Statistik Einführung // Lineare Regression 9 p.2/72
|
|
- Kristian Heintze
- vor 8 Jahren
- Abrufe
Transkript
1 Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression 9 p.0/72 Lernziele 1. Beschreiben lineares Regressionsmodell. 2. Geben die einzelnen Modellierungsschritte an. 3. Erklären die (gewöhnliche) Methode der kleinsten Quadrate, (gewöhnliche Kleinste-Quadrate-Methode). 4. Berechnen Regressionskoeffizienten. 5. Prognostizieren die Antwort -Variable. Sie wird auch als Repsonse -, abhängige, zu erklärende Variable, oder Regressand bezeichnet. 6. Interpretieren einen Computerausdruck. Statistik Einführung // Lineare Regression 9 p.1/72 Modelle Statistik Einführung // Lineare Regression 9 p.2/72
2 1. Die Repräsentation einer Auswahl von Phänomenen. 2. Ein quantitatives Modell ist eine formale (mathematische) Darstellung einer Auswahl von Phänomenen. 3. Es beschreibt oft Zusammenhänge zwischen Variablen. 4. Tpen von Modellen: Deterministische Modelle Stochastische Modelle Statistik Einführung // Lineare Regression 9 p.3/72 Deterministische Modelle 1. Formulieren Hpothesen über eakte Zusammenhänge. 2. Sind geeignet, wenn der Prognosefehler vernachlässigbar ist. Beispiele: Kraft = Masse Beschleunigung F m a Energie = Masse Lichtgeschwindigkeit 2 E m c 2 Statistik Einführung // Lineare Regression 9 p.4/72 Stochastische Modelle 1. Formulieren Hpothesen über 2 Komponenten Deterministische Komponente Zufälligen Fehler 2. Beispiel: Das Verkaufsvolumen, Y, ist 10 mal so groß wie die Werbeausgaben, X, plus einem zufälligen Fehler, ɛ. Y 10 X ɛ Der zufällige Fehler, ɛ, wird durch Faktoren bestimmt, die nicht durch die Werbeausgaben beeinflusst werden: Wetter, Konkurrenzangebote, Konjunkturzklus, Änderungen im Distributionsnetz, Kunde Maer hat im Lotto gewonnen,.... Statistik Einführung // Lineare Regression 9 p.5/72
3 Stochastische Modelle Andere Modelle Statistik Einführung // Lineare Regression 9 p.6/72 Regressionsmodelle Statistik Einführung // Lineare Regression 9 p.7/72 Tpen von stochastischen Modellen Stochastische Modelle Regressionsmodelle Korrelationsmodelle Regressionsmodelle Korrelationsmodelle Andere Modelle Statistik Einführung // Lineare Regression 9 p.8/72
4 1. Beantworten die Frage: Wie sieht der Zusammenhang zwischen Variablen aus? 2. Die Gleichung besteht aus: Eine numerische, abhängige (Response-) Variable, Y. Was soll erklärt (prognostiziert) werden? Eine oder mehrere numerische oder kategoriale, unabhängige (erklärende) Variable, X 1, X 2,.... Was hilft Y zu erklären (prognostizieren)? 3. Hauptsächlich verwendet für: Schätzen und Testen: Gibt es einen Zusammenhg. zwischen den Variablen? Wie stark ist der Zusammenhang? Prognose Statistik Einführung // Lineare Regression 9 p.9/72 Regression // Modellierungsschritte 1. Hpothese über die deterministische Komponente. 2. Schätzen die unbekannten Parameter im Modell. 3. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. 4. Überprüfen das Modell. 5. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.10/72 Modellspezifikation Statistik Einführung // Lineare Regression 9 p.11/72
