Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
|
|
- Richard Krause
- vor 5 Jahren
- Abrufe
Transkript
1 Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min Hinweise: Bitte runden Sie alle Ergebnisse auf drei Dezimalstellen. Runden Sie jedoch nur die Endergenisse und keine Zwischenergebnisse. Wenn Sie bereits abgefragte Ergebnisse in folgenden Berechnungen benötigen, verwenden Sie jedoch bitte die gerundeten Ergebnisse. Im Anhang finden Sie Tabellen der benötigten Verteilungen. Aufgabe 1 (Punkte: 7) Betrachten Sie die Varianz-Kovarianz-Matrix Σ für den zufälligen Vektor Y t (Y 1, Y 2, Y 3 ) Die Kovarianzmatrix hat als zweiten Eigenwert λ 2 1 und als dritten Eigenvektor a t 3 (1/ 2, 0, 1/ 2). a) (Punkte: 5) Bestimmen Sie die übrigen Eigenwerte und Eigenvektoren von Σ. Man erhält die Eigenwerte der Kovarianzmatrix, indem man die Gleichung det(σ λi) 0 löst, d.h. hier 1 λ det 0 1 λ λ Wir entwickeln die Matrix nach der 2. Zeile und erhalten 1 λ ( ) 1 λ 0.8 det 0 1 λ 0 ( 1) 2+2 (1 λ) det λ λ (1 λ) [(1 λ) ] Für den Ausdruck in der eckigen Klammer verwenden wir die dritte binomische Formel a 2 b 2 (a + b)(a b), d.h. für die Determinante ergibt sich (1 λ)(1 λ + 0.8)(1 λ 0.8) (1 λ)(1.8 λ)(0.2 λ) 0 λ oder λ 2 1 oder λ Die Eigenwerte sind also λ 1 1.8, λ 2 1 und λ
2 2 Klausur, Analyse mehrdimensionaler Daten, WS 2010/ Kreditpunkte, 90 min Der Eigenvektor der Kovarianzmatrix zum Eigenwert λ muss die Gleichung (Σ λi)a 0 erfüllen, d.h. zu jedem Eigenwert λ i gehört ein Vektor a i, der Eigenvektor genannt wird, für den gilt: Σa i λ i a i. In unserer Aufgabe ist also für λ das Gleichungssystem (Σ 1.8I)a 1 0 zu lösen Da Σ 1.8I ist das zu lösende Gleichungssystem 0.8a a a a a 13 0 Die 2. Gleichung gilt genau dann, wenn a Die 1. und 3. Gleichung gilt genau dann, wenn a 11 a 13. Die Eigenvektoren müssen normiert sein, d.h. a a a a a a a 11 ±1/ 2 Als Eigenvektoren zu λ kommen also a t 1 (1/ 2, 0, 1/ 2) oder a t 1 ( 1/ 2, 0, 1/ 2) in Frage. Wir rechnen im weiteren Verlauf mit a t 1 (1/ 2, 0, 1/ 2) Für λ 2 1 ist Σ λ 2 I Σ I Das für a t 2 (a 21, a 22, a 23 ) zu lösende Gleichungssystem ist 0.8a a 21 0 Das bedeutet a 21 a 23 0, während a 22 beliebig gewählt werden kann, d.h. jeder Vektor a t 2 (0, a 22, 0) ist eine Lösung des Gleichungssystem. Der 2. Eigenvektor muss normiert sein und außerdem orthogonal zu a 1. Aus der Normiertheit folgt: a a a a a 22 ±1 Ortogonalität zu a 1 bedeutet: das innere Produkt der Vektoren a t 2 (0, ±1, 0) und at 1 (1/ 2, 0, 1/ 2) muss gleich 0 sein, d.h. 0 1/ 2 + a / 2 0, was für beide Werte von a 22 ±1 erfüllt ist. Wir rechnen im weiteren Verlauf der Aufgabe mit a t 2 (0, 1, 0). Für λ das Gleichungssystem (Σ 0.2I)a 3 0 zu lösen Da Σ 0.2I ist das zu lösende Gleichungssystem
