9 Diskriminanzanalyse
|
|
- Ralf Kaufer
- vor 8 Jahren
- Abrufe
Transkript
1 9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe von Objekten mt bekannter Klassenzugehörgket, um Abgrenzung der verschedenen Gruppen anhand der beobachteten Merkmale zu lernen. De Dskrmnanzanalyse fällt unter de so genannten Klassfkatons- oder auch Mustererkennungsmethoden (engl. pattern recognton). Cluster 1 Cluster 2 Cluster 1 Cluster 2 neue Beobachtung neue Beobachtung zu Cluster 2 Cluster 3 Cluster 3 Bespel 9.1. Kredtscorng De Vergabe von Kredten hängt von der Beretschaft und Fähgket der Kunden ab, de anfallenden Zns- und Tlgungsraten zu bezahlen. Banken stufen potenzelle Kunden vor Kredtvergabe entweder als problemlos oder als Problemfall en. Problemfälle werden genauer geprüft und der Kredt ggf. abgelehnt. De Enstufung erfolgt auf Bass von charakterserenden Merkmalen der Kunden hnschtlch hrer persönlchen, wrtschaftlchen und rechtlchen Stuaton. 154
2 Wetere Bespele: Unterschedung von handgeschrebenen Zffern (Postletzahlen), Käufern und Ncht-Käufern enes neuen Produktes, Texte verschedener Autoren, und natürlch echten und falschen Schwezer Banknoten. Defnton 9.2. Modell der Dskrmnanzanalyse Vorlesung Ene Grundgesamthet Ω bestehe aus mehreren Klassen (Gruppen) C 1,..., C k, so dass jedes Element (Objekt) ω Ω zu genau ener Gruppe gehört. Für de Zerlegung C 1,..., C k von Ω gelte also C C j = für = j und k j=1 C j = Ω. Zel st es, für en Objekt ω Ω mt unbekannter Klassenzugehörgket anhand enes beobachteten Merkmalsvektors x de zugehörge Klasse C j zu ermtteln. Bemerkung 9.3. (Lernstchprobe) In der Dskrmnanzanalyse werden n der Regel ncht de Klassen selbst, sondern nur bestmmte Merkmale der Objekte beobachtet, anhand derer de Klassenzugehörgket festzustellen st. Um typsche Werte der Merkmale für de verschedenen Klassen zu ermtteln, steht ene Lernstchprobe von Objekten zur Verfügung, für welche de Merkmalsausprägungen und de Klassenzugehörgket bekannt snd. Lernstchprobe: (x 1, y 1),..., (x n, y n ) mt y = j Objekt gehört zu Klasse C j, = 1,..., n, de ZVe Y gebe de Klassenzugehörgket an. 155
3 Bespel 9.4. Kredte (Fortsetzung Bespel 9.1) Ene süddeutsche Großbank benutzt zur Enschätzung des Kredtrskos hrer Kunden ene Lernstchprobe von 1000 ehemalgen Kredtnehmern. 300 deser ehemalgen Kunden zahlten den Kredt ncht verenbarungsgemäß zurück. Es wurden folgende Merkmale erfasst: Kredt zurückgezahlt (ja; nen) bestehendes laufendes Konto be der Bank (nen; ja, aber m Mnus; ja, mt gerngem Betrag; ja, als Gehaltskonto oder n beträchtlcher Höhe) Laufzet des Kredts (n halben Jahren, bs zu 5 Jahren) bsherge Zahlungsmoral (von schlecht bs sehr gut) Verwendungszweck des Kredts (PKW; Möbel; Rado/Fernsehen; Haushalt; Reparaturen; Ausbldung; Urlaub; Umschulung; Betreb; Sonstges) Darlehenshöhe (n nsgesamt 10 Kategoren von < 500 bs > DM) Sparkonto oder Wertpapere vorhanden (nach Anlagehöhen gestaffelt) Dauer der Beschäftgung be derzetgem Arbetgeber Ratenhöhe n % des verfügbaren Enkommens Famlenstand und Geschlecht wetere Schuldner / Bürgen betelgt n der jetzgen Wohnung set... Jahren Vermögen vorhanden (Haus- und Grundbestz; Bausparvertrag, Lebensverscherung; PKW, Sonstges; kens) Alter (n Altersklassen) wetere Ratenkredte anderswo (andere Bank; Kauf-/Versandhaus; kene) Art der Wohnung (Mete; Egentum; kostenlos überlassen) Anzahl bsherger Ratenkredte enschl. des laufenden 156
