Übungen zu Multivariate Verfahren WS 2009/10 1. Aufgabe 1 Betrachten Sie die folgenden beiden Vektoren und Matrizen
|
|
- Anton Fürst
- vor 6 Jahren
- Abrufe
Transkript
1 Übungen zu Multivariate Verfahren WS 2009/10 1 Prof. Dr. Fred Böker und Jing Dai Aufgabe 1 Betrachten Sie die folgenden beiden Vektoren und Matrizen a = 2, b = 1, C = 1 4 0, E = Berechnen Sie a t a, aa t, a t b, b t a, ab t, ba t, a t C, Ca, a t Ca, E t a, E t C, CE, C t E und E t CE, wobei wir mit C t die Transponierte von C bezeichnen, die in manchen Lehrbüchern auch mit C bezeichnet wird. Entsprechend ist a t der Zeilenvektor (1, 2, 2). Aufgabe 2 Sei Σ eine m m-matrix. Betrachten Sie Σ = ( ) 1/2 1 und C = 1 1/2 Berechnen Sie die Determinanten und die Inversen der Matrizen Σ und C Aufgabe 3 Sei α = 1/2, β = 1/4, γ = 2, d 1 = 100 und d 2 = 80. Schreiben Sie das Gleichungssystem (i)x 1 = βx 2 + d 1 (ii)x 2 = γx 3 + d 2 (iii)x 3 = αx 1 vollständig auf und bestimmen Sie die Lösung des Systems. Aufgabe 4 Importieren Sie die Datei frag.frame mit dem Befehl dget in R. Sie finden die Daten im Internet unter der Instituts-Adresse dann unter Lehre, WS 2009/10, Multivariate Verfahren, Notizen. Den Fragebogen zu der Befragung und die Codes finden Sie an derselben Stelle im Internet. Nennen Sie die importierte Datei in R wieder frag.frame. Sie müssen dann den Befehl attach(frag.frame) eingeben. a) Schauen Sie sich mit dem Befehl rownames(frag.frame) und colnames(frag.frame) die Zeilen- und Spaltennamen an. b) Welche der Variablen sind nominal-, ordinalskalierte bzw. metrische Variablen? c) Geben Sie für die kategorialen oder qualitativen Daten die Kategorien und Anzahl der Kategorien an. d) Für welche der Variablen macht es Sinn, Erwartungswerte und Varianzen auszurechnen? e) Berechnen Sie diese Größen für einige der Variablen, die Sie besonders interessieren. Unter Umständen werden Sie kein Ergebnis bekommen, da Ihre Datei fehlende Werte (NA) enthält. Informieren Sie sich in der Hilfe zu mean oder var, wie Sie zu einem Ergebnis kommen können. Was geschieht mit den fehlenden Werten? Verwenden Sie auch den Befehl summary.
2 2 Übungen zu Multivariate Verfahren WS 2009/10 f) Speichern Sie alle metrischen Variablen in einem neuen Data.Frame. Hinweis: Wenn matrix.mat eine Matrix mit 10 Spalten ist, so erhalten Sie z.b. die Teilmatrix ohne die ungeraden Spalten durch den Befehl: teilmatrix.mat<-matrix.mat[,-c(1,3,5,7,9)]. g) Berechnen Sie für diese Variablen die Kovarianz- und Korrelationsmatrix mit den Befehlen var, cov bzw. cor. Wie werden hier die fehlenden Werte behandelt? Interpretieren Sie das Ergebnis. h) Unterziehen Sie eine bzw. zwei der Variablen einer linearen Transformation var.neu = a var.alt + b, d.h. die alte Variable soll mit einer Konstanten a multipliziert werden und anschließend soll die Konstante b addiert werden. Wie ändert sich die Kovarianz- bzw. Korrelationsmatrix? Aufgabe 5 Betrachten Sie den Fall, dass Sie eine Datenmatrix mit m Variablen haben. Sie interessieren sich für die Erwartungswerte, die Varianzen und Korrelationen. All diese Größen seien im folgenden als Parameter bezeichnet. a) Wie viele Parameter gibt es dann insgesamt? b) Wie viele Parameter gibt es für m=1, 2, 10? c) Nehmen Sie an, dass die Variablen unkorreliert sind. Um welche Zahl reduziert sich dann die Anzahl der Parameter? d) Wie viele Parameter verschwinden, wenn sich die Anzahl der Variablen von m auf m-1 verringern läßt? Aufgabe 6 In der folgenden Abbildung sind die Dichten zweier Normalverteilungen dargestellt. Nehmen Sie an, dass es in Ihrer Grundgesamtheit zwei gleich starke Gruppen von Merkmalsträgern gibt. Für ein bestimmtes Merkmal haben die beiden Gruppen die dargestellten Verteilungen. Die beiden Gruppen sollen anhand dieses Merkmals getrennt (diskriminiert) werden. Der,,Trennungspunkt sei D. Bestimmen Sie den optimalen Punkt D, d.h. bestimmen Sie D, so dass die Wahrscheinlichkeit einer falschen Zuordnung minimal wird. Überlegen Sie sich zunächst, welche Möglichkeiten es gibt, einen Merkmalsträger falsch zuzuordnen.
