6 Navigation für autonome mobile Roboter Grundlagen
|
|
- Johann Müller
- vor 7 Jahren
- Abrufe
Transkript
1 6 Navgaon für auonome moble Roboer Grundlagen
2 Navgaon für auonome moble Roboer Problemsellung Bezechnungen Bayes Fler Sensormodell Bewegungsmodell Karenersellung Umgebungsmodellerung Selbslokalsaon Kalman Fler SLAM Smulaneous Localzaon and Mappng Pfadplanung
3 6. Problemsellung
4 Navgaon bekanne Umgebung auch kene Veränderung der Umgebung während der Fahr unbekanne Umgebung
5 Sasche und dynamsche Umgebungen Sasch Nur der Zusand des Roboers nnerhalb der Umgebung änder sch Kare s wahre Umgebung Dynamsch Objeke ändern hre Lage oder hren Zusand Verrücken von Tschen Tür offen oder geschlossen Aufreen neuer Objeke Personen andere Roboer
6 Navgaonsaufgaben Selbslokalserung Wo bn ch? Karenersellung Umgebungsmodellerung PfadWegplanung We gelange ch zum Zel?
7 Selbslokalserung Poson und Orenerung nnerhalb der Umgebung fnden m Hlfe von Sensoren Odomere Radencoder Kompass relave Poson zu Objeken Infraro Ulraschall Laser Kamera absolue Poson GPS Selbslokalserung und Karenersellung bedngen sch gegenseg SLAM
8 Markov Lokalsaon
9 Lokale und globale Selbslokalsaon Lokal Ausgangsposon des Roboers s bekann Global Poson des Roboers ohne Kennns der Ausgangsposon schäzen Kdnaped robo En Roboer lokalser sch erfolgrech selbs wenn er ohne sen Wssen zwschenzelch an enen unbekannen Or gebrach wrd Robuse Relokalsaon obwohl der Roboer rrümlcherwese zu wssen men wo er sch befnde
10 Passv Passve und akve Selbslokalsaon Bewegung des Roboers und Orenerung der Sensoren Kamerablckrchung werden nch beenfluss Akv Roboer fähr gezel besmme Ore an Orenerung der Sensoren werden akv gewähl
11 Kare Geomersch D 3D Zellen besez fre Topologsch Knoen Landmarken Kanen Verbndungen
12 Wegplanung kollsonsfree Wege von ener Sar- zu ener Zelposon fnden Dese Wege soll der Roboer dann n der realen Wel abfahren. Erfüllung gewsser Opmaläskreren
13 Wegplanung - Verfahren geomersche Wegplanung bekanne Umgebung Schbarkesgraph Weglänge wrd mnmer Vorono-Dagramm Absand zu Hndernssen wrd mamer lokale Bewegungsseuerung Umgebung kann sch verändern Renforcemen Learnng Umgebung unbekann Opmerungsverfahren
14 6. Bezechnungen
15 6.. Wahrschenlchkesverelungen
16 Erwarungswer - Melwer Zufallsvarable - p E ] [ dskre - p p Egenschafen: unabhängg und ] - [ ] [ ] [ Momene von - ] [ ] [ ] [ ] [ ] [ ] [ ] [ Y E Y E Y E p E p g g E E Y E Y E b E a b a E n n
17 Verelungsfunkon seg dsrbuon funcon connuous F : R R F f d Verelungsfunkon bezüglch p Dchefunkon F p] ] p
18 Dchefunkon densy funcon f : R R f f + f s negrerbar 0 d R F f d F p] ] f df 0 d 0
