gleichgerichteten Alternativen Thomas Bregenzer

Größe: px
Ab Seite anzeigen:

Download "gleichgerichteten Alternativen Thomas Bregenzer"

Transkript

1 En SAS-Macro zur multvaraten nchtparametrschen Analyse be glechgerchteten Alternatven Thomas Bregenzer Insttut fur Mathematk und Datenverarbetung n der Medzn, Unverstatskrankenhaus Eppendorf, Hamburg Zusammenfassung Zur Analyse multvarater Probleme be glechgerchteten Alternatven egnen sch besonders (nchtparametrsche) Summentests, de sch gegenuber den klassschen Verfahren (z.b. Hotellngs T 2 )durchhohere Power auszechen. Dabe bereten auch unvollstandge Beobachtungsvektoren kene Schwergketen, ebensoweng we gemschte Vektoren aus metrschen und ordnalen kategorellen Daten. En Macro n SAS/IML ermoglcht ene bequeme Anwendung verschedener Summentests n parametrscher und nchtparametrscher Form. Enletung Werden zur Beurtelung enes Behandlungseekts mehrere glechbedeutende Zelvarablen herangezogen, so kann oft nur dann von ener endeutgen Uberlegenhet enes Verfahrens gesprochen werden, wenn sch be allen relevanten Zelgroen der gewunschte Eekt n der gewunschten Rchtung nachwesen lat. Unvarate statstsche Methoden fuhren so zu ener Velzahl von p{werten, wohngegen en enzelner p{wert zur Beurtelung enes Behandlungseekts von Vortel ware. Testverfahren zum Aufdecken deser glechgerchteten Alternatven m Fall zweer unverbundener Stchproben we z.b. de Summenstatstken nach O'Bren [2] und We{Lachn[8, 3], snd derzet Gegenstand ntensver Dskussonen. Unter Voraussetzung normalvertelter Daten mt glechen Varanzen n den Gruppen st der klasssche T 2 { Test von Hotellng zum Test auf belebge Abwechungen von der Nullhypothese " n kener der Zelgroen en Behandlungseekt\ glechmag bester unverfalschter Test zum Aufdecken glechgerchteter Alternatven st er aber gerade wegen sener Egenschaften als Omnbus{Test ncht geegnet. Herzu lassen sch mt Summenstatstken, gebldet durch gewchtetes oder ungewchtetes Aufsummeren der Mttelwertsderenzen uber de Zelvarablen, Tests mt groerer Power nden [4]. 2 Summenstatstken von O'Bren{Typ Se X (k) j = 2 j = ::: n k = ::: K de k{te gemessene Groe be Patent j n Gruppe, wobe enge der X (k) j fehlen konnen (mssng at random). De Vektoren X 0 j =(X () j ::: X(K) j ) sollen folgende Bedngungen erfullen:. De X j snd unabhangge Zufallsvektoren 2. E(X j )= =( ::: K ) 0 3. cov(x j )= (ncht sngular), = 2 =: =( kl ) k l= ::: K N := n + n 2,undn k bezechne P de Anzahl vorhandener Werte n Gruppe fur de k{te Varable. De Summen P bzw. Mttelwerte X (k) : := j X(k) j, X(k) : := n k j X(k) j werden dabe stets aus den vorhandenen Beobachtungen gebldet.

2 2. Konsstente Schatzer von und En konsstenter Schatzer fur ergbt sch komponentenwese aus X,wobe jede Komponente aus den n k vorhandenen Beobachtungen geschatzt wrd. De Kovaranz{Matrx kann geschatzt werden durch b := (b kl ) k l mt b kl = Xn j= (X (k) j der gepoolte Schatzer von st b =(b :kl ) k l mt ; X (k) : )(X (l) j ; X (l) : )=(n kl ; 2+ fk=lg ) 2X (n kl ; )bs kl = b :kl = X : nkl ; 2 De Kovaranz{Matrx des Mttelwertvektors X st cov(x )= cov(x (k) : X (l) : ) =: (! kl ) k l mt! kl = k l n kl n kn l kl = n2 kl n kn l cov (X (k) : X (l) : )wobe cov () debedngte Kovaranz st, baserend auf den n kl Beobachtungen mt vorhandenen Daten fur bede Varablen. Der Faktor n2 kl n kn l spelt dabe de Rolle enes Korrektur{Faktors be fehlenden Werten mt der Egenschaft, da de so bestmmte bedngte\ Kovaranz{Matrx postv semde- " nt st. Der Korrekturfaktor kann Werte zwschen 0 und annehmen:, wenn de Daten vollstandg snd, und 0, wenn jedem beobachteten Wert en fehlender gegenuberlegt\. In letzterem Fall werden de Varablen also " als bedngt unabhangg betrachtet. De so unter Ausnutzung aller verfugbaren Daten konstruerten X und b snd konsstente Schatzer fur und. 2.2 Asymptotsche Vertelung De Mttelwerts{Derenzvektoren der beden Behandlungsgruppen, (X (k) ;X (k) 2 ) k= ::: K, snd en konsstenter Schatzer fur den Eekt ; 2. Indem man zusatzlch zudenvektoren der Beobachtungen X (k) j de Vektoren der Indkatorvarabeln, de ja beschreben, ob en Wert vorhanden st oder fehlt, als Zufallsvarablen, stochastsch unabhangg von den X (k) j, enfuhrt, kann en multvarater Zentraler Grenzwertsatz angewandt werden um de asymptotsche Normaltat der standardserten Mttelwertsvektoren nachzuwesen: p N(X ; X 2 ) ;! D U N K (0 ;) mt ; =( kl ) k l und kk = N :kk n k + n 2k k = ::: K kl = N :kl nkl n k n l + ; kann konsstent ausb geschatzt werden. n 2kl k 6= l: n 2k n 2l 3 Multvarate Teststatstken fur unvollstandge Daten 3. Parametrsche Tests fur glechgerchtete Alternatven O'Bren schlagt zwe parametrsche Verfahren zum Test von H 0 : = 2 vs. H : ; 2 = cj vor, dabe st c en reellwertger Skalar und J en Enservektor mt K Komponenten. De modzerten OLS{ und GLS{ Statstken hre Namen bezehen sch auf ordnary least squares und generalzed least squares{ Technken O'Bren setzt standardserte Varablen voraus m allgemenen Fall wrd also J durch denvektor mt den Inversen der Standardabwechungen zu ersetzen sen.

3 snd nun T OLS = J0 (X ; X 2 ) (J 0 b ;J) =2 und T GLS = J0 b ; ; (X ; X 2 ) (J b 0 ; ; J) =2 wobe X, X 2 und b ; aus den vorhandenen Beobachtungen bestmmtwerden, we m vorgen Abschntt gezegt. Bede Statstken snd asymptotsch standardnormalvertelt unter H Ene allgemene lneare Rangstatstk m unverbundenen a{stchproben{fall O'Bren schlagt auch enen nchtparametrschen Test vor, der sch allerdngs schon n ahnlcher Form be Kozol et al 98 [6] ndet. Her wrd nun en allgemenes nchtparametrsches Verfahren fur den Fall von a unabhanggen Stchproben angegeben, zunachst be vollstandgen Daten: 3.2. Modell und Eekte X =(X () j ::: X(K) j ) 0 = ::: a j = ::: n bezechne de nach F vertelten unabhanggen Zufallsvektoren mt K Komponenten n a Gruppen. De Randvertelungen F (k+) := P (X (k) j x) werden ncht notwendg als stetg vorausgesetzt. Im weteren Verlauf wrd allerdngs ene normalserte\ Verson der Vertelungsfunkto- " nen verwendet: Bezechnet F (k+) Vertelungsfunkton und F (k;) we oben gezegt de (ublcherwese gebrauchlche) rechtsstetge Verson der <x) de lnksstetge Verson, so wrd mt := P (X (k) j F (k) (x) := 2 hf (k+) + F (k;) de gemttelte ( " normalserte\) Verson der Vertelungsfunkton bezechnet. De Verwendung deser Vertelungsfunkton hat den Vortel, da auch Bndungen und sogar ordnale kategorelle Daten zugelassen werden konnen. Ausgeschlossen sollen ledglch Enpunktvertelungen sen. De emprschen Vertelungsfunktonen bf (k) := n Xn j= c(x ; X (k) j ) seen ebenfalls mt normalserten Versonen der Zahlfunkton c gebldet. De (a K{Komponenten{) Vektoren der Vertelungsfunktonen werden mt bezechnet. F =(F (k) ) 0 = ::: a k = ::: K Das gewchtete Mttel der Vertelungsfunktonen st mt N = P a = n. H (k) = bzw. bh (k) = = = n N F (k) n F b(k) = N N Xn = j= bzw. F b =( F b(k) ) 0 = ::: a k = ::: K c(x ; X (k) j )

