 34
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 04. November 2013 c Roland Rau Demographie III 1 / 34 Wichtige Konzepte der vergangenen Lehrveranstaltung(en): Bevölkerungen ohne
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Lineare Algebra I Kapitel 8 12. Juni 2013 Logistik Dozent: Olga Holtz, MA 417, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/ holtz Email: holtz@math.tu-berlin.de
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2016/2017 17. Oktober 2016 c Roland Rau Einführung in die formale Demographie 1 / 26 Wichtige Konzepte der vergangenen
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 29. Oktober 2014 c Roland Rau Einführung in die Demographie 1 / 42 Vergangene Veranstaltung: Sterberate Rohe Sterberate
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung
MehrAlgorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs
Algorithmische Bioinformatik II WS2004/05 Ralf Zimmer Part III Probabilistic Modeling IV Bayesian Modeling: Algorithms, EM and MC Methods HMMs Ralf Zimmer, LMU Institut für Informatik, Lehrstuhl für Praktische
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr. 14-16 und n.v. holtz@math.tu-berlin.de Sadegh Jokar MA 373 Sprechstunde, Do. 12-14 und n.v. jokar@math.tu-berlin.de
MehrDas Prinzip der Suchmaschine Google TM
/9 Das Prinzip der Suchmaschine Google TM Numerische Mathematik WS 20/2 Basieren auf dem Paper The $25,000,000,000 Eigenvector: The Linear Algebra behind Google von Kurt Bryan und Tanya Leise (SIAM Review,
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrHauptachsentransformation: Eigenwerte und Eigenvektoren
Hauptachsentransformation: Eigenwerte und Eigenvektoren die bisherigen Betrachtungen beziehen sich im Wesentlichen auf die Standardbasis des R n Nun soll aufgezeigt werden, wie man sich von dieser Einschränkung
MehrBerechnung der Determinante
Berechnung der Determinante Verhalten der Determinante unter elementaren Zeilenoperationen: Das Vertauschen zweier Zeilen/Spalten der Matrix A ändert nur das Vorzeichen der Determinante, d.h: i, j {1,...,
MehrLösung zu Serie [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich:
Lineare Algebra D-MATH, HS 04 Prof. Richard Pink Lösung zu Serie. [Aufgabe] Faktorisieren Sie die folgenden Polynome so weit wie möglich: a) F (X) := X 5 X in R[X] und C[X]. b) F (X) := X 4 +X 3 +X in
MehrKapitel 5 : Eigenwerte und Eigenvektoren
Kapitel 5 : Eigenwerte und Eigenvektoren 5.1 Definition und allgemeine Eigenschaften Definition 5.1 Sei A eine quadratische (n n)-matrix. λ C heißt Eigenwert von A, wenn ein Vektor x C n mit x 0 existiert,
MehrDas Pagerank-Verfahren (und Markovketten) 16. Dezember 2013
Das Pagerank-Verfahren (und Markovketten) 16. Dezember 2013 Gegeben: Eine Sammlung von N Web-Seiten, die (teilweise) { untereinander verlinkt sind. 1 wenn Seite i auf Seite j verweist Sei L ij = 0 sonst
MehrDas characteristische Polynom und der Satz von Cayley-Hamilton
Das characteristische Polynom und der Satz von Cayley-Hamilton Lineare Algebra I Kapitel 8 11. Juni 2013 Logistik Dozent: Olga Holtz, MA 417, Sprechstunden Freitag 14-16 Webseite: www.math.tu-berlin.de/
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrSerie a) Welche der folgenden Vektoren sind Eigenvektoren der Matrix 1 0 1? 0 1 1
Prof. Norbert Hungerbühler Serie Lineare Algebra II ETH Zürich - D-MAVT. a Welche der folgenden Vektoren sind Eigenvektoren der Matrix? i (,,. ii (,,. iii (,,. iv (, 3,. v (,,. Ein Vektor v ist Eigenvektor
MehrModulprüfung Mathematik I Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik, Wirtschaftsinformatik WS 2013/
Fakultät für Mathematik Institut für Algebra und Geometrie Prof. Dr. Martin Henk, Dr. Michael Höding Modulprüfung Mathematik I Fachrichtung: Computer Science in Engineering, Computervisualistik, Informatik,
MehrLineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag
MATHEMATISCHES INSTITUT DER UNIVERSITÄT MÜNCHEN Dr E Schörner WS / Blatt 6 Übungen zur Vorlesung Lineare Algebra und analytische Geometrie I (Unterrichtsfach) Lösungsvorschlag Wir verwenden das Unterraumkriterium,
MehrSerie 1: Eigenwerte & Eigenvektoren
D-MATH Lineare Algebra II FS 2017 Dr. Meike Akveld Serie 1: Eigenwerte & Eigenvektoren 1. Beweisen oder widerlegen Sie, dass die folgenden Paare von Matrizen über dem angegebenen Körper zueinander ähnlich
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
MehrLösungen Serie 2. D-MAVT Lineare Algebra II FS 2018 Prof. Dr. N. Hungerbühler 1 0 1? 0 1 1
D-MAVT Lineare Algebra II FS 8 Prof. Dr. N. Hungerbühler Lösungen Serie. Welche der folgenden Vektoren sind Eigenvektoren der Matrix? (a) (,, ). Ein Vektor v ist Eigenvektor von A :=, falls Av ein skalares
Mehrdie Relevanz von Webseiten bestimmt Alexander Pohl
Wie die Relevanz von Webseiten bestimmt Alexander Pohl Gliederung 1. Einleitung 2. Das Web als Graph 3. Das Random Surfer Modell 4. Gleichgewicht im Random Surfer Modell (?) 5. Vervollständigung des Modells:
MehrThe projectivity of the moduli space of stable curves. I: Preliminaries on "det"...
