Lasso in LMs und GLMs
|
|
- Bärbel Esser
- vor 8 Jahren
- Abrufe
Transkript
1 Lasso in LMs und GLMs Seminar Regularisierungstechniken und strukturierte Regression, Prof. Dr. Gerhard Tutz, Institut für Statistik, Ludwig-Maximilians-Universität München Referent: Patrick Schenk Betreuer: Wolfgang Pössnecker 18. Dezember / 33
2 1. Einführung Regression große Rolle in statistischer Ausbildung und Praxis Fokus auf erwartungstreue (zumindest konsistente) Schätzer Programm: Übersicht Kleinste-Quadrate (KQ) Schätzer im Linearen Modell (LM) Vorteile Schwachstellen/Wünsche? Shrinkage-Schätzer : Lasso- (und Ridge-)Regression Herkunft Eigenschaften Performance in realen und simulierten Daten Erweiterungen und Diskussion 2 / 33
3 Lineares Modell (LM) I: Setup LM postuliert Zusammenhang Response - Kovariablen p y i = β 0 + x ij β i + ɛ i j =1 für i = 1,..., n quadratischer Verlust: Residuenquadratsumme (RSS) RSS(β) = n (y i β 0 i=1 keine Verteilungsannahme nötig führt zum KQ-Schätzer p j =1 ˆβ (ls) = (X X) 1 X y x ij β j ) 2 min β 3 / 33
4 Lineares Modell II: Vorteile des KQ-Schätzers einige Vorteile (+) erwartungstreu und linear in y (+) optimal in Klasse erwartungstreuer linearer Schätzer: Mean Squared Error (MSE) und Varianz minimal (Gauß-Markov Theorem) (+) marginale Interpretation der Koeffizienten β j 4 / 33
5 Lineares Modell III: KQ-Schätzer Nachteile (-) keine automatische Variablenselektion falls p n: ˆβ (ls) nicht (eindeutig) definiert. falls p sehr groß: volles Modell schlechter interpretierbar Beibehalten von irrelevanten Kovariablen (β j = 0) erhöht Ungenauigkeit von Schätzung und Prognose (-) keine Aussage über relative Einflussstärke der Kovariablen (-) muss nicht optimal sein (Gauß-Markov gilt nur in Klasse) Suche nach Verfahren, das sparsamere Modelle schätzt Intuition: Bias-Varianz-Tradeoff 5 / 33
6 2.1 Lasso, Ridge und Best Subset: Motivation gesucht: Verfahren, das sparsameres Modell ergibt sparsameres Modell: manche Koeffizienten β j = 0 Ansatz: Größe des Koeffizientenvektors β beschränken Norm nach oben beschränken durch Wert t q-norm (für q 1) p β q := β j q j =1 1/q t β q t äquivalent zu β q q t q (Umparametrisierung) 6 / 33
7 Allgemeiner Ansatz Minimierung von RSS(β) unter Restriktion der Größe von β: min β RSS(β) = n (y i β 0 i=1 p x ij β j ) 2 j =1 bzw. in Lagrangeform u. d. NB. p β j q t j =1 min β RSS(β) + λ p β j q j =1 neues Kriterium : penalisierte RSS RSS(β) + λ L q -Penalty 7 / 33
8 Alternative Betrachtung: Optimum im zulässigen Bereich Nebenbedingung p β j q t j =1 impliziert zulässigen Bereich für β: {β : p β j q t} j =1 also: Minimierung des KQ-Kriteriums im zulässigen Bereich min β {β: RSS(β) p j =1 β j q t} und nicht mehr über alle möglichen β R p grafisch für Lasso bei 2 Kovariablen: nächste Folie 8 / 33
9 Zulässiger Bereich für Lasso-Regression bei 2 Kovariablen Fall 1: KQ Schätzer erfüllt Restriktion (Lasso) Fall 2: KQ Schätzer erfüllt Restriktion nicht (Lasso) β^(ls) β^(ls) Lasso Abb.1 Minimierung im zulässigen Bereich. Leicht abgewandelte Reproduktion von Tibshirani (1996, Fig. 2) 9 / 33
10 Bemerkungen min β n (y i β 0 i=1 p x ij β j ) 2 + λ j =1 p β j q j =1 Intercept β 0 nicht Teil der Penalty Schätzung nicht skaleninvariant gewählte Skala beeinflusst Erklärungsgüte (RSS) nicht, sehr wohl jedoch die Norm von β! Bsp. monetäre Kovariable Lösung: vorab Standardisierung jeder Kovariablen: Mittelwert: x j = 0 und empirische Varianz Var(x j ) = 1 nach Schätzung von β: Rücktransformation jedes Koeffizienten auf Originalskala oder: angepasste Interpretation beachten 10 / 33
