Die Rücktransformation: Z = A t (Y µ) = Y = AZ + µ
|
|
- Rosa Böhme
- vor 6 Jahren
- Abrufe
Transkript
1 Die Rücktransformation: Z = A t (Y µ) = Y = AZ + µ Kleine Eigenwerte oder Eigenwerte gleich Null: k Eigenwerte Null = Rang(Σ) = m k Eigenwerte fast Null = Hauptkomponenten beinahe konstant Beschränkung auf p Hauptkomponenten: Gütekriterium: Anteil der erklärten Variation: p i=1 λ i/ m i=1 λ i MV05f01
2 EWU.frame Staat X1 X2 X3 X4 Beitritt 1 B DK D FIN F GR IRL I L NL A P S E GB X1 Inflationsrate 1997 in % X2 langfristiger Zinssatz 1997 in % X3 öffentliche Neuverschuldung 1997 in % des BIP X4 öffentlicher Schuldenstand 1997 in % des BIP MV05f02
3 EWU.eigen<-eigen(cov(EWU.frame[,2:5]))$values round(ewu.eigen,digits=2) round(princomp(ewu.frame[,2:5])$scores,digits=2) Comp.1 Comp.2 Comp.3 Comp
4 Comp.1 Comp.2 Comp.3 Comp Kaum Variation in der 4. Komponente, Standardabweichungen: round(princomp(ewu.frame[,2:5])$sdev,digits=2) Comp.1 Comp.2 Comp.3 Comp Kumulierte Anteile an der Gesamtvariation: round(cumsum(ewu.eigen)*100/sum(ewu.eigen), digits=2) MV05f03
5 Berechnung mit Kovarianzmatrix: round(princomp(ewu.frame[,2:5])$sdev,digits=2) Comp.1 Comp.2 Comp.3 Comp round(cumsum(ewu.eigen)*100/sum(ewu.eigen),digits=2) Berechnung mit Korrelationsmatrix: ei<-eigen(cor(ewu.frame[,2:5]))$values round(ei,digits=4) round(cumsum(ei)/sum(ei)*100,digits=2) MV05f04
6 Kovarianzmatrix: > round(cov(ewu.frame[,2:5]),digits =2) X1 X2 X3 X4 X X X X Korrelationsmatrix: > round(cor(ewu.frame[,2:5]),digits =2) X1 X2 X3 X4 X X X X MV05f04a
7 Orthogonalität: Z = XA ZZ t = XAA t X t = XX t In den Matrizen ZZ t bzw. XX t steht an der Stelle (i,j) das Skalarprodukt der Merkmale für die Merkmalsträger i und j. Skalarprodukte und damit Norm und Metrik bleiben unverändert! MV05f05
8 Komponentenladungen: a t j a j = 1 a j = λ1/2 j a j a t j a j = λ ja t j a j = λ j C = [a 1,a 2,...,a m] C = AΛ 1/2 Σ = AΛA t = Σ = CC t Z = Λ 1/2 Z = Var(Z ) = I Inverse Transformation: Y = AZ = AΛ 1/2 }{{} C Λ 1/2 Z }{{} Z = CZ
9 Inverse Transformation: Faktorenanalyse: Y = AZ = AΛ 1/2 }{{} C Y = Λf + e Λ 1/2 Z }{{} Z = CZ f t = [f 1,f 2,...,f p ] Faktoren Λ m p-matrix der Faktorladungen e t = [e 1,e 2,...,e m ] Fehler Analogie: = C: Komponentenladungen MV05f06
10 Zweite Interpretation von C: Bei Verwendung der Korrelationsmatrix ist: P = CC t Y = AZ cov(z j,y i ) = cov Z j, m k=1 a ikz k = a ij Var(Z j ) = a ij λ j Korr(Z j,y i ) = λ j a ij /λ 1/2 j = a ij λ 1/2 j = a ij Korr(Z,Y ) = AΛ 1/2 = C C enthält Korrelationskoeffizienten zwischen Hauptkomponenten und standardisierten Originalvariablen m (Korr(Z j,y i )) 2 = m i=1 i=1 (a ij) 2 m = λ j i=1 a2 ij = λ j = Var(Z j ) Varianz der j-ten Hauptkomponente ist Summe der quadrierten Korrelationskoeffizienten zwischen dieser HK und allen Originalvariablen. MV05f07
11 Beispiel: Xstand<-(as.matrix(teil01.frame) -eins%*%t(mitte))%*%diag(1/stand) Korrelationsmatrix: round(cor(xstand),digits=4) Diagonalmatrix der Eigenwerte: Lambda<-diag(eigen(cor(Xstand))$values) round(lambda,digits=4)
