Visualisierung I 5. Statistische Graphiken
|
|
- Jörg Morgenstern
- vor 8 Jahren
- Abrufe
Transkript
1 Visualisierung I 5. Statistische Graphiken Vorlesung: Mi, 9:00 11:00, INF Übung: Do, 14:00 16:00, INF 350 OMZ R U011 JProf. Dr. Heike Jänicke
2 Inhaltsverzeichnis 1. Einführung 2. Visuelle Wahrnehmung 3. Datentypen und Datenrepräsentation 4. Skalardaten 5. Statistische Graphiken 6. Interaktion und Datenexploration 7. Darstellung von Graphen 8. Vektordaten 9. Tensordaten 2
3 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramme 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 3
4 Beispiel Autokauf Wir möchten uns ein neues Auto kaufen und haben uns dazu einige Modelle ausgesucht, die unseren Anforderungen entsprechen. Der nun ausschlaggebende Faktor ist der Preis und es sollen die Preise der verschiedenen Wagen verglichen werden. Die Visualisierung soll uns nun bei der Entscheidungsfindung helfen. 4
5 Direkte Visualisierung Ein erster Ansatz ist die direkte Visualisierung der Originaldaten: Preis Ford Ford Nissan Ford Ford Nissan Vauxhall Nissan Jeep Land Rover Ford Ford Mercedes Saab Ford Rover Morgan BMW Rolls BMW Saab Mercedes Mercedes BMW
6 Direkte Visualisierung Die gezeigten Visualisierungen haben folgende Stärken und Schwächen: Positiv: Minimum und Maximum können leicht abgelesen werden. Man kann die allgemeine Verteilung sehen. Cluster kann man erkennen. Negativ: Die Darstellung (noch) größerer Datenmenge ist schwierig. Entweder kommt es zu Überlappungen/Verdeckung oder man benötigt sehr viel Platz. Das Labeling (Annotieren von Datenpunkten) ist schwierig. Die Interpretation großer Datenmengen kann durch Aggregation vereinfacht werden. 6
7 Aggregation Histogramm Das Histogramm ist die wohl am häufigsten vorkommende Darstellung aggregierter Information. Hierbei wird für jede Klasse (Autos mit einem Preis in einem bestimmten Bereich) angezeigt, wieviele Elemente diese Klasse enthält. Wir können ablesen: In welcher Preisspanne bewegen sich die ausgewählten Autos? In welchen Preisklassen gibt es viele bzw. wenige Fahrzeuge? Preisspannen in denen es zu Häufungen kommt (ein Bereich vs. mehrere). Lokale Maxima, d.h. in welchem Preissegment haben wir eine große Auswahl. 7
8 Aggregation Boxplot Ein Boxplot ist eine visuelle Darstellung wichtiger statistischer Merkmale und gibt Antworten auf relevante Fragen: In welcher Preisspanne bewegen sich die Autos? sehr teuer Was ist der durchschnittliche Preis für ein Auto in der gewählten Klasse? In welchem Bereich liegen 50% der Wagen? Gibt es Wagen, die extrem teuer oder billig sind? Mittelwert 50% der Autos sehr günstig 8
9 Darstellung mit und ohne Aggregation Ford Ford Nissan Nissan Land Rover Preis Ford Saab Rover BMW BMW Mercedes BMW
10 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 10
11 Merkmal oder Statistische Variable Die Objekte, auf die sich eine statistische Analyse bezieht, heißen Untersuchungseinheiten (z.b. Personen, Staaten, Datenpunkte). Die Zusammenfassung aller Untersuchungseinheiten bildet die Grundgesamtheit. Bestimmte Aspekte oder Eigenschaften einer Untersuchungseinheit bezeichnet man als Merkmal oder statistische Variable X (z.b. Körpergröße, Einwohnerzahl, Temperatur). Bei jeder Untersuchungseinheit nimmt das Merkmal X eine mögliche Ausprägung x aus dem Merkmalsraum (Menge der möglichen x-werte) an (z.b. 1,76m, 82 Mio., 24 C). 11
