Einführung in die statistische Datenanalyse

Größe: px
Ab Seite anzeigen:

Download "Einführung in die statistische Datenanalyse"

Transkript

1 Einführung in die statistische Datenanalyse Jens Röder & Matthias Wieler Oktober 2007 Inhaltsverzeichnis 1 Deskriptive Statistik für die Explorative Datenanalyse 3 2 Zufallsvariablen Grundlegende Begriffe RechnenmitZufallsvariablen Rechnen mit Erwartungswert und Varianz Verteilungen 9 4 Multivariate Verteilungen Grundlegende Begriffe Unabhängigkeit, Kovarianz, Korrelation Multivariate Normalverteilung χ 2 -Verteilung Anwendung der Statistik auf Physikalische Messungen Quadratwurzel-Gesetz Fehlerfortpflanzung Aufgaben zu den Abschnitten 1 bis Testtheorie Ein einführendes Beispiel: 50 Jahre Lotto am Samstag Übung Lineare Regressionsanalyse Einführung Das Lineare Regressionsmodell (LRM) Schätzung im LRM: Die Kleinste-Quadrate-Methode Beispiel: Airquality Übung Tests im klassischen LM Nichtlineare Regression Einführung Einschub: Lineare Regression zum Zweiten Schätzung im Nichtlinearen Regressionsmodell: Die Kleinste- Quadrate-Methode Beispiel: Tests im nichtlinearen Regressionsmodell Übung

2 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 2 Bücher Werner A. Stahel, Statistische Datenanalyse Ullrich Krengel, Einführung in die Wahrscheinlichkeitstheorie D.S. Sivia and J. Skilling, Data Analysis - A Bayesian Tutorial Mary L. Boas, Mathematical Methods in the Physical Sciences Ligges, Programmieren mit R

3 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 3 1 Deskriptive Statistik für die Explorative Datenanalyse x = {x 1,x 2,...,x n,...,x N } (1) sei eine Menge von Beobachtungen. In der Statistik nennt man diese Menge auch die Stichprobe und N den Stichprobenumfang. Der Einfachheit halber gehen wir im Folgenden davon aus, dass die Stichprobe geordnet ist, d.h. x 1 x 2 x n x N. (2) Wir führen einige nützliche Kennzahlen für eine Stichprobe ein. Mittelwert x = µ = 1 N N x n (3) Der Mittelwert ist die bekannteste und gebräuchlichste Kennzahl für die Lage oder Position der Stichprobe. n=1 Median { x x =median({x 1,x 2,...}) = (N+1)/2 falls N ungerade 1 2 x (4) N/2 + x N/2+1 falls N gerade In Worten: Die Hälfte der Beobachtungen liegt unter dem Median, die andere Hälfte liegt darüber. Der Median ist robuster gegen Ausreißer als der Mittelwert (siehe Übungen). Quantile Quantile sind eine Verallgemeinerung des Median. Nach Definition unterteilt das α-quantil q α ({x 1,x 2,...}) die Stichprobe im Verhältnis α :(1 α). Folgende Quantile haben einen speziellen Namen: Name α unteres Quartil 1/4 Median 1/2 oberes Quartil 3/4 Eine übersichtliche Darstellung des Mittelwertes, der wichtigsten Quantile und der Ausreißer (falls vorhanden) ist der sogenannte Boxplot. Skizze Die Quartilsdifferenz q 3/4 q 1/4 ist ein Maß recht geläufiges Maß für die Breite einer Verteilung.

4 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 4 Varianz Var(x) = 1 N 1 N (x n x) 2 (5) n=1 Die Varianz ist das wichtigste Maß für die Streuung einer Stichprobe. Der Nenner N 1 ist durch die Schätztheorie begründet. Eine wichtige Formel für die Varianz ist (der Einfachheit halber mit N im Nenner) Var(x) = 1 N N ( x 2 n 2xx n + x 2) (6) n=1 = 1 N x 2 n N N x n + 1 N x 2 N N n=1 n=1 n=1 (7) = x 2 2x x + x 2 (8) = x 2 x 2 (9) Standardabweichung sd(x) =σ = Var(x) (10) Die Standardabweichung ist anschaulicher als die Varianz, weil sie homogen vom Grad 1 ist (d.h. sd(a x) a sd(x)). Deshalb kann man sie sich als die Breite der Verteilung vorstellen. Histogramm Wenn die Stichprobenwerte x n nur diskrete Werte a k annehmen können, kann man die Stichprobe in einem Histogramm zusammenfassen. Im Histogramm werden die absoluten Häufigkeiten H k dargestellt. Skizze Die absoluten Häufigkeiten H k geben an wie viele der x n einen bestimmten Wert a k annehmen. H k = x n=a k 1 h k = H k N Die h k nennt man die relativen Häufigkeiten. Histogramme werden oft auch für kontinuierliche Wertebereiche verwendet. In dem Fall werden die Stichprobenwerte zuerst diskretisiert, d.h. auf ein geeignetes Gitter a k (beispielsweise die ganzen Zahlen) gerundet. Welches Gitter hier geeignet ist, muss von Fall zu Fall entschieden werden. (11) Kumulierte Häufigkeit Manchmal ist es auch sinnvoll, die kumulierten Häufigkeiten C k zu betrachten. Sie sind definiert als C k = 1= H j c k = C k N = h j (12) x n a k j k j k

