Ähnlichkeits- und Distanzmaße
|
|
- Barbara Feld
- vor 6 Jahren
- Abrufe
Transkript
1 Einheit 1 Ähnlichkeits- und Distanzmaße IFAS JKU Linz c 2015 Multivariate Verfahren 1 0 / 41
2 Problemstellung Ziel: Bestimmung von Ähnlichkeit zwischen n Objekten, an denen p Merkmale erhoben wurden. Die Zahl s ij soll die Ähnlichkeit zwischen dem i-ten und dem j-ten Objekt messen. Diese heißt Ähnlichkeitskoeffizient. Diese ist umso größer je ähnlicher sich die Objekte sind. Normierte Ähnlichkeitskoeffizienten haben die Eigenschaft: 0 s ij 1. Analog kann auch ein Distanzmaß d ij betrachtet werden, das die Unähnlichkeit zwischen dem i-ten und dem j-ten Objekt misst. Dieses ist umso kleiner je ähnlicher sich die Objekte sind. IFAS JKU Linz c 2015 Multivariate Verfahren 1 1 / 41
3 Problemstellung / 2 Distanzmaße können aus normierten Ähnlichkeitskoeffizienten s ij folgendermaßen bestimmt werden: Dann gilt: d ij = 1 s ij. 0 s ij 1 0 d ij 1 Alle Distanzen (zwischen allen Paaren der n Objekte) werden in der sogenannten Distanzmatrix D dargestellt: D = d d 1n..... d n1... d nn IFAS JKU Linz c 2015 Multivariate Verfahren 1 2 / 41
4 Problemstellung / 3 Je nach Messniveau werden in der Regel unterschiedliche Distanzmaße und Ähnlichkeitsmaße verwendet. IFAS JKU Linz c 2015 Multivariate Verfahren 1 3 / 41
5 Metrik Eine Metrik ist eine Funktion, die je zwei Elementen eines Raums einen nicht negativen reellen Wert zuordnet, der als Abstand der beiden Elemente voneinander aufgefasst werden kann. Formale Definition: Sei X eine beliebige Menge. Eine Abbildung d : X X R heißt Metrik auf X, wenn für beliebige Elemente x, y und z von X die folgenden Axiome erfüllt sind: 1 Positive Definitheit: d(x, y) 0 und d(x, y) = 0 x = y, 2 Symmetrie: d(x, y) = d(y, x), 3 Dreiecksungleichung: d(x, y) d(x, z) + d(z, y). Die Forderung d(x, y) 0 folgt aus den übrigen, kann also weggelassen werden. Wir betrachten Distanzmaße, die nicht notwendigerweise Metriken sind, aber zumindest Bedingung 1 und 2 erfüllen. IFAS JKU Linz c 2015 Multivariate Verfahren 1 4 / 41
6 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 5 / 41
7 Quantitative Merkmale: Beispiel Datenmatrix: Studierender Alter der Mutter Alter des Vaters IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 6 / 41
8 Quantitative Merkmale: Beispiel / 2 Zentrierte Datenmatrix: Studierender Alter der Mutter Alter des Vaters IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 7 / 41
9 Quantitative Merkmale: Beispiel / 3 4 Alter des Vaters Alter der Mutter IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 8 / 41
10 Quantitative Merkmale: Beispiel / 4 Es liegt nahe den kürzesten Abstand zwischen zwei Punkten x i und x j zu bestimmen. Seien ( ) ( ) x i = x i1 x i2 x j = zwei Punkte aus dem R 2. Dann ist aufgrund des Satzes von Pythagoras der kürzeste Abstand gegeben durch d ij = (x i1 x j1 ) 2 + (x i2 x j2 ) 2. x j1 x j2 IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 9 / 41
11 Quantitative Merkmale: Beispiel / 5 Für die 6 Studierenden erhalten wir damit folgende Distanzmatrix: D = IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 10 / 41
12 Quantitative Merkmale: Beispiel / 6 Unterscheiden sich die Varianzen der Merkmale, so sollte man die skalierte Distanz bestimmen. Hierzu bestimmt man die Stichprobenvarianzen s1 2 und s2 2 der zwei Merkmale und bildet (x i1 x j1 ) 2 d s ij = = (xi1 s 2 1 s 1 x j1 s 1 + (x i2 x j2 ) 2 s 2 2 ) 2 ( xi2 + x ) 2 j2. s 2 s 2 IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 11 / 41
13 Quantitative Merkmale: Beispiel / 7 Die Stichprobenvarianzen sind s1 2 = 11.5 und s2 1 = Die Matrix mit den skalierten euklidischen Distanzen ist D = IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 12 / 41
