Ähnlichkeit im Kontext der Bildsuche
|
|
- Julian Bretz
- vor 7 Jahren
- Abrufe
Transkript
1 Ähnlchket m Kontext der Bldsuche Vorlesung Bldnformatonssysteme, Tel 3 Ullrch Köthe, FB Informatk, Un Hamburg Ähnlchket Motvaton: kene klar defnerte Semantk Approxmaton des korrekten Ergebnsses Präsentaton mehrerer Möglchketen was st Ähnlchket? monoton ncht-wachsende Funktonen S [, ] Umrechnung n Dstanzen: monoton ncht-fallende Funktonen mathematsche Axome (Ähnlchketsstrukturen bzw. Metrken): nützlche Egenschaften für Berechnungen Zoo der Dstanzen psychologsche Expermente: Ermttlung des menschlchen Ähnlchketsempfndens ncht mmer metrsch Zel: Modellerung der Nutzererwartungen an Ähnlchketssuche
2 Axome der Metrk bzw. Ähnlchket Metrk: Dstanzfunkton d(x, y) d(x, x) = d(y, y ) d(x, y ) d(x, x) d(x, y ) = d(y, x) d(x,z) d(x, y ) + d(y,z) Ähnlchketsfunkton s(x,y) [,] s(x,x) = s(y,y) konstante Selbstähnlchket Mnmaltät Symmetre Dreecksunglechung s(x,x) s(x, y) s(x, y) = s(y, x) Symmetre s(x,z) s(x,y) + s(y,z) - konstante Selbstähnlchket Egenschaften Metrsche Axome erlauben: Defnton der Grenzwertbldung lm x = x lmd(x,x)= Umrechnung zwschen Ähnlchket und Dstanz: z.b.: d = s, d = logs Schranke für de Dstanzen: d(x, x ) d(x, x 2 ) d(x,x 2 ) Defnton effzenter Indexstrukturen und Suchverfahren st ncht zwngend für de Bldsuche s(x,y) = g(d(x, y)) st Ähnlchketsfunkton d(x, y) st Metrk und p : g(p), g() =, g (p), g (p) 2
3 Mnkowsk-Dstanzen Spezalfall: x,y,z n-dmensonale Vektoren Addtvtät der Dstanz entlang von Geraden d.h.: Glechhet be der Dreecksunglechung, wenn Punkte auf ener Geraden legen d(x, y ) + d(y,z) = d(x,z), falls y zwschen x,z auf ener Geraden p p d p (x,y) = x y Mnkowsk -Dstanzen (p ) d Manhattan (x,y) = x y, d Chessboard (x,y) = max x y d Eukld (x,y) = (x y ) 2 Abgeletete Metrken () Apply functon Operator: geg. Metrk d(x,y): h(d(x, y)) st Metrk, wenn h() =, h(x) > (x> ) h (x), h (c) oder wenn h(x) = lm h n (x) wobe alle h n (x) obge n Bedngungen erfüllen 2,5 2 z.b.: h(x) = log(x + ),5 x, wenn x < h(x) =,5, sonst 2 4 h(x)=log(x+) h(x)=mn(x,2) 3
4 Abgeletete Metrken (2) Composton Operator geg. Metrken d (x,y), d 2 (x,y): H(d (x, y),d 2 (x, y)) H(,) = H(a,b), a b= const Hessesche Matrx H aa st Metrk, wenn H(a,b) (a,b) b a= const H ab st negatv semdefnt H ab H bb oder H(a,b) = lm H n (a,b) n Bedngungen erfüllen wobe alle H n de obgen Abgeletete Metrken (3) Bespele für Kombnatonsoperatoren: harmonsches, geometrsches, arthmetsches Mttel: H(a,b) = 2ab a + b, H(a,b)= ab, H(a,b)= a + b 2 Mnmum, Maxmum H(a,b) = mn(a,b), H(a,b) = max(a,b) gewchtetes Mttel, quas-lneares Mttel H(a,b) = wa + ( w)b, H(a,b) = ( wa + ( w)b ) 4
5 Farbähnlchket () Messung der mnmal wahrnehmbaren Farbänderung Farbähnlchket (2) Messung für vele Farben und vele Rchtungen Approxmaton durch Ellpsode (McAdams) 5
6 Farbähnlchket (3) Transformaton des Farbraumes so, daß Ellpsode zu Kugeln werden Eukldsche Dstanz approxmert menschlche Wahrnehmung d 2 (x,y) = (x y ) 2 Farbähnlchket (4) z.b. Verwendung des L*u*v*- oder L*a*b*- Farbraums. Normerung für unterschedlche Lchtquellen 2. Berückschtgung der logarthmschen Rezeptor-Empfndlchket (Weber-Fechnersches Gesetz) 3. affne bzw. nchtlneare Entzerrung des Farbraumes Verrngerung der Verzerrung von 2: auf 6: Verwendung des Y PbPr-Farbraums kene Normerung für unterschedlche Lchtquellen enfacher zu berechnen fast so gute Ergebnsse we mt L*u*v* oder L*a*b* 6
