Definition des linearen Korrelationskoeffizienten
|
|
- Peter Giese
- vor 5 Jahren
- Abrufe
Transkript
1 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. Ist r nahe be ±1, dann befnden sch de Punkte dcht be ener Geraden. Ist r dagegen nahe be 0, dann zegen de Punkte weng oder kene Negung, auf ener Geraden zu legen. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-1
2 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-
3 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-3
4 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-4
5 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-5
6 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-6
7 Lnearer Korrelatonskoeffzent: Bespele Challenger, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-7
8 Regresson I: Posson sche Regresson T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-8
9 Rückblck Fragestellung Wr führen ene Messung durch und erhalten folgende Werte 75,0 X Y 0,0 5,4 1,17 54,6 1,96 57,7,98 59,5 4,05 6,7 5,1 65,6 5,93 67,0 7,01 69,0 8,4 7,8 Y 70,0 65,0 60,0 55,0 50,0 Testmessung zur lnearen Regresson 0,00,00 4,00 6,00 8,00 X 1.) We können wr objektv beurtelen, nwewet de Daten unsere Annahme erfüllen und wrklch ener bestmmten Funkton (her ener Gerade) folgen?.) Angenommen de Bezehung zwschen x und y st lnear, welche Gerade passt am besten zu den Messwerten? T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-9
10 Wederholung: Vorüberlegungen Wenn de Messwerte (X, Y ) kenerle Unscherhet hätten, dann läge jeder Punkt exakt auf der Geraden Annahmen: De Fehler n X snd wesentlch klener als de Fehler n Y. X st fehlerfre und Y st fehlerbehaftet. De Daten snd beschreben durch den funktonellen Zusammenhang: y a bx. 75,0 70,0 65,0 Testmessung zur lnearen Regresson De Abwechung y jedes Datenpunktes von der bestangepassten Geraden st dann: Y 60,0 55,0 y y y( x) y abx. y 50,0 0,00,00 4,00 6,00 8,00 X T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-10
11 Wederholung: Vorüberlegungen y a bx. Für jedes X gbt es ene Wahrschenlchket P den Messwert Y zu erhalten. Bsher: Normalvertelung der Messwerte P 1 1 exp y y x T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-11
12 T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung exp y y x P De Wahrschenlchket unseren Datensatz be N Messpunkten genau so zu beobachten st dann gegeben durch: (, ) exp 1 1 exp N N N N y y x Pa b P y y x De beste Gerade legt dann vor, wenn de Wahrschenlchket maxmal wrd. Das st der Fall, wenn der Exponent mnmal wrd. 1 1 N N y y x y a bx Wederholung: Vorüberlegungen
13 Lneare Regresson be Normalvertelung Lneare Regresson oder Anpassung ener Geraden nach der Methode der klensten Quadrate N N y yx y abx 1 1 Für mnmal st de Überenstmmung am besten. a b 0; 0; T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-13
14 Lneare Regresson be Normalvertelung Wr suchen weter de besten a und b N N 1 1 ( y ) ( ) 0; abx y abx a a 1 1 N N 1 x ( ) y abx ( y abx ) 0; b b 1 1 En weng geordnet gbt das y 1 x a b xy x x a b ; ; Der Überschtlchket halber lassen wr ab her de Summengrenzen weg. (weter von 1 bs N) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-14
15 Mt der Determnantenmethode gbt das Lneare Regresson - Bestwerte y 1 x a b xy x x a b y x 1 1 a ; xy y x x xy x 1 y b ; x xy x y xy 1 x x 1 x x x ; ;. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-15
16 Lneare Regresson - Bestwerte y x 1 1 a ; xy y x x xy x 1 y b ; x xy x y xy 1 x x 1 x x x Falls jeder Datenpunkt den glechen Fehler aufwest, lässt sch deses Glechungssystem verenfachen. Das wrd häufg, aber be wetem ncht mmer möglch sen. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-16
17 Lneare Regresson - Bestwerte In unserem Bespel habe jeder Datenpunkt den selben durch de Messung bedngten Fehler. Dann ergbt sch: 1 y x 1 a s x y x x y xy x 1 N y 1 b s Nx y xy x x y N x s N x. x x x ; ; Wr benötgen folgende Größen:,,, x x y x y T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-17
18 Lneare Regresson - Fehler Klasssches Fehlerfortpflanzungsproblem: Wr haben ene Größe de sch aus mehreren fehlerbehafteten Enzelgrößen zusammensetzt. In desem Fall snd es unsere Koeffzenten, deren Fehler wr suchen. Wetere Annahme: Unsere enzelnen Messpunkte snd statstsch vonenander unabhängg. Dann können wr ene ganz normale Fehlerrechnung nach Gauß durchführen. Es glt: z dy k z k k De Annahme, dass unsere Messpunkte vonenander statstsch unabhängg snd, muss ebenfalls überprüft werden. Dazu später mehr. ; T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-18
