3. Sitzung des Konsultationskreises

Größe: px
Ab Seite anzeigen:

Download "3. Sitzung des Konsultationskreises"

Transkript

1 3. Stzung des Konsultatonskreses Dr. Joachm Müller-Krchenbauer Dr. Mara Krogas Bundesnetzagentur für Elektrztät, Gas, Telekommunkaton, Post und Esenbahnen Bonn, 2. November

2 Tagesordnung 1. Nachbesprechung der Themen der letzten KK-Stzungen 2. Aktueller Stand der Arbeten 3. Benchmarkng-Methoden 4. Sonstges 2

3 1. Was st Anrezregulerung? (1) Entkopplung von Kosten und Erlösen PC t = PC t-1 * ( 1 + RPI X allgemen X ndvduell )± Z RC t = RC t-1 * (1 + RPI X allgemen X ndvduell + Q) ± Z P/ R, K R=K R? K P= P= Pres Pres R= R= Erlös Erlös t 0 t n t K= K= Kosten Kosten Regulerungsperode 3

4 1. Was st Anrezregulerung? (2) Formel und Elemente PC t = PC t-1 * ( 1 + RPI X allgemen X ndvduell ) ± Z RC t = RC t-1 * ( 1 + RPI X allgemen X ndvduell + [Q] ) ± Z PC t RC t PC t-1 RC t-1 RPI X allgemen X ndvduell Q Z = Zulässger Pres m Jahr t = Zulässger Erlös m Jahr t = Zulässger Pres m Jahr vor t = Zulässger Erlös m Jahr vor t = Inflatonsrate = Allgemene Produktvtätsstegerungsrate = unternehmensspezfsche Produktvtätsstegerungsrate, abhängg vom Effzenzergebns nnerhalb des Benchmarkng = Anpassungsfaktor für Mengenentwcklung = Anpassungsfaktor u.a. für unvorhergesehene Eregnsse, de außerhalb des Enflusses der Unternehmen legen, z.b. Naturkatastrophen, Umweltschutzpoltk, Steuererhöhungen etc. 4

5 2. Benchmarkng-Verfahren (1) 1 + RPI - X allgemen - X ndvduell Effzenzbewertung Effzenzbewertung Partelle Partelle Methoden Methoden Totale Totale Methoden Methoden Referenzmethoden Referenzmethoden Performance Performance Indkatoren Indkatoren Index Index Methoden Methoden Fronter Fronter Ansätze Ansätze Kostenmodelle Kostenmodelle Totale Totale Faktorproduktvtät Faktorproduktvtät Parametrsch Parametrsch Nchtparametrsch Nchtparametrsch OLS OLS COLS COLS MOLS MOLS SFA SFA DEA DEA 5

6 2. Benchmarkng-Verfahren (2) Totale Faktorproduktvtät Der ndvduelle X-Faktor n der Formel kann durch ene unternehmensndvduelle Wachstumsrate der totalen Faktorproduktvtät (TFP) bestmmt werden. De totale Faktorproduktvtät gbt an, we produktv der kombnerte Ensatz an Inputs be der Genererung verschedener Outputarten (Anzahl Kunden, versorgte Enheten etc.) st. Für de TFP-Berechnung st de Verwendung von Gewchtungsfaktoren notwendg, damt heterogene Input- und Outputgüter aggregert werden können. Verschedene Indzes können herangezogen werden. In der Lteratur werden hauptsächlch de Indzes von Törnqvst und Fscher empfohlen. Alternatv kann auch der Malmqust-Index herangezogen werden, der auf Veränderungen von Dstanzen beruht (Kombnaton DEA). 6

7 2. Benchmarkng-Verfahren (3) Totale Faktorproduktvtät Effzenzstegerungsvorgabe abhängg von der hstorschen Entwcklung der unternehmensndvduellen Produktvtät Vortel: Orenterung an der ndvduellen Stuaton des Unternehmens Nachtel: Unternehmen, de hre Produktvtät n der Vergangenhet n starkem Umfang gestegert haben, haben auch für de Zukunft höhere Effzenzstegerungsvorgaben 7

