Pearson- Korrelationskoeffizienten höherer Grade
|
|
- Emil Althaus
- vor 5 Jahren
- Abrufe
Transkript
1 Pearson- Korrelationskoeffizienten höherer Grade Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 13. März 2014 Letzte Revision: 16. März 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Der Lineare Korrelationskoeffizient ρ (1) 3 3 Der Quadratische Korrelationskoeffizient ρ (2) 4 4 Der Kubische Korrelationskoeffizient ρ (3) 5 5 Der Biquadratische Korrelationskoeffizient ρ (4) 6 6 Zusammenfassung und Erwartungen 7 Literatur [001] Keine für vorliegenden Text. 1
2 1 Einleitung [001]ff. Einleitung 1 Einleitung Im Rahmen des Projektes SAW mussten Datenpaare ausgewertet werden. Während dieses Prozesses wurden ebenfalls Regressionen durchgeführt von linear über quadratisch, kubisch bis zu biquadratisch. Gleichfalls wurde eine Elliptische Regression entwickelt. Ein sichtbares Ergebnis dieser Regression ist der Lineare Korrelationskoeffizient ρ (1) unter der Berechnungsgrundlage: ρ (1) a σx σ y Wobei a den Anstieg der Hauptachse der regressierten Ellipse darstellt und σ x bzw. σ y die Standardabweichungen der Datenwerte X und Y. Nutzt man die Grundlage nach Pearson zur Ermittlung des Linearen Korrelationskoeffizienten, dann lässt sich ρ (1) berechnen über: ρ (1) Cov (X; Y ) σ x σ y Der Wert Cov ist hier die Kovarianz zwischen X und Y. Beide Gleichungen für ρ (1) zusammen gefasst, zeigen folgenden Zusammenhang: V ar (X) ist die Varianz von X. a Wobei E ( ) der Erwartungswert ist. a σ 2 x Cov (X; Y ) a V ar (X) Cov (X; Y ) a Cov (X; Y ) V ar (X) E [(X E (X)) (Y E (Y ))] E (X 2 ) E 2 (X) Der Lineare Korrelationskoeffizient ρ (1) ist ein Repräsentant für den Grad des linearen Zusammenhangs zwischen zwei Merkmalen. Er nimmt Werte zwischen -1 und +1 an. Bei ±1 besteht ein vollständiger linearer Zusammenhang. Gilt ρ (1) 0 liegt keine Abhängigkeit voneinander vor. Dies gilt jedoch nur für lineare Abhängigkeiten, so kann Merkmal 1 und Merkmal 2 durchaus nichtlinear zusammen hängen, obwohl ρ (1) 0. Daher ist der Lineare Korrelationskoeffizient nicht geeignet zur Untersuchung für vollständig stochastische Abhängigkeiten. Die Nutzung von ρ (1) verlangt einige Voraussetzungen, welche hier als erfüllt gelten. Der Anstieg a liegt linear vor. Im weiteren Verlauf dieses Arbeitsblattes wird eine Möglichkeit beschrieben um polynomiale Funktionen für die Hauptachse der Elliptischen Regression nutzen zu können und somit auch Korrelationskoeffizienten höherer Grade zu berechnen. 2
3 2 Der Lineare Korrelationskoeffizient ρ (1) 2 Der Lineare Korrelationskoeffizient ρ (1) Lineare Mit den Datenpaaren X und Y ist eine Lineare Regression durchgeführt worden. Damit liegt eine Berechnungsgrundlage folgender Form vor. Korrelation y B x + A Y i y i X i x i Ebenso wurde ein Linearer Korrelationskoeffizient berechnet. Die Voraussetzungen für diese Berechnung sind gegeben. Aus der Elliptischen Regression ist der Lineare Korrelationskoeffizient vorab schon bekannt. ρ (1) 0, 66 Die Berechnung von ρ (1) ist einfach durchführbar mit den bekannten elementaren Mitteln n x i y i X i Y i X i - X M Y i - Y M , , , , , , , , 25 Mittelwerte: (X i - X M ) 2 (Y i - Y M ) 2 (X i - X M ) (Y i - Y M ) Standardabweichungen: σ X X M Y M , , 905 σ Y 262, 224 Kovarianz: Cov(X, Y ) , 5 Linearer Korrelationskoeffizient: ρ (1) Cov (X, Y ) 720, 5 0, 66 σ X σ Y 33, , 224 3
