Neuronale Verfahren zur Regression

Größe: px
Ab Seite anzeigen:

Download "Neuronale Verfahren zur Regression"

Transkript

1 Neuroale Verfahre zur Regresso eares oell Vo Percetro zu ultlage-percetro Error-BAckroagato erregel Raale Bassfuktoe-Netze P r art Stetter Sees AG Regresso

2 as leare oell Ausgagsukt: eares Percetro Fttet Ebee t Graet Iteressater: eares Percetro t Vorverarbetug h h + h + + h Percetro t VV st lear Aber: Nchtlear Fuktoe h s vo a vorgegebe ere cht gelert 3 h h h eares oelleuro 3 eares oelleuro P r art Stetter Sees AG Regresso: eares oell

3 P r art Stetter Sees AG 3 Geschrebe als Regressosoell Allgee: f + eares oell: h + Bs: Polo-Ft: h h 3 h Ersche Forulerug esg-atr: Betrachte atesatz } { + h h h h h h O h + Outut esg-atr Paraeter Rausche Regresso: eares oell

4 P r art Stetter Sees AG 4 -Paraeterschätzug es leare oells Aahe: Gausssches eßes Rausche e e π π Regresso: eares oell kelhoo: e au-kelhoo Paraeter l! 0 + aaltsch berechebar!

5 P r art Stetter Sees AG 5 Regresso: eares oell Schätzug er Rauschvaraz : R : Schätzer es Rauschvektors: I R Resuu-erzeugee atr: Schätzer Rauschvaraz: Az geschätzter Paraeter R tr Be: Rausch-Schätzug etsrcht Schätzug ees kelhoo-eraraeters kelhoo-erara: α er: e AP/: aere bez: e π Sehe -Bs:

6 P r art Stetter Sees AG 6 Schätzug er Paraetervaraz Regresso: eares oell l l Σ Kovarazatr er Paraeter: Σ / / : Z Σ Geschätztes Sgal-Rausch-Verhälts: er Z-score: Beobachtug:

7 as ultlage-percetro P otvato: Nervezelle Gehr s htereaergeschaltet Geschachtelte chtleare rasforatoe s ächtger als ee ezge Aufbau Fee-forar Iut 0 0 Schcht Schcht Jees Neuro gbt chtleare Fukto g es suerte Iuts eter t g θ g Bs: ze Schchte: g P r art Stetter Sees AG Regresso: P 7 u g v θ q r qr r g Sgoe rasferfukto

8 Als Regressosoell geschrebe g k g q q + g k q 0 Wchtgket er Nchtleartät: Falls g lear etsrcht P eschchtge Fall k k k k 0 k k 0 k Uversale Aroatosegeschaft E reschchtges Netz ka ee belebge kotuerlche Fukto aroere Aschaulch: u k k Schcht aa urch Kobato vo Perceros Schcht okalserte Atort urch sgoe rasforato 3 Schcht Kobato zur geüschte Fukto P r art Stetter Sees AG Regresso: P 8

9 Uklar Wevele versteckte Neuroe ere beötgt We schert a sch gege Überftte ab? > Kreuzvalerug We traert a e versteckte Neuroe? > Error-Backroagato-Algorthus Ruelhart Werbos `80er Jahre ẑ Jetzt: Betrachte zeschchtges Netzerk ẑ g u g u g v q q q q q r qr r q u q atesatz F Fehlerfukto: oular: { z z z } F E v z g u g q q r qr r u v q E z g u g v v qr r q r qr r P r art Stetter Sees AG Regresso: P 9

10 Backroagato Algorthus: erletug --> Geschckte Aeug es Graeteabstegs ef: Iuts a u q q q q b r vqr r ef Fehler: E z g u q qg v r qr r z g u qg b Partelle Abletuge für Versteckt-zu-Outut Gechte E u z z z u z g a z z q q z a z g a u δ Partelle Abletuge für Iut-zu-Versteckt Gechte E v k a z z g a v k δ b δ u g b δ k v k { : δ k δ v k v δ δ z z g a u g q q r qr r δ Error δ u g b Error-Backroagato P r art Stetter Sees AG Regresso: P 0

11 Error-Backroagato Algorthus: Ileeterug Präsetere uster Sgal forar-roagato: ẑ ẑ a z Bereche u sechere vo eer Schcht e Iuts u Aktvtäte also b q v r qr r g b q a u q q z g a r q r q b q Bereche Fehler a er Oututschcht δ z z g a Error-Backroagato: roagere Fehler urch versteckte Schchte zurück δ q δ u g b q ere t Regel: q E Δ u η ηδ u Δv k ηδ k z z g a δ δ q P r art Stetter Sees AG Regresso: P

12 Raale Bassfuktoe RBF Netzerke otvato: br zsche leare oell u uversale Fuktosaroator Aroere Outut als leare Sue chtlearer Gauss- Fuktoe Aufbau Schcht Gauss-Fuktoe aroere Segete es Iuts ϕ µ Ó Schcht: earkobato er Gaussfuktoe f ϕ µ Ó Iut Schcht Schcht ϕ µ Ó f f Be: -- Schcht chtlear aber Gausssch > effzet zu otere -- Schcht etsrcht Schcht es uversale Aroators -- Schcht lear > efache aaltsche ösug P r art Stetter Sees AG Regresso: RBF

13 Oterug Otere µσ er Gaussfuktoe ur basere auf Iut-ate -- Etsrcht ture of Gaussa chteschätzer Φ ì Ó : ϕ µ Ó ϕ µ Ó Φ Veree otale Gaussfuktoe als oellfuktoe ees leare oells f WΦ + } W Φ Φ Φ Y -- Y ef: -- Φ ϕ P r art Stetter Sees AG Regresso: P 3

14 Behaelte hee 0 otvato : ere Statstk u Bologe Wahrschelchketstheore: Grulage u eftoe Überblck über statstsche ateoellerugs-verfahre 3 ere vo ateoelle Baes sches Schleße Iferez au-kelhoo Paraeterschätzug u Fehlererug Geeralserug u Regularserug Oterugsverfahre 4 Neuroale erverfahre für Klassfkato Percetro Soft-arg Classfers Suort Vector ache Kerel-Klassfkato 5 Neuroale erverfahre für Regresso eare oelle ultlage-percetro Raale Bassfuktoe P r art Stetter Sees AG Statstsche u euroale erverfahre 4

