Einfluss der Einzelpflanzenverteilung bei Drillsaat (und Einzelkornsaat) auf die optimale Teilstückgröße und Teilstückform in Parzellenversuchen
|
|
- Carin Roth
- vor 6 Jahren
- Abrufe
Transkript
1 Einfluss der Einzelpflanzenverteilung bei Drillsaat (und Einzelkornsaat) auf die optimale Teilstückgröße und Teilstückform in Parzellenversuchen Andreas Büchse (BASF SE Ludwigshafen) 1
2 Ausgangspunkt Sämaschinenvergleich DLG-Ausschuss Versuchswesen in der Pflanzenproduktion Vergleich von Parzellendrillmaschinen hinsichtlich Längs- und Querverteilung Methodik Feldversuch in Bernburg Herbst Parzellendrillen Grob- mittel- und feinkörniges Saatgut (Erbsen, Getreide, Senf) 2 Saatstärken je Fruchtart 8 Parzellen je Maschine Fruchtart Saatstärke Erheben der Pflanzenpositionen mit Bandmaß (insgesamt Pflanzen) Berechnen der Pflanzenabstände aus den Pflanzenpositionen 2
3 3
4 4
5 5
6 Räumliche Darstellung der digitalisierten Pflanzenpositionen Darstellung nicht maßstabsgetreu! Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_1 Position Reihe Position Fahrtrichtung Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_ Reihe 6
7 Beispielhafte Histogramme für Pflanzenabstände in der Reihe (=Längsverteilung) Maschine A, Erbse 30 K/m² Maschine B, Erbse 80 K/m² 7
8 Modell für Abstände Drillsaat hat viele zufällige Einflussgrößen Ob und wann und bei welchem Säschar ein Saatkorn fällt ist im wesentlichen ein Zufallsprozess. Dieser Prozess ist gedächtnislos. D.h. dem n+1 ten Saatkorn ist es egal, wann und wo das n-te Saatkorn gefallen ist. (Stimmt nicht mehr am Parzellenende, wenn die Saatgutmenge zu Ende geht). Ist man an den Abständen zwischen zwei aufeinanderfolgenden, zufälligen Ereignissen interessiert, so gibt die Exponentialverteilung, die Wahrscheinlichkeit bestimmter Abstandsklassen an. Vergleiche auch H.W. Griepentrog, Dissertation 1994: verfügbar unter 8
9 Exponential-Verteilung Die Exponentialverteilung gibt die Wahrscheinlichkeit des Abstandes zweier aufeinanderfolgender, Poisson-verteilter Ereignisse an. Die Wahrscheinlichkeit für einen Abstand X größer als x cm ergibt sich nach: P(X > x) = exp(-x ) Mit = 1 / σ und σ = Erwartungswert des mittleren Abstands Beispiel: P für Abstand > 18 cm bei mittlerem Abstand von 9 cm ist P(X > x) = exp(-18*(1/9)) = exp(-2) = 13.5% -> Verteilung (und damit Lückigkeit) ergibt sich als Funktion des mittleren Abstands 9
10 Histogramme für Pflanzenabstände mit angepasster Exponentialverteilung Senf 50 K/qm, Feldaufgang = 53%, Mittlerer Abstand 23.8cm Erbse 30 K/qm, Feldaufgang = 90%, Mittlerer Abstand 23.8cm -> Modell Exponentialverteilung passt sehr gut -> Nicht unbedingt erwartet. Hypothese war, dass große Lücken zu häufig auftreten. -> Feldaufgang beeinflusst mittleren Abstand 10
11 Histogramme für Pflanzenabstände mit angepasster Exponentialverteilung - Abstände relativiert auf mittleren Abstand Getreide 100 K/m², FA 88.8%, Mittlerer Abstand 6.8 cm, CV 99.7 Quelle: Griepentrog, H.-W. (1995): Längsverteilung von Sämaschinen und ihre Wirkung auf Standfläche und Ertrag bei Raps. Agrartechnische Forschung l H. 2, S Bei Exponentialverteilung entspricht die Standardabweichung dem mittleren Abstand. -> Variationskoeffizient ~100% 11
12 Faktoren für die optimale Teilstückgröße Wesentliche Einflussgrößen zur Bestimmung der Teilstückgröße in Feldversuchen (nach BÄTZ et al., Autorenkollektiv 1987) 12
