Kurzeinführung in die Fehlerrechnung für das Physik-Praktikum
|
|
- Ulrike Zimmermann
- vor 7 Jahren
- Abrufe
Transkript
1 Mathematsch-Naturwssenschaftlche Fakultät Insttut für Physk Kurzenführung n de Fehlerrechnung für das Physk-Praktkum Julen Kluge Januar 2017 Inhaltsverzechns 1 Mttelwerte Arthmetscher Mttelwert Gewchteter Mttelwert Phytagoresche Addton 3 3 Standardabwechung 4 4 Vertrauensberech Student T-Wert Größtfehlerabschätzung Runden und sgnfkante Stellen DIN Angabe von Naturkonstanten Kochrezept: Messwert berechnen 9 7 Gaußsche Fehlerfortpflanzung Exkurs: Korrelaton unkorrelerte Varablen korrelerte Varablen Regressonen Ft-Modell (Lneartät) Gewchtete Regresson R 2 -Test χ 2 /dof-test Kovaranzmatrx Korrelatonsmatrx Korrelaton lnearer Funktonen
2 1 MITTELWERTE 1 Mttelwerte 1.1 Arthmetscher Mttelwert Der normale, arthmetsche Mttelwert x sollte ja noch aus der Schule bekannt sen. Man addert enfach alle Werte x zusammen, und telt durch de Anzahl n aller Werte. x = x 1 + x x n 1 + x n n (1) Mt Summenschrebwese (de wr als Physker natürlch bevorzugen wel se kompakter st) ergbt sch de Standardmäßge Defnton: Defnton 1: Arthmetscher Mttelwert x = 1 n n x (2) x n x Mttelwert Anzahl aller (Mess)Werte -ter (Mess)Wert 1.2 Gewchteter Mttelwert Man stelle sch folgende Stuaton vor: man hat de Werte x und möchte aus denen en Mttelwert blden. Jetzt weß man aber, dass enge deser Werte vel genauer und/oder wenger Unscher snd als andere. Da hätte man es doch leber, dese Werte stärker n den Mttelwert engehen zu lassen. Dafür exstert der gewchtete Mttelwert. In mathematschen Worten also folgendes: man habe de Werte x mt den Unscherheten u und führe enen Gewchtungsfaktor p en, der von der Unscherhet abhängt: p = p (u ). Jetzt st uns klar, das wenn de Unscherhet u klen st, dann wollen wr den wert stärker gewchten, andersrum wollen wr ene klene Gewchtung für größere Unscherheten. Des weteren glt, de statstsche Streuung enes Wert mt Unscherhet u st enfach mt dem Quadrat gegeben, es glt also: p 1 u 2 (3) Unter Enführung ener Proportonaltätskonstante C bekommen wr p = C u 2 (4) Wenn man desen Gewchtungsfaktor n de Formel (8) ensetzt, bemerkt man dass der Proportonaltätsfaktor fast fre gewählt werden darf mt: C R\{0} (5) Humboldt-Unverstät zu Berln 1 Kurzenführung Fehlerrechnung
3 1.2 Gewchteter Mttelwert 1 MITTELWERTE Für alle de mt enem CAS-System we Mathematca, Matlab, etc. arbeten, kann der Faktor demnach der Enfachhet halber zu ens gesetzt werden: Defnton 2: Instrumenteller Gewchtungsfaktor p = 1 u 2 (6) p Gewchtungsfaktor für den Wert (x ± u ) u Unscherhet des Wertes x Für alle anderen de per Hand mt Taschenrechner, Excel, Verenfachung gemacht werden ndem man setzt: o.ä. rechnen, kann ene C = u 2 1 (7) Damt wrd p 1 = 1 und alle anderen Gewchtungsfaktoren snd relatve Quotenten zu p 1. Das st aber natürlch ncht unbedngt notwendg. Jetzt kann das gewchtete Mttel defnert werden mt: Defnton 3: Gewchteter Mttelwert x = n p x n p (8) x n x p Mttelwert Anzahl aller Werte -ter Wert -ter Gewchtungsfaktor Natürlch st auch de Unscherhet des Mttelwertes damt betroffen: u = ± n (p u ) 2 n p (9) Durch ensetzen des nstrumentellen Gewchtungsfaktors und Verenfachung erhält man: Defnton 4: Gewchtete mttlere Unscherhet C u = ± n p ( n ) 1/2 C=1 == u = ± p (10) u p C Mttlere Unscherhet -ter Gewchtungsfaktor fre wählbare Proportonaltätskonstante Humboldt-Unverstät zu Berln 2 Kurzenführung Fehlerrechnung