19 Egenschafen b a p d f a F b F b a < > c d f c F c p R p f f p - Segkespunk von Δ + Δ
20 Varanz Var E[ ] E[ ] Var - Sandardabwechung Egenschaf: Var a + b a Var
21 Erwarungswer und Varanz epecaon varance + E f d + Var f d
22 Kovaranz Y Y Y E Y E Y ] [ ] [ Cov Egenschafen: j j Y Y Y Y Y Y Z Y Y Z Y Y Y Y Cov Var Var Cov Var Var Var Cov Cov Cov Cov Cov unabhängg und 0 - Cov Var Cov Cov Cov
23 Korrelaon Corr Y Cov Y Var Var Y
24 Kovaranzmar Cov j j j Var Σ n n n n n L M O M M L L
25 Normalverelung Gauß - skalar N ; f π e E[ ] Var Cov Erwarungswer mean Varanz varance Sandardabwechung
26 Normalverelung Gaußverelung normal Gauss dsrbuon Gaussan dsrbuon ; π e N f 0 > ;0 e N π < Φ d e p π Φ Φ Φ Φ
27 Normalverelung Gaußverelung Φ Φ Φ Φ 0683 Φ Φ Φ Φ 0954 Φ 3 3 Φ3 Φ 3 Φ3 0997
28 Normalverelung Gauß - skalar prob b a e b b a π 0 b a ; π e f N
29 Fehler m Normalverelung prob a b ε a b πb e a b ˆ + N 0 ˆ + ε realer Wer eaker Wer Schrebwesen err ˆ f ε ˆ err Fehler normalverele Zufallsvarable
30 Normalverelung Gauß - allgemen de ; π Σ Σ Σ T e f N E[ ] n T K Covarance mar symmersch posvsemdefn n T K Erwarungswer mean Σ n n n n n L M O M M L L 0 : gl alle für Σ T
31 Normalverelung Gauß n de ; π Σ Σ Σ T e f N Σ ρ ρ < ρ de ; π Σ Σ Σ T e f N
32 Normalverelung Gauß - Spezalfall n n n e f π Σ n L M O M M L L n T K Komponenen unabhängg de ; π Σ Σ Σ T e f N
33 Fehler m Normalverelung ˆ + N ; 0 Σ ˆ err Schrebwese realer Wer eaker Wer Fehler f N ; 0 err err Σ
34 6.. Zusand Sensordaen Akon
35 Zusand Sensordaen Akon Zusand Sensordaen z z : z z + K z Akon u u u u + K u : Z U - Zufallsvarablen m Weren z u K p p
36 Zusände Ze dskre 0K Zusand Poson des Roboers 6 Were Geschwndgke Gelenkparameer Objeke der Wel - Zufallsvarable m Weren p p P dskre oder seg y θ T
37 Sensordaen Sensordaen z z z z + K z : Z - Zufallsvarable m Weren z p z p Z z z P Z z
38 Akonen Akon u u u u + K u : U - Zufallsvarable m Weren u p u p U u u P U u
39 HMM Hdden Markov Modell L 0 + u u u + z z z z +
40 Annahmen Übergangswahrschenlchke Aufrswahrschenlchke : : : 0 u p u z p : : : 0 z p u z z p
41 belef bel : : u z p bel u p bel : : u z p
42 6..3 Kare - Umwelbeschrebung
43 Kare m { m K m } N j N Menge von Objeken Landmarken n der Umwel zusammen m hren Egenschafen feaure-based j - Inde enes Merkmals m j Egenschafen und Orskoordnae des Merkmals locaon-based j korresponder m Orkoordnaen y m j m y Egenschaf des Punkes y
44 Landmarken - Feaure-based Torpfosen m s j m j m j y j T Fenserbre Baumsamm Gebäudeecken Or Sgnaure Vekor von numerschen Weren Höhe Farbe
45 Occupancy grd map - locaonbased y beleg m Objek oder nch 0 oder Vorel: günsg für de Wegplanung
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
