Die Begriffe der absoluten, relativen und kumulierten Häufigkeit - diskrete Beobachtungen - (empirische Dichte und empirische Verteilung)
|
|
- Meta Frei
- vor 7 Jahren
- Abrufe
Transkript
1 Häfigkeit (relative nd kmlierte Häfigkeit) Akademische Disziplin der Statistik/academic field of statistics/ la discipline statistiqe/estadística/disciplina academica della statistica deskriptive Statistik/descriptive statistics/statistiqe descriptive Empirische Verteilng von Beobachtngen 1 Die Begriffe der absolten, relativen nd kmlierten Häfigkeit - diskrete Beobachtngen - (empirische Dichte nd empirische Verteilng) In vielen empirischen Zsammenhängen ist das Betrachten nd Sammeln von Beobachtngen z einem Merkmal (sei es nominal, ordinal oder kardinal) ein erster wichtiger Schritt einer Unterschng. M.a.W. af einer Grndgesamtheit ( einer Poplation, einer Menge) G wird ein Merkmal M beobachtet nd die Beobachtngen in einer sog. Urliste U = {U 1, U 2,..., U n } zsammengetragen. Im Regelfall gibt es nr K verschiedene Werte (Asprägngen) {x 1, x 2,..., x K }, K n. Offensichtlich trifft K=n nr dann z, falls alle Beobachtngen verschieden sind. Nach Drchführng einer solchen statistischen Erhebng - nd dies wird im folgenden fast stets als erfolgt angesehen - ist das Datenmaterial (die Urliste) so afzbereiten, daß man die Fülle der Beobachtngen intellektell afnehmen nd verarbeiten kann. Daz werden einige einfache graphische Darstellngen bentzt, die sich in der Praxis bewährt haben nd im vorhergehenden Kapitel erlätert wrden. Sie finden sich z.b. in Zeitngen, Firmenberichten, Fernsehnachrichten. Daz wird der Begriff der Häfigkeitsverteilng eingeführt Die Vielfachheit, mit der eine Asprägng x k aftritt, heißt absolte Häfigkeit des Wertes (der Asprägng) x k (k=1,2,, K). Seien {b 1,b 2,...,b n } die beobachteten Asprägngen eines beliebigen Merkmals X as einer Erhebng der Länge n. Nicht alle b i (i {1,2,...,n}) sind notwendigerweise verschieden, so daß die verschiedenen Asprägngen {x 1,x 2,...,x K }, (K n) mit den absolten Häfigkeiten n k (k=1,2,...,k) mehrfach beobachtet wrden.
2 2 Beispiel Die Menge der n Beobachtngen {b 1, b 2,..., b n } seien die Ergebnisse von n=100 Würfen eines Würfels. Als Merkmalsasprägngen gibt es die sechs verschiedenen Agenzahlen {1,2,3,4,5,6}. Für die der Größe nach sortierten Merkmalsasprägngen seien die folgenden Häfigkeiten n k (k=1,...,6) beobachtet worden: { x 1, x 2, x 3, x 4, x 5, x 6 } { 15, 20, 20, 10, 15, 20 }, n=100, K=6 bzw. als Tabelle: x k n k Definition 1 (relative Häfigkeit, empirische Häfigkeit) Der af das Intervall [0, 1] skalierte Wert der absolten Häfigkeit heißt relative Häfigkeit des Wertes (der Asprägng). n k f k = f(x k ) = K Σ n i i=1 = n k n, K k=1 n k = n (k= 1, 2,..., K), 0 f(x k ) 1 Oft wird ach krz von der Häfigkeit der Asprägng gesprochen. Der Zsammenhang macht klar, ob es absolt oder relativ gemeint ist. Eine streng-formale Definition ist die folgende: Definition 1 (empirische Häfigkeitsfnktion) Sei M ={x 1, x 2,...,x k } die Menge von beobachteten verschiedenen Merkmalsasprägngen; sei weiter nd g: { M R + x g(x) : = { n k, falls x=x k (k=1,...,k) 0, sonst M [0, 1] f: { x f(x) := 1 n g(x) Die Fnktion f heißt empirische Häfigkeitsfnktion. Der Graph dieser Abbildng ist das Stabdiagramm.
3 3 Offensichtlich lassen sich solche Stabdiagramme für alle Merkmale erstellen. Für das Beispiel ergibt sich folgendes Bild: Das Schema des zgehörigen Stabdiagramms (bar plot, dot plot, dot-diagram, diagram à bâtons) f x Bemerkng (Vergleich von absolten nd relativen Häfigkeiten) Es ist f: M [0, 1] mit sowie g: M R + mit 0.15, x=1 0.20, x=2 0.20, x=3 f(x) = { 0.10, x=4 0.15, x=5 0.20, x=6 0.00, sonst 15, x=1 20, x=2 20, x=3 g(x) = { 10, x=4 15, x=5 20, x=6 0, sonst Offensichtlich nterscheidet sich der Graph von g vom Graphen von f nr drch die Skalierng. Bemerkng (Empirie) Da es sich m Empirie (=Beobachtngen as der Praxis) handelt, spricht man ach von empirischen Häfigkeiten (d.h. empirische absolte Häfigkeiten bzw. empirische relative Häfigkeiten). Bemerkng (Spannweite, Spanne) Wenn es m qantitative Merkmale geht, wird die Differenz Maximm[x k ] - Minimm[x k ] als Spannweite oder Spanne der Beobachtngen bezeichnet. Im Beispiel zvor ist die Spanne 5. Ein as der Zeitng wohlbekanntes Beispiel sind diekrsspannen an den fünf Börsen-Tagen einer Woche: der Tageshöchstkrsstand im Vergleich zm Tagestiefstkrsstand, graphisch:
4 Definition 2 (kmlierte Häfigkeit, empirische Verteilngsfnktion) Die Fnktion F: R [0,1], die dem geordneten Bereich (1, 2,, i), 1 i K der Merkmalsasprägngen die Teilsmme der relativen Häfigkeit F(x) = Σ i:x i x P(X = x i ) = Σ i:x i x n i zordnet, heißt kmlierte Häfigkeit, bzw. empirische Verteilngsfnktion der Merkmals X. Bemerkng z den Schreibweisen Ein alternative Schreibweise für x = x k ist F(x) =F k =F(x k )= P[X x k ]= k f i = k i=1 i=1 P[...] ist dabei eine Krzschreibweise für Häfigkeit mit zwei Grnd-Varianten: P[X = x k ] = f k die relative Häfigkeit der Merkmalsasprägng k, P[X x k ] = f k die kmlierte Häfigkeit bis zr Merkmalsasprägng k einschließlich. 4 P(X=x i ) Die offensichtliche Vorassetzng z einer kmlierten Häfigkeit ist eine geordnete Reihenfolge, d.h. für die Nmerierng der Merkmalsasprägngen mß sinnvoller weise gelten x 1 x 2... x K. Damit gibt es keine Verteilng für nominale Merkmale, sondern nr für X ein qantifiziertes ordinales oder ein kardinales Merkmal mit K verschiedenen Merkmalsasprägngen z jeweils n k (k=1,2,...,k) nd insgesamt n Beobachtngen. Bemerkng (die Berechnng der Verteilng im einzelnen) As den relativen Häfigkeiten {f 1,f 2,..., f K } läßt sich dann der Begriff der kmlierten (empirischen) Häfigkeitsverteilng konstrieren: F 1 := f 1 F 2 := f 1 + f 2 = F 1 + f 2 F 3 := f 1 + f 2 + f 3 = F 2 + f 3... F K := f 1 + f f K = F K-1 + f K Umgekehrt lassen sich die relativen Häfigkeiten as der kmlierten Häfigkeitsverteilng bestimmen bzw. zrückgewinnen: f 1 = F 1 f i = F i - F i-1 (i=2,3,...,k)
5 5 Bemerkng (Monotonie der Verteilng eines diskreten Merkmals) Offenkndig ist F eine in x (bzw. in x k ) monoton wachsende Fnktion, deren Werte nicht negativ nd nicht größer als 1 werden können. Für die Verteilng der Beobachtngen gilt: (i) 0 F k 1 (ii) 0 =F 1- (iii) F k ist monoton nichtfallend (monoton steigend). Der Wertebereich erstreckt sich von nll nach eins, davor nll nd dahinter eins: F 1- := F(x 1- ) := P[X<x 1 ] = 0 F K+ := F(x K+ ):= P[X<x K + ] = 1 ( >0). Der Beweis folgt nmittelbar as den Eigenschaften der relativen Häfigkeiten, die positiv (oder zmindest nichtnegativ) sind. Sie werden nacheinander in Reihenfolge addiert. Damit ist ernet detlich, daß nominale Merkmale keine solche Verteilng haben können. M.a.W. die Verteilng ist eine monotone, von links nach rechts nichtfallende Treppenfnktion, wie folgende zwei Schemata verdetlichen: F(x) 1 p 4 p 5 } } p 6 } p 2 } p 3 } 0 p 1 } x 1 x 2 x 3 x 4 x 5 x 6 x Das Schema einer Verteilng bzw. mit x i = i (i=1,2,,6); es ist der typische Graph der Fnktion F (s.. Definition 2 ): 1 F f3 f4 f5 f6 f2 f x
6 Eine streng-formale Definition ist die folgende: Definition 2 (empirische Verteilngsfnktion) Seien die Asprägngen eines Merkmals {x 1, x 2,..., x K } der Größe nach geordnet, d.h. x 1 <x 2 <...<x K, dann heißt die Fnktion F: { M 0,1 empirische Verteilngsfnktion. 6 x F(x) = { 0 für x <x 1 f i = F i für x x 1 i:x i x
7 7 Bemerkng (Häfigkeiten zwischen vorgegebenen Werten) Bei endlich vielen Merkmalsasprägngen, d.h. es gibt nr die Werte x 1, x 2,..., x K, ist die Fnktion F die kmlierte Häfigkeitsfnktion, ach empirische Verteilngs-fnktion genannt. Der Begriff der Verteilng erlabt es, die Häfigkeit für beliebige Bereiche anzgeben. Daz wird eine Bezeichnng gewählt, die in der allgemeinen Statistik für Wahrscheinlichkeiten verwendet wird, hier aber Häfigkeiten beschreibt. Es bezeichne P[< X o] = F o - F die Häfigkeit der Beobachtngen zwischen Merkmalsasprägngen nd o. Dabei ist gena af die (jeweilige) Definition von F i z achten, ob die Randwerte ein- oder asgeschlossen sind, d.h. etwa: P[< X <o] = F o-1 - F (ohne Randwerte) P[ X <o] = F o-1 - F -1 (mit linkem Randwert) P[< X o] = F o - F (mit rechtem Randwert) P[ X o] = F o - F -1 (mit beiden Randwerten). Ebenso läßt sich die empirische Dichte, die relative Häfigkeit f k as der Verteilng zrückgewinnen: f k = F k - F k-1 (k = 2, 3,..., K) f 1 = F 1. Werden die Beobachtngen nicht an diskreten Stellen gemacht, sondern so, daß für einzelne Intervalle Beobachtngen vorliegen, dann sind absolte, relative nd kmlierten Häfigkeit etwas anders afzfassen, wie der Vergleich der beiden folgenden Ilstrationen verdetlicht. Illstration 1 (Ein diskretes Merkmal mit K=3) (Merkmalsasprägng x k, k=1,2,3) Häfigkeiten X n k f k x 1 4 f 1 = 1/6 x 2 8 f 2 = 1/3 x 3 12 f 3 = 1/2 Das zgehörige Stabdiagramm der Häfigkeiten ist keine flächentree Abbildng, sondern drei Spitzen in den Pnkten 4, 5 nd 100.
