Statistische Kennzahlen für die Lage
|
|
- Holger Voss
- vor 5 Jahren
- Abrufe
Transkript
1 Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und
2 Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum Unterschedlche Defntonen von Zentrum. Allgemen: repräsentatve Mermalsausprägung, von der alle beobachteten Werte möglchst weng abwechen ls Raabe: Wahrschenlchetsrechnung und
3 Statstsche Kennzahlen für de Lage omnale Daten,..., W X,,..., W {(j j,..., J} X A C B {(,...,(J} Mt nomnellen Ausprägungen ann ene snnvolle Abwechung berechnet werden. Dummyoderung Gesucht: *, für das Abwechung zwschen * und,, mnmal st d ( d ( d (3 A 0 0 C 0 0 B 0 0 Σ 3 ls Raabe: Wahrschenlchetsrechnung und 3
4 Statstsche Kennzahlen für de Lage omnale Daten,..., W X,,..., W {(j j,..., J} X {(,...,(J} Gesucht: *, für das Abwechung zwschen * und,, mnmal st Se (j und d(j 0 j j j j d ( d ( d (3 A 0 0 Defnere -te Abwechung Dann glt und damt Δ 0 Δ Δ d(j d(j 0 ( j J j d(j d (j C 0 0 B 0 0 Σ 3 ls Raabe: Wahrschenlchetsrechnung und 4
5 Statstsche Kennzahlen für de Lage omnale Daten Defnere -te Abwechung Dann glt und damt Δ 0 Δ Δ d(j d(j 0 ( j J j d(j d (j d ( d ( d (3 A 0 0 C 0 0 Dese Abwechungssumme wrd mnmal, wenn j mamal wrd. Als snnvoller Lageparameter betet sch also de Mermalsausprägung (j * an, für de glt: ls Raabe: Wahrschenlchetsrechnung und B 0 0 Σ 3 * ma{ j,...,j} bzw. f * ma{f j,...,j} j j De Zuordnung X(j * wrd Modusvon X, en onreter Wert (j * Modalwertvon,., genannt. j j 5
6 Statstsche Kennzahlen für de Lage omnale Daten Modalwert Bespel Bearbetungen von Softwareaufgaben De Modalwerte lauten (j * Olver (j * Eport 3 (j *. Ausprägung Bearbeter(n Absolute Häufget Relatve Häufget Ka 0.7 Mram Olver Tna Ausprägung Aufgabe Absolute Häufget Relatve Häufget Abfrage 0.7 Eport Vernüpfung Ausprägung Verson Absolute Häufget Relatve Häufget ls Raabe: Wahrschenlchetsrechnung und 6
7 Statstsche Kennzahlen für de Lage Ordnale Daten,..., W X,,..., WX {(j j,..., J} ( < ( < < (J (3 ( 3 ( {(,...,(J} Ausprägungen lassen sch anordnen, allerdngs snd Abstandsverhältnsse der genererenden latenten Varable ncht beannt, genauer st de Ordnung für alle streng monoton stegenden Zuordnungen f ( äquvalent, da f - [(] < f - [(] < < f - [(J] glt. 4 ( 5 (3 ls Raabe: Wahrschenlchetsrechnung und 7
8 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( 5 Punte und besser Schlechter als 5 Punte ls Raabe: Wahrschenlchetsrechnung und 8
9 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( > f( f( > ls Raabe: Wahrschenlchetsrechnung und 9
10 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( 3 4 f( f( f( 3 f( 4 f lnear a,a > f( f( a a a ( f( 0 analog f( f( f( ls Raabe: Wahrschenlchetsrechnung und 0
11 Statstsche Kennzahlen für de Lage ls Raabe: Wahrschenlchetsrechnung und Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( f( f( f( f( f( f( f( f( f( f( f( f( < < < <
12 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( 5 Punte und besser Schlechter als 5 Punte ls Raabe: Wahrschenlchetsrechnung und
13 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( > f( f( > ls Raabe: Wahrschenlchetsrechnung und 3
14 Statstsche Kennzahlen für de Lage 4 ls Raabe: Wahrschenlchetsrechnung und Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( f( f( f( f( und damt f( f( f( f( f( f( Im Allgemenen glt: < <
