Multidimensional Scaling (MDS)
|
|
- Louisa Stieber
- vor 6 Jahren
- Abrufe
Transkript
1 Ludwig-Maximilians-Universität München Institut für Statistik Multidimensional Scaling (MDS) Myriam Hatz Statistische Methoden in der Psychometrie Lehrveranstaltung im Wintersemester 2015/16 Dozent: Dr. Steffen Unkel München, 26. Februar 2016 Myriam Hatz Multidimensional Scaling / 39
2 Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
3 Einleitendes Beispiel Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
4 Einleitendes Beispiel Anwendungsbeispiel Ziel der MDS Ähnlichkeiten (bzw. Unähnlichkeiten) zwischen Objekten mithilfe von Distanzen zwischen Punkten in einem niedrig dimensionierten Raum darstellen. Ursprünge im Bereich der Psychologie Welche Einflussfaktoren spielen für den Menschen im Hinblick auf die Wahrnehmung von Ähnlichkeiten eine Rolle? Myriam Hatz Multidimensional Scaling / 39
5 Einleitendes Beispiel Studie von Myron Wish aus dem Jahr 1971 Welche Merkmale veranlassen Personen zwei Länder als ähnlich zu bezeichnen? Probanden: 18 Studenten Vergleich von 12 Ländern Ähnlichkeit auf einer Skala von 1 sehr unähnlich bis 9 sehr ähnlich Ähnlichkeitsscore = Mittelwert über alle Probanden Myriam Hatz Multidimensional Scaling / 39
6 Einleitendes Beispiel Ähnlichkeitsscore-Matrix Country Brazil Congo Cuba Egypt France India... Brazil - Congo Cuba Egypt France India Myriam Hatz Multidimensional Scaling / 39
7 Einleitendes Beispiel MDS-Darstellung Myriam Hatz Multidimensional Scaling / 39
8 Einleitendes Beispiel MDS-Darstellung mit Dimensionsachsen under- Congo pro West France Jugoslavia developed developed pro Communist China Myriam Hatz Multidimensional Scaling / 39
9 Einleitendes Beispiel Einsatzgebiete von MDS Explorative Methode Testen von strukturellen Hypothesen Untersuchung von psychologischen Strukturen Urteilsbildung von Ähnlichkeiten Myriam Hatz Multidimensional Scaling / 39
10 Grundlagen Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
11 Grundlagen Proximitäten Proximitäten Proximitäten entsprechen Abstand, Nähe, Ähnlichkeit oder Unähnlichkeit von Objekten. Direkte Proximitäten Ableitung aus anderen Maßen möglich Korrelationen Distanzmaße Co-occurence -Indizes MDS legt Proximitätentransformation und Distanzfunktion für die Darstellung der Punkte im MDS-Raum fest. Myriam Hatz Multidimensional Scaling / 39
12 Grundlagen Distanzfunktionen Distanzfunktionen Distanzfunktionen bestimmen die Distanz zwischen zwei Objekten X i und X j. L p -Distanz: δ ij = ( r k=1 mit r = Anzahl an Variablen und Proximitäten-Matrix = (δ ij ). X ik X jk p ) 1 p, p 1 (1) Distanzfunktionen bestimmen aber auch die Abstände der einzelnen Objekte in einer Konfiguration. Myriam Hatz Multidimensional Scaling / 39
13 Grundlagen Stressfunktion Shepard-Diagramm Das Shepard-Diagramm visualisiert die Güte einer MDS-Lösung, indem die Proximitäten gegen ihre entsprechenden Distanzmaße abgetragen werden. Distanzen Proximitäten Myriam Hatz Multidimensional Scaling / 39
14 Grundlagen Stressfunktion Informationsverlust Eine Verlustfunktion drückt die Streuung der Punkte um die Regressionslinie aus. Der Informationsverlust entspricht der Summe der Residuen für alle Punkte i und j: eij 2 = [f (p ij ) d ij (X)] 2 (2) i<j i<j mit f (p ij ) = ˆd ij (X) ˆ= optimal transformierte Proximitäten und d ij ˆ= Abstände der Punkte in der Konfiguration X. Myriam Hatz Multidimensional Scaling / 39