13 Optimale Teilstückabmessungen für Messungen vor Ernte Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_2 Position ? Reihe Gesamtfläche 1.35 m x 8.00 m = 10.8 m² Erhebung von Merkmalen vor Ernte - Zählungen - Biomasse - Blattfläche Stichprobe aus Gesamtparzelle Anzahl, Fläche und Position dieser Messung? Um repräsentative Stichprobe zu erhalten sollte die Pflanzendichte in der Stichprobenfläche nicht von der mittleren Bestandesdichte in der Gesamtparzelle abweichen. 13
14 Mögliche Teilflächen für Messungen vor Ernte Position Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_ Reihe Position Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_ Reihe 14
15 Variabilität der Ergebnisse in Abhängigkeit von der Teilstückform Position Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_ Reihe Gesamtfläche 1.35 m x 8.00 m = 10.8 m² Gesamtparzelle hat Fläche von 1.35 m x 8.00 m = 10.8 m² Stichprobe von einer Teilfläche soll repräsentativ für Gesamtparzelle sein Variablilität der Pflanzenzahl bzw. der Lückigkeit ist Funktion des mittleren Abstands und damit der Pflanzenzahl selbst Je kleiner die beprobte Fläche desto mehr kann die realisierte Verteilung der Pflanzenzahlen zufällig von der theoretisch erwarteten Poissonverteilung abweichen -> Stichprobenfehler steigt 15
16 Empirischer Ansatz mit Daten aus Bernburg Erbse, 30 K/qm und 80 K/qm Zerlege jede Gesamtparzelle in 81 Teilflächen Jeweils 15 cm breit (=1 Reihe) und 89 cm lang. Fläche jeweils m². Mögliche Muster für Stichprobe sind: Gesamte Parzelle Zeilen: 9 Reihen breit und 89 cm lang = 1.2 m² Reihen: 1 Reihe breit und 800 cm lang = 1.2 m² 9 Teilflächen a m² systematisch oder zufällig auf der Parzelle verteilt Weitere denkbare Stichproben Passe lineares gemischtes Modell an, schätze Effekte von Reihe und Zeile auf die Pflanzenzahl sowie Varianzen der zufälligen Effekte. (vorher Wurzel-Transformation durchgeführt) 16
17 Ergebnis Erbse fixe Effekte Saatstaerke_pro_qm Effect Num DF Den DF F Value Pr > F Significance 30 Maschine (+) 30 Zeile <.0001 *** 30 Reihe Maschine*Zeile <.0001 *** 30 Maschine*Reihe Maschine (+) 80 Zeile <.0001 *** 80 Reihe * 80 Maschine*Zeile <.0001 *** 80 Maschine*Reihe (+) Signifikanter Einfluss der Zeile und der Reihe 17
18 Ergebnis Erbse Zeileneffekte 18
19 Ergebnis Erbse Reiheneffekte 19
20 Ergebnis Erbse fixe Effekte Erste und letzte Zeile (Anfang und Ende) jeder Parzelle verworfen Saatstaerke_pro_qm Effect Num DF Den DF F Value Pr > F Significance 30 Maschine ** 30 Zeile (+) 30 Reihe Maschine*Zeile ** 30 Maschine*Reihe (+) 80 Maschine ** 80 Zeile * 80 Reihe * 80 Maschine*Zeile ** 80 Maschine*Reihe * Signifikanter Einfluss der Zeile und der Reihe 20
21 Ergebnis Erbse - Varianzkomponenten Saatstaerke_pro_qm Cov Parm Group Estimate 30 Flaeche(Maschine) Maschine A Flaeche(Maschine) Maschine B Flaeche(Maschine) Maschine C Flaech*Zeile(Maschi) Maschine A 0 30 Flaech*Zeile(Maschi) Maschine B 0 30 Flaech*Zeile(Maschi) Maschine C 0 30 Flaech*Reihe(Maschi) Maschine A Flaech*Reihe(Maschi) Maschine B Flaech*Reihe(Maschi) Maschine C 0 30 Residual Flaeche(Maschine) Maschine A 0 80 Flaeche(Maschine) Maschine B 0 80 Flaeche(Maschine) Maschine C Flaech*Zeile(Maschi) Maschine A 0 80 Flaech*Zeile(Maschi) Maschine B Flaech*Zeile(Maschi) Maschine C Flaech*Reihe(Maschi) Maschine A Flaech*Reihe(Maschi) Maschine B Flaech*Reihe(Maschi) Maschine C Residual Restfehler dominiert Nur geringe Zeilen- und Spaltenvarianz zusätzlich zu den festen Zeilen- und Spalteneffekten. 21
