6. Modelle mit binären abhängigen Variablen

Größe: px
Ab Seite anzeigen:

Download "6. Modelle mit binären abhängigen Variablen"

Transkript

1 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 null und ens Multnomale Varablen: Dese Varablen haben mehr als zwe möglche sch gegensetg ausschleßende Alternatven und snd ncht geordnet (z.b. Wahl zwschen verschedenen Verkehrsmtteln) Ordnale Varablen: Dese Varablen haben ebenfalls mehr als zwe möglche Kategoren, snd aber geordnet (z.b. Kredtratng) Bespele für ökonometrsche Analysen mt bnären abhänggen Varablen: Analyse der Faktoren, de erklären, ob ene Person erwerbstätg oder aber erwerbslos st Analyse der Faktoren, de erklären, ob ene Person en bestmmtes Verkehrsmttel wählt oder aber en anderes Verkehrsmttel Analyse der Faktoren, de erklären, ob ene Person enem poltschen Programm zustmmt oder ncht Analyse der Faktoren, de erklären, ob en Unternehmen ene Innovaton durchgeführt hat oder ncht 1

2 Mt y ( = 1,, n) als bnäre abhängge Varable, x = (x 1,, x k ) als Vektor von k erklärenden Varablen (enschleßlch Konstante) und mt dem entsprechenden k-dmensonalen Parametervektor β = (β 1,, β k ) kann en ökonometrsches Modell we en lneares Regressonsmodell spezfzert werden: (6.1) y = β'x + u En solches lneares Regressonsmodell mt ener bnären abhänggen Varablen wrd als lneares Wahrschenlchketsmodell bezechnet. Mt E(u x ) = 0 folgt: (6.2) E(y x ) = β'x Da y ene bnäre Varable st mt y = 1 oder y = 0, st se Bernoull vertelt mt Parameter p und der folgenden Wahrschenlchketsfunkton: y 1-y (6.3) f (y ; p) = p (1-p ) für y = 0, 1 Im lnearen Wahrschenlchketsmodell folgt: (6.4) p = p (x, β) = P(y = 1 x, β) = E(y x ) = β'x Interpretaton der Stegungsparameter: De Stegungsparameter β h (h = 2,, k) geben ncht mehr de Veränderung von y be enem Ansteg der erklärenden Varablen x h um ene Enhet an (falls alle anderen erklärenden Varablen konstant gehalten werden) Stattdessen west β h (h = 2,, k) de Veränderung der Wahrschenlchket p (x, β), dass y den Wert ens annmmt, be ener Erhöhung von x h um ene Enhet (be quanttatven erklärenden Varablen) aus (ceters parbus) 2

3 Falls alle anderen erklärenden Varablen konstant gehalten werden, ergbt sch: (6.5) p (x, β) = ΔP y = 1 x, β = β Δx We be der OLS-Schätzung n lnearen Regressonsmodellen können de unbekannten Regressonsparameter β 1,, β k auch m lnearen Wahrschenlchketsmodell mt der OLS-Methode geschätzt werden. Des führt zum OLS- Schätzer des Parametervektors β = (β 1,, β k ). Es folgt: Der Schätzer der abhänggen Varablen st y = β x, das de geschätzte Wahrschenlchket p (x, β), dass y den Wert ens annmmt, darstellt Der geschätzte Stegungsparameter β h (h = 2,, k) gbt de Veränderung der geschätzten Wahrschenlchket p (x, β) an, falls x h um ene Enhet (be quanttatven erklärenden Varablen) stegt (ceters parbus) Problem: h h Da y Bernoull vertelt st mt dem Parameter p (x, β) = P(y = 1 x, β) = β x und u = - β x für y = 0 und u = 1 - β x für y = 1, folgt für de bedngte Varanz von y und de bedngte Varanz des Störterms u : (6.6) Var(y x ) = Var(u x ) = β'x (1 - β'x ) De bedngte Varanz des Störterms st damt notwendgerwese ncht konstant, so dass Heteroskedastztät vorlegt. Deshalb sollten zumndest heteroskedastztäts-robuste t-statstken verwendet werden. 3

