Versuchsplan: Zahlen' sortieren
|
|
- Alma Schreiber
- vor 5 Jahren
- Abrufe
Transkript
1 Versuchsplan: Zahlen' srtieren HANS RIEDWYL UND MANUELA SCHALLER, BERN Zusammenfassung: Chris du Feu [1] berichtet vn einem Versuch, bei dem verschieden lange Flgen vn Zufallszahlen durch Persnen in aufsteigende Reihenflgen srtiert werden. Wir haben diesen Versuch wiederhlt. Die Auswertung sllte jedch in einem erweiterten Rahmen stattfinden, daher bereiteten wir den Versuch mit Hi/fe der Therie der Versuchsplanung vr. Zudem haben wir bei der Auswertung mehrere Faktren zugelassen und eine mögliche Kvariable knstruiert. Im Versuch sind zuerst VOn 5 Einzelpersnen 25 Zufallsflgen der Länge 5,, 12, 2 und 3 srtiert wrden. Im Flgenden stellen wir einen Versuchsplan im sgenannten lateinischen Quadrat vr und interpretieren die Ergebnisse. Die dppelt lgarithmisch transfrmierten Daten erfllen die einfach lineare Regressinsbeziehung gut, dies zeigt auch ein Test "Mangel an Anpassung H. Wir prüfen den Einfluss einer Kvariablen, der Serien und der Umfange deren Bl6cke, swie den Effekt der 5 Versuchspersnen. Die Daten können im Weiteren auf Nichtadditivitat geprüft werden. Alle Mdelle werden als Spezia/falle der multiplen Regressin betrachtet. 1. Ausgangslage, Ziel Es besteht die Vennutung, dass zwischen dem Umfang einer Menge vn Zufallszahlen und der Zeit, welche man benötigt um diese Zahlen in aufsteigender Flge zu rdnen, eine gewisse Abhängigkeit besteht. Mittels des hier vrgestellten Versuchsplanes versuchen wir die Fnn dieser Abhängigkeit zu eruieren. 2. Versuchsanlage 2.1 Untersuchungsmerkmal Es sll die Zeit gemessen werden, weiche eine Persn benötigt um eine bestimmte Anzahl runfstelliger Zufallszahlen in aufsteigender Flge zu rdnen. 2.2 Versuchsplan Man lässt 5 verschiedene Serien vn Zufallszahlen rdnen. Diese 5 Serien bestehen je aus 5 Blöcken mit verschiedenen Zahlenumfangen; wir nehmen Blöcke a 5,, 12, 2 und 3 Zufallszahlen. Diese Blöcke lassen wir vn 5 verschiedenen Persnen flgendennassen rdnen. Jede Persn muss vn jeder Serie einen Blck rdnen, s dass sie schlussendlich je einen Blck a 5,, 12, 2 und 3 Zufallszahlen gerdnet hat. Dies wird erreicht, indem die Persnen gemäss einem lateinischen Quadrat (Tabelle 1) zufiillig auf die Serien und Blöcke zugeteilt werden, wbei die 5 Persnen mit a, b, c, d und e bezeichnet werden. Anz. Zahlen Serie 1 a b c d e Serie 2 e a b c d Serie 3 d e a b c Serie 4 c d e a b Serie 5 b c d e a Tabelle 1: lateinisches Quadrat Interessiert man sich rur die Abhängigkeit einer Zielgrösse Y vn drei Faktren A, B und C, s kann durch die Anwendung eines lateinischen Quadrates die Anzahl der ntwendigen Versuchseinheiten gering gehalten werden. Die Versuchsanrdnung ist derart, dass jede Stufenkmbinatin vn A und B genau einmal auftritt. Ebens verhält es sich mit den Stufenkmbinatinen vn A und C respektive vn B und C. Es kmmen jedch nicht alle Stufenkmbinatinen aller drei Faktren vr, denn dazu wären nch mehr Versuchseinheiten ntwendig. Vraussetzung rur die Anwendung dieses Versuchsplanes ist, dass alle Faktren die gleiche Anzahl Stufen besitzen. Im Weiteren wird angenmmen, zwischen den drei Faktren gebe es keine Wechselwirkungen. 2.3 Einflussgrössen Ein Faktr, weicher bestimmt einen Einfluss auf die Zeit hat, ist eine Art Vrgerdnetheit der Zahlen. Eventuell könnte auch die Grösse der Zahlen einen Einfluss haben, denn fiinfstellige Zufallszahlen beinhalten auch Zahlen mit weniger als funf Ziffern, z. B. drei- der vierstellige. Es lässt sich annehmen, dass der Einfluss der Grösse einer Zahl bereits in SiS 2 (2) Heft 3 23