22 Zwischenfazit Der Beginn und das Ende einer Parzelle sollten unberücksichtigt bleiben (auch bei der abschließenden Ernte!?) Verbliebene Zeilen sind ebenfalls nicht völlig homogen Zählung oder Ernte von Einzelreihen bietet ebenfalls Potential für Verzerrungen Ideales Design spart Anfang und Ende der Parzelle aus und berücksichtigt alle Reihen (z.b. in jeder Reihe cm, systematisch versetzt) Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_2 Position Reihe 22
23 Zwischenfazit Oder so... Position Fruchtart=Erbse Saatstaerke_pro_qm=30 Flaeche=A_ Reihe 1.2 m² Stichprobe aus 10.8 m² - ist das ausreichend? Wie viele und wie große Teilstücke sind sinnvoll? 23
24 Theoretischer Ansatz Anzahl in einer bestimmten Fläche ist Poisson verteilt. P ( k ) k e k! λ = Fläche der Stichprobe * Anzahl Pfl. je qm Zählstrecke 89 cm, Reihenweite 15 cm, 27 Pfl/m²-> λ=3.6 Fruchtart Erbse Zählstrecke je Subsample [cm] 89.0 Reihenabstand [cm] 15.0 Fläche je Subsample [m²] 0.13 Anzahl Subsamples je Parzelle 1 Gesamtfläche [m²] 0.13 Ausgesäte Körner je m² 30.0 Feldaufgang [%] 90.0 Pflanzen je qm 27.0 Lambda 3.60 Variationskoeffizient 52.7% Wahrscheinlichkeit Anzahl Pfl. je Parzelle Anzahl Ereignisse Wahrscheinlichkeit
25 Variationskoeffizienten Variationskoeffizient der Pflanzenzahl ist Funktion von λ VK 1 λ = Fläche der Stichprobe * Anzahl Pfl. je qm Fruchtart Erbse Erbse Senf Erbse Getreide Getreide Zählstrecke je Subsample [cm] Reihenabstand [cm] Fläche je Subsample [m²] Anzahl Subsamples je Parzelle Gesamtfläche [m²] Ausgesäte Körner je m² Feldaufgang [%] Pflanzen je qm Lambda Variationskoeffizient 52.7% 17.6% 13.6% 10.8% 9.6% 5.6% 25
26 Variationskoeffizienten der Pflanzenzahl in Abhängigkeit von durchschnittlicher Pflanzendichte und Gesamtfläche je Parzelle 3% Bei 4 Wiederholungen beträgt Grenzdifferenz 5% mindestens ~ 1.4*CV (zzgl. bodenbedingter Variation) Erbse Raps 5% 7% 9% > während bei Getreide Stichproben von 1 m² pro Parzelle ausreichend sind, benötigt man bei Erbse und Raps 2 4 m² oder mehr um eine GD von 10% zu erreichen. (für die Pflanzenzahl!) Getreide d.h. für einen CV < 7% benötigt man mindestens n=200 Pflanzen 26
27 Beziehung zwischen Pflanzenzahl, Standraum und Ertrag Geringe Pflanzenzahl = großer Standraum = höherer Einzelpflanzenertrag Positionen von Rapspflanzen und Voronoi-Polygone Griepentrog, H.-W. (1995): Längsverteilung von Sämaschinen und ihre Wirkung auf Standfläche und Ertrag bei Raps. Agrartechnische Forschung l H. 2, S
28 Zusammenfassung Drillsaat Drillsaat führt zu Exponentialverteilung von Pflanzenabständen, daraus resultieren teils große Lücken -> das ist ganz normal! Ein Aussparen dieser Lücken bei Zählungen und Messungen führt zu Verzerrungen gegenüber dem Parzellendurchschnitt Anfang und Ende der Parzelle sollten nicht für Teil-Stichproben verwendet werden, da sie vom Parzellenkern differieren Stichproben sollten in der Parzelle gleichmäßig verteilt werden (=mehrere kleine Flächen). Alle Reihen sollten beprobt werden. Für die Bestimmung der Pflanzenzahl bei Getreide sind Stichproben auf einer Gesamtfläche von 1 m² ausreichend, bei Pflanzendichten unter 100/m² (Erbse, Raps) sollten 2-4 m² ausgezählt werden. Ziel sollte sein, n=200 Pflanzen zu erfassen. Je nach Pflanzenart kann die Variation in der Pflanzenzahl in ihrer Wirkung auf Biomasse, Ertrag und Ertragskomponenten durch verstärkte Verzweigung/Bestockung aber deutlich abgeschwächt sein. Geringere Stichprobenflächen sind dann ausreichend. 28
