Sensitivität in der Statistik
|
|
- Frieda Beltz
- vor 6 Jahren
- Abrufe
Transkript
1 Tillmann Lösche Sensitivität in der Statistik Wahrscheinlichkeit, einen tatsächlich positiven Sachverhalt auch durch ein positives Testergebnis zu erkennen Quelle: Wikipedia auch als Richtig-Positiv-Rate, Empfindlichkeit oder Trefferquote bezeichnet 1
2 Sensitivität in der Modellierung untersucht Beziehung zwischen Eingangsdaten (Input) und Ausgangsdaten (Output) Sensitivität wird mit Sensitivitätsanalyse (SA) analysiert Ziele der SA Untersuchung der Auswirkung von Parametervariation auf das Modellergebnis Untersucht Empfindlichkeit eines Ergebnis auf Änderung der Parameter Identifikation wichtiger Eingangsgrößen (Rangfolge der Parameter) Einfluss von Inputfaktoren auf das Ergebnis Methoden der Sensitivitätsanalyse lokale quantitative Methode Variation nur einer Eingangsgröße zur selben Zeit Andere Eingangsgrößen werden festgehalten globale quantitative Methode berücksichtigt Verteilung und Variation aller Eingangsgrößen ergebende Sensitivitätsmaße für gesamten Modellbereich gültig 2
3 Welche Methode für welches Modell Sensitivitätsanalysemethode Aussage Gültigkeit Modelleinschränkung OAT Design qualitativ ti lokal l linear Morris Design qualitativ global nein Normierte Sensitivitätsindizes quantitativ lokal linear Regressions und Korrelationsanalyse Rangregressions und Rangkorrelationsanalyse quantitativ global linear quantitativ global monoton und additiv Sensitivitätsindizes 1. Ordnung quantitativ global additiv (SOBEL/FAST) SOBELS Sensitivitätsindizes quantitativ global nein Erweiterte FAST Indizes quantitativ global nein Lokale Sensitivitätsanalyse Vorteile: Einfach zu implementieren und durchzuführen Recheneffizient und schnell Sensitivität ist eindeutig einem Eingangsparameter zuzuordnen Nachteil: Ausschließlich Erfassung der lokalen Sensitivität Keine Interaktion zwischen den Parametern 3
4 Lokale Sensitivitätsanalyse Beispiel: normierte Sensitivitätsindize normierte Sensitivitätskoeffizienten: bei linearen Modellen gilt: Ergebnis für lineare Modelle: Anteil der Eingangsgröße X i an der Varianz der Ausgangsgröße Y j Globale Sensitivitätsanalyse Vorteile: Sensitivität ist über gesamten Parameterraum bestimmt Parameterkorrelation werden berücksichtigt Abhängigkeiten der verschiedenen Eingangsgrößen berücksichtigt Nachteile: hoher Rechenzeitbedarf 4
5 Globale Sensitivitätsanalyse für alle globalen Modelle sind Stichprobengenerierung notwendig Stichproben-basierende-Methode bzw. Monte- Carlo-Methode: ermittelt Stichproben aus Gesamtmenge Basis: häufig durchgeführte Zufallsexperimente beruht auf Gesetz der Großen Zahlen Quelle: Wikipedia Stichprobengenerierung: zufällig, Latin Hypercube Sampling (LHS), Sobols Methode, Globale Sensitivitätsanalyse I Regressions- und Korrelationsanalyse Realisierung der Eingangsgröße X i und der Ausgangsgröße Y: Ergebnis ist ein Regressionskoeffizient: Lineares Modell 5
6 Globale Sensitivitätsanalyse: SOBOL Aussagen unabhängig von Modelleigenschaften, berücksichtigt Zusammenhänge von Eingangsgrößen Gesamteffekt der Eingangsgröße X i auf Ausgangsgröße: für additive Modelle gilt: Zusammenfassung SA quantifiziert iert Änderungen ngen der Modellausgabe, die von der Änderung der Modelleingabe verursacht werden SA versucht Unsicherheit eines Modells zu quantifizieren SA will ein besseres Verständnis des Modells erreichen Viele Methoden für unterschiedliche Modelle vorhanden 6