8 Parametrsch: Funktonaler Zusammenhang y = f (x 1... x n ) Enfachste Form lnear: 2. Benchmarkng-Verfahren (4) Regressonsanalyse y = k 1 x 1 + k 2 x 2 + k 3 x k n x n + a Input (Kosten) y Effzenzmaßstab y OLS Resduum OLS y = kx + a OLS ± ± v y SFA v max SFA y = kx + a SFA ± v + u COLS y = kx + a OLS v max + u y COLS OLS COLS SFA = Ordnary Least Square = Corrected OLS = Stochastc Fronter Analyss 8 Output x

9 2. Benchmarkng-Verfahren (5) Regressonsanalyse Legende: y y x 1...n k 1...n a v v max u = Kosten = Schätzfunkton/ modellerte Kosten = Kostentreber = Koeffzent (Relevanz enes Kostentrebers) = y-achsenabschntt = Abwechung enzelner Unternehmen von den m Mttel erwarteten Werten/ symmetrsch vertelter Störterm, der Messfehler und andere Zufälle (Streks, Umwetter etc.) enfängt = maxmale Abwechung von den m Mttel erwarteten Werten = als technsche und allokatve Ineffzenz zu nterpreterender Störterm 9

10 2. Benchmarkng-Verfahren (6) Regressonsanalyse Spezfzerung der Kosten- bzw. Produktonsfunkton Bespelswese als: Cobb-Douglas-Funkton Translog-Funkton 10

11 2. Benchmarkng-Verfahren (7) Regressonsanalyse Vertelung des Resduums f(y x) x y OLS COLS SFA a+ kx OLS: Resduum ren stochastsch ( random nose ) COLS: Resduum ren determnstsch (Ineffzenz) SFA: Resduum zusammengesetzt ( composed error ) 11

12 2. Benchmarkng-Verfahren (8) Stochastc Fronter Analyss Zerlegung der Resduen (e ): Resduum e = v + u Input (Kosten) y u v : Stochastk u : Ineffzenz e v 12 Output x

13 2. Benchmarkng-Verfahren (9) Stochastc Fronter Analyss Zerlegung der Resduen (e ): Abwechungen (n bede Rchtungen) zu den geschätzten Kosten bestehen aus Stochastschen Effekten (v) und Ineffzenz (u nur nach oben) Um de Ineffzenz u herauszuarbeten, wrd e zerlegt. Es wrd ene Vertelungsannahme für Stochastsche Fehler, v (z.b. Normalvertelung) und de Ineffzenz, u (z.b. Halb-normalvertelung) unterstellt Des gescheht über ene Schätzung,es wrd also en ndvdueller Erwartungswert von u bestmmt. Es resulteren Sollkosten unter Berückschtgung von stochastschen Effekten De Abwechungen davon snd de Ineffzenzen. 13

14 2. Benchmarkng-Verfahren (10) Stochastc Fronter Analyss Wrd ene Kostenfunkton geschätzt, wecht das Resduum e nach oben, wrd ene Produktonsfunkton geschätzt, wecht es nach unten ab. v ( Zufall ) u ( Ineffzenz ) e = u + v Im Falle ener Kostenfunkton befndet sch de maxmale Vertelungswahrschenlchket m postven Berech (normalvertelter Zufall + postv halbnormale zusätzlche Kosten durch Ineffzenz) 14

15 2. Benchmarkng-Verfahren (11) Stochastc Fronter Analyss Möglche Vertelungsannahmen für u ( Ineffzenz ) Exponentalvertelung (exponental) Halb-Normalvertelung (half-normal) Abgeschnttene Normalvertelung (truncated normal) Je nach Vertelungsannahme für u (und v) folgt: -> de relatve Lage der Grenzfunkton zum Datensatz -> und damt auch de Dstanzen der Resduen, de den als Ineffzenz zu nterpreterenden Störterm u enthalten. 15

16 Parametrsche Verfahren, d.h. Schätzung der Effzenzgrenze unter Annahme ener spezfschen Kosten- bzw. Produktonsfunkton Vortele: Sgnfkanz der verwendeten Kostentreber kann getestet werden, d.h. Zusammenhang zwschen den verwendeten unabhänggen Varablen und der Kosten-/ Produktonsfunkton kann dentfzert werden ncht sgnfkante Varablen können m Vorfeld aussortert werden Nachtele: 2. Benchmarkng-Verfahren (12) Regressonsanalyse Vorab-Spezfkaton der Kosten-/ Produktonsstrukturen Analyse erfordert große Anzahl an Untersuchungsenheten und Daten OLS: Durchschnttsbetrachtung betet zu gernge Anrezwrkung COLS: starke Anfällgket gegenüber Ausreßern SFA/MOLS: Hypothesen für Vertelungsfunkton des Störterms u 16