8 8 Stetige Merkmale Bei stetigen Merkmalen faßt man die Beobachtngen z schon vor Beginn der Erhebng festzlegenden Klassen K i zsammen. Wenn möglich sollten diese Klassen alle die gleiche Breite haben (so ein Rezept zr Beobachtng). Oftmals empfiehlt es sich dennoch, dort, wo die meisten Beobachtngen z erwarten sind, diese Klassenbreiten kleiner z halten als in den Bereichen, in denen relativ wenige Beobachtngen z erwarten sind. Illstration 2 (Ein stetiges Merkmal mit K=3) (Merkmalsasprägng in den Intervallen I k, k=1,2,3) Häfigkeiten k Intervall I k nk (absolte) fk (relative) 1 : 3 bis 5 cm [3,5) [3-5) : 5 bis 9 cm [5,9) [5,9) : über 9 cm [9,11] [9,11 ] Das zgehörige Histogramm der Häfigkeiten ist eine flächentree Abbildng: Flächentree heißt, daß die Fläche nter dem Histogramm insgesamt gena eins beträgt nd im Bereich eines Intervalls, einer Klasse, d.h. das Rechteck über dem Intervall, gena dem Anteil der Beobachtngen entspricht.
9 Für die Häfigkeiten des stetigen Merkmals sind die Definitionen z modifizieren: Definition3 (empirische Dichtefnktion eines nicht-diskreten, stetigen Merkmals) Die Dichtefnktion eines stetigen Merkmals (die Höhe des zgehörigen Histogramms) relative Häfigkeit wird drch das Verhältnis Breite derklasse = n i n / K i festgelegt. Eine streng-formale Definition ist die folgende: Definition3 (empirische Dichtefnktion eines nicht-diskreten, stetigen Merkmals) Die Fnktion f:{ R R n + i x f(x) nd f(x) = { n / K i =f i / K i, falls x K i 0, sonst heißt empirische Dichtefnktion. Dabei bedetet K i die Breite der i-ten Klasse (des i-ten Intervalls) K i. Der Graph der Dichtefnktion ist das bereits erörterte Histogramm. 9
10 10 Beispiel Zr Schätzng zkünftiger Kosten führt eine Krankenversicherng bei ihren Mitgliedern eine Umfrage drch, bei der ach das Merkmal Körpergewicht (in Kilogramm) betrachtet wird. Unter den männlichen Befragten gab es daz folgendes Ergebnis: i K i : [50,60) [60,70) [70,75) [75,80) [80,90) [90,110) n i : Dabei bedetet n i bekanntlich die Häfigkeit von Beobachtngen in der Klasse K i. Für das Beispiel erhält man für f folgende Fnktionswerte; zm Vergleich werden die nskalierten Werte ebenfalls gezeigt: , fürx [50,60) , fürx [60,70) f(x)= { , fürx [70,75) , fürx [75,80) , fürx [80,90) , fürx [90,110) n i n = { Das zgehörige Histogramm hat dann das folgende Assehen:.060 f 0.05, für x [50,60) 0.25, für x [60,70) 0.30, für x [70,75) 0.25, für x [75,80) 0.10, für x [80,90) 0.05, für x [90,110) x Da über die Verteilng der Beobachtngen innerhalb der Klassen keine Information vorliegt, trifft man die Annahme, daß diese Beobachtngen sich innerhalb der Klassen gleichmäßig verteilen. Das bedetet, daß man für die kmlierten Häfigkeiten die relativen Häfigkeiten für die Klassenobergrenzen afaddiert nd die so erhaltenen Pnkte drch Geradenstücke verbindet. Die (konstante) Steigng eines solchen Geradenstücks ist dann gena der Wert der Dichtefnktion in dieser entsprechenden Klasse. Dies führt z folgender Modifikation der Definition für die Verteilng:
11 11 Definition 4 (kmlierte Häfigkeit, empirische Verteilngsfnktion der stetigen Beobachtng) Die Fläche nter dem Häfigkeitskrvenzg vom Anfang des ersten Intervalls bis zm Pnkt x im k-ten Intervall, das drch die Pnkte x k, xk o (nten nd oben, bzw. links nd rechts) begrenzt wird, heißt kmlierte Häfigkeit, bzw. empirische Verteilngsfnktion der Merkmals X. Fall 1 Die Verteilngspnkte am Rand der Intervalle (Klassen) Für die Randwerte (x = x k, bzw. = xk o ) stimmt Definition 4 für stetige Merkmale mit Definition 2 für diskrete Merkmale überein: F(x) =F k =F(x k )= P[X x k ]= k f i = k P(X=x i ), falls x k = x k, bzw. = xk o, k =1, 2,, K i=1 i=1 Fall 2 Die Interpolationsregel für Verteilngspnkte innerhalb der Intervalle (Klassen) Fällt der Wert x nicht af eine Klassengrenze, sondern ins Innere einer Klasse, so läßt sich der entsprechende Anteil afgrnd der Annahme, daß sich alle Beobachtngen innerhalb einer Klasse gleichmäßig verteilen, drch eine einfache Dreisatzrechnng bestimmen. Allgemein gilt: x-x (1) F(x) = F( x k n k k) + K k n = F( x k) + (x -xk )f(x), f(x) =f(xk ) = n k n / K k, x K k Dabei bedetet x k die Untergrenze, bzw. xk o die Obergrenze der Klasse Kk nd f(x k ) die Dichte (Höhe des Histogramms) as Definition 3. Die Ableitng der Interpolation folgt as der Abbildng im Vergleich der beiden rechtwinkligen ähnlichen Dreiecke (Grndfläche : Höhe = konstant): o F(x k o ) o F(x) o F(x k ) x - x k K k x k X x k o (Dreisatz-Regel): x - x k F(x) F(x k ) = Abbildng 1 K k F(x k o ) F(xk ) = K k n k /n
12 12 Die Aflösng nach F(x) liefert die Gleichng (1). Die Bemerkngen (s.o.) zr Monotonie der Verteilng, zm Bestimmen der Häfigkeiten innerhalb beliebiger Bereiche, zm Zrückrechnen der relativen Häfigkeiten übertragen sich nmittelbar vom diskreten zm stetigen Fall. Erste Fortsetzng des Beispiels Die zm Beispiel gehörende Verteilngsfnktion hat dann folgendes Assehen: 1. F x Mit dieser Fnktion lassen sich die Anteilswerte (Verteilngwerte) nmittelbar angeben: Es bezeichnet nämlich F(x) den Anteil derjenigen Männer, deren Körpergewicht höchstens x kg beträgt. Beispielsweise ist der Anteil der Männer, deren Gewicht höchstens 70 kg beträgt 30%, der Anteil, deren Gewicht höchstens 80 kg beträgt 85%, sw.
