Multivariate and Geostatistical Data Analysis. Multivariate and Geostatistical Data Analysis
|
|
- Edmund Kuntz
- vor 8 Jahren
- Abrufe
Transkript
1 Multivariate and Geostatistical Data Analysis Multivariate and Geostatistical Data Analysis c 2012 Helmut Schaeben Geomathematics and Geoinformatics Technische Universität Bergakademie Freiberg, Germany Introduction Winter Term 2012/13
2 Wahrscheinlichkeitstheorie, Statistik, Datenanalyse (1) Stochastik Wahrscheinlichkeitsthorie: Zufall unter Abstraktion von inhaltlicher Bedeutung in mathematischen Termen beschreiben und mit mathematischen Methoden analysieren Mathematische Statistik: Verfahren, um aus dem Beobachtungsergebnis spezifische Schlüsse zu ziehen, insbesondere über die Form des zugrundeliegenden Zufallsmechanismus, das Gesamtverhalten dieses Experiments. Wahrscheinlichkeitstheorie, Statistik, Datenanalyse (2) Daten-Analyse, angewandte Statistik Zählen, ordnen, charakterisieren von zufallsabhängigen Ereignissen, Eigenschaften von Objekten Graphische Darstellung, Visualisierung Schlüsse von der Probe auf die Gesamtheit: univariat: überwiegend Erklärungsmodelle multivariat: überwiegend Erkundungsmodelle Interpretation der methodischen Ergebnisse bezüglich des ursprünglichen inhaltlichen Problems Es wird nicht unterschieden, ob die Zufallsabhängigkeit eine charakteristische, den Ereignissen innewohnende (intrinsische) Eigenschaft ist (ontologische Interpretation, s. Vistelius) oder ob die Zufallsabhängigkeit durch die beschränkte Beobachtungsfähigkeit eingeführt wird (epistomologische Interpretation; pragmatisch!). Univariate statistische Datenanalyse (1) Beschreibende und darstellende Statistik (2) Vorbemerkungen Gewinnung von Daten unabhängig, repräsentativ, unverfälscht, etc. Variabilität vs Probenahmefehler Skalen-Niveau fehlende Meßwerte Stichprobenumfang... Statistische Kennzahlen, Maßzahlen einer Stichprobe Folge von Meßwerten x 1,..., x n, x i R 1, i = 1,..., n Folge von aufsteigend geordneten Meßwerten x (1), x (2),..., x (n) mit x (i) x (j) für i < j Speicherung von Daten Datei (file) Datenbank (database) Geo-Codierung, GeoInformationsSystem (GIS)...
3 Beschreibende und darstellende Statistik (3) Beschreibende und darstellende Statistik (4) Lokalisationsmaße Lokalisationsmaße kleinster Wert x (1), größter Wert x (n) Mittelwerte arithmetischer getrimmter arithmetischer x = 1 n x i x trimmed = 1 n n j+1 i=j x (i) Beschreibende und darstellende Statistik (5) Beschreibende und darstellende Statistik (6) Lokalisationsmaße geometrischer harmonischer x H = xgeom = n x 1... x n = ( n [ ( )] [ 1 1 = n x 1 x n n x i ) 1 n 1 i= x i ] 1 Lokalisationsmaße Modalwert: häufigster Meßwert