2 der Vrgerdnetheit enthalten ist. Eine Kvariable fur die Vrgerdnetheit lässt sich wie flgt entwikkein: In der zufälligen Anrdnung wird ausgezählt, wieviele Zahlenpaare sich in falscher relativer Ordnung befinden. Beispiel: Serie 1, Blck a 5 Zahlen drei der flgenden Zahlen sind < ~ zwei der flgenden Zahlen sind < ~ zwei der flgenden Zahlen sind < ~ die flgende Zahl ist < 244 ~ ~ Die Summe davn ergibt unsere Kvariable ~ Daraus resultiert die in Tabelle 2 aufgefuhrte Kvariable. Anz. Zahlen Serie Serie Serie Serie Serie r Tabelle 2: Kvariable 2.4 Randmisierung Bei der Durchfiihrung eines Versuches sllte darauf geachtet werden, dass systematische Abhängigkeiten s gut wie möglich eliminiert werden. Dies erreicht man durch Randmisierung, d. h. die Serien, die Blöcke und die Persnen müssen zufallig zugerdnet werden. Dies wird nun flgendermassen bewerkstelligt: In diesem lateinischen Quadrat möchte man zuerst ~ie Zeilen, welche die Serien beschreiben, permutieren. Dazu weist man jeder Zeile eine feste Zufallszahl zu. Diese Zufallszahlen werden in aufsteigender Flge gerdnet. Smit erhalten wir bereits eine Permutatin der Zeilen, welche der Tabelle 3 entnmmen werden kann. Serie gerdnet: Serie 2 Serie Serie 5 Serie Serie 3 Serie Serie 4 Serie Serie 1 Das gleiche Verfahren wird auf die Blöcke und die Persnen angewandt. Smit erhält man eine Möglichkeit vn einem randmisierten lateinischen Quadrat, wbei die Persnen wie nachflgend aufgelistet, zugeteilt werden: b Persn 1 a Persn 2 c Persn 3 d Persn 4 e Persn 5 Tabelle 4 stellt nun das endgültige randmisierte lateinische Quadrat dar. Anz. Zahlen Serie 2 c b d a e Serie 5 e d a c b Serie 3 b a c e d Serie 4 a e b d c Serie 1 d c e b a Tabelle 4: randrnisiertes lateinisches Quadrat 2.5 Mdell In diesem Versuch interessiert man sich fur die benötigte Zeit, welche eingesetzt werden muss, um Zufallszahlen zu rdnen, in Abhängigkeit des Umfangs (Faktr A) der Menge der Zufallszahlen. Dabei werden die Serien (Faktr B) und die Persnen (Faktr C) als Blckfaktren mitberücksichtigt. Durch die Anwendung des lateinischen Quadrates und mit der vrgenmmenen Randmisierung wird allerdings schn versucht diese Faktren möglichst auszuschalten. Damit sll festgehalten werden, dass aufgrund der zufälligen Zuweisung der zu rdnenden Serien und Blöcke Einflüsse, wie z.b. der Anlemfaktr in jeder Serie der in jedem Blck in allen Ausprägungen vrhanden sind und deshalb keinen systematischen Fehler mehr darstellen. Aus diesem Grund ist zu erwarten, dass die beiden Faktren Serie und Persn keinen stark signifikanten Einfluss aufweisen. Die genannten Faktren werden deshalb aber nicht gleich aus der Auswertung ausgeschlssen, denn unter deren Berücksichtigung wird die Präzisin des Mdelles höher ausfallen, d.h., die Varianzen der zu schätzenden Parameter können kleiner gehalten werden. Man betrachtet das vlle Mdell Tabelle 3: Permutatin der Zeilen 24 SiS 2 (2) Heft 3
3 rur gewisse 1:S; i, j, k:s; 5. Diese gewissen Indexkmbinatinen. sind im vrher bestimmten lateinischen Quadrat festgehalten. Für die Residuen gilt die Verteilungsannahme E jjk - N(O,cr 2 ). Die letzte Faktrstufe wird jeweils als Referenzstufe gewählt, d. h. rur die Parameter gilt: ß~ =ß~ =ß; =. Mit einer geeigneten Kdierung mit Dummy Variablen kann man dieses Mdell als Regressinsmdell ausdrücken. Das bedeutet, wir rdnen jeder Messung eine Variable zu, welche die Werte der I annimmt. Diese sgenannte Dummy Variable besitzt die flgende Gestalt, A 1 ZI = rur die Bebachtungen auf der l-ten Stufe vn Faktr A { rur alle anderen Bebachtungen Wir setzen die Zeit (bzw. In(Zeit» als Zielgrösse und die Dummy-Variablen als Einflussgrössen. Die Variable zt steht als fiir die erste Serie (erste Stufe des Faktrs Serie) und ßt bezeichnet den zugehörigen Keffizienten. Im Weiteren geht es darum zu überprüfen., b die verschiedenen Faktren signifikante Einflüsse aufweisen. Dies wird durch eine Varianzanalyse bestimmt. Man möchte