Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen II. Clustering
|
|
- Insa Adler
- vor 5 Jahren
- Abrufe
Transkript
1 Uverstät Potsdam Isttut für Iformatk Lehrstuhl Maschelles Lere Maschelles Lere II Clusterg Matthas Bussas / Nels Ladwehr Tobas Scheffer
2 Motvato 2
3 Motvato 3
4 Clusterg Gegebe: Objekte V = { x,...,x } 1 Dstazfukto dst x,x j 0 oder Ählchketsfukto Erwartete Clusterazahl P 1,...Pk P P j =, P = V = 1... hoher tra-cluster-ählchket Zel: Partto, wobe mt edrger ter-cluster-ählchket k w = sm x,x 0 j j 4
5 Iter-Cluster Metrke Efacher Abstad = d P,P m dst v,w m j v P, w P j Kompletter Abstad = d P,P max dst v,w max j v P,w P Durchschttsabstad 1 dmea P,Pj dst v,w P P v P w Pj Abstad der Zetrode 1 1 dcet ( P,Pj ) = dst v, v P v P P j v Pj = j j 5
6 Optmales Clusterg Problem: Berechug des globale Optmum bezüglch der ter- ud tra-cluster-ählchket st NP schwer. Approxmato otwedg: Heurstk (Herarchsches Clusterg) Relaxato (Spectral Clusterg) EM-Algorthmus (ächste VL) 6
7 Überblck Herarchsches Cluster Bottom Up Top Dow Graph-basertes Cluster Ählchketsgraph Mmaler Schtt 7
8 Überblck Herarchsches Cluster Bottom Up Top Dow Graph-basertes Cluster Ählchketsgraph Mmaler Schtt 8
9 Herarchsches Cluster Ages (Algorthmus) Geg.: Objekte V, Iter-Cluster Metrk Setze Solage uterschedlche Cluster exstere v w bereche m. Dstaz über alle c,c C 1 s,t = arg m d c,c ; D = m d c,c Setze 0 {{ } } C = x x V ( v w ) ( v w v,w v, w ) v s t C = { c v s, t} { c c } Lefere C,C,... zurück 0 1 d 9
10 Herarchsches Cluster Agglomeratve Coeffcet s s Se mk = d c, xk, wobe c das Cluster st, mt dem m -te Schrtt verschmolze wurde ( { }) v s { } { { k} } C = c v s, t c x Agglomeratve Coeffcet : 1 m AC = 1 0,1 = 1 Dfal [ ] E Maß für de Qualtät ees Clustergs Ncht geeget um Datesätze uterschedlcher Größe zu vergleche x k 10
11 Überblck Herarchsches Cluster Bottom Up Top Dow Graph-basertes Cluster Ählchketsgraph Mmaler Schtt 11
12 Herarchsches Cluster Daa Bottom up: alle möglche Fusoe werde 2 betrachtet 2 1 Top dow: 1 möglche Splts 12
13 Herarchsches Cluster Daa (Algorthmus) Geg.: Objekte V, Iter-Cluster Metrk Setze Solage mehr-elemetge Cluster exstere Bestmme Cluster mt höchste Durchmesser c = arg max max d s,t Bestmme uählchstes Elemet ud setze Solage max D v 0, wobe Setze Lefere C0 = { V} c C v c 1 ( { }) c s = arg max d v,c v = v c c c = c { t} zurück s, t c > v c t arg max D v C 0,C 1,... ( { } ) { } { } C = C c c c c 1 d c = { s} = ( c) d ( v, ) D v d v,c c 13
14 Herarchsches Cluster Dvsve Coeffcet Se da, der Durchmesser des Cluster aus dem das Objekt v zu letzt herausgelöst wurde (bs es ezel war) Dvsve Coeffcet: 1 DC = da = 1 E Maß für de Qualtät ees Clustergs Ncht geeget um Datesätze uterschedlcher Größe zu vergleche 14
15 Überblck Herarchsches Cluster Bottom Up Top Dow Graph-basertes Cluster Ählchketsgraph Mmaler Schtt 15
16 Graphe-basertes Cluster Ählchketsgraph Ählchkete zwsche Datepukte V (Kote) blde gewchtete Kate: 16
17 Graphe-basertes Cluster Ählchketsgraph Ählchkete zwsche Datepukte V (Kote) blde gewchtete Kate: Vollstädger Graph: Kategewchte = Ählchket k-graph: Kate, we Kote (oder j) eer der k ächste Nachbar vo j (bzw. ) ε -Nachbarschaftsgraph: Kate, we dst v,v < ε ( j ) 17
18 Graphe-basertes Cluster Deftoe Gewchtete Adjazezmatrx Kotegrad-Matrx Laplace-Matrx uormalsert Symmetrsch ormalsert w w W = w1 w 11 1 d1 0 D = d = 0 d L = D W u L = I D WD sym j = 1 w 1/ 2 1/ 2 j 18
19 Beobachtug Zusammehägede Telgraphe etsprcht Azahl Egewerte vo L mt Wert 0. zugehörge (uormerte) Egevektore ethalte Idkatorvektore der Telgraphe. Erkets für schwach zusammehäg. Telgraphe? λ = λ = λ = f = 1,...1,0,...0,0,...0 / f = 0,...0,1,...1,0,...0 / #Bsp. C # Bsp. f = 0,...0,0,...0,1,...1 / # Bsp. C 1 λ = f L f f Df f Wf = w f f C T T T u =, j j 2, j =
20 Mmaler Schtt Spezalfall k=2 Betrachte Ählchketsgraphe mt zwe uterschedlche ausgezechete Kote s E s-t-schtt st ee Parttoerug der Kote, wobe s P ud mt s,t t P = V P t s,t V Cut (P) = w v P,v P j j 20