12 Häufigkeiten Die absolute Häufigkeit nj ist die Anzahl der Untersuchungseinheiten, die die Merkmalsausprägung aj, j = 1,..., k besitzen. Die Summe der absoluten Häufigkeiten aller Merkmalsausprägungen ergibt die Gesamtzahl n der Beobachtungen: k n j=n j=1 Für den vom Stichprobenumfang unabhängigen Vergleich von Untersuchungen benötigt man die relativen Häufigkeiten fj: f j =f a j = nj, n j=1,, k. Sie geben den Anteil der Untersuchungseinheiten an, die die Ausprägung aj besitzen. Die Summe der relativen Häufigkeiten aller Merkmalsausprägungen ergibt 1: k f j=1 j=1 12
13 Empirische Verteilungsfunktion Sind die Beobachtungen x1,..., xn des Merkmals X der Größe nach als x1 x2... xn geordnet und ist das Datenniveau mindestens ordinal, so ist die empirische Verteilungsfunktion an der Stelle x die kumulierte relative Häufigkeit aller Merkmalsausprägungen aj, die kleiner oder gleich x sind: F x = f a j a j x 13
14 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 14
15 Abfahrtszeiten 15
16 Stamm-Blatt-Diagramm 16
17 Stamm-Blatt-Diagramm Konstruktion Ein Stamm-Blatt-Diagramm besteht aus zwei Spalten: dem Stamm und den Blättern. Der Stamm entspricht den Äquivalenzklassen, in die die Grundgesamtheit unterteilt wird (z.b. volle Stunde, ersten n Stellen einer ganzen Zahl, ganzzahliger Anteil einer Gleitkommazahl). Die Blätter sind eine Auflistung aller Elemente/Untersuchungseinheiten, die in der jeweiligen Äquivalenzklasse auftreten. Als Daumenregel für die Anzahl der Äquivalenzklassen gilt 10 log10(n). Ist die Einheit der Blätter nicht intuitiv klar, sollte diese separat angegeben werden. 17
18 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 18
19 Histogramm Bei metrischen Merkmalen helfen Balkendiagramme oft nicht weiter, da viele Merkmalsausprägungen nur einmal auftreten (z.b. Temperaturmessung auf 6 Nachkommastellen genau). Um eine sinnvolle Häufigkeitsverteilung zu erhalten, muss das Merkmal zunächst klassifiziert werden (z.b. Temperatur auf ganze Zahl runden). Die hieraus resultierenden Häufigkeitsverteilung kann dann in einem Histogramm grafisch veranschaulicht werden. Die Histogrammflächen sind proportional zu den relativen Häufigkeiten fj, die Höhe hj des Rechtecks über der j-ten Klasse berechnet sich somit gemäß: h j= fj dj mit der Klassenbreite dj = ej ej-1. Dabei ist ej die obere Klassengrenze des j-ten Intervalls und ej-1 die untere. 19
20 Kumuliertes Histogramm Während beim Histogramm häufig die Häufigkeitsverteilung/Dichtefunktion eines Merkmals dargestellt wird, kann ebensogut die empirische/kumulierte Verteilungsfunktion abgetragen werden. Man kann nun ablesen wie der Grenzwert x gewählt werden muss, so dass k% der Daten unterhalb dieses Wertes liegen und (100-k)% der Daten oberhalb. Die Abstände zwischen benachbarten Balken geben die relativen Häufigkeiten der einzelnen Klassen an. 0,96 1 0,9 0,84 0,8 0,72 Anteil (< Filmlänge) 0,7 1 0,88 0,76 0,64 0,6 0,5 0,4 0,32 0,3 0,2 0,1 0, Filmlänge
21 Histogramm Anzahl der Klassen Ein Parameter, der dem Histogrammalgorithmus gegeben werden muss ist die Anzahl der Klassen. Wählt man diese falsch kann es zu folgenden Problemen kommen: Zu viele Klassen: Es ist schwer die tatsächlich zugrunde liegende Struktur abzulesen, da lokale zufällige Schwankungen starken Einfluss haben. Zu wenige Klassen: Lokale Eigenschäften/Unterschiede werden durch zu das Zusammenfassen verschiedener Klassen eliminiert und können nicht mehr erkannt werden [Shimazaki 2005]
22 Histogramm Anzahl der Klassen Allgemein gilt: Es ist sehr schwierig automatisch einen guten Grenzwert für die Anzahl der Klassen anzugeben. Je nach Datenlage kann dieser Wert stark variieren. Deshalb erweist es sich meist als günstig, wenn der Nutzer die Klassenzahl interaktiv variieren kann. Grobe Richtlinien wären etwa: Anzahl der Messungen Anzahl an Klassen <50 5 bis 7 50 bis bis bis bis 12 > bis 20 Es gibt auch wissenschaftliche Untersuchungen, die u.a. zu folgenden Empfehlungen kommen: Sturges: k = ceil( log2n + 1 ) Scott: k = 3.5 σ / n1/3, wobei σ die Standardabweichung in den Daten ist. 22