11 Ridge Regression (Hoerl und Kennard, 1970): q = 2 min β RSS(β) + λ Restriktion an die euklidische Norm p j =1 explizite Lösung: ˆβ (ridge) = (X X + λi) 1 X y existiert auch bei Multikollinearität, also wenn (X X) 1 nicht/schwer zu berechnen war Motivation von Hoerl und Kennard (1970) schrumpft i.a. Koeffizienten (relativ zu KQ-Koeffizienten) i.a. keine Variablenselektion β 2 j 11 / 33
12 Best Subset Regression: q = 0 min β RSS(β) + λ p βj 0 = RSS(β) + λ j =1 p I(β j 0) j =1 Nebenbedingung zählt von 0 verschiedene Koeffizienten ergibt best-erklärendes Modell mit t Koeffizienten ( t p) keine Lösung in geschlossener Form bis t 40: alle möglichen Modelle betrachtbar Leaps and Bounds Algorithmus (Furnival und Wilson, 1994) für t > 40: Approx., z.b. Forward-/Backward-Stepwise (step) 12 / 33
13 Lasso Regression (Tibshirani, 1996): q = 1 min β beschränkt 1-Norm RSS(β) + λ p β j j =1 i.a. Selektion von Kovariablen und Schrumpfung von Koeffizienten nicht differenzierbar bei 0 ( ) keine explizite Lösung Algorithmen für Pfad ˆβ (lasso) (t) (+) ausschlaggebend dafür, dass Lasso Kovariablen selektiert 13 / 33
14 Lasso (links) und Ridge (rechts): Optimierung im zulässigen 2 BAYESIANISCHES Bereich LASSO IN LINEAREN MODELLEN ^ ^ Abbildung 2.7: Linkes Bild: Grafische Darstellung des Lasso-Schätzproblems. Rechtes Bild: Grafische Darstellung Quelle: Konrath (2007, Abb. 3.7) des Ridge-Schätzproblems. Die blauen Bereiche stellen die Nebenbedingung zu verschiedenen Werten von t dar und die pinkfarbenen Ellipsen sind die Konturlinien der Residuenquadratsumme bei beliebiger Produktsummenmatrix X X I. 14 / 33
15 Datensatz: Prostatakrebs (Stamey et al., 1989) 97 Männer vor Prostataentfernung Response: log Prostataspezifsches Antigen (lpsa) 8 Kovariablen Alter, log Krebsvolumen, log Prostatagewicht,... Korrelationen positiv bis auf 2 minimale Ausnahmen 10 der 28 p.w. Korrelationen mittelstark ( ) 15 / 33
16 KQ-, Lasso-, Ridge- und Best Subset Regression (Prostatakrebs) Tab Regressionskoeffizienten (Prostatakrebs) Koeffizient KQ Lasso Ridge Best Subset (Intercept) lcavol lweight age lbph svi lcp gleason pgg Response ist lpsa, der logarithmierte Level des Prostataspezifischen Antigens. 16 / 33
17 Lasso und Ridge: Koeffizientenpfade (Prostatakrebs) Coefficients Lasso min CV MSE Coefficients Ridge min CV MSE L1 Norm L1 Norm Abb.2 Lasso- und Ridge-Koeffizientenpfade in den Prostakrebs Daten. Leicht abgewandelte Reproduktion von Hastie et al. (2009, Fig. 3.11) 17 / 33
18 Wahl des Tuningparameters: Kreuzvalidierung Grid von Werten für t: für jeden Wert Koeffizienten berechnen MSE per Kreuzvalidierung (CV) schätzen Entscheidung für optimales t min-regel: t mit kleinstem CV-MSE 1-SE-Regel: kleinstes Modell, dessen CV-MSE von obigem Minimum um höchstens 1-SE abweicht grafisch im Prostatakrebs Datensatz: nächste Folie Tuning über λ äquivalent (bijektive Beziehung von λ und t) in Implementationen meistens der Fall (z.b. glmnet) potentielle Probleme MSE(t) flach (links) Vorgehen anfällig min- und 1-SE-Regeln können deutlich differieren (links) MSE(t) hat Randoptimum (rechts) 18 / 33
19 Lasso und Ridge: Kreuzvalidierungs-MSE (Prostatakrebs) Mean Squared Error Lasso min Regel 1 SE Regel Mean Squared Error Ridge min Regel 1 SE Regel log(lambda) log(lambda) Abb.3 MSE in Abhängigkeit vom Tuningparameter log(λ) in den Prostakrebs Daten. Leicht angepasste Kombination von Hastie et al. (2009, Fig. 3.8 und 3.10) 19 / 33