4 Bespel: Erklärung der Erwerbstätgket von Frauen Mt Hlfe enes lnearen Wahrschenlchketsmodells soll der Effekt anderer Enkommen (n 1000 Dollar) enschleßlch der des Ehemanns (nwfenc), der Ausbldungszet n Jahren (educ), der Berufserfahrung n Jahren (exper), der quadrerten Berufserfahrung n Jahren (expersq), des Alters n Jahren (age) sowe der Anzahl der Knder unter sechs Jahren (kdslt6) bzw. zwschen sechs und 18 Jahren (kdsge6) auf de Erwerbstätgket (nlf) von verherateten Frauen untersucht werden. Dabe nmmt nlf den Wert ens an, falls de Frau erwerbstätg st. De folgende OLS-Regressonsglechung wurde mt n = 753 Frauen geschätzt, wobe auch heteroskedastztäts-robust geschätzte Standardabwechungen der geschätzten Parameter (n eckgen Klammern) zusätzlch zu den konventonell geschätzten Standardabwechungen ausgewesen werden (R 2 = 0,264): ˆ nlf = 0,586-0,003nwfenc + 0,038educ + 0,039exper - 0,001expersq (0,154) (0,001) (0,007) (0,006) (0,000) [0,152] [0,002] [0,007] [0,006] [0,000] - 0,016age - 0,262kdslt6 + 0,013kdsge6 (0,002) (0,034) (0,013) [0,002] [0,032] [0,014]

5 Bespel: Erklärung der Erwerbstätgket von Frauen (Fortsetzung) Interpretaton: Auf der Grundlage beder t-statstken haben alle erklärenden Varablen außer kdsge6 sgnfkante Effekte En zusätzlches Ausbldungsjahr führt zu ener geschätzten Erhöhung der Wahrschenlchket der Erwerbstätgket um 0,038 oder 3,8 Prozentpunkte (ceters parbus) Zehn zusätzlche Ausbldungsjahre mplzeren somt ene sehr starke geschätzte Erhöhung der Wahrschenlchket der Erwerbstätgket um 0, = 0,38 oder 38 Prozentpunkte Ene Erhöhung von nwfenc um Dollar (d.h. nwfenc = 10) führt zu ener eher klenen geschätzten Redukton der Wahrschenlchket der Erwerbstätgket um 0,034 oder 3,4 Prozentpunkte Ene Erhöhung von exper um en Jahr führt zu ener geschätzten Veränderung der Wahrschenlchket der Erwerbstätgket um 0, ,0006 exper = 0,039 0,0012 exper En zusätzlches Knd unter sechs Jahren mplzert enen sehr starken geschätzten Rückgang der Wahrschenlchket der Erwerbstätgket um 0,262 oder 26,2 Prozentpunkte

6 Bespel: Erklärung der Erwerbstätgket von Frauen (STATA-Output) Mt STATA haben sch folgende OLS-Schätzergebnsse mt heteroskedastztäts-robust geschätzten Standardabwechungen der geschätzten Parameter gezegt: reg nlf nwfenc educ exper expersq age kdslt6 kdsge6, robust Lnear regresson Number of obs = 753 F( 7, 745) = Prob > F = R-squared = Root MSE = Robust nlf Coef. Std. Err. t P> t [95% Conf. Interval] nwfenc educ exper expersq age kdslt kdsge _cons

7 Bewertung von lnearen Wahrschenlchketsmodellen: De Parameter snd genauso we n lnearen Regressonsmodellen enfach mt der OLS-Methode zu schätzen und de geschätzten Stegungsparameter snd enfach als partelle Effekte zu nterpreteren Jedoch snd de geschätzten Wahrschenlchketen p (x, β) = P(y = 1 x, β), dass de abhänggen Varablen y den Wert ens annehmen, ncht auf das Intervall von null bs ens beschränkt, d.h. für spezfsche Werte der erklärenden Varablen können de geschätzten Wahrschenlchketen entgegen der Defnton von Wahrschenlchketen negatv oder größer als ens sen Zudem hängen Wahrschenlchketen für alle denkbaren Werte lnear mt ener erklärenden Varablen zusammen. De vorherge Schätzung mplzert z.b. ene geschätzte Redukton der Wahrschenlchket der Erwerbstätgket um 0,262, falls sch de Anzahl der Knder unter sechs Jahren von null auf ens erhöht. Dese Redukton wrd genauso be ener Erhöhung von enem Knd auf zwe Knder geschätzt, obwohl ene Abschwächung des Rückgangs mt zunehmenden Knderzahlen realstscher erschent. De vorherge Analyse mplzert sogar den defntonsgemäß unmöglchen Fall, dass ver zusätzlche Knder zu enem geschätzten Rückgang der Wahrschenlchket der Erwerbstätgket um 0,262 4 = 1,048 oder 104,8 Prozentpunkte führen. Aus desen Gründen wrd das lneare Wahrschenlchketsmodell nur noch sehr selten n emprschen Anwendungen verwendet 7