15 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel 5-Punte-Benotungssystem Latente Lestung,Benotung f ( < 3 4 < 3 4 Gegenbespel: 5 6 < Aber > ls Raabe: Wahrschenlchetsrechnung und 5
16 Statstsche Kennzahlen für de Lage Ordnale Daten,..., W X,,..., WX {(j j,..., J} ( < ( < < (J (3 {(,...,(J} X ( ( Urlste Geordnete Lste mt mn[argmn (,..., * * *,..., ( ( (... {,...,} \{ (,..., - }], ( 3 ( Geordnete Lste ( 3 ( ( wrd -terrangwertgenannt, erster und letzter Rangwert ( und ( heßen Mnmum und Mamum. 4 ( 4 (3 5 (3 5 (3 ls Raabe: Wahrschenlchetsrechnung und 6
17 Statstsche Kennzahlen für de Lage Ordnale Daten,..., W X,,..., WX {(j j,..., J} ( < ( < < (J {(,...,(J} ( wrd -terrangwertgenannt, erster und letzter Rangwert ( und ( heßen Mnmum und Mamum. R( (3 4.5 X ( ( R( * #K * * K * mt K { * * * ( } ( 3 3 (.5 4 (.5 Ränge ( 3 ( 4 (3 R( st der Rangvon. Gesucht: (*, für das Abwechung zwschen (* und,, mnmal st. 5 ( (3 ls Raabe: Wahrschenlchetsrechnung und 7
18 Statstsche Kennzahlen für de Lage Ordnale Daten: Bespel 5-Punte-Benotungssystem Summe Δ ( der absoluten Abwechungen der Beobachtungen von (,,,: Δ ( ( ls Raabe: Wahrschenlchetsrechnung und 8
19 Statstsche Kennzahlen für de Lage Ordnale Daten: Bespel 5-Punte-Benotungssystem Δ ( ( Mnmale Abwechung be { (4, (5, (6 } {9,9,9} 3 ls Raabe: Wahrschenlchetsrechnung und 9
20 Statstsche Kennzahlen für de Lage Ordnale Daten: Bespel 5-Punte-Benotungssystem Mnmale Abwechung be { (4, (5, (6 } {9,9,9}, 3 ls Raabe: Wahrschenlchetsrechnung und 0
21 Statstsche Kennzahlen für de Lage Ordnale Daten Generell glt: Δ ( st mnmal für, : ℵ m ( I Des gltfür jede streng monotone Abbldung f mt f(! DeMenge 0.5 { ( m } wrd dermedanvond genannt. 0.5 { { ( }mt, falls ungerade,( }mt, falls gerade ( ls Raabe: Wahrschenlchetsrechnung und
22 Statstsche Kennzahlen für de Lage ls Raabe: Wahrschenlchetsrechnung und Ordnale Daten Generell glt: m ( :, für mnmal st Δ ( ℵ I R,...,} {, } {,...,, ( , d.h. ungerade, Bewes für ( ( ( ( (- ( ( ( ( ( (- ( ( ( ( ( (- ( ( ( ( 0.5 ( 0.5 ( ( 0.5 (- 0.5 ( 0.5 ( ( ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ
23 Statstsche Kennzahlen für de Lage Ordnale Daten Der Medan 0.5 telt den Datensatz n zwe Gruppen m Verhältns zu auf, so dass n der ersten Gruppe alle Werte von lener oder glech mn( 0.5 und n der zweten Gruppe alle Werte von größer oder glech ma( 0.5 snd. Ene Verallgemenerung deses Konzepts st das p-quantl p, welches für 0 < p < den Datensatz n zwe Gruppen mt den ca. p lensten und den ca. (-p größten Werten auftelt. Das p-quantl für ordnale Daten st defnert durch p { ( p }, p [p,p ] I ℵ, d.h. p { ( { (, } ( } falls falls p ℵ p ℵ,p (0,, p ls Raabe: Wahrschenlchetsrechnung und 3
24 Statstsche Kennzahlen für de Lage Ordnale Daten Das p-quantl für ordnale Daten st defnert durch p { Esglt: { ( I (, } ( { } p } p falls falls und p ℵ p ℵ I { } p,p (0,, (-p p Spezelle Quantle: p Bezechnung 0.5 Unteres Quartl 0.5 Medan 0.75 Oberes Quartl /0 -tes Dezentl /00 -tes Perzentl -a a-fratl ls Raabe: Wahrschenlchetsrechnung und 4
25 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel Bearbetungen von Softwareaufgaben Verson.. 3. Geordnete Lste Verson (.. 3. Ränge Verson R(Verson 3 3 s s s 4 s s 0 s ls Raabe: Wahrschenlchetsrechnung und 5