3. Echtzeit-Scheduling Grundlagen
3. Echze-Schedulng Grundlagen 3.1. Grundbegrffe, Klassfkaon und Bewerung Grundbegrffe Job Planungsenhe für Schedulng e wce r d Ausführungsze, Bearbeungsze (execuon me) maxmale Ausführungsze Fregabeze,
1.6 Energie 1.6.1 Arbeit und Leistung Wird ein Körper unter Wirkung der Kraft F längs eines Weges s verschoben, so wird dabei die Arbeit
3.6 Energe.6. Arbe und Lesung Wrd en Körper uner Wrkung der Kraf F längs enes Weges s verschoben, so wrd dabe de Arbe W = F s Arbe = Kraf Weg verrche. In deser enfachen Form gülg, wenn folgende Voraussezungen
3. Echtzeit-Scheduling Grundlagen
3. Echze-Schedulng Grundlagen 3.1. Grundbegrffe, Klassfkaon und Bewerung Grundbegrffe Job Planungsenhe für Schedulng e wce r d Ausführungsze, Bearbeungsze (execuon me) maxmale Ausführungsze Fregabeze,
Hidden-Markov-Modelle
Unversä osdam Insu für Informak Lehrsuhl Maschnelles Lernen Hdden-Markov-Modelle obas Scheffer eer Hader aul rasse Uwe Dck Hdden-Markov-Modelle: Wozu? Spracherkennung: Akussches Modell. Geschrebene Sprache:
Gewöhnliche Differentialgleichungen, erste Ordnung
Gewöhnlche Derenalglechungen erse Ordnung wr haben beres gesehen daß sch ele Probleme n der Phsk durch gewöhnlche Derenalglechungen beschreben lassen besmme Varable als Funkon der Ze d d M den Anangsbedngung
Präzise Bestimmung von Fließgeschwindigkeiten mit low-cost GNSS-Empfängern
Präzse Besmmung on Fleßgeschwndgkeen m low-cos GNSS-Empfängern Maserarbe on Lena Alber Markus Vennebusch Seffen Schön Insu für Erdmessung Andreas Wurps Chrsne Hegemann Franzus-Insu für Wasserbau und Küsenngeneurwesen
Verweilzeitspektren. Gruppe III-2: Tillmann Kleine Marius Strunk
Verwelzespekren Gruppe III-: Tllmann Klene Marus Srunk Verwelzespekren Was snd Verwelzespekren? Darsellungen Messechnk Bespel Was snd Verwelzespekren? Chemscher Reakor Reakonsgefäß Dskonnuerlche Reakonsführung
Physik im Studiengang Elektrotechnik
Physk m Suengang Elekroechnk - Dynamk von Drehbewegungen - Prof. Dr. Ulrch Hahn WS 015/016 Bewegung ausgeehner Objeke Sysem aus (velen) Massenpunken sarrer Körper: Fese Posonen er Massenpunke unerenaner
Aufgaben mit Lösungen zur Ökonometrie I. 1. Ökonometrie und empirische Wirtschaftsforschung
Aufgaben m Lösungen zur Ökonomere I 1. Ökonomere und emprsche Wrschafsforschung 1.1 Erläuern Se de konsuonellen Elemene der Ökonomere! De Ökonomere s ene Schnmenge aus ökonomscher Theore, der Mahemak und
Hittorfsche Überführungszahl
Insu für Physkalsche Cheme Forgeschrenenprakkum 4. Horfsche Überführungszahl Sand 06/04/05 Horfsche Überführungszahl Grundlagen zum Versuch Komponenen - Glechspannungsquelle - Elekrolyse-Apparaur - P-Elekroden.