4 3 Der Quadratische Korrelationskoeffizient ρ (2) Quadratische Korrelation 3 Der Quadratische Korrelationskoeffizient ρ (2) Mit den Datenpaaren X und Y ist eine Quadratische Regression durchgeführt worden. Damit liegt eine Berechnungsgrundlage folgender Form vor. y C x 2 + B x + A y C x 2 B x + A Y i y i C x i X i B x i + A Die Voraussetzungen für die Berechnung des Korrelationskoeffizienten sind gegeben. Das Ergebnis der Quadratischen Regression: y 454, x 2 0, 046 x + 195, 71 C +454, B 0, 046 A +195, 71 n x i y i X i Y i X i - X M Y i - Y M , , , , , , , , , , , , , , , 673-1, , , 653-3, 54-30, , , 751-9, 769-7, , , , , , , 594-2, 431-7, , , (X i - X M ) 2 (Y i - Y M ) 2 (X i - X M ) (Y i - Y M ) +759, , , , , , , , , , , , , , , , , , , , , , , , , , , 703 Mittelwerte: X M 1295, , 933 Y M 1295, , 940 Standardabweichungen: 274, ,303 σ X 1, 65 σ Y 11, 597 Kovarianz: Cov(X, Y ) Quadratischer Korrelationskoeffizient: ρ (2) 274, , 0 Cov (X, Y ) 34, 0 0, 157 σ X σ Y 1, 65 11, 597 4
5 4 Der Kubische Korrelationskoeffizient ρ (3) 4 Der Kubische Korrelationskoeffizient ρ (3) Kubische Mit den Datenpaaren X und Y ist eine Kubische Regression durchgeführt worden. Damit liegt eine Berechnungsgrundlage folgender Form vor. Korrelation y D x 3 + C x 2 + B x + A y D x 3 C x 2 B x + A Y i y i D x 3 i C x2 i X i B x i + A Die Voraussetzungen für die Berechnung des Korrelationskoeffizienten sind gegeben. Das Ergebnis der Kubischen Regression: y 1, x 3 0, 029 x 2 + 1, 901 x 70, 611 D 1, C 0, 029 B 1, 901 A 70, 611 n x i y i X i Y i X i - X M Y i - Y M , , , , , , , , (X i - X M ) 2 (Y i - Y M ) 2 (X i - X M ) (Y i - Y M ) +1, , , , , , , , , , , , , , , , , , , , , , , , , , , Mittelwerte: Standardabweichungen: Kovarianz: σ X X M , 5 Y M , 375 4, , 726 σ Y Cov(X, Y ) Kubischer Korrelationskoeffizient: ρ (3) 4, , , 01 0, Cov (X, Y ) 0, , 990 σ X σ Y 729, , 01 5
6 5 Der Biquadratische Korrelationskoeffizient ρ (4) Biquadratische Korrelation 5 Der Biquadratische Korrelationskoeffizient ρ (4) Mit den Datenpaaren X und Y ist eine Biquadratische Regression durchgeführt worden. Damit liegt eine Berechnungsgrundlage folgender Form vor. y E x 4 + D x 3 + C x 2 + B x + A y E x 4 D x 3 C x 2 B x + A Y i y i E x 4 i D x3 i C x2 i X i B x i + A Die Voraussetzungen für die Berechnung des Korrelationskoeffizienten sind gegeben. Das Ergebnis der Biquadratischen Regression: y 5, x , x 3 0, 0161 x 2 + 6, 450 x 514, 21 E 5, D +15, C 0, 0161 B +6, 450 A 514, 21 n x i y i X i Y i X i - X M Y i - Y M (X i - X M ) 2 (Y i - Y M ) 2 (X i - X M ) (Y i - Y M ) +13, , , , , , , , , , , , , , , , , , , , , , , , , , , Mittelwerte: Standardabweichungen: σ X X M , 25 Y M , , , 103 σ Y 4, , 229 Kovarianz: 49, Cov(X, Y ) 6, Biquadratischer Korrelationskoeffizient: ρ (4) Cov (X, Y ) 6, , 999 σ X σ Y 2476, , 229 6
7 6 Zusammenfassung und Erwartungen 6 Zusammenfassung und Erwartungen Da eine Polynomregression höherer Grade die vorhandenen Daten x i und y i immer besser widerspiegeln kann, ist zu erwarten das gilt: Zusammenfassung lim n + p(n) 1 Es sei denn, dass die vorhandenen Daten schon beim Linearen Korrelationskoeffizenten eine völlige Unabhängigkeit voneinander anzeigen. ρ (1) 0 Als Kontrolle der Richtigkeit der einzelnen Werte ρ (1), σ X und σ Y kann die Berechnungsgrundlage von ρ (1) aus der Elliptischen Regression heran gezogen werden. So gilt