Datenauswertung. Künstliche neuronale Netze. Professur Psychologie digitaler Lernmedien. Institut für Medienforschung Philosophische Fakultät
|
|
- Alfred Schmitt
- vor 5 Jahren
- Abrufe
Transkript
1 Professur Psychologe dgtaler Lernmeden Insttut für Medenforschung Phlosophsche Fakultät Künstlche neuronale Netze Datenauswertung
2 Überblck Statstsche Verfahren als Unvarate Varanzanalyse (ANOVA) Spezalfälle neuronaler Netze Indkatorcoderung Mttelwerteverglech zwschen zwe Kanonsche Korrelaton Gruppen Methode der klensten Quadrate Multvarate Varanzanalyse (MANOVA) Krtk an der Methode der klensten Quadrate Lneare Strukturglechungsmodelle Lneare, bvarate Regresson Neuronale Netze Multple (unvarate) Regresson Aktvtätsfunkton und Aktvtätslevel Ermttlung der Beta-Gewchte Gradentenabstegsverfahren Erfassung von Interaktonseffekten Captalzaton on Chance Moderator- und Ausblck Medatorvarablen Varanzaufklärung Beurtelung der Modellgüte 2
3 Lernzele We lassen sch herkömmlche statstsche Verfahren als Spezalfälle künstlcher neuronaler Netze darstellen? Was snd Unterschede und Gemensamketen zwschen künstlchen neuronalen Netzen (m engeren Snne) und tradtonellen Analyseverfahren (z.b. multple Regresson)? Welche Vor- und Nachtele bestzen künstlche neuronale Netze (m engeren Snne) m Verglech zu tradtonellen Analyseverfahren? Was versteht man unter dem Begrff Captalzaton on Chance? 3
4 Welche statstschen Verfahren kennen Se? Kolmogorov- U-Test Faktorenanalyse Smrnov- Allgemenes χ 2 -Test Anpassungstest Lneares Modell Metaanalyse Kruskal-Walls H Wlcoxon-Test Regresson Test z-test Neuronale Netze Bootstrap Multple Kovaranzanalyse Korrelaton F-Test Mttelwert ANOVA Clusteranalyse Scheffé-Test t-test Kovaranz Partalkorrelaton Bnomalvertelung Korrelaton Fshers Z- Strukturglechungsmodelle Normalvertelung Transformaton Streuung Tukey HSD MANOVA Exzess Kanonsche Korrelaton Schefe Dskrmnanzanalyse 4
5 Überblck: Ene (unvollständge) Klassfkaton statstscher Verfahren Prädktoren bzw. Unabhängge Varablen (UVs) Kategoral Kontnuerlch Kategoral und kontnuerlch Ene UV (2 Faktorstufen) > 2 Faktorstufen oder > UVs Ene UV Mehr als ene UV Mehr als ene UV Krteren bzw. abhängge Varablen (AVs) Kategoral Ene AV Mehr als ene AV Ene AV Mehr als ene AV Häufgketsverglech mt zwe Stufen Häufgketsverglech / Konfguratonsfrequenzanalyse Multvarate Häufgketsanalyse Kontnuerlch Mttelwerteverglech Multvarater Mttelwerteverglech ANOVA MANOVA 2 bzw. n-gruppen Dskrmnanzanalyse oder kompettve Netze Logstsche Regresson Faktorelle Dskrmnanzanalyse oder kompettve Netze Enfache Regresson Enfache, multvarate Regresson Multple Regresson Kanonsche Korrelaton oder Faktorenanalyse multple Regresson oder ANCOVA Kanonsche Korrelaton oder MANCOVA 5
6 Sämtlche (deskrptv-)statstsche Verfahren: Spezalfälle der Kanonschen Korrelatonsanalyse (Bortz, 2004) des Allgemenen Lnearen Modells (Moosbrugger, 2002) künstlcher neuronaler Netze 6
7 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 7
8 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 8
9 Gruppe B Gruppe A Mttelwerteverglech zwschen zwe Gruppen (Tranngsphase) ŷ = m x + b Zwe Gruppen A und B (codert als x A = 0 und x B = ) werden hnschtlch hrer y- Werte mtenander verglchen Dem Netz werden 0 Messwerte (je 5 pro Gruppe) dargeboten x y x b m y