21 Mmaler Schtt Spezalfall k=2 Der mmale s-t-schtt * s,t st P = arg m Cut (P) P V Problem st polyomeller Laufzet lösbar (Ford/Fulkerso; Dc) Der mmale Schtt st der mmale s-t-schtt über alle s-t-schtte: Problem st polyomeller Laufzet lösbar O m + 2 log s Cut(P) = v P,v P j w j t 21
22 Mmaler Schtt Balazerug Problem: MCut-Lösug separert häufg ezele Kote 22
23 Mmaler Schtt Balazerug Problem: MCut-Lösug separert häufg ezele Kote Balazerug: RatoCut P Ncut P Cut(P) Cut(P) = + P P = Cut(P) Cut(P) wobe vol(p) + vol ( P ) vol(p) wobe P Azahl der Kote = v P Balazertes MCut-Problem st NP-hart d P 23
24 Mmaler Schtt Balazerug Lemma 1: Se da glt Lemma 2: Se da glt T V RatoCut P = f L f f f = = P / P, we v P P / P T u vol(v) NCut P = f L f, sost vol P / vol P, we v P vol P / vol P sym, sost 24
25 Spectral-Clusterg (uormalsert) Relaxato RatoCut 25 P V T 2 m f Lf, wobe f = 0, f = = 1 = 1
26 Spectral-Clusterg (uormalsert) Relaxato RatoCut P V f T 2 = 1 = 1 ka ur 2 Werte aehme m f Lf, wobe f = 0, f = f = P / P, we v P P / P, sost 26
27 Spectral-Clusterg (uormalsert) Relaxato NP-hart RatoCut P V T 2 = 1 = 1 m f Lf, wobe f = 0, f = (Uormalsertes) Spectral-Clusterg f R T 2 = 1 = 1 m f Lf, wobe f = 0, f = Egewertproblem 27
28 Spectral-Clusterg (uormalsert) Relaxato NP-hart RatoCut P V T 2 = 1 = 1 m f Lf, wobe f = 0, f = (Uormalsertes) Spectral-Clusterg f R T 2 = 1 = 1 m f Lf, wobe f = 0, f = Dskretserug: sg(f ) Egewertproblem 28
29 Spectral-Clusterg (uormalsert) Verallgemeerug auf k>2 1 Cut(P,...P ) = Cut P 1 k 2 = 1...k 1 RatoCut(P,...P ) = RatoCut P 1 k 2 = 1...k 1 Ncut(P,...P ) = Ncut P 1 k 2 = 1...k 29
30 Spectral-Clusterg (uormalsert) Verallgemeerug auf k>2 1 Cut(P,...P ) = Cut P 1 k 2 = 1...k 1 RatoCut(P,...P ) = RatoCut P f 1 k 2 = 1...k 1 Ncut(P,...P ) = Ncut P = 1 k 2 = 1...k P / P, we v P P / P RatoCut(P 1,...P k ), sost T = Tr F LF F j 1/ P j, we v Pj = 0, sost 30
31 Spectral-Clusterg (uormalsert) Relaxerug (k>2) NP-hart RatoCut 1 k ( T ) T m Tr F LF, wobe F F P,...,P = I Egewertproblem (Uormalsertes) Spectral-Clusterg m Tr F T LF, wobe F T F = I F R k 31
32 Spectral-Clusterg (uormalsert) Relaxerug (k>2) NP-hart RatoCut 1 k ( T ) T m Tr F LF, wobe F F P,...,P = I Egewertproblem (Uormalsertes) Spectral-Clusterg m Tr F T LF, wobe F T F = I F R k Dskretserug: Cluster auf Bass der Vektore F 32
33 Spectral-Clusterg Bespel Date: Mxture of gaussa 33
34 Spectral-Clusterg Bespel sm: RBF mt σ = 1 Egewerte der zugehörge Laplacematrx (fully coected Graph) 34
35 Spectral-Clusterg Bespel 35
36 Spectral-Clusterg (uormalsert) Algorthmus Geg.: Adjazezmatrx W R Bereche zugehörge Laplacematrx, Clusterazahl Bereche de kleste k Egevektore vo L u Setze Bereche Cluster aus Datepukte Lefere zurück 0 x 1 = u... u 1 k x C j C j L u x u R k 36
37 Approxmatosgüte Balazerte Schtte Polyomeller Algorthmus mt kostater Approxmatosgüte exstert cht Cockroach Graph (Guattery & Mller 1998) optmal P = P = 2k cut P, P = 2 37
38 Approxmatosgüte Balazerte Schtte Polyomeller Algorthmus mt kostater Approxmatosgüte exstert cht Cockroach Graph (Guattery & Mller 1998) U. Spectral Clusterg P = P = 2k cut P, P = k 38
39 Amerkuge Ncut führt zum verallgemeerte Egevektorproblem (orm. Spectral clusterg) Quelle: H. Zha et al.: Spectral Relaxato for K-meas Clusterg; 2001 U. vo Luxburg: A Tutoral o Spectral Clusterg;
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen II. Clustering 2
Uverstät Potsdam Isttut für Iformatk Lehrstuhl Maschelles Lere Maschelles Lere II Clusterg 2 Chrstoph Sawade/Nels Ladwehr Tobas Scheffer Überblck Zuletzt: K-meas Mxture of Gaussas Herarchsches Cluster
Mehr9. Clustern und Klassifizieren
03. JULI 2006: BLATT 55 9. Cluster ud Klassfzere 9.. Eletug Uter Klassfkato wrd de Zuordug vordeferter Klassfkatore (etwa sytaktsche Kategore aus eer Grammatk) zu Obekte verstade - userem Fall zu sprachlche
MehrQuellencodierung I: Redundanzreduktion, redundanzsparende Codes
Quellecoderug I: Redudazredukto, redudazsparede Codes. Redudaz. Eführug. Defto der Redudaz. allgemee Redudazredukto. redudazsparede Codes. Coderug ach Shao. Coderug ach Fao. Coderug ach Huffma.4 Coderug