14 Quantitative Merkmale: Beispiel / 8 Wir drehen die Punktwolke, dass die Merkmale bezüglich der neuen Achsen unkorreliert sind. x1 x IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 13 / 41
15 Quantitative Merkmale: Beispiel / 9 x x 1 IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 14 / 41
16 Quantitative Merkmale: Beispiel / 10 Die Stichprobenvarianzen sind s1 2 = 25.1 und s2 1 = 1.6. Die Matrix mit den skalierten euklidischen Distanzen nach dem Drehen ist D = IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 15 / 41
17 Quantitative Merkmale: Euklidische Distanz Die euklidische Distanz d ij zwischen dem i-ten und dem j-ten Objekt mit Merkmalsvektoren x i = x i1. x ip ist definiert durch d ij = p (x ik x jk ) 2 = k=1 x j = x j1. x jp (x i x j ) (x i x j ). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 16 / 41
18 Quantitative Merkmale: Skalierte euklidische Distanz Unterscheiden sich die Varianzen der Merkmale, so sollte man die skalierte Distanz bestimmen. Hierzu bestimmt man die Stichprobenvarianzen s1 2,..., s2 p der Merkmale und bildet dij s = p (x ik x jk ) 2 = p k=1 s 2 k k=1 ( xik s k x ) 2 jk. s k IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 17 / 41
19 Quantitative Merkmale: Skalierte euklidische Distanz / 2 Wir bilden die Diagonalmatrix V mit den Stichprobenvarianzen der Merkmale auf der Hauptdiagonalen: s s2 V = s 2 p Es gilt: dij s = (x i x j ) V 1 (x i x j ). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 18 / 41
20 Quantitative Merkmale: Mahalanobis Distanz Sind die Merkmale korreliert, so empfiehlt es sich die Konfiguration der Punkte zu drehen, dass sie hinsichtlich der neuen Koordinatenachsen unkorreliert sind, um anschließend die skalierten euklidischen Distanzen zu bestimmen. Die Rotationsmatrix bekommt man über die Spektralzerlegung der Varianz-Kovarianz-Matrix. Es gilt: S = T ΛT. Dabei ist T eine orthogonale Matrix, in deren Spalten die Eigenvektoren von S stehen. Λ ist eine Diagonalmatrix. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 19 / 41
21 Quantitative Merkmale: Mahalanobis Distanz / 2 Die rotierten Beobachtungen bekommt man durch Diese sind unkorreliert, da gilt: T x i. V(T x i ) = T V(x i )T = T ST = T T ΛT T = Λ. Die Eigenwerte sind die Varianzen der rotierten Merkmale. Man bekommt also die rotierten und skalierten Merkmale durch Λ 0.5 T x i, i = 1,..., n Bestimme V(Λ 0.5 T x i ). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 20 / 41
22 Quantitative Merkmale: Mahalanobis Distanz / 3 Die euklidischen Distanzen zwischen den rotierten und skalierten Beobachtungen bekommt man durch d M ij = = (Λ 0.5 T x i Λ 0.5 T x j ) (Λ 0.5 T x i Λ 0.5 T x i ) (x i x j ) S 1 (x i x j ). Man nennt dies die Mahalanobis-Distanz. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 21 / 41
23 Quantitative Merkmale: Mahalanobis Distanz / 4 Oft benutzt man die Mahalanobis-Distanz, um den Abstand von Punkten x 1,..., x n zu einem anderen Punkt z zu bestimmen. Dabei wird in der Regel für z ein Schätzer des Lageparameters verwendet. Man berechnet also d M i = (x i x) S 1 (x i x). Mit den Distanzen d1 M,..., d n M kann man Ausreißer identifizieren. Alle Beobachtungen, für die gilt di M > χ 2 p,0.975, sind Ausreißer. Dabei ist χ 2 p,0.975 das Quantil der Chiquadratverteilung mit p Freiheitsgraden, wobei p die Anzahl der Merkmale ist. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 22 / 41
24 Einschub: Eigenwerte und -vektoren Eigenwert und -vektor: Sei A eine quadratische n n Matrix. Dann heißt (die im Allgemeinen komplexe Zahl) λ C Eigenwert von A, wenn ein (im Allgemeinen komplexer) Vektor x C n mit x 0 existiert, so dass gilt: Ax = λx bzw. (A λi) = 0. Der Vektor x heißt dann Eigenvektor zum Eigenwert λ. Eigenwerte und -vektoren symmetrischer Matrizen: Sei A eine symmetrische n n Matrix. Dann gilt: 1 Alle Eigenwerte sind reell. 2 Die zu verschiedenen Eigenwerten gehörenden Eigenvektoren sind paarweise orthogonal. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 23 / 41