12 Matrix der Eigenvektoren: A<-eigen(cor(Xstand))$vectors round(a,digits=4) Matrix der Komponentenladungen: CL<-A%*%Lambda^(1/2) round(cl,digits=4) MV05f08
13 Hauptkomponenten: Z<-Xstand%*%A round(z[1:5,],digits=4) Korrelation, Hauptkomponenten und Originalvariablen: round(cor(xstand,z),digits=4) Z1 Z2 Z3 Y Y Y
14 Korrelation, Hauptkomponenten und Originalvariablen: round(cor(xstand,z),digits=4) Z1 Z2 Z3 Y Y Y Matrix der Komponentenladungen: CL<-A%*%Lambda^(1/2) round(cl,digits=4) MV05f09
15 m i=1 (Korr(Z j,y i )) 2 = λ j m i=1 a2 ij = λ j = Var(Z j ) round(sum(cl[,1]^ 2),digits=4) round(sum(cl[,2]^ 2),digits=4) round(sum(cl[,3]^ 2),digits=4) Lambda<-diag(eigen(cor(Xstand))$values) round(lambda,digits=4) MV05f09a
16 Beispiel: Unkorrelierte Variablen Zusätzliche Variable: Woerter Korrelationsmatrix und Kovarianzmatrix: round(cor(fragmet.frame[,c(2,3,4,7)],use= c ),digits=4) Groesse Schuh Gewicht Woerter Groesse Schuh Gewicht Woerter round(cov(fragmet.frame[,c(2,3,4,7)],use= c ),digits=2) Groesse Schuh Gewicht Woerter Groesse Schuh Gewicht Woerter
17 Eigenwerte und Eigenvektoren der Kovarianzmatrix: Groesse Schuh Gewicht Woerter Groesse Schuh Gewicht Woerter print(eigen(cov(fragmet.frame[,c(2,3,4,7)],use="c")),digits=2) $values [1] $vectors [,1] [,2] [,3] [,4] [1,] [2,] [3,] [4,]
18 Y i unkorreliert mit allen Y j und Var(Y i ) = σi 2, dann ist σ2 i ein Eigenwert der Kovarianzmatrix und der entsprechende Eigenvektor hat an der i-ten Stelle eine 1 und sonst Nullen. Y i ist eine der Hauptkomponenten. Wenn alle Variablen untereinander unkorreliert sind, stimmen die Hauptkomponenten mit den Originalvariablen überein. Sie werden nur nach absteigender Varianz geordnet. MV05f10
19 Beispiel: Alle Variablen unkorreliert round(cor(fragmet.frame[,5:8],use="c"),digits=4) UeGewicht GroeBoe Woerter ZuZahl UeGewicht GroeBoe Woerter ZuZahl round(cov(fragmet.frame[,5:8],use="c"),digits=0) UeGewicht GroeBoe Woerter ZuZahl UeGewicht GroeBoe Woerter ZuZahl
20 round(eigen(cov(fragmet.frame$[\mbox{,5:8}]$,use=\dq c\dq ))$values,digits=0) round(eigen(cov(fragmet.frame$[\mbox{,5:8}]$,use=\dq c\dq))\$vectors,digits=2) HK1 HK2 HK3 HK4 UeGewicht GroeBoe Woerter ZuZahl Kovarianzmatrix: UeGewicht GroeBoe Woerter ZuZahl UeGewicht GroeBoe Woerter ZuZahl MV05f11
21 Auswahl der Hauptkomponenten: P j := λ j a j a t j Λ = A t PA und P = AΛA t m = m Var(Y j) > m 1 Var(Z j) j=1 j=1 P = AΛA t = λ 1 a 1 a t λ m a m a t m = m j=1 P j P := m 1 P j P := P P Rest- oder Fehlermatrix j=1?? Wie wählt man m 1?? MV05f12
22 Auswahl der Hauptkomponenten: Λ = A t PA und P = AΛA t = λ 1 a 1 a t λ m a m a t m a j = λ1/2 j a j C = [a 1,a 2,...,a m] = AΛ 1/2 P = CC t = a 1a t a ma t m = (a 11) 2 a 11a a 11a m1 a 21a 11 (a 21) 2... a 21a m a m1a 11 a m1a (a m1) (a 1m) 2 a 1ma 2m... a 1ma mm a 2ma 1m (a 2m) 2... a 2ma mm a mma 1m a mma 2m... (a mm) 2 Diagonale: Varianzen der standardisierten Variablen, d.h. 1 = m j=1 (a ij )2 i = 1, 2,...,m I.a. m 1 j=1 (a ij )2 < 1?? Wie wählt man m 1?? MV05f12a