15 Grundlagen Stressfunktion Stressfunktion Durch normieren der Verlustfunktion erhält man den Güteindex Stress. Dieser stellt ein interpretierbares Maß für die Güte einer MDS-Lösung dar. Stress = i<j [ˆd ij (X) d ij (X)] 2 i<j d ij 2(X) (3) Bei einer perfekten Anpassung der Konfigurationsdistanzen an die Daten nimmt der Stress einen Wert von Null an. Myriam Hatz Multidimensional Scaling / 39
16 Grundlagen Stressfunktion Einflussfaktoren der Stressfunktion n, die Anzahl an Beobachtungen m, die Dimensionalität des MDS-Raums MDS-Modell Fehleranteil in den Daten Ties bei der ordinalen MDS Sollten bei der Interpretation des Stress beachtet werden Myriam Hatz Multidimensional Scaling / 39
17 Klassische Skalierung Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
18 Klassische Skalierung Klassische Skalierung Analytische Lösung der MDS ohne Iterationen. Idee Angenommen Unähnlichkeiten entsprechen Distanzen: Welche Koordinaten erklären diese am besten? Objekte als Punkte in einer möglichst niedrig dimensionierten Konfiguration darstellen, sodass d ij δ ij. Dimensionen verschiedener k-dimensionaler klassischer Skalierungen sind dabei genestet. Myriam Hatz Multidimensional Scaling / 39
19 Klassische Skalierung Koordinatenbestimmung mit klassischer Skalierung (1) Als Input wird die (quadrierte) euklidische Distanzmatrix D = (d ij ) benötigt mit: d 2 ij = (x i x j ) (x i x j ). 1. Konstruiere aus D die Matrix A = (a ij ) = ( 1 2 d 2 ij ). 2. Erhalte die Skalarproduktmatrix B = HAH dabei ist H = I 1 n 11 Zentrierungsmatrix. B hat dann die Elemente b ij = a ij a i a j + a Myriam Hatz Multidimensional Scaling / 39
20 Klassische Skalierung Koordinatenbestimmung mit klassischer Skalierung (2) 3. Eigenwertzerlegung: B = PΛP mit Λ = diag(λ 1,..., λ n ), λ 1 λ n und P, die Matrix der normierten Eigenvektoren 4. Sei Λ + eine Matrix mit den k größten positiven Eigenwerten von B auf der Diagonalen und P + die entsprechenden k Spalten von P. Dann ist die Koordinatenmatrix gegeben durch X = P + Λ+. 5. Die Zeilen von X entsprechen dann den Koordinaten der Objekte. Myriam Hatz Multidimensional Scaling / 39
21 Klassische Skalierung Anmerkungen Es wird dabei folgende Verlustfunktion minimiert: ( L(X) = H D (2) Λ (X)) 2 Außerdem gilt bezeichnet die Frobenius-Norm Z = tr ( ZZ ) x j = 1 N x ij = 0 n i=1 j = 1,..., k Der Schwerpunkt der Konfiguration liegt also im Koordinatenursprung. Myriam Hatz Multidimensional Scaling / 39
22 Klassische Skalierung Übersicht Wähle die Konfiguration in R k, deren Koordinaten durch die k größten Eigenvektoren von B bestimmt werden. Wenn D eine euklidische Distanzmatrix ist, nur positive Eigenwerte möglich. Gute Approximation, wenn die k größten Eigenwerte von B große positive Werte und die restlichen nahe 0 Bei leicht negativen Eigenwerten trotzdem sinnvolle Darstellung möglich Myriam Hatz Multidimensional Scaling / 39
23 Anwendungsbeipiel - klassiche Skalierung Beispiel - Lund (1974) Forschungsinteresse Ähnlichkeitsbeziehungen zwischen sieben norwegischen Parteien untersuchen. Kommunistische Partei Sozialistische Partei Arbeiterpartei Liberale Zentrumspartei Christliche Volkspartei Konservative 14 Versuchspersonen sollten Distanz zwischen zwei Parteien angeben (insgesamt 42 Paarvergleiche je Proband). Der Referenzwert lag bei 10 und stellte die Distanz zwischen Arbeiterpartei und Liberale dar. Myriam Hatz Multidimensional Scaling / 39