25 Einschub: Eigenwerte und -vektoren / 2 Spektralzerlegung: Sei A eine symmetrische n n Matrix mit rg(a) = r. Dann existiert eine n r Matrix P, sodass gilt: P AP = diag(λ 1,..., λ r ) bzw. A = Pdiag(λ 1,..., λ r )P. Dabei sind λ i die von Null verschiedenen Eigenwerte von A. Die Spaltenvektoren von P entsprechen den (paarweise orthonormalen) zugehörigen Eigenvektoren. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 24 / 41
26 Quantitative Merkmale: Vergleich Äquidistante Punkte bzgl. der Distanzmaße liegen auf einem Kreis für euklidische Distanz, auf einer Ellipse in Hauptlage für skalierte euklidische Distanz, auf einer Ellipse in beliebiger Lage für die Mahalanobis Distanz. Euklidische Distanz Skalierte euklidische Distanz Malahanobis Distanz IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 25 / 41
27 Quantitative Merkmale: Manhattan-Metrik Ein anderes Distanzmaß erhält man, wenn man die Summe der Längen der beiden Katheten bestimmt. Dies ist die kürzeste Verbindung zwischen zwei Punkten, wenn man eine Stadt mit einem rechtwinkeligen Straßennetz betrachtet. Diese Distanz heißt Manhattan-Metrik oder City-Block-Metrik. Sie ist definiert durch d ij = p x ik x jk. k=1 IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 26 / 41
28 Quantitative Merkmale: Manhattan-Metrik / 2 Eine Skalierung kann erfolgen, indem man den Wert x ij des Merkmals j beim i-ten Objekt durch die Spannweite R j des j-ten Merkmals dividiert. mit d ij = p k=1 x ik x jk R k, R k = max x ik min x ik. i i Äquidistante Punkte liegen auf einem auf der Spitze stehenden Quadrat. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 27 / 41
29 Binäre Merkmale: Beispiel Student Geschlecht Raucher Auto MatheLK Symmetrische Merkmale: Simple-Matching-Koeffizient Die Distanz wird beschrieben durch den Anteil der Merkmale, wo sich die Beobachtungen unterscheiden. In diesem Fall ist die Distanz gleich Asymmetrische Merkmale: Jaccard-Koeffizient Falls alle Merkmale asymmetrisch sind, so schließen wir zunächst alle Merkmale aus der weiteren Betrachtung aus, bei denen beide Objekte den Wert 0 aufweisen. Unter den restlichen Merkmalen bestimmen wir dann den Anteil, bei denen beide Objekte nicht den gleichen Wert aufweisen, um die Distanz zu bestimmen. In diesm Fall ist die Distanz gleich 0.5. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 28 / 41
30 Binäre Merkmale Die Information, die in einer binären Datenmatrix mit zwei Beobachtungen enthalten ist und notwendig ist, um die Distanz zu bestimmen, kann in folgender Hilfstabelle zusammengefasst werden: Objekt i Objekt j a b a + b 0 c d c + d a + c b + d p IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 29 / 41
31 Binäre Merkmale / 2 Bei symmetrischen binären Merkmalen sollte sich der Wert des Ähnlichkeits- / Distanzmaßes nicht ändern, wenn die Kodierung vertauscht wird. Das impliziert, dass das Ähnlichkeits- / Distanzmaß nur von a + d und b + c abhängt. Gower & Legendre betrachten folgende Klasse: s GL1 ij = a + d a + d + θ(b + c), wobei θ > 0. Die Distanzmaße d GL1 erhält man durch d GL1 ij = 1 s GL1 ij. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 30 / 41
32 Binäre Merkmale / 3 Der Simple-Matching-Koeffizient ergibt sich für θ = 1: s SM ij = d SM ij = a + d a + d + b + c, b + c a + d + b + c. Für θ = 2 ergibt sich der Rogers & Tanimoto Koeffizient: s RT ij = d RT ij = a + d a + d + 2(b + c), 2(b + c) a + d + 2(b + c). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 31 / 41