Klassifikation mit dem Perceptron von Rosenblatt. Vom Perceptron zum Multilagen-Perceptron. Error-Backpropagation Lernregel

Klassifikation mit dem Perceptron von Rosenblatt. Vom Perceptron zum Multilagen-Perceptron. Error-Backpropagation Lernregel Neuronale Verfahren zur Funktonsaromaton Klassfkaton mt em Percetron von Rosenblatt Vom Percetron zum Multlagen-Percetron Error-Backroagaton ernregel Raale Bassfunktonen-Netze PD Dr Martn Stetter, Semens

Mehr

Lineare Regression: Das lineare Modell

Lineare Regression: Das lineare Modell Leare Regresso: Das leare Moell Problemstellug am Besel fuktoeller Kerstomograhe fmri Leares Percetro u Leare Regresso Parameterschätzug Varazschätzug u Kofeztervalle Aeugsbesel fmri-aalse: raktverug als

Mehr

Kapitel 6: Regression

Kapitel 6: Regression udwg-maxmlas-uverstät Müche Isttut für Iformatk ehr- ud Forschugsehet für Datebaksysteme Skrpt zur Vorlesug Kowledge Dscovery Databases m Sommersemester 05 Kaptel 6: Regresso Vorlesug: PD Dr. Arthur Zmek

Mehr

Mathematik für VIW - Prof. Dr. M. Ludwig ( ) ( ) ( ) n f. bestimmt m Funktionen. durch die Festlegung f (,,

Mathematik für VIW - Prof. Dr. M. Ludwig ( ) ( ) ( ) n f. bestimmt m Funktionen. durch die Festlegung f (,, Matheatk ür VIW - Pro. Dr. M. Ludwg 8. Deretato reeller Fuktoe ehrerer Varabler 8. Skalare Felder Vektorelder Koordatesystee Bsher wurde reelle Fuktoe ür ee Varable utersucht: : D t der egeührte Schrebwese

Mehr

Scatterplots. Scatterplot Zweidimensionale Stichproben können als Punkte in der Ebene dargestellt werden. Länge und Breite von Venusmuscheln

Scatterplots. Scatterplot Zweidimensionale Stichproben können als Punkte in der Ebene dargestellt werden. Länge und Breite von Venusmuscheln Scatterplots emprsche Eletug Trasformatoe Exteres Fle Iput-Awesug SAS-Fles Output-Awesug DO-Schlefe Populato Wahrschelchket Zufallsvarable Dskrete Zufallsvarable Stetge Zufallsvarable Normalvertelug (1)

Mehr

Regelungs- und Systemtechnik 3

Regelungs- und Systemtechnik 3 Regelug Mechatroscher stee Regelugs- u stetech 3 aptel 3: ala-flter Prof. Dr.-g. Pu L Fachgebet ulato u Optale Proesse OP Dsrete asche stee 4 3 0 Zustasvarable: e st otuerlch aber cht ffereerbar. u u u

Mehr

Statistik. ist die Kunst, Daten zu gewinnen, darzustellen, zu analysieren und zu interpretieren um zu neuem Wissen zu gelangen.

Statistik. ist die Kunst, Daten zu gewinnen, darzustellen, zu analysieren und zu interpretieren um zu neuem Wissen zu gelangen. Statstk st de Kust, Date zu gewe, darzustelle, zu aalysere ud zu terpretere um zu euem Wsse zu gelage. Sachs (984) Aufgabe De Statstk hat also folgede Aufgabe: Zusammefassug vo Date Darstellug vo Date

Mehr

Einführung 2. Teil: Fehleranalyse

Einführung 2. Teil: Fehleranalyse Phskalsch-chesches Praktku I Modul Eführug. Tel: Fehleraalse Ja Helbg, 7.09.08 Uterlage: htt://www.che.uzh.ch/stud/old/docuets/ear/che3.htl Fehlerrechug Gesucht: wahrer Wert eer Grösse Aber: Sere vo Messuge

Mehr

Eigenschaften der arithmetischen Mittel. Schätzer für die Varianz. Allgeimeines Method: Likelihood Funktion. Schätzer für die Wahrscheinlichkeit

Eigenschaften der arithmetischen Mittel. Schätzer für die Varianz. Allgeimeines Method: Likelihood Funktion. Schätzer für die Wahrscheinlichkeit Statstk. Vorlesug, September 6, 009 Egeschafte er arthmetsche Mttel für alle Fälle wo e Stchprobeelemete habe e selbe Vertelug u s uabhägg: E ( = mvar, ( = / Staarabwechug (Staarfehler: D ( = / Korrektur

Mehr

Kapitel XI. Funktionen mit mehreren Variablen

Kapitel XI. Funktionen mit mehreren Variablen Kaptel XI Fuktoe mt mehrere Varable D (Fuktoe vo uabhägge Varable Se R ud D( f R Ist jedem Vektor (Pukt (,,, D( f durch ee Vorschrft f ee reelle Zahl z = f (,,, zugeordet, so heßt f ee Fukto vo uabhägge

Mehr

3. Das Messergebnis. Was ist ein Messergebnis?

3. Das Messergebnis. Was ist ein Messergebnis? . Das Messergebs Was st e Messergebs? Wederholug der Messug Wahrer Wert? Mehrere Eflussgröße Fehlerbetrachtug Messergebs Vorgeheswese für Messergebs. Bestmmug des bekate systematsche Fehlers 2. Aufahme

Mehr

Verteilungen und Schätzungen

Verteilungen und Schätzungen Verteluge ud Schätzuge Zufallseperet Grudbegrffe Vorgag ach eer bestte Vorschrft ausgeführt ( Przp) belebg oft wederholbar se Ergebs st zufallsabhägg be ehralge Durchführug des Eperets beeflusse de Ergebsse

Mehr

Regressionsrechnung und Korrelationsrechnung

Regressionsrechnung und Korrelationsrechnung Regressosrechug ud Korrelatosrechug Beschrebede Statstk Modul : Probleme be der Abhäggketsaalyse Problem : Es gbt mest cht ur ee Eflussfaktor (Probleme sd selte mookausal ) A Ursache() Wrkug B C - efache