26 Statstsche Kennzahlen für de Lage Ordnale Daten Bespel Bearbetungen von Softwareaufgaben Verson (. UnteresQuartl {3(3,3(4} 3;0.5 {.,.} -tesdezentl 3;0.9 { } {.0} 9 3( Medan {3(6,3(7} 3;0.5 {.} ls Raabe: Wahrschenlchetsrechnung und 6
27 Statstsche Kennzahlen für de Lage Quanttatve Daten,..., W X,,..., WX {(j j,..., J} bzw. W (-, X {(,...,(J} p-quantl p # p für quanttatve Daten p (, p [p,p ] I ℵ, d.h. p ( ( ( ( / falls falls p ℵ p ℵ,p (0,, p ls Raabe: Wahrschenlchetsrechnung und 7
28 Statstsche Kennzahlen für de Lage Quanttatve Daten: Quantlsbestmmung über emprsche Vertelungsfunton 0 falls < ( F ( #{n n (j} sj mtj ma{ j ( j } falls ( p p mt, falls p ( ℵ Sej F j [(j - j ] ( n (j mn j F[(j] I n (j - p (j > p n I (j ls Raabe: Wahrschenlchetsrechnung und n F [(j ] p / p ( > 8
29 Statstsche Kennzahlen für de Lage Quanttatve Daten: Quantlsbestmmung über emprsche Vertelungsfunton 0 falls < ( F ( #{n n (j} sj mtj ma{ j ( j } falls ( p ( ( ( / mt p, falls p ℵ Sej j ( (j, j j ( (j Fall: F j [(j j - ] j mn j F n I [(j] p n (j (j - < > p n I (j n F [(j ls Raabe: Wahrschenlchetsrechnung und ] p / p ( > 9
30 Statstsche Kennzahlen für de Lage Quanttatve Daten: Quantlsbestmmung über emprsche Vertelungsfunton 0 falls < ( F ( #{n n (j} sj mtj ma{ j ( j } falls ( p ( ( ( / mt p, falls p ℵ Sej j ( (j, j j ( (j Fall: j j j F j n I n [(j] (j p F [(j [(j p (j ] ]/ ls Raabe: Wahrschenlchetsrechnung und 30
31 Statstsche Kennzahlen für de Lage Quanttatve Daten: Quantlsbestmmung über emprsche Vertelungsfunton F ( sj #{ 0 n (j} mtj ma{ j ( j n } falls falls < ( ( Fall: p ℵ p (j s 4 s 3 f 4 f 5 j mn { j F [(j] p} s s 0 p f 3 f f ( ( (3 (4 (5 ls Raabe: Wahrschenlchetsrechnung und 3
32 Statstsche Kennzahlen für de Lage Quanttatve Daten: Quantlsbestmmung über emprsche Vertelungsfunton F ( sj #{ 0 n (j} mtj ma{ j ( j } n Fall: j p p ℵ, j j (j (j { j F [(j] p} s 4 s 3 s p s 0 f f f 3 falls falls < ( ( f 4 f 5 ( ( (3 (4 (5 [((3]/ ls Raabe: Wahrschenlchetsrechnung und 3
33 Statstsche Kennzahlen für de Lage Quanttatve Daten,..., W X,,..., WX {(j j,..., J} bzw. W (-, X {(,...,(J} Der Medan mnmert de Summe der absoluten Abwechungen. Jetzt gesucht: Wert ^, der de Summe der quadratschen Abwechungen mnmert. { ˆ R Δ( ˆ mn R [ (]} mt Δ( ( ls Raabe: Wahrschenlchetsrechnung und 33
34 Statstsche Kennzahlen für de Lage Quanttatve Daten Δ a ( Mnmal be.78 Δ( ( Mnmal be 3.84 ls Raabe: Wahrschenlchetsrechnung und 34
35 Statstsche Kennzahlen für de Lage Quanttatve Daten Generell glt: Δ( _ Bewes: ( st mnmal für wrd das arthmetsche Mttel von,, genannt. Ist,, durch de Häufgetsvertelung f,,f J beschreben, so glt: ( ( ( J j... f j (j ( ( ( ( ( (J (J f mal f mal f f mal ( f J (... f ls Raabe: Wahrschenlchetsrechnung und J (J J j f (j j c 35
36 Statstsche Kennzahlen für de Lage Quanttatve Daten Δ( Generell glt: ( st mnmal für Bewes R : Δ( ( [( ( ] ( ( ( ( * ( * Δ( ( 443 ( l l 0 Δ( l l l l ls Raabe: Wahrschenlchetsrechnung und 36
37 Statstsche Kennzahlen für de Lage Quanttatve Daten Δ( Generell glt: ( st mnmal für Bewes R : Δ( ( [( ( ] ( ( ( ( ( Δ( ( Δ( ls Raabe: Wahrschenlchetsrechnung und 37
38 Statstsche Kennzahlen für de Lage Quanttatve Daten Arthmetsches Mttel von Bnärdaten Für J mt {(,(} {0,} glt: f Bewes n n n I d(( n n f ls Raabe: Wahrschenlchetsrechnung und 38
