Sie sind auf Seite 1von 114
Institut fur¨ Neurobiologie Hanspeter A. Mallot Datenanlyse mit Matlab Mathematische Grundlagen Sommersemester 2011
Institut fur¨ Neurobiologie Hanspeter A. Mallot Datenanlyse mit Matlab Mathematische Grundlagen Sommersemester 2011

Institut fur¨ Neurobiologie

Hanspeter A. Mallot

Datenanlyse mit Matlab

Mathematische Grundlagen

Institut fur¨ Neurobiologie Hanspeter A. Mallot Datenanlyse mit Matlab Mathematische Grundlagen Sommersemester 2011

Sommersemester 2011

Das Titelblatt zeigt das Gem¨alde Zebras“ (1950) von Victor Vasarely (1908 – 1997).

Inhaltsverzeichnis

1 Zahlen und Vektoren

 

1

1.1

Zahlen

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

1

1.2 Psychologische Skalen

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

4

1.3 Vektoren

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2 Matrizen

 

9

2.1 Allgemeines

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

2.2 Matrixmultiplikation

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

2.3 Beispiele

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

12

3 Funktionen

 

19

3.1 Funktionen und Abbildungen

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

19

3.2 Glattheit“: Stetigkeit und Differenzierbarkeit

 

21

3.3 Integrale

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

3.4 Vektorwertige Funktionen

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

3.5 Funktionen von zwei und mehr Variablen

 

26

3.6

Literatur .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

4 Kurven durch Datenpunkte

 

30

4.1 Allgemeines

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

30

4.2 Ausgleichsrechnung (Kurvenfitten)

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

4.3 Regressionsgerade

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

33

4.4 Allgemeine lineare Regression ( general linear models“)

 

37

4.5 Nichtlineare Regression

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

38

4.6 Beispiele

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

38

5 Einfache statistische Tests

 

42

5.1 Statistische Testtheorie .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

42

5.2 Beispiel 1: Der t -Test .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

5.3 Beispiel 2: Ein Rang-Test

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

47

6 Varianzanalyse

 

49

6.1 Einfaktorielle Varianzanalyse

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

49

6.2 Zweifaktorielle Varianzanalyse .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

54

6.3 Literatur .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

54

 

i

ii

INHALTSVERZEICHNIS

7 Bivariate Statistik und die 2-dimensionale Normalverteil ung

 

55

7.1 Korrelation und Kovarianz .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

7.2 Regressionsgeraden und Hauptachsen

 

56

7.3 Exkurs: Ellipsen

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

57

7.4 Die zweidimensionale Normalverteilung

 

59

7.5 Fehlerellipsen f ur¨

Stichproben

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

61

7.6 Literatur

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

62

8 Hauptachsentransformation

 

63

8.1 Beispiele

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

63

8.2 Merkmalsr ¨aume, Projektionen und Rekonstruktionen

 

68

8.3 Durchf uhrung¨

8.4

Literatur .

.

.

der Hauptachsentransformation .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

69

71

9 Fourier-Analyse

 

73

9.1 Periodische Funktionen

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

73

9.2 Fourier-Reihen

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

75

9.3 Non-periodic functions: the Fourier transform

 

79

9.4 Fourier-transforms in two and more dimensions

80

9.5 Summary

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

80

9.6 References

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

81

10 Time Series Analysis

 

82

10.1 Time series

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

82

10.2 Periodicity: The Autocorrelation function

 

84

10.3 Influences between two time series: Crosscorrelation

 

86

10.4 The Poisson process

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

87

10.5 References and suggested reading .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

88

11 Lineare Systemtheorie

 

89

11.1 Linear systems

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

89

11.2 Elektronische Schaltkreise

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

89

11.3 Lineare elektronische Filter

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

93

11.4 Faltung und Impulsantwort

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

96

11.5 Zusammenhang mit Fourier-Transformation

 

96

12 Bildverarbeitung

 

102

12.1 Bilder

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

102

12.2 Filterung

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

103

12.3 Kantendetektion

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

108

12.4 Korrelation und Schablonenfilter ( matched filter )

 

108

Bewegung

12.5 .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

109

12.6 Literatur

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

110

Kapitel 1

Zahlen und Vektoren

Die ersten Kapitel fassen einige wichtige Grundlagen zusammen, die wir f ur¨ die Theorie der Da- tenanalyse und die Durchf uhrung¨ in Matlab ben ¨otigen. Das erste Kapitel behandelt Zahlen und Vektoren, es folgen Matrizen und Matrixoperationen sowie Funktionen und Grundlagen der Ana- lysis. Angewandt werden diese Ergebnisse auf die Darstellu ng von Daten in verschiedenen Arten von Diagrammen. Eine Reihe von empfohlenen allgemeinen Leh rb uchern¨ zum Thema ist am Ende des Kapitels zusammengestellt.

1.1 Zahlen

Der wichtigste Typ von Zahlen sind die reelen Zahlen, die wir mit dem Buchstaben IR bezeichnen. Sie enthalten die folgenden spezielleren Zahlenmengen

Die ganzen Zahlen, (

, 2, 1, 0, 1, 2,

). Die positiven ganzen Zahlen heißen auch nat urli-¨

che Zahlen“ und werden mit IN bezeichnet.

Die Br uche¨

1

oder Verh ¨altnisse ganzer Zahlen sind die rationalen Zahlen, (0, ± 1 , ± 2 , ± , ± 3 ,

1

1

1

2

1

2

). Die rationalen

Zahlen.

Zahlen sind abz ¨ahlbar, d.h. es gibt genau so

± 2 2 , ± 1 3 , ± 4 , ± 3 , ± 2 3 , ± 1 4 ,

viele rationale Zahlen wir nat urliche¨

Die L ¨osungen algebraischer Gleichungen (Gleichungen, die Pote nzen der Unbekannten ent-

halten; z.B. x 2 = 2) f uhren¨ darstellbar ist.

auf irrationale Zahlen. Ein Beispiel ist 2, die nicht als Bruch

Schließlich gibt es noch reelle Zahlen, die weder Br uche¨ noch L ¨osungen algebraischer Glei- chungen sind; man nennt sie transzendente Zahlen. Beispiele sind die Kreiszahl π und die Eulersche Zahl e .

Die Menge der reellen Zahlen ist nicht abz ¨ahlbar; es gibt also wesentlich mehr“ reelle als nat urliche¨ Zahlen. Die reellen Zahlen modellieren das eindimensional e Kontinuum. Zwischen je zwei reellen Zahlen gibt es immer noch eine und damit unendlich viele. W ¨ahrend diese Eigenschaft schon f ur¨ die rationalen Zahlen gilt, ist die folgende Eigenschaft sp ezifisch f ur¨ die reellen Zahlen: f ur¨ jede Folge von reellen Zahlen, die konvergiert (z.B. jede monoton wachsende, beschr ¨ankte Folge), ist der Grenzwert ebenfalls ein Element von IR .

1

2

KAPITEL 1. ZAHLEN UND VEKTOREN

Beispiel Wir betrachten eine Folge von Zahlen a i , die durch folgende Gleichung gegeben sind

a i = 1 + 1

i

i = ( i + 1) i

i

i

for i IN.

(1.1)

Offensichtlich sind alle a i rationale Zahlen, da Z¨ahler und Nenner stets ganze Zahlen sind. So gilt beispielsweise:

a 1

a

a

a

2

3

4

= 1 +

1

1

1

= 2,

= 1 + 2 2 = 9 4 = 2. 25,

1

= 1 + 3 3 = 64 27 2. 37, und

1

=

1 +

1 4 = 625

4

256 2. 44.

Man kann zeigen, dass a i mit wachsendem i immer langsamer w¨achst und der Rest der Folge in immer keinere Intervalle eingeschlossen werden kann. Die Folge konvergiert gegen einen Grenzwert, den man mit lim i a i bezeichnet. In unserem Beispiel ist das die Eulersche Zahl e , die Basis des nat urlichen¨ Logarithmus.

i a i = e 2. 718.

(1.2)

lim

Obwohl alle a i rational sind, ist e keine rationale Zahl. In Matlab k ¨onnen wir die Berechnung mit folgendem Code durchf uhren:¨

>> for i = 1:5 a(i) = (1+1/i)i

end

Matlab legt einen Vektor a an, dessen L ¨ange in jedem Iterationsschritt dieser so genannten for- Schleife um eins erh ¨oht wird. Gleichzeitig wird in jedem Schritt der Wert von a ausgegeben:

a =

 

2.0000

a =

 

2.0000

2.2500

a =

 

2.0000

2.2500

2.3704

a =

 

2.0000

2.2500

2.3704

2.4414