3 Übungen zu Multivariate Verfahren WS 2009/ Gruppe 1 N(20,25) Gruppe 2 D N(50,100) Aufgabe 7 Sei P (gelesen: Rho) eine Korrelationsmatrix 1 ρ ρ 1m ρ ρ 2m P =. ρ m1 ρ m und D eine Diagonalmatrix D, in deren Diagonale die Standardabweichungen der Zufallsvariablen stehen: D = σ σ σ m Zeigen Sie, dass die folgenden Zusammenhänge gelten, wenn Σ die Kovarianzmatrix bezeichnet: Σ = DPD und P = D 1 ΣD 1 Aufgabe 8 Seien Y 1, Y 2, Y 3 unabhängige Zufallsvariablen mit EY i = 0 und Varianz 1. Sei Z 1 = Y 1 + Y 2 + Y 3 ; Z 2 = Y 1 Y 2 ; Z 3 = Y 1 Y 3. a) Berechnen Sie die Kovarianz- und Korrelationsmatrix von Z, wenn Z t = (Z 1, Z 2, Z 3 ) b) Sei Y eine m-dimensionale Zufallsvariable und A eine m p-matrix. Verifizieren Sie das Resultat der Vorlesung V ar(a t Y) = A t ΣA, wobei Σ die Kovarianzmatrix von Y.
4 4 Übungen zu Multivariate Verfahren WS 2009/10 c) Wenden Sie das Resultat aus b) auf Teilaufgabe a) an. d) Nehmen Sie als Verteilung von Y i an: Y i N(0, 1). Simulieren Sie mit der 1000 Realisationen des Vektors Z. Verwenden Sie dazu die R-Funktion mvrnorm aus der library(mass). Aufgabe 9 Die Datei kuh.dat enthält Daten über die Milchleistung von Kühen. Die Daten stehen in der üblichen Weise in einer Matrix: jede Zeile steht für eine Kuh. In der ersten Zeile stehen die Namen der Variablen. In den Spalten stehen die folgenden Variablen: Nummer Name V1 MTG MKG EKG FKG Betrieb Jahr Mo Tg EKA Nummer der Kuh Name der Kuh Bedeutung unbekannt Melktage (i.d.r. um die 300 Tage = eine Laktation) Milchmenge in kg über die ganze Laktation Eiweißmenge in kg über die ganze Laktation Fettmenge in kg über die ganze Laktation Nummer oder Code des Milchviehbetriebes Jahr der ersten Abkalbung der Kuh Monat der ersten Abkalbung der Kuh Tag der ersten Abkalbung der Kuh Alter der Kuh bei der ersten Abkalbung in Monaten a) Lesen Sie die Daten in R ein. Verwenden Sie den Befehl read.table zum Einlesen der Daten. b) Stellen Sie die Daten in geeigneter Form graphisch dar. Verwenden Sie u.a. die Funktion pairs. Benutzen Sie die in der Hilfe zu pairs angegebenen Funktionen für die Grafiken in, unter- und oberhalb der Diagonalen. c) Zwischen welchen Variablen gibt es einen linearen Zusammenhang? Bestimmen Sie den Anteil der durch die Regression bestimmten Variation an der Totalvariation. Welcher Anteil bleibt für die Reststreuung? d) Stellen Sie Paare geeigneter Variablen in einem Scatterplot dar und zeichnen Sie die Regressionsgerade ein. Verwenden Sie den Befehl lsfit zur Berechnung der Regressionsgeraden (siehe Beispiel der Vorlesung).
5 Übungen zu Multivariate Verfahren WS 2009/10 5 e) Falls die Daten kategoriale Variablen enthalten, untersuchen Sie die Daten gruppenweise, indem Sie als Grafik die Funktion boxplot verwenden. Der Befehl split könnte Ihnen dabei helfen. f) Berechnen Sie Mittelwerte, Varianzen und Korrelationen. Stellen Sie die Korrelationsmatrix in einer übersichtlichen gut interpretierbaren Form dar. g) Verwenden Sie die Funktion cor.test, um für gewisse Variablen die Unkorreliertheit zu überprüfen. Aufgabe 10 Sei f(y) = y t Σy = i,j y i y j σ ij eine quadratische Form, wobei Σ eine symmetrische m m-matrix und y t = (y 1, y 2,...,y m ). Zeigen Sie (vergleiche Vorlesung) f y 1 f y =. = 2Σy f y m Aufgabe 11 In Aufgabe 7 hatten wir die folgende Kovarianzmatrix errechnet: Σ = a) Bestimmen Sie die Eigenwerte (zunächst nicht mit R). b) Bestimmen Sie die Eigenvektoren. c) Bestimmen Sie die Hauptkomponenten. d) Welcher Anteil der Totalvariation wird durch die einzelnen Komponenten erklärt? e) Bestimmen Sie die Eigenwerte der Korrelationsmatrix und beantworten Sie die Frage in d) mit diesen Ergebnissen erneut. f) Überprüfen sie Ihre Ergebnisse mit der R-Funktion eigen. Aufgabe 12 Verwenden Sie die Daten aus der Datei kuh.dat. a) Bestimmen Sie für geeignete Variablen aus diesem Datensatz die Eigenwerte und Eigenvektoren der Kovarianzmatrix mit der Funktion eigen. b) Halten Sie es für sinnvoll die Kovarianzmatrix für eine Hauptkomponentenanalyse zu verwenden? Begründen Sie Ihre Antwort.