17 2. Benchmarkng-Verfahren (13) Data Envelopment Analyss Reale Unternehmen: A, B, C, D, E etc. Fronter (Effzenzgrenze): A-B-C y 2 / x Stromvertelung (kwh)=/ Kosten ( ) D D A E B E C Verglechsunternehmen: für D D für E E E = Kombnaton aus B und C y x p q gewchtete Summe der Outputs = gewchtete Summe der Inputs 0 Anzahl Kunden/Kosten ( ) y 1 / x 17

18 2. Benchmarkng-Verfahren (14) Data Envelopment Analyss Festlegung der Effzenzgrenze Output CRS NIRS C D VRS NDRS Output-orentert B E Input-orentert A 18 Input

19 2. Benchmarkng-Verfahren (15) DEA Modell n rato form y p vrtueller Output x q vrtueller Input Bespel für nputorentertes CRS-Modell: max y x 0 0 p q y k p u. d. N. x q k p, q 0, 1 Anzahl DMUs: k = 1,...,n 19

20 2. Benchmarkng-Verfahren (16) DEA: Transformaton n lneares Programm max y 0 p Nebenbedngungen: y k p x k q k x0 q = 1 p, q 0, Analoges Vorgehen be outputorenterter Betrachtung 20 Be Verwendung des VRS-, NIRS-, NDRS-Modells muss en weterer Parameter n der Maxmerungsbedngung berückschtgt werden

21 2. Benchmarkng-Verfahren (17) Data Envelopment Analyss Festlegung des geegneten Modells: Konstante vs. varable Skalenerträge (bzw. NIRS, NDRS) Input- oder Outputorenterung (gleche Ergebnsse nur be CRS-Modell) Radales vs. ncht-radales Dstanzmaß Modellerweterungen: Intertemporale Analyse Malmqust Index Stochastc DEA... 21

22 2. Benchmarkng-Verfahren (18) Data Envelopment Analyss Ncht-parametrsches Verfahren, d.h Bestmmung der Effzenzgrenze durch Lnearkombnaton ohne Hypothesen über zugrunde legende Vertelung der Kosten-/ Produktonsfunkton Vortele: Kene Vorab-Spezfkaton der Kosten-/Produktonsstrukturen Analyse auch mt gerngerer Anzahl von Untersuchungsenheten möglch Nachtele: Kene Klärung der funktonalen Zusammenhänge Ergebnsse reageren relatv sensbel auf Ausreßer (Verschebung der Fronter) Effzenzmaß st stark abhängg von defnerten Strukturfaktoren (Outputs) zentral st de Bestmmung der relevanten Strukturparameter 22

23 2. Benchmarkng-Verfahren (19) Kostenmodelle Qualtätsanforderungen Annualserungsfaktor Strukturmerkmale des Netzgebetes Nachfrage nach Übertragungs- und Vertelungskapaztät Dmensonerung der Netzelemente (Ermttlung des Mengengerüsts) Investtonskosten der Netznfrastruktur CAPEX OPEX Prese für Netzelemente und Betrebsmttel Betrebskostenfaktor evtl. Gemenkostenaufschlag 23

24 2. Benchmarkng-Verfahren (20) Kostenmodelle Ingeneurwssenschaftlche Herangehenswese zur Modellerung optmaler Netze (Modellnetze) und/oder Modellerung enes Netzes für en bestmmtes Versorgungsgebet (Verglechsnetz) Vortele: Ingeneurwssenschaftlch funderte Herangehenswese be der Bestmmung der relevanten Kostentreber Effzenzgrenze bestmmt sch ncht nur aus der aktuell ausgewesenen Produktvtät der n das Benchmarkng enbezogenen Unternehmen, sondern auch darüber hnausgehendes Effzenzpotental wrd aufgezegt Nachtel: Bem Modellnetz kene Berückschtgung der ndvduellen Stuaton des Unternehmens 24