23 1 = m j=1 (a ij )2 i = 1, 2,...,m Varianz der i-ten standardisierten Variablen ist Summe der quadrierten Korrelationskoeffizienten der i-ten Variablen mit allen HK m i=1 (Korr(Z j,y i )) 2 = m i=1 (a ij) 2 = λ j Varianz der j-ten HK ist Summe der quadrierten Korrelationskoeffizienten dieser j-ten HK mit allen standardisierten Originalvariablen C = a 11 a a 1m a 21 a a 2m a m1 a m2... a mm (a 11)2 (a 12) 2... (a 1m) 2 (a 21) 2 (a 22) 2... (a 2m) (a m1) 2 (a m2) 2... (a mm) 2 Zeilensummen gleich 1 j-te Spaltensumme ist gleich λ j MV05f12b
24 Screetest: EWUcor.eigen<-eigen(cor(EWU.frame[,2:5]))$values plot(ewucor.eigen,type="o",ylab="eigenwerte") title(main="graph zur Durchführung des Scree-Tests") Graph zur Durchführung des Scree Tests Eigenwerte Index pr.aus<-princomp(ewu.frame[,2:5],cor=t) screeplot(pr.aus,type="l ") MV05f13
25 Auswahl der Hauptkomponenten: 1. Scree-Test: Nur bis zum Knick 2. So viele Hauptkomponenten, wie Eigenwerte λ j > 1 3. So viele Hauptkomponenten bis Anteil der kumulierten Varianz m 1 λ j/m > 0.90 j=1 4. Unter der Voraussetzung einer multivariaten Normalverteilung: Test von Bartlett H 0 : λ m1 +1 =... = λ m B := (n 1) ln m j=1 λ j B χ 2 (m m 1 +2)(m m 1 1)/2 + ln m 1 j=1 λ j + (m m 1 ) ln m m 1 λ j j=1 m m 1 MV05f14
26 Beispiel EWU.frame: 1. Scree-Test: = m 1 = 2 2. Eigenwerte: round(ewucor.eigen,digits=2) = m 1 = 1 3. cumsum(round(ewucor.eigen,digits=2))/ Bartlett-Test: m 1 B P-Wert FG = m 1 = 3 = m 1 = 3 MV05f15
27 EWU.frame; Komponentenladungen, Spektralzerlegung: C = AΛ 1/2 round(ewucor.vektor%*%diag(ewucor.eigen)^(1/2),digits=4) HK1 HK2 HK3 HK4 X X X X R = AΛA t = λ 1 a 1 a t λ m a m a t m R = m j=1 R j mit R j := λ j a j a t j MV05f16
28 R: round(cor(ewu.frame[2:5]),digits=4) X1 X2 X3 X4 X X X X lambda1<-ewucor.eigen[1] lambda2<-ewucor.eigen[2] lambda3<-ewucor.eigen[3] lambda4<-ewucor.eigen[4] a1<-ewucor.vektor[,1] a2<-ewucor.vektor[,2] a3<-ewucor.vektor[,3] a4<-ewucor.vektor[,4] MV05f17
29 R1<-round(lambda1*a1%*%t(a1),digits=4) R R2<- round(lambda2*a2%*%t(a2),digits=4) R
30 R3<- round(lambda3*a3%*%t(a3),digits=4) R R4<-round(lambda4*a4%*%t(a4),digits=4) R MV05f18
31 m 1 = 1 = R = R 1 R R = R R 1 = R 2 + R 3 + R 4 R2+R3+R
32 m 1 = 2 = R = R 1 + R 2 R1+R R = R R 1 R 2 = R 3 + R 4 R3+R MV05f19
33 m 1 = 3 = R = R 1 + R 2 + R 3 R1+R2+R R = R R 1 R 2 R 3 = R 4 R MV05f20
34 Grafische Darstellungen der Komponentenladungen EWUCL<-EWUcor.Vektor%*%diag(EWUcor.eigen)^(1/2) EWUnames<-c("Inflationsrate","Zinssatz","Neuverschuldung", "Schuldenstand") LadeHK1<-EWUCL[,1] LadeHK2<-EWUCL[,2] plot(ladehk1,ladehk2,xlim=c(0,1),ylim=c(-1,1),xlab="ladungen der 1. HK", ylab="ladungen der 2. HK") identify(ladehk1,ladehk2,labels=ewunames) Ladungen der 2. HK Neuverschuldung Schuldenstand Inflationsrate Zinssatz Ladungen der 1. HK
35 Ladungen der 2. HK Neuverschuldung Schuldenstand Inflationsrate Zinssatz MV05f Ladungen der 1. HK
Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrKapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten
Kapitel 3 Erste Schritte der Datenanalyse 3.1 Einlesen und Überprüfen der Daten Nachdem die Daten erfasst worden sind, etwa mit Hilfe eines Fragebogens, ist die nächste Frage, wie ich sie in den Rechner
MehrRisikomessung und Value at Risk Wintersemester 2013/14
Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung
MehrStatistische Verfahren für das Data Mining in einem Industrieprojekt
Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrFaktorenanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Faktorenanalyse Bacher, SoSe2007 1. Grundlegende Verfahren explorative FA (EXFA): Für eine Menge von Variablen/Items werden zugrunde liegende gemeinsame (latente) Dimensionen/Faktoren gesucht, die Faktorstruktur
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrA Matrix-Algebra. A.1 Definition und elementare Operationen
A Matrix-Algebra In diesem Anhang geben wir eine kompakte Einführung in die Matrizenrechnung bzw Matrix-Algebra Eine leicht lesbare Einführung mit sehr vielen Beispielen bietet die Einführung in die Moderne
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
Mehr2 Stand der Forschung. Bei der Analyse komplexer Proben ist es mit Hilfe moderner Analysensysteme moglich,
2.5 Medatenauswertung mit Hilfe chemometrischer Methoden Bei der Analyse komplexer Proben ist es mit Hilfe moderner Analysensysteme moglich, simultan eine Vielzahl von Eigenschaften zu bestimmen und so
MehrHauptkomponentenanalyse PCA
Hauptkoponentenanalyse PCA Die Hauptkoponentenanalyse (Principal Coponent Analysis, PCA) ist eine Methode zur linearen Transforation der Variablen, so dass: öglichst wenige neue Variablen die relevante
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrInstitut für Marketing und Handel Prof. Dr. W. Toporowski. SPSS Übung 5. Heutige Themen: Faktorenanalyse. Einführung in Amos
SPSS Übung 5 Heutige Themen: Faktorenanalyse Einführung in Amos 1 Faktorenanalyse Datei Öffnen V:/Lehre/Handelswissenschaft/Daten_Übung3/Preisimage_F_und_C.sav 2 Datensatz (I) v1 Wenn Produkte zu Sonderpreisen
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrVisualisierung I 5. Statistische Graphiken
Visualisierung I 5. Statistische Graphiken Vorlesung: Mi, 9:00 11:00, INF 368 532 Übung: Do, 14:00 16:00, INF 350 OMZ R U011 JProf. Dr. Heike Jänicke http://www.iwr.uni-heidelberg.de/groups/covis/ Inhaltsverzeichnis
MehrKorrelationen in Finanzmärkten: Bestimmung des realen Informationsgehalts und einer hierarchischen Struktur
Korrelationen in Finanzmärkten: Bestimmung des realen Informationsgehalts und einer hierarchischen Struktur Hergen Schultze Institut für Theoretische Physik der Georg-August-Universität zu Göttingen schultze@theorie.physik.uni-goettingen.de
MehrMathematik 1. Inhaltsverzeichnis. Prof. Dr. K. Melzer. karin.melzer@hs-esslingen.de http://www.hs-esslingen.de/de/mitarbeiter/karin-melzer.