MehrGenexpression (1) Clustering
Clusterg Clusterg: Grupperug ud Etelug eer Datemege ach ählche Merkmale Uüberwachte Klassfzerug (Neuroale Netze- Termologe) Dstazkrterum: E Datevektor st zu adere Datevektore seer Gruppe ahe (äher als
MehrKapitel 6: Regression
udwg-maxmlas-uverstät Müche Isttut für Iformatk ehr- ud Forschugsehet für Datebaksysteme Skrpt zur Vorlesug Kowledge Dscovery Databases m Sommersemester 05 Kaptel 6: Regresso Vorlesug: PD Dr. Arthur Zmek
MehrErinnerung: Funktionslernen. 5.6 Support Vector Maschines (SVM) Beispiel: Funktionenlernen. Reale Beispiele
Ererug: Fuktoslere 5.6 Support Vector Masches (SVM) überomme vo Stefa Rüpg, Kathara Mork Uverstät Dortmud Vorlesug Maschelles Lere ud Data Mg WS 2002/03 Gegebe: Bespele X LE de ahad eer Wahrschelchketsvertelug
MehrOrdnungsstatistiken und Quantile
KAPITEL Ordugsstatste ud Quatle Um robuste Lage- ud Streuugsparameter eführe zu öe, beötge wr Ordugsstatste ud Quatle... Ordugsstatste ud Quatle Defto... Se (x,..., x R ee Stchprobe. Wr öe de Elemete der
MehrWIB 2 Mathematik und Statistik Formelsammlung. Z Menge der ganzen Zahlen {...,-3,-2,-1,0,1,2,3,...}
1 Allgeme Geometrsche Rehe: q t = 1 q1 t=0 1 q Mtterachtsformel: ax 2 bxc=0 x 1/ 2 = b±b2 4ac 2a Bomsche Formel: 1. ab 2 =a 2 2abb 2 2. a b 2 =a 2 2abb 2 3. ab a b=a 2 b 2 Wurzel: ugerade 1 Ergebs gerade
MehrEigenwerteinschließungen I
auptsemar: Numersche Lösuge für Egewertaufgabe Egewerteschleßuge I Referet: Wolfgag Wesselsky Glederug Eletug Kodto vo Egewerte 3 Eschleßugssätze Bauer-Fke, Gershgor, Wlkso, Bedxo 4 Zusatz: Courat / Weyl
Mehrfür j=0,1,...,n Lagrange zur Lösung der Interpolation nicht geeignet, da numerisch problematisch und teuer. 1 n
Aahme: Es gbt zwe Polyome p ud q vom Grad
Mehr6. Zusammenhangsmaße (Kovarianz und Korrelation)
Problemstellug: Bsher: Gesucht: 6. Zusammehagsmaße (Kovaraz ud Korrelato) Ee Varable pro Merkmalsträger, Stchprobe x1,, x Maße für Durchschtt, Streuug, usw. Bespel: Kurse zweer Akte ud a 9 aufeader folgede
MehrErzeugen und Testen von Zufallszahlen
Erzeuge ud Teste vo Zufallszahle Jürge Zumdck Eletug Ee Lergruppe wrd aufgefordert 00 Zufallszahle (0 oder ) ach folgede Methode zu erzeuge: De Hälfte der Gruppe beutzt a) ee Müze oder b) de Zufallszahlefukto
MehrPrinzip "Proportional Reduction of Error" (PRE)
Dr. Reate Prust: Eführug quattatve Forschugsmethode Bvarate Maße: Przp "Proportoal Reducto of Error" (PRE) E 1 - E Fehler be Regel 1 - Fehler be Regel = E 1 Fehler be Regel 1 Regel 1: Vorhersageregel ur
Mehr19. Amortisierte Analyse
9. Amortserte Aalyse Amortserte Aalyse wrd egesetzt zur Aalyse der Laufzet vo Operatoe Datestrukture. Allerdgs wrd cht mehr Laufzet ezeler Operatoe aalysert, soder de Gesamtlaufzet eer Folge vo Operatoe.
MehrSpannweite, Median Quartilsabstand, Varianz und Standardabweichung.
Rudolf Brkma http://brkma-du.de Sete 06.0.008 Spawete, Meda Quartlsabstad, Varaz ud Stadardabwechug. Streuug um de Mttelwert. I de folgede Säuledagramme st de Notevertelug zweer Schülergruppe (Mädche,
MehrProf. Dr. H. Rommelfanger: Entscheidungstheorie, Kapitel 3 54
Prof. Dr. H. Rommelfager: tschedugstheore, Katel 3 54 3.2.8 ARROW-PRATT-Maß für de Rskoestellug Rskoverhalte bsher grob kategorsert ach Rskoeutraltät, -symathe ud averso be Rskoaverso: (X) < SÄ Rskoräme
MehrElemente der Algebra und Zahlentheorie Musterlösung, Serie 7, Wintersemester vom 21. Januar 2006
Prof. E.-W. Zk Isttut für Matheatk Huboldt-Uverstät zu Berl Eleete der Algebra ud Zahletheore Musterlösug, Sere 7, Wterseester 2005-06 vo 21. Jauar 2006 1. Se = 2 p 1 Mersee-Zahl, d.h. p P 1. a) Zege:
MehrKapitel XI. Funktionen mit mehreren Variablen
Kaptel XI Fuktoe mt mehrere Varable D (Fuktoe vo uabhägge Varable Se R ud D( f R Ist jedem Vektor (Pukt (,,, D( f durch ee Vorschrft f ee reelle Zahl z = f (,,, zugeordet, so heßt f ee Fukto vo uabhägge
MehrSeminar: Stochastische Geometrie und ihre Anwendungen - Unbegrenzt teilbare und stabile Verteilungen.