4 3.2.2 De nchtparametrschen Eekte Der Erwartungswert der Zufallsvarablen X j (auf den Index k fur de Varablennummer m oben betrachteten Vektor soll zunachst verzchtet werden) E(X j )= R xdf (x) lat sch als Spezalfall enes " verallgemenerten Erwartungswerts\ mt belebger Integrandenfunkton h (eben fur h = d) E h (X j ):= R h(x) df (x) auassen. Im ren nchtparametrschen Kontext stehen neben der Identtat ncht vele " snnvolle\ Funktonen fur h zur Auswahl, m Grunde nur de Vertelungsfunktonen der zugrundelegenden Daten. Ene Moglchket ware R F 0(x) df (x) 6= 0 de Proversonswahrschenlchketen P (X j X 0 j) also. Da aber ncht a pror ene Gruppe vor den anderen ausgezechnet sen mu, erschent es snnvoll, das gewchtete Mttel der Vertelungsfunktonen zu verwenden, womt sch, vgl. [3], de ({ten) relatven (Behandlungs{)Eekte p := Z H(x) df (x) als gemttelte Verson der Proversonswahrschenlchketen ergeben. Lat man zusatzlch noch ene Scorefunkton J zu, so erhalt man de ({ten) allgemenen relatven Eekte p (J) := Z J[H(x)] df (x): Im multvaraten Kontext, also be K{komponentgen Zufallsvektoren X j =(X () j ::: X(K) j ) 0 = ::: a j = ::: n mt Vertelungsfunktonen F und Randvertelungen F (k) betrachtet man nun also de Vektoren (bzw. deren Schatzer) der relatven Eekte p (k) (J (k) ) := bp (k) (J (k) ) := Z Z J (k) [H (k) (x)] df (k) (x) J (k) [ H b (k) (k) (x)] db F (x): Dabe setzten sch deschatzer aus den durch varablenwese Rangvergabe gebldeten Rangen (R (k) j ) (bzw. Rangscores) zusammen, denn j ; 2 J (k) ( H b (k) (X (k) j )) R (k) =! J (k) N Da das n Abschntt 5 beschrebene SAS{Macro nur Wlcoxon{Scores verwendet, wrd m Abschntt 3.3 uber drektonale Tests auf de Scorefunktonen J (k) ncht weter engegangen und J (k) = d verenbart.! : Hypothesen m nchtparametrschen Modell Im nchtparametrschen Modell werden de Vertelungsfunktonen analog zur ANOVA addtv zerlegt, so z.b. m 2{faktorellen Modell de Vertelungsfunktonen F j der Zufallsgroen X jm n F j = M + A + B j + C j P P P P mt den Nebenbedngungen: A = j B j = C j = j C j =0(wobe 0 her de konstante Nullfunkton bezechnet). Mt den we oben gebldeten Mtteln der Vertelungsfunktonen X X XX F = b j F j F j = a F j F = ab lat sch nun so z.b. de ren nchtparametrsche Hypothese " ken Eekt von A\ formuleren: H (A) 0 : A = F ; F =0 8 = ::: a Allgemene Hypothesen lassen sch nun mttels ener Kontrastmatrx C formuleren als H 0 (C) :CF = 0, z.b. st m her besprochenen Enfaktor{Modell m Fall K = (unvarat) C = P a := I a ; a J a,mmultvaraten Fall C = P a K. j F j

5 3.2.4 Asymptotk und Teststatstken Durch Anwendung geegneter Grenzwertsatze [2] lat sch de multvarate Normaltat von bp(j) =:bp unter H 0 (C) :CF = 0 zegen, sofern folgende Bedngungen erfullt snd: (A) mn f= ::: ag n!, (A2) 0 < 0 n =N ; 0 < (A3) J (k) :[0 ]! IR snd beschrankte Scorefunktonen. N = P a = n st de Anzahl der Beobachtungsvektoren. Fur de asymptotschen Betrachtungen st es snnvoll, zunachst ncht bp zu betrachten, sondern ene aus pro Varable unabhanggen Komponenten zusammengesetzte Verglechsstatstk, der asymptotschen Rangtransformaton Y mt Komponenten Z J (k) [H (k) (k) ] db F = ::: a k = ::: K und Y (k) j := J (k) (H (k) (X (k) j ), von der sch zegen lat, da unter H 0 : CF = 0 de Statstken Cbp und CY asymptotsch aquvalent snd. Grenzwertaussagen fur CY gelten somt auch fur Cbp. De Covaranzmatrx von p N Y st wegen der Unabhanggket der Y (k) und Y (k) 0 fur 6= 0, de durch de asymptotsche Rangtransformaton aus den Ursprungsdaten erhalten bleb, ene Kroneckersumme Cov( p N Y )=:V = wobe V n der klassschen Wese geschatzt wrd. Mt der zusatzlchen Voraussetzung (B) Se mn der klenste Egenwert der Covaranzmatrx V von p N Y. Dann gelte mt ener Konstanten 0 : j mn j 0 > 0. lat sch zegen THEOREM 3. (Multvarate NV der Rang(score{)statstk) Unter den Bedngungen (A) bs (A3) und (B) st p NCbp unter H 0 : CF = 0 multvarat normalvertelt mt Erwartungswertvektor 0 und Covaranzmatrx V. am = V 3.3 Nchtparametrsche Tests be glechgerchteten Alternatven De m vorgen Abschntt gezegte multvarate Normaltat (unter Hypothese) der allgemenen lnearen Rangstatstk Cbp lat ch zur Konstrukton geegneter nchtparametrscher Tests be glechgerchteten Alternatven heranzehen. Dazu se zunachst nur der Fall von vollstandge Daten betrachtet ene Erweterung auf Daten mt Fehlstellen ndet sch am Ende des Abschntts. Dem Test der Nullhypothese F (k) = F (k) 2 = :::= F a (k) k = ::: K entsprcht n Matrxnotaton mt der (a K a K){Matrx K a := P a I K. K a F = 0 Be Tests auf strukturerte Alternatven m Snne von patterned alternatves, vgl.[], mt ener (K a K){ Gewchtsmatrx W konnen prnzpell fur jede Varable egene Gewchtsvektoren w (k) fur de (Behandlungs{)