24 Anwendungsbeipiel - klassiche Skalierung Distanzmatrix Anordnung der Parteien spielte eine Rolle arithmetisches Mittel der jeweiligen Distanzwerte symmetrische Distanzmatrix: KP SP AP L Z CV K KP SP AP L = D Z CV K Myriam Hatz Multidimensional Scaling / 39
25 Anwendungsbeipiel - klassiche Skalierung MDS-Auswertung Kommunistische Partei Sozialistische Partei Arbeiterpartei Liberale Zentrumspartei Konservative Christliche Volkspartei sozialistisch nicht sozialistisch Myriam Hatz Multidimensional Scaling / 39
26 Anwendungsbeipiel - klassiche Skalierung Umsetzung in R Myriam Hatz Multidimensional Scaling / 39
27 SMACOF-Algorithmus Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
28 SMACOF-Algorithmus SMACOF-Algorithmus Iterative Lösung der MDS Idee Minimiere den Stress einer MDS Lösung durch eine iterative Majorisierung. SMACOF ˆ= Stress Majorization of a Complicated Function. Myriam Hatz Multidimensional Scaling / 39
29 SMACOF-Algorithmus Raw-Stress Der zu minimierende Raw-Stress ist hierbei allgemein folgendermaßen definiert: σ r (X) = i<j w ij (δ ij d ij (X)) 2, (4) dabei sind w ij Gewichte mit den Eigenschaften w ij > 0 und i<j w ijδij 2 = n(n 1)/2. Je nach MDS-Anwendung können verschiedene Gewichte eingesetzt werden. Das smacof -Package in R spezifiziert diese Gewichte automatisch. Außerdem benötigt es δ ij, welche Unähnlichkeiten messen. Myriam Hatz Multidimensional Scaling / 39
30 SMACOF-Algorithmus Prinzip der iterative Majorisierung Sei f (x) eine beliebige komplizierte Funktion. Bestimme das Minimum von f (x) durch iteratives Ersetzen mit einer Hilfsfunktion g(x, z), mit festem Wert z. Anforderungen an g(x, z) als Majorisierungsfunktion: g(x, z) sollte einfacher zu minimieren sein als f (x). f (x) g(x, z). Die Hilfsfunktion sollte die Stützstelle z berühren, das heißt f (z) = g(z, z). Das Minimum x von g(x, z) liegt folglich zwischen f (x ) und f (z): f (x ) g(x, z) g(z, z) = f (z). (5) Myriam Hatz Multidimensional Scaling / 39
31 SMACOF-Algorithmus Illustration zweier Iterationen [Quelle: Borg und Groenen (2010), Figure 8.4] Myriam Hatz Multidimensional Scaling / 39
32 SMACOF-Algorithmus Majorisierungsalgorithmus 1. Setze Startwert z = z Finde Update x (u) für das gilt g(x (u), z) g(z, z). 3. Stoppe, falls f (z) f (x (u) ) < ɛ. 4. Setze z = x (u) und gehe zu Schritt 2. Myriam Hatz Multidimensional Scaling / 39
33 SMACOF-Algorithmus Majorisierung der Stress-Funktion Wird die Majorisierungs-Ungleichung in (5) eingehalten, kann auch die Stress-Funktion mit mehr als einer Variable minimiert werden. Die Stress-Funktion kann geschrieben werden als σ r (X) = w ij δij 2 + w ij dij 2 (X) 2 w ij δ ij d ij (X) i<j i<j i<j = ηδ 2 }{{} + η 2 (X) }{{} 2ρ(X) }{{} konstant in X gewichtete Summe der gewichtete Summe quadrierten Distanzen der Distanzen Weitere Umformung der von X abhängigen Terme möglich Myriam Hatz Multidimensional Scaling / 39
34 SMACOF-Algorithmus η 2 (X) = i<j w ij d 2 ij (X) Es gilt η 2 (X) = trx VX (6) mit v ij = w ij, falls i j n v ii = w ij. j=1,j i rang(v) = n 1 Matrix besitzt keinen vollen Rang Myriam Hatz Multidimensional Scaling / 39