5 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 5 2 Zufallsvariablen 2.1 Grundlegende Begriffe Zufallsvariable, Wahrscheinlichkeit Die Beobachtungen x n kann man sich vorstellen als zufällig gezogen aus einer unendlichen Menge von möglichen Beobachtungen. Diese unendliche Menge wird beschrieben durch eine Zufallsvariable X. Die Beobachtungen x n nennt man Realisierungen der Zufallsvariable X. Die Wahrscheinlichkeit, dass die Zufallsvariable X einen bestimmten Wert x annimmt, schreibt man P (X =x). (13) Betrachten man diese Wahrscheinlichkeit als Funktion von x, dann bezeichnet man sie als Wahrscheinlichkeits-Massefunktion. Verteilungsfunktion Die Verteilungsfunktion F (x) gibt die Wahrscheinlichkeit an, dass eine Realisierung x n der Zufallsvariable X kleiner als ein bestimmter Wert x ist. F (x) =P (x n x) =P (X x) (14) Die Veteilungsfunktion kann Werte zwischen 0 und 1 annehmen und sie ist monoton steigend. Wenn x n nur diskrete Werte a k annehmen kann, spricht man von einer diskreten Verteilung, ansonsten von einer kontinuierlichen Verteilung. Für diskrete Verteilungen gilt F (a) = P (X =a k ). (15) a k x Die Verteilungsfunktion F (x) wird oft auch kumulative Verteilung genannt, oder auf englisch cumulative distribution function, kurz cdf. Dichte Für kontinuierliche Wertebereiche existiert die Ableitung der Verteilungsfunktion. Diese wird dann als (Wahrscheinlichkeit-) Dichte bezeichnet, oder auf englisch probability density function, kurzpdf. f(x) = d F (x) (16) dx Die Dichte kann man sich am besten als kontinuierliche Wahrscheinlichkeit vorstellen. Im Gegensatz zur Wahrscheinlicheitsmasse kann die Dichte auch größer als 1sein. Grob gesprochen kann man mit der Dichte unendlich kleine Massen darstellen, und mit der Masse unendlich große Dichten P (X =x) =0< f(x) (17) P (X =x) > 0 f(x) =. (18)

6 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 6 Ein Vorteil der Verteilungsfunktion gegenüber der Masse- und Dichtefunktion ist, dass sie den diskreten und den kontinuierlichen Fall gleichzeitig darstellen kann. Skizze Wir werden im Folgenden aber meistens mit Massen oder Dichten zu tun haben. Erwartungswert und Varianz Die oben eingeführten Kennzahlen für Stichproben werden analog auch für Verteilungen definiert. Der Mittelwert von Verteilungen wird Erwartungswert genannt. Exemplarisch schreiben wir hier die Definitionen für den Erwartungswert und die Varianz von Verteilungen an. E(X) = Var(X) = xf(x) dx (19) ( ) 2f(x) x E(X) dx = E(X 2 ) E(X) 2 (20) Im diskreten Fall wird das Integral durch eine Summe und die Dichtefunktion durch die Massefunktion ersetzt. 2.2 Rechnen mit Zufallsvariablen Eine Zufallsvariable wird durch ihre Verteilung bestimmt. Wenn man auf Zufallsvariablen Rechenoperationen durchführt, verändert sich die zugehörige Verteilung. In diesem Abschnitt werden wir Regeln herleiten, wie sich die Verteilung des Rechenergebnisses ermitteln lässt. Bezeichnung: X, Y, Z sind Zufallsvariablen mit zugehörigen Dichtefunktionen f(x), g(y), h(z). a ist ein deterministischer Wert. Addition Als Einstieg betrachten wir kurz die Addition einer Zufallsvariable X mit einem deterministischen Wert a. Das Ergebnis der Addition sei durch die Zufallsvariable Z beschrieben Z = a + X. (21) Man sieht direkt, dass gilt Skizze h(z) =f(z a). (22) Multiplikation Etwas komplizierter ist die Multiplikation einer Zufallsvariable X mit einem deterministischen Wert a Z = a X. (23) Skizze Um h(z) zu berechnen, betrachten wir ein Intervall I =[z z,z+ z ]. Das Intervall J sei als das Urbild von I definiert [ z z J =, z + ] z. (24) a a

7 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 7 Aufgrund der (Ur-)Bild-Eigenschaft von I und J muss für die Wahrscheinlichkeiten gelten z+z h(z) dz = z z Für beliebige Intervalle ist das nur erfüllt wenn P (Z I) = P (X J) (25) z+z a z z a h(z) = 1 a f(x) =1 a f ( z a f(x) dx. (26) ). (27) Funktion einer Zufallsvariable Jetzt betrachten wir eine beliebige Funktion einer Zufallsvariable Z = φ(x). (28) Skizze Wir gehen genauso vor wie bei der Multiplikation. Da φ nicht notwendigerweise invertierbar ist, ist J im Allgemeinen eine Vereinigung von Intervallen Das ergibt z+z z z J = J 1 J 2... (29) h(z) dz = k φ 1 k (z+z ) φ 1 k (z z ) f(x k )dx, (30) wobei k die Mehrdeutigkeit der Inversion von φ berschreibt. Wenn man das Intervall I gegen einen einzigen Punkt konvergieren lässt (z 0), erkennt man, dass gelten muss h(z) = k = dφ 1 k dz x=φ 1 (z) (z) f(x k) (31) f(x) dφ. (32) dx (x) Summe zweier Zufallsvariablen Die einfachste Operation, die zwei Zufallsvariablen miteinander verknüpft, ist die Summenbildung. Die Verteilungen von X und Y seien bekannt, und wir wollen daraus die Verteilung der Summe Z = X + Y (33) ermitteln. Wir betrachten zunächst den diskreten Fall. Um die Wahrscheinlich zu berechnen, dass Z einen bestimmten Wert z k annimmt, müssen wir alle Möglichkeiten betrachten, wie dieses Ergebnis zustande kommen kann, und deren Wahrscheinlichkeiten aufaddieren. P (Z =z k ) = x k P (X =x k )P (Y =z k x k ) (34) = x k P (X =z k y k )P (Y =y k ) (35)

8 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 8 Skizze Wurf mit zwei Würfeln. Im kontinuierlichen Fall sieht das ganze folgendermaßen aus: h(z) = f(x)g(z x) dx (36) = f(z y)g(y) dy (37) h = f g (38) Integrale dieser Form nennt man Faltungsintegrale, die Faltung zweier Funktionen wird üblicherweise mit beschrieben. 2.3 Rechnen mit Erwartungswert und Varianz Oftmals will man nur wissen, wie sich gewisse Verteilungs-Kennzahlen verhalten, wenn mit den Zufallsvariablen gerechnet wird. Dazu muss man die transformierte Verteilung in die Definition der Kennzahl einsetzen. Das demonstrieren wir hier an drei einfachen Fällen: E(a + X) = E(Z) = z h(z) dz = z f(z a) dz (39) = (x + a) f(x) dx = x f(x) dx + a f(x) dx = a + E(X) (40) E(a X) = E(Z) = z h(z) dz = 1 ( z z f dz (41) a a) = 1 ax f(x) a dx a = a E(X) (42) E(X + Y ) = E(Z) = z f(x) g(z x) dx dz ( ) = f(x) z g(z x) dz dx = f(x) x + E(Y ) dx = E(X)+E(Y ) (43) Diese Rechenregeln kann man zusammenfassen mit der Feststellung: Der Erwartungswert ist linear E(aX + by ) = ae(x)+be(y ). (44) Für die Varianz kann man in ähnlicher Weise ausrechnen: Var(a + X) = Var(X) (45) Var(a X) = a 2 Var(X). (46)