7 Literatur Beven, K. (2002): Rainfall-Runoff Modelling: The Primer. Wiley: Chichester. Fohrer, N. & A. van Griensven (2008): Sensitivität der Modellergebnisse gegenüber unsicheren Eingangsdaten. < de/ipg/ ag/dl/aktuelles/workshop/dokumente/fohrer.pdf> (Stand: 2008) (Zugriff: ) Götzinger, J. (2007): Distributed Conceptual Hydrological Modelling. Simulation of Climate, Land Use Change Impact and Uncertainty Analysis. Stuttgart. Eigenverlag der Universität. Schwieger, V. (2005): Nicht-lineare Sensitivitätsanalyse gezeigt g an Beispielen zu bewegten Objekten. München: Verlag der Bayerischen Akademie der Wissenschaften. Wikipedia: Sensitivität. < (Stand: 2001) (Zugriff: ) 7
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause. Sommersemester 2009
Geo 241 Modellierung von Systemen Modulverantwortlicher: Dr. Krause Sensitivität Tino Wunderlich Matrikel 100028 Gliederung 1. Sensitivität in der Statistik ( Berechnung / Beispiel) 2. Sensitivität in
MehrSensitivität der Modellergebnisse gegenüber unsicheren Eingangsdaten
Sensitivität der Modellergebnisse gegenüber unsicheren Eingangsdaten N. *,, A. van Griensven *CAU Kiel 1 Ursachen für Unsicherheit in den Eingangsdaten 2 Reale Werte Im Raum/Zeitkontinuum Forcing Inputs
MehrEffiziente Sensitivitätsanalyse in der industriellen Produktentwicklung. Vorträge. Thomas Most & Johannes Will
Vorträge Effiziente Sensitivitätsanalyse in der industriellen Produktentwicklung Thomas Most & Johannes Will präsentiert auf der NAFEMS Konferenz 2012 Quelle: www.dynardo.de/de/bibliothek Effiziente Sensitivitätsanalyse
MehrEffizienz & Gütekriterien
Prozessmodellierung II Effizienz & Gütekriterien Linda Spazier Matrikel: 93515 Linda.Spazier@uni jena.de 25.05.2009 GEO 241 Modellierung von Systemen 1 Effizienz und Gütekriterien Stellen Übereinstimmungen
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik DoE-Übung Prof. Dr.-Ing. Alexander Brosius 13.
MehrGrundlagen der Probabilistik
Grundlagen der Probabilistik Gliederung Einleitung Theoretische Grundlagen der Stochastik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen
MehrStatistik, Geostatistik
Geostatistik Statistik, Geostatistik Statistik Zusammenfassung von Methoden (Methodik), die sich mit der wahrscheinlichkeitsbezogenen Auswertung empirischer (d.h. beobachteter, gemessener) Daten befassen.
MehrGrundlagen der Probabilistik
Gliederung Einleitung Theoretische Grundlagen der Statistik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen Untersuchungen
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrSensitivitätsanalyse quantitativer Modelle
quantitativer Modelle Stefan Wagner Software & Systems Engineering Technische Universität München wagnerst@in.tum.de 18. Oktober 2006 Stefan Wagner, TU München Perlen der Informatik 18. Oktober 2006 1
MehrEinsatz von Varianzreduktionstechniken II
Einsatz von Varianzreduktionstechniken II Stratified Sampling und Common Random Numbers Bastian Bluhm Betreuer: Christiane Barz Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrStatistische Versuchsplanung und Optimierung
und Optimierung Ziel: Anwendung der statistischen Versuchsplanung zur Optimierung von Analysenverfahren bzw. chemischen Prozessen Betreuer: Dipl.-Chem. Gisa Baumbach IAAC, Lehrbereich Umweltanalytik Lessingstr.8,
MehrRRL GO- KMK EPA Mathematik. Ulf-Hermann KRÜGER Fachberater für Mathematik bei der Landesschulbehörde, Abteilung Hannover
RRL GO- KMK EPA Mathematik Jahrgang 11 Propädeutischer Grenzwertbegriff Rekursion /Iteration Ableitung Ableitungsfunktion von Ganzrationalen Funktionen bis 4. Grades x 1/(ax+b) x sin(ax+b) Regeln zur Berechnung
MehrStatistik für das Psychologiestudium
Dieter Rasch / Klaus D. Kubinger Statistik für das Psychologiestudium Mit Softwareunterstützung zur Planung und Auswertung von Untersuchungen sowie zu sequentiellen Verfahren ELSEVIER SPEKTRUM AKADEMISCHER