8 6.2 Bnäre Probt- und Logtmodelle Bnäre abhängge Varablen y n enem ökonometrschen Modell mt dem Vektor x = (x 1,, x k ) von k erklärenden Varablen und dem entsprechenden Parametervektor β = (β 1,, β k ) snd generell Bernoull vertelt mt der folgenden Wahrschenlchketsfunkton ( = 1,, n): y y (6.7) f y ; x, β = p (x, β) 1 - p (x, β) Unterschedlche Modelle mt bnären abhänggen Varablen resulteren aus unterschedlchen Spezfkatonen der Wahrschenlchket p (x, β) = P(y = 1 x ), dass de abhängge Varable y den Wert ens annmmt. Be lnearen Wahrschenlchketsmodellen st dese Wahrschenlchket dentsch mt β x, so dass kene Werte zwschen null und ens gewährlestet snd. Dese Werte können durch nchtlneare Funktonen F (x, β) = F (β x ) und vor allem durch Vertelungsfunktonen belebger Zufallsvarablen schergestellt werden. Be bnären Probtmodellen st F (β x ) = Φ (β x ) der Wert der Vertelungsfunkton ener standardnormalvertelten Zufallsvarablen be β x : t 1 - (6.8) F 2 (β'x ) = Φ (β'x ) = p (x, β) = P(y = 1 x, β) = e dt 2π De Wahrschenlchketen p (x, β) n bnären Probtmodellen müssen somt durch Integraton berechnet werden. 1-y = P(y = 1 x, β) 1 - P(y = 1 x, β) für y = 0, 1 β'x 1-y - 2 8

9 Im Fall von bnären Logtmodellen st F (β x ) = Λ (β x ) der Wert der Vertelungsfunkton ener standardlogstschen Vertelung be β x : β'x e (6.9) F (β'x ) = Λ (β'x ) = p (x, β) = P(y = 1 x, β) = 1 + e β'x Im Untersched zu bnären Probtmodellen müssen de Wahrschenlchketen p (x, β) n bnären Logtmodellen ncht durch Integraton ermttelt werden, sondern wesen ene geschlossene Form auf. Trotz der substanzellen Unterschede n der funktonalen Form snd de Wahrschenlchketen p (x, β) = P(y = 1 x, β) n bnären Probt- und Logtmodellen (außer für enen konstanten Skalerungsfaktor) sehr ähnlch, so dass de Wahl zwschen den beden ökonometrschen Modellen n emprschen Untersuchungen kaum enen Untersched macht Interpretaton des Parameters β h n Modellen mt bnären abhänggen Varablen n Bezug auf den (partellen) Effekt der erklärenden Varablen x h (h = 2,, k) auf de Wahrschenlchket p (x, β) = P(y = 1 x, β): Der Parameter β h kann ncht so enfach we m lnearen Wahrschenlchketsmodell nterpretert werden, d.h. er kann ncht als Veränderung von p (x, β) nterpretert werden, falls (ceters parbus) x h um ene Enhet stegt (für ene quanttatve erklärende Varable) 9