29 Einzelkornsaat Bei Einzelkornsaat gibt es mehrere Abstandsklassen. Um den mittleren Abstand herum folgen die Pflanzenabstände einer Normalverteilung. Simulierte Verteilung der Pflanzenabstände in der Reihe, bei: - Regelabstand 10 cm, - = 67 K/m² bei Reihenweite 15 cm - Stdabw. von Regelabstand 1 cm, - Feldaufgang 90% - = Erwartungswert 60 Pfl./m² 29
30 Einzelkornsaat Simulationsergebnis mit unterschiedlichen Stichprobengrößen Simulation jeweils mit geringer Abweichung vom Regelabstand (s=1) Variationskoeffizient bei Einzelkornsaat zusätzlich vom Feldaufgang abhängig. Streifenmuster resultiert aus Messstrecken deren Beginn und Ende genau auf dem Regelabstand liegen, das ergibt dann Flächen größerer Varianz. 30
31 Einzelkornsaat Variationskoeffizienten der Pflanzenzahl in Abhängigkeit von Stichprobenfläche und Pflanzendichte 31
32 Einzelkornsaat Variationskoeffizienten der Pflanzenzahl in Abhängigkeit von Stichprobenfläche und Pflanzendichte 32
33 Zusammenfassung Einzelkornsaat Bei hohem Feldaufgang und präziser Ablage resultiert ein sehr gleichmäßiger Bestand -> kleine Flächen reichen aus um gute Stichprobe zu erhalten, Flächen <1 m² (bzw. ca. 50 Pflanzen insgesamt) sind dann notwendig. Bei geringem Feldaufgang und / oder unpräziser Ablage nähert sich die Beziehung zwischen Fläche und Variationskoeffizient der Drillsaat an. -> Flächen >1 m² (bzw. ca Pflanzen insgesamt) sind dann notwendig, Bezüglich der Lage der Stichproben gilt das für Drillsaat gesagte. 33
34 Arbeit an dieser Fragestellung geht weiter Für Hinweise und Fragen bin ich dankbar 34
Möglichkeiten zur Erweiterung des Einsatzes der Einzelkornsätechnik
Möglichkeiten zur Erweiterung des Einsatzes der Einzelkornsätechnik Bernd Gattermann AMAZONEN-Werke Seite: 1 Trägerrahmen mit Heckmodulen Seite: 2 EDX Xpress-System Aktive Seminar: Strategie und Technik
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrKlausur Statistik Lösungshinweise
Klausur Statistik Lösungshinweise Prüfungsdatum: 1. Juli 2015 Prüfer: Etschberger, Heiden, Jansen Studiengang: IM und BW Aufgabe 1 14 Punkte Ein Freund von Ihnen hat über einen Teil seiner Daten, die er
MehrEuroChem Agro GmbH. Datum: 13. Januar 2016 Volker Sandrock
EuroChem Agro GmbH EuroChem Gruppe LfULG Informations- und Servicestelle Großenhain Titel: Hohe Rapserträge mit optimierter N-Düngung und Erntetermin Datum: 13. Januar 2016 Volker Sandrock EuroChem Agro
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrGrundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel
Grundlagen quantitativer Sozialforschung Interferenzstatistische Datenanalyse in MS Excel 16.11.01 MP1 - Grundlagen quantitativer Sozialforschung - (4) Datenanalyse 1 Gliederung Datenanalyse (inferenzstatistisch)
Mehr8. Februar 2007. 5. Bei Unterschleif gilt die Klausur als nicht bestanden und es erfolgt eine Meldung an das Prüfungsamt.
