Analyse von Querschnittsdaten. Bivariate Regression
|
|
- Lieselotte Sauer
- vor 6 Jahren
- Abrufe
Transkript
1 Analse von Querschnttsdaten Bvarate Regresson
2 Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum Vorlesung Enführung Bespele Daten Varablen Bvarate Regresson Kontrolle von Drttvarablen Multple Regresson Statstsche Inferenz Sgnfkanztests I Sgnfkanztests II Spezfkaton der unabhänggen Varablen Spezfkaton der Regressonsfunkton Heteroskedastztät Regresson mt Dumm-Varablen Logstsche Regresson
3 Glederung. Deskrptve statstsche Modelle 2. Lneare Enfachregresson (bvarate Regresson) 3. Ncht-lneare Bezehungen 4. Regresson und Korrelaton
4 Glederung. Deskrptve statstsche Modelle 2. Lneare Enfachregresson (bvarate Regresson) 3. Ncht-lneare Bezehungen 4. Regresson und Korrelaton
5 Zelsetzung Fnde ene Statstk, de das Tpsche der vorlegenden Daten beschrebt, so dass de enzelnen Daten möglchst weng von deser Statstk abwechen. enzelne Zelvarable (unbedngte Vertelung) tpsch + Rest Zusammenhang mt ener anderen Varablen (bedngte Vertelung) tpsch + Rest De Reste werden auch als Resduen r bezechnet, de tpschen Werte auch als Prognosen ŷ
6 Bespel : Was st das Tpsche der folgenden Stmmenantele der CDU? Neuwed 44.2 Ahrweler 50.3 Koblenz Cochem Bad Kreuznach 39.0 Btburg Trer Montabaur Manz Worms Frankenthal 39.7 Ludwgshafen Neustadt-Speer Kaserslautern Prmasens Südpfalz Se betragen m Durchschntt 43,96%. De Summe der Abwechungen aller Datenwerte von deser Zahl st mnmal. Anders ausgedrückt: Es gbt kene andere Statstk, be der de Summe der Abwechungen aller Datenwerte klener st. Defnton Abwechung: quadrerte Dfferenz ( 43,96)². Statstk: arthmetsches Mttel
7 Bespel 2: Was st das Tpsche der folgenden Stmmenantele der CDU? Kaserslautern Worms Bad Kreuznach 39.0 Frankenthal 39.7 Manz Ludwgshafen Prmasens Montabaur Neuwed 44.2 Trer Südpfalz Neustadt-Speer Koblenz Ahrweler 50.3 Cochem Btburg De Hälfte der Wahlkrese hat enen Stmmenantel unter 44,2% De Summe der Abwechungen aller Datenwerte von deser Zahl st mnmal. Anders ausgedrückt: Es gbt kene andere Statstk, be der de Summe der Abwechungen aller Datenwerte klener st. Defnton Abwechung: absolute Dfferenz 44,2. Statstk: Medan
8 Bespel 3: Was st je nach Katholkenantel das Tpsche? Wahlkres Katholken CDU Neuwed Ahrweler Koblenz Cochem Bad Kreuznach Btburg Trer Montabaur Manz Worms Frankenthal Ludwgshafen Neustadt-Speer Kaserslautern Prmasens Südpfalz CDU-Antel n % Katholkenantel n %
9 Glederung. Deskrptve statstsche Modelle 2. Lneare Enfachregresson (bvarate Regresson) a. Annahmen b. Mnmerungsfunkton Klenste-Quadrate Methode Klenste-Absolutwerte Methode c. Regressonskoeffzenten d. Determnatonskoeffzent e. Interpretaton 3. Ncht-lneare Bezehungen 4. Regresson und Korrelaton
10 Annahmen und snd kontnuerlche Varablen m mathematschen Snne Werteberech von - bs + Zwschen zwe Werten a<b st auch jeder Zwschenwert m Intervall [a, b] möglch, se deses Intervall auch noch so klen. Lnearer Zusammenhang tpsch + Rest ˆ + r β + β + r 0 β 0 und β heßen Regressonskoeffzenten
11 Mnmerungsfunkton Berechne de tpschen Werte als lneare Funkton von ; und zwar so, dass Möglchket A: de Summe der quadrerten Reste mnmal st (Klenste-Quadrate Methode) Möglchket B: de Summe der Absolutwerte der Reste mnmal st (Klenste-Absolutwerte Methode)
12 Klenste-Quadrate Methode () Regressonskoeffzenten, Prognosen und Resduen errechnen sch we folgt: n n r SAQ SAP ˆ ˆ ˆ ˆ ˆ ˆ ) ( ) )( ( ˆ β β β β β
13 Bespel 3: Arbetstabelle ˆ β ˆ β 0 89,07 636,72 0,94 43,96 0,94 54,99 33,3
14 Klenste-Quadrate Methode (2) Der Determnatonskoeffzent errechnet sch we folgt: SST total sum of squares SSE eplaned sum of squares SSR resdual sum of squares SST SSE SSR n n n ( ( ˆ ( ˆ ) ) SST SSE + SSR 2 SSE SSR R SST SST 2 2 ) 2 n r 2
15 Bespel 3: Arbetstabelle R 2 SSE SST E. SAQ SAQ 230,96 35,96 0,73
16 Output enes Statstk-Programms SST SSR SSE 2 R. reg cdu kathol Source SS df MS Number of obs F(, 4) Model Prob > F Resdual R-squared Adj R-squared Total Root MSE cdu Coef. Std. Err. t P> t [95% Conf. Interval] kathol _cons ˆ β 0 ˆ β
17 Interpretaton CDU ˆ 33,3 + 0,94 Katholken n 6, R 2 0,729 Es wurden Daten aus nsgesamt 6 Wahlkresen ausgewertet. 73% der Varaton (der Varanz) der Stmmenantele der CDU kann mt dem Katholkenantel erklärt werden. Nmmt der Katholkenantel um zehn Prozentpunkte zu, erhöht sch der CDU-Antel um,94 Prozentpunkte. De Konstante (33,3) nterpretert man nur, wenn 0 en snnvoller Wert st.
18 Das Tpsche der Daten CDU ˆ 33,3 + 0,94 Katholken n 6, R 2 0,729 Es wurden Daten aus nsgesamt 6 Wahlkresen ausgewertet. 73% der Varaton (der Varanz) der Stmmenantele der CDU kann mt dem Katholkenantel erklärt werden. Nmmt der Katholkenantel um zehn Prozentpunkte zu, erhöht sch der CDU-Antel um,94 Prozentpunkte. De Konstante (33,3) nterpretert man nur, wenn 0 en snnvoller Wert st.
19 Passung (Ft) der Beschrebung CDU ˆ 33,3 + 0,94 Katholken n 6, R 2 0,729 Es wurden Daten aus nsgesamt 6 Wahlkresen ausgewertet. 73% der Varaton (der Varanz) der Stmmenantele der CDU kann mt dem Katholkenantel erklärt werden. Nmmt der Katholkenantel um zehn Prozentpunkte zu, erhöht sch der CDU-Antel um,94 Prozentpunkte. De Konstante (33,3) nterpretert man nur, wenn 0 en snnvoller Wert st.
20 Nachtrag Klenste Absolutwerte CDU ˆ 32,5 + 0,25 Katholken n 6, R 2 0,5724 Ene andere Mnmerungsfunkton lefert enen lecht veränderten Zusammenhang. Klenste-Quadrate Methode wrd üblcherwese vorgezogen, wel de Klenste-Absolutwerte Methode Nachtele hat: kene analtsche Lösung (teratve Berechnung notwendg) nferenzstatstsche Egenschaften ncht so gut
21 Was erklärt de Unterschede? CDU-Antel n % Klenste Absolutwerte Klenste Quadrate Katholkenantel n %
22 Glederung. Deskrptve statstsche Modelle 2. Lneare Enfachregresson (bvarate Regresson) 3. Ncht-lneare Bezehungen 4. Regresson und Korrelaton
23 Lneartät lnear: 2 + 3* Der Effekt der unabhänggen Varablen st mmer glech groß, egal welchen Wert de Varable aufwest. Unabhänggket von der Größe von ncht-lnear: ()
24 Bespel 4: Absentsmus Es werden nsgesamt 2 Beschäftgte untersucht. Folgende Varablen wurden erhoben: : Anzahl der Tage, an denen de Person fehlte. : (Negatve) Enstellung gegenüber dem Betreb (sehr postv, 3sehr negatv). 2 : Beschäftgungsdauer n dem Betreb n Jahren. 3 : Nettoenkommen n DM. 4 : Anforderungen der ausgeübten Tätgket (nedrg, 2schwerg).
25 Überblck über de Daten Anzahl Fehltage Negatve Enstellung zu Betreb 0 0 Beschaeftgungsdauer n Jahren Nettoenkommen n Euro Anforderungen der Taetgket
26 Lneare Enfachregressonen Regresson R 2 Konstante Stegung Varable mt 0,90-2,3,37 NEGATIV mt 2 0,79 -,72,62 DAUER mt 3 0,92 25,20-0,0053 EINKOMM mt 4 0,00 6,7-0,08 ANFORD
27 Ncht-lnearer Zusammenhang Anzahl Fehltage Anforderungen der Taetgket
28 Glederung. Deskrptve statstsche Modelle 2. Lneare Enfachregresson (bvarate Regresson) 3. Ncht-lneare Bezehungen 4. Regresson und Korrelaton
29 Kovaranz Cov(, ) n ( )( n )
30 Korrelatonskoeffzent Kovaranz st um so größer, je mehr de beden Varablen und streuen. Korrelatonskoeffzent (nach Pearson) st ene standardserte Kovaranz n n n n n n SAQ SAQ SAP n n n s s r ) ( ) ( ) )( ( ) ( ) ( ) )( ( ), Cov(
31 Korrelaton und bvarate Regresson s s r n SAQ n SAQ SAQ SAQ SAP SAQ SAQ SAQ SAQ SAP SAQ SAP SAQ SAQ SAP r ˆ ˆ β β
32 Korrelaton und bvarate Regresson Für den Determnatonskoeffzenten glt 2 R r 2
33 Zum Schluss
34 Lteratur Wooldrdge, J. (2003): Introductor econometrcs: a modern approach. South Western College Publshng. Kaptel 2 gbt ene Enführung n de lneare Enfachregresson. Allerdngs begnnt Wooldrdge sofort mt nferenzstatstschen Überlegungen und unterschedet zwschen Grundgesamthet und Stchprobe. Das werden wr erst n späteren Stzungen behandeln. Wr betrachten Regresson zunächst nur als ene Methode zur Beschrebung von Varablenzusammenhängen. Des erklärt auch unsere lecht abwechende Notaton (z.b. Resduum r statt Fehlerterm u). Btte de entsprechenden Passagen (vor allem Abschntt 2.5) zunächst gnoreren. Es genügt, de Abschntte bs enschleßlch 2.3 zu lesen (WO 22-4).
35 Zusammenfassung Analsezel Mnmerungsfunkton Bvarate Analse Lneare Funkton Annahmen Regresson Korrelaton fnde ene Statstk, de de Daten gut beschrebt, d.h., von der de Enzelwerte möglchst weng abwechen. Summe der Quadrate der Abwechungen Summe der Absolutwerte der Abwechungen mache ene möglchst gute Prognose von für unterschedlche Werte von der Effekt der unabhänggen Varablen st mmer glech groß, egal welchen Wert de Varable aufwest. überprüfe Annahme der Lneartät durch Streudagramm Regressonskoeffzenten, Determnatonskoeffzent ergbt sch aus Regressonskoeffzent durch Multplkaton mt den Standardabwechungen von und
36 Wchtge Fachausdrücke Deutsch Englsch Deutsch Englsch Klenste Quadrate (ordnar) least squares (OLS) Korrelatonskoeffzent correlaton coeffcent Klenste Absolutwerte least absolute values (LAV) Regressonskoeffzent regresson coeffcent Determnatons -koeffzent coeffcent of determnaton
37 Stata-Befehle reg qreg graph twowa scatter graph twowa lft graph twowa scatter lft graph matr -5 corr Regresson von auf (Klenste- Quadrate Methode) Regresson von auf (Klenste- Absolutwerte Methode) Streudagramm Graphk lnearer Regresson bedes n ener Graphk Matr von Streudagrammen (jede Varable mt jeder anderen) Korrelaton von und
Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrP[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)
Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,
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
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
MehrBeschreibende Statistik Mittelwert
Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )
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:
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
Mehr-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell
Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte
MehrSchätzfehler in der linearen Regression (1) Einführung
Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler
Mehr5. ZWEI ODER MEHRERE METRISCHE MERKMALE
5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe
MehrStatistische Methoden für Bauingenieure WS 13/14
Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe
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
Mehrnonparametrische 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
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;
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
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
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
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.
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
Mehr8 Logistische Regressionsanalyse
wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007
Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt
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
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;
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
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
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
MehrStatistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.
Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple
MehrRegression und Korrelation
Regresson und Korrelaton von Ac Enstegsaufgabe lneare Regresson: Durch de 3 Punkte P/, P4/5, P39/6 st ene Mn-Punktwolke gegeben. Gesucht st dejenge Gerade g, welche n der Nähe der Punkte verläuft und de
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
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.
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
MehrPortfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
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
MehrIII. Theorie des Haushalts
Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 86 Pro. Dr. Fredel Bolle Vorlesung "Mkroökonome" WS 008/009 III. Theore des Haushalts 87 III. Theore des Haushalts Unternehmung
MehrEinführung in Origin 8 Pro
Orgn 8 Pro - Enführung 1 Enführung n Orgn 8 Pro Andreas Zwerger Orgn 8 Pro - Enführung 2 Überscht 1) Kurvenft, was st das nochmal? 2) Daten n Orgn mporteren 3) Daten darstellen / plotten 4) Kurven an Daten
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
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:
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,
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
MehrEmpirische Softwaretechnik Grundlagen der Statistik
Emprsche Softwaretechnk Dr. Vctor Pankratus Andreas Höfer Wntersemester 2009/2010 IPD Tchy, Fakultät für Informatk KIT de Kooperaton von Forschungszentrum Karlsruhe GmbH und Unverstät Karlsruhe (TH) Das
MehrDatenaufbereitung und Darstellung
Datenaufberetung und Darstellung 1 Glederung: Zel der Datenaufberetung und Darstellung Datenverdchtung Tabellen und grafsche Darstellungen Darstellung unvarater Datenmengen Darstellung multvarater Daten
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
MehrWerkstoffmechanik SS11 Baither/Schmitz. 5. Vorlesung
Werkstoffmechank SS11 Bather/Schmtz 5. Vorlesung 0.05.011 4. Mkroskopsche Ursachen der Elastztät 4.1 Energeelastztät wrd bestmmt durch de Wechselwrkungspotentale zwschen den Atomen, oft schon auf der Bass
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
Mehr3 Multiple lineare Regression
3 Multple lneare Regresson 3.1 Modell und Statstk a De Abhänggket ener Zelgrösse von ener Ausgangsgrösse kann n enem enfachen Streudagramm dargestellt werden. Oft wrd dadurch das Wesentlche des Zusammenhangs
MehrMathematik für MolekularbiologInnen. Vorlesung VII Block III: Wahrscheinlichkeit und Statistik Verteilungen und Lagemaßzahlen
Mathematk für MolekularbologInnen Vorlesung VII Block III: Wahrschenlchket und Statstk Vertelungen und Lagemaßzahlen Überscht Allgemene Defntonen Bezehung und Vsualserung von Daten Regresson, Fehlerbetrachtung
MehrBoost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
MehrKlausuren zum Üben. Gesamtdauer der Anrufe in [Min]: bis 20 bis 40 bis 60 bis 90 bis 120 Anzahl der Schüler/innen:
Klausuren zum Üben Aufgabentyp I. Unter den Schülernnen und Schülern der Klassenstufe 5 ener Realschule bestzen 40 en Handy. Unter desen wurde ene Erhebung durchgeführt über de Anzahl von Anrufen (Merkmal
MehrKontrastanalyse. Gliederung. Stichproben. 1. Unsere Studie. 2. Varianzanalyse vs. Kontrastanalyse. 3. Kontrastanalyse für unabhängige
Kontrastanalyse Semnar : Multvarate Analysemethoden Dozent : Dr. Thomas Schäfer Referentnnen: Anja Ackermann, Manja Klose & Stephane Lederer Glederung. Unsere Stude. Varanzanalyse vs. Kontrastanalyse 3.
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
MehrLineare Regressionsanalyse mit SPSS
Unverstät Trer Zentrum für Informatons-, Medenund Kommunkatonstechnologe (ZIMK) Bernhard Baltes-Götz Lneare Regressonsanalyse mt SPSS 850 800 750 Y 0 700 5 5 X 0 0 X 0 5 5 04 (Rev. 40804) Herausgeber:
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
MehrAnalyse zeitabhängiger Daten. Kontinuierliche und kategoriale Variablen revisited
Analyse zetabhängger Daten Kontnuerlche und kategorale Varablen revsted Warum geht es n den folgenden Stzungen? Sonstges Datum 05.04.06 12.04.06 19.04.06 26.04.06 03.05.06 10.05.06 17.05.06 24.05.06 31.05.06
MehrMan unterscheidet zwischen gewichteten und ungewichteten Faktorwerten.
Faktorwerte Da es das Zel der Faktorenanalyse st, de Zahl der Kennwerte zu reduzeren (aus velen Items sollen deutlch wenger Faktoren resulteren, st es nötg, Kennwerte für de Ausprägungen der Personen n
MehrÜbungsaufgabeN mit Lösungen
ÜbngsafgabeN mt Lösngen Statstk / Grndstdm Statstk I G - 3. Fachhochschle der Detschen Bndesbank Dr. Detmar Hbrch Dr. Detmar Hbrch Statstk I Afgaben nd Lösngen Fachhochschle der G 3. Detschen Bndesbank
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
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrKurzeinführung in die Fehlerrechnung für das Physik-Praktikum
Mathematsch-Naturwssenschaftlche Fakultät Insttut für Physk Kurzenführung n de Fehlerrechnung für das Physk-Praktkum Julen Kluge - 11. Januar 2017 Inhaltsverzechns 1 Mttelwerte 1 1.1 Arthmetscher Mttelwert..................................
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
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
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
MehrVerallgemeinerte Lineare Modelle
Verallgemenerte Lneare Modelle Tel des Weterbldungs-Lehrgangs Statstk der ETH Zürch Werner Stahel Semnar für Statstk, ETH Zürch und Lsa Prtscher Ma 2004 Inhaltsverzechns 1 Ene und zwe kategorelle Varable
Mehr13.Selbstinduktion; Induktivität
13Sebstndukton; Induktvtät 131 Sebstndukton be En- und Ausschatvorgängen Versuch 1: Be geschossenem Schater S wrd der Wderstand R 1 so groß gewäht, dass de Gühämpchen G 1 und G 2 gech he euchten Somt snd
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
MehrÜbung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
MehrNullstellen Suchen und Optimierung
Nullstellen Suchen und Optmerung Typsche Probleme: De optmale Bahnkurve De Mnmerung des Erwartungswertes ür den Hamltonan Wr möchten ene Funkton mnmeren oder mameren solch en Problem wrd Optmerung genannt!
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrRainer Diaz-Bone/Harald Künemund. Einführung in die binäre logistische Regression
Free Unverstät Berln Fachberech Poltk u. Sozalwssenschaften Insttut für Sozologe Abtelung Methodenlehre und Statstk Garystr. 55 14195 Berln Raner Daz-Bone/Harald Künemund Enführung n de bnäre logstsche
MehrAnwendungsmöglichkeiten von Lernverfahren
Künstlche Neuronale Netze Lernen n neuronalen Netzen 2 / 30 Anwendungsmöglcheten von Lernverfahren Prnzpelle Möglcheten Verbndungsorentert 1 Hnzufügen neuer Verbndungen 2 Löschen bestehender Verbndungen
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
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
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)
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
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
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
MehrPhysikalisches Praktikum PAP 1 für Physiker (B.Sc.) September 2010
Physkalsches Praktkum PAP 1 für Physker (B.Sc.) September 010 (Kurze) Enführung n de Grundlagen der Fehlerrechnung oder besser: Bestmmung von Messunscherheten Step nsde, lades & gentlemen, sad the museum
Mehr9 Phasengleichgewicht in heterogenen Mehrkomponentensystemen
9 Phasenglechgewcht n heterogenen Mehrkomonentensystemen 9. Gbbs sche Phasenregel α =... ν Phasen =... k Komonenten Y n (α) -Molzahl der Komonente Y n der Phase α. Für jede Phase glt ene Gbbs-Duhem-Margules
MehrFür wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage
Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften
MehrKapitel 8: Graph-Strukturierte Daten
Ludwg Maxmlans Unerstät München Insttut für Informatk Lehr- und Forschungsenhet für Datenbanksysteme Skrpt zur Vorlesung Knowledge Dscoery n Dtb Databases II m Wntersemester 2011/2012 Kaptel 8: Graph-Strukturerte
MehrProdukt-Moment-Korrelation (1) - Einführung I -
Produkt-Moment-Korrelaton - Enführung I - Kennffer ur Bechreung de lnearen Zuammenhang wchen we Varalen X und Y. Bechret de Rchtung und de Enge de Zuammenhang m Snne von je... deto... oder wenn... dann...
MehrKapitel 3: Interpretation und Vergleich von Regressionsmodellen
Kaptel 3: Interpretaton und Verglech von Regressonsmodellen 3. Interpretaton des lnearen Modells 3. Auswahl der unabhänggen Varablen 3.3 Fehlspezfkaton der funktonalen Form 3.4 Illustraton: De Erklärung
MehrStatistische Regressionsmodelle
Statstsche Regressonsmodelle Tel II: Verallgemenerte Lneare Modelle Werner Stahel Semnar für Statstk, ETH Zürch März 2005 / Ma 2008 Zweter Tel der Unterlagen zu enem Kurs über Regressonsmodelle, gehalten
Mehr9 Diskriminanzanalyse
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
MehrEINFÜHRUNG IN DIE POISSON REGRESSION
INTERDISZIPLINÄRES SEMINAR STATISTISCHE VERFAHREN IN DEN GEOWISSENSCHAFTEN EINFÜHRUNG IN DIE POISSON REGRESSION VON MARGRET OELKER BETREUT DURCH VIOLA SVEJDAR MÜNCHEN, 5. NOVEMBER 2009. EINLEITUNG BEISPIEL
MehrP(mindestens zwei gleiche Augenzahlen) = = 0.4 = = 120. den 5 vorbereiteten Gebieten drei auszuwählen: = 10. Deshalb ist 120 =
Hochschule Harz Fachberech Automatserung und Informatk Prof. Dr. T. Schade Ft for Ab & Study - Aprl 2014 Lösungen zu den Aufgaben zu elementarer Wahrschenlchketsrechnung 1. a 12 11 10 9 = 33 = 0.102 20
MehrH I HEIZUNG I 1 GRUNDLAGEN 1.1 ANFORDERUNGEN. 1 GRUNDLAGEN 1.1 Anforderungen H 5
1 GRUNDLAGEN 1.1 Anforderungen 1.1.1 Raumklma und Behaglchket Snn der Wärmeversorgung von Gebäuden st es, de Raumtemperatur n der kälteren Jahreszet, das snd n unseren Breten etwa 250 bs 0 Tage m Jahr,
MehrStatistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes
Statstk Defnton: Entwcklung und Anwendung von Methoden zur Erhebung, Aufberetung, Analyse und Interpretaton von Daten. Telgebete der Statstk: - Beschrebende (deskrptve) Statstk - Wahrschenlchketsrechnung
Mehreigentlich gilt, ist für die Fehler Annahme (a) verletzt.
4 Resduen-Analyse 4.1 Problemstellung a b c d e De engeführten Schätz- und Testmethoden beruhen auf Modellannahmen: Für de Fehler wurde E N 0, σ 2 (unabhängg) angenommen. Das kann man aufspalten: (a) Der
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,
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenengen - deskrptv Bblografe Prof. Dr. Kück; Statstk, Vorlesungsskrpt Abschntt 6.., 6..4, 6..5 Bleyüller/Gehlert/Gülcher; Statstk für Wrtschaftswssenschaftler Verlag Vahlen Bleyüller/Gehlert;
MehrSIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
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
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
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
Mehr