Kapitel XI - Korrelationsrechnung
|
|
- Emil Maier
- vor 5 Jahren
- Abrufe
Transkript
1 Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008
2 Kapitel XI - Korrelationsrechnung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 2
3 Gliederung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 3
4 Aufgabe der Korrelationsrechnung Da es bei quantitativen Merkmalen nicht immer sinnvoll ist, mittels linearer Regression einen Zusammenhang zwischen beiden Merkmalen zu berechnen, erscheint es nützlich, eine Methode zu entwickeln, mit deren Hilfe man Hinweise erhalten kann, ob die Anwendung der linearen Regression berechtigt ist. Ziel der Korrelationsrechnung Messung der Güte eines unterstellten linearen Zusammenhangs Dazu vergleichen wir die Varianz der Trendwerte mit der Varianz der y-werte. ŷ i = ˆmx i + ˆb Kapitel XI - Korrelationsrechnung 4
5 Gliederung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 5
6 Bestimmtheitsmaß Das Bestimmtheitsmaß stellt das Verhältnis aus der Varianz der ŷ-werte und der Varianz der y-werte dar. Varianz der Trendwerte ŷ: s 2 ŷ = Var( ˆmx i + ˆb) = ˆm 2 s 2 x Varianz der y-werte sy. 2 Somit ist das Bestimmtheitsmaß definiert als ˆm 2 sx 2 s 2 y Kapitel XI - Korrelationsrechnung 6
7 Bestimmtheitsmaß Dies kann man umformen: ˆm 2 s 2 x s 2 y = = = = sx 2 ( n xi y i ) 2 ( x i yi sy 2 n x i 2 ( x i ) 2 = s2 x xi y i n 1 sy 2 ) 2 x i yi x 2 i n 1 ( x i 2 ) sx 2 xi yi 2 xi y xi y i yi xi + i n n n sy 2 x 2 xi i 2 xi + ( x i ) 2 n n sx 2 ( xi y i x y i ȳ ) 2 x i + n x ȳ sy 2 x 2 i 2 x x i + n x 2 sx 2 ( 1n ) 2 (xi x)(y i ȳ) sy 2 1 (xi x) n 2 = 1 ( 1 ) 2 sx 2 (xi x)(y i ȳ). s2 y n Der Ausdruck in der Klammer stellt die Kovarianz dar (später). Kapitel XI - Korrelationsrechnung 7
8 Bestimmtheitsmaß Das Bestimmtheitsmaß beschreibt den Anteil an der Varianz der y-werte, der sich bei linearer Regression aus der Varianz der x-werte begründen lässt, also um den Teil der Varianz, den man auch erhalten würde, wenn der lineare Zusammenhang exakt eingehalten würde, die Störgrößen also alle gleich 0 wären. Kapitel XI - Korrelationsrechnung 8
9 Gliederung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 9
10 Kovarianz Den Klammerausdruck aus dem Bestimmtheitsmaß nennt man die Kovarianz der beiden Merkmale: Cov(x, y) = 1 n n (x i x)(y i ȳ) i=1 Analog zur Varianz lässt sich dieser Ausdruck umformen: Cov(x, y) = 1 n = 1 n = 1 n = 1 n n (x i y i xy i x i ȳ + xȳ) i=1 n x i y i 1 n x( n y i ) ( 1 n i=1 i=1 n x i y i xȳ xȳ + xȳ i=1 n x i y i xȳ. i=1 n x i )ȳ + xȳ Kapitel XI - Korrelationsrechnung 10 i=1
11 Kovarianz Es werden das Leergewicht und das maximale Zulandungsgewicht bei PKWs betrachtet. Die Summe dieser beiden bildet das zulässige Gesamtgewicht. i = Leergewicht x i Zuladungsgewicht y i zul. Gesamtgewicht z i = x i + y i i = Leergewicht x i Zuladungsgewicht y i zul. Gesamtgewicht z i = x i + y i Kapitel XI - Korrelationsrechnung 11
12 Kovarianz Beispiel 11.1 Arithmetisches Mittel für Einzelwerte und zulässiges Gesamtgewicht: i = x i y i xi yi x i + y i (x i + y i ) i = x i y i xi yi x i + y i (x i + y i ) Kapitel XI - Korrelationsrechnung 12
13 Kovarianz Beispiel 11.1 Aus der Tabelle ermitteln wir: s 2 x = ; s 2 y = ; Cov(x, y) = und s 2 x+y = , also s 2 x+y = s 2 x + s 2 y + 2Cov(x, y). Kapitel XI - Korrelationsrechnung 13
14 Kovarianz Varianz der Summe s 2 x+y = 1 n n (x i + y i ( x + ȳ)) 2 i=1 = 1 n i=1 = 1 n i=1 n (x i x + y i ȳ) 2 n (x i x) n n (y i ȳ) n i=1 = s 2 x + s 2 y + 2Cov(x, y). n (x i x)(y i ȳ) Bei der Varianz der Summe geht also wesentlich die Beziehung zwischen den Merkmalen ein, wie sie sich aus der Kovarianz ergibt. i=1 Kapitel XI - Korrelationsrechnung 14
15 Kovarianz Kovarianz bei Verteilungen mit absoluten bzw. relativen Häufigkeiten h(a, b) bzw. p(a, b) für a M 1, b M 2 : Cov(x, y) = 1 n (a x)(b ȳ)h(a, b) a M 1 b M 2 = (a x)(b ȳ)p(a, b). b M 2 a M 1 Entsprechend gilt: Cov(x, y) = 1 n a b h(a, b) xȳ a M 1 b M 2 = a b p(a, b) xȳ. b M 2 a M 1 Kapitel XI - Korrelationsrechnung 15
16 Kovarianz Sind die beiden Merkmale unabhängig, so gilt nach Definition: p(a, b) = p(a) p(b) für a M 1, b M 2. Damit ergibt sich in diesem Fall Cov(x, y) = (a x)(b ȳ)p(a, b) a M 1 b M 2 = ( ) (a x)p(a) (b ȳ)p(b). a M 1 b M 2 Kapitel XI - Korrelationsrechnung 16
17 Kovarianz Für den Klammerausdruck gilt: a M 1 (a x)p(a) = a M 1 a p(a) = x x Damit gilt für unabhängige Merkmale Cov(x, y) = 0. a M 1 xp(a) a M 1 p(a) = x x = 0. Kapitel XI - Korrelationsrechnung 17
18 Kovarianz Beispiel 11.2 Bei der Messung von Körpergröße und -gewicht von 10 Personen ergab sich folgende Urliste: (186,85), (155,70), (165,70), (186,75), (160,75), (155,50), (165,60), (175,60), (175,70), (160,65). Kapitel XI - Korrelationsrechnung 18
19 Kovarianz Die Kovarianz kann mit Hilfe von folgendem Arbeitsschema berechnet werden: i = x i y i x i y i i = x i y i x i y i Damit erhält man: Cov(x, y) = = Kapitel XI - Korrelationsrechnung 19
20 Gliederung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 20
21 Korrelationskoeffizient Der (Bravais-Pearson-)Korrelationskoeffizient entspricht der Kovarianz zweier Merkmale über einer statistischen Masse dividiert durch das Produkt der beiden Standardabweichungen : r = Cov(x, y) s x s y Er ist also ein Maß für den linearen Zusammenhang zweier Merkmale. Das Bestimmtheitsmaß ist wegen r 2 = m2 s 2 x s 2 y = (Cov(x, y))2. sx 2 sy 2 das Quadrat des Korrelationskoeffizienten. Kapitel XI - Korrelationsrechnung 21
22 Korrelationskoeffizient Beispiel 11.3 Mit den Standardabweichungen s x = und s y = 9.27 erhält man den Korrelationskoeffizienten zu Beispiel 11.2 r = = Kapitel XI - Korrelationsrechnung 22
23 Korrelationskoeffizient Bemerkung: Für den Korrelationskoeffizienten gilt r = ˆm s x s y, Damit erhält man folgende Beziehungen: (a) Liegen alle Beobachtungswerte auf einer steigenden Geraden, dann ist r > 0 und r 2 = 1, also r = 1. (b) Liegen alle Beobachtungswerte auf einer fallenden Geraden, dann ist r < 0 und r 2 = 1, also r = 1. Es gilt für r: 1 r 1. wobei ˆm der Anstieg der Regressionsgeraden ist. Ist also r < 0, so ist der Anstieg der Regressionsgeraden negativ, bei r > 0 ist er positiv. Kapitel XI - Korrelationsrechnung 23
24 Korrelationskoeffizient Bezeichnungen Gilt r > 0, so heißen die Merkmale positiv korreliert, r = 0, so heißen die Merkmale unkorreliert, r < 0, so heißen die Merkmale negativ korreliert. Wichtig: Sind zwei Merkmale unabhängig, so sind sie also auch unkorreliert, aber die Umkehrung gilt nicht. Unkorrelierte Merkmale können abhängig sein. Kapitel XI - Korrelationsrechnung 24
25 Gliederung 1 Aufgabe der Korrelationsrechnung 2 Bestimmtheitsmaß 3 Kovarianz 4 Korrelationskoeffizient 5 Spearmannscher Rangkorrelationskoeffizient Kapitel XI - Korrelationsrechnung 25
26 Spearmannscher Rangkorrelationskoeffizient Bei Rangmerkmalen hat die Differenz zweier Merkmalswerte keine Aussagekraft. Damit ist auch der Korrelationskoeffizient, wenn er gebildet werden kann (etwa aus skalierten Werten), ohne direkte Bedeutung. Die natürliche Reihenfolge lässt sich dennoch ausnutzen. Dazu ordnet man die Merkmalswerte der statistischen Reihe in ihrer natürlichen Reihenfolge und ersetzt den Merkmalswert durch die entsprechende Rangziffer. Kapitel XI - Korrelationsrechnung 26
27 Spearmannscher Rangkorrelationskoeffizient Beispiel 11.4 Seien als Prüfungsergebnisse von 6 Kandidaten befriedigend, ungenügend, sehr gut, gut, ausreichend, sehr gut bis gut erzielt worden, so erhält man die geordnete Reihe sehr gut, sehr gut bis gut, gut, befriedigend, ausreichend, ungenügend. Die Rangziffern lauten dann: 1 für sehr gut 2 für sehr gut bis gut 3 für gut 4 für befriedigend 5 für ausreichend 6 für ungenügend Kapitel XI - Korrelationsrechnung 27
28 Spearmannscher Rangkorrelationskoeffizient Zusammenfassung: Die Merkmalspaare gehen damit bei einem zweidimensionalen Merkmal (gebildet aus Rangmerkmalen) in Rangzifferpaare über. Aus den Rangzifferpaaren kann dann der Korrelationskoeffizient bestimmt und damit festgestellt werden, ob eine Beziehung zwischen den Rangfolgen der statistischen Einheiten bzgl. der beiden Merkmale besteht. Kapitel XI - Korrelationsrechnung 28
29 Spearmannscher Rangkorrelationskoeffizient Beispiel 11.5 Die sechs oben angeführten Kandidaten haben (in derselben Reihenfolge wie in der geordneten Urliste) in einem weiteren Fach die Bewertungen gut, gut, sehr gut bis gut, befriedigend, befriedigend, ausreichend }{{}}{{}}{{}}{{} 2;3 1 4;5 6 erhalten. Damit erhalten sie hier die Rangziffern 1 2.5, 2.5, 1, 4.5, 4.5, 6. 1 Sind zwei oder mehr Merkmalswerte gleich, so ordnet man ihnen das arithmetische Mittel der zur Verfügung stehenden Rangziffern zu. Beispiel: Liegen x 3 = x 7 auf den Plätzen 3 und 4, so ist r 3 = r 7 = 3.5. Kapitel XI - Korrelationsrechnung 29
30 Spearmannscher Rangkorrelationskoeffizient Beispiel 11.5 Rangzifferpaare sind also (1, 2.5) (2, 2.5) (3, 1) (4, 4.5) (5, 4.5) (6, 6). Kapitel XI - Korrelationsrechnung 30
31 Spearmannscher Rangkorrelationskoeffizient Allgemein Seien die Merkmalspaare und (x 1, y 1 ),..., (x n, y n ) (r 1, s 1 ),..., (r n, s n ) die zugehörigen Rangzifferpaare, so erhält man als Korrelationskoeffizienten r S = 1 n 1 n n (r i r)(s i s) i=1 n (r i r) 2 1 i=1. n (s i s) 2 n i=1 Kapitel XI - Korrelationsrechnung 31
32 Spearmannscher Rangkorrelationskoeffizient Falls kein Merkmalswert doppelt auftritt und damit die Rangziffern jeweils die Werte 1,..., n durchlaufen, lässt sich r S umformen zu n 6 (r i s i ) 2 i=1 r S = 1 n(n 2. 1) r S heißt Spearmanscher Rangkorrelationskoeffizient. Kapitel XI - Korrelationsrechnung 32
33 Spearmannscher Rangkorrelationskoeffizient Analog zum Korrelationskoeffizienten gilt: Rangfolgen bei beiden Merkmalen r S gegenläufig 1 unabhängig 0 identisch +1 Entsprechend wird man Zwischenwerte interpretieren: r S 1 gegenläufiger Trend in den Merkmalen, r S 0 kein Trend erkennbar, r S 1 gleichlaufender Trend. Kapitel XI - Korrelationsrechnung 33
34 Spearmannscher Rangkorrelationskoeffizient Rangziffern bei quantitativen Merkmalen Dies ist dann sinnvoll, wenn zwar ein Trend zwischen den Werten, aber kein funktionaler Zusammenhang vermutet wird und daher insbesondere eine lineare Regression nicht angebracht ist. Kapitel XI - Korrelationsrechnung 34
35 Spearmannscher Rangkorrelationskoeffizient Beispiel Studenten der Statistik-Vorlesung wurden befragt, wieviele Stunden sie für die Nacharbeitung der Vorlesung im Durchschnitt wöchentlich aufgewandt haben und welche Punktzahlen sie in der Klausur erreichten: Student Stunden Punkte Daraus ergeben sich die Rangzifferpaare (r i, s i ): (1,2), (2,1), (3,3.5), (4.5,3.5), (4.5,5), (6,7), (7,6), (8,8) Kapitel XI - Korrelationsrechnung 35
36 Spearmannscher Rangkorrelationskoeffizient Beispiel 11.6 Nach der ersten Formel für r S ergibt sich r S = Cov(r,s) sr 2 ss 2 = bzw. nach der zweiten Formel = = r S = ( ) = = Kapitel XI - Korrelationsrechnung 36
Kapitel XI - Korrelationsrechnung
Istitut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökoometrie ud Statistik Kapitel XI - Korrelatiosrechug Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Seska Carlo Siebeschuh Aufgabe der Korrelatiosrechug
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
MehrKapitel X - Lineare Regression
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel X - Lineare Regression Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda 1 Untersuchung
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
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
Mehr6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale
6Korrelationsanalyse:Zusammengangsanalysestetiger Merkmale Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens ordinalskaliert, typischerweise
MehrLösungen zur Klausur zur Statistik Übung am
Lösungen zur Klausur zur Statistik Übung am 28.06.2013 Fabian Kleine Staatswissenschaftliche Fakultät Aufgabe 1 Gegeben sei die folgende geordneten Urliste des Merkmals Y. 30 Punkte Y : 5 5 5 5 10 10 10
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrHochschule Darmstadt FB Mathematik und Naturwissenschaften. Statistik. für Wirtschaftsingenieure (B.Sc.) Sommersemester 2017
für Wirtschaftsingenieure (B.Sc.) Sommersemester 017 Dr. rer. nat. habil. E-mail: adam-georg.balogh@h-da.de 1 Hochschule Darmstadt, Fachbereich MN Sommersemester 017 Testklausur zur Vorlesung Wirtschaftsstatistik
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,
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
MehrWelche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret.
Grundlagen der Statistik 25.9.2014 7 Aufgabe 7 Welche der folgenden Aussagen sind richtig? (x aus 5) A Ein metrisches Merkmal, das überabzählbar viele Ausprägungen besitzt heißt diskret. B Ein Merkmal
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2007 UNIVERSITÄT KARLSRUHE Priv.-Doz. Dr. D. Kadelka Dipl.-Math. oec. W. Lao Klausur (Maschineningenieure) Wahrscheinlichkeitstheorie und Statistik vom 2.9.2007 Musterlösungen
Mehr6 Korrelationsanalyse: Zusammenhangsanalyse stetiger. Merkmale
6 Korrelationsanalyse: Zusammenhangsanalyse stetiger Merkmale 6.1 Korrelationsanalyse Jetzt betrachten wir bivariate Merkmale (X, Y ), wobei sowohl X als auch Y stetig bzw. quasi-stetig und mindestens
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Wintersemester 2010/11 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer
Mehr1. Aufgabe. Bei einer Lehrveranstaltungsbewertung werden folgende Merkmale untersucht: Ordnen Sie diese entsprechenden Skalentypen zu.
Statistik 1 Übungsaufgaben 1. Aufgabe Bei einer Lehrveranstaltungsbewertung werden folgende Merkmale untersucht: Ordnen Sie diese entsprechenden Skalentypen zu. Titel der Lehrveranstaltung Allgemeiner
MehrSkalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
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
MehrGrundlagen der Statistik
Grundlagen der Statistik Übung 2 2010 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 04.06.2013 Zweidimensionale Datensätze 1. Kontingenztabelle
MehrDr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen Hochschule Esslingen Übungsblatt 2. Statistik
Dr. I. Fahrner WiSe 2016/17 Fakultät Grundlagen 6.10.2016 Hochschule Esslingen Übungsblatt 2 Statistik Stichworte: arithmetischer Mittelwert, empirische Varianz, empirische Standardabweichung, empirischer
MehrLösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)
Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 203) Aufgabe (9 Punkte) Ein metrisches Merkmal X sei in einer Grundgesamtheit vom Umfang n = 200 diskret klassiert.
MehrÜbersicht Teil 1 - deskriptive Statistik
1 Übersicht Teil 1 - deskriptive Statistik x = (x 1, x,, x n ) Stichprobe vom Umfang n Die x i heißen Stichprobenwerte Alle unterschiedlichen Werte, die unter den x i vorkommen, nennt man Merkmalswerte
MehrInhaltsverzeichnis (Ausschnitt)
4 Zweidimensionale Daten Inhaltsverzeichnis (Ausschnitt) 4 Zweidimensionale Daten Häufigkeitsverteilungen unklassierter Daten Häufigkeitsverteilungen klassierter Daten Bedingte Häufigkeitsverteilungen
MehrKapitel IV - Häufigkeitsverteilungen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel IV - Häufigkeitsverteilungen Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda
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:
MehrKapitel VIII - Mehrdimensionale Merkmale
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Mehrdimensionale Merkmale Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrStatistik Klausur Wintersemester 2013/2014 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 1 A 2. Klausur Wintersemester 2013/2014 Hamburg, 18.03.2014 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
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
MehrStatistik Klausur Wintersemester 2013/2014 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 1 2. Klausur Wintersemester 2013/2014 Hamburg, 18.03.2014 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrKlausurvorbereitung - Statistik
Aufgabe 1 Klausurvorbereitung - Statistik Studenten der Politikwissenschaft der Johannes Gutenberg-Universität wurden befragt, seit wie vielen Semestern sie eingeschrieben sind. Berechnen Sie für die folgenden
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrGrundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik
INSTITUT FÜR STOCHASTIK WS 2007/08 UNIVERSITÄT KARLSRUHE Blatt 1 Dr. B. Klar Übungen zur Vorlesung Grundlagen der Wahrscheinlichkeitstheorie und Statistik für Studierende der Informatik Musterlösungen
MehrKomplexe Zahlen. z = a + i b
Komplexe Zahlen Definition 7. Da keine reelle Zahl existiert, deren Quadrat -1 ist, definieren wir die imaginäre Einheit i durch die Gleichung i 2 = 1. Als die Menge aller komplexen Zahlen C definieren
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrKapitel III - Merkmalsarten
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel III - Merkmalsarten Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrRegression und Korrelation (Gurtner)
Regression und Korrelation (Gurtner) Oft muss man Trends verlängern. Dazu nimmt man die Daten einer Entwicklung, legt eine passende Kurve durch und verlängert die Kurve in die Zukunft. Hier verwenden wir
MehrStatistik für Betriebswirte I 1. Klausur Wintersemester 2014/
Statistik für Betriebswirte I 1. Klausur Wintersemester 2014/2015 13.02.2015 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN Nachname:................................................................... Vorname:....................................................................
MehrDie folgende Tabelle 1 wurde im Rahmen einer Umfrage unter den Studenten eines Statistikseminars erstellt.
Nr. Die folgende Tabelle wurde im Rahmen einer Umfrage unter den Studenten eines Statistikseminars erstellt. Gewicht (x i ) Raucher Geschlecht Lieblingssportart Ausübung des Sports Geld pro Monat Klassenmitte
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Aufgabenstellung und Ergebnisse Dr. Martin Becker Hinweise für die Klausurteilnehmer
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
MehrLösungen zur deskriptiven Statistik
Lösungen zur deskriptiven Statistik Aufgabe 1. Bei einer Stichprobe von n = Studenten wurden folgende jährliche Ausgaben (in e) für Urlaubszwecke ermittelt. 1 58 5 35 6 8 1 6 55 4 47 56 48 1 6 115 8 5
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
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
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrAufgabe 1. Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2016/17 Aufgabe 1 Das neue Universitätsgebäude
MehrÜbung 1: Einführung, grafische Darstellung univariater Datensätze
Übung 1: Einführung, grafische Darstellung univariater Datensätze Vor einer Bürgermeisterwahl, bei der fünf Kandidaten (A bis E) zur Auswahl stehen, wurden 160 Wahlberechtigte nach ihrer Wahlabsicht befragt.
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
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrVersuchsplanung und multivariate Statistik Sommersemester 2018
Versuchsplanung und multivariate Statistik Sommersemester 2018 Vorlesung 11: Lineare und nichtlineare Modellierung I Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 6.6.2018
MehrMathematik III - Statistik für MT(Master)
3. Regressionsanalyse Fachbereich Grundlagenwissenschaften Prof. Dr. Viola Weiß Wintersemester 0/03 Mathematik III - Statistik für MTMaster 3. Empirische Regressionsgerade Optimalitätskriterium: Die Summe
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
MehrKapitel VII - Konzentration von Merkmalswerten
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VII - Konzentration von Merkmalswerten Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2012/2013. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2012/2013 Aufgabe 1 Eine Befragung
MehrKlausur vom
UNIVERSITÄT KOBLENZ LANDAU INSTITUT FÜR MATHEMATIK Dr. Dominik Faas Stochastik Wintersemester 00/0 Klausur vom 09.06.0 Aufgabe (++4=9 Punkte) Bei einer Umfrage wurden n Personen befragt, an wievielen Tagen
MehrLeseprobe. Michael Sachs. Wahrscheinlichkeitsrechnung und Statistik. für Ingenieurstudenten an Fachhochschulen. ISBN (Buch):
Leseprobe Michael Sachs Wahrscheinlichkeitsrechnung und Statistik für Ingenieurstudenten an Fachhochschulen ISBN (Buch): 978-3-446-43797-5 ISBN (E-Book): 978-3-446-43732-6 Weitere Informationen oder Bestellungen
MehrBivariate Verteilungen [bivariate data]
Bivariate Verteilungen [bivariate data] Zwei Variablen X, Y werden gemeinsam betrachtet, d.h. an jedem Objekt i werden zwei Merkmale beobachtet. Beobachtungswerte sind Paare/Kombinationen von Merkmalsausprägungen
MehrStatistik... formeln für Dummies
Timm Si99 Statistik... formeln für Dummies Fachkorrektur tlon Christoph Maas und Joachim Gaukel WILEY WILEY-VCH Verlag GmbH & Co. KGaA lnhaftsllerzeichnis Einleitun9 17 Teil I Formeln aus der beschreibenden
MehrWahrscheinlichkeitsrechnung und Statistik
Wahrscheinlichkeitsrechnung und Statistik Für Ingenieurstudenten an Fachhochschulen von Michael Sachs erweitert Wahrscheinlichkeitsrechnung und Statistik Sachs schnell und portofrei erhältlich bei beck-shopde
MehrDeskriptive Statistik Kapitel IV - Häufigkeitsverteilungen
Deskriptive Statistik Kapitel IV - Häufigkeitsverteilungen Georg Bol bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de May 25, 2006 Agenda 1. Beispiel 2. Darstellung
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
MehrWahrscheinlichkeitstheorie und Statistik vom
INSTITUT FÜR STOCHASTIK SS 2010 Karlsruher Institut für Technologie Priv.-Doz. Dr. D. Kadelka Klausur Wahrscheinlichkeitstheorie und Statistik vom 14.9.2010 Musterlösungen Aufgabe 1: Gegeben sei eine Urliste
MehrÜbungsblatt 4. Berechnen Sie für die statistischen Reihen die Varianzen, Kovarianzen und Korrelationskoeffizienten
Aufgabe 1: Übungsblatt 4 Berechnen Sie für die statistischen Reihen die Varianzen, Kovarianzen und Korrelationskoeffizienten a) s 2 X, s 2 Y, sz, 2 s 2 U, s 2 V, s 2 W, s 2 T b) c XY, c Y Z c) c ZU, c
MehrStatistik für Naturwissenschaftler
Hans Walser Statistik für Naturwissenschaftler 3000 2500 KVG-Leistungen pro versicherte Person Durchschnitt Schweiz JU TI NE VD GE BS BL 2000 FR SO ZH TG AG BE VS SH SZGL SG 500 OW LU ZG GR UR AR Anzahl
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrEigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße
Eigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße 1. Kreuze die richtige Aussage an! positiv sind, ist r stets identisch mit s xy. negativ sind, ist r stets identisch mit s xy. positiv sind, ist das
MehrKapitel V - Graphische Darstellung von Häufigkeitsverteilungen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel V - Graphische Darstellung von Häufigkeitsverteilungen Markus Höchstötter
Mehrsimple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall
Regression Korrelation simple lineare Regression kurvilineare Regression Bestimmtheitsmaß und Konfidenzintervall Zusammenhänge zw. Variablen Betrachtet man mehr als eine Variable, so besteht immer auch
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
MehrVorlesungsskript. Deskriptive Statistik. Prof. Dr. Günter Hellmig
Vorlesungsskript Deskriptive Statistik Prof. Dr. Günter Hellmig Prof. Dr. Günter Hellmig Vorlesungsskript Deskriptive Statistik Erstes Kapitel Die Feingliederung des ersten Kapitels, welches sich mit einigen
MehrStatistik I. 2. Klausur Wintersemester 2011/2012 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik I A 2. Klausur Wintersemester 2011/2012 Hamburg, 20.03.2012 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................
MehrW-Rechnung und Statistik für Ingenieure Übung 5
W-Rechnung und Statistik für Ingenieure Übung 5 Grafische/ tabellarische Darstellung für bivariate Daten diskrete Merkmale (qualitativ+ quantitativ diskret) stetige Merkmale (quantitativ stetig) Zusammenhangsmaße
MehrKlausurlösungen Statistik
Klausurlösungen Statistik Kurs 4060 Grundlagen der Statistik - Version vom 0.0.07 Wichtige Hinweise Liebe Studierende, Vielen Dank für den Erwerb dieser Klausurlösungen zum Kurs 4060 Grundlagen der Statistik
MehrInhaltsverzeichnis: Aufgaben zur Vorlesung Statistik Kapitel 1 bis 3 Seite 1 von 11 Prof. Dr. Karin Melzer, Fakultät Grundlagen
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 2 und 3... 2 Aufgabe 1... 2 Aufgabe 2... 2 Aufgabe 3... 2 Aufgabe 4... 3 Aufgabe 5... 3 Aufgabe 6... 3 Aufgabe 7... 4 Aufgabe 8... 4 Aufgabe 9... 5 Aufgabe
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
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
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
MehrBiomathematik für Mediziner, Klausur WS 1999/2000 Seite 1
Biomathematik für Mediziner, Klausur WS 1999/2000 Seite 1 Aufgabe 1: Wieviele der folgenden Variablen sind quantitativ stetig? Schulnoten, Familienstand, Religion, Steuerklasse, Alter, Reaktionszeit, Fahrzeit,
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
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
MehrWirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011.
Wirtschaftswissenschaftliches Prüfungsamt Bachelor-Prüfung Deskriptive Statistik und Wahrscheinlichkeitsrechnung Sommersemester 2011 Namensschild Dr. Martin Becker Hinweise für die Klausurteilnehmer ˆ
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2004/2005 Universität Karlsruhe 14. Februar 2005 Dr. Bernhard Klar Sebastian Müller Aufgabe 1: (15 Punkte) Klausur zur Vorlesung Statistik für Biologen Musterlösungen
Mehr3. Zwischen Körpergröße und Gewicht scheint ein Zusammenhang zu bestehen. In der folgenden Liste sind die Daten von 10 Personen aufgeführt:
Klausur (Finanzmathematik & Statistik) zum Sommersemester 2012 Name: Matrikel-Nr: EMail: (optionale Schnell-Korrektur) Aufgabe 1 2 3 4 Punkte 15 20 20 15 Als Hilfsmittel sind die von dem Lehrbeauftragten
MehrPrüfung aus Statistik 1 für SoziologInnen- Gruppe A
Prüfung aus Statistik 1 für SoziologInnen- Gruppe A 26. Juni 2012 Gesamtpunktezahl =80 Prüfungsdauer: 2 Stunden 1) Wissenstest (maximal 20 Punkte) Lösungen Kreuzen ( ) Sie die jeweils richtige Antwort
MehrStatistik K urs SS 2004
Statistik K urs SS 2004 3.Tag Grundlegende statistische Maße Mittelwert (mean) Durchschnitt aller Werte Varianz (variance) s 2 Durchschnittliche quadrierte Abweichung aller Werte vom Mittelwert >> Die
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
MehrKapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel X - Randverteilung, bedingte Verteilung und Unabhängigkeit von Zufallsvariablen
MehrKlausur zu Statistik II
GOETHE-UNIVERSITÄT FRANKFURT FB Wirtschaftswissenschaften Statistik und Methoden der Ökonometrie Prof. Dr. Uwe Hassler Wintersemester 03/04 Klausur zu Statistik II Matrikelnummer: Hinweise Hilfsmittel
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 3. Vorlesung Dr. Jochen Köhler 1 Inhalte der heutigen Vorlesung Ziel: Daten Modellbildung Probabilistisches Modell Wahrscheinlichkeit von Ereignissen Im ersten
MehrKapitel VI - Lage- und Streuungsparameter
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VI - Lage- und Streuungsparameter Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
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 ]
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
MehrDeskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j
1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b
Mehr