Mehr

Einführung Fehlerrechnung

Einführung Fehlerrechnung IV Eführug Fehlerrechug Fehlerrechuge werde durchgeführt, um de Vertraueswürdgket vo Meßergebsse beurtele zu köe. Uter dem Fehler eer Messug versteht ma de Abwechug ees Meßergebsses vom (grudsätzlch ubekate

Mehr

κ Κα π Κ α α Κ Α

κ Κα π Κ α α Κ Α κ Κα π Κ α α Κ Α Ζ Μ Κ κ Ε Φ π Α Γ Κ Μ Ν Ξ λ Γ Ξ Ν Μ Ν Ξ Ξ Τ κ ζ Ν Ν ψ Υ α α α Κ α π α ψ Κ α α α α α Α Κ Ε α α α α α α α Α α α α α η Ε α α α Ξ α α Γ Α Κ Κ Κ Ε λ Ε Ν Ε θ Ξ κ Ε Ν Κ Μ Ν Τ μ Υ Γ φ Ε Κ Τ θ

Mehr

( x) eine Funktion definiert, in der nur die i-te Komponente variabel ist. Folgende Schreibweisen werden aufgrund dieser Anmerkungen auch verwendet:

( x) eine Funktion definiert, in der nur die i-te Komponente variabel ist. Folgende Schreibweisen werden aufgrund dieser Anmerkungen auch verwendet: Pro. Dr. Fredel Bolle LS ür Volkswrtschatslehre sb. Wrtschatstheore (Mkroökoome) Vorlesug Mathematk - WS 008/009 4. Deretalrechug reeller Fuktoe IR IR (Karma, S. 00 06, dort glech ür IR IR m ) 4. Partelle

Mehr

Hier die ausführlichen Lösungen (wenn auch nicht druckreif ): Zeigen Sie für vollkommene Konkurrenz auf dem Faktormarkt:

Hier die ausführlichen Lösungen (wenn auch nicht druckreif ): Zeigen Sie für vollkommene Konkurrenz auf dem Faktormarkt: Her de ausführlche Lösuge (e auch cht druckref ): ufgabeblatt 5: ufgabe : Zege Se für ollkoee Kokurrez auf de Faktorarkt: a) e ollstädger Kokurrez auf de Güterarkt rd jeder Faktor t see Wertgrezrodukt

Mehr

Vektorraummodell. Michael Granitzer Know-Center - gefördert durch das Kompetenzzentrenprogramm

Vektorraummodell.  Michael Granitzer Know-Center - gefördert durch das Kompetenzzentrenprogramm Vektorrauoell Mchael Gratzer gra@ko-ceter.at / - geförert urch as Kopetezzetreprogra Vektorrauoell Ausgagsbass Gegebe: Vorverarbetug vo Dokuete Tokezato POS Taggg Nae Etty Extracto Mege vo Merkale pro

Mehr

a) bei unklassierten Daten b) bei klassierten Daten a) bei einer ungeraden Anzahl von Werten b) bei einer geraden Anzahl von Werten

a) bei unklassierten Daten b) bei klassierten Daten a) bei einer ungeraden Anzahl von Werten b) bei einer geraden Anzahl von Werten Eprche Vertelufuto Eprche Vertelufuto 0 für a F f für a ud a für a Stete eprche Vertelufuto F F 0 f für für d für 0 Stattche Laeaße rthetche Mttel a be ulaerte Date b be laerte Date Meda f a be eer uerade

Mehr

Der Approximationssatz von Weierstraß

Der Approximationssatz von Weierstraß Der Approxmatossatz vo Weerstraß Ja Köster 22. Oktober 2007 1 Eführug Aus der Aalyss wsse wr, dass sch aalytsche Fuktoe durch Potezrehe der Form f(x = a 0 + a 1 x + a 2 x 2 +... darstelle lasse. Dabe kovergert

Mehr

Optimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R

Optimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R Optmerugsverfahre: Motvato Bayes-Formalsmus -- egatve log-lkelhoo -- egatver log-pror -- Max. a Posteror! l p( D! l p( + cost = m Schätztheore -- Fehlerfukto L -- Regularserugsfukto R -- F ( = L( +! R(

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk ud Wahrschelchketsrechug Mathas Graf 8.04.009 Ihalt der heutge Vorlesug Auswahl eer Vertelugsfukto: Wahrschelchketspaper Schätzug ud Modelletwcklug: Methode der Momete Methode der Maxmum Lkelhood

Mehr

Es wird zwischen expliziter und impliziter Integration unterschieden. Die explizite Integration hat die Form:

Es wird zwischen expliziter und impliziter Integration unterschieden. Die explizite Integration hat die Form: Eleg er Grgeae er olgee beschrebee Verahre beseh ar, ass a as Glechgewch r z bese Zee bes. ese Vorgeheswese a be Aagswerroblee agewee were. Bege beae Were z Ze wr schrwese er Glechgewchszsa z ee säere

Mehr

5 Reproduktions- und Grenzwertsätze

5 Reproduktions- und Grenzwertsätze Reproduktos- ud Grezwertsätze Reproduktos- ud Grezwertsätze. Reproduktossätze Bespel 0: Der Aufzug eer Frma st zugelasse für Persoe bzw. 000 kg. Das Durchschttsgewcht der Agestellte der Frma st µ = 80

Mehr

Stichprobenmodell der linearen Einfachregression

Stichprobenmodell der linearen Einfachregression Stchproemodell der leare Efachregresso Stchproemodell der leare Efachregresso Vertelug der Stchproekoeffzete Prof. Kück / Dr. Rcaal Delgado Lehrstuhl Statstk Regresso III lografe: Prof. Dr. Kück verstät

Mehr

19. Amortisierte Analyse

19. Amortisierte Analyse 9. Amortserte Aalyse Amortserte Aalyse wrd egesetzt zur Aalyse der Laufzet vo Operatoe Datestrukture. Allerdgs wrd cht mehr Laufzet ezeler Operatoe aalysert, soder de Gesamtlaufzet eer Folge vo Operatoe.