6 6 Übungen zu Multivariate Verfahren WS 2009/10 c) Bestimmen Sie für geeignete Variablen aus diesem Datensatz die Eigenwerte und Eigenvektoren der Korrelationsmatrix mit der Funktion eigen. d) Standardisieren Sie Ihre Datenmatrix. e) Bestimmen Sie die Hauptkomponenten mit Hilfe der in c) erhaltenen Ergebnisse. f) Welcher Anteil der Variation wird durch die einzelnen Hauptkomponenten erklärt? g) Verwenden Sie jetzt auch die R-Funktionen prcomp und princomp. Vergleichen Sie die von diesen Funktionen ausgegebenen Hauptkomponenten mit Ihren Ergebnissen. Aufgabe 13 Verwenden Sie die Daten aus der Datei ernbsp1.frame. Die Datei ERNBSP1.Dat enthält Daten aus Kockläuner: Angewandte Regessionsanalyse mit SPSS, Vieweg 1988, S. 7: Für 102 Länder sind die folgenden Variablen gegeben: ERN Ernährungsindex BSP Bruttosozialprodukt pro Kopf LWS Landwirtschaftsindex LS2 Lebenshaltungsindex 2 BEV Bevölkerungsindex a) Standardisieren Sie die Daten, so dass sie Mittelwert 0 und Standardabweichung 1 haben. Verwenden Sie dann nur noch die standardisierten Variablen. b) Bestimmen Sie die Eigenwerte und Eigenvektoren der Kovarianz- und Korrelationsmatrix. Gibt es Unterschiede? c) Bestimmen Sie die Hauptkomponenten. d) Bestimmen Sie die Korrelationskoeffizienten zwischen den Hauptkomponenten und den standardisierten Originalvariablen. e) Wie viele Hauptkomponenten würden Sie verwenden? Benutzen Sie für die Beantwortung dieser Frage alle vier Kriterien aus der Vorlesung. Die R-Funktion Bartlett.fun finden Sie im Internet. f) Bestimmen Sie die Spektralzerlegung der Korrelationsmatrix. g) Geben Sie die Kommunalitäten an, wenn Sie 1, 2, 3 oder 4 Hauptkomponenten verwenden. Aufgabe 14 Verwenden Sie die Daten aus der Datei ernbsp1.frame (siehe Aufgabe 12). a) Stellen Sie die Hauptkomponenten in einer Scatterplotmatrix grafisch dar. Verwenden Sie die Korrelationsmatrix. Sind die Variablen bereits standardisiert? b) Stellen Sie nun die beiden ersten Hauptkomponenten gegeneinander dar. Identifizieren Sie die Punkte durch die Namen der Länder. Versuchen Sie die Darstellung, insbesondere die beiden ersten Hauptkomponenten zu interpretieren.
7 Übungen zu Multivariate Verfahren WS 2009/10 7 c) Stellen Sie die Ladungen der ersten beiden Hauptkomponenten grafisch dar. Stellen Sie die Variablen durch Pfeile arrows dar. d) Verwenden Sie jetzt die Funktion biplot.princomp um die Variablen und Merkmalsträger in einer gemeinsamen Grafik darzustellen. Versuchen Sie die Ergebnisse zu interpretieren. Aufgabe 15 Verwenden Sie jetzt die Daten aus der Datei kuh.dat (siehe Aufgabe 8). a) Gehen Sie ähnlich vor, wie in der vorigen Aufgabe. Benutzen Sie unterschiedlich viele Variablen, d.h. lassen Sie zunächst die Variablen V1 und EKA weg und nehmen Sie sie anschließend dazu. b) Identifizieren Sie die Punkte in den grafischen Darstellung durch die Variable Betrieb. Dazu ist es zweckmäßig, die Codes für den Betrieb durch Kürzel zu ersetzen. c) Benutzen Sie jetzt nur die Variablen, die annähernd normalverteilt sind. Vielleicht ist es auch sinnvoll, die Variablen zunächst zu transformieren? Schauen Sie, ob die Logarithmen der Daten eventuell eher normalverteilt sind. d) Bestimmen Sie die gemeinsame Verteilung der Hauptkomponenten, wenn Sie eine gemeinsame Normalverteilung der Originalvariablen voraussetzen können. Geben Sie auch die gemeinsame Verteilung der Originalvariablen an. Aufgabe 16 Betrachten Sie die folgende Kovarianzmatrix Σ = Sei Λ = Dann gilt die Zerlegung Σ = ΛΛ t + Ψ. a) Bestimmen Sie die Matrix Ψ. b) Bestimmen Sie die Kommunalitäten und zerlegen Sie die Varianzen der Originalvariablen in Kommunalitäten und spezifische Varianzen. c) Geben Sie die Korrelationsmatrix an. Benutzen Sie P = D 1 ΣD 1, wobei D die Diagonalmatrix ist, die die Standardabweichungen enthält. Benutzen Sie R für die Berechnungen.