L. Fahrmeir, C. Belitz Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 8. Februar 2007 Hinweise:
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrCommercial Banking Übung 1 Kreditscoring
Commercial Banking Übung Kreditscoring Dr. Peter Raupach raupach@wiwi.uni-frankfurt.de Sprechzeit Dienstag 6-7:00 Uhr Raum 603 B Kreditscoring Gliederung Grundanliegen Das Sample Modellspezifikation Diskriminanzanalyse
Mehr2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28
MehrOptimierung des Feldversuchswesens aus biometrischer Sicht
Optimierung des Feldversuchswesens aus biometrischer Sicht Versuchstechniker-Tagung der SAATEN-UNION am 03. / 04. November 2003 Hohenlieth Andreas Büchse Universität Hohenheim, Fachgebiet Bioinformatik
MehrSortenwahl bei Ackerbohnen bei Anzeichen von Leguminosenmüdigkeit
Sortenwahl bei Ackerbohnen bei Anzeichen von Leguminosenmüdigkeit Anna Rehm 1, Georg Salzeder² & Peer Urbatzka 1 Bayerische Landesanstalt für Landwirtschaft 1 Institut für Ökologischen Landbau, Bodenkultur
MehrStudiendesign/ Evaluierungsdesign
Jennifer Ziegert Studiendesign/ Evaluierungsdesign Praxisprojekt: Nutzerorientierte Evaluierung von Visualisierungen in Daffodil mittels Eyetracker Warum Studien /Evaluierungsdesign Das Design einer Untersuchung
Mehr8. Methoden der klassischen multivariaten Statistik
8. Methoden der klassischen multivariaten Statistik 8.1. Darstellung von Daten Voraussetzungen auch in diesem Kapitel: Grundgesamtheit (Datenraum) Ω von Objekten (Fällen, Instanzen), denen J-Tupel von
MehrKonservierende Bodenbearbeitung/ Direktsaat in Sachsen e.v. Ergebnisse der Praxisversuche 2012 zur Anpassung an den Klimawandel in Sachsen
Ergebnisse der Praxisversuche 2012 zur Anpassung an den Klimawandel in Sachsen Heiko Gläser Konservierende Bodenbearbeitung/ KBD-Sachsen e.v. 39 Landwirtschaftsbetriebe 10 natürlichen Mitgliedern 9 Fördermitgliedern
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrHintergrundpapier. Länderöffnungsklausel im BauGB Länderspezifische Mindestabstände für Windenergieanlagen und ihre räumlichen Auswirkungen
Hintergrundpapier Länderöffnungsklausel im BauGB Länderspezifische Mindestabstände für Windenergieanlagen und ihre räumlichen Auswirkungen Autorin: Brigitte Zaspel-Heisters Mai 2014 Hintergrundpapier 1.
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrUntersuchungen zum Thema Tracking Error
Untersuchungen zum Thema Tracking Error J. Fulmek 24. August 2003 1 Einleitung Im Folgenden werden folgende Punkte untersucht: 1. verschiedene in der Literatur übliche Definitionen des Tracking Errors
Mehr14.01.14 DAS THEMA: INFERENZSTATISTIK II. Standardfehler Konfidenzintervalle Signifikanztests. Standardfehler
DAS THEMA: INFERENZSTATISTIK II INFERENZSTATISTISCHE AUSSAGEN Standardfehler Konfidenzintervalle Signifikanztests Standardfehler der Standardfehler Interpretation Verwendung 1 ZUR WIEDERHOLUNG... Ausgangspunkt:
MehrÖlkürbisversuche. Ölkürbis - Sortenversuch 2013: Das Wichtigste in Kürze:
Ölkürbisversuche Ölkürbis - Sortenversuch 213: Der steirische Ölkürbis ist ein Markenzeichen und ein Aushängeschild für die Steiermark. Für viele landwirtschaftliche Betriebe ist die Vermarktung des Steirischen
MehrNichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten. Frank Konietschke
Nichtparametrische Analyse longitudinaler Daten in faktoriellen Experimenten Frank Konietschke Abteilung für Medizinische Statistik Universität Göttingen 1 Übersicht Beispiele CGI (repeated measures) γ-gt
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrEinführung ins Experimentieren. Methodenpropädeutikum II Allgemeine Psychologie. Überlegungen zum exp. Design. Adrian Schwaninger & Stefan Michel
Methodenpropädeutikum II Allgemeine Psychologie Adrian Schwaninger & Stefan Michel Einführung ins Experimentieren 1. Fragestellung und Hypothesen 2. Variablen und Operationalisierung UV und Störvariablen
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
MehrKlausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik
Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrWichtig für das Verständnis
1 Wichtig für das Verständnis Es gibt Angaben in den Ergebnistabellen, die beachtet werden sollten, um die Ergebnisse zu verstehen, zu interpretieren und mit anderen Zahlen vergleichen zu können. Drei
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrKÖRNERHIRSE Anbau und Verwertung einer ertragreichen Maisalternative DI JOSEF SCHRABAUER
KÖRNERHIRSE Anbau und Verwertung einer ertragreichen Maisalternative DI JOSEF SCHRABAUER Ackerbautag Lagerhaus St. Leonhard 19. Januar 2015, Ruprechtshofen Körnersorghum (Milokorn) Kornertrag ca. 9 500