33 Binäre Merkmale / 4 Für asymmetrische binäre Merkmale sollte sich der Wert des Ähnlichkeits- / Distanzmaßes nicht ändern, wenn die Anzahl der gemeinsamen nichtvorhanden Merkmale d verändert wird. Gower & Legendre betrachten folgende Klasse: s GL2 ij = a a + θ(b + c), wobei θ > 0. Die Distanzmaße d GL2 erhält man durch d GL2 ij = 1 s GL2 ij. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 32 / 41
34 Binäre Merkmale / 5 Für θ = 1 erhält man den Jaccard-Koeffizienten: s JA ij = a a + b + c, d JA ij = b + c a + b + c. Für θ = 2 erhält man den von Sneath & Sokal vorgeschlagenen Koeffizienten: s SO ij = d SO ij = a a + 2(b + c), 2(b + c) a + 2(b + c). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 33 / 41
35 Qualitative Merkmale mit mehr als 2 Ausprägungen Sind alle p Merkmale nominal, so schlägt Sneah vor, den Anteil der gleichen Merkmale als Ähnlichkeitsmaß zu verwenden: s ij = u p, d ij = p u p, wobei u die Anzahl der Merkmale ist, bei denen beide Objekte dieselbe Merkmalsausprägung besitzen. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 34 / 41
36 Qualitative Merkmale mit geordneten Ausprägungen Durch die Ordnung können den Ausprägungen Ränge zugeordnet werden und mit diesen weitergearbeitet werden. Alternativ können auch Scores zugeordnet werden. Beides sind Methoden um das ordinale in ein metrisches Merkmal überzuführen. Dies erfolgt, indem (subjektiv) zusätzliche Annahmen getroffen werden! Die Distanz zwischen zwei Objekten bei einem ordinalen Merkmal erhalten wir dadurch, dass wir den Absolutbetrag der Differenz durch die Spannweite der Ausprägungen des Merkmals dividieren. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 35 / 41
37 Unterschiedliche Messniveaus Mögliche Kombination von Gower: d ij = p k=1 δ (k) ij d (k) ij p k=1 δ (k) ij. Durch δ (k) ij werden fehlende Beobachtungen die Asymmetrie binärer Merkmale berücksichtigt. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 36 / 41
38 Unterschiedliche Messniveaus / 2 δ (k) ij ist 0, falls bei mindestens einem Objekt das k-te Merkmal fehlt, bei asymmetrischen binären Merkmalen, falls beide Objekte den Wert 0 haben. In Abhängigkeit vom Messniveau des Merkmals k wird die Distanz d ij zwischen dem i-ten und j-ten Objekt mit den Merkmalsausprägungen x ik beziehungsweise x jk folgendermaßen bestimmt: Bei binären und nominalskalierten Merkmalen gilt: { d (k) 1 wenn x ik x jk ij = 0 wenn x ik = x jk. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 37 / 41
39 Unterschiedliche Messniveaus / 3 Bei quantitativen Merkmalen und ordinalen Merkmalen, deren Ausprägungsmöglichkeiten gleich den Rängen 1,..., r sind, gilt mit d (k) ij = x ik x jk R k R k = max x ik min x ik. i i IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 38 / 41
40 Unterschiedliche Messniveaus / 4 Sind alle Merkmale quantitativ, und fehlen keine Beobachtungen, dann ist der Gower-Koeffizient gleich der Manhattan-Metrik angewendet auf die durch die Spannweite skalierten Merkmale. Sind alle Merkmale ordinal, dann ist der Gower-Koeffizient gleich der Manhattan-Metrik angewendet auf die durch die Spannweite skalierten Ränge. Sind alle Merkmale symmetrisch binär, so ist der Gower-Koeffizient gleich dem Simple-Matching-Koeffizienten. Sind alle Merkmale asymmetrisch binär, so ist der Gower-Koeffizient gleich dem Jaccard-Koeffizienten. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 39 / 41
41 Distanzmaße in R Funktion dist() mit einem method Argument mit u.a. möglichen Werten "euclidean" "manhattan" "binary" Funktion daisy() aus dem Paket cluster. Beide returnieren ein Objekt der Klasse dist oder einer Klasse, die davon erbt. Aufgrund der Symmetrie und den bekannten Werten 0 in der Diagonale wird nur die untere Dreiecksmatrix gespeichert. Umwandlung in eine volle Matrix mithilfe von as.matrix(). IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 40 / 41
