Anpassungstest für Copulas
|
|
|
- Dirk Diefenbach
- vor 8 Jahren
- Abrufe
Transkript
1 Anpassngstest für Coplas Anwenngen af nanzmarktaten Semnar für Wrtschafts- n Sozalstatstk Dpl. math. oec. Jaran Dobrć
2 Überblck. Defntonen, Enführng n Bespele. Inferenz 3. Vorhanene Anpassngstest 4. Dobrć & Schm (005) mofzerter Ch- Qarat Anpassngstest 5. Dobrć & Schm (007) Anpassngstest mttels Rosenblatt s MPI-Transformaton Dpl. math. oec. Jaran Dobrć
3 ρ BP 0.7 ρ SP 0.70 τ0.53 λ L 0. Dpl. math. oec. Jaran Dobrć 3
4 . Lnearer Korrelatonskoeffzent nach Bravas Pearson ρ BP ρ BP msst e Stärke es lnearen Zsammenhangs ρ BP mn E [( ( ) )] X a X + b Var( X ) [ 0,] ρ BP ( T ( X ), X ) ρ ( X X ) BP, ρ BP [ ]. A. mn ma ρ, ρ [, ] BP BP ρ BP var ( X ) var( X ) [ X (, ) ( ) ( )] Dpl. math. oec. Jaran Dobrć 4
![[ 0,] ρ BP ( T ( X ), X ) ρ ( X X ) BP, ρ BP [ ]. A.](/docs-images/45/5902640/images/page_4.jpg "mn ma ρ, ρ [, ] BP BP ρ BP var ( X ) var( X ) [ X (, ) ( ) ( )] Dpl.")
5 n f, X varabel X ~ LN(0,), X ~ LN(0, σ ), σ > 0 Dpl. math. oec. Jaran Dobrć 5
6 . Seperatonstheorem von Sklar (959) X (,, ) C(,, ) ( ),, ( ) X (,, )C( ( ),, ( )) C(,, ) X ( - ( ),, - ( )) C(,, ) ( ),, ( ) X (,, ) Dpl. math. oec. Jaran Dobrć 6
7 Copla Ist ene -mensonale Vertelngsfnkton af [0,] mt nformen nvaraten Ranvertelngen. Es glt für e nkton C: [0,] [0,] :. ür jees [0,] glt C()0 falls mnestens ene Koornate von glech Nll st.. alls alle Koornaten von glech sn, mt Asnahme von, ann glt C(). 3. ür alle a(a,,a ) n b(b,,b ) mt a b,,,, glt V C ([a, b]) 0. Dpl. math. oec. Jaran Dobrć 7
![ür jees [0,] glt C()0 falls mnestens ene Koornate von glech Nll st.](/docs-images/45/5902640/images/page_7.jpg ". alls alle Koornaten von glech sn, mt Asnahme von, ann glt C(). 3.")
8 Coplachte (I) Ene nkton c:[0,] [0, ) mt C ( )... c( s s ),..., für,, [0,] heßt Coplachte. 0 0 s... s Ist C -mal partell ff bar, so glt c (,..., ) ( ) C... Dpl. math. oec. Jaran Dobrć 8
9 Dpl. math. oec. Jaran Dobrć 9 Coplachte (II) Bestzt X e Dchte f X so glt: n ( ) ( ) ( ) ( ) ( ) X X X f c f,,,, K K X ( ) ( ) ( ) ( ) ( ) ( ) X X X X f f c,,,, K K X
10 Unabhänggket X C réchet-höffng Schranken.3 Spezalfälle X (, K, ) ( ) om( ) (, K, ) [0,], ma X W ma ( ) +,0 ( ) mn{ ( ), K ( )} ( ) +,0 C( ) mn{, K, } M ( ) X Dpl. math. oec. Jaran Dobrć 0
![[0,], ma X W ma ( ) +,0 ( ) mn{ ( ), K ( )} (](/docs-images/45/5902640/images/page_10.jpg ") +,0 C( ) mn{, K, } M ( ) X Dpl. math. oec.")
11 Dpl. math. oec. Jaran Dobrć Bvarate logstsche Vertelng ( ) ( ) ( ) R + + X, ep ep, ( ) ( ) ( ) ( ),, C + X ( ) ln ( ) ( ) ep( ) ep + ( ) ( ) ( ) ( ) ( ) ( ) ( ), + X
12 Dpl. math. oec. Jaran Dobrć
13 Dpl. math. oec. Jaran Dobrć 3 Nee bvarate Vertelngsfnkton G mt Copla C ( ) ( ). 3,4 0, 0,, ep ; > λ λ λ ( ) ( ) ( ) ( ) λ λ λ ;, ; ;, C G ( ) ( ) ( ) ( ),, C + X ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ep( ) ep ep λ λ λ
14 Dpl. math. oec. Jaran Dobrć 4(a)
15 Dpl. math. oec. Jaran Dobrć 4(b)
16 .4 Spezelle Coplaklassen Archmesche Coplas: Se φ:[0,] [0, ), so ass t ( ) ϕ () t 0 für,, n t[0, ), mt φ()0 n φ(0), ann st C ene archmesche Copla: C ( ) ϕ ϕ( ) Dpl. math. oec. Jaran Dobrć 5
17 Dpl. math. oec. Jaran Dobrć 6. Clayton. Gmbel ( ) ; + + ϑ ϑ τ ϑ ϑ ϑ C ( ) ( ) ϑ ϑ τ ϑ ϑ ϑ ln ep ; C ( ) 0 ; > ϑ ϑ ϕ ϑ, t t ( ) ( ) ln ; ϑ ϑ ϕ ϑ, t t
18 Ellptsche Coplaklasse. Gass Copla C ( ) Φ Φ ( ), K Φ ( ) R R ( ), C R ( ) Φ ( ) Φ ( ) L ep K T R R ( π ). t ν,r -Copla C ( ) t t ( ), K, t ( ) R, ν R,ν ( ) v v C R, υ ( ) v + Γ v+ t ( ) t ( ) L K + T - R υ Γ ( v ) υ π R Dpl. math. oec. Jaran Dobrć 7
19 Dpl. math. oec. Jaran Dobrć 8
20 ˆ ˆ ( ) ( ) Dpl. math. oec. Jaran Dobrć 9
21 . Momentenmethoe. Bestmme ranvertelngsnvarate (coplaabhängge) Korrelatonskoeffzenten β, z.b. τ, ρ SP, λ L oer λ U as er Orgnalstchprobe. Lete as er fnktonalen Bezehng zr gewählten Coplafamle en z schätzenen Coplaparameter θ her θ ( X, X ) β ( U U ) β, g( β ) ˆ θ g( ˆ β ) Dpl. math. oec. Jaran Dobrć 0
22 . Mamm Lkelhoo Schätzng MLE parametrsch halbparametrsch Eakte-MLE IM-MLE C-MLE Enschrtt Ansatz Zweschrtt Ansatz Dpl. math. oec. Jaran Dobrć (a)
23 . Mamm Lkelhoo Schätzng f X ( ) f ( ) (, K, ) c ( ) K ( ) MLE, X, X X parametrsch halbparametrsch T arg ma ln f t ; t ( ) ϑˆ ϑ ( ), ˆ t,..., l T ln c ( ( ), K, ( )) + f ( ) ˆ ϑe MLE arg mal ϑ Θ t ( ϑ) t t t ln T t ϑ T t lnc ( ( ), K, ( ); ϑ ˆ ϑ ) ˆ argma, ˆ ϑ t ( ˆ ϑ, ˆ ϑ ) T IM t ˆ ϑ CMLE argma T t lnc ( ˆ ( ), K, ˆ ( ) ϑ) t t ; Enschrtt Ansatz Zweschrtt Ansatz Dpl. math. oec. Jaran Dobrć (b)
24 Loglkelhoo Wert Entschengshlfen ( ( ) LL ln L ϑˆ Akake Informatonskrterm AIC ln L ˆ ϑ + ( ( ) q Schwarz sches Informatonskrterm SIC ( L( ˆ ) + q ln( T ) ln ϑ Dpl. math. oec. Jaran Dobrć
25 .3 Nchtparametrsche stanzbaserene Methoen Emprsche Copla C emp nach Dehevels (979) C emp t T t,l, T T T t r t t [ 0,] ( ) ( ) 0 sp C emp C a. s. Dpl. math. oec. Jaran Dobrć 3
26 p T Selektonskrteren ˆ ϑ arg mn ( C ) emp, C L t T T t ϑ Θ C emp ( ), C( ; ϑ) ( C ) t T emp t, L, T t C T t, L, T ; ϑ p p Nachtele: Aswertng von M T Gr Pnkten n jeem Iteratonsschrtt notweng! T000, M Mllon, 3 M Mllare Aswertngen. Dpl. math. oec. Jaran Dobrć 4
27 3. ermanan et al. (00 & 005) Emprscher Copla Prozess T ( C ( ) C( ) ) G ( ) emp C Emprscher Coplakernchte Prozess ( T h ) c ( ) c( ) ( ) Ν( 0 Σ), ker Dpl. math. oec. Jaran Dobrć 5
28 ermanan s Anpassngstest Zwe Anpassngstests baseren af em emprschen Coplakernchte Prozess Bee Teststatstken sn äßerst komplzert Vor Anwenng a pror Schätzng es Coplaparameters notweng (MLE wr vorgeschlagen) Asymptotsch enwanfre, aber be enlchen Stchproben? Dpl. math. oec. Jaran Dobrć 6
29 C Smlatonsergebnsse, ; λ, θ λ Π, + λ C, ; θ ( ) ( ) ( ) rank ( ) λ θ.test.test Dpl. math. oec. Jaran Dobrć 7
30 3. Mltvarate Probablty Integral Transformaton (MPIT) nach Rosenblatt (95) z z z ( X,, X ) ~ X K X ~,, K ( ) P( X ) X ( ) ( ) P( X X ) ( ) T M M M, T X X ( ) P( X X, K, X ) (, ) T X X, K, X K, Z T ( X ),, K,,.. v. U ( 0,) ( Z, K, Z ) ~ Π oer W [ ] Φ χ ( ) Z ~ Dpl. math. oec. Jaran Dobrć 8
31 C Chen et al. (004) MPIT af Kernchtebass Gass (, ; λ, ρ ) λ C (, ) + ( λ) C ( ) 4, t, ρ ρ λ ρ T Test T Test Dpl. math. oec. Jaran Dobrć 9
32 3.3 Malervegne n Sornette (003 & 006) Gass H 0 : C( ) C ( ; ρ ) für en ρ Gass H : C( ) C ( ; ρ ) für alle ρ Y ρ j, j Φ Cov [ ( X )] ( ρ) Φ ( X ) [ ] ( ( X )), Φ ( X ) [ Φ ( )] j j j j j ~ χ Bentzng emprscher Ranvertelngen Überprüfng anhan Anerson-Darlng oer Kolmogorov Testsstatken Drch Bootstrapng Ermttlng er neen asymptotschen Vertelng Dpl. math. oec. Jaran Dobrć 30
33 Ergebnsse Smlatonen halten en α-ehler ncht en Schlechte Power bzgl. er t v -Copla Emprsche Unterschng an Akten er NYSE (3 bvarate Paare) Tagesrenten vom eb. 9 bs Dez T500 75% wr e Gasscopla ncht verworfen 99% für e ersten 5 Jahre 9% für e letzten 5 Jahre Dpl. math. oec. Jaran Dobrć 3
34 4. Dobrć, Schm (005) Mofzerter Ch-Sqare Test H 0 : C(, v) C(, v; ϑ) für en ϑ Θ H : C(, v) C(, v; ϑ) für alleϑ Θ (, V ): ( ( X ), ( Y )) falls X, Y U t t ( ) X t Y t U ˆ, Vˆ : ˆ ( X ), ˆ ( Y ) t t X t Y t bekannt falls, ( ) nbekannt Se B j, mt,..,r n j,,s ene Zerlegng von [0,], n r s Rechtecke entscher Größe p j ( ) P ( U, V ) ( B ) ( ) j ϑ C, v ϑ ϑ ; B j X Y Dpl. math. oec. Jaran Dobrć 3
35 Vorgehenswese N j Anzahl ( U t, Vt ) n Bj Nˆ Anzahl j ( Uˆ ) t, Vˆ t n Bj χ ˆ ϑ [ A ] ( ϑ) emp [ A] [ A arg mn χ ] ( ϑ) χ ϑ Θ [ A] [ A] ˆ emp j emp T p j j ( ϑ) ( ϑ) ( ) r s N j T p ( ) ϑ χ r s q χ ˆ ϑ χ ( [ ] ( )) r s Nˆ j T p ϑ B j emp ( ϑ) j T pj ( ϑ) [ B] [ B arg mn χ ] ( ϑ) ϑ Θ [ B] [ B] ˆ emp emp ( ) ϑ χ r s q( r) ( s) Dpl. math. oec. Jaran Dobrć 33
36 Dpl. math. oec. Jaran Dobrć
37 Smlatonsergebnsse C Gass (, v; ρ), T 500, M 5000, r s 9 υ 63 ρ Emp. Mttel. Emp. Varanz Verwerfngshäfgket α 0.0 α 0.05 α Dpl. math. oec. Jaran Dobrć 35
38 Kernchte gg. theoretsche Dchte Dpl. math. oec. Jaran Dobrć 36
39 H 0 : C(, v) C Gass (, v; ρ) H : (- λ) C Gass (, v; ρ) + λ C t (, v; ν, ρ) für λ [0,] Dpl. math. oec. Jaran Dobrć 37
40 H H 0 : : C(, v) (- λ) C C Gass Gass (, v; ρ) (, v; ρ) + λ C Clayton (, v; θ ) für λ [0,] Dpl. math. oec. Jaran Dobrć 38
41 DAX 30 Unterschng Zetram vom eb. 9 bs eb. 0 TageslogrentenT53 8 AG nsbesonere 8 bvarate Paare Getestet af Clayton, rank, Gmbel n arle Morgenstern Coplajewels 8 verworfen! Test af Gass Coplajewels 8 verworfen! Test af t v - Copla, v,,0 ٧ ٧ Dpl. math. oec. Jaran Dobrć 39
42 DAX 30 Backtestngnterschng Zetlche Veränerng er Abhänggketsstrktr vom eb. 996 bs eb. 00 Asgewähltes Zetfenster beträgt 4 Jahre T000 Insgesamt 53 Beobachtngszetpnkte Klassenentelng rs9 Getestet af e Clayton, Gmbel, Plackett, Gass n skrete t v -Copla, v,,0 Dpl. math. oec. Jaran Dobrć 40
43 Dpl. math. oec. Jaran Dobrć 4
44 Dpl. math. oec. Jaran Dobrć 4
45 Dpl. math. oec. Jaran Dobrć 43
46 5. Dobrć, Schm (007) Anpassngstest mttels MPIT nach Rosenblatt Asgangspnkt U C U U Dmensonsrekton rch ( ( ), K, C ( U U, K, U )) Π W, ~ [ ] Φ χ ( ) Überprüfng er Ch-Qarat Vertelng rch e Anerson Darlng Teststatstk A T mt h T T T j j ( ), j, K, T G w j Z ~ ( j ) [ ln( h ) + ln( h )] j T j+ Dpl. math. oec. Jaran Dobrć 44
47 Gasscopla mt T 500 n M5000 lm T A A T A X ; ρ bekannt B A. lm T T A X ; ρ nbekannt ρ\α α. α.05 α.0 α. α.05 α.0 ρ ρ ρ ρ ρ Dpl. math. oec. Jaran Dobrć 45
48 Powernterschng für e bvarate Gass Copla gegen e t-copla, v,,0, ρ0.8 Dpl. math. oec. Jaran Dobrć 46
49 Bootstrap Verfahren. Schätze rch e Momentenmethoe en Coplaparameter θ T n A T as er Orgnalstchprobe. Generere..v. Beobachtngen as ener z testenen Copla mt em geschätztem Parameter θ T 3. Bestmme θ* n A* as er genererten Stchprobe 4. Weerhole e Schrtte n 3 B-mal, mt B als e Anzahl er Boostrap Weerholngen 5. De Nllhypothese wr verworfen falls, A T >A *B (-α) st. De krtschen Werte entsprechen en gebootstrapten emprschen (-α)-qantlen Dpl. math. oec. Jaran Dobrć 47
50 Smlatonsergebnsse Verwerfngshäfgket nter H 0 gg. t 0 gg. Clayton N B α ρ SP 0.4 ρ SP 0.8 ρ SP 0.4 ρ SP 0.8 ρ SP 0.4 ρ SP Dpl. math. oec. Jaran Dobrć 48
51 DAX 30 Unterschng Clayton Copla wr 8 mal verworfen Gass Copla wr 8 mal verworfen t ٧, ٧,,0? ٧ Bestätgng aller Unterschngen es mofzerten Ch-Sqare Tests Dpl. math. oec. Jaran Dobrć 49
52 Lteratrhnwese Kap. : Nelsen, R. B. (006) An Introcton to Coplas. Secon Eton. Sprnger, New York. Joe, H. (997) Mltvarate Moels an Depenence Concepts. Chapman & Hall, Lonon. Kap. : Joe, H. (005) Asymptotc effency of the two-stage estmaton metho for copla-base moels. Jornal of mltvarate Analyss. Vol 94, p Dehevels, P. (979) La foncton e épenance emprqe et ses proprétés- n test non paramétrqe népenence. Aca me Royale e Belgqe-Blletn e la Classe es Scences, 5th ser. 65, pp Dpl. math. oec. Jaran Dobrć 50
53 Lteratrhnwese Kap. 3: ermanan, J.-D., Ralovć, D., Wegkamp, M. (00) Weak convergence of emprcal copla processes. CREST. ermanan, J.-D. (005) Goones-of-ft tests for coplas. Jornal of mltvarate Analyss. Vol 95, pp Chen, X., an, Y., Patton, A. (004) Smple Tests for Moels of Depenence Between Mltple nancal Tmes Seres. Malevergne, Y., Sornette, D. (003) Testng the Gassan Copla hypthess for fnancal assets epenence. Qanttatve nance. Vol 3, pp Malevergne, Y., Sornette, D. (006) Etreme nancal Rsk rom Depenence to Rsk Management. Sprnger. New York. Dpl. math. oec. Jaran Dobrć 5
54 Lteratrhnwese Kap. 4: Dobrć, J., Schm,. (005) Testng Gooness of t for Parametrc amles of Coplas -- Applcaton to nancal Data. Commncatons n Statstcs: Smlaton an Comptaton, Volme 34, Isse 4, pp Kap. 5: Dobrć, J., Schm,. (007) A Gooness of t Test for Coplas base on Rosenblatt's Transformaton. orthcomng n Comptatonal Statstcs an Data Analyss. Dpl. math. oec. Jaran Dobrć 5
55
56 Backp-olen
57 DAX 30 v BAS HVB BMW BAYER D.B. SAP SIEM. VW BAS HVB 4* BMW 4 3 BAYER 3* 3* 3* D. BANK SAP 6* 4* 4* 5* 4* SIEMENS 3 3 3* VW 5* 4 3* 4* 4 5* 4 v (5) 9 (5) 3 (3) () Dpl. math. oec. Jaran Dobrć B
58 Dpl. math. oec. Jaran Dobrć B Erweterng af höhere Dmensonen st ene bel. ganzahlge Zelegng von [0,] ) ( j j j j j k q k k f ( ) 5 5 5, 000, M 500, T ), ;,, ( j j Gass f R k k k R C ρ ρ ρ ρ ρ ρ
59 Smlatonsergebnsse (3) Emp. ρ Emp. Mttel Verwerfngshäfgket α 0.0 α 0.05 α Dpl. math. oec. Jaran Dobrć B 3
60 Clayton H 0 : C (, v; θ ) θ.0759 rs v Emp. Mttel. Emp. Var. Emp. θ Antel er Verwerfngen α 0.0 α 0.05 α Dpl. math. oec. Jaran Dobrć B 4
nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
FORMELSAMMLUNG 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
12 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:
1 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:
Funktionsgleichungen 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
d 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
2. Nullstellensuche. Eines der ältesten numerischen Probleme stellt die Bestimmung der Nullstellen einer Funktion f(x) = 0 dar.
. Nullstellensuche Enes der ältesten numerschen Probleme stellt de Bestmmung der Nullstellen ener Funkton = dar. =c +c =c +c +c =Σc =c - sn 3 Für ene Gerade st das Problem trval, de Wurzel ener quadratschen
Multivariate Analysemethoden
Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der
3.1 Grundlagen der Multivariaten Modellierung
Semnar: Quanttatves Rskomanagement Multvarate Moelle I Prof: Hanspeter.Schml Betreuung: Jula Esenberg Zhou,Yng 3. Multvarate Moelle I Fnanzelle Rskomoelle für en Absatzmarkt oer für Kretrsken sn grunsätzlch
Empfehlungs-Systeme. Recommender-Systeme. Buch-Recommender. Personalisierung. Kollaboratives Filtern & inhaltsbasierte Empfehlungen
Epfehlngs-Systee Recoender-Systee Kollaboratves Fltern & nhaltsbaserte Epfehlngen Systee, Ntzern Dnge z epfehlen (z.b. Bücher, Fle, Ds, Webseten, Nesgrop Nachrchten, de af hren vorgen Präferenzen baseren.
18. 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
Datenaufbereitung und -darstellung III
Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten
Geld- und Finanzmärkte
Gel- un Fnanzmärkte Prof. Dr. Volker Clausen akroökonomk 1 Sommersemester 2008 Fole 1 Gel- un Fnanzmärkte 4.1 De Gelnachfrage 4.2 De Bestmmung es Znssatzes I 4.3 De Bestmmung es Znssatzes II 4.4 Zwe alternatve
Ökonomische und ökonometrische Evaluation. 1.3 Ökonometrische Grundkonzepte
Ökonomsche und ökonometrsche Evaluaton 90 Emprsche Analyse des Arbetsangebots Zele: Bestmmung von Arbetsangebotselastztäten als Test der theoretschen Modelle Smulaton oder Evaluaton der Wrkungen von Insttutonen
Prof. Dr. Roland Füss Statistik II SS 2008
5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße
Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
ÜbungsaufgabeN 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
VERGLEICH 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
Kurs 9.3: Forschungsmethoden II
MSc Bankng & Fnance Kurs 9.3: Forschungsmethoden II Zetrehenanalyse Lernsequenz 08: Enführung Panelregresson Dezember 2014 Prof. Dr. Jürg Schwarz Inhaltsverzechns Fole 2 Paneldaten 3 Arten von Stchproben...
Beim 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.
Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich
Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng
Nernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
Lineare 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:
Streuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
Einführung in Moderne Portfolio-Theorie. Dr. Thorsten Oest Oktober 2002
Enfühung n Modene Potfolo-Theoe D. Thosten Oest Oktobe Enletung Übeblck Gundlegende Fage be Investtonen: We bestmmt sch ene optmale Statege fü ene Geldanlage?. endte und sko. Dvesfkaton 3. Enfühung n Modene
Kapitel V. Parameter der Verteilungen
Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p
Für 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
Man erkennt, dass an der Induktivität die Spannung unendlich groß wird, wenn der Strom einen Sprung
nverät Stttgart Intt für engselektronk nd Elektrsche Antrebe Abt. Elektrsche Energewandlng Prof. Dr.-Ing. N. Parspor Enschwngvorgänge Wenn n enem elektrschen Netzwerk en oder mehrere Energe spechernde
Die Schnittstellenmatrix Autor: Jürgen P. Bläsing
QUALITY-APPs Applkatonen für das Qaltätsmanagement Prozessmanagement De Schnttstellenmatrx Ator: Jürgen P. Bläsng Schnttstellen (Übergangsstellen, Verbndngsstellen) n betreblchen Prozessen ergeben sch
Free 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
3. Ermittlung und Lösung des FE-Grundgleichungssystems
. Ermttlng nd Lösng des E-Grndglehngssystems ahbereh Prof. Dr.-Ing. Mashnenba Abtelng Mashnenba UNIVERSITY O APPLIED SCIENCES Bespel: De Afgabenstellng latet, de Vershebngen der Wagen nd, nfolge der äßeren
Produkt-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...
Statistische 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
Standardnormalverteilung / 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
Nomenklatur - 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
1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
Zinseszinsformel (Abschnitt 1.2) Begriffe und Symbole der Zinsrechnung. Die vier Fragestellungen der Zinseszinsrechnung 4. Investition & Finanzierung
Znsesznsformel (Abschntt 1.2) 3 Investton & Fnanzerung 1. Fnanzmathematk Unv.-Prof. Dr. Dr. Andreas Löffler (AL@wacc.de) t Z t K t Znsesznsformel 0 1.000 K 0 1 100 1.100 K 1 = K 0 + K 0 = K 0 (1 + ) 2
Spule, Induktivität und Gegeninduktivität
.7. Sple, ndktvtät nd Gegenndktvtät Bldqelle: Doglas C. Gancol, Physk, Pearson-Stdm, 006 - das Magnetfeld Glechnamge Pole enes Magneten stoßen enander ab; nglechnamge Pole zehen sch gegensetg an. Wenn
Einführung 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
Statistik und Wahrscheinlichkeitsrechnung
Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk
Lehrstuhl 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
Auswertung 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;
Gruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
Kapitel 5: Einführung in Multimedia-Datenbanken
Luwg Maxmlans Unverstät München Insttut für Informat Lehr- un Forschungsenhet für Datenbansysteme Srpt zur Vorlesung Sommersemester 2005 Kaptel 5: Enführung n Multmea-Datenbanen Vorlesung: Chrstan Böhm
Mikroökonomik. 5.5 Preisstrategien
Mkroökonomk 5.5 Presstrategen 5.5. Presskrmnerung Arten von Presskrmnerung nach Pgou: ersten Graes: Kunen zahlen für jee Enhet hren Reservatonsres zweten Graes: Kunen zahlen ro Enhet n Abhänggket von er
Produktions- programm- entscheidungen. Ewert/Wagenhofer Alle Rechte vorbehalten!
Prouktons- programm- entscheungen Ewert/Wagenhofer 008. Alle Rechte vorbehalten! Zele Darstellung er Lösungsverfahren für e Planung es optmalen kurzfrstgen Prouktonsprogramms mt un ohne Kapaztätsrestrktonen
Der Parameter Migrationsmatrix Teil I
Der Parameter Mgratonsmatrx el I Anne-Chrstne Barthel Semnar Portfolokredtrsko Unverstät Mannhem 22..27 Glederung. Bedeutung der Mgratonsmatrx 2. Schätzung der Mgratonsmatrx. Statstscher Hntergrund: Markov-Ketten.
Fallstudie 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
Theoretische Physik 2 (Theoretische Mechanik)
Theoretsche Physk 2 (Theoretsche Mechank Prof. Dr. Th. Feldmann 28. Oktober 2013 Kurzzusammenfassung Vorlesung 4 vom 25.10.2013 1.6 Dynamk mehrerer Massenpunkte Dynamk für = 1... N Massenpunkte mt.a. komplzerter
Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
![Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.](/thumbs/25/4623100.jpg "Ich habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.")
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
Schriftliche Prüfung aus Signaltransformationen Teil: Dourdoumas am
TU Graz, Insttut für Regelungs- und Automatserungstechnk 1 Schrftlche Prüfung aus Sgnaltransformatonen Tel: Dourdoumas am 14 10 011 Name / Vorname(n): Kennzahl / Matrkel-Nummer: 1 errechbare Punkte 5 errechte
Vorlesung 3 Differentialgeometrie in der Physik 13
Vorlesung 3 Dfferentalgeometre n der Physk 13 Bemerkung. Ist M Manngfaltgket, p M und φ : U R n Karte mt p U, so nennt man U auch Koordnatenumgebung und φ auch Koordnatensystem n p. Bespel 2.4 Seen R >
Entscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.
Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve
Mathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
Stochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 009 UNIVERSITÄT KARLSRUHE Blatt 4 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 16: (Success Run, Fortsetzung)
Schriftliche Prüfung aus Systemtechnik am
U Graz, Insttt Regelngs- nd Atomatserngstechnk Schrftlche Prüfng as Sstemtechnk am 3.. Name / Vorname(n): Matrkel-Nmmer: Bonspnkte as den MALAB-Übngen: O ja O nen 3 4 errechbare Pnkte 5 6 6 4 errechte
Standortplanung. 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
Kaplan- Meier- Schätzer
Kaplan- Meer- Schätzer Glederung 1. Enletung 2. Zensur 3. Notaton 4. Methoden zur Schätzung der Überlebensfunton a. Reduced Sample Method/ Drect Method b. Actuaral Method bzw. verscherungsmath. Methode
2. Mittelwerte (Lageparameter)
2. Mttelwerte (Lageparameter) Bespele aus dem täglche Lebe Pro Hemspel hatte Borussa Dortmud der letzte Saso durchschttlch 7.2 Zuschauer. De deutsche Akte sd m Durchschtt um 0 Zähler gefalle. I Ide wurde
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Graphsche Modelle els Landwehr Zusammenfassung Pfade Zusammenfassung: en Pfad --Y-Z- st B A E Blockert be Y, wenn Dvergerende Verbndung,
Vorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
4. 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,
Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
Lösungen 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
binäre 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,
14 Schätzmethoden. Eigenschaften von Schätzungen ˆθ. Sei ˆθ n eine Schätzung eines Parameters θ, die auf n Beobachtungen beruht.
14 Schätzmethoden Egenschaften von Schätzungen ˆθ Se ˆθ n ene Schätzung enes Parameters θ, de auf n Beobachtungen beruht. ˆθn n θ Konsstenz (Mnmalforderung) Eˆθ n = θ Erwartungstreue Eˆθ n n θ Asymptotsche
Netzwerkstrukturen. 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.
(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
wird 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
Rotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
14 Überlagerung einfacher Belastungsfälle
85 De bsher betrachteten speellen Belastungsfälle treten n der Technk. Allg. ncht n rener orm auf, sondern überlagern sch. Da de auftretenden Verformungen klen snd und en lnearer Zusammenhang wschen Verformung
13.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
4.2 Grundlagen der Testtheorie
4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m
6. 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
Ordnungsstatistiken und Quantile
KAPITEL Ordugsstatste ud Quatle Um robuste Lage- ud Streuugsparameter eführe zu öe, beötge wr Ordugsstatste ud Quatle... Ordugsstatste ud Quatle Defto... Se (x,..., x R ee Stchprobe. Wr öe de Elemete der
Ionenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
Fachkräfte- Die aktuelle Situation in Österreich
Chart 1 Fachkräfte- De aktuelle Stuaton n Österrech Projektleter: Studen-Nr.: Prok. Dr. Davd Pfarrhofer F818..P2.T n= telefonsche CATI-Intervews, repräsentatv für de Arbetgeberbetrebe Österrechs (ohne
4. Ratenmonotones Scheduling Rate-Monotonic Scheduling (LIU/LAYLAND 1973)
4. Raenmonoones Schedulng Rae-Monoonc Schedulng (LIU/LAYLAND 973) 4.. Tasbeschrebung Tas Planungsenhe. Perodsche Folge von Jobs. T = {,..., n } Tasparameer Anforderungsze, Bereze (release me) Bearbeungs-,
Das Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
Definition des linearen Korrelationskoeffizienten
Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.
Statistische Kennzahlen für die Lage
Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche
5. Das Finite-Element und die Formfunktion
5. Ds Fnte-lement nd de Formfnkton Prof. Dr.-Ing. Uwe Renert Fcherech Prof. Dr.-Ing. Mschnen Uwe Renert telng Mschnen HOCHSCHU BRMN 5. Bespel des ensetg engespnnten nd f Zg ensprchten Blkenelements Bestmmng
Auswertung 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;
Konzept der Chartanalyse bei Chart-Trend.de
Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung
6. Übung zur Linearen Algebra II
Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der
1.1 Grundbegriffe und Grundgesetze 29
1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld
Produktions- programm- entscheidungen. Ewert/Wagenhofer Alle Rechte vorbehalten!
Prouktons- programm- entscheungen Ewert/Wagenhofer 04. Alle Rechte vorbehalten! Zele Darstellung er Lösungsverfahren für e Planung es optmalen kurzfrstgen Prouktonsprogramms mt un ohne Kapaztätsrestrktonen
I) Mechanik 1.Kinematik (Bewegung)
I)1. Knematk I) Mechank 1.Knematk (Bewegung) 2. Dynamk on Massenpunkten (Enfluss on Kräften) 3. Starre Körper 4.Deformerbare Meden 5. Schwngungen, Wellen, Akustk I)1. Knematk Bewegungslehre (Zel: Quanttate
Funds Transfer Pricing. Daniel Schlotmann
Danel Schlotmann Fankfut, 8. Apl 2013 Defnton Lqudtät / Lqudtätssko Lqudtät Pesonen ode Untenehmen: snd lqude, wenn se he laufenden Zahlungsvepflchtungen jedezet efüllen können. Vemögensgegenstände: snd
Der Satz von COOK (1971)
Der Satz von COOK (1971) Voraussetzung: Das Konzept der -Band-Turng-Maschne (TM) 1.) Notatonen: Ene momentane Beschrebung (mb) ener Konfguraton ener TM st en -Tupel ( α1, α2,..., α ) mt α = xqy, falls
1 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)
-70- Anhang: -Lineare Regression-
-70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de
NSt. 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
An dem Ergebnis eines Zufallsexperiments interessiert oft nur eine spezielle Größe, meistens ein Messwert.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl FB GW Ds. ZG 1 Zufallsgrößen An dem Ergebns enes Zufallsexperments nteressert oft nur ene spezelle Größe, mestens en Messwert. Bespel 1. Zufällge Auswahl enes Studenten,
Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
DeRsrtle Frrruo. in diesenkulturennicht über die sexuell. Weil man traditionsgemäß Krankheitenspricht,wird HIV bzw.
DeRsrtle Frrruo n desenkulturenncht über de sexuell Wel man tradtonsgemäß Krankhetensprcht,wrd HIV bzw. AIDS auchals,,der übertragenen stlle Fend"bezechnet. Es bestehterheblcheraufklärungsbedarf, um über