die Nullhypthese, dass der Faktr A keinen Einfluss hat, überprüfen. H: ßt =ß~ =ß~ =ß~ = Das entsprechende Nullmdelllautet: 3. Durchführung Die Zahlen werden der Versuchspersn in der zufa.iiigen Reihenflge, welche vm Cmputer geliefert wurde, untereinander aufgelegt und verdeckt. Die Persn., welche die Zeit misst, gibt der Versuchspersn ein Startzeichen. Die Versuchspersn deckt die Zahlen auf, rdnet sie und gibt dem Zeitmessenden ein Zeichen, wenn die Zahlen untereinander in aufsteigender Flge gerdnet sind. 4. Datenerfassung Fünf Bilgiestudenten stellten sich freiwillig als Versuchspersnen zur VerfUgung. Die Tabelle 5 enthält die Ergebnisse des Versuchs. Zeit [sec] Serie Serie l Serie l l. Serie Serie Tabelle 5: gemessene Zeiten gemäss dem lateinischen Quadrat vn Tabelle 4 5. Resultate Aus der Abbildung 1 ist gut ersichtlich, dass die Rhdaten ntwendige Vraussetzungen, um eine brauchbare Auswertung durchfuhren zu können, nicht erfiillen. Eine dppelte lgarithmische Transfrmatin stabilisiert die Varianz und bewirkt eine gewisse Linearität des Zusammenhangs der Daten. Aus den Fehlersummenquadraten des vllen Mdells und des Nullmdells wird nun die F-Teststatistik berechnet. Der resultierende F-Wert wird mit dem (1-.) -Quantil der F-Verteilung mit entsprechenden Freiheitsgraden verglichen. Der Vergleich entscheidet nun, b die Nullhypthese verwrfen der angenmmen wird, bzw. b der Faktr A Einfluss hat der nicht. Die Faktren B und C werden analg beurteilt. Ausruhrlichere Angaben zu Versuchsplänen und den ben genannten Mdellen und Methden können im Buch vn Ambühl und Riedwyl [2] eingesehen werden '! N «l. 2.. e 1 B 2 Umfang 3 «l SiS 2 (2) Heft 3 25
4 i5. 4.:5 e 4. CI 3.:5 e p CD N 3. Z -l U : : :5 3D 3.:5 4. LN (Umfang) Abbildung 1: Rhdaten und transfnnierte Daten Das lateinische Quadrat wird mittels Regressin und Varianzanalyse ausgewertet. Daraus ergeben sich die flgenden Resultate. Zuerst wird untersucht, b die Kvariable eine erklärende Grösse darstellt. Dazu wird das vlle Mdell mit der Kvariablen gegen das vlle Mdell hne Kvariable getestet. Das Ergebnis kann der Tabelle 6 entnmmen werden. Mdell mit Kvariable Mdell hne Kvariable Tabelle 6: Varianzanalyse: vlles Mdell mit Kvariable versus vlles Mdell hne Kvariable Die Kvariable stellt sich als nicht signifikant heraus und wird daher eliminiert. Im Weiteren wird der Einfluss der übrigen bekannten Grössen bezüglich des Mdells hne Kvariable mit einer Varianzanalyse überprüft (fabelle 7). Persnen Serien Umfange Rest l3 12 Gesamt 2l Tabelle 7: Varianzanalyse Es stellt sich heraus, dass der Einfluss vn Persnen und Serien mit Hilfe des angewandten Versuchsplanes tatsächlich sehr gering ausfallt. Die Umfänge jedch haben einen sehr grssen F-Wert, zeigen sich als als stark signifikant. Man berechnet daher ein neues Mdell mit In(Zeit) als Zielgrösse und In(Umfang) als einzige Einflussgrösse. ln(zeit) = ct + ß ln(umfang) Man fuhrt einen "Mangel an Anpassung"-Test (Tabelle ) durch, um sich davn zu überzeugen, dass dieses Mdell genügend erklärt. Die Idee dieses Tests ist, dass man überprüft, b die Gruppenmittelwerte genügend genau auf der Regressinsgeraden liegen, d.h. die Abweichung der Gruppenmittelwerte vn der Regressinsgeraden darf nicht zu grss sein im Verhältnis zur Abweichung der Werte einer Gruppe vn ihrem jeweiligen Mittelwert. Man vergleicht als das Mdell Y ji = ~j + E ji (j = l,...,k; i = l,...,n) (I) wbei E ji - N (, er 2 ), mit dem Mdell Y ji =ct+ß X ji +E ji (j=l,...,k;i = l,...,n) (2) wiederum mit E ji - N(,er 2 ). Hier bezeichnet k die Anzahl Gruppen, n j die Anzahl Bebachtungen der j-ten Gruppe und x ji, Y ji und E ji die entsprechenden Bebachtungen und Fehlerterme. Der gewünschte Entscheid zur Nullhypthese, dass kein Unterschied zwischen den beiden Mdellen besteht, wird aus dem Vergleich der minimalen Summenquadrate S~ aus Mdell (I) und SMin aus Mdell (2) getallt. Regressin Mittelwerts vergleich Reduktin Tabelle : Mangel an Anpassung Das in Tabelle vrliegende Ergebnis zeigt, dass die gemessenen Bebachtungen hinreichend gut durch das angenmmene Mdell ln(zeit) = ct + ß ln(umfang) beschrieben werden. 26 SiS 2 (2) Heft 3