6 Gruppen festgelegt werden (wenn man bespelswese bem Verglech zwschen Behandlungs{ und Placebogruppe be ener Varablen enen Ansteg und be ener anderen enen Abfall erwartet) W hat dann de Form W = 0 w () 0 ::: 0 ::: w a () 0 ::: 0 0 w (2) 0 ::: ::: 0 w a (2) 0 ::: ::: 0 w (K) ::: 0 ::: 0 w a (K) C A : Oft wrd allerdngs auch de Stuaton w () = :::= w (K) = w vorlegen dann kann W enfach alsw = w 0 I K geschreben werden, und ene a{pror erwartete Ordnung der F (k) ::: F a (k) kann durch enena{komponentgen Gewchtsvektor w reprasentert werden. Rechnet man bespelswese mt enem Ansteg der outcome{varaben von Dossstufe I uber II nach III und be IV weder mt enem Abfall, so lat sch des mt dem Gewchtsvektor ( 2 4 3) 0 charakterseren. Desweteren kann nun auch fur de K Varablen m multvaraten Problem en belebger Gewchtsvektor v = (v ::: v K ) 0 angegeben werden, we er be den Summenstatstken, vgl. [2, 3] oder [0] m parametrschen Kontext, Verwendung ndet, so z.b. v = K be O'Brens OLS{Test (de Standardserung durch Dvson mt den Standardabwechungen der Varablen kann her entfallen, da de Varabeln durch de varablenprobenwese Rangvergabe schon standardsert\ snd.) oder " (;) (;) v = b R K mt enem Schatzer b R der Covaranzmatrx der (rangtransformerten) Varablen oder v = d() mt ener endeutgen vektorwertgen Funkton d der Produktsummenmatrx der Daten, vgl. [9, 0]. Mt Gewchtsmatrx W fur de strukturerte Alternatven und Gewchtsvektor v fur de Bldung der Summenstatstk kann nun ene lneare Rangstatstk T N := p Nv 0 W 0 K a bp (3.) gebldet werden, de sch als T N = p N KX k= v k = (w (k) ; w (k) )R (k) (3.2) schreben lat. Unter Hypothese st nun T weder asymptotsch normalvertelt mt Erwartungswert 0 und Varanz 2 = v 0 W 0 K a VK a Wv : De Covaranzmatrx V kann weder konsstent aus den Rangen geschatzt werden. Dabe ergbt sch aber be hochdmensonalen Versuchen das Problem, da sehr vele Parameter zu schatzen snd. Ist W = w I K (was n der Praxs oft der Fall sen durfte 2 ) st de Schatzung der gesamten Covaranzmatrx be der Verwendung der Summenstatstk ncht notg, da nur de Varanz der lnearen Rangstatstk bestmmt werden mu, und de lat sch dann schreben als T N = p N KX k= v k = (w ; w)r (k) Da de Gewchtsvektoren m Prnzp vollg fre wahlbar snd, wurde be der Bezechnung der Alternatven der Begr " strukturert\ gewahlt " geordnete Alternatven\ ware auch moglch gewesen, bezechnet aber konventonell eher enen etwas engeschrankteren Sachverhalt. 2 d.h. fur jede Varable st bezuglch der Stchproben der gleche Gewchtsvektor anzuwenden des st der " klasssche\ Fall n anschenend allen vorlegenden Arbeten zum Thema " Summenstatstken\, z.b. be [9, 2,3]

7 mt R (v) j und P K := v k= kr (k) j. Dann st b b 2 = = p N = p N 2 = = = = N n (n ; ) X (w ; w) n n (w ; w) n n KX j= k= X j= R (v) j v k R (k) j (w ; w) 2 b 2 (3.3) Xn (R (v) j j= ; R (v) ) 2 : (3.4) Zusammenhang mt O'Brens Testverfahren De von O'Bren n [2] empfohlene nchtparametrsche Varante sener OLS{Statstk zum Test auf glechgerchtete Unterschede zwschen den Stchproben beruht, ubertragen auf de Notaton deses Betrags, auf der standardserten Mttelwertsderenz der pro unabhangger Beobachtung (j) gebldeten Rangsumme (uber de K Varablen be varablenweser Rangvergabe), also (mt den R (v) aus dem vorgen Absatz) auf der Teststatstk T OB = R (v) ; R (v) 2 : Der Vorschlag O'Brens, mt den Rangsummen R (v) enen zwe{stchproben{t-test auszufuhren, entsprcht also genau dem Fall a =2 v = K W = w 0 I K w =( ;) 0 m her besprochenen Test zu denn H 0 :(K a )F = 0, H 0 : F (k) = F (k) k= ::: K 2 vs. H : F (k) >F (k) 2 k= ::: K bzw. H 2 : F (k) <F (k) 2 k= ::: K R (v) ; R (v) 2! = Nv 0 W 0 K a bp K a = P a I K,undbp setzt sch aus den varablenwese vergebenen Rangen (bzw. Scores) zusammen: Xn bp = J R (k) j ; N 2 A n j= = ::: a k= ::: K wobe her J als de Identtat zu wahlen st. Da de Rangvergabe pro Varable schon standardserte Groen bldet, wrd auf de be dem parametrschen OLS{Test erforderlche Transformaton der Orgnaldaten (Subtrakton des Gesamtmttels der Varablen und nachfolgend Dvson durch de Standardabwechungen) verzchtet. Analog (;) (;) zum parametrschen GLS{Test lat sch her en Test mt v = b R K mt enem Schatzer b R der Rangkorrelatonsmatrx der (rangtransformerten) Varablen konstrueren, der von O'Bren m nchtparametrschen Kontext ncht vorgeschlagen wurde. Es st noch zuerwahnen, da de Teststatstk (3.) fur belebg vertelte Zufallsvarablen anwendbar st, also auch auf ordnale kategorelle Daten und somt auf gemschte Varablenvektoren mt sowohl ordnalen als auch metrschen Daten. Daruberhnaus konnen belebge Gewchtsvektoren bzw. -Matrzen sowohl fur de K Varablen als auch fur de a Gruppen abgegeben werden, und wenn be allen Varablen derselbe Gewchtsvektor fur de Gruppen Verwendung ndet (also we be O'Bren), kann de Zahl der abhanggen Varablen (K) belebg gro sen und de Zahl der unabhanggen Beobachtungen (N) uberschreten, da de Schatzung der gesamten Covaranzmatrx ncht notg st und durch de enfache Schatzung der Varanz der lnearen Rangstatstk nach (3.3) ersetzt werden kann.

8 Erweterung be unvollstandgen Daten Be unvollstandgen Daten kann das vorgestellte Verfahren analog zum Vorgehen bem parametrschen Fall erwetert werden. De emprsche Vertelungsfunkton fur de k{te Varable st nun mt n k als Anzahl der fur Varable k n Gruppe vorhandenen Beobachtungen bf (k) := n k X beob. j De gemttelten Vertelungsfunktonen H (k) snd nun H (k) = bzw. bh (k) = = = n k F (k) N k n k N k b F (k) = N k c(x ; X (k) j ) : X = beob. j c(x ; X (k) j ) mt N k = P a = n k. Damt werden weder de nchtparametrschen Eekte denert und m asymptotschen Verhalten untersucht. Daher mussen de Bedngungen (A) und (A2) aus nur an de unterschedlchen Anzahlen von Beobachtungen pro Varable angepat werden, es gelte also fur alle k = ::: K: (A') mn f= ::: ag n k!, (A2') 0 < k n k =N k ; k < De Resultate der Asymptotk oben bleben so unverandert bestehen, Nur de Denton der Verglechsstatstk mu angepat werden, denn nun st mt Y (k) j := J (k) (H (k) (X (k) j )) und damt wrd Y := beobachteten Werten. Y (k) Y (k) := n k X beob. j Y (k) j = ::: a k= ::: K gebldet. N b kh (k) (X (k) )stnun der Rang von X(k) unter den N k j De asymptotsche multvarate Normaltat von p N Y ergbt sch we oben mt der vorangestellten Bedngung (B) und da unter H 0 : CF = 0 p N Cbp und p N CY asymptotsch aquvalent snd, erhalt man dadurch auch de asymptotsche Normaltat der Rangstatstk p N Cbp: j THEOREM 3.2 Unter den Bedngungen (A'), (A2'), (A3) und (B) st p N Y normalvertelt. asymptotsch multvarat De Schatzung der Covaranzmatrx V von p N Y mu nun auch auf de unvollstandgen Daten angepat werden. Zur Schatzung von Cov( p NY (k) j p NY (l) j )konnen n kl vorhandene Beobachtungen verwendet werden: dcov(y (k) j Y (l) j )= n kl ; X beob. j beob. j Y (k) j ; Y (k) Y (l) j ; Y (l) gebldet aus den unbeobachtbaren asymptotschen Rangtransformatonen, wrd aus den vorhandenen Daten geschatzt durch dcov(y (k) j Y (l) j )= X by (k) j ; b Y (k) by (l) j ; b Y (l) n kl ; und de her engehenden Werte snd Range bzw. Scores, denn fur de Y b (k) j glt:! by (k) j = J (k) ( H b (k) (X (k) j )) R (k) =! J (k) j ; 2 N k