dort: Damit für den Anstieg a der Hauptachse: ρ (1) a σx σ Y a ρ (1) σy σ X Zu erwarten ist ein Übereinstimmen von a und a (1) beim Linearen Korrelationskoeffizienten mit dem Anstieg aus der Elliptischen Regression und durch die Transformation der Datenwerte x i und y i zu X i ; Y i bei den Korrelationskoeffizienten höherer Grade in den linearen Raum ein a (n>1) 1. Die einzelnen Werte: Lineare Regression: Quadratische Regression: Kubische Regression: Biquadratische Regression: a (1) 0, 66 a (2) 0, 157 a (3) 0, 990 a (4) 0, , 224 0, , , 597 1, 65 0, , 01 1, , , 229 1, , 103 7
8 6 Zusammenfassung und Erwartungen Für die Lineare Exzentrizität ε L einer Ellipse ist bekannt: Weiterhin ist gegeben: Für vorhandene Werte gilt: ε 2 L e 2 f 2 f 2 σx 2 {f 2 } n e 2 σy 2 {e2 } n f 2 n σ 2 X n { f 2} e 2 n σ 2 Y n { e 2} f 2 σ 2 X e 2 σ 2 Y ε 2 L σ 2 Y σx 2 Grad ε L σx 2 σy 2 Linear 20, , , 375 Quadratisch 117,120 34, , 163 Kubisch 101, Biquadratisch 316, Für die numerische Exzentrizität ε N gilt analog: ε 2 N ε 2 L MAX (σ 2 X ; σ2 Y ) Grad ε N σx 2 σy 2 Linear 0, , , 375 Quadratisch 0,9 34, , 163 Kubisch 0, Biquadratisch 0, L A TEX
Elliptische Regression von Datenpunkten
Elliptische Regression von Datenpunkten Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 17. Oktober 2013 Letzte Revision: 30. April 2014 Inhaltsverzeichnis 1 Die Elliptische Regression im Allgemeinen
MehrDurchführung einer Regression über das Resttermverfahren am Beispiel einer bilogarithmischen Funktion
Durchführung einer Regression über das Resttermverfahren am Beispiel einer bilogarithmischen Funktion Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 21. November 2014 Letzte Revision: 6. Dezember 2014
MehrGibt es ein Maxima des polaren Trägheitsmoments eines Kreisrings?
Gibt es ein Maxima des polaren Trägheitsmoments eines Kreisrings? Dipl.- Ing. Björnstjerne Zindler, M.Sc. Erstellt: 12. Mai 2012 Letzte Revision: 4. April 2015 Inhaltsverzeichnis 1 Berechnung des polaren
Mehr(Lineare) Regression einer modifizierten Mitscherlich- Funktion
(Lineare) Regression einer modifizierten Mitscherlich- Funktion Dipl.- Ing. Björnstjerne Zindler, M.Sc. www.zenithpoint.de Erstellt: 9. Juli Letzte Revision: 27. Juni 2017 Inhaltsverzeichnis 1 Einleitung
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,
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b 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 ist
MehrStatistik. Sommersemester Stefan Etschberger. für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik
Stefan Etschberger für Betriebswirtschaft, Internationales Management, Wirtschaftsinformatik und Informatik Sommersemester 2017 Rechenregeln für den Erwartungswert Ist f symmetrisch bzgl. a, so gilt E(X)
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrMathematik für Naturwissenschaften, Teil 2
Lösungsvorschläge für die Aufgaben zur Vorlesung Mathematik für Naturwissenschaften, Teil Zusatzblatt SS 09 Dr. J. Schürmann keine Abgabe Aufgabe : Eine Familie habe fünf Kinder. Wir nehmen an, dass die
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
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrSchnittpunkt zweier Einzelfunktionen einer zerlegten speziellen bilogarithmischen Funktion
chnittpunkt zweier Einzelfunktionen einer zerlegten speziellen bilogarithmischen Funktion Dipl.- Ing. Björnstjerne Zindler, M.c. Erstellt: 28. Januar 205 Letzte Revision: 5. Februar 205 Inhaltsverzeichnis
