Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
|
|
- Annegret Krämer
- vor 8 Jahren
- Abrufe
Transkript
1 Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/ Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
2 1 Einführung /35
3 Einführung: LISREL LISREL: Linear Structural Relationships Allgemeines Modell zur Analyse eines Systems linearer Strukturgleichungen Jöreskog (1973) und Sörbom LISREL besteht aus Software: AMOS (SPSS), Pro Calis (SAS), Pakte LISREL, SEM (R) Strukturgleichungsmodelle kombinieren Ideen der Faktorenanalyse (in den Messmodellen) mit den Methoden der (im Strukturmodell). 3/35
4 Einführung Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten als Erweiterung der multiplen Korrelations- und Regressionsanalyse nur manifeste Variablen (z.b. Items), keine latenten Variablen zu prüfendes Modell wird vom Anwender vorgegeben Modell enthält Beziehungen zwischen manifesten Variablen, deren Pfade ermittelt werden direkter Effekt: zwischen Variablen indirekter Effekt: über vermittelnde Variablen (Mediator) totaler Effekt: Summe aller direkten und indirekten Effekte 4/35
5 Einführung Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Pfade stehen für einen gerichteten Zusammenhang & stellen i.d.r. partielle standardisierte Regressionsgewichte dar Korrelationen bzw. Kovarianzen Boxen stehen für manifeste Variablen 5/35
6 Einschub: lineare Regression Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten einfaches lineares Regressionsmodell Y i = β 0 + x 1 β 1 + ε i i = 1,..., n Annahmen: E(ε i ) = 0 Var(ε i ) = σ 2 {ε i i = 1,..., n} stoch. unabhängig ε i normalverteilt 6/35
7 Einschub: lineare Regression Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten multiples lineares Regressionsmodell Y i = β 0 + x 1i β x pi β p + ε i i = 1,..., n Annahmen: E(ε i ) = 0 E(ε) = 0 Var(ε i ) = σ 2 {ε i i = 1,..., n} stoch. unabhängig Var(ε) = σ 2 I ε i und ε normalverteilt 7/35
8 Pfad- & und Regressionsanalyse Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Unterschiede zwischen Regressions- & : kausalanalytisches Modell, lässt Zusammenhänge zwischen unabhängigen Variablen zu Regressionsanalyse: unabhängige Variablen wirken auf abhängige Variablen Regressionsanalyse als Spezialfall der 8/35
9 Pfad- & und Regressionsanalyse Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Nachteile der Regressionsanalyse oftmals als einziges Ziel hohes Bestimmtheitsmaß R 2 Gefahren: Scheinkorrelationen, Multikollinearität Vorteile der mehr theoretisches Vorverständnis benötigt Komplexitätszunahme Voraussetzungen für kausale Zusammenhänge additive & lineare Beziehungen zwischen beteiligten Variablen Residuen müssen normalverteilt sein 9/35
10 Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Einschub: Scheinkorrelationen & Multikollinearität Scheinkorrelationen: statistisch gemessener Zusammenhang zw. zwei Variablen, welcher nur auftritt, weil die Variablen systematisch von einer dritten Variablen abhängen. Multikollinearität: wechselseitige Abhängigkeit von unabhängigen Variablen in einem statistischen Modell 10/35
11 Berechnung der Pfadkoeffizienten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Pfadkoeffizienten entsprechen ˆβ (partielle Regressionsgewichte) Berechnung der Pfade (direkte Effekte) über Korrelationen, siehe Bsp. r XY =.2 r XY = a a=.2 r XZ =.4 r XZ = b + (a c) b=.323 r YZ =.45 r YZ = c + (a b) c= /35
12 Berechnung der Pfadkoeffizienten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten Berechnung der indirekten und totalen Effekte direkter Effekt ind. Effekt MS totaler Effekt MS a de,ms = β 1 =.2 a de,is = β 2 = = =.32 a de,mi = β 3 =.3 β 2 β 3 β 1 + (β 2 β 3 ) 12/35