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrInhaltsverzeichnis. Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite. 1.0 Erste Begriffsbildungen Merkmale und Skalen 5
Inhaltsverzeichnis Inhalt Teil I: Beschreibende (Deskriptive) Statistik Seite 1.0 Erste Begriffsbildungen 1 1.1 Merkmale und Skalen 5 1.2 Von der Urliste zu Häufigkeitsverteilungen 9 1.2.0 Erste Ordnung
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
Mehr5. Methoden der Wirtschaftsinformatik
Forschen und Publizieren 5. Methoden der Wirtschaftsinformatik 1. Forschungsmethoden 2. Logisch-argumentativ (deduktiv) 3. Statistische Analyseverfahren (quantitativ) 4. Modellbildung (qualitativ) 5. Fallstudien
MehrEinführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure
Einführung in die Wahrscheinlichkeitsrechnung und Statistik für Ingenieure Von Prof. Hubert Weber Fachhochschule Regensburg 3., überarbeitete und erweiterte Auflage Mit zahlreichen Bildern, Tabellen sowie
MehrStatistics, Data Analysis, and Simulation SS 2017
Mainz, 8. Juni 2017 Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Dr. Michael O. Distler
MehrMonte-Carlo Tests. Diplomarbeit. Wiebke Werft. Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf
Monte-Carlo Tests Diplomarbeit Wiebke Werft Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Düsseldorf im Dezember 2003 Betreuung: Prof. Dr. Arnold Janssen Inhaltsverzeichnis Einleitung
MehrZur systematischen Zerlegung der Funktionen in die Teilfunktionen wird die Dekomposition gleichzeitig in 2 Richtungen umgesetzt:
Ziel Prinzip Identifikation der Teil- und Unterfunktionen eines Produktes mittels systematischer Zerlegung in realisierbare Einheiten von Funktionsblöcken. Die Zerlegung erfolgt auf der Basis physikalischer,
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrRobustheitsuntersuchung am Beispiel der rechnerischen Simulation der ECE-R14
alt 1. Vergleich der Methoden Reine Monte-Carlo-Analyse Ersatzflächenbasierte Monte-Carlo-Analyse 2. Restriktionen nach ECE-R14 3. FEM-Modell 4. Bauteile/ Parameter 5. Anwendung beider Methoden auf ECE-R14
MehrMETHODIK ZUR UNSICHERHEITSBEWERTUNG UND SENSITIVITÄTSANALYSE FÜR THERMISCHE GEBÄUDESIMULATIONEN
METHODIK ZUR UNSICHERHEITSBEWERTUNG UND SENSITIVITÄTSANALYSE FÜR THERMISCHE GEBÄUDESIMULATIONEN Sebastian Burhenne und Sebastian Herkel Fraunhofer-Institut für Solare Energiesysteme, Freiburg, Deutschland
MehrStatistik II für Betriebswirte Vorlesung 1
Statistik II für Betriebswirte Vorlesung 1 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. Oktober 2017 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 1 Version:
MehrTimischl Prugger WIRTSCHAFT MATHEMATIK. Kompetenzliste
Timischl Prugger MATHEMATIK WIRTSCHAFT & 4 Kompetenzliste Inhaltsverzeichnis / Impressum Inhaltsverzeichnis Inhalts- und Handlungsbereiche des Kompetenzmodells in den durchgerechneten Beispielen der Mathematik
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrKapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XIII - p-wert und Beziehung zwischen Tests und Konfidenzintervallen Induktive Statistik Prof. Dr. W.-D. Heller
MehrDie Maximum-Likelihood-Methode
Vorlesung: Computergestützte Datenauswertung Die Maximum-Likelihood-Methode Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft
MehrÜberblick über multivariate Verfahren in der Statistik/Datenanalyse
Überblick über multivariate Verfahren in der Statistik/Datenanalyse Die Klassifikation multivariater Verfahren ist nach verschiedenen Gesichtspunkten möglich: Klassifikation nach der Zahl der Art (Skalenniveau)