Mathematik 1 Prof Dr K Melzer karinmelzer@hs-esslingende http://wwwhs-esslingende/de/mitarbeiter/karin-melzerhtml Inhaltsverzeichnis 1 Matrizenrechnung 2 11 Matrixbegri 2 12 Spezielle Matrizen 3 13 Rechnen
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrFaktorenanalyse. Marcel Noack
Faktorenanalyse Marcel Noack 12. April 2007 Inhaltsverzeichnis 1 Einleitung 3 1.1 Grundlagen............................ 3 1.2 Vorüberlegungen......................... 8 1.3 Probleme.............................
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
MehrH2 1862 mm. H1 1861 mm
1747 mm 4157 mm H2 1862 mm H1 1861 mm L1 4418 mm L2 4818 mm H2 2280-2389 mm H1 1922-2020 mm L1 4972 mm L2 5339 mm H3 2670-2789 mm H2 2477-2550 mm L2 5531 mm L3 5981 mm L4 6704 mm H1 2176-2219 mm L1 5205
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrKapitel IR:III (Fortsetzung)
Kapitel IR:III (Fortsetzung) III. Retrieval-Modelle Modelle und Prozesse im IR Klassische Retrieval-Modelle Bool sches Modell Vektorraummodell Retrieval-Modelle mit verborgenen Variablen Algebraisches
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrValue at Risk. Methoden zur Quantifizierung von Marktpreisrisiken. - Ein empirischer Vergleich - Dr. Michael Auer
Value at Risk Methoden zur Quantifizierung von Marktpreisrisiken - Ein empirischer Vergleich - Dr. Michael Auer Inhalt: 1. Motivation und Definition von VAR 2. Zielsetzung des Vergleichs 3. Methoden zur
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrSatz 25 A sei eine (n n)-matrix über K
Satz 25 Satz 25 A sei eine (n n)-matrix über K Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen Eigenwerten λ 1,...,λ m. Satz 25 A sei eine (n n)-matrix über K mit paarweise verschiedenen
MehrMathematik für Ökonomen
Springer-Lehrbuch Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab Bearbeitet von Wolfgang Kohn, Riza Öztürk 1. Auflage 2012. Taschenbuch. xv, 377 S. Paperback
Mehr11 Normalformen von Matrizen
11 Normalformen von Matrizen Wir wenden uns in diesem Kapitel noch einmal der Untersuchung linearer Abbildungen auf endlichdimensionalen Vektorräumen und deren Darstellung mittels Matrizen zu Speziell
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
Mehr2 Die Darstellung linearer Abbildungen durch Matrizen
2 Die Darstellung linearer Abbildungen durch Matrizen V und V seien Vektorräume über einem Körper K. Hom K (V, V ) bezeichnet die Menge der K linearen Abbildungen von V nach V. Wir machen Hom K (V, V )
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrUmweltmonitoring Datenverarbeitung 1, Teil 2: Statistische Verfahren der Datenanalyse
Umweltmonitoring Datenverarbeitung 1, Teil 2: Statistische Verfahren der Datenanalyse Roland Stigge stigge@informatik.hu-berlin.de Humboldt Universität zu Berlin 9. Januar 2003 Umweltmonitoring: Statistische
MehrKapitel 27 Distanz- und Ähnlichkeitsmaße
Kapitel 7 Distanz- und Ähnlichkeitsmaße 7.1 Einführung Sowohl Distanz- als auch Ähnlichkeitsmaße dienen dazu, die Ähnlichkeit verschiedener Fälle oder Variablen zu quantifizieren. Beide Maße untersuchen,
MehrWolfgang Kohn Riza Öztürk. Mathematik für Ökonomen. Ökonomische Anwendungen der linearen. Algebra und Analysis mit Scilab