7 L*u*v*- und L*a*b*-Farbraum () Normerung für unterschedlche Lchtquellen Transformaton auf Werteberech [, ]: r = R, g= G, b = B R max G max B max Lchtquellenabhängge Transformaton n den XYZ-Farbraum, z.b. Lchtequelle D65 (moderne Farbbldröhre): X r Y = g Z b Transformaton des Weßpunktes (r,g,b) = (,,): (X n, Y n, Z n ) = (.95456,.,.88754) L*u*v*- und L*a*b*-Farbraum (2) logarthmsche Rezeptorempfndlchket: wahrgenommene Hellgket entsprcht Logarthmus der Intenstät Approxmaton des Logarthmus durch Potenz ( Gamma-Korrektur ): gamma(x) = x, x [,] log b ((b )x + ),2 L*u*v* und L*a*b*: = /3,8,6,4 Log Gamma,45,2,4,6,8 7
8 L*u*v*- und L*a*b*-Farbraum (3) Gamma-Korrektur der Lumnanz (mt = /3) 6 Y 3 Y 6, f.8856 < (L* 8) L* = Y n Y n 93.3 Y, otherwse (L* 8) Y n L*u*v*- und L*a*b*-Farbraum (4) XYZ L*u*v* und L*a*b* mt Referenzweßpunkt (X n, Y n, Z n ) 4X u? = X + 5Y + 3Z, v? = 9Y X + 5Y + 3Z u* = 3L * (u? u? n ), v* = 3L * (v? v? n ) a* = 5 X 3 Y 3 X n Y n, b* = 2 Y 3 Z 3 Y Z n n 8
9 L*u*v*- und L*a*b*-Farbraum (5) L*a*b* RGB L*a*b* R G B RGB, R G B und Y PbPr () RGB kodert rene Intenstät kene Berückschtgung der logarthmschen Empfndlchket R G B als gamma-korrgertes RGB ( =.45) R = R max r.45, G = G max g.45, B = B max b.45 Y PbPr als affne Entzerrung von R G B : Y r Pb = g Pr b 9
10 RGB, R G B und Y PbPr (2) Y PbPr RGB Y PbPr R G B Probleme mt unformen Farbräumen Daten ncht gekennzechnet: RGB oder R G B? Entzerrung auf der Bass klener Dfferenzen: glt Transformaton auch für große Dfferenzen? Entzerrung erzeugt nur näherungswese unformen Farbraum Abhänggket der Farbwahrnehmung von Lchtquelle unberückschtgt nur Paare von Farben berückschtgt: Kontexteffekte (z.b. Farbkonstanz) vernachlässgt trotzdem: zur Zet nchts besseres
11 Hstogramme und Sgnaturen Ähnlchketsfunkton bsher verglecht enzelne Farben, aber wr wollen ganze Blder (Mengen von Farben) verglechen Beschrebung von Mengen durch Hstogramme: feste Quantserung des Merkmalsraums ( Bns ) Anzahl der Werte pro Bn Sgnaturen: adaptve Quantserung des Merkmalsraums ( Cluster ) Clusterzentrum und Anzahl der Werte pro Cluster manchmal Pseudo-Sgnaturen (z.b. Haar-Methode): berückschtge nur sgnfkant gefüllte Bns Verglech von Hstogrammen: Bn-weser Verglech () Bn-weser Verglech: enfach und schnell z.b. Mnkowsk-Dstanzen (Metrken): D(k,l) = k l, D(k,l)= (k l ) 2, D(k,l) = maxk l Hstogramm-Schntt (kene Metrk, erlaubt partelles Matchng): Jeffrey-Dvergenz (kene Metrk, symmetrsch, robust gegen Rauschen und Quantserung) D(k,l) = D(k,l) = k mn(k,l ) k log k + l log l m m m = k + l 2
