Geg.: Eine Menge von Elementen, z.b.
|
|
- Monica Heidrich
- vor 5 Jahren
- Abrufe
Transkript
1 1.3 Zweidimensionale Häufigkeitsverteilungen Geg.: Eine Menge von Elementen, z.b. Schüler einer Schule Soldaten eines Bataillons Schrauben einer Stichprobe Tage eines Jahrhunderts Betrachtet werden zwei Merkmale, z.b. Note und Alter Größe und Gewicht Dicke und Länge Mondphase und Wetter Dann liegt vor: eine zweidimensionale Häufigkeitsverteilung Eine zweidimensionale Häufigkeitsverteilung enthält mehr Information als zwei eindimensionale Häufigkeitsverteilungen! 1
2 Gibt es Zusammenhänge zwischen den Daten? Beschreibung durch Tabelle oder Diagramm cm \ kg Die in der rechtesten Spalte und in der untersten Zeile stehenden Summen geben die Randhäufigkeiten an. Bei einer zweidimensionalen Häufigkeitsverteilung bilden die Randhäufigkeiten je eine eindimensionale Verteilung. Beim Zeichnen eines Diagramms, z.b. eines Säulendiagramms, achtet man zunächst nicht auf die Sichtbarkeit. Dann radiert man oder zeichnet das Ergebnis auf Transparentpapier ab. 2
3 1.3.2 Summenhäufigkeitsfunktion oder (empirische) Verteilungsfunktion Jedes Element a i von endlich vielen Elementen a 1, a 2,..., a n habe zwei numerische Merkmale x i, y i (i = 1, 2,..., n). Dann ist durch F (x, y) := Anzahl der a i mit x i x, y i y n die Summenhäufigkeitsfunktion oder (empirische) Verteilungsfunktion F gegeben. 1.4 Korrelation zweier Merkmale Beispiel: Körpergröße und Gewicht Vier Erwachsene haben die folgende Größe (Körperlänge) x i in cm und das folgende Gewicht y i in kg. Person x i y i Man kann dazu ein Streudiagramm zeichnen. (Siehe Tafelskizze!) 3
4 Die Punkte im Streudiagramm liegen um eine Gerade herum. Die Größen Körperlänge und Gewicht sind korreliert. Diese Korrelation braucht nicht notwendig einen kausalen Zusammenhang zu bedeuten! Kennzahlen für den Zusammenhang zweier Größen Seien x, y zwei Größen, die die Werte x i, y i, i = 1, 2,..., n annehmen. Cov(x, y) := s xy := 1 n 1 (x i x)(y i ȳ) heißt die (empirische) Kovarianz von x und y. Der Summand (x i x)(y i ȳ) ist positiv, wenn der i-te Wert von x und der i-te Wert von y in gleicher Richtung vom Mittelwert abweichen und 4
5 negativ, wenn der i-te Wert von x und der i-te Wert von y in verschiedener Richtung vom Mittelwert abweichen. Falls alle Summanden positiv: - alle Punkte des Streudiagramms in zwei Quadranten der Ebene - Kovarianz positiv groß. (Siehe Tafelskizze!) Falls alle Summanden negativ: - alle Punkte des Streudiagramms in zwei Quadranten der Ebene - Kovarianz negativ groß. 1 Der Faktor n 1 sorgt dafür, dass die Kovarianz nicht zu sehr von der Anzahl der Werte abhängt. r xy = n (x i x)(y i ȳ) n (x i x) 2 n (y i ȳ) 2 5
6 = s xy s x s y heißt der (empirische) Korrelationskoeffizient, auch der Pearsonsche Korrelationskoeffizient von x und y, falls ein x i x und ein y i ȳ, falls also nicht alle x i gleich sind und zugleich nicht alle y i gleich sind. Hier sorgt der Nenner dafür, dass der Korrelationskoeffizient nicht zu sehr von der Anzahl der Werte abhängt Anwendung auf unser Beispiel Person x i y i Hier ist x = ( ) = = 165, 6
7 ȳ = 60, also s xy = (( )(84 60)+( )(45 60)+ ( )(56 60) + ( )(55 60)) = 1 ( ) = ( ) = = s xy ist positiv und groß. r xy = = = , 83. Dieser Korrelationskoeffizient ist größer als Null, näher an 1 als an Null. 7