4 Beschreibende und darstellende Statistik (7) Beschreibende und darstellende Statistik (8) Lokalisationsmaße Median x = { x( n+1 p - Quantil x p für 0 < p < 1 2 ) falls n ungerade x ( n 2 ) falls n gerade { x(np) falls np ganzzahlig x p = sonst x ([np+1]) wobei [a] die größte ganze Zahl kleiner oder gleich a R 1 ist. Ein (empirisches) p-quantil ist ein Meßwert, daß mindestens p 100% der Meßwerte nicht größer und mindestens (1 p) 100% nicht kleiner sind. Insbesondere x = x 0.5. Beispiel zur Anwendung von Lokalisationsmaßen Gegeben seien zwei Meßfolgen von Altersangaben in Mrd. Jahren z z Welche Folge ist die jüngere? Übung! Vergleich der Mittelwerte: z 1 = 24 z 2 = 23 Vergleich der Mediane: z 1 = 22 z 2 = 23 Beschreibende und darstellende Statistik (9) Beschreibende und darstellende Statistik (10) Dispersionsmaße Spannweite empirische Varianz s 2 = 1 R = x (n) x (1) empirische Standardabweichung s = 1 (x i x) 2 = ssx (x i x) 2 Dispersionsmaße empirischer Variationskoeffizient mittlere Abweichung relative Variabilität d = 1 n v = s x x i x V = d x
5 Beschreibende und darstellende Statistik (10) Beispiel zur Anwendung der Dispersionsmaße Beschreibende und darstellende Statistik (11) Maßzahlen für bivariate Meßreihen Folge von Meßwerten (x 1, y 1 ),..., (x n, y n ), (x i, y i ) R 2, i = 1,..., n Schwerpunkt der Punktwolke Empirische Varianzen ( x, ȳ) = ( 1 n x i, 1 n y i ) s 2 x = s 2 y = 1 1 (x i x) 2 = ssx (y i ȳ) 2 = ssy Beschreibende und darstellende Statistik (12) Maßzahlen für bivariate Meßreihen Empirische Kovarianz s 2 xy = 1 Empirischer Korrelationskoeffizient r xy = (x i x)(y i ȳ) = sxy s2 xy s x s y = Anstieg der Regressionsgeraden a = sxy ssx = sxy ssx ssy sxy ssy = ssx ssy ssx ssy ssx r xy Beschreibende und darstellende Statistik (13) > summary(d) D Min.: st Qu.: Median: Mean: rd Qu.: Max.: > quantile(d, probs = seq(0, 1, 0.1)) 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% > range(d) 13, 69 > var(d) > sqrt(var(d))
6 Beschreibende und darstellende Statistik (14) Visualisierung: Stamm-Blatt plot Decimal point is 1 place to the right of the colon 1 : 34 1 : 8 2 : : : : : : : : : : 69 Beschreibende und darstellende Statistik (15) Visualisierung: box plot Beschreibende und darstellende Statistik (16) Beschreibende und darstellende Statistik (17) Visualisierung: box plot By default, whiskers are drawn to the nearest value not beyond a standard span from the quartiles; points beyond (outliers) are drawn individually. Giving range=0 forces whiskers to the full data range. Any positive value of range multiplies the standard span by this amount. The standard span is 1.5*(Inter-Quartile Range). Boxplots have proven to be quite a good exploratory tool, especially when several boxplots are placed side by side for comparison. The most striking visual feature is the box which shows the limits of the middle half of the data (the line inside the box represents the median). Extreme points are also highlighted. Boxplots not only show the location and spread of data but indicate skewness, as well. Visualisierung: Histogramm Formel von Sturges k = 1 + ln n/ ln 2 (oder andere) für die Anzahl k der Klassen. Sturges Formel basiert auf dem Histogramm einer Normalverteilung; andere Verteilungen benötigen mehr Klassen. Beispiel für die Anwendung der Formel von Sturges Für n = 200 ergibt sich k = , also wähle k = 9.