9 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 9 3 Verteilungen Im Folgenden werden die wichtigsten Familien von Verteilungen vorgestellt. Gleichverteilung Die Gleichverteilung beschreibt (Zufalls-)Experimente, deren mögliche Ergebnisse symmetrisch sind (Würfel, Karten). Skizze P K (X =k) = 1 K für k =1,...,K (47) E(X) = K k=1 k=1 1 K k = 1 K K k = 1 K k=1 K(K +1) 2 k=1 (48) = K +1 (49) 2 K 1 Var(X) = K (k E(X))2 = 1 K ( k K +1 ) 2 =... (50) K 2 Bernoulli-Verteilung = K Die Bernoulli-Verteilung beschreibt ein Experiment mit zwei möglichen Ergebnissen: 0 und 1. Das Ergebnis 1 wird oft als Erfolg und 0 als Misserfolg bezeichnet. Skizze (51) P p (X =1) = p (52) P p (X =0) = 1 p (53) E(X) = p 1+(1 p) 0=p (54) Var(X) = p (1 p) 2 +(1 p) (0 p) 2 (55) = p (p 2 2p +1)+p 2 p 3 = p 2 + p (56) = p (1 p) (57) Binomial-Verteilung Die Binomial-Verteilung beschreibt das Ergebnis von N hintereinander ausgeführten Bernoulli-Experimenten. Hierbei wird die Anzahl der Erfolge gezählt, d.h. die Ergebnisse werden aufsummiert. Wir interessieren uns also für die Summe der N Bernoulli-Experimente Z = N X n. (58) n=1 Wir berechnen die Wahrscheinlichkeit von P (Z = k), indem wir die Faltungs-Formel für die Summe zweier Zufallsvariablen (N 1)-mal anwenden.

10 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 10 Der Summand der Faltung ist konstant N P (X n =x n )=p k (1 p) N k (59) n=1 und kann somit vor die Summe gezogen werden. Die Vielfach-Summe der Faltung kann man kurz schreiben, und mit Hilfe der Kombinatorik ergibt sich der Binomialkoeffizient x 1 {0,1} x 2 {0,1} x N {0,1} 1= x {0,1} N n xn=k 1= ( ) N k Die Binomialverteilung mit den beiden Parametern N N und p [0, 1] ist also Skizze (60) ( ) N P N,p (Z =k) = p k (1 p) N k (61) k ( ) E(Z) = E X n = E (X n )=N p (62) n n Var(Z) = N p (1 p) (63) Um die Formel für die Varianz herzuleiten, benutzen wir den Begriff der Korrelation, der später eingeführt wird. Poisson-Verteilung Manchmal ist es nicht angebracht, die Summe Z in eine gewisse Anzahl von Summanden aufzuspalten, sondern man hat eher eine unendliche Summe aus unendlich kleinen Summanden. Beispiel: Z beschreibe die Anzahl der Teilchen, die von einem Detektor in einem gewissen Zeitintervall I erkannt werden. Das Zeitintervall I kann man nun in kleinere Intervalle I n aufteilen, und die Anzahl der Teilchen, die in einem kleinen Intervall detektiert werden, sei X n. Z wird dann durch eine Binomialverteilung beschrieben. Will man exakt rechnen, muss man das kleine Intervall infinitesimal klein werden lassen, da ja zu jedem beliebigen Zeitpunkt ein Teilchen detektiert werden kann. Die Poisson-Verteilung entsteht als Grenzwert der Binomial-Verteilung, wenn man die Anzahl der Summanden gegen unendlich gehen lässt, den Erwartungswert (der im obigen Beispiel der Intensität der Teilchenquelle entspricht) aber konstant hält. N (64) λ = N p = const. (65)

11 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 11 Die Rechnung ergibt dann P λ (Z =k) = lim N N p=const ( ) N p k (1 p) N k (66) k N(N 1) (N k +1) = lim N k! = λk k! lim N = λk ( ) k ( λ 1 λ ) N k (67) N N ( 1 λ N ) N (68) k! e λ (69) E(Z) = lim N p = N p = λ (70) N N p=const Var(Z) = lim N N p=const N p (1 p) =N p = λ (71) Die Ausdrücke für den Erwartungswert und die Varianz kann man ausrechnen, indem man die Dichtefunktion in die entsprechenden Funktionen einsetzt. Einfacher ist es aber, wenn man (wie hier) die Ergebnisse der Binomial-Verteilung verwendet. Normalverteilung (Gauß) In der realen Welt entstehen zufällige Schwankungen meist dadurch, dass sich viele kleine Schwankungen aufaddieren. Wie wir gesehen haben, entspricht das Addieren von Zufallsvariablen einer Faltung der entsprechenden Dichtefunktionen. Es stellt sich heraus, dass das Ergebnis von unendlich vielen Faltungen einer beliebigen Funktion mit sich selbst gegen einen Grenzwert strebt, der ein Fixpunkt der Faltung ist. Dies wird durch den zentralen Grenzwertsatz beschrieben. Der einzige Fixpunkt der Faltung mit endlicher Varianz ist die Gauß-Funktion. Die Verteilung, deren Dichte der Gauß-Funktion entspricht nennt man Normalverteilung. Ohne Herleitung geben wir an Skizze f µ,σ (x) = 1 2πσ e 1 2( x µ σ ) 2 (72) Die abkürzende Schreibweise E(X) = µ (73) Var(X) = σ (74) X N(µ, σ 2 ) (75) (lies: X ist normalverteilt mit Mittelwert µ und Varianz σ 2 ) ist sehr gebräuchlich. Viele Verteilungsfamilien nähern sich für extreme Parameter der Normalverteilung an. Als Beispiel seien hier die Binomial-Verteilung für N,p = const und die Poisson-Verteilung für λ genannt.

