Ein zensiertes Regressionsmodell für Schlachtdaten von Bioschweinen F. BERNARDI, N. BRUNNER, G.M. GEISBERGER, M. KÜHLEITNER und C.
|
|
- Nora Möller
- vor 7 Jahren
- Abrufe
Transkript
1 Ein zensiertes Regressionsmodell für Schlachtdaten von Bioschweinen F. BERNARDI, N. BRUNNER, G.M. GEISBERGER, M. KÜHLEITNER und C. LEEB 1. Problemstellung. Aufzeichnung und Auswertung von Daten gehören mit zu einer erfolgreichen Schweinemast. Was aber tun, wenn Daten nur unvollständig vorhanden sind? Im Rahmen eines vom Landwirtschaftsministeriums geförderten Projekts 1 BEP Bioschwein stellte sich die Frage, wie hoch in der Endphase der Mast die mittlere Gewichtszunahme eines Schweins pro Tag ist. Dadurch ist es möglich, auf der Basis der zu erwarteten Preisentwicklung zu entscheiden, ob höhere Endgewichte der Schweine im Hinblick auf die längere Mastdauer rentabel sind. Werden tägliche bzw. wöchentliche Gewichtsaufzeichnungen gemacht, so berechnet man die mittleren Gewichtszunahmen problemlos mit Hilfe der linearen Regression, welche in Excel mittels Trendlinie zugänglich ist. Im vorliegenden Fall wurde das Gewicht eines Schweins aber nur einmal, nämlich zum Schlachtzeitpunkt gemessen. Konkret wurden 18 Ferkel mit einem Durchschnittsgewicht von 45 Kilogramm in einer Bucht eingestallt und unter gleichen Bedingungen gemästet. (Es handelt sich um etwas ältere Ferkel; üblich sind 10 Wochen alte Ferkel mit rund 30 bis 35 kg.) Zum Verkauf gelangten sukzessive die schwersten Tiere. Nur diese wurden zum Verkaufszeitpunkt gewogen. 2 Tabelle 1 erfasst das Lebendgewicht dieser Tiere. (Nicht erfasst wurde allerdings das Geschlecht.) Tabelle 1. Verkaufsdaten von Schweinen aus einer Mastbucht. Masttage Anzahl Schlachtschweine Lebendgewichte (kg) , 156, 157, , 150, 151, 153, 153, 154, 154, 156, 158, , 146, 147, 150 Die naheliegende Methode zur Bestimmung der mittleren Gewichtszunahme wäre die lineare Regression. Nur, warum sollte man die Gewichte von 18 verschiedenen Tieren, wo von jedem Tier nur ein Gewichtswert, nämlich der zum Verkaufszeitpunkt vorliegt, mittels Trendlinie verbinden? Tatsächlich liefert diese Vorgehensweise keine brauchbare Schätzung für die Gewichtszunahme. Die Regressionslinie fällt und aus ihrer Formel liest man ab: Die Tiere scheinen pro Tag 0,42 kg an Gewicht zu verlieren! Dies liegt jedoch nicht daran, dass die Tiere eine Fastenkur besuchen, sondern ist durch die Systematik der Datenerfassung bedingt: Nur die schwersten Tiere werden in Tabelle 1 berücksichtigt. Sie verschwinden nach dem Verkauf aus dem Datensatz, während die leichteren Tiere zunächst ignoriert werden. Es handelt sich demnach um einen zensierten Datensatz. Die Behandlung solcher Daten erfordert eine eigene Methode. 1 BEP Bioschwein, Einführung und Monitoring von Betriebs-Entwicklungs-Plänen (BEP) Tiergesundheit und Wohlbefinden in österreichischen Bioschweinebetrieben, Forschungsprojekt Nr , BMLFUW LE.1.3.2/0134-II/1/ Bei der Planung der Verkaufszeitpunkte, die aus organisatorischen Gründen mehrere Wochen vorher fixiert werden, kann es sinnvoll sein, auch individuelle Gewichtszunahmen abzuschätzen. So müssen schwere Tiere rechtzeitig verkauft werden, weil ab 130 kg Nutzgewicht (nach Ausschlachtung) ein Preisabschlag erfolgt.
