Seminarplan mit Literaturhinweisen: Grundlegende multivariate Modelle der sozialwissenschaftlichen Datenanalyse

Größe: px
Ab Seite anzeigen:

Download "Seminarplan mit Literaturhinweisen: Grundlegende multivariate Modelle der sozialwissenschaftlichen Datenanalyse"

Transkript

1 Semiarpla mit Literaturhiweise: Grudlegede multivariate Modelle der sozialwisseschaftliche Dateaalse. Sitzug: Kausalaalse mit Tabelleaalse ud mit partieller Korrelatio Eiführedes Beispiel für die Elaboratio vo Zusammehäge durch Teilgruppevergleich; Statistischer Kausalbegriff; Eperimet ud Tabelleaalse; Scheikorrelatio; Iterveierede Variable (Skript, Kap..-.. oder Beighaus, Kap. 9 oder Kühel/Krebs, Kap. 5). Sitzug: Modellierug des eiführede Beispiels durch ei log-lieares Modell; Zerlegug vo Zusammehagsmaße ach Drittfaktor; pfadaaltische Iterpretatio des eiführede Beispiels (Skript, Kap... oder Litz, Kap. 6.3) 3. Sitzug: Suppressor Variable; Distorter Variable; Vorzeicheregel ud Zerlegugsformel; (Skript, Kap ) 4. Sitzug: Iteraktio, Spezifikatio ud tpologische Effekte; Iteraktioseffekte aus Sicht der Variazaalse (Skript, Kap ) 5. Sitzug: Partielle Korrelatio; Multiple Regressio (Grudlage) (Skript, Kap..3 oder Litz Kap. 3) 6. Sitzug: Multiple Regressio (Zerlegug vo R ) (Skript, Kap oder Backhaus et al., Kap..-.. oder Bortz Kap. 3.) 7. Sitzug: Multiple Regressio (u.a. Logistische Regressio) (Skript, Kap. 3..6, 3..7 oder Litz Kap. 6.) 8. Sitzug: Variazaalse (Skript, Kap ud Kap. 4 oder Litz Kap. 5) 9. Sitzug: Pfadaalse (Grudlage) (Skript, Kap oder Opp/Schmidt, Teil 4 oder Bortz, Kap. 3.3) 0. Sitzug: Pfadaalse (Beispiele) (Skript, Kap oder Opp/Schmidt, Teil 5). Sitzug: Ausblick: Grudlegede versus fortgeschrittee multivariate Modelle der sozialwisseschaftliche Dateaalse Literatur: - Skript (Holtma, 00³, Grudlegede multivariate Modelle der sozialwisseschaftliche Dateaalse) - Backhaus et al Multivariate Aalsemethode - Beighaus, 00 9, Deskriptive Statistik - Bortz 005 6, Statistik für Huma- ud Sozialwisseschaftler - Kühel/Krebs, 00, Statistik für die Sozialwisseschafte - Litz, H. P., 000, Multivariate statistische Methode ud ihre Awedug i de Wirtschafts- ud Sozialwisseschafte - Opp/Schmidt 976, Eiführug i die Mehrvariableaalse

2 Grudlegede multivariate Modelle der sozialwisseschaftliche Dateaalse (Meth. II) (Gliederug für die erste Sitzuge). Überblick über die multivariate Modelle der sozialwisseschaftliche Dateaalse.... Kausalaalse mit Tabelleaalse ud partieller Korrelatio Statistischer Kausalbegriff Tabelleaalse Ei Beispiel für Korrelatio ohe Kausalität Zerlegug der Vier-Felder-Tafel a eiem eiführede Beispiel Log-lieare Modellierug des eiführede Beispiels Die Grudgleichug (Zerlegugsformel für Maßzahle) Tpologie vo Kausalstrukture mit drei Variable Tpe mit: [ : z] = [ : z] ( Scheikorrelatio, Iterveierede Variable, Suppressor, Distorter) Zerlegugsformel am Beispiel eies Suppressor- sowie Distorter-Phäomes Vorzeicheregel ach Davis für Suppressor- ud Distorter Phäomee Tpe mit: [ : z] [ z] (Spezifikatio) Cojoit ifluece Verschiedee tpologische Effekte ud Iteraktioseffekte Variazaaltische Iterpretatio vo Rosebergs Mobilitäts-Beispiel Iteraktio, Spezifikatio ud tpologische Effekte aus Sicht der Variazaalse Kausale Iterpretatio vo Zusammehäge Partielle Korrelatio Literaturverzeichis Seite

3 Grudlegede multivariate Modelle der sozialwisseschaftliche Dateaalse. Überblick über de Gegestad a) Drittvariablekotrolle/ Elaboratio vo Zusammehäge durch Teil gruppevergleich (omiales Messiveau) oder durch partielle Korrelatio (metrisches Messiveau) b) Multiple Regressio ud Pfadaalse zur Aalse metrischer Date Seite

4 . Kausalaalse mit Tabelleaalse ud partieller Korrelatio Bsp. (Matz et al., ach Zeisel) Stichprobe vo Arbeitehmerie Ei Beispiel zur Eiführug (vgl. Kap...): Wie ist es möglich, dass ei Zusammehag bei Aufgliederug ach eiem Drittfaktor verschwidet? Häufigkeit des Ferbleibes vom Betrieb () Familiestad () ledig verheiratet weig viel Differez der Kreuzpukte [] = (Azahl der kokordate Paare mius Azahl der diskordate Paare) [] > 0 ([] och keie ormierte Maßzahl) Kausalmodell: Seite 3

5 z (weig Hausarbeit) Familiestad led. verh viel [ : z ] = 0 z (viel Hausarbeit) Ferbleibe weig Familiestad led. verh. Ferbleibeig we viel [ : z ] = 0 (Techisch liegt es also a de Radverteiluge, ihaltlich a de Beziehuge zu dem Drittfaktor, dass der Zusammehag i de Teilgruppe verschwidet.) Seite 4

6 Familiestad () ledig verheiratet Hausarbeit (z) weig viel [z] > 0 Häufigkeit des Ferbleibes vom Betrieb () Hausarbeit (z) weig viel weig viel [z] > 0 Seite 5

7 Differezierteres Kausalmodell: z (Es gibt eie idirekte Kausaleffekt vo auf, aber keie direkte.) z ist eie iterveierede Variable. Familiestad () strukturiert Belastug mit Hausarbeit (z). Belastug mit Hausarbeit (z) strukturiert Ferbleibe vom Betrieb (). Seite 6

8 Baumdarstellug der Date: Hierarchische Aufgliederug ach X, ach Z ud ach Y = 300 X (Familiestad) ledig 600 Z (Hausarbeit) verheiratet 600 Z (Hausarbeit) weig 00 viel 400 weig 400 viel 00 Y (Ferbl.) Y (Ferbl.) Y (Ferbl.) Y (Ferbl.) weig 900 viel 300 weig 00 viel 300 weig 300 viel 00 weig 300 viel 900 Aber: Ei Kausalmodell ist viel hilfreicher für das Verstädis. Seite 7

9 . Kausalaalse ud statistischer Kausalbegriff Aussage i de Sozialwisseschafte sid gaz überwieged stochastisch, d.h. icht determiistisch. Determiistisch: Immer: We A, da B. (Gesetz) (All-Ausage) ( : A B) (Ei Teil der aturwisseschaftliche Aussage). Stochastisch: We A, da mit hoher Wahrscheilichkeit B. ( A begüstigt B ) (Oder: strukturiert ) (Empirische Regelmäßigkeit) Deshalb habe Hma ud Lazarsfeld eie abgeschwächte statistische Kausalbegriff vorgeschlage: ( verursacht ): ) Es gibt eie statistische Zusammehag. ) geht kausal vora, wobei die zeitliche Reihefolge icht hireiched ist. 3) Es hadelt sich icht um eie Scheikorrelatio, d.h. eie tatsächliche Korrelatio, die aber bei Kotrolle vo Drittfaktore verschwidet (scheikausale Korrelatio). Seite 8

10 Diskussio des Defiitiosvorschlags: Zu ) Es gibt auch die Möglichkeit, dass der Kausalzusammehag erst ach der Kotrolle vo Drittfaktore sichtbar wird (scheibare Nicht-Kausalität). Zu ) Statistischer Zusammehag: smmetrisch Kausalzusammehag: asmmetrisch Zeitliche Reihefolge reicht icht. Zu 3) Im Eperimet uproblematisch: Eifluss der Störfaktore ist durch Utersuchugsdesig kotrolliert. Aber: I de Sozialwisseschafte häufig icht awedbar. (Z. B. sid viele Merkmale icht maipulierbar: Alter, Geschlecht,...) Als Simulatio eies Eperimets: Eifluss vo eiige wichtige Drittfaktore kotrolliere. Die Absicherug gilt da aber auch ur für die kotrollierte Drittfaktore. Seite 9

11 Kausalität ud Eperimet: Eperimet: ) Maipulierbarkeit der uabhägige Variable. ) Kotrolle der Dritt- bzw. Störfaktore. Zu ): a) Radomisierug: Zwei Zufallsstichprobe b) Matchig: Für eiige Variable mit Zufallsverfahre die Zuordug zu de Eperimetalgruppe etscheide. Bei (a) im Prizip gege alle mögliche Stör faktore abgesichert, bei (b) gege die beim Matchig berücksichtigte Störfaktore abgesichert. Seite 0

12 Beispiel für ei Eperimet = Vorurteilsmessug Messug Film Messug t t t 3 Eperimetalgruppe G G,t ja G,t 3 Kotrollgruppe G G,t ei G,t 3 G,t = G,t Effekt des Films: G,t 3 - G,t3 Seite

13 . Tabelleaalse Die Tabelleaalse (elaboratio; Eiführug vo Drittfaktore) beihaltet de Versuch, durch achträgliche Homogeisierug mittels statistischer Maipulatio des Datematerials uabhägige Variable mit Kausalwirkug zu fide. Im Gegesatz zum Eperimet, das durch die Tabelleaalse approimiert wird, sid die uabhägige Variable i der Tabelleaalse icht eifach eizel zu veräder. Die Merkmale trete i Kombiatioe auf. - Absicherug ur gege die Drittfaktore, die ma selbst getestet hat. (Eperimet mit Radomisierug: gege alle Drittfaktore abgesichert) - Aber: Viele relevate mögliche uabhägige Variable i de Sozialwisseschafte sid gar icht maipulierbar. (Z. B. Alter, Geschlecht, Ethie, Herkuftslad,...) Seite