12 Verglech von Hstogrammen: Bn-weser Verglech (2) Bn-wese Vergleche entsprechen oft ncht der Wahrnehmung Bsp.: de lnken Hstogramme werden als ähnlch wahrgenommen, aber hre Dstanz st größer als de der rechten,8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2 Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket () Verglech auf Bass der Summen-Hstogramme Metrken nur für geordnete Daten (D) Ordnung mplzert Ähnlchket funktonert für adaptv quantserte und kontnuerlche Daten Match-Dstanz: D(k,l) = k ˆ l ˆ Kolmogorov-Smrnov-Statstk: D(k,l) = maxk ˆ l ˆ ) k = k j j=,4,2,8,6,4,2 2
13 Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket (2) Mahalanobs-Dstanz (quadratc form dstance): Ähnlchketsmatrx auf Grund ener Bassdstanz für de Bns Glättung des Hstogramms Ähnlchketsmatrx st symmetrsch (ant-symmetrsche Antele heben sch heraus) Ähnlchketsmatrx postv defnt (alle Egenwerte postv) quadratc form dstance st Metrk D(k,l) = ( k r r l ) T A( k r r l ) Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket (2) Metrsche Egenschaften der Mahalanobsdstanz Egenwertzerlegung ener postv defnten symmetrschen Matrx A = D T B D, B... postve Dagonalmatrx Dagonalserung der Dstanz Eukldsche Dstanz n lnear transformertem Raum ( k = B Dk r r, k r l k r l k ( l k ( l B = B B ( ) T A( r ) = ( ( ) T ( ( ) dagonal domnante Matrx mt postven Enträgen st stets postv defnt, z.b. für klenes : A j = e d(k,l j ) 3
14 Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket (3) Falls A ncht postv defnt: se d(p,p j ) ene L - oder L 2 -Norm, dann ( k r r l ) T H( k r r l ), wenn h j = d(p,p j ) und (k l ) = (Hstogramme glecher Masse) wenn A geegnet aus H abgeletet wrd, st quadratc form dstance zumndest ncht-negatv (Hafner et al kene Aussage zur Dreecksunglechung), z.b.: d(k A j =,l j ) max d(k,l j ),,j vermutlch auch A j = e d(k,l j ) Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket (3) Mahalanobs- Dstanz entsprcht der Wahrnehmung besser: lnke Hstogramme haben gerngere Dstanz, we gewünscht,8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2 4
15 Verglech von Hstogrammen: Berückschtgung der Bn-Ähnlchket (4) gbt auch Fälle, wo Mahalanobs- Dstanz ncht der Wahrnehmung entsprcht: de lnken Hstogramme snd ähnlcher, aber hre Dstanz st größer als,8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2 rechts Verglech von Hstogrammen: Earth Mover Dstance () Rubner 99 Interpretere Dstanz-Berechnung als Transportproblem: Bestmme mnmale Kosten, um das ene Hstogramm n das andere zu transformeren 5
16 Earth Mover Dstance (2) formale Defnton auf Bass der Grunddstanz d(k,l): Voraussetzung : k = l j = Work(k,l,F) = d(k,l j )f j, wobe j F = [ f j ], f j (von k nach l j transporterte Masse), f j = k, f j = l j, f j = j j j EMD(k,l) = mn F Work(k,l,F) Earth Mover Dstance (3) Bespel: EMD = *7.2*.*.3.6.5*
17 Earth Mover Dstance (4) Falls Sgnaturen k und l unterschedlche Masse haben füge be der kleneren (o.b.d.a. k) en Hlfs-Bn hnzu ) ) k = { k,k slack }, k = normere EMD (andernfalls werden klene Sgnaturen bevorzugt): EMD(k,l) = mn F Work(k,l,F) k Earth Mover Dstance (5) Metrsche Egenschaften: EMD st Metrk, wenn de Bassdstanz ene Metrk st Symmetre, Ncht-Negatvtät trval Dreecksunglechung: betrachte 3 Hstogramme k, l, m mt optmalen Verschebungen kl, lm, km sowe klm = kl lm,j,r,j,r,j EMD(k,m) = km j d(k,m j ) klm rj d(k,m j ) klm rj (d(k,l r ) + d(k,m j )) = kl r d(k,l r ) + lm rj d(l,r r,m j ) r,j = EMD(k,l) + EMD(l,m) 7