5 Hpothese über die deterministische Komponente. 2. Schätzen die unbekannten Parameter im Modell. 3. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. 4. Überprüfen das Modell. 5. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.12/72 Spezifikation eines Modells 1. Definieren die Variablen, die im Modell aufgenommen werden sollen. Konzeptuell Empirisch z.b., Werbeausgaben, Preis z.b., Listenpreis, tatsächlicher Verkaufspreis Messung c, Einheiten,... ; tägl., monatl., Hpothesen über die Art des Zusammenhangs Erwartete Effekte: Funktionale Form: Interaktionen Größe der Koeffizienten, Vorzeichen linear oder nicht-linear Statistik Einführung // Lineare Regression 9 p.13/72 Modellspezifikation basiert auf Theorie Theorie des Gebiets (Substanzwissenschaften): Verhaltenswissenschaften, Konsumtheorie, Theorie der Firma,.... Mathematische Theorie: Zur Quantifizierung, zur Modellierung von Maimierungsverhalten,.... Vorhergehende Forschung: Z.B., publizierte Arbeiten dazu. Plausibilität, Hausverstand, begründbare Erfahrung. Statistik Einführung // Lineare Regression 9 p.14/72
6 Verkäufe in Stk. positiv linear negativ linear Y a b log X logistische Sättigungsfunktion Werbeausgaben Statistik Einführung // Lineare Regression 9 p.15/72 Tpen von Regressionsmodellen Regressionsmodelle Einfache 1 erklärende Variable Multiple 2+ erklärende Variablen Linear Nichtlinear Linear Nichtlineare Statistik Einführung // Lineare Regression 9 p.16/72 Lineares Regressionsmodell Statistik Einführung // Lineare Regression 9 p.17/72
7 Regressionsmodelle Einfache 1 erklärende Variable Multiple 2+ erklärende Variablen Linear Nichtlinear Linear Nichtlineare Statistik Einführung // Lineare Regression 9 p.18/72 Linearer Zusammenhang a b Veränderung in Veränderung in -Interzept a 0 Steigung b Veränderung in Veränderung in Statistik Einführung // Lineare Regression 9 p.19/72 Lineares Regressionsmodell 1. Der Zusammenhang zwischen den Variablen ist eine lineare Funktion. Interzept in GG Steigung in GG Zufälliger Fehler Y i β 0 β 1 X i ɛ i Abhängige (Response-) Variable Unabhängige (erklärende) Variable Statistik Einführung // Lineare Regression 9 p.20/72
8 Grundgesamtheit Unbekannter Zusammenhang β 0, β 1 unbekannt Y i β 0 β 1 X i ɛ i Stichprobe (Zufallsauswahl) i ˆβ 0 ˆβ 1 i ˆɛ i Statistik Einführung // Lineare Regression 9 p.21/72 Lineares Modell in der Grundgesamtheit 0 ɛ i Y i Datenpunkte der Grundgesamtheit β 0 β 1 X i ɛ i Zufälliger Fehler E Y i X i β 0 β 1 X i Statistik Einführung // Lineare Regression 9 p.22/72 Lineares Modell in der Stichprobe 0 ˆɛ i Beobachtete Werte i ˆβ 0 ˆβ 1 i ˆɛ i Zufälliger Fehler ŷ i ˆβ 0 ˆβ 1 i Nicht in der Stichprobe Statistik Einführung // Lineare Regression 9 p.23/72
9 Schätzung der Parameter: Methode der kleinsten Quadrate Statistik Einführung // Lineare Regression 9 p.24/72 Regression // Modellierungsschritte 1. Hpothese über die deterministische Komponente. Schätzen die unbekannten Parameter im Modell. 3. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. 4. Überprüfen das Modell. 5. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.25/72 Streudiagramm 1. Graphische Darstellung aller Paare i, i. 2. Gibt einen Eindruck über die Anpassungsgüte des Modells. 0 Statistik Einführung // Lineare Regression 9 p.26/72