Uverstät Ulm, Isttut Stochastk 5. Jul 200 Semar: Stochastsche Geometre ud hre Aweduge - Ubegrezt telbare ud stable Verteluge. Ausarbetug: Stefa Fuke Betreuer: Ju.-Prof. Dr. Zakhar Kabluchko Ubegrezt telbare
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap.5: Kombinatorik. Referenzen zum Nacharbeiten:
FH Wedel Prof. Dr. Sebasta Iwaows D5 Fole Dsrete athemat Sebasta Iwaows FH Wedel ap.5: ombator Refereze zum Nacharbete: Lag 5. 5. 7. (Bsp. 4) Beutelspacher 4 (außer Fxpute vo Permutatoe) eel 8 Hacheberger
MehrRegressionsrechnung und Korrelationsrechnung
Regressosrechug ud Korrelatosrechug Beschrebede Statstk Modul : Probleme be der Abhäggketsaalyse Problem : Es gbt mest cht ur ee Eflussfaktor (Probleme sd selte mookausal ) A Ursache() Wrkug B C - efache
MehrOptimierungsverfahren: Motivation. Bayes-Formalismus. Schätztheorie. -- Fehlerfunktion L -- Regularisierungsfunktion R
Optmerugsverfahre: Motvato Bayes-Formalsmus -- egatve log-lkelhoo -- egatver log-pror -- Max. a Posteror! l p( D! l p( + cost = m Schätztheore -- Fehlerfukto L -- Regularserugsfukto R -- F ( = L( +! R(
MehrSchiefe- und Konzentrationsmaße
Statstk für SozologIe Schefe- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Merkmal wurde 3 Gruppe beobachtet ud Form der folgede Häufgketstabelle berchtet: Klasse m Gruppe
MehrQuellencodierung I: Redundanzreduktion, redundanzsparende Codes
Quellecoderug I: Redudazredukto, redudazsparede Codes Quellecoderug Durch de Quellecoderug werde de Date aus der Quelle codert, bevor se ee Übertragugskaal übertrage werde De Coderug det der Verkleerug
MehrProbleme mit mehreren Zielen. Probleme mit mehreren Zielen. Probleme mit mehreren Zielen
Probleme mt mehrere Zele Bespel (Dkelbach) E Reseder muss sch vor Ort vo ver Hotels für ees etschede. Dabe verfolgt er folgede Zele: - Bestmöglche Ruhe - Qualtät des Frühstücks - Sauberes Bad - Scherer
MehrEinführung in die Stochastik 3. Übungsblatt
Eführug de Stochastk 3. Übugsblatt Fachberech Mathematk SS 0 M. Kohler 06.05.0 A. Fromkorth D. Furer Gruppe ud Hausübug Aufgabe 9 (4 Pukte) Der Mkrozesus st ee statstsche Erhebug. Herbe werde ach bestmmte
MehrLösungen. Häufigkeitsverteilung (Stabdiagramm) Aufgabe 1. Häufigkeit (h) Merkmal (x)
Lösuge Aufgabe Merkmal (x) Häufgket (h) h x,, 3, 3,, 8, 5, 5, 6, 6, 7, 3, 8, 3 5, 9, 38,, 5,, 8 68,, 6 3, 3, 9,, 8, 5, 5 5, 6, 3 78, 7, 5, 8, 8, 3, 3, Summe 5.63, Aufgabe Häufgketsvertelug (Stabdagramm)
MehrSchiefe- und Konzentrationsmaße
Statst für SozologIe Schefe- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Mermal wurde 3 Gruppe beobachtet ud Form der folgede Häufgetstabelle berchtet: Klasse m Gruppe
MehrDIE VAPNIK-CHERVONENKIS THEORIE. Inhaltsverzeichnis
DIE VAPNIK-CHERVONENKIS THEORIE MATHIS KLEPPER, MICHAEL SAß Ihaltsverzechs Tel Vapk-Chervoeks Theore Tel I 2 Eführug 2 2 Glveko-Catell 5 3 Vapk-Chervoeks-Theore 0 Tel 2 Vapk-Chervoeks Theore Tel II 2 4
Mehr6. Zusammenhangsmaße (Kovarianz und Korrelation)
6. Zuammehagmaße Kovaraz ud Korrelato Problemtellug: Bher: Ee Varable pro Merkmalträger, Stchprobe x,, x Geucht: Maße für Durchchtt, Streuug, uw. Jetzt: Zwe metrche! Varable pro Merkmalträger, Stchprobe
Mehr( x) eine Funktion definiert, in der nur die i-te Komponente variabel ist. Folgende Schreibweisen werden aufgrund dieser Anmerkungen auch verwendet:
Pro. Dr. Fredel Bolle LS ür Volkswrtschatslehre sb. Wrtschatstheore (Mkroökoome) Vorlesug Mathematk - WS 008/009 4. Deretalrechug reeller Fuktoe IR IR (Karma, S. 00 06, dort glech ür IR IR m ) 4. Partelle
Mehr(Markowitz-Portfoliotheorie)
Thema : ortfolo-selekto ud m-s-rzp (Markowtz-ortfolotheore) Beurtelugskrtere be quadratscher Nutzefukto: Beroull-rzp + quadratsche Nutzefukto Thema Höhekompoete: Erwartugswert µ Rskokompoete: Stadardabwechug
Mehrv. Weter st + r X + = ( X + ) = ( X + ) ( X + ) = P Deshalb fr 6 6 = + X = K, d. h. I desem Berech ( 6 6 ) glt also ( Idukto ach ) ( ) ( mod ), was fr
5. De Stze vo Sylow Im gaze Abschtt st G ee edlche Grue, 4 #( G). 5.. Problem: Gbt es zu jedem Teler t vo ( tj ) ee Utergrue H mt #( H) = t? We ja, wevele? Gegebesel: 9 Utergrue H vo G = A 5 mt #( H) =
MehrKonzentrationsanalyse
Kaptel V Kozetratosaalyse B. 5.. Im Allgemee wrd aus statstscher Scht zwsche - absoluter ud - relatver Kozetrato uterschede Der absolute ud relatve Aspekt wrd och emal utertelt - statscher ud - dyamscher
MehrMarketing- und Innovationsmanagement Herbstsemester 2013 - Übungsaufgaben Lesender: Prof. Dr. Andreas Fürst