23 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 23
24 Modalwert Als Modalwertx M bezeichnet man den häufigsten Wert einer Verteilung. x M =a j n j =max {n 1, n2,, n k }. Die Angabe des Modalwertes ist meist nur sinnvoll, wenn es in den Daten nur einen Gipfel gibt. 24
25 Median und Quantile Der Median teilt die Daten in zwei gleichgroße Bereich. Die eine Hälfte der Daten ist kleiner als der Median, die andere größer als er. Der Median wir mit Q0.5 bezeichnet und durch die Forderung F Q 0.5 =0.5 definiert. { x n 1 /2 falls n ungerade Q0.5 = 1 x n /2 x n/ } Das Quantil ist eine Verallgemeinerung des Medians. Das α-quantil wird durch die Forderung F( Q ) = α definiert. Bei diskreten Daten bedeutet dies, dass höchstens n(1 α) Werte größer oder gleich Q sind. { x ceil n Q = 1 x x 2 n n 1 falls n gerade falls n nicht ganzzahlig falls n ganzzahlig } Quartile sind die Quantile zum 25%- bzw. 75%-Niveau. Q oder Q heißt unteres.25 1 Quartil, Q.75 oder Q heißt oberes Quartil. 3 25
26 Median und Quantile [fao.org] 26
27 Mittelwert und Streuungsmaße Das arithmetische Mittel (oft auch Mittelwert) x ist der Durchschnittswert aller Beobachtungen: n 1 x= x i. n i=1 Der Quartilsabstand (IQR) ist gegeben durch d Q=Q 0.75 Q 0.25 Er definiert den zentralen Bereich einer Verteilung, in dem 50% der Werte liegen. Die Varianz σ² misst die mittlere quadratische Abweichung vom arithmetischen Mittel: n 1 2= x i x 2. n i=1 Die Standardabweichung σ ist die positive Wurzel aus der Varianz: n 1 = x i x 2. n i=1 27
28 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 28
29 Boxplot Boxplots sind eine graphische Darstellung wichtiger statistischer Kenngrößen: Median unteres und oberes Quartil Ausreißer Normalbereich Folgende Informationen können leicht abgelesen werden: Minimum und Maximum Mittlerer Wert Was ist normal? Welche Werte sind ungewöhnlich? Spannweite der Daten Extremwert Ausreißer größter Wert mit xj Q IQR Median = Q2 Q3 Q1 kleinster Wert mit xj Q1-1.5 IQR Ausreißer Extremwert 29
30 Beispiele Boxplots Autopreise Anzahl der Geburten nach Wochentag [C. Schwarz, 30
31 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 31
32 Zusammenhänge zwischen zwei Variablen # Schlafzimmer Preis 25,000 48,000 60,000 80,000 98, ,000 57,000 81, , , , , , ,000 32
33 Streudiagramm Ein Streudiagramm ist eine visuelle Darstellung von bivariaten Daten (Daten mit zwei Merkmalen). Die x-achse wird entsprechend dem einen Merkmal skaliert, die yachse entsprechend dem anderen Merkmal. Die Wertepaare der einzelnen Messwerte werden nun als 2D Datenpunkte in das Diagramm eingetragen. Das Streudiagramm gibt Auskunft über Existenz und Art von Korrelationen. Clusterbildung. Ausreißer in bivariaten Daten, d.h. die Kombination der beiden Werte ist ungewöhnlich. Ein wichtiger Aspekt bei der Darstellung von Streudiagrammen ist die Skalierung der Achsen. Häufig werden die beiden Verteilungen normiert und mit gleicher Ausdehnung abgetragen. Dies kann auf den ersten Blick einen falschen Eindruck vermitteln, wenn die eine Variable stark variiert und die andere nur wenig um einen bestimmten Wert schwankt. Betrachtung der Varianz kann hier helfen. 33
34 Streudiagramm Beispiele für verschiedene Korrelationen keine Korrelation positive lineare Korrelation quadratischer Zusammenhang exponentieller Zusammenhang negative lineare Korrelation Ausreißer 34