18 Earth Mover Dstance (6) Berechnung:. Bestmmung ener erlaubten Lösung des Transportproblems (Nord-West Algorthmus, Russel s Methode) 2. Optmerung der Rohlösung mt spezalsertem Smplexverfahren Komplextät (mt optmalen Algorthmen): O(n 3 log(n)) k l 5 l 2 l 3 l 4 5 k k Earth Mover Dstance (7) Egenschaften: Anwendbar auf Sgnaturen und Hstogramme Matchng/Transport gute Approxmaton für Ähnlchketswahrnehmung, löst de Probleme, de be anderen Dstanzen aufgetretenen waren Unterstützung parteller Matches (Sgnaturen unglecher Masse, z.b. be Verdeckung) relatv effzente Berechnung (da n relatv klen) Metrk 8
19 Earth Mover Dstance (8),8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2,8,6,4,2 Earth Mover Dstance (9) Optmerungen Spezalfälle für D Hstogramme entsprcht de EMD der Matchng-Dstanz untere Schranke: EMD(k,l) d(k,l ), robuste EMD, falls (- ) Ausreßer: = < k,l... Schwerpunkte der Sgnaturen f j,j robuste EMD, falls Transport um maxmal Enheten möglch: EMD(k,l) = max f j [ d(k F,j,l j ) ], falls d(k mt [ d(k,l j ) ] =,l j ), sonst 9
20 Psychologsche Erforschung der Ähnlchketswahrnehmung () Ähnlchketswahrnehmung st abhängg vom Kontext Psychologsche Erforschung der Ähnlchketswahrnehmung (2) 2
21 Psychologsche Erforschung der Ähnlchketswahrnehmung (3) Ähnlchketswahrnehmung st abhängg vom Blckwnkel verwrreub coufnsug verwrreub coufnsug Ähnlchketsmodell von Thurstone-Shepard VP lernen Antwort R für Stmulus S Messung der Verwechslungswahrschenlchket und Berechnung der Generalserungsmatrx Anpassung des Generalserungsmodells an de Daten g j = g(d(s,s j )) p j = PR [ j S ], g j = p jp j p p jj Dstanz als Mnkowsk-Metrk,6 Sättgung des Abstandes,4,2 exponentelle Generalserungsfunkton (vgl. Weber-Fechner!),
22 Tversky s Expermente () Ähnlchketswahrnehmung st ncht metrsch Verletzung der Dreecksunglechung: Kuba ähnelt der Sowjetunon, Jamaca ähnelt Kuba, aber Jamaca ähnelt der Sowjetunon ncht Tversky s Expermente (2) Ähnlchketswahrnehmung st ncht metrsch Verletzung der Symmetre: VP bevorzugen rechtes Muster ähnelt lnkem gegenüber lnkes Muster ähnelt rechtem 22
23 Ähnlchketsmodell von Krumhansl Ähnlchket hängt ncht nur von Dstanz der Stmul ab, sondern auch von der Dchte der Stmul n deren Nähe: (x,y) = d(x, y ) + h(x) + h(y), h(x) Dchte höhere Dchte = typschere Stmul kene konstante Selbstähnlchket: typsche Stmul (hohe Dchte) haben gernge Selbstähnlchket (werden lecht verwechselt) (x,x) = ( + )h(x) wenn < : untypsches st typschem ähnlcher als umgekehrt (Verletzung der Symmetre - vgl. Tversky) Dreecksunglechung glt Ncht-Metrsche Dstanzen nach Jacobs et al. () Vorono-Dagramme für metrsche und ncht-metrsche Dstanzen (Mnkowsk-Dstanzen mt p =,2,,.5,.2,) L L 2 L L.5 L.2 L 23
24 Ncht-Metrsche Dstanzen nach Jacobs et al. (2) Robuste Vergleche führen oft auf ncht-metrsche Dstanzen (robust geg. Ausreßer, Verdeckung) Bespel: Hausdorff-Dstanz d(x, y ) = max max mn x j y j,max mn j j x y robuste Hausdorff-Dstanz: Ersetzung der max- Operaton durch 6%-Quantl d(x, y ) = max med6 x mn j y j,med6mn j j x y Ncht-Metrsche Dstanzen nach Jacobs et al. (3) Verwendung zu Erkennung von verdeckten Objekten Dreecksunglechung glt ncht d= d=2 d=4.2 24