8 1.4.4 Zur (empirischen) Kovarianz s xy := 1 n 1 (x i x)(y i ȳ) Annahme: Es gibt keinen Zusammenhang zwischen den x i und den y i. Dann werden x i x und y i ȳ keinen Zusammenhang besitzen. Dann werden x i x und y i ȳ ungefähr gleich oft gleiches wie verschiedenes Vorzeichen haben. Dann werden (x i x) (y i ȳ) ungefähr gleich oft positiv wie negativ sein. s xy wird daher klein sein Zum (empirischen) Korrelationskoeffizienten Bemerkung 1: n r xy = (x i x)(y i ȳ) n (x i x) 2 n (y i ȳ) 2 ist im R n der Kosinus des Winkels der Vektoren 8
9 x 1 x x 2 x. x n x, y 1 ȳ y 2 ȳ. y n ȳ. Bemerkung 2: Stets gilt 1 r xy 1. (CAUCHY/SCHWARZsche Ungleichung) Bemerkung 3: Ist x i = y i für i = 1,..., n, so ist x = ȳ und r xy = 1. Bemerkung 4: Liegen im Streudiagramm die Punkte (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ) auf einer Geraden, dann gilt: also y i = mx i + b für i = 1, 2,..., n, y i = m x i + nb. Division durch n liefert: 9
10 Folglich gilt: ȳ = m x + b. Folglich ist y i ȳ = m(x i x) für i = 1, 2,..., n. r xy = m n (x i x) 2 n (x i x) 2 m 2 n (x i x) 2 = m m = ±1. (Falls m = 0, ist r xy nicht definiert.) Bemerkung 5: Die Zahl der Störche und die Zahl der Geburten sind gut korreliert. Daraus kann man nicht viel schließen! Umgekehrt gilt aber: Besteht keine Korrelation (r xy = 0), so besteht kein kausaler Zusammenhang. 1.5 Die Regressionsgerade Entwicklung der Aufgabenstellung Geg.: Punkte (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). 10
11 Falls die Punkte im Streudiagramm alle auf einer Geraden liegen, erhält man diese Gerade als Verbindungsgerade von zwei beliebigen dieser Punkte. Anderenfalls: Ges.: Gerade mit der Gleichung ŷ = ax + b, auf der die geg. Punkte möglichst gut drauf liegen. Das ist keine gute Forderung! Sie liefert kein eindeutiges Ergebnis. Man könnte eine Gerade suchen, so dass die Summen der Abstände der Punkte von der Geraden minimal = so klein wie möglich wird. Das ist unbequem zu rechnen und hat weitere Nachteile. Man geht so vor: Ges.: Gerade mit der Gleichung ŷ = ax+b, so dass gilt: Die Summe der Quadrate der Abstände der Punkte von der Geraden ist minimal, 11
12 wenn man die Abstände in y-richtung misst. Diese Gerade heißt Regressionsgerade. Geschichtliches: Auf die Methode der kleinsten Quadrate kamen Carl Friedrich Gauß ( ) und Adrien-Marie Legendre ( ). Legendre war Gauß deswegen böse. Ein alter Spruch über die Methode der kleinsten Quadrate, ohne Kommentar wiedergegeben: Die Physiker glauben, dass die Richtigkeit dieser Methode von den Mathematikern bewiesen wurde. Die Mathematiker glauben, dass die Richtigkeit dieser Methode durch die Erfahrung der Physiker bestätigt wird Berechnung der Regressionsgerade Minimal soll werden: S := (y i (ax i + b)) 2 12
13 Dabei sind x 1,..., x n, y 1,..., y n bekannte konstante Werte. Gesucht sind a, b, so dass S(a, b) minimal wird. Setzt man das richtige b ein (noch unbekannt!), und lässt man a variieren, so hat man eine Funktion von a, und für ein Minimum dieser Funktion gilt notwendig: 0 = S(a, b). a Entsprechend ist notwendig 0 = S(a, b). b Dabei bedeutet a die partielle Ableitung nach a, bei der b als Konstante behandelt wird. Berechnung: 0 = a S(a, b) = a 2 (y i (ax i + b)) 2 = (y i (ax i + b)) ( x i ) = 13
14 2( x i y i a x 2 i b x i ) und 0 = b S(a, b) = b (y i (ax i + b)) 2 = 2 (y i (ax i + b)) ( 1) = 2( y i a x i nb) Also gilt notwendig: n b + ( x i ) a = y i (1) ( x i ) b + ( x 2 i ) a = Wir eliminieren b aus (1) und (2): x i y i (2) (1) ( x i ) (2)cdotn 14
15 a = ( n x i)( n y i) n n x iy i ( n x i) 2 n( n x2 i ) Mit a erhält man aus (1): b = ȳ xa Zusammenfassung Geg.: Punkte (x 1, y 1 ), (x 2, y 2 ),..., (x n, y n ). Ges.: Regressionsgerade mit der Gleichung ŷ = ax + b Dann ist a = ( n x i)( n y i) n n x iy i ( n x i) 2 n( n x2 i ) und b = ȳ xa Warnungen Warnung 1: Wird die Regressionsgerade in der Gestalt 15
16 gesucht, ŷ = bx + a dann ist das dieselbe Gerade, aber man muss bei der Anwendung der Formeln aufpassen. Warnung 2: Wird die Regressionsgerade in der Gestalt gesucht, ˆx = ay + b dann ist das eine andere Gerade! Dann minimiert man die Quadratsumme der Abstände in x-richtung! Zum Zeichnen der Regressionsgeraden Die Regressionsgerade geht durch den Punkt ( x, ȳ) und hat die oben berechnete Steigung. 16
Eine 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,
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften Modul 202 Regressionsgerade und Korrelation Lernumgebung. Teil Hans Walser: Modul 202, Regressionsgerade und Korrelation. Lernumgebung. ii Inhalt Messwertpaare...
Mehr(f(xi ) y i ) 2. minimal ist: man will also die Summe der quadratischen Abweichungen minimieren ... f(x i ) y i, i=1 (t x i) 2
Mathematik für Biologen, Biotechnologen und Biochemiker Lineare Regression Gegeben seien Datenpaare (, ), (, ),, ( n, n ) Wir stellen die Frage, ob sich die Zahlen i als Werte einer linearen Funktion i
MehrDidaktisches Seminar über Stochastik. Themen: ffl Korrelation von zwei Zufallsvariablen
Didaktisches Seminar über Stochastik Themen: ffl Gemeinsame Verteilung von zwei Zufallsvariablen ffl Lineare Regression ffl Korrelation von zwei Zufallsvariablen Michael Ralph Pape Mai 1998 1 1 GEMEINSAME
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
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 8. Mai 2009 Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Stichprobe ( 1,y
Mehr2 Regressionsgerade und Korrelation
17 2 Regressionsgerade und Korrelation In diesem Kapitel wird gezeigt, wie man üperprüfen kann, ob zwei Datensätze zusammenhängen und wie sich ein allfälliger (linearer) Zusammenhang quantitativ beschreiben
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
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
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
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
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 26. April 2013 Prolog Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Artensterben
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:
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
MehrVorlesung 9b. Kovarianz und Korrelation
Vorlesung 9b Kovarianz und Korrelation 1 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und E[Y 2 ] < ist Cov[X,Y]:= E [ (X EX)(Y EY) ] Insbesondere ist
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,
MehrVorlesung 8b. Kovarianz, Korrelation und Regressionsgerade
Vorlesung 8b Kovarianz, Korrelation und Regressionsgerade 1 1. Die Kovarianz und ihre Eigenschaften 2 Wir erinnern an die Definition der Kovarianz Für reellwertige Zufallsvariable X, Y mit E[X 2 ] < und
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 21. Oktober 2010 1 Datenpaare Korrelation Lineare Regression Regression im exponentiellen Modell Datenpaare Häufig
MehrBrückenkurs Statistik für Wirtschaftswissenschaften
Peter von der Lippe Brückenkurs Statistik für Wirtschaftswissenschaften Weitere Übungsfragen UVK Verlagsgesellschaft mbh Konstanz Mit UVK/Lucius München UVK Verlagsgesellschaft mbh Konstanz und München
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...