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,
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrVorlesung 7b. Kovarianz und Korrelation
Vorlesung 7b 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 ist
MehrEin paar Fehler zuviel. Fehlerfortpflanzung am Beispiel
Ein paar Fehler zuviel Fehlerfortpflanzung am Beispiel Dipl.- Ing. Björnstjerne Zindler, M.Sc. www.zenithpoint.de Erstellt: 20. Januar 2016 Letzte Revision: 20. Januar 2016 Inhaltsverzeichnis 1 Einleitung
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
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
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 ]
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrFormänderungs- und konjugierte Formänderungsenergie
Formänderungs- und konjugierte Formänderungsenergie Dipl.- Ing. Björnstjerne Zindler, M.Sc. www.zenithpoint.de Erstellt: 8. November 01 Letzte Revision: 7. April 015 Inhaltsverzeichnis 1 Einleitung zum
MehrZusammenfassung: diskrete und stetige Verteilungen. Woche 4: Gemeinsame Verteilungen. Zusammenfassung: diskrete und stetige Verteilungen
Zusammenfassung: e und e Verteilungen Woche 4: Gemeinsame Verteilungen Wahrscheinlichkeitsverteilung p() Wahrscheinlichkeitsdichte f () WBL 15/17, 11.05.2015 Alain Hauser P(X = k
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
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
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrKapitel 8. Parameter multivariater Verteilungen. 8.1 Erwartungswerte
Kapitel 8 Parameter multivariater Verteilungen 8.1 Erwartungswerte Wir können auch bei mehrdimensionalen Zufallsvariablen den Erwartungswert betrachten. Dieser ist nichts anderes als der vektor der Erwartungswerte
MehrELEMENTARE EINFÜHRUNG IN DIE MATHEMATISCHE STATISTIK
DIETER RASCH ELEMENTARE EINFÜHRUNG IN DIE MATHEMATISCHE STATISTIK MIT 53 ABBILDUNGEN UND 111 TABELLEN ZWEITE, BERICHTIGTE UND ERWEITERTE AUFLAGE s-~v VEB DEUTSCHER VERLAG DER WISSENSCHAFTEN BERLIN 1970
MehrAlgorithmen für geographische Informationssysteme. 6. Vorlesung: 14. Mai 2014
Algorithmen für geographische Informationssysteme 6. Vorlesung: 14. Mai 2014 Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen P 2 Δh 2,3 = 7.0 m P 3 Δh 1,2 =
MehrStochastik Musterlösung 7
ETH Zürich HS 216 RW, D-MATL, D-MAVT Prof. Dr. Martin Schweizer Koordinator Calypso Herrera Stochastik Musterlösung 7 1. a) Es sind folgende zwei Eigenschaften zu zeigen: f X,Y (x, y) für alle (x, y) R
MehrAusführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6. Streudiagramm
y Aufgabe 3 Ausführliche Lösungen zu ausgewählten Aufgaben von ÜB 5 und 6 a) Zur Erstellung des Streudiagramms zeichnet man jeweils einen Punkt für jedes Datenpaar (x i, y i ) aus der zweidimensionalen
MehrDer Korrelationskoezient nach Pearson
Der Korrelationskoezient nach Pearson 1 Motivation In der Statistik werden wir uns häug mit empirisch erfassten Daten beschäftigen. Um diese auszuwerten, ist es oftmals notwendig einen Zusammenhang zwischen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
MehrWie groß kann ein Baum werden?
Wie groß kann ein Baum werden? Dipl. Ing. Björnstjerne Zindler, M.Sc. www.zenithpoint.de Erstellt: 22. Mai 2013 Letzte Revision: 9. Juni 2015 Inhaltsverzeichnis 1 Einleitung 2 1.1 Vorbetrachtungen....................................
MehrSind f X bzw. f Y die wie auf Folie 242 definierten Dichtefunktionen zur N(µ X, σx 2 )- bzw. N(µ Y, σy 2 )-Verteilung, so gilt (genau) im Fall ρ = 0
Beispiel: Zweidimensionale Normalverteilung I Beispiel: Zweidimensionale Normalverteilung II Wichtige mehrdimensionale stetige Verteilung: mehrdimensionale multivariate Normalverteilung Spezifikation am
MehrDie n-dimensionale Normalverteilung
U. Mortensen Die n-dimensionale Normalverteilung Es wird zunächst die -dimensionale Normalverteilung betrachtet. Die zufälligen Veränderlichen X und Y seien normalverteilt. Gesucht ist die gemeinsame Verteilung
MehrBivariate Regressionsanalyse
Universität Bielefeld 15. März 2005 Kovarianz, Korrelation und Regression Kovarianz, Korrelation und Regression Ausgangspunkt ist folgende Datenmatrix: Variablen 1 2... NI 1 x 11 x 12... x 1k 2 x 21 x
MehrMehrdimensionale Verteilungen und Korrelation
Vorlesung: Computergestützte Datenauswertung Mehrdimensionale Verteilungen und Korrelation Günter Quast Fakultät für Physik Institut für Experimentelle Kernphysik SS '17 KIT Die Forschungsuniversität in
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
Mehr6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale
6 Korrelations- und Regressionsanalyse: Zusammenhangsanalyse stetiger Merkmale 397 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrKapitel 7. Regression und Korrelation. 7.1 Das Regressionsproblem
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandelt die Verteilung einer Variablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem
MehrRegression und Korrelation
Kapitel 7 Regression und Korrelation Ein Regressionsproblem behandeltdie VerteilungeinerVariablen, wenn mindestens eine andere gewisse Werte in nicht zufälliger Art annimmt. Ein Korrelationsproblem dagegen
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger HSA. für Betriebswirtschaft und International Management
Statistik für Betriebswirtschaft und International Management Sommersemester 2014 Prof. Dr. Stefan Etschberger HSA Streuungsparameter Varianz Var(X) bzw. σ 2 : [x i E(X)] 2 f(x i ), wenn X diskret Var(X)
MehrVerteilungen mehrerer Variablen
Kapitel 3 Verteilungen mehrerer Variablen 3. Eigenschaften von Verteilungen mehrerer Variablen Im allgemeinen muss man Wahrscheinlichkeiten für mehrere Variable, die häufig auch voneinander abhängen, gleichzeitig
MehrDrittvariablenkontrolle in der linearen Regression: Trivariate Regression
Drittvariablenkontrolle in der linearen Regression: Trivariate Regression 14. Januar 2002 In der Tabellenanalyse wird bei der Drittvariablenkontrolle für jede Ausprägung der Kontrollvariablen eine Partialtabelle
Mehr1.5 Mehrdimensionale Verteilungen
Poisson eine gute Näherung, da np = 0 und 500p = 5 00 = n. Wir erhalten somit als Näherung Exakte Rechnung ergibt P(2 X 0) = k=2 0 k=2 π (k) = 0,26424. 0 ( ) 00 P(2 X 0) = 0,0 k 0,99 00 k = 0,264238. k.4.2.4
MehrWahrscheinlichkeitsrechnung und Statistik
7. Vorlesung - 2018 Bemerkung: Sei X = X 1,..., X n Zufallsvektor. Der n dimensionale Vektor EX = EX 1,..., EX n ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N0, 1. X, Y sind die Koordinaten
MehrÜbungsrunde 10, Gruppe 2 LVA , Übungsrunde 10, Gruppe 2, Markus Nemetz, TU Wien,
Übungsrunde, Gruppe 2 LVA 7.369, Übungsrunde, Gruppe 2, 9..27 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 9..27 Anmerkung: Viele dieser Lösungsvorschläge stammen aus dem Informatik-Forum, Subforum
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrForschungspraktikum Gruppenbezogene Menschenfeindlichkeit
Forschungspraktikum Gruppenbezogene Menschenfeindlichkeit Reliabilität in der klassischen (psychometrischen) Testtheorie Statistisches Modell Realisierung mit der SPSS-Prozedur Reliability Klassische Testtheorie:
MehrPolynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen
Rückblick Polynomiale Regression lässt sich mittels einer Transformation der Merkmale auf multiple lineare Regression zurückführen Ridge Regression vermeidet Überanpassung, indem einfachere Modelle mit
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
MehrVerfahren zur Überprüfung von Zusammenhangshypothesen
Verfahren zur Überprüfung von Zusammenhangshypothesen 0. Allgemeines Wir haben uns bisher mit Unterschiedshypothesen beschäftigt (Unterschiede von Stichproben in Bezug auf abhängige Variablen). Im Folgenden
MehrSommersemester Marktforschung
Dipl.-Kfm. Sascha Steinmann Universität Siegen Lehrstuhl für Marketing steinmann@marketing.uni-siegen.de Sommersemester 2010 Marktforschung Übungsaufgaben zu den Themen 3-6 mit Lösungsskizzen Aufgabe 1:
MehrStrukturdynamik Prof. Dr. Wandinger. 1.2 Stochastische Lasten. Lösungen. Aus der Definition des Erwartungswerts folgt durch elementare Rechnung:
Strukturdynamik 1.-1 Prof. Dr. Wandinger Aufgabe 1 1. Stochastische Lasten Lösungen Aus der Definition des Erwartungswerts folgt durch elementare Rechnung: Aufgabe E [a g( x)+b h(y)]= =a =a =a ( ( p(x,
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 202 Regressionsgerade und Korrelation Lernumgebung. Teil Hans Walser: Modul 202, Regressionsgerade und Korrelation. Lernumgebung. ii Inhalt Messwertpaare...
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrEinführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management
Einführung in die Statistik für Wirtschaftswissenschaftler für Betriebswirtschaft und Internationales Management Sommersemester 2013 Hochschule Augsburg Lageparameter: Erwartungswert d) Erwartungswert
MehrEmpirische Wirtschaftsforschung
Empirische Wirtschaftsforschung Prof. Dr. Bernd Süßmuth Universität Leipzig Institut für Empirische Wirtschaftsforschung Volkswirtschaftslehre, insbesondere Ökonometrie 1 4. Basiskonzepte der induktiven
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
MehrStatistik mit und ohne Zufall
Christoph Weigand Statistik mit und ohne Zufall Eine anwendungsorientierte Einführung Mit 118 Abbildungen und 10 Tabellen Physica-Verlag Ein Unternehmen von Springer Inhaltsverzeichnis Teil I Deskriptive
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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.
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
MehrDynamische Systeme und Zeitreihenanalyse // Multivariate Normalverteilung und ML Schätzung 11 p.2/38
Dynamische Systeme und Zeitreihenanalyse Multivariate Normalverteilung und ML Schätzung Kapitel 11 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Multivariate
MehrAbhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2.
Abhängigkeitsmaße Seien X 1 und X 2 zwei Zufallsvariablen. Es gibt einige skalare Maße für die Abhängigkeit zwischen X 1 und X 2. Lineare Korrelation Annahme: var(x 1 ),var(x 2 ) (0, ). Der Koeffizient
MehrStatistik in Geodäsie, Geoinformation und Bauwesen
Wilhelm Benning Statistik in Geodäsie, Geoinformation und Bauwesen 2., überarbeitete und erweiterte Auflage Herbert Wichmann Verlag Heidelberg Matrix-Theorie 1 1.1 Matrizen und Vektoren 1 1.2 Matrixverknüpfungen
Mehr4 MEHRDIMENSIONALE VERTEILUNGEN
4 MEHRDIMENSIONALE VERTEILUNGEN 4.14 Stochastische Vektoren 1. Der Merkmalraum des stochastischen Vektors (X, Y ) sei M = R 2. Betrachten Sie die folgenden Ereignisse und ihre Wahrscheinlichkeiten: A 1
MehrBasiswerkzeuge. Kapitel 6. Lernziele. Zeitreihen-Plot. Beschreiben von Zeitreihen. Graphische Darstellungen. Univariate und bivariate Maßzahlen
Kapitel 6 Basiswerkzeuge Josef Leydold c 2006 Mathematische Methoden VI Basiswerkzeuge 1 / 29 Lernziele Beschreiben von Zeitreihen Graphische Darstellungen Univariate und bivariate Maßzahlen Transformationen
MehrGrundlagen der Statistik
www.nwb.de NWB Studium Betriebswirtschaft Grundlagen der Statistik Band 1: Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 12., vollständig überarbeitete Auflage nwb STUDIUM Inhaltsverzeichnis
MehrGrundlagen der Statistik I
NWB-Studienbücher Wirtschaftswissenschaften Grundlagen der Statistik I Beschreibende Verfahren Von Professor Dr. Jochen Schwarze 10. Auflage Verlag Neue Wirtschafts-Briefe Herne/Berlin Inhaltsverzeichnis
MehrZusatzmaterial zur Vorlesung Statistik II
Zusatzmaterial zur Vorlesung Statistik II Dr. Steffi Höse Professurvertretung für Ökonometrie und Statistik, KIT Wintersemester 2011/2012 (Fassung vom 15.11.2011, DVI- und PDF-Datei erzeugt am 15. November
MehrWir basteln uns einen Donner.
Wir basteln uns einen Donner. Björnstjerne Zindler Letzte Revision: 23. Januar 2014 Inhaltsverzeichnis 1 Allgemeines 2 2 Grundlagen 3 2.1 Die Entfernung S (x) eines Blitzes........................... 3
MehrAufgabenblock 3. Durch zählen erhält man P(A) = 10 / 36 P(B) = 3 / 36 P(C) = 18 / 36 und P(A B) = 3 /
Aufgabenblock 3 Aufgabe ) A sei das Ereignis: schwerer Verkehrsunfall B sei das Ereignis: Alkohol ist im Spiel Herr Walker betrachtet die Wahrscheinlichkeit P(B A) = 0.3 und errechnet daraus P(-B A) =
MehrKapitel XI - Korrelationsrechnung
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008 Kapitel XI - Korrelationsrechnung
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrMATHEMATIK 3 STUNDEN
EUROPÄISCHES ABITUR 2013 MATHEMATIK 3 STUNDEN DATUM : 10. Juni 2013, Vormittag DAUER DER PRÜFUNG: 2 Stunden (120 Minuten) ERLAUBTES HILFSMITTEL Prüfung mit technologischem Hilfsmittel 1/6 DE AUFGABE B1
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Oktober 2010 1 Datenpaare Korrelation Lineare Regression Regression im exponentiellen Modell Datenpaare Häufig
Mehr4. Leistungs- und Kreuzleistungsdichtespektren
4. Leistungs- und Kreuzleistungsdichtespektren 23.4.18 Die bereits in Kapitel 1.2 einführten Leistungsdichtespektren werden nun genauer untersucht. Zudem werden Kreuzleistungsdichtespektren eingeführt.
Mehr3 Korrelation und Regression
3 KORRELATION UND REGRESSION 3 Korrelation und Regression Sind zwei Zufallsvariable X und Y unabhängig, so gibt es keinerlei Wechselwirkung zwischen ihnen. Ist ein funktionaler Zusammenhang = f( zwischen
Mehri =1 i =2 i =3 x i y i 4 0 1
Aufgabe (5+5=0 Punkte) (a) Bei einem Minigolfturnier traten 6 Spieler gegeneinander an. Die Anzahlen der von ihnen über das gesamte Turnier hinweg benötigten Schläge betrugen x = 24, x 2 = 27, x = 2, x
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt 2. Stock, Nordflügel R. 02-429 (Persike) R. 02-431 (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de http://psmet03.sowi.uni-mainz.de/
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrPrognoseintervalle für y 0 gegeben x 0
10 Lineare Regression Punkt- und Intervallprognosen 10.5 Prognoseintervalle für y 0 gegeben x 0 Intervallprognosen für y 0 zur Vertrauenswahrscheinlichkeit 1 α erhält man also analog zu den Intervallprognosen
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Übung 3 1 Inhalt der heutigen Übung Vorrechnen der Hausübung B.7 Beschreibende Statistik Gemeinsames Lösen der Übungsaufgaben C.1: Häufigkeitsverteilung C.2: Tukey
MehrWoche 2: Zufallsvariablen
Woche 2: Zufallsvariablen Patric Müller ETHZ WBL 17/19, 24.04.2017 Wahrscheinlichkeit und Statistik Patric Müller WBL 2017 Teil III Zufallsvariablen Wahrscheinlichkeit
MehrAnwendungsaufgaben. a. Anhand des Streudiagramms (. Abb. 1) lässt sich ein linearer Zusammenhang vermuten. Aufgabe 1. Anhang 1: Lösungen der Aufgaben
Anhang 1: Lösungen der Aufgaben 15 +1). Korrelationskoeffizienten unterschiedlicher Stichproben oder verschiedener Variablen können so miteinander verglichen werden, was mit der Kovarianz nicht möglich
MehrDatenanalyse. (PHY231) Herbstsemester Olaf Steinkamp
PHY3 Herbstsemester 04 Olaf Steinkamp Physik-Institut der Universität Zürich Winterthurerstrasse 90 CH-8057 Zürich olafs@physik.uzh.ch Büro: 36-J- Tel.: 044-635.57.63 Vorlesungsprogramm Einführung, Messunsicherheiten,
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
Mehr