Mehr

Statistik. (Inferenzstatistik)

Statistik. (Inferenzstatistik) Statstk Mathematsche Hlfswsseschaft mt der Aufgabe, Methode für de Sammlug, Aufberetug, Aalyse ud Iterpretato vo umersche Date beretzustelle, um de Struktur vo Masseerscheuge zu erkee. Deskrptve (beschrebede)

Mehr

Varianzfortpflanzung

Varianzfortpflanzung 5.0 / SES.5 Parameterschätzug Varazortplazug Torste Maer-Gürr Torste Maer-Gürr Dskrete Zuallsvarable Ee dskrete Zuallsvarable mmt edlch vele oder abzählbar uedlch vele Werte a. - Werte: - Wahrschelchket:,,,,,,,,

Mehr

Der Korrelationskoeffizient ist ein Maß für den linearen Zusammenhang zwischen zwei Variablen X und Y. Er ist durch folgende Formel charakterisiert:

Der Korrelationskoeffizient ist ein Maß für den linearen Zusammenhang zwischen zwei Variablen X und Y. Er ist durch folgende Formel charakterisiert: Korrelatoskoeffzet Der Korrelatoskoeffzet st e Maß für de leare Zusammehag zwsche zwe Varable X ud Y. Er st durch folgede Formel charaktersert: r xy corr XY ( x x)( y y) ( ) x x ( y y) x x y x ( ) ( )

Mehr

Korrelations- und Regressionsanalyse

Korrelations- und Regressionsanalyse Kaptel VI Korrelatos- ud Regressosaalse B 6 (Gegestad der Korrelatos- ud Regressosaalse) Währed de Korrelatosaalse de Estez, de Stärke ud de Rchtug des Zusammehags zwsche zwe oder mehrere statstsche Varable

Mehr

Klausur SS 2005 Version 1

Klausur SS 2005 Version 1 BEMERKUG: für de Rchtgket der Lösuge wrd atürlch kee Garate überomme!! Klausur SS 005 Verso Aufgabe : e Gamma-Quat hat kee Ladug > el. Felder übe kee Kräfte aus > kee Kräfte, kee Äderug der Bewegug (ewto)

Mehr

3 Finite Difference Time Domain Method (FDTD)

3 Finite Difference Time Domain Method (FDTD) - - Fe eree Te oa Mehod FT. sehug der Mehode. skaare Weegehug Lösuge: = F + F + Taorrehe ür vo Puk 0 u Puk 0 ± u Zeuk :... 6... 6 Addo beder Ausdrüke:... Zerae eree Aroao der. Abeug. Geaugke:. rdug Feher

Mehr

Eindimensionale Regression. Eindimensionale Regression. Regressionsgerade. Güte des Regressionsmodells. Vertrauensintervalle

Eindimensionale Regression. Eindimensionale Regression. Regressionsgerade. Güte des Regressionsmodells. Vertrauensintervalle TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Bometrsche ud Ökoometrsche Methode I WS 00/0 Regressosgerade Edmesoaleegressosmodell Emprsche

Mehr

Statistische Grundlagen Ein kurzer Überblick (diskret)

Statistische Grundlagen Ein kurzer Überblick (diskret) Prof. J.C. Jackwerth 1 Statstsche Grudlage E kurzer Überblck (dskret De wchtgste Begrffe ud Deftoe: 1 Erwartugswert Varaz / Stadardabwechug 3 Stchprobevaraz 4 Kovaraz 5 Korrelatoskoeffzet 6 Uabhäggket

Mehr

Klausur Statistik IV Sommersemester 2009

Klausur Statistik IV Sommersemester 2009 Klausur Statstk IV (Lösug) Name, Vorame 013456 Klausur Statstk IV Sommersemester 009 Prof. Dr. Torste Hothor Isttut für Statstk Name: Name, Vorame Matrkelummer: 013456 Wchtg: ˆ Überprüfe Se, ob Ihr Klausurexemplar

Mehr

Ein paar einfache q-analoga des binomischen Lehrsatzes

Ein paar einfache q-analoga des binomischen Lehrsatzes E paar efache -Aaloga des bosche Lehrsatzes Joha Cgler Sowet r beat st, gbt es ee allgeee Utersuchuge darüber, we sch das Reurrezverhalte vo Boalsue ädert, we a de Boaloeffzete durch ersetzt U ee erste

Mehr

6.3.1 Allgemeiner Bayes-Filter

6.3.1 Allgemeiner Bayes-Filter 6.3 Baes Fler 6.3. Allgemener Baes-Fler Sa von Baes ' ' ' η Sa über de oale Wahrschenlchke Besel oen oen oen Beobachung lecher u ermeln Besel oen.6 oen. 3 oen.5 oen. 5 oen oen oen oen oen oen oen.6.5 oen.6.5.3.5

Mehr

Einführung 2. Teil: Fehleranalyse

Einführung 2. Teil: Fehleranalyse Phscal Chemstr Phskalsch-chemsches Praktkum I Modul Eführug. Tel: Fehleraalse Ja Helbg, 9.09.06 Uterlage: htt://www.chem.uzh.ch/stud/old/documets/ear/che3.html Fehlerrechug Phscal Chemstr Gesucht: wahrer

Mehr

( ) ( ) ( ) ( ) è ø. P A Wahrscheinlichkeitsmaß. lim n. Dr. Christian Schwarz 4. KOMBINATORIK Permutationen

( ) ( ) ( ) ( ) è ø. P A Wahrscheinlichkeitsmaß. lim n. Dr. Christian Schwarz 4. KOMBINATORIK Permutationen BBA Projektsemar Thess Dr. Chrsta Schwarz Formelsammlug Aalytsche Statstk 4. KOMBINATORIK 4.. Permutatoe Azahl der Permutatoe vo N Elemete ohe Wederholug: Multomalkoeffzet: N! = N N- N -... 3 N! N! N!...