35 Streudiagramm Beispiele [boston.com] [Piotr Deuar] Zusammensetzung von Olivenöl [M. Daszykowski, 2005] 35
36 Kontinuierliche Streudiagramme Hurricane Isabel data set: These two images show a continuous and a discrete scatterplot of the hurricane Isabel data set. The continuous version was created with the tetrahedral approach as described in the paper "Continuous Scatterplots". This data set is the downsampled version with a size of 128 x 128 x 30. In the discrete scatterplot, near-vertically aligned clusters of points are visible. Those clusters are misleading, since they originate solely from the low sampling density in the z-dimension. (See next example for a high-resolution version of this data set.) [S. Bachthaler and D. Weiskopf: Continuous Scatterplots, TVCG, 2008] 36
37 Streudiagramm Matrizen [Originlab] 37
38 Inhaltsverzeichnis 5. Statistische Graphiken 1. Statistische Grundlagen 2. Stamm-Blatt-Diagramm 3. Histogramm 4. Statistische Maßzahlen 5. Boxplot 6. Streudiagramm 7. Hauptkomponentenanalyse 38
39 Beispiel Gegeben sei eine Kugel die an einer Feder gleichmäßig hoch und runter schwingt. Die Bewegung der Kugel wird von 3 Kameras aufgezeichnet und ergibt zu jedem Zeitpunkt ti 6 Messung (jeweils x- und y-koordinate im Kamerabild). t t1 t2 x A x A1 x A2 y A y A1 y A2 x B x B1 x B2 y B y B1 y B2 x C x C1 x C2 y C y C1 y C2 Im 7D Raum ergäben die Datenpunkte eine perfekt Linie und es würde ausreichen die Messung mit Hilfe eines Parameters (Auslenkung der Kugel entlang der Achse zu beschreiben). Die PCA hilft so eine niederparametrige Darstellung zu finden, indem das Koordinatensystem neu ausgerichtet wird. 39
40 Basistransformation Verallgemeinert untersuchen wir Daten mit m Variablen (Kamerapositionen) und n Datenpunkten (Zeitschritte). Die naive bisher gewählte Basis für unsere Daten ist dann gegeben durch: [ ][ ] b1 1 0 B= b 2 = bm 0 0 =I 1 Mit dieser Basis können die Datenpunkte wie folgt dargestellt werden: [] x Ai y Ai x X i = Bi y Bi x Ci y Ci 40
41 Basistransformation Die Hauptkomponentenanalyse berechnet eine lineare Transformation P der Originalbasis, die die Daten besser charakterisiert. Seien X und Y m n-matrizen und P eine lineare Transformation (m m-matrix) P X =Y Die Gleichung kann wie folgt interpretiert werden: Die Matrix P transformiert X nach Y. Geometrisch betrachtet entspricht P einer Rotation und Skalierung, die ebenfalls X nach Y transformiert. Die Zeilen von P, {p1,..., pm}, bilden die neuen Basisvektoren zur Darstellung der Spalten in X. [ ] p1 x 1 p 1 x n P X= =Y p m x 1 p m x n 41
42 Welche Transformation? Wir haben gesehen, dass wir mittels einer linearen Transformation die Daten in ein neues Koordinatensystem abbilden können. Zwei Fragen bleiben bestehen: Was ist die beste neue Darstellung der Originaldaten in X? Was ist eine gute Wahl für P? 42
43 Information in den Daten Die neue Darstellung der Daten soll die enthaltene Information erhalten und leicht sichtbar machen. Die zwei wichtigsten Aspekte, die die Aussage von Daten unkenntlich machen sind Rauschen und Redundanz. Rauschen entsteht z.b. durch kleine Fehler in der Messung. Redundanz entsteht wenn eine Ursache sich auf mehrere Variablen auswirkt oder die gleichen Daten unterschiedlich gemessen werden. 43
44 Varianz und Kovarianz Sowohl das Rauschen (Signal-Rausch-Verhältnis) als auch Redundanz in den Daten kann mittels der Kovarianz ausgedrückt werden. Seien zwei simultane Messung mit arithmetisches Mittel = 0 gegeben: A={a 1, a2,, a n } B={b 1, b 2,, b n } Die Varianz in A und B ist gegeben durch: n 1 = a 2i n 1 i=1 2 A n 1 = bi2 n 1 i=1 2 B Die Kovarianz zwischen A und B ist gegeben durch: n 1 2AB = ai b i n 1 i=1 mit σ²ab = 0 gdw. A und B völlig unkorreliert sind. σ²aa = σ²a Man kann die Kovarianz nun als Skalarprodukt formulieren: 2a b= 1 a bt n 1 a=[a1 a 2 an ] b=[b 1 b 2 b n ] 44