7 Beschreibende und darstellende Statistik (18) Beschreibende und darstellende Statistik (19) Visualisierung: Histogramm Visualisierung: Nichtparametrische Dichteschätzung diam$d diam$d diam$d Überlagerung von n Funktionen mit symmetrischen glockenförmigen Graphen bezüglich x i, i = 1,..., n diam$d diam$d Für sehr viel größere k werden die statistischen Schwankungen bereits bemerkbar, für kleinere k beginnt die Form der Verteilung schon undeutlich zu werden. Beschreibende und darstellende Statistik (20) Visualisierung: Empirische Verteilungsfunktion edf F n (x) = #(x i x) n empirical and fitted theoretical distribution function Empirische Quantile lassen sich direkt an der Folge der geordneten Meßwerte und graphisch am einfachsten aus einer Darstellung der empirischen Verteilungsfunktion ablesen. d.sort Beschreibende und darstellende Statistik (21) Visualisierung: p p plot Stammt die Meßfolge x 1,..., x n von einer Grundgesamtheit mit der Verteilungsfunktion F? plot (F (x i ), F n (x i )), i = 1,..., n, d.h. die (kumulativen) Wahrscheinlichkeiten entsprechend F auf der x-achse, die empirischen (kumulativen) Wahrscheinlichkeiten entsprechend F n auf der y-achse. edf p-p plot of diameter cdf
8 Beschreibende und darstellende Statistik (22) Beschreibende und darstellende Statistik (23) Visualisierung: q q plot Stammt die Meßfolge x 1,..., x n von einer Grundgesamtheit mit der Verteilungsfunktion F? plot (F 1 ( i n+1 ), x i (i)), i = 1,..., n, d.h. n+1 100% - Quantile von F (population quantiles) auf der x-achse, entsprechende empirische Quantile (sample quantiles), d.h. die aufsteigend der Größe nach geordneten Meßwerte x (i) auf der y-achse. q-q plot of diameter > summary(steinar) X Min.: st Qu.: Median: Mean: rd Qu.: Max.: > quantile(x, probs = seq(0, 1, 0.1)) 0% 10% 20% b30% 40% 50% 60% 70% 80% 90% 100% D > range(x) > var(x) > sqrt(var(x)) Quantiles of Standard Normal Beschreibende und darstellende Statistik (24) Visualisierung: box plot Beschreibende und darstellende Statistik (24) Visualisierung: Histogramm Steinar$X Steinar$X Steinar$X Steinar$X Steinar$X
9 Beschreibende und darstellende Statistik (25) Beschreibende und darstellende Statistik (26) Visualisierung: Empirische Verteilungsfunktion Visualisierung: p p plot empirical and fitted theoretical distribution function p-p plot of Steinar's X edf edf cdf x.sort Beschreibende und darstellende Statistik (27) Beschreibende und darstellende Statistik (28) Visualisierung: scatter-plot (Streudiagramm) Visualisierung: q q plot q-q plot of Steinar's X Beispiel zur Anwendung des scatter plots für bivariate Meßfolgen z z X Quantiles of Standard Normal z z Z Z Z Z3
10 Beschreibende und darstellende Statistik (29) Beschreibende und darstellende Statistik (30) Decimal point is at the colon z 1 z 2 z 3 z 4 2 : 00 4 : 0 2 : 00 4 : 0 3 : 0 5 : : 0 5 : : 0 6 : 4 : 0 6 : 5 : 0 7 : 05 5 : 0 7 : 05 6 : 0 8 : 6 : 0 8 : 7 : 9 : 7 : 9 : 8 : 0 10 : 0 8 : 0 10 : 0 Die beiden bivariaten Meßfolgen (z 1i, z 2i ) und (z 3i, z 4i ) unterscheiden sich deutlich in ihren scatterplots; ihre eindimensionalen Randverteilungen sind jedoch identisch. Damit ist anschaulich gezeigt, daß die eindimensionalen Randverteilungen (Marginalverteilungen) die gemeinsame Verteilung nicht bestimmen. Übung! Klassische Regressionsgerade minimiert die Summe der quadrierten Differenzen für die Gesamtheit der Meßwerte Robuste Regressionsgerade minimiert die Summe der quadrierten Differenzen für eine Mehrheit der Meßwerte Beschreibende und darstellende Statistik (31) In der multivariaten Datenanalyse gesellen sich zu den verallgemeinerten wahrscheinlichkeitstheoretischen Argumenten der univariaten Statistik verstärkt algebraische Argumente bei dem Bestreben nach Verminderung der Dimensionalität des Merkmal- bzw. Probenraums und geometrische Argumente für geeignete graphische Darstellungen. Es sei vorweggenommen, daß die in der univariaten Statistik prominenten Probleme der Schätzung von Parametern und des Rückschlusses von der Stichprobe auf die Gesamtheit in der multivariaten Statistik und Datenanalyse im allgemeinen eher zweitrangig sind. Insofern kann man multivariate Statistik und Datenanalyse nur bedingt als Verallgemeinerung der univariaten Statistik und Datenanalyse ansehen. Beschreibende und darstellende Statistik (32) Organisation der Daten als Datenmatrix Multivariate Daten werden in Matrixform, d.h. als rechteckige Tafel, Datentabelle organisiert, die soviele Zeilen hat, wie Objekte/Proben untersucht wurden, und die soviele Spalten hat, wie Merkmale/Variablen gemessen wurden. x 11 x x 1m x 21 x x 2m X = (x ij ) = x n1 x n2... x nm mit i = 1,..., n = # Objekte/Proben und j = 1,..., m = # Merkmalen/Variablen.