14 Also: I de Sozialwisseschafte Simulatio des Eperimets durch Kotrolle eiiger Drittfaktore. I de Sozialwisseschafte: Quasi-Eperimet Auf omialem Messiveau: Tabelleaalse [Metrisch: Partielle Korrelatio] Tabelleaalse (Elaboratio, Kotrolle vo Drittfaktore, Teilgruppevergleich) Seite 3

15 .. Ei Beispiel für Korrelatio ohe Kausalität (ach Hirschi ud Selvi) (Stichprobe vo Jugedliche) : Kirchebesuch Ja Nei : Deliquez Ja 44 % 56 % Nei 56 % 44 % 00 % 00 % [] 0 Seite 4

16 z : Alter 4 Deliquez Kirchebesuch Ja Nei Ja 33 % 33 % Nei 67 % 67 % 00 % 00 % [: z ] = 0 z : Alter > 4 Deliquez Kirchebesuch Ja Nei Ja 67 % 67 % Nei 33 % 33 % 00 % 00 % [: z ] = 0 Seite 5

17 Kirchebesuch Nicht-Deliquez Alter ( Marioettespieler ) Scheikorrelatio (Tatsächliche Korrelatio, aber icht kausal zu iterpretiere) Scheikausale Korrelatio Seite 6

18 Kausalmodell der Scheikorrelatio X Y Z Der Zusammehag zwische ud ist icht kausal zu iterpretiere. ( Scheikorrelatio ) Seite 7

19 Beispiel: Azahl der Störche Azahl der Kider Scheikorrelatio Lad (Stadt) Beipiel: Azahl der Pumpe Höhe des Schades Scheikorrelatio Größe des Feuers Seite 8

20 Auf der Basis vo statistische Zusammehäge ka ma icht immer zwische Kausalmodelle etscheide. Scheikorrelatio z [] 0 [ :z ] = 0 [ : z ] = 0 Seite 9

21 Iterveierede Variable z [] 0 [ : z ] = 0 [ : z ] = 0 Uterschied zwische Scheikorrelatio ud iterveiereder Variable: Kausale Ordug Scheikorrelatio : z ist atezediered. Iterveierede Variable: z ist iterveiered. Seite 0

22 ..4 Tpologie vo Kausalstrukture mit 3 Variable Tpe mit: [ : z ] = [ : z ] ) Scheikorrelatio Kausalmodell: z Korrelatioe: [ : z ] = [ : z ] = 0 Seite

23 Beispiel: Krakehaus Sterberate hoch z Gesudheitszustad Beispiel: mittleres Kid Deliquez z Kiderzahl i Herkuftsfamilie (als Schichtidikator) Seite

24 ) Iterveierede Variable Kausalmodell: z Korrelatioe: [ : z ] = [ : z ] = 0 Bsp.: (Durkheim: Le suicide) [Voraussetzug: Homogee Altersgruppe] Korrelatio: Protestate höhere Selbstmordgefährdug z Protestate iedrige Itegratio höhere Selbstmordgefährdug Seite 3

25 Beispiel: [Voraussetzug: Homogee Altersgruppe] Korrelatio: verheiratet iedrige Selbstmordgefährdug z verheiratet Kider iedrige Selbstmordgefährdug Seite 4

26 (Älteres) Bsp.: Fraue autoritärer z Fraue iedrige autoritärer Bildug Seite 5

27 Beispiel: (Homas) Räumliche Nähe Smpathie z Räumliche Nähe Iteraktio Smpathie Seite 6

28 Log-lieare Modellierug des eiführede Beispiels (...) Das eiführede Beispiel für eie iterveierede Variable beihaltete, dass die Belastug durch Hausarbeit i der Kausalbeziehug zwische Familiestad ud Ferbleibe im Betrieb isofer iterveiert, dass ledige Fraue stärker belastet sid durch Hausarbeit ud dass stärker durch Hausarbeit belastete Fraue häufiger dem Betrieb fer bleibe müsse. Dieses Beispiel soll u dadurch modelliert werde, welche der mögliche Iteraktioe zwische diese drei Merkmale berücksichtigt werde müsse, um die beobachtete (Kombiatios-) Date zu reproduziere. Da ma eie sparsame Modellierug astrebt, will ma ur die zwiged otwedige Iteraktioe herausarbeite. Seite 7

29 Log-lieare Modelle zur Aalse vo Kreuztabelle Kreuztabelle zweier Merkmale A ud B: B j A i f ij f i+ (Notatio: f wie frequecies) f +j Seite 8

30 Das Kozept der statistische Uabhägigkeit f ij f f i + j = + ist eigetlich ei multiplikatives Kozept. Beispiel: Falls die Chace für SPD-Wahl statistisch uabhägig ist vom Geschlecht, so ist z. B. die Azahl der weibliche SPD- Wähler gleich dem Ateil der Fraue multipliziert mit dem Ateil der SPD-Wähler ud multipliziert mit dem Stichprobeumfag. D. h. die absolute Häufigkeit eier Kombiatio ergibt sich aus de Chace i de beide Radverteiluge multipliziert mit dem Stichprobeumfag. Durch Logarithmiere lässt sich die statistische Uabhägigkeit additiv ausdrücke: l f ij f i+ = l + l + l Dies heißt, dass sich im Falle der statistische Uabhägigkeit die Zellehäufigkeite f ij aus dem Stichprobeumfag ud de beide Radwahrscheilichkeite ergebe, die Iformatioe aus de Iteraktioe also icht beötigt werde. f + j Seite 9

31 Der Soziologe ud Statistiker Leo A. Goodma (Uiversit of Chicago) hat zur Aalse vo Kotigeztafel die log-lieare Modellierug etwickelt (970, 97 etc.). Mit f ij werde die beobachtete Häufigkeite bezeichet, mit F ij die uter der Aahme des Modells zu erwartede Häufigkeite. Die Idee dieser Modellierug besteht u dari, dass die logarithmische Häufigkeite log F ij sich aus dem additive Zusammewirke eies Bezugspuktes θ (theta) ud der Effekte der Radverteiluge λ A B i bzw. λ (lambda) bzw. der Effekte der Iteraktio AB λ darstelle lasse. ij j Multiplikativ: f ij = f i+ f + j f f + / i ij / f + j / Stich- Effekt vo A i Effekt vo B j Effekt der probe- Iteraktio A i B j umfag (Abweichug vo der Uabhägigkeit) Additiver Modellasatz für die Grudgesamtheit: l F ij = A B θ + λ + λ + i j AB λ ij Seite 30

32 Das Modell der statistische Uabhägigkeit lässt sich bei dieser Modellierug also dadurch charakterisiere, dass AB λ = 0 (für alle i, j). ij Beispiel: Ferbleibe vom Betrieb Die pfadaaltische Iterpretatio des Beispiels lautete: Familiestad (A) strukturiert Belastug mit Hausarbeit (B). Belastug mit Hausarbeit (B) strukturiert Ferbleibe vom Betrieb (C). Drei Merkmale lasse sich z.b. i der Form eier dreidimesioale Tabelle (A, B, C) aalsiere. Das (vollstädige) log-lieare Modell würde laute: A B l F ijk = θ + λ + λ i j AB AC BC λ + λ + λ + ij ik jk λ C + λ k ABC ijk + Das vollstädige oder saturierte Modell umfasst also alle dekmögliche Parameter ud ist ur eie (evtl. sogar zu umfagreiche) Umformug der Date. Seite 3

33 Die Idee der log-lieare Modellierug besteht u dari, eie sparsame Modellierug vorzuehme, d.h. ei so eifaches Modell wie ur möglich, wobei Eifachheit bedeutet, mit Parameter möglichst geriger Ordug auszukomme ( λ ist z. B.. Ordug, λ AB ij ist. Ordug, ABC ijk B j λ ist 3. Ordug). Es lässt sich u zeige, dass i dem Beispiel die Radverteiluge A, B, C, (AB), (BC) hireiched sid ( suffiziete Statistike ), um die Date des Beispiels perfekt zu reproduziere. Belastug mit Hausarbeit (B) Familiestad (A) Ferbleibe (C) C weig C viel B weig A ledig A verheiratet B viel A ledig A verheiratet Die Parameter des log-lieare Modells werde mit Hilfe der Maimum-Likelihood-Methode geschätzt, dies ist gerade die Leistug des Modells vo Goodma. Seite 3

34 Schätzuge der log-lieare Parameter für das Beispiel Theta (Mea) 5,704 Effekt Lambda A 0 A A 0 B C AB BC B 0 0 B C 0 0 C A A B A B A B B B C B C B C B C D.h. es gibt keie Haupteffekte, soder ur die beide Iteraktioseffekt (AB) ud (BC). Zusammehäge ugleich Null liege ur vor für die Beziehug Familiestad ud Belastug sowie die Beziehug Belastug ud Ferbleibe. Ei Beispiel für die perfekte Apassug des Modells als Illustratio, dass die gemäß dem Modell zu erwartede Häufigkeite F ijk de beobachtete Häufigkeite f ijk geau etspreche: l FA, B, C = A B C AB θ + λ + λ + λ + λ + BC λ = 5, (-0,549) + (-0,549) = 4,606 Seite 33

35 4,606 F A = e = =, 00 f C B, C A, B,..3 Zerlegugsformel Aalog zur Zerlegug der Gesamttabelle i zwei Partialtabelle soll u eie Zerlegug für Maßzahle formuliert werde. Eifachste Zerlegug gilt für δ (delta) = ˆ ij ij ( = ˆ) (I Vier-Felder-Tafel ist dies absolut gesehe eie feste Größe) Vier-Felder-Tafel a c b d a + b = S = c + d = S = a + c b + d a + b + c + d = S 3 = S 4 = = = N c N d ist gleich der Differez der Kreuzprodukte: ad bc δ = a ( a + b) ( a + c) = ad bc Seite 34