Mehr

Fehlerrechnung im Praktikum

Fehlerrechnung im Praktikum Fehlerrechug m Pratum Pratum Phsalsche Cheme (A. Dael Boese) I chts zegt sch der Magel a mathematscher Bldug mehr, als eer überbertrebe geaue Rechug. Carl Fredrch Gauß, 777-855 Themegebete Utertelug vo

Mehr

Quellencodierung I: Redundanzreduktion, redundanzsparende Codes

Quellencodierung I: Redundanzreduktion, redundanzsparende Codes Quellecoderug I: Redudazredukto, redudazsparede Codes Quellecoderug Durch de Quellecoderug werde de Date aus der Quelle codert, bevor se ee Übertragugskaal übertrage werde De Coderug det der Verkleerug

Mehr

Elemente der Algebra und Zahlentheorie Musterlösung, Serie 7, Wintersemester vom 21. Januar 2006

Elemente der Algebra und Zahlentheorie Musterlösung, Serie 7, Wintersemester vom 21. Januar 2006 Prof. E.-W. Zk Isttut für Matheatk Huboldt-Uverstät zu Berl Eleete der Algebra ud Zahletheore Musterlösug, Sere 7, Wterseester 2005-06 vo 21. Jauar 2006 1. Se = 2 p 1 Mersee-Zahl, d.h. p P 1. a) Zege:

Mehr

Im Wöhlerdiagramm wird die Lebensdauer (Lastwechsel oder Laufzeit) eines Bauteils in Abhängigkeit von der Belastung dargestellt.

Im Wöhlerdiagramm wird die Lebensdauer (Lastwechsel oder Laufzeit) eines Bauteils in Abhängigkeit von der Belastung dargestellt. Webull & Wöhler 0 CRGRAPH Wöhlerdagramm Im Wöhlerdagramm wrd de Lebesdauer ( oder Laufzet) ees Bautels Abhägget vo der Belastug dargestellt. Kurzetfestget Beaspruchug Zetfestget auerfestget 0 5 3 4 6 0

Mehr

Graphische Datenverarbeitung

Graphische Datenverarbeitung Graphsche Dateerarbetg Notatoe d Recheregel für Vektore d atre Prof. Dr.-Ig. Detlef Kröker Goethe-Uerstät, Frakfrt Graphsche Dateerarbetg Der Ekldsche Ra E -desoaler Ekldscher Ra se t R beechet. E Vektor

Mehr

Bestimmung der Extrema von Funktionen mehrerer Veränderlicher

Bestimmung der Extrema von Funktionen mehrerer Veränderlicher Mathematk ü Natuwsseschatle II Bestmmug de Etema vo Fuktoe mehee Veädelche R R ; etwckel um (, ) Taylopolyom. Gades Vektoom ( ) ( ) + ( ) o ( ) + ( ) o Hess( ) o ( ) Vekto Vekto Vekto Mat Vekto Mat Vekto

Mehr

Einführung in die Stochastik 3. Übungsblatt

Einführung in die Stochastik 3. Übungsblatt Eführug de Stochastk 3. Übugsblatt Fachberech Mathematk SS 0 M. Kohler 06.05.0 A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 9 (4 Pukte) Der Mkrozesus st ee statstsche Erhebug. Herbe werde ach bestmmte

Mehr

Eigenwerteinschließungen I

Eigenwerteinschließungen I auptsemar: Numersche Lösuge für Egewertaufgabe Egewerteschleßuge I Referet: Wolfgag Wesselsky Glederug Eletug Kodto vo Egewerte 3 Eschleßugssätze Bauer-Fke, Gershgor, Wlkso, Bedxo 4 Zusatz: Courat / Weyl

Mehr

Physikalische Messungen sind immer fehlerbehaftet! Der wahre Wert ist nicht ermittelbar. Der wahre Wert x ist nicht identisch mit dem Mittelwert

Physikalische Messungen sind immer fehlerbehaftet! Der wahre Wert ist nicht ermittelbar. Der wahre Wert x ist nicht identisch mit dem Mittelwert Physkalsche Messuge sd mmer fehlerbehaftet! Der wahre Wert st cht ermttelbar. Der wahre Wert st cht detsch mt dem Mttelwert Der Wert legt mt eer gewsse Wahrschelchket (Kofdezahl bzw. Vertrauesveau %) m

Mehr

Asymptotische Normalverteilung nach dem zentralen Grenzwertsatz

Asymptotische Normalverteilung nach dem zentralen Grenzwertsatz Asymptotsche ormalvertelug ach dem zetrale Grezwertsatz Erwartugswert eer Summe vo Zufallsvarable mt jewels de Erwartugswert x (Y Y Asymptotsche ormalvertelug ach dem zetrale Grezwertsatz Varaz eer Summe

Mehr

2 42 ). logn, y an, bzw die Information, die y über x enthält. input y besitzt, dann gibt die notwendige Programmlänge, KΦ x y p : Φ p x

2 42 ). logn, y an, bzw die Information, die y über x enthält. input y besitzt, dann gibt die notwendige Programmlänge, KΦ x y p : Φ p x TM, KΦ y y y lteratv dazu ka a auch sage, dass der $ (a) koplzerter ( Se seer Beschrebug) als (b) oder (c) st. Das führt zu Begrff der deskrptve oder Kologorov Kopletät edlcher oder uedlcher $s. Zufällgket

Mehr

Prinzip "Proportional Reduction of Error" (PRE)

Prinzip Proportional Reduction of Error (PRE) Dr. Reate Prust: Eführug quattatve Forschugsmethode Bvarate Maße: Przp "Proportoal Reducto of Error" (PRE) E 1 - E Fehler be Regel 1 - Fehler be Regel = E 1 Fehler be Regel 1 Regel 1: Vorhersageregel ur

Mehr

annehmen, so heißt die Funktion, die jedem atomaren Ereignis { x i } mit i { 1; 2; ;

annehmen, so heißt die Funktion, die jedem atomaren Ereignis { x i } mit i { 1; 2; ; Wahrschelchet Ee Futo X : Ω R, de edem Ergebs ees zufällge Vorgages ee reelle Zahl zuordet, heßt Zufallsgröße (oder auch Zufallsvarable Ee Zufallsgröße X heßt edlch, we X ur edlch vele Werte x aehme a

Mehr

Lineare Abbildungen und Matrizen

Lineare Abbildungen und Matrizen Kapitel 6 Lieare Abbilduge ud Matrize I diese Kapitel werde wir lieare Abbilduge ittels sogeater Matrize beschreibe. Das Matrizekalkül wurde i Wesetliche vo C.F. Gauß, J.J. Sylvester ud A. Cayley i 19.