10 We werden b und m ermttelt? Prnzpell möglch: Ausproberen Zel: ŷ soll bestmöglch mt y überenstmmen Summe der Abwechungsquadrate (SAQ) soll Mnmum annehmen y-werte Gruppe A Gruppe B 0 SAQ b 6.3 m 0.7 0
11 We werden b und m ermttelt? In der Praxs: Bestmmung der b und m-gewchte mttels Methode der klensten Quadrate (Lernregel für de Gewchte) Supervsed learnng Batch tranng SAQ soll en Mnmum ergeben Bldung der ersten Abletung für de Glechung SAQ n 2 y yˆ y m x b n 2 mn y = beobachtete Werte ŷ = vorhergesagte Werte x = Gruppenzugehörgket = Versuchsperson Abletung soll den Wert 0 annehmen
12 We werden b und m ermttelt? Graphsche Veranschaulchung Im zwedmensonalen Raum: Parabel (führt zu ener Regressonsgeraden) Im dredmensonalen Raum: Parabolod (führt zu ener Regressonsgerade bzw. Regressonsebene) Im n-dmensonalen Raum: n-dmensonaler Parabolod (führt zu ener n - dmensonalen Regressons-Hyperebene) SAQ SAQ SAQ mn b mn b (oder m) SAQ mn b mn b m mn m Für en Gewcht Für zwe Gewchte 2
13 We werden b und m ermttelt? Berechnung über de erste Abletung der Glechung SAQ Erste Abletung ermtteln und auf Null setzen ergäbe sofern man ledglch de Gruppe A (x = 0) untersuchen würde: b n 2 y yˆ y m x b n n y y n b = gesuchter Parameter (her: Achsenabschntt ) = Versuchsperson n = Stchprobenumfang y = beobachteter Wert der Versuchsperson y = Mttelwert der untersuchten Stchprobe Interessanterwese resultert mttels Methode der klensten Quadrate der (arthmetsche) Mttelwert für den gesuchten Parameter b 2 mn 3
14 4 Berechnung über de erste Abletung der Glechung Erste Abletung ermtteln und auf Null setzen ergbt für m und b: We werden b und m ermttelt? x m y b n n n n n x x n y x y x n m 2 2 b = gesuchter Parameter (her: Achsenabschntt ) m = gesuchter Parameter (her: Stegung ) = Versuchsperson n n b x m y y y SAQ 2 2 mn ˆ
15 5 Für zwe Gruppen (x A = 0 und x B = ) be glechgroßer Zellenbesetzung glt: We werden b und m ermttelt? x m y b n n n n n x x n y x y x n m 2 2 x0 y b 0 x y x y m
16 Krtk an der Methode der klensten Quadrate Warum werden de Werte quadrert? Begründungen aus Lehrbüchern Fehlerwerte stets postv Vermedung großer Enzelabwechungen Stärkere Berückschtgung bzw. Gewchtung größerer, nhaltlch bedeutsamerer Abwechungen als klenerer, auf Messungenaugketen zurückführbarer Abwechungen Krtk Fehlerwerte auch dann stets postv, wenn statt Quadrerung Beträge der Enzelabwechungen herangezogen werden Enfluss der Ausreßerwerte auf de Parameter b und m besonders stark aufgrund der Quadrerung Warum soll das gut sen? Persönlche Vermutung Wahrer Grund für de Quadrerung Abletung kann be Betragswerten mathematsch ncht ermttelt werden, da de Funkton zwar stetg, aber ncht mehr dfferenzerbar st. 6
17 Mttelwerteverglech zwschen zwe Gruppen (Ausbretungsphase) ŷ = m x + b Für zwe Gruppen (codert als x A = 0 und x B = ) glt: b = Mttelwert der Gruppe A (x = 0) b + m = Mttelwert der Gruppe B (x = ) m = Mttelwertsdfferenz zwschen beden Gruppen x b m y 7
18 Mttelwerteverglech zwschen zwe Gruppen (Ausbretungsphase) Bespele: Gruppe A (x = 0) Mttelwert von 6.3 Gruppe B (x = ) Mttelwert von b 7 7 x m y 6.5 b = m = b + m = Gruppe A Gruppe B 8
19 Mttelwerteverglech zwschen zwe Gruppen (Ausbretungsphase) ŷ = m x + b Bespele Erwarteter Wert (ŷ) für ene Person der Gruppe A (x = 0): ŷ = ŷ = 6.3 Erwarteter Wert (ŷ) für ene Person der Gruppe B (x = ): ŷ = ŷ = 7.0 x b m ŷ 9