8 8 Übungen zu Multivariate Verfahren WS 2009/10 d) Geben Sie für die Korrelationsmatrix eine Zerlegung mit zwei Faktoren an. Gehen Sie dabei von der Zerlegung für Σ aus und setzen Sie diese in die Formel P = D 1 ΣD 1 ein. Für die Berechnungen dürfen Sie dann R benutzen. e) Geben Sie die Korrelationskoeffizienten zwischen den Faktoren und den standardisierten Originalvariablen an. f) Stellen Sie die Faktorenladungen grafisch dar. g) Bestimmen Sie mit der Funktion varimax die optimale Drehmatrix und stellen Sie die Ladungen nach der Drehung erneut grafisch dar. h) Geben Sie den Drehwinkel an. Aufgabe 17 Im Buch von Johnson und Wichern (1999, S. 525) findet sich das folgende Beispiel: In einer Konsumentenbefragung wurden Kunden gebeten, einige Eigenschaften eines neuen Produkts auf einer Siebenpunkteskala zu bewerten. Die Variablen waren: Taste, Good buy for money, Flavor, Suitable for snack, Provides lots of energy. Es ergab sich die folgende Korrelationsmatrix: R = a) Erkennen Sie anhand der Korrelationsmatrix Gruppen von Variablen? b) Führen Sie eine Faktorenanalyse nach der Hauptkompontenmethode durch. i) Wie viele Faktoren würden Sie extrahieren, wenn mindestens 90% der Gesamtvariation durch die extrahierten Faktoren erklärt werden soll? ii) Berechnen Sie die Faktorladungen, die Kommunalitäten und die spezifischen Varianzen. iii) Geben Sie für jede der fünf Variablen an, welcher Anteil der Varianz durch die gemeinsamen Faktoren erklärt wird. iv) Geben Sie die Varianzen an, die durch die einzelnen Faktoren erklärt werden. Berechnen Sie auch die entsprechenden Anteile und kumulierten Anteile. c) Johnson und Wichern führen eine Rotation der beiden ersten Faktoren durch. Sie geben die geschätzten Faktorladungen f 1, f 2 und die geschätzten, gedrehten Faktorladungen f1, f 2 wie folgt an: Variable f 1 f 2 f1 f2 Taste Good buy for money Flavor Suitable for snack Provides lots of energy
9 Übungen zu Multivariate Verfahren WS 2009/10 9 i) Stellen Sie die Faktorladungen und die rotierten Faktorladungen grafisch dar. ii) Bestimmen Sie den Drehwinkel α, indem Sie zunächst cos(α), dann α im Bogenmaß und schließlich in Grad angeben. Beachten Sie, dass die Faktorladungen gedreht und (an der Abszisse) gespiegelt wurden. iii) Versuchen Sie die Faktoren zu interpretieren. Aufgabe 18 Der zufällige Vektor Y t = (Y 1, Y 2, Y 3 ) besitze eine dreidimensionale Normalverteilung mit Erwartungswertvektor µ, wobei µ t = (1, 2, 3), und Kovarianzmatrix Σ (vergleiche Aufgabe 11). Σ = a) Bestimmen Sie eine Transformation, die Y in U überführt mit U N 3 (0; I), wobei I eine dreidimensionale Einheitsmatrix ist. b) Jetzt gelte U N 3 (0; I). Bestimmen Sie eine Transformation, die U in Y mit der oben angegebenen Verteilung überführt. c) Überprüfen Sie Ihre Ergebnisse durch Simulationen in R mit einer geeeigneten Funktion aus dem R-Package mvtnorm oder mnormt. Aufgabe 19 Leiten Sie die in der Vorlesung für die bivariate Normalverteilung angegebenen Resultate E(Y 1 Y 2 = y 2 ) = µ 1 + ρ σ 1 σ 2 (y 2 µ 2 ) und Var(Y 1 Y 2 = y 2 ) = σ 2 1 (1 ρ2 ) aus den ebenfalls dort angegebenen allgemeinen Formeln ( ) her. Aufgabe 20 Zeigen Sie durch Berechnungen in R, dass die in der Vorlesung angebene Beziehung K α/2 t α/2 (n 1) gültig ist. Warum ist dieses Resultat plausibel? Aufgabe 21 Verwenden Sie die Datei kuh.dat und darin die drei Variablen MKG, EKG FKG. und a) Greifen Sie einige aufgrund der früheren grafischen Darstellung besonders interessante Betriebe heraus und prüfen Sie, ob die Milchleistungen in diesen Betrieben signifikant von den durchschnittlichen Leistungen abweichen. b) Berechnen Sie simultane Konfidenzintervalle für die Erwartungswerte dieser drei Variablen zur Konfidenzwahrscheinlichkeit 1 α = 0.95.
10 10 Übungen zu Multivariate Verfahren WS 2009/10 c) Berechnen Sie auch Konfidenzintervalle mit den Quantilen der t-verteilung. Begründen Sie die unterschiedlichen Ergebnisse. Aufgabe 22 Überprüfen Sie die Hypothese, dass Studierende Idealgewicht haben (vergleiche das Beispiel der Vorlesung). Aufgabe 23 Betrachten Sie die drei Variablen MKG, EKG, FKG aus dem Datensatz kuh.dat. Man sagt, dass Milch in der Regel 4% Fett und 3,5% Eiweiß enthält. Läßt sich diese Regel mit dem vorhandenen Datensatz bestätigen oder eher widerlegen? Aufgabe 24 Betrachten Sie die Variablen Groesse und Schuh bei männlichen und weiblichen Studierenden. a) Bestimmen Sie den 95%-Konfidenzbereich für die Differenzen der Erwartungswerte. b) Stellen Sie diesen Konfidenzbereich grafisch dar. c) Berechnen Sie simultane Konfidenzintervalle. Aufgabe 25 In der Vorlesung wurde eine Diskriminanzanalyse für die Datensätze teil01m.frame und teil01w.frame durchgeführt. a) Berechnen Sie die Anteile der Fehlklassifikationen in beiden Datensätzen und den Gesamtanteil der Fehlklassifikationen. b) In der Vorlesung wurde mit k = gerechnet. Unter welchen Bedingungen würde k = 0 gelten? c) Führen Sie die Berechnungen mit k = 0 durch. Aufgabe 26 Die Beobachtung x 0 soll einer von drei Populationen P 1, P 2 oder P 3 zugeordnet werden. Die Kosten einer Fehlzuordnung seien durch die Matrix C = (C ij = C(i j)) = gegeben. Die Apriori-Wahrscheinlichkeiten seien: π 1 = 0.05 π 2 = 0.60 π 3 = 0.35 Die Werte der gemeinsamen Dichtefunktion an der Stelle x 0 seien: f 1 (x 0 ) = 0.01 f 2 (x 0 ) = 0.85 f 3 (x 0 ) = 2 Berechnen Sie die in der Vorlesung definierten Diskriminanzwerte w i. (Beachten Sie, dass keine Normalverteilung vorausgesetzt wurde!) Welcher Population würden Sie die Beobachtung x 0 zuordnen?