12 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 12 4 Multivariate Verteilungen 4.1 Grundlegende Begriffe Definitionen Wenn man zwei (oder mehrere) Zufallsvariablen hat, wird die Situation im Allgemeinen durch die gemeinsame Verteilung beschrieben P (X =x Y =y) (76) f(x, y). (77) Die gemeinsame Verteilung beschreibt die Wahrscheinlichkeit dafür, dass die zwei Ereignisse X = x und Y = y gleichzeitig oder gemeinsam auftreten. Skizze Randverteilung Die Randverteilung oder Marginalverteilung ist definiert durch P (X =x) = y P (X =x Y =y) (78) f X (x) = f(x, y)dy. (79) Sie beschreibt die Situation, wenn man eine Zufallsvariable ignoriert, und nur die Verteilung der anderen Zufallsvariable betrachtet. Skizze Bedingte Verteilung Die bedingte Verteilung ist definiert durch P (X =x Y =y) P (X =x Y =y) = P (Y =y) (80) f(x, y) f(x y) = dy. f Y (y) (81) Sie beschreibt die Situation, wenn eine Zufallsvariable bekannt oder festgelegt ist, und man sich für die Verteilung der anderen Zufallsvariable unter dieser Bedingung interessiert. Skizze 4.2 Unabhängigkeit, Kovarianz, Korrelation Unabhängigkeit Eine besondere Klasse von gemeinsamen Verteilung sind die Verteilungen, die sich faktorisieren lassen, d.h. P (X =x Y =y) = P (X =x) P (Y =y) (82) f(x, y) = f X (x) f Y (y). (83)

13 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 13 Dies ist die Definition der stochastischen Unabhängigkeit, d.h. zwei Zufallsvariablen X und Y heißen statistisch unabhängig, wenn sich ihre gemeinsame Verteilung in der obigen Form schreiben lässt. Anschaulich gesprochen heißt statistische Unabhängigkeit, dass sich die Zufallsvariablen nicht gegenseitig beeiflussen. Das Wissen über eine Zufallsvariable ändert nicht die Verteilung für die andere Variable. Man kann auch sagen: Die Randverteilungen enthalten alle Information über die gemeinsame Verteilung. Auch formal lässt sich aus der obigen Definition herleiten, dass die bedingten Verteilungen gleich den Randverteilungen sind Skizze P (X =x Y =y) = P (X =x Y =y) P (X =x) P (Y =y) = P (Y =y) P (Y =y) (84) = P (X =x) (85) f(x y) = f X (x). (86) Kovarianz Wenn zwei Zufallsvariablen nicht unabhängig sind, ist ein einfaches Maß für deren Abhängigkeit sinnvoll. Die Kovarianz beschreibt die lineare Abhängigkeit zweier (oder mehrerer) Zufallsvariablen. Sie ist definiert als Cov(X, Y ) = [X ] [ ] E( ) E(X) Y E(Y ) (87) = E(XY ) E(X)E(Y ). (88) Die Varianz kann man als Spezialfall der Kovarianz auffassen Var(X) =Cov(X, X). (89) Im Gegensatz zur Varianz kann die Kovarianz aber sowohl positiv als auch negativ sein. Genauer gilt Var(X)Var(Y ) Cov(X, Y ) Var(X)Var(Y ). (90) Kovarianz und (statistische) Unabhängigkeit hängen auf folgenden Weise zusammen. X, Y unabhängig Cov(X, Y ) = 0 (91) (92) In Worten: Die Menge der gemeinsamen Verteilungen, die faktorisieren, ist eine echte Teilmenge der gemeinsamen Verteilungen, die Kovarianz Null haben. Oder als Merksatz, um einen häufigen Fehler zu vermeiden: Verschwindende Kovarianz impliziert nicht Unabhängigkeit! Skizze Beispiel

14 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 14 Korrelation Oftmals ist ein normiertes Maß für die Abhängigkeit zweier Zufallsvariablen sinnvoll. Die Korrelation ist normiert auf das Intervall [ 1, 1]. Corr(X, Y )=ρ(x, Y )= Cov(X, Y ). (93) σ X σ Y Für eine deterministische lineare Abhängigkeit zwischen X und Y gilt Y = ax + b Corr(X, Y )= a = ±1. (94) a Weitere Regeln für das Rechnen mit Erwartungswert und Varianz Mit den Begriffen der Unabhängigkeit und der Kovarianz können wir noch zwei weitere wichtige Rechenregeln für den Erwartungswert und die Varianz angeben. E(X Y ) = E(X) E(Y ) für X, Y unabhängig (95) Var(X + Y ) = Var(X)+Var(Y )+2 Cov(X, Y ) (96) 4.3 Multivariate Normalverteilung Die wichtigste multivariate Verteilung ist die Normalverteilung. Sie ist gegeben durch die mehrdimensionale Gauß-Funktion ( 1 f µ,σ (x) = (2π)d Σ exp 1 ) 2 (x µ)σ(x µ)t. (97) d ist die Anzahl der Dimensionen oder der Zufallsvariablen. x und µ sind Vektoren der Länge d, und Σ ist die Kovarianzmatrix der Größe d d.für d =2schreibenwir die Kovarianzmatrix explizit hin, für höhere Dimensionen ist sie analog definiert. Σ= ( Var(X) Cov(X, Y ) Cov(Y,X) Var(Y ) ). (98) In der Gauß-Funktion oben steht Σ für die Matrix-Determinante der Kovarianzmatrix Σ. Vorführung 4.4 χ 2 -Verteilung Die χ 2 -Verteilung ist univariat, aber zur Herleitung ihrer Dichtefunktion benutzen wir die multivariate Normalverteilung; deshalb steht sie hier im Kapitel über multivariate Verteilungen. Die χ 2 -Verteilung mit k Freiheitsgraden ist definiert als die Verteilung der quadratischen Summe von k normalverteilten Zufallsvariablen k ( ) 2 Q = Z 2 Xn µ n =. (99) n=1 Sie erlangt ihre Bedeutung durch die besonderen Eigenschaften der Normalverteilung und der daraus resultierenden Methode der kleinsten Quadrate (dazu später mehr). σ n