19 Lneare Regresson - Fehler z dy k z k k Wr benötgen zunächst de partellen Abletungen: ; a b 1 y x x x y 1 1 xy x y ; ; 1 x x. a 1 1 x xk x ; yk k k b 1 xk 1 1 x ; yk k k T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-19
20 Lneare Regresson - Fehler z dy k z k k ; a 1 1 x xk x ; yk k k Damt bestmmen wr zunächst den Fehler n a : 1 x x. a N 1 k x xk x x x k x k 1 k k k 1 1 N N N x xk x x x k x k1k k1k k1k 1 x 1 x x x N 1 x 1 x x k 1 k N N k k1k k1k 1 x ; x Bede Summen laufen von ens bs N. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-0
21 Lneare Regresson - Fehler z dy k z k k ; Analog bestmmen wr den Fehler n b : b 1 xk 1 1 x ; yk k k 1 x x. b N k x 1 k xk 1 x 1 x k 1 k k k N N N x k xk x x k1k k1k k1k N 1 1 N 1 1 xk x k 1 k k 1 k N x x k 1 k 1 1 ; x Bede Summen laufen von ens bs N. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-1
22 Lneare Regresson - Fehler Wr erhalten also allgemen folgende Fehler, de bede ncht von den y abhängen: a 1 x ; b 1 1 ; 1 x x mt. Falls jeder Datenpunkt den glechen Fehler aufwest, lässt sch des abermals verenfachen. a x ; s b N s ; s mt N x x. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-
23 Lneare Regresson - Fehler Es kann allgemen gezegt werden, dass de Stchprobenvaranz für ene erwartungstreue Schätzung gegeben st durch: 1 s y y N c Dabe st N de Anzahl der beobachteten Klassen und c Anzahl der aus den Daten berechneten und/oder n der Rechnung verwendeten Parameter c. Mt anderen Worten: m Nenner vor der Summe stehen de Frehetsgrade In unserem konkreten Fall passen wr de Daten an für: y a bx. Und damt: 1 s y abx N T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-3
24 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 x T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-4
25 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 Zähleregnsse be fester Messzet n Abhänggket des Abstandes Abstand (m) Zähleregnsse 0,0 44 0,5 18 0, ,35 6 0,4 8 0,45 9 0,50 9 0, ,75 3 1,00 3 De Untergrund st berets abgezogen. Weterhn verenfachende Annahme: Untergrund fehlerfre. De Darstellung wollen wr zunächst lnearseren. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-5
26 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 Zähleregnsse be fester Messzet n Abhänggket des Abstandes Inverses Abstandsquadrat (m ) Zähleregnsse 5, , , ,16 6 6,5 8 4,94 9 4,00 9, ,78 3 1,00 3 Messunscherhet? T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-6
27 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 Messrehe: Betrachte Vertelung der Zähleregnsse be festem Abstand N = 1010 Hypothesentest zegt das dese Vertelung gut durch ene Possonvertelung beschreben st. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-7
28 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 Zähleregnsse be fester Messzet n Abhänggket des Abstandes Inverses Abstandsquadrat (m ) Zähleregnsse Possonfehler 5, ,6 16, , 11, ,1 8,16 6,4 6,5 8,8 4,94 9 3,0 4,00 9 3,0, ,3 1,78 3 1,7 1,00 3 1,7 T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-8
29 Wederholung: Vorüberlegungen y a bx. Für jedes X gbt es ene Wahrschenlchket P den Messwert Y zu erhalten. Bsher: Normalvertelung der Messwerte 1 1 y y x P exp Offenschtlch ncht gegeben. We krtsch? T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-9
30 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-30
31 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-31
32 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-3
33 Annahme ener Possonvertelung! De Wahrschenlchket unseren Datensatz be N Messpunkten genau so zu beobachten st dann gegeben durch:,! exp De beste Gerade legt dann vor, wenn de Wahrschenlchket maxmal wrd. Es st enfacher zunächst den Logarthmus zu blden und damt zu den Parametersatz für de maxmale Wahrschenlchket zu suchen log, log! exp T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-33
34 Regresson be Possonvertelung log,! log, De Summengrenzen lassen wr weder weg (läuft we mmer über alle Datenpunkte). Der mttlere Term hängt ncht von unseren Regressonsparametern ab. Bestmme nun Bestwerte we üblch durch Extremwertsuche.,, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-34