45 Kovarianzmatrix Werde nun nicht zwei einzelnen Messungen betrachtet, sondern viele Messungen, kann man diese in einer Matrix X speichern. [ x 11 X = x 21 x m1 x 12 x 22 x m2 x 1n x 2n x mn ] Die Kovarianzmatrix ist definiert durch: SX mit folgenden Einträgen: 1 X XT n 1 Der Eintrag an der Stelle (i,j) entspricht der Kovarianz zwischen xi und xj. SX ist eine symmetrische m m-matrix. Die Einträge auf der Hauptdiagonale sind die Varianzen in den einzelnen Variablen. Alle anderen Einträge sind die Kovarianzen zwischen verschiedenen Variablen. 45
46 Kovarianz Angenommen wir würden nicht die Daten manipulieren, sondern die Kovarianzmatrix. Welche Eigenschaften wollten wir erzielen? Um die Redundanz möglichst klein zu halten, sollten die Daten in den verschiedenen Variablen möglichst wenig voneinander abhängen. Dies kann erreicht werden indem nur noch die Einträge auf der Hauptdiagonale 0 sind. Die Daten sollen geordnet sein, so dass wir bestimmen können in welcher Variable die größte/kleinste Varianz besteht. Wir benötigen also neben den neuen Basisvektoren noch einen Wert der dies quantifiziert. Dies wird die Varianz in Richtung der neuen Achsen sein. Die neue Basis soll orthonormal sein. Hierdurch lässt sich das Problem u.a. leicht lösen. Außerdem sind die neuen Richtung nun unkorreliert. 46
47 Hauptkomponenten Wir suchen also eine Matrix P mit Y = PX, so dass die Kovarianzmatrix SY = YYT/(n-1) eine Diagonalmatrix ist. Die Zeilen in P sind dann die Hauptachsen (principal components) von X. Zuerst formulieren wir die Kovarianzmatrix um: 47
48 Hauptkomponenten Die Matrix A = XXT kann diagonalisiert werden, indem man mit einer Matrix E multipliziert, deren Spalten die Eigenvektoren (EV) von A sind: A=EDE T mit D = diag(λ1, λ2,..., λn) und E = [ EV(λ1) EV(λ1)... EV(λ1)]. Jetzt wählen wir die Matrix P so, dass die Zeilen von P den Eigenvektoren von A = XXT entspricht. Nun gilt P ET, A = PTDP und außerdem P-1 = PT. Hiermit erhalten wir: 48
49 Hauptkomponentenanalyse Ergebnisse Eigenschaften: Aufgrund der gegebenen Wahl von P wird SY diagonalisiert. (Das Ziel der PCA.) Die Hauptkomponenten sind die Eigenvektoren von XXT. Der i-te Eintrag in der Kovarianzmatrix SY ist die Varianz von X in Richtung der i-ten Hauptkomponente. Algorithmus: Berechne das arithmetische Mittel über alle Datenpunkte in jeder Variable. Subtrahiere das arithmetische Mittel von den Daten. Ordne die n Datenpunkte mit m Variablen in einer m n-matrix X an. Berechne die Kovarianzmatrix SX = XXT. Berechne die Eigenwerte und Eigenvektoren der Kovarianzmatrix SX. 49
50 Referenzen Die Erklärungen folgen den Beschreibungen in: A. C. Telea. Data Visualization: Principles and Practice, A K Peters, Ltd., H. Toutenburg, M. Schomaker, M. Wißmann, C. Heumann: Arbeitsbuch zur deskriptiven und induktiven Statistik, Springer, (online über Heidi verfügbar). R.Spence: Information visualization, Addison-Wesley, S. H. and Shinomoto S., A method for selecting the bin size of a time histogram Neural Computation (2007) Vol. 19(6), J. Shlens: A Tutorial on Principal Component Analysis,
1 Darstellen von Daten
1 Darstellen von Daten BesucherInnenzahlen der Bühnen Graz in der Spielzeit 2010/11 1 Opernhaus 156283 Hauptbühne 65055 Probebühne 7063 Ebene 3 2422 Next Liberty 26800 Säulen- bzw. Balkendiagramm erstellen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrExpertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung)
Epertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung) Im Folgenden wird mit Hilfe des Programms EXEL, Version 007, der Firma Microsoft gearbeitet. Die meisten
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrSTATISTIK. Erinnere dich
Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10
MehrVorlesung Diskrete Strukturen Graphen: Wieviele Bäume?
Vorlesung Diskrete Strukturen Graphen: Wieviele Bäume? Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2013/14 Isomorphie Zwei Graphen (V 1, E 1 ) und (V
MehrMathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
MehrKleine Einführung in die lineare Regression mit Excel
Kleine Einführung in die lineare Regression mit Excel Grundoperationen mit Excel Werte mit Formeln berechnen Bsp.: Mittelwert und Standardabweichung Das $-Zeichen Beispielauswertung eines Versuches Daten
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
Mehr1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de
1. Allgemeine Hinweise Alexander.Martin.Koenig@TU-Clausthal.de Man sollte eine Excel-Tabelle immer so übersichtlich wie möglich halten. Dazu empfiehlt es sich, alle benötigten Daten, Konstanten und Messwerte
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrAnwendungshinweise zur Anwendung der Soziometrie
Anwendungshinweise zur Anwendung der Soziometrie Einführung Die Soziometrie ist ein Verfahren, welches sich besonders gut dafür eignet, Beziehungen zwischen Mitgliedern einer Gruppe darzustellen. Das Verfahren
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrZahlen auf einen Blick
Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrErstellen von x-y-diagrammen in OpenOffice.calc
Erstellen von x-y-diagrammen in OpenOffice.calc In dieser kleinen Anleitung geht es nur darum, aus einer bestehenden Tabelle ein x-y-diagramm zu erzeugen. D.h. es müssen in der Tabelle mindestens zwei
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrDaten sammeln, darstellen, auswerten
Vertiefen 1 Daten sammeln, darstellen, auswerten zu Aufgabe 1 Schulbuch, Seite 22 1 Haustiere zählen In der Tabelle rechts stehen die Haustiere der Kinder aus der Klasse 5b. a) Wie oft wurden die Haustiere
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrProfessionelle Diagramme mit Excel 2010 erstellen. Peter Wies. 1. Ausgabe, 2. Aktualisierung, März 2014. Themen-Special W-EX2010DI
Peter Wies 1. Ausgabe, 2. Aktualisierung, März 2014 Professionelle Diagramme mit Excel 2010 erstellen Themen-Special W-EX2010DI 2 Professionelle Diagramme mit Excel 2010 erstellen - Themen-Special 2 Wichtige
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrAbschlussprüfung Realschule Bayern II / III: 2009 Haupttermin B 1.0 B 1.1
B 1.0 B 1.1 L: Wir wissen von, dass sie den Scheitel hat und durch den Punkt läuft. Was nichts bringt, ist beide Punkte in die allgemeine Parabelgleichung einzusetzen und das Gleichungssystem zu lösen,
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
MehrDokumentation Datamining
Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrFelix Klug SS 2011. 2. Tutorium Deskriptive Statistik
2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala
MehrEigenwerte und Eigenvektoren von Matrizen
Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt
MehrHandbuch. NAFI Online-Spezial. Kunden- / Datenverwaltung. 1. Auflage. (Stand: 24.09.2014)
Handbuch NAFI Online-Spezial 1. Auflage (Stand: 24.09.2014) Copyright 2016 by NAFI GmbH Unerlaubte Vervielfältigungen sind untersagt! Inhaltsangabe Einleitung... 3 Kundenauswahl... 3 Kunde hinzufügen...