4 Beruf (ncht beschäftgt, ungelernt ncht sesshaft; ungelernt sesshaft; Facharbeter, gelernte Angestellte, Beamte bs mttlerer Denst; Führungskraft, selbstständg, Beamter höherer Denst) Anzahl unterhaltsberechtgter Personen, de zu versorgen snd Telefon (nen; ja, unter dem Namen des Kunden) Gastarbeter (ja; nen) Aus den Charakterstka der Kunden n der Lernstchprobe und der Kenntns über de Rückzahlung hrer Kredte wurden Regeln abgeletet, nach denen künftge potenzelle Kunden als unproblematsch oder als Rskofall engestuft werden. Ene Regel, nach der Objekte zu den enzelnen Klassen zugeordnet werden, basert auf ener so genannten Dskrmnanzfunkton. Defnton 9.5. (Dskrmnanzfunkton, Dskrmnanzregel) Betrachtet wrd en Modell der Dskrmnanzanalyse we n Defnton 9.2. Zu enem Objekt ω werde en Merkmalsvektor x beobachtet. Ene Funkton D, de dem Beobachtungsvektor x für jede Gruppe C der Grundgesamthet enen charakterserenden Wert D(x, C ) zuordnet, heßt Dskrmnanzfunkton. Ene Regel, de anhand von D(x, C 1 ),..., D(x, C k ) entschedet, welcher Gruppe C das Objekt ω zugeordnet wrd, heßt Dskrmnanzregel. Nachfolgend mest Betrachtung metrsch skalerter stetger Merkmale. 157
5 9.1 Lneare Dskrmnanzanalyse nach Fsher Idee ener Dskrmnanzregel be nur enem Merkmal und zwe Klassen De Grundgesamthet Ω zerfalle n de Klassen C 1 und C 2. Pro Objekt werde en endmensonales Merkmal X beobachtet. De Lernstchprobe enthalte n 1 Objekte aus C 1 und n 2 Objekte aus C 2 : {x 1,..., x n } = {y 1,..., y n1 } {z 1,..., z n2 }, n = n 1 + n 2, y = x C 1, z = x C 2 : arthmetsche Mttel der Klassen C 1 bzw. C 2. Schätzung der Häufgketsvertelungen des Merkmals X n den beden Klassen, (z. B. durch geglättete Hstogramme oder Anpassen von Normalvertelungen): C 2 C 1 x C 2 x C 1 Größere Werte von X sprechen tendenzell für de Zugehörgket zu C 1, während klenere Werte von X für Klasse C 2 sprechen. Suche Trennpunkt t zwschen großen und klenen Werten, vgl. senkrechten Trennstrch n Abb. Der Trennpunkt kann als Mtte zwschen den Gruppenmttelwerten der Lernstchprobe festgelegt werden, t = y + z 2. Für neue Beobachtung x würde man be der vorlegenden Lernstchprobe entscheden, dass x aus C 1 (C 2 ) stammt, wenn x > t (x < t) (x = t hat für stetge Merkmale Wahrschenlchket Null und st vernachlässgbar). 158
6 Resulterende Dskrmnanzfunkton: 1, x > t, 0, x > t, D(x, C 1 ) = D(x, C 2 ) = 0, x < t, 1, x < t.. Dskrmnanzregel: ordne neue Beobachtung x der Klasse C D(x, C ) = 1 zu. mt Dese Wahl des Trennpunkts t unterstellt mplzt, dass das Merkmal X n beden Gruppen deselbe Varanz bestzt. Idee der Dskrmnanzregel be zwe Merkmalen (und zwe Klassen) En Merkmal allene führt selten zu guten Trennungen zwschen den Gruppen: Suche bessere Unterschedung anhand mehrerer Merkmale. Be Vorlegen enes zwedmensonalen Merkmalsvektors X = (X 1, X 2 ) st es snnvoll, X 1 und X 2 ncht enzeln zu betrachten, sondern ene Kombnaton aus beden zur Trennung der Gruppen zu verwenden. Vsualserung der Häufgketsvertelungen n den Klassen über de Dchtekonturlnen der zugehörgen Vertelungen vsualseren. C 2 C 1 De Trennung zwschen den beden Gruppen erfolgt dann ncht mt enem Trennpunkt, sondern mt ener Trenngeraden. 159