35 SMACOF-Algorithmus ρ(x) = i<j w ij δ ij d ij (X) Weiterhin gilt ρ(x) = trx B(X) X trx B(Z)Z, (7) wobei die Matrix B(Z) folgende Elemente besitzt w ijδ ij falls i j d ij (Z) 0 b ij = d ij (Z) 0 falls i j d ij (Z) = 0 n b ii = b ij. j=1,j i Myriam Hatz Multidimensional Scaling / 39
36 SMACOF-Algorithmus Majorisierungsungleichung für Stress-Funktion σ r (X) = η 2 δ + trx VX 2trX B(X)X η 2 δ + trx VX 2trX B(Z)Z = τ(x, Z). (8) Minimum von τ(x, Z) erhält man analytisch durch Nullsetzen der Ableitung und lösen der Gleichung für X: τ(x, Z) = 2VX 2B(Z)Z! = 0 X = V 1 B(Z)Z Hierfür wird die Inverse von V benötigt Abhilfe durch Guttman Transformation, mittels der Moore-Penrose Inversen V + = (V + 11 ) 1 n 2 11 : X [u] = V + B(Z)Z Myriam Hatz Multidimensional Scaling / 39
37 SMACOF-Algorithmus Übersicht SMACOF-Algorithmus Start: k := 0, setze beliebigen Startwert Z = X [0] und berechne σ r [0] = σ r (X [0] ) k := k + 1 Update X [k] mit Hilfe der Guttman Transformation Berechne σ r [k] = σ r (X [k] ) und setzte Z = X [k] nein σ r [k-1] σ r [k] < ε oder k=max. Iteration? Ende ja Myriam Hatz Multidimensional Scaling / 39
38 Anwendungsbeispiel - SMACOF Beispiel - Rosenberg und Kim (1975) Forschungsinteresse Ähnlichkeitsbeziehung zwischen 15 Terminologien zur Beschreibung von Verwandtschaftsverhältnissen. Grandfather Grandson Cousin Daughter Father Grandmother Aunt Nephew Brother Mother Granddaughter Niece Sister Son Uncle Studenten sollten benennen, welche Begriffe sie aufgrund ihrer Ähnlichkeit in eine gemeinsame Gruppe einsortieren. Für jeden Studenten wurde eine Unähnlichkeitsmatrix erstellt. Paare werden mit 1 codiert, wenn Begriffe in unterschiedlichen Gruppen und 0, wenn Begriffe in der gleichen Gruppe. Myriam Hatz Multidimensional Scaling / 39
39 Anwendungsbeispiel - SMACOF Distanzmatrix δ ij ˆ= Prozentsätze, wie oft Begriffspaare nicht einer gemeinsamen Gruppe zugeordnet wurden. Aunt Brother Cousin Daughter Father... Aunt Brother Cousin Daughter Father Granddaughter Myriam Hatz Multidimensional Scaling / 39
40 Anwendungsbeispiel - SMACOF Distanzmatrix δ ij ˆ= Prozentsätze, wie oft Begriffspaare nicht einer gemeinsamen Gruppe zugeordnet wurden. Aunt Brother Cousin Daughter Father... Aunt Brother Cousin Daughter Father Granddaughter Myriam Hatz Multidimensional Scaling / 39
41 Anwendungsbeispiel - SMACOF Umsetzung in R - Package smacof Daten (kinshipdelta) dort zu finden. Benötigt immer Unähnlichkeitsdaten. Falls nur Ähnlichkeiten gegeben können diese mit sim2diss() transformiert werden. Symmetrische Unähnlichkeitsmatrizen: smacofsym() Wichtige Argumente: delta: Übergabe einer symmetrischen Distanzmatrix. ndim: Anzahl der Dimensionen type: legt die Transformation der Proximitäten fest. Myriam Hatz Multidimensional Scaling / 39
42 Anwendungsbeispiel - SMACOF Mögliche Transformationen der Proximitäten Transformation ˆdij Ratio b δ ij mit b > 0 Intervall a + b δ ij mit a, b 0 Spline Polynomfunktion von δ ij Ordinal Rangordnung der δ ij bleibt erhalten Ratio Intervall Spline Ordinal Proximitäten d_ij Proximitäten d_ij Proximitäten d_ij Proximitäten d_ij Myriam Hatz Multidimensional Scaling / 39
43 Anwendungsbeispiel - SMACOF Ratio MDS mit SMACOF Dimensionsvergleich ergibt folgende Stresswerte: wie erwartet! Eine Dimension Zwei Dimensionen Drei Dimensionen Myriam Hatz Multidimensional Scaling / 39