3 Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 3 0.8a a a a a 33 0 Aus der 2. Gleichung folgt a Aus der 1. oder 3. Gleichung folgt a 31 a 33, d.h jeder Vektor a t 3 (a 31, 0, a 31 ) ist eine Lösung des Gleichungssystems. Der Vektor muss normiert sein, d.h. a a a 2 33 a a a a 31 ±1/ 2 In unserer Aufgabe ist also a t 3 (1/ 2, 0, 1/ 2) eine normierte Lösung, die auch orthogonal zu a t 1 (1/ 2, 0, 1/ 2) t und a t 2 (0, 1, 0) ist. b) (Punkte: 2) Hat die zu Σ gehörige Korrelationsmatrix andere Eigenwerte und Eigenvektoren? Begründen Sie Ihre Antwort. Die Eigenwerte und Eigenvektoren der Korrelationsmatrix sind identisch, da Σ mit der Korrelationensmatrix übereinstimmt, denn alle Varianzen sind 1. Aufgabe 2 (Punkte: 14) Die Kovarianzmatrix des zufälligen Vektors Y t (Y 1, Y 2, Y 3 ) sei Σ Sei A 1/ 3 1/ 2 1/ 6 1/ 3 0 2/ 6 1/ 3 1/ 2 1/ 6 a) (Punkte: 2) Bestimmen Sie die Kovarianzmatrix von Z A t Y. Var(Z) Var(A t Y ) A t ΣA 1/ 3 1/ 3 1/ 3 1/ 2 0 1/ 2 1/ 6 2/ 6 1/ / 3 1/ 2 1/ 6 1/ 3 0 2/ 6 1/ 3 1/ 2 1/ 6
4 4 Klausur, Analyse mehrdimensionaler Daten, WS 2010/ Kreditpunkte, 90 min b) (Punkte: 1) Die Matrix A enthält in den Spalten die normierten und orthogonalen Eigenvektoren von Σ. Geben Sie möglichst unter Benutzung des Ergebnisses aus a) die Eigenwerte von Σ an. In a) wurde die Kovarianzmatrix der Hauptkomponenten berechnet. Die Varianzen stimmen mit den Eigenwerten überein. Daher ist λ 1 4, λ 2 3 und λ 3 1. c) (Punkte: 2) Welcher Anteil der Variation wird durch die einzelnen Hauptkomponenten erklärt? Wie viele Hauptkomponenten würden Sie verwenden, um mindestens 85% der Variation durch die verwendeten Hauptkomponenten zu erklären? Die 1. Hauptkomponente erklärt den Anteil λ 1 /(λ 1 +λ 2 +λ 3 4/8 1/ % Die 2. Hauptkomponente erklärt den Anteil λ 2 /(λ 1 + λ 2 + λ3 3/ % Die 3. Hauptkomponente erklärt den Anteil λ 3 /(λ 1 + λ 2 + λ3 1/ % Damit wird 50% der Variation durch die erste Hauptkomponente erklärt und 87.5% durch die beiden ersten Hauptkomponenten, d.h. man sollte die beiden ersten Hauptkomponenten verwenden, um mindestens 85% der Variation zu erklären. d) (Punkte: 1) Schreiben Sie die beiden ersten Hauptkomponeneten Z 1 und Z 2 als Linearkombination der ursprünglichen Variablen Y 1, Y 2, Y 3. Z 1 a t 1Y 1 3 Y Y Y (Y 1 Y 2 + Y 3 ) Z 2 a t 2 Y 1 2 Y Y Y (Y 1 Y 3 ) e) (Punkte: 1) Die gegebene Kovarianzmatrix wurde in R mit Sigma bezeichnet. Mit dem folgenden Befehl wurde in R die Korrelationsmatrix berechnet. > RHO<-cov2cor(Sigma) > RHO [1,] [2,] [3,] Erläutern Sie, wie man die Zahlen erhält. Die gegebenen Kovarianzen σ ij 1 sind durch das Produkt der Standardabweichungen σ i σ j zu dividieren. Das Produkt der Standardabweichungen ist in allen Fällen und 1/ f) (Punkte: 2) Mit der Korrelationsmatrix RHO wurden in R folgende Berechnungen durchgeführt:
5 Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 5 > RHO1<-eigen(RHO)$values[1]*eigen(RHO)$vectors[,1]%*%t(eigen(RHO)$vectors[,1]) > RHO2<-eigen(RHO)$values[2]*eigen(RHO)$vectors[,2]%*%t(eigen(RHO)$vectors[,2]) > RHO3<-eigen(RHO)$values[3]*eigen(RHO)$vectors[,3]%*%t(eigen(RHO)$vectors[,3]) > round(rho1,digits3) [1,] [2,] [3,] > round(rho2,digits3) [1,] [2,] [3,] > round(rho3,digits3) [1,] [2,] [3,] Wie nennt man diese Darstellung und was geben die Zahlen an? Was ergibt die Summe RHO1+RHO2+RHO3? Spektralzerlegung der