20 3.1 Spezialfall orthonormale Kovariablen: Eigenschaften I Lasso (lasso) β^j Ridge (ridge) β^j Best Subset (subset) β^j λ λ λ λ (ls) β^j 1 (1 + λ) 1 (ls) β^j (ls) β^(m) (ls) β^j Abb.4 Lasso-, Ridge- und Best-Subset-Koeffizienten bei unterschiedlichen KQ-Koeffzienten unter Orthonormalität. Leicht abgewandelte Reproduktion von Hastie et. al (2009, Fig. 3.11) 20 / 33
21 Spezialfall orthonormale Kovariablen: Eigenschaften II ˆβ(lasso) j = { ˆβ (ls) j ˆβ (ls) ( λ) sign( j ) falls 0 sonst (ls) ˆβ j > λ stetige Selektion (soft-thresholding): schrumpft umso stärker, je kleiner KQ-Koeffizient nur kleine Koeffizienten ganz aus Modell heraus große Effekte deutlicher herausgehoben (ls) ˆβ(ridge) ˆβ j j = 1+λ schrumpft jeden KQ-Koeffizienten um gleichen Faktor (λ > 0) keine Selektion { ˆβ(ls) ˆβ(subset) j = j wobei (ls) (ls) falls ˆβ j ˆβ (M ) 0 sonst (ls) ˆβ (M ) betragsmäßig der t -größte KQ-Koeffizient ist selektiert diskret (hard-thresholding): voll im Modell oder gar nicht 21 / 33
22 3.2 Nichtorthonormale Kovariablen: Eigenschaften Korrelationen zwischen Kovariablen Lasso: p = 2: kein Einfluss p > 2: greift eine (wenige) Kovariable(n) aus stark-korr. Gruppe heraus, entfernt andere (Intuition: wenig zusätzliche Erklärung, aber volle Erhöhung der Penalty) Ridge: positiv korr. Koeffizienten ähnlicher (Grund: L 2 -Penalty) Best Subset: ähnlich zu Lasso (Fall p > 2) relativ zum KQ-Schätzer und zum wahren Koeffizienten anderes Vorzeichen möglich Overshooting (betragsmäßiges Überschätzen) möglich 22 / 33
23 Vorzeichen und Overshooting (Prostatakrebs) Tab Regressionskoeffizienten (Prostatakrebs) Koeffizient KQ Lasso Ridge Best Subset (Intercept) lcavol lweight age lbph svi lcp gleason pgg Response ist lpsa, der logarithmierte Level des Prostataspezifischen Antigens. 23 / 33
24 Simulation I: Vorzeichen, Selektion, Modellgrößen wahre Koeffizenten β fest 10 kleine: βj = mittlere: βj = große: β j = 5 je 5 mit positivem und 5 mit negativem Vorzeichen 30 irrelevante Variablen : βj = 0 n = 80 n p = Designmatrix X fest (iid N(0,1)-verteilt) R = 2000 Replikationen in Replikation r: Addiere Fehler ɛ i i.i.d. N (0, 1) simulierter Response y i = x i β + ɛ i (i = 1,..., n) wie häufig: Vorzeichen korrekt, Variable im Modell? Modellgrößen 24 / 33
25 Tab Häufigkeiten: Selektion und Vorzeichen (Simulation I) Effektgröße MSE* klein mittel groß kein (SE MSE ) KQ Vz korrekt Vz falsch (0.0748) nicht in Modell.... Ridge Vz korrekt Vz falsch (0.0939) nicht in Modell.... Lasso Vz korrekt Vz falsch (0.1709) nicht in Modell Stepwise 1 Vz korrekt Vz falsch (0.1140) nicht in Modell Response ist lpsa, der logarithmierte Level des Prostataspezifischen Antigens. MSE* ist Durchschnitt der mittleren quadratischen Abweichungen über R = 2000 Replikationen. 1 Approximation für Best Subset, da mehr als 40 Kovariablen: Backward- und Forward-Stepwise via step. 25 / 33
26 Modellgrößen (Simulation I) Effektgröße klein mittel groß kein gesamt KQ Ridge Lasso Stepwise Response ist lpsa, der logarithmierte Level des Prostataspezifischen Antigens. 1 Approximation für Best Subset, da mehr als 40 Kovariablen: Backward- und Forward-Stepwise via step. 26 / 33