MehrAVCP - System 3. (a), (b)
DOPNo.: Styrodur3035CS500100120140805 Styrodur 3035 CS 50 2. Typen, Chargen oder Seriennummer: 50343446 EN 13164:2013 Thermal insulation for building (ThIB) 6. System oder Systeme zur Bewertung und Überprüfung
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrStickstoff-Effizienz von Mais bei Gülle-Strip-Till
Ackerbautagung 26. /27. November in Iden/Bernburg Stickstoff-Effizienz von Mais bei Gülle-Strip-Till Dr. Nadine Tauchnitz Landesanstalt für Landwirtschaft, Forsten und Gartenbau Sachsen-Anhalt gefördert
MehrVergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko
Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion
MehrVersuchsbericht 2012. Rhizoctoniabekämpfung in Kartoffeln LANDWIRTSCHAFTLICHES TECHNOLOGIEZENTRUM AUGUSTENBERG
Versuchsbericht 2012 Rhizoctoniabekämpfung in Kartoffeln LANDWIRTSCHAFTLICHES TECHNOLOGIEZENTRUM AUGUSTENBERG Inhaltsverzeichnis: PS 10-2: Rhizoctonia bei Frühkartoffeln... 2 Tab. 1: Ertrag, Sortierung,
MehrAnalyse extremer Ereignisse unter dem Einfluss von Langzeitkorrelationen
Das BMBF-Vorhaben Skalenanalyse hydrologischer und hydrometeorologischer Zeitreihen Analyse extremer Ereignisse unter dem Einfluss von Langzeitkorrelationen Jan F. Eichner Armin Bunde, Jan W. Kantelhardt
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrBiostatistik, WS 2015/2016 Der zwei-stichproben-t-test
1/29 Biostatistik, WS 2015/2016 Der zwei-stichproben-t-test (t-test für ungepaarte Stichproben) Matthias Birkner http://www.staff.uni-mainz.de/birkner/biostatistik1516/ 11.12.2015 2/29 Inhalt 1 t-test
MehrPerzentile mit Hadoop ermitteln
Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung Mess-System-Analyse.1 ANOVA-Methode. Maße für
MehrAnbau-Bestellkombination AD-P 303 Super/KG 3000/KW 580
AMAZONEN-WERKE H. Dreyer GmbH & Co. KG. Anbau-Bestellkombination AD-P 303 Super/KG 3000/KW 580 Ablagequalität und Handhabung DLG-Prüfbericht 5720F Kurzbeschreibung 10/07 Ablagequalität und Handhabung Hersteller
MehrAufgabe 1 10 ECTS. y i x j gering mittel hoch n i Hausrat 200 25 0 225 KFZ 0 10 75 85 Unfall 20 35 90 145 Reiserücktritt 40 5 0 45 n j 260 75 165 500
Aufgabe 1 Für die Securance-Versicherung liegen Ihnen die gemeinsamen absoluten Häugkeiten der Merkmale X: Schadenshöhe und Y : Versicherungsart für die letzten 500 gemeldeten Schäden vor. 1. Interpretieren
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
MehrVarianzanalyse * (1) Varianzanalyse (2)
Varianzanalyse * (1) Einfaktorielle Varianzanalyse (I) Die Varianzanalyse (ANOVA = ANalysis Of VAriance) wird benutzt, um Unterschiede zwischen Mittelwerten von drei oder mehr Stichproben auf Signifikanz
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrNachhaltiger Anbau in. intensiven Maiskulturen
Nachhaltiger Anbau in intensiven Maiskulturen Einleitung Gründe für hohe Maisanteile Höchste TM Erträge Geeignet für alle Standorte Beste Ausnutzung organischer Düngemittel Einleitung Gründe für hohe Maisanteile
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrEnseignement secondaire technique
Enseignement secondaire technique Régime de la formation de technicien Division agricole Section agricole Agronomie Classe de TAG Nombre de leçons: 4.0 Nombre minimal de devoirs: /trimestre Langue véhiculaire:
MehrVisual-XSel 12.1 Einstiegsbeispiele & SixSigma Ausgewählte Einstiegsbeispiele aus statistischen Methoden und SixSigma mit Visual-XSel 12.
Ausgewählte Einstiegsbeispiele aus statistischen Methoden und SixSigma mit Visual-XSel 12.1 Multivar Wie sollte man diese Leitfaden am besten nutzen? - Drucken Sie diese Seiten aus und legen diese neben
MehrModellgestützte Analyse und Optimierung Übungsblatt 4
Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen
MehrGrundlagen von Versuchsmethodik und Datenanalyse
Grundlagen von Versuchsmethodik und Datenanalyse Der Anfang: Hypothesen über Ursache-Wirkungs-Zusammenhänge Ursache Wirkung Koffein verbessert Kurzzeitgedächtnis Gewaltfilme führen zu aggressivem Verhalten
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrWeitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell
Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrLineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA)
Interdisziplinäres Seminar Lineare Strukturgleichungsmodelle (LISREL) Konfirmatorische Faktorenanalyse (CFA) WS 2008/09 19.11.2008 Julia Schiele und Lucie Wink Dozenten: Prof. Dr. Bühner, Prof. Dr. Küchenhoff
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrKlimawandel - Können wir die Katastrophe noch verhindern?