4 2 PHYTAGOREISCHE ADDITION Bespel 1: Berechnung enes gewchteten Mttels Folgende Werte der Erdbeschleungung g mt Unscherhet u wurden gemessen: Es berechnet sch mt C = 1: g [ m /s 2 ] ±u [ m /s 2 ] p = 1/u 2 p g Σ Es folgt das Ergebns: Und damt: g = p g p = (11) u = ± 1 p = ± (12) g = (9.81 ± 0.03) m /s 2 (13) Wchtge Anmerkung 1 Das gewchtete Mttel darf nur n Fällen gebldet werden, ndem sch alle Unscherhetsntervalle überschneden. 2 Phytagoresche Addton Wenn man bespelswese mehre Unscherheten für enen Wert zusammenführen wll, muss das geometrsch geschehen. Dafür benutzt man de phytagoresche Addton. Se st folgendermaßen defnert: x = x x x 2 n 1 + x 2 n (14) Mt Summenschrebwese führt das auf: Humboldt-Unverstät zu Berln 3 Kurzenführung Fehlerrechnung
5 3 STANDARDABWEICHUNG Defnton 5: Phytagoresche Addton x = n x 2 (15) x n x Phytagoresch adderter Wert Anzahl aller Werte -ter Wert 3 Standardabwechung Ist en Messwert mt enem zufällgen Fehler belegt, so streuen dese um enen gemensamen Punkt (ohne Systematsche Abwechungen st deser Punkt der Wahrhetswert). Dabe nmmt dese Streuung de Form ener Gaußschen Normalvertelung P N (x, µ, σ) (auch Glockenkurve genannt) an. De Form ener Glocke erklärt sch lecht, wenn man annmmt, dass Streuungen mt stegendem Abstand vom Mttelwert µ zunehmend unwahrschenlcher werden. De Wahrschenlchket selbst st de Fläche unter der Kurve. Es glt also: 0-3σ -2σ -σ μ σ 2σ 3σ Abbldung 1: Normalvertelung mt Mttelwert µ und Standardabwechung σ P N (x, µ, σ)dx = 1 (16) Man seht lecht, dass dese symmetrsch um den Mttelwert µ st. Damt können nun symmetrsche Intervalle festgelegt werden n denen ene bekannte Wahrschenlchket exstert, dass ene Messung dort landet. Dese Intervalle nennt man Standardabwechung σ und snd selbst Parameter für de Normalvertelung. Für de ersten Intervalle glt: Intervall statstsche Scherhet µ ± 1σ 68.3% µ ± 2σ 95.4% µ ± 3σ 99.7% µ ± 4σ % µ ± 5σ % Humboldt-Unverstät zu Berln 4 Kurzenführung Fehlerrechnung
6 3 STANDARDABWEICHUNG Wr rechnen n der Physk für gewöhnlch mt ener statstschen Unscherhet von ener Standardabwechung (en Sgma). Hat man ene Messrehe gemacht, kann de Standardabwechung davon berechnet werden mt: Defnton 6: Standardabwechung σ = 1 n 1 n (x µ) 2 (17) σ Standardabwechung (auch häufg s) n Anzahl aller Messwerte -ter Messwert µ Mttelwert x der Messwerte x Bespel 2: Berechnung der Standardabwechung wurden aufge- Folgende zehn Messwerte (n = 10) für de Erdbeschleungung g m /s 2 nommen: , , , , , , , , Der Mttelwert s g = µ = (18) Wr berechnen (g µ) Σ Und somt ergbt sch de Standardabwechung zu: 1 s = σ = (19) (20) Humboldt-Unverstät zu Berln 5 Kurzenführung Fehlerrechnung
7 4 VERTRAUENSBEREICH Wchtge Anmerkung 2 De mesten Programme beten enen fertgen Befehl um de Standardabwechung zu berechnen. Bespele snd: Programm Mathematca Matlab Excel (eng.) Excel (deu.) R Befehl/Funkton StandardDevaton std STDEV STABW sd 4 Vertrauensberech Mthlfe der Standardabwechung lässt sch, n ener bestmmten statstschen Wahrschenlchket, de zufällge Messunscherhet abschätzen. Dese Abschätzung nennt sch Vertrauensberech und st folgendermaßen defnert: Defnton 7: Vertrauensberech s = ±t s n (21) s s n t Vertrauensberech Standardabwechung Anzahl aller Messwerte Student T-Wert 4.1 Student T-Wert Der Student-Faktor (benannt nach Wllam Sealy Gosset der unter dem Pseudonym Student gearbetet hat) kann auf komplzerter Wese, von der Student T-Vertelung berechnet werden. Dese Vertelung bestzt nur de Anzahl der Messwerte n (egentlch Frehetsgrade: ν = n 1) als Parameter und st um null symmetrsch. In den Enführungspraktka und Grundpraktkum I & II st es erlaubt de Näherung t 1 für n 6 zu machen. Wll man dese Näherung ncht engehen, kann man n folgende Tabelle gucken und den Wert ablesen. Humboldt-Unverstät zu Berln 6 Kurzenführung Fehlerrechnung