13 13 Qantile Von besonderer Wichtigkeit ist die folgende Frage, eine Umkehrng as der Bestimmng der Verteilng, nämlich die Bestimmng des Pnktes x, z dem der Verteilngswert F(x) gehört, das Qantilsproblem. Definition 5 (Qantile eines stetigen Merkmals, α-verteilngspnkte) Unter einem α-qantil (oder α-fraktil) versteht man denjenigen Wert x, den Pnkt (Wert) des Merkmals, für den gilt: F(x) = α (0 α 1), bzw. x = F -1 (α), d.h. es geht m die Umkehrfnktion der Verteilng. Eine alternative Beschreibng ist die folgende Das α-qantil ist der Wert x α, für den gilt F(x α ) α nd F(x) < α für alle x < x α Der Wert heißt (α. 100) - Prozentpnkt (Verteilngspnkt) x α. Das Verständnis sei drch einzelne Beispiele von Qantilen vertieft, für die es spezielle Bezeichnngen gibt, etwa: Definition 5.1 (Median) Der Wert x med, für den gilt F(x med ) 0.5 nd 1-F(x med )+f(x med ) 0.5, heißt Median. Der Median teilt die Beobachtngen in zwei Hälften gleicher Häfigkeit. Die Definition mfaßt stetige nd diskrete Merkmale. Für stetige Merkmale ist das Ungleichheitszeichen sowie die zweite Hälfte überflüssig; es läßt sich ein eindetiges x feststellen (s.o. Definition 4). Für diskrete Merkmale ist der Median der kleinste Wert, mit dem die 50% Marke der Verteilng (F(x med ) = 0.50) überschritten wird.
14 Definition 5.2 (Qartile) Die kleinsten Werte x q (d.h. x 1/4, x 2/4, x 3/4,x 4/4 ) für die gilt, Min F(x 1/4 ) 0.25, Min F(x 2/4 ) 0.50 Min F(x 3/4 ) 0.75, Min F(x 4/4 ) = 1 heißen Qartile 1, 2, 3 nd Das 1. Qartil ist der Bereich von Beobachtngen zwischen der ersten Beobachtng nd der kleinsten Beobachtng x 1/4, für die Min F(x 1/4 ) Das 2. Qartil ist der Bereich von Beobachtngen zwischen der Beobachtng x 1/4 nd der kleinsten Beobachtng x 2/4, für die F(x 2/4 ) Das 3. Qartil ist der Bereich von Beobachtngen zwischen der Beobachtng x 2/4 nd der kleinsten Beobachtng x 3/4, für die F(x 3/4 ) Das 4. Qartil ist der Bereich von Beobachtngen zwischen der Beobachtng x 3/4 nd der kleinsten Beobachtng x 4/4, für die F(x 4/4 ) = 1.00 (d.h. der letzten Beobachtng). Median nd 2. Qartilswert stimmen offensichtlich überein. Entsprechend zerlegen die Qintile die Beobachtngen in Fünftel: Definition 5.2 (Qintile) Die kleinsten Werte x q (d.h. x 1/5, x 2/5, x 3/5, x 4/5, x 4/5 ) für die gilt, Min F(x 1/5 ) 0.20, Min F(x 2/5 ) 0.40, Min F(x 3/5 ) 0.60, Min F(x 4/5 ) 0.80, Min F(x 5/5 ) = 1 heißen Qintile 1, 2, 3, 4 nd 5. Eine entsprechende Definition gibt es bei einer gleichmäßigen Unterteilng in 10% Schritte (statt wie bei Qartilen in 25% Schritten, bzw. bei Qintilen in 20% Schritten); sie heißen Dezile. Bei stetigen Merkmalen kann das jeweilige x eindetig bestimmt werden, d.h. das Min(imm vor F) entfällt; bei diskreten Merkmalen wird man im allgemeinen kein solches x finden. Man bezeichnet dann als α-qantil diejenige beobachtete Asprägng x k, für die gilt: F(x) α nd 1-F(x)+f(x) α. In Worten bedetet dies, daß als α-qantil diejenige Beobachtng genommen wird, bei der die kmlierten relativen Häfigkeiten erstmalig den Wert α übersteigen.