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrStandardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrLaufende Auswertung von Feedback-Fragebögen... 2. Eine Vorlage zur Auswertung eines Fragebogens und die Präsentation erstellen...
Inhaltsverzeichnis Laufende Auswertung von Feedback-Fragebögen... 2 Eine Vorlage zur Auswertung eines Fragebogens und die Präsentation erstellen... 2 Namen verwalten... 4 Dr. Viola Vockrodt-Scholz edvdidaktik.de
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrDie Größe von Flächen vergleichen
Vertiefen 1 Die Größe von Flächen vergleichen zu Aufgabe 1 Schulbuch, Seite 182 1 Wer hat am meisten Platz? Ordne die Figuren nach ihrem Flächeninhalt. Begründe deine Reihenfolge. 1 2 3 4 zu Aufgabe 2
MehrFachhochschule Düsseldorf Wintersemester 2008/09
Fachhochschule Düsseldorf Wintersemester 2008/09 Teilfachprüfung Statistik im Studiengang Wirtschaft Prüfungsdatum: 26.01.2009 Prüfer: Prof. Dr. H. Peters, Diplom-Vw. Lothar Schmeink Prüfungsform: 2-stündige
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
Mehr1 C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R
C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R L Ö S U N G E N Seite 7 n Wenn vier Menschen auf einem Quadratmeter stehen, dann hat jeder eine Fläche von 50 mal 50 Zentimeter
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrAbiturprüfung Mathematik 2008 (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe 1
Abiturprüfung Mathematik (Baden-Württemberg) Berufliche Gymnasien ohne TG Analysis, Aufgabe Für jedes t f t () + t R ist die Funktion f t gegeben durch = mit R. Das Schaubild von f t heißt K t.. (6 Punkte)
MehrPraktikum Physik. Protokoll zum Versuch: Geometrische Optik. Durchgeführt am 24.11.2011
Praktikum Physik Protokoll zum Versuch: Geometrische Optik Durchgeführt am 24.11.2011 Gruppe X Name1 und Name 2 (abc.xyz@uni-ulm.de) (abc.xyz@uni-ulm.de) Betreuerin: Wir bestätigen hiermit, dass wir das
MehrGleichungen und Ungleichungen
Gleichungen Ungleichungen. Lineare Gleichungen Sei die Gleichung ax = b gegeben, wobei x die Unbekannte ist a, b reelle Zahlen sind. Diese Gleichung hat als Lösung die einzige reelle Zahl x = b, falls
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrMedia Teil III. Begriffe, Definitionen, Übungen
Media Teil III. Begriffe, Definitionen, Übungen Kapitel 1 (Intermedia- Vergleich: Affinität) 1 Affinitätsbewertung als Mittel des Intermedia-Vergleichs Um die Streugenauigkeit eines Werbeträgers zu bestimmen,
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrZahlenwinkel: Forscherkarte 1. alleine. Zahlenwinkel: Forschertipp 1
Zahlenwinkel: Forscherkarte 1 alleine Tipp 1 Lege die Ziffern von 1 bis 9 so in den Zahlenwinkel, dass jeder Arm des Zahlenwinkels zusammengezählt das gleiche Ergebnis ergibt! Finde möglichst viele verschiedene
MehrInfo zum Zusammenhang von Auflösung und Genauigkeit
Da es oft Nachfragen und Verständnisprobleme mit den oben genannten Begriffen gibt, möchten wir hier versuchen etwas Licht ins Dunkel zu bringen. Nehmen wir mal an, Sie haben ein Stück Wasserrohr mit der