35 Regresson be Possonvertelung log, mt,, T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-35
36 Regresson be Possonvertelung - Bestwerte! Damt erhalten wr folgende zwe gekoppelte Glechungen: Ab her geht es ncht mehr analytsch. Betrachte nun numersche Möglchketen. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-36
37 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-37
38 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-38
39 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-39
40 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-40
41 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-41
42 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-4
43 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-43
44 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-44
45 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-45
46 Sekantenverfahren Iteratves Verfahren: Suche Nullstelle ener Funkton nach folgender Vorschrft ) T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-46
47 Sekantenverfahren Vortele: 1.) Es müssen nur Funktonswerte bestmmt werden. Vele andere Verfahren nutzen Abletungen, was problematsch be ncht hnrechend glatten Funktonen st. Daher sehr robust..) Nur en Rechenschrtt pro Iteratonsschrtt. 3.) Über Wahl der Startpunkte wrd der Berech engeschränkt, n dem gesucht wrd. Vorscht: Das kann auch en Nachtel sen be unpassender Wahl. Nachtele: 1.) Nur superlneares Konvergenzverhalten.) Bestmmung der Dfferenzenquotenten kann numersch Probleme bereten (Auf Maschnenpräzson achten1). T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-47
48 Wr benötgen es nun n zwe Dmensonen: Sekantenverfahren!! Damt bestmmen wr zunächst Funktonswerte für zwe Punktepaare (a 0,b 0 ), (a 1,b 1 ), und lnearseren zwschen desen: T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-48
49 Bestmme Dfferenzenquotenten: Sekantenverfahren T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-49
50 Sekantenverfahren Damt können wr en lneares Glechungssystem n a, b lösen: + + und erhalten: mt: T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-50
51 Sekantenverfahren mt: Mt unserem neuen Datenpaar (a,b ), starten wr dann de nächste Iteraton (zusammen mt (a 1,b 1 )) usw., bs wr das Ergebns n vernünftger Genaugket bestmmt haben. T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-51
52 Konkretes Bespel Messung des Abstandsgesetzes be radoaktvem Zerfall an Cs-137 Mt Posson scher Regresson erhalten wr folgende Bestwerte: T. Keßlng: Fortgeschrttene Fehlerrechnung - Regresson I: Posson sche Regresson Vorlesung 04-5
Rückblick Regression II: Anpassung an Polynome
Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten
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 )
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
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
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
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
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
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
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
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
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
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
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
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
MehrDer Erweiterungsfaktor k
Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang
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
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
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
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:
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
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
MehrEinführung in die numerische Mathematik
Prof. Dr. M. Günther K. Gauslng, M.Sc. C. Hendrcks, M.Sc. Sommersemester 1 Bergsche Unverstät Wuppertal Fachberech C Mathematk und Naturwssenschaften Angewandte Mathematk / Numersche Analyss Enführung
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
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
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
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
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.