Mehr

Intervallschätzungen geben unter Berücksichtigung des Verteilungstyps von X einen Bereich an, der den Parameter mit vorgegebener Sicherheit enthält.

Intervallschätzungen geben unter Berücksichtigung des Verteilungstyps von X einen Bereich an, der den Parameter mit vorgegebener Sicherheit enthält. Parameterschätzuge Fachhochschule Jea Uversty of Appled Sceces Jea Oft st der Vertelugstyp eer Zufallsgröße X bekat, ur de Parameter sd ubekat. Da erfolgt hre Schätzug aus eer Stchprobe. Ma uterschedet

Mehr

Übungen zum Vorkurs Mathematik

Übungen zum Vorkurs Mathematik Matheatsches Isttut der Uverstät zu Köl Dr. L. Galat WSe 016/017 Motag, 19.09.016 Blatt 6-10 Übuge zu Vorkurs Matheatk Aufgabe 0. (1 Es gbt 6 5 4 3 7893600 Möglchkete. 1 ( Uter Aahe vo Glechvertelug ergbt

Mehr

Mathematikaufgabe 96

Mathematikaufgabe 96 Hoe Startsete Ipressu Kotakt Gästebuch Aufgabe: Fde Se de rchtge Kres. Lösug: Dese Aufgabestellug ka ur t Hlfe ees euroale Netzes gelöst werde. De allgeee Kresglechug lautet wobe de ezge Ubekate aus der

Mehr

Formeln für Statistik und Wahrscheinlichkeitstheorie (Dutter)

Formeln für Statistik und Wahrscheinlichkeitstheorie (Dutter) Formel für tatstk ud Wahrschelchketstheore (Dutter) Fehler a: fpalmater@gmal.com Cotets Beschrebede tatstk... Kegröße vo Verteluge... Verteluge... 3 Wahrschelchketstheore... 3 Grudlage... 4 Erwartug &

Mehr

Übungen zur Wahrscheinlichkeitsrechnung und Schliessenden Statistik

Übungen zur Wahrscheinlichkeitsrechnung und Schliessenden Statistik Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Aufgabe ud Lösuge vo Peter M Schulze, Verea Dexhemer. Auflage Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Schulze / Dexhemer schell ud portofre

Mehr

Seminar: Stochastische Geometrie und ihre Anwendungen - Unbegrenzt teilbare und stabile Verteilungen.

Seminar: Stochastische Geometrie und ihre Anwendungen - Unbegrenzt teilbare und stabile Verteilungen. Uverstät Ulm, Isttut Stochastk 5. Jul 200 Semar: Stochastsche Geometre ud hre Aweduge - Ubegrezt telbare ud stable Verteluge. Ausarbetug: Stefa Fuke Betreuer: Ju.-Prof. Dr. Zakhar Kabluchko Ubegrezt telbare

Mehr

3.7 Support Vector Machines

3.7 Support Vector Machines 3.7 Support Vector Maches Motvato: Leare Separato Vektore R d repräsetere Objekte. Objekte gehöre zu geau eer vo je 2 Klasse Klassfkato durch leare Separato: Suche Hperebee de bede Klasse mamal stabl voeader

Mehr

2.2 Rangkorrelation nach Spearman

2.2 Rangkorrelation nach Spearman . Ragkorrelato ach Spearma Wr wolle desem Kaptel de Ragkorrelatoskoeffzete ach Spearma bereche. De erste Daterehe besteht aus Realseruge x, x,..., x der uabhägg ud detsch stetg vertelte Zufallsvarable

Mehr

Mathematische Modellierung Lösungen zum 1. Übungsblatt

Mathematische Modellierung Lösungen zum 1. Übungsblatt Mathematsche Modellerug Lösuge zum Klaus G. Blümel Lars Hoege 6. Oktober 005 Aufgabe 1 a) Der Raumhalt vo eem Kubkmeter etsprcht gerade 1000 Lter, d.h. 1 m 3 = 1000 l. Reche zuächst 1 m 3 cm 3 um. E Meter

Mehr

Aufgaben. 1. Gegeben seien folgende Daten einer statistischen Erhebung, bereits nach Größe sortiert (Rangliste):

Aufgaben. 1. Gegeben seien folgende Daten einer statistischen Erhebung, bereits nach Größe sortiert (Rangliste): Aufgabe. Gegebe see folgede Date eer statstsche Erhebug, berets ach Größe sortert (Raglste): 0 3 4 4 5 6 7 7 8 8 8 9 9 0 0 0 0 0 3 3 3 3 4 4 5 5 5 5 5 6 6 6 7 7 8 30 Erstelle Se ee Tabelle, der de Merkmalsauspräguge

Mehr

Korrelations- und Assoziationsmaße

Korrelations- und Assoziationsmaße k m χ : j l r +. Zusammehagsmaße ( o e ) jl jl e jl Korrelatos- ud Assozatosmaße e jl 5 Merkmal Y Summe X b b m a H (a,b) H (a,b). a H (a,b) H (a,b). Summe.. Zusammehagsmaße Eführug Sche- ud Noses-Korrelato

Mehr

Grundlagen der Physik 2 Lösung zu Übungsblatt 7

Grundlagen der Physik 2 Lösung zu Übungsblatt 7 Grulage er Physik Lösug zu Übugsblatt 7 Daiel Weiss 3. Mai Ihaltsverzeichis Aufgabe - Koesator a) Felstärke..................................... b) Eergieuwalug................................ Aufgabe

Mehr

Lösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung

Lösungen zum Übungs-Blatt 7 Wahrscheinlichkeitsrechnung Lösuge zum Übugs-Blatt 7 Wahrschelchketsrechug BMT Bostatstk Prof. Dr. B. Grabowsk ----------------------------------------------------------------------------------------------- Satz vo Bayes ud totale

Mehr

Practical Numerical Training UKNum

Practical Numerical Training UKNum Practcal Numercal Trag UKNum Statstk, Datemodellerug PD. Dr. C. Mordas Ma-Plack-Isttute für Astroome, Hedelberg Programm: ) Repetto elemetare Statstk 2) Regressosaalyse 3) Leare Regresso 4) Ncht-leare