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN GLIEDERUNG Bivariate Analyse für metrisch skalierte Variablen Grundlagen Streudiagramme und Visualisierungen von Zusammenhängen Positive lineare
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
Mehr7.5 Erwartungswert, Varianz
7.5 Erwartungswert, Varianz Def. 7.5.: a) X sei eine diskrete ZV, die bei unendl. vielen Werten x k folgende Zusatzbedingung erfüllt: x k p k
Mehr2. Spezielle anwendungsrelevante Funktionen
2. Spezielle anwendungsrelevante Funktionen (1) Affin-lineare Funktionen Eine Funktion f : R R heißt konstant, wenn ein c R mit f (x) = c für alle x R existiert linear, wenn es ein a R mit f (x) = ax für
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
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
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
MehrEine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie zunächst eine Stichprobe dieser beiden Merkmale
Wirtschaftswissenschaftliches Zentrum 4 Universität Basel Statistik Dr. Thomas Zehrt Regression Motivation Eine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie
Mehr3 Korrelation und Regression
3 KORRELATION UND REGRESSION 3 Korrelation und Regression Sind zwei Zufallsvariable X und Y unabhängig, so gibt es keinerlei Wechselwirkung zwischen ihnen. Ist ein funktionaler Zusammenhang = f( zwischen
MehrBivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation
Bivariater Zusammenhang bei metrischen Variablen: Regression und Korrelation PEΣO 12. November 2001 Von der Tabellenanalyse zur Regression Die bivariate Verteilung zweier metrischer Variablen kann konzeptionell
MehrAusgleichsrechnung: Methode der kleinsten Quadrate
kleinsten Quadrate Historische Bemerkung In der Neujahrsnacht 1801 entdeckte Giuseppe Piazzi den Zwergplaneten Ceres in der Lücke zwischen Mars und Jupiter. Allerdings verlor man Ceres danach wieder aus
MehrTEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN
TEIL 12: BIVARIATE ANALYSE FÜR METRISCH SKALIERTE VARIABLEN Bivariate Analyse für metrisch skalierte Variablen Grundlagen Verfahren für metrische Daten nutzen den vollen mathematischen Informationsgehalt
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.
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
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler. (a) Bestimmen Sie die kartesische Form von Wintersemester 7/8 (..8) z = ( + i)( i) + ( + i). (b) Bestimmen Sie sämtliche komplexen Lösungen
Mehr1 Multivariate Zufallsvariablen
1 Multivariate Zufallsvariablen 1.1 Multivariate Verteilungen Definition 1.1. Zufallsvariable, Zufallsvektor (ZV) Sei Ω die Ergebnismenge eines Zufallsexperiments. Eine (univariate oder eindimensionale)
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:
MehrLeseprobe. Michael Knorrenschild. Vorkurs Mathematik. Ein Übungsbuch für Fachhochschulen ISBN:
Leseprobe Michael Knorrenschild Vorkurs Mathematik Ein Übungsbuch für Fachhochschulen ISBN: 978-3-446-42066-3 Weitere Informationen oder Bestellungen unter http://www.hanser.de/978-3-446-42066-3 sowie
MehrBivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154
Bivariate lineare Regression Statistik für SozialwissenschaftlerInnen II p.154 Grundidee und Typen der Regression Die Regressionsanalyse dient zur Quantifizierung des Zusammenhangs und der statistisch
Mehr3. Lineare Regression.
- Funktionen Lineare Regression Summen und Mittelwerte Sind,, n reelle Zahlen, so bezeichnen wir mit n i = + + + n i= die Summe dieser Zahlen Die abkürzende Schreibweise mit dem Summenzeichen n i= oder
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:.............................................................................
MehrLeseprobe. Michael Knorrenschild. Vorkurs Mathematik. Ein Übungsbuch für Fachhochschulen. ISBN (Buch):
Leseprobe Michael Knorrenschild Vorkurs Mathematik Ein Übungsbuch für Fachhochschulen ISBN (Buch): 978-3-446-43798-2 ISBN (E-Book): 978-3-446-43628-2 Weitere Informationen oder Bestellungen unter http://www.hanser-fachbuch.de/978-3-446-43798-2
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
MehrGrundlagen komplexe Zahlen. natürliche Zahlen
Grundlagen komplexe Zahlen Die Zahlenbereichserweiterungen von den natürlichen Zahlen hin zu den reellen Zahlen waren dadurch motiviert, bestimmte Rechenoperationen uneingeschränkt ausführen zu können.