42 Direkte Bestimmung der Distanzen In den Sozialwissenschaften werden in dem Fall Daten erhoben, sodass direkt alle paarweisen Vergleiche durchgeführt und von den Befragten beurteilt werden. Beim Ratingverfahren wird jedem Vergleich ein Wert von 1 bis n zugeordnet, wobei höhere Werte höhere Unähnlichkeit darstellen. Bei der Rangreihung werden die Paare geordnet, vom ähnlichsten bis zum unähnlichsten. IFAS JKU Linz c 2015 Multivariate Verfahren 1 Bestimmung der Distanzen und Ähnlichkeiten aus der Datenmatrix 41 / 41
Kapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrStatistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
Mehr46 Eigenwerte und Eigenvektoren symmetrischer Matrizen
46 Eigenwerte und Eigenvektoren symmetrischer Matrizen 46.1 Motivation Symmetrische Matrizen (a ij = a ji für alle i, j) kommen in der Praxis besonders häufig vor. Gibt es für sie spezielle Aussagen über
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
Mehr6 Eigenwerte und Eigenvektoren
6.1 Eigenwert, Eigenraum, Eigenvektor Definition 6.1. Es sei V ein Vektorraum und f : V V eine lineare Abbildung. Ist λ K und v V mit v 0 und f(v) = λv gegeben, so heißt die Zahl λ Eigenwert (EW) von f,
Mehr40 Lokale Extrema und Taylor-Formel
198 VI. Differentialrechnung in mehreren Veränderlichen 40 Lokale Extrema und Taylor-Formel Lernziele: Resultate: Satz von Taylor und Kriterien für lokale Extrema Methoden aus der linearen Algebra Kompetenzen:
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
Mehr4 Lineare Algebra (Teil 2): Quadratische Matrizen
4 Lineare Algebra (Teil : Quadratische Matrizen Def.: Eine (n n-matrix, die also ebensoviele Zeilen wie Spalten hat, heißt quadratisch. Hat sie außerdem den Rang n, sind also ihre n Spalten linear unabhängig,
MehrErweiterte Koordinaten
Erweiterte Koordinaten Sei K n ein n dimensionaler affiner Raum Die erweiterten Koordinaten des Punktes x x n K n sind x x n Kn+ (Das ist für alle K sinnvoll, weil in jedem Körper K wohldefiniert ist In
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} bzw. N 0 = {0, 1, 2,
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr6 Hauptachsentransformation
6 Hauptachsentransformation A Diagonalisierung symmetrischer Matrizen (6.1) Satz: Sei A M(n n, R) symmetrisch. Dann gibt es eine orthogonale n n-matrix U mit U t AU = D Diagonalmatrix Es folgt: Die Spalten
MehrPrüfung Lineare Algebra Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr?
1. Sei V ein n-dimensionaler euklidischer Raum. Welche der folgenden Aussagen ist wahr? A. Wenn n = 3 ist, sind mindestens zwei der drei Euler-Winkel einer Drehung kleiner oder gleich π. B. Wenn n = 2
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
Mehr3 Elementare Umformung von linearen Gleichungssystemen und Matrizen
3 Elementare Umformung von linearen Gleichungssystemen und Matrizen Beispiel 1: Betrachte das Gleichungssystem x 1 + x 2 + x 3 = 2 2x 1 + 4x 2 + 3x 3 = 1 3x 1 x 2 + 4x 3 = 7 Wir formen das GLS so lange
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:
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr9 Vektorräume mit Skalarprodukt
9 Skalarprodukt Pink: Lineare Algebra 2014/15 Seite 79 9 Vektorräume mit Skalarprodukt 9.1 Normierte Körper Sei K ein Körper. Definition: Eine Norm auf K ist eine Abbildung : K R 0, x x mit den folgenden
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
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)
Mehr45 Eigenwerte und Eigenvektoren
45 Eigenwerte und Eigenvektoren 45.1 Motivation Eigenvektor- bzw. Eigenwertprobleme sind wichtig in vielen Gebieten wie Physik, Elektrotechnik, Maschinenbau, Statik, Biologie, Informatik, Wirtschaftswissenschaften.
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.