5 ANaVA Freiheitsgrade Quadratsummen F-Wert P-Wert Regressin E-17 Residuen Gesamt Keffizienten Standardfehler t-statistik P-Wert Schnittpunkt LN(Umfang) E-17 Tabelle 9: Regressin und Varianzanalyse des endgültigen Mdells 6. Zusammenfassung Literatur Aus den gewnnenen Resultaten ist ersichtlich, dass nur der Umfang der Zahlenflgen einen stark signifikanten Einfluss aufweist. Die Persnen und Serien sind nur schwach an der Erklärung der gemessenen Zeiten beteiligt, was wir durch Anwenden des randmisierten lateinischen Quadrates erreichen wllten. Vn der Kvariable kann man behaupten, dass sie nicht das geringste zur Rechtfertigung der Werte beiträgt. Das Mdell wird nun als einzig und allein auf dem Einfluss der Anzahl Zufallszahlen aufgebaut. Dazu wird die Regressin vn Tabelle 9 berechnet, wmit sich auch die ben aufgeruhrte Testgrösse berechnen lässt, welche Auskunft gibt über die Anpassung. Aus dieser Testgrösse kann geschlssen werden, dass die gemessenen Werte durch die in Tabelle 9 angegebene Regressin gut erklärt sind. Daraus lässt sich nun die flgende Relatin mit zugehörigen Standardabweichungen der Keffizienten ablesen: ln(zeit) = ln(umfang) (.163) (.63) Es resultiert die flgende Frmel rur die Zeit In Abhängigkeit des Umfangs: Zeit =.624 (Umfang) [1] du Feu, C. (1999): A Srt f Statistics Lessn. In: Teaching Statistics 21(H.l), S. -1 [2] Ambühl, M.; Riedwyl, H. (2): Statistische Auswertungen mit Regressinsprgrammen. München: Oldenburg Adresse der Autren Prf Dr. Hans Riedwyl Universität Bem Institut rur Mathematische Statistik und Versicherungslehre Sidlerstrasse 5 CH-312 Bem hans.riedwyl@stat.unibe.ch Manuela Schaller Universität Bem Institut rur Mathematische Statistik und Versicherungs lehre Sidlerstrasse 5 CH-312 Bem manuela.schaller@stat.unibe.ch SiS 2 (2) Heft 3 27
Klausur: Einführung in die Statistik Sommersemester 2014
Klausur: Einführung in die Statistik Smmersemester 2014 1. Für eine statistische Analyse wird eine Reihe vn Merkmalen erfasst- Ntieren Sie jeweils mit N, O, I bzw. R, b es sich um eine Nminal-, Ordinal-,
MehrKennwerte eindimensionaler Häufigkeitsverteilungen
Kennwerte eindimensinaler Häufigkeitsverteilungen - Einführung - Statistische Kennwerte vn Verteilungen sind numerische Maße mit der Funktin, zusammenfassend einen Eindruck vn 1) dem Schwerpunkt, 2) der
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrZehn Jahre Eingangstest Mathematik an Fachhochschulen in Nordrhein-Westfalen
Zehn e Eingangstest Mathematik an Fachhchschulen in Nrdrhein-Westfalen 19 Zehn e Eingangstest Mathematik an Fachhchschulen in Nrdrhein-Westfalen Prf. Dr. Heik Knspe Fachhchschule Köln Fakultät für lnfrmatins-,
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrAnwendungen der Mathematik
Kantnsschule Zug l Gymnasium Anwendungen der Mathematik Ergänzungsfach Anwendungen der Mathematik Lehrplan für das Ergänzungsfach A. Stundendtatin Klasse 1. 2. 3. 4. 5. 6. Wchenstunden 0 0 0 0 0 5 B. Didaktische
MehrFür diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte
Voraussetzung und verwandte Themen Für diese Beschreibungen sind Grundlagen der Statistik vorteilhaft. Weiterführende und verwandte Themen sind: media.crgraph.de/hypothesentests.pdf media.crgraph.de/multiple_regression.pdf
MehrI :~ Visualisieren von Korrelation mit Verteilungsdiagrammen. rametem, wählen wir standardisierte Normalverteilungen, d.h. p. = 0 und a' 1.