Mehr

Multiple Regression (1) - Einführung I -

Multiple Regression (1) - Einführung I - Multple Regreo Eführug I Mt eem Korrelatokoeffzete ud der efache leare Regreo köe ur varate Zuammehäge zwche zwe Varale uterucht werde. Beutzt ma tatt dee mehrere Varale zur Vorherage, egt ma ch auf da

Mehr

1.1. Jährliche Rentenzahlungen 1.1.1. Vorschüssige Rentenzahlungen. 1.1. Jährliche Rentenzahlungen 1.1.1. Vorschüssige Rentenzahlungen

1.1. Jährliche Rentenzahlungen 1.1.1. Vorschüssige Rentenzahlungen. 1.1. Jährliche Rentenzahlungen 1.1.1. Vorschüssige Rentenzahlungen .. Jährlche Retezahluge... Vorschüssge Retezahluge Ausgagspukt: Über ee edlche Zetraum wrd aus eem Kaptal (Retebarwert v, ), das zseszslch agelegt st, jewels zu Beg ees Jahres ee bestmmte Reterate ř gezahlt

Mehr

1. Zufallsbewegung und Binomialverteilung. Statistische Betrachtungsweise bezieht sich stets auf ein Ensemble.

1. Zufallsbewegung und Binomialverteilung. Statistische Betrachtungsweise bezieht sich stets auf ein Ensemble. . Zfallsbewegg d Boalvertelg Statstsche Betrachtgswese bezeht sch stets af e Eseble. Eseble: Gesathet eer sehr große Zahl N detscher Systee. Wahrschelchket für das Etrete ees Eregsses A: Brchtel der Systee,

Mehr

Quellencodierung I: Redundanzreduktion, redundanzsparende Codes

Quellencodierung I: Redundanzreduktion, redundanzsparende Codes Quellecoderug I: Redudazredukto, redudazsparede Codes. Redudaz. Eführug. Defto der Redudaz. allgemee Redudazredukto. redudazsparede Codes. Coderug ach Shao. Coderug ach Fao. Coderug ach Huffma.4 Coderug

Mehr

Statistische Testverfahren

Statistische Testverfahren Techsche Uverstät Berl Isttut ür Geodäse ud Geooratostechk Fachgebet Geodäse ud Ausglechugsrechug Statstsche Testverahre Pro. Dr.-Ig. L. Grüdg De Boal- ud de Noralvertelug. Boalvertelug. De Noralvertelug

Mehr

Erinnerung: Funktionslernen. 5.6 Support Vector Maschines (SVM) Beispiel: Funktionenlernen. Reale Beispiele

Erinnerung: Funktionslernen. 5.6 Support Vector Maschines (SVM) Beispiel: Funktionenlernen. Reale Beispiele Ererug: Fuktoslere 5.6 Support Vector Masches (SVM) überomme vo Stefa Rüpg, Kathara Mork Uverstät Dortmud Vorlesug Maschelles Lere ud Data Mg WS 2002/03 Gegebe: Bespele X LE de ahad eer Wahrschelchketsvertelug

Mehr

Stochastische Bildmodelle und deren Anwendung

Stochastische Bildmodelle und deren Anwendung Abtelug Stochastk --Uverstät Ulm Ulm Semar: Bayessche Asätze der der Bldaalyse Stochastsche Bldmodelle ud dere Awedug Sad Bakadr 22.Ma 2006 Sad Bakadr - Uverstät Ulm - Ihalt Eletug Bespele vo Bldmodelle

Mehr

Grundlagen der Entscheidungstheorie

Grundlagen der Entscheidungstheorie Kaptel 0 Grudlage der Etschedugstheore B. 0 (Gegestad) De Etschedugstheore befasst sch mt dem Etschedugsverhalte vo Idvdue ud Gruppe. Se besteht aus we Telgebete. Deskrptve Etschedugstheore De deskrptve

Mehr

Formelsammlung. Unter diesen Annahmen kann der Korrelationskoeffizient nach folgenden Schritten getestet werden:

Formelsammlung. Unter diesen Annahmen kann der Korrelationskoeffizient nach folgenden Schritten getestet werden: Formelammlug. Korrelatoaalye Korrelatooeffzet (Brava-Pearo) ( )( y y) y y r, r + ( ) ( y y) y y Stattcher et Soll tattch getetet werde, ob e learer Zuammehag zwche de Varable ud y für de Grudgeamthet beteht,

Mehr

( ) ( ) ( ) E ( ) ( ) ( ) ( ) ( ) Def Erwartungswert. 1. Diskreter Fall X sei diskrete Zufallsgröße mit = { 1, x2,

( ) ( ) ( ) E ( ) ( ) ( ) ( ) ( ) Def Erwartungswert. 1. Diskreter Fall X sei diskrete Zufallsgröße mit = { 1, x2, Def.. Erwarugswer. Dsreer Fall se dsree Zufallsgröße m = {, x, } p = P( = x ),( =,, ), so e ma µ = E = xp = de Erwarugswer vo, falls W x ud de Ezelwahrschelchee = x p

Mehr

Rekurrenz. Algorithmen rufen sich selbst (rekursiv) auf.

Rekurrenz. Algorithmen rufen sich selbst (rekursiv) auf. Rekurrez Rekurso: Algorthme rue sch selst rekursv u. Rekurrez: Ds Luzetverhlte zw. der Specherpltzedr vo rekursve Algorthme k der Regel durch ee Rekursosormel recurrece, RF eschree werde. Rekurrez Bespel:

Mehr

Graphische Datenverarbeitung

Graphische Datenverarbeitung Notatoe d Recheregel für Vektore d atre Prof. Dr.-Ig. Detlef Kröker Goethe-Uerstät, Frakfrt Der Ekldsche Ra E -desoaler Ekldscher Ra se t R beechet. E Vektor dese Ra st e -Tpel, also ee geordete Lste reeller

Mehr

Konfidenzbereiche die auf Runden Normaldaten Basiert Sind

Konfidenzbereiche die auf Runden Normaldaten Basiert Sind Kofidezbereiche die auf Rude Normaldate Basiert Sid Steve Vardema C-S (Johso) Lee (JQT 001, Comm Stat 00, (003)) Iliaa Vaca (M.S. laufed) 1 Gerudete/Digitale Date Kei eues Problem z. B. gibt es: Sheppard,