Wolfgang Kohn Riza Öztürk Mathematik für Ökonomen Ökonomische Anwendungen der linearen Algebra und Analysis mit Scilab 3., erweiterte und überarbeitete Auflage ^ Springer Gabler Inhaltsverzeichnis Teil
MehrFormelsammlung zu Multivariate Verfahren
Institut für Statistik Gerhard Tutz, Moritz, Wolfgang Pößnecker Sommersemester 204 Formelsammlung zu Multivariate Verfahren Inhaltsverzeichnis Version 0804204 Diese Formelsammlung darf in der Klausur verwendet
MehrEmpirische Forschungsmethoden: Multivariate Datenanalyse
Vorlesung Empirische Forschungsmethoden: Multivariate Datenanalyse Prof. Dr. Jost Adler Lehrstuhl für Marketing Department of Management & Marketing Universität Duisburg-Essen Umbenennung der Veranstaltungen
MehrAufgabe 1. Sei A Mat(n n, R) mit Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A + 3E n ).
Aufgabe Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(3A E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Kern(A 3E n ). Sei A Mat(n n, R) Eigenwert 3. Dann gilt: Eig(A, 3) = Bild(A
Mehr7 Lineare Abbildungen und Lineare Gleichungssysteme
7 LINEARE ABBILDUNGEN UND LINEARE GLEICHUNGSSYSTEME 5 7 Lineare Abbildungen und Lineare Gleichungssysteme 7 Lineare Abbildungen 7 Abbildungen: Eine Verallgemeinerungen des Funktionsbegriffs Bemerkung:
MehrGrundlagen der Farbbildverarbeitung
Grundlagen der arbbildverarbeitung Vorlesender: Dr.-Ing. Rico Nestler Skripte: PD Dr.-Ing. habil. K.-H. ranke U Ilmenau / akultät IA Institut für Praktische Informatik und Medieninformatik achgebiet Graphische
MehrFinanzierung und Investition. Sicherer Zins und Zeitpräferenz (S. 198)
Kruschwitz/Husmann (2012) Finanzierung und Investition 1/26 Kruschwitz/Husmann (2012) Finanzierung und Investition 2/26 Finanzierung und Investition Kruschwitz/Husmann (2012) Oldenbourg Verlag München
MehrLeitfaden Lineare Algebra: Determinanten
Leitfaden Lineare Algebra: Determinanten Die symmetrische Gruppe S n. Eine Permutation σ der Menge S ist eine bijektive Abbildung σ : S S. Ist S eine endliche Menge, so reicht es zu verlangen, dass σ injektiv
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrLINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow
LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrExploratorische Faktorenanalyse: Hauptachsenanalyse und Hauptkomponentenanalyse SPSS-Beispiel zu Kapitel 13 1
Exploratorische Faktorenanalyse: Hauptachsenanalyse und Hauptkomponentenanalyse SPSS-Beispiel zu Kapitel 13 1 Karin Schermelleh-Engel, Christina S. Werner & Helfried Moosbrugger Inhaltsverzeichnis 1 Vorbemerkungen...
MehrZur Validität von 360 Feedbacks eine generalisierbarkeitstheoretische Reanalyse auf Faktorenebene
Zur Validität von 360 Feedbacks eine generalisierbarkeitstheoretische Reanalyse auf Faktorenebene Jörg von Aschwege Friedhelm Nachreiner Martin Schütte Was sind 360 Feedbacks? Weder standardisiertes noch
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrEinführung in die Vektor- und Matrizenrechnung. Matrizen
Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrMessen im psychologischem Kontext II: Reliabilität und explorative Faktorenanalyse
Messen im psychologischem Kontext II: Reliabilität und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Inhaltsverzeichnis 1 Reliabilität 2 1.1 Methoden zur Reliabilitätsbestimmung.............
MehrEvaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am 03.08.2007 (1.Termin)
Evaluation & Forschungsmethoden (Multivariate Analyse Hauptdiplom-Prüfungsklausur am 03.08.007 (1.Termin Name: Matrikel-Nr.: Aufgabe 1: (3 Punkte Es seien zwei Vektoren a und b (mit mehr als Koordinaten
MehrSO(2) und SO(3) Martin Schlederer. 06. Dezember 2012
SO(2) und SO(3) Martin Schlederer 06. Dezember 2012 Inhaltsverzeichnis 1 Motivation 2 2 Wiederholung 2 2.1 Spezielle Orthogonale Gruppe SO(n)..................... 2 2.2 Erzeuger.....................................
Mehr7 Die Determinante einer Matrix
7 Die Determinante einer Matrix ( ) a11 a Die Determinante einer 2 2 Matrix A = 12 ist erklärt als a 21 a 22 det A := a 11 a 22 a 12 a 21 Es ist S 2 = { id, τ}, τ = (1, 2) und sign (id) = 1, sign (τ) =
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
MehrRekursionen (Teschl/Teschl 8.1-8.2)
Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrKonfirmatorische Faktorenanalyse
Konfirmatorische Faktorenanalyse Kapitel 6 Einführung in die Test- und Fragebogenkonstruktion, Pearson Education 2003, Markus Bühner, 1 6.1 Grundkonzeption Die konfirmatorische Faktorenanalyse (CFA) dient
Mehr12 Teilnehmervoraussetzungen zum Umschulungsbeginn
Teilnehmervoraussetzungen zum Umschulungsbeginn 187 12 Teilnehmervoraussetzungen zum Umschulungsbeginn An dieser Stelle werden die wichtigsten Voraussetzungen beschrieben, die die Umschüler mit in die
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
MehrLineare Ausgleichsprobleme. Lineare Ausgleichsprobleme. Normalgleichungen. Normalgleichungen
Wir betrachten in diesem Abschnitt das lineare Ausgleichsproblem Ax b 2 = min! (1) Heinrich Voss voss@tu-harburgde Hamburg University of Technology Institute for Numerical Simulation mit gegebenem A R
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrLernzettel Mathe Inhaltsverzeichnis
Lernzettel Mathe Inhaltsverzeichnis Aufgabe 1 - Vollständige Induktion 2 Aufgabe 2 - Grenzwertbestimmung 2 Aufgabe 3 - Lin/Log 2 Aufgabe 4 - Barwert/Endwert 3 Aufgabe 5 - Maximalstellen, steigend/fallend
MehrNumerisches Programmieren
Technische Universität München SoSe 213 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Jürgen Bräckle Numerisches Programmieren 2. Programmieraufgabe: Lineare
MehrWie Google Webseiten bewertet. François Bry
Wie Google Webseiten bewertet François Bry Heu6ge Vorlesung 1. Einleitung 2. Graphen und Matrizen 3. Erste Idee: Ranking als Eigenvektor 4. Fragen: Exisi6ert der Eigenvektor? Usw. 5. Zweite Idee: Die Google
MehrPortfolio-Optimierung und Capital Asset Pricing
Portfolio-Optimierung und Capital Asset Pricing Peter Malec Institut für Statistik und Ökonometrie Humboldt-Universität zu Berlin Econ Boot Camp, SFB 649, Berlin, 4. Januar 2013 1. Einführung 2 29 Motivation
MehrWas ist MATLAB? Typische Anwendungen
Computational Physics 1, Seminar 01 Seite 1 Was ist MATLAB? numerisches Berechnungs- und Simulationswerkzeug integriert Berechnung, Visualisierung und Programmierung gleichzeitig höhere Programmiersprache
MehrPageRank-Algorithmus
Proseminar Algorithms and Data Structures Gliederung Gliederung 1 Einführung 2 PageRank 3 Eziente Berechnung 4 Zusammenfassung Motivation Motivation Wir wollen eine Suchmaschine bauen, die das Web durchsucht.