9 P a mt N k = n = k. We m Abschntt be den parametrschen Verfahren dargestellt, ergbt sch auch her be der Berechnung bzw. den Schatzern von Cov( Y b (k) Y b (l) dcov( p N Y b (k) p N Y b (l) )=:(k l) = n kl n k n l ) en Korrekturfaktor, soda de analoge Glechung nun N X by (k) j ; b Y (k) by (l) j ; b Y (l) n kl ; beob. j lautet, de m Fall von vollstandgen Daten weder de bekannte Form hat. Damt st jedes Element von V = Cov( p L N Y )= a V mt (k l) konsstent geschatzt. = Mt ener Gewchtsmatrx W fur de strukturerten Alternatven und enem Gewchtsvektor v fur de Bldung der Summenstatstk kann nun weder ene lneare Rangstatstk T N := p Nv 0 W 0 K a bp gebldet werden (mt K a := P a I K und P a := I a ; a J a). Unter Hypothese st T N dann asymptotsch normalvertelt mt Erwartungswert 0 und Varanz 2 = v 0 W 0 K a VK a Wv : V wrd we eben angegeben aus den Rangen bzw. Scores der vorhandenen Daten geschatzt. De oben angegebene verenfachte Varanzschatzung durch Schatzung der Varanz der lnearen Rangstatstk statt der gesamten Covaranzmatrx P V st be unvollstandgen Daten ncht anwendbar, denn nun lassen sch de K Summatonen uber de Varablen ( )unduber de Beobachtungsenheten (P n k k= j= )ncht mehr vertauschen. Daher entfallt be unvollstandgen Daten auch de angenehme Egenschaft der genannten Summenstatstken, m Prnzp belebg hochdmensonale Probleme be relatv gerngem Stchprobenumfang bearbeten zu konnen: Durch de Notwendgket der Schatzung der gesamten Covaranzmatrx wrd de Anzahl der Varablen durch de Anzahl der unabhanggen Beobachtungen begrenzt. De allgemene Form der Summenstatstk m a{stchprobenproblem zum Test von H 0 : F = :::= F a gegen ene durch de Gewchtsmatrx W denerte strukturerte Alternatve st also T N := p N v 0 W 0 K a bp q v 0 W 0 K a b VKa Wv D ;! U N(0 ) : (3.5) De Schatzer bp und b V werden we n oben angegeben aus den vorhandenen Daten geschatzt. Ist fur alle Varablen der gleche Gewchtsvektor w anwendbar zur Beschrebung der Alternatve (z.b. w =(; ) 0 m klassschen 2-Stchprobenproblem be [2] oder[3]), so st zum Test von H 0 : F = :::= F a vs. H : F ::: F a (das st her komponentenwese zu verstehen) verenfacht W = w 0 I K zu verwenden, wobe w aus der aufstegenden Folge von Gewchten w ::: w a gebldet wrd. Legen de Daten zudem noch vollstandg vor, so verenfacht sch (3.5) zu T N = P a = (w;w) n P n j= R(v) j pp a = (w;w)2 b 2 D ;! U N(0 ) P mt b 2 = n n (n;) j= (R(v) j P ; R (v) ) 2 und R (v) K j := v k= kr (k) j. Trotz der Tatsache, da de Grenzwertsatze nur ene asymptotsche Normalvertelung lefern, kann man naturlch versuchen, de nten Vertelungen annahernd durch ene geegnete t{vertelung zu bestmmen. Dabe ergaben Smulatonsstuden, da ene t{vertelungs{approxmaton mt N;2 Frehetsgraden sehr brauchbare Ergebnsse lefert (ene exakte t{vertelung ergbt sch auch be ener bestmmten Klasse von Summenstatstken m Fall normalvertelter Zufallsvarablen, vgl. [9]).

10 3.4 Hotellng's T 2 be unvollstandgen Daten Nun lat sch auch ene modzerte T 2 Statstk fur unvollstandge Daten angeben: T 2 := (X ; X 2 ) b 0 ;(X ; X 2 ) mt ; b = cov(x c ; X 2 ) wobe b ; aus allen vorhandenen Daten geschatzt wrd (we n Abschntt 2.2. beschreben). T 2 st asymptotsch 2 vertelt mt K Frehetsgraden. Ene nchtparametrsche Verson (Notaton we m vorangegangenen Abschntt) von Hotellngs T 2 {Test, analog zu Kozol et al, 98, st nun TR 2 := bp0b R bp mt R b = cov(bp): c R und bp werden weder aus den vorhandenen Daten geschatzt. Auch T 2 R st asymptotsch 2 vertelt mt K Frehetsgraden. 4 Ergebnsse von Smulatonen Untersuchungen uber asymptotsche Optmaltatsegenschaften lassen allerdngs kaum Ruckschlusse auf das Verhalten der Tests be klenen und mttleren Stchprobenumfangen zu. Durch Smulatonen kann gezegt werden, da asymptotsch n gewsser Hnscht optmale Tests m nten Fall zu kaum mehr brauchbaren Ergebnssen fuhren (Antkonservatvtat, Guteverluste, vgl. auch [7, ]). In de Smulatonen fanden de parametrschen und nchtparametrschen Formen der O'Bren{Statstken Engang, ebenso we Hotellngs T 2 und, ohne da her naher darauf engegasngen wurde, de Standardzed{Sum{ und Prncpal{Component{Statstk von Lauter [9]. Zu letzteren se nur erwahnt, da de Rangverson der Standardzed{Sum{Statstk dentsch st mt der Rangverson von O'Brens OLS mt t{vertelungs{approxmaton. Insbesondere ergab sch De GLS{Formen der Summenstatstken sollten kene Verwendung nden, da de Antkonservatvtat auch noch be mttleren Stchprobenumfangen recht deutlch st. Auch der zu erwartende Vortel von GLS gegenuber OLS stellt sch.a. eher als margnal heraus. De parametrsche und nchtparametrsche OLS{Form st be klenen Stchprobenumfangen noch etwas antkonservatv, wobe de Anwendung ener t{vertelungs{approxmaton (statt Normalvertelung) desem Eekt entgegenwrkt, soda dann de Rangverson auch be klenen Fallzahlen (schon be 5 pro Gruppe) gut anwendbar st. Unengeschrankt anwendbar (m Snne von Enhaltung des Nveaus) st be vollstandgen Daten ene OLS{ Rangvarante, de ohne Schatzung der Covaranzmatrx auskommt, denn be vollstandgen Daten st es ausrechend, de Varanz der lnearen Rangstatstk (3.) zu bestmmen. Der resulterende Test entsprcht dann enem unverbundenen 2{Stchproben{t{Test, angewandt auf de pro unabhangger Beobachtungsenhet gebldeten Rangsummen. Mt t{vertelungs{approxmaton erhalt man so ene OLS{Rangvarante, de das Nveau auch be klenen Stchprobenumfangen enhalt. Be unvollstandgen Daten wrd n jedem Fall ene fur mssngs adjusterte Schatzung der gesamten Covaranzmatrzen notwendg be Anwendung der OLS{Rangverson mt t{vertelungs{approxmaton st schon be n = n 2 =5kene Antkonservatvtat feststellbar. De OLS{Rangvaranten zegen n allen untersuchten Stuatonen ene Power, de den das Nveau ebenfalls enhaltenden anderen drektonalen Tests (z.b. Lauter's PC{Test [9]) mndestens verglechbar st. Bem Verglech zu Hotellngs T 2 zegt sch en umso deutlcherer Vortel der OLS{(Rang)versonen, je hoher der Antel an nformatven Varablen st erst be etwa glechvel nformatven we ncht{nformatven Varablen begnnt sch deser Vortel umzukehren des durfte dann allerdngs.a. auch ken fur de Anwendung von Summenstatstken relevantes drektonales Testproblem mehr sen. Be unvollstandgen Daten st der Powerverlust be allen betrachteten Varanten der Summenstatstken verglechswese gerng.