7 Verallgemenerung auf p-dmensonale Merkmale X: Zerlegung des R p n zwe Klassen, Trennung mttel (p 1)-dm. Hyperebene. Suche Rchtung a (Normalenvektor der Hyperebene), so dass Projektonen α = a x = a 1 x, a p x,p m R 1 möglchst gut trennt werden. Lneare Dskrmnanzanalyse mt p Merkmalen und k Klassen Notaton: Stchprobe {x 1,..., x n }, x R p zerfällt n k Cluster C 1,..., C k, wobe C j = {x C j 1,..., xc j n j }, j = 1,..., k. De Clusterzentren snd x C 1,..., x C k. Seen a R p mt a a = 1 und α = a x, α = a x, = 1,..., n, α C j = a x C j, α C j = a x C j, = 1,..., n j, j = 1,..., k de Projektonen der Beobachtungen auf de Achse mt Rchtungsvektor a. De klasssche ANOVA-Varanzzerlegung (der projzerten Daten): n =1 (α α) 2 = k n j j=1 =1 (α C j α C j ) 2 + k n j (α C j α) 2 j=1 Maxmere Verhältns von Between-Group-Sum-of-Squares zu Wthn-Groups- Sum-of-Squares: f (a) = k j=1 n j (α C j α) 2 k j=1 n j =1 (αc j α C j ) 2 = a Ba a Wa, (7) 160
8 wobe B = k n j (x C j x)(x C j x), W = j=1 k j=1 n j =1 (x C j x C j )(x C j x C j ). 1 n W st ene gepoolte Kovaranzschätzung: W = k j=1 n j ˆΣ C j, wobe =1 ˆΣ C j = 1 n j (x C j n j x C j )(x C j x C j ) = 1 n j ( X C j ) Hnj X C j de emprsche Kovaranzmatrx des Clusters C j st, X C j = (x C j 1,..., xc j n j ) de Datenmatrx des Clusters C j und H nj de Zentrerungsmatrx. De Lösung des OP s (7) st bekannt (vgl. Lemma 6.2): Lösungsvektor a st der Egenvektor zum größten Egenwert von W 1 B. Klassfkatonsregel: Gruppere x n de Klasse j mt j = arg mn a (x x C ). Spezalfall k = 2. (führt zu etwas überschtlcherer Notaton.) Grundgesamthet Ω zerfalle n zwe Klassen C 1 und C 2. De Lernstchprobe enthalte n 1 Objekte aus C 1 und n 2 Objekte aus C 2 : {x 1,..., x n } = {y 1,..., y n1 } {z 1,..., z n2 }, n = n 1 + n 2 Dann ergbt sch für das zu maxmerende Zelkrterum (7): f (a) [a (y z)] 2 a Wa und für den Lösungsvektor a (muss noch auf Länge 1 normert werden): a = W 1 (y z). 161
9 Enordnung ener neuen Beobachtung x: Dskrmnanzfunkton: 1, a x > t, D(x, C 1 ) = 0, a x < t, 0, a x > t,, D(x, C 2 ) = 1, a x < t, wobe t = αc 1 + α C 2 2 ( ) y + z = a 2 Dskrmnanzregel: Ordne Beobachtung x der Klasse C j zu, für de D(x, C j ) = 1 st. Koeffzenten a der Dskrmnanzfunkton geben Auskunft darüber, welche Varablen we stark zur Trennung der Gruppen betragen. Damt de Koeffzenten drekt verglechbar snd, müssen se geegnet standardsert werden. De Lneare Dskrmnanzfunkton stellt de enfachste Struktur zur Trennung von Gruppen dar (zwedmensonal: Geraden, dredmensonal: Ebenen, höherdmensonal: Hyperebenen als trennende Mengen), unterstellt mplzt, dass alle Cluster de gleche Kovaranzstruktur haben. Andere Trennfunktonen snd denkbar: Quadratsche Funktonen führen zur so genannten quadratschen Dskrmnanzanalyse (QDA). Bespel 9.6. Schwezer Banknoten: a = ( 0.002, 0.327, 0.334, 0.439, 0.463, 0.612) Das sollte verglchen werden mt den ersten beden Hauptkomponen- 162