Marketg- ud Iovatosmaagemet Herbstsemester 2013 - Übugsaufgabe Leseder: Prof. Dr. Adreas Fürst Isttut für Marketg ud Uterehmesführug Abtelug Marketg Uverstät Ber Ihaltsverzechs 1 Eletug Allgemee Grudlage
MehrErgebnis- und Ereignisräume
I Ergebs- ud Eregsräume Zufallsexpermete Defto: E Expermet, welches belebg oft uter gleche Bedguge wederholbar st ud desse Ergebs cht mt Bestmmthet vorhergesagt werde ka (d.h. es gbt md. 2 Mgk.), heßt
MehrDer Korrelationskoeffizient ist ein Maß für den linearen Zusammenhang zwischen zwei Variablen X und Y. Er ist durch folgende Formel charakterisiert:
Korrelatoskoeffzet Der Korrelatoskoeffzet st e Maß für de leare Zusammehag zwsche zwe Varable X ud Y. Er st durch folgede Formel charaktersert: r xy corr XY ( x x)( y y) ( ) x x ( y y) x x y x ( ) ( )
MehrÜbungen zur Wahrscheinlichkeitsrechnung und Schliessenden Statistik
Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Aufgabe ud Lösuge vo Peter M Schulze, Verea Dexhemer. Auflage Übuge zur Wahrschelchketsrechug ud Schlessede Statstk Schulze / Dexhemer schell ud portofre
MehrKlausur SS 2005 Version 1
BEMERKUG: für de Rchtgket der Lösuge wrd atürlch kee Garate überomme!! Klausur SS 005 Verso Aufgabe : e Gamma-Quat hat kee Ladug > el. Felder übe kee Kräfte aus > kee Kräfte, kee Äderug der Bewegug (ewto)
MehrSchiefe-, Wölbungs- und Konzentrationsmaße
Statstk für SozologIe Schefe-, Wölbugs- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Merkmal wurde 3 Gruppe beobachtet ud Form der folgede Häufgketstabelle berchtet: Klasse
MehrLineare Algebra Formelsammlung
ee Algeb Fomelsmmlug vo Gábo Zogg Fomelsmmlug ee Algeb Gábo Zogg. ee Glechugsssteme. Ds Guss'sche Elmtosvefhe Defto: Σ Sstem vo m Glechuge ud Ubekte Opetoe: - Vetusche vo Glechuge - Addee/Subthee ees Velfche
MehrStatistik. ist die Kunst, Daten zu gewinnen, darzustellen, zu analysieren und zu interpretieren um zu neuem Wissen zu gelangen.
Statstk st de Kust, Date zu gewe, darzustelle, zu aalysere ud zu terpretere um zu euem Wsse zu gelage. Sachs (984) Aufgabe De Statstk hat also folgede Aufgabe: Zusammefassug vo Date Darstellug vo Date
MehrZur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen.
Rudolf Brkma http://brkma-du.de Sete 0.0.008 Lagemaße der beschrebede Statstk. Zur Iterpretato eer Beobachtugsrehe ka ma ebe der grafsche Darstellug wetere charakterstsche Größe herazehe. Mttelwert ud
MehrIm Wöhlerdiagramm wird die Lebensdauer (Lastwechsel oder Laufzeit) eines Bauteils in Abhängigkeit von der Belastung dargestellt.
Webull & Wöhler 0 CRGRAPH Wöhlerdagramm Im Wöhlerdagramm wrd de Lebesdauer ( oder Laufzet) ees Bautels Abhägget vo der Belastug dargestellt. Kurzetfestget Beaspruchug Zetfestget auerfestget 0 5 3 4 6 0
MehrVl. Statistische Prozess- und Qualitätskontrolle und Versuchsplanung Übung 3: Diskrete Verteilungen
Vl. Statstsche Prozess- ud Qualtätsotrolle ud Versuchsplaug Übug 3: Dsrete Verteluge Prof. Dr. B. Grabows Zur Lösug der folgede Aufgabe öe Se auch de begefügte Tabelle der dsrete Verteluge m Ahag verwede.
MehrHistogramm / Säulendiagramm
Hstogramm / Säuledagramm Häugkete 10 9 8 7 6 5 4 3 2 1 0 3,45 3,75 4,05 4,35 4,65 Flüge lläge [mm] Be Hstogramme st soort deutlch, daß es sch um Häugketsauszähluge hadelt. De Postoe der Klasse sowe hre
MehrVektorraummodell. Michael Granitzer Know-Center - gefördert durch das Kompetenzzentrenprogramm
Vektorrauoell Mchael Gratzer gra@ko-ceter.at / - geförert urch as Kopetezzetreprogra Vektorrauoell Ausgagsbass Gegebe: Vorverarbetug vo Dokuete Tokezato POS Taggg Nae Etty Extracto Mege vo Merkale pro
Mehr3.7 Support Vector Machines
3.7 Support Vector Maches Motvato: Leare Separato Vektore R d repräsetere Objekte. Objekte gehöre zu geau eer vo je 2 Klasse Klassfkato durch leare Separato: Suche Hperebee de bede Klasse mamal stabl voeader
MehrStochastische Bildmodelle und deren Anwendung
Abtelug Stochastk --Uverstät Ulm Ulm Semar: Bayessche Asätze der der Bldaalyse Stochastsche Bldmodelle ud dere Awedug Sad Bakadr 22.Ma 2006 Sad Bakadr - Uverstät Ulm - Ihalt Eletug Bespele vo Bldmodelle
MehrVarianzfortpflanzung
5.0 / SES.5 Parameterschätzug Varazortplazug Torste Maer-Gürr Torste Maer-Gürr Dskrete Zuallsvarable Ee dskrete Zuallsvarable mmt edlch vele oder abzählbar uedlch vele Werte a. - Werte: - Wahrschelchket:,,,,,,,,
MehrMathematische Modellierung Lösungen zum 1. Übungsblatt
Mathematsche Modellerug Lösuge zum Klaus G. Blümel Lars Hoege 6. Oktober 005 Aufgabe 1 a) Der Raumhalt vo eem Kubkmeter etsprcht gerade 1000 Lter, d.h. 1 m 3 = 1000 l. Reche zuächst 1 m 3 cm 3 um. E Meter
MehrRekurrenz. Algorithmen rufen sich selbst (rekursiv) auf.