11 Fur de praktsche Anwendung sollte daher de nchtparametrsche Varante von O'Brens OLS das Verfahren der Wahl sen be vollstandgen Daten n der Fassung, be der ene t{vertelung mt N ; 2 Frehetsgraden zugrundegelegt wrd und nur de Varanz der lnearen Rangstatstk und ncht (gruppenwese) de gesamte Covaranzmatrx geschatzt werden mu n desem Fall kann de Zahl der abhanggen Varablen belebg gro sen (und de der unabhanggen Beobachtungsenheten ubertreen), be unvollstandgen Daten mttels fur mssngs adjusterter Schatzung der Covaranzmatrzen und weder t{vertelungs{approxmaton. Der Powervortel der Summentests be glechgerchteten Alternatven zegt sch gegenuber Hotellngs T 2 be allen verwendeten Varanten. In nebenstehender Abbldung snd de Ergebnsse von je 0000 Durchlaufen ener Smulaton mt 5 normerten normalvertelten Zufallsvarablen mt autoregressver Struktur der Covaranzmatrx ( = 0:6) dargestellt, dabe bezechnet Delta de Enheten n Rchtung der Wnkelhalberenden des. Quadranten (Tests: grt=gls, hor=hotellng, ort=ols, pcr=prncpal{component alle n Rangverson und be Summentests mt t{vertelungs{approxmaton). 5 Das SAS{Macro Das SAS/IML{Macro OB erlaubt de Durchfuhrung von nchtparametrschen Summentests m unverbundenen Zwestchprobenfall zum Aufdecken glechgerchteter Alternatven mt engen der m Abschntt 3.3 genannten Gewchtsvektoren. So werden de Rangversonen von OLS und GLS, jewels mt t{vertelungs{approxmaton, ausgegeben, ebenso de nchtparametrsche Verson von Lauters Prncpal{Component{Tests. Daneben ndet sch noch de Rangverson von Hotellng's T 2. De Daten bedurfen dazu ener Aufberetung, we man se... G N N N N N L L L L L P R R R R R R E E E E E A U P P P P P U U U U U T P N P T T T T T T T T T T R E P K P K K Abbldung : Orgnaldaten (Ausschntt) von repeated{analysen n PROC GLM kennt: Dazu enthalt ene dataset{varable de Namen der abhanggen Varablen, ene andere deren Werte. Des st lecht mt PROC TRANSPOSE zu errechen. Als Bespel sollen de Daten ener randomserten Stude zur Wrksamket ener Antbotkaprophylaxe be Thoraxoperatonen (vgl. [5]) denen: 00 Patenten ohne Antbotkum{Prophylaxe vor der Operaton stehen 00 mt Prophylaxe gegenuber be allen wrd m postoperatven Verlauf beobachtet, nwewet sch mrontenbld nachwesbare

12 PATNR GRUPPE _NAME_ COL 00 P NRP_T P NRP_T P NRP_T P LEU_T P LEU_T P LEU_T K NRP_T K NRP_T K NRP_T Abbldung 2: Daten nach Anwendung von PROC TRANSPOSE (Ausschntt) Inltrate (Varablen nrp t3, nrp t4...) entwckeln (welche dann bewertet werden und somt als ordnale kategorelle Daten aufzufassen snd de Skala recht von 0 " ken Nachwes\ bs 5 " schwer: Transparenzmnderung n mehr als halber Thoraxhohe mt mndestens zentraler Uberdeckung der Lungenzechnung und Aufhebung der Transparenz\). Daneben werden als Indkator fur entzundlche Prozesse de Leukozyten{Zahlen (Varablen leu t3, leu t4...) bestmmt (zu den glechen Zetpunkten we de Anfertgung der Rontgenaufnahmen). Von enem Erfolg der Prophylaxe kann also dann gesprochen werden, wenn zu allen relevanten Zetpunkten sowohl de Inltratentwcklung als auch de Leukozyten{Zahlen n der Prophylaxe{Gruppe nedrger snd als n der Kontrollgruppe. Enen Ausschntt aus den Orgnaldaten gbt Abb. nach PROC TRANSPOSE snd de Daten n der Form von Abb. 2 und somt n ener fur de Anwendung des Macros OB geegneten Form. Der Macroaufruf erfolgt mt %ob(data=tt, ds=temp, subj=patnr, vars=_name_, values=col, class=gruppe, by=) Dabe st tt der Name der SAS{Date, mt ds= kann optonal en Namensbestandtel fur temporare Dateen m WORK{Verzechns angegeben werden (temp st default{vorgabe, d.h. wahrend des Macroablaufs werden Dateen tempa, tempb u.s.w. angelegt und nach Beendgung automatsch geloscht), subj= gbt de Varable fur de unabhanggen Beobachtungsenheten an (her de Patentennummer patnr), n der be vars= angegebenen Varable nden sch de Namen der n de Analyse engehenden Varablen (her name ) und n der nach values= angegebenen Varablen deren Werte (her col letztere snd de Standardnamen nach Anwendung von PROC TRANSPOSE). Mt class= wrd schlelch de Grupperungsvarable und mt by= ene moglche BY{Varable angegeben. Herbe braucht de Date, anders als sonst be SAS ublch, ncht vorher sortert zu werden. De Ergebnsse n Abb. 3 wesen auf glechgerchtete Derenzen zwschen der Prophylaxe{ und der Kontrollgruppe hn, de sch n Hotellngs Test ncht deutlch zegen. Unvarate nchtparametrsche Analysen geben ebenfalls enen Hnwes auf glechgerchtete Alternatven, werden jedoch her aus Platzgrunden ncht dargestellt. Man beachte, da her en gemschter Varablenvektor aus metrschen und ordnalen kategorellen Daten n de Analyse engeht. Ausblck Das Macro OB deckt noch ncht nvollem Umfang de Moglchketen ab, welche de allgemene lneare Rangstatstk (3.) betet nsbesondere de Analyse mt verschedenen Gewchtsvektoren fur de Gruppen und de Analyse m a{stchprobenfall (mt a>2) st als Erweterung n Arbet. Das Macro st auf Anfrage bem Autor erhaltlch.