Mehr

Formelsammlung Maschinendynamik/-akustik

Formelsammlung Maschinendynamik/-akustik R Masheau orelsalug Mashedyak/-akustk ete vo Matheatshe Beshreug vo hwguge y As t B os t y s Urehug: A y os y A B B y s B ta A B Ugedäfte free hwguge A Newto: Δ Δ hoogee Dgl.. Ordug ösug der hoogee Dfferetalglehug:

Mehr

Lösungen. Häufigkeitsverteilung (Stabdiagramm) Aufgabe 1. Häufigkeit (h) Merkmal (x)

Lösungen. Häufigkeitsverteilung (Stabdiagramm) Aufgabe 1. Häufigkeit (h) Merkmal (x) Lösuge Aufgabe Merkmal (x) Häufgket (h) h x,, 3, 3,, 8, 5, 5, 6, 6, 7, 3, 8, 3 5, 9, 38,, 5,, 8 68,, 6 3, 3, 9,, 8, 5, 5 5, 6, 3 78, 7, 5, 8, 8, 3, 3, Summe 5.63, Aufgabe Häufgketsvertelug (Stabdagramm)

Mehr

Induktion am Beispiel des Pascalschen Dreiecks

Induktion am Beispiel des Pascalschen Dreiecks Iduto am Bespel des Pascalsche Dreecs Alexader Rehold Coldtz 0.02.2005 Eletug vollstädge Iduto De vollstädge Iduto st ebe dem drete ud drete Bewesverfahre ees der wchtgste der Mathemat. Eher bespelhaft

Mehr

Erzeugen und Testen von Zufallszahlen

Erzeugen und Testen von Zufallszahlen Erzeuge ud Teste vo Zufallszahle Jürge Zumdck Eletug Ee Lergruppe wrd aufgefordert 00 Zufallszahle (0 oder ) ach folgede Methode zu erzeuge: De Hälfte der Gruppe beutzt a) ee Müze oder b) de Zufallszahlefukto

Mehr

Formeln zur Numerik Numerik - Neff

Formeln zur Numerik Numerik - Neff Forel zur Nuer Nuer - Neff (.) Lere Glechugssstee (.) Deterte (.) GAUß-JORDAN-Verfhre (.4) GAUß-Verfhre (.5) LR-Zerlegug (.6) Spur eer Mtr (.7) Iverse Mtr (.8) Iverse Mtr (FADDEJEW) (.9) LEONTIEF-Modell

Mehr

Der Drehimpuls von Licht

Der Drehimpuls von Licht De Dehils vo Licht Qelle: htt://www.otiqe-igeie.og/e/coses/opi_ag_m_c3/co/cote_4.htl htt://load.wikiedia.og/wikiedia/coos/7/77/cicla.polaiatio.ciclal.polaied.light_with.cooets_right.haded.svg 3..3 Fachbeeich

Mehr

Mehrdimensionale Häufigkeitsverteilungen (1)

Mehrdimensionale Häufigkeitsverteilungen (1) Mehrdmesoale Häufgketsverteluge () - De Begrffe uvarat ud bvarat - Vo uvarate (edmesoale) statstsche Aalyse sprcht ma, we pro Perso ur e Merkmal tabellarsche oder grafsche Häufgketsverteluge oder be der

Mehr

WIB 2 Mathematik und Statistik Formelsammlung. Z Menge der ganzen Zahlen {...,-3,-2,-1,0,1,2,3,...}

WIB 2 Mathematik und Statistik Formelsammlung. Z Menge der ganzen Zahlen {...,-3,-2,-1,0,1,2,3,...} 1 Allgeme Geometrsche Rehe: q t = 1 q1 t=0 1 q Mtterachtsformel: ax 2 bxc=0 x 1/ 2 = b±b2 4ac 2a Bomsche Formel: 1. ab 2 =a 2 2abb 2 2. a b 2 =a 2 2abb 2 3. ab a b=a 2 b 2 Wurzel: ugerade 1 Ergebs gerade

Mehr

4. Marshallsche Nachfragefunktionen Frage: Wie hängt die Nachfrage nach Gütern

4. Marshallsche Nachfragefunktionen Frage: Wie hängt die Nachfrage nach Gütern Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 4. Marshallsche Nachfragefuktoe Frage:

Mehr

Lösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen, Bedingte Wkt, Unabhängigkeit, Satz von Bayes

Lösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen, Bedingte Wkt, Unabhängigkeit, Satz von Bayes Lösuge zu Übugs-latt 7 Klasssche Wahrschelchet Glücsspele, edgte Wt, Uabhägget, Satz vo ayes Master M Höhere ud gewadte Mathemat rof. Dr.. Grabows De folgede ufgabe löse wr uter Verwedug der bede ombatorsche

Mehr

Klassifikationsverfahren und Neuronale Netze

Klassifikationsverfahren und Neuronale Netze Klassifikationsverfahren und Neuronale Netze Hauptseminar - Methoden der experimentellen Teilchenphysik Thomas Keck 9.12.2011 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum

Mehr

Marketing- und Innovationsmanagement Herbstsemester 2013 - Übungsaufgaben Lesender: Prof. Dr. Andreas Fürst

Marketing- und Innovationsmanagement Herbstsemester 2013 - Übungsaufgaben Lesender: Prof. Dr. Andreas Fürst Marketg- ud Iovatosmaagemet Herbstsemester 2013 - Übugsaufgabe Leseder: Prof. Dr. Adreas Fürst Isttut für Marketg ud Uterehmesführug Abtelug Marketg Uverstät Ber Ihaltsverzechs 1 Eletug Allgemee Grudlage

Mehr

Beispielklausur BWL B Teil Marketing. 45 Minuten Bearbeitungszeit

Beispielklausur BWL B Teil Marketing. 45 Minuten Bearbeitungszeit Bespelklausur BWLB TelMarketg 45MuteBearbetugszet BWLBBespelklausurTelMarketg Sete WchtgeHwese:. VOLLSTÄNDIGKEIT: PrüfeSeuverzüglch,obIhreKlausurvollstädgst(Aufgabe).. ABGABE: EsstdegesamteKlausurabzugebe.

Mehr