15 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 15 Die χ 2 -Verteilung könnte man straightforward mit den Regeln aus Kapitel 2 berechnen. Wir gehen hier aber einen anschaulicheren und einfacheren Weg. Dazu betrachten wir erst einmal die gemeinsame Verteilung aller X n,einemultivariate Normalverteilung. X N(0,I k ) (100) I k steht für die Einheitsmatrix der Größe k k. Man erkennt, dass alle Punkte x, die demselben z entsprechen, auf einer Kugelschale liegen Skizze. Die Verteilung von Z, d.h. die χ-verteilung (ohne quadrat) kann man also berechnen, indem man die mehrdimensionale Gauß-Funktion über Kugelschalen integriert. h(z) = = x 2 =z 1 (2π) k e x 2 dx (101) z k k/2 1 Γ(k/2) e z /2. (102) Das Γ im Nenner steht für die Gamma-Funktion (kontinuierliche Verallgemeinerung der Fakultät). Der Bruch in der Dichtefunktion ergibt sich aus der allgemeinen Formel für mehrdimensionale Kugeloberflächen. Bemerkung: Für k = 3 ist die χ 2 -Verteilung gerade die Maxwell-Boltzmann- Verteilung (Wahrscheinlichkeit, dass ein Gasmolekül eine bestimmte Energie hat). Die χ 2 -Verteilung ergibt sich nun aus der Regel für das Transformieren einer Dichtefunktion (siehe Kap. 2.2). f k (q) = h(z) h( q) dφ = dz (z) 2 q (103) = 1 2 k/2 Γ(k/2) zk/2 1 e z/2 (104) E(Q) = k (105) Var(Q) = 2k (106)

16 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 16 5 Anwendung der Statistik auf Physikalische Messungen 5.1 Quadratwurzel-Gesetz Eine physikalische Messung kann man auffassen als die Realisierung einer Zufallsvariablen X. Als absolute Messunsicherheit x wird dann meist die Standardabweichung der zugrundeliegenden (geschätzten) Verteilung angegeben. x = Var(X) (107) Intuitiv ist klar, dass sich die Messunsicherheit sich verringern lässt, indem man eine Messung mehrere Male wiederholt und die einzelnen Messergebnisse mittelt. Diesen Effekt betrachten wir jetzt aus statistischer Sicht. Jede der N Messungen Messung wird durch eine Zufallsvariable X n, n =1,...,N beschrieben. Die X n seien unkorreliert und gehorchen alle derselbe Verteilung haben, deren Standardabweichung oder Messunsicherheit wir x nennen. Nach den Gesetzen aus Kapitel 2.3 können wir leicht die Standardabweichung oder Messunsicherheit des Mittelwertes x ausrechnen ( n x = Var X ) n 1 = N N 2 Var(X n )= n 1 N Var(X n) (108) = x N (109) (110) 5.2 Fehlerfortpflanzung Im Allgemeinen hängt die physikalische Größe,diemanineinemExperimentbestimmen will, auf eine beliebige Art und Weise von mehreren Messgrößen ab Z = φ(x 1,X 2,X 3,...). (111) Wir wollen hier ein allgemeines Gesetz angeben, wie man die Unsicherheit z der Zielgröße aus den Messunsicherheiten x j berechnen kann. Dazu nähern wir φ durch eine Taylorentwicklung um die Erwartungswerte der X j. φ(x 1,x 2,x 3...) φ(µ 1,µ 2,...)+ j φ x j (x j µ j )+... (112) Normalerweise sind die Messfehler x j klein im Vergleich zur Glattheit von φ; deshalb kann man die Taylorreihe bereits nach dem zweiten Term abbrechen. Wir nehmen an, dass die Einzelmessungen unkorreliert sind. Dann folgt aus den Regeln für das Rechnen mit der Varianz (Kap.4.2) ( ) 2 φ Var(X j ) (113) Var(Z) = j z = j x j ( ) 2 φ x j. (114) x j Dies ist das sogenannte Fehlerfortpflanzungsgesetz. Wenn die Einzelmessungen korreliert sind, dann stehen unter der Wurzel noch weitere Kovarianz-Terme.

17 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 17 Übungsblatt 1 Aufgabe 1 Die nebenstehende Tabelle enthält Beobachtungsdaten der Schneedecke über Eurasien im Oktober. ( Die Fläche ist in 10 6 km 2 gegeben.) GibdieDatenalsdataframeinRein. Plotte die Fläche als Funktion der Jahreszahl. Erzeuge ein Histogramm der Beobachtungen mit unterschiedlichen Bin-Breiten. Erzeuge einen Boxplot der Beobachtungen. Jahr Fläche , , , , , , , , , ,2 Aufgabe 2 Erzeuge 20 Zufallszahlen mit dem Befehl rnorm() und füge einen Ausreißer an der Stelle 20 hinzu. Plotte die Stichprobe. Berechne den Mittelwert, den Median, die Standardabweichung und die Quartilsdifferenz. Welche Kennzahlen beschreiben die Position bzw. die Breite der Verteilung besser? Aufgabe 3 Lade das Paket datasets in den Suchpfad (mit dem Befehl library()) und schaue dir den Datensatz morley an. Erzeuge einen Plot, in dem die Stichproben aller fünf Experimente nebeneinander zu sehen sind. Erzeuge einen entsprechenden Boxplot. Erzeuge einen entsprechenden Plot, in dem die Mittelwerte und Fehlerbalken (Standardabweichung) aufgetragen sind. Tipp: Die Funktion errbar() befindet sich in dem Paket Hmisc, das erst geladen werden muss. Aufgabe 4 Lies den Datensatz Aufgabe4 ein (load( Aufgabe4 )) und untersuche ihn genau. Was für Regelmäßigkeiten findest du? Erzeuge ein paar Plots, die die Eigenschaften der Daten möglichst gut wiedergeben. Der Datensatz ist eine Mischung verschiedener Daten. Kannst du die einzelnen Komponenten separieren?