13 Adresse des Autors Thomas Bregenzer UKE/IMDM Martnstr Hamburg Tel FAX emal: MULTIVARIATE ANALYSIS OF DIRECTIONAL ALTERNATIVES Class varable: GRUPPE n= 00, n2= 00 Varables n analyss: LEU_T3 LEU_T4 LEU_T5 LEU_T6 LEU_T7 NRP_T3 NRP_T4 NRP_T5 NRP_T6 NRP_T7 NONPARAMETRIC TEST-STATISTICS and P-VALUES Hotellng's T^2: p-value: Tests for drectonal alternatves (wth t-dstrbuton approxmaton) O'Bren's OLS-statstc: p-value: O'Bren's GLS-statstc: p-value: standardzed sum statstc: p-value: prncpal comp. statstc: p-value: Abbldung 3: Output von Macro OB (gekurzt)

14 Lteratur [] M.G. Akrtas and E. Brunner. Rank tests for patterned alternatves n factoral desgns wth nteractons. Research Developments n Probablty and Statstcs, a Festschrft on the Occason of the 65 th brthday of Madan L. Pur, VSP-Internatonal Scence Publshers, Utrecht, The Netherlands., 996. [2] T. Bregenzer. Nchtparametrsche Multvarate Summenstatstken. Dssertaton, Unverstat zu Koln, n Vorberetung, 997. [3] E. Brunner and M.L. Pur. A class of rank{score tests n factoral desgns. preprnt, 996. [4] D. Follmann. Multvarate tests for multple endponts. Report, Natonal Heart, Lung, and Blood Insttute, Bethesda, 993. [5] D. Frey. Sngle-Shot{Antbotka{Prophylaxe n der Thoraxchrurge Klnsche Untersuchung zur Ezenz mt besonderer Beruckschtgung der Auswrkungen auf das Merkmal " Inltrat\ m Thorax{Rontgenbld. Habltatonsschrft (n Vorberetung), Medznsche Fakultat der Humboldt{Unverstat zu Berln, Vrchow{Klnkum, 997. [6] J.A. Kozol, D.A. Maxwell, M. Fukushma, M.E.M. Colmerauer, and Y.H. Plch. A dstrbuton{free test for tumor{growth curve analyses wth applcaton to an anmal tumor mmunotherapy experment. Bometrcs, 37:383{390, 98. [7] S. Kropf and J. Lauter. Comparng ndependent samples of hghdmensonal observaton vectors. In COMPSTAT, Proceedngs n Computatonal Statstcs, pages 286 { 29, 994. [8] J.M. Lachn. Some large{sample dstrbuton{free estmators and tests for multvarate partally ncomplete data from two populatons. Statstcs n Medcne, :5{70, 992. [9] J. Lauter. Stablserte Tests zur multvaraten Auswertung medznscher Studen. In Neue Paradgmen n medznscher Informatk, Bometre und Epdemologe, 39. Jahrestagung der GMDS, pages 38{387, 995. [0] J. Lauter. New multvarate tests for data wth an nherent structure. Bom. J., 38:5{23, 996. [] W. Lehmacher, G. Wassmer, and P. Retmeer. Comment on: On the desgn and analyss of randomzed clncal trals wth multple endponts. Bometrcs, 50:58{583, 994. [2] P.C. O'Bren. Procedures for comparng samples wth multple endponts. Bometrcs, 40:079{087, 984. [3] L.J. We and J.M. Lachn. Two{sample asymptotcally dstrbuton free tests for ncomplete multvarate observatons. JASA, 79:653{66, 984.

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische 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

Mehr

6. Modelle mit binären abhängigen Variablen

6. 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

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl 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

Mehr

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. 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

Mehr

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord

Kreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord 1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung 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

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 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

Mehr

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -

Seminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder - Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole

Mehr

3. Lineare Algebra (Teil 2)

3. 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

Mehr

Nomenklatur - Übersicht

Nomenklatur - 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

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Lineare Regression (1) - Einführung I -

Lineare 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

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

Mehr

4. Musterlösung. Problem 1: Kreuzende Schnitte **

4. 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,

Mehr

Methoden der innerbetrieblichen Leistungsverrechnung

Methoden der innerbetrieblichen Leistungsverrechnung Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Spiele und Codes. Rafael Mechtel

Spiele und Codes. Rafael Mechtel Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

1 Definition und Grundbegriffe

1 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:

Mehr

9 Diskriminanzanalyse

9 Diskriminanzanalyse 9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe

Mehr

Versicherungstechnischer Umgang mit Risiko

Versicherungstechnischer Umgang mit Risiko Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über

Mehr

AUFGABEN ZUR INFORMATIONSTHEORIE

AUFGABEN ZUR INFORMATIONSTHEORIE AUFGABEN ZUR INFORMATIONSTHEORIE Aufgabe Wr betrachten das folgende Zufallsexperment: Ene fare Münze wrd so lange geworfen, bs erstmals Kopf erschent. De Zufallsvarable X bezechne de Anzahl der dazu notwendgen

Mehr

Innovative Handelssysteme für Finanzmärkte und das Computational Grid

Innovative Handelssysteme für Finanzmärkte und das Computational Grid Innovatve Handelssysteme für Fnanzmärkte und das Computatonal Grd von Dpl.-Kfm. Mchael Grunenberg Dr. Danel Vet & Dpl.-Inform.Wrt. Börn Schnzler Prof. Dr. Chrstof Wenhardt Lehrstuhl für Informatonsbetrebswrtschaftslehre,

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1

Finanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1 Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung 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

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

2. Spiele in Normalform (strategischer Form)

2. Spiele in Normalform (strategischer Form) 2. Spele n Normalform (strategscher Form) 2.1 Domnante Strategen 2.2 Domnerte Strategen 2.3 Sukzessve Elmnerung domnerter Strategen 2.4 Nash-Glechgewcht 2.5 Gemschte Strategen und Nash-Glechgewcht 2.6

Mehr

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe

Portfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?

Mehr

Statistische Regressionsmodelle

Statistische Regressionsmodelle Statstsche Regressonsmodelle Tel II: Verallgemenerte Lneare Modelle Werner Stahel Semnar für Statstk, ETH Zürch März 2005 / Ma 2008 Zweter Tel der Unterlagen zu enem Kurs über Regressonsmodelle, gehalten

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften

Ertragsmanagementmodelle in serviceorientierten IT- Landschaften Ertragsmanagementmodelle n servceorenterten IT- Landschaften Thomas Setzer, Martn Bchler Lehrstuhl für Internetbaserte Geschäftssysteme (IBIS) Fakultät für Informatk, TU München Boltzmannstr. 3 85748 Garchng

Mehr

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1

Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1 Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets

Mehr

1.1 Das Prinzip von No Arbitrage

1.1 Das Prinzip von No Arbitrage Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Kapitel 3: Interpretation und Vergleich von Regressionsmodellen

Kapitel 3: Interpretation und Vergleich von Regressionsmodellen Kaptel 3: Interpretaton und Verglech von Regressonsmodellen 3. Interpretaton des lnearen Modells 3. Auswahl der unabhänggen Varablen 3.3 Fehlspezfkaton der funktonalen Form 3.4 Illustraton: De Erklärung

Mehr

Konkave und Konvexe Funktionen

Konkave 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

Mehr

Online Algorithmen. k-server randomisiert Teil II

Online Algorithmen. k-server randomisiert Teil II Onlne Algorthmen k-server randomsert Tel II Ausarbetung für das Semnar Onlne Algorthmen Prof. Dr. Ro. Klen Anette Ebbers-Baumann Ansgar Grüne Insttut für Informatk Theorethsche Informatk und formale Methoden

Mehr

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Ionenselektive Elektroden (Potentiometrie)

Ionenselektive 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,

Mehr

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)

Kreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik) Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:

Mehr

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt

Wir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten

Mehr

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines 6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.