44 Anwendungsbeispiel - SMACOF Zwei-Dimensionale MDS-Lösung Dimension Uncle Grandfather Nephew Grandson Cousin Brother Son Father Aunt Niece Granddaughter Sister Daughter Mother Grandmother Dimension 1 Myriam Hatz Multidimensional Scaling / 39
45 Fazit Gliederung 1 Einleitendes Beispiel 2 Grundlagen Proximitäten Distanzfunktionen Stressfunktion 3 MDS-Verfahren Klassische Skalierung SMACOF-Algorithmus 4 Fazit Myriam Hatz Multidimensional Scaling / 39
46 Fazit Fazit Vorrangig als explorative Analysemethode genutzt Strukturen in Daten aufzeigen. Einschränkung auf Ähnlichkeitsstrukturen Viele verschiedene MDS-Verfahren verfügbar metrische Verfahren nicht-metrische Verfahren aggregierende Verfahren nichtaggregierende Verfahren Flexibilität auch durch Transformationen der Proximitäten und verschiedenen Gewichtungen Konfigurationen lassen sich meist intuitiv interpretieren. Liegt allerdings im Auge des Betrachters. Myriam Hatz Multidimensional Scaling / 39
47 Vielen Dank für Ihre Aufmerksamkeit! Myriam Hatz Multidimensional Scaling / 39
48 Bartholomew, D.J., Steele, F., Moustaki, I. und Galbraith, J. I. (2008). Analysis of Multivariate Social Science Data, Chapman and Hall/CRC, Boca Raton. Borg, I. und Groenen, P. J. F. (2010), Modern multidimensional scaling, Springer, Berlin London. Borg, I., Groenen, P. J. F. und Mair, P. (2013), Applied multidimensional scaling, Springer, Berlin London. Hamerle, A. und Pape, H. (1996), Grundlagen der mehrdimensionalen Skalierung, in L. Fahrmeir, A. Hamerle und G. Tutz (eds), Multivariate statistische Verfahren, Walter de Gruyer, Berlin. Mair, P., De Leeuw, J. und Groenen, P. J. F. (2015). Multidimensional scaling in R: SMACOF. URL: Mardia, K. V., Kent, J. T. und Bibby, J. M. (1980). Multivariate Analysis, Academic Press. Myriam Hatz Multidimensional Scaling / 39
Visualisierung hochdimensionaler Daten. Hauptseminar SS11 Michael Kircher
Hauptseminar SS11 Inhalt Einführung zu hochdimensionalen Daten Visualisierungsmöglichkeiten dimensionale Teilmengen dimensionale Schachtelung Achsenumgestaltung Algorithmen zur Dimensionsreduktion Zusammenfassung
MehrMultidimensionale Skalierung
Multidimensionale Skalierung TU CHEMNITZ SEMINAR MULTIVARIATE VERFAHREN REFERENTEN: ANJA FLIEGNER, THOMAS KRANEBURG, FREDERIK SCHENGEL DOZENT DR. THOMAS SCHÄFER Inhalt 1. Was ist MDS? 2. Ablauf einer MDS-Analyse
MehrClusteranalyse. Clusteranalyse. Fragestellung und Aufgaben. Abgrenzung Clusteranalyse - Diskriminanzanalyse. Rohdatenmatrix und Distanzmatrix
TECHNISCHE UNIVERSITÄT MÜNCHEN-WEIHENSTEPHAN MATHEMATIK UND STATISTIK INFORMATIONS- UND DOKUMENTATIONSZENTRUM R. Biometrische und Ökonometrische Methoden II SS 00 Fragestellung und Aufgaben Abgrenzung
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
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
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrEine neue Methode zur Visualisierung qualitativer Daten
Eine neue Methode zur Visualisierung qualitativer Daten Jürgen Hansohm Juergen.Hansohm@unibw-muenchen.de http://www.unibw-muenchen.de/campus/wow/hansohm.html Abstract: Zur Visualisierung multivariater
MehrTransformation und Darstellung funktionaler Daten
Transformation und Darstellung funktionaler Daten Seminar - Statistik funktionaler Daten Jakob Bossek Fakultät für Statistik 7. Mai 2012 Übersicht Einleitung Einordnung im Seminar Motivation am Beispiel
MehrVisualisierung und Vergleich der Clusterverfahren anhand von QEBS-Daten