10 ten, vgl. Bsp. 4.14: a 1 = ( 0.044, 0.112, 0.139, 0.768, 0.202, 0.579) a 2 = (0.011, 0.071, 0.066, 0.563, 0.659, 0.489) De Hauptkomponenten a 1 und a 2 geben de beden Rchtungen mt der höchsten Gesamtvarabltät (über bede Gruppen hnweg) an, der Vektor a gbt de Rchtung an, n der Zwschen-Gruppen-Varabltät relatv zur Verglech zur Intra-Gruppen-Varabltät am größten st. Also wrd ene Banknote x als falsch klassfzert, falls ( ) x a x > a f + x e = Bespel 9.7. Fshers berühmter Irs-Datensatz ( rs n R), Fsher, 1936: The use of multple measurements n taxonomc problems, Ann. Eugen. 7, Unterschedung der Irsarten rs setosa (C 1 ) und rs verscolor (C 2 ) anhand von Länge und Brete des Kelchblattes (p = 2). Lernstchprobe mt n 1 = n 2 = 50 Pflanzen jeder Art. x C 1 = (5.006, 3.428), x C 2 = (5.936, 2.770) S x = 1 98 (49 S S 2 ) = =
11 S 1 x = , a = ( , ) Resulterende Dskrmnanzregel: Neue Irs mt Merkmalsvektor x = (x 1, x 2 ) n Gruppe rs setosa (C 1 ) enordnen, falls x x 2 > setosa verscolor Be k = 3 mt drtter Irsart rs vrgnca, n 3 = 50: x C 3 = (6.588, 2.974) S = (49 S S S 3 ) W =, B = a = (1, 1.293) Dskrmnanzregel: Verglech von a x , a x und a x führt zu R 1 = {x : a x < }, R 2 = {x : < a x < }, R 3 = {x : < a x} 164
12 5.0 setosa verscolor vrgnca Vorlesung 9.2 Maxmum-Lkelhood- und Bayes-Regeln Notaton: f j (x) = f (x Y = j) Dchte von X unter Y = j, j = 1,..., k, Ŷ Vorhersage von Y aus der erlernten Dskrmnanzregel. R j R p Menge aller x, de Klasse C j zugeordnet werden, j = 1,..., k. Maxmum Lkelhood Dskrmnanzregel: R j = {x : f j (x) > f (x), = 1,..., k, = j} Dese unterstellt mplzt gleche a-pror Wahrschenlchketen für alle Klassen und gleche Kosten aller möglchen Fehlklassfkatonen, also gleche Relevanz aller Gruppen. 165
13 Verallgemenerung: Bayes-Regel p j = P(Y = j) a-pror W ket von C j, j = 1,..., k, mt p p k = 1. Kosten von Fehlklassfkatonen be k = 2 Klassen y ŷ c(ŷ = 2 Y = 1) 2 c(ŷ = 1 Y = 2) 0 Krterum: Mnmere erwartete gesamte Kosten Erwartete gesamte Kosten (Expected Costs of Msclassfcaton, ECM): ECM = c(ŷ = 2 Y = 1)P(Ŷ = 2 Y = 1)P(Y = 1) + c(ŷ = 1 Y = 2)P(Ŷ = 1 Y = 2)P(Y = 2) P(Ŷ = 2 Y = 1) = P(X R 2 Y = 1) = f 1 (x)dx R 2 P(Ŷ = 1 Y = 2) = P(X R 1 Y = 2) = f 2 (x)dx R 1 Bayes-Klassfkatonsregel: R 1 : f 1 (x)p(y = 1) R 2 : f 1 (x)p(y = 1) < c(ŷ = 1 Y = 2) c(ŷ = 2 Y = 1) f 2(x)P(Y = 2) c(ŷ = 1 Y = 2) c(ŷ = 2 Y = 1) f 2(x)P(Y = 2) Spezalfälle: Gleche Kosten von Fehlklassfkatonen c(ŷ = 2 Y = 1) = c(ŷ = 1 Y = 2): R 1 : f 1 (x)p(y = 1) f 2 (x)p(y = 2) R 2 : f 1 (x)p(y = 1) < f 2 (x)p(y = 2) 166
14 Maxmum-Lkelhood-Regel P(Y = 1) = P(Y = 2) und c(ŷ = 1 Y = 2) = c(ŷ = 2 Y = 1): R 1 : f 1 (x) R 2 : f 1 (x) < f 2 (x) f 2 (x) Bayes-Regel unter Normalvertelungsannahmen Fall zweer Gruppen mt glechen Kovaranzmatrzen, X {Y = j} N(µ j, Σ), j = 1, 2: { f j (x) = (2π) p/2 Σ 1/2 exp 1 } 2 (x µ j ) Σ 1 (x µ j ), j = 1, 2 { (2π) p/2 Σ 1/2 exp 1 } f 1 (x) 2 (x µ 1 ) Σ 1 (x µ 1 ) = { f 2 (x) (2π) p/2 Σ 1/2 exp 1 } 2 (x µ 2 ) Σ 1 (x µ 2 ) { = exp 1 2 (x µ 1 ) Σ 1 (x µ 1 ) + 1 } 2 (x µ 2 ) Σ 1 (x µ 2 ) { = exp (µ 1 µ 2 ) Σ 1 x 1 } 2 (µ 1 µ 2 ) Σ 1 (µ 1 + µ 2 ) = exp {(µ 1 µ 2 ) Σ [x 1 12 ]} (µ 1 + µ 2 ) Klassfkatonsregel: R 1 : (µ 1 µ 2 ) Σ 1 [ x 1 2 (µ 1 + µ 2 ) ] ln [ c(ŷ = 1 Y = 2) c(ŷ = 2 Y = 1) ] P(Y = 2) P(Y = 1) Spezalfall ML-Regel: Für P(Y = 1) = P(Y = 2) und c(ŷ = 1 Y = 2) = c(ŷ = 2 Y = 1): [ R 1 : (µ 1 µ 2 ) Σ 1 x 1 ] 2 (µ 1 + µ 2 ) 0 [ ] 1 (µ 1 µ 2 ) Σ 1 x (µ 1 µ 2 ) Σ 1 2 (µ 1 + µ 2 ) 167
15 Maxmum Lkelhood Ansatz führt unter Annahme multvarater Normalvertelung von X mt glechen Kovaranzmatrzen zur lnearen Dskrmnanzanalyse von Fsher (LDA). Vorge Herletung über Projektonen benötgt kene Vertelungsannahmen, man kann von der LDA daher auch ohne Normalvertelung gute Ergebnsse erhoffen. Verallgemenerungen: ML-Dskrmnanzregel be k normalvertelten Gruppen mt glecher Kovaranzmatrx: R j : (x µ j ) Σ 1 (x µ j ) = mn =1,...,k (x µ ) Σ 1 (x µ ) Quadratsche Dskrmnanzanalyse (QDA): Fall zweer Normalvertelungen mt verschedenen Kovaranzmatrzen, X {Y = j} N(µ j, Σ j ), j = 1, 2: { f j (x) = (2π) p/2 Σ j 1/2 exp 1 } 2 (x µ j ) Σ 1 j (x µ j ) { f 1 (x) (2π) p/2 Σ 1 1/2 exp 1 } f 2 (x) = 2 (x µ 1 ) Σ 1 1 (x µ 1 ) { (2π) p/2 Σ 2 1/2 exp 1 } 2 (x µ 2 ) Σ2 1(x µ 2 ) { = exp 1 } 2 x (Σ 1 1 Σ2 1)x + (µ 1 Σ 1 1 µ 2 Σ 1 2 )x Σ 1 1/2 { exp 1 } 1/2 Σ 2 2 (µ 1 Σ 1 1 µ 1 µ 2 Σ 1 2 µ 2 ) { } R 1 : x R p f 1 (x) c(ŷ = 1 Y = 2) P(Y = 2) : f 2 (x) c(ŷ = 2 Y = 1) P(Y = 1) 168
16 9.3 Bewertung der Klassfkatonsgüte Zur Bewertung, we gut de durch de Dskrmnanzregel errechte Trennung st, gbt es verschedene Methoden. 1. Analytsche Berechnung der Fehlklassfkatonsraten: Für ML Regel be zwe Klassen mt X {Y = j} N(µ j, Σ) Mt a = Σ 1 (µ 1 µ 2 ) und δ 2 = (µ 1 µ 2 ) Σ 1 (µ 1 µ 2 ) glt a [X 1 2 (µ 1 + µ 2 ) ] {Y = 2} N( 0.5δ 2, δ 2 ) und somt P(Ŷ = 1 Y = 2) = P (a [X 12 ] ) (µ1 + µ2 ) > 0 Y = 2 = 1 Φ(0.5δ 2 /δ) = Φ( 0.5δ) = P(Ŷ = 2 Y = 1) was aus den Daten geschätzt werden kann. 2. In sample Fehlklassfkatonsraten (apparent error rate): Dskrmnanzregel auf de Objekte n der Lernstchprobe anwenden und de Anzahl der Falschklassfkatonen bestmmen. De entstehenden Fehlklassfkatonsraten geben enen ersten Hnwes auf de Trennungsgüte, snd aber zu optmstsch. 3. Out of sample Fehlklassfkatonsraten: Be velen Beobachtungen mt bekannter Klassenzugehörgket kann de Menge deser Objekte n ene Lern- und ene Valderungsstchprobe untertelt werden. De Dskrmnanzregel wrd anhand der Lernstchprobe und de Fehlklassfkatonsraten anhand der Valderungsstchprobe ermttelt. 169
17 4. Kreuzvalderung (cross valdaton, leave one out): Unter Auslassung ener Beobachtung aus dem Datensatz wrd de Dskrmnanzfunkton auf Bass der restlchen n 1 Beobachtungen bestmmt und de ausgelassene Beobachtung mt deser Dskrmnanzfunkton klassfzert. Des wrd sukzessve für alle Beobachtungen durchgeführt und de Fehlklassfkatonsraten als Gütekrterum berechnet. Zel der Dskrmnanzanalyse: möglchst gute Trennung der Klassen auf Bass der beobachteten Merkmale. En weteres Gütekrterum für ene Dskrmnanzregel st daher, dass se ene bessere Zuordnung zu den Klassen vornmmt als ene ren zufällge Zuordnung. Bemerkung 9.8. (Test gegen zufällge Zuordnung für LDA) Im Modell der Dskrmnanzanalyse gemäß Defntonen 9.2 und 9.5 werde unterstellt, dass de multvarate Varable X ener p-dmensonalen Normalvertelung folgt. Dann st en Test für das Problem H 0 : kene der betrachteten Varablen verbessert de Klassfkaton m Verglech zu ener zufallsbaserten Zuordnung vs. H 1 : mndestens ene Varable verbessert de Klassfkaton gegeben durch folgende Entschedungsregel (mt der Notaton aus Abschntt 9.1): H 0 wrd zum Nveau α verworfen, falls ( n p 1 n1 n 2 α C 1 α ) C 2 2 > F p,n p 1;1 α, p n WSS(α) wobe n 1, n 2 Stchprobenumfänge zu den Gruppen C 1 und C 2 und WSS(α) = k n j j=1 =1 (α C j α C j ) 2 de Wthn-Group-Sum-of-Squares der projzerte Werte α st. 170
18 Des entsprcht dem F-Test m Varanzanalysemodell der enfachen Varanzanalyse (H 0 : De Mttelwerte der p Varablen snd n beden Gruppen glech). Bemerkung 9.9. Varablenselekton: Verglechbar zur Regressonsanalyse werden de Varablen ncht alle n enem Schrtt zur Klassfkaton herangezogen, sondern sukzessve aufgenommen oder entfernt, wobe jedesmal getestet wrd, ob de Hnzunahme / Entfernung de Klassfkaton verbessert. Des erlaubt Identfkaton nutzloser Varablen, de für neue Objekte ncht mehr erhoben werden müssen. Andere Varablentypen: Falls de beobachteten Merkmale nur ordnale oder nomnale Skalerung bestzen, gbt es Verfahren der Dskrmnanzanalyse, de auf entsprechenden Modellannahmen beruhen. Man verwendet herzu en so genanntes Multnomalmodell. 171
nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
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:
MehrEinführung in die Finanzmathematik
1 Themen Enführung n de Fnanzmathematk 1. Znsen- und Znsesznsrechnung 2. Rentenrechnung 3. Schuldentlgung 2 Defntonen Kaptal Betrag n ener bestmmten Währungsenhet, der zu enem gegebenen Zetpunkt fällg
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:
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
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
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
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrIch habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrNomenklatur - Übersicht
Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen
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
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Mehr18. Dynamisches Programmieren
8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus
Mehr2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
Mehr1 BWL 4 Tutorium V vom 15.05.02
1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
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:
Mehr1 - Prüfungsvorbereitungsseminar
1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten
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
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
MehrPraktikum Physikalische Chemie I (C-2) Versuch Nr. 6
Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrKreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
Mehrbinäre Suchbäume Informatik I 6. Kapitel binäre Suchbäume binäre Suchbäume Rainer Schrader 4. Juni 2008 O(n) im worst-case Wir haben bisher behandelt:
Informatk I 6. Kaptel Raner Schrader Zentrum für Angewandte Informatk Köln 4. Jun 008 Wr haben bsher behandelt: Suchen n Lsten (lnear und verkettet) Suchen mttels Hashfunktonen jewels unter der Annahme,
MehrWechselstrom. Dr. F. Raemy Wechselspannung und Wechselstrom können stets wie folgt dargestellt werden : U t. cos (! t + " I ) = 0 $ " I
Wechselstrom Dr. F. Raemy Wechselspannung und Wechselstrom können stets we folgt dargestellt werden : U t = U 0 cos (! t + " U ) ; I ( t) = I 0 cos (! t + " I ) Wderstand m Wechselstromkres Phasenverschebung:!"
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
MehrFree Riding in Joint Audits A Game-Theoretic Analysis
. wp Wssenschatsorum, Wen,8. Aprl 04 Free Rdng n Jont Audts A Game-Theoretc Analyss Erch Pummerer (erch.pummerer@ubk.ac.at) Marcel Steller (marcel.steller@ubk.ac.at) Insttut ür Rechnungswesen, Steuerlehre
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;
MehrFachkräfte- Die aktuelle Situation in Österreich
Chart 1 Fachkräfte- De aktuelle Stuaton n Österrech Projektleter: Studen-Nr.: Prok. Dr. Davd Pfarrhofer F818..P2.T n= telefonsche CATI-Intervews, repräsentatv für de Arbetgeberbetrebe Österrechs (ohne
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
Mehr14 Überlagerung einfacher Belastungsfälle
85 De bsher betrachteten speellen Belastungsfälle treten n der Technk. Allg. ncht n rener orm auf, sondern überlagern sch. Da de auftretenden Verformungen klen snd und en lnearer Zusammenhang wschen Verformung
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
MehrGrundlagen der makroökonomischen Analyse kleiner offener Volkswirtschaften
Bassmodul Makroökonomk /W 2010 Grundlagen der makroökonomschen Analyse klener offener Volkswrtschaften Terms of Trade und Wechselkurs Es se en sogenannter Fall des klenen Landes zu betrachten; d.h., de
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
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
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
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
Mehrphil omondo phil omondo Skalierung von Organisationen und Innovationen gestalten Sie möchten mehr Preise und Leistungen Workshops und Seminare
Skalerung von Organsatonen und Innovatonen gestalten phl omondo Se stehen vor dem nächsten Wachstumsschrtt hrer Organsaton oder haben berets begonnen desen aktv zu gestalten? In desem Workshop-Semnar erarbeten
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
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
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
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
MehrNetzsicherheit I, WS 2008/2009 Übung 3. Prof. Dr. Jörg Schwenk 27.10.2008
Netzscherhet I, WS 2008/2009 Übung Prof. Dr. Jörg Schwenk 27.10.2008 1 Das GSM Protokoll ufgabe 1 In der Vorlesung haben Se gelernt, we sch de Moble Staton (MS) gegenüber dem Home Envroment (HE) mt Hlfe
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
MehrZinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
Mehr9 Diskriminanzanalyse
9 Diskriminanzanalyse 9.1 Problemstellung Ziel einer Diskriminanzanalyse: Bereits bekannte Objektgruppen (Klassen/Cluster) anhand ihrer Merkmale charakterisieren und unterscheiden sowie neue Objekte in
Mehr1.1 Grundbegriffe und Grundgesetze 29
1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld
Mehr"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft
"Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012
MehrFunds Transfer Pricing. Daniel Schlotmann
Danel Schlotmann Fankfut, 8. Apl 2013 Defnton Lqudtät / Lqudtätssko Lqudtät Pesonen ode Untenehmen: snd lqude, wenn se he laufenden Zahlungsvepflchtungen jedezet efüllen können. Vemögensgegenstände: snd
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
MehrWie eröffne ich als Bestandskunde ein Festgeld-Konto bei NIBC Direct?
We eröffne ch als Bestandskunde en Festgeld-Konto be NIBC Drect? Informatonen zum Festgeld-Konto: Be enem Festgeld-Konto handelt es sch um en Termnenlagenkonto, be dem de Bank enen festen Znssatz für de
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
MehrVERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE
VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen
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
MehrKennlinienaufnahme des Transistors BC170
Kennlnenufnhme des Trnsstors 170 Enletung polre Trnsstoren werden us zwe eng benchbrten pn-übergängen gebldet. Vorrusetzung für ds Funktonsprnzp st de gegensetge eenflussung beder pn-übergänge, de nur
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
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.
MehrSH SK S..LL. BPW ECO Disc Trailerscheibenbremsen TSB 3709 / 4309 / 4312. Servicemaßnahme BPW BERGISCHE ACHSEN. Trailerscheibenbremsen
Servcemaßnahme BPW ECO Dsc Tralerschebenbremsen BPW BERGISCHE ACHSEN BPW ECO Dsc Tralerschebenbremsen TSB 3709 / 4309 / 4312 Servcemaßnahme SH SK S..LL BPW ECO Dsc Servcemaßnahme Inhalt BPW Servce-Kt BPW
MehrStandortplanung. Positionierung von einem Notfallhubschrauber in Südtirol. Feuerwehrhaus Zentrallagerpositionierung
Standortplanung Postonerung von enem Notfallhubschrauber n Südtrol Postonerung von enem Feuerwehrhaus Zentrallagerpostonerung 1 2 Postonerung von enem Notfallhubschrauber n Südtrol Zu bekannten Ensatzorten
MehrFranzis Verlag, 85586 Poing ISBN 978-3-7723-4046-8 Autor des Buches: Leonhard Stiny
eseproben aus dem Buch "n mt en zur Elektrotechnk" Franzs Verlag, 85586 Pong ISBN 978--77-4046-8 Autor des Buches: eonhard Stny Autor deser eseprobe: eonhard Stny 005/08, alle echte vorbehalten. De Formaterung
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
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
MehrProf. Dr. Johann Graf Lambsdorff Universität Passau. Pflichtlektüre: WS 2007/08
y, s. y Pof. D. Johann Gaf Lambsdoff Unvestät Passau y* VI. Investton und Zns c* WS 2007/08 f(k) (n+δ)k Pflchtlektüe: Mankw, N. G. (2003), Macoeconomcs. 5. Aufl. S. 267-271. Wohltmann, H.-W. (2000), Gundzüge
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
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
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
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
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
MehrKreditscoring zur Klassifikation von Kreditnehmern. Variablenübersicht des Datensatzes "Kreditscoring zur Klassifikation von Kreditnehmern"
Ergänzung zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Kreditscoring zur Klassifikation von Kreditnehmern Beschreibung des Datensatzes Die Vergabe von Privatkrediten wird von der Bonität der
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrProjektmanagement / Netzplantechnik Sommersemester 2005 Seite 1
Projektmanagement / Netzplantechnk Sommersemester 005 Sete 1 Prüfungs- oder Matrkel-Nr.: Themenstellung für de Kredtpunkte-Klausur m Haupttermn des Sommersemesters 005 zur SBWL-Lehrveranstaltung Projektmanagement
Mehrd da B A Die gesamte Erscheinung der magnetischen Feldlinien bezeichnet man als magnetischen Fluss. = 1 V s = 1 Wb
S N De amte Erschenng der magnetschen Feldlnen bezechnet man als magnetschen Flss. = V s = Wb Kraftflssdchte oder magnetsche ndkton B. B d da B = Wb/m = T Für homogene Magnetfelder, we se m nneren von
MehrIT- und Fachwissen: Was zusammengehört, muss wieder zusammenwachsen.
IT- und achwssen: Was zusammengehört, muss weder zusammenwachsen. Dr. Günther Menhold, regercht 2011 Inhalt 1. Manuelle Informatonsverarbetung en ntegraler Bestandtel der fachlchen Arbet 2. Abspaltung
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;
MehrDie Jordansche Normalform
De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
MehrDynamisches Programmieren
Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.
MehrDatenaufbereitung und -darstellung III
Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten
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
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
Mehr1.1 Das Prinzip von No Arbitrage
Fnanzmärkte H 2006 Tr V Dang Unverstät Mannhem. Das Prnzp von No Arbtrage..A..B..C..D..E..F..G..H Das Framework Bespele Das Fundamental Theorem of Fnance Interpretaton des Theorems und Zustandsprese No
MehrLeitliniengerechte psychosoziale Versorgung aus der Sicht des Krankenhausmanagements
Unser Auftrag st de aktve Umsetzung der frohen Botschaft Jesu m Denst am Menschen. Ene Herausforderung, der wr täglch neu begegnen. Mt modernster Technk und Kompetenz. Und vor allem mt Menschlchket. Letlnengerechte
MehrEinbau-/Betriebsanleitung Stahl-PE-Übergang Typ PESS / Typ PESVS Originalbetriebsanleitung Für künftige Verwendung aufbewahren!
Franz Schuck GmbH Enbau-/Betrebsanletung Stahl-PE-Übergang Typ PESS / Typ PESVS Orgnalbetrebsanletung Für künftge Verwendung aufbewahren! Enletung Dese Anletung st für das Beden-, Instandhaltungs- und
MehrMULTIVAC Kundenportal Ihr Zugang zur MULTIVAC Welt
MULTIVAC Kundenportal Ihr Zugang zur MULTIVAC Welt Inhalt MULTIVAC Kundenportal Enletung Errechbarket rund um de Uhr Ihre ndvduellen Informatonen Enfach und ntutv Hlfrech und aktuell Ihre Vortele m Überblck
MehrDer Satz von COOK (1971)
Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls
MehrGesetzlicher Unfallversicherungsschutz für Schülerinnen und Schüler
Gesetzlcher Unfallverscherungsschutz für Schülernnen und Schüler Wer st verschert? Lebe Eltern! Ihr Knd st während des Besuches von allgemen bldenden und berufsbldenden Schulen gesetzlch unfallverschert.
MehrDie Ausgangssituation... 14 Das Beispiel-Szenario... 14
E/A Cockpt Für Se als Executve Starten Se E/A Cockpt........................................................... 2 Ihre E/A Cockpt Statusüberscht................................................... 2 Ändern
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
MehrLeistungsmessung im Drehstromnetz
Labovesuch Lestungsmessung Mess- und Sensotechnk HTA Bel Lestungsmessung m Dehstomnetz Nomalewese st es ken allzu gosses Poblem, de Lestung m Glechstomkes zu messen. Im Wechselstomkes und nsbesondee n
MehrPersonelle Einzelmaßnahmen - 99 BetrVG. Eingruppierung G 4 G 3 G 2 G 1 G 4. Bei Neueinstellungen oder Arbeitsplatzwechsel. Personelle Einzelmaßnahmen
- 99 BetrVG Enstellung Engrupperung Umgrupperung Versetzung 95 Abs. 3 BetrVG G 4 G 4 G 3 G 2 G 1 G 3 G 2 G 1 neue Arbetsverhältnsse Verlängerung befrsteter AV Umwandlung n unbefrstete AV Beschäftgung von
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
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
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
Mehr