Mehr

Prozeß-Controlling in der Softwareentwicklung

Prozeß-Controlling in der Softwareentwicklung Prozeß-Controllng n der Softwareentwcklung De Orenterung an Refegradmodellen n der Softwareentwcklung zwngt zur Ausenandersetzung mt Prozeß- Controllng. Der vorlegende Artkel stellt für das Prozeß-Controllng

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 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:

Mehr

Hypothekenversicherung oder Bankhypothek?

Hypothekenversicherung oder Bankhypothek? Unverstät Augsburg Prof Dr Hans Ulrch Buhl Kernkompetenzzentrum Fnanz- & Informatonsmanagement Lehrstuhl für BWL, Wrtschaftsnformatk, Informatons- & Fnanzmanagement Dskussonspaper WI-44 Hypothekenverscherung

Mehr

Anwendungsmöglichkeiten von Lernverfahren

Anwendungsmöglichkeiten 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

Mehr

Mathematik der Lebensversicherung ( Spezialwissen ) Klausur vom 24.10.2009

Mathematik der Lebensversicherung ( Spezialwissen ) Klausur vom 24.10.2009 DEUTSCHE AKTUARVEREINIGUNG e.v. Mathematk der Lebensverscherung ( Spezalwssen ) Klausur vom 4.0.009 De Klausur besteht aus 3 Aufgaben, de mt nsgesamt 80 Punkten bewertet werden. Um dese maxmale Punktzahl

Mehr

"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft

Zukunft der Arbeit Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft "Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012

Mehr

F A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik

F A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik F A C H H O C H S C H U L E W E D E L Semnararbet Informatk n der Fachrchtung Wrtschaftsnformatk Themenberech Künstlche Intellgenz Thema Nr. 3 Dskrmnanzanalyse Engerecht von: Erarbetet m: Patrck Wolf Wedeler

Mehr

9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen

9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen 9 Phasenglechgewcht n heterogenen Mehrkomonentensystemen 9. Gbbs sche Phasenregel α =... ν Phasen =... k Komonenten Y n (α) -Molzahl der Komonente Y n der Phase α. Für jede Phase glt ene Gbbs-Duhem-Margules

Mehr

Die Zahl i phantastisch, praktisch, anschaulich

Die Zahl i phantastisch, praktisch, anschaulich Unverstät Würzburg 977 Würzburg Telefon: (91 888 5598 De Zahl phantastsch, praktsch, anschaulch De Geschchte der Zahl war dre Jahrhunderte lang dadurch geprägt, dass se und damt de kompleen Zahlen n Mathematkerkresen

Mehr

H I HEIZUNG I 1 GRUNDLAGEN 1.1 ANFORDERUNGEN. 1 GRUNDLAGEN 1.1 Anforderungen H 5

H I HEIZUNG I 1 GRUNDLAGEN 1.1 ANFORDERUNGEN. 1 GRUNDLAGEN 1.1 Anforderungen H 5 1 GRUNDLAGEN 1.1 Anforderungen 1.1.1 Raumklma und Behaglchket Snn der Wärmeversorgung von Gebäuden st es, de Raumtemperatur n der kälteren Jahreszet, das snd n unseren Breten etwa 250 bs 0 Tage m Jahr,

Mehr

Einführung in Origin 8 Pro

Einführung in Origin 8 Pro Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten

Mehr

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R

Temporäre Stilllegungsentscheidungen mittels stufenweiser E W U F W O R K I N G P A P E R Temporäre Stlllegungsentschedungen mttels stufenweser Grenzkostenrechnung E W U F W O R K I N G P A P E R Mag. Dr. Thomas Wala, FH des bf Wen PD Dr. Leonhard Knoll, Unverstät Würzburg Mag. Dr. Stephane

Mehr

Boost-Schaltwandler für Blitzgeräte

Boost-Schaltwandler für Blitzgeräte jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler

Mehr

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:

binäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt: Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,

Mehr

Rainer Diaz-Bone/Harald Künemund. Einführung in die binäre logistische Regression

Rainer Diaz-Bone/Harald Künemund. Einführung in die binäre logistische Regression Free Unverstät Berln Fachberech Poltk u. Sozalwssenschaften Insttut für Sozologe Abtelung Methodenlehre und Statstk Garystr. 55 14195 Berln Raner Daz-Bone/Harald Künemund Enführung n de bnäre logstsche

Mehr

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl

1 = Gl.(12.7) Der Vergleich mit Gl. (12.3) zeigt, dass für die laminare Rohrströmung die Rohrreibungszahl 0. STRÖMUNG INKOMPRESSIBLER FLUIDE IN ROHRLEITUNGEN Enführung Vorlesung Strömungslehre Prof. Dr.-Ing. Chrstan Olver Pascheret C. O. Pascheret Insttute of Flud Mechancs and Acoustcs olver.pascheret@tu-berln.de

Mehr

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6

Praktikum Physikalische Chemie I (C-2) Versuch Nr. 6 Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und

Mehr

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 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

Mehr

Stochastik - Kapitel 4

Stochastik - Kapitel 4 Aufgaben ab Sete 5 4. Zufallsgrößen / Zufallsvarablen und hre Vertelungen 4. Zufallsgröße / Zufallsvarable Defnton: Ene Zufallsgröße (Zufallsvarable) X ordnet jedem Versuchsergebns ω Ω ene reelle Zahl

Mehr

EAU SWH l$,0, wohngebäude

EAU SWH l$,0, wohngebäude EAU SWH l$,0, wohngebäude gemäß den $$ 6 ff, Energeensparverordnung (EnEV) :,:: Gültsbs: 09208 Gebäude Gebäudetyp Altbau Mehrfamlenhaus Adresse Hardstraße 3 33, 40629 Düsseldorf Gebäudetel Baujahr Gebäude

Mehr

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale

3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale 3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche

Mehr

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften

Grundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de

Mehr

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.

Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf. Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet

Mehr

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes?

Hat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes? Hat de Wahl des Performancemaßes enen Enfluss auf de Beurtelung von Hedgefonds-Indzes? Von Martn Elng, St. Gallen, und Frank Schuhmacher, Lepzg Ene zentrale Fragestellung n der wssenschaftlchen Ausenandersetzung

Mehr

Lineare Regressionsanalyse mit SPSS

Lineare Regressionsanalyse mit SPSS Unverstät Trer Zentrum für Informatons-, Medenund Kommunkatonstechnologe (ZIMK) Bernhard Baltes-Götz Lneare Regressonsanalyse mt SPSS 850 800 750 Y 0 700 5 5 X 0 0 X 0 5 5 04 (Rev. 40804) Herausgeber:

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE

VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE VERGLEICH EINER EXPERIMENTELLEN UND SIMULATIONSBASIERTEN SENSITIVITÄTSANALYSE EINER ADAPTIVEN ÖLWANNE Y. L*, S-O. Han*, T. Pfeffer** *) Fachgebet Systemzuverlässgket und Maschnenakustk, TU Darmstadt **)

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

Statistische Datenanalyse und Optimierung

Statistische Datenanalyse und Optimierung Statstsche Datenanalyse und Optmerung.0.00 Glederung Vertelungsfunktonen Normalvertelung Normalvertelung mehrerer Vayrablen Abgeletete Vertelungen: χ -Vertelung, Student-t-Vertelung Statstsche ests Fehlerfortpflanzung