27 Entdecken eines sparsamen Modells bei p > n Simulation II exakt wie zuvor: R = 2000 Replikationen p = 60 Variablen in Designmatrix nur 30 Kovariaten mit Einfluss aber: nur die ersten n = 40 Beobachtungen p > n kein KQ-Schätzer wahres Modell ist sparsam: weniger Kovariablen als Beobachtungen Performance von Lasso: Einfluss der Effektstärken? Modellgröße? 27 / 33
28 Tab Häufigkeiten von Effekt-Selektion und falschen Vorzeichen klein mittel groß kein Effekt Lasso Vorzeichen korrekt Vorzeichen falsch nicht im Modell # im Modell Mittlere Gesamtmodellgröße: Kovariablen. Response ist lpsa, der logarithmierte Level des Prostataspezifischen Antigens. 28 / 33
29 Vorteile, Nachteile und Anwendbarkeit I KQ-Schätzer muss nicht überall beste Wahl darstellen: Situation p > n : Selektion zwingend erforderlich Situation Prognose ist Hauptziel : Schätzung kleiner Effekte sehr fehleranfällig und variabel Lasso verzichtet teils darauf (kann Prognosegüte erhöhen) KQ vs Lasso: Versuch, Prognosefehler abzuschätzen Situation perfekt unabhängige Kovariablen selten in Praxis- Ausnahme: kontrollierte Experimente Lasso sehr intuitiv, gut verständlich Computationale Betrachtungen: Lasso (im LM): Größenordnung wie für Berechnung von k-fache Kreuzvalidierung erhöht nur um Faktor k gilt für LARS-Alg.; noch schneller: Friedman et al. (2010) Lasso im GLM: deutlich mehr Aufwand ˆβ (ls) 29 / 33
30 Vorteile, Nachteile und Anwendbarkeit II Lasso (und Ridge): weniger automatisierbar was ist Ziel der Analyse? welche Situation liegt vor und wie verhält sich Lasso dort i.a.? gewähltes R-Paket: Standardisierung von xj automatisch oder manuell? werden bereits rücktransformierte Koeffizienten ausgegeben? Ausreisser, einflussreiche Datenpunkte, fehlerhafte Daten KQ-Schätzer: es existieren Kennzahlen Lasso, Ridge: Auswirkungen unklar; Abschätzversuch z.b. über Bootstrap Fazit: Lasso/Ridge benötigen relativ zum KQ-Schätzer mehr Arbeitsaufwand Wissen und Erfahrungen mit ihrem Umgang 30 / 33
31 Erweiterungen I: Generalisierte Lineare Modelle GLMs Strukturannahme: E(y i x i ) = h(x i β) (h Responsefunktion) Verteilungsann.: y i x i F (F aus einfacher Expo.familie) Schätzung von β über ML: l(β) min β i.a. keine explizite Lösung (Fisher-Scoring, Newton-Raphson) Lasso in GLMs wieder: Minimierung der Summe von Zielfunktion und Penalty min l(β) + λ p j =1 β j β Schätzung über zyklischen Koordinatenabstieg (Friedman et al., 2010) enthält LM als Spezialfall (Normalverteilung) R: glmnet 31 / 33
32 Erweiterungen II in jeder Kovariable unterschiedliche Strafen p j =1 λ j β j manche Kovariablen nicht bestrafen (im Modell halten): λj = 0 Adapative Lasso: Strafe relativ zu KQ-Koeffizient SCAD: größere Koeffizienten weniger stark bestrafen ˆβ (ls) j Grouped Lasso: Gruppe von Variablen gemeinsam in/aus dem Modell (Bsp: k-kategoriale Variable in Form von k 1 Dummies) Elastic Net: gewichtetes Mittel von Lasso- und Ridge-Penalty erbt Eigenschaften von Lasso (z.b. Selektion) und Ridge zweistufige Verfahren: Lasso in 1. Stufe (zur Variablenselektion) 32 / 33
33 Vielen Dank für Ihre Aufmerksamkeit. Literatur (Vortrag) J. Friedman, T. Hastie und R. Tibshirani (2010). Regularization paths for generalized linear models via coordinate descent. Journal of Statistical Software, 33(1): A. E. Hoerl und R. Kennard (1970). Ridge regression: biased estimation for nonorthogonal problems. Technometrics, 12: T. Hastie, R. Tibshirani und J. Friedman (2009). The Elements of Statistical Learning. Zweite Auflage. Springer: New York. R. Tibshirani (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society, Series B, 58: S. Konrath (2007). Bayesianische Regularisierung mit Anwendungen. Master Thesis. LMU, München. S. 39, Abb / 33