Rekurrez Rekurso: Algorthme rue sch selst rekursv u. Rekurrez: Ds Luzetverhlte zw. der Specherpltzedr vo rekursve Algorthme k der Regel durch ee Rekursosormel recurrece, RF eschree werde. Rekurrez Bespel:
Mehr5 Reproduktions- und Grenzwertsätze
Reproduktos- ud Grezwertsätze Reproduktos- ud Grezwertsätze. Reproduktossätze Bespel 0: Der Aufzug eer Frma st zugelasse für Persoe bzw. 000 kg. Das Durchschttsgewcht der Agestellte der Frma st µ = 80
MehrLineare Klassifikatoren
Uverstät Potsdam Isttut für Iformatk Lehrstuhl Maschelles Lere Leare Klassfkatore Chrstoph Sawade, obas Scheffer Vorlesug am ächste Destag De VL am 28.0. fägt um ca. 2:30 a. 2 Ihalt Klassfkatosproblem
MehrPolynomprodukt und Fast Fourier Transformation
Polomrodut ud Fst Fourer Trsformto Polome Reelles Polom eer Vrble...... R : oeffzete vo Grd vo : höchste Potez Besel: 3 3 5 8 Mege ller reelle Polome: R[] 3 Oertoe uf Polome. Addto b b b q b b b b b q
MehrStatistik für Ingenieure (IAM) Version 3.0/21.07.2004
Stattk fü Igeeue (IAM) Veo 74 Vaazaalye Mt de efache Vaazaalye (ANOVA Aaly of Vaace) wd de Hypothee gepüft, ob de Mttelwete zwee ode mehee Stchpobe detch d, de au omaletelte Gudgeamthete gezoge wede, de
MehrGrundlagen der Energietechnik Energiewirtschaft Kostenrechnung. Vorlesung EEG Grundlagen der Energietechnik
Prof. Dr. Ig. Post Grudlage der Eergetechk Eergewrtschaft Kosterechug EEG. Vorlesug EEG Grudlage der Eergetechk De elektrsche Eergetechk st e sogeates klasssches Fach. Folglch st deses Fach vele detallert
MehrPhysikalische Messungen sind immer fehlerbehaftet! Der wahre Wert ist nicht ermittelbar. Der wahre Wert x ist nicht identisch mit dem Mittelwert
Physkalsche Messuge sd mmer fehlerbehaftet! Der wahre Wert st cht ermttelbar. Der wahre Wert st cht detsch mt dem Mttelwert Der Wert legt mt eer gewsse Wahrschelchket (Kofdezahl bzw. Vertrauesveau %) m
MehrStatistische Grundlagen Ein kurzer Überblick (diskret)
Prof. J.C. Jackwerth 1 Statstsche Grudlage E kurzer Überblck (dskret De wchtgste Begrffe ud Deftoe: 1 Erwartugswert Varaz / Stadardabwechug 3 Stchprobevaraz 4 Kovaraz 5 Korrelatoskoeffzet 6 Uabhäggket
Mehr7/7/06. Formulierung mittels Dynamischer Programmierung. Berechnungsbeispiel. Gewinnung der optimalen Reihenfolge
Formulerug mttels Dyamscher Programmerug Berechugsbespel Beobachtug: de Azahl der Telprobleme A j mt j st ur Folgerug: der aïve rekursve Algo berechet vele Telprobleme mehrfach! Idee: Bottom-up-Berechug
MehrUnter einer Rente versteht man eine regelmässige und konstante Zahlung
8 Aweduge aus der Fazmathematk Perodsche Zahluge: Rete ud Leasg Uter eer Rete versteht ma ee regelmässge ud kostate Zahlug Bespele: moatlche Krakekassepräme, moatlche Altersrete, perodsches Spare, verteljährlcher
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
Mehr2.2 Rangkorrelation nach Spearman
. Ragkorrelato ach Spearma Wr wolle desem Kaptel de Ragkorrelatoskoeffzete ach Spearma bereche. De erste Daterehe besteht aus Realseruge x, x,..., x der uabhägg ud detsch stetg vertelte Zufallsvarable
Mehr( ) ( ) ) ( ) 1/ ( ) Beispiel: U = y1. 3. Ergänzungen zur Haushaltstheorie, insbesondere Dualität und Anwendungen
Prof. Dr. Fredel Bolle 3. rgäzuge zur Haushaltstheore, sbesodere Dualtät ud Aweduge (Btte wederhole Se zuächst emal de Haushaltstheore aus Mkro I!!!) komme gegebe errechbare Idfferezkurve festgelegt Güterprese
MehrBericht zur Prüfung im Oktober 2008 über Grundprinzipien der Versicherungs- und Finanzmathematik (Grundwissen)
Becht zu Püfug m Oktobe 008 übe Gudpzpe de Vescheugs- ud Fazmathematk (Gudwsse) Pete Albecht (Mahem) Am 7 Oktobe 008 wude zum dtte Mal ee Püfug m Fach Gudpzpe de Vescheugs- ud Fazmathematk ach PO III (Gudwsse
MehrKorrelations- und Assoziationsmaße
k m χ : j l r +. Zusammehagsmaße ( o e ) jl jl e jl Korrelatos- ud Assozatosmaße e jl 5 Merkmal Y Summe X b b m a H (a,b) H (a,b). a H (a,b) H (a,b). Summe.. Zusammehagsmaße Eführug Sche- ud Noses-Korrelato
MehrEin polynomialer Algorithmus für minimale Kreisbasen
E polyomler Algorthmus für mmle Kresbse Überblck:. Motvto. Deftoe 2. Algorthmus für ee Kresbss mmler Läge, Lufzet O(m³) 3. Läge eer kürzeste Kresbss 4. Algorthmus für ee suboptmle Kresbss der Läge O(²);
MehrKonzentrationsmessung
Kozetrtosmessug We telt sch de gesmte Merkmlssumme uf de ezele uf? Auftelug der Gesmtbevölkerug Gemede verschedeer Größeklsse Auftelug des gesmte Steuerufkommes uf de ezele Steuersubekte Auftelug der gesmte