25 Modellnetz 2. Benchmarkng-Verfahren (21) Modellnetz Ansatz: Netzoptmerung Defnton der Modell- Versorgungsaufgabe - durch Abgrenzung homogener Netzgebete (z.b. nach geographschen Krteren) Ermttlung enes kostenmnmalen Anlagen-Mengengerüst für de betrachtete Modell-Versorgungsaufgabe Enbezehung von Planungsvorgaben we - Hstorsche Entwcklung - Fxe Varablen (z.b. Standorte Verdchter, scorched-node -Ansatz) Kostenermttlung Ermttlung der mt Errchtung und Betreb verbunden Kosten - unter Anwendung standardserter, spezfscher Investtons- und Betrebskostenansätze und Kalkulatonsparameter 25

26 2. Benchmarkng-Verfahren (22) Modellnetz Modellnetz Zel Überprüfung der Relevanz von Kostentrebern Beurtelung der Beenflussbarket von Kostentrebern - durch Varerung von Planungsvorgaben und Frehetsgraden/ Senstvtätsanalysen Geplante Anwendung Im Rahmen der Kostentreberanalyse zur Konzepterstellung 26

27 Verglechsnetz 2. Benchmarkng-Verfahren (23) Verglechsnetz Ansatz: Versorgungsgebet Bestmmung des mnmal notwendgen Netzes für das Versorgungsgebet enes Stromnetzbetrebers - unter Berückschtgung aller charakterstschen Egenschaften der anzuschleßenden Netzkunden - be Vernachlässgung des aktuellen Anlagenbestandes und hstorscher Entwcklungen Kostenermttlung Bestmmung der Kosten des notwendgen Netzes - aufbauend auf standardserten Investtons- und Betrebskostenansätzen 27

28 2. Benchmarkng-Verfahren (24) Verglechsnetz Verglechsnetz Zel Ermttlung wettbewerbsanaloger Kosten Geplante Anwendung Verglechsnetzanalysen nur langfrstg realserbar Im Rahmen der Konzepterstellung nur Methodenentwcklung 28

29 2. Benchmarkng-Verfahren (25) Benchmarkng-Verfahren Im Rahmen des Benchmarkng wrd de m Hnblck auf enen Verglechsmaßstab relatve Effzenz enes Unternehmens bestmmt. TFP OLS COLS SFA DEA Modellnetze Erwartungswert, der sch aus der Fortschrebung der ndvduellen hstorschen Produktvtätsentwcklung ergbt das durchschnttlch effzente Unternehmen das Unternehmen, das aufgrund der nedrgsten Kosten als das effzenteste glt das Unternehmen, das aufgrund der nedrgsten, um stochastsche Unscherheten korrgerten Kosten als das effzenteste glt das effzenteste, hnschtlch der defnerten Strukturvarablen verglechbare Unternehmen en ngeneurwssenschaftlch modellertes effzentes Netz Verglechsmaßstab De verschedenen Ansätze bergen spezfsche Vor- und Nachtele. 29 Ene komplementäre Nutzung verschedener Verfahren kann de sachgerechte, zuverlässge und robuste Ausgestaltung des Gesamtverfahrens scherstellen.

30 2. Benchmarkng-Verfahren (26) Bespele aus anderen Ländern Verwendete Benchmarkng-Verfahren Land DEA Regresson Modellnetz Norwegen X England/Wales (X) X New South Wales X Nederlande X Fnnland X Schweden (X) X Polen X Österrech X (X) (Modellnetz als Tel der DEA) Dänemark X Spanen X Neuseeland X 30

31 Norwegen 2. Benchmarkng-Verfahren (27) Bespele aus anderen Ländern DEA 1997 DEA 2001 Input: Anzahl Arbetsstunden pro Jahr Netzverluste Kaptalstock Materal Fremdlestungen Input: Anzahl Arbetstunden pro Jahr Netzverluste Kaptalstock Materal Fremdlestungen aktueller Wert der ncht geleferten Energe Output: Anzahl der Kunden geleferte Energe (kwh) Länge der Hochspannungsletungen Länge der Nederspannungsletungen Output: Anzahl der Kunden geleferte Energe Länge der Hochspannungsletungen Länge der Nederspannungsletungen erwarteter Wert der ncht geleferten Energe 31

32 Großbrtannen OPEX: Regressonsanalyse (COLS) als Haupt- und DEA als Kontrollmethode Input: Betrebskosten (Kaptalkosten) 2. Benchmarkng-Verfahren (28) Bespele aus anderen Ländern Output: Anzahl der Kunden (25%) Energemenge kwh (25%) Länge des Stromnetzes (50%) CAPEX: Benchmarkng als Zusatznformaton be der Bewertung von Investtonsplänen -> COLS-Regresson n Bezug auf enzelne Anlagegüter 32