2 2. Methode. Um eine Regressionslinie für zensierte Daten zu berechnen, wenden wir die Maximum Likelihood (ML) Methode an und nehmen für das mittlere Gewicht der Schweine zum Zeitpunkt t (in Tagen, 164 t 186) einen linearen Zuwachs an: (1) (t) = a + b t. Die Funktion (1) ist die ML-Schätzung der Gewichte. Die Abweichung der tatsächlichen Gewichte von diesem Schätzwert ist zufällig. Wir nehmen dafür eine Normalverteilung mit der zeit-unabhängigen Varianz an. Die Wachstumsparameter a, b und die Varianz kennen wir nicht. Wir berechnen sie durch Maximierung der Likelihood. Wenn ein Schwein zum Zeitpunkt t das Gewicht x hat, so beträgt die Likelihood für diese Beobachtung N(x, (t), ). Hier ist N die Wahrscheinlichkeitsdichte der Normalverteilung. Die Likelihood einer Beobachtungsreihe ist das Produkt der einzelnen Likelihoods. Sie ist eine Funktion der unbekannten Parameter a, b, und. Man sucht jene Parameterwerte, bei denen die Likelihood der beobachteten Datenreihe maximal ist. 3 Das ist die ML-Schätzung. Bei den zensierten Daten der Tabelle 1 ist für jedes Schwein nur das Gewicht zu einem ausgesuchten Zeitpunkt bekannt. Über die Gewichte zu den beiden anderen Zeitpunkten und deren Likelihood können wir nur Vermutungen anstellen. Ohne zusätzliche Annahmen würde die ML Methode die klassische Regressionslinie liefern. Wir modifizieren daher den ursprünglichen ML-Ansatz, indem wir die Likelihood der Beobachtungsreihe zum Zeitpunkt t noch mit geeigneten Wahrscheinlichkeiten über die vermuteten Gewichte der nicht beobachteten Schweine multiplizieren. Unsere Annahme beruht darauf, dass die Schweine auch in der Endphase der Mast Gewicht zunehmen. Wir unterscheiden für jedes der 18 Schweine drei Typen A, B, C von Daten: Das gemessene Gewicht zum Verkaufszeitpunkt (A), das vermutete Gewicht vor dem Verkaufszeitpunkt (B) und das hypothetische Gewicht danach (C), wenn das Schwein weiter gemästet worden wäre. Zu A, von einem Schwein, das zum Zeitpunkt t verkauft wird und dessen Gewicht dann x beträgt, berechnen wir die Likelihood in Excel als: (2) =NORMVERT(x; (t); ; 0). Zu B, wenn das Schwein zu einem späteren Zeitpunkt s > t verkauft und gewogen wird, dann wissen wir zum Zeitpunkt t: Das Schwein war erstens sicher nicht schwerer, als das leichteste zum Zeitpunkt t verkaufte Schwein, dessen Gewicht sei min(t), und es war zweitens sicher nicht schwerer, als zum Zeitpunkt s, wo sein Gewicht x ist. Wir multiplizieren die obige Likelihood mit der Wahrscheinlichkeit dieser Aussage und berechnen diese in Excel als: (3) =NORMVERT(MIN(min(t); x); (t); ; 1). Zu C, wenn das Schwein bereits zu einem früheren Zeitpunkt f < t mit dem Schlachtgewicht x verkauft wurde, dann wäre es zum Zeitpunkt t bei weiterer Mästung sicher schwerer geworden. Wir multiplizieren die obige Likelihood auch mit der Wahrscheinlichkeit dafür: (4) =1 NORMVERT(x; (t); ; 1). 3 Je größer die Likelihood, desto wahrscheinlicher ist die Beobachtung.