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
MehrApproximation durch Taylorpolynome
TU Berlin Fakultät II - Mathematik und Naturwissenschaften Sekretariat MA 4-1 Straße des 17. Juni 10623 Berlin Hochschultag Approximation durch Taylorpolynome Im Rahmen der Schülerinnen- und Schüler-Uni
MehrArbeitspunkt einer Diode
Arbeitspunkt einer Diode Liegt eine Diode mit einem Widerstand R in Reihe an einer Spannung U 0, so müssen sich die beiden diese Spannung teilen. Vom Widerstand wissen wir, dass er bei einer Spannung von
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
MehrPTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN
PTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN Karlsruhe, April 2015 Verwendung dichte-basierter Teilrouten Stellen Sie sich vor, in einem belebten Gebäude,
MehrWachstum 2. Michael Dröttboom 1 LernWerkstatt-Selm.de
1. Herr Meier bekommt nach 3 Jahren Geldanlage 25.000. Er hatte 22.500 angelegt. Wie hoch war der Zinssatz? 2. Herr Meiers Vorfahren haben bei der Gründung Roms (753. V. Chr.) 1 Sesterze auf die Bank gebracht
MehrDie reellen Lösungen der kubischen Gleichung
Die reellen Lösungen der kubischen Gleichung Klaus-R. Löffler Inhaltsverzeichnis 1 Einfach zu behandelnde Sonderfälle 1 2 Die ganzrationale Funktion dritten Grades 2 2.1 Reduktion...........................................
MehrTipp III: Leiten Sie eine immer direkt anwendbare Formel her zur Berechnung der sogenannten "bedingten Wahrscheinlichkeit".
Mathematik- Unterrichts- Einheiten- Datei e. V. Klasse 9 12 04/2015 Diabetes-Test Infos: www.mued.de Blutspenden werden auf Diabetes untersucht, das mit 8 % in der Bevölkerung verbreitet ist. Dabei werden
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrGantt-Diagramm - Diagramm zur Projektverfolgung
Gantt-Diagramm - Diagramm zur Projektverfolgung 5.06.206 3:29:35 FAQ-Artikel-Ausdruck Kategorie: Windows::MS Office::Excel Bewertungen: 0 Status: öffentlich (Alle) Ergebnis: 0.00 % Sprache: de Letzte Aktualisierung:
MehrFit in Mathe. Juni 2014 Klassenstufe 9. Lineare Funktionen
Thema Musterlösungen Juni 0 Klassenstufe 9 Lineare Funktionen a) Vervollständige die Tabelle mit den Funktionswerten: x 6 8 0 6 0 x 5 6 7 8 9 0 b) Gib die Funktionsgleichung an x 6 8 0 6 0 8 x,5,75,5 0,5-0,5
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrKevin Caldwell. 18.April 2012
im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig
MehrDas Vermögen der privaten Haushalte in Nordrhein-Westfalen ein Überblick auf der Basis der Einkommens- und Verbrauchsstichprobe
Sozialberichterstattung NRW. Kurzanalyse 02/2010 09.07.2010 12.07.2010 Das Vermögen der privaten Haushalte in Nordrhein-Westfalen ein Überblick auf der Basis der Einkommens- und Verbrauchsstichprobe 2008
MehrUmfrage der Klasse 8c zum Thema "Smartphones"
Umfrage der Klasse 8c zum Thema "Smartphones" Gruppe Aylin, Antonia, Lisa, Vanessa Wir haben in den Wochen der Projektarbeit eine Umfrage gemacht, bei der wir insgesamt 25 Leute befragt haben. Zuvor hatten
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
Mehr