Bachelorarbeit Visualisierung und Vergleich der Clusterverfahren anhand von QEBS-Daten zur Erlangung des Grades Bachelor of Science von Sophia Hendriks (Matrikelnummer: 182984) Studiengang Statistik eingereicht
MehrMultidimensionale Skalierung
Multidimensionale Skalierung Beispieldatei zur Datenanalyse Lehrstuhl für empirische Wirtschafts- und Sozialforschung Fachbreich Wirtschaftswissenschaft BUGH Wuppertal 2001 Multidimensionale Skalierung
MehrGrundlagen der Datenanalyse
Schematischer Überblick zur Behandlung quantitativer Daten Theorie und Modellbildung Untersuchungsdesign Codierung / Datenübertragung (Erstellung einer Datenmatrix) Datenerhebung Fehlerkontrolle / -behebung
MehrDistributed Graph Layout for Sensor Networks
Distributed Graph Layout for Sensor Networks Ausarbeitung zum Seminar Zeichnen von Graphen (WS04/05) Prof. Dr. Ulrik Brandes Basierend auf dem gleichnamigen Artikel von C. Gotsman und Y. Koren, Proceedings
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
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
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
MehrWas ist eine Clusteranalyse, wann und wie wird sie angewendet?
Autor: Dr. Ralf Gutfleisch, Stadt Frankfurt a. M., Bürgeramt, Statistik und Wahlen Was ist eine Clusteranalyse, wann und wie wird sie angewendet? Fragestellung Drei Fragen stehen im Vordergrund dieser
MehrOptimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz
Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel
MehrTermin3 Klassifikation multispektraler Daten unüberwachte Verfahren
Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht
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
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
Mehr17. Penalty- und Barriere-Methoden
H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende
MehrDiskriminanzanalyse Beispiel
Diskriminanzanalyse Ziel bei der Diskriminanzanalyse ist die Analyse von Gruppenunterschieden, d. h. der Untersuchung von zwei oder mehr Gruppen hinsichtlich einer Vielzahl von Variablen. Diese Methode
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrApproximation von Tensoren
Approximation von Tensoren Katrin Almon Geboren am 08.08.1987 in Konstanz Barbara Fuchs Geboren am 26.05.1988 in Bad Honnef 1. September 2010 Bachelorarbeit Mathematik Betreuer: Prof. Dr. Mario Bebendorf
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
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
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
MehrEngineering Design via Surrogate Modelling Sampling Plans
Engineering Design via Surrogate Modelling Sampling Plans Lisa Weber Universität Trier 01.06.2011 L. Weber (Universität Trier) Surrogate Models - Seminar Numerik 11 01.06.2011 1 / 34 Inhaltsverzeichnis
MehrPersonalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
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)
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
Mehr12. Bivariate Datenanalyse. In den Kapiteln 4-11 wurden univariate Daten betrachtet:
12. Bivariate Datenanalyse Während einer nur Zahlen im Kopf hat, kann er nicht auf den Kausalzusammenhang kommen Anonymus In den Kapiteln 4-11 wurden univariate Daten betrachtet: Von univariaten Daten
MehrConjoint Analyse. Ordnen Sie bitte die Objekte Ihren Präferenzen entsprechend in eine Rangreihe.