11 Übungen zu Multivariate Verfahren WS 2009/10 11 Aufgabe 27 Die folgende Tabelle enthält fünf diagnostische Tests zur Aufdeckung einer schwerwiegenden Erkrankung. Die Patienten der Gruppe K leiden an dieser Erkrankung. Die Patienten der Gruppe B haben weniger ernsthafte Beschwerden mit ähnlichen Symptomen. Die letzte Spalte der Tabelle enthält die Werte von Fishers linearer Diskriminanzfunktion (FLD). Gruppe Patient Test FLD B Mittelwert K Mittelwert a) Beschreiben Sie, wie Sie in diesem Fall mit Hilfe der linearen Diskriminanzfunktion von Fisher entscheiden würden. b) Geben Sie dazu auch genau den Wert an, der zwischen den beiden Gruppen trennt. c) Wie viele der 10 Patienten werden der falschen Gruppe zugeordnet?
Klausur 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
Mehr2.1 Gemeinsame-, Rand- und bedingte Verteilungen
Kapitel Multivariate Verteilungen 1 Gemeinsame-, Rand- und bedingte Verteilungen Wir hatten in unserer Datenmatrix m Spalten, dh m Variablen Demnach brauchen wir jetzt die wichtigsten Begriffe für die
Mehr6.1 Definition der multivariaten Normalverteilung
Kapitel 6 Die multivariate Normalverteilung Wir hatten die multivariate Normalverteilung bereits in Abschnitt 2.3 kurz eingeführt. Wir werden sie jetzt etwas gründlicher behandeln, da die Schätzung ihrer
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
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrGrundzüge der Faktorenanalyse
SEITE Grundzüge der Faktorenanalyse Bei der Faktorenanalyse handelt es sich um ein Verfahren, mehrere Variablen durch möglichst wenige gemeinsame, hinter ihnen stehende Faktoren zu beschreiben. Beispiel:
MehrVorlesung 8a. Kovarianz und Korrelation
Vorlesung 8a Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X, Y ] := E [ (X EX)(Y EY ) ] Insbesondere
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrKapitel 5. Faktorenanalyse. 5.1 Einführung. 5.2 Das Modell der Faktorenanalyse
Kapitel 5 Faktorenanalyse 51 Einführung Die Faktorenanalyse ist wie die Hauptkomponentenanlyse eine variablenorientierte Methode, die dann angebracht ist, wenn die Variablen gleichwertig sind, dh wenn
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
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
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2011
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2011 Es können von den Antworten alle, mehrere oder keine Antwort(en) richtig sein. Nur bei einer korrekten Antwort (ohne Auslassungen
Mehr11.4 Korrelation. Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient
11.4 Korrelation Def. 44 Es seien X 1 und X 2 zwei zufällige Variablen, für die gilt: 0 < σ X1,σ X2 < +. Dann heißt der Quotient (X 1,X 2 ) = cov (X 1,X 2 ) σ X1 σ X2 Korrelationskoeffizient der Zufallsgrößen
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
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)
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 13 a) Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Die Variablen sollten hoch miteinander korrelieren. Deshalb sollten die einfachen Korrelationskoeffizienten hoch ausfallen.
MehrMathematik IV für Maschinenbau und Informatik (Stochastik) Universität Rostock, Institut für Mathematik Sommersemester 2007
Mathematik IV für Maschinenbau und Informatik Stochastik Universität Rostock, Institut für Mathematik Sommersemester 007 Prof. Dr. F. Liese Dipl.-Math. M. Helwich Serie Termin: 9. Juni 007 Aufgabe 3 Punkte
MehrMC-Serie 11: Eigenwerte
D-ERDW, D-HEST, D-USYS Mathematik I HS 14 Dr. Ana Cannas MC-Serie 11: Eigenwerte Einsendeschluss: 12. Dezember 2014 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrInhaltsverzeichnis. 2 Kurzbeschreibung von SPSS Der SPSS-Dateneditor Statistische Analysen mit SPSS DieDaten...
Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R... 3 1.1 Installieren und Starten von R... 3 1.2 R-Befehleausführen... 3 1.3 R-Workspace speichern... 4 1.4 R-History sichern........ 4 1.5
MehrÜ b u n g s b l a t t 13
Einführung in die Stochastik Sommersemester 06 Dr. Walter Oevel 5. 6. 006 Ü b u n g s b l a t t 3 Mit und gekennzeichnete Aufgaben können zum Sammeln von Bonuspunkten verwendet werden. Lösungen von -Aufgaben
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrMatrizen, Determinanten, lineare Gleichungssysteme
Matrizen, Determinanten, lineare Gleichungssysteme 1 Matrizen Definition 1. Eine Matrix A vom Typ m n (oder eine m n Matrix, A R m n oder A C m n ) ist ein rechteckiges Zahlenschema mit m Zeilen und n
MehrI. Deskriptive Statistik 1
I. Deskriptive Statistik 1 1. Einführung 3 1.1. Grundgesamtheit und Stichprobe.................. 5 1.2. Merkmale und Verteilungen..................... 6 1.3. Tabellen und Grafiken........................
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
MehrAnpassungstests VORGEHENSWEISE
Anpassungstests Anpassungstests prüfen, wie sehr sich ein bestimmter Datensatz einer erwarteten Verteilung anpasst bzw. von dieser abweicht. Nach der Erläuterung der Funktionsweise sind je ein Beispiel
MehrRegression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate
Regression ein kleiner Rückblick Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate 05.11.2009 Gliederung 1. Stochastische Abhängigkeit 2. Definition Zufallsvariable 3. Kennwerte 3.1 für
MehrÜbung zu Empirische Ökonomie für Fortgeschrittene SS 2009
Übung zu Empirische Ökonomie für Fortgeschrittene Steen Elstner, Klaus Wohlrabe, Steen Henzel SS 9 1 Wichtige Verteilungen Die Normalverteilung Eine stetige Zufallsvariable mit der Wahrscheinlichkeitsdichte
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
Mehr6. Faktorenanalyse (FA) von Tests
6. Faktorenanalyse (FA) von Tests 1 6. Faktorenanalyse (FA) von Tests 1 6.1. Grundzüge der FA nach der Haupkomponentenmethode (PCA) mit anschliessender VARIMAX-Rotation:... 2 6.2. Die Matrizen der FA...
MehrGrundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler
Grundlagen der Mathematik, der Statistik und des Operations Research für Wirtschaftswissenschaftler Von Professor Dr. Gert Heinrich 3., durchgesehene Auflage R.Oldenbourg Verlag München Wien T Inhaltsverzeichnis
MehrKapitel 12 Stetige Zufallsvariablen Dichtefunktion und Verteilungsfunktion. stetig. Verteilungsfunktion
Kapitel 12 Stetige Zufallsvariablen 12.1. Dichtefunktion und Verteilungsfunktion stetig Verteilungsfunktion Trägermenge T, also die Menge der möglichen Realisationen, ist durch ein Intervall gegeben Häufig
MehrKapitel 4. Hauptkomponentenanalyse. 4.1 Einführung. 4.2 Herleitung der Hauptkomponenten
Kapitel 4 Hauptkomponentenanalyse 4. Einführung Die Hauptkomponentenanalyse ist eine variablenorientierte Methode, die, wie die Faktorenanalyse auch, versucht, die Originalvariablen durch eine kleinere
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
MehrEinführung in SPSS. Sitzung 5: Faktoranalyse und Mittelwertsvergleiche. Knut Wenzig. 22. Januar 2007
Sitzung 5: Faktoranalyse und Mittelwertsvergleiche 22. Januar 2007 Verschiedene Tests Anwendungsfall und Voraussetzungen Anwendungsfall Mehrere Variablen, die Gemeinsamkeiten haben, werden gebündelt. (Datenreduktion)
Mehr17. Januar Ruhr-Universität Bochum. Methodenlehre III, WS 2010/2011. Prof. Dr. Holger Dette. 1. Matrizenrechnung. 2.
Ruhr-Universität Bochum 17. Januar 2011 1 / 232 Methodenlehre III NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
MehrModulklausur Multivariate Verfahren
Name, Vorname Matrikelnummer Modulklausur 31821 Multivariate Verfahren Datum Punkte Note Termin: 28. März 2014, 9.00-11.00 Uhr Erstprüfer: Univ.-Prof. Dr. H. Singer Hinweise zur Bearbeitung der Modulklausur
MehrKapitel 5. Eigenwerte. Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich der Produktion ist, d.h. wenn.
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2016/17 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
Mehr7.2 Moment und Varianz
7.2 Moment und Varianz Def. 21 Es sei X eine zufällige Variable. Falls der Erwartungswert E( X p ) existiert, heißt der Erwartungswert EX p p tes Moment der zufälligen Variablen X. Es gilt dann: + x p
MehrKapitel 3. Erste Schritte der Datenanalyse. 3.1 Einlesen und Überprüfen der Daten
Kapitel 3 Erste Schritte der Datenanalyse 3.1 Einlesen und Überprüfen der Daten Nachdem die Daten erfasst worden sind, etwa mit Hilfe eines Fragebogens, ist die nächste Frage, wie ich sie in den Rechner
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrKlausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik. 7. Februar 2008
L. Fahrmeir, G. Walter Department für Statistik Bitte für die Korrektur freilassen! Aufgabe 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit Wahlfach Statistik 7. Februar 8 Hinweise:. Überprüfen
Mehr3.6 Eigenwerte und Eigenvektoren
3.6 Eigenwerte und Eigenvektoren 3.6. Einleitung Eine quadratische n n Matrix A definiert eine Abbildung eines n dimensionalen Vektors auf einen n dimensionalen Vektor. c A x c A x Von besonderem Interesse
MehrCopula Funktionen. Eine Einführung. Nils Friewald
Copula Funktionen Eine Einführung Nils Friewald Institut für Managementwissenschaften Abteilung Finanzwirtschaft und Controlling Favoritenstraße 9-11, 1040 Wien friewald@imw.tuwien.ac.at 13. Juni 2005
Mehr5.1 Determinanten der Ordnung 2 und 3. a 11 a 12 a 21 a 22. det(a) =a 11 a 22 a 12 a 21. a 11 a 21
5. Determinanten 5.1 Determinanten der Ordnung 2 und 3 Als Determinante der zweireihigen Matrix A = a 11 a 12 bezeichnet man die Zahl =a 11 a 22 a 12 a 21. Man verwendet auch die Bezeichnung = A = a 11
MehrVorbereitung auf 3. Übungsblatt (Präsenzübungen) - Lösungen
Prof Dr Rainer Dahlhaus Statistik 1 Wintersemester 2016/2017 Vorbereitung auf Übungsblatt (Präsenzübungen) - Lösungen Aufgabe P9 (Prognosen und Konfidenzellipsoide in der linearen Regression) Wir rekapitulieren
MehrKapitel 3 Schließende Statistik
Beispiel 3.4: (Fortsetzung Bsp. 3.) bekannt: 65 i=1 X i = 6, also ˆp = X = 6 65 = 0, 4 Überprüfen der Voraussetzungen: (1) n = 65 30 () n ˆp = 6 10 (3) n (1 ˆp) = 39 10 Dr. Karsten Webel 194 Beispiel 3.4:
MehrStatistik. Datenanalyse mit EXCEL und SPSS. R.01denbourg Verlag München Wien. Von Prof. Dr. Karlheinz Zwerenz. 3., überarbeitete Auflage
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz 3., überarbeitete Auflage R.01denbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt
MehrKlausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik II (mit Kurzlösung) Sommersemester 2013 Aufgabe 1 In einer Urne
MehrKapitel 10 Mittelwert-Tests Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests
Kapitel 10 Mittelwert-Tests 10.1 Einstichproben-Mittelwert-Tests 10.2 Zweistichproben Mittelwert-Tests 10.1 Einstichproben- Mittelwert-Tests 10.1.1 Einstichproben- Gauß-Test Dichtefunktion der Standard-Normalverteilung
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrÜbungsaufgaben. zahlen bis auf das 3. und 7. Element enthält. (e) Erstellen Sie einen Vektor. zahlen3, der ein Klon von
Kurzeinführung in R Prof. Dr. Andreas Behr 1. Erzeugen Sie folgende Vektoren: (a) a : {1, 3, 7} Übungsaufgaben (b) b : { Katja, Christoph, Gerald, Jurij } (c) d : {T RUE, T RUE, F ALSE} 2. Erzeugen Sie
MehrStatistik. Datenanalyse mit EXCEL und SPSS. Prof. Dr. Karlheinz Zwerenz. R.Oldenbourg Verlag München Wien. Von
Statistik Datenanalyse mit EXCEL und SPSS Von Prof. Dr. Karlheinz Zwerenz R.Oldenbourg Verlag München Wien Inhalt Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL I GRUNDLAGEN
MehrMathematik in den Life Siences
Gerhard Keller Mathematik in den Life Siences Grundlagen der Modellbildung und Statistik mit einer Einführung in die Statistik-Software R 49 Abbildungen Verlag Eugen Ulmer Stuttgart Inhaltsverzeichnis
MehrEinführung in die computergestützte Datenanalyse
Karlheinz Zwerenz Statistik Einführung in die computergestützte Datenanalyse 6., überarbeitete Auflage DE GRUYTER OLDENBOURG Vorwort Hinweise zu EXCEL und SPSS Hinweise zum Master-Projekt XI XII XII TEIL
MehrInhaltsverzeichnis. Teil I Einführung
Inhaltsverzeichnis Teil I Einführung 1 Statistik-Programme... 1.1 Kleine Einführung in R... 1.1.1 Installieren und Starten von R. 1.1.2 R-Konsole... 1.1.3 R-Workspace... 1.1.4 R-History... 1.1.5 R-Skripteditor...
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
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:
MehrEinführung 17. Teil I Kopfüber eintauchen in die Statistik 23. Kapitel 1 Kategoriale Daten zusammenfassen: Häufigkeiten und Prozente 25
Inhaltsverzeichnis Einführung 17 Über dieses Buch 17 Törichte Annahmen über den Leser 19 Wie dieses Buch aufgebaut ist 19 Teil I: Kopfüber eintauchen indie Statistik 19 Teil II: Von Wahrscheinlichkeiten,
MehrProseminar Lineare Algebra II, SS 11. Blatt
Blatt 1 1. Berechnen Sie die Determinante der Matrix 0 0 4 1 2 5 1 7 1 2 0 3 1 3 0 α. 2. Stellen Sie folgende Matrix als Produkt von Elementarmatrizen dar: 1 3 1 4 2 5 1 3 0 4 3 1. 3 1 5 2 3. Seien n 2
MehrVariante A. Hinweise
Lehrstuhl C für Mathematik (Analsis Prof. Dr. Y. Guo Aachen, den 6..3 Klausur zur Höheren Mathematik I WS /3 Variante A Hinweise Zugelassene Hilfsmittel: Als Hilfsmittel zugelassen sind handschriftliche
MehrKlausur Statistik I. Dr. Andreas Voß Wintersemester 2005/06
Klausur Statistik I Dr. Andreas Voß Wintersemester 2005/06 Hiermit versichere ich, dass ich an der Universität Freiburg mit dem Hauptfach Psychologie eingeschrieben bin. Name: Mat.Nr.: Unterschrift: Bearbeitungshinweise:
MehrTest auf den Erwartungswert
Test auf den Erwartungswert Wir interessieren uns für den Erwartungswert µ einer metrischen Zufallsgröße. Beispiele: Alter, Einkommen, Körpergröße, Scorewert... Wir können einseitige oder zweiseitige Hypothesen
MehrMultivariate Verfahren
Selbstkontrollarbeit 2 Multivariate Verfahren Musterlösung Aufgabe 1 (28 Punkte) Der Marketing-Leiter einer Lebensmittelherstellers möchte herausfinden, mit welchem Richtpreis eine neue Joghurt-Marke auf
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
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
Mehr1. Übungsblatt zu Wahrscheinlichkeitsrechnung und Statistik in den Ingenieurswissenschaften
1. Übungsblatt zu Aufgabe 1: In R können die Logarithmen zu verschiedenen Basen mit der Funktion log berechnet werden, wobei im Argument base die Basis festgelegt wird. Plotten Sie die Logarithmusfunktion
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
Mehr1 Dichte- und Verteilungsfunktion
Tutorium Yannick Schrör Klausurvorbereitungsaufgaben Statistik Lösungen Yannick.Schroer@rub.de 9.2.26 ID /455 Dichte- und Verteilungsfunktion Ein tüchtiger Professor lässt jährlich 2 Bücher drucken. Die
MehrÜbungsaufgaben zu Statistik II
Übungsaufgaben zu Statistik II Prof. Dr. Irene Prof. Dr. Albrecht Ungerer Die Kapitel beziehen sich auf das Buch: /Ungerer (2016): Statistik für Wirtschaftswissenschaftler Springer Gabler 4 Übungsaufgaben
MehrStatistik für Ökonomen
Wolfgang Kohn Riza Öztürk Statistik für Ökonomen Datenanalyse mit R und SPSS 2., überarbeitete Auflage 4ü Springer Gabler Inhaltsverzeichnis Teil I Einführung 1 Kleine Einführung in R '! 3 1.1 Installieren
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 60 Angewandte Multivariate Statistik Principal Components Analysis Standardisierte Linearkombination
MehrMessen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse
Messen im psychologischen Kontext II: Reliabilitätsüberprüfung und explorative Faktorenanalyse Dominik Ernst 26.05.2009 Bachelor Seminar Dominik Ernst Reliabilität und explorative Faktorenanalyse 1/20
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrFaktorenanalyse Beispiel
Faktorenanalyse Zweck der Faktorenanalyse ist die Dimensionsreduktion einer gegebenen Variablenanzahl, d. h. also die Zusammenfassung vorhandener Variablen zu wenigen latenten, i. d. R. voneinander unabhängigen
MehrEinführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS. Datenanalyse HS09 Susan Kriete Dodds 18. November 2009
Einführung in die Hauptkomponentenanalyse und Faktorenanalyse mit SPSS Datenanalyse HS09 Susan Kriete Dodds 18. November 2009 Hauptkomponentenanalyse Öffne die Datei Kamera.csv Analysieren > Dimensionsreduzierung
MehrGemeinsame Wahrscheinlichkeitsverteilungen
Gemeinsame Wahrscheinlichkeitsverteilungen Worum geht es in diesem Modul? Gemeinsame Wahrscheinlichkeits-Funktion zweier Zufallsvariablen Randverteilungen Bedingte Verteilungen Unabhängigkeit von Zufallsvariablen
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrP (X = 2) = 1/36, P (X = 3) = 2/36,...
2.3 Zufallsvariablen 2.3 Zufallsvariablen Meist sind die Ereignisse eines Zufallseperiments bereits reelle Zahlen. Ist dies nicht der Fall, kann man Ereignissen eine reelle Zahl zuordnen. Zum Beispiel
MehrVorlesung 8b. Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten
Vorlesung 8b Bedingte Erwartung, bedingte Varianz, bedingte Verteilung, bedingte Wahrscheinlichkeiten 1 Wie gehabt, denken wir uns ein zufälliges Paar X = (X 1,X 2 ) auf zweistufige Weise zustande gekommen:
Mehr1 Gemischte Lineare Modelle
1 Gemischte Lineare Modelle Wir betrachten zunächst einige allgemeine Aussagen für Gemischte Lineare Modelle, ohne zu tief in die mathematisch-statistische Theorie vorzustoßen. Danach betrachten wir zunächst
Mehr8. Stetige Zufallsvariablen
8. Stetige Zufallsvariablen Idee: Eine Zufallsvariable X ist stetig, falls ihr Träger eine überabzählbare Teilmenge der reellen Zahlen R ist. Beispiel: Glücksrad mit stetigem Wertebereich [0, 2π] Von Interesse
MehrGlossar Statistik 2. Bivariate Verfahren: zwei nummerische Merkmale
Glossar Statistik 2 Bivariate Verfahren: zwei nummerische Merkmale Streudiagramm - Datenpaare (X, Y) als Punkte auf einem zweidimensionale Diagramm (Ordinate: Y, Abszisse: X) Lineare Regression - Optimierungsproblem
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
Mehr4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren)
4. Schließende Statistik (Inferenzstatistik, konfirmatorische Verfahren) 4.1. Einführung Schätzen unbekannter Parameter im Modell, z.b. Wahrscheinlichkeiten p i (Anteile in der Gesamtmenge), Erwartungswerte
MehrBiomathematik für Mediziner, Klausur SS 2001 Seite 1
Biomathematik für Mediziner, Klausur SS 2001 Seite 1 Aufgabe 1: Von den Patienten einer Klinik geben 70% an, Masern gehabt zu haben, und 60% erinnerten sich an eine Windpockeninfektion. An mindestens einer
MehrAussagenlogik. Lehrstuhl für BWL, insb. Mathematik und Statistik Prof. Dr. Michael Merz Mathematik für Betriebswirte I Wintersemester 2015/2016
Aussagenlogik 1. Gegeben seien folgende Aussagen: A: 7 ist eine ungerade Zahl B: a + b < a + b, a, b R C: 2 ist eine Primzahl D: 7 7 E: a + 1 b, a, b R F: 3 ist Teiler von 9 Bestimmen Sie den Wahrheitswert
Mehr1 Lineare Algebra. 1.1 Matrizen und Vektoren. Slide 3. Matrizen. Eine Matrix ist ein rechteckiges Zahlenschema
1 Lineare Algebra 1.1 Matrizen und Vektoren Slide 3 Matrizen Eine Matrix ist ein rechteckiges Zahlenschema eine n m-matrix A besteht aus n Zeilen und m Spalten mit den Matrixelementen a ij, i=1...n und
MehrI. Zahlen, Rechenregeln & Kombinatorik
XIV. Wiederholung Seite 1 I. Zahlen, Rechenregeln & Kombinatorik 1 Zahlentypen 2 Rechenregeln Brüche, Wurzeln & Potenzen, Logarithmen 3 Prozentrechnung 4 Kombinatorik Möglichkeiten, k Elemente anzuordnen
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
Mehrb) Bestimmen Sie die Varianz der beiden Schätzer. c) Ist ein oder sind beide Schätzer konsistent? Begründen Sie!
Aufgabe 1 (3 + 3 + 2 Punkte) Ein Landwirt möchte das durchschnittliche Gewicht von einjährigen Ferkeln bestimmen lassen. Dies möchte er aus seinem diesjährigen Bestand an n Tieren schätzen. Er kann dies
MehrInstitut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg. PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004
Institut für Statistik und Mathematische Wirtschaftstheorie Universität Augsburg PROGNOSE II - Vertiefung Aufgaben und Lösungen Sommersemester 2004 Aufgabe 1 U t bedeute weißes Rauschen und B den Backshift
Mehr