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Regression: 4 eindimensionale Beispiele Berühmte
MehrAnalyse der Risiken fehlerhafter Entscheidungen bei Konformitätsbewertungen mittels Software
Analyse der Risiken fehlerhafter Entscheidungen bei Konformitätsbewertungen mittels Software QMSys GUM Enterprise, Professional Software zur Analyse der Messunsicherheit Einführung Normen und Richtlinien
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrDie Regressionsanalyse
Die Regressionsanalyse Zielsetzung: Untersuchung und Quantifizierung funktionaler Abhängigkeiten zwischen metrisch skalierten Variablen eine unabhängige Variable Einfachregression mehr als eine unabhängige
MehrBewertung Strukturierter Produkte mittels Value-at-Risk
Bewertung Strukturierter Produkte mittels Value-at-Risk Bachelorarbeit in Banking & Finance am Institut für schweizerisches Bankwesen der Universität Zürich bei Prof. Dr. R. Volkart Verfasser: Matthias
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 6. Stock, Taubertsberg 2 R. 06-206 (Persike) R. 06-214 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrDie mathematische Modellierung von Klimaskeptikern und Umweltaktivisten: Klimaänderungen aus der Sicht der Bayesischen Statistik
Die mathematische Modellierung von Klimaskeptikern und Umweltaktivisten: Klimaänderungen aus der Sicht der Bayesischen Statistik Andreas Hense, Seung-Ki Min, Heiko Paeth Meteorologisches Institut Universität
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrEinführung in die quantitative und qualitative Sozialforschung
Einführung in die quantitative und qualitative Sozialforschung Überblick Konzeption der Empirie Veranstaltungsplan quantitativ Scheinanforderungen Online-Informationen Anmeldung Wozu empirische Sozialforschung?
MehrModellierung von Zins- und Spread-Risiken
11. Januar 2017-08:30 Risikomessung Modellierung von Zins- und Spread-Risiken Maik Schober Die Veränderung des risikolosen Zinses und der Creditspreads sind zwei relevante Risikofaktoren für festverzinsliche
Mehr1.3 Stochastische Unabhängigkeit und bedingte
1.3 Stochastische Unabhängigkeit und bedingte Wahrscheinlichkeiten Ziel: komplexere Modelle aus Verkettung ( Koppelung ) von Zufallsexperimenten bauen, insbesondere Ziehung von n-personen aus n-maliger
MehrEmpirische Sozialforschung
Helmut Kromrey Empirische Sozialforschung Modelle und Methoden der standardisierten Datenerhebung und Datenauswertung 11., überarbeitete Auflage Lucius & Lucius Stuttgart Inhalt Vorbemerkung: Wozu Methoden
MehrRobustheitsbewertung in der Akustikberechnung eines LKW-Getriebes
Robustheitsbewertung in der Akustikberechnung eines LKW-Getriebes Dr.-Ing. Volker Groß 1* 1 ZF Friedrichshafen AG, Technische Berechnung, Zentrale Forschung und Entwicklung, Friedrichshafen Zusammenfassung
MehrEinführung in die (induktive) Statistik
Einführung in die (induktive) Statistik Typische Fragestellung der Statistik: Auf Grund einer Problemmodellierung sind wir interessiert an: Zufallsexperiment beschrieben durch ZV X. Problem: Verteilung
MehrFakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren
Fakultät Maschinenwesen, Institut für Fertigungstechnik, Professur Formgebende Fertigungsverfahren Spezielle Fertigungsverfahren und Mikrofertigungstechnik Design of Experiments - DoE Prof. Dr.-Ing. Alexander
MehrModelle diskreter Zufallsvariablen
Statistik 2 für SoziologInnen Modelle diskreter Zufallsvariablen Univ.Prof. Dr. Marcus Hudec Zufallsvariable Eine Variable (Merkmal) X, deren numerische Werte als Ergebnisse eines Zufallsvorgangs aufgefasst