3 3. Aufbereitung in Excel. Zur Auswertung dieses Modells erstellen wir ein Tabellenblatt mit der Beschriftung von Tabelle 2. In A1:C2 schreiben wir Text für die gesuchten Parameter. In den Bereich A6:B23 tragen wir die Daten von Tabelle 1 ein. Wir sortieren dabei die Tabelle, zuerst nach dem Verkaufszeitpunkt und bei gleichen Verkaufszeitpunkten nach dem Gewicht. In der Spalte C berechnen wir (t) nach (1). In C6 steht die Formel =$A$3+$B$3*A6. Wir kopieren diese nach unten bis in C23. In A3:C3 stehen plausible Startwerte für das Wachstumsmodell (1): a = 45 kg ist das Durchschnittsgewicht der Ferkel dieses speziellen Datensatzes bei der Einstallung, b = 0,5 kg pro Schwein und Tag liegt an der unteren Grenze der üblichen Gewichtszunahme, = 5 kg ist die gerundete Standardabweichung der Messdaten (Tabelle 1). Tabelle 2. Beschriftung des Tabellenblatts. A B C D 1 Parameter 2 A B 3 45,0 0,5 5,00 t: 4 (t): 5 Tag LG in kg ML-Schätzer min(t): In E3:G3 tragen wir die drei Verkaufszeitpunkte 164, 172, 186 ein. In E4:G4 berechnen wir dazu (t) nach (1), und in E5:G5 stehen min(t), d.h. die kleinsten Gewichte zu den jeweiligen Verkaufsterminen. In E5 steht die Zahl 150 (kleinstes Gewicht zum Verkaufstermin 164), in der Zelle F5 die Zahl 148 (kleinstes Gewicht zum Verkauftermin 172) und in der Zelle G5 die Zahl 143 (kleinstes Gewicht zum Verkaufstermin 186). Im Bereich E6:G24 berechnen wir zu den Verkaufszeitpunkten die Likelihoods und Wahrscheinlichkeiten entsprechend unserem Modell. Es empfiehlt sich zur besseren Übersichtlichkeit, die Bereiche E6:E9, F10:F19 und G20:G23 (zu diesen Terminen sind diese Gewichte bekannt) einzufärben. Wir berechnen zuerst die Likelihoods zu den Beobachtungsdaten (A); in E6 schreiben wir die Formel =NORMVERT($B6;E$4;$C$3;0). Anschließend kopieren wir dies in die Bereiche E6:E9, F10:F19 und G20:G23. (Die $ sind so gesetzt, dass die Bezüge beim Kopieren korrekt bleiben.) Als nächstes berechnen wir die Wahrscheinlichkeiten zu den vermuteten Schweinegewichten (B); in E10 schreiben wir =NORMVERT(MIN(E$5;$B10);E$4;$C$3;1) und kopieren dies in den Bereich E10:E23 und F20:F23. Abschließend berechnen wir die Wahrscheinlichkeiten der hypothetischen Schweinegewichte (C). In F6 schreiben wir =1 NORMVERT($B6;F$4;$C$3;1). Wir kopieren die Formel in die Bereiche F6:F9 und G6:G19. Zur Berechnung der maximalen Likelihood maximieren wir statt des Produkts die Summe der Logarithmen der Likelihoods. Dazu schreiben wir in H6 die Formel =LN(E6) und kopieren dies in den gesamten Bereich H6:J23. In H4 bilden wir die Summe =SUMME(H6:J23); oberhalb beschriften wir die Zelle als Log-Likelihood. Zur Maximierung verwenden wir den Solver: die Zielzelle H4 soll maximal werden; die veränderbaren Zellen sind A3:C3. Nach dem Druck auf den Lösen-Button erhalten wir den
4 Maximalwert 85,271 für die Log-Likelihood bei den Parameterwerten a = 9,218, b = 0,822 und = 9, Ergebnis. Das Modell liefert eine geschätzte mittlere Gewichtszunahme von b = 0,822 kg pro Tag und Schwein in der Endphase der Mast. Dieses Resultat ist mit den Erfahrungswerten des Betriebs kompatibel. Diese Zunahme in der Endphase liegt im Mittel über den Zunahmen während der Mast (0,5 bis 0,7 kg/d). Dies kann für den Datensatz begründet werden, weil in der Endphase die Futtermenge erhöht wurde, da der Lieferant für Ballaststoffbeigaben ausgefallen ist. 5. Alternative Modelle. Das Problem bei der Verwendung zensierter Daten ist es, dass wir über die nicht beobachteten Daten Vermutungen anstellen müssen. Unterschiedliche Vermutungen liefern alternative Modelle, und je weniger Messdaten im Vergleich zu vermuteten Daten verfügbar sind, umso mehr hängt die Schätzung von den Modellannahmen ab. Wir illustrieren dies, indem wir unser Modell mit den Ergebnissen für alternative Modelle vergleichen. 4 Variante 1: Alternatives ML-Modell. Als naheliegende Variante betrachten wir die auf (1) gestützte Hypothese, dass die Schweine während eines Zeitraums t um b t kg zunehmen. Diese Annahme führt zu folgenden Wahrscheinlichkeiten für die vermuteten bzw. hypothetischen Gewichte: (3a) =NORMVERT(MIN(min(t); x b (s t)); (t); ; 1) und (4a) =1 NORMVERT(x + b (t f); (t); ; 1). Wenn wir diese Formeln in das Tabellenblatt einsetzen, erhalten wir aus der ML-Schätzung die Aussage: Das Gewicht nimmt während der Mastendphase im Mittel um 0,25 kg pro Tag und Schwein ab. Die Log-Likelihood beträgt 94,011. Da das erste Modell bei gleichen Daten, gleicher Parameterzahl und einfacherer Struktur eine höhere Log-Likelihood hat, verwerfen wir diese Modellvariante. 5 Die dominanten Tiere in der Bucht wachsen demnach rascher als die anderen Tiere, die ihrerseits nach der Schlachtung der dominanten Tiere rascher zunehmen. Variante 2: Klassische Regression. Wenn wir die Regressionslinie nur durch die gemessenen Verkaufsgewichte legen, erhalten wir einen noch stärkeren täglichen Rückgang von 0,421 kg. Das zugrunde liegende ML-Modell postuliert, dass die Gewichte B und C keinerlei Einschränkungen unterliegen (die Wahrscheinlichkeiten in Formeln 4 und 5 werden gleich 1 gesetzt). Diese Annahme wäre bei der zufälligen Auswahl der verkauften Schweine, unabhängig von ihrem Gewicht, gerechtfertigt. Hier widerspricht das Ergebnis jedoch klar den Erfahrungstatsachen. Aus einem positiven Anstieg der klassischen Regressionslinie lässt sich auch umgekehrt keine qualitative Aussage gewinnen, ob die mittlere Gewichtszunahme größer ist, als bei einem Datensatz mit fallender Regressionslinie. 6 4 Eine Übersicht über verschiedene Modellannahmen und Berechnungsmethoden findet man z.b. bei Dempster et al., J. Royal Statistical Soc. B39/1977, S. 1 ff. 5 Mehr zu dieser Überlegung bei Burnham/Anderson: Model Selection and Multimodel Inference, Berlin Unter den Betriebsdaten gibt es einen Datensatz mit sehr geringer errechneter Gewichtszunahme, wo die Regressionslinie aber ansteigt, weil die Hälfte der Schweine (wegen des langsamen Wachstums) erst am Schluss verkauft wurde.
5 Variante 3: Mastendphase mit Diät. Da die Schweine in der Endphase der Mast bei zuviel Futter leicht verfetten, gibt es auch Fütterungsstrategien, welche die Tiere in der Endphase auf Diät setzen. In diesem Fall ist nicht auszuschließen, dass das Gewicht einzelner Tiere abnimmt. (Im Hinblick auf das Erfordernis der artgerechten Haltung, wo Jungschweine wachsen sollen sie wiegen als erwachsenes Tier ca. 180 bis 250 kg, dient diese Annahme nur der Illustration der theoretischen Flexibilität des Modells.) Auch dies ist mit unserem Tabellenblatt modellierbar: Formel (3b) unten besagt nur: Zum Schlachten werden die fettesten Tiere ausgesucht. Formel (4) wird nicht angewandt (Multiplikation mit 1), weil keine Information über das Wachstum vorhanden ist. (3b) =NORMVERT(min(t); (t); ; 1). 6. Diskussion. Je mehr Messdaten verfügbar sind, umso geringer wird die Abhängigkeit der Schätzung vom Modell. Weil wir nur die Verkaufsdaten A erfasst haben, beruhen unsere Modellrechnungen nur zu 1/3 auf Messdaten. Unsere Ergebnisse dienen daher nur der Illustration der Methode. Ein Betrieb kennt (bzw. kann dies ermitteln) zusätzlich zu den Verkaufsdaten auch die Gewichte der noch nicht verkauften Schweine (Daten B), eventuell auch noch zu weiteren Zeitpunkten, hat also eine mehr als doppelt so große Datenbasis. Unvermeidbar ist nur die Zensierung bei den Daten C über die verkauften Schweine. Diese Zensierung hat aber nicht mehr so starke Auswirkungen auf die Schätzgenauigkeit, denn mit ML-Schätzern wird bereits ab 50% gemessenen Daten eine Genauigkeit erzielt, die der klassischen Regression gleichkommt. 7 Die Methode der zensierten Regression ist daher für Betriebe von Interesse, die ihre bisherigen Endmast-Analysen mittels klassischer Regression unter Berücksichtigung aller verfügbaren Daten verfeinern wollen. Unvermeidbar wird eine zensierte Regression bei allen Fragestellungen, wo nur Daten über die geschlachteten Tiere zur Verfügung stehen. Wenn zum Beispiel befürchtet wird, dass die Gewichtszunahme bei der Fütterungsstrategie vor allem auf Fettzunahme beruht, wird man analog zu oben Modelle über die Fettmasse entwickeln (mit der Hypothese: Die verkauften Schweine sind jene mit der höchsten Fettmasse ). Anschrift der Autoren: Georg-Michael Geisberger, Weilhart 3, 5134 Schwand/Innkreis g.m.geis@aon.at Florian Bernardi und Christine Leeb, Nutztierwissenschaften/NAS Norbert Brunner und Manfred Kühleitner, Mathematik/DIBB BOKU, Gregor Mendel Stasse 33, 1180 Wien Vorname.Nachname@boku.ac.at 7 Dies wurde in Simulationsexperimenten bestätigt von Kuttatharmmakul et al., Analytica Chimica Acta 441/2001, S. 215 ff.
Wissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 131/2006, 19-21
Der T-Test in Excel NORBERT BRUNNER und MANFRED KÜHLEITNER Ein häufiges Problem ist der Vergleich eines beobachteten Stichprobenmittelwerts mit einem Sollwert. Dabei wird der T-Test angewandt. Wir zeigen
MehrCox-Regression. Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells
Cox-Regression Ausgangspunkt Ansätze zur Modellierung von Einflussgrößen Das Cox-Modell Eigenschaften des Cox-Modells In vielen Fällen interessiert, wie die Survivalfunktion durch Einflussgrößen beeinflusst
MehrBiometrieübung 10 Lineare Regression. 2. Abhängigkeit der Körpergröße von der Schuhgröße bei Männern
Biometrieübung 10 (lineare Regression) - Aufgabe Biometrieübung 10 Lineare Regression Aufgabe 1. Düngungsversuch In einem Düngeversuch mit k=9 Düngungsstufen x i erhielt man Erträge y i. Im (X, Y)- Koordinatensystem
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrKurvenanpassung mit dem SOLVER
1 Iterative Verfahren (SOLVER) Bei einem iterativen Verfahren wird eine Lösung durch schrittweise Annäherung gefunden. Der Vorteil liegt in der Verwendung einfacher Rechenoperationen und darin, dass der
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Andere Anwendungen Inventarmanagment Produktionsplanung
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
Mehr3) Testvariable: T = X µ 0
Beispiel 4.9: In einem Molkereibetrieb werden Joghurtbecher abgefüllt. Der Sollwert für die Füllmenge dieser Joghurtbecher beträgt 50 g. Aus der laufenden Produktion wurde eine Stichprobe von 5 Joghurtbechern
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrAuswahl von Schätzfunktionen
Auswahl von Schätzfunktionen Worum geht es in diesem Modul? Überblick zur Punktschätzung Vorüberlegung zur Effizienz Vergleich unserer Schätzer für My unter Normalverteilung Relative Effizienz Einführung
Mehrp = h n (K)= Juli vl smart vp qk notebook Praktische Lösung des Problems: mit den Werten
I. Eigenschaften von Schätzfunktionen Wir wollen den unbekannten Anteil p von Autos ermitteln, die mit Katalysator fahren. Mathematisch können wir das Problem wie folgt beschreiben: Sei X der Autotyp eines
MehrStichproben Parameterschätzung Konfidenzintervalle:
Stichproben Parameterschätzung Konfidenzintervalle: Beispiel Wahlprognose: Die Grundgesamtheit hat einen Prozentsatz p der Partei A wählt. Wenn dieser Prozentsatz bekannt ist, dann kann man z.b. ausrechnen,
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrComputergestützte Datenanalyse in der Kern- und Teilchenphysik
Computergestützte Datenanalysein der Kern- und Teilchenphysik p. 1/?? Computergestützte Datenanalyse in der Kern- und Teilchenphysik Vorlesung 4 Jan Friedrich Computergestützte Datenanalysein der Kern-
MehrAufgabe 1 (8= Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten:
Aufgabe 1 (8=2+2+2+2 Punkte) 13 Studenten haben die folgenden Noten (ganze Zahl) in der Statistikklausur erhalten: Die Zufallsvariable X bezeichne die Note. 1443533523253. a) Wie groß ist h(x 5)? Kreuzen
MehrZur Berechnung der Wertziffern bei Teamturnieren
Zur Berechnung der Wertziffern bei Teamturnieren Wolfhart Umlauft und Michael Stieglitz 30. März 2009 1 Das Problem Die in der Rangliste für Teamturniere angegebenen Zahlen sind sog. Wertziffern. Sie spiegeln
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 24. Mai 2011 3. Schätzung von Parametern Problemstellung: Aus fehlerbehafteten Messungen möglichst genaue Ergebnisse erarbeiten zusammen mit Aussagen
MehrEtwas Spezielles: Zielwertsuche und Solver. Zielwertsuche
Etwas Spezielles: Zielwertsuche und Solver Zielwertsuche EXCEL kann auch Beziehungen indirekt auflösen. Die einfache Variante ist die Zielwertsuche. Für eine bestimmte Zelle ("Zielzelle") wird ein anderer
MehrÜbungsaufgabe Parameter und Verteilungsschätzung
Übungsaufgabe Parameter und Verteilungsschätzung Prof. Dr. rer. nat. Lüders Datum: 21.01.2019 Autor: Marius Schulte Matr.-Nr.: 10049060 FH Südwestfalen Aufgabenstellung Analysiert werden sollen die Verteilungen
MehrKapitel 3 Schließende lineare Regression Einführung. induktiv. Fragestellungen. Modell. Matrixschreibweise. Annahmen.
Kapitel 3 Schließende lineare Regression 3.1. Einführung induktiv Fragestellungen Modell Statistisch bewerten, der vorher beschriebenen Zusammenhänge auf der Basis vorliegender Daten, ob die ermittelte
Mehr10.5 Maximum-Likelihood Klassifikation (I)
Klassifikation (I) Idee Für die Klassifikation sind wir interessiert an den bedingten Wahrscheinlichkeiten p(c i (x,y) D(x,y)). y Wenn man diese bedingten Wahrscheinlichkeiten kennt, dann ordnet man einem
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrSo berechnen Sie einen Schätzer für einen Punkt
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: SCHÄTZEN UND TESTEN htw saar 2 Schätzen: Einführung Ziel der Statistik ist es, aus den Beobachtungen eines Merkmales in einer Stichprobe Rückschlüsse über die Verteilung
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 12. Januar 2011 1 Vergleich zweier Erwartungswerte Was heißt verbunden bzw. unverbunden? t-test für verbundene Stichproben
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrPrüfungsteil 2, Aufgabe 6. Stochastik. Nordrhein-Westfalen 2014LK. Aufgabe 6. Abitur Mathematik: Musterlösung
Abitur Mathematik: Prüfungsteil 2, Aufgabe 6 Nordrhein-Westfalen 2014LK Aufgabe 6 a) (1) 1. SCHRITT: MODELLIERUNG MIT EINER BERNOULLIKETTE Wir modellieren die Situation mit einer Bernoullikette der Länge
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
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...
MehrAuswertung und Lösung
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrZeitreihenanalyse. Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation
Zeitreihenanalyse Zerlegung von Zeitreihen Saisonindex, saisonbereinigte Zeitreihe Trend und zyklische Komponente Prognose Autokorrelation Beispiel für Zeitreihe Zerlegung der Zeitreihe F t Trendkomponente
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrEinführung Fehlerrechnung
Einführung Fehlerrechnung Bei jeder Messung, ob Einzelmessung oder Messreihe, muss eine Aussage über die Güte ( Wie groß ist der Fehler? ) des Messergebnisses gemacht werden. Mögliche Fehlerarten 1. Systematische
MehrDatenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer)
1. Ist das folgende Argument gültig? Datenanalyse Klausur SS 2014 (nicht wortwörtlich) Lösung (aus einer Nachbesprechung mit Elsenbeer) Wenn minderjährige Mörder für ihr Vergehen genauso verantwortlich
MehrBiostatistik, WS 2017/18 Der Standardfehler
1/70 Biostatistik, WS 2017/18 Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1718/ 24.11.2017 3/70 Ein Versuch Hirse Bild: Panicum miliaceum 4/70 Ein Versuch Ein Versuch Versuchsaufbau:
Mehr6. Tutoriumsserie Statistik II
6. Tutoriumsserie Statistik II 1. Aufgabe: Eine Unternehmensabteilung ist ausschließlich mit der Herstellung eines einzigen Produktes beschäftigt. Für 10 Perioden wurden folgende Produktmenge y und Gesamtkosten
MehrKonkretes Durchführen einer Inferenzstatistik
Konkretes Durchführen einer Inferenzstatistik Die Frage ist, welche inferenzstatistischen Schlüsse bei einer kontinuierlichen Variablen - Beispiel: Reaktionszeit gemessen in ms - von der Stichprobe auf
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrGewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h
5. Die partielle Autokorrelationsfunktion 5.1 Definition, Berechnung, Schätzung Bisher: Gewöhnliche Autokorrelationsfunktion (ACF) eines stationären Prozesses {X t } t Z zum Lag h ρ X (h) = Corr(X t, X
Mehr3.2 Maximum-Likelihood-Schätzung
291 Die Maximum-Likelihood-Schätzung ist die populärste Methode zur Konstruktion von Punktschätzern bei rein parametrischen Problemstellungen. 292 3.2.1 Schätzkonzept Maximum-Likelihood-Prinzip: Finde
MehrStatistik und Datenanalyse (Handout zum Seminarvortrag von Norman Bhatti, gehalten am )
Statistik und Datenanalyse (Handout zum Seminarvortrag von Norman Bhatti, gehalten am 9.0.) Motivation Unter Statistik versteht man die Lehre von den Methoden zum Umgang mit quantitativen Informationen,
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
Mehrswiss marketing academy GmbH Seite 1 von 11
AUFGABE 1a Nennen Sie 3 fallbezogene Gliederungszahlen und beschreiben Sie pro Gliederungszahl die Aussagekraft. 6 Punkte Gliederungszahl = Verhältnis eines Teiles zum gleichartigen Ganzen. Nennung Beschreibung
MehrBayessche Lineare Regression
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Baessche Lineare Regression Niels Landwehr Überblick Baessche Lernproblemstellung. Einführendes Beispiel: Münzwurfexperimente.
MehrElisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie
Elisabeth Aufhauser, unveröffentlichter Text Unterrichtsmaterial Statistik-UE für Soziologie Konfidenzintervall Statistische Analyse von Stichproben Der Datensatz aus der Übung (social survey 2003) besteht
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, May 29, 2017 Dr. Michael O. Distler
MehrSchätzung im multiplen linearen Modell VI
Schätzung im multiplen linearen Modell VI Wie im einfachen linearen Regressionsmodell definiert man zu den KQ/OLS-geschätzten Parametern β = ( β 0, β 1,..., β K ) mit ŷ i := β 0 + β 1 x 1i +... β K x Ki,
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrT-Test für unabhängige Stichproben
T-Test für unabhängige Stichproben Wir gehen von folgendem Beispiel aus: Wir erheben zwei Zufallstichproben, wobei nur die Probanden der einen Stichprobe einer speziellen experimentellen Behandlung (etwa
MehrÜbungen mit dem Applet x /s-regelkarte nach Shewhart
x /s-regelkarte nach Shewhart 1 Übungen mit dem Applet x /s-regelkarte nach Shewhart 1 Statistischer Hintergrund... 2 1.1 Ziel und Vorgehensweise der x /s-regelkarte nach Shewhart...2 1.2 Kurzbeschreibung
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrModellanpassung und Parameterschätzung. A: Übungsaufgaben
7 Modellanpassung und Parameterschätzung 1 Kapitel 7: Modellanpassung und Parameterschätzung A: Übungsaufgaben [ 1 ] Bei n unabhängigen Wiederholungen eines Bernoulli-Experiments sei π die Wahrscheinlichkeit
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrAllgemeine lineare Modelle
262 Merkpunkte Allgemeine lineare Modelle Multiple lineare Regression mit nicht-normalen Zufallsabweichungen bilden eine harmlose" Verallgemeinerung der multiplen lin. Regr. Beispiele: Gumbel-Regression,
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrMasterprüfung. Die Klausur besteht aus 3 Aufgaben, die alle bearbeitet werden müssen.
Fach: Prüfer: Mikroökonometrie Prof. Regina T. Riphahn, Ph.D. Masterprüfung Vorbemerkungen: Bearbeitungszeit: 60 Minuten. Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur
MehrA2.3 Lineare Gleichungssysteme
A2.3 Lineare Gleichungssysteme Schnittpunkte von Graphen Bereits weiter oben wurden die Schnittpunkte von Funktionsgraphen mit den Koordinatenachsen besprochen. Wenn sich zwei Geraden schneiden, dann müssen
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 8.04.009 Inhalt der heutigen Vorlesung Auswahl einer Verteilungsfunktion: Wahrscheinlichkeitspapier pp Schätzung und Modellentwicklung:
MehrLösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016
ETH Zürich D-USYS Institut für Agrarwissenschaften Lösungen zur Prüfung Angewandte Statistische Methoden in den Nutzierwissenschaften FS 2016 Peter von Rohr Datum 30. Mai 2016 Beginn 08:00 Uhr Ende 08:45
MehrMehrfache Lineare Regression 1/9
Mehrfache Lineare Regression 1/9 Ziel: In diesem Fallbeispiel soll die Durchführung einer mehrfachen linearen Regressionsanalyse auf der Basis vorhandener Prozessdaten (Felddaten) beschrieben werden. Nach
MehrSkript EXCEL Matrizenrechnung/Lineare Gleichungssysteme
Skript EXCEL 2010 Matrizenrechnung/Lineare Gleichungssysteme 1. Einleitung Eine Matrixformel kann mehrere Berechnungen durchführen und dann entweder ein einzelnes Ergebnis oder mehrere Ergebnisse liefern.
MehrLean Body Mass [kg] Estimate Std. Error t value Pr(> t ) (Intercept) ??? lbm <2e-16 ***
Körperkraft [Nm] 0 50 100 150 200 250 0 20 40 60 80 Lean Body Mass [kg] Dieses Quiz soll Ihnen helfen, den R Output einer einfachen linearen Regression besser zu verstehen (s. Kapitel 5.4.1) Es wurden
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrBachelorprüfung: Statistik (1 Stunde)
Prof. H.R. Künsch D-BIOL, D-CHAB Winter 2010 Bachelorprüfung: Statistik (1 Stunde) Bemerkungen: Es sind alle mitgebrachten schriftlichen Hilfsmittel und der Taschenrechner erlaubt. Natels sind auszuschalten!
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:
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrSchätzung des gemeinen Wertes von Schweinen nach 16 Tiergesundheitsgesetz
Schätzung des gemeinen Wertes vn Schweinen nach 16 Tiergesundheitsgesetz Vrbemerkungen Diese Schätzhilfe sll vr allem Amtstierärzte unterstützen, die im Tierseuchenfall gesetzlich für die Schätzung der
MehrStatistik-Klausur vom
Statistik-Klausur vom 27.09.2010 Bearbeitungszeit: 60 Minuten Aufgabe 1 Ein international tätiges Unternehmen mit mehreren Niederlassungen in Deutschland und dem übrigen Europa hat seine überfälligen Forderungen
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrLandwirtschaftszentrum Haus Düsse, Referat Schweinehaltung Versuchsberichte Einsatz unterschiedlicher Rapskuchenqualitäten in der Schweinemast
Einsatz unterschiedlicher qualitäten in der Schweinemast Dr. Gerhard Stalljohann, Christiane Schulze Langenhorst In einem ersten Versuch zum Einsatz steigender Anteile in Mischungen für Mastschweine hatte
MehrStochastik Musterlösung 2
ETH Zürich HS 2018 RW, D-MATL, D-MAVT Prof. Marloes H. Maathuis Koordinator Dr. Marvin S. Müller Stochastik Musterlösung 2 1. Wir betrachten folgende vier Wettersituationen. Es regnet nur am Morgen; Es
MehrAufgabe 1. Die Abweichung Y vom errechneten Geburtstermin sei normalverteilt mit dem Erwartungswert
Aufgabe 1 Marina hat ihr Studium satt und beschließt Hebamme zu werden. Sie beginnt ein Praktikum auf der Entbindungsstation eines großen städtischen Klinikums. Roswitha, eine erfahrene Hebamme, erklärt
MehrHerzlich willkommen zur Vorlesung Statistik. Streuungsmaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung
FB 1 W. Ludwig-Mayerhofer Statistik 1 Herzlich willkommen zur Vorlesung Statistik smaße oder die Unterschiedlichkeit der Daten nebst kurzen Ausführungen zu Schiefe und Wölbung FB 1 W. Ludwig-Mayerhofer
MehrVorlesung: Statistik II für Wirtschaftswissenschaft
Vorlesung: Statistik II für Wirtschaftswissenschaft Prof. Dr. Helmut Küchenhoff Institut für Statistik, LMU München Sommersemester 2017 6 Genzwertsätze Einführung 1 Wahrscheinlichkeit: Definition und Interpretation
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrZeitreihenanalyse Das Holt-Winters-Verfahren
Zeitreihenanalyse Das Holt-Winters-Verfahren Worum geht es in diesem Lernmodul? Einleitung Modellannahmen Die Prognoseformel des Holt-Winters-Verfahren Die Glättungskoeffizienten Die Startwerte Weiterführende
MehrKategorielle Zielgrössen
Kategorielle Zielgrössen 27.11.2017 Motivation Bisher gesehen: Regressionsmodelle für diverse Arten von Zielgrössen Y. kontinuierliche Zielgrösse Lineare Regression Binäre/binomiale Zielgrösse Logistische
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Sommersemester 2015 Aufgabe 1 In der aktuellen
MehrWissenschaftliche Nachrichten: https://www.bmbf.gv.at/schulen/sb/wina/wina.html Vol. 134/2008, 17-20
Rückrechnung der Blutalkoholkonzentration: Kritik am forensischen Ansatz, II NORBERT BRUNNER und MANFRED KÜHLEITNER Die Messung des Alkoholgehalts aus der Atemluft ist ungenau. Wir untersuchen, ob zusätzliche
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrHypothesenbewertungen: Übersicht
Hypothesenbewertungen: Übersicht Wie kann man Fehler einer Hypothese abschätzen? Wie kann man einschätzen, ob ein Algorithmus besser ist als ein anderer? Trainingsfehler, wirklicher Fehler Kreuzvalidierung
Mehr