Klimawandel - Können wir die Katastrophe noch verhindern? Martin Dameris Deutsches Zentrum für Luft- und Raumfahrt, Oberpfaffenhofen Was bestimmt unser Klima? Einstrahlung der Sonne (Sonnenaktivität, Rolle
MehrVorernteverluste vermeiden!
Vorernteverluste vermeiden! Dr. Jana Peters, Gabriele Pienz, Landesforschungsanstalt für Landwirtschaft und Fischerei Mecklenburg-Vorpommern In Mecklenburg Vorpommern sind mehr als 75 % der gesamten Ackerfläche
MehrAbitur 2012 Mathematik GK Stochastik Aufgabe C1
Seite 1 Abiturloesung.de - Abituraufgaben Abitur 2012 Mathematik GK Stochastik Aufgabe C1 nter einem Regentag verstehen Meteorologen einen Tag, an dem mehr als ein Liter Niederschlag pro Quadratmeter gefallen
MehrInfrarotthermografie zur Visualisierung versteckter Fehlstellen in Wärmedämmverbundsystemen
Infrarotthermografie zur Visualisierung versteckter Fehlstellen in Wärmedämmverbundsystemen Eugendorf, 15. September 2007 Inhalt: Teilergebnisse eines vom Bundesministerium für Verkehr Bau und Wohnungswesen
MehrGlück ist wie ein Schmetterling?
Glück ist wie ein Schmetterling? Zur Stabilität und Variabilität subjektiven Wohlbefindens Michael Eid Freie Universität Berlin Glück ist wie ein Schmetterling es kommt zu dir und fliegt davon (Mouskouri)
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrDIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 2006/07 28.02.2007
Wirtschaftswissenschaftliches Prüfungsamt DIPLOMVORPRÜFUNG GRUNDZÜGE DER STATISTIK, TEIL B WINTERSEMESTER 006/07 8.0.007 Lösung Prof. Dr. R Friedmann / Dr. R. Hauser Hinweise für die Klausurteilnehmer
MehrDatenanalyse mit Excel. Wintersemester 2013/14
Datenanalyse mit Excel 1 KORRELATIONRECHNUNG 2 Korrelationsrechnung Ziel der Korrelationsrechnung besteht im bivariaten Fall darin, die Stärke des Zusammenhangs zwischen zwei interessierenden statistischen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 2 28.02.2008 1 Inhalt der heutigen Übung Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben 2.1: Häufigkeitsverteilung 2.2: Tukey Boxplot 25:Korrelation
MehrWas wollen wir mit den statistischen Methoden erreichen?
Was wollen wir mit den statistischen Methoden erreichen? Lösung betrieblicher Probleme: enkung der Kosten, Erhöhung der Fähigkeiten durch statistische Prozessanalyse und Prozessverbesserung, Qualifizierung
MehrPrüfen von Mittelwertsunterschieden: t-test
Prüfen von Mittelwertsunterschieden: t-test Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) t-test
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
Mehr4 Das Overlap-Konzept
4 Das Overlap-Konzept Das Overlap-Konzept wurde in [31] ausführlich beschrieben. Im folgenden werden wir die Aspekte darlegen, die nötig sind, um das Konzept zu implementieren, und werden uns dabei eng
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrO. Wißwedel, CLAAS Vertriebsgesellschaft mbh M. Fölsch, CLAAS E-Systems KGaA mbh & Co KG
Daten nutzen! - Schaffen Sie mit der Vernetzung von Potentialkarten und dem CLAAS CROP SENSOR ISARIA die maximale Effizienz im professionellen Ackerbau O. Wißwedel, CLAAS Vertriebsgesellschaft mbh M. Fölsch,
MehrNiedersächsisches Kultusministerium. Name: Klasse / Kurs: Schule: Allgemeiner Teil Hauptteil Wahlaufgaben Summe. Mögliche Punkte 28 36 20 84
Niedersächsisches Abschlussprüfung zum Erwerb des Sekundarabschlusses I Hauptschulabschluss Schuljahrgang 9, Schuljahr 2012/2013 Mathematik G- und E-Kurs Prüfungstermin 30. April 2013 Name: Klasse / Kurs:
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrKapitel 4: Binäre Regression
Kapitel 4: Binäre Regression Steffen Unkel (basierend auf Folien von Nora Fenske) Statistik III für Nebenfachstudierende WS 2013/2014 4.1 Motivation Ausgangssituation Gegeben sind Daten (y i, x i1,...,
MehrMediadaten KINO&CO Netzwerk
Mediadaten KINO&CO Netzwerk Über die Hälfte aller Deutschen besitzt ein Smartphone Quelle: Onsite-Befragung im TFM-Netzwerk; n=5.622; September 2011 Android überholt Mac ios Quelle: Onsite-Befragung
MehrVom Precision zum Smart Farming Die Potenziale und Herausforderungen für eine zukunftsorientierte Landwirtschaft
Vom Precision zum Smart Farming Die Potenziale und Herausforderungen für eine zukunftsorientierte Landwirtschaft 26. Februar 2015 BLT-Fachtagung Innovative Agrartechnik Prof. Dr. Hans W. Griepentrog Institut
MehrDa auch bei minimaler Bodenbearbeitung eine. Pflanzen- und Tierproduktion
Da auch bei minimaler Bodenbearbeitung eine ganzflächige Bodenbearbeitung erfolgt und ein Verfahren ohne Bodenbearbeitung (Direktsaatverfahren, No-Tillage) gewissen, im System liegenden Risikofaktoren
MehrFrüher und Heute. Effekte moralischer Fundierung auf Handlungen in virtuellen Welten. www.kkorellworks.com/images/the_moral_brain.