13 Berechnung der Pfadkoeffizieten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten im bivariaten Fall: Pfadkoeffizienten entsprechen Korrelationskoeffizienten Fehlerzahl i = β 0 + WieOftLesen β 1 + ε i > cor(cbind( Fehlerzahl, Geschlecht, WieOftLesen)) Fehlerzahl Geschlecht WieOftLesen Fehlerzahl WieOftLesen /35
14 Berechnung der Pfadkoeffizieten Einschub: lineare Regression Pfad- & und Regressionsanalyse Einschub: Scheinkorrelationen & Multikollinearität Berechnung der Pfadkoeffizienten > summary(lm(fz_s~wieoftlesen)) Call: lm(formula = FZ_s ~ WieOftLesen) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) 1.453e e e-15 1 WieOftLesen 3.428e e e-06 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 178 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 1 and 178 DF, p-value: 2.466e-06 14/35
15 Lineares Strukturgleichungsmodell Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler 15/35
16 Lineares Strukturgleichungsmodell Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler y: beobachtbare abh. Variable x: beobachtbare unabh. Variable η: latente abh. Variable ξ: latente unabh. Variable ε: Fehlerterm der abh. Variable δ: Fehlerterm der unabh. Variable ζ: Fehlerterm im Strukturmodell Λ y : Ladungsmatrix (Regressionsparameter der Reg von y auf η) Λ x : Ladungsmatrix (Regressionsparameter der Reg von x auf ξ) 16/35
17 Messmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Ein Messmodell spezifiziert, welche Items von welchen latenten Variablen beeinflusst werden. Modell Annahmen E(ε) = 0, x = Λ x ξ + ε zentrierte Werte (x i x) bzw. z-standardisierte Werte x i x wodurch der Intercept entfällt; mit S = P (xi x) 2 n 1 S, 17/35
18 Messmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Korrelation zw. x 1 und x 2 auf gemeinsame latente Variable (Faktor) zurückgeführt. Fehlerterme ε i stehen für den nicht durch latente Variable erklärten Varianzanteil. 18/35
19 Strukturmodell Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Ein Strukturmodell spezifiziert die Beziehungen der latenten Variablen untereinander. Modell η = γ ξ + ζ 19/35
20 Lineare Strukturgleichungsmodelle Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Lineare Strukturgleichungsmodelle implizieren eine spezifische Zusammenhangsstruktur zwischen den beobachteten Variablen. Schätzung der Modellparameter soll diese implizite Struktur mit der beobachteten Kovarianzstruktur in Übereinstimmung bringen. 20/35
21 korrelierte Fehler Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler In Strukturgleichungsmodellen ist es möglich, zwischen Residuen von latenten und manifesten Variablen Zusammenhänge zuzulassen. 21/35
22 korrelierte Fehler Einführung Messmodell Strukturmodell Lineare Strukturgleichungsmodelle korrelierte Fehler Bsp : Cov(δ 3, δ 5 ) zulassen (x 3 ) und (x 5 ) korrelieren höher ξ 3 als neue latente Variable hinzufügen erklärt inhaltlich Gemeinsames 22/35
23 Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Um ein Modell zu identifizieren, muss gegeben sein: 1 Die Anzahl der Parameter, die in einem Modell geschätzt werden können, hängt von der Menge an empirischen Informationen ab, die für die Analyse zur Verfügung stehen. Wenn alle Parameter geschätzt werden können, ist das Modell identifiziert. Empirische Grundlage der Schätzungen sind die Varianzen und Kovarianzen der beobachtbaren Variablen. t-rule für die Anzahl der Parameter n(n + 1) 2 2 Jede latente Variable und jede Fehlervarianz muss eine Metrik aufweisen. 23/35