20 Lneare, bvarate Regresson (Tranngsund Ausbretungsphase) ŷ = m x + b Genau we bem Mttelwerteverglech zwschen zwe Gruppen b Enzger Untersched: Es exsteren ncht zwe Gruppen (x = 0 oder x = ), sondern theoretsch belebg vele Gruppen, wobe de x-werte mndestens ntervallskalert snd, z. B. bem Alter x m ŷ 20
21 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 2
22 Multple (unvarate) Regresson (Tranngsphase) ŷ = b 0 + x b + + x m b m Bespel: Studenerfolg (= AV) vorhersagen anhand verschedener Prädktoren Intellgenz Lestungsmotvaton Selbstdszpln Ambgutätstoleranz Usw. x x 2 b 0 b b 2 b m ŷ x m 22
23 Multple (unvarate) Regresson (Tranngsphase) ŷ = b 0 + x b + + x m b m x x 2 x 3 x 4 y Intellgenz Lestungsmotvaton Selbstdszpln Ambgutätstoleranz Studenerfolg b x b ŷ b x 2 b m x m
24 Ermttlung der Beta-Gewchte Bestmmung der b-gewchte weder mttels Methode der klensten Quadrate (Lernregel für de Gewchte) Supervsed learnng Batch tranng SAQ soll weder en Mnmum ergeben Enzger Untersched zu den Ausführungen auf den vorhergen Folen ( We werden b und m ermttelt? ): Statt mt Zahlen wrd mt Matrzen gerechnet 24
25 Ermttlung der Beta-Gewchte Berechnung über de erste Abletung der Glechung SAQ n n 2 y yˆ Abletung soll den Wert 0 annehmen 2 mn ε = Fehlergröße y = beobachtete Werte ŷ = vorhergesagte Werte = Versuchsperson Erste Abletung ermtteln und auf Null setzen ergbt für den Vektor b: b ( X X ) X y 25
26 Ermttlung der Beta-Gewchte Bewes SAQ n 2 y X ' y X y X y X y y X y y 2 X y y X y X X X X (Quadratsche) Glechung für SAQ nach Vektor β' dfferenzeren und de erste Abletung glech dem Nullvektor setzen: SAQ 2 X y 2 X X 0 ε = y X β Dstrbutvgesetze der Transposton Ausmultplzeren für de skalaren Größen glt: β' X' y = y' X β wegen: β' X' y = (y' X β)' 26
27 Ermttlung der Beta-Gewchte Bewes SAQ 2 X y 2 X X 0 +2 X' y 2 X X 2 X y :2 X X X y X X X X X X X y b X X X y X X X y Multplkaton von lnks mt (X' X) - (X' X) - X' X = I Sofern (X' X) - ncht sngulär st, glt: 27
28 Multple (unvarate) Regresson (Tranngsphase) Berechnungsschrtte. Schrtt: (X' X) 2. Schrtt: (X' X) 3. Schrtt: K' zu (X' X) 4. Schrtt: (X' X) - 5. Schrtt: X' y 6. Schrtt: (X' X) - X' y X' b ( X X ) X X (X' X) = y x x 2 x m b 0 b b 2 b m X' X ŷ 28
29 Multple (unvarate) Regresson (Ausbretungsphase) ŷ = b 0 + x b + + x m b m Oder als Skalarprodukt zweer Vektoren Bespel: Vorhersage des Studenerfolgs ener bsher ncht untersuchten Person n Abhänggket hrer Intellgenz (x ), 0 Lestungsmotvaton (x 2 ), usw.... m x x 2 b 0 b b 2 b m ŷ x x... x m x m 29
30 Interakton zwschen Prädktoren (unabhänggen Varablen) Interaktonseffekt = Moderatoreffekt = Wechselwrkungseffekt Bespel: Studenerfolg legt nur dann vor, wenn IQ und Motvaton hoch snd Studenerfolg IQ Motvaton 30
31 Interakton zwschen Prädktoren (unabhänggen Varablen) ŷ = b 0 + x b + x x 2 b 3 + x 2 b 2 Bzw. neue Varable (x 3 = x x 2 ) blden und ensetzen: ŷ = b 0 + x b + x 2 b 2 + x 3 b 3 x b 0 b ŷ b 3 x x 2 b 2 x 2 3
32 Exkurs: Moderator- vs. Medatorvarablen Moderatorvarable: Drttvarable (z. B. x 2 ), de den Enfluss ener unabhänggen Varable (z. B. x ), auf ene abhängge Varable verändert Moderatorterm = x x 2 = Moderatoreffekt = Interaktonseffekt = Wechselwrkung x x x 2 x 2 ŷ Medatorvarable = Drttvarable (z. B. x 2 ), durch welche ene unabhängge Varable (z. B. x ) de abhängge Varable beenflusst x x 2 ŷ 32