Früher und Heute Effekte moralischer Fundierung auf Handlungen in virtuellen Welten www.kkorellworks.com/images/the_moral_brain.jpg 1 Moral Moral als normatives Konzept Philosophie Religion Moral als (sozial-)psychologisches
MehrWeiterbildungskurs Stochastik
Hansruedi Künsch Seminar für Statistik Departement Mathematik, ETH Zürich 24. Juni 2009 Inhalt STATISTIK DER BINOMIALVERTEILUNG 1 STATISTIK DER BINOMIALVERTEILUNG 2 Fragestellungen Typische Fragestellungen
MehrAufwandsschätzung in Scrum
Aufwandsschätzung in Scrum 1 Planning Poker und Varianten 2 HINWEIS Aus lizenzrechtlichen Gründen sind in dem Handout die meisten Bilder und Grafiken entfernt worden. Ich bitte um Verständnis. 3 1. Scrum
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrVerfahrenstechnische Ansätze zur Minimierung der Fusariumtoxin-Belastung im Getreide. Joachim Kakau
Verfahrenstechnische Ansätze zur Minimierung der Fusariumtoxin-Belastung im Getreide Fusarium-AK Kons BB 08 1 Grenzwerte für Fusarium-Mykotoxine in Getreide (Verordnung (EG) Nr. 856/2005 vom 06.06.2005)
MehrMathetest 1b. Schulabschlussfragen üben: 20 Fragen in 60 Minuten
Mathetest 1b. Schulabschlussfragen üben: 20 Fragen in 60 Minuten Name: Datum: Zeit: 60:00 Minuten Frage 1 von 20 Theo und Jenny sollen für eine Messeveranstaltung einen Holztisch mit 100 cm x 100 cm und
MehrÜbungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...
MehrVortrag im Rahmen der AG Flexibilität des BMWi BERLIN, 19.08.2014
Der Spotmarktpreis als Index für eine dynamische EEG-Umlage Vortrag im Rahmen der AG Flexibilität des BMWi BERLIN, 19.08.2014 In den meisten Kundengruppen dominieren fixe Preisbestandteile die Beschaffungskosten
MehrN-Sensordüngung - precison farming Praxiserfahrungen bei verschiedenen Kulturen
N-Sensordüngung - precison farming Praxiserfahrungen bei verschiedenen Kulturen Maximilian Schwarz Domäne Nonnenhof 61194 Ilbenstadt Themenübersicht Betriebs- und Standortvorstellung Betriebskennzahlen
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrStatistik Einführung // Lineare Regression 9 p.2/72
Statistik Einführung Lineare Regression Kapitel 9 Statistik WU Wien Gerhard Derflinger Michael Hauser Jörg Lenneis Josef Ledold Günter Tirler Rosmarie Wakolbinger Statistik Einführung // Lineare Regression
MehrCommercial Banking. Kreditportfoliosteuerung
Commercial Banking Kreditportfoliosteuerung Dimensionen des Portfoliorisikos Risikomessung: Was ist Kreditrisiko? Marking to Market Veränderungen des Kreditportfolios: - Rating-Veränderung bzw. Spreadveränderung
MehrBusiness Value Launch 2006
Quantitative Methoden Inferenzstatistik alea iacta est 11.04.2008 Prof. Dr. Walter Hussy und David Tobinski UDE.EDUcation College im Rahmen des dokforums Universität Duisburg-Essen Inferenzstatistik Erläuterung
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
Mehr