Der LASSO-Schätzer. Verfahren zur Modellschrumpfung und Variablenselektion. Jona Cederbaum. Institut für Statistik Ludwig-Maximilians-Universität
Der LASSO-Schätzer Verfahren zur Modellschrumpfung und Variablenselektion Jona Cederbaum Institut für Statistik Ludwig-Maximilians-Universität 10. Juni 009 Übersicht 6 Einleitung 6.1. Das Modell 6.. KQ-Schätzer
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
MehrAnhand des bereits hergeleiteten Models erstellen wir nun mit der Formel
Ausarbeitung zum Proseminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn zum Thema Simulation des Anlagenpreismodels von Simon Uphus im WS 09/10 Zusammenfassung
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrInformatik-Sommercamp 2012. Mastermind mit dem Android SDK
Mastermind mit dem Android SDK Übersicht Einführungen Mastermind und Strategien (Stefan) Eclipse und das ADT Plugin (Jan) GUI-Programmierung (Dominik) Mastermind und Strategien - Übersicht Mastermind Spielregeln
MehrInterne und externe Modellvalidität
Interne und externe Modellvalidität Interne Modellvalidität ist gegeben, o wenn statistische Inferenz bzgl. der untersuchten Grundgesamtheit zulässig ist o KQ-Schätzer der Modellparameter u. Varianzschätzer
Mehr2.Tutorium Generalisierte Regression
2.Tutorium Generalisierte Regression - Binäre Regression - Moritz Berger: 04.11.2013 und 11.11.2013 Shuai Shao: 06.11.2013 und 13.11.2013 Institut für Statistik, LMU München 1 / 16 Gliederung 1 Erweiterte
MehrVersuchsplanung. Inhalt. Grundlagen. Faktor-Effekt. Allgemeine faktorielle Versuchspläne. Zweiwertige faktorielle Versuchspläne
Inhalt Versuchsplanung Faktorielle Versuchspläne Dr. Tobias Kiesling Allgemeine faktorielle Versuchspläne Faktorielle Versuchspläne mit zwei Faktoren Erweiterungen Zweiwertige
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrName (in Druckbuchstaben): Matrikelnummer: Unterschrift:
20-minütige Klausur zur Vorlesung Lineare Modelle im Sommersemester 20 PD Dr. Christian Heumann Ludwig-Maximilians-Universität München, Institut für Statistik 2. Oktober 20, 4:5 6:5 Uhr Überprüfen Sie
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
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
MehrRepetitionsaufgaben Wurzelgleichungen
Repetitionsaufgaben Wurzelgleichungen Inhaltsverzeichnis A) Vorbemerkungen B) Lernziele C) Theorie mit Aufgaben D) Aufgaben mit Musterlösungen 4 A) Vorbemerkungen Bitte beachten Sie: Bei Wurzelgleichungen
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
Mehr1.3 Die Beurteilung von Testleistungen
1.3 Die Beurteilung von Testleistungen Um das Testergebnis einer Vp zu interpretieren und daraus diagnostische Urteile ableiten zu können, benötigen wir einen Vergleichsmaßstab. Im Falle des klassischen
MehrMusterlösung zu Serie 14
Dr. Lukas Meier Statistik und Wahrscheinlichkeitsrechnung FS 21 Musterlösung zu Serie 14 1. Der Datensatz von Forbes zeigt Messungen von Siedepunkt (in F) und Luftdruck (in inches of mercury) an verschiedenen
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrProfil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8
1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrErfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.
