RASCH-SKALIERUNG
|
|
- Jan Acker
- vor 5 Jahren
- Abrufe
Transkript
1 9.3. RACH-KALIERUNG (von Günter Hanisch) Nachfolgend wird die Analyse nach RACH (Ast 3 in Abb.9.) erläutert (Literatur am Ende des Unterapitels) VORAUETZUNGEN UND EIGENCHATEN. Es wird angenommen, dass eine ( eindimensionale) latente ( zugrunde-liegende) nicht diret beobachtbare Eigenschaft (oder Dimension) E ( latent-trait) das Testverhalten steuert. 2. Auf deren Ausprägungsgrad ann aufgrund des Testverhaltens zurüc geschlossen werden. 3. Anstelle eines Messfehlers (wie bei der lassischen Testtheorie) wird der wahrscheinlicheitstheoretische ( probabilistische) Charater berücsichtigt. Eine beobachtete Leistung wird nicht nur durch die ähigeit der Person ( Personenparameter) und die chwierigeit (bzw. Leichtigeit L ) der Aufgabe (des Items) (Itemparameter) bestimmt, sondern auch vom Zufall ( umme aller unontrollierbaren Einflüsse). 4. Der Zusammenhang zwischen den latenten Variablen und L und den manifesten Daten wird durch die sogenannte Itemcharateristi (Abb.9.3.) beschrieben, wobei wir im olgenden voraussetzen, dass es eine Zwischenlösungen gibt, d.h., dass es nur richtige oder falsche Lösungen gibt (dichotom oder zweiategoriell), die dadurch mit 0 für nicht gelöst oder für gelöst (bzw. bei Persönlicheitstests 0 für nein und für ja) dargestellt werden önnen. Die Itemcharateristi gibt dabei die Wahrscheinlicheit p an, dass eine Person v mit der ähigeit das Item mit der Leichtigeit L lösen ann. Natürlich lassen sich probabilistische Modelle nicht nur auf Intelligenztests, sondern auch auf Persönlicheitstests anwenden. Dort bedeutet dann Leichtigeit den Aufforderungscharater des Items mit ja zu antworten und ähigeit die Tendenz der Person, auf Items, die die gleiche latente Dimension messen, mit ja zu antworten. 5. Je größer die ähigeit der Person und je leichter die Aufgabe ist, desto größer soll auch die Lösungswahrscheinlicheit ( Itemcharateristi) sein. Damit bei einer doppelt so leichten Aufgabe eine halb so fähige Person etwa dieselbe Lösungswahrscheinlicheit hat, muss daher die Itemcharateristi vom Produt L abhängen. 6. ür die leichtere psychologische Interpretierbareit soll die Itemcharateristi eine monoton steigende untion sein (etwa wie Graph A in Abb.9.3.), denn bei Graph B (Abb.9.3.) würden Personen mit mittlerer ähigeit die größte Lösungswahrscheinlicheit haben. (In diesem Zusammenhang ist es wichtig, bei Persönlicheitstests zu beachten, dass die Items in dieselbe Richtung weisen, sonst müssten sie vor der Auswertung umgepolt werden.)
2 p A p B Abb.9.3.: Verschiedene Itemcharateristien owohl für unfähige Personen (0), als auch bei überaus schweren Aufgaben (L 0), also wenn L 0, soll die Lösungswahrscheinlicheit 0 sein; hingegen bei sehr fähigen Personen ( ) oder sehr leichten Aufgaben (L ) soll die Lösungswahrscheinlicheit p(x ) sein, wobei für gelöst steht. omit bietet sich als einfachste (ontinuierliche) untion folgende untion an: p(x ) L + L Abb zeigt den Graphen dieser untion ( dieser bedeutet: wählt man L als Abszisse, somit x L, also y x, gibt es nur eine solche untion). Wählt man statt der +x Leichtigeit L eine Aufgabe zu lösen, die chwierigeit, so geht die ormel in L p(x ) L + L + + (vgl ) über, die wir bereits in 9.0 ennengelernt haben. y x Abb.9.3.2: Itemcharateristi I Die Wahrscheinlicheit, die Aufgabe nicht zu lösen, erhält man durch: p(x 0) p(x ) L + L ( + L) L + L + L 7. Um die untion symmetrisch zu machen, bietet sich eine Exponentialtransformation der Parameter an (vgl ), nämlich exp(f ) und L exp(l), wobei wir aus dructechnischen Gründen anstelle von e x den Ausdruc exp(x) schreiben. Dadurch wird das Produt
3 L dann in die umme exp(f + l) verwandelt. Weiters ist es üblich die Leichtigeit l durch die chwierigeit s zu ersetzen, wobei wegen L, also L und daher exp(l) exp(s) exp(l + s) exp(0), weil exp(0) ist. omit ist l + s 0 bzw. l s. Wir erhalten dann und p(x ) p(x 0) exp(f ) exp(l) + exp(f ) exp(l) exp(f + l) + exp(f + l) exp(f s) + exp(f s) + exp(f ) exp(l) + exp(f + l) + exp(f s) Nachfolgende Abbildung zeigt den Graphen obenstehender untion. p - f-s Abb.9.3.3: Itemcharateristi II Obige beiden Gleichungen (-9.3.3a und 9.3.3b) lassen sich noch durch einen Tric zusammenfassen: Bezeichnen wir die Antwort, die die Person gegeben hat, mit der Variablen a, die nur die Werte 0 für nicht gelöst und für gelöst annimmt, so ist p(x a) exp((f s)a) + exp(f s) 8. Die Antwortwahrscheinlicheit soll nicht von der Lösung der vorangehenden Items abhängen es sollen also ein Lerneffet auftreten. Man nennt dies loale stochastische Unabhängigeit. Die Wahrscheinlicheit des Antwortvetors ( Antwortmuster, z. B. (0,,, 0)) bei n Items ergibt sich daher wegen des Multipliationssatzes (siehe -5.7) als Produt der Einzelwahrscheinlicheiten: p(a[], a[2], a[n]) p(a[]) p(a[2]) p(a[n]), wobei a[i] 0 oder ist, je nachdem, ob das Item nicht gelöst oder gelöst wurde. Im Gegensatz zur lassischen Testtheorie wird die Kovarianz zwischen den Items nicht als Abhängigeit der Items voneinander, sondern ähnlich der atorenanalyse (siehe Bd.II/4) als Ergebnis ihrer Abhängigeit von einer gemeinsamen latenten Variablen angesehen. 9. Man ann zeigen, dass bei obiger Itemcharateristi die umme der richtigen Lösungen einer Person genau so viel relevante Informationen enthält, wie der Lösungsvetor selbst ( erschöpfende tatisti), man also berechtigt ist, einfach die richtigen Lösungen zusammenzuzählen (was man, ohne sich Gedanen zu machen, intuitiv ohnehin getan hätte).
4 Umgeehrt gilt nur beim Rasch-Modell diese Eigenschaft, d.h., will man einen dichotomen Test erstellen, bei dem es erlaubt ist, die Lösungen zusammenzuzählen, so muss zum Rasch-Modell gegriffen werden. Beweis (Anfang): Die Wahrscheinlicheit LH ( Lielihood), dass eine Person v bei einem Item i mit a[vi] antwortet (wobei a[vi] 0 oder ist), ist beim RACH-Modell: p(x a[vi]) + exp(f [v] s[i]) ür einen Antwortvetor mit den Werten (a.[], a[2],, a[n]) ist sie daher (da wegen der loalen stochastischen Unabhängigeit unabhängige Ereignisse vorliegen) das Produt der Einzelwahrscheinlicheiten über die Items. LH [v] P(a[vi] f [v], s[i]) i i + exp(f [v] s[i]) (-9.3.5) Betrachten wir alle n Personen und wollen wir die Wahrscheinlicheit LH der gegebenen Datenmatrix ausrechnen, erhalten wir LH [v] LH [v] + exp(f [v] s[i]) i n v i n v exp((f [v] a[vi]) s[i]) exp( s[i] a[vi]) + exp(f [v] s[i]) i Wegen e a+b e a e b ist exp(a[vi]) exp( a[vi]). Weiter ist a[vi] a[v0] über i die umme der Rohscores pro Person und a[vij a[0i] über v die pro Item. Wir erhalten somit: LH v exp(f [v] i a[vi]) i exp( s[i] v a[vi]) i v ( + exp(f [v] s[i])) v exp(f [v] a[v0]) i exp( s[i] a[0i]) i v ( + exp(f [v] s[i])) In diesem Ausdruc ommen nur noch die beiden Randsummen der Datenmatrix, also der Personen- und der Itemrohscore vor. Daher ist die Anzahl der gelösten Aufgaben einer
5 Person v eine erschöpfende tatisti für den Personenparameter f [v] bzw. [v] und die Anzahl der Personen, die ein Item gelöst haben, ist eine erschöpfende tatisti für den Itemparameter s[i] bzw. L[i] was zu beweisen war. Beweis (Ende). 0. erner ist das Modell von RACH von der tichprobe der Personen und der der Items unabhängig, also unabhängig von der in den Test aus einer Klasse homogener Items hinein gewählten Items. Die Berechnung der chwierigeiten der Items ist überdies unabhängig von den in die tichprobe aufgenommenen Personen. Man nennt diese Eigenschaft spezifisch objetiv. omit erlaubt das RACH-Modell spezifisch objetive Vergleiche sowohl auf der Ebene der Items als auch auf der der Personen. Wenn also das Modell einem Datensatz adäquat ist, also obige Gleichung gilt, was durch Modellprüfungstests ontrolliert werden ann (siehe später), dann ist das Ergebnis der chätzung der Itemparameter unabhängig von der Verteilung der Personenparameter in der gewählten tichprobe. Desgleichen ist auch das Ergebnis der Personenparameterschätzung unabhängig von der gewählten Itemstichprobe. Die Testresultate der anderen mituntersuchten Personen beeinflussen daher das Ergebnis der chätzung nicht, worauf sich das Verfahren zur Modellprüfung stützt. Homogen heißt dabei in diesem Zusammenhang, dass alle Items dieselbe latente Dimension messen.. Zusammenfassung: Das bis hier Gesagte sei in einer Überblicstabelle (Abb.9.3.4) zusammengefasst: Modelldarstellung Exponential Quotient p(x a[vi]) exp[(f [v] s[i]) a[vi]] ( L) a[vi] + exp(f [v] s[i]) + L Parameter f ähigeit s chwierigeit ähigeit L Leichtigeit ( ) Wertebereich der Parameter ; + 0; + aleneigenschaft Differenzensala Rationalsala daher liegt auf einer absoluten ala f [i] f [j] s[i] s[j] f [i] s[j] [i]/[j] L[i]/L[j] Abb.9.3.4: Übersicht über das RACH-Modell Beachte: Die Randsummen a[0i] und a[v0] liegen nur auf einer Rangsala. Wie aus Abb zu ersehen, ist es mit dem Modell von RACH möglich, die aleneigenschaft zur Differenzen- (Intervall-) und sogar Rationalsala zu verbessern. Ob diese Verbesserung des alenniveaus tatsächlich zutrifft, darüber herrscht eine einhellige Ansicht.
Das Rasch-Modell und seine zentralen Eigenschaften
Das Rasch-Modell und seine zentralen Eigenschaften Stella Bollmann Seminar Psychometrische Modelle: Theorie und Anwendungen Institut für Statistik, LMU München München, 27. Mai 2014 Stella Bollmann Das
MehrÜberblick über die ProbabilistischeTesttheorie
Überblick über die ProbabilistischeTesttheorie Schwächen der Klassischen Testtheorie Axiome Theoretische Festlegungen nicht überprüfbar! Einige sind kontraintuitiv und praktisch nicht haltbar Stichprobenabhängigkeit
Mehr2.1 Klassische kombinatorische Probleme
2 Kombinatori Aufgabenstellung: Anzahl der verschiedenen Zusammenstellungen von Objeten. Je nach Art der zusätzlichen Forderungen, ist zu unterscheiden, welche Zusammenstellungen als gleich, und welche
MehrGraphische Verfahren in der Statistik: Q-Q- und P-P-Plots
Prof. Dr. Dietmar Pfeifer Institut für Mathemati Graphische Verfahren in der Statisti: Q-Q- und P-P-Plots Bei den üblichen parametrischen Testverfahren in der Statisti wird in der Regel eine Annahme über
Mehr2.4 Indexbildung und Einblick in Skalierungsverfahren
2.4 Indexbildung und Einblick in Skalierungsverfahren 79 15. November 2013 2.4.1 Indexbildung Zusammenfassung mehrerer Indikatoren eines Konstrukts zu einer Kennzahl. Oft sind Konstrukte mehrdimensional
Mehr7. Übungsblatt - Lösungsskizzen
Einführung in die Wahrscheinlicheitstheorie und Statisti Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 08/9 7. Übungsblatt - Lösungssien Aufgabe 5 Faltung und Ausdünnung einer Poisson-Verteilung,
MehrEinführung in die Theorie psychologischer Tests
Gerhard H. Fischer Einführung in die Theorie psychologischer Tests Grundlagen und Anwendungen VERLAG HANS HUBER BERN STUTTGART WIEN Inhaltsverzeichnis Vorwort 9 Die Notation 12 Teil 1: Abriss der klassischen
MehrWas ist eine Testtheorie? Grundlagen der Item-Response. Response-Theorie. Modelle mit latenten Variablen
Was ist eine Testtheorie? Eine Testtheorie beschäftigt sich also mit dem Zusammenhang zwischen Testverhalten und dem zu erfassenden Merkmal. Testauswertung Persönlichkeitsmerkmal (z.b. Emotionalität, Fähigkeit)
MehrDas Rasch-Modell. Emil Fazli. 17. Juni Betreuer: Dr. Marco Cattaneo
Das Rasch-Modell Emil Fazli Betreuer: Dr. Marco Cattaneo 17. Juni 2013 Inhaltsverzeichnis 1 Einfuehrung 2 2 Mathematische Formulierung 3 2.1 Die Datenmatrix......................... 3 2.2 Die Modellgleichung.......................
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 13 Allgemeine Theorie zu Markov-Prozessen (stetige Zeit, diskreter Zustandsraum) Literatur Kapitel 13 * Grimmett & Stirzaker: Kapitel 6.9 Wie am Schluss von Kapitel
MehrVorlesung Testtheorien. Dr. Tobias Constantin Haupt, MBA Sommersemester 2007
Vorlesung Testtheorien Dr. Tobias Constantin Haupt, MBA Sommersemester 2007 Probabilistische Testtheorie # 2 Itemcharakteristische Funktionen (Itemcharakteristiken, IC - Funktion): Diese beschreibt die
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
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
MehrPersonenparameter + Itemparameter
9.Testtheorie: Probabilistische Testtheorie PTT - Grundideen Grundgedanke: Item-Response-Theory IRT probabilistischer Zusammenhang! Wie wahrscheinlich ist es, dass sich eine bestimmte Merkmalsausprägung
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrDie partielle Likelihood-Funktion
Die partielle Likelihood-Funktion Roger Züst 12. Juni 26 1 Repetition: Maximum-Likelihood-Methode Hat man n unabhängige Beobachtungen x 1, x 2,..., x n einer Zufallsvariablen X und eine Familie von möglichen
MehrItem-Response-Theorie Probabilistische Testtheorie. Christian Stroppel
Item-Response-Theorie Probabilistische Testtheorie Referat von: Christian Stroppel Testtheorie Personenparameter Latente Variable ξ Testtheorie Manifeste Variable Xvi Eine Testtheorie beschreibt in welchem
MehrSeminar: Statistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften. Institut für Statistik, LMU München
Seminar: Statistische Modellierung latenter Strukturen in den Lebens-, Sozial- und Wirtschaftswissenschaften Institut für Statistik, LMU München 18.01.2014 Grundfrage der Psychometrie Wie kann man Eigenschaften,
MehrEinführung in die Wahrscheinlichkeitsrechnung
Einführung in die Wahrscheinlichkeitsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Wahrscheinlichkeitsrechnung
MehrExemplar für Prüfer/innen
Exemplar für Prüfer/innen Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Mai 2017 Mathematik Kompensationsprüfung 4 Angabe für Prüfer/innen Hinweise zur
MehrGerade, ungerade oder weder noch? Algebraische und graphische Beweise. 4-E1 Vorkurs, Mathematik
Gerade, ungerade oder weder noch? Algebraische und graphische Beweise 4-E1 Symmetrie einer Funktion: Aufgabe 3 Bestimmen Sie algebraisch und graphisch, ob die Funktionen gerade oder ungerade sind, oder
MehrPartial Credit Model und Tutz Model
November 22, 2011 Item Response Theory - Partial Credit Model Einleitung IRT-Einteilung Datenstruktur PCM - Herleitung Parameterschätzung Goodness of Fit Beispiel Sequential Models for Ordered Responses
Mehr11. Darstellung von Kurven und Flächen
H.J. Oberle Approximation WS 23/4. Darstellung von Kurven und Flächen Bézier Kurven. Unser Ziel ist es, polynomiale Kurven auf dem Rechner möglichst effizient darzustellen. Hierzu nutzen wir die Basisdarstellung
MehrEine Herleitung zur Dichtefunktion der Normalverteilung
Eine Herleitung zur Dichtefuntion der Normalverteilung Michael D. Pfeifer (michael.pfeifer@hotmail.com) 1. Februar 16 1 Einführung Die Normalverteilung ist für viele wissenschaftliche Anwendungen wesentlich.
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
Mehr$Id: linabb.tex,v /01/09 13:27:34 hk Exp hk $
Mathematik für Ingenieure I, WS 8/9 Freitag 9. $Id: linabb.tex,v.3 9//9 3:7:34 hk Exp hk $ II. Lineare Algebra 9 Lineare Abbildungen 9. Lineare Abbildungen Der folgende Satz gibt uns eine einfachere Möglichkeit
MehrDiskrete Verteilungen
KAPITEL 6 Disrete Verteilungen Nun werden wir verschiedene Beispiele von disreten Zufallsvariablen betrachten. 1. Gleichverteilung Definition 6.1. Eine Zufallsvariable X : Ω R heißt gleichverteilt (oder
MehrQuadratische Funktionen
Quadratische Funktionen Mag. DI Rainer Sickinger HTL v 2 Mag. DI Rainer Sickinger Quadratische Funktionen 1 / 33 Definition Quadratische Funktion Definition (Quadratische Funktion) Sei D R und f : D R
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
MehrBerechnung von W für die Elementarereignisse einer Zufallsgröße
R. Albers, M. Yanik Skript zur Vorlesung Stochastik (lementarmathematik) 5. Zufallsvariablen Bei Zufallsvariablen geht es darum, ein xperiment durchzuführen und dem entstandenen rgebnis eine Zahl zuzuordnen.
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
MehrLösungen zur Übungsserie 1
Analysis 1 Herbstsemester 2018 Prof. Peter Jossen Montag, 24. September Lösungen zur Übungsserie 1 Aufgaben 1, 3, 4, 5, 6, 8 Aufgabe 1. Sei X eine endliche Menge mit n Elementen, und sei Y eine endliche
MehrMarkov-Ketten 1. Definition 2.1
Marov-Ketten Definition 2. Sei P eine -Matrix mit Elementen {P i,j : i, j,...,}. Ein Zufallsprozess (X 0, X,...) mit endlichem Zustandsraum S{s,...,s } heißt homogene Marov-Kette mit Übergangsmatrix P,
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrPsychometrie. Lena Straub
Psychometrie Lena Straub 02.12.2011 1 Allegmeine Beschreibung Die Psychometrie beschäftigt sich damit, mathematische bzw. statistische Methoden zu entwickeln, um psychologische Messungen zu analysieren.
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 WS 2008/2009
Mehr= 0.445, also annähernd die Hälfte aller Männer zugelassen 557
1 Einleitung Es soll anhand des UCBAdmissions Datensatzes die Frage beantwortet werden, ob bei der Zulassung von Studenten Frauen benachteiligt werden. Die Stichprobe lautet zunächst # Daten (UCB
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
MehrFunktionen. x : Variable von f oder Argument f x : Funktionswert, Wert der Funktion f an der Stelle x D f. : Definitionsmenge(Urbildmenge)
Funktionen Eine Funktion oder Abbildung ist eine Beziehung zwischen zwei nicht leere Mengen D f und Z, die jedem Element x aus einer Menge D f genau ein Element y aus anderer Menge Z zuordnet. f : D f
MehrKapitel 2 Ereignisdiskrete Systeme (II)
Systemmodellierung Teil : Ereignisdisrete Systeme Kaitel 2 Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten SM Bei den bisher betrachteten Beisielen handelte es
MehrDWT 2.3 Ankunftswahrscheinlichkeiten und Übergangszeiten 400/467 Ernst W. Mayr
2. Ankunftswahrscheinlichkeiten und Übergangszeiten Bei der Analyse von Markov-Ketten treten oftmals Fragestellungen auf, die sich auf zwei bestimmte Zustände i und j beziehen: Wie wahrscheinlich ist es,
MehrMathematische und statistische Methoden II
Methodenlehre e e Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike
MehrSatz 104 (Skalierung exponentialverteilter Variablen)
2.3.1 Eigenschaften der Exponentialverteilung Satz 104 (Skalierung exponentialverteilter Variablen) Sei X eine exponentialverteilte Zufallsvariable mit dem Parameter λ. Für a > 0 ist die Zufallsvariable
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
MehrLehrbuch Testtheorie - Testkonstruktion
Jürgen Rost Lehrbuch Testtheorie - Testkonstruktion Zweite, vollständig überarbeitete und erweiterte Auflage Verlag Hans Huber Bern Göttingen Toronto Seattle Inhaltsverzeichnis Vorwort zur zweiten Auflage
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
MehrZufallsgröße X : Ω R X : ω Anzahl der geworfenen K`s
X. Zufallsgrößen ================================================================= 10.1 Zufallsgrößen und ihr Erwartungswert --------------------------------------------------------------------------------------------------------------
MehrÜberblick. Grundkonzepte des Bayes schen Lernens. Wahrscheinlichstes Modell gegeben Daten Münzwürfe Lineare Regression Logistische Regression
Überblic Grundonepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münwürfe Lineare Regression Logistische Regression Bayes sche Vorhersage Münwürfe Lineare Regression 14 Modell für Münwürfe
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
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
MehrDeskriptive Statistik. (basierend auf Slides von Lukas Meier)
Deskriptive Statistik (basierend auf Slides von Lukas Meier) Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst
Mehr1 1 e x2 =2 d x 1. e (x2 +y 2 )=2 d x d y : Wir gehen nun zu Polarkoordinaten uber und setzen x := r cos und y := r sin.
Lemma 92 Beweis: Wir berechnen zunachst I 2 : I 2 = Z 1 I := e x2 =2 d x p = 2: 1 Z 1 1 Z 1 Z 1 = 1 1 Z 1 e x2 =2 d x 1 e (x2 +y 2 )=2 d x d y : e y2 =2 d y Wir gehen nun zu Polarkoordinaten uber und setzen
MehrVerfahren zur Skalierung. A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie
Verfahren zur Skalierung A. Die "klassische" Vorgehensweise - nach der Logik der klassischen Testtheorie 1. Daten: z. Bsp. Rating-Skalen, sogenannte "Likert" - Skalen 2. Ziele 1. Eine Skalierung von Items
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
MehrAnalysis I MATH, PHYS, CHAB. 2 k (2 k ) s = 2 k(1 s) = k=0. (2n 1) n=1. n=1. n n 2. n=1. n=1. = ζ(2) 1 4 ζ(2) = 3 4 ζ(2)
Prof. D. Salamon Analysis I MATH, PHYS, CHAB HS 204 Musterlösung Serie 7. Der Vollständigeit wegen, zeigen wir zunächst die Konvergenz der Reihendarstellung der ζ-funtion für s >. ζs : n n s 2 + n s 0
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
Mehr1 Natürliche Zahlen und vollständige Indution Beispiel : Für jede Zahl x 6 1gilt die geometrische Summenformel 1+x + x + :::+ x n 1 xn+1 1 x : (I) Für
1 Natürliche Zahlen und vollständige Indution Die ganzen Zahlen hat der liebe Gott gemacht, alles andere ist Menschenwer. (L. Kronecer) Wir setzen das System N der natürlichen Zahlen 1; ; 3;::: als beannt
MehrDer Graph der Funktion f in einem kartesischen Koordinatensystem wird mit G f bezeichnet.
. Schulaufgabe aus der Mathematik 0. Januar 0 Wb erlaubte Hilfsmittel: TR, MH Arbeitszeit: 5 Minuten. Gegeben ist die reelle Funktion f : x x x + x + mit x R. Der Graph der Funktion f in einem kartesischen
Mehr8. Woche. 8.1 Operatoren für physikalische Größen in Ortsdarstellung. 8.2 Die Mittelwerte der Funktionen von Koordinaten und Impulsen
8. Woche 8.1 Operatoren für physialische Größen in Ortsdarstellung Als wir die Schrödinger-Gl. betrachtet haben, haben wir die Operatoren für die Koordinaten und die Impulse definiert: Die Operatoren der
MehrAnalysis. 1.2 Bestimmen Sie die maximalen Intervalle, in denen die Funktion f a echt monoton zu- bzw. abnimmt.
1.0 Gegeben sind die reellen Funktionen f :xaf (x); D = R a a f a Analysis 1 3 fa (x) = (ax + 27x) mit a R a 0. 27 Der Graph einer solchen Funktion wird mit bezeichnet. 1.1 Berechnen Sie die Nullstellen
MehrUniversität Basel Wirtschaftswissenschaftliches Zentrum. Zufallsvariablen. Dr. Thomas Zehrt
Universität Basel Wirtschaftswissenschaftliches Zentrum Zufallsvariablen Dr. Thomas Zehrt Inhalt: 1. Einführung 2. Zufallsvariablen 3. Diskrete Zufallsvariablen 4. Stetige Zufallsvariablen 5. Erwartungswert
Mehr1 Folgen und Stetigkeit
1 Folgen und Stetigkeit 1.1 Folgen Eine Folge ist eine durchnummerierte Zusammenfassung von reellen Zahlen. Sie wird geschrieben als (a 1, a 2, a 3,...) = (a n ) n N. Es ist also a n R. Der Index n gibt
Mehr$Id: integral.tex,v /05/05 13:36:42 hk Exp $
$Id: integral.tex,v.5 07/05/05 3:36:4 hk Exp $ Integralrechnung.4 Integration rationaler Funktionen In diesem Abschnitt wollen wir die Integration rationaler Funktionen diskutieren. Es wird sich herausstellen
MehrStatistische Datenanalyse
Werner A. Stahel Statistische Datenanalyse Eine Einführung für Naturwissenschaftler 3., durchgesehene Auflage vieweg VII 1 Einleitung 1 1.1 Was ist Statistische Datenanalyse? 1 1.2 Ziele 6 1.3 Hinweise
MehrKapitel 13. Grundbegriffe statistischer Tests
Kapitel 13 Grundbegriffe statistischer Tests Oft hat man eine Vermutung über die Verteilung einer Zufallsvariablen X. Diese Vermutung formuliert man als Hypothese H 0.Sokönnte man daran interessiert sein
MehrMathematik II für Studierende der Informatik (Analysis und lineare Algebra) im Sommersemester 2018
(Analysis und lineare Algebra) im Sommersemester 2018 15. April 2018 1/46 Die Dimension eines Vektorraums Satz 2.27 (Basisergänzungssatz) Sei V ein Vektorraum über einem Körper K. Weiter seien v 1,...,
MehrKapitel III Ringe und Körper
Kapitel III Ringe und Körper 1. Definitionen und Beispiele Definition 117 Eine Algebra A = S,,, 0, 1 mit zwei zweistelligen Operatoren und heißt ein Ring, falls R1. S,, 0 eine abelsche Gruppe mit neutralem
MehrKapitel 3 Ereignisdiskrete Systeme (II)
Modellierung und Simulation mechatronischer Systeme Kaitel Ereignisdisrete Systeme II Modellierung mit autonomen Automaten Deterministische Automaten Bei den bisher betrachteten Beisielen handelte es sich
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 11. Vorlesung Jochen Köhler 10.05.011 1 Inhalt der heutigen Vorlesung Zusammenfassung Parameterschätzung Übersicht über Schätzung und Modellbildung Modellevaluation
MehrLösungen zu Übungsblatt 9 Höhere Mathematik2/Stochastik 2 Master KI/PI
Lösungen zu Übungsblatt 9 Höhere Mathematik/Stochastik Anpassung von Verteilungen Zu Aufgabe ) a) Zeichnen des Histogranmmes: Um das Histogramm zu zeichnen, benötigen wir die Höhe der Balken. Die Höhe
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrBeschränktheit, Monotonie & Symmetrie
Beschränktheit, Monotonie & Symmetrie ein Referat Dies ist eine Beilage zum Gruppen-SOL - Projekt Potenz- & Exponentialfunktionen Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch November 2015 Inhaltsverzeichnis
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrMathe - Lernzettel: Nullstellen, Monotonie und Ableitungen
Mathe - Lernzettel: Nullstellen, Monotonie und Ableitungen Leun4m 29. April 2015 Version: 0 Ich kann nicht für Richtigkeit garantieren! Inhaltsverzeichnis 1 Themenübersicht 1 2 Funktionen und Graphen 2
MehrDie Normalverteilung. Mathematik W30. Mag. Rainer Sickinger LMM, BR. v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51
Mathematik W30 Mag. Rainer Sickinger LMM, BR v 0 Mag. Rainer Sickinger Mathematik W30 1 / 51 Einführung Heute nehmen wir uns die Normalverteilung vor. Bis jetzt konnte unsere Zufallsvariable (das X in
MehrÜbungsaufgaben, Statistik 1
Übungsaufgaben, Statistik 1 Kapitel 3: Wahrscheinlichkeiten [ 4 ] 3. Übungswoche Der Spiegel berichtet in Heft 29/2007 von folgender Umfrage vom 3. und 4. Juli 2007:,, Immer wieder werden der Dalai Lama
MehrTesttheorie und Testkonstruktion
v *»» Testtheorie und Testkonstruktion von Michael Eid und Katharina Schmidt HOGREFE GÖTTINGEN BERN WIEN PARIS OXFORD PRAG TORONTO BOSTON AMSTERDAM KOPENHAGEN STOCKHOLM FLORENZ HELSINKI Inhaltsverzeichnis
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrMathematik. Mai 2017 AHS. Kompensationsprüfung 4 Angabe für Kandidatinnen/Kandidaten
Name: Datum: Klasse: Kompensationsprüfung zur standardisierten kompetenzorientierten schriftlichen Reifeprüfung AHS Mai 217 Mathematik Kompensationsprüfung 4 Angabe für Kandidatinnen/Kandidaten Hinweise
MehrMathematik 2 für Bauingenieure
Mathematik 2 für Bauingenieure Name (bitte ausfüllen): Prüfung am 6.3.2015 Reinhard Winkler Matrikelnummer (bitte ausfüllen): Die mündliche Prüfung findet in der Woche von 16. bis 20.3.2015 statt. Wenn
MehrAnalysis I Mathematik für InformatikerInnen II SoSe 12 Musterlösungen zur Prüfungsklausur vom 18. Juli 2012
Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Faultät II Institut für Mathemati Unter den Linden 6, D-0099 Berlin Prof. Andreas Griewan Ph.D. Dr. Thomas M. Surowiec Dr. Fares Maalouf
MehrZum Schluss berechnen wir die Steigung, indem wir
Einführung Grafisches Differenzieren (auch grafische Ableitung genannt) gibt uns zum einen die Möglichkeit, die Steigung des Graphen einer Funktion in einem bestimmten Punkt zu ermitteln, ohne dass wir
MehrKlausur Testtheorie: Antworten und Lösungen
Name: Matrikelnummer: Klausur Testtheorie: Antworten und Lösungen Psychologisches Institut der JGU Mainz Freitag, 24. 07. 09 Bitte vergessen Sie nicht, Ihren Namen und Ihre Matrikelnummer anzugeben! 1.
MehrWie viele Möglichkeiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n = 5? Für n = 2 gibt es 2 Möglichkeiten.
n-faultät Wie viele Möglicheiten gibt es, n Kinder in einer Reihe zu platzieren, z.b. für n? Für n gibt es Möglicheiten. Für n 3 hat das 3. Kind 3 Möglicheiten, die beiden restlichen Plätze önnen jeweils
MehrUnivariate Analysis. Analysis und nichtlineare Modelle Sommersemester
Analysis und nichtlineare Modelle Sommersemester 9 5 Univariate Analysis C. Berechnen Sie ohne Taschenrechner(!). Runden Sie die Ergebnisse auf ganze Zahlen. (a) 7 :, (b) 795 :.. Berechnen Sie ohne Taschenrechner(!):
MehrChi² Test und Kontingenzkoeffizient. - aber keine natürliche Reihenfolge
Chi² Test und Kontingenzoeffizient Für nominalsalierte Daten: - diese haben unterschiedliche Ausprägung, - aber eine natürliche Reihenfolge 1. Chi² Test Test nominalsalierter Daten Vergleich von beobachteten
Mehr2. Prinzipien der Datenreduktion
2. Prinzipien der Datenreduktion Man verwendet die Information in einer Stichprobe X 1,..., X n, um statistische Inferenz über einen unbekannten Parameter zu betreiben. Falls n groß ist, so ist die beobachtete
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 9 Freitag 9.6 $Id: quadrat.tex,v. 9/6/9 4:6:48 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6. Symmetrische Matrizen Eine n n Matrix heißt symmetrisch wenn
MehrAndreas Kladroba. 1. Einleitung
Andreas Kladroba. Einleitung Auch wenn man häufig den Eindruck hat, dass es gerade in der Ökonomie Bestrebungen zu geben scheint, jeden Sachverhalt möglichst als normalverteilt anzusehen, haben vor allem
Mehr(X Y )(a) = X (a) Y (a).
Aufgabe Teilaufgabe a) Seien X, Y zwei Zufallsvariablen, so definieren wir das Produkt dieser Zufallsvariablen X Y wie folgt: (X Y )(a) = X (a) Y (a). Teilaufgabe b) Gegenbeispiel: Betrachten wir uns folgenden
MehrMathematik II. Vorlesung 46. Der Gradient
Prof. Dr. H. Brenner Osnabrück SS 2010 Mathematik II Vorlesung 46 Der Gradient Lemma 46.1. Es sei K ein Körper und V ein K-Vektorraum, der mit einer Bilinearform, versehen sei. Dann gelten folgende Aussagen
Mehrb liegt zwischen a und c.
2 DIE ANORDNUNGSAXIOME 5 (2.4) a, b, c R : (a < b 0 < c) ac < bc Monotoniegesetz der Multiplikation Bezeichnungen a > b : b < a (> wird gelesen: größer als ) a b : a < b oder a = b a b : a > b oder a =
Mehr1.3 Funktionen einer reellen Veränderlichen und ihre Darstellung im x, y - Koordinatensystem
.0.0. Funktionen einer reellen Veränderlichen und ihre Darstellung im, - Koordinatensstem Vereinbarungen Wir betrachten vorerst nur noch Funktionen f, deren Definitionsund Wertebereich jeweils R oder ein
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
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
MehrSelbsttest (Aufgaben)
Selbsttest (Aufgaben) Hinweis: Nehmen Sie sich für diesen Test 1 zwei Stunden Zeit und versuchen Sie, alle Aufgaben ohne zusätzliche Hilfsmittel zu lösen. Wenn Sie Ihre Gesamtpunktzahl ermittelt haben,
Mehr$Id: reell.tex,v /11/15 13:12:24 hk Exp $
$Id: reell.tex,v.8 200//5 3:2:24 h Exp $ 4 Die reellen Zahlen 4.3 Das Vollständigeitsaxiom Wir hatten das Supremum einer Menge M R als die leinste obere Schrane von M definiert, sofern eine solche überhaupt
MehrMathematische und statistische Methoden II
Prof. Dr. G. Meinhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzeit nach Vereinbarung und nach der Vorlesung. Mathematische und statistische Methoden II Dr. Malte Persike persike@uni-mainz.de
MehrStatistik III. Walter Zucchini Fred Böker Andreas Stadie
Statistik III Walter Zucchini Fred Böker Andreas Stadie Inhaltsverzeichnis 1 Zufallsvariablen und ihre Verteilung 1 1.1 Diskrete Zufallsvariablen........................... 1 1.2 Stetige Zufallsvariablen............................
Mehr