Mehr2. Grundbegriffe. Literatur. Skript D. Huhnke S emg GEM. emg GEM
. Grundbegriffe Literatur Skript D. Huhnke S. 10-1 Messung Messwert: Wert, der zur Messgröße gehört und der Ausgabe eines Messgerätes eindeutig zugeordnet ist. Messvoraussetzungen Die Messung soll sein
MehrGrundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften
Grundlagen der Biometrie in Agrarwissenschaften / Ernährungswissenschaften Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Grundlagen der Biometrie, WS 2011/12 Vorlesung: Dienstag 8.15-9.45,
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
MehrProbabilistisches Simulationstool - ProSi
Probabilistisches Simulationstool - Matthias Voigt Gunter Lang; Thorsten van Lil Einleitung Wofür wird die Software entwickelt? Werkzeug zur probabilistischen Untersuchung von Systemverhalten Möglichst
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrInhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Seite 1 von 10 Prof. Dr. Karin Melzer, Prof. Dr. Gabriele Gühring, Fakultät Grundlagen
Inhaltsverzeichnis: 1. Aufgabenlösungen... Lösung zu Aufgabe 1:... Lösung zu Aufgabe... Lösung zu Aufgabe 3... Lösung zu Aufgabe 4... Lösung zu Aufgabe 5... 3 Lösung zu Aufgabe... 3 Lösung zu Aufgabe 7...
Mehr1 Grundlagen des Portfolio Managements Mathematische Grundlagen im Portfolio Management Grundlagen der modernen Portfoliotheorie 203
Inhaltsübersicht 1 Grundlagen des Portfolio Managements 17 2 Mathematische Grundlagen im Portfolio Management 123 3 Grundlagen der modernen Portfoliotheorie 203 4 Die Anwendung des aktiven Portfolio Managements
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Ausgangsdaten Bundesliga 2008/2009 Gegeben: Daten zu den 18 Vereinen der ersten Bundesliga
MehrMonte-Carlo-Verfahren nach GUM Supplement 1. Gerd Wübbeler Physikalisch-Technische Bundesanstalt
Monte-Carlo-Verfahren nach GUM Supplement 1 Gerd Wübbeler Physikalisch-Technische Bundesanstalt 1 Inhalt Wahrscheinlichkeitsverteilungen Monte-Carlo Verfahren Beispiele Adaptive Monte-Carlo Verfahren Warum
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrAssimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes
Assimilierung von GRACE-Daten in ein hydrologisches Modell mit Hilfe eines Ensemble-Kalman-Filter Ansatzes M. Schumacher, A. Eicker, E. Kurtenbach, J. Kusche (Universität Bonn) P. Döll, H. Hoffmann-Dobrev,
MehrResampling. in»statistische Methoden in der Physik« Referent: Alex Ortner. Studenten-Seminar Sommersemester 2007
Resampling in»statistische Methoden in der Physik«Referent: Studenten-Seminar Sommersemester 2007 Gliederung 1 Resampling Prinzip Einleitung Resampling Methoden 2 3 4 Einleitung intuitv Resampling Prinzip
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
Mehr7. Grenzwertsätze. Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012
7. Grenzwertsätze Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Mittelwerte von Zufallsvariablen Wir betrachten die arithmetischen Mittelwerte X n = 1 n (X 1 + X 2 + + X n ) von unabhängigen
MehrTEIL 13: DIE EINFACHE LINEARE REGRESSION
TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
Mehr1 Grundbegriffe der Messtechnik 1
1 Grundbegriffe der Messtechnik 1 1.1 Definitionen 1 1.2 Art des Messens 3 1.3 Messsysteme 4 1.4 Messverfahren 6 1.4.1 Messmethoden 6 1.4.2 Messeffekt 8 1.5 Funktionselemente von Messeinrichtungen 9 1.6
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrDiagnostik aus gesundheitsökonomischer Perspektive am Beispiel accp-antikörper