33 Exkurs: Moderator- vs. Medatorvarablen Bespele Moderatorvarable: Sozale Ressourcen (z.b. Famle, Freunde usw), de den Zusammenhang zwschen Stress und Gesundhet modereren Medatorvarable: Wahrgenommene Ressourcen als vermttelnder Prozess zwschen Stress und Gesundhet Gesundhet Stress Wahrgenommene Ressourcen Ressourcen hoch nedrg Stress Gesundhet Ausblck: Es gbt auch modererte Medatoren und medaterende Moderatoren 33
34 Varanzaufklärung Beurtelung der Modellgüte SAQ nmmt durch Berechnung der Beta-Gewchte mttels Methode der klensten Quadrate mmer en Mnmum an Ist damt berets schergestellt, dass es sch um ene sehr gute Vorhersage handelt? Nen, stattdessen wrd de Gesamtvaranz der abhänggen Varable addtv zerlegt n aufgeklärte und unaufgeklärte Varanz Durch das Modell aufgeklärte Varanz = R Gesamtvaranz 2 Quotent als Maßzahl für de Güte des Gesamtmodells: R 2 = Determnatonskoeffzent 34
35 Varanzanalyse (Tranngs- und Ausbretungsphase) ŷ = b 0 + x b + + x m b m Genau we be der multplen (unvaraten) Regresson b 0 Enzger Untersched: De Prädktoren snd ncht ntervallskalert, sondern ledglch nomnal- oder ordnalskalert x b ŷ Mathematscher Trck : Indkatorcoderung = Nomnal- oder ordnal-skalerte UVs werden n künstlche, ntervallskalerte UVs transformert x 2 b 2 b m Durch Indkatorcoderung glt: ANOVA = multple (unvarate) Regresson x m 35
36 Indkatorcoderung Indkatorcoderung: Transformaton ener nomnal- oder ordnalskalerten Varable n ene oder mehrere Indkatorvarablen Indkatorvarable: Künstlch erzeugte Varable, de alle Informatonen enes nomnal- oder ordnalskalerten Merkmals n coderter Form enthält Bespel: Geschlecht Nomnalskalert; Indkatorvarable z. B. männlch = 0 und weblch = Enthält nur en Intervall, welches zu sch selbst äqudstant st Intervallskalennveau 36
37 Indkatorcoderung Verschedene Möglchketen der Indkatorcoderung Dummycoderung: Mt der ersten Indkatorvarable (x ) wrd entscheden, ob Person auf der ersten Faktorstufe untersucht wurde (x = ) oder ncht (x = 0). Zwete Indkatorvarable für Stufe zwe usw. De letzte Gruppe (= Referenzgruppe) wrd für sämtlche Indkatorvarablen mt 0 codert Effektcoderung: Referenzgruppe erhält kene 0 we be Dummycoderung, sondern durchgängg ene Kontrastcoderung: Soll an deser Stelle ncht n aller Ausführlchket erläutert werden. Es werden orthogonale (d.h. vonenander unabhängge) Enzelkontraste gebldet, z.b. Faktorstufe gegen 2 Trendcoderung: Ncht weter erläutert, da nur sehr selten engesetzt Wahl der Coderung st für de Höhe der Varanzaufklärung und den anschleßenden Sgnfkanztest ohne Bedeutung 37
38 Indkatorcoderung Bespel: Für ene verfachgestufte UV wrd Indkatorcoderung vorgenommen Je 3 UVs resulteren Kontrastcoderung Faktorstufe Faktorstufe 2 Faktorstufe 3 Faktorstufe 4 VPN Dummycoderung Effektcoderung x x 2 x 3 x x 2 x 3 x x 2 x 3 0 /2 0 /2-0 /2-0 /2 0 -/2 0 -/ / /2 38
39 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 39
40 Kanonsche Korrelaton / MANOVA Ŷ = B X Mt Hlfe verschedener Prädktoren (bzw. UVs) sollen mehrere Krteren (bzw. AVs) vorhergesagt werden Be der kanonschen Korrelaton snd de Prädktoren ntervallskalert Be der MANOVA snd de UVs nomnal- oder ordnalskalert x ŷ ŷ 2 x 2 ŷ 3 x m 40
41 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 4