10 Stattdessen beträgt der (partelle) margnale Wahrschenlchketseffekt von x h n Modellen mt bnären abhänggen Varablen we folgt ( = 1,, n): p (x, β) F (β x ) df (β x ) β x = = = f (β x )β x x d(β x ) x h h h h Dabe st F (β x ) n bnären Probtmodellen de Vertelungsfunkton ener standardnormalvertelten Zufallsvarablen und n bnären Logtmodellen de Vertelungsfunkton ener standardlogstsch vertelten Zufallsvarablen. Zudem st f (β x ) de entsprechende Dchtefunkton. Falls alle anderen erklärenden Varablen konstant gehalten werden, ergbt sch be ener Veränderung x h : (5.10) Δp (x, β) f(β x )β Δx h h Je klener de Veränderung x h, desto besser st de lneare Approxmaton. Wchtge Aspekte der (partellen) margnalen Wahrschenlchketseffekte: Das Vorzechen des Parameters β h gbt de Rchtung des margnalen Wahrschenlchketseffektes von x h an De margnalen Wahrschenlchketseffekte snd für β x = 0 maxmal, da de Dchtefunktonen an desem Wert maxmal snd De margnalen Wahrschenlchketseffekte vareren ncht nur mt unterschedlchen Werten der erklärenden Varablen x h, sondern auch mt unterschedlchen Werten der anderen erklärenden Varablen 10

11 In emprschen Analysen st de Betrachtung margnaler Wahrschenlchketseffekte ener erklärenden Varablen x h für ene typsche Beobachtung (z.b. Person, Haushalt, Unternehmen) nteressant. Deshalb werden häufg durchschnttlche margnale Wahrschenlchketseffekte über alle = 1,, n Beobachtungen geschätzt oder margnale Wahrschenlchketseffekte, de am arthmetschen Mttel der erklärenden Varablen ermttelt werden. Parameterschätzung: Be bnären Probt- und Logtmodellen st de Schätzung der Parameter mt der OLS-Methode ncht geegnet, da de wesentlchen Annahmen (Vorlegen enes lnearen Regressonsmodells) für günstge Schätzegenschaften ncht gegeben snd. Aus desem Grund sollte de OLS-Methode durch alternatve Schätzmethoden ersetzt werden. Der wchtgste Ansatz für bnäre Probt- und Logtmodelle st de Maxmum Lkelhood Methode (ML), de auf ener parametrschen Vertelung der abhänggen Varablen basert De Maxmum Lkelhood Methode st das wchtgste Schätzverfahren be qualtatven abhänggen Varablen (bzw. allgemen be mkroökonometrschen Modellen) und west unter bestmmten Annahmen sehr günstge Egenschaften auf, d.h. ML-Schätzer snd konsstent und asymptotsch effzent und Funktonen von ML-Schätzern snd asymptotsch normalvertelt (so dass sch t- bzw. z-statstken ableten lassen) 11

12 Bespel: Erklärung der Erwerbstätgket von Frauen We m vorhergen Bespel soll der Effekt anderer Enkommen, der Ausbldungszet n Jahren, der enfachen und quadrerten Berufserfahrung, des Alters sowe der Anzahl der Knder unter sechs Jahren bzw. zwschen sechs und 18 Jahren auf de Erwerbstätgket von n = 753 verherateten Frauen untersucht werden. Jedoch werden jetzt kene lnearen Wahrschenlchketsmodelle, sondern bnäre Probt- und Logtmodelle untersucht. Dabe haben sch mt STATA folgende ML-Schätzergebnsse m bnären Probtmodell gezegt: probt nlf nwfenc educ exper expersq age kdslt6 kdsge6 Probt regresson Number of obs = 753 LR ch2(7) = Prob > ch2 = Log lkelhood = Pseudo R2 = nlf Coef. Std. Err. z P> z [95% Conf. Interval] nwfenc educ exper expersq age kdslt kdsge _cons

13 Bespel: Erklärung der Erwerbstätgket von Frauen (Fortsetzung) Im bnären Logtmodell haben sch mt STATA dagegen folgende ML-Schätzergebnsse gezegt: logt nlf nwfenc educ exper expersq age kdslt6 kdsge6 Logstc regresson Number of obs = 753 LR ch2(7) = Prob > ch2 = Log lkelhood = Pseudo R2 = nlf Coef. Std. Err. z P> z [95% Conf. Interval] nwfenc educ exper expersq age kdslt kdsge _cons De Darstellung sämtlcher Schätzergebnsse m lnearen Wahrschenlchketsmodell sowe m bnären Probt- und Logtmodell, de typscherwese zumndest de Schätzwerte, de t- bzw. z-statstken oder geschätzten Standardabwechungen der geschätzten Parameter sowe Informatonen über de Sgnfkanz des Effektes der erklärenden Varablen enthält, hat z.b. folgendes Aussehen:

14 Bespel: Erklärung der Erwerbstätgket von Frauen (Fortsetzung) ML-Schätzwerte (z-statstken), abhängge Varable: Erwerbstätgket (nlf) Erklärende Varablen Lneares Wahrschenlchketsmodell nwfenc ** (-2.23) educ 0.038*** (5.23) exper 0.039*** (6.80) expersq *** (-3.14) age *** (-6.71) kdslt *** (-8.24) kdsge (0.96) Konstante (3.85) Bnäres Probtmodell ** (-2.48) 0.131*** (5.18) 0.123*** (6.59) *** (-3.15) *** (-6.23) *** (-7.33) (0.83) (0.53) Bnäres Logtmodell ** (-2.53) 0.221*** (5.09) 0.206*** (6.42) *** (-3.10) *** (-6.04) *** (-7.09) (0.80) (0.49) Anmerkung: *** (**, *) bedeutet, dass de entsprechende erklärende Varable zum 1% (5%, 10%) Sgnfkanznveau enen Effekt aufwest, n =

15 Bespel: Erklärung der Erwerbstätgket von verherateten Frauen (IV) Interpretaton: De Schätzergebnsse snd n allen dre ökonometrschen Modellen mt bnären abhänggen Varablen qualtatv sehr ähnlch, d.h. de Vorzechen der Parameterschätzwerte snd dentsch und deselben erklärenden Varablen haben enen sgnfkanten Effekt Allerdngs st de Höhe der Schätzwerte aufgrund unterschedlcher Schätzungen der durchschnttlchen margnalen Wahrschenlchketseffekte über alle Beobachtungen oder der margnalen Wahrschenlchketseffekte am arthmetschen Mttel der erklärenden Varablen ncht drekt verglechbar Ene kurze Überprüfung der Parameterschätzwerte n bnären Probt- und Logtmodellen (und evtl. lnearen Wahrschenlchketsmodellen) ergbt sch durch de Berückschtgung der unterschedlchen Skalerungsfaktoren n den margnalen Wahrschenlchketseffekten, d.h. als Faustregel können Schätzwerte n bnären Probtmodellen mt 1,6 multplzert (oder umgekehrt durch 0,625 dvdert) werden, um se mt den Schätzwerten n bnären Logtmodellen verglechbar zu machen, sowe durch 2,5 dvdert werden, um se mt den Schätzwerten n lnearen Wahrschenlchketsmodellen verglechbar zu machen

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

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

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

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

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

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

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

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

Ordered Response Models (ORM)

Ordered Response Models (ORM) Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,

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

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

Entscheidungsprobleme der Marktforschung (1)

Entscheidungsprobleme der Marktforschung (1) Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket

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

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

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

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

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

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

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

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

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

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

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

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

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

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

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

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny

Franzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung

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

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

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

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

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3) Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,

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

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

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

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

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

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

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

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

13.Selbstinduktion; Induktivität

13.Selbstinduktion; Induktivität 13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd

Mehr

1 Mehrdimensionale Analysis

1 Mehrdimensionale Analysis 1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus

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

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

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

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

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

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

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

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

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

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

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

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

"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

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

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

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

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

Analyse von Querschnittsdaten. Bivariate Regression

Analyse von Querschnittsdaten. Bivariate Regression Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004

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

18. Vorlesung Sommersemester

18. Vorlesung Sommersemester 8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten

Mehr

Stochastische Prozesse

Stochastische Prozesse INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)

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

JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN

JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN FACHBEREICH WIRTSCHAFTSWISSENSCHAFTEN Ulrch Kaser/Andrea Szczesny Enfache ökonometrsche Verfahren für de Kredtrskomessung: Logt- und Probt-Modelle No.61

Mehr

Physikalisches Praktikum PAP 1 für Physiker (B.Sc.) September 2010

Physikalisches Praktikum PAP 1 für Physiker (B.Sc.) September 2010 Physkalsches Praktkum PAP 1 für Physker (B.Sc.) September 010 (Kurze) Enführung n de Grundlagen der Fehlerrechnung oder besser: Bestmmung von Messunscherheten Step nsde, lades & gentlemen, sad the museum

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

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

JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN

JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN JOHANN WOLFGANG GOETHE-UNIVERSITÄT FRANKFURT AM MAIN FACHBEREICH WIRTSCHAFTSWISSENSCHAFTEN Ulrch Kaser/Andrea Szczesny Enfache ökonometrsche Verfahren für de Kredtrskomessung: Logt- und Probt-Modelle No.61

Mehr

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens

Quantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen

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

Klausuren zum Üben. Gesamtdauer der Anrufe in [Min]: bis 20 bis 40 bis 60 bis 90 bis 120 Anzahl der Schüler/innen:

Klausuren zum Üben. Gesamtdauer der Anrufe in [Min]: bis 20 bis 40 bis 60 bis 90 bis 120 Anzahl der Schüler/innen: Klausuren zum Üben Aufgabentyp I. Unter den Schülernnen und Schülern der Klassenstufe 5 ener Realschule bestzen 40 en Handy. Unter desen wurde ene Erhebung durchgeführt über de Anzahl von Anrufen (Merkmal

Mehr

1 - Prüfungsvorbereitungsseminar

1 - Prüfungsvorbereitungsseminar 1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten

Mehr

Diplomprüfung für Kaufleute 2001/I

Diplomprüfung für Kaufleute 2001/I Dplomprüfung für Kaufleute 00/I Prüfungsfach: Unternehmensfnanzerung und Betrebswrtschaftslehre der Banken Thema : a) Warum st es trotz Rskoaverson der Markttelnehmer möglch, be der Bewertung von Optonen

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

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. .

Neuronale Netze. M. Gruber (1) ausgeloste Reiz ist x (1) = (1) (s (1) ) mit (1) (s) = 1 sgn(s 1 ) sgn(s 2 ) T. . Neuronale Netze M. Gruber 7.11.015 Begnnen wr mt enem Bespel. Bespel 1 Wr konstrueren enen Klasskator auf der Menge X = [ 1; 1], dessen Wrkung man n Abb.1 rechts sehen kann. Auf der blauen Telmenge soll

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

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

Diskrete Mathematik 1 WS 2008/09

Diskrete Mathematik 1 WS 2008/09 Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /

Mehr

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

Geld- und Finanzmärkte

Geld- und Finanzmärkte Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Überblck Graphsche Modelle: Syntax und Semantk Graphsche Modelle m Maschnellen Lernen Inferenz n Graphschen

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

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

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

Statistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes

Statistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes Statstk Defnton: Entwcklung und Anwendung von Methoden zur Erhebung, Aufberetung, Analyse und Interpretaton von Daten. Telgebete der Statstk: - Beschrebende (deskrptve) Statstk - Wahrschenlchketsrechnung

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

UNIVERSITÄT STUTTGART INSTITUT FÜR THERMODYNAMIK UND WÄRMETECHNIK Professor Dr. Dr.-Ing. habil. H. Müller-Steinhagen P R A K T I K U M.

UNIVERSITÄT STUTTGART INSTITUT FÜR THERMODYNAMIK UND WÄRMETECHNIK Professor Dr. Dr.-Ing. habil. H. Müller-Steinhagen P R A K T I K U M. UNIVERSITÄT STUTTGART INSTITUT FÜR THERMODYNAMIK UND WÄRMETECHNIK Professor Dr. Dr.-Ing. habl. H. Müller-Stenhagen P R A K T I K U M Versuch 9 Lestungsmessung an enem Wärmeübertrager m Glech- und Gegenstrombetreb

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

(Essentiell) τ-äquivalente Tests:

(Essentiell) τ-äquivalente Tests: (Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,

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

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

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

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.

2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar. . Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen

Mehr

Spule, Induktivität und Gegeninduktivität

Spule, Induktivität und Gegeninduktivität .7. Sple, ndktvtät nd Gegenndktvtät Bldqelle: Doglas C. Gancol, Physk, Pearson-Stdm, 006 - das Magnetfeld Glechnamge Pole enes Magneten stoßen enander ab; nglechnamge Pole zehen sch gegensetg an. Wenn

Mehr