8 4.1 Student T-Wert 4 VERTRAUENSBEREICH n 1σ 2σ 3σ 4σ 5σ Wr sehen, dass de m Praktkum verwendete Näherung be n 6 wllkürlch und den Versuchen zweckmäßg gewählt worden st. Humboldt-Unverstät zu Berln 7 Kurzenführung Fehlerrechnung
9 4.2 Größtfehlerabschätzung 5 RUNDEN UND SIGNIFIKANTE STELLEN 4.2 Größtfehlerabschätzung Es stellt sch de Frage, was man benutzt wenn n < 6 und de Näherung des Student T-Wertes ncht mehr gemacht werden kann. In desem Fall kann man ene Größtfehlerabschätzung machen. In enfachen Worten nmmt man de Größtmöglchen Abwechungen der Messrehe an, ndem man sch anguckt welcher Wert am wetesten vom Mttelwert entfernt st und nmmt das als Unscherhet. Es glt also: Defnton 8: Größtfehlerabschätzung als Vertrauensberech s = ± max x x (22) s x x Vertrauensberech -ter Messwert Mttelwert Bespel 3: Vertrauensberech mt Standardabwechung Wr nehmen de Werte des vorhergen Bespels: s n = 10 Es ergbt sch ohne Student T-Wert: s = ± ± (23) Mt Student T-Wert (t(n = 10) ): s = ± ± (24) Mt Größtfehlerabschätzung (auch wenn se her wrklch nutzlos st): s = ± max(0.0243, , , , , , , , , ) s = ± Runden und sgnfkante Stellen Ergebnsse auf 20 Stellen genau zu berechnen st zwar ene tolle Lestung aber ncht sehr snnvoll. Es macht kenen Snn, Werte jensets von hren Fehlergrenzen genau anzugeben, deswegen müssen wr auf rchtge Stellen runden. Im Allgemenen runden wr so, dass de erste Stelle des Fehlers unglech null, glechzetg de letzte Zffer von rechts st. Dabe wrd der Messwert kaufmännsch gerundet, während Humboldt-Unverstät zu Berln 8 Kurzenführung Fehlerrechnung
10 5.1 DIN 6 KOCHREZEPT: MESSWERT BERECHNEN der Fehler stets aufgerundet wrd. Dabe müssen nachgehende Nullen vom Wert zwngend mtgeschreben werden. De so noch erhaltenen Stellen werden als sgnfkant bezechnet. Bespel 4: Runden ( ± 0.057) (6.33 ± 0.06) (25) (36.03 ± 0.41) (36.0 ± 0.5) (26) 5.1 DIN We für alles, exstert ene egene DIN-Norm mt ener Egenhet. Es glt, wenn de Unscherhet mt der ersten Stelle auf ens oder zwe geht, dann muss de Sgnfkanz auf ene wetere Stelle ausgedehnt werden. Nachgehende Nullen de herbe durch Runden entstehen können, müssen deses mal auch bem Fehler mtgenommen werden. Bespel 5: Runden nach DIN ( ± 0.134) (6.33 ± 0.14) (27) ( ± 0.148) (36.00 ± 0.15) (28) ( ± 0.297) (15.44 ± 0.30) (29) 5.2 Angabe von Naturkonstanten Be der Angabe von Naturkonstanten kann man telwese ene andere Notaton zur Angabe von Unscherheten beobachten. Her wrd hnter dem Wert de Unscherhet engeklammert welche mt sgnfkanter Stellenzahl von rechts gesehen geht. Bespel 6: Notaton von Naturkonstanten Das plancksche, reduzerte Wrkungsquantum wrd angegeben mt: = (13) Js (30) = ( ± ) Js (31) Der Vortel deser Notaton st offenschtlch. Mt den vorhergehenden Bespelen: (6.33 ± 0.06) 6.33(6) (32) (36.0 ± 0.5) 36.0(5) (33) 6 Kochrezept: Messwert berechnen Hat man nun sukzessv de erste Messrehe für enen Wert durchgeführt, gbt es en Kochrezept we wr desen sowe senen Fehler ordentlch berechnen können: Humboldt-Unverstät zu Berln 9 Kurzenführung Fehlerrechnung
11 7 GAUSSSCHE FEHLERFORTPFLANZUNG Defnton 9: Messwertberechnung 1. Mttelwert berechnen x = 1 n n x 2. bekannte systematsche Fehler korrgeren: x k = x + u sys. 3. Vertrauensberech berechnen { s 1 s = ± n = n n(n 1) (x µ) 2 n 6 max x x n < 6 4. Messunscherhet durch phytagoresches Adderen aller Unscherheten berechnen u = s 2 + u 2 gerät + u2 ablese + u2 rest 5. Ergebns auf sgnfkante Stellen runden, mt Enhet (und Zehnerpotenz oder SI-Präfx) angeben. (x k ± u) 10 m [SI-Präfx-Enhet] Wchtge Anmerkung 3 Be Angabe von Enheten muss stets darauf geachtet werden, dass dese ncht kursv geschreben snd. 7 Gaußsche Fehlerfortpflanzung Wenn man ene Funkton y = f (a, b, c,...) mt den Werten a, b, c,... und den dazugehörgen Unscherheten u a, u b, u c,... hat, kann man y = f(a, b, c,...) ausrechnen. Doch we rechnet man de Unscherhet für y aus? Dafür exstert de Gaußsche Fehlerfortpflanzung. 7.1 Exkurs: Korrelaton Ohne vel Hntergrundwssen glt allgemen: zwe Größen snd mtenander Korrelert, wenn man de ene ncht ohne de andere wählen kann. Man kann sch deses Prnzp sehr lecht an ener lnearen Funkton erklären: Humboldt-Unverstät zu Berln 10 Kurzenführung Fehlerrechnung
12 7.2 unkorrelerte Varablen 7 GAUSSSCHE FEHLERFORTPFLANZUNG In der nebenstehenden Abbldung wurde ene lneare Funkton f(x) = a x + b möglchst passend durch de vorhanden Punkte gelegt (durchgezogene Lne; wr werden das m nächsten Kaptel unter Regresson kennenlernen). Wenn man sch nun vorstellt, dass man den Ansteg a deser Gerade nach oben zwngt (gepunktete Lne), dann muss der Achsenschnttpunkt b snken damt de Gerade weder relatv gut n den Punkten legt (gestrchelte Lne). Das gleche glt auch andersherum, zwngt man den Ansteg nach unten, stegt der Achsenabschntt. Natürlch glt das auch n vertauschten Rollen, also zwngt man den Achsenabschntt zu snken, muss der Ansteg stegen und andersrum. Man merkt damt, dass man de beden Parameter der lnearen Funkton ncht unabhängg vonenander wählen kann. Se snd also korrelert. Deses Konzept wrd für Fehlerfortpflanzung wchtg da man für jede Korrelaton enen weteren Term bekommt der berechnet werden muss. 7.2 unkorrelerte Varablen Wenn de enzelnen Werte x mt den Unscherheten u ncht mtenander korrelert snd und de Funkton f(x 1, x 2,..., x n ) ausgerechnet werden soll, dann kann man de Gaußsche Fehlerfortpflanzung darstellen mt: Defnton 10: Unkorrelerte Gaußsche Fehlerfortpflanzung u f = n ( ) 2 f (x1, x 2,..., x n ) u (34) x u f fortgeplanzter Fehler der berechneten Funkton f(x 1, x 2,...) n Anzahl aller Werte x -te(r) Varable/Wert -te Unscherhet u Man kann sch dese Formel anschaulch darstellen. De partelle Abletung f am x Punkt (x 1, x 2,..., x n ) zegt den Ansteg nach x und damt, we empfndlch de Formel auf Änderung deser Varable reagert. Es fungert somt als Gewchtung zur Unscherhet u welche Schlussendlch phytagoresch mt allen anderen addert wrd. Humboldt-Unverstät zu Berln 11 Kurzenführung Fehlerrechnung
13 7.3 korrelerte Varablen 7 GAUSSSCHE FEHLERFORTPFLANZUNG Bespel 7: Unkorrelerte Fehlerfortpflanzung Nach ohmschen Gesetz glt folgender Zusammenhang zwschen Spannung U, Stromstärke I und elektrscher Wderstand R: R = U I (35) Man nehme jetzt folgende Werte (ungerundet) an: Durch schnelle Rechnung ergbt sch: U = ( ± 7.34) V (36) I = ( ± ) A (37) R = Ω (38) De Unscherhet von R bestmmt sch (unter Vernachlässgung der Korrelaton) durch Fehlerfortpflanzung: ( R ) 2 ( ) 2 R u R = U u U + I u I (39) (1 ) 2 ( = I u U + U 2 I) I u (40) 2 ( ) 2 ( ) = (0.9239) (41) u R = (42) Damt st das Ergebns (gerundet): R = (258 ± 9) Ω (43) 7.3 korrelerte Varablen Für jede Korrelaton der beden Varablen x und x j mt der zugehörgen Kovaranz u,j (wrd n enem späteren Kaptel erklärt), addert sch en weterer Term der Form 2 f(x 1, x 2,..., x n ) x f(x 1, x 2,..., x n ) x j u,j (44) mt unter de Wurzel der unkorrelerten Fortpflanzung. Man kann also allgemen schreben: Humboldt-Unverstät zu Berln 12 Kurzenführung Fehlerrechnung
14 8 REGRESSIONEN Defnton 11: Korrelerte Gaußsche Fehlerfortpflanzung u f = n ( ) 2 f (x1,...) u + 2 x n n j=+1 f (x 1,...) x f (x 1...) x j u,j (45) u f fortgeplanzter Fehler der berechneten Funkton f(x 1, x 2,...) n Anzahl aller Werte x -te(r) Varable/Wert u -te Unscherhet Kovaranz der Werte x und x j u,j Bespel 8: Korrelerte Fehlerfortpflanzung Gleches Bespel we zuvor mt den selben Werten und enem Kovaranzfaktor von Es folgt mt Korrelatonsterm: (1 u R = I u U (1 = I u U u U,I = (46) ) 2 ( + U ) 2 I u 2 I + 2 R ) 2 + ( U I 2 u I U R I u U,I (47) ) 2 2 U I u 3 U,I (48) u R = (49) Und somt das Ergebns (gerundet): R = (258 ± 12) Ω (50) Wchtge Anmerkung 4 Korrelatonsterme können (anders als unkorrelerte) de Unscherhet sowohl n postve als auch negatve Rchtung verändern. 8 Regressonen Es gbt vele Wege we man de Regresson (auch: Ausglechsrechnung oder Ft) fachlch und mathematsch rchtg enführen kann. De enfachste Form st aber zu sagen: Wr haben n vele Wertepaare (x, y ) mt den dazugehörgen Unscherheten (u x,, u y, ) und ene Glechung y = f(x, α, β, γ,...) de den Verlauf deser Punkte beschreben sollte. We müssen wr jetzt de Parameter α, β, γ,... deser Glechung wählen, dass se am besten zu unseren Daten passt? Humboldt-Unverstät zu Berln 13 Kurzenführung Fehlerrechnung
15 8.1 Ft-Modell (Lneartät) 8 REGRESSIONEN Mathematsch basert das auf enem Verfahren das den Abstand zwschen Funktonswerten y = f(x ) zu gemessenen Werten y mnmert. [ n ] α, β, γ,... = mn (f(x, α, β, γ,...) y ) 2 (51) α,β,γ,... Deses Verfahren st (besonders für nchtlneare Fts) recht komplzert und soll ken Gegenstand deser Enführung her werden. Ergebnsse von Regressonen können auch vsuell dargestellt werden: Ampltude y(t) Zet t y(t)=a sn(t ω + ϕ) χ 2 /dof= A=(9.990±0.013)10-1 m ϕ=(1.008±0.006) rad ω=(9.96±0.04)10-1 s -1 y(t)=a sn(t ω + ϕ) χ 2 /dof= A=(1.994±0.012) m ϕ=(2.004±0.007) rad ω=(1.0652±0.0022) s -1 y(t)=a sn(t ω + ϕ) χ 2 /dof= A=(2.970±0.012) m ϕ=(3.0287±0.0017) rad ω=(1.1229±0.0015) s -1 Abbldung 2: Bespel dreer Regressonen nach der Funkton y(t) = A sn (ω t + Φ) Aufgrund der komplzerten Natur deser Verfahren werden dafür ausschleßlch Programme benutzt. Wchtge Anmerkung 5 De mesten Programme beten enen fertgen Befehl um Regressonen zu berechnen. Bespele snd: Programm lnearer Ft nchtlnearer Ft Mathematca LnearModelFt NonlnearModelFt Matlab polyft (engeschränkt) lsqcurveft Excel über Menü über Menü R lm nls QTI-Plot Menü: Ft Lnear (lneare Funkton) Menü: Ft Wzard 8.1 Ft-Modell (Lneartät) Ene lneare Regresson muss ncht zwngend ene lneare Funkton erzeugen. Ene Regresson st dann lnear, wenn de Funkton nach der se gemacht wrd, nur lnear engehende Regressonskoeffzenten α, β, γ,... bestzt. y = f(x) = α f 1 (x) + β f 2 (x) + γ f 3 (x) +... (52) Humboldt-Unverstät zu Berln 14 Kurzenführung Fehlerrechnung
16 8.2 Gewchtete Regresson 8 REGRESSIONEN Dabe snd f 1 (x), f 2 (x), f 3 (x),... belebge Funktonen fre von den verwendeten Parametern α, β, γ,... Bespel 9: Lnear / Nchtlneare Regressonsmodelle Funkton Parameter Lnear/Nchtlnear f(x) = a x + b a, b lnear f(x) = a exp (x) a lnear f(x) = a 2 x a nchtlnear f(x) = sn (a x) a nchtlnear f(x) = a x 2 + b exp (π x) a, b lnear f(x) = a x a nchtlnear 8.2 Gewchtete Regresson We auch bem gewchteten Mttel haben wr n der Regresson de Opton genauere/präzsere Messpunkte stärker n das Ergebns enfleßen zu lassen. Auch her glt de berets bekannte Instrumentelle Gewchtung, d.h. zu jedem Datenpunkt (x, y ) mt der Unscherhet (u x,, u y, ) exstert de Gewchtung p mt p = C u 2 y, C=1 p = 1 u 2 y, (53) Herbe fällt auf, das nur de Unscherhet von y ene Rolle spelt. Des macht man mt der Näherung, dass u x, u y,. Sollte dese Näherung umgekehrt gegeben sen, d.h. u x, u y,, kann man be y = f(x) de Umkehrfunkton blden x = f 1 (y) und nach (y, x ) mt den Gewchtungen p = 1 ftten. u 2 x, 8.3 R 2 -Test Der R 2 -Test oder auch Bestmmthetsmaß genannt, gbt an we vel Prozent der Abwechung von dem Ftmodell erklärt werden kann. Es st defnert mt: R 2 = 1 n (f(x ) y ) 2 n (y y ) 2 (54) und kann Werte von null bs ens annehmen. Dabe glt: Je näher der Wert an ens st, desto mehr passt das Modell zu den Daten. Üblche/gute Werte m Grundpraktkum kommen auf 0.99 und mehr. Bem normalen R 2 -Test gbt es aber en Problem. Stegt de Anzahl der Datenpunkte glecher Güte, dann stegt zwangsläufg auch der R 2 -Test mt. Um den entgegen zu wrken, kann en korrgerter Test angegeben werden mt: R 2 = R 2 ( 1 R 2) wobe p de Anzahl der Parameter m Ftmodell st. p n p 1 (55) Humboldt-Unverstät zu Berln 15 Kurzenführung Fehlerrechnung
17 8.4 χ 2 /dof-test 8 REGRESSIONEN Wchtge Anmerkung 6 Der R 2 -Test gbt ncht an, we gut en Ft an de Daten angepasst st oder ob das Ftmodell zu den Daten passt. Der Test kann auch nur be enem lnearen Ftmodell angewendet werden. 8.4 χ 2 /dof-test Der χ 2 /dof-test (dof steht für Frehetsgrade [degrees of freedom] und kann berechnet werden mt dof = n p wobe p de Anzahl an Ftparameter angbt) gbt begrenzte Auskunft darüber we gut der Ft nnerhalb der Unscherheten an de Daten angepasst st. Er kann Werte von null bs unendlch annehmen wobe en Wert von ungefähr ens als en guter Test glt. Abwechungen von desem Nomnalwert können mehrere Gründe haben: χ 2 /dof 1: Entweder zu große Unscherheten oder relatv zu den Unscherheten überdurchschnttlch gute Anpassung des Fts an de Daten. χ 2 /dof 1: Entweder zu klene Unscherheten oder relatv zu den Unscherheten unterdurchschnttlch schlechte Anpassung des Fts an de Daten. Defnert st der Test über de engangs erwähnten Abstandsquadrate der Messpunkte (x, y ) mt der Ftfunkton y = f(x) und den zu den Messpunkten gehörenden Messunscherheten (u x,, u y, ): χ 2 dof = 1 n p n (f(x ) y ) 2 u 2 y, (56) 8.5 Kovaranzmatrx Aus dem Kaptel zur korrelerten Gaußschen Fehlerfortpflanzung wssen wr, dass wr dazu enen Kovaranzfaktor u,j brauchen. Abgesehen von ener Abschätzung per Hand durch r,j u u j (sehe nächstes Unterkaptel), können dese Werte aus ener Regresson n Form ener Kovaranzmatrx gewonnen werden. Dese hat auf den Dagonalen de Quadrate der Unscherheten der Parameter und außerhalb de jewelg, gesuchten Kovaranzen. Se hat demnach folgende Form: Defnton 12: Kovaranzmatrx Mt den Ftparametern α, β, γ,...: u 2 α u α,β u α,γ... u β,α u 2 β u β,γ... cov (α, β, γ,...) = u γ,α u γ,β u 2 γ Dese quadratsche Matrx st ebenfalls symmetrsch, da glt u,j = u j,. (57) Humboldt-Unverstät zu Berln 16 Kurzenführung Fehlerrechnung
18 8.6 Korrelatonsmatrx 8 REGRESSIONEN 8.6 Korrelatonsmatrx Um de Stärke ener Korrelaton anzugeben, bedent man sch dem Korrelatonskoeffzent. Deser kann de Werte von mnus ens (stark ant-korrelert), durch null (ncht korrelert) bs ens (stark korrelert) annehmen und st defnert mt: Defnton 13: Korrelatonskoeffzent r α,β = u α,β u α u β (58) r α,β u α,β u α u β Korrelatonskoeffzent zwschen α und β Kovaranz zwschen α und β Unscherhet von α Unscherhet von β Mthlfe deses Wertes kann man Kovaranzen abschätzen. Hat man bespelswese folgende Unglechung: α 2 < β < α (59) Kann auf ene starke Korrelaton zwschen α und β geschlossen werden also r α,β 1 und damt folgt dann u α,β 1 u α u β als de Kovaranz. Enge Regressonsprogramme (z.b. QTI-Plot) können nur de Korrelatonsmatrx ausgeben aus denen dann de Kovaranz berechnet werden muss: 1 r α,β r α,γ... r β,α 1 r β,γ... corr (α, β, γ,...) = r γ,α r γ,β 1... (60) Herbe snd de Werte auf der Hauptdagonale ens, da u, = u 2 glt. 8.7 Korrelaton lnearer Funktonen Führt man ene Regresson über ene lneare Funkton der Form f(x) = a x + b durch und benutzt bede Parameter a und b später um den Bruch b a oder a zu berechnen, muss b man das unter voller Beachtung der Korrelaton tun. Es gbt aber enen Trck um sch de gesamte korrelerte Gaußsche Fehlerfortpflanzung zu sparen. Wenn man ene Varable aus der Glechung ausklammert: ( f(x) = a x + b ) ( a ) oder f(x) = b a b x + 1 (61) und den nneren Bruch-Term mt enem Parameter substtuert f(x) = a (x + c) oder f(x) = b (d x + 1) (62) erhält man mt c = b a oder d = a de Brüche mt kompletter korrelerter Fehlerabschätzung dessen Funktonen nur noch nchtlnear gefttet werden b müssen. Humboldt-Unverstät zu Berln 17 Kurzenführung Fehlerrechnung
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-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
Mehr2 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
MehrGrundgedanke 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
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrBeschreibung 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
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
MehrRückblick 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
MehrÜbungsklausur 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
MehrArbeitsgruppe 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
MehrStreuungs-, 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
MehrDie 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
MehrRegressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n
Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
Mehrwird 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
MehrKonkave 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
Mehr1 Finanzmathematik. 1.1 Das Modell. Sei Xt
1.1 Das Modell Se Xt der Pres enes Assets zur Zet t und X = X ) 1 d der Rd +-dmensonale Presprozess. Das Geld kann auch zu dem rskolosen Znssatz r be ener Bank angelegt werden. Der Wert deser Anlage wrd
Mehr9 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.
MehrGrundpraktikum M5 Oberflächenspannung
Grundpraktkum M5 Oberflächenspannung Julen Kluge 21. Ma 2015 Student: Julen Kluge (564513) Partner: Emly Albert (564536) Betreuer: Dr. Mykhaylo Semtsv Raum: 314 Messplatz: 2 INHALTSVERZEICHNIS 1 ABSTRACT
MehrDaten 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
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
MehrLineare Regression - Mathematische Grundlagen
FKULTÄT FÜR MTHEMTIK U TURWISSESCHFTE ISTITUT FÜR PHYSIK FCHGEBIET EXPERIMETLPHYSIK I r. rer. nat. orbert Sten, pl.-ing (FH) Helmut Barth Lneare Regresson - Mathematsche Grundlagen. llgemene Gerade Wr
MehrRotation (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
MehrErwartungswert, Varianz, Standardabweichung
RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
Mehr9 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(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
MehrGauss sche Fehlerrrechnung
Gauss sche Fehlerrrechnung T. Ihn 24. Oktober 206 Inhaltsverzechns Modell und Lkelhood 2 Alle Standardabwechungen σ snd bekannt, bzw. de Kovaranzmatrx der Daten st bekannt: Mnmeren der χ 2 -Funkton. 6
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
Mehr1 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
MehrWeitere NP-vollständige Probleme
Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
Mehre dt (Gaußsches Fehlerintegral)
Das Gaußsche Fehlerntegral Φ Ac 5-8 Das Gaußsche Fehlerntegral Φ st denert als das Integral über der Standard-Normalvertelung j( ) = -,5 n den Grenzen bs, also F,5 t ( ) = - e dt (Gaußsches Fehlerntegral)
MehrLineare Regression. Stefan Keppeler. 16. Januar Mathematik I für Biologen, Geowissenschaftler und Geoökologen
Mathematk I für Bologen, Geowssenschaftler und Geoökologen 16. Januar 2012 Problemstellung Bespel Maß für Abwechung Trck Mnmum? Exponentalfunktonen Potenzfunktonen Bespel Problemstellung: Gegeben seen
MehrNSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.
PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs
MehrAbbildung 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
MehrDer 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
MehrAufgabenkomplex 2: Umrechung von Einheiten, Ungleichungen, Komplexe Zahlen
Technsche Unverstät Chemntz 0. Oktober 009 Fakultät für Mathematk Höhere Mathematk I.1 Aufgabenkomplex : Umrechung von Enheten, Unglechungen, Komplexe Zahlen Letzter Abgabetermn: 19. November 009 n Übung
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Mehrz.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
MehrBedingte 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
Mehr1.Schularbeit 22.Okt A. A) Berechne ohne TI-92: Beachte: Für die Beispiele 1 und 2 sind alle notwendigen Rechenschritte anzugeben.
1.Schularbet.Okt. 1997 7.A A) Berechne ohne TI-9: Beachte: Für de Bespele 1 und snd alle notwendgen Rechenschrtte anzugeben. 1a) De zu z= a + bkonjugert komplexe Zahl st z= a b. Zege für z 1 = -4 + 3 und
MehrMehrfachregression: 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 + + +
Mehr6. 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
MehrMultilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel
ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore
Mehr1.1 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
MehrStatistik 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
Mehr16. 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,
MehrItemanalyse 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
MehrLösungen aller Aufgaben und Lernkontrollen
Oft gbt es be den Aufgaben mehr als nur enen rchtgen Lösungsweg. Es st jedoch mest nur ene Lösung dargestellt. Aufgaben u Kaptel Lösung u Aufgabe a) nach Defnton von. b) 4 ( ) ( ). c) 5 4. d) ( ) (( )
MehrUniversität 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,
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrStandardnormalverteilung / 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
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
Mehr3. 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)
MehrKapitel 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
MehrEmpirische Wirtschaftsforschung
Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung
MehrFORMELSAMMLUNG 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
MehrVorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
MehrLehrstuhl 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
MehrLineare 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:
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr5 Gemischte Verallgemeinerte Lineare Modelle
5 Gemschte Verallgemenerte Lneare Modelle Wr betrachten zunächst enge allgemene Aussagen für Gemschte Verallgemenerte Lneare Modelle. Se y der beobachtbare Zufallsvektor und u der Vektor der ncht-beobachtbaren
MehrAuswertung 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
Mehrω 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
MehrDie mathematischen Grundlagen der Wellenmechanik
De mathematschen Grundlagen der Wellenmechank Zustände und deren Darstellung En physkalsches System wrd durch enen Zustand u charaktersert, ndem es durch ene bestmmte expermentelle Präparaton gebracht
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrEinführung in Origin 8 Pro
Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten
MehrHochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen
Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket
Mehr6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
MehrResultate / "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
Mehr8 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
MehrAuswertung 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;
MehrSind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)
LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
MehrProtokoll zum Grundversuch Mechanik
Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel
Mehr12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2
1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:
MehrAuswertung 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;
MehrFacility 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
MehrAufgabe 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
MehrLineare 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
MehrInformatik 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
MehrOptimierung 4.3 A2 : Warenhauszentrale a 2 +b 2 =c 2 Materialbörse Mathematik
Zechenerklärung: [ ] - Drücken Se de entsprechende Taste des Graphkrechners! [ ] S - Drücken Se erst de Taste [SHIFT] und dann de entsprechende Taste! [ ] A - Drücken Se erst de Taste [ALPHA] und dann
MehrDer starre Körper. 1 Grundlagen. Dominik Fauser. 1.1 Denition. 1.2 Freiheitsgrade
Der starre Körper Domnk Fauser 1 Grundlagen 1.1 Denton Als enen starren Körper bezechnet man en System von Massepunkten m, deren Abstände zuenander konstant snd: r j = r r j. Mest betrachtet man ene sehr
MehrAnalyse 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
Mehr1 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(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
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
Mehr22. 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
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrMultivariate 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
MehrProf. 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
MehrSchriftliche Prüfung aus Systemtechnik am
U Graz, Insttut egelungs- und Automatserungstechnk Schrftlche Prüfung aus Systemtechnk am 4.. 5 Name / Vorname(n): Kenn-Matr.Nr.: Bonuspunkte: 4 errechbare Punkte 4 5 7 5 errechte Punkte U Graz, Insttut
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrVersuch Nr. 6. Chemische Kinetik Aktivierungsenergie (Inversion von Saccharose)
Chrstan Wdlng, Georg Deres Versuch Nr. 6 Chemsche Knet Atverungsenerge (Inverson von Saccharose) Zel des Versuchs: Das Zel des Versuches st de Bestmmung der Atverungsenerge der Reaton von Saccharose (S)
Mehr