42 Lneare Strukturglechungsmodelle In der Sprache neuronaler Netze: Lneare Strukturglechungsmodelle = Neuronale Netze mt Hdden-Unts und lnearer Aktvtätsfunkton Auch wetere statstsche Verfahren lassen sch als neuronale Netze darstellen U U 2 U 3 Y Y 2 Y 3 Y 4 Y 5 Y 6 Y 7 Y 8 Y 9 Y 0 Y Y 2 Y 3 Y 4 Y 5 Y 6 Y 7 Y 8 e e 2 e 3 e 4 e 5 e 6 e 7 e 8 e 9 e 0 e e 2 e 3 e 4 e 5 e 6 e 7 e 8 42
43 Überblck Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 43
44 Neuronale Netze Wchtge Unterschedung Neuronale Netze m weteren Snne: Neuronale Netze als Oberbegrff für de bsher aufgeführten, deskrptvstatstschen Verfahren Neuronale Netze m engeren Snne: Neuronale Netze als neue Form der Datenauswertung und Alternatve zu tradtonellen Analyseverfahren (z. B. multple Regresson) Auf den nachfolgenden Folen wrd der Begrff neuronale Netze nur noch n der engeschränkten Varante verwendet! 44
45 Neuronale Netze Unterschede zu tradtonellen Analyseverfahren Neuronale Netze Verschedene Aktvtätsfunktonen können engesetzt werden, auch nnerhalb enes Netzes Hdden-Unts möglch Sehr häufg verwendete Lernregel: Backpropagaton (an deser Stelle ncht so wchtg) plus Gradentenabstegsverfahren Tradtonelle Analyseverfahren (z. B. Multple Regresson) Immer: Lneare Aktvtätsfunkton bzw. genauer gesagt: Identtätsfunkton (nonlneare Zusammenhänge nur durch entsprechende Modellterme (z. B. x 2 ) erfassbar) Außer be lnearen Strukturglechungsmodellen kene Hdden- Unts In aller Regel Methode der klensten Quadrate (Ausnahme: z.b. lneare Strukturglechungsmodelle) 45
46 Neuronale Netze Gradentenabstegsverfahren vs. Methode der klensten Quadrate Gradentenabstegsverfahren Zufällger Startpunkt Bldung der ersten Abletung Veränderung der Gewchte Erneute Bldung der ersten Abletung usw. Wederholung bs Abbruchkrterum errecht st F Methode der klensten Quadrate Bldung der ersten Abletung für de Vorhersageglechung Soll den Wert 0 annehmen Unmttelbare Ermttlung des globalen Mnmums n enem Berechnungsschrtt F F mn W w mn W 46
47 Neuronale Netze Vor- und Nachtele Vortele Häufg deutlch bessere Varanzaufklärungen Zum Tel sehr gute Erfassung nonlnearer Zusammenhänge Kene Vorgabe von Modelltermen (z. B. x²) notwendg Aufdeckung komplexer Zusammenhänge (Muster) Forschungsanregend durch mehrere Lösungen be mehreren Berechnungen Nachtele Inferenzstatstsche Abscherung noch ncht ausgearbetet ( möglch z. B. über Bootstrap) Interpretaton (der Gewchte) z. T. sehr schwerg Bestmmung der Gewchte häufg vom Zufall abhängg Dverse Probleme bem Gradentenabstegsverfahren (rechenaufwendg, Zufallsabhänggket, ledglch Kenntns der lokalen Umgebung usw.) Großer Rechenaufwand Captalzaton on Chance hoch 47
48 Exkurs: Captalzaton on Chance Problem: Captalzaton on Chance = Overfttng = Bas-Varanz-Dlemma Problem, dass Modell bzw. Beta-Gewchte de Daten der ursprünglchen Stchprobe sehr gut prognostzert, aber ncht de Werte ener neuen aus der Populaton gezogenen Stchprobe Ich sehe komplexe Muster n den Zahlen, de n Wrklchket ncht vorhanden snd, sondern zufallsbedngt zustande gekommen snd Lässt sch de berechnete Vorhersageglechung noch generalseren? Lösungen Replkaton: Untersuchung wederholen, um zu überprüfen, ob man das zuvor gefundene Muster wederfndet Kreuzvalderung: Ähnlch we Replkaton, Telung der Stchprobe n Tranngsmenge: Telstchprobe zur Berechnung der Gewchte Valderungsmenge: Kene Gewchtsmodfkaton, Prüfstchprobe Andere Indkatoren (RMS/Y m ) anstelle von R² verwenden 48