10 Wie würden Sie eine Gerade durch die Punkte(wolke) legen? Wie bestimmt man die Gerade, die am besten passt? 0 Statistik Einführung // Lineare Regression 9 p.27/72 Methode der kleinsten Quadrate 1. Bester Fit (Beste Anpassung) bedeutet, dass die Differenz zwischen tatsächlichen -Werten und vorhergesagten (modellierten) Werten, ŷ, minimal ist. Aber: positive Differenzen löschen negative aus. Daher wird die quadratische Abweichung verwendet. n i 1 i ŷ i 2 n ɛi 2 i 1 min 2. Die Methode der kleinsten Quadrate minimiert die Summe der quadrierten Differenzen. (Engl.: (ordinar) least squares, (O)LS) Statistik Einführung // Lineare Regression 9 p.28/72 Kleinste-Quadrate (LS) graphisch LS minimiert n ˆɛ i 2 ˆɛ ˆɛ 2 6 i 1 3 ˆβ 0 ˆβ 1 3 ˆɛ 3 0 ˆɛ 1 ˆɛ 2 ˆɛ 3 ˆɛ 4 ˆɛ 5ˆɛ 6 ŷ i ˆβ 0 ˆβ 1 i Statistik Einführung // Lineare Regression 9 p.29/72
11 Vorhersagegleichung ŷ i ˆβ 0 ˆβ 1 i Schätzer für die Steigung ˆβ 1 n i i i i n i 2 i 2 Schätzer für den -Interzept ˆβ 0 ȳ ˆβ 1 Statistik Einführung // Lineare Regression 9 p.30/72 Berechnungstabelle n n 2 n 2 n n n i i 2 i 2 i i i Statistik Einführung // Lineare Regression 9 p.31/72 Interpretation der Koeffizienten 1. Steigung, ˆβ 1 Das geschätzte ändert sich um ˆβ 1, wenn um eine Einheit erhöht wird. Wenn ˆβ 1 2, dann steigen die Verkäufe,, um 2 Einheiten für jede Einheit mehr in den Werbeausgaben,. 2. -Interzept, ˆβ 0 ˆβ 0 ist der durchschnittliche Wert von, wenn 0. Ist ˆβ 0 4, so werden 4 Verkaufseinheiten erwartet, wenn keine Werbeausgaben gemacht werden. Statistik Einführung // Lineare Regression 9 p.32/72
12 Sie sind ein Marketinganalst für Haribo. Sie sammeln folgende Daten: Monat Werbeausgaben Verkäufe (1000 c) (Einheiten) Wie sieht die Beziehung zwischen Verkäufen und Werbeausgaben aus? Statistik Einführung // Lineare Regression 9 p.33/72 Streudiagramm: Werbung vs. Verkäufe Vorhersagegleichung ŷ i ˆβ 0 ˆβ 1 i... Verkäufe... Werbeausgaben in 1000 c 0 Statistik Einführung // Lineare Regression 9 p.34/72 Berechnungstabelle: Beispiel Statistik Einführung // Lineare Regression 9 p.35/72
13 Schätzer für die Steigung ˆβ 1 n i i n 2 i i i i Schätzer für den -Interzept ˆβ 0 ȳ ˆβ Statistik Einführung // Lineare Regression 9 p.36/72 Interpretation der Schätzung Das geschätzte Modell lautet: i ˆβ 0 ˆβ 1 i ˆɛ i bzw. ŷ i i 1. Steigung, ˆβ 1 Das Verkaufsvolumen,, steigt im Durchschnitt um 0.7 Einheiten pro eingesetzte Einheit Werbeausgaben,. 2. -Interzept, ˆβ 0 Das durchschnittliche Verkaufsvolumen ist die Werbeausgaben Null sind. 0.10, wenn (In der Prais erwartet man auch eine geringe Verkaufsmenge, wenn keine Werbung gemacht wird.) Statistik Einführung // Lineare Regression 9 p.37/72 Computer Output // R > =c(1,2,3,4,5) > =c(1,1,2,2,4) > lm( ) Call: lm(formula = ) Coefficients: (Intercept) ˆβ 0 ˆβ 1 Statistik Einführung // Lineare Regression 9 p.38/72
14 Wahrscheinlichkeitsverteilung des Fehlerterms Statistik Einführung // Lineare Regression 9 p.39/72 Regression // Modellierungsschritte 1. Hpothese über die deterministische Komponente. 2. Schätzen die unbekannten Parameter im Modell. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. 4. Überprüfen das Modell. 5. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.40/72 Lineare Regression // Annahmen 1. Das Mittel der Wahrscheinlichkeitsverteilung des Fehlers ist Null. 2. Die Wahrscheinlichkeitsverteilung des Fehlers hat eine konstante Varianz. (Unabhängig von ) 3. Der Fehler ist normalverteilt. 4. Die Fehler sind unabhängig von einander. Statistik Einführung // Lineare Regression 9 p.41/72