The projectivity of the moduli space of stable curves. I: Preliminaries on "det"... Knudsen, Finn; Mumford, David pp. 19-55 Terms and Conditions The Göttingen State and University Library provides access
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte Teschl/Teschl 4. Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x 0, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrGlobale Symmetrie von stochastischen Teilchenbewegungen mit lokal symmetrischer Interaktion
Research Collection Doctoral Thesis Globale Symmetrie von stochastischen Teilchenbewegungen mit lokal symmetrischer Interaktion Author(s): Barner, Andreas Publication Date: 1983 Permanent Link: https://doi.org/10.3929/ethz-a-000294972
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrUniversalität für Wigner Matrizen
Universalität für Wigner Matrizen Benjamin Schlein, Universität Zürich HSGYM Tag 29. Januar 2015 1 1. Einführung Zufallmatrizen: sind N N Matrizen dessen Einträge Zufallsvariablen mit gegebenen Verteilung
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2015/2016 27. Januar 2016 c Roland Rau Einführung in die Demographie 1 / 1 Hinweis: Die Tutorensprechstunde findet am 29.01.2016
MehrProzesse dieser Art sind in der Informatik z.b. bei der Untersuchung der Auslastung von Servern wichtig (Warteschlangenmodelle).
77 Markowketten 77 Motivation Der Zustand eines Systems zur Zeit n N werde durch eine Zufallsvariable X n beschrieben und soll nur von X n abhängen (nicht jedoch von früheren Zuständen X n, X n 3, ) Wir
MehrAnalysis 2, Woche 9. Mehrdimensionale Differentialrechnung I. 9.1 Differenzierbarkeit
A Analysis, Woche 9 Mehrdimensionale Differentialrechnung I A 9. Differenzierbarkeit A3 =. (9.) Definition 9. Sei U R m offen, f : U R n eine Funktion und a R m. Die Funktion f heißt differenzierbar in
MehrIII Das Symmetrische Eigenwertproblem (SEP)
III Das Symmetrische Eigenwertproblem (SEP) III3 Algorithmen für symmetrische tridiagonale Eigenwertprobleme Sei im folgenden a b A = b a b b n a n b n b n a n R n n, zb nach Householder- oder Lanczos(im
MehrWirtschafts- und Finanzmathematik
Prof Dr Stefan Etschberger HSA Wirtschafts- und Finanzmathematik für Betriebswirtschaft und International Management Wintersemester 2016/17 Determinanten: Vorüberlegung Permutationen und Inversionen
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
MehrÜbungsaufgaben Lösungen
Übungsaufgaben Lösungen Stochastische Matrizen, Markov-Prozesse MV5.1 Eine N N-Matrix P heißt stochastisch, wenn ihre Matrixelemente nicht-negativ sind und alle Zeilensummen 1 ergeben. In Formeln: P ij
MehrVorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10)
Vorlesung Mathematik für Ingenieure 3 (Wintersemester 2009/10) Kapitel 15: Eigenwerte und -vektoren Volker Kaibel Otto-von-Guericke Universität Magdeburg (Version vom 5. November 2009) Diagonalisierbarkeit
MehrRobert Denk Proseminar Analysis WS 2016/17
1. Inhalt des Proseminars 1 Robert Denk 21.07.2016 Proseminar Analysis WS 2016/17 1. Inhalt des Proseminars Die Grundidee einer Fourierreihe besteht darin, eine Funktion als Überlagerung von Schwingungen,
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrDemographie IV Übung
Demographie IV Übung Roland Rau roland.rau@uni-rostock.de 0. Juni 014 In der heutigen Übung befassen wir uns mit Altersstandardisierung und Dekomposition. Dahinter steckt die Idee die rohe Sterbeziffer
