Computerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst
|
|
- Stephan Egger
- vor 6 Jahren
- Abrufe
Transkript
1 Matheatsches Senar 00 Nuerk Coputerunterstützte Geschtserkennung = Egenface - Methode = hoas Wese Betreuer: PD Dr. Olver Ernst Glederung:. Enletung/Allgeenes. HauptKoponentenAnalyse 3. Egenface Methode. Enletung/Allgeenes Geschtserkennung st ene Aufgabe, de en Mensch t Lechtgket erfüllen kann. Für Coputer kann des aber ene recht ächtge Aufgabe sen. Der Algorthus, der für de Geschtserkennung benutzt wrd, wurde 988 von Krby und Srovch an der Brown Unversty entwckelt. De Vson und Modelng Group des M.I.. befasst sch t Forschung auf dese Gebet. Das entwckelte Syste basert auf der Arbet von Pentland, urk, Moghadda und Starner. Blder können auf zwe Art und Wesen betrachtet werden. Enal nhaltlch, also das was dargestellt wrd, oder an betrachtet das Bld als Anenanderrehung von Pxel, de sch ledglch n hre Farbton unterscheden. Der Coputer kann kene nhaltlchen Dnge unterscheden, sondern nur Pxel analyseren. Der Ansatzpunkt der Egenface Methode st de Struktur bestter Motven, d.h. es gbt n ener solchen Klasse wet aus wenger unterschedlche Merkale als zu untersuchende. Auf Grund deser Strukturerung können Motve/Blder verglchen werden. Mt Hlfe der HKA kann an Blder auf hre sgnfkanten Merkale reduzeren, so dass an ledglch dese Merkale auf Ähnlchket untersuchen uss!
2 . Hauptkoponentenanalyse De HKA st en statstsches Verfahren u Mengen von Messdaten auf statstsche Größen we Durchschntt (Mttelwert) und Streuung (Varanz) zu untersuchen. Man geht davon aus, dass de n Merkale der Objekte rgendwe zusaenhängen, sprch korrelert snd. Bsp.: Untersucht an Personen auf hr Gewcht, so wrd an feststellen, dass das Gewcht t der Körpergröße zusaenhängt. A In der Matrx zelenwese abgespechert. R snd de Objekte spaltenwese und de n Merkale x... x x... x A = x n... xn Dese Matrx wrd nun auf Mttelwert und Varanz bzw. Kovaranz untersucht. Mttelwertvektor: γ = ( γ, γ,..., γ ) j n γ = x j =,..., n = Mt Hlfe des Mttelwertvektors können wr jetzt de Varanz bzw. Kovaranz berechnen! De Varanz gbt an, we wet en Merkal vo Mttelwert abwecht, d.h. je größer de Abwechung uso arkanter das Merkal. De Kovaranz sagt etwas über de Korrelaton zweer Merkale aus. Man geht davon aus, dass Merkale korrelert snd, wenn se bede vo Mttelwert abwechen, d.h. je ehr de beden Merkale vo Mttelwert abwechen, uso größer st de Kovaranz und u so stärker snd dese korrelert. Varanz: s = ( x, γ) = S = (s,s,...,s n) stellt den Varanzvektor dar. Kovaranz: c, = ( x, γ) ( x, γ) = j,
3 C R st ene quadratsche, syetrsche Matrx, für de n De Kovaranzatrx glt: C= C Τ. Dese benhaltet de Inforaton über de Korrelaton der enzelnen Merkale, sodass jedes Objekt n endeutger Art und Wese beschreben werden kann. Mt Hlfe der Egenwertzerlegung kann an de Egenwerte und de dazugehörgen Egenvektoren besten. Be sehr großen Matrzen gestaltet sch das Proble sehr schwerg auf Grund des hohen Rechenaufwandes. Man behlft sch, sofern und n u Größen vareren, t ene rck, d.h. an acht sch de Sngulärwertzerlegung (SVD) zu nutze. Ene Matrx A kann t Hlfe der SVD we folgt zerlegt werden: A = UΣ V Τ wobe U n R, Σ, V R. Glücklcher ustand st, das sch C auch als Matrxprodukt darstellen lässt. Wobe A we folgt defnert st: C= AA x γ x γ x γ x γ x γ x γ A = R R R xn γn xn γn xn γn Also kann C folgender aßen zerlegt werden: τ C= UΣΣ U C ΣΣ = τ n ( ) AA U = U dag τ,..., τ,0,...,0 AA u =τ u =,...,
4 Sot st das Egenwertproble noch ncht klener geworden. Aber AA und AAhaben de Egenschaft, das se de selben Egenwerte haben. Also lösen wr das Proble t AA. AA= VΣ Σ V ΣΣ= τ τ De Egenwerte von C snd de (Sngulärwerte )², d.h. λ =τ. Wenn an A = UΣV Τ t V durchultplzert kot an auf de For: AV = UΣ Av =τu j =,..., De, von Null verschedenen Egenvektoren von C erhält an durch u = λ Av =,..., Durch de Egenwerte bzw. Egenvektoren wrd de Matrx C beschreben. De Egenvektoren u,u,...,u snd de ON Bassvektoren des Raus B R n welche de Werte von C legen. De Varanzen werden durch de Egenwerte λ repräsentert. Das bedeutet, λ λ... λ... λ, de klen snd, können vernachlässgt Egenwerte, k werden, da se belanglose Korrelatonen darstellen. Wenn k snkt de Denson der Datenatrx. Sot bleben noch k Egenwerte λ, λ,..., λ k und de dazugehörgen übrg. Dese spegeln de Hauptnforatonen der Egenvektoren u,u,...,uk Datenatrx A weder. Man braucht also nur noch k Varablen, sprch Merkale, u A ohne größere Inforatonsverluste darzustellen. Man erhält aus korrelerten Varable k unkorrelerte Varablen.
5 3. Egenface Methode De zu untersuchenden Blder üssen enge bestte Egenschaften aufwesen. Unter andere:. gleche Auflösung haben (gleche Anzahl an Pxel). de Geschter sollten sch kontrastäßg abgrenzen 3. n Graustufen vorlegen.) De Blder üssen de gleche Auflösung haben, d.h. de gleche Anzahl an Pxel, dat ene estset-matrx erstellt werden kann. Wenn de Blder ene unterschedlche Auflösung hätten, könnte an se ncht auf hre Merkale untersuchen, da das ene oder andere Bld ehr oder wenger Merkale hat..) De Geschter üssen sch vo Hntergrund unterscheden, dat nur de Geschter sgnfkante Merkale lefern, welche t Hlfe der HKA extrahert werden. Wenn des ncht der Fall wäre würden durch den Hntergrund relevante Inforatonen verloren gehen. 3.) Graustufen deshalb, wel sch das Proble t farbgen Blder nur schwer pleenteren lässt. Aus dese Grund haben wr Graustufenblden gewählt. De Blder, bzw. de Graustufenwerte der Pxel, werden n ener Matrx x y P R abgespechert. Dese Matrx wrd zu ene Spaltenvektor Γ transforert. x y x y P Γ So setzt sch de Matrx D aus jede deser Spaltenvektoren zusaen. Be xy Bldern ergbt sch de Matrx D = [ Γ, Γ,..., Γ ]. Dese Matrx bezechnet an auch als estset oder Datenatrx. Dese Matrx wrd nun der Hauptkoponentenanalyse unterzogen u de sehr große Matrx zu verklenern (Kopreren). U de Eleente der Matrx auf Korrelaton untersuchen zu können, blden wr als erstes en Durchschnttsgescht über das estset. Ψ = = Γ Deses Durchschnttsgescht wrd nun genutzt, u de Streuung zu ertteln. Des gescheht durch Subtraheren des Vektors Ψ von den enzelnen Vektoren Γ,...,, Γ Γ. Φ = Γ Ψ =,...,
6 Sot erhalten wr Vektoren Φ n de das Bld über de Abwechung zu Mttewert Ψ beschreben wrd. Des st nun unser Ausgangspunkt für de Erzeugung der Covaranzatrx C. Τ C = Φ Φ xy = We schon n der HKA beschreben lässt sch C auch als Matrxprodukt beschreben. A wrd we folgt defnert: xy C= A A Τ A = Φ, Φ,..., Φ xy [ ] Nun uss ene Egenwertzerlegung auf C angewandt werden, u de Egenwerte und de dazugehörgen Egenvektoren zu besten. Wr gehen her genauso we unter Punkt beschreben vor! Dese Egenvektoren werden auch Egenfaces genannt! En Bespel we so etwas aussehen kann zegen de folgenden Blder. xy xy B. In B De k neue ON - Bassvektoren spannen enen Unterrau legen alle Werte der Datenatrx D. U nun Blder n de Unterrau K darzustellen, üssen de Pxelwerte da hnen projzert werden. K
7 Projekton: B K k Forel: k k Ω = ( ω = u Φ ) Sot ergbt sch für jedes Bld en Vektor (,,..., ) Ω= ω ω ω Unterrau K. k Wenn nun en Bld X t de estset verglchen werden soll, wrd das Bld als Graustufenwerte n der Matrx P X abgespechert und dann n den Vektor ΓX transforert. Man erstellt aus dese Vektor enen VaranzvektorΦ X, welcher dann n den Unterrau K projzert wrd. Der Abstand des Vektors Ω, Ω,..., k Ω verglchen. X ( ) Ω = ω = u Φ X k k X Ω wrd, t Hlfe Eukldnor, t den enzelnen Vektoren ε k = ΩX Ω k Je klener der Abstand von Φ X zu Φ (=,, k) uso näher st das Bld X an Bld.