15 f ˆɛ 1 2 Statistik Einführung // Lineare Regression 9 p.42/72 Variation im (Zufalls-) Fehler 1. Die Varianz des Fehlers ist die Varianz der Differenz zwischen aktuellem und modelliertem ŷ. 2. Die Variation im Fehler wird gemessen durch die Stichprobenstandardabweichung von ˆɛ, s ɛ. 3. Die Größe der Variation im Fehler beeinflusst: Parametersignifikanz Vorhersagegenauigkeit 4. Die Variation im Fehler steht für die Unsicherheit im Modell. Sie entsteht durch Effekte, die nicht durch das Modell erfasst werden. Statistik Einführung // Lineare Regression 9 p.43/72 Maße für die Variation in der Regression 1. Gesamtsumme der Abweichungsquadrate (in ) Variation der beobachteten -Werte um dessen Mittel ȳ. Dt.: Summe der quadratischen Abweichungen total, SQT. Engl.: Total sum of squares, SS. 2. Erklärte Variation Variation, die durch die Beziehung von und entsteht. Dt.: Erklärte Abweichungsquadratsumme, SQE. Engl.: Sum of squares in the regression, SSR. 3. Unerklärte Variation Variation, die nicht in der Regression erklärt wird. Dt.: Abweichungsquadratsumme der Residuen, SQR. Engl.: Sum of squares in the errors, SSE. Statistik Einführung // Lineare Regression 9 p.44/72
16 Unerklärte Abweichungsquadratsumme i i ŷ i 2 Gesamte Abweichungsquadratsumme i ȳ 2 0 ŷ i ˆβ 0 ˆβ 1 i Erklärte Abweichungsquadratsumme ŷ i ȳ 2 SQ-Gesamt = SQ-Erklärt + SQ-Unerklärt SS SSR SSE i ȳ 2 ŷ i ȳ 2 i ŷ i 2 ȳ Statistik Einführung // Lineare Regression 9 p.45/72 Bestimmtheitsmaß Anteil der Variation, die durch die Beziehung zwischen und erklärt wird. 0 r 2 1 r 2 erklärte Variation gesamte Variation SSR SS ŷ i ȳ 2 i ȳ 2 SQE SQT Eine andere Darstellung: r 2 1 unerklärte Variation gesamte Variation 1 SQR SQT 1 SSE SS 1 i ŷ i 2 i ȳ 2 r 2 1 i 2 ˆβ 0 i ˆβ 1 i i i 2 1 n i 2 Statistik Einführung // Lineare Regression 9 p.46/72 Bestimmtheitsmaß // Beispiele eakter linearer Zusammenhang r 2 1 eakter linearer Zusammenhang r 2 1 kein linearer Zusammenhang r 2 0 schwacher Zusammenhang r Statistik Einführung // Lineare Regression 9 p.47/72
17 Sie sind ein Marketinganalst für Haribo. Sie schätzen ŷ i i wobei... Verkäufe und... Werbeausgaben in 1000 c sind. Die Daten dazu sind: Monat Werbeausgaben Verkäufe (1000 c) (Einheiten) Statistik Einführung // Lineare Regression 9 p.48/72 Berechnungstabelle: Beispiel ŷ i ˆβ 0 ˆβ 1 i i r 2 1 i 2 ˆβ 0 i ˆβ 1 i i i 2 1 n i Wie ist das Bestimmtheitsmaß von r zu interpretieren? Statistik Einführung // Lineare Regression 9 p.49/72 Computer Output // R > summar(lm( )) Call: lm(formula = ) Residuals: r e e e e e-01 Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) * -- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 3 degrees of freedom Multiple R-Squared: , Adjusted R-squared: F-statistic: on 1 and 3 DF, p-value: Statistik Einführung // Lineare Regression 9 p.50/72
18 Modellüberprüfung Statistik Einführung // Lineare Regression 9 p.51/72 Regression // Modellierungsschritte 1. Hpothese über die deterministische Komponente. 2. Schätzen die unbekannten Parameter im Modell. 3. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. Überprüfen das Modell. 5. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.52/72 Test des Steigungsparameters 1. ˆβ 1 ist ein Indikator für den linearen Zusammenhang zwischen und. 2. Hängt von der Steigung, β 1, in der Grundgesamtheit (wahrem Modell) ab. 3. Hpothesen H 0 : β 1 0 (Kein linearer Zusammenhang) H A : β 1 0 (Linearer Zusammenhang) 4. Theoretische Basis ist die Stichprobenverteilung der Steigung. Statistik Einführung // Lineare Regression 9 p.53/72