Conjoint Analyse CONsidered JOINTly Conjoint Analyse Ordnen Sie bitte die Objekte Ihren Präferenzen entsprechend in eine Rangreihe. traditionelle auswahlbasierte Wählen Sie bitte aus den Alternativen,
MehrStandardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
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:
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
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
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
MehrIBM SPSS Categories 22
IBM SPSS Categories 22 Hinweis Vor Verwendung dieser Informationen und des darin beschriebenen Produkts sollten die Informationen unter Bemerkungen auf Seite 57 gelesen werden. Produktinformation Diese
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
MehrPräsentation der Ergebnisse von Clusteranalysen
Autorin: Antje Seidel-Schulze, Deutsches Institut für Urbanistik, Berlin Präsentation der Ergebnisse von Clusteranalysen Der folgende Themenkomplex beantwortet die Frage, wie die von Statistikprogrammen
MehrFlorian Frötscher und Demet Özçetin
Statistische Tests in der Mehrsprachigkeitsforschung Aufgaben, Anforderungen, Probleme. Florian Frötscher und Demet Özçetin florian.froetscher@uni-hamburg.de SFB 538 Mehrsprachigkeit Max-Brauer-Allee 60
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung Die Messung Skalenniveaus 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Grundbegriffe Statistische Einheit,
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
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrSeminar zum Thema Künstliche Intelligenz:
Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen
MehrDPF Dynamic Partial distance Function
DPF Dynamic Partial distance Function Vorgelegt von Sebastian Loose (MatrikelNR.: 169172), Computervisualistikstudent im 4. Semester. Hausarbeit zum Papier DPF A Perceptual Distance Function for Image
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
MehrEmpirische Wirtschaftsforschung und Ökonometrie III
Empirische Wirtschaftsforschung und Ökonometrie III Prof. Dr. Robert Jung Lehrstuhl für Ökonometrie Staatswissenschaftliche Fakultät Universität Erfurt http://www.uni-erfurt.de/oekonometrie SS 2009 BA
MehrVisualisierung der Imperfektion in multidimensionalen Daten
Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte
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
Mehr1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de
1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de Man sollte eine Excel-Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte
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
MehrSolvency II und die Standardformel
Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs
MehrVorlesung: Statistik für Kommunikationswissenschaftler
Vorlesung: Statistik für Kommunikationswissenschaftler Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München WiSe 2009/2010 Übungen zur Veranstaltung Mittwoch: 14.15-15.45 HG DZ007 Cornelia Oberhauser
MehrTaylorentwicklung der k ten Dimension
Taylorentwicklung der k ten Dimension 1.) Taylorentwicklung... 2 1.1.) Vorgehenesweise... 2 1.2.) Beispiel: f ((x, y)) = e x2 +y 2 8x 2 4y 4... 3 2.) Realisierung des Algorithmus im CAS Sage Math... 5
Mehr2. Programmierung in C
2. Programmierung in C Inhalt: Überblick über Programmiersprachen, Allgemeines zur Sprache C C: Basisdatentypen, Variablen, Konstanten Operatoren, Ausdrücke und Anweisungen Kontrollstrukturen (Steuerfluss)
MehrGrundlagen der Datenanalyse am Beispiel von SPSS
Grundlagen der Datenanalyse am Beispiel von SPSS Einführung Dipl. - Psych. Fabian Hölzenbein hoelzenbein@psychologie.uni-freiburg.de Einführung Organisatorisches Was ist Empirie? Was ist Statistik? Dateneingabe