Abstract zum Thema Handelssysteme Erfolg und Vermögensrückgänge angefertigt im Rahmen der Lehrveranstaltung Nachrichtentechnik von: Eric Hansen, eric-hansen@gmx.de am: 07.09.01 Einleitung: Handelssysteme
MehrStatistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005
Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen
MehrKorrelation (II) Korrelation und Kausalität
Korrelation (II) Korrelation und Kausalität Situation: Seien X, Y zwei metrisch skalierte Merkmale mit Ausprägungen (x 1, x 2,..., x n ) bzw. (y 1, y 2,..., y n ). D.h. für jede i = 1, 2,..., n bezeichnen
MehrStatistische Auswertung:
Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Übungsbuch für den Grundkurs mit Tipps und Lösungen: Analysis Das komplette Material finden Sie hier: Download bei School-Scout.de
MehrElexis-BlueEvidence-Connector
Elexis-BlueEvidence-Connector Gerry Weirich 26. Oktober 2012 1 Einführung Dieses Plugin dient dazu, den Status Hausarztpatient zwischen der BlueEvidence- Anwendung und Elexis abzugleichen. Das Plugin markiert
MehrSoftware Engineering. Sommersemester 2012, Dr. Andreas Metzger
Software Engineering (Übungsblatt 2) Sommersemester 2012, Dr. Andreas Metzger Übungsblatt-Themen: Prinzip, Technik, Methode und Werkzeug; Arten von Wartung; Modularität (Kohäsion/ Kopplung); Inkrementelle
MehrClustering Seminar für Statistik
Clustering Markus Kalisch 03.12.2014 1 Ziel von Clustering Finde Gruppen, sodas Elemente innerhalb der gleichen Gruppe möglichst ähnlich sind und Elemente von verschiedenen Gruppen möglichst verschieden
MehrWinWerk. Prozess 4 Akonto. KMU Ratgeber AG. Inhaltsverzeichnis. Im Ifang 16 8307 Effretikon
Prozess 4 Akonto WinWerk 8307 Effretikon Telefon: 052-740 11 11 Telefax: 052 740 11 71 E-Mail info@kmuratgeber.ch Internet: www.winwerk.ch Inhaltsverzeichnis 1 Akonto... 2 1.1 Allgemein... 2 2 Akontobeträge
MehrVerfahren zur Variablenselektion und Modellschrumpfung im linearen Regressionsmodell
Verfahren zur Variablenselektion und Modellschrumpfung im linearen Regressionsmodell Tobias Liboschik Verena Ueberfeldt Seminar Modellwahlkriterien Wintersemester 2009/10 13. November 2009 1 / 48 Inhaltsverzeichnis
Mehr3. LINEARE GLEICHUNGSSYSTEME
176 3. LINEARE GLEICHUNGSSYSTEME 90 Vitamin-C-Gehalt verschiedener Säfte 18,0 mg 35,0 mg 12,5 mg 1. a) 100 ml + 50 ml + 50 ml = 41,75 mg 100 ml 100 ml 100 ml b) : Menge an Kirschsaft in ml y: Menge an
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
MehrAGROPLUS Buchhaltung. Daten-Server und Sicherheitskopie. Version vom 21.10.2013b
AGROPLUS Buchhaltung Daten-Server und Sicherheitskopie Version vom 21.10.2013b 3a) Der Daten-Server Modus und der Tresor Der Daten-Server ist eine Betriebsart welche dem Nutzer eine grosse Flexibilität
MehrEinführung in statistische Analysen
Einführung in statistische Analysen Andreas Thams Econ Boot Camp 2008 Wozu braucht man Statistik? Statistik begegnet uns jeden Tag... Weihnachten macht Deutschen Einkaufslaune. Im Advent überkommt die
MehrKontingenzkoeffizient (nach Pearson)
Assoziationsmaß für zwei nominale Merkmale misst die Unabhängigkeit zweier Merkmale gibt keine Richtung eines Zusammenhanges an 46 o jl beobachtete Häufigkeiten der Kombination von Merkmalsausprägungen
MehrSuche schlecht beschriftete Bilder mit Eigenen Abfragen
Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrInformation Systems Engineering Seminar
Information Systems Engineering Seminar Algorithmische Prüfung der Planarität eines Graphen Marcel Stüttgen, 22.10.2012 FH AACHEN UNIVERSITY OF APPLIED SCIENCES 1 Planarität - Definition Ein Graph heißt
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrKernel, Perceptron, Regression. Erich Schubert, Arthur Zimek. 2014-07-20 KDD Übung
Kernel, Perceptron, Regression Erich Schubert, Arthur Zimek Ludwig-Maximilians-Universität München 2014-07-20 KDD Übung Kernel-Fukctionen Kernel kann mehrdeutig sein! Unterscheidet zwischen: Kernel function
MehrFelix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009
Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4
MehrHow to do? Projekte - Zeiterfassung
How to do? Projekte - Zeiterfassung Stand: Version 4.0.1, 18.03.2009 1. EINLEITUNG...3 2. PROJEKTE UND STAMMDATEN...4 2.1 Projekte... 4 2.2 Projektmitarbeiter... 5 2.3 Tätigkeiten... 6 2.4 Unterprojekte...