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun http://blog.ruediger-braun.net Heinrich-Heine-Universität Düsseldorf 10. Dezember 2014 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel
MehrKorrelation und Regression
FB 1 W. Ludwig-Mayerhofer und 1 und FB 1 W. Ludwig-Mayerhofer und 2 Mit s- und sanalyse werden Zusammenhänge zwischen zwei metrischen Variablen analysiert. Wenn man nur einen Zusammenhang quantifizieren
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
MehrExtrema multivariater Funktionen
Extrema multivariater Funktionen Ist f (x ) ein Minimum (Maximum) einer stetig differenzierbaren skalaren Funktion f auf einer Umgebung U von x, so gilt grad f (x ) = (0,..., 0) t. Extrema multivariater
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
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
MehrEinige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.)
Einige Konzepte aus der Wahrscheinlichkeitstheorie (Wiederh.) 1 Zusammenfassung Bedingte Verteilung: P (y x) = P (x, y) P (x) mit P (x) > 0 Produktsatz P (x, y) = P (x y)p (y) = P (y x)p (x) Kettenregel
MehrProbeklausur zu Mathematik 3 für Informatik
Gunter Ochs Juli 0 Probeklausur zu Mathematik für Informatik Lösungshinweise wie immel ohne Galantie auf Fehreleiheit Sei f ln a Berechnen Sie die und die Ableitung f und f Mit der Produktregel erhält
Mehr1 Grundlagen der Wahrscheinlichkeitsrechnung Wahrscheinlichkeitsräume. Ein erster mathematischer Blick auf Zufallsexperimente...
Inhaltsverzeichnis 1 Grundlagen der Wahrscheinlichkeitsrechnung 1 1.1 Wahrscheinlichkeitsräume Ein erster mathematischer Blick auf Zufallsexperimente.......... 1 1.1.1 Wahrscheinlichkeit, Ergebnisraum,
MehrAllgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression
1 Einführung Allgemeine Chemie Computer Praktikum Frühjahrssemester Regressions-Tutorial Lineare und nicht-lineare Regression Datenauswertung In einem naturwissenschaftlichen Experiment werden Sie meist
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
MehrBitte bearbeite zunächst alle Aufgaben bevor du einen Blick in die Lösungen wirfst.
Übungsblatt 2 - Varianz, Standardabweichung, Kovarianz Das zweite Übungsblatt umfasst die Themen Varianz, Standardabweichung und Kovarianz. Hinter den Aufgaben steht wie gewohnt in Klammern die durchschnittliche
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
MehrVorkurs Mathematik. Ein Übungsbuch für Fachhochschulen. Bearbeitet von Michael Knorrenschild
Vorkurs Mathematik Ein Übungsbuch für Fachhochschulen Bearbeitet von Michael Knorrenschild 1. Auflage 2004. Buch. 176 S. Hardcover ISBN 978 3 446 22818 4 Format (B x L): 14,6 x 21,2 cm Gewicht: 259 g Weitere
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
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
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
MehrKapitel XI - Korrelationsrechnung
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Kapitel XI - Korrelationsrechnung Markus Höchstötter Uni Karlsruhe Karlsruhe, SS 2008 Kapitel XI - Korrelationsrechnung
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
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
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrStatistik II: Signifikanztests /2
Medien Institut : Signifikanztests /2 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Korrelation 2. Exkurs: Kausalität 3. Regressionsanalyse 4. Key Facts 2 I
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
MehrLösungen der Serie 2, Schuljahr 2007/08, Klasse 11/13
Lösungen der Serie 2, Schuljahr 2007/08, Klasse 11/13 Lösung 110706. Das Produkt einer endlichen Anzahl reeller Zahlen ist genau dann größer oder gleich 0, wenn die Anzahl der negativen Faktoren gerade
MehrMathematik 2 für Naturwissenschaften
Hans Walser Mathematik 2 für Naturwissenschaften 2 3 3 4 6 4 5 0 0 5 6 5 20 5 6 Tabellen (leicht gekürzte Version) Hans Walser: Tabellen ii Inhalt Binomische Verteilung.... Binomische Verteilung (ohne
MehrVon insgesamt 50 Statistikern nehmen an allen 3 Tagen einer Tagung 30, an 2 Tagen 10 und an einem Tag ebenfalls 10 teil.
Technische Universität München SS 2006 Zentrum Mathematik Blatt 5 Prof. Dr. J. Hartl Dr. Hannes Petermeier Dr. Cornelia Eder Dipl.-Ing. Martin Nagel Höhere Mathematik 2 (Weihenstephan) 1. An einer drei
MehrVektorgeometrie Layout: Tibor Stolz
Hanspeter Horlacher Vektorgeometrie Layout: Tibor Stolz 1. Einführung Eine Grösse, zu deren Festlegung ausser einer Zahl auch noch die Angabe einer Richtung nötig ist, heisst VEKTOR. P 2 P 1 P 1 P 2 P
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
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2 Olga Holtz MA 378 Sprechstunde Fr 4-6 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 2-4 und nv jokar@mathtu-berlinde Kapitel 4 Der
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
MehrPrüfung im Anschluss an das Sommersemester 2004 am 15. Oktober 2004 von bis Uhr
Note Technische Universität München SS 2004 Zentrum Mathematik apl. Prof. Dr. J. Hartl Höhere Mathematik 2 (Weihenstephan) Prüfung im Anschluss an das Sommersemester 2004 am 15. Oktober 2004 von 15.30
MehrStatistik. Sommersemester Prof. Dr. Stefan Etschberger Hochschule Augsburg. für Betriebswirtschaft und internationales Management
für Betriebswirtschaft und internationales Management Sommersemester 2015 Prof. Dr. Stefan Etschberger Hochschule Augsburg Normalverteilung Eine Zufallsvariable X mit einer Dichtefunktion und σ > 0 heißt
MehrWirtschaftsmathematik: Mathematische Grundlagen
Wirtschaftsmathematik: Mathematische Grundlagen 1. Zahlen 2. Potenzen und Wurzeln 3. Rechenregeln und Vereinfachungen 4. Ungleichungen 5. Intervalle 6. Beträge 7. Lösen von Gleichungen 8. Logarithmen 9.
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
Mehr3.1 Zusammenhang zwischen einem qualitativen und einem quantitativen Merkmal
Kapitel 3 Bivariate Analyse In Kapitel 2 haben wir gesehen, wie man ein Merkmal auswertet. Mit Hilfe statistischer Verfahren kann man aber auch untersuchen, ob zwischen mehreren Merkmalen Abhängigkeiten
MehrRegression. Leonardo da Vinci (1452-1519) formulierte folgende Zusammenhänge:
Regression Leonardo da Vinci (142-119) formulierte folgende Zusammenhänge: 1. Die Körpergröße ist gleich der Spannweite der Arme. 2. Die Höhe einer knienden Person ist 3 4 der Körpergröße. 3. Die Handlänge
MehrKlausur zur Vorlesung
Institut für Mathematische Stochastik WS 2006/2007 Universität Karlsruhe 12. Februar 2007 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Aufgabe 1 (15 Punkte) Klausur zur Vorlesung Statistik für Biologen
MehrMathematik: Mag. Schmid Wolfgang+ LehrerInnenTeam ARBEITSBLATT 6-8 UMKEHRAUFGABEN ZUR KURVENDISKUSSION
Mathematik: Mag. Schmid Wolfgang LehrerInnenTeam ARBEITSBLATT 6-8 UMKEHRAUFGABEN ZUR KURVENDISKUSSION Wir wollen uns zu diesem Aufgabenbereich noch einige komplexere Aufgabenstellungen überlegen: Beispiel:
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
MehrMathematische Probleme, SS 2019 Donnerstag $Id: dreieck.tex,v /04/12 17:03:16 hk Exp $
$Id: dreieck.tex,v 1.53 2019/04/12 17:03:16 hk Exp $ 1 Dreiecke 1.1 Rechtwinklige Dreiecke Wir beschäftigen uns gerade mit den primitiven pythagoräischen Tripeln. Haben wir ein solches Tripel, also teilerfremde
Mehr1 Polynome III: Analysis
1 Polynome III: Analysis Definition: Eine Eigenschaft A(x) gilt nahe bei a R, falls es ein δ > 0 gibt mit A(x) gilt für alle x (a δ, a + δ)\{a} =: U δ (a) Beispiele: x 2 5 nahe bei 0 (richtig). Allgemeiner:
MehrVerfahren zur Überprüfung von Zusammenhangshypothesen
Verfahren zur Überprüfung von Zusammenhangshypothesen 0. Allgemeines Wir haben uns bisher mit Unterschiedshypothesen beschäftigt (Unterschiede von Stichproben in Bezug auf abhängige Variablen). Im Folgenden
MehrPrüfung im Anschluss an das Sommersemester 2002 am 11. Oktober 2002 von bis Uhr
Note Technische Universität München SS 2002 Zentrum Mathematik apl. Prof. Dr. J. Hartl Höhere Mathematik 2 (Weihenstephan) Prüfung im Anschluss an das Sommersemester 2002 am. Oktober 2002 von 6.00 bis
MehrLineare Algebra - Übungen 1 WS 2017/18
Prof. Dr. A. Maas Institut für Physik N A W I G R A Z Lineare Algebra - Übungen 1 WS 017/18 Aufgabe P1: Vektoren Präsenzaufgaben 19. Oktober 017 a) Zeichnen Sie die folgenden Vektoren: (0,0) T, (1,0) T,
MehrTermumformungen. Klasse 8. Friedrich W. Buckel
ALGEBRA Terme 3 Termumformungen Faktorisierung (Teil ) Klasse 8 Datei Nr. 1103 Friedrich W. Buckel August 00 Neu bearbeitet September 005 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK Inhalt DATEI 1101 1 Was
MehrInhaltsverzeichnis (Ausschnitt)
4 Zweidimensionale Daten Inhaltsverzeichnis (Ausschnitt) 4 Zweidimensionale Daten Häufigkeitsverteilungen unklassierter Daten Häufigkeitsverteilungen klassierter Daten Bedingte Häufigkeitsverteilungen
MehrVerschiedene Varianten von Aufgaben zu Parabeln
Verschiedene Varianten von Aufgaben zu Parabeln 1) Gesucht werden die Nullstellen der Parabel mit der Gleichung: a) f(x) = 2x² 4x 16 b) f(x) = 5/3 (x 1) (x + 3) c) f(x) = - 1/2 (x + 4)² + 8 d) f(x) = 2x²
MehrKlausur Mathematik I
Klausur Mathematik I E-Techniker/Mechatroniker/Informatiker/W-Ingenieure). März 007 Hans-Georg Rück) Aufgabe 6 Punkte): a) Berechnen Sie alle komplexen Zahlen z mit der Eigenschaft z z = und z ) z ) =.
MehrVorkurs Mathematik 2016
Vorkurs Mathematik 2016 Vorkurs Mathematik Grad n p(x) =a n x n + a n 1 x n 1 +...+ a 1 x + a 0 führender Koeffizient Absolutglied a n, a n 1,..., a 1, a 0... Koeffizienten a n = 1... normiertes Polynom
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
Mehrschreiben, wobei p und q ganze Zahlen sind.
Schülerinfotag 1. Man zeige, dass keine rationale Zahl ist. Das heißt lässt sich nicht als p q schreiben, wobei p und q ganze Zahlen sind. Proof. Wir werden das Prinzip Beweis durch Widerspruch verwenden.
Mehr2015, MNZ. Jürgen Schmidt. 2.Tag. Vorkurs. Mathematik WS 2015/16
Vorkurs Mathematik WS 2015/16 2.Tag Arten von Gleichungen Lineare Gleichungen (und Funktionen) 0 = ax + b (oft als Funktion: y = mx + n) a,b R Parameter m Anstieg, n Achsenabschnitt Quadratische Gleichungen
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
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 05. Dezember 2012 1 Datenpaare Korrelation 2 Lineare Regression Problemstellung Beispiel Bleibelastung 3 Regression
Mehr