MehrMusterlösung zur Aufgabensammlung Statistik I Teil 3
Musterlösung zur Aufgabensammlung Statistik I Teil 3 2008, Malte Wissmann 1 Zusammenhang zwischen zwei Merkmalen Nominale, Ordinale Merkmale und Mischungen Aufgabe 12 a) x\ y 1.Klasse 2.Klasse 3.Klasse
MehrMusterlösungen zur Linearen Algebra II Übungsklausur
Musterlösungen zur Linearen Algebra II Übungsklausur Aufgabe. Sei A R 3 3. Welche der folgenden Aussagen sind richtig? a Ist det(a =, dann ist A eine orthogonale Matrix. b Ist A eine orthogonale Matrix,
MehrVervollständigung Lateinischer Quadrate
Vervollständigung Lateinischer Quadrate Elisabeth Schmidhofer 01.12.2013 Inhaltsverzeichnis 1 Vorwort 3 2 Einleitung 4 2.1 Beispele.............................................. 4 3 Lateinische Quadrate
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
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrLineare Algebra. Teil III. Inhaltsangabe
Teil III Lineare Algebra Inhaltsangabe 3 Lineare Algebra 22 3.1 Einführung.......................... 22 3.2 Matrizen und Vektoren.................... 23 3.3 Spezielle Matrizen...................... 24
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrKapitel 2: Matrizen. 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung
Kapitel 2: Matrizen 2.1 Matrizen 2.2 Determinanten 2.3 Inverse 2.4 Lineare Gleichungssysteme 2.5 Eigenwerte 2.6 Diagonalisierung 2.1 Matrizen M = n = 3 m = 3 n = m quadratisch M ij : Eintrag von M in i-ter
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
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
MehrZahlen und metrische Räume
Zahlen und metrische Räume Natürliche Zahlen : Die natürlichen Zahlen sind die grundlegendste Zahlenmenge, da man diese Menge für das einfache Zählen verwendet. N = {1, 2, 3, 4,...} Ganze Zahlen : Aus
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrMatrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle
2. Matrixalgebra Warum Beschäftigung mit Matrixalgebra? Matrizen spielen bei der Formulierung ökonometrischer Modelle eine zentrale Rolle: kompakte, stringente Darstellung der Modelle bequeme mathematische
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrSkript zur Vorlesung. Lineare Algebra. Prof. Dr.-Ing. Katina Warendorf. 2. Oktober 2014
Skript zur Vorlesung Prof. Dr.-Ing. Katina Warendorf 2. Oktober 2014 erstellt von Sindy Engel erweitert von Prof. Dr.-Ing. Katina Warendorf Inhaltsverzeichnis 1 Vektoren 4 1.1 Grundbegriffe.................................
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
Mehr6.3 Hauptachsentransformation
Im Wintersemester 6/7 wurde in der Vorlesung Höhere Mathematik für Ingenieurstudiengänge der folgende Algorithmus zur Hauptachsentransformation besprochen: 63 Hauptachsentransformation Die Matrizen, die
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
MehrWirtschaftsmathematik Formelsammlung
Wirtschaftsmathematik Formelsammlung Binomische Formeln Stand März 2015 (a + b) 2 = a 2 +2ab + b 2 (a b) 2 = a 2 2ab + b 2 (a + b) (a b) =a 2 b 2 Fakultät (Faktorielle) n! =1 2 3 4 (n 1) n Intervalle Notation
MehrZusammenfassung Mathe III. Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren
Zusammenfassung Mathe III Themenschwerpunkt 3: Analytische Geometrie / lineare Algebra (ean) 1. Rechenregeln mit Vektoren Definition: (1) anschaulich: Ein Vektor ist eine direkt gerichtete Verbindung zweier
MehrInhaltsverzeichnis INHALTSVERZEICHNIS 1
INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Die Parabel 2 1.1 Definition................................ 2 1.2 Bemerkung............................... 3 1.3 Tangenten................................ 3 1.4
MehrOutline. 1 Vektoren im Raum. 2 Komponenten und Koordinaten. 3 Skalarprodukt. 4 Vektorprodukt. 5 Analytische Geometrie. 6 Lineare Räume, Gruppentheorie
Outline 1 Vektoren im Raum 2 Komponenten und Koordinaten 3 Skalarprodukt 4 Vektorprodukt 5 Analytische Geometrie 6 Lineare Räume, Gruppentheorie Roman Wienands (Universität zu Köln) Mathematik II für Studierende
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrKapitel 1 Beschreibende Statistik
Beispiel 1.25: fiktive Aktienkurse Zeitpunkt i 0 1 2 Aktienkurs x i 100 160 100 Frage: Wie hoch ist die durchschnittliche Wachstumsrate? Dr. Karsten Webel 53 Beispiel 1.25: fiktive Aktienkurse (Fortsetzung)
Mehr1 Definition. 2 Besondere Typen. 2.1 Vektoren und transponieren A = 2.2 Quadratische Matrix. 2.3 Diagonalmatrix. 2.