33 Schweden Modellnetzansatz mt paralleler Anwendung der DEA als Zusatznformaton Input: Betrebskosten Kaptalkosten Netzverluste Output: 2. Benchmarkng-Verfahren (29) Bespele aus anderen Ländern Netzlänge (Neder-, Mttelspannung) Anzahl Trafos Installerte Wrklestung Anzahl der Kunden (Neder-, Mttelspannung) Geleferte Energe (Neder-, Mttelspannung Höchstlast Klmatscher Faktor (nur 2000) 33

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte

Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

Wirtschaftswissenschaftliches Gutachten zu Benchmarkingmethoden für die österreichischen Energienetze

Wirtschaftswissenschaftliches Gutachten zu Benchmarkingmethoden für die österreichischen Energienetze Unv. Prof. Dr. Klaus Gugler Wen, am 8.11.2012 Department of Economcs WU Venna Unversty of Economcs and Busness Augasse 2-6 1090 Wen Dr. Mchael Klen WU Venna Unversty of Economcs and Busness Augasse 2-6

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

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

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

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

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

Mehr

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

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

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Facility Location Games

Facility Location Games Faclty Locaton Games Semnar über Algorthmen SS 2006 Klaas Joeppen 1 Abstract Wr haben berets sehr häufg von Nash-Glechgewchten und vor allem von deren Exstenz gesprochen. Das Faclty Locaton Game betet

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich

Für jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem

Mehr

Teil E: Qualitative abhängige Variable in Regressionsmodellen

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

Mehr

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

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

Mehr

Automotive Auswertung der Betriebserfahrung zum Zuverlässigkeitsnachweis sicherheitskritischer Softwaresysteme. S. Söhnlein, F.

Automotive Auswertung der Betriebserfahrung zum Zuverlässigkeitsnachweis sicherheitskritischer Softwaresysteme. S. Söhnlein, F. Auswertung der Betrebserfahrung zum Zuverlässgketsnachwes scherhetskrtscher Softwaresysteme Unverstät Erlangen-Nürnberg Unverstät Erlangen-Nürnberg Sete 1 Glederung Motvaton Grundlagen des statstschen

Mehr

Konzept der Chartanalyse bei Chart-Trend.de

Konzept der Chartanalyse bei Chart-Trend.de Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung

Mehr

Maße der zentralen Tendenz (10)

Maße der zentralen Tendenz (10) Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460

Mehr

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT

SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

Bestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl.

Bestimmung der Elementarladung nach Millikan. 1. Theorie zum Versuchs. F R = 6 $ $ $ r $ v. $ g. F s = 4 3 $ $ r 3 $ Öl. Versuch Nr. 5: Bestmmung der Elementarladung nach Mllkan. Theore zum Versuchs Be der Öltröpfchenmethode nach Mllkan wrd Öl mttels enes Zerstäubers n wnzge Tropfen aufgetelt. De Öltröpfchen werden durch

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Ordered Response Models (ORM)

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

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

EAU SWH l$,0, wohngebäude

EAU SWH l$,0, wohngebäude EAU SWH l$,0, wohngebäude gemäß den $$ 6 ff, Energeensparverordnung (EnEV) :,:: Gültsbs: 09208 Gebäude Gebäudetyp Altbau Mehrfamlenhaus Adresse Hardstraße 3 33, 40629 Düsseldorf Gebäudetel Baujahr Gebäude

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

2.1 Einfache lineare Regression 31

2.1 Einfache lineare Regression 31 .1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große

Mehr

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +

Mehr

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.

2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π. 2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton

Mehr

Multivariate Analysemethoden

Multivariate Analysemethoden Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der

Mehr

Kapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104

Kapitel 4: Unsicherheit in der Modellierung Modellierung von Unsicherheit. Machine Learning in der Medizin 104 Kaptel 4: Unscherhet n der Modellerung Modellerung von Unscherhet Machne Learnng n der Medzn 104 Regresson Modellerung des Datengenerators: Dchteschätzung der gesamten Vertelung, t pt p p Lkelhood: L n

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

Rückblick Regression II: Anpassung an Polynome

Rückblick Regression II: Anpassung an Polynome Rückblck Regresson II: Anpassung an Polynome T. Keßlng: Auswertung von Messungen und Fehlerrechnung - Fehlerrechnung und Korrelaton 0.06.08 Vorlesung 0- Temperaturmessung mt Thermospannung Wr erhalten