MehrMusterlösungen für die Nachklausur in LinAlg vom
Musterlösungen für die Nachklausur in LinAlg vom 10.10.16 1. Finden Sie mindestens ) zwei Dreh )Matrizen ) M R 2 2 mit der Eigenschaft 1 0 M = : M = ± 1 1 2 ±1 1 k k 1 k 2. Sei A R 3 3 die Matrix A = 0
MehrEinführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB)
Einführung in numerische Methoden für Ingenieure (nach A. Quarteroni, F. Saleri: Wissenschaftliches Rechnen mit MATLAB) Prof. R. Leithner, Dipl. Phys. E. Zander Wintersemester 2010/2011 Kapitel 6 Eigenwerte
Mehr9 Lineare Differentialgleichungen erster und zweiter Ordnung mit konstanten Koeffizienten
9 Lineare Differentialgleichungen erster und zweiter Ordnung mit konstanten Koeffizienten Jörn Loviscach Versionsstand: 28. März 2015, 21:40 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen
MehrEigenwerte (Teschl/Teschl 14.2)
Eigenwerte (Teschl/Teschl 4.2 Ein Eigenvektor einer quadratischen n nmatrix A ist ein Vektor x R n mit x, für den Ax ein skalares Vielfaches von x ist, es also einen Skalar λ gibt mit Ax = λ x Ax λ x =
MehrLineare Algebra - Übungen 7 WS 2017/18
Prof. Dr. A. Maas Institut für Physik N A W I G R A Z Lineare Algebra - Übungen 7 WS 017/18 Aufgabe P0: Paulimatrizen Präsenzaufgaben 14. Dezember 017 Berechnen Sie für die Paulimatrizen σ 1 = ( ) 0 1,
MehrEXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME
EXKURS: MATRIZEN UND LINEARE GLEICHUNGSSYSTEME In diesem Abschnitt wiederholen wir zunächst grundlegende Definitionen und Eigenschaften im Bereich der Matrizenrechnung, die wahrscheinlich bereits in Ansätzen
MehrWirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA)
Wirtschaftsmathematik für International Management (BA) und Betriebswirtschaft (BA) Wintersemester 2014/15 Hochschule Augsburg Sätze PLUS Es gilt für A, B R n n : det(ab) = det A det B (Determinantenmultiplikationssatz)
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 15. Oktober 2014 c Roland Rau Einführung in die Demographie 1 / 46 Gliederung 1 Formalia 2 Überblick zur demographischen
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 2
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 25): Lineare Algebra und analytische Geometrie 2 2. (Frühjahr 29, Thema 3, Aufgabe 3) Gegeben sei die reelle 3 3 Matrix 4 2 A = 2 7 2 R 3 3. 2 2 a)
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 22. Oktober 2014 c Roland Rau Einführung in die Demographie 1 / 32 Vergangene Veranstaltung Kernfrage: P 1? P2 Die
MehrRandomisierte Algorithmen
Randomisierte Algorithmen Randomisierte Algorithmen Thomas Worsch Fakultät für Informatik Karlsruher Institut für Technologie Wintersemester 2018/2019 1 / 40 Überblick Überblick Grundlegendes zu Markov-Ketten
MehrReduced-Rank Least Squares Modelle
16.12.2008 Wiederholung Gegeben: Matrix A m n Paar Rechter Eigenvektor x, Eigenwert λ: A x = λ x mit x R n \ 0, λ N Paar Linker Eigenvektor y, Eigenwert λ: y T A = λ y T Singulärwertzerlegung (SVD): A
MehrExkurs: Klassifikation orthogonaler 2 2-Matrizen.
Exkurs: Klassifikation orthogonaler 2 2-Matrizen. Aussage: Es gilt: (a) Jede orthogonale 2 2 Matrix A mit det(a) = 1 hat das Aussehen cos(α) sin(α) D(α) = sin(α) cos(α), wobei α [0,2π[. Ist sin(α) 0, so
Mehr