24 Unteridentifikation Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell mehr zu schätzende Parameter besitzt als beobachtete Korrelationen/Kovarianzen, dann ist es unteridentifiziert. es gibt viele mögliche Lösungen für die Parameterschätzung keine eindeutige Schätzung möglich (df < 0) Bsp. a + b = 6 wobei a und b zu schätzen sind, 6 ist die beobachtete Variable. Nicht eindeutig lösbar, denn z.b = 6 und = 6 etc. Weitere beobachtete Variable hinzufügen z.b. a = b = 6 b = 4 24/35
25 Gerade identifizierte Modelle Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell genau so viele zu schätzende Parameter besitzt wie beobachtete Korrelationen/Kovarianzen, dann ist es gerade identifiziert. eine eindeutige Lösung (df = 0) Bsp. a + b = 6 und 2a + b = 10 a = 6 b 2(6 b) + b = b + b = 10 b = 2 und a = 4 25/35
26 Überidentifikation Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik Wenn ein Modell weniger zu schätzende Parameter besitzt als beobachtete Korrelationen/Kovarianzen, dann ist es überidentifiziert. nur näherungsweise Parameterschätzung (df > 0) Modellprüfung durch Test möglich Bsp. a + b = 6, 2a + b = 10 und 3a + b = 12 Keine eindeutige Lösung, sondern nur Abschätzung a = 3 und b = 3.3 mit Fehler von (1. Gleichung), (2.Gleichung) und (3. Gleichung) 26/35
27 Metrik Einführung Unteridentifikation gerade identifiziert Überidentifikation Metrik 1 durch Referenzvariable: Ladung einer manifesten auf eine latente Variable gleich 1 setzen, dabei Referenzvariable bester Indikator für latente Variable oder hohe Reliabilität. 2 Da Fehlervariable latent, Pfad auf manifeste Variable auf 1 setzen. 3 Varianz der latenten Variable auf 1 setzen Signifikanz der Ladungen ermittelbar und Cov = Korr, da standardisiert. nächste Woche mehr! 27/35
28 Grundstruktur der EFA & CFA Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern explorative Faktorenanalyse konfirmatorische Faktorenanalyse 28/35
29 Nachteile Explorative Faktorenanalyse Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Faktorenauswahlkriterium über Eigenwert > 1 Ladungen 0 erlaubt keine korrelierten Störterme Datenreduzierung wird angestrebt Konfirmatorische Faktorenanalyse überwindet diese Probleme Festlegung eines theoretischen Modells 29/35
30 CFA - Modell Einführung Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Zur Überprüfung des Modells auf seine Güte, d.h. auf seine Übereinstimmung mit der empirischen Kovarianzmatrix durch Modelltest Modell Annahmen E(δ) = 0 und E(ξδ ) = 0 Cov(ξ, δ) = 0 x = Λ x ξ + δ δ = s + e mit s: Varianz und e: nicht spezifizierter Störterm Die Ladungen können als Regressionskoeffizienten betrachtet werden. Wenn sich ξ um eine Einheit ändert, ändert sich x um den Faktor λ (bei festem δ). 30/35
31 Richtlinien Einführung Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern allgemein mindestens 3 Items pro latente Variable Stichprobengröße n = 200 statistisch Beziehungen zw. Variablen linear Additivität der Effekte metrische Variablen Daten durch Erwartungswerte, Varianzen & Kovarianzen erklärt 31/35
32 Grundstruktur der EFA & CFA Nachteile Explorative Faktorenanalyse CFA - Modell Richtlinien Zusammenhang zw. beobeobachteter Kovarianzmatrix & Modellparametern Zusammenhang zw. beob. Kovarianzmatrix & Parametern Sobald ein Modell spezifiziert ist, können durch die beobachteten Varianzen und Kovarianzen die Modellparameter geschätzt werden. Cov(x, ξ) = E(xx ) = E[(Λ x ξ + δ)(ξλ x + δ) ] = Λ x ΦΛ x + Θ δ Φ = Cov(ξ, ξ) Kovarianzmatrix zw. latenten Variablen Θ δ = Cov(δ, δ) Kovarianzmatrix zw. Störtermen nächste Schritte (wie bei LISREL) Parameterschätzung (siehe nächste Woche) Modelltest prüft, ob die berechnete Kovarianzmatrix von der beobachteten signifikant abweicht (siehe übernächste Woche) 32/35