15 15 Die Bestimmngsregel für den α-verteilngspnkt Es sei das α-qantil z bestimmen, also der Pnkt x mit F(x)= α. Der Verteilngspnkt bestimmt sich as der Gleichng für die Verteilng drch Umformng nach x. Schritt 1: Erkennen des richtigen Intervalls As der Verteilng wird das Intervall, die Klasse, festgestellt, in der das geschte x enthalten ist, z.b. Klasse i, d.h. es mß gelten F( x i ) F(x) = α F( x o i ) Schritt 2: Ergänzen der Randhäfigkeit Vom Rand des Intervalls x i wird der Teil der Häfigkeit hinzgenommen, der im Vergleich z α noch fehlt, d.h. F(x)-F( x i ) gewichtet mit der Häfigkeit im Intervall Intervall Breite [ K i /(n i /n) = relative Häfigkeit im Intervall ] d.h. F(x)-F(x i ) (2) x = x i + K n i. i n Ach Gleichng (2) folgt as der Dreisatzregel der Abbildng 1, in dem diesmal nach x afgelöst wird. Abbildng 2 zeigt das Verfahren: 1 F(x)=β F(x)=α x α x β 0 Abbildng 2: Das Qantil im stetigen Fall
16 16 Für den diskreten Fall wird das differierende Vorgehen drch Abbildng 3 illstriert: 1=F(x 3 ) F(x)=β 1 F(x 2 ) F(x 1 ) F(x)=α F(x 1 ) x 1 x 2 x 3 Zweite Fortsetzng des Beispiels Abbildng 3: Das Qantil im diskreten Fall Für das Beispiel erhält man so als 0.30-Qantil (F(x) = 0.30) den Wert x = 70, der nmittelbar as der Verteilng ablesbar ist (der obere Randpnkt des zweiten Intervalls). Das erste Qartil, also der Pnkt x mit F(x) = 0.25 bestimmt sich mit x i = 60, F(x)-F( x i ) = , Ki /(n i /n) = 10/(25/100) as x = x i + F(x)-F(x i ) n i n Für den Median gilt x med = , denn K i = = 68 x i = 30, F(x) - F( x i ) = = 0.20, Ki /(n i /n) = 5/(30/100) = 50/3 = 16 2/3, also x = /3 = 63 1/3. Teil 2 folgt gesondert: Zweidimensionale Daten (Häfigkeit-000-2) Beispiele nd Erweiterngen Beispiel 1 (Einige Afgaben z Häfigkeiten) Beispiel 2 (Vergleich zweier binärer Merkmale) Beispiel 3 (Einige Afgaben z zweidimensionalen Häfigkeiten) (SIMPSON)
Das Histogramm, bzw. Stabdiagramm / Histogramm / Balkendiagramm
Histogram / Histogramm / histogram Akademische Disziplin der Statistik/academic field of statistics/ la discipline statistique/estadística/disciplina academica della statistica deskriptive Statistik/descriptive
MehrAnalysis II für M, LaG/M, Ph
Fachbereich Mathematik Prof Dr M Hieber Robert Haller-Dintelmann Horst Heck TECHNISCHE UNIVERSITÄT DARMSTADT ASS 008 195008 Analysis II für M, LaG/M, Ph 7 Übng mit Lösngshinweisen G 1 Grppenübngen Af der
MehrSo lösen Sie die Differentialgleichung für eine komplexe Kurve (für eine komplexe Funktion)
Prof. Dr. Sebastian Hensel Sommersemester 208 Argmente der GTF Was ist dieses Dokment? (nd was ist es nicht?) Dieser Text fasst einige der wichtigsten Standardargmente zsammen, die im Stdim von Flächen
Mehrdie Zielgröße. Für diesen gilt A = u v.
VII Unterschng on Fnktionen 7 ptimieren Legen Sie mit gena 6 Streichhölzern möglichst iele erschiedene Rechtecke. Ermitteln Sie jeweils den Flächeninhalt ( LE = Streichholzlänge). Stellen Sie die Seitenlängen
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Statistik für SoziologInnen 1 4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen
Mehr4. Kumulierte Häufigkeiten und Quantile
4. Kumulierte Häufigkeiten und Quantile Kumulierte Häufigkeiten Oft ist man nicht an der Häufigkeit einzelner Merkmalsausprägungen interessiert, sondern an der Häufigkeit von Intervallen. Typische Fragestellung:
MehrAchsen eines Parallelogramms. Eckart Schmidt
Achsen eines Parallelogramms Eckart Schmidt Eine Achsenkonstrktion für Ellipsen dürfte hete kam Thema der Schlgeometrie sein Betrachtet man statt der Ellipse ein einbeschriebenes Parallelogramm z konjgierten
MehrVektorraum. Ist =, so spricht man von einem reellen Vektorraum, ist =, so spricht man von einem komplexen
6. Vektorra Ein Vektorra oder linearer Ra ist eine algebraische Strktr die in fast allen Zweigen der Matheatik erwendet wird. Eingehend betrachtet werden Vektorräe in der Linearen Algebra. Die Eleente
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösngsskizzen z den Klasrafgaben zm Krs 4 Algorithmische Mathematik 4LN08 Afgabe. Zeigen Sie: a) n + n ist eine gerade Zahl für alle n N. Lösng: Wir zeigen die Behaptng per Indktion. Für n = 0 ist offenbar
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
MehrVerteilungsfunktion und dquantile
Statistik 1 für SoziologInnen Verteilungsfunktion und dquantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit die Kumulation inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
Mehrx 2 mit a IR in der maximalen, Teilaufgabe 1.1 (8 BE) Ermitteln Sie die Art der Definitionslücke sowie die Anzahl der Nullstellen von f a
Abschlssprüfng Berfliche Oberschle 00 Mathematik Technik - A I - Lösng Teilafgabe.0 Gegeben sind die reellen Fnktionen f a ( x) von a nabhängigen Definitionsmenge D x ax a = x mit a IR in der maximalen,
MehrDie Bestimmung von π
10D (ht) Die Bestimmng on π Bergstadt-Gymnasim mit Hilfe on n-ecken Die Bestimmng on π mit Hilfe on n-ecken Inhaltserzeichnis 005-09-0 9. September 005 1 Einleitng 1.1 Vorassetzng.............................
MehrWahrscheinlichkeits - rechnung und Statistik
Michael Sachs Mathematik-Studienhilfen Wahrscheinlichkeits - rechnung und Statistik für Ingenieurstudenten an Fachhochschulen 4., aktualisierte Auflage 2.2 Eindimensionale Häufigkeitsverteilungen 19 absolute
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
MehrEINFÜHRUNG IN DIE TENSORRECHNUNG
EINFÜHRUNG IN DIE TENSORRECHNUNG Teil SIEGFRIED PETRY Nefassng vom.jni 016 I n h a l t 1 Mehr über Tensoren. Stfe Darstellng eines Tensors in einer Basis 4 Beispiele nd Übngen 5 4 Lösngen 1 1 1 Tensoren.
MehrKapitel V - Graphische Darstellung von Häufigkeitsverteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel V - Graphische Darstellung von Häufigkeitsverteilungen Markus Höchstötter
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das auszuwertende Merkmal
MehrKapitel V - Graphische Darstellung von Häufigkeitsverteilungen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel V - Graphische Darstellung von Häufigkeitsverteilungen Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska
MehrBERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS
Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FB B: SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Prüfngsgebiet: Einführng in die Wirtschaftsinformatik (PO 2006) Grndlagen von Decision Spport
MehrKapitel 2. Häufigkeitsverteilungen
6 Kapitel 2 Häufigkeitsverteilungen Ziel: Darstellung bzw Beschreibung (Exploration) einer Variablen Ausgangssituation: An n Einheiten ω,, ω n sei das Merkmal X beobachtet worden x = X(ω ),, x n = X(ω
MehrLokale Eigenschaften des Hilbert-Symbols
Lokale Eigenschaften des Hilbert-Symbols (Nach J.P. Serre: A Corse in Arithmetic) Bettina Böhme, Karin Loch 24.05.2007 Im Folgenden bezeichnet k entweder den Körer R der reellen Zahlen oder den Körer Q
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrDefinition und Eigenschaften von elliptischen Funktionen Thomas Regier. 1. Verdoppelung des Lemniskatenbogens und erweitertes Additionstheorem
Definition nd Eigenschaften von elliptischen Fnktionen Thomas Regier. Verdoppelng des Lemniskatenbogens nd erweitertes Additionstheorem Elliptische Integrale berechnen die Krvenlänge von z.b. elliptischen
MehrThomas Beier Petra Wurl. Regelungstechnik. Basiswissen, Grundlagen, Beispiele. 2., neu bearbeitete Auflage
Thomas Beier Petra Wrl Regelngstechnik Basiswissen, Grndlagen, Beispiele 2., ne bearbeitete Aflage 1.2 Darstellng von Regelkreisen 19 Am Eingang der Regelstrecke befindet sich das Stellglied. Es ist ein
MehrTheorie der Kondensierten Materie I WS 2014/2015
Karlsrher Institt für Technologie Institt für Theorie der Kondensierten Materie Theorie der Kondensierten Materie I WS /5 Prof. Dr. A. Mirlin, Dr. I. Gorni Blatt 7: Lösngen U. Briskot, N. Kainaris, Dr.
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 23042013 Datenlagen und Darstellung eindimensionaler Häufigkeitsverteilungen
MehrVerteilungsfunktion und Quantile
Statistik 1 für SoziologInnen Verteilungsfunktion und Quantile Univ.Prof. Dr. Marcus Hudec Kumulierte Häufigkeiten Hinweis: Damit das Kumulieren inhaltlich sinnvoll ist, muss das Merkmal zumindest ordinal
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
MehrÜbungsaufgaben Mathematik III MST. Zu b) Klassifizieren Sie folgende Differentialgleichungen nach folgenden Kriterien : - Anfangswertproblem
Übngsafgaben Mathematik III MST Lösngen z Blatt 4 Differentialgleichngen Prof. Dr. B.Grabowski Z Afgabe ) Z a) Klassifizieren Sie folgende Differentialgleichngen nach folgenden Kriterien: -Ordnng der Differentialgleichng
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrTheoretische Informatik I
Theoretische Informatik I cript zr Vorlesng om 090620000 Angefertigt on: Matrikel-Nr: 702781 Woraf rde in dieser Vorlesng eingegangen? 1 Eingehen af die orherigen Vorlesng 1 2 ystematische Konstrktion
MehrDeskriptive Statistik Erläuterungen
Grundlagen der Wirtschaftsmathematik und Statistik Erläuterungen Lernmaterial zum Modul - 40601 - der Fernuniversität Hagen 7 2.1 Einfache Lageparameter aus einer gegebenen Messreihe ablesen Erklärung
MehrStatistik I für Betriebswirte Vorlesung 9
Statistik I für Betriebswirte Vorlesung 9 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik Vorlesung am 8. Juni 2017 im Audi-Max (AUD-1001) Dr. Andreas Wünsche Statistik I für Betriebswirte
Mehr3 Flächen und Flächenintegrale
3 Flächen Flächen sind im dreidimensionalen Ram eingebettete zweidimensionale geometrische Objekte In der Mechanik werden zb Membranen nd chalen als Flächen idealisiert In der Geometrie treten Flächen
Mehr0 Einführung: Was ist Statistik
0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik Häufigkeitsverteilungen Statistische Kennwerte 3 Multivariate Statistik 4 Regression 5 Ergänzungen Deskriptive
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrB: Gleichung der Kugel mit Zentrum M(3, -2, 1), die den Punkt P(1, 4, 4) enthält.
5 0. Die Kgel 0. Die Kgelgleichng Def. Unter der Kgel k mit Mittelpnkt M nd adis verstehen wir die Menge aller Pnkte P, die vom Mittelpnkt M einen vorgegebenen abstand haben, für die also gilt: MP MP oder
MehrYield Management II. Das Zeitungsjungenproblem
II Flie 1 Das Zeitngsjngenprblem Ein Zeitngsjnge kaft Zeitngen beim Verlag für f c je Stück ein nd verkaft sie für f p je Stück. Die Nachfrage nach Zeitngen x ist stchastisch. Der Zeitngsjnge kennt die
MehrTechnische Mechanik I. Vektorrechnung Eine Einführung
Uniersität Stttgart Institt für Mechanik Prof. Dr.-Ing. W. Ehlers www. mechba. ni-stttgart. de Ergänzng zr Vorlesng Technische Mechanik I Vektorrechnng Eine Einführng WS 2015/16 Lehrsthl für Kontinmsmechanik,
MehrFormfunktionen (Interpolation): Bedeutung und praktischer Einsatz
Formfnktionen (Interpolation): Bedetng nd praktischer Einsatz Dr.-Ing. Martin Zimmermann Lehrsthl für Konstrktionslehre nd CAD Universität Bayreth Einleitng, Problem nd Motivation Knoten Steifigkeit Elemente
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
Mehr4 Einführung in die Optimierung. 4.1 Grundlagen der linearen Programmierung. Lineare Programme Haupteigenschaften
Einführng in die Optimierng Optimierngsproblem begegnen ns in verschiedenster Form o sind häfig Entscheidngen z fällen (definiert als die Wahl von Entscheidngsvariablen), die direkte Wirkng af nsere Ziele
MehrÜbungsaufgaben Mathematik 3 MST Lösung zu Blatt 4 Differentialgleichungen
Übngsafgaben Mathematik MST Lösng z Blatt 4 Differentialgleichngen Prof. Dr. B.Grabowski Z Afgabe ) Lösen Sie folgende Differentialgleichngen nd Anfangswertprobleme drch mehrfaches Integrieren nach y(x)
Mehr3 Konsumenten. Nutzenfunktionen Konsumenten vergleichen und bewerten Güterbündel: Güter : Nutzenfunktion eines Konsumenten. Güterraum.