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
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrPortfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
Mehr2 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
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrMASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS. Mathematische Grundlagen
MASCHINELLES LERNEN TOBIAS SCHEFFER, NIELS LANDWEHR, MATTHIAS BUSSAS Matheatsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Opterung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz,
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
MehrMultivariate 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
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrDer 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
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrEine kurze Einführung in die Dichtefunktionaltheorie (DFT)
Ene kurze Enführung n de Dchtefunktonaltheore (DFT) Mchael Martns Lteratur: W. Koch, M.C. Holthausen A Chemst s Gude to Densty Functonal Theory Wley-VCH 2001 Dchtefunktonaltheore p.1 Enletung Im Falle
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrProf. 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
MehrTangentenvektoren und Tangentialraum
angentenvektoren und angentalrau (kontravarante Vektoren oder enach Vektoren) Gegeben ene - densonale Manngaltgket M, denert an an ede Punkt den angentalrau M als den densonalen Vektorrau aller öglchen
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrRegression und Korrelation
Regresson und Korrelaton von Ac Enstegsaufgabe lneare Regresson: Durch de 3 Punkte P/, P4/5, P39/6 st ene Mn-Punktwolke gegeben. Gesucht st dejenge Gerade g, welche n der Nähe der Punkte verläuft und de
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
Mehrω 0 = Protokoll zu Versuch E6: Elektrische Resonanz
Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrVersicherungstechnischer 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
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Insttut für Stochastk Prof Dr N Bäuerle Dpl-Math S Urban Lösungsvorschlag 6 Übungsblatt zur Vorlesung Fnanzatheatk I Aufgabe Put-Call-Party Wr snd nach Voraussetzung n ene arbtragefreen Markt, also exstert
Mehr3 Elastizitätstheorie
3 Elastztätstheore Für en elastsches Medum nmmt man enen spannungsfreen Referenzzustand an, der n Eulerkoordnaten durch x = Ax, t) gegeben st. Abwechungen werden beschreben durch de Verschebung ux, t)
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
Mehrd da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb
S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von
MehrKapitel 5 Systeme von Massenpunkten, Stöße
Katel 5 ystee von Massenunkten, töße Drehoente und Drehuls enes Telchensystes O t : z r r r F x r F F F y F F t (acto = reacto) : F t äußeren Kräften F und F und nneren Kräften F = -F Drehoente : D D r
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrSS 2017 Torsten Schreiber
SS Torsten Schreber e den Ebenen unterscheden wr de und de prmeterfree Drstellung. Wenn wr ene Ebenenglechung durch dre Punkte bestmmen wollen, so müssen de zugehörgen Vektoren sen, d es sonst nur ene
MehrÜbersicht der Vorlesung
Überscht der Vorlesung. Enführung. Blderarbetung. orphologsche Operatonen 4. Bldsegmenterung 5. erkmale on Objekten 6. Klassfkaton 7. Dredmensonale Bldnterpretaton 8. Bewegungsanalyse aus Bldfolgen 9.
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
Mehrc) schwierige freiwillige Zusatzaufgabe (ohne Bonuspunkte): Leiten Sie die allgemeinen iterativen Formeln für S, D, D R und V her.
Rechnerarchtetur Lösungsvorschlag. Bonusübung oerseester Fachgebet Rechnerarchtetur Prof. R. Hoffann Patrc Edger. Aufgabe: Maße für Barrel-hfter 7 + 7 Punte Gegeben st en Barrel hfter t n= Prozessoren
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrAsymptotische Stochastik (SS 2010) Übungsblatt 1 P X. 0, n.
Insttut für Stochastk PD. Dr. Deter Kadelka Danel Gentner Asymptotsche Stochastk (SS 2) Übungsblatt Aufgabe (Arten von Konvergenz reeller Zufallsvarablen und deren Zusammenhänge) Es seen X,, n N reelle
MehrExperimentalphysik II (Kip SS 2007)
permentalphsk II (Kp SS 007) Zusatvorlesungen: Z-1 n- und mehrdmensonale Integraton Z- Gradent, Dvergen und Rotaton Z-3 Gaußscher und Stokesscher Integralsat Z-4 Kontnutätsglechung Z-5 lektromagnetsche
MehrTheoretische 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
MehrProtokoll zum Grundversuch Mechanik
Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel
Mehr2. Periodische nichtsinusförmige Größen
. erodsche nchtsnusförge Größen n der Eletrotechn haben neben den Snusgrößen auch nchtsnusförge Größen erheblche Bedeutung. Generatoren lefern n eletronschen Schaltungen Rechtec-, puls- oder Sägezahnspannungen;
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
Mehr6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines
6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.
Mehr