18 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 18 Übungsblatt 2 Aufgabe 6 Die Verteilung von X sei durch die Dichtefunktion f(x) gegeben. Berechne die Dichtefunktionen von A = X 2, B = X 3 und C = X. Aufgabe 7 Die Zufallsvariablen X und Y seien gleichverteilt im Intervall [0, 1]. Gib die Verteilung der Zufallsvariable Z = X + Y an. Aufgabe 8 Berechne die Faltung h = f g zweier Gauß-Funktionen f(x) =e ( x σx )2 ( ) g(y) =e y 2 σy (115) Aufgabe 9 Die Wahrscheinlichkeit, bei einer Fahrt in der Straßenbahn kontrolliert zu werden, sei p = Dies lässt sich durch eine Zufallsvariable X beschreiben, die Bernoulliverteilt ist mit Erfolgs wahrscheinlichkeit p. Berechne durch Faltung die Verteilung für die Anzahl der Kontrollen bei zwei (drei) Fahrten. Tipp: Benutze convolve(). Benutze die Binomialverteilung, um die Wahrscheinlichkeit zu bestimmen, bei 100 Fahrten höchstens zwei Mal kontrolliert zu werden. Bestimme dieselbe Wahrscheinlichkeit mit Hilfe der Poissonverteilung. Wie gut ist diese Näherung? Aufgabe 10 (Trinomialverteilung) Ein bestimmtes Elementarteilchen kann drei verschiedene Zustände annehmen mit den Wahrscheinlichkeiten p 1 =0.6, p 2 =0.3, p 3 = 0.1. Es werden 10 Messungen durchgeführt und notiert, wie oft jeder der drei Zustände beobachtet wurde (H1,H2,H3). Skizziere den Wertebereich des Ergebnisses (H1,H2,H3). Tipp: Es muss gelten H 1 + H 2 + H 3 = 10; das führt auf ein Dreiecksgitter. Bestimme die folgenden Wahrscheinlichkeiten mit Hilfe von Kombinatorik (Schreibweise: P (H1,H2,H3)). P (5, 5, 0) P (6, 3, 1) P (5, 3, 2) Schreibe eine allgemeine Formel für die Trinomialverteilung auf.

19 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 19 Aufgabe 11 Erzeuge die Wahrscheinlichkeits-Massefunktion einer diskreten quadratischen Verteilung P (X =x) x 2 für x =[ 10, 9,...,9, 10]. (116) Falte diese Massefunktion immer wieder mit sich selbst, bis das Ergebnis der Gauß-Funktion ähnelt. Tipp: Benutze convolve().

20 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 20 Übungsblatt 3 Aufgabe 12 Berechne Erwartungswert und Varianz der Dreiecks- Verteilung mit der Dichtefunktion { 2x für 0 x 1 f(x) = (117) 0 sonst. Aufgabe 13 Generiere eine Matrix M, die die Werte der Funktion exp ( x2 + y 2 ) +exp ( (x +8)2 +(y 8) 2 ) (118) exp ( (x 3)2 +(y +8) 2 ) (119) 5 auf dem 2d-Gitter x, y =[ 10, 9.9,...,9.9, 10] enthält. Normiere diese Matrix (Summe aller Elemente soll 1 ergeben), so dass man sie als bivariate Wahrscheinlichkeits-Massefunktion interpretieren kann. Plotte die gemeinsame Verteilung. (Tipp: image()) Plotte die beiden Randverteilungen. (Tipp: Summiere mittels Matrix- Mlutiplikation mit einem Vektor aus lauter Einsen.) Plotte die Verteilung, die sich aus Multiplikation der beiden Randverteilungen ergibt. (Tipp: Äußeres Produkt der beiden Randverteilungs-Vektoren) Plotte verschiedene bedingte Verteilungen an interessanten Positionen. Aufgabe 14 Generiere 100 normalverteilte Zufallszahlen und berechne den Mittelwert und die Varianz. Wiederhole den letzten Punkt 100 Mal und speichere jedes Mal den Mittelwert. Plotte die Stichprobe der Mittelwerte und berechne die Varianz dieser Stichprobe. Vergleiche die Varianz der Mittelwerte mit der oben ausgerechneten Varianz der einzelnen Zufallszahlen. Stimmt das mit der theoretischen Erwartung überein? Aufgabe 15 Plotte die Dichtefunktion und die kumulative Verteilungsfunktion der χ 2 -Verteilung für k =1, 2, 3, 5, 10. Aufgabe 16 Die Messung der Masse m eines Körpers ergab m = 1000kg±10kg und die Messung seiner Geschwindigkeit v ergab v = 30m/s± 1m/s. Bestimme die kinetische Energie einschließlich der Fehlerangabe.

21 EINFÜHRUNG IN DIE DATENANALYSE J. RÖDER / M. WIELER 21 Aufgabe 17 Schreibe ein R-Script, das Zufallszahlen erzeugt, die gemäß der Dichtefunktion { 2x für 0 x 1 f(x) = (120) 0 sonst verteilt sind. Plotte eine Stichprobe der Größe 100. Tipp: Benutze die Gleichverteilung (runif()) und überlege dir eine Funktion φ, die die Gleichverteilung in die gewünschte Verteilung transformiert (siehe Aufgabe 6). Schreibe ein R-Script, das Zufallszahlen erzeugt, die gleichverteilt im Einheitskreis liegen. Plotte eine Stichprobe der Größe 100. Tipp: Benutze die Darstellung in Polarkoordinaten: φ ist gleichverteilt in [0, 2π], und r ist Dreiecks -verteilt wie im vorigen Aufgabenteil. Aufgabe 18 Wir betrachten mögliche gemeinsame Verteilungen zweier Zufallsvariablen X, Y, die jeweils nur die Werte 0 oder 1 annehmen können. Die gemeinsame Verteilung kann also durch eine kleine Tabelle angegeben werden. X =0 X =1 Y =0 a b Y =1 c d Gib eine gemeinsame Verteilung an, in der X und Y unabhängig sind. Gib eine gemeinsame Verteilung an, in der X und Y nicht unabhängig sind. Gibt es eine gemeinsame Verteilung mit diesem Wertebereich, in der X und Y nicht unabhängig sind aber trotzdem Korrelation 0 haben? Tipp: Betrachte die Anzahl der Freiheitsgrade der gemeinsamen Verteilung und der Randverteilungen.