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung Mathematik Klausuraufgaben zur Mathematik - von Wolfgang Langguth Aufgabenstellungen
MehrStatistische Methoden: Tests, Regression und multivariate Verfahren
(CM)²-Nachwuchsring, Workshop Statistik, 25.Januar 2013 Statistische Methoden: Tests, Regression und multivariate Verfahren Ralf Korn ((CM)², TU Kaiserslautern, Fraunhofer ITWM) 0. Einige Probleme aus
MehrKlausuraufgabensammlung Mathematik. Klausuraufgaben zur Mathematik 1-3 von Wolfgang Langguth
Hochschule für Technik und Wirtschaft des Saarlandes University of Applied Sciences Fakultät für Ingenieurswissenschaften Bachelorstudiengang Biomedizinische Technik Prof. Dr. W. Langguth Klausuraufgabensammlung
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
Mehr2 Multivariate Statistik
MS13 1 2 Multivariate Statistik 21 Grundbegriffe In diesem Abschnitt sollen die ersten wichtigen Grundbegriffe der Multivariaten Statistik eingeführt werden: Mehrdimensionale Variablen, Erwartungswerte,
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
Mehr6. Auswertung mehrdimensionaler Daten
6. Auswertung mehrdimensionaler Daten Bisher: Auswertungsmethoden für Daten eines einzelnen Merkmals, z.b. Diskrete Klassierung Grafische Darstellungen (Verteilungsfunktion) Lagemaße Streungsmaße Schiefemaße
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrSchleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015
ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 für Aufgabenpool 1 Analysis
MehrÜBERBLICK ÜBER DAS KURS-ANGEBOT
ÜBERBLICK ÜBER DAS KURS-ANGEBOT Alle aufgeführten Kurse sind 100 % kostenfrei und können unter http://www.unterricht.de abgerufen werden. ANALYSIS / INFINITESIMALRECHNUNG Nullstellen * Nullstellen einer
Mehr4. Das Capital Asset Pricing Model (CAPM) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection.
4. Das Capital Asset Pricing Model (CAPM) The Tool is cool, but be leery of the Theory (Robert A. Haugen) Markowitz-Modell: Werkzeug zur optimalen Portfolio-Selection. CAPM: Theorie der Gleichgewichtspreise
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrAlles Gute zum 5. Geburtstag
Alles Gute zum 5. Geburtstag wünscht RWE Transportnetz Strom 09. Juni 2009 Seite 1 Herausforderungen für die TSO im liberalisierten Markt klaus.kleinekorte@rwe.com RWE Transportnetz Strom 09. Juni 2009
Mehr5. Vorlesung. Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung
5. Vorlesung Das Ranking Problem PageRank HITS (Hubs & Authorities) Markov Ketten und Random Walks PageRank und HITS Berechnung Seite 120 The Ranking Problem Eingabe: D: Dokumentkollektion Q: Anfrageraum
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrInstitut für Soziologie Benjamin Gedon. Methoden 2. Regressionsanalyse IV: Transformation und Interaktion
Institut für Soziologie Methoden 2 Regressionsanalyse IV: Transformation und Interaktion Inhalt 1. Zusammenfassung letzte Sitzung 2. Weitere Annahmen und Diagnostik 3. Transformationen zur besseren Interpretierbarkeit
MehrCAPM Die Wertpapierlinie
CAPM Die Wertpapierlinie Systematisches und unsystematisches Risiko Frank von Oppenkowski 6. Semester Betriebswirtschaftslehre SP Finanzwirtschaft 1 Die Wertpapierlinie (= CAPM) Gliederung 2 Wie man Erträge
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrOptimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen
Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel
MehrFortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum
Fortsetzung zu Binswanger2 Überlegungen zu Geld, Kredit und Wirtschaftswachstum Peter Fleissner (Version 05.02.2008) Bisher wurde die Rechung nur mit zirkulierendem konstantem Kapital durchgeführt. Die
MehrMethoden Quantitative Datenanalyse
Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung
Mehr