Korrelationsmatrix: Es gilt P 3 j1 P j mit P j : λ j a j a t j. Dabei ist P j der Beitrag der j-ten Hauptkomponente zur Korrelationsmatrix. g) (Punkte: 5) Im Rahmen einer Faktorenanalyse mit der Korrelationsmatrix RHO haben Sie die folgenden Berechnungen durchgeführt: > round(eigen(rho)$values,digits3) [1] > round(eigen(rho)$vectors,digits3) [1,] [2,] [3,] Sie verwenden die Hauptkomponentenmethode und haben sich entschieden, zwei Faktoren zu verwenden. Mit R haben Sie die folgende Faktorladungsmatrix Λ 2 berechnet: [,1] [,2] [1,] [2,] 0.89 c? [3,] Ergänzen Sie den fehlenden Wert c. Welche Bedeutung hat dieser Wert? Geben Sie anschliessend die Kommunalitäten und die Fehlermatrix Ψ 2 an. Verwenden Sie dabei die Hauptkomponentenmethode. Hinweis: Falls Sie c nicht bestimmen konnten, verwenden Sie in den Folgerechnungen c. Die Faktorladungsmatrix Λ 2 besteht aus den ersten beiden Spalten der Matrix der Komponentenladungen. Diese ist das Produkt AΛ 1/2, wobei A die Matrix der Eigenvektoren (in
6 6 Klausur, Analyse mehrdimensionaler Daten, WS 2010/ Kreditpunkte, 90 min den Spalten) und Λ die Diagonalmatrix der Eigenwerte ist. Das fehlende Element ist das Produkt der 2. Zeile von A und der 2. Spalte von Λ 1/2, also Dieser Wert ist die Korrelation zwischen der zweiten standardisierten Variable und dem zweiten Faktor. Diese sind somit unkorreliert. Die Kommunalitäten sind die Diagonalelemente von Λ 2 Λ t 2. Mit R ergab sich folgendes Ergebnis für dieses Matrizenprodukt. [1,] [2,] [3,] Die Kommunalitäten sind also , und Damit sind die spezifischen Varianzen , und Aufgabe 3 (Punkte: 12) In einer zufälligen Stichprobe mit n 25 Realisierungen eines N 4 (µ, Σ)-verteilten Vektors X t (X 1, X 2, X 3, X 4 ) ergaben sich folgende Schätzer: x t (186; 151; 184; 149) S a) (Punkte: 5) Testen Sie für die Zufallsvariablen X 1 und X 3 die Hypothese H 0 : µ t (µ 1, µ 3 ) µ t 0 (182, 182) bei unbekannter Kovarianzmatrix mit einem Signifikanzniveau α Hinweis: Eine Formel zur Berechnung einer hier benötigten inversen Matrix finden Sie in der Formelsammlung! Da die wahre Kovarianzmatrix ( als unbekannt ) vorausgesetzt wird, müssen wir sie mit Hilfe der Stichprobe durch S schätzen und folgende Teststatistik verwenden T 2 n( x µ 0 ) t S 1 ( x µ 0 ) H 0 wird abgelehnt, wenn gilt: F m 2 und Die Inverse von S x µ 0 ( ) (n m)t 2 m(n 1) ( ) ist > F α (m, n m). Hier ist n 25 und ( ) ( ) ( det(s) ) 1 ( )
7 Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 7 Damit erhalten wir T 2 25 ( ) ( ) (4, 2) Hier ist n 25 und m 2. Dann ist der zugehörige Wert F n m T 2 23 m(n 1) Die Realisation unserer Teststatistik vergleichen wir mit dem 95%-Quantil der F-Verteilung mit m 2, n m Freiheitsgraden. Aus der Tabelle der F -Verteilung ergibt sich der Wert Da F < 3.42, kann H 0 nicht verworfen werden. b) (Punkte: 2) Bestimmen Sie simultane Konfidenzintervalle für µ i, i 1, 2, 3, 4 zum Konfidenzniveau 1 α s i Simultane Konfidenzintervalle: x i ± K α/2 n ( ) 1/2 4(25 1) wobei K α/2 (25 4) F 0.05(4, 25 4) µ ± µ ± µ ± µ ± ( )1/ / ± 