- 43 - Visualisieren vn Krrelatin mit Verteilungsdiagrammen - 44 - rametem, wählen wir standardisierte Nrmalverteilungen, d.h. p. = und a' 1. 1 vn Erich Neuwirth, Universität Wien Bearbeitung: Bemd Wllring,
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
Mehr1 Wahrscheinlichkeitsrechnung. 2 Zufallsvariablen und ihre Verteilung. 3 Statistische Inferenz. 4 Intervallschätzung. 5 Hypothesentests.
0 Einführung 1 Wahrscheinlichkeitsrechnung 2 Zufallsvariablen und ihre Verteilung 3 Statistische Inferenz 4 Intervallschätzung 5 Hypothesentests 6 Regression Lineare Regressionsmodelle Deskriptive Statistik:
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrWebergänzung zu Kapitel 10
10.1.5 Varianzanalyse (ANOVA: analysis of variance ) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder werden zwei unterschiedliche
MehrDie folgende Grafik zeigt eine Übergangsmatrix mit zugehörigem Graph: Geben Sie analog zu den folgenden Graphen jeweils eine Transitionsmatrix an.
Stephan Peter Wirtschaftsingenieurwesen SS 2017 Mathematik II Serie 2 Matrizen II Aufgabe 1 Die flgende Grafik zeigt eine Übergangsmatrix mit zugehörigem Graph: a) Geben Sie analg zu den flgenden Graphen
MehrLernzettel Nr Definition eines Zufallsversuchs und die Begriffe rund um diesen
- Definitin eines Zufallsversuchs und die Begriffe rund um diesen Begriff Bedeutung / Beispiel / Frmel Stichprbe Zufällige entnahme einer kleinen Menge aus einer grßen Menge (Klasse) Merkmal Ist charakteristisches
MehrHow to SPSS für die Auswertung von Daten aus Levumi Version 1.0 Stand August 2018
Hw t SPSS für die Auswertung vn Daten aus Levumi Versin 1.0 Stand August 2018 (angefertigt vn Jana Jungjhann, Hanna Rütter, Jeffrey M. DeVries) Inhaltsverzeichnis Umgang mit SPSS... 1 1 Die Ansichten in
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrEvolutionäre Lösung des Steinerproblems und der Seifenhautcomputer :
Evlutinäre Lösung des Steinerprblems und der Seifenhautcmputer : Benannt nach Jakb Steiner einem grßen Schweizer Mathematiker, der vn 1796 bis 1893 lebte. Das Steinerprblem ist die Suche nach den kleinsten
MehrEs sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 1 x.
Aufgabe 1. (5 Punkte) Es sei x 1. Zeigen Sie mittles vollständiger Induktion, dass dann für jede natürliche Zahl n 0 gilt: n x k = 1 xn+1 k=0 1 x. Aufgabe 2. (7 Punkte) Bestimmen Sie das folgende Integral
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
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrEinleitung. Statistik. Bsp: Ertrag Weizen. 6.1 Einfache Varianzanalyse
Einleitung Statistik Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Der Begriff Varianzanalyse (analysis of variance, ANOVA) taucht an vielen Stellen in der Statistik mit unterschiedlichen
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrStatistik II (Sozialwissenschaften)
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden http://www.math.tu-dresden.de/sto/mueller/ Statistik II (Sozialwissenschaften) 2. Konsultationsübung,
Mehra) Man bestimme ein 95%-Konfidenzintervall für den Anteil der Wahlberechtigten, die gegen die Einführung dieses generellen
2) Bei einer Stichprobe unter n=800 Wahlberechtigten gaben 440 an, dass Sie gegen die Einführung eines generellen Tempolimits von 100km/h auf Österreichs Autobahnen sind. a) Man bestimme ein 95%-Konfidenzintervall
MehrStatistikpraktikum. Carsten Rezny. Sommersemester Institut für angewandte Mathematik Universität Bonn
Statistikpraktikum Carsten Rezny Institut für angewandte Mathematik Universität Bonn Sommersemester 2014 Mehrdimensionale Datensätze: Multivariate Statistik Multivariate Statistik Mehrdimensionale Datensätze:
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften t-test Varianzanalyse (ANOVA) Übersicht Vergleich von Mittelwerten 2 Gruppen: t-test einfaktorielle ANOVA > 2 Gruppen: einfaktorielle ANOVA Seeigel und