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
Mehr5. Gruppenübung zur Vorlesung. Höhere Mathematik 1. Wintersemester 2012/2013
O. Alaya, S. Demrel M. Fetzer, B. Krnn M. Wed 5. Gruppenübung zur Vorlesung Höhere Mathematk Wntersemester /3 Dr. M. Künzer Prof. Dr. M. Stroppel Lösungshnwese zu den Hausaufgaben: Aufgabe H 6. Darstellungen
Mehr1.1 Beispiele zur linearen Regression
1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
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
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
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
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 >
MehrBeschreibung von Vorgängen durch Funktionen
Beschrebung von Vorgängen durch Funktonen.. Splnes (Sete 6) a +b c Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrPhysikalisches Anfängerpraktikum Teil 2 Versuch PII 33: Spezifische Wärmekapazität fester Körper Auswertung
Physkalsches Anfängerpraktkum Tel 2 Versuch PII 33: Spezfsche Wärmekapaztät fester Körper Auswertung Gruppe M-4: Marc A. Donges , 060028 Tanja Pfster, 204846 2005 07 spezfsche Wärmekapaztäten.
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:
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrProtokoll zu Versuch C1-Mischungsvolumina
Protokoll zu Prnz: De sezfschen Mschungsvolumna ener Lösung werden durch auswegen fester Flüssgketsvolumna bekannter Lösungszusammensetzungen mt Hlfe von Pyknometern bestmmt. Theoretsche Grundlagen: Um
MehrZweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper
Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht
MehrLineare Regression Teil des Weiterbildungskurses in angewandter Statistik
0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
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
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
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
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
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
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
Mehr1.Schularbeit 22.Okt A. A) Berechne ohne TI-92: Beachte: Für die Beispiele 1 und 2 sind alle notwendigen Rechenschritte anzugeben.
1.Schularbet.Okt. 1997 7.A A) Berechne ohne TI-9: Beachte: Für de Bespele 1 und snd alle notwendgen Rechenschrtte anzugeben. 1a) De zu z= a + bkonjugert komplexe Zahl st z= a b. Zege für z 1 = -4 + 3 und
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
MehrManhattan-Metrik anhand des Beispiels
Bestmmung durch Manhattan-Metrk 3 Manhattan-Metrk anhand des Bespels Gesucht werden de zwe Standorte für zwe Ausleferungslager. De Standpunkte der Nachfrager () snd durch de Koordnaten ( x/y ) gegeben.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrMultivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
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
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
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
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
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
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,
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
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
Mehr16. Vorlesung Sommersemester
16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,
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
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
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
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
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrLineare Optimierung Dualität
Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen
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,
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,
Mehr(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y
5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable
MehrProtokoll zum Grundversuch Mechanik
Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel
MehrHochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen
Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket
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)
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
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
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
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
Mehr1.11 Beispielaufgaben
. Bespelaufgaben Darstellung komplexer Zahlen Aufgabe. Man stelle de komplexe Zahl z = +e 5f n algebrascher Form, also als x + y dar. Damt man de Formel für de Dvson anwenden kann, muss zunächst der Nenner
MehrAufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen
Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung
MehrStandardnormalverteilung / z-transformation
Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ
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
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrStatistik der Extremwertverteilungen
KAPITEL 6 Statstk der Extremwertvertelungen In desem Kaptel beschäftgen wr uns mt statstschen Anwendungen der Extremwertvertelungen. Wr werden zwe verschedene Zugänge zur Modellerung von Extremwerten betrachten.
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
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 (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:
Mehr