7.024, d.h. µ 1 ( ; ) 54/ ± 5.295, d.h. µ 2 ( ; ) 101/ ± 7.242, d.h. µ 3 ( ; ) 45/ ± 4.834, d.h. µ 4 ( ; ) c) (Punkte: 1) Wie ändert sich die Lage und die Länge der Konfidenzintervalle, wenn man das Wort simultane in der Aufgabenstellung weglässt? Lage ändert sich nicht, aber simultane Konfidenzintervalle sind länger. d) (Punkte: 4) Beschreiben Sie, wie man die Nullhypothese H 0 : 5µ 1 6µ 4 µ 2 2 µ 4 5µ 3 6µ 4 für α 0.01 testen kann. Schreiben Sie zunächst die Nullhypothese mit einer geeigneten Matrix C und geben Sie dann die Formel für Hotellings Prüfgröße T 2 an. Verwenden Sie dann für T 2 den Wert 48.7 und fällen Sie eine Entscheidung über den Testausgang, indem Sie F und den zugehörigen kritischen Wert für α 0.01 bestimmen. Die Nullhypothese kann geschrieben werden als 5µ 1 6µ 4 0 µ 2 µ 4 2 5µ 3 6µ 4 0
8 8 Klausur, Analyse mehrdimensionaler Daten, WS 2010/ Kreditpunkte, 90 min µ Mit C t µ ; µ 2 µ und φ 2 lautet die Nullhypothese 0 µ 4 C t µ φ. Die Teststatistik ist T 2 n(c t x φ) t (C t SC) 1 (C t x φ) Dann gilt F n p p(n 1) T 2 F(p, n p), wobei hier n 25 und p 3 ist. Wenn T ist F 25 3 T (25 1) 72 Die Realisation unserer Teststatistik ist mit dem 99%-Quantil der F -Verteilung mit p 3, n p Freiheitsgraden zu vergleichen. Aus der Tabelle erhalten wir den kritischen Wert Da F > 4.82, muss H 0 verworfen werden. Aufgabe 4 (Punkte: 7) Aufgrund von drei Merkmalen sollen die Merkmalsträger einer von zwei Klassen (Klasse 1 und Klasse 2) zugeordnet werden. Dazu wurden jeweils 101 zufällig ausgewählte Merkmalsträger in beiden Klassen beobachtet. Der dreidimensionale Merkmalsvektor X sei normalverteilt mit den folgenden geschätzten Parametern x t 1 (2.7, 1.6, 12.5) S in der ersten Klasse und x t 2 (1.5, 1.1, 8.2) S in der zweiten Klasse. Welcher Klasse wird ein Merkmalsträgern mit den Werten (1.7, 1.3, 9.8) zugeordnet, wenn die Apriori-Wahrscheinlichkeit, dass der Merkmalsträger zur Klasse 1 gehört 0.3 beträgt und die Kosten einer Fehlklassifikation C(1 2) 20 und C(2 1) 100 sind. Verwenden Sie Fishers lineare Diskriminanzfunktion L t x. Welche Bedeutung hat L? Mit R wurden die folgenden Berechnungen durchgeführt: > ES1<-matrix(c(0.8,0.5,0.7,0.5,0.9,0.8,0.7,0.8,0.9),byrowT,nrow3) > ES1 [1,] [2,] [3,] > ES2<-matrix(c(1.1,0.5,0.7,0.5,1,0.9,0.7,0.9,1.1),byrowT,nrow3) > ES2
9 Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 9 [1,] [2,] [3,] > round(solve(es1+es2),digits2) [1,] [2,] [3,] Mit π 1 0.3, π und C(1 2) 20, C(2 1) 100 ist k ln[(π 2 C(1 2))/(π 1 C(2 1))] ( ) ln ln(7/15) Mit L S 1 ( x 1 x 2 ) ist die Entscheidungsregel: Wenn L t x 1 2 Lt ( x 1 + x 2 ) k, dann ordne ( ) 1 den Merkmalsträger der Klasse 1 zu, sonst 2. Dabei ist S 1 (n1 1)S 1 + (n 2 1)S 2 n 1 + n 2 2 ( ) (S 1 + S 2 ) 2(S 1 + S 2 ) Beachten Sie, dass die Inverse von S 1 + S 2 in der R-Ausgabe gegeben ist Dann ist L S 1 ( x 1 x 2 ) Hier ist L t x ( ) Lt ( x 1 + x 2 ) 0.5 ( ) L t x 1 2 Lt ( x 1 + x 2 ) < , d.h. der Merkmalsträger wird Klasse 2 zugeordnet. L ist der Vektor, der am besten trennen kann zwischen den beiden Klassen.