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrName Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
MehrStichwortverzeichnis. E Extrapolation, außerhalb des Datenbereichs 230
335 Stichwortverzeichnis A Abweichung 12 mittlere 13 Additivität 141 Anova siehe Varianzanalyse Anpassungsgüte 252, 279 χ 2 -Test zur 270 279 mehr als zwei Klassen 272 274 Anpassungstest (χ 2 ) 270 278
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
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/
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:
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
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
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik
MehrEinführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung
Einführung in den Frschungsprzess und die Methden der empirischen Kmmunikatins- und Medienfrschung Vrlesung 7: Lgik der Beweisführung: Mdell Experiment 30.11.2012 Frschungsprzess und Methden 7 1 Gliederung
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
Mehr2. Schularbeit aus. Mathematik und Angewandte Mathematik
. Schularbeit aus Mathematik und Angewandte Mathematik Freitag,. April 06 5. Jahrgänge NAME: Punkte:. vn 40 Nte:.. Ntenschlüssel Sehr Gut Gut Befriedigend Genügend Nicht Genügend 40 5 0 5 9 6 6 0 0 Löse
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
MehrStatistische Messdatenauswertung
Roland Looser Statistische Messdatenauswertung Praktische Einführung in die Auswertung von Messdaten mit Excel und spezifischer Statistik-Software für naturwissenschaftlich und technisch orientierte Anwender
Mehr5. Statistische Auswertung
5. Statistische Auswertung 5.1 Varianzanalyse Die Daten der vorliegenden Versuchsreihe zeigen eine links steile, rechts schiefe Verteilung. Es wird untersucht, ob sich die Meßdaten durch Transformation
MehrStatistische Methoden der Datenanalyse. Übung XI
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung XI 2..204, 22..204 Anwesenheitsaufgaben Aufgabe 53 Vergleich
MehrKlausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik
TECHNISCHE UNIVERSITÄT MÜNCHEN - WEIHENSTEPHAN WS 96/97 MATHEMATIK UND STATISTIK, INFORMATIONS- UND DOKUMENTATIONSZENTRUM Klausur zu Biometrische und Ökonometrische Methoden und Ökologische Statistik 24.1.97,
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
Mehr2.5 Lineare Regressionsmodelle
2.5.1 Wiederholung aus Statistik I Gegeben Datenpunkte (Y i, X i ) schätze die beste Gerade Y i = β 0 + β 1 X i, i = 1,..., n. 2 Induktive Statistik 409 Bsp. 2.30. [Kaffeeverkauf auf drei Flohmärkten]
MehrTacton keytech Integration
Tactn keytech Integratin Herausfrderungen und Lösungen Ausgabedatum: 27.09.2013 - Dkumentversin: 1.0 Autr: Clemens Ambrsius Cpyright Lin GmbH 2013 Alle Rechte vrbehalten Seite 1 1 Einführung Bei vielen
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
Mehr5. Lektion: Einfache Signifikanztests
Seite 1 von 7 5. Lektion: Einfache Signifikanztests Ziel dieser Lektion: Du ordnest Deinen Fragestellungen und Hypothesen die passenden einfachen Signifikanztests zu. Inhalt: 5.1 Zwei kategoriale Variablen
MehrPVK Statistik Tag Carlos Mora
PVK Statistik Tag 2 11.1.2012 Block 4 Block 3 Übersicht 11.1.2012 09:00 6. Zwei-Stichproben-Tests für stetige Verteilungen (2.Teil) Übung 2C 1h inkl. Pause 7. Lineare Regression 12:00 Übung 3 Mittag 13:00
MehrBeispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben
Beispiel 1: Zweifache Varianzanalyse für unabhängige Stichproben Es wurden die Körpergrößen von 3 Versuchspersonen, sowie Alter und Geschlecht erhoben. (Jeweils Größen pro Faktorstufenkombination). (a)
MehrAnalyse von Kontingenztafeln
Analyse von Kontingenztafeln Mit Hilfe von Kontingenztafeln (Kreuztabellen) kann die Abhängigkeit bzw. die Inhomogenität der Verteilungen kategorialer Merkmale beschrieben, analysiert und getestet werden.
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
Mehr1. Was sind die Eckpunkte des Übernahmeangebots?