Übungsklausur 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
- Theorie - 3. Dynamik
K.Bräuer: Phlosophsche Aspeke der modernen Physk, SS 5 - Theore -. Dynamk Wel erschen n sändger Veränderung Veränderung wrd beschreben durch Kräfe Impuls=Kraf*Ze 'sammel' Krafwrkungen Klassschen Mechank:
2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
Arbeitsgruppe 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
D. Dorninger: Angaben für die Übungsaufgaben zu Mathematik 2 für Wirtschaftsinformatik 1 AUFGABEN
D. Dornnger: Angaben für de Übungsaufgaben zu Mahemak für Wrschafsnformak I. INTEGRALRECHNUNG. Konsumenenrene AUFGAEN Für enen Monopolsen se = (p) de Nachfrage n Abhänggke vom Pres p. p h : Höchspres,
Protokoll zu Versuch C1-Mischungsvolumina
Protokoll zu Prnz: De sezfschen Mschungsvolumna ener Lösung werden durch auswegen fester Flüssgketsvolumna bekannter Lösungszusammensetzungen mt Hlfe von Pyknometern bestmmt. Theoretsche Grundlagen: Um
MC Datenexport und Übernahme in Excel
MC Daenexpor und Übernahme n Excel Schr-für-Schr-Anleung zur Daenübernahme aus der MC- Applkaon und Überführung der Daen n en lokales Excel-Fle. Tel A: Daenübernahme aus MC (Wndows XP):. See 1 Tel B: Daenkonverson
Die Fouriertransformation und ihre Eigenschaften
De Fourerransormaon und hre Egenschaen Klene Formelsammlung zusammengesell von Pro. Dr. ajana Lange Fachberech Elekroechnk Fachhochschule Merseburg Inhal: Fourerrehe und Fourernegral ransormaon enger wchger
Kapitel 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
Statistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
Importance Sampling: Theorie und Anwendungen in der Optionsbewertung
Imporance Samplng: heore und Anwendungen n der Oponsbewerung engerech von: Alexander Exner DIPLOMARBEI zur Erlangung des akademschen Grades Magser rerum socalum oeconomcarumque Magser der Sozal- und Wrschafswssenschafen
Gauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
8. Elementare Zeitreihenanalyse
8 Elemenare Zerehenanalse De Komponenen ener Zerehe: Suaon: De Schprobenwere enes Merkmals Y werden m Zeablauf, also zu besmmen Zepunken, =,, n, beobache Zerehe In wrschaflchen Anwendungen wrd häufg unersell,
Facility 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
Denavit-Hartenberg-Parameter Definition (1)
Roboerechnk Zur Prüfung 07 zugelssene Folen Denv-Hrenberg-Prmeer Defnon () Technsche Mechnk/Dynmk Denv-Hrenberg-Prmeer (DH-Prmeer) ermöglchen de sndrdsere geomersche Beschrebung von knemschen Keen durch
Rückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
Numerische Methoden II
umersche Methoden II Tm Hoffmann 23. Januar 27 umersche Bespele umersche Methoden zur Approxmaton von Dervatpresen: - Trnomsche Gttermethode - Implzte Fnte Dfferenzen - Explzte Fnte Dfferenzen - Crank-colson
3 Modelle der Ereignisanalyse
3 Modelle der Eregnsanalyse 3.1 Grundlagen der Eregnsanalyse Gng es m vorangegangenen Kapel 2 um dskree oder begrenz abhängge Varablen, de wr m Kern auf laen sege und unbegrenz abhängge Varablen zurückgeführ
8. Elementare Zeitreihenanalyse
8 Elemenare Zerehenanalse Suaon: v De Schprobenwere enes Merkmals Y werden m Zeablauf, also zu besmmen Zepunken,,, n, beobache Zerehe v In wrschaflchen Anwendungen wrd häufg unersell, dass sch de Beobachungswere
Daten 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
Vorlesung: "Grundlagen ingenieurwissenschaftlichen Arbeitens (GIA)"
6 Zuverlägke und Produklebenzyklu 6. Genaugke und Fehlerverhalen 6.2 Technche Zuverlägke 6.2. Klafkaon von Aufällen 6.2.2 Aufall- und Überlebenwahrchenlchke 6.2.3 Fehlerrae 6.3 Zuverlägke von Hardware-Funkonen
Übung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 2. Übung (05.02.2009) Agenda Agenda Datenbsp. scalefactors.dat Berechnen der Varanzen der Latent Response Varablen Berechnen der modellmplzerten
Regressionsgerade. 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
Plastizität, Rekristallisation, Kriechen
Werkstoffe und Fertgung II Prof.Dr. K. Wegener Sommersemester 007 Semnarübung 8 Plastztät, Rekrstallsaton, Krechen Musterlösung Insttut für Werkzeugmaschnen und Fertgung, ETH Zentrum Übungsassstenz:, Mchael
Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
Theoretische Physik II Elektrodynamik Blatt 2
PDDr.S.Mertens M. Hummel Theoretsche Physk II Elektrodynamk Blatt 2 SS 29 8.4.29 1. Rechnen mt Nabla. Zegen Se durch Auswertung n kartesschen Koordnaten de folgende Relaton und werten Se de anderen Relatonen
Berechnung des next-arrays
Berechnung des nex-arrays Ernnerung: nex[] Länge des längsen Präfxes von P, das eches Suffx von P 1.. s Inalserung: nex[1] 0 Annahme: se nex[-1] j: P 1 P 2 P -1 P? Berache zwe Fälle: 1. P P j+1 nex[] j
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
Schriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
Multivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
Fachbereich 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
4. Ratenmonotones Scheduling Rate-Monotonic Scheduling (LIU/LAYLAND 1973)
4. Raenmonoones Schedulng Rae-Monoonc Schedulng (LIU/LAYLAND 973) 4.. Tasbeschrebung Tas Planungsenhe. Perodsche Folge von Jobs. T = {,..., n } Tasparameer Anforderungsze, Bereze (release me) Bearbeungs-,
Grundgedanke 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
Beschreibung 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
nonparametrische 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
Lineare 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
Einweg-Tragetaschen. Erfahrungen und Positionen der. Friederike Farsen Gruppe Umwelt Tel:0211/
Enweg-Trageaschen Erfahrungen und Posonen der Gruppe Umwel frederke.farsen@vz-nrw.de Tel:0211/3809-165 1 Umwelberaung für Verbraucher/nnen se 1986 19 Beraungssellen Spezalangebo Umwelberaung Abfallberaung
I, U : Momentanwerte für Strom und Spannung I 0, U 0 : Scheitelwerte für Strom und Spannung
Wechselsrom B r A B sn( sn( Wrd de eerschlefe über enen Wdersand kurzgeschlossen fleß en Srom: sn( sn(, : Momenanwere für Srom und Spannung, : Scheelwere für Srom und Spannung ~ sn( sn( Effekvwere für
n h i h n i e r e i Welche Wörter findest Du? Schreibe sie hier auf. OS /Symptomtraining
OS /Symptomtranng h r m h n h e r h n h e n h n e r Welche Wörter fndest Du? Schrebe se her auf. Arbetsblatt 1 OS/Symptomtranng Kannst Du de Wörter n Klammer mt enem der gefundenen Wörter ersetzen? Schrebe
Kapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
(4) NURBS. Vorlesung Computergraphik III S. Müller U N I V E R S I T Ä T KOBLENZ LANDAU
URS Vorlesung Compuergraph III S. Müller U I V E R S I T Ä T KOLEZ LADAU U I V E R S I T Ä T KOLEZ LADAU S. Müller - - Wederholung I -Splnes ass-splnes Reursve Defnon der assfunonen ähnlch e be ézer durch
Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit
BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >
Änderungen Bis : Personengruppe 101 bei RV-Pflicht Vorgehen im Juli
XBA Personalwesen Flexrentengesetz 2017, Abrechnung von Altersrentnern, Mnjob Zum 01.01.2017 snd Änderungen m Flexrentengesetz n Kraft getreten, mt Folgen für de Abrechnung von weterbeschäftgten Mtarbetern,
Übung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
Vermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13
P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
Mikroökonomik. 5.5 Preisstrategien
Mkroökonomk 5.5 Presstrategen 5.5. Presskrmnerung Arten von Presskrmnerung nach Pgou: ersten Graes: Kunen zahlen für jee Enhet hren Reservatonsres zweten Graes: Kunen zahlen ro Enhet n Abhänggket von er
Kapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
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
Vermessungskunde für Bauingenieure und Geodäten
Vermessungskunde für Baungeneure und Geodäten Übung 4: Free Statonerung (Koordnatentransformaton) und Flächenberechnung nach Gauß Mlo Hrsch Hendrk Hellmers Floran Schll Insttut für Geodäse Fachberech 13
Potenzen einer komplexen Zahl
Potenzen ener komplexen Zahl 1-E1 1-E Abraham cc de Movre Abraham de Movre (17 175) französscher Mathematker Abraham de Movre der als Emgrant n London lebte glt als ener der Ponere der Wahrschenlchketsrechnung.