Klausur 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
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrHerleitung der Hauptkomponenten: Y t = (Y 1,..., Y m ) Erwartung:µ Kovarianz:Σ. Z j = a 1j Y 1 + a 2j Y a mj Y m = a t j Y
Herleitung der Hauptkomponenten: Y t = (Y 1,..., Y m ) Erwartung:µ Kovarianz:Σ Z j = a 1j Y 1 + a 2j Y 2 +... + a mj Y m = a t j Y a t j = (a 1j, a 2j,..., a mj ) Z 1, Z 2,...,Z m unkorreliert Varianzen
MehrDie Rücktransformation: Z = A t (Y µ) = Y = AZ + µ
Die Rücktransformation: Z = A t (Y µ) = Y = AZ + µ Kleine Eigenwerte oder Eigenwerte gleich Null: k Eigenwerte Null = Rang(Σ) = m k Eigenwerte fast Null = Hauptkomponenten beinahe konstant Beschränkung
MehrAnhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen
Kapitel 9 Anhang aus Statistik-III-Skript: p-dimensionale Zufallsvariablen 9 Definitionen, Eigenschaften Wir betrachten jetzt p Zufallsvariablen X, X 2,, X p Alle Definitionen, Notationen und Eigenschaften
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
MehrÜbungen zu Multivariate Verfahren WS 2009/10 1. Aufgabe 1 Betrachten Sie die folgenden beiden Vektoren und Matrizen
Übungen zu Multivariate Verfahren WS 2009/10 1 Prof. Dr. Fred Böker und Jing Dai Aufgabe 1 Betrachten Sie die folgenden beiden Vektoren und Matrizen 1 2 2 0 1 2 1 a = 2, b = 1, C = 1 4 0, E = 4 1 2 3 2
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrExkurs: Eigenwertproblem
1 von 7 29.11.2008 16:09 Exkurs: Eigenwertproblem Bei der Faktorenanalyse tritt das Eigenwertproblem auf. Man spricht von einem Eigenwertproblem wenn das Produkt zwischen einer Matrix und einem Vektor
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
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
MehrDemokurs. Modul Vertiefung der Wirtschaftsmathematik Vertiefung der Statistik
Demokurs Modul 3741 Vertiefung der Wirtschaftsmathematik und Statistik Kurs 41 Vertiefung der Statistik 15. Juli 010 Seite: 14 KAPITEL 4. ZUSAMMENHANGSANALYSE gegeben, wobei die Stichproben(ko)varianzen
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
Mehr0 sonst. a) Wie lautet die Randwahrscheinlichkeitsfunktion von Y? 0.5 y = 1
Aufgabe 1 (2 + 2 + 2 + 1 Punkte) Gegeben sei folgende gemeinsame Wahrscheinlichkeitsfunktion f(x, y) = P (X = x, Y = y) der Zufallsvariablen X und Y : 0.2 x = 1, y = 1 0.3 x = 2, y = 1 f(x, y) = 0.45 x
MehrVarianzvergleiche bei normalverteilten Zufallsvariablen
9 Mittelwert- und Varianzvergleiche Varianzvergleiche bei zwei unabhängigen Stichproben 9.3 Varianzvergleiche bei normalverteilten Zufallsvariablen Nächste Anwendung: Vergleich der Varianzen σa 2 und σ2
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrMultivariate Verteilungen. Gerhard Tutz LMU München
Multivariate Verteilungen Gerhard Tutz LMU München INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Multivariate Normalverteilung 3 Wishart Verteilung 7 3 Hotellings T Verteilung 11 4 Wilks Λ 14 INHALTSVERZEICHNIS
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
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
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
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrWahrscheinlichkeit 1-α: richtige Entscheidung - wahrer Sachverhalt stimmt mit Testergebnis überein. Wahrscheinlichkeit α: falsche Entscheidung -
wahrer Sachverhalt: Palette ist gut Palette ist schlecht Entscheidung des Tests: T K; Annehmen von H0 ("gute Palette") positive T > K; Ablehnen von H0 ("schlechte Palette") negative Wahrscheinlichkeit