19 0 Stichprobenverteilung S β1 Alle möglichen Stichproben-Steigungen Stichpr Stichpr Stichpr Sehr große Anzahl von Steigungen. β 1 ˆβ 1 Statistik Einführung // Lineare Regression 9 p.54/72 Teststatistik für die Steigung t n 2 ˆβ 1 β 1 s ˆβ 1 wobei s 2ˆβ 1 s 2 ɛ i 2 und s 2 ɛ 1 n 2 ˆɛ 2 i t-verteilung, Freiheitsgrade: ν n 2 Zur Berechnung: s 2 ɛ 1 n 2 ˆɛ 2 i i 2 2 i 1 n 2 2 i 1 n i 2 ˆβ 0 i ˆβ 1 i i Statistik Einführung // Lineare Regression 9 p.55/72 Test auf den Steigungsparameter // Beispiel Sie sind ein Marketinganalst für Haribo. Sie schätzen ŷ i i und s ɛ wobei... Verkäufe und... Werbeausgaben in 1000 c sind. Gibt es eine Beziehung zwischen Werbeausgaben und Verkäufen? Testen Sie bei einem Signifikanzniveau von 10%. Monat Werbeausgaben Verkäufe Statistik Einführung // Lineare Regression 9 p.56/72
20 ŷ i ˆβ 0 ˆβ 1 i i s 2 ɛ 1 n 2 ɛ2 i n 2 2 i ˆβ 0 i ˆβ 1 i i i 2 2 i 1 n i s 2ˆβ 1 t n 2 s 2 ɛ i ˆβ 1 β 1 s ˆβ Statistik Einführung // Lineare Regression 9 p.57/72 Test auf den Steigungsparameter // Lösung H 0 : β 1 0 H A : β 1 0 α 0.10 ν Kritische Werte: Teststatistik: t ˆβ 1 β 1 s ˆβ Entscheidung: H 0 wird abgelehnt. H 0 ablehnen 5% H 0 ablehnen 5% 2.35 X Interpretation: Es gibt Evidenz für eine Beziehung zwischen Werbeausgaben und Verkäufen. Statistik Einführung // Lineare Regression 9 p.58/72 Computer Output // R > summar(lm( )) Call: lm(formula = ) Residuals: e e e e e-01 Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) * s ˆβ 1 t ˆβ 1 s ˆβ 1 Statistik Einführung // Lineare Regression 9 p.59/72
21 Verwenden das Modell für die Prognose Statistik Einführung // Lineare Regression 9 p.60/72 Regression // Modellierungsschritte 1. Hpothese über die deterministische Komponente. 2. Schätzen die unbekannten Parameter im Modell. 3. Spezifizieren die Wahrscheinlichkeitsverteilung des Fehlerterms. Schätzen die Standardabweichung des Fehlers. 4. Überprüfen das Modell. Verwenden das Modell für die Prognose. Statistik Einführung // Lineare Regression 9 p.61/72 Prognose mit Regressionsmodellen Arten von Prognosen Punktprognose Intervallprognose Statistik Einführung // Lineare Regression 9 p.62/72
22 Wahres Modell: i β 0 β 1 i ɛ i Geschätztes Modell: ŷ i ˆβ 0 ˆβ 1 i Prognose: ŷ p p ŷ p ˆβ 0 ˆβ 1 p Statistik Einführung // Lineare Regression 9 p.63/72 Punktprognose // Beispiel Marketinganalst bei Haribo (ŷ i i ) 0 ŷ i ˆβ 0 ˆβ 1 i p 3.5 p 6.0 p 3.5 p 6.0 p p Statistik Einführung // Lineare Regression 9 p.64/72 Korrelationsmodelle Statistik Einführung // Lineare Regression 9 p.65/72
23 Stochastische Modelle Regressionsmodelle Korrelationsmodelle Andere Modelle Statistik Einführung // Lineare Regression 9 p.66/72 Korrelationsmodelle 1. Beantworten die Frage: Wie stark ist der lineare Zusammenhang zwischen 2 Variablen? 2. Korrelationskoeffizient Korrelationskoeffizient in der Grundgesamtheit wird als ρ (rho) bezeichnet. Er liegt immer zwischen 1 und 1: 1 ρ 1. Er misst den linearen Zusammenhang. Statistik Einführung // Lineare Regression 9 p.67/72 Stichprobenkorrelationskoeffizient Der Stichprobenkorrelationskoeffizient, r, zwischen und ist der Pearson sche Produktmoment Koeffizient der Korrelation: r Bestimmtheitsmaß aber mit einem Vorzeichen versehen. r i i ȳ i 2 i ȳ 2 Berechnung über die Arbeitstabelle: r 2 i i i n 2 n ȳ 2 i nȳ 2 Statistik Einführung // Lineare Regression 9 p.68/72