11 Beschreibende und darstellende Statistik (33) Im Beispiel handelt es sich um 4 Aufschlüsse mit 3 beobachteten Schichtmächtigkeiten. x ij beschreibt die Merkmalausprägung des j-ten Merkmals an der i-ten Probe; im Beispiel beschreibt x 21 = 10 die Mächtigkeit der ersten Schicht (Sandstein) im zweiten Aufschluß. Sandstein Schieferton Kalkstein sandstone shale limestone Beschreibende und darstellende Statistik (34) Die univariate Statistik stellt Methoden zur Analyse der Verteilung der Ausprägung (Werte) eines einzelnen Merkmals auf die Objekte der Untersuchungsmenge (Proben) zur Verfügung, d.h. zur Analyse einer einzelnen Meßfolge, die durch eine einzelne Spalte der Datenmatrix dargestellt wird: mittlere Mächtigkeit von Sandstein in den 4 Aufschlüssen, Variabilität der Mächtigkeit von Schieferton bezüglich der 4 Aufschlüsse, etc. Table: Mächtigkeiten von drei Schichten in vier Aufschlüssen (nach Butler, J.C., 1988, Summarizing the information content of a set of measurements: GEOBYTE 3(1)) Beschreibende und darstellende Statistik (35) Für die jede Meßfolge von Schichtmächtigkeiten lassen sich die Lage- und Streuungsparameter bestimmen, z.b. für Sandstein die mittlere Mächtigkeit 35, die Spannweite 40, die empirische Varianz 300 und die empirische Standardabweichung 17.3, die ein Maß für die Variabilität (statistische Schwankung um den Mittelwert) in der Maßeinheit der Messung ist. Im absoluten Maß der Varianz bzw. Standardabweichung besitzt Schieferton die größte und Kalkstein die kleinste (absolute) Variabilität. Im relativen Maß des dimensionslosen Variationskoeffizienten besitzt Kalkstein die größte und Sandstein die kleinste (relative) Variabilität. Beschreibende und darstellende Statistik (36) Visualisierung der Datenmatrix als Punktwolke im Merkmalraum (Q - Modus) Jede Probe wird als ein Punkt im R m, also im Merkmalraum aufgespannt von m orthogonalen Merkmalachsen dargestellt
12 Beschreibende und darstellende Statistik (37) Visualisierung der Datenmatrix als Punktwolke im Probenraum (R - Modus) Jedes Merkmal wird als ein Punkt im R n, also im Probenraum aufgespannt von n orthogonalen Probenachsen dargestellt Beschreibende und darstellende Statistik (38) Im Beispiel ist n = 4, m = 3, also vier Probenpunkte (Aufschlüsse) im dreidimensionalen Merkmalraum R 3 aufgespannt von den drei Schichtmächtigkeiten und drei Merkmalpunkte im Probenraum R 4 aufgespannt von den vier Aufschlüssen. Im Falle n, m 3 stellt sich ein Darstellungsproblem ein. Für kleine n, m kann man scatter plots in den zweidimensionalen Unterräumen des m-dimensionalen Merkmalraums oder des n-dimensionalen Probenraums erstellen. Für das Beispiel gibt es drei 2-dimensionale Merkmalunterräume und sechs 2-dimensionale Probenunterräume. Beschreibende und darstellende Statistik (39) Beschreibende und darstellende Statistik (40) Im (Sandstein, Schieferton) - Unterprobenraum erscheint der zweite Aufschluß mit relativ großem Abstand von den anderen Aufschlüssen. Im (Schieferton, Kalkstein) - Unterprobenraum besetzen die Aufschlüsse 2 und 4 ähnliche Orte, sodaß sie aufgrund ihres Euklidischen Abstands in diesem scatter-plot als das ähnlichste Aufschlußpaar interpretiert werden könnten. Allerdings würde aufgrund des Winkels das Aufschlußpaar 1 und 3 als das ähnlichste bewertet. Der (Sandstein, Kalkstein) - scatterplot belegt, daß beide Ähnlichkeitsmaße zum gleichen Ergebnis führen können, denn dort sind die Aufschlüsse 1 und 3 nach beiden Kriterien die ähnlichsten. Ähnlichkeitsmaße für Paare von Probenpunkten im Merkmalraum (Q - Modus): Gibt es Probengruppen, die durch bestimmte Merkmalkomplexe typisiert sind? für Paare von Merkmalpunkten im Probenraum (R - Modus): Gibt es Merkmalkomplexe, für die bestimmte Probengruppen typisch sind? Die Aussagekraft dieser 2d scatter-plots ist insgesamt sehr eingeschränkt und zweifelhaft.
13 Beschreibende und darstellende Statistik (41) Beschreibende und darstellende Statistik (42) Kovarianzmatrix, Korrelationsmatrix Euklidischer Abstand, cos Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Sandstone Shale Limestone Algebraische Ähnlichkeitsmaße Die Matrix der empirischen Varianzen/Kovarianzen von je zwei Merkmalausprägungen wird oft als Ähnlichkeitsmaß im R - Modus benutzt. Das Merkmalpaar mit der größten (positiven) Kovarianz wird als das ähnlichste interpretiert. Da die Kovarianz von der absoluten Größe der Merkmalausprägungen abhängt, vermittelt die Varianz/Kovarianz - Matrix ein absolutes Ähnlichkeitsmaß. Die Korrelationsmatrix stellt ein relatives dimensionsloses Ähnlichkeitsmaß bereit. Beschreibende und darstellende Statistik (43) Geometrische Ähnlichkeitsmaße Die Matrix der euklidischen Abstände zwischen je zwei Probenpunkten wird oft als Ähnlichkeitsmaß im Q - Modus benutzt. Das Probenpaar mit dem kleinsten euklidischen Abstand wird als das ähnlichste interpretiert. Da der euklidische Abstand von der absoluten Größe der Merkmalausprägungen abhängt, vermittelt die Matrix der paarweisen euklidischen Abstände ein absolutes Ähnlichkeitsmaß. Die Matrix der Winkel zwischen je zwei Probenpunkten stellt ein relatives dimensionsloses Ähnlichkeitsmaß bereit.
2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrBox-and-Whisker Plot -0,2 0,8 1,8 2,8 3,8 4,8
. Aufgabe: Für zwei verschiedene Aktien wurde der relative Kurszuwachs (in % beobachtet. Aus den jeweils 20 Quartaldaten ergaben sich die folgenden Box-Plots. Box-and-Whisker Plot Aktie Aktie 2-0,2 0,8,8
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr- Beschreibung der Stichprobe(n-Häufigkeitsverteilung) <- Ermittlung deskriptiver Maßzahlen (Mittelungsmaße, Variationsmaße, Formparameter)
Mehr
Melanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrAuswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro
Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Maßzahlen für zentrale Tendenz, Streuung und andere Eigenschaften von Verteilungen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische
MehrEinfache statistische Auswertungen mit dem TI-Nspire
1. Neues Dokument und darin eine neue Seite anlegen Als Typ 6: Lists & Spreadsheet wählen. Darin die Messwerte in einer Spalte erfassen. Dies ergibt die Urliste. Wenn mehrere Messwerte vorliegen, die diejenigen,
MehrQM: Prüfen -1- KN16.08.2010
QM: Prüfen -1- KN16.08.2010 2.4 Prüfen 2.4.1 Begriffe, Definitionen Ein wesentlicher Bestandteil der Qualitätssicherung ist das Prüfen. Sie wird aber nicht wie früher nach der Fertigung durch einen Prüfer,
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrFranz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum
Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 16. April 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 2 1 ii) empirische
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE INHALTS- VERZEICHNIS Vorwort 13 Schreiben Sie uns! 15 1 Statistische Untersuchungen 17 Wozu Statistik? 18
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrExpertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung)
Epertenrunde Gruppe 1: Wiederholungsgruppe EXCEL (Datenerfassung, Darstellungsformen, Verwertung) Im Folgenden wird mit Hilfe des Programms EXEL, Version 007, der Firma Microsoft gearbeitet. Die meisten
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrStatistik mit Excel. für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE. Markt+Technik
Statistik mit Excel für Praktiker: Statistiken aufbereiten und präsentieren HORST-DIETER RADKE Markt+Technik Vorwort Schreiben Sie uns! 13 15 Statistische Untersuchungen 17 Wozu Statistik? 18 Wirtschaftliche
MehrAuswertung mit dem Statistikprogramm SPSS: 30.11.05
Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrAuswertung und Darstellung wissenschaftlicher Daten (1)
Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea
MehrModul 1 STATISTIK Eine erste Einführung
Kassel Modul 1 STATISTIK Eine erste Einführung 2009 Alphadi - www.alphadi.de Copyright Die Informa@onen in diesem Produkt werden ohne Rücksicht auf einen eventuellen Patentschutz veröffentlicht. Warennamen
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrSTATISTIK. Erinnere dich
Thema Nr.20 STATISTIK Erinnere dich Die Stichprobe Drei Schüler haben folgende Noten geschrieben : Johann : 4 6 18 7 17 12 12 18 Barbara : 13 13 12 10 12 3 14 12 14 15 Julia : 15 9 14 13 10 12 12 11 10
MehrFormale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung
Übung Formale Methoden der Ökonomik: Einführung in die empirische Wirtschaftsforschung BACHELOR FT 2013 (HSU) Übung Emp. WiFo FT 2013 1 / 15 Datensätze Statistische Auswertungen gehen in den meisten Fällen
MehrPhysik & Musik. Stimmgabeln. 1 Auftrag
Physik & Musik 5 Stimmgabeln 1 Auftrag Physik & Musik Stimmgabeln Seite 1 Stimmgabeln Bearbeitungszeit: 30 Minuten Sozialform: Einzel- oder Partnerarbeit Voraussetzung: Posten 1: "Wie funktioniert ein
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
Mehr1 Darstellen von Daten
1 Darstellen von Daten BesucherInnenzahlen der Bühnen Graz in der Spielzeit 2010/11 1 Opernhaus 156283 Hauptbühne 65055 Probebühne 7063 Ebene 3 2422 Next Liberty 26800 Säulen- bzw. Balkendiagramm erstellen
MehrAufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung).
Aufgabe 1: Nehmen Sie Stellung zu den folgenden Behauptungen (richtig/falsch mit stichwortartiger Begründung). a) Die Anzahl der voneinander verschiedenen Beobachtungswerte eines statistischen Merkmals
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrEvaluation der Normalverteilungsannahme
Evaluation der Normalverteilungsannahme. Überprüfung der Normalverteilungsannahme im SPSS P. Wilhelm; HS SPSS bietet verschiedene Möglichkeiten, um Verteilungsannahmen zu überprüfen. Angefordert werden
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrMessung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes
von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie
MehrDarstellungsformen einer Funktion
http://www.flickr.com/photos/sigfrid/348144517/ Darstellungsformen einer Funktion 9 Analytische Darstellung: Eplizite Darstellung Funktionen werden nach Möglichkeit eplizit dargestellt, das heißt, die
MehrDaten sammeln, darstellen, auswerten
Vertiefen 1 Daten sammeln, darstellen, auswerten zu Aufgabe 1 Schulbuch, Seite 22 1 Haustiere zählen In der Tabelle rechts stehen die Haustiere der Kinder aus der Klasse 5b. a) Wie oft wurden die Haustiere
MehrHäufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln
Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrStandardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen. Standardisierung von Daten
DAS THEMA: TABELLEN UND ABBILDUNGEN Standardisierung von Daten Darstellung von Daten in Texten, Tabellen und Abbildungen Standardisierung von Daten z-standardisierung Standardnormalverteilung 1 DIE Z-STANDARDISIERUNG
MehrDie Optimalität von Randomisationstests
Die Optimalität von Randomisationstests Diplomarbeit Elena Regourd Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2001 Betreuung: Prof. Dr. A. Janssen Inhaltsverzeichnis
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
MehrKorrelation. Übungsbeispiel 1. Übungsbeispiel 4. Übungsbeispiel 2. Übungsbeispiel 3. Korrel.dtp Seite 1
Korrelation Die Korrelationsanalyse zeigt Zusammenhänge auf und macht Vorhersagen möglich Was ist Korrelation? Was sagt die Korrelationszahl aus? Wie geht man vor? Korrelation ist eine eindeutige Beziehung
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrMusterlösungen zur Linearen Algebra II Blatt 5
Musterlösungen zur Linearen Algebra II Blatt 5 Aufgabe. Man betrachte die Matrix A := über dem Körper R und über dem Körper F und bestimme jeweils die Jordan- Normalform. Beweis. Das charakteristische
MehrDeskriptive Statistik
Deskriptive Statistik [descriptive statistics] Ziel der deskriptiven (beschreibenden) Statistik einschließlich der explorativen Datenanalyse [exploratory data analysis] ist zunächst die übersichtliche
MehrZahlenwinkel: Forscherkarte 1. alleine. Zahlenwinkel: Forschertipp 1
Zahlenwinkel: Forscherkarte 1 alleine Tipp 1 Lege die Ziffern von 1 bis 9 so in den Zahlenwinkel, dass jeder Arm des Zahlenwinkels zusammengezählt das gleiche Ergebnis ergibt! Finde möglichst viele verschiedene
MehrWirtschaftsstatistik. Konzentrations- und Disparitätsmessung 16.10.2007
Wirtschaftsstatistik Konzentrations- und Disparitätsmessung 16.10.2007 Begriffe Konzentration und Disparität Laut Oxford Advanced Learner s Dictionary by OUP, bzw. WordNet by Princeton University concentration:
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrStatistik für Studenten der Sportwissenschaften SS 2008
Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
MehrProbematura Mathematik
Probematura Mathematik Mai / Juni 2013 Seite 1 von 5 Probematura Mathematik VHS 21 / Sommertermin 2013 1. Tennis Tennisspieler trainieren häufig mit einer Ballwurfmaschine. Die hier beschriebene befindet
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrPraktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben
Technische Universität Kaiserslautern Prof Dr Sven O Krumke Dr Sabine Büttner MSc Marco Natale Praktische Mathematik: Lineare und Netzwerk-Optimierung (SS 2015) Praktikumsaufgaben Aufgabe 1 (Konvertieren
Mehr1. Mathematik-Schularbeit 6. Klasse AHS
. Mathematik-Schularbeit 6. Klasse AHS Arbeitszeit: 50 Minuten Lernstoff: Mathematische Grundkompetenzen: (Un-)Gleichungen und Gleichungssysteme: AG. Einfache Terme und Formeln aufstellen, umformen und
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
Mehry 1 2 3 4 5 6 P (Y = y) 1/6 1/6 1/6 1/6 1/6 1/6
Fachhochschule Köln Fakultät für Wirtschaftswissenschaften Prof. Dr. Arrenberg Raum 221, Tel. 39 14 jutta.arrenberg@fh-koeln.de Übungen zur Statistik für Prüfungskandidaten und Prüfungskandidatinnen Unabhängigkeit
MehrAbitur 2007 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2007 Mathematik GK Stochastik Aufgabe C1 Eine Werbeagentur ermittelte durch eine Umfrage im Auftrag eines Kosmetikunternehmens vor Beginn einer Werbekampagne
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
MehrFelix Klug SS 2011. 2. Tutorium Deskriptive Statistik
2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala
MehrHistogramm und Wahrscheinlichkeitsnetz 1/16
Histogramm und Wahrscheinlichkeitsnetz 1/16 Ziel: Ziel der Aufgabe Ziel ist es, die Grafiken Histogramm und Wahrscheinlichkeitsnetz und die Funktionalitäten (z.b. C-Wert-Funktion) von qs-stat ME kennen
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrFachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer
Fachdidaktik der Informatik 18.12.08 Jörg Depner, Kathrin Gaißer Klassendiagramme Ein Klassendiagramm dient in der objektorientierten Softwareentwicklung zur Darstellung von Klassen und den Beziehungen,
MehrB. Heger / R. Prust: Quantitative Methoden der empirischen Sozialforschung (Master Modul 1.3)
B. Heger / R. Prust: Quantitative Methoden der empirischen Sozialforschung (Master Modul 1.3) Übung 1 (mit SPSS-Ausgabe) 1. Erstellen Sie eine einfache Häufigkeitsauszählung der Variable V175 ( des/der
Mehr