33 Einführung Schritte der Modellierung einer CFA LISREL: lineares Strukturgleichungsmodell Messmodell: latente Variable durch Items Strukturmodell: Beziehungen zwischen latenten Variablen CFA überprüft Modell 33/35
34 Schritte der Modellierung einer CFA Schritte der Modellierung einer CFA 1 Aufstellen eines Strukturgleichungsmodell gemäß Hypothesen 2 Erheben der Daten 3 Berechnen der Varianz-/Kovarianzmatrix aus den Daten 4 Schätzung der Modellparameter 5 Beurteilung des Modells bzw. Vergleich mit Alternativmodell 6 ggf. Modellmodifikation 34/35
35 Einführung Bühner, M. (2004). Einführung in die Test- und Fragebogenkonstruktion. München: Pearson. Bühner, M. (2006). Einführung in die Test- und Fragebogenkonstruktion. München: Pearson. Bollen, KA. (1989). Structuralequationswithlatent variables. New York: Wiley. Leonhart, R. (2003). Lehrbuch Statistik: Einstieg und Vertiefung. Bern: Verlag Hans Huber. Howitt, D. & Cramer, D. (2005). Introduction to Statistics in Psychology. Pearson Prentice Hall. 35/35
Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrPfadanalyse. 1. Grundlegende Verfahren. Bacher, SoSe2007
Pfadanalyse Bacher, SoSe2007 1. Grundlegende Verfahren Explorative Pfadanalyse: Kausale Beziehungen zwischen Variablen werden aufgedeckt, erforderlich ist eine kausale Anordnung der Variablen. Konfirmatorische
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrAUTOMATISIERTE HANDELSSYSTEME
UweGresser Stefan Listing AUTOMATISIERTE HANDELSSYSTEME Erfolgreich investieren mit Gresser K9 FinanzBuch Verlag 1 Einsatz des automatisierten Handelssystems Gresser K9 im Portfoliomanagement Portfoliotheorie
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrDie Technik und Logik von linearen Strukturgleichungsmodellen
Die Technik und Logik von linearen Strukturgleichungsmodellen Empfehlenswerte Einführungen in die Arbeit mit Strukturgleichungsmodellen ( structural equation modeling ) finden sich in Byrne (1994) (spezifisch
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrVersuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
MehrMessung und Aufwandsschätzung bei der Entwicklung von Web Applikationen. Frederik Kramer // Folie 1 von 14
Messung und Aufwandsschätzung bei der Entwicklung von Web Applikationen Frederik Kramer // Folie 1 von 14 Warum das ganze? Entwicklungskosten spielen eine immer wichtigere Rolle Messmethoden erlauben diese
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrDokumentation. estat Version 2.0
Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrKosten-Leistungsrechnung Rechenweg Optimales Produktionsprogramm
Um was geht es? Gegeben sei ein Produktionsprogramm mit beispielsweise 5 Aufträgen, die nacheinander auf vier unterschiedlichen Maschinen durchgeführt werden sollen: Auftrag 1 Auftrag 2 Auftrag 3 Auftrag
MehrLösung zu Kapitel 11: Beispiel 1
Lösung zu Kapitel 11: Beispiel 1 Eine Untersuchung bei 253 Personen zur Kundenzufriedenheit mit einer Einzelhandelskette im Südosten der USA enthält Variablen mit sozialstatistischen Daten der befragten
MehrQuadratische Gleichungen
Quadratische Gleichungen Aufgabe: Versuche eine Lösung zu den folgenden Zahlenrätseln zu finden:.) Verdoppelt man das Quadrat einer Zahl und addiert, so erhält man 00..) Addiert man zum Quadrat einer Zahl
MehrPortfolioselection. Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen?
Portfolioselection Zentrale Frage: Wie stellen rationale Investoren ihr Portfolio zusammen? Investieren in Aktien ist riskant Risiko einer Aktie kann in 2 Teile zerlegt werden: o Unsystematisches Risiko
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrProf. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION
Prof. Dr. Gabriele Helga Franke TESTTHEORIE UND TESTKONSTRUKTION 2. FS Master Rehabilitationspsychologie, SoSe 2012 Faktorenanalyse/ faktorielle Validität 2 Einleitung Allgemeines zu Faktorenanalysen (FA)
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrInstitut für Marketing und Handel Prof. Dr. W. Toporowski. SPSS Übung 5. Heutige Themen: Faktorenanalyse. Einführung in Amos
SPSS Übung 5 Heutige Themen: Faktorenanalyse Einführung in Amos 1 Faktorenanalyse Datei Öffnen V:/Lehre/Handelswissenschaft/Daten_Übung3/Preisimage_F_und_C.sav 2 Datensatz (I) v1 Wenn Produkte zu Sonderpreisen
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
MehrStrukturgleichungsmodellierung
Rolf Weiber Daniel Mühlhaus Strukturgleichungsmodellierung Eine anwendungsorientierte Einführung in die Kausalanalyse mit Hilfe von AMOS, SmartPLS und SPSS ^J Springer ABKÜRZUNGS- UND SYMBOL VERZEICHNIS
Mehr2 Evaluierung von Retrievalsystemen
2. Evaluierung von Retrievalsystemen Relevanz 2 Evaluierung von Retrievalsystemen Die Evaluierung von Verfahren und Systemen spielt im IR eine wichtige Rolle. Gemäß der Richtlinien für IR der GI gilt es,...
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
Mehr2.8 Grenzflächeneffekte
- 86-2.8 Grenzflächeneffekte 2.8.1 Oberflächenspannung An Grenzflächen treten besondere Effekte auf, welche im Volumen nicht beobachtbar sind. Die molekulare Grundlage dafür sind Kohäsionskräfte, d.h.
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrÜbersicht zur Veranstaltung
Übersicht zur Veranstaltung Psychometrie: Teil 1 Itemschwierigkeit Bedeutung der Itemschwierigkeit Bestimmung der Itemschwierigkeit Die Prüfung von Schwierigkeitsunterschieden Trennschärfe Bedeutung der
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
Mehr13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrDokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz
Dokumentation zum Projekt Multimediale Lehre Fluidmechanik an der Technischen Universität Graz Andreas Aigner email: andreasa@sbox.tu-graz.ac.at. Januar 00 Inhaltsverzeichnis Theorie. Stromfunktion...........................
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrAQL. 9. Statistisches Qualitätsmanagement 9.3 Statistische Methoden der Warenannahme (AQL)
9.3 Statistische Methoden der Warenannahme (AQL) AQL Vorlesung Qualitätsmanagement, Prof. Dr. Johann Neidl Seite 1 Um was geht es? Stichprobensysteme insbesondere für Eingangsprüfungen. Diese werden durch
MehrInternational Finance. Bearbeiten Sie alle sechs Aufgaben A1-A6 und eine der zwei Aufgaben B1-B2!
Kursprüfung International Finance Schwerpunktmodul Finanzmärkte 6 Kreditpunkte, Bearbeitungsdauer: 90 Minuten WS 2012/13, 13.2.2013 Prof. Dr. Lutz Arnold Bitte gut leserlich ausfüllen: Name: Vorname: Matr.-nr.:
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
MehrÜbung Theoretische Grundlagen
Übung Theoretische Grundlagen Berechenbarkeit/Entscheidbarkeit Nico Döttling November 26, 2009 INSTITUT FÜR KRYPTOGRAPHIE UND SICHERHEIT KIT University of the State of Baden-Wuerttemberg and National Laboratory
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrElemente der Analysis I Kapitel 2: Einführung II, Gleichungen
Elemente der Analysis I Kapitel 2: Einführung II, Gleichungen Prof. Dr. Volker Schulz Universität Trier / FB IV / Abt. Mathematik 8. November 2010 http://www.mathematik.uni-trier.de/ schulz/elan-ws1011.html
MehrAbb. 30: Antwortprofil zum Statement Diese Kennzahl ist sinnvoll
Reklamationsquote Stornierungsquote Inkassoquote Customer-Lifetime-Value Hinsichtlich der obengenannten Kennzahlen bzw. Kontrollgrößen für die Neukundengewinnung wurden den befragten Unternehmen drei Statements
MehrThermoguard. Thermoguard CIM Custom Integration Module Version 2.70
Thermoguard Thermoguard CIM Custom Integration Module Version 2.70 Inhalt - Einleitung... 3 - Voraussetzungen... 3 - Aktivierung und Funktion der Schnittstelle... 3 - Parameter... 4 - NLS-Einfluss... 4
MehrIBM SPSS Statistics Version 23. Einführung in Installation und Lizenzierung
IBM SPSS Statistics Version 23 Einführung in Installation und Lizenzierung Inhaltsverzeichnis Einführung in Installation und Lizenzierung................ 1 Einführung............... 1 Lizenztypen..............
MehrÜbung 2 Erfolgsrechnung
Controlling in deutschen Unternehmen Übung 2 Erfolgsrechnung Dipl.-Kfm. Florian Böckling, MBA Dipl.-Kfm. Franz Zinser, MBA Lehrstuhl für Controlling Prof. Dr. Louis Velthuis Johannes Gutenberg-Universität
MehrKlausur Mathematik 2
Mathematik für Ökonomen WS 2014/15 Campus Duisburg PD Dr. V. Krätschmer, Fakultät für Mathematik Klausur Mathematik 2 17.02.2015, 12:30-14:30 Uhr (120 Minuten) Erlaubte Hilfsmittel: Nur reine Schreib-
MehrFinanzierung: Übungsserie III Innenfinanzierung
Thema Dokumentart Finanzierung: Übungsserie III Innenfinanzierung Lösungen Theorie im Buch "Integrale Betriebswirtschaftslehre" Teil: Kapitel: D1 Finanzmanagement 2.3 Innenfinanzierung Finanzierung: Übungsserie
MehrPermanent Magnet Motor Konzept
Permanent Magnet Motor Konzept QuickField Simulation (Studentenversion) ROTOR STATOR www.magnetmotor.at Dietmar Hohl, Linz/AUSTRIA Jän. 2010 Rev. D Seite 1 von 13 Beginnen wir mit zwei dreieckigen Magneten.
MehrStudienplatzbeschaffung
Studienplatzbeschaffung - Einklagen www.asta.haw-hamburg.de Hintergrund Alle Unis und Hochschulen unterliegen dem Kapazitätsausschöpfungsgebot Sie müssen alle ihnen zur Verfügung stehenden Plätze vergeben!
MehrRisikodiversifikation. Birgit Hausmann
diversifikation Birgit Hausmann Übersicht: 1. Definitionen 1.1. 1.2. diversifikation 2. messung 2.1. messung im Überblick 2.2. Gesamtaktienrisiko und Volatilität 2.3. Systematisches und Betafaktor 2.4.
MehrBundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673. Flachglasbranche.
Bundesverband Flachglas Großhandel Isolierglasherstellung Veredlung e.v. U g -Werte-Tabellen nach DIN EN 673 Ug-Werte für die Flachglasbranche Einleitung Die vorliegende Broschüre enthält die Werte für
MehrNerreter, Grundlagen der Elektrotechnik Carl Hanser Verlag München. 8 Schaltvorgänge
Carl Hanser Verlag München 8 Schaltvorgänge Aufgabe 8.6 Wie lauten für R = 1 kω bei der Aufgabe 8.1 die Differenzialgleichungen und ihre Lösungen für die Spannungen u 1 und u 2 sowie für den Strom i? Aufgabe
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrLösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr.