25 Zusammenfassung und Bewertung exstert en resger Zoo von Dstanzen/ Ähnlchketsfunktonen unterschedlche Komplextät der Berechnung geegnete Auswahl für jede Anwendung expermenteller Verglech: sehe später vele offene Fragen metrsche oder ncht-metrsche Dstanzen? allgemene Egenschaften der ncht-metrschen Dstanzen Modellerung des menschlchen Ähnlchketsempfndens Kombnaton verschedener Dstanzen (sehe später) n der Praxs oft Verwendung von heurstschen Dstanzen 25
50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
Mehr5.3.3 Relaxationsverfahren: das SOR-Verfahren
53 Iteratve Lösungsverfahren für lneare Glechungssysteme 533 Relaxatonsverfahren: das SOR-Verfahren Das vorangehende Bespel zegt, dass Jacob- sowe Gauß-Sedel-Verfahren sehr langsam konvergeren Für de Modellmatrx
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrDie Transzendenz der Eulerschen Zahl e
De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Mehr6. Hilbertraum und lineare Operatoren (mathematische Grundlagen QM)
6. Hlbertraum und lneare Operatoren (mathematsche Grundlagen QM) 6.1 Hlbertraum Raum = mathematsches Konstrukt: Vektorraum a) Der lneare komplexe Raum st de Menge von mathematschen Objekten mt folgenden
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrPhysik A VL11 ( )
Physk A VL11 (0.11.01) Dynamk der Rotatonsbewegung I Kresbewegung und Kräfte Drehmoment und räghetsmoment Kresbewegung und Kräfte en Massepunkt (Schwerpunkt) führt nur ene ranslatonsbewegung aus ausgedehnte
MehrKapitel 7: Graph-Strukturierte Daten
Ludwg Maxmlans Unverstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscovery n Databases II m Sommersemester 2008 Kaptel 7: Graph-Strukturerte
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrUniversität Karlsruhe (TH)
Unverstät Karlsruhe (TH) Forschungsunverstät gegründet 825 Parallele Algorthmen I Augaben und Lösungen Pro. Dr. Walter F. Tchy Dr. Vctor Pankratus Davd Meder Augabe () Gegeben se en N-elementger Zahlenvektor
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrSeminar Netzwerkanalyse. Kapitel 12 Vergleiche von Netzw erken. Sommersemester 2005 Universität Trier
Kaptel 2 Vergleche von Netzw erken Sommersemester 2005, 697862 Kaptel 2.0 Allgemenes Allgemenes Graph-Isomorphsmus Problem (GI) besteht darn festzustellen, ob zwe gegebene Graphen somorph snd In der Praxs
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrTechnische Universität München Zentrum Mathematik Diskrete Optimierung: Fallstudien aus der Praxis. Das Cutting Stock-Problem
1 Problem Technsche Unverstät München Zentrum Mathematk Dskrete Optmerung: Fallstuden aus der Praxs Barbara Wlhelm Mchael Rtter Das Cuttng Stock-Problem Ene Paperfabrk produzert Paperrollen der Brete B.
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrKapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrÜbersicht der Vorlesung
Überscht der Vorlesung. Enführung. Blderarbetung. orphologsche Operatonen 4. Bldsegmenterung 5. erkmale on Objekten 6. Klassfkaton 7. Dredmensonale Bldnterpretaton 8. Bewegungsanalyse aus Bldfolgen 9.