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 12.5.2006 1 Test auf Anteilswert: Binomialtest Sei eine Stichprobe unabhängig, identisch verteilter ZV (i.i.d.). Teile diese Stichprobe in zwei Teilmengen
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 21. Januar 2015 1 t-tests für Erwartungswerte Verbundene und unverbundene Stichproben
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
Mehra 11 a 12 a 1(m 1) a 1m a n1 a n2 a n(m 1) a nm Matrizen Betrachten wir das nachfolgende Rechteckschema:
Matrizen Betrachten wir das nachfolgende Rechteckschema: a 12 a 1(m 1 a 1m a n1 a n2 a n(m 1 a nm Ein solches Schema nennt man (n m-matrix, da es aus n Zeilen und m Spalten besteht Jeder einzelne Eintrag
Mehrx+ 2y = 2 3x+ 3y+ 3z = 0
Mathematik für Informatiker III WS 5/ Musterlösung zur Klausur vom 8.. Anmerkung: Für die Aufgaben bis 4 gab es 4 Punkte, zusammen mit der Zusatzaufgabe 5 konnte man 4 Punkte erreichen. Um die Klausur
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 12. Aufgabe Herbstsemester Dr. V. Gradinaru D. Devaud.
Dr. V. Gradinaru D. Devaud Herbstsemester 15 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 1 Aufgabe 1.1 1.1a) Sei A eine n n-matrix. Das Gleichungssystem Ax = b sei
MehrAufgabe Summe Note Punkte
Fachhochschule Südwestfalen - Meschede Prof. Dr. Henrik Schulze Klausur Ingenieurmathematik am. September 5 (mit Lösungen) Name Matr.-Nr. Vorname Unterschrift Aufgabe 3 5 7 Summe Note Punkte Die Klausur
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
MehrGrundidee. χ 2 Tests. Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen. Grundidee. Annahme: Einfache Zufallsstichprobe (X 1,..., X n ).
Grundidee χ 2 -Anpassungstest χ 2 -Unabhängigkeitstest χ 2 -Homogenitätstest χ 2 Tests Grundidee Ausgangspunkt: Klasseneinteilung der Beobachtungen in k Klassen Annahme: Einfache Zufallsstichprobe (X 1,,
MehrT2 Quantenmechanik Lösungen 7
T2 Quantenmechanik Lösungen 7 LMU München, WS 7/8 7.. Lineare Algebra Prof. D. Lüst / Dr. A. Schmidt-May version: 28.. Gegeben sei ein komplexer Hilbert-Raum H der Dimension d. Sei { n } mit n,..., d eine
MehrLineare Algebra und Numerische Mathematik für D-BAUG
P Grohs T Welti F Weber Herbstsemester 215 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 12 Aufgabe 121 Matrixpotenzen und Eigenwerte Diese Aufgabe ist
MehrStatistik II. Weitere Statistische Tests. Statistik II
Statistik II Weitere Statistische Tests Statistik II - 19.5.2006 1 Überblick Bisher wurden die Test immer anhand einer Stichprobe durchgeführt Jetzt wollen wir die statistischen Eigenschaften von zwei
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
MehrEinführung in die Induktive Statistik: Testen von Hypothesen
Einführung in die Induktive Statistik: Testen von Hypothesen Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Testen: Einführung und Konzepte
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. M. Schweizer ETH Zürich Sommer 4 Wahrscheinlichkeit und Statistik BSc D-INFK. a (iii b (ii c (iii d (i e (ii f (i g (iii h (iii i (i j (ii. a Die Anzahl der bestellten Weine in einem Monat kann
MehrStatistik II. Statistische Tests. Statistik II
Statistik II Statistische Tests Statistik II - 5.5.2006 1 Ausgangslage Wir können Schätzen (z.b. den Erwartungswert) Wir können abschätzen, wie zuverlässig unsere Schätzungen sind: In welchem Intervall