24 Perfekte negative Korrelation Keine Korrelation Perfekte positive Korrelation Statistik Einführung // Lineare Regression 9 p.69/72 Korrelationskoeffizient: Beispiele eakter linearer Zusammenhang r 1 kein linearer Zusammenhang r 0 eakter linearer Zusammenhang r 1 schwacher Zusammenhang r 0.56 Statistik Einführung // Lineare Regression 9 p.70/72 Test auf den Korrelationskoeffizienten 1. Wir testen auf einen linearen Zusammenhang zwischen zwei numerischen (quantitativen) Variablen. 2. Das ist das gleiche Problem, wie der Test auf die Steigung in der Grundgesamtheit, β 1, auf Null. 3. Hpothesen H 0 : ρ 0 (Keine Korrelation) H A : ρ 0 (Korrelation) Statistik Einführung // Lineare Regression 9 p.71/72
25 1. Beschrieben lineares Regressionsmodell. 2. Gaben die einzelnen Modellierungsschritte an. 3. Erklärten die (gewöhnliche) Methode der kleinsten Quadrate. 4. Berechneten und testeten Regressionskoeffizienten. 5. Prognostizieren die Antwort -Variable. 6. Interpretieren einen Computerausdruck. 7. Zeigten den Zusammenhang zwischen der Steigung der Regressionsgeraden und dem Korrelationskoeffizienten auf. Statistik Einführung // Lineare Regression 9 p.72/72
Korrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrGemischte Modelle. Fabian Scheipl, Sonja Greven. SoSe 2011. Institut für Statistik Ludwig-Maximilians-Universität München
Gemischte Modelle Fabian Scheipl, Sonja Greven Institut für Statistik Ludwig-Maximilians-Universität München SoSe 2011 Inhalt Amsterdam-Daten: LMM Amsterdam-Daten: GLMM Blutdruck-Daten Amsterdam-Daten:
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
Mehr1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt:
Beispiele zum Üben und Wiederholen zu Wirtschaftsstatistik 2 (Kurs 3) 1 Einfachregression 1.1In 10 Haushalten wurden Einkommen und Ausgaben für Luxusgüter erfragt: Haushaltseinkommen 12 24 30 40 80 60
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
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
MehrAnalyse von Querschnittsdaten. Regression mit Dummy-Variablen
Analyse von Querschnittsdaten Regression mit Dummy-Variablen Warum geht es in den folgenden Sitzungen? Datum Vorlesung 9.0.05 Einführung 26.0.05 Beispiele 02..05 Forschungsdesigns & Datenstrukturen 09..05
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 9B a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Man kann erwarten, dass der Absatz mit steigendem Preis abnimmt, mit höherer Anzahl der Außendienstmitarbeiter sowie mit erhöhten
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrFortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrAllgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
MehrFachhochschule Düsseldorf Wintersemester 2008/09
Fachhochschule Düsseldorf Wintersemester 2008/09 Teilfachprüfung Statistik im Studiengang Wirtschaft Prüfungsdatum: 26.01.2009 Prüfer: Prof. Dr. H. Peters, Diplom-Vw. Lothar Schmeink Prüfungsform: 2-stündige
MehrGefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrWachstum 2. Michael Dröttboom 1 LernWerkstatt-Selm.de
1. Herr Meier bekommt nach 3 Jahren Geldanlage 25.000. Er hatte 22.500 angelegt. Wie hoch war der Zinssatz? 2. Herr Meiers Vorfahren haben bei der Gründung Roms (753. V. Chr.) 1 Sesterze auf die Bank gebracht
Mehr2. Mai 2011. Geldtheorie und -politik. Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6)