MehrRunge-Kutta-Theorie: Adjungierte Verfahren, A-Stabilität, Steife Systeme
Runge-Kutta-Teore: Adjungerte Verfaren, A-Stabltät, Stefe Systeme Andre Neubert bat@un-paderborn.de Semnar Numerk für Informatker, SS2004: Runge-Kutta-Teore Sete Glederung : - Adjungerte Verfaren / Symmetrsce
MehrKonzept der Chartanalyse bei Chart-Trend.de
Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrAnwendung von aktiven Konturen bei der Integration von DLM und ALS-Daten
AgA Frankfurt am Man, BKG 05.10.2009 Anwendung von aktven Konturen be der Integraton von DLM und ALS-Daten Jens Göpfert Insttut für Photogrammetre und GeoInformaton (IPI) Lebnz Unverstät Hannover Inhalt
Mehr3 Elastizitätstheorie
3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)
MehrHydrosystemanalyse: Finite-Elemente-Methode (FEM)
Hydrosystemanalyse: Prof. Dr.-Ing. habl. Olaf Koldtz 1 Helmholtz Centre for Envronmental Research UFZ, Lepzg 2 Technsche Unverstät Dresden TUD, Dresden Dresden, 03. Jul 2015 1/31 Prof. Dr.-Ing. habl. Olaf
MehrNormalisierung. 8. Expressionsdaten: Normalisierung. Normalisierung
ormalserung 8. Expressonsaten: ormalserung 1. Bologsche Frage. Expermentelles Desgn 3. Mcroarray-Experment 4. Blanalyse 5. ormalserung 6. Statstsche Analyse 7. Bologsche Verfkaton an Interpretaton Globale
MehrAUFGABEN ZUR INFORMATIONSTHEORIE
AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrDynamik starrer Körper
Dynamk starrer Körper Bewegungen starrer Körper können n Translaton und Rotaton zerlegt werden. De Rotaton stellt enen nneren Frehetsgrad des Körpers dar, der be Punktmassen ncht exstert. Der Schwerpunkt
MehrKapitel 2: Klassifikation. Maschinelles Lernen und Neural Computation
Kaptel 2: Klassfkaton Maschnelles Lernen und Neural Computaton 28 En enfacher Fall En Feature, Hstogramme für bede Klassen (z.b. Glukosewert, Dabetes a/nen) Kene perfekte Trennung möglch Entschedung: Schwellwert
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrWissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 136/2009, 19-21
Von emprschen Daten zum Modell: Das Monod-Modell NORBERT BRUNNER und MANFRED KÜHLEITNER Vele Wachstumsvorgänge lassen sch mt Hlfe ener Exponentalfunkton beschreben. Man denke etwa an de Znsesznsrechnung.
MehrKo- und kontravariante Darstellung
Ko- und kontravarante Darstellung Physkalsche Sachverhalte snd vom verwendeten Koordnatensystem unabhängg. Sehr oft st es snnvoll, se n verschedenen Koordnatensystemen darzustellen. Berets erwähnt wurden
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrVerteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert.
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 Kenngrössen der Statstk Für de Auswertung von Datenrehen werden verschedene Kenngrössen
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
Mehr6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines
6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
Mehr14 Exakte Statistik nichtwechselwirkender Teilchen
Woche 4 Exakte Statstk nchtwechselwrkender Telchen 4 Bose-Ensten Statstk Engeführt von Satyendra ath Bose 924) für Photonen von A Ensten für massve Telchen 925) Voraussetzung: Bosonen Telchen mt ganzzahlgen
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrQualitative Evaluation einer interkulturellen Trainingseinheit
Qualtatve Evaluaton ener nterkulturellen Tranngsenhet Xun Luo Bettna Müller Yelz Yldrm Kranng Zur Kulturgebundenhet schrftlcher und mündlcher Befragungsmethoden und hrer Egnung zur Evaluaton m nterkulturellen
Mehr1 Der Uncovering-by-bases-Algorithmus
De Komplextät des Uncoverng-y-ases-Algorthmus Peer Hlderandt 1 Der Uncoverng-y-ases-Algorthmus 1.1 Defnton (Der Algorthmus) Se G ene Gruppe, U en Uncoverng durch Basen und w = w 1... w n en empfangenes
Mehr