49 Zusammenfassung Neuronale Netze Lneare Strukturglechungsmodelle Allgemenes lneares Modell (ALM) MANOVA / Kanonsche Korrelaton ANOVA / Multple Regresson Mttelwerteverglech / bvarate Regresson 49
50 Prüfungslteratur Rey, G. D. & Wender, K. F. (208). Neuronale Netze. Ene Enführung n de Grundlagen, Anwendungen und Datenauswertung (3., überarbetete Auflage). Göttngen: Hogrefe. Datenauswertung (S ) 50
Grundgedanke 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
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
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
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:
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
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
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
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 )
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
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
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
MehrMehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren
Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +
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.
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
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;
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
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
MehrÖkometrie I 10 Korrelation - Regression
Ökometre I 10 Korrelaton - Regresson Ka Uwe Totsche LS Hydrogeologe Fredrch-Schller-Unverstät Jena Prof. Dr. Ka Uwe Totsche Ökometre I Korrelaton - Regresson 10-1 Zele und Lernnhalte Zel deser Enhet Zwedmensonale
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
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
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
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
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
MehrÜbung zur Vorlesung - Theorien Psychometrischer Tests II
Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =
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
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
Mehr3 Multiple lineare Regression
3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:
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
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
MehrÖkonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
MehrAufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):
LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete
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
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
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
Mehr6 Rechnen mit Zahlen beliebig hoher Stellenzahl 7 Intervall-Arithmetik 8 Umsetzung in aktuellen Prozessoren
Inhalt 4 Realserung elementarer Funktonen Rehenentwcklung Konvergenzverfahren 5 Unkonventonelle Zahlenssteme redundante Zahlenssteme Restklassen-Zahlenssteme logarthmsche Zahlenssteme 6 Rechnen mt Zahlen
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
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,
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
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
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.