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de

Mehr

Der Erweiterungsfaktor k

Der Erweiterungsfaktor k Der Erweterungsfaktor k Wahl des rchtgen Faktors S. Meke, PTB-Berln, 8.40 Inhalt: 1. Was macht der k-faktor? 2. Welche Parameter legen den Wert des k-faktors fest? 3. Wo trtt der k-faktor auf? 4. Zusammenhang

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007 Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt

Mehr

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

Mehr

1 Mehrdimensionale Analysis

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

Mehr

1.1 Beispiele zur linearen Regression

1.1 Beispiele zur linearen Regression 1.1. BEISPIELE ZUR LINEAREN REGRESSION 0 REGRESSION 1: Multple neare Regresson 1 Enführung n de statstsche Regressonsrechnung 1.1 Bespele zur lnearen Regresson b Bespel Sprengungen. Erschütterung Funkton

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

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

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

Mehr

Nernstscher Verteilungssatz

Nernstscher Verteilungssatz Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.

Mehr

Free Riding in Joint Audits A Game-Theoretic Analysis

Free Riding in Joint Audits A Game-Theoretic Analysis . wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre

Mehr

Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit

Kurs Mikroökonometrie Rudolf Winter-Ebmer Thema 3: Binary Choice Models Probit & Logit. Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit BINARY CHOICE MODELS 1 mt Pr( Y = 1) = P Y = 0 mt Pr( Y = 0) = 1 P Bespele: Wahlentschedung Kauf langlebger Konsumgüter Arbetslosgket Schätzung mt OLS? Y = X β + ε Probleme: Nonsense Predctons ( < 0, >

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

3. Vorlesung Sommersemester

3. Vorlesung Sommersemester 3. Vorlesung Sommersemester 1 Bespele (Fortsetzung) 1. Der starre Körper: Formulerung der Zwangsbedngungen später. Anschaulch snd schon de Frehetsgrade: dre der Translaton (z. B. Schwerpuntsoordnaten)

Mehr

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt -

Flußnetzwerke - Strukturbildung in der natürlichen Umwelt - Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche

Mehr

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr/Paul Prasse Domnk Lahmann Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte,

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz

ω 0 = Protokoll zu Versuch E6: Elektrische Resonanz Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik

Lineare Regression Teil des Weiterbildungskurses in angewandter Statistik 0 Lneare Regresson Tel des Weterbldungskurses n angewandter Statstk der ETH Zürch Folen Werner Stahel, September 2017 1.1 Bespele zur lnearen Regresson 1 1 Enführung n de statstsche Regressonsrechnung

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Übungsblatt 7 Lösungsvorschläge

Übungsblatt 7 Lösungsvorschläge Insttut für Theoretsche Informatk Lehrstuhl Prof. Dr. D. Wagner Übungsblatt 7 Lösungsvorschläge Vorlesung Algorthmentechnk m WS 09/10 Problem 1: Mnmale Schnttbass Approxmatonsalgos relatver Gütegarante

Mehr

16. Vorlesung Sommersemester

16. Vorlesung Sommersemester 16. Vorlesung Sommersemester 1 Das Egenwertproblem In allgemener Form hat das Egenwertproblem de Form A x = λ x, (1) wobe A ene n n-matrx, x en n-dmensonaler Vektor und λ der Egenwert st (n Englsch: egenvector,

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

Empirische Wirtschaftsforschung

Empirische Wirtschaftsforschung Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y

(2) i = 0) in Abhängigkeit des Zeitunterschieds x ZeitBus ZeitAuto für seinen Arbeitsweg.) i = 1) oder Bus ( y 5. Probt-Modelle Ökonometre II - Peter Stalder "Bnar Choce"-Modelle - Der Probt-Ansatz Ene ncht drekt beobachtbare stochastsche Varable hängt von x ab: x u 2 u ~ N(0, ( Beobachtet wrd ene bnäre Varable

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

Statistik Exponentialfunktion

Statistik Exponentialfunktion ! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:

Mehr

Analyse von Querschnittsdaten. Bivariate Regression

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

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen

INTELLIGENTE DATENANALYSE IN MATLAB. Mathematische Grundlagen INTELLIGENTE DATENANALYSE IN MATLAB Mathematsche Grundlagen Überblck Lneare Algebra: Vektoren, Matrzen, Analyss & Optmerung: Dstanzen, konvexe Funktonen, Lagrange-Ansatz, Stochastk: Wahrschenlchketstheore,

Mehr

Rotation (2. Versuch)

Rotation (2. Versuch) Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen

Mehr

Vorlesungsprüfung Politische Ökonomie

Vorlesungsprüfung Politische Ökonomie Vorlesungsprüfung Poltsche Ökonome 22.06.2007 Famlenname/Vorname: Geburtsdatum: Matrkelnummer: Studenrchtung: Lesen Se den Text aufmerksam durch, bevor Se sch an de Beantwortung der Fragen machen. Ihre

Mehr

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. ZWEI ODER MEHRERE METRISCHE MERKMALE 5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe

Mehr

Man unterscheidet zwischen gewichteten und ungewichteten Faktorwerten.

Man unterscheidet zwischen gewichteten und ungewichteten Faktorwerten. Faktorwerte Da es das Zel der Faktorenanalyse st, de Zahl der Kennwerte zu reduzeren (aus velen Items sollen deutlch wenger Faktoren resulteren, st es nötg, Kennwerte für de Ausprägungen der Personen n

Mehr

Vorlesungsprüfung Politische Ökonomie

Vorlesungsprüfung Politische Ökonomie Vorlesungsprüfung Poltsche Ökonome 25.01.2007 Famlenname/Vorname: Geburtsdatum: Matrkelnummer: Studenrchtung: Lesen Se den Text aufmerksam durch, bevor Se sch an de Beantwortung der Fragen machen. Ihre

Mehr

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

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,

Mehr

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition

Informatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden

Mehr

Energiemanagement. und sind wir jetzt wirklich effizienter? Entwicklung, Vorgangsweise und Bewertung

Energiemanagement. und sind wir jetzt wirklich effizienter? Entwicklung, Vorgangsweise und Bewertung Energemanagement. und snd wr jetzt wrklch effzenter? Entwcklung, Vorgangswese und Bewertung AK Qualtät & AK Umwelt der WK Trol am 22.11.2018 be Lebherr Hausgeräte n Lenz Themen Bassdaten Energeverbrauch

Mehr

Hausübung 1 Lösungsvorschlag

Hausübung 1 Lösungsvorschlag Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch

Mehr

3 Multiple lineare Regression

3 Multiple lineare Regression 3.1 Modell und Statstk 34 3 Multple lneare Regresson 3.1 Modell und Statstk a Zusammenhang zwschen ener Zelgrösse Y und mehreren Engangsgrössen X (1), X (2),..., X (m) Y = β 0 + β 1 x (1) + β 2 x (2) Parameter:

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB

INTELLIGENTE DATENANALYSE IN MATLAB INELLIGENE DAENANALYSE IN MALAB Matheatsche Grundlagen Lteratur A. Fscher, K. Vetters: Lneare Algebra Ene Enführung für Ingeneure und Naturwssenschaftler. H. Aann, J. Escher: Analyss I-III. S. Boyd, L.

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel V. Parameter der Verteilungen Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr

Die Transzendenz der Eulerschen Zahl e

Die Transzendenz der Eulerschen Zahl e De Transzendenz der Eulerschen Zahl e nach Jean-Paul Delahaye Der n [1, Seten 21-22] skzzerte Bewes der Transzendenz der Eulerschen Zahl e wrd m folgenden ausgeführt. En alternatver Bewes, der auf Ideen

Mehr

22. Vorlesung Sommersemester

22. Vorlesung Sommersemester 22 Vorlesung Sommersemester 1 Bespel 2: Würfel mt festgehaltener Ecke In desem Fall wählt man den Koordnatenursprung n der Ecke und der Würfel st durch den Berech x = 0 a, y = 0 a und z = 0 a bestmmt De

Mehr

(Essentiell) τ-äquivalente Tests:

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

Mehr

Diskrete Mathematik 1 WS 2008/09

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

Mehr

Contents blog.stromhaltig.de

Contents blog.stromhaltig.de Contents We hoch st egentlch Ihre Grundlast? Ene ncht ganz unwchtge Frage, wenn es um de Dmensonerung ener senannten Plug&Play Solar-Anlage geht. Solarsteckdosensystem für jermann, auch für Meter lautete

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr