Modul 14 (BA Bw) bzw. Modul 3 (BA IB) bzw. Modul 4 (BA IBM): Wirtschaftsstatistik Teil 1: Beschreibende Statistik
|
|
- Renate Graf
- vor 6 Jahren
- Abrufe
Transkript
1 Fachhochschule Dortund Wnterseester 2/ Fachberech Wrtschaft Prof. Dr. Laufner Studengänge BA Betrebswrtschaft und BA Internatonal Busness (Manageent) Übungsaufgaben zur Woche Modul 4 (BA Bw) bzw. Modul (BA IB) bzw. Modul 4 (BA IBM): Wrtschaftsstatstk Tel : Beschrebende Statstk Aufgabe.: a) Welche beden Problee hat an be der Klasserung von Daten? b) Was bedeutet de Abkürzung b.u. Rahen der Klasserung von Daten? c) Was versteht an unter ener Systeatk? d) Was versteht an unter offenen Randklassen? e) Besten Se für de Klasse 50 b.u. 80 c de Klassenbrete und de Klassentte. f) Was versteht an unter der WZ 2008? Aufgabe.2: En Merkal X t Merkalsausprägungen (x,, x ) wrd be n Untersuchungsenheten geessen. Beantworten Se für de entsprechende Häufgketsvertelung de folgenden Fragen. a) We groß st h(x )? b) We groß st f(x )? c) Welchen Wert hat H(x ), welchen Wert hat F(x )? Aufgabe.: Vervollständgen Se de folgende Häufgketstabelle. (relatve Häufgketen t ener Nachkoastelle!) Merkalsausprägung x h(x ) f(x ) (%) H(x ) F(x ) (%) 5% % Sue Aufgabe.4: Vervollständgen Se de folgende klasserte Häufgketstabelle. (relatve Häufgketen t ener Nachkoastelle!) Klasse Nr. Usatzklasse (Mo ) Anzahl Flalen h 0 b.u b.u b.u b.u Sue 00 Antel f (%) H F (%)
2 Aufgabe.5: I Rahen ener Marktforschungsstude wurden n = 20 Personen gefragt nach de Geschlecht (w oder ), Alter (40- = "bs unter 40 Jahre" oder 40+ = "40 Jahre und älter") und Markenwahl (Produkt A oder B). Nachfolgend de statstsche Rehe t den Beobachtungswertekobnatonen. (w, A, 40+), (w, B, 40-), (, B, 40+), (w, A, 40-), (, B, 40+), (w, A, 40-), (, B, 40-), (w, A, 40+), (, A, 40+), (w, A, 40-), (, A, 40-), (w, B, 40+), (w, B, 40-), (w, A, 40+), (w, B, 40-), (w, A, 40+), (w, B, 40-), (w, B, 40+), (, B, 40-), (, B, 40+). a) Erstellen Se alle zwedensonalen Häufgketstabellen (Kreuztabellen), de t desen dre Merkalen öglch snd. Besten Se de absoluten Häufgketen der Merkalsausprägungskobnatonen und de dre relatven Häufgketen, de n der Lehrveranstaltung Zusaenhang t der Kreuztabelle besprochen wurden. b) Erstellen Se de dredensonale Häufgketstabelle für de obgen Daten. De absoluten Häufgketen der Merkalsausprägungskobnatonen rechen aus. c) Beantworten Se auf der Bass der n a) und b) erstellten zwe- und dredensonalen Häufgketstabellen de folgenden Fragen: ) Wevel % der Männer kaufen Produkt B? 2) Wevel % der B-Käufer snd Männer? ) Wevel % der Befragten snd Männer und B-Käufer? 4) Wevel % der Befragten, de 40 Jahre und älter snd, kaufen Produkt A? 5) Wevel % der B-Käufer snd bs unter 40 Jahre alt? 6) Wevel % der A-Käufer snd Frauen und bs unter 40 Jahre alt? 7) Wevel % der Männer, de 40 Jahre und älter snd, kaufen Produkt A? 8) Wevel % der B-Käufer, de bs unter 40 Jahre alt snd, snd Frauen? 9) Besten Se f(b w)! 0) Besten Se f( 40+)! 2 Aufgabe.6: Ordnen Se de Folgenden 8 statstschen Fachbegrffe a) - h) a) absolute Häufgket, b) relatve Suenhäufgket, c) quanttatves Merkal, d) Merkalsausprägung, e) Grundgesathet, f) Merkalswert, g) relatve Häufgket, h) qualtatves Merkal den fettgedruckten Worten bzw. Texten n - zu. Tragen Se Folgenden nur jewels den entsprechenden Buchstaben ( a) - h) ) hnter de Text en. Falenstand... 45% der Befragten snd Frauen... Herr Meer st verwtwet... ledg... 2 Befragte snd verheratet... Körpergröße... Enwohner ener Stadt... 40% der Personen snd b.u. 70 kg schwer... Aufgabe.7: Zu Rechnen t de Suenzechen. Berechnen Se de folgenden Suen bzw. schreben Se de Sue ohne Suenzechen (n Schulschrebwese ). a) c) e) g) 5 b) 2 j j= ( + 4) d) 4 x h(x ) f) n = x h(x ) 4 x n x n =
3 Aufgabe.8: a) Nennen Se enge physkalsche (naturwssenschaftlche) Messnstruente und nennen Se sozalwssenschaftlche Messnstruente. b) Welche dre Qualtätsegenschaften uss en gutes Messnstruent haben? c) Beschreben Se für jede deser Qualtätsegenschaften jewels en Messnstruent, das de geforderte Egenschaft ncht hat. Aufgabe.9: Das Körpergewcht ener Person st 68 kg. De Person wrd jewels fünfal nachenander auf den dre verschedenen Waagen A, B und C gewogen. In der folgenden Tabelle snd de Messergebnsse aufgeführt: Waage Messung Nr. Messung Nr. 2 Messung Nr. Messung Nr. 4 Messung Nr. 5 A 65, kg 64,9 kg 65,2 kg 64,9 kg 65,0 kg B 67,9 kg 68, kg 67,8 kg 68,0 kg 68, kg C 6,4 kg 7,2 kg 64,9 kg 69,6 kg 66,6 kg Machen Se Aussagen über de Relabltät und Valdtät deser dre Meßnstruente. Waage A:... Waage B:... Waage C:... Aufgabe.0: a) Be welchen Skalen lassen sch de Abstände zwschen Messergebnssen snnvoll nterpreteren und tenander verglechen? b) Be welchen Skalen gbt es enen natürlchen Nullpunkt? c) Nennen Se jewels en Bespel für en dskretes und en stetges Merkal. d) Für welche Merkalstypen snd Suenhäufgketsvertelungen snnvoll? e) Se erheben be ener Grundgesathet Daten für Merkale. Was lefert ehr Inforaton: De dredensonale Häufgketsvertelung oder alle dre öglchen en- und zwedensonalen Häufgketsvertelungen zusaen? Aufgabe.: I Folgenden en Lesetext zu Ratngcode und zu den Codes der wchtgsten Ratngagenturen. Auf welcher Skala versucht an das Ausfallrsko enes Schuldners zu essen? Ratngcode (aus Wkpeda) En Ratngcode oder Ratnggrade st en von Ratngagenturen verwendeter Buchstabenschlüssel, der das Ausfallrsko enes Schuldners (Land, Unternehen) darstellt und sot ene enfache Beurtelung der Bontät erlaubt. Be Ratngs wrd zwschen Langfrst (Long Ter, > 60 Tage) und Kurzfrst (Short Ter, < 60 Tage) Ratngs unterscheden. Für Long Ter Ratngs snd de Ratngcodes n AAA, AA, A, BBB, BB, B, CCC, CC, C und D aufgetelt. Innerhalb der Buchstabenkobnatonen AA bs B wrd ene wetere, verfenerte, Aufglederung nach obere, ttlere und untere Drttel geacht. Je nach Ratngagentur werden unterschedlche Buchstabenkobnatonen verwendet. Ene "AAA" (Trple A) bewertete Anlehe wrd von den Ratngagenturen als sehr scher engestuft, das Ausfallrsko sollte daher gerng sen. Das Ausfallrsko von Anlehen, de t "Ca" bzw "CC" bewertet wurden, wrd als hoch engestuft. Da Investoren für de Übernahe des Adressausfallrskos enen Aufschlag verlangen, snd de Rendten von Anlehen hoher Bontät est gernger als de von schlecht gerateten Anlehen. Schuldner, de n Zahlungsverzug snd, werden von Moody's t de Ratng "C" und von Standard & Poor's und Ftch t de Ratng "D" bewertet. Solche spekulatven Anlehen snd eher für professonelle Investoren nteressant, falls dese auf enen Turnaround oder ene unerwartet postve Entwcklung hoffen. In der Fnanzbranche werden de Ratngs n de beden Gruppen Investent Grade und Sub- Investent Grade oder Speculatve Grade aufgetelt. Dese Unterschedung spelt nsbesondere be Insttutonellen Investoren we bespelswese Pensonskassen oder Versche-
4 4 rungen ene wchtge Rolle, da dese oftals per Gesetz oder durch hre egenen Statuten verpflchtet snd, nur Anlehen von Schuldnern zu kaufen, de en besttes Mndestratng haben. Herbe gelten de Ratngs AAA bs BBB (nklusve Baa bzw. BBB-) als Investent Grade. Anlehen t ene Ratng von BB oder schlechter gelten als Sub-Investent Grade und werden auch Junk Bonds genannt. De gebräuchlchen Ratng-Defntonen haben set der Frühsoer 2007 ausgebrochenen globalen Fnanzarktkrse stark an Aussagekraft verloren. De ersten Krtken an den Ratngagenturen kaen setens der Markttelneher berets Jul 2007 auf. De tatsächlche Bontät enes Schuldners kann daher erheblch von den gebräuchlchen Ratng-Defntonen abwechen. Moody's Standard & Poor's Ftch Ratngs DBRS Bewertung Aaa AAA AAA AAA Trple A = Ausfallrsko st fast Null Aa AA+ AAhgh Schere Anlage, wenn auch lechtes Ausfallrsko Aa2 AA AA AA " Aa AA- AAlow " A A+ Ahgh De Anlage st scher, falls kene unvorhergesehenen Eregnsse de Gesatwrtschaft oder de Branche beenträchtgen A2 A A A " A A- Alow " Baa BBB+ BBBhgh Durchschnttlch gute Anlage. Be Verschlechterung der Gesatwrtschaft st aber t Probleen zu rechnen Baa2 BBB BBB BBB " Baa BBB- BBBlow " Ba BB+ BBhgh Spekulatve Anlage. Be Verschlechterung der Lage st t Ausfällen zu rechnen Ba2 BB BB BB " Ba BB- BBlow " B B+ Bhgh Spekulatve Anlage. Be Verschlechterung der Lage snd Ausfälle wahrschenlch B2 B B B " B B- Blow " Caa CCC CCC CCC Nur be günstger Entwcklung snd kene Ausfälle zu erwarten Ca CC CC CC " C C C C Moody's: n Zahlungsverzug Standard & Poor's: hohe Wahrschenlchket enes Zahlungsausfalls oder Insolvenzverfahren beantragt, aber noch ncht n Zahlungsverzug D D D Standard & Poor's und Ftch: n Zahlungsverzug
5 Ratngcodetabelle 5 Moody's S&P Ftch Long Ter Short Ter Long Ter Short Ter Long Ter Short Ter Aaa AAA AAA Pre Aa AA+ AA+ A-+ Aa2 AA AA P- Aa AA- AA- A A+ A+ A- A2 A A A A- A- P-2 A-2 Baa BBB+ BBB+ Baa2 BBB BBB P- A- Baa BBB- BBB- Ba BB+ BB+ Ba2 BB BB Ba BB- BB- B B B+ B+ B2 B B A+ A A2 A B Hgh grade Upper Medu grade Lower Medu grade Non Investentgrade speculatve Hghly Speculatve B B- B- Not Pre Caa CCC+ Substental rsks Ca CCC C CCC C Exteely speculatve C CCC- In default wth lttle prospect for dscovery / DDD / D / DD / In default / D
In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)
Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen
MehrWS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9
WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung
MehrKursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten
Kursthemen 2. Stzung Fole I - 2-1 Tabellarsche und graphsche Darstellung dskreter Daten Tabellarsche und graphsche Darstellung dskreter Daten A) Nomnalskalen (Fole 2 bs 7) A) Nomnalskalen (Fole 2 bs 7)
Mehrnonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen
arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree
Mehrwird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:
Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab
Mehr3. Lineare Algebra (Teil 2)
Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw
MehrGrundlagen sportwissenschaftlicher Forschung Deskriptive Statistik
Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck
MehrStreuungs-, Schiefe und Wölbungsmaße
aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen
MehrFormeln und Aufgaben Zins- und Rentenrechnung
Foreln und ufgaben Zns- und Rentenrechnung Detrch Baugarten «14. Januar 014 Inhaltsverzechns 1 Rentenrechnung 1 1.1 Zusaenfassung............................... 1 1. Bespele....................................
MehrProf. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz
Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40
MehrFunktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e
Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de
Mehr"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft
"Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012
MehrItemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i
Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson
MehrLösungen der Aufgaben zu Kapitel 2
Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n
MehrDie hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)
ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrGrundlagen der Mathematik I Lösungsvorschlag zum 12. Tutoriumsblatt
Mathematsches Insttut der Unverstät München Wntersemester 3/4 Danel Rost Lukas-Faban Moser Grundlagen der Mathematk I Lösungsvorschlag zum. Tutorumsblatt Aufgabe. a De Formel besagt, daß de Summe der umrahmten
MehrFormeln und Aufgaben zur Rentenrechnung
Foreln und ufgaben zur Rentenrechnung Detrch Baugarten «16. prl 014 Inhaltsverzechns 1 Rentenrechnung 1 1.1 Zusaenfassung............................... 1 1. Bespele....................................
MehrPolygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.
Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener
MehrAnalysis I. Vorlesung 17. Logarithmen. R R, x exp x,
Prof. Dr. H. Brenner Osnabrück WS 2013/2014 Analyss I Vorlesung 17 Logarthmen Satz 17.1. De reelle Exponentalfunkton R R, x exp x, st stetg und stftet ene Bjekton zwschen R und R +. Bewes. De Stetgket
Mehr2 Zufallsvariable und Verteilungen
Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem
MehrPortfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
MehrInformatik II. Minimalpolynome und Implikanten. Minimalpolynome. Minimalpolynome. Rainer Schrader. 27. Oktober Was bisher geschah: Definition
Informatk II Raner Schrader und Implkanten Zentrum für Angewandte Informatk Köln 27. Oktober 2005 1 / 28 2 / 28 Was bsher geschah: jede Boolesche Funkton kann durch enfache Grundfunktonen dargestellt werden
MehrBeim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):
Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.
MehrElemente der Mathematik - Sommer 2016
Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s
Mehr6. Modelle mit binären abhängigen Variablen
6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch
Mehr4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014
4. ndexzahlen 5.1 Grundlagen 5.2 Presndzes 5.3 ndexzahlenumrechnungen 1 4.1 Grundlagen Als Messzahlen werden de Quotenten bezechnet, de aus den Beobachtungswerten bzw. den Maßzahlen zweer Telmengen derselben
MehrKonkave und Konvexe Funktionen
Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;
MehrÜbungen zur Vorlesung Physikalische Chemie 1 (B. Sc.) Lösungsvorschlag zu Blatt 2
Übungen zur Vorlesung Physkalsche Chee 1 B. Sc.) Lösungsorschlag zu Blatt Prof. Dr. Norbert Happ Jens Träger Soerseester 7. 4. 7 Aufgabe 1 a) Aus den tabellerten Werten ergbt sch folgendes Dagra. Btte
MehrDie Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung
am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen
Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen
MehrZufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert
R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen
MehrRotation (2. Versuch)
Rotaton 2. Versuch Bekannt snd berets Vektorfelder be denen das Lnenntegral über ene geschlossene Kurve Null wrd Stchworte: konservatve Kraft Potentalfelder Gradentenfeld. Es gbt auch Vektorfelder be denen
MehrResultate / "states of nature" / mögliche Zustände / möglicheentwicklungen
Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und
MehrArbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2
ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrVorlesung Programmieren II
Hashng Vorlesung Prograeren II Mchael Bergau Fortsetzung der Stoffenhet Hashng Hashng 2 Was st Hashng? Hashng st ene Methode zur dynaschen Verwaltung von Daten, wobe de Daten durch enen Schlüssel (key)
MehrHochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen
Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket
MehrAuswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07
Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage
MehrDer stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.
Stoffwerte De Stoffwerte für de enzelnen omponenten raftstoff, Luft und Abgas snd den verschedenen Stellen aus den Lteraturhnwesen zu entnehmen, für enge Stoffe sollen jedoch de grundlegenden Zusammenhänge
Mehr(Essentiell) τ-äquivalente Tests:
(Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,
MehrDas Bayessche Theorem ist ein Ergebnis aus der Wahrscheinlichkeitstheorie und liefert einen Zusammenhang zwischen bedingten Wahrscheinlichkeiten.
ayessches Theorem Das ayessche Theorem st en Ergens aus der ahrschenlchetstheore und lefert enen Zusammenhang zwschen edngten ahrschenlcheten.. ayessches Theorem für Eregnsse Senen und zwe elege Eregnsse.
Mehr9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.
Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.
MehrKapitel 5 Systeme von Massenpunkten, Stöße
Katel 5 ystee von Massenunkten, töße Drehoente und Drehuls enes Telchensystes O t : z r r r F x r F F F y F F t (acto = reacto) : F t äußeren Kräften F und F und nneren Kräften F = -F Drehoente : D D r
Mehr(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:
(Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem
MehrStatistik und Wahrscheinlichkeit
Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
MehrSpannweite, Median Quartilsabstand, Varianz und Standardabweichung.
Rudolf Brkma http://brkma-du.de Sete 06.0.008 Spawete, Meda Quartlsabstad, Varaz ud Stadardabwechug. Streuug um de Mttelwert. I de folgede Säuledagramme st de Notevertelug zweer Schülergruppe (Mädche,
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen
MehrFORMELSAMMLUNG STATISTIK (I)
Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen
MehrERP Cloud Tutorial. E-Commerce ECM ERP SFA EDI. Backup. Preise erfassen. www.comarch-cloud.de
ERP Cloud SFA ECM Backup E-Commerce ERP EDI Prese erfassen www.comarch-cloud.de Inhaltsverzechns 1 Zel des s 3 2 Enführung: Welche Arten von Presen gbt es? 3 3 Beschaffungsprese erfassen 3 3.1 Vordefnerte
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrComputerunterstützte Gesichtserkennung = Eigenface - Methode = Thomas Weise Betreuer: PD Dr. Oliver Ernst
Matheatsches Senar 00 Nuerk Coputerunterstützte Geschtserkennung = Egenface - Methode = hoas Wese Betreuer: PD Dr. Olver Ernst Glederung:. Enletung/Allgeenes. HauptKoponentenAnalyse 3. Egenface Methode.
MehrNetzwerkstrukturen. Entfernung in Kilometer:
Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.
MehrÜbung zu Erwartungswert und Standardabweichung
Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der
MehrBackup- und Restore-Systeme implementieren. Technische Berufsschule Zürich IT Seite 1
Modul 143 Backup- und Restore-Systeme mplementeren Technsche Berufsschule Zürch IT Sete 1 Warum Backup? (Enge Zahlen aus Untersuchungen) Wert von 100 MByte Daten bs CHF 1 500 000 Pro Vorfall entstehen
MehrAspekte zur Approximation von Quadratwurzeln
Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet
MehrProf. Dr.- Ing. Herzig Vorlesung "Grundlagen der Elektrotechnik 1" 1etv3-4
Prof. Dr.- ng. Herzg.6 Spezelle erechnungsverfahren lnearer Netzwerke.6. Überlagerungsverfahren Der Lernende kann - den Überlagerungssatz und das darauf beruhende erechnungsprnzp lnearer Netzwerke erklären
MehrNernstscher Verteilungssatz
Insttut für Physkalsche Cheme Grundpraktkum 7. NERNSTSCHER VERTEILUNGSSATZ Stand 03/11/2006 Nernstscher Vertelungssatz 1. Versuchsplatz Komponenten: - Schedetrchter - Büretten - Rührer - Bechergläser 2.
MehrVerteilungen eindimensionaler diskreter Zufallsvariablen
Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,
Mehr6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen
196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen
MehrStatistik Exponentialfunktion
! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:
MehrAbbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).
44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften
MehrMECHATRONISCHE NETZWERKE
MECHATRONISCHE NETZWERKE Jörg Grabow Tel 3: Besondere Egenschaften 3.Besondere Egenschaften REZIPROZITÄT REZIPROZITÄT Neben den allgemenen Enschränkungen (Lneartät, Zetnvaranz) be der Anwendung der Verpoltheore
Mehrc) schwierige freiwillige Zusatzaufgabe (ohne Bonuspunkte): Leiten Sie die allgemeinen iterativen Formeln für S, D, D R und V her.
Rechnerarchtetur Lösungsvorschlag. Bonusübung oerseester Fachgebet Rechnerarchtetur Prof. R. Hoffann Patrc Edger. Aufgabe: Maße für Barrel-hfter 7 + 7 Punte Gegeben st en Barrel hfter t n= Prozessoren
MehrLineare Regression (1) - Einführung I -
Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:
Mehrz.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!
Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf
MehrStatistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes
Statstk Defnton: Entwcklung und Anwendung von Methoden zur Erhebung, Aufberetung, Analyse und Interpretaton von Daten. Telgebete der Statstk: - Beschrebende (deskrptve) Statstk - Wahrschenlchketsrechnung
MehrUrsache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen.
SS 2013 Prof. Dr. J. Schütze/ J. Puhl/ FB GW Deskr.1 1 Warum Stochastk? Stochastk: Kunst des Mutmaßens (grech.) Mathematsche Stochastk beschäftgt sch mt der Beschrebung und Untersuchung von Erschenungen,
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrFallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum
Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten
MehrDie Leistung von Quicksort
De Lestung von Qucsort Jae Hee Lee Zusammenfassung Der Sorteralgorthmus Qucsort st als ens der effzenten Sorterverfahren beannt. In deser Ausarbetung werden wr sene Komplextät zuerst möglchst präzse schätzen
MehrKlasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten
Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen
MehrGrundlagen der Technischen Informatik. 12. Übung. Christian Knell Keine Garantie für Korrekt-/Vollständigkeit
Grundlagen der Technschen Informatk 12. Übung Chrstan Knell Kene Garante für Korrekt-/Vollständgket 12. Übungsblatt Themen Aufgabe 1: Aufgabe 2: Aufgabe 3: Komparator Adderer/Subtraherer Mehr-Operanden-Adderer
MehrAlgorithmen und ihre Programmierung -Teil 3-
Veranstaltung Pr.-Nr.: Algorthmen und hre Programmerung -Tel - Veronka Waue WS / Veronka Waue: Grundstudum Wrtschaftsnformatk WS/ Übung Ersetzen Se n folgendem Bespel de For schlefe durch ene WhleWend-Schlefe
MehrBedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)
Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope
MehrLösungen zum 3. Aufgabenblock
Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass
MehrQuant oder das Verwelken der Wertpapiere. Die Geburt der Finanzkrise aus dem Geist der angewandten Mathematik
Quant der das Verwelken der Wertpapere. De Geburt der Fnanzkrse aus dem Gest der angewandten Mathematk Dmensnen - de Welt der Wssenschaft Gestaltung: Armn Stadler Sendedatum: 7. Ma 2012 Länge: 24 Mnuten
MehrGruppe. Lineare Block-Codes
Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de
MehrDer Parameter Migrationsmatrix Teil I
Der Parameter Mgratonsmatrx el I Anne-Chrstne Barthel Semnar Portfolokredtrsko Unverstät Mannhem 22..27 Glederung. Bedeutung der Mgratonsmatrx 2. Schätzung der Mgratonsmatrx. Statstscher Hntergrund: Markov-Ketten.
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
MehrKlausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A
Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen
MehrSei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).
Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de
MehrDatenaufbereitung und -darstellung III
Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten
MehrBeschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression
Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5
MehrAuswertung univariater Datenmengen - deskriptiv
Auswertung unvarater Datenengen - deskrptv Bblografe Prof. Dr. Kück; Statstk, Vorlesungsskrpt Abschntt 6.., 6..4, 6..5 Bleyüller/Gehlert/Gülcher; Statstk für Wrtschaftswssenschaftler Verlag Vahlen Bleyüller/Gehlert;
MehrBildverarbeitung Herbstsemester 2012. Bildspeicherung
Bldverarbetung Herbstsemester 2012 Bldspecherung 1 Inhalt Bldformate n der Überscht Coderung m Überblck Huffman-Coderung Datenredukton m Überblck Unterabtastung Skalare Quantserung 2 Lernzele De wchtgsten
MehrFallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung
Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012
MehrAlternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF
Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154
MehrPhysikalisches Praktikum
Physk-Labor Fachberech Elektrotechnk und Inforatk Fachberech Mechatronk und Maschnenbau Physkalsches Praktku M5 II. EWTOsche Axo Versuchszel Aus Messungen an ener ollenfahrbahn soll de Gültgket des II.EWTOschen
MehrKreditpunkte-Klausur zur Lehrveranstaltung Projektmanagement (inkl. Netzplantechnik)
Kredtpunkte-Klausur zur Lehrveranstaltung Projektmanagement (nkl. Netzplantechnk) Themensteller: Unv.-Prof. Dr. St. Zelewsk m Haupttermn des Wntersemesters 010/11 Btte kreuzen Se das gewählte Thema an:
MehrQualitative Evaluation einer interkulturellen Trainingseinheit
Qualtatve Evaluaton ener nterkulturellen Tranngsenhet Xun Luo Bettna Müller Yelz Yldrm Kranng Zur Kulturgebundenhet schrftlcher und mündlcher Befragungsmethoden und hrer Egnung zur Evaluaton m nterkulturellen
MehrÜbung zur Vorlesung. Informationstheorie und Codierung
Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832
MehrNäherungsverfahren. Wiederhole den Algorithmusbegriff. Erläutere die Begriffe: Klasse der NP-Probleme. Probleme. Probleme. Approximative Algorithmen
Näherungsverfahren Wederhole den Algorthmusbegrff. Erläutere de Begrffe: Klasse der P-ProblemeP Probleme Klasse der NP-Probleme Probleme Approxmatve Algorthmen Stochastsche Algorthmen ALGORITHMEN Def.:
Mehr50 Matrixnormen und Eigenwertabschätzungen
50 Matrxnormen und Egenwertabschätzungen 501 Motvaton De Berechnung der Egenwerte ener Matrx st aufwändg (vgl Kaptel 45, Kaptel 51) Kann man de Egenwerte ener Matrx mt gerngem Aufwand abschätzen? Des spelt
Mehr