Definition Die rechteckige Anordnung von m n Elementen a ij in m Zeilen und n Spalten heißt m n- Matrix. Gewöhnlich handelt es sich bei den Elementen a ij der Matrix um reelle Zahlen. Man nennt das Paar
Mehr2 Euklidische Vektorräume
Sei V ein R Vektorraum. 2 Euklidische Vektorräume Definition: Ein Skalarprodukt auf V ist eine Abbildung σ : V V R, (v, w) σ(v, w) mit folgenden Eigenschaften ( Axiome des Skalarprodukts) (SP1) σ ist bilinear,
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
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
MehrLineare Algebra II, Lösungshinweise Blatt 9
Prof Dr Katrin Wendland Priv Doz Dr Katrin Leschke Christoph Tinkl SS 27 Lineare Algebra II, Lösungshinweise Blatt 9 Aufgabe (4 Punkte) Sei 2 3 4 A = 5 6 Berechnen Sie A k für alle k N und verifizieren
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrProf. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1
Prof. Dr. G. Wagner Ingenieurmathematik Begleittext Seite 1 Kapitel 3 Lineare Gleichungssysteme 3.1. Einleitung Beispiel 1 3 Kinder haben eingekauft. Franz hat 4 Lakritzen, 2 Schokoriegel und 5 Kaugummis
Mehr1.9 Eigenwerte und Eigenvektoren
.9. EIGENWERTE UND EIGENVEKTOREN 0.9 Eigenwerte und Eigenvektoren Alles in diesem Abschnitt bezieht sich auf quadratische reelle oder komplexe n n-matrizen. Statt E n (n n-einheitsmatrix) wird kurz E geschrieben..
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 25. April 2016 Die Dimensionsformel Definition 3.9 Sei f : V W eine lineare Abbildung zwischen zwei K-Vektorräumen. Der Kern
Mehr3 Häufigkeitsverteilungen
3 Häufigkeitsverteilungen 3.1 Absolute und relative Häufigkeiten 3.2 Klassierung von Daten 3.3 Verteilungsverläufe 3.1 Absolute und relative Häufigkeiten Datenaggregation: Bildung von Häufigkeiten X nominal
MehrDiagonalisieren. Nikolai Nowaczyk Lars Wallenborn
Diagonalisieren Nikolai Nowaczyk http://mathniknode/ Lars Wallenborn http://wwwwallenbornnet/ 16-18 März 01 Inhaltsverzeichnis 1 Matrizen 1 11 Einschub: Invertierbarkeit
MehrLösung (die Geraden laufen parallel) oder unendlich viele Lösungen.
1 Albert Ludwigs Universität Freiburg Abteilung Empirische Forschung und Ökonometrie Mathematik für Wirtschaftswissenschaftler Dr. Sevtap Kestel Winter 2008 Kapitel 16 Determinanten und inverse Matrizen
MehrMathematik für Anwender II
Prof. Dr. H. Brenner Osnabrück SS 2012 Mathematik für Anwender II Vorlesung 32 Metrische Räume Euklidische Räume besitzen nach Definition ein Skalarprodukt. Darauf aufbauend kann man einfach die Norm eines
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 206 Lineare Algebra und analytische Geometrie II Vorlesung 33 Das Kreuzprodukt Eine Besonderheit im R 3 ist das sogenannte Kreuzprodukt, das zu zwei gegebenen Vektoren
MehrKapitel 6. Zusammenfassung der wichtigsten Ergebnisse dieser Arbeit
Kapitel 6 Zusammenfassung der wichtigsten Ergebnisse dieser Arbeit 159 160 Kapitel 6. Zusammenfassung der Ergebnisse Im Fokus der vorliegenden Arbeit steht die Frage nach der Eignung verschiedener Matchingverfahren
MehrEuklidische Distanzmatrizen. Andrei Grecu
Euklidische Distanzmatrizen Andrei Grecu Übersicht Motivation Definition und Problemstellung Algo 1: Semidefinite Programmierung Algo 2: Multidimensional Scaling Algo 3: Spring Embedder Algo 4: Genetischer
MehrKapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße. x mod (lies: x-mod) Wofür? Lageparameter. Modus/ Modalwert Zentrum. Median Zentralwert
Kapitel 5 Kenngrößen empirischer Verteilungen 5.1. Lagemaße Wofür? Lageparameter Modus/ Modalwert Zentrum Median Zentralwert Im Datensatz stehende Informationen auf wenige Kenngrößen verdichten ermöglicht