Lösungsvorschlag für die Probeklausuren und Klausuren zu Algebra für Informations- und Kommunikationstechniker bei Prof. Dr. Kurzweil Florian Franzmann André Diehl Kompiliert am 10. April 2006 um 18:33
MehrSoftware-Engineering SS03. Zustandsautomat
Zustandsautomat Definition: Ein endlicher Automat oder Zustandsautomat besteht aus einer endlichen Zahl von internen Konfigurationen - Zustände genannt. Der Zustand eines Systems beinhaltet implizit die
MehrIntrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung
Intrinsisch motivierte Mitarbeiter als Erfolgsfaktor für das Ideenmanagement: Eine empirische Untersuchung Bearbeitet von Martina Sümnig Erstauflage 2015. Taschenbuch. 176 S. Paperback ISBN 978 3 95485
Mehr1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrMedia Teil III. Begriffe, Definitionen, Übungen
Media Teil III. Begriffe, Definitionen, Übungen Kapitel 1 (Intermedia- Vergleich: Affinität) 1 Affinitätsbewertung als Mittel des Intermedia-Vergleichs Um die Streugenauigkeit eines Werbeträgers zu bestimmen,
MehrÜbungsaufgaben zu Kapitel 6: Finanzmärkte und Erwartungen
Kapitel 6 Übungsaufgaben zu Kapitel 6: Finanzmärkte und Erwartungen Übungsaufgabe 6-1a 6-1a) Welche Typen von Zinsstrukturkurven kennen Sie? Stellen Sie die Typen graphisch dar und erläutern Sie diese.
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrDrei Fragen zum Datenschutz im. Nico Reiners
Drei Fragen zum Datenschutz im Geoinformationswesen Nico Reiners 1. Frage Welche Geoinformationen sind personenbezogen? Personenbezug? Personenbezogene Daten sind Einzelangaben über persönliche oder sachliche
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrSimulation LIF5000. Abbildung 1
Simulation LIF5000 Abbildung 1 Zur Simulation von analogen Schaltungen verwende ich Ltspice/SwitcherCAD III. Dieses Programm ist sehr leistungsfähig und wenn man weis wie, dann kann man damit fast alles
MehrBetriebliche Weiterbildung Weiterbildungsintensität und betriebliche Produktivität: Die Studie von Zwick Lutz Bellmann (IAB Nürnberg)
Betriebliche Weiterbildung Weiterbildungsintensität und betriebliche Produktivität: Die Studie von Zwick Lutz Bellmann (IAB Nürnberg) Lehrveranstaltung Empirische Forschung zu Arbeit und Personal Basel,
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrDie Teilzeitansprüche im deutschen Arbeitsrecht:
Die Teilzeansprüche im deutschen Arbesrecht: Eine empirische Analyse ihrer Wirkung auf den betrieblichen Einsatz Teilzebeschäftigter Sozioökonomische Berichterstattung, soeb Werkstatt 21 Hans-Dieter Gerner
Mehr1.3.2 Resonanzkreise R L C. u C. u R. u L u. R 20 lg 1 , (1.81) die Grenzkreisfrequenz ist 1 RR C . (1.82)
3 Schaltungen mit frequenzselektiven Eigenschaften 35 a lg (8) a die Grenzkreisfrequenz ist Grenz a a (8) 3 esonanzkreise 3 eihenresonanzkreis i u u u u Bild 4 eihenresonanzkreis Die Schaltung nach Bild
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrDie drei Kernpunkte der modernen Portfoliotheorie
Die drei Kernpunkte der modernen Portfoliotheorie 1. Der Zusammenhang zwischen Risiko und Rendite Das Risiko einer Anlage ist die als Varianz oder Standardabweichung gemessene Schwankungsbreite der Erträge
MehrBedingungen. Bedingungen. Bedingungen
Oftmals ist das Arbeiten mit notwendig. Dabei können sich die auf Formatierungen beziehen, aber auch auf Transformationen. Bedingte Formatierung Datentransformation 24.04.2006 Einführung in Excel 91 24.04.2006
MehrWeitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression
Weitere Fragestellungen im Zusammenhang mit einer linearen Einfachregression Speziell im Zusammenhang mit der Ablehnung der Globalhypothese werden bei einer linearen Einfachregression weitere Fragestellungen
Mehr