Mehr3 Grundlagen statistischer Tests (Kap. 8 IS)
3 Grundlagen statistischer Tests (Kap. 8 IS) 3.1 Beispiel zum Hypothesentest Beispiel: Betrachtet wird eine Abfüllanlage für Mineralwasser mit dem Sollgewicht µ 0 = 1000g und bekannter Standardabweichung
MehrTest 2, Musterlösung. Name, Klasse: Semester: 1 Datum: Teil ohne Matlab
Test 2, Musterlösung Lineare Algebra donat.adams@fhnw.ch Institut für Mathematik und Physik Name, Klasse: Semester: Datum: 2..26. Teil ohne Matlab. Lineare Abbildungen Zeigen Sie, dass die folgenden Abbildungen
MehrLineare Algebra für Ingenieure
TECHNISCHE UNIVERSITÄT BERLIN SS 4 Fakultät II - Mathematik J Liesen/F Lutz/R Seiler Lineare Algebra für Ingenieure Lösungen zur Juli-Klausur Stand: 4 September 4 Rechenteil Aufgabe (8 Punkte Berechnen
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrMusterlösungen Blatt Mathematischer Vorkurs. Sommersemester Dr. O. Zobay. Matrizen
Musterlösungen Blatt 8 34007 Mathematischer Vorkurs Sommersemester 007 Dr O Zobay Matrizen Welche Matrixprodukte können mit den folgenden Matrizen gebildet werden? ( 4 5 A, B ( 0 9 7, C 8 0 5 4 Wir können
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 7 L I N E A R E A L G E B R A F Ü R T P H, U E (.64). Haupttest (FR, 9..8) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. Juli 016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
Mehreine vom Nullvektor verschiedene Lösung hat. r heisst in diesem Fall Eigenvektor der Matrix A zum Eigenwert λ.
Eigenwert, Eigenvektor In der Regel hat bei einer linearen Abbildung das Bild eines Vektors eine andere Richtung als das Original r. Bei der Untersuchung der geometrischen Eigenschaften von linearen Abbildungen
MehrStatistik I für Betriebswirte Vorlesung 14
Statistik I für Betriebswirte Vorlesung 14 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 13. Juli 017 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 14 Version: 8. Juli
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
Mehr1 Beispiele multivariater Datensätze... 3
Inhaltsverzeichnis Teil I Grundlagen 1 Beispiele multivariater Datensätze... 3 2 Elementare Behandlung der Daten... 15 2.1 Beschreibung und Darstellung univariater Datensätze... 15 2.1.1 Beschreibung und
MehrWS 2014/15. (d) Bestimmen Sie die Wahrscheinlichkeitsfunktion von X. (e) Bestimmen Sie nun den Erwartungswert und die Varianz von X.
Fragenkatalog zur Übung Methoden der empirischen Sozialforschung WS 2014/15 Hier finden Sie die denkbaren Fragen zum ersten Teil der Übung. Das bedeutet, dass Sie zu diesem Teil keine anderen Fragen im
Mehr5.Tutorium Multivariate Verfahren
5.Tutorium Multivariate Verfahren - Hauptkomponentenanalyse - Nicole Schüller: 27.06.2016 und 04.07.2016 Hannah Busen: 28.06.2016 und 05.07.2016 Institut für Statistik, LMU München 1 / 18 Gliederung 1
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrKlausur DI/LA F 2006 LA : 1
Klausur DI/LA F 26 LA : Aufgabe (4+2=6 Punkte): Gegeben seien die Matrix A und der Vektor b mit λ A = λ und b = λ a) Bestimmen Sie die Werte λ R, für welche das Gleichungssystem Ax = b genau eine, keine
MehrInstitut für Analysis und Scientific Computing E. Weinmüller WS 2017
Institut für Analysis und Scientific Computing TU Wien E. Weinmüller WS 27 L I N E A R E A L G E B R A F Ü R T P H, U E (.64) 2. Haupttest (FR, 9..28) (mit Lösung ) Ein einfacher Taschenrechner ist erlaubt.