MehrMat(2 2, R) Wir bestimmen das charakterische Polynom 1 f A (t) = t 2 t 2 = (t 2)(t + ( 1). ) 2 2. Eigenvektor zu EW 2 ist v 2 = 1 1
Aufgabe. Bestimmen Sie das Exponential expa) der Matrix ) 5 6 A = Mat, R). 4. Wir bestimmen das charakterische Polynom f A t) = t t = t )t + ). ). Eigenvektor zu EW ist v = ). Eigenvektor zu EW ist v =
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 2013 Prof Dr Erich Walter Farkas Kapitel 7: Lineare Algebra 73 Ergänzungen Prof Dr Erich Walter Farkas Mathematik I+II, 73 Ergänzungen 1 / 17 1 Reguläre Matrizen Prof Dr
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
MehrDefinitionen. Merkblatt lineare Algebra. affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht
Seite 1 Definitionen affiner Teilraum Menge, die durch Addition eines Vektors v 0 zu allen Vektoren eines Vektorraumes V entsteht ähnliche Matrizen Matrizen, die das gleiche charakteristische Polynom haben
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. 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
MehrBeispiele 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix (A
133 e 1. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 2. Gegeben sei das lineare Gleichungssystem mit erweiterter Matrix 1 3 2 1 1 2 3 0. 1 3 2 1 Schritte des
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrLineare Algebra II 6. Übungsblatt
Lineare Algebra II 6 Übungsblatt Fachbereich Mathematik SS 2011 Prof Dr Kollross 18/19 Mai 2011 Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G1 (Minimalpolynom) Bestimmen Sie das Minimalpolynom der
MehrLineare Gleichungssysteme (Teschl/Teschl 11.1)
Lineare Gleichungssysteme (Teschl/Teschl.) Ein Lineares Gleichungssystem (LGS) besteht aus m Gleichungen mit n Unbekannten x,...,x n und hat die Form a x + a 2 x 2 +... + a n x n b a 2 x + a 22 x 2 +...
Mehr( ) ( ). Dann heißt die Zahl
Der Euklidische Abstand Seite 1 von 6 Der Euklidische Abstand Der Abstand zweier Punkte P und Q in der Modellebene ist eine Zahl, die von den Koordinaten der Punkte abhängt. Der Term, mit dem die Berechnung
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
MehrKapitel 6. Metrik, Norm und Skalarproduktl. 6.1 Metrik (Abstand)
Kapitel 6 Metrik, Norm und Skalarproduktl Aus Ihrer täglichen Praxis sind Ihnen die Begriffe Abstand und Länge, möglicherweise gar Winkel wohlvertraut. 6.1 Metrik (Abstand) Definition Metrik : Sei M eine
MehrLineare Algebra I. Prof. Dr. M. Rost. Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar.
Lineare Algebra I Prof. Dr. M. Rost Übungen Blatt 10 (WS 2010/2011) Abgabetermin: Donnerstag, 13. Januar http://www.math.uni-bielefeld.de/~rost/la1 Erinnerungen und Ergänzungen zur Vorlesung: Hinweis:
MehrÜbungen zur Linearen Algebra 1
Übungen zur Linearen Algebra 1 Wintersemester 2014/2015 Universität Heidelberg - IWR Prof. Dr. Guido Kanschat Dr. Dörte Beigel Philipp Siehr Blatt 10 Abgabetermin: Freitag, 16.01.2015, 11 Uhr Auf diesem
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
Mehr8 Extremwerte reellwertiger Funktionen
8 Extremwerte reellwertiger Funktionen 34 8 Extremwerte reellwertiger Funktionen Wir wollen nun auch Extremwerte reellwertiger Funktionen untersuchen. Definition Es sei U R n eine offene Menge, f : U R
MehrVektoren und Matrizen
Vektoren und Matrizen Einführung: Wie wir gesehen haben, trägt der R 2, also die Menge aller Zahlenpaare, eine Körperstruktur mit der Multiplikation (a + bi(c + di ac bd + (ad + bci Man kann jedoch zeigen,
Mehr