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge

Füllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge 2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten

Mehr

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung

Kapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

$ % + 0 sonst. " p für X =1 $

$ % + 0 sonst.  p für X =1 $ 31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses

Mehr

Lineare Modelle in R: Einweg-Varianzanalyse

Lineare 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

Mehr

Kapitel 4: Binäre Regression

Kapitel 4: Binäre Regression Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,

Mehr

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen

Beispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen 4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!

Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)

Mehr

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8

Box-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8 . Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536

Statistik. R. Frühwirth. Statistik. fru@hephy.oeaw.ac.at. VO 142.090 http://tinyurl.com/tu142090. Februar 2010. R. Frühwirth Statistik 1/536 fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr

12. Vergleich mehrerer Stichproben

12. Vergleich mehrerer Stichproben 12. Vergleich mehrerer Stichproben Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Häufig wollen wir verschiedene Populationen, Verfahren, usw. miteinander vergleichen. Beipiel: Vergleich

Mehr

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N

Schätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X

Mehr

Profil 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

Profil 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

Mehr

Binäre abhängige Variablen

Binäre abhängige Variablen Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen

Mehr

Risikomessung und Value at Risk Wintersemester 2013/14

Risikomessung und Value at Risk Wintersemester 2013/14 Risikomessung und Value at Risk Wintersemester 2013/14 Walter Sanddorf-Köhle Statistik und Ökonometrie Foliensatz Nr. 11 Version vom 24. Januar 2014 1 / 45 6.5.1 Bisherige Vorgehensweise zur Berechnung

Mehr

Statistik im Bachelor-Studium der BWL und VWL

Statistik im Bachelor-Studium der BWL und VWL Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

Lösung zu Kapitel 11: Beispiel 1

Lösung 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

Mehr

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )

Regressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall ) Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

8. Methoden der klassischen multivariaten Statistik

8. Methoden der klassischen multivariaten Statistik 8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von

Mehr

Quantitative Risk Management

Quantitative Risk Management Quantitative Risk Management Copulas und Abhängigkeit Johannes Paschetag Mathematisches Institut der Universität zu Köln Wintersemester 2009/10 Betreuung: Prof. Schmidli, J. Eisenberg i Inhaltsverzeichnis

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/35 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/35 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Name:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Mini-Skript Wahrscheinlichkeitstheorie und Statistik

Mini-Skript Wahrscheinlichkeitstheorie und Statistik Mini-Skript Wahrscheinlichkeitstheorie und Statistik Peter Bühlmann Georg Grafendorfer, Lukas Meier Inhaltsverzeichnis 1 Der Begriff der Wahrscheinlichkeit 1 1.1 Rechenregeln für Wahrscheinlichkeiten........................

Mehr

Modul 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. 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

Mehr

Zeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX

Zeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis

Mehr

Modellbildung und Simulation

Modellbildung und Simulation Modellbildung und Simulation 5. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Glossar Portfolio: In der Ökonomie bezeichnet der Begriff Portfolio ein Bündel von Investitionen, das

Mehr

Univariate Lineare Regression. (eine unabhängige Variable)

Univariate Lineare Regression. (eine unabhängige Variable) Univariate Lineare Regression (eine unabhängige Variable) Lineare Regression y=a+bx Präzise lineare Beziehung a.. Intercept b..anstieg y..abhängige Variable x..unabhängige Variable Lineare Regression y=a+bx+e

Mehr

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression

Institut für Soziologie. Methoden 2. Regressionsanalyse I: Einfache lineare Regression Institut für Soziologie Methoden 2 Regressionsanalyse I: Einfache lineare Regression Programm Anwendungsbereich Vorgehensweise Interpretation Annahmen Zusammenfassung Übungsaufgabe Literatur # 2 Anwendungsbereich

Mehr

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1

Inhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1 Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...

Mehr

Einfache Statistiken in Excel

Einfache Statistiken in Excel Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum

Mehr

Multiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)

Multiple 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

Mehr

Fragestellungen der Schließenden Statistik

Fragestellungen der Schließenden Statistik Fragestellungen der Schließenden Statistik Bisher: Teil I: Beschreibende Statistik Zusammenfassung von an GesamtheitM N {e,,e N } erhobenem Datensatz x,,x N durch Häufigkeitsverteilung und Kennzahlen für

Mehr

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31

Verteilungsanalyse. Johannes Hain. Lehrstuhl für Mathematik VIII Statistik 1/31 Verteilungsanalyse Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/31 Datentypen Als Sammeln von Daten bezeichnet man in der Statistik das Aufzeichnen von Fakten. Erhobene Daten klassifziert man

Mehr

Monte Carlo Simulation (Grundlagen)

Monte Carlo Simulation (Grundlagen) Der Titel des vorliegenden Beitrages wird bei den meisten Lesern vermutlich Assoziationen mit Roulette oder Black Jack hervorrufen. Allerdings haben das heutige Thema und die Spieltische nur den Namen

Mehr

Untersuchungen zum Thema Tracking Error

Untersuchungen zum Thema Tracking Error Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors

Mehr

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B

Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben

Mehr

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung

Kernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function

Mehr

Statistische Software P. Fink. Statistische Software (R) Wiederholungshausübung SoSe 2015

Statistische Software P. Fink. Statistische Software (R) Wiederholungshausübung SoSe 2015 Allgmeine Hinweise Die Hausübung umfasst 7 Aufgaben mit insgesamt 120 Punkten. Erstellen Sie eine R Skript-Datei mit Ihrer Matrikelnummer als Dateinamen. Diese Datei enthält Ihren vollständigen und mit

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?

ε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Monte Carlo Simulationen

Monte Carlo Simulationen Monte Carlo Simulationen Erkenntnisse durch die Erschaffung einer virtuellen Welt Stefan Wunsch 31. Mai 2014 INSTITUT FÜR EXPERIMENTELLE KERNPHYSIK (IEKP) KIT Universität des Landes Baden-Württemberg und

Mehr

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:

Mehr

Prüfen von Mittelwertsunterschieden: t-test

Prüfen von Mittelwertsunterschieden: t-test Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test

Mehr

Multinomiale logistische Regression

Multinomiale logistische Regression Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable

Mehr

Einführung in R. Mike Kühne 1 Einführung in R

Einführung in R. Mike Kühne 1 Einführung in R Einführung in R Mike Kühne 1 Einführung in R 1 WAS IST R? 1 Was ist R? R ist eine Open-Source-Software sowie eine flexible Programmiersprache für statistische Datenanalyse und Grafikerstellung. Zugleich

Mehr

Geoadditive Regression

Geoadditive Regression Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.

29. Mai 2006. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt. L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 29. Mai 2006 Hinweise:

Mehr

Grundlagen von Versuchsmethodik und Datenanalyse

Grundlagen von Versuchsmethodik und Datenanalyse Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten

Mehr

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur.

Einseitig gerichtete Relation: Mit zunehmender Höhe über dem Meeresspiegel sinkt im allgemeinen die Lufttemperatur. Statistik Grundlagen Charakterisierung von Verteilungen Einführung Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsverteilungen Schätzen und Testen Korrelation Regression Einführung Die Analyse und modellhafte

Mehr

Datenanalyse und Statistik

Datenanalyse und Statistik Datenanalyse und Statistik p. 1/44 Datenanalyse und Statistik Vorlesung 2 (Graphik I) K.Gerald van den Boogaart http://www.stat.boogaart.de Datenanalyse und Statistik p. 2/44 Daten Schätzung Test Mathe

Mehr

Hinweise zur Fehlerrechnung im Grundpraktikum der Physik

Hinweise zur Fehlerrechnung im Grundpraktikum der Physik Grundpraktikum der Physik Hinweise zur Fehlerrechnung im Grundpraktikum der Physik Sascha Hankele sascha@hankele.com Patrick Paul patrick.paul@uni-ulm.de 11. Mai 2011 Inhaltsverzeichnis 1 Einführung und

Mehr

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners

Bisher angenommen: jeder Spieler kennt alle Teile des Spiels. - Diskontfaktor des Verhandlungspartners 1 KAP 15. Spiele unter unvollständiger Information Bisher angenommen: jeder Spieler kennt alle Teile des Spiels seine Gegenspieler, deren Aktionen, deren Nutzen, seinen eigenen Nutzen etc. Oft kennt man

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch

Allgemeine Regressionsanalyse. Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl. deterministisch Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 9.1 Allgemeine Regressionsanalyse Daten (X j, Y j ), j = 1,..., N unabhängig Kovariablen / Prädiktoren / unabhängige Variablen X j R d, evtl.

Mehr

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

Angewandte 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. 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

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation

Mehr

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II

Kategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Verteilungsmodelle. Verteilungsfunktion und Dichte von T

Verteilungsmodelle. Verteilungsfunktion und Dichte von T Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung

Mehr

Einführung in die Stochastik

Einführung in die Stochastik Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 für Aufgabenpool 1 Analysis

Mehr

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests

Beispiel: Sonntagsfrage. Einführung in die induktive Statistik. Statistische Tests. Statistische Tests Beispiel: Sonntagsfrage Vier Wochen vor der österreichischen Nationalratswahl 1999 wurde 499 Haushalten die Sonntagsfrage gestellt: Falls nächsten Sonntag Wahlen wären, welche Partei würden Sie wählen?

Mehr

Zusammenhänge zwischen metrischen Merkmalen

Zusammenhänge zwischen metrischen Merkmalen Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

5 Zusammenhangsmaße, Korrelation und Regression

5 Zusammenhangsmaße, Korrelation und Regression 5 Zusammenhangsmaße, Korrelation und Regression 5.1 Zusammenhangsmaße und Korrelation Aufgabe 5.1 In einem Hauptstudiumsseminar des Lehrstuhls für Wirtschafts- und Sozialstatistik machten die Teilnehmer

Mehr

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015

Schleswig-Holsteinische Ergänzung der Musteraufgaben für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 ische Ergänzung der für den hilfsmittelfreien Teil der schriftlichen Abiturprüfung im Fach Mathematik ab 2015 Ministerium für ildung und Wissenschaft des Landes Juni 2013 1 Inhaltsverzeichnis Vorbemerkungen

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten

Kapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten Kapitel 3 Erste Schritte der Datenanalyse 3.1 Einlesen und Überprüfen der Daten Nachdem die Daten erfasst worden sind, etwa mit Hilfe eines Fragebogens, ist die nächste Frage, wie ich sie in den Rechner

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

Mehr

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse

Multiple Regression II: Signifikanztests, Gewichtung, Multikollinearität und Kohortenanalyse Multiple Regression II: Signifikanztests,, Multikollinearität und Kohortenanalyse Statistik II Übersicht Literatur Kausalität und Regression Inferenz und standardisierte Koeffizienten Statistik II Multiple

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche

25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach

Mehr

3.2 Bivariate Verteilungen

3.2 Bivariate Verteilungen 3.2 Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt i, i = 1,..., n, werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare/Kombinationen von

Mehr

Einführung in SPSS. 1. Die Datei Seegräser

Einführung in SPSS. 1. Die Datei Seegräser Einführung in SPSS 1. Die Datei Seegräser An 25 verschiedenen Probestellen wurde jeweils die Anzahl der Seegräser pro m 2 gezählt und das Vorhandensein von Seeigeln vermerkt. 2. Programmaufbau Die wichtigsten

Mehr

Statistische Verfahren für das Data Mining in einem Industrieprojekt

Statistische Verfahren für das Data Mining in einem Industrieprojekt Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de

Mehr

2. Eindimensionale (univariate) Datenanalyse

2. Eindimensionale (univariate) Datenanalyse 2. Eindimensionale (univariate) Datenanalyse Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Kennzahlen, Statistiken In der Regel interessieren uns nicht so sehr die beobachteten Einzeldaten

Mehr

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Eine computergestützte Einführung mit

Eine computergestützte Einführung mit Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik

Mehr

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:

Übungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis: Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...

Mehr

9. StatistischeTests. 9.1 Konzeption

9. StatistischeTests. 9.1 Konzeption 9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen

Mehr