Geldtheorie und -politik Die Risiko- und Terminstruktur von Zinsen (Mishkin, Kapitel 6) 2. Mai 2011 Überblick Bestimmung des Zinssatzes im Markt für Anleihen Erklärung der Dynamik von Zinssätzen Überblick
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrFinancial Leverage. und die unendliche Rendite des Eigenkapitals und ihr Risiko
Financial Leverage und die unendliche Rendite des Eigenkapitals und ihr Risiko Gliederung 1. Der Leverage-Effekt 2. Die Leverage-Chance 3. Die Leverage-Gefahr 4. Das Leverage-Risiko 5. Schlussfolgerungen
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrSurvival of the Fittest Wie statistische Modelle an Daten angepasst werden
Tag der Mathematik 2009 Survival of the Fittest Wie statistische Modelle an Daten angepasst werden Thomas Kneib Fakultät für Mathematik und Naturwissenschaften Carl von Ossietzky Universität Oldenburg
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrMikroökonomik 9. Vorlesungswoche
Mikroökonomik 9. Vorlesungswoche Tone Arnold Universität des Saarlandes 18. Dezember 2007 Tone Arnold (Universität des Saarlandes) 9. Vorlesungswoche 18. Dezember 2007 1 / 31 Volkswirtschaftliche Rente
MehrModellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik)
Modellierung biologischer Prozesse Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Überblick Einführung Arten von Modellen Die stochastische Pi-Maschine Warum Modelle Die Biologie konzentriert
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
Mehreinfache Rendite 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110
Übungsbeispiele 1/6 1) Vervollständigen Sie folgende Tabelle: Nr. Aktie A Aktie B Schlusskurs in Schlusskurs in 0 145 85 1 160 90 2 135 100 3 165 105 4 190 95 5 210 110 Arithmetisches Mittel Standardabweichung
MehrAnalytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10
Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrÜbungen 19.01.2012 Programmieren 1 Felix Rohrer. Übungen
Übungen if / else / else if... 2... 2 Aufgabe 2:... 2 Aufgabe 3:... 2 Aufgabe 4:... 2 Aufgabe 5:... 2 Aufgabe 6:... 2 Aufgabe 7:... 3 Aufgabe 8:... 3 Aufgabe 9:... 3 Aufgabe 10:... 3 switch... 4... 4 Aufgabe
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrRisikomanagement im Gesundheitswesen Eine ökonomische Nutzen-Analyse unter Einbezug der Haftpflichtversicherungsprämien
Risikomanagement im Gesundheitswesen Eine ökonomische Nutzen-Analyse unter Einbezug der Haftpflichtversicherungsprämien GQMG-Jahrestagung am 14. und 15. April 2011 Das Qualitätsversprechen: Qualität und
MehrMathematik: Mag. Schmid Wolfgang Arbeitsblatt 3 1. Semester ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN
ARBEITSBLATT 3 RECHNEN MIT GANZEN ZAHLEN Wir wollen nun die Rechengesetze der natürlichen Zahlen auf die Zahlenmenge der ganzen Zahlen erweitern und zwar so, dass sie zu keinem Widerspruch mit bisher geltenden
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrValue at Risk Einführung
Value at Risk Einführung Veranstaltung Risk Management & Computational Finance Dipl.-Ök. Hans-Jörg von Mettenheim mettenheim@iwi.uni-hannover.de Institut für Wirtschaftsinformatik Leibniz Universität Hannover
MehrBiostatistik 101 Korrelation - Regressionsanalysen
Good Data don't need statistics Biostatistik 101 Korrelation - Regressionsanalysen Carl Herrmann IPMB Uni Heidelberg & DKFZ B080 carl.herrmann@uni-heidelberg.de Korrelation Sind Alter und Blutdruck miteinander
Mehr