Konsmenten Ntzenfnktionen Konsmenten vergleichen nd bewerten Güterbündel: l Güter : l K l R+ Güterram Ntzenfnktion eines Konsmenten U : l R +... R a... l l Güterbündel reelle Zahl 7 Eine Ntzenfnktion ermöglicht
MehrDifferentialgleichungen für Ingenieure WS 06/07
Differentialgleichngen für Ingeniere WS 6/7 4. Vorlesng Michael Karow Themen hete:. Gewöhnliche Lineare Differentialgleichngen. Ordnng (a) Das gedämpfte Pendel als Beispiel (b) Fndamentalsysteme (Lösngsbasen)
MehrKlausur Strömungsmaschinen I SoSem 2015
Klasr Strömngsmaschinen I SoSem 2015 26. Agst 2015, Beginn 13:00 Uhr Prüfngszeit: 90 Minten Zgelassene Hilfsmittel sind: Taschenrechner Geodreieck Zeichenmaterial gestellte Formelsammlng Andere Hilfsmittel,
MehrBERGISCHE UNIVERSITÄT WUPPERTAL FACHBEREICH WIRTSCHAFTSWISSENSCHAFT - SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS
Platz-Nr.: Name: Vorname: Matrikel-Nr.: BERGISCHE UNIVERSITÄT WUPPERTAL FACHBEREICH WIRTSCHAFTSWISSENSCHAFT - SCHUMPETER SCHOOL OF BUSINESS AND ECONOMICS Prüfngsgebiet: Einführng in die Wirtschaftsinformatik
MehrFerienkurs Analysis 3 für Physiker. Integralsätze
Ferienkrs Analysis 3 für Physiker Integralsätze Ator: Benjamin Rüth Stand: 17. März 214 Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis 1 Differentialoperatoren 3 2 Integralsatz von Gaß 4 2.1
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 2007/08 UNIVERSITÄT KARLSRUHE Blatt 1 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen
MehrIntegrationsmethoden. für. gebrochen rationale Funktionen DEMO. Übersicht über die wichtigsten Methoden. Vor allem für das Studium!
Integralrechnng Integrationsmethoden für gebrochen rationale Fnktionen Übersicht über die wichtigsten Methoden Vor allem für das Stdim! Tet 800 Stand 8. Febrar 08 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK
MehrMathematik für Wirtschaftswissenschaftler
Mathematik für Wirtschaftswissenschaftler Yves Schneider Universität Luzern Frühjahr 2016 Repetition Kapitel 1 bis 3 2 / 54 Repetition Kapitel 1 bis 3 Ausgewählte Themen Kapitel 1 Ausgewählte Themen Kapitel
Mehrx n eine Audruck für die mittlere Lebensdauer (=Lebenserwartung) der Gruppe N.
Lebenserwartung Bevölkerungslehre / demography / démographie /demografia / demografia Akademische Disziplin der Statistik/academic field of statistics/ la discipline statistique/estadística/disciplina
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrDiskrete Zufallsvariablen (Forts.) I
9 Eindimensionale Zufallsvariablen Diskrete Zufallsvariablen 9.4 Diskrete Zufallsvariablen (Forts.) I T (X ) ist endlich oder abzählbar unendlich, die Elemente von T (X ) werden daher im Folgenden häufig
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF DR ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 07052013 Mittelwerte und Lagemaße II 1 Anwendung und Berechnung
MehrAnwendungen der Differentialrechnung
KAPITEL 5 Anwendungen der Differentialrechnung 5.1 Maxima und Minima einer Funktion......................... 80 5.2 Mittelwertsatz.................................... 82 5.3 Kurvendiskussion..................................
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
MehrFit for Abi & Study Stochastik
Fit for Abi & Study Stochastik Prof. Dr. Tilla Schade Hochschule Harz 15. und 16. April 2014 No. 1 Stochastik besteht aus: Wahrscheinlichkeitsrechnung Statistik No. 2 Gliederung Grundlagen Zufallsgrößen
MehrIn diesem Abschnitt soll der Zusammenhang zwischen dem bestimmten Integral und dem Flächeninhalt untersucht werden.
7. Bestimmtes Integrl nd Flächeninhlt In diesem Abschnitt soll der Zsmmenhng zwischen dem bestimmten Integrl nd dem Flächeninhlt nterscht werden. einführendes Beispiel: Berechne die folgenden bestimmten
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
MehrVorlesung: Analysis II für Ingenieure. Wintersemester 09/10. Michael Karow. Themen: Flächen und Flächenintegrale
Vorlesng: Analsis II für Ingeniere Wintersemester 9/ Michael Karow Themen: lächen nd lächenintegrale Parametrisierte lächen I Sei 2 eine kompakte Menge mit stückweise glattem and (d.h. der and ist as glatten
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrKlassische Ruintheorie
Seminar Versiherngsrisiko n Rin Prof. Dr. H. Shmili 3.6 Ying Zho Klassishe Rintheorie 7.8 Die Laplae Transformation er Überlebenswahrshein lihkeit In iesem Abshnitt sehen wir, wie φ rh ie Laplae Transformation
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2012/13 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die
MehrKombinierter Bias-Effekt in LDA-Messungen von Strömungen mit örtlichen Geschwindigkeitsgradienten
Fachtagng Lasermethoden in der Strömngsmesstechnik 7. 9. September 00 Kombinierter Bias-ffekt in LDA-Messngen von Strömngen mit örtlichen Geschwindigkeitsgradienten Zh. Zhang Kraftwerke Oberhasli AG (KWO)
MehrMathematische Statistik. Zur Notation
Mathematische Statistik dient dazu, anhand von Stichproben Informationen zu gewinnen. Während die Wahrscheinlichkeitsrechnung Prognosen über das Eintreten zufälliger (zukünftiger) Ereignisse macht, werden
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
MehrLagemaße Übung. Zentrale Methodenlehre, Europa Universität - Flensburg
Lagemaße Übung M O D U S, M E D I A N, M I T T E L W E R T, M O D A L K L A S S E, M E D I A N, K L A S S E, I N T E R P O L A T I O N D E R M E D I A N, K L A S S E M I T T E Zentrale Methodenlehre, Europa
MehrWeitere Lagemaße: Quantile/Perzentile I
3 Auswertung von eindimensionalen Daten Lagemaße 3.3 Weitere Lagemaße: Quantile/Perzentile I Für jeden Median x med gilt: Mindestens 50% der Merkmalswerte sind kleiner gleich x med und ebenso mindestens
MehrSchriftliche Prüfung aus Control Systems 1 am
U Graz, Institt für Regelngs- nd Atomatisierngstechnik Schriftliche Prüfng as Control Systems am 8004 Name / Vorname(n): Kennzahl / Matrikel-Nmmer: Prüfngsmods: O VO+UE (M) O VO (BM) Bonspnkte as den MALAB-Übngen:
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrBeispiel 4 (Einige weitere Aufgaben)
1 Beispiel 4 (Einige weitere Aufgaben) Aufgabe 1 Bestimmen Sie für die folgenden Zweierstichproben, d. h. Stichproben, die jeweils aus zwei Beobachtungen bestehen, a) den Durchschnitt x b) die mittlere
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Zufallsvariable Erinnerung: Merkmal, Merkmalsausprägung Deskriptive Statistik:
Mehr2015, MNZ. Jürgen Schmidt. Vorkurs. Mathematik. Ableiten. Tag WS 2015/16
Vorkurs 4. Mathematik Ableiten WS 2015/16 Tag Einführendes Beispiel Vernachlässigen wir den Luftwiderstand, so können wir in hinreichender Näherung für den freien Fall eines Körpers s(t) = 5t 2 als Weg-Zeit-Abhängigkeit
MehrAbschnitt 1.3. Funktionen
Abschnitt 1.3 Funktionen Arbeitsdefinition des Begriffs Funktion Bereits an Ende von Abschnitt 1.1 wurde definiert: Eine Funktion f ordnet Elementen x einer Menge D Elemente f (x) zu, die in der Menge
MehrBiomathematik für Mediziner
Institut für Medizinische Biometrie, Informatik und Epidemiologie der Universität Bonn (Direktor: Prof. Dr. Max P. Baur) Biomathematik für Mediziner Klausur SS 2002 Aufgabe 1: Franz Beckenbauer will, dass
MehrGeometrie und Topologie von Flächen
SoSe 06 Geometrie nd Topologie on Flächen Lösng der Afgaben on Blatt 6 Prof. Dr. Thomas Vogel Dr. Jonathan Bowden Afgabe. a) Wir wählen die Parametrisierng ϕ : V S, ϕx, y) x, y, ϕx, y)). Nach Definition
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
MehrKapitel 5. Univariate Zufallsvariablen. 5.1 Diskrete Zufallsvariablen
Kapitel 5 Univariate Zufallsvariablen Im ersten Teil dieses Skriptes haben wir uns mit Daten beschäftigt und gezeigt, wie man die Verteilung eines Merkmals beschreiben kann. Ist man nur an der Population
MehrWahrscheinlichkeitstheorie
Kapitel 2 Wahrscheinlichkeitstheorie Wir betrachten Ereignisse, die in fast gleicher Form öfter auftreten oder zumindest öfter auftreten können. Beispiele: Werfen eines Würfels, Sterben an Herzversagen
Mehr. Die Differenz zwischen den Umschaltpunkten nennt man Hysterese u H. -u T- (t): Eingangssignal. (t): Ausgangssignal
sind Komparatorschaltngen mit Mitkopplng Sie werden haptsächlich zr Implsformng nd echteckwandler eingesetzt Im Gegensatz zr konventionellen Komparatorschaltng wird die eferenzspannng nicht fest vorgegeben,
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrMikroökonomik. 1.3 Kriterien der Entscheidungsfindung: Präferenzen. Der Einfachheit halber beschränken wir uns auf n = 2 ( zwei Güter).
.3 Kriterien der Entscheidngsfindng: Präferenzen Der Einfachheit halber beschränken wir ns af n = ( zwei Güter. Annahme: Konsmenten können für sich herasfinden ob sie das Güterbündel = ( dem Güterbündel
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrStatistik-Klausur vom 6. Februar 2007
Statistik-Klausur vom 6. Februar 2007 Bearbeitungszeit: 90 Minuten Aufgabe 1 Bei einer Besucherumfrage in zwei Museen wurden die Besuchsdauern (gemessen in Stunden) festgestellt: Besuchsdauer Anteil der
MehrStatistik I für Betriebswirte Vorlesung 9
Statistik I für Betriebswirte Vorlesung 9 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 06. Juni 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrPlanarität und Dualität
Kapitel 3 Planarität nd Dalität Bei der Darstellng on Diagrammen nd bei der Realisierng on Schaltngen af Chips tritt das Problem af, den raphen so darzstellen, dass sich möglichst wenige Kante krezen.
MehrBeispiel 2 (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter)
Beispiel (Einige Aufgaben zu Lageparametern) Aufgabe 1 (Lageparameter) 1 Ein Statistiker ist zu früh zu einer Verabredung gekommen und vertreibt sich nun die Zeit damit, daß er die Anzahl X der Stockwerke
Mehr1,2,3,4,5,... Dabei ist die Reihenfolge wichtig, jede Zahl hat also ihre feste Position. Die Folge 2,1,4,3,... ist eine andere als 1,2,3,4,...
9 Folgen Eine (unendliche) Folge im herkömmlichen Sinn entsteht durch Hintereinanderschreiben von Zahlen, z.b.: 1,2,3,4,5,... Dabei ist die Reihenfolge wichtig, jede Zahl hat also ihre feste Position.
MehrKapitel II Funktionen reeller Variabler
Kapitel II Funktionen reeller Variabler D (Funktion) Es sei f XxY eine Abbildung Die Abbildung f heiß Funktion, falls sie eindeutig ist Man schreibt dann auch: f : X Y f ( x) = y, wobei y das (eindeutig
MehrKlausurlösungen Statistik
Klausurlösungen Statistik Kurs 4060 Grundlagen der Statistik - Version vom 0.0.07 Wichtige Hinweise Liebe Studierende, Vielen Dank für den Erwerb dieser Klausurlösungen zum Kurs 4060 Grundlagen der Statistik
Mehr