Diagnostik aus gesundheitsökonomischer Perspektive am Beispiel accp-antikörper 6. Immundiagnostisches Meeting Dresden, 07.-11. Oktober 2008 A. Konnopka, H.-H. König Abteilung für Gesundheitsökonomie, Klinik
Mehr5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
5. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 5.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2002 1. Ein Chemiestudent hat ein Set von 10 Gefäßen vor sich stehen, von denen vier mit Salpetersäure Stoff A), vier mit Glyzerin Stoff
MehrSchätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC. Referenten: Linda Gräfe & Konstantin Falk
Schätzverfahren ML vs. REML & Modellbeurteilung mittels Devianz, AIC und BIC Referenten: Linda Gräfe & Konstantin Falk 1 Agenda Schätzverfahren ML REML Beispiel in SPSS Modellbeurteilung Devianz AIC BIC
MehrMATHEMATIK 3 STUNDEN
EUROPÄISCHES ABITUR 2013 MATHEMATIK 3 STUNDEN DATUM : 10. Juni 2013, Vormittag DAUER DER PRÜFUNG: 2 Stunden (120 Minuten) ERLAUBTES HILFSMITTEL Prüfung mit technologischem Hilfsmittel 1/6 DE AUFGABE B1
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
MehrGRUPPE B Prüfung aus Statistik 1 für SoziologInnen
GRUPPE B Prüfung aus Statistik 1 für SoziologInnen 16. Oktober 2015 Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden Name in Blockbuchstaben: Matrikelnummer: 1) Wissenstest (maximal 20 Punkte) Kreuzen ( )
MehrStatistische Tests (Signifikanztests)
Statistische Tests (Signifikanztests) [testing statistical hypothesis] Prüfen und Bewerten von Hypothesen (Annahmen, Vermutungen) über die Verteilungen von Merkmalen in einer Grundgesamtheit (Population)
MehrPrüfungsliteratur: Rudolf & Müller S
1 Beispiele zur univariaten Varianzanalyse Einfaktorielle Varianzanalyse (Wiederholung!) 3 Allgemeines lineares Modell 4 Zweifaktorielle Varianzanalyse 5 Multivariate Varianzanalyse 6 Varianzanalyse mit
MehrSensitivität der Modellergebnisse gegenüber der räumlichen Diskretisierung und der Informationsdichte. Helge Bormann
11. Workshop für großskalige hydrologische Modellierung Sensitivität der Modellergebnisse gegenüber der räumlichen Diskretisierung und der Informationsdichte Helge Bormann Universität Oldenburg Institut
MehrStatistik. Einführung in die com putergestützte Daten an alyse. Oldenbourg Verlag München B , überarbeitete Auflage
Statistik Einführung in die com putergestützte Daten an alyse von Prof. Dr. Karlheinz Zwerenz 4., überarbeitete Auflage B 366740 Oldenbourg Verlag München Inhalt Vorwort XI Hinweise zu EXCEL und SPSS XII
MehrMathematik. Schuljahr 1
Mathematik 1 Duales Berufskolleg Mathematik Schuljahr 1 Fachrichtung Soziales 2 Mathematik Vorbemerkungen Die Schülerinnen und Schüler lernen im Fach Mathematik einfache naturwissenschaftliche Sachverhalte
MehrProjektrisikomanagement
Prof. Dr.-Ing. Gerhard Girmscheid Dr. sc. techn. Thorsten A. Busch Projektrisikomanagement in der Bauwirtschaft auwerk Vorwort 3 Benutzungshinweise 5 Inhaltsverzeichnis 7 1 Einleitung 11 2 Risikoteilungsansätze
MehrSoftware-Engineering
SWE2 Slide 1 Software-Engineering Sebastian Iwanowski FH Wedel Kapitel 2: Grundbegriffe und Prinzipien SWE2 Slide 2 Grundbegriffe der Software-Entwicklung: Systeme System Ausschnitt aus der realen oder
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 26. April 2013 Prolog Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Artensterben
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrInhomogene lineare Differentialgleichung 1. Ordnung Variation der Konstanten
http://farm2.static.flickr.com/1126/1106887574_afb6b55b4e.jpg?v=0 Inhomogene lineare Differentialgleichung 1. Ordnung Variation der Konstanten 1-E Joseph Louis Lagrange (1736-1813), ein italienischer Mathematiker
Mehr