Mserlösng zr Afgabe, H5. as Pnk Nach Messng könne es ach ene -Schalng sen. Für ene -Schalng würe aber be Messng e gesame Spannng über em Wersan as abfallen. 5 µf,sec Ω as as en as en as as as Pnke. = +
5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
Lineare 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:
Mathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
Näherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
Kaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
Zulassungsprüfung Stochastik,
Zulassungsprüfung Stochastk, 11.5.13 Wr gehen stets von enem Maßraum (, A, µ) bzw. enem Wahrschenlchketsraum (,A,P) aus. De Borel σ-algebra auf R n wrd mt B n bezechnet, das Lebesgue Maß auf R n wrd mt
Ökometrie I 10 Korrelation - Regression
Ökometre I 10 Korrelaton - Regresson Ka Uwe Totsche LS Hydrogeologe Fredrch-Schller-Unverstät Jena Prof. Dr. Ka Uwe Totsche Ökometre I Korrelaton - Regresson 10-1 Zele und Lernnhalte Zel deser Enhet Zwedmensonale
Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
Determinanten - 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
6. 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
Prof. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Versicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
( ) ( ) ( ) 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
Kapitel 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),
Last-Minute-Klausurinfos. (Stand ; alle Angaben ohne Gewähr )
Last-Mnute-Klausurnfos (Stand 2.12.2003; alle Angaben ohne Gewähr ) Ich habe ene ganz wchtge Frage zu der Klausur am 15. Ma, Aufgabe 4a! We komme ch be der Handlungsalternatve 3 auf den Nettobarwert von
Modelle des menschlichen Körpers. Mathematische Grundlagen in 2D. Erweiterung auf 3D. Zusammenfassung
Anaomsche, physkalsche und funkonelle Modelle des menschlchen Köpes Gundlagen de Modelleung Dgale Bldeabeung Ake Konuen Ake Konuen Ake Konuen 987 Kass, Wkn & Tezopoulos Ace Conou Models: Veknüpfung on
(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
B) Grammatik/Rechtschreibung (Richtzeit: ca. 35min)
B) Grmmk/Rechschrebung (Rchze: c. 35mn) 1. Besmme de Worr der unersrchenen Wörer! Besmme be den Pronomen und den Prkeln nur de Unergruppen! Des(1) wusse() ch(3) schon or() mener(5) Leserese(), denn(7)
3.3 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
9 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.
Aufgaben zur Zeitreihenanalyse (Kap. 3)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirschafswissenschafen Aufgaben zur Zeireihenanalyse (Kap. Aufgabe. Was verseh man uner einem sochasischen Prozess? Ein sochasischer Prozess is eine zeiliche Folge
Der starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade
Der starre Körper Domnk Fauser 1 Grundlagen 1.1 Denton Als enen starren Körper bezechnet man en System von Massepunkten m, deren Abstände zuenander konstant snd: r j = r r j. Mest betrachtet man ene sehr
Übungsblatt 4 - Lösung
Formle Sprchen und Automten Üungsltt 4 - Lösung 26. M 2013 1 Whr oder flsch? Begründe kurz dene Antwort! 1. In enem determnstschen endlchen Automten gt es für jedes Wort w Σ mxml enen kzepterenden Pfd.
Druckverluste durch Rohrverzweigungen
Druckverluste durch Rohrverzegungen llgemen Enzelderstände e entle, Hezkessel, Hezkörper, Rohrbögen und Rohrverzegungen us. erzeugen durch eränderung der Strömung ebenfalls enen Druckverlust, der überunden
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
9 SLAM Simultaneous Localization and Mapping
9 SLAM Simultaneous Localization and Mapping Einleitung eines der aktivsten Forschungsgebiete innerhalb der Robotik Roboterlokalisierung bei gegebener Karte (Kap. 8 und Karte aus Sensordaten bei bekannter
Grundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
Stochastische 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)
Mi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
Widerstandsnetzwerke Berechnung einfacher Netzwerke
Berechnung enfacher Netzwerke Ersatzspannungsuelle Überlagerungsverfahren Maschenstromverfahren ers - PEG-Vorlesung W/ - nsttut für nformatk - F Berln Berechnung auf Bass ener Ersatzspannungsuelle Ene
Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen