Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle
|
|
|
- Guido Messner
- vor 8 Jahren
- Abrufe
Transkript
1 Kap. 12: Regression mit Zeitreihendaten und Prognosemodelle Motivation Grundbegriffe Autoregressionen (AR-Modelle) Dynamische Regressionsmodelle (ADL-Modelle) Nichstationarität Ausblick
2 12.1 Motivation Zeitreihendaten: gleiche Untersuchungseinheit über mehrere Perioden. Betrachte hier nur aufeinanderfolgende Daten mit gleichem zeitlichem Abstand ( reguläre Zeitreihe ). Notation: Y t, t = 1,..., T Beispiele: BIP für die Schweiz tägliche Wechselkurse CHF/EUR Wozu Zeitreihendaten? Vorhersagemodelle/Prognosemodelle Was ist Inflationsrate 2010? Schätzung dynamischer kausaler Effekte Wie wirkt Zinssenkung der Zentralbank auf Inflation oder Arbeitslosigkeit? C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
3 12.1 Motivation Arbeitslosenquote USA Inflationsrate USA USMacroSW[, "unemp"] * diff(log(usmacrosw[, "cpi"])) Time Time C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
4 12.1 Motivation Neue Begriffe: zeitliche Verzögerungen Korrelation über die Zeit (Autokorrelation) dynamische Regressionsmodelle (AR, ADL) Prognosemodelle vs. Schätzung kausaler Effekte: Prognosen ( Vorhersagen ) qualitativ anders als Schätzung kausaler Effekte: es geht hauptsächlich um externe Validität (Extrapolation über die Zeit) Verzerrung durch vergessene Variablen egal (!) Interpretation der Koeffizienten unwichtig R 2 nun wichtig C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
5 12.2 Grundbegriffe Y t j heisst j-te Verzögerung (engl. lag ) von Y t Y t := Y t Y t 1 heisst erste Differenz von Y t log Y t := log Y t log Y t 1 heisst erste Differenz der Logarithmen, entspricht ungefähr prozentualer Änderung ( Renditen von Finanzzeitreihen) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
6 12.2 Grundbegriffe Beispiel: Zeitreihen in R R> dim(usmacrosw) [1] R> dimnames(usmacrosw)[[2]] [1] "unemp" "cpi" "ffrate" "tbill" "tbond" "gbpusd" "gdpjp" R> tsp(usmacrosw) [1] Es gibt Funktionen für typische Transformationen der Zeitreihenanalyse, wie z.b. lag(), diff() C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
![R> tsp(usmacrosw) [1] 1957 2005 4 Es gibt Funktionen für typische Transformationen](/docs-images/46/18859515/images/page_6.jpg "der Zeitreihenanalyse, wie z.b. lag(), diff() C. Kleiber: Ökonometrie 1 Kap.")
7 12.2 Grundbegriffe Beispiel: erste Verzögerung und erste Differenz cpi lag(cpi, -1) diff(cpi) 1957(1) NA NA 1957(2) (3) (4) (1) (2) (3) (4) (1) (2) Warnung: Vorsicht bei Vorzeichen in lag()! C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
8 12.2 Grundbegriffe USMacroSW[, "tbill"] Zins USMacroSW[, "gbpusd"] Wechselkurs Time Time USMacroSW[, "gdpjp"] 0e+00 3e+05 BIP Japan Time diff(log(usmacrosw[, "gbpusd"])) Wechselkursrenditen Time C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
![3e+05 BIP Japan 1960 1970 1980 1990 2000 Time diff(log(usmacrosw[, "gbpusd"])) 0.15 0.](/docs-images/46/18859515/images/page_8.jpg "00 Wechselkursrenditen 1960 1970 1980 1990 2000 Time C. Kleiber: Ökonometrie 1 Kap.")
9 12.2 Grundbegriffe Autokovarianz und Autokorrelation: Cov(Y t, Y t 1 ) heisst Autokovarianz zum Lag 1 Cov(Y t, Y t j ) heisst Autokovarianz zum Lag j damit Autokorrelation zum Lag j Corr(Y t, Y t j ) := Cov(Y t, Y t j ) Var(Yt )Var(Y t j ) =: ρ j ρ j als Funktion von j heisst (theoretische) Autokorrelationsfunktion Dies sind Populationsparameter nur sinnvoll, wenn konkretes Modell für Y t vorliegt. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
10 12.2 Grundbegriffe Die empirischen Autokovarianzen und -korrelationen sind Schätzungen dieser Objekte: empirische Autokorrelation zum Lag j ˆρ j = Ĉov(Y t, Y t j ) Var(Y t ) Var(Y t j ) mit Ĉov(Y t, Y t j ) = 1 T j 1 T t=j+1 (Y t Ȳj+1,T )(Y t j Ȳ1,T j) wobei Ȳ j+1,t Mittel über Y t berechnet aus t = j + 1,..., T, etc. ˆρ j als Funktion von j heisst (empirische) Autokorrelationsfunktion C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
11 12.2 Grundbegriffe Inflationsrate ACF der Inflationsrate 4 * diff(log(cpi)) ACF Index Lag C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
12 12.2 Grundbegriffe Stationarität: Zeitreihe heisst stationär, falls Verteilungseigenschaften über die Zeit unveränderlich, d.h. falls gemeinsame Verteilung von (Y s+1,..., Y s+t ) nicht von s abhängt. Andernfalls heisst Zeitreihe nichtstationär oder instationär. Ein Paar von Zeitreihen X t und Y t heisst gemeinsam stationär, falls gemeinsame Verteilung von ((X s+1, Y s+1 ),..., (X s+t, Y s+t )) nicht von s abhängt. Andernfalls heisst Zeitreihe nichtstationär oder instationär. Stationarität bedeutet intuitiv: Gegenwart ist wie Vergangenheit und wie Zukunft (in einem statistischen Sinn...) Wir betrachten stationären Fall Ausgangspunkt und Grundbaustein für Zeitreihenanalyse. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
13 12.2 Grundbegriffe Inflationsrate ACF Inflationsrate infl ACF Index Lag diff(inflationsrate) ACF diff(inflationsrate) diff(infl) ACF Index Lag C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
14 12.3 Autoregression Naheliegende Idee zur Modellbildung: Zukunft ist Funktion von Gegenwart und Vergangenheit Autoregression ist Regressionsmodell, in dem Y t auf verzögerte Werte regressiert wird Anzahl der verwendeten Verzögerungen heisst Ordnung des Modells Bsp.: im AR(p)-Modell wird Y t auf Y t 1,..., Y t p regressiert einfachster Fall ist AR(1) mit Y t = β 0 + β 1 Y t 1 + u t keine kausale Interpretation von β 0, β 1 falls β 1 = 0 ist Y t 1 nicht hilfreich zur Vorhersage von Y t Schätzung über OLS möglich Test von H 0 : β 1 = 0 ist Test der Hypothese, dass Y t 1 nicht hilfreich zur Vorhersage von Y t C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
15 12.3 Autoregression Umsetzung in R: diverse Möglichkeiten: man kann direkt mit der OLS-Schätzfunktion lm() arbeiten, dann muss man allerdings die X-Matrix aus Verzögerungen, Differenzen etc. selbst bauen. Komfortabler sind die Pakete dyn und dynlm, die hier eine Formelschreibweise zur Verfügung stellen. Mit Paket dynlm: R> library("dynlm") R> infl <- 4 * 100 * diff(log(cpi)) R> infl_ar1 <- dynlm(d(infl) ~ L(d(infl)), start = c(1962, 1), + end = c(2004, 4)) R> summary(infl_ar1) Angesichts t-statistik ist Y t 1 hier zur Prognose nützlich. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
16 12.3 Autoregression Time series regression with "zooreg" data: Start = 1962(1), End = 2004(4) Call: dynlm(formula = d(infl) ~ L(d(infl)), start = c(1962, 1), end = c(2004, 4)) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) L(d(infl)) Residual standard error: 1.66 on 170 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: 10.2 on 1 and 170 DF, p-value: C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
17 12.3 Autoregression Terminologie: (dt. vs. engl.) Prognose (prediction) bedeutet geschätzter (erwarteter) Wert von Y für eine Beobachtung aus der Stichprobe, die zur Schätzung des Regressionsmodells verwendet wurde Vorhersage (forecast) bedeutet geschätzter (erwarteter) Wert von Y für eine Beobachtung nicht aus der Stichprobe, die zur Schätzung des Regressionsmodells verwendet wurde (sondern aus der Zukunft) Notation: Y t t 1 Vorhersage von Y t unter Verwendung von Y t 1, Y t 2,... und der wahren (unbekannten) βs (Population) Ŷt t 1 Vorhersage von Y t unter Verwendung von Y t 1, Y t 2,... und der ˆβs (Stichprobe), geschätzt aus den Daten bis t 1 Beispiel AR(1): Y t t 1 = β 0 + β 1 Y t 1 bzw. Ŷt t 1 = ˆβ 0 + ˆβ 1 Y t 1 C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
18 12.3 Autoregression Prognosefehler: Ein-Schritt-Prognosefehler ist Y t Ŷt t 1 Beachte Terminologie: Residuum innerhalb der Stichprobe Prognosefehler ausserhalb der Stichprobe Mittlerer quadratischer Prognosefehler ist E(Y t Ŷt t 1) 2 (Analogie zur Varianz), besser zu interpretieren ist dessen Wurzel (Analogie zur Standardabweichung): (root mean square forecast error). RMSF E = E(Y t Ŷt t 1) 2 RMSFE misst Grössenordnung eines typischen Prognosefehlers. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
19 12.3 Autoregression Beispiel: AR(1) für Periode 1962(1) bis 2004(4) war Infl t = Infl t 1 Dabei Infl 2004(4) = 1.882, damit Vorhersage Infl 2005(1) = = Damit ist Vorhersage der Inflationsrate selbst: Înfl 2005(1) = Infl 2004(4) + Infl 2005(1) = = Dies muss mit dem wahren Wert verglichen werden. Damit ist Vorhersagefehler = Andererseits ist R 2 dieser Regression nur ca. 5%. Standardfehler der Regression ist 1.66, dies ist Schätzung des RMSFE. (Dies ignoriert aber, dass Regressionskoeffizienten geschätzt wurden!) C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
20 12.3 Autoregression Neues Modell: AR(4) R> infl_ar4 <- dynlm(d(infl) ~ L(d(infl), 1:4), + start = c(1962, 1), end = c(2004, 4)) R> coeftest(infl_ar4) t test of coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) L(d(infl), 1:4) L(d(infl), 1:4) e-05 L(d(infl), 1:4) L(d(infl), 1:4) Dieses Modell hat R 2 von Test auf Weglassen der 3 neuen Regressoren liefert F = also nicht weglassen. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
21 12.3 Autoregression Bemerkung: Warum überhaupt Modell für Inf l, nicht Inf l selbst? AR(1)-Modell für Infl ist ein AR(2)-Modell für Infl Y t = β 0 + β 1 Y t 1 + u t also Y t Y t 1 = β 0 + β 1 (Y t 1 Y t 2 ) + u t und damit Y t = β 0 + (1 + β 1 )Y t1 β 1 Y t 2 + u t Problem: Infl sieht nicht stationär aus OLS verzerrt (nach unten) falls β 1 = 1, ist dies Modell für instationären Prozess (s.u.) bekannte Theorie für Regression funktioniert nicht mehr mit Infl bewegen wir uns in bekanntem Rahmen C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
22 12.4 Dynamische Regressionsmodelle Erweiterung von Autoregressionen: Autoregressionen mit verteilten Verzögerungen (autoregressive distributed lags, ADL): Y t = β 0 + β 1 Y t β p Y t p + δ 1 X t δ q X t q + u t Notation: ADL(p, q) Annahme: E(u t Y t 1, Y t 2,..., X t 1, X t 2,...) = 0 Modell lässt sich erweitern auf mehr als einen zusätzlichen Prädiktor: Y t = β 0 + β 1 Y t β p Y t p + δ 11 X 1,t δ 1q1 X 1,t q δ 1k X k,t δ kqk X k,t q u t Beispiel: Phillipskurve beschreibt Zusammenhang zwischen Inflation und Arbeitslosigkeit. Ergänze also Modell für Inflationsrate um Terme mit Arbeitslosenrate. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
23 12.4 Dynamische Regressionsmodelle R> infl_adl44 <- dynlm(d(infl) ~ L(d(infl), 1:4) + L(unemp, 1:4), + data = USMacroSW, start = c(1962, 1), end = c(2004, 4)) R> coeftest(infl_adl44) t test of coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) L(d(infl), 1:4) e-07 L(d(infl), 1:4) e-05 L(d(infl), 1:4) L(d(infl), 1:4) L(unemp, 1:4) e-08 L(unemp, 1:4) L(unemp, 1:4) L(unemp, 1:4) R 2 stark verbessert auf wichtig für Prognosen. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
24 12.4 Dynamische Regressionsmodelle Test für Granger-Kausalität: (nach Clive Granger, Nobelpreis 2003) Teste simultan Signifikanz von Regressoren in dynamischem Regressionsmodell (ADL) mittels üblichem F -Test Test heisst Granger-Kausalitätstest Sehr unglückliche Bezeichnung! Nur ein Test auf prognostischen Gehalt einer Gruppe von Variablen im ADL-Modell, keine Ursache-Wirkungsbeziehung. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
25 12.4 Dynamische Regressionsmodelle R> waldtest(infl_ar4, infl_adl44) Wald test Model 1: d(infl) ~ L(d(infl), 1:4) Model 2: d(infl) ~ L(d(infl), 1:4) + L(unemp, 1:4) Res.Df Df F Pr(>F) e-07 Direkter Test in R über Funktion grangertest() aus Paket lmtest ebenfalls möglich. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
26 12.4 Dynamische Regressionsmodelle Annahmen für Regression mit Zeitreihendaten: (A1) E(u t Y t 1, Y t 2,..., X t 1, X t 2,...) = 0. (A2) (Y t, X t1,..., X tk ) sind gemeinsam stationär sowie (Y t, X t1,..., X tk ) und (Y t j, X t j,1,..., X t j,k ) werden unabhängig für j (A3) X t1,..., X tk und Y t haben je 4 Momente (A4) keine perfekte Multikollinearität Unter diesen Annahmen Inferenz wie üblich. Warum sind (A1) und (A2) anders als früher? C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
27 12.5 Nichtstationarität Nichtstationarität: Verteilung von (X t,..., X t+m ) hängt von t ab. Zeitreihen können auf viele Arten instationär sein. In Ökonometrie insb. zwei Typen von Instationarität relevant: Trends Strukturbrüche C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
28 12.5 Nichtstationarität Trends: unterscheide zwischen deterministischen und stochastischen Trends. Beispiel (deterministischer Trend): Z t = β 0 + β 1 t + Y t, Y t eine stationäre Zeitreihe Beispiel (stochastischer Trend): Y t = Y t 1 + u t, mit u t u.i.v., heisst Random Walk Viele ökonomische Zeitreihen lassen sich gut durch Modelle mit stochastischen Trends beschreiben. Es gibt aber Komplikationen: ˆβ i verzerrt (zu klein) t-statistiken sind nicht mehr approximativ normalverteilt Scheinregressionen C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
29 12.5 Nichtstationarität Strukturbrüche: bedeutet, dass Koeffizienten des Modells nicht über die ganze Stichprobe konstant sind. Beispiel: AR(1)-Modell mit einem Strukturbruch Y t = β 0 + β 1 Y t 1 + u t gilt nur für t = 1,..., t, für t = t + 1,..., T gilt aber Y t = β 0 + β 1 Y t 1 + u t Aber: es kann auch mehrere Brüche geben, oder Koeffizienten könnten sich kontinuierlich ändern, oder... Einfachster Strukturbruchtest heisst Chow-Test erfordert, dass Zeitpunkt des potentiellen Bruchs bekannt. Heute gibt es auch Tests, bei denen Zeitpunkt nicht bekannt sein muss. C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
30 12.6 Ausblick Offene Fragen: wie bestimmt man Anzahl der Verzögerungen (Ordnung des Modells)? Informationskriterien (AIC, BIC) kann man testen, ob eine Zeitreihe (in)stationär ist? Einheitswurzel- und Stationaritätstests (Dickey-Fuller, KPSS,...) sind dynamische Regressionsmodelle auch bei instationären Zeitreihen erlaubt? Kointegration wie kann man sich in Zeitreihen gegen Heteroskedastie und unvollständig modellierte Autokorrelation absichern? HAC-Schätzung der Standardfehler (heteroskedastie- und autokorrelationskonsistent). Bsp.: Newey-West-Korrekturen Finanzzeitreihen haben stark schwankende Volatilität GARCH-Modelle C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
31 12.6 Ausblick Nützliche R-Pakete: tseries, urca: Einheitswurzeln, Kointegration strucchange: Strukturbrüche forecast: Prognosen Rmetrics: (grosse!) Sammlung von Paketen zu Finanzökonometrie, u.a. fgarch für GARCH-Modelle Zu Ökonometrie allgemein siehe auch CRAN Task View: Computational Econometrics C. Kleiber: Ökonometrie 1 Kap U Basel, HS 2008
Musterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
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
Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
Korrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
Korrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
Statistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
Einfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
Überblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
1 Interaktion von zwei Dummyvariablen. 2 Interaktion einer Dummyvariablen mit einer kardinalskalierten Variablen
Modelle mit Interationsvariablen I Modelle mit Interationsvariablen II In der beim White-Test verwendeten Regressionsfuntion y = β 0 + β 1 x 1 + β 2 x 2 + β 3 x 2 1 + β 4 x 2 2 + β 5 x 1 x 2, ist anders
7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
Repetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
Statistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Einfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
Professionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
ARCH- und GARCH-Modelle
ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme 04.11.2009 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle 04.11.2009 1 / 27 Ausgangssituation
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,
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.
13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)
Forschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
Statistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
Erfahrungen mit Hartz IV- Empfängern
Erfahrungen mit Hartz IV- Empfängern Ausgewählte Ergebnisse einer Befragung von Unternehmen aus den Branchen Gastronomie, Pflege und Handwerk Pressegespräch der Bundesagentur für Arbeit am 12. November
Finanzwirtschaft. Teil II: Bewertung
Zeitwert des Geldes 1 Finanzwirtschaft Teil II: Bewertung Zeitwert des Geldes Zeitwert des Geldes 2 Bewertung & Zeitwert des Geldes Finanzwirtschaft behandelt die Bewertung von Real- und Finanzwerten.
Melanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
Fortgeschrittene Statistik Logistische Regression
Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E
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
Modellbildungssysteme: Pädagogische und didaktische Ziele
Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und
Mean Time Between Failures (MTBF)
Mean Time Between Failures (MTBF) Hintergrundinformation zur MTBF Was steht hier? Die Mean Time Between Failure (MTBF) ist ein statistischer Mittelwert für den störungsfreien Betrieb eines elektronischen
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt?
Gefährdet die ungleiche Verteilung unseres Vermögens den gesellschaftlichen Zusammenhalt? Prof. Dr. K.-W. Hansmann Rotary-Vortrag am 22. September 2014 (Die farbigen Graphiken habe ich mit der Progrmmiersprache
Mathematischer Vorbereitungskurs für Ökonomen
Mathematischer Vorbereitungskurs für Ökonomen Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Gleichungen Inhalt: 1. Grundlegendes 2. Lineare Gleichungen 3. Gleichungen mit Brüchen
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
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
Einführung in. Logische Schaltungen
Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von
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
6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
B 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
Erweiterung der Aufgabe. Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen:
VBA Programmierung mit Excel Schleifen 1/6 Erweiterung der Aufgabe Die Notenberechnung soll nicht nur für einen Schüler, sondern für bis zu 35 Schüler gehen: Es müssen also 11 (B L) x 35 = 385 Zellen berücksichtigt
Theorie und Empirie der Kaufkraftparität (23.5.)
Theorie und Empirie der Kaufkraftparität (23.5.) Text: Taylor, A., Taylor M. (2004): The Purchasing Power Debate, NBER Working Paper No. 10607 (June 2004) Fragen: 1. Beschreiben Sie in ein, zwei Sätzen,
Würfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
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
Lichtbrechung an Linsen
Sammellinsen Lichtbrechung an Linsen Fällt ein paralleles Lichtbündel auf eine Sammellinse, so werden die Lichtstrahlen so gebrochen, dass sie durch einen Brennpunkt der Linse verlaufen. Der Abstand zwischen
Informationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
Probleme beim Arbeiten mit Variablen, Termen und Gleichungen
Probleme beim Arbeiten mit Variablen, Termen und Gleichungen Tage des Unterrichts in Mathematik, Naturwissenschaften und Technik Rostock 2010 Prof. Dr. Hans-Dieter Sill, Universität Rostock, http://www.math.uni-rostock.de/~sill/
Prognose Prophezeiung Vision
Seite 1 / 5 Semantische Unterschiede von Zukunfts-Aussagen Zukunfts-Aussagen unterscheiden sich in ihrer kommunikativen Intention sowie in ihrer zeitlichen und probabilistischen Dimension. Die meisten
Interne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
Rate (bzw. Preis), mit der zwei Währungen gegeneinander getauscht werden Mögliche Darstellung (z.b. bei und $)
Wechselkurse MB Wechselkurse Nominaler Wechselkurs Rate (bzw. Preis), mit der zwei Währungen gegeneinander getauscht werden Mögliche Darstellung (z.b. bei und $) Wie viel bekommt man für $1 Wie viel $
Prognose des Studienerfolgs mittels Creditpoints
Prognose des Studienerfolgs mittels Creditpoints HAW-Modell Das Analyse-Modell der HAW Hamburg misst den quantitativen Erfolg eines Studierenden, indem die bis zum Ende eines Semesters erworbenen Creditpoints
Das große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.
Info zum Zusammenhang von Auflösung und Genauigkeit
Da es oft Nachfragen und Verständnisprobleme mit den oben genannten Begriffen gibt, möchten wir hier versuchen etwas Licht ins Dunkel zu bringen. Nehmen wir mal an, Sie haben ein Stück Wasserrohr mit der
W-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
Lineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
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
Grundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
Versuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1
Probeklausur Zeitreihenökonometrie (Sommersemester 2014) 1 Aufgabe 1: Betrachtet wird folgendes Modell zur Erklärung des Managergehalts salary durch den Umsatz sales, die Eigenkapitalrendite roe und die
Diese Prozesse und noch viele andere Tricks werden in der Digitalfotografie mit Hilfe von Bildbearbeitungsprogrammen, wie z. B. Gimp, bewältigt.
Workflows mit Gimp Workflows sind Arbeitsabläufe, in denen man ein rohes Bildmaterial in ein ansehnliches Foto verwandelt. Denn das, was die Kamera sieht, entspricht selten unseren Vorstellungen eines
Platinen mit dem HP CLJ 1600 direkt bedrucken ohne Tonertransferverfahren
Platinen mit dem HP CLJ 1600 direkt bedrucken ohne Tonertransferverfahren Um die Platinen zu bedrucken, muß der Drucker als allererstes ein wenig zerlegt werden. Obere und seitliche Abdeckungen entfernen:
Win-Digipet V 9.2 Premium Edition Wie bastele ich mir steuerbare Kontakte. Wie bastele ich mir steuerbare Kontakte? -Quick-And-Dirty-Lösung-
? -Quick-And-Dirty-Lösung- Vorwort Nach Anfragen aus dem Win-Digipet-Forum möchte ich folgende Quick-And-Dirty-Lösung vorstellen mit der man sich mal eben virtuelle Kontakte erstellen kann. Vorweg muß
Insiderwissen 2013. Hintergrund
Insiderwissen 213 XING EVENTS mit der Eventmanagement-Software für Online Eventregistrierung &Ticketing amiando, hat es sich erneut zur Aufgabe gemacht zu analysieren, wie Eventveranstalter ihre Veranstaltungen
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.
Univariates Chi-Quadrat-Verfahren für ein dichotomes Merkmal und eine Messwiederholung: Test nach McNemar
Univariates Chi-Quadrat-Verfahren für ein dichotomes Merkmal und eine Messwiederholung: Test nach McNemar Inhaltsverzeichnis Univariates Chi-Quadrat-Verfahren für ein dichotomes Merkmal und eine Messwiederholung:
Übungsaufgaben zu Kapitel 6: Finanzmärkte und Erwartungen
Kapitel 6 Übungsaufgaben zu Kapitel 6: Finanzmärkte und Erwartungen Übungsaufgabe 6-1a 6-1a) Welche Typen von Zinsstrukturkurven kennen Sie? Stellen Sie die Typen graphisch dar und erläutern Sie diese.
Lineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
Bernadette Büsgen HR-Consulting www.buesgen-consult.de
Reiss Profile Es ist besser mit dem Wind zu segeln, als gegen ihn! Möchten Sie anhand Ihres Reiss Rofiles erkennen, woher Ihr Wind weht? Sie haben verschiedene Möglichkeiten, Ihr Leben aktiv zu gestalten.
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
Lineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
ONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele
ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
4. Versicherungsangebot
4. Versicherungsangebot Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Versicherungsökonomie (FS 11) Versicherungsangebot 1 / 13 1. Einleitung 1.1 Hintergrund In einem grossen Teil
Nicht kopieren. Der neue Report von: Stefan Ploberger. 1. Ausgabe 2003
Nicht kopieren Der neue Report von: Stefan Ploberger 1. Ausgabe 2003 Herausgeber: Verlag Ploberger & Partner 2003 by: Stefan Ploberger Verlag Ploberger & Partner, Postfach 11 46, D-82065 Baierbrunn Tel.
Wachstum 2. Michael Dröttboom 1 LernWerkstatt-Selm.de
1. Herr Meier bekommt nach 3 Jahren Geldanlage 25.000. Er hatte 22.500 angelegt. Wie hoch war der Zinssatz? 2. Herr Meiers Vorfahren haben bei der Gründung Roms (753. V. Chr.) 1 Sesterze auf die Bank gebracht
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
Die Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann
Versuchsplanung SoSe 2015 R - Lösung zu Übung 1 am 24.04.2015 Autor: Ludwig Bothmann Contents Aufgabe 1 1 b) Schätzer................................................. 3 c) Residuenquadratsummen........................................
Auswertung zur. Hauptklausur Unternehmensbesteuerung. vom 24.02.10. und Ergebnisse der Kundenbefragung
Auswertung zur Hauptklausur Unternehmensbesteuerung vom 24.02.10 Vergleich: Skriptteufel-Absolventen vs. alle Teilnehmer und Ergebnisse der Kundenbefragung In diesem Dokument vergleichen wir die Klausurergebnisse
Statistik und Ökonometrie
Institut 520 verantwortliche: Prof. Dr. Robert Jung, Prof. Dr. Aderonke Osikominu 2 Worum geht es? Beispiel 1: Welcher Zusammenhang besteht zwischen Arbeitslosigkeit und Inflation? Führt Inflation zu mehr
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
Berechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
Anhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
PTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN
PTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN Karlsruhe, April 2015 Verwendung dichte-basierter Teilrouten Stellen Sie sich vor, in einem belebten Gebäude,
Erstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
![Erstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])](/thumbs/29/13170670.jpg "Erstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])")
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
Willkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
Chemie Zusammenfassung KA 2
Chemie Zusammenfassung KA 2 Wärmemenge Q bei einer Reaktion Chemische Reaktionen haben eine Gemeinsamkeit: Bei der Reaktion wird entweder Energie/Wärme frei (exotherm). Oder es wird Wärme/Energie aufgenommen
R ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Lizenzierung von SharePoint Server 2013
Lizenzierung von SharePoint Server 2013 Das Lizenzmodell von SharePoint Server 2013 besteht aus zwei Komponenten: Serverlizenzen zur Lizenzierung der Serversoftware und CALs zur Lizenzierung der Zugriffe
Meinungen zur Altersvorsorge
Meinungen zur Altersvorsorge Datenbasis: 1.003 Befragte ab 18 Jahren, die nicht in Rente sind Erhebungszeitraum: 19. bis 22. März 2007 statistische Fehlertoleranz: +/- 3 Prozentpunkte Auftraggeber: komm.passion
Prozentrechnung. Wir können nun eine Formel für die Berechnung des Prozentwertes aufstellen:
Prozentrechnung Wir beginnen mit einem Beisiel: Nehmen wir mal an, ein Handy kostet 200 und es gibt 5% Rabatt (Preisnachlass), wie groß ist dann der Rabatt in Euro und wie viel kostet dann das Handy? Wenn
Clustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit
sondern alle Werte gleich behandelt. Wir dürfen aber nicht vergessen, dass Ergebnisse, je länger sie in der Vergangenheit liegen, an Bedeutung verlieren. Die Mannschaften haben sich verändert. Spieler
Prognosen. Prognosen sind schwierig, besonders wenn sie die Zukunft betreffen. Auch ein Weiser hat nicht immer recht Prognosefehler sind hoch
Universität Ulm 8969 Ulm Germany Dipl.-WiWi Sabrina Böck Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Wintersemester 8/9 Prognosen
A Lösungen zu Einführungsaufgaben zu QueueTraffic
A Lösungen zu Einführungsaufgaben zu QueueTraffic 1. Selber Phasen einstellen a) Wo im Alltag: Baustelle, vor einem Zebrastreifen, Unfall... 2. Ankunftsrate und Verteilungen a) poissonverteilt: b) konstant: