Evaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am (1.Termin) Aufgaben mit Lösung
|
|
- Benedikt Bergmann
- vor 6 Jahren
- Abrufe
Transkript
1 Evaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am (1.Termin) Name: Matrikel-Nr.: Aufgaben mit Lösung Aufgabe 1: (Teil 1) Gegeben sei die Matrix A a) Wie viele linear unabhängige Zeilenvektoren enthält sie? Lösung: Man transformiert zunächst L L 1 + L und L 3 7L 1 + L 3 : und dann L 3 3L + L 3 A A Die Matrix enthält offenbar linear unabhängige Zeilenvektoren. b) Wie viele linear unabhängige Spaltenvektoren enthält sie? Lösung: Genausoviel wie l.u.a. Zeilenvektoren, also (die verbleibenden Spaltenvektoren sind -stellig). c) Kann man den ersten Spaltenvektor als Linearkombination der anderen 3 Spaltenvektoren ausdrücken? Lösung: Ja, da es nur l.u.a. Spaltenvektoren gibt, müssen die 4 Spaltenvektoren linear abhängig sein. d) Falls ja, wie lautet eine mögliche Linearkombination? Lösung: Offenbar über v v +0 v 3 +0 v 4, wie man sofort ohne Rechnung sieht. 1
2 Aufgabe : (Teil 1) Gegeben seien die beiden Vektoren ( a Berechnen Sie ) b ( ). a) die Länge der beiden Vektoren; Lösung: a und b b) ihre euklidische Distanz; Lösung: a b ( 1.5) + (.5) c) den Winkel, den beide Vektoren einschliessen. Lösung: und dann ist cos α a, b a b α arccos(0.9701) 180/π /π d) Für die beiden zugrundeliegenden Variablen sei die Varianz-Covarianz-Matrix: ( ) 1 1/3 Σ. 1/3 1 Bestimmen Sie, ob a oder b weiter vom Nullpunkt entfernt ist! Lösung: Zunächst ( ) ( ) Σ 1 1 d b 1 1 1/3 ad bc c a 1 1/9 1/3 1 ( 9/8 3/8 3/8 9/8 ). Damit dann a a Σ 1 a ( ) ( 9/8 3/8 3/8 9/8 ( ) ( ) 6 ) ( ) und b b Σ 1 b ( ) ( ) 9/8 3/8 ( ) /8 9/8 ( ) ( ) Also ist b weiter vom Nullpunkt entfernt.
3 Aufgabe 3: (Teil 1) Man habe eine Hauptkomponentenanalyse mit 7 Variablen durchgeführt, die an 10 Personen erhoben wurden. Man habe folgende Ladungsmatrix erhalten B a) Bestimmen Sie die anteilige Varianzaufklärung jedes Faktors. Lösung: Es gilt V j i b ij für die aufgeklärte Varianz des Faktors F j in Variableneinheiten, also ist ˆV j V j /k, mit k der Anzahl der Variablen, der Anteil der aufgekärten Varianz. V j ˆV j 51.45% 1.33% 14.36% 6.63% 4.8% 1.3% 0.19% b) Bestimmen Sie die Korrelation von Variable und Variable 5. Lösung: Da R BB gilt r c) Wie viele Faktoren muß man verwenden, wenn man für alle Variablen eine Kommunalität von mindestens etwa 0.75 erreichen möchte? Lösung: Da h i j b ij findet man durch Probieren auf den ersten beiden Variablen: ĥ i Es reichen also 3 Faktoren aus. 3 b ij j d) Berechnen Sie mit den hierfür nötigen Faktoren nun die reproduzierte Korrelation der Variablen und 5, und testen Sie die Residualkorrelation auf Signifikanz! Lösung: r , r e Hierfür gilt r crit t (0.975;N ) N + t (0.975;N ) Die Residualkorrelation ist vom Betrage kleiner als die kritische Korrelation, also nicht signifikant. 3
4 Aufgabe 4: (Teil ) Man habe mit 100 Patienten eine Herzinfarkt-Vorsorgeuntersuchung durchgeführt, um die Prognoseeignung der 4 Variablen Blutdruck, Blutfett, körperliche Fitness, und allgemeine Stressbelastung herauszufinden. Von den 100 Patienten ist die Gruppenzugehörigkeit bekannt: 600 sind normalgesunde unauffällige (H 0 ), 600 sind Patienten, die mindestens einmal einen Herzinfarkt gehabt haben (H 1 ). Man habe nun die 4 Variablen bei den Patienten erhoben und eine Diskriminanzanalyse durchgeführt. Man erhielt eine Diskriminanzfunktion mit signifikanter Klassifikationsleistung. Die Varianzen der beiden Gruppen auf der Diskriminanzfunktion sind homogen, die Daten der Diskriminanzfunktion sind in beiden Gruppen normalverteilt. Der Untersucher benutzt nun die Diskriminanzfunktion, um Patienten in die beiden Gruppen zu klassifizieren, und benutzt dazu Richtwerte der einzelnen Skalen, die er auf einen kritischen Wert der Diskriminanzfunktion umrechnet. Er gelangt zu folgender Klassifikation: H 1 H 0 D D a) Wie gross ist der Anteil der korrekten Klassifikationen mit der verwendeten Strategie? Lösung: p c b) Um wie viele Einheiten der Standardabweichung der Diskriminanzfunktion sind die beiden Gruppen separiert? Lösung: Die Tabelle der relativen Häufigkeiten ist H 1 H 0 D D d z(corrrej) z(miss) F 1 (0.833) F 1 (0.333) ( 0.431) c) Bei welchem Standardwert der unterliegenden Skala verwirft der Untersucher die Nullhypothese? Lösung: Bei z(corrrej) d) Bei welchem Standardwert der unterliegenden Skala muss der Untersucher die Nullhypothese verwerfen, um den Anteil korrekter Klassifikationen zu maximieren? Lösung: Man hat β p 0 /p 1 0.5/ Damit ist z(β) ln(β) d + d d e) Wie hoch ist dann der Anteil korrekter Entscheidungen? Lösung: Damit gilt ˆp CR F (z(β)) F (0.699) ˆp Hit 1 F (z(β) d ) 1 F ( 0.699) p c p 1 ˆp Hit + p 0 ˆp CR
5 f) Welche(s) andere Verfahren hätte der Untersucher für die Klassifikation verwenden können? Wäre dann die Klassfifikationsleistung genauso gut? Wie hätte man bei dem/den anderen Verfahren das Problem der Kriteriumssetzung gelöst? Lösung: Man hätte ebenso mit Hilfe der Mahalanobisdistanzen klassifizieren können. Bei Gültigkeit der Annahme der multivariaten Normalverteilung in beiden Gruppen kann man genauso gut mit dem Likelihood-Ratio Kriterium arbeiten. Die Klassifikation mit dem LR entspricht genau einer Bayes-Klassifikation. Gegenüber der Klassifikation mit der Diskriminanzfunktion erhält man im Gruppen Fall ganz naloge Resultate. Aufgabe 5: (Teil ) Eine Psychologin leitet ein Assessment Center in einer großen Versicherung. 1 Sekretärinnen haben eine Weiterbildung zur Management-Assistentin absolviert und sollen in dem Assessment Center auf ihre Eignung für diesen Beruf untersucht werden. Das Unternehmen möchte die 3 am besten geeigneten Kandidatinnen in diesen Beruf übernehmen. FPI (Freiburger Persönlichkeits-Inventar) Profile haben für den Beruf der Managementassistentin eine hohe prognostische Validität erwiesen. Personen mit einer hohen Profilübereinstimmung mit dem durch Experten erstellten Referenzprofil sind eher erfolgreich in dem Beruf, und erfüllen langfristig die Anforderungen des Managements. Die Psychologin legt den FPI den 1 Kandidatinnen zur Bearbeitung vor (Sec). Gleichzeitig verfügt Sie über eine Referenzgruppe aus 0 im Beruf tätigen Managementassistentinnen (MA), und hat eine Vergleichsstichprobe von 19 Managern (Man). Der FPI ist in Stanine Standardwerten (SN 5 + z) skaliert. Man habe folgende Mittelwerte-Daten erhalten (s. auch Abb. 1): Sekretärinnen Man-Assistentinnen Manager Skala Nr. Mean Expert Diff Mean Expert Diff Mean Expert Diff LeZ FPI SoZ FPI Lei FPI Geh FPI Err FPI Aggr FPI Bean FPI Körp FPI Ges FPI Off FPI Extr E Emot N a) Wie kann man für jede der 3 Gruppen prüfen, inwiefern eine Übereinstimmung mit dem Expertenprofil vorliegt? Schlagen Sie hierzu ein Verfahren vor, und schreiben Sie die zu prüfende Grösse auf. Lösung: Man prüft, ob das Sollprofil im Konfidenzintervall des Gruppenzentroiden x j liegt. Man lehnt die Nullhypothese x µ 0 0 5
6 ab, wenn gilt. T n ( x j µ 0 ) ˆΣ 1 (n 1) p j ( x j µ 0 ) > n p F (p;n p) (1 α) b) Welche Voraussetzungen müssen für Ihr vorgeschlagenes Verfahren erfüllt sein? Geben Sie für jede Voraussetzung ein Verfahren der Überprüfung an! Lösung: Die T Statistik ist F - verteilt, wenn die Stichprobendaten multivariat normalverteilt sind. Dies ist mit einer p-p Plot Methode prüfbar. c) Mit welchem oder ggf. welchen Verfahren kann man testen, ob die Mittelwerteprofile aller 3 Gruppen gleich sind? Welche Voraussetzungen hat das (diese) Verfahren? Lösung: Die Gleichheit der Profile prüft eine einfaktorielle MANOVA. Sie setzt gleiche Varianz-Covarianz Schätzungen in den Gruppen voraus. Ebenfalls erfordert sie multivariate Normalverteilung der Zellresiduen der 3 Gruppen. d) Der FPI ist an einer Eichstichprobe normiert. Wie können Sie einfach prüfen, ob die Gruppe der Sekretärinnen mit dem Profil der Eichstichprobe übereinstimmt? Lösung: Indem man wie unter a) prüft, ob der Skalen-Erwarungswert µ 0 5 im Konfidenzintervall des Zentroiden x j einer jeden Gruppe liegt. e) Im Manual des FPI ist auch eine Interkorrelationsmatrix der Skalen des FPI ausgewiesen, die anhand der Eichstichprobe berechnet wurde. Aus den Daten jeder der 3 Gruppen kann ebenfalls eine Interkorrelationsmatrix berechnet werden. Was würde es bedeuten, wenn die Überprüfung der Homogenität der FPI-Interkorrelationsmatrix einer Gruppe mit der Interkorrelationsmatrix des Manuals eine Signifikanz anzeigt? Was bedeutet dies für das hinter dem FPI stehende Faktorkonstrukt? Lösung: Das würde bedeuten, dass das hinter dem Test stehende Konstrukt gruppenrelativ ist, d.h. die Zusammenhangsstruktur der Skalen kann in verschiedenen Gruppen verschieden sein. Z.B. Manager könnten eine Species sein, die einen anderen Cluster von Leistung, Beanspruchung und Erregbarkeit hat als andere. Das Faktorkonstrukt wäre somit nicht universell, wie man es gerne bei Persönlichkeitstest hätte. f) Aus den 1 Bewerberinnen müssen Sie 3 auswählen. Welche Grösse ziehen Sie hierzu heran (Vorschlag)? An welche Voraussetzungen ist die Gültigkeit dieser Grösse gebunden? Können Sie das Problem auch lösen, wenn die Stichprobendaten eine Verletzung der Normalverteilungsannahme anzeigen? Lösung: Es gibt hier verschiedene Möglichkeiten. Die naheliegenste ist, über die Mahalanobis-Distanz a) zum Expertenprofil und b) zum Durchschnittsprofil der im Beruf tätigen Managements-Assistentinnen Rangreihen zu bilden. Die Unternehmensleitung könnte man fragen, welche Rangreihe mehr Gewicht bekommen sollte. Mit diesen relativen Gewichten bildet man eine Rangreihe über eine Linearkombination der beiden gewichteten Rangreihen. Diejenigen Personen mit den geringsten Distanzwerten auf der kombinierten Skala schlägt man dem Unternehmen zur Auswahl vor. Dieses Verfahren ist an keine Vereilungsvoraussetzungen gebunden, da es keinen statistischen Test enthält. g) Stellen Sie sich vor, dass noch andere Datenquellen für die Auswahlentscheidung zur Verfügung stehen. Beispielsweise die Ergebnisse eines Eignungstests, eines Kenntnisstests für Verwaltungsaufgaben und einer Eignungsbeurteilung nach einem Auf- 6
7 nahmegespräch. Mit welcher Strategie kann man unter Berücksichtigung aller 4 Datenquellen eine faire Rangreihe der Bewerberinnen erstellen? Lösung: Wie beim Problem der Kombination der beiden Rangreihen unter f), so würde man auch hier eine Linearkombination aufbauen, die die Noten, Scores oder Ähnlichkeitsmaße auf eine neue Skala abbildet. Man muss beim Aufbau der Batterie auf die richtige Polung der Variablen achten, und darauf, dieselbe Normskala (z.b. z) zu verwenden. Bei den relativen Gewichten hat der Untersucher Freiheit, die Wichtigkeit der einzelnen Datenquellen für die Gesamtentscheidung nach inhaltlichen Kriterien zu verschieben. 7
8 a) Sekretärinnen Stanine Lebenszufriedenheit Soziale Orientierung Leistung Gehemmtheit Erregbarkeit Aggressivität Beanspruchung Körperbeschwerden Gesundheitssorgen Offenheit Extraversion Emotionalität Bewerber-Gruppe Experten-Profilvorgabe b) Management-Assistentinnen Stanine Lebenszufriedenheit Soziale Orientierung Leistung Gehemmtheit Erregbarkeit Aggressivität Beanspruchung Körperbeschwerden Gesundheitssorgen Offenheit Extraversion Emotionalität c) Manager Stanine Lebenszufriedenheit Soziale Orientierung Leistung Gehemmtheit Erregbarkeit Aggressivität Beanspruchung Körperbeschwerden Gesundheitssorgen Offenheit Extraversion Emotionalität Abbildung 1: FPI-Mittelwerteprofile der 3 Gruppen Sekretärinnen (a), Management- Assistentinnen (b) und Manager (c). Die Expertenvorgabe ist in allen Profiltafeln als Verlauf der gefüllten rote Kreise eingezeichnet. Die Skalen des FPI lauten: Lebenszufriedenheit (FPI- 1), Soziale Orientierung (FPI-), Leistung (FPI-3), Gehemmtheit (FPI-4), Erregbarkeit (FPI-5), Aggressivität (FPI-6), Beanspruchung (FPI-7), 8Körperbeschwerden (FPI-8), (FPI-9), Gesundheitssorgen (FPI-10), Offenheit (FPI-11), Extraversion (E), Emotionalität (N).
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 3 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Reliabilität 1. Überblick 2. Berechnung
Mehr1 Übungsaufgaben zur Regressionsanalyse
1 Übungsaufgaben zur Regressionsanalyse 1 1 Übungsaufgaben zur Regressionsanalyse 1.1 Übungsaufgaben zu Seite 1 und 2 1. Wie lautet die Regressionsfunktion? 2. Welche Absatzmenge ist im Durchschnitt bei
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Musterlösung Aufgabe 1 (40 Punkte) Auf der dem Kurs beigelegten CD finden Sie im Unterverzeichnis Daten/Excel/ die Datei zahlen.xlsx. Alternativ können Sie
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrKlausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte, 90 min
Klausur, Analyse mehrdimensionaler Daten, WS 2010/2011, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 21.02.2011 Klausur zur Vorlesung Analyse mehrdimensionaler Daten, Lösungen WS 2010/2011; 6 Kreditpunkte,
MehrTESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 1
TESTTHEORIE UND TESTKONSTRUKTION - PRAKTISCHE ANWENDUNG - TEIL 1 Prof. Dr. Franke SS2012 Hochschule Magdeburg-Stendal (FH) M.Sc. Rehabilitationspsychologie Gliederung Einführung in Datensatz Stichprobenbeschreibung
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 41 Übersicht Struktur eines Hypothesentests Stichprobenverteilung t-test: Einzelner-Parameter-Test F-Test: Multiple lineare Restriktionen 2 / 41 Struktur
MehrPrüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003
Prüfung aus Wahrscheinlichkeitstheorie und Statistik MASCHINENBAU 2003. Eine seltene Krankheit trete mit Wahrscheinlichkeit : 0000 auf. Die bedingte Wahrscheinlichkeit, dass ein bei einem Erkrankten durchgeführter
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
Mehr4.1. Verteilungsannahmen des Fehlers. 4. Statistik im multiplen Regressionsmodell Verteilungsannahmen des Fehlers
4. Statistik im multiplen Regressionsmodell In diesem Kapitel wird im Abschnitt 4.1 zusätzlich zu den schon bekannten Standardannahmen noch die Annahme von normalverteilten Residuen hinzugefügt. Auf Basis
MehrMultivariate Analysemethoden
Multivariate Analysemethoden Multivariate Distanz Multivariate Normalverteilung Minimum Distance Classifier Bayes Classifier Günter Meinhardt Johannes Gutenberg Universität Mainz Ziele Methoden Multivariate
MehrMultivariate Analysemethoden
Multivariate Analysemethoden.0.008 Günter Meinhardt Johannes Gutenberg Universität Mainz a) Ein Punkt ist, was keine Teile hat b) Eine Linie ist ein Länge ohne Breite p) Es soll gefordert werden, dass
MehrMultivariate Verfahren
Selbstkontrollarbeit 1 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 1 bis 4 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
Mehr4 Statistik normalverteilter Daten
4 Statistik normalverteilter Daten 4.1 Eine Stichprobe a Die drei Grundfragen. Die schliessende Statistik bildet die Brücke zwischen den Wahrscheinlichkeitsmodellen, die unser Denken strukturieren, und
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.6 und 4.7 besser zu verstehen. Auswertung und Lösung Abgaben: 59 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 4.78 1 Frage
MehrLösung Übungsblatt 5
Lösung Übungsblatt 5 5. Januar 05 Aufgabe. Die sogenannte Halb-Normalverteilung spielt eine wichtige Rolle bei der statistischen Analyse von Ineffizienzen von Produktionseinheiten. In Abhängigkeit von
MehrStatistik II. IV. Hypothesentests. Martin Huber
Statistik II IV. Hypothesentests Martin Huber 1 / 22 Übersicht Weitere Hypothesentests in der Statistik 1-Stichproben-Mittelwert-Tests 1-Stichproben-Varianz-Tests 2-Stichproben-Tests Kolmogorov-Smirnov-Test
MehrÜbung 4 im Fach "Biometrie / Q1"
Universität Ulm, Institut für Epidemiologie und Medizinische Biometrie, D-89070 Ulm Institut für Epidemiologie und Medizinische Biometrie Leiter: Prof. Dr. D. Rothenbacher Schwabstr. 13, 89075 Ulm Tel.
MehrEvaluation & Forschungsmethoden (Multivariate Analyse) Hauptdiplom-Prüfungsklausur am 03.08.2007 (1.Termin)
Evaluation & Forschungsmethoden (Multivariate Analyse Hauptdiplom-Prüfungsklausur am 03.08.007 (1.Termin Name: Matrikel-Nr.: Aufgabe 1: (3 Punkte Es seien zwei Vektoren a und b (mit mehr als Koordinaten
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrGHF SoSe 2011 HS MD-SDL
GHF SoSe 2011 HS MD-SDL 6/28/2011 1 Bitte recherchieren Sie die verschiedenen Bestimmungsstücke des Validitätskonzepts Bitte überlegen Sie sich Strategien zur Prüfung dieser verschiedenen Bestimmungsstücke
MehrStatistik-Quiz Wintersemester
Statistik-Quiz Wintersemester Seite 1 von 8 Statistik-Quiz Wintersemester Die richtigen Lösungen sind mit gekennzeichnet. 1a Für 531 Personen liegen Daten zu folgenden Merkmalen vor. Welche der genannten
MehrRegressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/
Regressionsmodelle mit Anwendungen in der Versicherungs- und Finanzwirtschaft Probeklausur Wintersemester 2017/2018 06.12.2018 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:...................................................................
MehrStatistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik
Statistik Zusätzliche Beispiele SS 2018 Blatt 3: Schließende Statistik 1. I Ein Personalchef führt so lange Vorstellungsgespräche durch bis der erste geeignete Bewerber darunter ist und stellt diesen an.
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
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
MehrEinfache Diskriminanzanalyse
SEITE 1 Einfache Diskriminanzanalyse Einführendes Beispiel Gegeben sind zwei Gruppen von Personen, für die jeweils mehrere Merkmale erhoben wurden, z.b. Alter, Einkommen, Zahl der Kinder und Autobesitz
MehrSchätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO
Schätzen und Testen von Populationsparametern im linearen Regressionsmodell PE ΣO 4. Dezember 2001 Generalisierung der aus Stichprobendaten berechneten Regressionsgeraden Voraussetzungen für die Generalisierung
MehrStatistik Übungsblatt 5
Statistik Übungsblatt 5 1. Gaussverteilung Die Verteilung der Messwerte einer Grösse sei durch eine Gaussverteilung mit Mittelwert µ = 7.2 und σ = 1.2 gegeben. (a) Wie gross ist die Wahrscheinlichkeit
MehrTest 2, Musterlösung. Name, Klasse: Semester: 1 Datum: Teil ohne Matlab
Test 2, Musterlösung Lineare Algebra donat.adams@fhnw.ch Institut für Mathematik und Physik Name, Klasse: Semester: Datum: 2..26. Teil ohne Matlab. Lineare Abbildungen Zeigen Sie, dass die folgenden Abbildungen
MehrForschungsstatistik I
Psychologie Prof. Dr. G. Meinhardt 6. Stock, TB II R. 06-206 (Persike) R. 06-321 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psymet03.sowi.uni-mainz.de/
MehrStatistisches Testen
Statistisches Testen Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Differenzen Anteilswert Chi-Quadrat Tests Gleichheit von Varianzen Prinzip des Statistischen Tests Konfidenzintervall
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrAufgabensammlung (Nicht-MC-Aufgaben) Klausur Ökonometrie WS 2014/15. ( = 57 Punkte)
Aufgabe 3 (6 + 4 + 8 + 4 + 10 + 4 + 9 + 4 + 8 = 57 Punkte) Hinweis: Beachten Sie die Tabellen mit Quantilen am Ende der Aufgabenstellung! Mit Hilfe eines multiplen linearen Regressionsmodells soll auf
MehrHypothesentests mit SPSS
Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht
MehrEinfache Varianzanalyse für unabhängige Stichproben
Einfache Varianzanalyse für unabhängige Stichproben VARIANZANALYSE Die Varianzanalyse ist das dem t-test entsprechende Mittel zum Vergleich mehrerer (k 2) Stichprobenmittelwerte. Sie wird hier mit VA abgekürzt,
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,
MehrTests einzelner linearer Hypothesen I
4 Multiple lineare Regression Tests einzelner linearer Hypothesen 4.5 Tests einzelner linearer Hypothesen I Neben Tests für einzelne Regressionsparameter sind auch Tests (und Konfidenzintervalle) für Linearkombinationen
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrTheorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann Probe-Klausur zur Vorlesung Ökonometrie Theorie-Teil: Aufgaben 1-3: 30 Punkte Programmier-Teil: Aufgaben 4-9: 60 Punkte (die eigentliche Klausur wird
Mehr9 Faktorenanalyse. Wir gehen zunächst von dem folgenden Modell aus (Modell der Hauptkomponentenanalyse): Z = F L T
9 Faktorenanalyse Ziel der Faktorenanalyse ist es, die Anzahl der Variablen auf wenige voneinander unabhängige Faktoren zu reduzieren und dabei möglichst viel an Information zu erhalten. Hier wird davon
MehrEinfaktorielle Varianzanalyse
Kapitel 16 Einfaktorielle Varianzanalyse Im Zweistichprobenproblem vergleichen wir zwei Verfahren miteinander. Nun wollen wir mehr als zwei Verfahren betrachten, wobei wir unverbunden vorgehen. Beispiel
MehrVergleich zweier Stichproben
zurück zum Inhaltsverzeichnis Die Werte sind verbunden, abhängig oder korreliert. Beispiel: Eine Probe wird mit zwei Messgeräten bestimmt. Es gibt eine paarweise Zuordnung. Die Werte sind unabhängig also
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Diese Selbstkontrollarbeit bezieht sich auf die Kapitel 5 bis 8 der Kurseinheit 1 (Multivariate Statistik) des Kurses Multivariate Verfahren (883). Hinweise:
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
MehrForschungsstatistik II, SS2009
Forschungsstatistik II, SS29 Abschlussklausur Inferenzstatistik Name: Matrikel-Nr.: Bonuspunkte: ja nein Forschungsstatistik II SS29 Abschlussklausur Aufgabe 1: (6 Punkte 1%) Welche dieser Matrizen können
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
MehrSeminar Biopharmazie. Statistik. nur was für Unsichere oder ist sie ihr Geld wert?
Seminar Biopharmazie Statistik nur was für Unsichere oder ist sie ihr Geld wert? Biopharmazie Statistik 1 Allgemeine Symbole Probenstatistik Verteilungs- Funktion Mittelwert bzw. Erwartungswert für n µ
MehrTeekonsum in den USA (in 1000 Tonnen), Nimmt den Wert 1 an für alle Perioden, Durchschnittlicher Preis des Tees in Periode t (in Tausend $/Tonne).
Aufgabe 1 (5 Punkte) Gegeben sei ein lineares Regressionsmodell in der Form. Dabei ist y t = x t1 β 1 + x t β + e t, t = 1,..., 10 (1) y t : x t1 : x t : Teekonsum in den USA (in 1000 Tonnen), Nimmt den
Mehr7. Übung: Aufgabe 1. b), c), e) Aufgabe 2. a), c), e) Aufgabe 3. c), e) Aufgabe 4. Aufgabe 5. Aufgabe 6. Aufgabe 7. Aufgabe 8. Aufgabe 9.
7. Übung: Aufgabe 1 b), c), e) Aufgabe a), c), e) Aufgabe 3 c), e) Aufgabe 4 b) Aufgabe 5 a) Aufgabe 6 b) Aufgabe 7 e) Aufgabe 8 c) Aufgabe 9 a), c), e) Aufgabe 10 b), d) Aufgabe 11 a) Aufgabe 1 b) Aufgabe
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 20. Januar 2011 1 Der F -Test zum Vergleich zweier Varianzen 2 Beispielhafte Fragestellung Bonferroni-Korrektur
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
Mehr3.Wiederholung: Toleranzbereiche Für EX Geg:
3.Wiederholung: Toleranzbereiche Für EX Geg: Vl. 24.2.2017 Schätzfunktion für Güte: Ist X Problem: Feb 17 13:21 > Wir berechnen Bereiche (Toleranzbereiche) für sind untere und obere Grenzen, berechnet
MehrForschungsstatistik I, WS2008/2009
Forschungsstatistik I, WS2008/2009 Abschlussklausur - Deskriptive Statistik, Korrelation & Regression 1. Termin Forschungsstatistik I WS2008/2009 Abschlussklausur - Deskriptive Statistik Name: Matrikel-Nr.:
MehrStatistik II Übung 3: Hypothesentests
Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-06) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
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
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
MehrWahrscheinlichkeitsrechnung und Statistik. 11. Vorlesung /2019
Wahrscheinlichkeitsrechnung und Statistik 11. Vorlesung - 2018/2019 Quantil der Ordnung α für die Verteilung des beobachteten Merkmals X ist der Wert z α R für welchen gilt z 1 2 heißt Median. P(X < z
MehrSozialwissenschaftlerInnen II
Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Testen von Hypothesen
MehrMultivariate Analysemethoden
Multivariate Analysemethoden Günter Meinhardt Johannes Gutenberg Universität Mainz (DFA) Discriminant Function Analysis (DFA) Klassifikation Ziele Maximale Trennung von Gruppen auf einem gegebenem Set
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrMultivariate Analysemethoden und Multivariates Testen
Multivariate Analysemethoden und Multivariates Testen 11.05.2009 Günter Meinhardt Johannes Gutenberg Universität Mainz Einführung Multivariate Analysemethoden & Multivariates Testen Prinzipien des inferenzstatistischen
MehrMathematische Statistik Aufgaben zum Üben. Schätzer
Prof. Dr. Z. Kabluchko Wintersemester 2016/17 Philipp Godland 14. November 2016 Mathematische Statistik Aufgaben zum Üben Keine Abgabe Aufgabe 1 Schätzer Es seien X 1,..., X n unabhängige und identisch
MehrMultivariate Analysemethoden
Multivariate Analysemethoden 8.04.008 Günter Meinhardt Johannes Gutenberg Universität Mainz (DFA) Discriminant Function Analysis (DFA) Klassifikation Ziele Maximale Trennung von Gruppen auf einem gegebenem
MehrAufbau des Testberichts. 1. Problemstellung / inhaltliche Einführung. 2. Methode
Aufbau des Testberichts Titelblatt (Beliebig) Zusammenfassung Inhaltsverzeichnis Einführung / theoretisch-inhaltlicher Hintergrund Methode: Konstruktion und Aufbau des Tests, Datenerhebung Ergebnisse Diskussion
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 27. März 2015 Aufgabe 1 Kennzeichnen Sie die folgenden Aussagen über die beiden Zufallsvektoren ([ ] [ ]) ([ ] [ ]) 2 1 0 1 25 2 x 1 N, x 3 0 1 2
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Note Termin: 24. März 2017, 11.30-13.30 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
MehrFaktorenanalyse und Hauptkomponentenanalyse
Faktorenanalyse und Hauptkomponentenanalyse Man habe n Personen auf m Variablen untersucht Insbesondere habe man: n Personen Index i m Variablen Index j r Faktoren Index l Die Faktoren sind latente Variablen,
MehrTutorium zur VO Statistik Beispielsammlung Teil 2. Schließende Statistik
Schließende Statistik 1. BEISPIEL Mobilfunkstrahlung Man hat aus zweihundert Messungen von Mobilfunkstrahlung, die zu verschiedenen Zeiten an einer sehr belebten Stelle durchgeführt wurden, einen Mittelwert
MehrEinführung in Quantitative Methoden
Einführung in Quantitative Methoden Pantelis Christodoulides & Karin Waldherr 4. Juni 2014 Christodoulides / Waldherr Einführung in Quantitative Methoden 1/35 Ein- und Zweiseitige Hypothesen H 0 : p =
MehrStatistische Methoden der Datenanalyse. Übung XI
Albert-Ludwigs-Universität Freiburg Wintersemester 203/204 Statistische Methoden der Datenanalyse Markus Schumacher, Stan Lai, Florian Kiss Übung XI 2..204, 22..204 Anwesenheitsaufgaben Aufgabe 53 Vergleich
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrKategoriale und metrische Daten
Kategoriale und metrische Daten Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/14 Übersicht Abhängig von der Anzahl der Ausprägung der kategorialen Variablen unterscheidet man die folgenden Szenarien:
MehrStatistik II. Version A. 1. Klausur Sommersemester 2011 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik II Version A 1. Klausur Sommersemester 2011 Hamburg, 27.07.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrFormelsammlung für das Modul. Statistik 2. Bachelor. Sven Garbade
Version 2015 Formelsammlung für das Modul Statistik 2 Bachelor Sven Garbade Prof. Dr. phil. Dipl.-Psych. Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de
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
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrSoftwaretechnik. Prof. Dr. Rainer Koschke. Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen
Softwaretechnik Prof. Dr. Rainer Koschke Fachbereich Mathematik und Informatik Arbeitsgruppe Softwaretechnik Universität Bremen Wintersemester 2010/11 Überblick I Statistik bei kontrollierten Experimenten
MehrPrüfung aus Statistik 2 für SoziologInnen
Prüfung aus Statistik 2 für SoziologInnen 11. Oktober 2013 Gesamtpunktezahl =80 Name in Blockbuchstaben: Matrikelnummer: Wissenstest (maximal 16 Punkte) Kreuzen ( ) Sie die jeweils richtige Antwort an.
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 10. Vorlesung: 1.0.2003 Agenda 3. Multivariate Varianzanalyse i. Einführung in die multivariate Variananalyse Grundidee und Ziele der MANOVA Beispiele
Mehr10. Die Normalverteilungsannahme
10. Die Normalverteilungsannahme Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher haben wir vorausgesetzt, daß die Beobachtungswerte normalverteilt sind. In diesem Fall kann man
MehrÜbung Methodenlehre II, SS 2010
nlehre II nlehre II, Anwendungsbeispiel 1 Ruhr-Universität Bochum 15. Juni 2010 1 / 21 Quelle nlehre II Mobbing und Persönlichkeit: Unterschiede in grundlegenden Persönlichkeitsdimensionen zwischen Betroffenen
MehrB. Regressionsanalyse [progdat.sav]
SPSS-PC-ÜBUNG Seite 9 B. Regressionsanalyse [progdat.sav] Ein Unternehmen möchte den zukünftigen Absatz in Abhängigkeit von den Werbeausgaben und der Anzahl der Filialen prognostizieren. Dazu wurden über
Mehr1 Diskriminanzanalyse
Multivariate Lineare Modelle SS 2008 1 Diskriminanzanalyse 1. Entscheidungstheorie 2. DA für normalverteilte Merkmale 3. DA nach Fisher 1 Problemstellungen Jedes Subjekt kann einer von g Gruppen angehören
MehrÜbung V Lineares Regressionsmodell
Universität Ulm 89069 Ulm Germany Dipl.-WiWi Michael Alpert Institut für Wirtschaftspolitik Fakultät für Mathematik und Wirtschaftswissenschaften Ludwig-Erhard-Stiftungsprofessur Sommersemester 2007 Übung
MehrSignifikanzprüfung. Peter Wilhelm Herbstsemester 2016
Signifikanzprüfung Peter Wilhelm Herbstsemester 2016 1.) Auswahl des passenden Tests 2.) Begründete Festlegung des Alpha-Fehlers nach Abschätzung der Power 3.) Überprüfung der Voraussetzungen 4.) Durchführung
MehrD-CHAB Frühlingssemester 2017 T =
D-CHAB Frühlingssemester 17 Grundlagen der Mathematik II Dr Marcel Dettling Lösung 13 1) Die relevanten Parameter sind n = 3, x = 1867, σ x = und µ = 18 (a) Die Teststatistik T = X µ Σ x / n ist nach Annahme
MehrKlassifikation von Signifikanztests
Klassifikation von Signifikanztests nach Verteilungsannahmen: verteilungsabhängige = parametrische Tests verteilungsunabhängige = nichtparametrische Tests Bei parametrischen Tests werden im Modell Voraussetzungen
MehrVorlesung: Multivariate Statistik für Psychologen
Vorlesung: Multivariate Statistik für Psychologen 7. Vorlesung: 05.05.2003 Agenda 2. Multiple Regression i. Grundlagen ii. iii. iv. Statistisches Modell Verallgemeinerung des Stichprobenmodells auf Populationsebene
MehrHochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann. 8. Übungsblatt zur Vorlesung Ökonometrie
Hochschule RheinMain WS 2018/19 Prof. Dr. D. Lehmann 8. Übungsblatt zur Vorlesung Ökonometrie Aufgabe 1: In der Vorlesung haben wir das lineare Regressionsproblem als statistisches Problem formuliert:
MehrFERNUNIVERSITÄT IN HAGEN WIRTSCHAFTSWISSENSCHAFT
FERNUNIVERSITÄT IN HAGEN FAKULTÄT WIRTSCHAFTSWISSENSCHAFT Lehrstuhl für Betriebswirtschaftslehre, insb. Quantitative Methoden und Wirtschaftsmathematik Univ.-Prof. Dr. A. Kleine Lehrstuhl für Angewandte
Mehr7.1 Korrelationsanalyse. Statistik. Kovarianz. Pearson-Korrelation. Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien
Statistik 7.1 Korrelationsanalyse Institut für angewandte Statistik & EDV Universität für Bodenkultur Wien Sommersemester 2012 7 Regressions- und Korrelationsanalyse Kovarianz Pearson-Korrelation Der (lineare)
Mehr73 Hypothesentests Motivation Parametertest am Beispiel eines Münzexperiments
73 Hypothesentests 73.1 Motivation Bei Hypothesentests will man eine gewisse Annahme über eine Zufallsvariable darauf hin überprüfen, ob sie korrekt ist. Beispiele: ( Ist eine Münze fair p = 1 )? 2 Sind
MehrEvaluation & Forschungsstrategien. B.Sc.-Seminar. Sitzung IV: Konfidenzintervalle // Normalverteilungstests
Evaluation & Forschungsstrategien B.Sc.-Seminar Sitzung V: Konfidenzintervalle // Normalverteilungstests Seminarinhalte Sitzung V: 16.05.2018 Konfidenzintervalle bei bekannter Varianz Konfidenzintervalle
Mehr