MehrKapitel 4: Lernen als Optimierung. Maschinelles Lernen und Neural Computation
Kaptel 4: Lernen als Optmerung 71 Lernen als Funktonsoptmerung Gegeben: Fehlerfunkton (.a. neg. log Lkelhood) n z.b.: 2 E E ( ) ( ( ) W = f x ; W t ) n = 1 ( ) ( ( ) ( = + ) ( ( W t log f x t f x ) n ;
MehrKapitel 8: Kernel-Methoden. Maschinelles Lernen und Neural Computation
Kaptel 8: Kernel-Methoden SS 009 Maschnelles Lernen und Neural Computaton 50 Ausgangsbass: Perceptron Learnng Rule Δw y = Kf = 0Ksonst K"target" = Kf Rosenblatt (96) Input wrd dazugezählt (abgezogen),
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
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
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
MehrDatensätze und statistische Grundlagen: Begriffe, Definitionen, Konzepte
Abtelung Arbetsmarktpoltk und Beschäftgung Hauptsemnar: Analse von Längsschnttdaten mt GSOEP und STATA Datensätze und statstsche Grundlagen: Begrffe, Defntonen, Konzepte 27. Oktober 2003 Abtelung Arbetsmarktpoltk
MehrHydrologie und Flussgebietsmanagement
13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
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
MehrRückblick 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
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
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
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
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
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
MehrBei Strecken höherer Ordnung wird auch hier die Strecke durch die Methode der Ersatzzeitkonstante
Lösung Übung 9 Aufgabe: eglerauslegung mt blnearer Transformaton n s In der kontnuerlchen egelungstechnk wrd für gewöhnlch en PI-egler verwendet, um de größte Zetkonstante zu kompenseren bzw. be IT-Strecken
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
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:
MehrSequential minimal optimization: A fast Algorithm for Training Support Vector machines
Sequental mnmal optmzaton: A fast Algorthm for Tranng Support Vector machnes By John C. Platt (998) Referat von Joerg Ntschke Fall der ncht-trennbaren Tranngs-Daten (/) In der Realtät kommen lnear ncht-trennbare
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
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
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
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
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
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
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
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
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
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
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
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.
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
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
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
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
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
MehrISBN (Print); (PDF)
Bblografsche Informaton der Deutschen Natonalbblothek De Deutsche Natonalbblothek verzechnet dese Publkaton n der Deutschen Natonalbblografe; detallerte bblografsche Daten snd m Internet über http://dnb.dnb.de
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
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
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.
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
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
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;
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
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
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
MehrRegression und Korrelation
Regresson und Korrelaton von Ac Enstegsaufgabe lneare Regresson: Durch de 3 Punkte P/, P4/5, P39/6 st ene Mn-Punktwolke gegeben. Gesucht st dejenge Gerade g, welche n der Nähe der Punkte verläuft und de
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,
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
MehrFachbereich Mathematik Prof. K. Grosse-Brauckmann D. Frisch WS 2007/08 10./ Gruppenübung
Fachberech Mathematk Prof. K. Grosse-Brauckmann D. Frsch WS 27/8./.. 6. Übungsblatt zur Lnearen Algebra für Physker Gruppenübung Aufgabe G7 (Kern, Bld, Rang und Orthogonaltät) Gegeben se ene lneare Abbldung
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
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
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
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 >
MehrHauptprüfung Abiturprüfung 2014 (ohne CAS) Baden-Württemberg
Hauptprüfung Abturprüfung 2014 (ohne CAS) Baden-Württemberg Lneare Optmerung Hlfsmttel: GTR, Formelsammlung beruflche Gymnasen (AG, BTG, EG, SG, TG, WG) Alexander Schwarz www.mathe-aufgaben.com Oktober
Mehr