FAQ HÄUFIG GESTELLTE FRAGEN ZUM ÜBERNAHMEANGBEOT DURCH DIE STUDHALTER INVESTMENT AG UND DIE HIGHLIGHT COMMUNICATIONS AG 1. Was sind die Eckpunkte des Übernahmeangebts? Die Studhalter Investment AG und
MehrÜbungen mit dem Applet. by Michael Gärtner
Übungen mit dem Applet by Michael Gärtner Betreuer: Prof. Dr. Wilhelm Kleppmann Abgabe: 20. October 2006 Inhaltsverzeichnis 1 Prinzip der kleinsten Quadrate 4 2 Quadrierte Abweichungen und Bestimmtheitsmaÿ
MehrAnalyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel
Analyse der pflanzenbaulichen Wirkung des Yara N Sensors unter Praxisbedingungen ein Anwendungsbeispiel H. G. Schön Fachhochschule Osnabrück Fakultät Agrarwissenschaften und Landschaftsarchitektur Versuchsfragen:
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
MehrWahrscheinlichkeitsrechnung und Statistik
10. Vorlesung - 017 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 heißt Median. P(X < z α ) α P(X z α ). Falls X stetige zufällige Variable
MehrEinführung in den Forschungsprozess und die Methoden der empirischen Kommunikations- und Medienforschung
Einführung in den Frschungsprzess und die Methden der empirischen Kmmunikatins- und Medienfrschung Vrlesung 7: Lgik der Beweisführung: Mdell Experiment 16.12.2016 Frschungsprzess und Methden 7 1 Gliederung
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrTestklausur(1) Mathematik III, Teil Statistik
Ernst-Abbe-ochschule Jena FB Grundlagenwissenschaften Testklausur() Mathematik III, Teil Statistik Tag der Prüfung Bearbeitungszeit: Studiengang: Name: Zugelassene ilfsmittel: 45 Minuten MT Ma Matrikel-Nr.
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrTeil XII. Einfache Lineare Regression. Woche 10: Lineare Regression. Lernziele. Zusammenfassung. Patric Müller
Woche 10: Lineare Regression Patric Müller Teil XII Einfache Lineare Regression ETHZ WBL 17/19, 03.07.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Wahrscheinlichkeit
MehrTabelle 4 : Berechnete Konzeptionen pro Monat aus den Ausgangsdaten Lebendgeburten pro Monat am Beispiel der gesamten Kontrollen.
5 Ergebnisse 5.1 Analyse der Kontrollgruppe 5.1.1 Bestimmung des Konzeptionstermins Entsprechend dem unter 4.2.2 geschilderten Verfahren wurden aus den Ausgangsdaten, d.h. der Aufschlüsselung der Lebendgeburten
Mehrfh management, communication & it Constantin von Craushaar fh-management, communication & it Statistik Angewandte Statistik
fh management, communication & it Folie 1 Überblick Grundlagen (Testvoraussetzungen) Mittelwertvergleiche (t-test,..) Nichtparametrische Tests Korrelationen Regressionsanalyse... Folie 2 Überblick... Varianzanalyse
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
Mehr9.3 Lineare Regression
9.3 Lineare Regression 115 A B C D E F G H 1 2 Pearsonscher Korrelationskoeffizient 3 4 5 6 x-werte y-werte ANALYSE ASSISTENT 7 2,4-4 8 3,2-1 9 8,3 6,4 Spalte 1 Spalte 2 10 6,4 6 Spalte 1 1 11 7,2 6,3
MehrBeispiel 1: Bestimme zu den gegebenen reellen Funktionen jeweils den. f 2 : x x f 3 : x ln x f4
Übungen für die. Schularbeit Übungsblatt Beispiel : Bestimme zu den gegebenen reellen jeweils den größtmöglichen Definitinsbereich. Definitinsbereich a) b) c) d) f : f : f 3 : ln f4 : Beispiel : Gegeben:
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
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
MehrZehn Jahre Eingangstest Mathematik an Fachhochschulen in Nordrhein-Westfalen
Zehn Jahre Eingangstest Mathematik an Fachhochschulen in Nordrhein-Westfalen Heiko Knospe Abstract. Der Eingangstest Mathematik untersucht die Mathematik-Kenntnisse von Studienanfängern der Ingenieurwissenschaften
MehrMSP Musterlösung. Name, Nummer: Datum: 12. Juli Energie eines Super-Kondensators 2Y6HUB
WST donat.adams@fhnw.ch IMN MSP Musterlösung Name, Nummer: Datum: 1. Juli 017 1. Energie eines Super-Kondensators Y6HUB An einer Sendung von Super-Kondensatoren mit Energie-Gehalt E = 1 C U wurden folgende
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
MehrEinfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte
Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,
MehrKontrollfluss. Kontrollanweisungen. if-anweisung. if-else Anweisung. else. Auswahlanweisungen, Iterationsanweisungen, Blöcke, Sprunganweisungen
Kntrllfluss Kntrllanweisungen bisher linear (vn ben nach unten) Für interessante Prgramme braucht man Verzweigungen und Sprünge Auswahlanweisungen, Iteratinsanweisungen, Blöcke, Sprunganweisungen Berechnung
MehrSystematische Optimierungsverfahren verbessern mit geringem Aufwand Prozesse und Produkte
Systematische Optimierungsverfahren verbessern mit geringem Aufwand Prozesse und Produkte - Eine phänomenologische Darstellung der statistischen Versuchsplanung - Sie kennen das Problem: Ihr komplexer
MehrErste Änderungssatzung zur Studienordnung für den Masterstudiengang Physik an der Universität Leipzig
70/13 Universität Leipzig Fakultät für Physik und Gewissenschaften Erste Änderungssatzung zur Studienrdnung für den Masterstudiengang Physik an der Universität Leipzig Vm 18. Nvember 2013 Aufgrund des
MehrStatistik-Klausur I E SS 2010
Statistik-Klausur I E SS 2010 Name: Vorname: Immatrikulationsnummer: Studiengang: Hiermit erkläre ich meine Prüfungsfähigkeit vor Beginn der Prüfung. Unterschrift: Dauer der Klausur: Erlaubte Hilfsmittel:
MehrPraktikum OOP/C++ - Versuch 5
Seite 1 vn 5 Allgemeines Die Elektrifizierung im Autmbilbereich nimmt immer mehr zu. Das heißt, es kmmen immer mehr Elektrmtren und verbraucher zum Einsatz. Es ist ein Prgramm in C++ zu entwickeln, das
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Faktorielle Varianzanalyse Dirk Metzler & Martin Hutzenthaler 15. Juni 2010 Inhaltsverzeichnis 1 Die einfaktorielle Varianzanalyse und der F -Test
MehrTeilklausur des Moduls Kurs 42221: Vertiefung der Statistik
Name, Vorname Matrikelnummer Teilklausur des Moduls 32741 Kurs 42221: Vertiefung der Statistik Datum Termin: 21. März 2014, 14.00-16.00 Uhr Prüfer: Univ.-Prof. Dr. H. Singer Vertiefung der Statistik 21.3.2014
MehrANalysis Of VAriance (ANOVA) 2/2
ANalysis Of VAriance (ANOVA) 2/2 Markus Kalisch 22.10.2014 1 Wdh: ANOVA - Idee ANOVA 1: Zwei Medikamente zur Blutdrucksenkung und Placebo (Faktor X). Gibt es einen sign. Unterschied in der Wirkung (kontinuierlich
MehrMethodenlehre. Vorlesung 12. Prof. Dr. Björn Rasch, Cognitive Biopsychology and Methods University of Fribourg
Methodenlehre Vorlesung 12 Prof. Dr., Cognitive Biopsychology and Methods University of Fribourg 1 Methodenlehre II Woche Datum Thema 1 FQ Einführung, Verteilung der Termine 1 18.2.15 Psychologie als Wissenschaft
MehrRenditebetrachtung für die sechs neu zu bildenden Landkreise in Mecklenburg-Vorpommern
Renditebetrachtung für die sechs neu zu bildenden Landkreise in Mecklenburg-Vrpmmern Kurzfassung Köln, im Mai 2010 KGSt Renditebetrachtung für die sechs neu zu bildenden Landkreise in Mecklenburg-Vrpmmern
MehrAnleitung zur Einrichtung von Projektassistenzen
Anleitung zur Einrichtung vn Prjektassistenzen Zweck Die im rechtlichen Sinn für ein beim DAAD beantragtes Prjekt verantwrtliche Persn, der sgenannte Prjektverantwrtliche kann weiteren Persnen ermöglichen
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
MehrSchweizer Statistiktage, Aarau, 18. Nov. 2004
Schweizer Statistiktage, Aarau, 18. Nov. 2004 Qualitative Überprüfung der Modellannahmen in der linearen Regressionsrechnung am Beispiel der Untersuchung der Alterssterblichkeit bei Hitzeperioden in der
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrStatistik II Übung 4: Skalierung und asymptotische Eigenschaften
Statistik II Übung 4: Skalierung und asymptotische Eigenschaften Diese Übung beschäftigt sich mit der Skalierung von Variablen in Regressionsanalysen und mit asymptotischen Eigenschaften von OLS. Verwenden
MehrDie Stochastischen Eigenschaften von OLS
Die Stochastischen Eigenschaften von OLS Das Bivariate Modell Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Wiederholung
Mehr