Mehr

Operations Research II (Netzplantechnik und Projektmanagement)

Operations Research II (Netzplantechnik und Projektmanagement) Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges

Mehr

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen

Klassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen Klasssche Gatter und Logkelemente Semnarvortrag zu Ausgewählte Kaptel der Quantentheore Quantenalgorthmen Gerd Ch. Krzek WS 2003 I. Grundlagen und Methoden der Logk: Im folgenden soll de Konstrukton und

Mehr

3.1 Grundlagen der Multivariaten Modellierung

3.1 Grundlagen der Multivariaten Modellierung Semnar: Quanttatves Rskomanagement Multvarate Moelle I Prof: Hanspeter.Schml Betreuung: Jula Esenberg Zhou,Yng 3. Multvarate Moelle I Fnanzelle Rskomoelle für en Absatzmarkt oer für Kretrsken sn grunsätzlch

Mehr

Numerische Klassifikation (Cluster Analyse) anhand nominaler, ordinaler oder gemischter Merkmale

Numerische Klassifikation (Cluster Analyse) anhand nominaler, ordinaler oder gemischter Merkmale 2 Schrften aus der Fakultät Sozal- und Wrtschaftswssenschaften der Otto-Fredrch-Unverstät Bamberg Numersche lassfkaton (Cluster Analyse) anhand nomnaler, ordnaler oder gemschter Merkmale Theore und Praxs

Mehr

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS

HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS HAT DIE WAHL DES PERFORMANCEMAßES EINEN EINFLUSS AUF DIE BEURTEILUNG VON HEDGEFONDS-INDIZES? MARTIN ELING FRANK SCHUHMACHER WORKING PAPERS ON RISK MANAGEMENT AND INSURANCE NO. 10 EDITED BY HATO SCHMEISER

Mehr

Datenträger löschen und einrichten

Datenträger löschen und einrichten Datenträger löschen und enrchten De Zentrale zum Enrchten, Löschen und Parttoneren von Festplatten st das Festplatten-Denstprogramm. Es beherrscht nun auch das Verklenern von Parttonen, ohne dass dabe

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / 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

Mehr

Qualitative Evaluation einer interkulturellen Trainingseinheit

Qualitative Evaluation einer interkulturellen Trainingseinheit Qualtatve Evaluaton ener nterkulturellen Tranngsenhet Xun Luo Bettna Müller Yelz Yldrm Kranng Zur Kulturgebundenhet schrftlcher und mündlcher Befragungsmethoden und hrer Egnung zur Evaluaton m nterkulturellen

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. 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

Mehr

Messtechnik/Qualitätssicherung

Messtechnik/Qualitätssicherung Name, Vorname Matrkel-Nr. Studenzentrum Studengang Wrtschaftsngeneurwesen Fach Messtechnk/Qualtätsscherung Art der Lestung Prüfungslestung Klausur-Knz. WI-MQS-P 08053 Datum 3.05.008 Hnwes zur Rückgabe

Mehr

ZUSATZBEITRAG UND SOZIALER AUSGLEICH IN

ZUSATZBEITRAG UND SOZIALER AUSGLEICH IN ZUSAZBEIRAG UND SOZIALER AUSGLEICH IN DER GESEZLICHEN KRANKENVERSICHERUNG: ANREIZEFFEKE UND PROJEKION BIS 2030 Martn Gasche 205-2010 Zusatzbetrag und sozaler Ausglech n der Gesetzlchen Krankenverscherung:

Mehr

Kreditrisikomodelle und Diversifikation erschienen in: Zeitschrift für Bankrecht und Bankwirtschaft (ZBB), 14. Jahrgang, 2002, S.9-17.

Kreditrisikomodelle und Diversifikation erschienen in: Zeitschrift für Bankrecht und Bankwirtschaft (ZBB), 14. Jahrgang, 2002, S.9-17. 1 Kredtrskomodelle und Dversfkaton erschenen n: Zetschrft für Bankrecht und Bankwrtschaft (ZBB), 14. Jahrgang, 2002, S.9-17. Dr. oec. publ. Hans Rau-Bredow, Prvatdozent an der Unverstät Würzburg Kontakt:

Mehr

4 Digitale Filter und Bildoperationen

4 Digitale Filter und Bildoperationen Dgtale Flter und Bldoperatonen 51 4 Dgtale Flter und Bldoperatonen Blder welche durch ene Kamera augenommen wurden snd otmals ncht drekt ür ene nacholgende Bldanalyse geegnet. Gründe daür snd bespelswese

Mehr

Theoretische Grundlagen. Anhang: Softwareprofil, Modellbildungen und Aufbau der ASCII- Datendatei

Theoretische Grundlagen. Anhang: Softwareprofil, Modellbildungen und Aufbau der ASCII- Datendatei NEZD Verson 4. Programm zur Ausglechung und Analyse (Planung) zwedmensonaler terrestrscher Netze, relatver und absoluter GPS-Netze und zur GPS-Integraton heoretsche Grundlagen Anhang: Softwareprofl, Modellbldungen

Mehr

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I

Wechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t +  I ) = 0 $  I Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"

Mehr

Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint

Visualisierung der Volatilität bei der Interpolation von Zeitreihen: Excel-Makro Saffint Vsualserung der Volatltät be der Interpolaton von Zetrehen: Excel-Makro Saffnt Norman Fckel Fredrch-Alexander-Unverstät Erlangen-Nürnberg Wrtschafts- und Sozalwssenschaftlche Fakultät Lehrstuhl für Statstk

Mehr

Bildverarbeitung Herbstsemester 2012. Bildspeicherung

Bildverarbeitung Herbstsemester 2012. Bildspeicherung Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten

Mehr

Nullstellen Suchen und Optimierung

Nullstellen 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!

Mehr

Reale Außenwirtschaft

Reale Außenwirtschaft Vorlesungsskrpt Reale Außenwrtschaft. Auflage (erwetert und verbessert), 007 Mchael Rauscher Glederung. Vorbemerkungen. Gegenstand der realen Außenwrtschaftstheore?. En emprsches Bld der nternatonalen

Mehr

Ein Vorschlag zur Modellierung von Summenexzedenten- Rückversicherungsverträgen in Internen Modellen

Ein Vorschlag zur Modellierung von Summenexzedenten- Rückversicherungsverträgen in Internen Modellen En Vorschlag zur Modellerung von Summenexzedenten- Rückverscherungsverträgen n Internen Modellen Dorothea Ders Preprnt Seres: 27-22 Fakultät für Mathematk und Wrtschaftswssenschaften UNIVERSITÄT ULM En

Mehr

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft

Aufgabenteil. - wird nicht mit abgegeben - 21.03.2011, 18.00-20.00 Uhr. Fakultät für Wirtschaftswissenschaft Fakultät für Wrtschaftswssenschaft Lehrstuhl für Volkswrtschaftslehre, nsb. Makroökonomk Unv.-Prof. Dr. Helmut Wagner Klausur: Termn: Prüfer: Makroökonome 2.03.20, 8.00-20.00 Uhr Unv.-Prof. Dr. Helmut

Mehr

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung

tutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung Software Oberkategore Unterkategore Kompetenzstufe Voraussetzung Kompetenzerwerb / Zele: InDesgn CS4 Layoutgestaltung Erste Schrtte - Anlegen enes Dokumentes I a (Enfache Nutzung) kene N o 1a Umgang mt

Mehr

Der Satz von COOK (1971)

Der Satz von COOK (1971) Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls

Mehr

18. Dynamisches Programmieren

18. 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

Mehr