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
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
MehrMATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE
Europäische Schulen Büro des Generalsekretärs Abteilung für pädagogische Entwicklung Ref.:2010-D-581-de-2 Orig.: EN MATHEMATIKLEHRPLAN 4. SCHULJAHR SEKUNDARSTUFE Kurs 4 Stunden/Woche VOM GEMISCHTER PÄDAGOGISCHER
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrSeminar Visual Analytics and Visual Data Mining
Seminar Visual Analytics and Visual Data Mining Dozenten:, AG Visual Computing Steffen Oeltze, AG Visualisierung Organisatorisches Seminar für Diplom und Bachelor-Studenten (max. 18) (leider nicht für
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrErinnerung/Zusammenfassung zu Abbildungsmatrizen
Erinnerung/Zusammenfassung zu Abbildungsmatrizen Thomas Coutandin (cthomas@student.ethz.ch) 7. November 2 Abbildungsmatrizen Im Folgenden betrachten wir stets endlich dimensionale K-Vektorräume (K irgend
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrVoraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut, keine vorgegebenen Klassen
7. Clusteranalyse (= Häufungsanalyse; Clustering-Verfahren) wird der multivariaten Statistik zugeordnet Voraussetzung wieder: Datenraum mit Instanzen, mehrere Attribute - kein ausgezeichnetes Zielattribut,
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
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
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrArbeiten mit Excel. 1. Allgemeine Hinweise
1. Allgemeine Hinweise Man sollte eine Excel Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte inklusive aller dazugehörigen Einheiten
MehrOptimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg
Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei
Mehr3.3 Das allgemeine lineare Modell (ALM), Methode der kleinsten Quadrate
31 und 31 und (), Methode der 33 Das allgemeine (), Methode der kleinsten Quadrate 37 Modelle mit Messwiederholungen 1 / 113 Eine grundsätzliche Bemerkung zu Beginn Es bestehen viele Ähnlichkeiten zwischen
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
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
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
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.
MehrStatistik und Datenanalyse. eine praktische Einführung
Statistik und Datenanalyse eine praktische Einführung Antony Unwin Lehrstuhl für Rechnerorientierte Statistik und Datenanalyse Institut für Mathematik Universität Augsburg unwin@math.uni-augsburg.de Augsburger
MehrRealtime Human Body Tracking
Realtime Human Body Tracking Vortrag im Rahmen des Seminars Ausgewählte Themen zu Bildverstehen und Mustererkennung Lehrstuhl: Professor Dr. X. Jiang Referenten: Dipl.-Math. Kai Rothaus Dipl.-Inform. Steffen
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrUniversität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 ZPL Prof. Dr. Walter F. Tichy Dr. Victor Pankratius Ali Jannesari Agenda 1. ZPL Überblick 2. Konzepte von ZPL Regionen, Region Specifiers
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
MehrAnhang I zur Vorlesung Kryptologie: Elementare Zahlentheorie
Anhang I zur Vorlesung Kryptologie: Elementare Zahlentheorie von Peter Hellekalek Fakultät für Mathematik, Universität Wien, und Fachbereich Mathematik, Universität Salzburg Tel: +43-(0)662-8044-5310 Fax:
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
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
MehrNumerische Behandlung des Eigenwertproblems
Numerische Behandlung des Eigenwertproblems Zusammenfassung Das Ziel dieses Vortrages ist, zwei gute Methoden für die numerische Bestimmung der Eigenwerte zu zeigen und wie man diese mit Matlab anwenden
Mehr