36 Eischräkug: δ ist streg geomme och keie fertige Maßzahl, de δ ist icht ormiert auf: [-, +] Beispiel: ; δ = =, Zerlegugsformel für beliebige Maßzahl [] [ ] = α [ : z] + β[ : z ] + γ [ z][ z] Die Gewichte α, β, γ i der Zerlegugsformel sid abhägig vo de gewählte Maßzahle. Seite 35

37 Zerlegugsformel für delta δ = δ :z + δ :z + + Gesamtzusammehag Zusammehag i Partialtabelle z α =, β =, γ = Zusammehag i Partialtabelle z z z z z δ zδ z Beziehuge zu dem Drittfaktor Da δ icht ormiert ist, soll u aalog die Zerlegug für die Maßzahl Φ (Phi) formuliert werde. Seite 36

38 Seite 37 [Weil: ] ( ) ( ) : : : : :, z z z z z z Φ = Φ ( ) : : : : : z z z z z z Φ + ( ) ( ) z z Φ Φ + De: = = z z z z z z γ Hierbei laute die Variaze: s = ud s = bzw. s z z z = Als Spezialfall vo r lautet Phi: ² ² ² d c d c N N N N s s s = = = Φ Die Zerlegug ließe sich also auch formuliere als: z z z z z z z z z z s s s s s s s s Φ + Φ Φ + Φ = Φ : : : : : : Φ = S S S S 4 3 δ 4 3 S S S S ad bc Φ =

39 Beispiel: Familiestad () ledig verheiratet Ferbleibe im Betrieb () weig viel Φ = 0,5 Nämlich: Φ = = 0, Seite 38

40 Familiestad () Hausarbeit (z) ledig verheiratet weig viel Φ z = 0,5 Ferbleibe im Betrieb () Hausarbeit (z) ledig verheiratet weig viel Φ z = 0,5 Seite 39

41 Φ = α Φ( : z ) + β Φ( : z ) + Φ( z) Φ ( z) 0, ,5 0,5 Pfadmodell: (Hier: Kausalkette) 0,5 Familiestad 0,5 0,5 z Belastug durch Hausarbeit Ferbleibe vom Betrieb - Es gibt keie direkte Kausaleffekt, soder ur eie idirekte. Bei Egalisierug der Belastug durch Hausarbeit gäbe es keie Kausaleffekt vo Familiestad auf Ferbleibe im Betrieb mehr. - Die Größe des Gesamtzusammehages ergibt sich als Produkt der Effekte: Φ = Φ z Φ z (Notatio: ist eie Fuktio vo z, z ist eie Fuktio vo, ist eie Fuktio vo.) - Als iterveierede Variable komme ur Faktore z i Frage, die sehr hoch mit ud Seite 40

42 korreliere. (De ei Produkt vo Zahle Φ < wird ja kleier.) ( Scheikorrelatio : aalog) Weitere Kausaltpe (..4.) 3) Suppressor Variable (Dämpfede Variable) Bei Eiführug des Testfaktors z wird die Beziehug zwische ud größer, als sie vorher sichtbar war. Beispiel: Korrelatio: hohes Eikomme hoher Milchkosum Seite 4

43 hohe Kiderzahl z - + hohes Eikomme (hohe Schicht) + hoher Milchkosum Uter Kotrolle vo z i beide Teilgruppe positiver Zusammehag. = + ges = dir + idir Gesamtzusammehag [] = 0 direkter Kausaleffekt idirekter Kausaleffekt Vorzeicheregel: (-) * (+) = (-) Seite 4

44 I dem Beispiel hadelt es sich um eie idirekte Kausaleffekt. Bei Scheikompoete würde gleiche Vorzeicheregel gelte: z Bsp.: (Durkheim, Le suicide) [, ] = 0 Jude hohe (stark Selbstite- mordgriert) rate Seite 43

45 Stadt vs. Lad z + + Jude (vs. adere Kofessio) - hohe Selbstmordrate (vs. iedrige) = + ges = dir + idir Gesamtzusamme hag direkter Kausaleffekt idirekter Kausaleffekt Vorzeicheregel: (+) * (-) = (+) Seite 44

46 4) Distorter Variable (Verzerrede Variable) Bei Eiführug des Testfaktors z wird ei zu dem ursprügliche Zusammehag [] etgegegesetztes Vorzeiche i [ : z ] ud [ : z ] sichtbar. Beispiel: (Durkheim) [, ] = + ver- hohe heiratet Selbst- (ite- mordrate griert) Seite 45

47 höheres Alter z + verheiratet - + hohe Selbstmordrate Nebe dem direkte Kausaleffekt gibt es also eie Scheikompoete aufgrud vo z i dem Zusammehag zwische ud. + = ges dir spurious Gesamt- direkter Scheikompoete zusamme- Kausalhag effekt Vorzeicheregel: (+) * (+) = (+) [Bei idirektem Kausaleffekt würde gleiche Vorzeicheregel gelte.] Seite 46

48 Zerlegugsformel am Beispiel eies Suppressor-Phäomes (..4.) Roseberg (968) etimmt eier Utersuchug vo Arold M. Rose folgedes Beispiel: What do ou thik of havig Jews o the uio staff? Es stellt sich heraus, dass Jügere ( < 9 Jahre) mit weig Gewerkschaftssozialisatio (< 4 Jahre) dies zu 56,4 % eher eutral sehe, währed die mittlere Altersgruppe (30-49 Jahre) mit weig Gewerkschaftssozialisatio dies ur zu 37, % ud die höhere Altersgruppe ( > 50 Jahre) mit weig Gewerkschaftssozialisatio dies ur zu 38,4 % eutral sehe. Um ur mit Dichotomie zu arbeite, fasse ich die letzte beide Gruppe zusamme, da sie sich ja auch ählich verhalte. Jews o uio staff () Dauer Gewerkschaftsmitglied () < 4 Jahre > 4 Jahre Neutral Nicht eutral [ ] = = 38 δ s Φ [ ] / = = [ ] / = 0, 003 = = [ ] / = 0, 0 Seite 47

49 Die Sozialisatio i der Gewerkschaft (operatioalisiert durch die Dauer der Gewerkschaftsmitgliedschaft) habe Jügere sstematisch weiger erfahre als Ältere, adererseits köte Jügere tolerater (hier gemesse als Neutralität) sei. Deshalb wird Alter (z) als Testfaktor eigeführt, da eie Scheikompoete aufgrud des Alters vermutet werde ka. Alter (z = z ) Alter (z = z ) < 9 Jahre > 30 Jahre i Gewerkschaft () i Gewerkschaft () < 4 Jahre > 4 Jahre < 4 Jahre > 4 Jahre Jews o uio staff () Neutral Jews o Neutral uio Nicht staff () Nicht eutral eutral [ : z] = 5 [ : z ] = 966 δ : z = [ : z] / =, 953 δ : z = [ : z ]/ = 3, 88 s : z = [ : z] / = 0, 05 s : z = [ : z ]/ = 0, 05 Φ : z = [ : z] / 4003 = 0, 063 Φ : z = [ : z ]/496 = 0, 077 (I de Teilgruppe ergibt sich also eie sehr ähliche Beziehug: [ : z ] [ z ] ) Diese Ergebisse sid ur möglich wege der Beziehuge der Ausgagsvariable ud zu dem Drittfaktor z. Dauer der Gewerkschafts- Mitgliedschaft (< 4 Jahre) Bilaz: ges dir spurious Alter (Jügere) z Seite 48 Toleraz ( Neutral ) :

50 i Gewerkschaft () < 4 Jahre > 4 Jahre Alter (z) < 9 Jahre > 30 Jahre [ z ] = 354 δ z s z Φ z [ z] / == 35, 450 [ z] / 0, 093 [ z] / 3446 = 0, 47 = = = = Alter (z) < 9 Jahre > 30 Jahre Jews o Neutral uio staff () Nicht eutral [ z ] = 4393 δ z s z Φ z [ z] / =, 500 [ z] / 0, 030 [ z] / = 0, 7 = = = = Seite 49

51 Die Zerlegug für δ = δ δ (Dies ist die klassische Versio.) : z + δ : z + Seite =,953 3, ,450, Die Zerlegug für [] (Dies ist die recherisch eifachste Versio.) [ ] = [ : z ] + [ : z ] + [ z] [ z] δ z = ( 5) + ( 966) Die Zerlegug für die Kovariaz s (Die Kovariaz hat hierbei die güstigste Eigeschafte, s.u.) s = s s : z + : z + 9 0,003 = ( 0,05) + 38 s z s z 53 ( 0,05) + 38 δ 0,093 0, z

52 Die Zerlegug für Phi (Phi ist die wichtigste Maßzahl für die Vierfeldertafel.) Φ : z : z (, ) ( : ) = Φ z + + z z Φ : z : z : z ( z) Φ( z) : z : z : z Φ ( : z ) ,0 = ( 0,063) ( 0,077) + 0,7 0,47 Seite 5

53 Zerlegugsformel am Beispiel eies Distorter-Phäomes (..4.) Roseberg (968) illustriert das Distorter-Phäome a folgedem Beispiel, das ich für die Illustratio der Zerlegugsformel verwede möchte. Die Arbeiterschicht scheit eie stärkere Affiität zu de Bürgerrechte zu habe. We ma aber Ethie kotrolliert, wird das Gegeteil sichtbar: Die Mittelschicht befürwortet die Bürgerrechte stärker, der falsche Eidruck kommt ur dadurch zustade, dass Schwarze überproportioal Arbeiter ud gleichzeitig überproportioal für die Bürgerrechte sid. Civil rights score () Social class () Middle class Workig class High Low [ ] = 00 δ s Φ [ ] / = 5 [ ] / = 0, 0 = = = [ ] / 456 = 0, 085 Seite 5

54 Ethie (z = z ) Ethie (z = z ) Schwarze Weiße Social class () Social class () Middle class Workig class Middle class Workig class Civil rights score () High Civil rights High score () Low Low [ : z ] = 400 [ : z ] = 00 δ : z = [ : z] / = 3, 333 δ : z = [ : z ]/ =, 667 s : z = [ : z] / = 0, 08 s : z = [ : z ]/ = 0, 04 Φ : z = [ : z] / 677 = 0, 49 Φ = [ z ]/ 48 0, 083 : z : = I de beide Teilgruppe ergibt sich bei etwas großzügiger Betrachtug eie ähliche Beziehug: [ : z ] [ z ]. : Es liegt also wieder a de Beziehuge der Ausgagsvariable ud zu dem Drittfaktor z. Ethie (z) ( Schwarze ) Social class () (Middle class) + Civil rights score () (High) - Bilaz: ges dir spurious Seite 53

55 Social class () Middle class Workig class Ethie (z) Schwarze Weiße [ z ] = 9600 δ z s z Φ z [ z] / = 40 [ z] / = 0, 67 = = = [ z] / 4400 = 0, Ethie (z) Schwarze Weiße Civil rights score () High Low [ z ] = 3600 δ z s z Φ z [ z] / = 5 [ z] / 0, 063 = = = = [ z] / 456 = 0, Seite 54

56 Die Zerlegug für δ δ = δ : z + δ : z = 3,333 +,667 + ( 40) Die Zerlegug für [] [ ] = [ : z ] + [ : z ] + [ z] [ z] δ z δ = ( 9600) z Die Zerlegug für die Kovariaz s s s z z s = s: z + s: z + 0,0 = , ,04 + ( 0,67) 0, Seite 55

57 Die Zerlegug für Phi Φ : z : z : z : z (, ) = Φ( : z ) z + z : z : z : z : z Φ ( : z ) + Φ( z) Φ( z) 0,085 = , , ( 0,667) 0,083 Seite 56

58 ..4.3 Vorzeicheregel ach Davis für Suppressor- ud Distorter-Phäomee Suppressor Variable ( Dämpfed ) Bei Eiführug vo z wird die Beziehug zwische ud größer. a) Falls das Eiführe vo z eie positive Korrelatio verstärkt, so muss gelte: sig [z] = -sig [z] b) Falls das Eiführe vo z eie egative Korrelatio verstärkt, so muss gelte: sig [z] = sig [z] Distorter Bei Eiführug vo z wird ei zu dem Variable ursprügliche Zusammehag [] ( Verzerred ) etgegegesetztes Vorzeiche i [:z ] ud [:z ] sichtbar: z.b. Falls [] > 0: sig [z] = sig [z] b) Falls [] < 0: sig [z] = -sig [z] Seite 57

59 Mit Bilaze formuliert: Gesamtzusammehag Direkter Kausaleffekt Idirekter Kausaleffekt oder Spurious Suppressor Variable + (0) - (0) ++ (+) -- (-) - (-) + (+) Scheibare Nicht- Kausalität Distorter Variable Seite 58

60 Vorzeicheregel ud/oder perfekte Maßzahl? [ : z ] γ [ z][ ] [ ] = α [ : z] + β + z Bei Tpe mit: [ : z ] = [ : z ] [] = a [ : z] + b [z] [z] ges ber res Ma vergleicht de Gesamtzusammehag ud de bereiigte Zusammehag: We a =, da: res = ges ber Ob die Vorzeicheregel perfekt gilt, hägt vo de Koeffiziete a ud b ab, welche wiederum spezifisch sid für die gewählte Maßzahl bzw. Quasi-Maßzahl []. Falls a =, so gilt perfekte Vorzeicheregel. (b ist immer positiv ud stört deshalb icht, de: (res > 0) ([z] [z] > 0) ) z.b. für δ (δ ist Quasi-Maßzahl, de δ ist icht ormiert.) Seite 59

61 δ = δ + + : δ : z z γ δ z δ z ges direkter Kausal- res (Residuum) effekt bzw. bereiigter Zusammehag (res > 0) (<) geau da we (Beziehuge vo ud zu dem Testfaktor z sid gleichlauted (gegelauted) im Vorzeiche) D.h.: Die Vorzeicheregel vo Davis ist implizit i meie Bilazgleichuge ethalte. Relativierug ( Dilemma gemäß Davis): Die Vorzeicheregel für δ ist perfekt, für Φ eie Daumeregel, weil α ud β i.a. bei Φ icht eifach gleich sid. Adererseits ist Φ eie perfekte Maßzahl, währed δ icht ormiert ist: z.b.: δ = = Seite 60

62 Die Vorzeicheregel auf Basis der Kovariaz Eie Kompromisslösug i diesem Dilemma ergibt sich ach meier Auffassug für die Kovariaz s : s ist im allgemeie Fall icht ormiert, d.h. i.a. gilt icht: s < Aber: Für de eifache Fall der Vierfeldertafel ist die Kovariaz ormiert. s = ad bc ad bc + s ist also ormiert, jedoch icht so perfekt wie Φ, die Maimalwerte + köe i viele Datekostellatioe gar icht erreicht werde. Deoch ist die Kovariaz ormiert ud lässt sich auf eie Weise zerlege, die ählich eifach ist wie bei δ, wobei δ adererseits icht ormiert ist. Seite 6

63 Zerlegugsformel für die Kovariaz = s z szs z s, wobei: s + / z s z = Hierbei ist die partielle Kovariaz s.z gleich eiem gewogee arithmische Mittel aus de beide bedigte Kovariaze für die beide Teiltabelle: s = s +. z : z z s : Aus dem Vergleich der Kovariaz mit der partielle Kovariaz ergibt sich umittelbar die Vorzeicheregel: sig (s s.z ) = sig (s z s z ) I diesem Sie ist die Kovariaz ach meier Auffassug ei Kompromiss i dem Dilemma (Davis) zwische Vorzeicheregel ud perfekter Maßzahl. Seite 6

64 Gesamtzusammehag > bereiigter Zusammehag/direkter Effekt? (<) Erster Mechaismus, der wirkt: Direkter Kausaleffekt. Fall: Der zweite Mechaismus ist idirekt kausal. z β z β z β r = β β + z β z direkter Kausaleffekt idirekter Kausaleffekt Seite 63

65 . Fall: Der zweite Mechaismus beihaltet eie Scheikompoete. z β z β z r = β β β + z β z direkter Kausaleffekt Scheikompoete auf Grud vo z Vorzeicheregel für Fall ud : Gesamtzu- Bereiigter Residuum sammehag zusammehag ges = ber + res (res > 0) (Die Effekte vo ud i Relatio zu dem Dritt- (<) faktor z sid gleichlauted (gegelauted) im Vorzeiche.) Seite 64

66 3. Fall: Der zweite Mechaismus ist ei korrelierter Effekt. r z Z β z X β Y r = r β β + z z direkter Kausaleffekt korrelierter Effekt Eie Vorzeicheregel ist icht so sivoll, da es sich hier um uterschiedliche Kozepte hadelt. Seite 65

67 Mit Bilaze formuliert: Scheikorrelatio (Besser: Scheibare Kausalität) Gesamtzusammehag direkter Kausaleffekt spurious oder Scheikompoete Scheikorrelatio Z X Y (Gege-Tp: Scheibare Nicht-Kausalität) Seite 66

68 Iterveierede Variable Gesamtzusammehag direkter Kausaleffekt idirekter Kausaleffekt Iterveierede Variable z (Nur idirekter Kausaleffekt, kei direkter) Seite 67

69 Liege ei oder zwei Mechaisme vor? X Y Z hat idirekte ud direkte Effekt auf. (Zwei Kausalmechaisme) z hat ur idirekte Effekt auf. (Iterveierede Variable) z hat direkte Kausaleffekt auf ; ud: es gibt Scheikompoete i dem Gesamtzusammehag zwische ud, die auf z zurückzuführe ist. Seite 68

70 X Y Z hat keie direkte Kausaleffekt auf. ( Scheikorrelatio ) (Bessere Bezeichug: Scheikausalität) Seite 69

71 Bilaz für die Fälle, i dee zwei Mechaisme das gleiche Vorzeiche habe: z Bei Scheikompoete: Überlagerug z Bei idirektem Kausaleffekt: Verstärker Gesamtzusammehag direkt kausal spurious oder idirekt kausal Seite 70

72 Nur direkter Kausalmechaismus X Z Y Gesamtzusammehag direkt kausal spurious oder idirekt kausal Résumé: Die Lösug des Kausalitätsproblems liegt ach meier Auffassug icht i eier perfektioierte Defiitio der Kausalität, de eierseits begit ma mit der Forderug, es solle ei statistischer Zusammehag vorliege, adererseits zeigt die Diskussio der Kausaltpe, dass dies im Fall der scheibare Nicht-Kausalität gerade icht gegebe ist. Die Lösug liegt ach meier Auffassug i der Iteraktio vo theoretische Vorstelluge, die i Modelle verdichtet werde, ud Erfahrugswisse, das als Empirie aufbereitet wird. Sid die tatsächliche Beobachtuge verträglich mit Beobachtuge, die aufgrud eies theoretische Modells zu erwarte wäre? Seite 7

73 Diese Frage wird i.a. icht i eiem eizige Schritt beatwortet, soder i Zkle vo Modellgeerierug ud Modell-Modifikatio aufgrud vo Kosistezüberleguge ud Erfahrugswisse. Falls [] als Zusammehag i der Gesamttabelle ermittelt ist, sollte ma Kausalmodelle formuliere mit de Mechaisme, die de Zusammehag produziere: - direkter Kausaleffekt? - idirekte/r Kausaleffekt/e? - spurious bzw. Scheikompoete/ des Zusammehags? A diese Dekfigur küpft die Pfadaalse a. Seite 7

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen:

n 1,n 2,n 3,...,n k in der Stichprobe auftreten. Für die absolute Häufigkeit können wir auch die relative Häufigkeit einsetzen: 61 6.2 Grudlage der mathematische Statistik 6.2.1 Eiführug i die mathematische Statistik I der mathematische Statistik behadel wir Masseerscheiuge. Wir habe es deshalb im Regelfall mit eier große Zahl

Mehr

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39

Statistik Einführung // Konfidenzintervalle für einen Parameter 7 p.2/39 Statistik Eiführug Kofidezitervalle für eie Parameter Kapitel 7 Statistik WU Wie Gerhard Derfliger Michael Hauser Jörg Leeis Josef Leydold Güter Tirler Rosmarie Wakolbiger Statistik Eiführug // Kofidezitervalle

Mehr

15.4 Diskrete Zufallsvariablen

15.4 Diskrete Zufallsvariablen .4 Diskrete Zufallsvariable Vo besoderem Iteresse sid Zufallsexperimete, bei dee die Ergebismege aus reelle Zahle besteht bzw. jedem Elemetarereigis eie reelle Zahl zugeordet werde ka. Solche Zufallsexperimet

Mehr

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen.

Variiert man zusätzlich noch die Saatstärke (z.b. 3 Stärkearten), würde man von einer zweifaktoriellen Varianzanalyse sprechen. 3. Variazaalyse Die Variazaalyse mit eier quatitative abhägige Variable ud eier oder mehrerer qualitativer uabhägiger Variable wird auch als ANOVA (Aalysis of Variace) bezeichet. Mit eier Variazaalyse

Mehr

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft

Wissenschaftliches Arbeiten Studiengang Energiewirtschaft Wisseschaftliches Arbeite Studiegag Eergiewirtschaft - Auswerte vo Date - Prof. Dr. Ulrich Hah WS 01/013 icht umerische Date Tet-Date: Datebak: Name, Eigeschafte, Matri-Tabelleform Spalte: übliche Aordug:

Mehr

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt

Evaluierung einer Schulungsmaßnahme: Punktezahl vor der Schulung Punktezahl nach der Schulung. Autoritarismusscore vor/nach Projekt 2.4.5 Gauss-Test ud t-test für verbudee Stichprobe 2.4.5.8 Zum Begriff der verbudee Stichprobe Verbudee Stichprobe: Vergleich zweier Merkmale X ud Y, die jetzt a deselbe Persoe erhobe werde. Vorsicht:

Mehr

Statistik I/Empirie I

Statistik I/Empirie I Vor zwei Jahre wurde ermittelt, dass Elter im Durchschitt 96 Euro für die Nachhilfe ihrer schulpflichtige Kider ausgebe. I eier eue Umfrage uter 900 repräsetativ ausgewählte Elter wurde u erhobe, dass

Mehr

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen

Testumfang für die Ermittlung und Angabe von Fehlerraten in biometrischen Systemen Testumfag für die Ermittlug ud Agabe vo Fehlerrate i biometrische Systeme Peter Uruh SRC Security Research & Cosultig GmbH peter.uruh@src-gmbh.de Eileitug Biometrische Systeme werde durch zwei wichtige

Mehr

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S

Statistik mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013S Statistik mit Excel 2013 Peter Wies Theme-Special 1. Ausgabe, Februar 2014 W-EX2013S 3 Statistik mit Excel 2013 - Theme-Special 3 Statistische Maßzahle I diesem Kapitel erfahre Sie wie Sie Date klassifiziere

Mehr

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte.

Statistische Maßzahlen. Statistik Vorlesung, 10. März, 2010. Beispiel. Der Median. Beispiel. Der Median für klassifizierte Werte. Statistik Vorlesug,. ärz, Statistische aßzahle Iformatio zu verdichte, Besoderheite hervorzuhebe ittelwerte Aufgabe: die Lage der Verteilug auf der Abszisse zu zeige. Der odus: derjeige Wert, der im Häufigste

Mehr

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a)

x 2 + 2 m c Φ( r, t) = n q n (t) φ n ( r) (5) ( + k 2 n ) φ n ( r) = 0 (6a) Quatisierug eies skalare Feldes Das Ziel ist eigetlich das elektromagetische Feld zu quatisiere, aber wie ma scho a de MAXWELLsche Gleichuge sehe ka, ist es zu kompliziert, um damit zu begie. Außerdem

Mehr

Zahlenfolgen, Grenzwerte und Zahlenreihen

Zahlenfolgen, Grenzwerte und Zahlenreihen KAPITEL 5 Zahlefolge, Grezwerte ud Zahlereihe. Folge Defiitio 5.. Uter eier Folge reeller Zahle (oder eier reelle Zahlefolge) versteht ma eie auf N 0 erlarte reellwertige Futio, die jedem N 0 ei a R zuordet:

Mehr

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung

Grundgesamtheitsanaylsen und Stichproben. Betrachtungen zur Stichprobenfindung MaMaEuSch Maagemet Mathematics for Europea Schools http://www.mathematik.uikl.de/ mamaeusch Grudgesamtheitsaaylse ud Stichprobe. Betrachtuge zur Stichprobefidug Paula Lagares Justo Puerto 1 MaMaEuSch 2

Mehr

Robuste Asset Allocation in der Praxis

Robuste Asset Allocation in der Praxis Fiazmarkt Sachgerechter Umgag mit Progosefehler Robuste Asset Allocatio i der Praxis Pesiosfods ud adere istitutioelle Aleger sid i aller Regel a ei bestimmtes Rediteziel (Rechugszis) gebude, das Jahr

Mehr

Stichproben im Rechnungswesen, Stichprobeninventur

Stichproben im Rechnungswesen, Stichprobeninventur Stichprobe im Rechugswese, Stichprobeivetur Prof Dr Iree Rößler ud Prof Dr Albrecht Ugerer Duale Hochschule Bade-Württemberg Maheim Im eifachste Fall des Dollar-Uit oder Moetary-Uit Samplig (DUS oder MUS-

Mehr

2 Vollständige Induktion

2 Vollständige Induktion 8 I. Zahle, Kovergez ud Stetigkeit Vollstädige Iduktio Aufgabe: 1. Bereche Sie 1+3, 1+3+5 ud 1+3+5+7, leite Sie eie allgemeie Formel für 1+3+ +( 3)+( 1) her ud versuche Sie, diese zu beweise.. Eizu5% ZiseproJahragelegtes

Mehr

3. Tilgungsrechnung. 3.1. Tilgungsarten

3. Tilgungsrechnung. 3.1. Tilgungsarten schreier@math.tu-freiberg.de 03731) 39 2261 3. Tilgugsrechug Die Tilgugsrechug beschäftigt sich mit der Rückzahlug vo Kredite, Darlehe ud Hypotheke. Dabei erwartet der Gläubiger, daß der Schulder seie

Mehr

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet

Page-Rank: Markov-Ketten als Grundlage für Suchmaschinen im Internet Humboldt-Uiversität zu Berli Istitut für Iformatik Logik i der Iformatik Prof. Dr. Nicole Schweikardt Page-Rak: Markov-Kette als Grudlage für Suchmaschie im Iteret Skript zum gleichamige Kapitel der im

Mehr

... a ik) i=1...m, k=1...n A = = ( a mn

... a ik) i=1...m, k=1...n A = = ( a mn Zurück Stad: 4..6 Reche mit Matrize I der Mathematik bezeichet ma mit Matrix im Allgemeie ei rechteckiges Zahleschema. I der allgemeie Darstellug habe die Zahle zwei Idizes, de erste für die Zeileummer,

Mehr

Lerneinheit 2: Grundlagen der Investition und Finanzierung

Lerneinheit 2: Grundlagen der Investition und Finanzierung Lereiheit 2: Grudlage der Ivestitio ud Fiazierug 1 Abgrezug zu de statische Verfahre Durchschittsbetrachtug wird aufgegebe Zeitpukt der Zahlugsmittelbewegug explizit berücksichtigt exakte Erfassug der

Mehr

Kunde. Kontobewegung

Kunde. Kontobewegung Techische Uiversität Müche WS 2003/04, Fakultät für Iformatik Datebaksysteme I Prof. R. Bayer, Ph.D. Lösugsblatt 4 Dipl.-Iform. Michael Bauer Dr. Gabi Höflig 17.11. 2003 Abbildug E/R ach relatioal - Beispiel:

Mehr

Innerbetriebliche Leistungsverrechnung

Innerbetriebliche Leistungsverrechnung Ierbetriebliche Leistugsverrechug I der Kostestellerechug bzw. im Betriebsabrechugsboge (BAB ist ach der Erfassug der primäre Kostestellekoste das Ziel, die sekudäre Kostestellekoste, also die Koste der

Mehr

Übungsblatt 1 zur Vorlesung Angewandte Stochastik

Übungsblatt 1 zur Vorlesung Angewandte Stochastik Dr Christoph Luchsiger Übugsblatt 1 zur Vorlesug Agewadte Stochastik Repetitio WT Herausgabe des Übugsblattes: Woche 9, Abgabe der Lösuge: Woche 1 (bis Freitag, 1615 Uhr), Rückgabe ud Besprechug: Woche

Mehr

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist.

Satz Ein Boolescher Term t ist eine Tautologie genau dann, wenn t unerfüllbar ist. Erfüllbarkeit, Uerfüllbarkeit, Allgemeigültigkeit Defiitio Eie Belegug β ist passed zu eiem Boolesche Term t, falls β für alle atomare Terme i t defiiert ist. (Wird ab jetzt ageomme.) Ist β(t) = true,

Mehr

Parameter von Häufigkeitsverteilungen

Parameter von Häufigkeitsverteilungen Kapitel 3 Parameter vo Häufigkeitsverteiluge 3. Mittelwerte Mo Der Modus (:= häufigster Wert, Abk.: Mo) ist der Merkmalswert mit der größte Häufigkeit, falls es eie solche gibt. Er sollte ur bei eigipflige

Mehr

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003

Integrationsseminar zur BBL und ABWL Wintersemester 2002/2003 Credit Risk+ Itegratiossemiar zur BBL ud BWL Witersemester 2002/2003 Oksaa Obukhova lia Sirsikova Credit Risk+ 1 Ihalt. Eiführug i die Thematik B. Ökoomische Grudlage I. Ziele II. wedugsmöglichkeite 1.

Mehr

Wahrscheinlichkeit & Statistik

Wahrscheinlichkeit & Statistik Wahrscheilichkeit & Statistik created by Versio: 3. Jui 005 www.matheachhilfe.ch ifo@matheachhilfe.ch 079 703 7 08 Mege als Sprache der Wahrscheilichkeitsrechug, Begriffe, Grudregel Ereigisraum: Ω Ω Mege

Mehr

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac

Die Gasgesetze. Die Beziehung zwischen Volumen und Temperatur (Gesetz von J.-L. und J. Charles): Gay-Lussac Die Gasgesetze Die Beziehug zwische olume ud Temeratur (Gesetz vo J.-L. Gay-Lussac ud J. Charles): cost. T oder /T cost. cost.. hägt h vo ud Gasmege ab. Die extraolierte Liie scheidet die Temeratur- skala

Mehr

Informatik II Dynamische Programmierung

Informatik II Dynamische Programmierung lausthal Iformatik II Dyamische Programmierug. Zachma lausthal Uiversity, ermay zach@i.tu-clausthal.de Zweite Techik für de Algorithmeetwurf Zum Name: "Dyamische " hat ichts mit "Dyamik" zu tu, soder mit

Mehr

Linsengesetze und optische Instrumente

Linsengesetze und optische Instrumente Lisegesetze ud optische Istrumete Gruppe X Xxxx Xxxxxxxxx Xxxxxxx Xxxxxx Mat.-Nr.: XXXXX Mat.-Nr.: XXXXX XX.XX.XX Theorie Im olgede werde wir eie kurze Überblick über die Fuktio, de Aubau ud die Arte vo

Mehr

Kapitel 6: Statistische Qualitätskontrolle

Kapitel 6: Statistische Qualitätskontrolle Kapitel 6: Statistische Qualitätskotrolle 6. Allgemeies Für die Qualitätskotrolle i eiem Uterehme (produzieredes Gewerbe, Diestleistugsuterehme, ) gibt es verschiedee Möglichkeite. Statistische Prozesskotrolle

Mehr

14 Statistische Beziehungen zwischen nomi nalen Merkmalen

14 Statistische Beziehungen zwischen nomi nalen Merkmalen 14 Statistische Beziehuge zwische omi ale Merkmale 14.1 Der Chi Quadrat Test auf Uabhägigkeit für Vier Feldertafel 14.2 Der Chi Quadrat Test auf Uabhägigkeit für r s Kotigeztafel 14.3 Zusammmehagsmaße

Mehr

Hallo, kurze Anmerkung: Diese Scripte stammen von 1999. Ich kann leider dazu. keine Fragen mehr beantworten! : ( Euch trotzdem viel Erfolg!

Hallo, kurze Anmerkung: Diese Scripte stammen von 1999. Ich kann leider dazu. keine Fragen mehr beantworten! : ( Euch trotzdem viel Erfolg! Hallo, kurze Amerkug: Diese Scripte stamme vo 999. Ich ka leider dazu keie Frage mehr beatworte! : ( Euch trotzdem viel Erfolg! Dorthe dorthe@luebbert.et Statistik-C Skript ud Diplomklausurvorbereitug

Mehr

2.4.1 Grundprinzipien statistischer Hypothesentests

2.4.1 Grundprinzipien statistischer Hypothesentests 86 2.4. Hypothesetests 2.4 Hypothesetests 2.4.1 Grudprizipie statistischer Hypothesetests Hypothese: Behauptug eier Tatsache, dere Überprüfug och aussteht (Leuter i: Edruweit, Trommsdorff: Wörterbuch der

Mehr

Lernhilfe in Form eines ebooks

Lernhilfe in Form eines ebooks Ziseszisrechug Lerhilfe i Form eies ebooks apitel Thema Seite 1 Vorwort ud Eiführug 2 2 Theorie der Ziseszisrechug 5 3 Beispiele ud Beispielrechuge 12 4 Testaufgabe mit Lösuge 18 Zis-Ziseszis.de 212 Seite

Mehr

Beschreibende Statistik Kenngrößen in der Übersicht (Ac)

Beschreibende Statistik Kenngrößen in der Übersicht (Ac) Beschreibede Statistik Kegröße i der Übersicht (Ac) Im folgede wird die Berechugsweise des TI 83 (sowie vo SPSS, s. ute) verwedet. Diese geht auf eie Festlegug vo Moore ud McCabe (00) zurück. I der Literatur

Mehr

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I

Model CreditRisk + : The Economic Perspective of Portfolio Credit Risk Part I Model CreditRisk + : The Ecoomic Perspective of Portfolio Credit Risk Part I Semiar: Portfolio Credit Risk Istructor: Rafael Weißbach Speaker: Pablo Kimmig Ageda 1. Asatz ud Ziele Was ist CreditRisk +

Mehr

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE

Versuch 13/1 NEWTONSCHE INTERFERENZRINGE Blatt 1 NEWTONSCHE INTERFERENZRINGE Versuch 3/ NEWTONSCHE INTERFERENZRINGE Blatt NEWTONSCHE INTERFERENZRINGE Die Oberfläche vo Lise hat im allgemeie Kugelgestalt. Zur Messug des Krümmugsradius diet das Sphärometer. Bei sehr flacher Krümmug

Mehr

3. Einführung in die Statistik

3. Einführung in die Statistik 3. Eiführug i die Statistik Grudlegedes Modell zu Date: uabhägige Zufallsgröße ; : : : ; mit Verteilugsfuktio F bzw. Eizelwahrscheilichkeite p ; : : : ; p r i de Aweduge: kokrete reale Auspräguge ; : :

Mehr

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben

Höhere Finanzmathematik. Sehr ausführliches Themenheft (d. h. mit Theorie) Aber auch mit vielen Trainingsaufgaben Expoetielles Wachstum Höhere Fiazmathematik Sehr ausführliches Themeheft (d. h. mit Theorie) Aber auch mit viele Traiigsaufgabe Es hadelt sich um eie Awedug vo Expoetialfuktioe (Wachstumsfuktioe) Datei

Mehr

2. Einführung in die Geometrische Optik

2. Einführung in die Geometrische Optik 2. Eiührug i die Geometrische Optik 2. Allgemeie Prizipie 2.. Licht ud Materie Optische Ssteme werde ür de Spektralbereich zwische dem extreme Ultraviolette ( m) ud dem thermische Irarote (Q-Bad bei 2

Mehr

SUCHPROBLEME UND ALPHABETISCHE CODES

SUCHPROBLEME UND ALPHABETISCHE CODES SUCHPROBLEME UND ALPHABETISCHE CODES Der Problematik der alphabetische Codes liege Suchprobleme zugrude, dere Lösug dem iformatiostheoretische Problem der Fidug eies (optimale) alphabetische Codes gleich

Mehr

Löslichkeitsdiagramm. Grundlagen

Löslichkeitsdiagramm. Grundlagen Grudlage Löslichkeitsdiagramm Grudlage Zur etrachtug des Mischugsverhaltes icht vollstädig mischbarer Flüssigkeite, das heißt Flüssigkeite, die sich icht bei jeder Temperatur i alle Megeverhältisse miteiader

Mehr

Monte Carlo-Simulation

Monte Carlo-Simulation Mote Carlo-Simulatio Mote Carlo-Methode Der Begriff Mote Carlo-Methode etstad i de 1940er Jahre, als ma im Zusammehag mit dem Bau der Atombombe die Simulatio vo Zufallsprozesse erstmals i größerem Stil

Mehr

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT

Qualitätskennzahlen für IT-Verfahren in der öffentlichen Verwaltung Lösungsansätze zur Beschreibung von Metriken nach V-Modell XT Qualitätskezahle für IT-Verfahre i der öffetliche Verwaltug Lösugsasätze zur Vo Stefa Bregezer Der Autor arbeitet im Bereich Softwaretest ud beschäftigt sich als Qualitätsbeauftragter mit Theme zu Qualitätssicherug

Mehr

Zur Definition. der wirksamen. Wärmespeicherkapazität

Zur Definition. der wirksamen. Wärmespeicherkapazität Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč, Büro für Bauphysik, Schöberg a Kap, Österreich Zur Defiitio der wirksae Wärespeicherkapazität vo Ao. Uiv. Prof. Dipl.-Ig. Dr. tech. Klaus Kreč Büro für Bauphysik

Mehr

Kleines Matrix-ABC. Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger. 1 Elementares

Kleines Matrix-ABC. Fachgebiet Regelungstechnik Leiter: Prof. Dr.-Ing. Johann Reger. 1 Elementares 4 6 Fachgebiet Regelugstechik Leiter: Prof. Dr.-Ig. Joha Reger Kleies Matrix-ABC 1 Eleetares Eie ( )-Matrix ist eie rechteckige Aordug vo reelle oder koplexe Zahle a ij (auch Skalare geat) ud besteht aus

Mehr

Musterlösung zu Übungsblatt 2

Musterlösung zu Übungsblatt 2 Prof. R. Padharipade J. Schmitt C. Schießl Fuktioetheorie 25. September 15 HS 2015 Musterlösug zu Übugsblatt 2 Aufgabe 1. Reelle Fuktioe g : R R stelle wir us üblicherweise als Graphe {(x, g(x)} R R vor.

Mehr

3 Die Außenfinanzierung durch Fremdkapital (Kreditfinanzierung)

3 Die Außenfinanzierung durch Fremdkapital (Kreditfinanzierung) 3 Die Außefiazierug durch Fremdkapital (Kreditfiazierug) 3.1 Die Charakteristika ud Forme der Kreditfiazierug Aufgabe 3.1: Idealtypische Eigeschafte vo Eige- ud Fremdkapital Stelle Sie die idealtypische

Mehr

Protokoll zum Anfängerpraktikum

Protokoll zum Anfängerpraktikum Protokoll zum Afägerpraktikum Polarisatio vo Licht Gruppe, Team 5 Sebastia Korff Frerich Max 0.07.06 Ihaltsverzeichis. Eileitug -3-. Polarisatio -3-. Dichroismus -4-.3 BREWSTER Wikel -5-.4 Der FARADAY

Mehr

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment

6.6 Grundzüge der Fehler- und Ausgleichsrechnung 6.6.1 Fehlerarten- Aufgaben der Fehler- und Ausgleichsrechnung physikalisch-technische Experiment 103 66 Grudzüge der Fehler- ud Ausgleichsrechug 661 Fehlerarte- Aufgabe der Fehler- ud Ausgleichsrechug Jedes physikalisch-techische Experimet liefert gewisse gemessee Werte x Bei dem Messvorgag verwede

Mehr

IWW Studienprogramm. Aufbaustudium. Gründungscontrolling. Lösungshinweise zur 3. Musterklausur

IWW Studienprogramm. Aufbaustudium. Gründungscontrolling. Lösungshinweise zur 3. Musterklausur Istitut für Wirtschaftswisseschaftliche Forschug ud Weiterbildug GmbH Istitut a der FerUiversität i Hage IWW Studieprogramm Aufbaustudium Grüdugscotrollig Lösugshiweise zur 3. Musterklausur Lösugshiweise

Mehr

Empirische Methoden I

Empirische Methoden I Hochschule für Wirtschaft ud 2012 Umwelt Nürtige-Geislige Fakultät Betriebswirtschaft ud Iteratioale Fiaze Prof. Dr. Max C. Wewel Prof. Dr. Corelia Niederdrek-Felger Aufgabe zum Tutorium Empirische Methode

Mehr

2. Diophantische Gleichungen

2. Diophantische Gleichungen 2. Diophatische Gleichuge [Teschl05, S. 91f] 2.1. Was ist eie diophatische Gleichug ud wozu braucht ma sie? Def D2-1: Eie diophatische Gleichug ist eie Polyomfuktio i x,y,z,, bei der als Lösuge ur gaze

Mehr

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable

Allgemeine Lösungen der n-dimensionalen Laplace-Gleichung und ihre komplexe Variable Allgemeie Lösuge der -dimesioale Laplace-Gleichug ud ihre komplexe Variable Dr. rer. at. Kuag-lai Chao Göttige, de 4. Jauar 01 Abstract Geeral solutios of the -dimesioal Laplace equatio ad its complex

Mehr

2.2.1 Lagemaße. Exkurs: Quantile. und n. p n

2.2.1 Lagemaße. Exkurs: Quantile. und n. p n Ekurs: Quatile Ausgagspukt : Geordete Urliste Jeder Wert p, mit 0 < p

Mehr

Byzantinische Einigung im Full-Information-Modell in O(log n) Runden

Byzantinische Einigung im Full-Information-Modell in O(log n) Runden Byzatiische Eiigug im Full-Iformatio-Modell i O(log ) Rude Martia Hüllma Uiversität Paderbor (martiah@upb.de) Zusammefassug. Byzatiische Eiigug stellt ei grudlegedes Problem im Bereich verteilter Systeme

Mehr

Meine Rechte und Pflichten als Vater

Meine Rechte und Pflichten als Vater Beck-Rechtsberater im dtv 50756 Meie Rechte ud Pflichte als Vater Vaterschaft - Sorgerecht - Umgag - Namesrecht - Uterhaltsfrage - Erbrechtliche ud Steuerrechtliche Frage vo Dr. Beate Weritzig 2. Auflage

Mehr

Das Digitale Archiv des Bundesarchivs

Das Digitale Archiv des Bundesarchivs Das Digitale Archiv des Budesarchivs 2 3 Ihaltsverzeichis Das Digitale Archiv des Budesarchivs 4 Techische Ifrastruktur 5 Hilfsmittel zur Archivierug 5 Archivierugsformate 6 Abgabe vo elektroische Akte

Mehr

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst.

Kryptologie: Kryptographie und Kryptoanalyse Kryptologie ist die Wissenschaft, die sich mit dem Ver- und Entschlüsseln von Informationen befasst. Krytologie: Krytograhie ud Krytoaalyse Krytologie ist die Wisseschaft, die sich mit dem Ver- ud Etschlüssel vo Iformatioe befasst. Beisiel Iteretkommuikatio: Versiegel (Itegrität der Nachricht) Sigiere

Mehr

Methodische Grundlagen der Kostenkalkulation

Methodische Grundlagen der Kostenkalkulation Methodische Grudlage der Kostekalkulatio Plaugsebee Gebrauchsgüter Die i der ladwirtschaftliche Produktio eigesetzte Produktiosmittel werde i Gebrauchsgüter ud Verbrauchsgüter uterteilt. Zu de Gebrauchsgüter

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

Gliederung. Value-at-Risk

Gliederung. Value-at-Risk Value-at-Risk Dr. Richard Herra Nürberg, 4. Noveber 26 IVS-Foru Gliederug Modell Beispiel aus der betriebliche Altersversorgug Verteilug des Gesatschades Value-at-Risk ud Tail Value-at-Risk Risikobeurteilug

Mehr

betrieblichen Altersvorsorge

betrieblichen Altersvorsorge Reforme i der Alterssicherug 13 1. Basisiformatioe zur eue betriebliche Altersvorsorge 1.1 Reforme i der Alterssicherug Nach de große Reforme i der Alterssicherug der Jahre 2000/2001 u. a. mit dem Altersvermögesgesetz,

Mehr

2. Datenbankentwurf mittels. Entity-Relationship - Modell (ERM) 2.1. Entities. Definitionen:

2. Datenbankentwurf mittels. Entity-Relationship - Modell (ERM) 2.1. Entities. Definitionen: - 2 - - 22-2. Datebaketwurf mittels Etity-Relatioship - Modell (ERM) Ursprug: Che 976, heute viele Variate Bedeutug: grafisches Hilfsmittel zur sematische Modellierug der Diskurswelt (Awedugsgebiet) (d.h.

Mehr

Kapitel 6: Quadratisches Wachstum

Kapitel 6: Quadratisches Wachstum Kapitel 6: Quadratisches Wachstum Dr. Dakwart Vogel Ui Esse WS 009/10 1 Drei Beispiele Beispiel 1 Bremsweg eies PKW Bremsweg Auto.xls Ui Esse WS 009/10 Für user Modell des Bremsweges gilt a = a + d a =

Mehr

Vereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung

Vereinheitlichung Einheitlicher Maßstab der Risikoeinschätzung. Limitierung / Steuerung Messung und Limitierung ist fundamental für die Steuerung . Marktpreisrisiko Motivatio der VaR-Ermittlug Vereiheitlichug Eiheitlicher Maßstab der Risikoeischätzug Limitierug / Steuerug Messug ud Limitierug ist fudametal für die Steuerug Kapitaluterlegug Zur Deckug

Mehr

beck-shop.de 2. Online-Marketing

beck-shop.de 2. Online-Marketing beck-shop.de 2. Olie-Marketig aa) Dateschutzrechtliche Eiwilligug immer erforderlich Ohe Eiwilligug des Nutzers ist eie Erhebug persoebezogeer Date icht zulässig. Eie derartige Eiwilligug ka auch icht

Mehr

Transformator. n Windungen

Transformator. n Windungen echische iversität Dresde stitut für Ker- ud eilchephysik R. Schwierz V/5/29 Grudpraktikum Physik Versuch R rasformator rasformatore werde i viele ereiche der Elektrotechik ud Elektroik eigesetzt. Für

Mehr

Entwicklung eines Meßsystems zur Bestimmung der Luftdichtigkeit von Bauteilen in situ

Entwicklung eines Meßsystems zur Bestimmung der Luftdichtigkeit von Bauteilen in situ Nachdruck aus Bauhysik 17 (1995), H. 4, S. 111-114 1 Etwicklug eies Meßsystems zur Bestimmug der Luftdichtigkeit vo Bauteile Achim Geißler ud Gerd Hauser Dil.-Ig. Achim Geißler ist wisseschaftliche Mitarbeiter

Mehr

Innerfamiliäre Arbeitsteilung

Innerfamiliäre Arbeitsteilung Birgit Blättel-Mik Carolie Kramer Aia Mischau Ierfamiliäre Arbeitsteilug Wusch ud Wirklichkeit Die Sicht der Fraue 22 Ei Blick auf das Verhältis vo Parterschaft ud ierfamiliärer Arbeitsteilug zeigt spezifische

Mehr

Nennenswertes zur Stetigkeit

Nennenswertes zur Stetigkeit Neeswertes zur Stetigkeit.) Puktweise Stetigkeit: Vo Floria Modler Defiitio der pukteweise Stetigkeit: Eie Fuktio f : D R ist geau da i x D stetig, we gilt: ε > δ >, so dass f ( x) f ( x ) < ε x D mit

Mehr

Engineering von Entwicklungsprojekten mit unsicheren Aktivitätszusammenhängen in der verfahrenstechnischen Industrie

Engineering von Entwicklungsprojekten mit unsicheren Aktivitätszusammenhängen in der verfahrenstechnischen Industrie Egieerig vo Etwicklugsprojekte mit usichere Aktivitätszusammehäge i der verfahrestechische Idustrie Christopher M. Schlick Berhard Kausch Sve Tackeberg 5. Symposium Iformatiostechologie für Etwicklug ud

Mehr

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert.

Auch im Risikofall ist das Entscheidungsproblem gelöst, wenn eine dominante Aktion in A existiert. Prof. Dr. H. Rommelfager: Etscheidugstheorie, Kaitel 3 7 3. Etscheidug bei Risiko (subjektive oder objektive) Eitrittswahrscheilichkeite für das Eitrete der mögliche Umweltzustäde köe vom Etscheidugsträger

Mehr

LV "Grundlagen der Informatik" Programmierung in C (Teil 2)

LV Grundlagen der Informatik Programmierung in C (Teil 2) Aufgabekomplex: Programmiere i C (Teil vo ) (Strukturierte Datetype: Felder, Strukture, Zeiger; Fuktioe mit Parameterübergabe; Dateiarbeit) Hiweis: Alle mit * gekezeichete Aufgabe sid zum zusätzliche Übe

Mehr

Die Risiken der privaten Altersvorsorge und deren Handling durch die Anbieter

Die Risiken der privaten Altersvorsorge und deren Handling durch die Anbieter Die ud dere Hadlig durch die Abieter 1 Übersicht Sichere Altersvorsorge: Was erwarte wir vo der private Altersvorsorge? Was macht die private Altersvorsorge usicher? Altersvorsorge i volatile Kapitalmärkte

Mehr

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I

Lösungen der Aufgaben zur Vorbereitung auf die Klausur Mathematik für Informatiker I Uiversität des Saarlades Fakultät für Mathematik ud Iformatik Witersemester 2003/04 Prof. Dr. Joachim Weickert Dr. Marti Welk Dr. Berhard Burgeth Lösuge der Aufgabe zur Vorbereitug auf die Klausur Mathematik

Mehr

elektr. und magnet. Feld A 7 (1)

elektr. und magnet. Feld A 7 (1) FachHochschule Lausitz Physikalisches Praktikum α- ud β-strahlug im elektr. ud maget. Feld A 7 Name: Matrikel: Datum: Ziel des Versuches Das Verhalte vo α- ud β-strahlug im elektrische ud magetische Feld

Mehr

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier

Der natürliche Werkstoff Holz - Statistische Betrachtungen zum uniaxialen Zugversuch am Beispiel von Furnier Der atürliche Werkstoff Holz - Statistische Betrachtuge zum uiaxiale Zugversuch am Beispiel vo Furier B. Bellair, A. Dietzel, M. Zimmerma, Prof. Dr.-Ig. H. Raßbach Zusammefassug FH Schmalkalde, 98574 Schmalkalde,

Mehr

A/D UND D/A WANDLER. 1. Einleitung

A/D UND D/A WANDLER. 1. Einleitung A/D UND D/A WANDLER. Eileitug Zur Umwadlug physikalischer Größe, beispielsweise i eie Spaug, werde Wadlerbausteie - auch allgemei Sigalumsetzer geat- beötigt. Ei Sesor liefert ei aaloges Sigal, das i geeigeter

Mehr

Elektronikpraktikum: Digitaltechnik 2

Elektronikpraktikum: Digitaltechnik 2 Elektroikpraktikum: Digitaltechik 2 Datum, Ort: 16.05.2003, PHY/D-213 Betreuer: Schwierz Praktikate: Teshi C. Hara, Joas Posselt (beide 02/2/PHY/02) Gruppe: 8 Ziele Aufbau eier 3-Bit-Dekodierschaltug;

Mehr

Einführende Beispiele Arithmetische Folgen. Datei Nr SW. Das komplette Manuskript befindet sich auf der Mathematik - CD.

Einführende Beispiele Arithmetische Folgen. Datei Nr SW. Das komplette Manuskript befindet sich auf der Mathematik - CD. ZAHLENFOLGEN Eiführede Beispiele Arithmetische Folge Datei Nr. 400 SW Das komplette Mauskript befidet sich auf der Mathematik - CD Friedrich Buckel Februar 00 Iteratsgymasium Schloß Torgelow Ihalt Eiführede

Mehr

2 Wahl des Betriebsrats

2 Wahl des Betriebsrats 2 Wahl des Betriebsrats Übersicht R R Stadardprobleme aus diesem Kapitel 1 1. Wer ist wahlberechtigt?.. 1 2. Soderküdigugsschutz bei Wahle.... 2 3. Afechtug ud Nichtigkeit vo Betriebsratswahle.... 3 4.

Mehr

Kompetenzinventar im Prozess der Berufswegeplanung Teilhabe am Arbeitsleben für junge Menschen mit einer Behinderung am allgemeinen Arbeitsmarkt

Kompetenzinventar im Prozess der Berufswegeplanung Teilhabe am Arbeitsleben für junge Menschen mit einer Behinderung am allgemeinen Arbeitsmarkt Grudaussage Kompetezivetar im Prozess der Berufswegeplaug Teilhabe am Arbeitslebe für juge Mesche mit eier Behiderug am allgemeie Arbeitsmarkt G R U N D A U S S A G E N 1 1. Eileitug / Wirkugsbereich I

Mehr

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung

Kapitel 1. Einige Begriffe aus der Asymptotik. 1.1 Wiederholung Kapitel Eiige Begriffe aus der Asymptotik. Wiederholug Eiwesetlicher Teil der Ökoometrie befasst sichmit der Ermittlug voschätzer ud dere Eigeschafte. Diese werde beötigt, um aus de beobachtbare Date eier

Mehr

cubus EV als Erweiterung für Oracle Business Intelligence

cubus EV als Erweiterung für Oracle Business Intelligence cubus EV als Erweiterug für Oracle Busiess Itelligece... oder wie Oracle-BI-Aweder mit Essbase-Date vo cubus outperform EV Aalytics (cubus EV) profitiere INHALT 01 cubus EV als Erweiterug für die Oracle

Mehr

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0. 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)

Mehr

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0.

Beispiel: p-wert bei Chi-Quadrat-Anpassungstest (Grafik) Auftragseingangsbeispiel, realisierte Teststatistik χ 2 = , p-wert: 0. 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 = 12075, p-wert: 00168 f χ 2 (4)

Mehr

3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik:

3 Kritischer Bereich zum Niveau α = 0.10: K = (χ 2 k 1;1 α, + ) = (χ2 5;0.90, + ) = (9.236, + ) 4 Berechnung der realisierten Teststatistik: 8 Apassugs- ud Uabhägigkeitstests Chi-Quadrat-Apassugstest 81 Beispiel: p-wert bei Chi-Quadrat-Apassugstest (Grafik) Auftragseigagsbeispiel, realisierte Teststatistik χ 2 1275, p-wert: 168 8 Apassugs-

Mehr

Formelsammlung Mathematik

Formelsammlung Mathematik Formelsammlug Mathematik 1 Fiazmathematik 1.1 Reterechug Sei der Zissatz p%, der Zisfaktor q = 1 + p 100. Seie R die regelmäßig zu zahlede Rate, die Laufzeit. Edwert: Barwert: achschüssig R = R q 1 q 1

Mehr

2. Gleichwertige Lösungen

2. Gleichwertige Lösungen 8. Gleichwertige Lösuge Für die Lösug jeder lösbare Aufgabe gibt es eie uedliche Azahl vo (abstrakte ud kokrete) Algorithme. Das folgede Problem illustriert, dass eie Aufgabe eifacher oder kompliziert,

Mehr

FINANZMATHEMATIK. 1. Zinsen und Zinseszinsen. Finanzmathematik 81

FINANZMATHEMATIK. 1. Zinsen und Zinseszinsen. Finanzmathematik 81 Fiazmathematik 8 FINANZMATHEMATIK. Zise ud Ziseszise Die Zise als Preis für die Zurverfügugstellug vo Geld bilde das zetrale Elemet i der Fiazmathematik. Hierbei sid verschiedee Arte der Verzisug zu uterscheide.

Mehr

Klasse: Platzziffer: Punkte: / Graph zu f

Klasse: Platzziffer: Punkte: / Graph zu f Pflichtteil Mathematik I Aufgabe P Name: Vorame: Klasse: Platzziffer: Pukte: / P.0 Gegebe ist die Fuktio f mit der Gleichug (siehe Zeichug). y x8 y,25 4 mit GI IRIR Graph zu f O x P. x 8 Die Pukte C (x,25

Mehr

Mathematik. Vorlesung im Bachelor-Studiengang Business Administration (Modul BWL 1A) an der FH Düsseldorf im Wintersemester 2008/09

Mathematik. Vorlesung im Bachelor-Studiengang Business Administration (Modul BWL 1A) an der FH Düsseldorf im Wintersemester 2008/09 Mathematik Vorlesug im Bachelor-Studiegag Busiess Admiistratio (Modul BWL A) a der FH Düsseldorf im Witersemester 2008/09 Dozet: Dr. Christia Kölle Teil I Fiazmathematik, Lieare Algebra, Lieare Optimierug

Mehr

Arbeitsplätze in SAP R/3 Modul PP

Arbeitsplätze in SAP R/3 Modul PP Arbeitsplätze i SAP R/3 Modul PP Was ist ei Arbeitsplatz? Der Stadort eier Aktioseiheit, sowie dere kokrete räumliche Gestaltug Was ist eie Aktioseiheit? kleiste produktive Eiheit i eiem Produktiosprozess,

Mehr

Internet-Zahlungsverfahren aus Sicht der Händler: Ergebnisse der Umfrage IZH5

Internet-Zahlungsverfahren aus Sicht der Händler: Ergebnisse der Umfrage IZH5 Iteret- aus Sicht der Hädler: Ergebisse der Umfrage IZH5 Vorab-Kurzauswertug ausgewählter Aspekte Dezember 2009 1 Gegestad ud ausgewählte Ergebisse der Studie Mit der aktuelle füfte Umfragewelle zum Thema

Mehr

2 Organisationseinheiten und -strukturen

2 Organisationseinheiten und -strukturen 2 Orgaisatioseiheite ud -strukture 2. Eiführug Verkaufsorgaisatio (SD) Vertriebsweg (SD) Sparte (LO) Verkaufsbüro (SD) Verkäufergruppe (SD) Madat Buchugskreis (FI) Kreditkotrollbereich (FI) Werk (LO) Versadstelle

Mehr

Nachklausur - Analysis 1 - Lösungen

Nachklausur - Analysis 1 - Lösungen Prof. Dr. László Székelyhidi Aalysis I, WS 212 Nachklausur - Aalysis 1 - Lösuge Aufgabe 1 (Folge ud Grezwerte). (i) (1 Pukt) Gebe Sie die Defiitio des Häufugspuktes eier reelle Zahlefolge (a ) N. Lösug:

Mehr

ICD-Aggregatwechsel Auswertung 2014 Modul 09/5

ICD-Aggregatwechsel Auswertung 2014 Modul 09/5 Bayerische Arbeitsgemeischaft für Qualitätssicherug i der statioäre Versorgug ICD-Aggregatwechsel Auswertug Modul 9/5 ICD-Aggregatwechsel Ihalt» Ihaltsverzeichis 1 Basisstatistik 1 Patiete 2 Idikatio 3

Mehr

Formelsammlung. zur Klausur. Beschreibende Statistik

Formelsammlung. zur Klausur. Beschreibende Statistik Formelsammlug zur Klausur Beschreibede Statistik Formelsammlug Beschreibede Statistik. Semester 004/005 Statistische Date Qualitative Date Nomial skalierte Merkmalsauspräguge (Uterscheidugsmerkmale) köe

Mehr