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alteratve Darstellug des -Stchprobetests für Atele DCF CF Total 111 11 3 Respose 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Respose No Respose Total absolut DCF 43 68 111 CF 6 86 11 69 154 3 Be Gültgket
MehrMathematik für VIW - Prof. Dr. M. Ludwig ( ) ( ) ( ) n f. bestimmt m Funktionen. durch die Festlegung f (,,
Matheatk ür VIW - Pro. Dr. M. Ludwg 8. Deretato reeller Fuktoe ehrerer Varabler 8. Skalare Felder Vektorelder Koordatesystee Bsher wurde reelle Fuktoe ür ee Varable utersucht: : D t der egeührte Schrebwese
MehrMST Übung 3 Mathematik 2 Prof.Dr.B.Grabowski Tel.:
MST Übug Mthemtk Prof.Dr.B.Grbowsk e-ml: grbowsk@htw-srld.de Tel.: 87- Iverse Mtrze ufgbe : Bereche Se de Iverse Mtr zu folgede Mtrze. Prüfe Se Ihr Ergebs, dem Se - bereche! b dg-,,-,,-, c 7 d ufgbe :
MehrHinweise zum Hochrechnungsverfahren für die Arbeit mit den Daten
Kraftfahrzeugverkehr Deutschlad 2010 (KD 2010) Abschlussverastaltug am 24. Aprl 2012 bem BMVBS Bo Hwese zum Hochrechugsverfahre für de Arbet mt de Date Prof. Dr. Wlfred Stock IVT Isttut für agewadte Verkehrsud
MehrAUSLEGUNGSVERFAHREN FÜR AUTARKE PV BATTERIE WASSERSTOFF HYBRIDSYSTEME MITTELS PARTIKEL SCHWARM OPTIMIERUNG
Isttut für Eergetechk Professur für Eergespechersysteme AUSLEGUNGSVERFAHREN FÜR AUTARKE PV BATTERIE WASSERSTOFF HYBRIDSYSTEME MITTELS PARTIKEL SCHWARM OPTIMIERUNG Mart Paultschke Dresde, 15. November 2016
MehrMethodik: auf einer kompakten (beschränkten und abgeschlossenen) Menge, z.b. einem n-dimensionalen Quader,
. Verllgemeeruge Aweduge Glole Etrem Defto: Ee ukto f : M R R ht der Stelle M e gloles Mmum we f f M. = M = [] = f m m Allgeme glt der Stz vo Weerstrss: Ist f ee stetge ukto uf eer eschräkte ud geschlossee
MehrSitzplatzreservierungsproblem
tzplatzreserverugsproblem Be vele Zugsysteme Europa müsse Passagere mt hrem Zugtcet ee tzplatzreserverug aufe. Da das Tcetsystem Kude ee ezele Platz zuwese muss, we dese e Tcet aufe, ohe zu wsse, welche
MehrWenn man mehrere Verbraucher in Reihe schaltet, so werden alle vom gleichen Strom durchflossen, siehe auch Abschnitt und Formel ( ).
- rudlage der Elektrotechk - 60 22..04 4 Der komplzertere elektrsche lechstromkres 4. Kombato vo Verbraucher 4.. Sere- oder eheschaltug vo Wderstäde We ma mehrere Verbraucher ehe schaltet, so werde alle
MehrZahlensysteme. Dezimalsystem. Binär- oder Dualsystem. Hexadezimal- oder Sedezimalzahlen
IT Zahlesysteme Zahledarstellug eem Stellewertcode (jede Stelle hat ee bestmmte Wert) Def. Code: Edeutge Abbldugsvorschrft für de Abbldug ees Zeche-Vorrates eem adere Zechevorrat. Dezmalsystem De Bass
Mehr1 Elementare Finanzmathematik
Elemetare Fazmathemat 4 Elemetare Fazmathemat Zel: Bewertug ud Verglech atueller ud zuüftger Geldströme. Determstsche Zahlugsströme Defto: E determstscher Zahlugsstrom st ee Futo Z: N R, de jedem Zetput
Mehr2. Die Elementarereignisse sind die Kombinationsmöglichkeiten von: Wappen = W und:
1 L - Hausaufgabe Nr. 55 Sotag, 1. Ju 2003 Ee Müze werde dremal geworfe. Was st das Zufallsexpermet, das Elemetareregs, das zusammegesetzte Eregs, der Eregsraum ud de Wahrschelchket? Lösugs kte.: 1 De
Mehr1 1 1 x0,25 x200 0,25 x200 0,25 1 x50 x51 1 1
Klausur: Statstk 2.06.2018 Jürge Mesel Hlfsmttel: Ncht progr. Tascherecher Bearbetugszet: 60 Mute Aufgabe 1 E Koskbestzer otert 200 Tage lag de Zahl der verkaufte Exemplare eer seer Tageszetuge. Verkaufte
MehrLösungen zu Übungs-Blatt 7 Klassische Wahrscheinlichkeit in Glücksspielen, Bedingte Wkt, Unabhängigkeit, Satz von Bayes
Lösuge zu Übugs-latt 7 Klasssche Wahrschelchet Glücsspele, edgte Wt, Uabhägget, Satz vo ayes Master M Höhere ud gewadte Mathemat rof. Dr.. Grabows De folgede ufgabe löse wr uter Verwedug der bede ombatorsche
MehrInduktion am Beispiel des Pascalschen Dreiecks
Iduto am Bespel des Pascalsche Dreecs Alexader Rehold Coldtz 0.02.2005 Eletug vollstädge Iduto De vollstädge Iduto st ebe dem drete ud drete Bewesverfahre ees der wchtgste der Mathemat. Eher bespelhaft
MehrApproximationsalgorithmen. Facility Location K-Median. Cheng, Wei 12. Juli
Approxmatonsalgorthmen aclty Locaton K-Medan heng We 12. Jul aclty Locaton Defnton Gegeben: möglche Standorte = { 1 2 m } Städte = { 1 2 n } Eröffnungskosten f für Verbndungskosten c zwschen und Dreecksunglechung
MehrLohnkosten pro Arbeitsstunde. Wie hoch sind die Lohnkosten pro Arbeitsstunde im Jahresdurchschnitt?
Klausur Wrtschaftsstatstk. [ Pukte] E Uterehme hat folgede Date ermttelt: Moat Gelestete Arbetsstude Lohkoste pro Arbetsstude Jauar 86.400 0,06 Februar 75.000 3,0 März 756.000 4,47 Aprl 768.000,53 Ma 638.400
MehrDr. H. Grunert Einführung in die Wahrscheinlichkeitsrechnung Vorlesungscharts. Vorlesung 5.2. Eigenschaften von Zufallsvariablen
Vorlesugscharts Vorlesug 5. Egeschafte vo Zufallsvarable Reproduktvtät Approxmatoe Zetraler Grezwertsatz Sete vo Chart : Uabhäggket vo Zufallsvarable Zwe Zufallsvarable X ud Y mt hre Realsatoe { x, x,...,
MehrTaylor-Entwicklung der exakten Lösung und Verfahrensfehler
Lösug ud Verfaresfeler Ngaleu Poutceu Paul Fracs Fracsc@upb.de 8.6.4 Semar Numerk 1 Lösug ud Verfaresfeler Beobactug, Defto ud Notato Beobactug Notato Taylor-Etwcklug Defto ud Bespele Satz ud Bewes Verfaresfeler
MehrMultiple Regression (1) - Einführung I -
Multple Regreo Eführug I Mt eem Korrelatokoeffzete ud der efache leare Regreo köe ur varate Zuammehäge zwche zwe Varale uterucht werde. Beutzt ma tatt dee mehrere Varale zur Vorherage, egt ma ch auf da
MehrMaße zur Kennzeichnung der Form einer Verteilung (1)
Maße zur Kezechug der Form eer Vertelug (1) - Schefe (skewess): Defto I - Ee Vertelug vo Messwerte wrd als schef bezechet, we se der Wese asymmetrsch st, dass lks oder rechts des Durchschtts ee Häufug
MehrKlausur Statistik IV Sommersemester 2009
Klausur Statstk IV (Lösug) Name, Vorame 013456 Klausur Statstk IV Sommersemester 009 Prof. Dr. Torste Hothor Isttut für Statstk Name: Name, Vorame Matrkelummer: 013456 Wchtg: ˆ Überprüfe Se, ob Ihr Klausurexemplar
MehrLeitfaden zu den Indexkennzahlen der Deutschen Börse
Letfade zu de Idexkezahle der Deutsche Börse Verso.5 Deutsche Börse AG Verso.5 Letfade zu de Idexkezahle der Deutsche Börse Page Allgemee Iformato Um de hohe Qualtät der vo der Deutsche Börse AG berechete
Mehr1. Ökonometrische Modelle ohne Stochastik
.. Ökoometrsche Modelle ohe Stochastk Emprsche Wrtschaftsforschug st otwedge Ergäzug der Wrtschaftstheore, dem se de Wahrhetsgehalt des theoretsche Hpothesegeäudes a der ökoomsche Wrklchket, d. h. a der
MehrDie Methode des 2.Moments
De Methode des 2.Momets Chrstoph Schmdt July 13, 2004 1 Eletug De Varaz eer Zufallsvarable st hre mttlere quadratsche Abwechug vo hrem Erwartugswert. V ar[x] = E[(X EX) 2 ] = E[X 2 ] E[X] 2 Der Term E[X
Mehr1. StatischeSpielemit vollständiger Information
Dr. Jeaette Brosg, Vorlesug Speltheore. StatscheSpelemt vollstädger Iformato Das Allmede-Problem Hard (968): The Tragedy of the Commos The ratoal herdsma cocludes that the oly sesble course for hm to pursue
MehrGrundgesetze der BOOLEschen Algebra und Rechenregeln
5... Grudgesetze der BOOLEsche Algebra ud Recheregel Auf de mathematsch korrekte Eführug der BOOLEsche Algebra ka ch verzchte, da das Ihrer Mathematkausbldug ausführlch behadelt wrd. Ich stelle Ihe zuächst
Mehr( ) ( ) ( ) E ( ) ( ) ( ) ( ) ( ) Def Erwartungswert. 1. Diskreter Fall X sei diskrete Zufallsgröße mit = { 1, x2,
Def.. Erwarugswer. Dsreer Fall se dsree Zufallsgröße m = {, x, } p = P( = x ),( =,, ), so e ma µ = E = xp = de Erwarugswer vo, falls W x ud de Ezelwahrschelchee = x p
Mehr4. Marshallsche Nachfragefunktionen Frage: Wie hängt die Nachfrage nach Gütern
Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 Prof. Dr. Fredel Bolle Vorlesug "Mkroökoome" WS 008/009 III. Theore des Haushalts 0 4. Marshallsche Nachfragefuktoe Frage:
Mehr14. Folgen und Reihen, Grenzwerte
4. Folge ud Rehe, Grezwerte 4. Folge ud Rehe, Grezwerte 4. Ee Folge defere Eplzte Defto Reursve Defto 4. Gleder eer vorher deferte Folge bereche E Gled Mehrere Gleder 6 4 5 4.3 Ee Folge defere ud ege hrer
Mehr