MehrGoethe-Universität Frankfurt
Goethe-Universität Frankfurt Fachbereich Wirtschaftswissenschaft PD Dr. Martin Biewen Dr. Ralf Wilke Sommersemester 2006 Klausur Statistik II 1. Alle Aufgaben sind zu beantworten. 2. Bitte runden Sie Ihre
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrLösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker II
Universität des Saarlandes Fakultät für Mathematik und Informatik Sommersemester 2004 Prof. Dr. Joachim Weickert Dr. Bernhard Burgeth Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für
MehrDWT 2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen 330/467 Ernst W. Mayr
2.1 Maximum-Likelihood-Prinzip zur Konstruktion von Schätzvariablen Wir betrachten nun ein Verfahren zur Konstruktion von Schätzvariablen für Parameter von Verteilungen. Sei X = (X 1,..., X n ). Bei X
MehrProbeklausur zu Mathematik 2 für Informatik
Gunter Ochs Wintersemester 4/5 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immer ohne Garantie auf Fehlefreiheit. Gegeben sei das Dreieck im R mit den Eckpunkten A a Berechnen Sie die
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: k = n (n + 1) 2
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k = k=1 n (n + 1). 2 Aufgabe 2. (5 Punkte) Bestimmen Sie das folgende Integral mithilfe partieller
Mehr2.3 Intervallschätzung
2.3.1 Motivation und Hinführung Bsp. 2.15. [Wahlumfrage] Der wahre Anteil der rot-grün Wähler unter allen Wählern war 2009 auf eine Nachkommastelle gerundet genau 33.7%. Wie groß ist die Wahrscheinlichkeit,
Mehr1. Nennen Sie den für das Merkmal X geeigneten Skalentyp und begründen Sie Ihre Antwort.
Aufgabe 1 150 Personen gaben bei einer Befragung an, wie viel Geld sie in diesem Jahr für Weihnachtsgeschenke ausgegeben haben. Die Ergebnisse der Befragung sind in nachfolgender Tabelle zusammengefasst,
MehrZeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n (2k 1) = n 2.
Aufgabe 1. (5 Punkte) Zeigen Sie mittles vollständiger Induktion, dass für jede natürliche Zahl n 1 gilt: n k=1 (2k 1) = n 2. Aufgabe 2. (7 Punkte) Gegeben sei das lineare Gleichungssystem x + 2z = 0 ay
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 27. März 2015 Aufgabe 1 Kennzeichnen Sie die folgenden Aussagen über die beiden Zufallsvektoren ([ ] [ ]) ([ ] [ ]) 2 1 0 1 25 2 x 1 N, x 3 0 1 2
MehrNachklausur zur Vorlesung
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 30. April 004 Priv.-Doz. Dr. D. Kadelka Nachklausur zur Vorlesung Statistik für Biologen Musterlösungen Aufgabe 1 Gemessen wurde bei
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
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 +
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrKlausur zur Vorlesung Lineare Algebra I
Heinrich Heine Universität Düsseldorf 31.07.2010 Mathematisches Institut Lehrstuhl für Algebra und Zahlentheorie Prof. Dr. Oleg Bogopolski Klausur zur Vorlesung Lineare Algebra I Bearbeitungszeit: 120
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
Mehry = b 0 + b 1 x 1 x 1 ε 1. ε n b + b 1 1 x n 2) Hat die Größe x einen Einfluss auf y, d.h. gilt die Hypothese: H : b 1 = 0
8 Lineare Modelle In diesem Abschnitt betrachten wir eine spezielle Klasse von statistischen Modellen, in denen die Parameter linear auftauchen Wir beginnen mit zwei Beispielen Beispiel 8 (lineare Regression)
MehrWahrscheinlichkeit und Statistik BSc D-INFK
Prof. Dr. P. Bühlmann ETH Zürich Sommer 2010 Wahrscheinlichkeit und Statistik BSc D-INFK 1. (10 Punkte) Bei den folgenden 10 Fragen ist jeweils genau eine Antwort richtig. Es gibt pro richtig beantwortete
MehrMathematik I für MB und ME
Mathematik I für MB und ME Fachbereich Grundlagenwissenschaften Prof Dr Viola Weiÿ Wintersemester 28/29 Übungsaufgaben Serie 4: Lineare Unabhängigkeit, Matrizen, Determinanten, LGS Prüfen Sie, ob die folgenden
MehrStochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie
Stochastik für Mathematiker Teil 2: Wahrscheinlichkeitstheorie Sommersemester 2018 Kapitel 8: Elemente der mathematischen Statistik Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik
Mehr