39 Statstsche Kennzahlen für de Lage 4 Quanttatve Daten Bespel Bearbetungen von Softwareaufgaben Anzahl Clcs ( Unt. Quart. 4;0.5 {( /}.5 Medan 4;0.5 {(3 4/} 3.5 Ob. Quart. 4;0.75 {(5 6/} 5.5 ls Raabe: Wahrschenlchetsrechnung und 39
40 Statstsche Kennzahlen für de Lage 5 Quanttatve Daten Bespel Bearbetungen von Softwareaufgaben Bearbetungszet ( Unt. Quart. 5;0.5 {( /} 3.7 Medan 5;0.5 {(4. 4.5/} 4.35 Ob. Quart. 5;0.75 {(6. 6.5/} 6.35 ls Raabe: Wahrschenlchetsrechnung und 40
41 Statstsche Kennzahlen für de Lage Zusammenfassung Salennvau Lagemaß omnal Ordnal Quanttatv Modus Informatonsverlust ur für lasserte Daten Medan Arthmetsches Mttel ur für J Gernge Aussageraft für lene J Robust Informatonsverlust Hohe Streubrete Ausreßeranfällg Informatonsnutzung Gernge Streubrete ls Raabe: Wahrschenlchetsrechnung und 4
42 Statstsche Kennzahlen für de Streuung Bsher: Beschrebung von Häufgetsvertelung und Lage Jetzt: Beschrebung der mttleren Varaton um de Lage Allgemen: Streuung desto höher, je schlechter onrete Werte sch vorhersagen lassen. ls Raabe: Wahrschenlchetsrechnung und 4
43 Statstsche Kennzahlen für de Streuung Bsher: Beschrebung von Häufgetsvertelung und Lage Jetzt: Beschrebung der mttleren Varaton um de Lage ls Raabe: Wahrschenlchetsrechnung und 43
44 Statstsche Kennzahlen für de Streuung omnale Daten,..., W X,,..., W {(j j,..., J} X {(,...,(J} d ( d ( d (3 A C Rechnen nur snnvoll mt Dummyvarablen bzw. Häufgeten. A 0 0 C 0 0 B B 0 0 Σ 3 ls Raabe: Wahrschenlchetsrechnung und 44
45 Statstsche Kennzahlen für de Streuung omnale Daten Allgemen: Streuung desto höher, je schlechter onrete Werte sch vorhersagen lassen. omnale Mermalsausprägungen lassen sch um so besser vorhersagen, desto häufger ene bestmmte Kategore vorommt. Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. ls Raabe: Wahrschenlchetsrechnung und 45
46 Statstsche Kennzahlen für de Streuung omnale Daten Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. Smpson s D D Bespel J A B 3 A 4 C j f j 4 D #{(,, (,4, (,, 6 6 (,3, D 5 8 (,4, D entsprcht dem Antel von Paaren mt unterschedlchen Mermalsausprägungen an allen aus der Urlste bldbaren Beobachtungspaaren: 4 #{(, {,...,} {,...,} (3,, (3,4, (4,, (4,, (4,3} } ls Raabe: Wahrschenlchetsrechnung und 46
47 Statstsche Kennzahlen für de Streuung omnale Daten Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. Bespel J Smpson s D D f J j j D 0 D - J D D 0 für - J ma[(f für f,...,f]... J f J J f f ls Raabe: Wahrschenlchetsrechnung und 47
48 Statstsche Kennzahlen für de Streuung omnale Daten Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. Bespel J Smpson sd z D z J( J j J f j D 0 D z D D z z 0 für für ma[(f,...,fj] f... fj J f f ls Raabe: Wahrschenlchetsrechnung und 48
49 Statstsche Kennzahlen für de Streuung omnale Daten Informatonstheore: en Eregns lefert desto mehr Informaton, je gernger sene Entrttswahrschenlchet st. Koderung der Elementareregnsse n Bts, Bespel Kaffeebestellung:. Bt: 0 Tasse Kännchen. Bt: 0 Schwarz mt Mlch 3. Bt: 0 Süßstoff Zucer 8 Möglche Bestellungen: 000, 00, 00, 0, 00, 0, 0, Beträgt de Wahrschenlchet ener Telmenge deser Bestellungen p /8, wrd genau ene Bestellung ausgewählt und man erhält Informaton über alle 3 log (/8 Bts, falls de Telmenge ausgewählt wrd. Wrd dagegen de Menge möglcher Bestellungen auf 50%, z.b. alle Bestellungen mt Kännchen engegrenzt, also p /, so erhält man nur Informaton über log (/ Bt. ls Raabe: Wahrschenlchetsrechnung und 49
50 Statstsche Kennzahlen für de Streuung omnale Daten De Informaton ener Mermalsausprägung (j n Bts ann also allgemen defnert werden durch log (f j. Der Informatonsgehalt des gesamten Mermals ergbt sch durch de Entrope genannte erwartete Informaton H( von : H( Bespel Kaffeebestellung: Se F de Antwort auf ene bestmmte Frage F J j flog j f j F Möchten Se Ihren Kaffee mt Mlch und Zucer? F (0 en, F ( Ja, f 6/8, f /8, H( F (6/8 log (6/8 (/8 log (/ ls Raabe: Wahrschenlchetsrechnung und 50
51 Statstsche Kennzahlen für de Streuung omnale Daten Entrope von : H( J j flog j f j Bespel Kaffeebestellung F Möchten Se Ihren Kaffee Mt Mlch und Zucer? F (0 en, F ( Ja, f 6/8, f /8, H( F F Möchten Se Ihren Kaffee n der Tasse? F (0 en, F ( Ja, f 4/8, f 4/8, H( F (4/8 log (4/8 (4/8 log (4/8 ls Raabe: Wahrschenlchetsrechnung und 5
52 Statstsche Kennzahlen für de Streuung omnale Daten Entrope von : H( J j flog j f j De Entrope st en snnvolles Maß für de Streuung, denn se erfüllt de Forderungen: Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. Bespel J 0 < H( log (J lm[h(] 0 für ma[(f,...,fj] H( log(j fürf... fj J H( f f ls Raabe: Wahrschenlchetsrechnung und 5
53 Statstsche Kennzahlen für de Streuung omnale Daten ormerte Entrope von : H n ( log f J j fj j logj De Entrope st en snnvolles Maß für de Streuung, denn se erfüllt de Forderungen: Gerngste Streuung, falls es en j gbt mt f j. Höchste Streuung, falls f j /J, j,,j. Bespel J 0 < H n ( lm[h(] 0 für ma[(f,...,fj] H( fürf... fj J H n ( D z f f ls Raabe: Wahrschenlchetsrechnung und 53
54 Statstsche Kennzahlen für de Streuung omnale Daten Smpson s D und Entrope für J3 ls Raabe: Wahrschenlchetsrechnung und 54
55 Statstsche Kennzahlen für de Streuung omnale Daten: Bespel Bearbetungen von Softwareaufgaben Mermal D z H n ( Bearbeter(n 4/3 ( Aufgabe 3/ ( Verson 3/ ( [ 0.7 log ( log ( log ( log (0.5] /log ( [ 0.7 log ( log ( log (0.33 ]/log ( [ 0.5 log ( log ( log (0.5 ]/log ( Bearbeter(n Absolute Häufget Relatve Häufget Ka 0.7 Mram Olver Tna Ausprägung Aufgabe Absolute Häufget Relatve Häufget Abfrage 0.7 Eport Vernüpfung ls Raabe: Wahrschenlchetsrechnung und Ausprägung Ausprägung Verson Absolute Häufget Relatve Häufget
Statistische Kennzahlen für die Streuung
Statstsche Kezahle für de Streuug Ordale Date,..., W X,,..., WX {(j) j,..., J} () < () < < (J) {(),...,(J)} (3) () 3 () Geordete Lste k X (k) () () 3 () Smpso s D ud H() sd awedbar, allerdgs wrd Iformato
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
MehrMaße der zentralen Tendenz (10)
Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrGrundgedanke der Regressionsanalyse
Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden
MehrDefinition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
MehrKonzept der Chartanalyse bei Chart-Trend.de
Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrExkurs: Entropie in der Wahrscheinlichkeitstheorie
Exkurs: Entrope n der Wahrschenlchketstheore a) Physk/Thermodynamk: S = k B ln(w) mt W=Anzahl glech-wahrschenlcher Möglchketen (Mkrozustände) a) Informatonstheore: Shannon (1948) Entrope wobe p = f /N
MehrItem-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
MehrFacility Location Games
Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet
MehrÄquivalenzen stetiger und glatter Hauptfaserbündel
Äquvalenzen stetger und glatter Hauptfaserbündel Chrstoph Müller Chrstoph Wockel Fachberech Mathematk Unverstät Darmstadt 31. Süddeutsches Kolloquum über Dfferenzalgeometre Glederung 1 De Problemstellung
MehrStatistische Kennzahlen für die Lage
Statistische Kennzahlen für die Lage technische universität ach der passenden grafischen Darstellung der Werte eines Merkmals auf der Gesamtheit der Beobachtungen interessieren jetzt geschickte algebraische
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrDaten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mehr4.6 Das Pumping-Lemma für reguläre Sprachen:
Theoretsche Informatk 1 Vorlesungsskrpt vom Fretag, 30 Jun 000 Index: Erstellt von: (Matrkelnummer: 70899) Sete : 46 Das Pumpng-Lemma für reguläre Sprachen 1 Satz W 1 Zugrundelegende Idee des Pumpng-Lemma
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrInformationsgehalt und Komplexität von Zeitreihen
Informatonsgehalt und Komplextät von Zetrehen Motvaton: Vele natürlche ysteme verbrauchen Informaton: der Output st wenger komplex als der Input Thermodynamscher Ansatz: Belebte ysteme erhalten trukturen
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
MehrProf. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
MehrDeterminanten - I. den i-ten Zeilenvektor der n n-matrix A bezeichnet.
Determnanten - I Ene Determnante st ene Abbldung, welche ener quadratschen (!) Matrx ene Zahl zuordnet. Wr verwenden n desem Zusammenhang de Schrebwese A = a 2, wobe den -ten Zelenvektor der n n-matrx
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
MehrDas zum dualen Problem (10.2) gehörige Barriere-Problem lautet analog
60 Kaptel 2. Lneare Optmerung 10 Innere-Punkte-Verfahren Lteratur: Geger, Kanzow, 2002, Kaptel 4.1 Innere-Punkte-Verfahren (IP-Verfahren) oder nteror pont methods bewegen sch m Gegensatz zum Smplex-Verfahren
MehrOptimierung 4.3 A2 : Warenhauszentrale a 2 +b 2 =c 2 Materialbörse Mathematik
Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende Taste! [ ] A - Drücken Se erst de Taste [ALPHA] und dann
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
MehrDatenaufbereitung und -darstellung III
Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrStatistische Grundlagen Ein kurzer Überblick (diskret)
Prof. J.C. Jackwerth 1 Statstsche Grudlage E kurzer Überblck (dskret De wchtgste Begrffe ud Deftoe: 1 Erwartugswert Varaz / Stadardabwechug 3 Stchprobevaraz 4 Kovaraz 5 Korrelatoskoeffzet 6 Uabhäggket
Mehr( a ) z + ( 1 b ) z = ( 1 c ) z.
Hans Walser, [2000509a] Fermat mt negatven Exponenten Anregung: T. G., B. Vgl. [Morgan 200] Ausgangsrage Gesucht snd Lösungen a,b,c! der Glechung: a z + b z = c z, z! 2 Bespele und Gegenbespele a) Für
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
MehrAnalyse von Querschnittsdaten. Bivariate Regression
Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
MehrDie kanonische Zustandssumme (System) und ihr Zusammenhang mit der molekularen Zustandssumme (Einzelmolekül) unterscheidbare Teilchen:
De molekulare Zustandssumme βε = e mt β = De kanonsche Zustandssumme (System) und hr Zusammenhang mt der molekularen Zustandssumme (Enzelmolekül) unterschedbare elchen: Q = ununterschedbareelchen Q : =!
MehrStatistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
MehrQuellencodierung I: Redundanzreduktion, redundanzsparende Codes
Quellecoderug I: Redudazredukto, redudazsparede Codes. Redudaz. Eführug. Defto der Redudaz. allgemee Redudazredukto. redudazsparede Codes. Coderug ach Shao. Coderug ach Fao. Coderug ach Huffma.4 Coderug
MehrIn der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrModul 1: Einführung und Wahrscheinlichkeitsrechnung
Modul : Enführung und Wahrschenlchketsrechnung Informatonstheore Dozent: Prof. Dr. M. Gross E-mal: grossm@nf.ethz.ch Assstenten: Danel Cottng, Rchard Keser, Martn Wcke, Cyrl Flag, Andrea Francke, Jonas
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrAn dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrZur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen.
Rudolf Brkma http://brkma-du.de Sete 0.0.008 Lagemaße der beschrebede Statstk. Zur Iterpretato eer Beobachtugsrehe ka ma ebe der grafsche Darstellug wetere charakterstsche Größe herazehe. Mttelwert ud
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrÜbungsblatt 7 Lösungsvorschläge
Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante
Mehr2.1 Einfache lineare Regression 31
.1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
Mehrω 0 = Protokoll zu Versuch E6: Elektrische Resonanz
Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung
MehrU Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen
Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech
MehrANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas
Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton
MehrDie mathematischen Grundlagen der Wellenmechanik
De mathematschen Grundlagen der Wellenmechank Zustände und deren Darstellung En physkalsches System wrd durch enen Zustand u charaktersert, ndem es durch ene bestmmte expermentelle Präparaton gebracht
MehrAutomotive Auswertung der Betriebserfahrung zum Zuverlässigkeitsnachweis sicherheitskritischer Softwaresysteme. S. Söhnlein, F.
Auswertung der Betrebserfahrung zum Zuverlässgketsnachwes scherhetskrtscher Softwaresysteme Unverstät Erlangen-Nürnberg Unverstät Erlangen-Nürnberg Sete 1 Glederung Motvaton Grundlagen des statstschen
Mehr22. Vorlesung Sommersemester
22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrMi , Dr. Ackermann Übungsaufgaben Gewöhnliche Differentialgleichungen Serie 13
M. 3. 5-4. 45, Dr. Ackermann 6..4 Übungsaufgaben Gewöhnlche Dfferentalglechungen Sere 3.) Bestmmung ener homogenen Dfferentalglechung zu gegebenen Funktonen y (partkuläre Lösungen) enes Fundamentalsystems.
MehrKapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Semnar Enführung n de Kunst mathematscher Unglechungen Cauchys erste Unglechung und de Unglechung vom arthmetschen und geometrschen Mttel Sopha Volmerng. prl 0 Inhaltsverzechns Cauchys erste Unglechung.
MehrSicherheit von Π MAC2
Scherhet von Π MAC2 Satz Scherhet von Π MAC2 Se Π scher. Dann st Π MAC2 ebenfalls scher. Bewes: Se A en Angrefer für Π MAC2 mt Erfolgsws ɛ(n). Wr konstrueren enen Angrefer A für Π. Algorthmus Angrefer
Mehr-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrHefte zur Logistik Prof. Dr. Siegfried Jetzke. Heft 1 Begriffsdefinitionen
Hefte zur Logstk Prof. Dr. Segfred Jetzke Heft 1 Begrffsdefntonen Jun 2010 Deses Heft st urheberrechtlch geschützt. Wenn Se de Quelle angeben, können Se gerne deses Heft wetergeben, Tele koperen oder aus
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
Mehr1 Definition und Grundbegriffe
1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:
MehrPhysik A VL11 ( )
Physk A VL11 (0.11.01) Dynamk der Rotatonsbewegung I Kresbewegung und Kräfte Drehmoment und räghetsmoment Kresbewegung und Kräfte en Massepunkt (Schwerpunkt) führt nur ene ranslatonsbewegung aus ausgedehnte
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multvarate Statstk für Psychologen 3. Vorlesung: 14.04.2003 Agenda 1. Organsatorsches 2. Enfache Regresson. Grundlagen.. Grunddee und Zele der enfachen Regresson Bespele Statstsches Modell Modell
MehrHausübung 1 Lösungsvorschlag
Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrKapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104
Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n
Mehr14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,
Mehr