MehrPowerPoint 2010 Mit Folienmastern arbeiten
PP.002, Version 1.1 07.04.2015 Kurzanleitung PowerPoint 2010 Mit Folienmastern arbeiten Der Folienmaster ist die Vorlage für sämtliche Folien einer Präsentation. Er bestimmt das Design, die Farben, die
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrModellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios. Bernd Rosenow, 3. Kölner Workshop Quantitative Finanzmarktforschung
Modellierung von Korrelationen zwischen Kreditausfallraten für Kreditportfolios Bernd Rosenow Rafael Weißhaupt Frank Altrock Universität zu Köln West LB AG, Düsseldorf Gliederung Beschreibung des Datensatzes
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrEinfügen von Bildern innerhalb eines Beitrages
Version 1.2 Einfügen von Bildern innerhalb eines Beitrages Um eigene Bilder ins Forum einzufügen, gibt es zwei Möglichkeiten. 1.) Ein Bild vom eigenem PC wird auf den Webspace von Baue-die-Bismarck.de
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrWas können Schüler anhand von Primzahltests über Mathematik lernen?
Was können Schüler anhand von Primzahltests über Mathematik lernen? Innermathematisches Vernetzen von Zahlentheorie und Wahrscheinlichkeitsrechnung Katharina Klembalski Humboldt-Universität Berlin 20.
MehrBluetooth Headset Modell Nr. BT-ET007 (Version V2.0+EDR) ANLEITUNG Modell Nr. BT-ET007 1. Einführung Das Bluetooth Headset BT-ET007 kann mit jedem Handy verwendet werden, das über eine Bluetooth-Funktion
MehrFunktion Erläuterung Beispiel
WESTFÄLISCHE WILHELMS-UNIVERSITÄT WIRTSCHAFTSWISSENSCHAFTLICHE FAKULTÄT BETRIEBLICHE DATENVERARBEITUNG Folgende Befehle werden typischerweise im Excel-Testat benötigt. Die Beispiele in diesem Dokument
Mehr2. Einrichtung der ODBC-Schnittstelle aus orgamax (für 32-bit-Anwendungen)
1. Einführung: Über den ODBC-Zugriff können Sie bestimmte Daten aus Ihren orgamax-mandanten in anderen Anwendungen (beispielsweise Microsoft Excel oder Microsoft Access) einlesen. Dies bietet sich beispielsweise
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
Mehr1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage:
Zählen und Zahlbereiche Übungsblatt 1 1. Man schreibe die folgenden Aussagen jeweils in einen normalen Satz um. Zum Beispiel kann man die Aussage: Für alle m, n N gilt m + n = n + m. in den Satz umschreiben:
MehrFehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems
Fehler und Probleme bei Auswahl und Installation eines Dokumentenmanagement Systems Name: Bruno Handler Funktion: Marketing/Vertrieb Organisation: AXAVIA Software GmbH Liebe Leserinnen und liebe Leser,
MehrDer Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die Eigenkapitalrendite aus.
Anhang Leverage-Effekt Leverage-Effekt Bezeichnungs- Herkunft Das englische Wort Leverage heisst Hebelwirkung oder Hebelkraft. Zweck Der Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrUser Experience vs. Retrievaltests Wie lässt sich die Relevanz von Suchergebnissen bewerten?
User Experience vs. Retrievaltests Wie lässt sich die Relevanz von Suchergebnissen bewerten? Prof. Dr. Dirk Lewandowski Hochschule für Angewandte Wissenschaften Hamburg dirk.lewandowski@haw-hamburg.de
MehrOhne Fehler geht es nicht Doch wie viele Fehler sind erlaubt?
Ohne Fehler geht es nicht Doch wie viele Fehler sind erlaubt? Behandelte Fragestellungen Was besagt eine Fehlerquote? Welche Bezugsgröße ist geeignet? Welche Fehlerquote ist gerade noch zulässig? Wie stellt
MehrDas Persönliche Budget in verständlicher Sprache
Das Persönliche Budget in verständlicher Sprache Das Persönliche Budget mehr Selbstbestimmung, mehr Selbstständigkeit, mehr Selbstbewusstsein! Dieser Text soll den behinderten Menschen in Westfalen-Lippe,
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrLineare Modelle in R: Einweg-Varianzanalyse
Lineare Modelle in R: Einweg-Varianzanalyse Achim Zeileis 2009-02-20 1 Datenaufbereitung Wie schon in der Vorlesung wollen wir hier zur Illustration der Einweg-Analyse die logarithmierten Ausgaben der
MehrTREND SEARCH VISUALISIERUNG. von Ricardo Gantschew btk Berlin Dozent / Till Nagel
von Ricardo Gantschew btk Berlin Dozent / Till Nagel 01 IDEE Einige kennen vielleicht GoogleTrends. Hierbei handelt es sich um eine Anwendung, bei der man verschiedenste Begriffe auf die Häufigkeit ihrer
MehrSenkung des technischen Zinssatzes und des Umwandlungssatzes
Senkung des technischen Zinssatzes und des Umwandlungssatzes Was ist ein Umwandlungssatz? Die PKE führt für jede versicherte Person ein individuelles Konto. Diesem werden die Beiträge, allfällige Einlagen
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
Mehrt r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )
Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen
MehrBinäre abhängige Variablen
Binäre abhängige Variablen Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Einführung Oft wollen wir qualitative Variablen
MehrAngewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen. Das folgende Modell ist ein GARCH(1,1)-Modell:
Angewandte Ökonometrie, WS 2012/13, 1. Teilprüfung am 6.12.2012 - Lösungen LV-Leiterin: Univ.Prof.Dr. Sylvia Frühwirth-Schnatter 1 Wahr oder falsch? 1. Das folgende Modell ist ein GARCH(1,1)-Modell: Y
MehrTangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:
Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrEva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit
Eva Douma: Die Vorteile und Nachteile der Ökonomisierung in der Sozialen Arbeit Frau Dr. Eva Douma ist Organisations-Beraterin in Frankfurt am Main Das ist eine Zusammen-Fassung des Vortrages: Busines
Mehr2. Negative Dualzahlen darstellen
2.1 Subtraktion von Dualzahlen 2.1.1 Direkte Subtraktion (Tafelrechnung) siehe ARCOR T0IF Nachteil dieser Methode: Diese Form der Subtraktion kann nur sehr schwer von einer Elektronik (CPU) durchgeführt
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
MehrHandbucherweiterung Zuschlag
Handbucherweiterung Zuschlag Inhalt 1. Allgemeines S. 1 2. Installation S. 1 3. Erweiterungen bei den Zeitplänen S. 1 4. Erweiterung der Baumstruktur S. 2 5. Erweiterung im Personalstamm S. 2 6. Erweiterung
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrFassade. Objektbasiertes Strukturmuster. C. Restorff & M. Rohlfing
Fassade Objektbasiertes Strukturmuster C. Restorff & M. Rohlfing Übersicht Motivation Anwendbarkeit Struktur Teilnehmer Interaktion Konsequenz Implementierung Beispiel Bekannte Verwendung Verwandte Muster
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
MehrTutorial: Homogenitätstest
Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite
MehrDer Einsatz von Social Media im Stadtmarketing. Alexander Masser, Hans-Jürgen Seimetz, Peter Zeile
Der Einsatz von Social Media im Stadtmarketing Alexander Masser, Hans-Jürgen Seimetz, Peter Zeile Einführung Web 2.0, Facebook, Twitter, Google, Social Media... Was bedeuten diese Schlagwörter für das
MehrFragebogen: Abschlussbefragung
Fragebogen: Abschlussbefragung Vielen Dank, dass Sie die Ameise - Schulung durchgeführt haben. Abschließend möchten wir Ihnen noch einige Fragen zu Ihrer subjektiven Einschätzung unseres Simulationssystems,
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 15: Reguläre Ausdrücke und rechtslineare Grammatiken Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009 1/25 Was kann man mit endlichen
MehrPlanen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher
Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse
MehrIm Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. z(t) = at + b
Aufgabe 1: Im Jahr t = 0 hat eine Stadt 10.000 Einwohner. Nach 15 Jahren hat sich die Einwohnerzahl verdoppelt. (a) Nehmen Sie lineares Wachstum gemäß z(t) = at + b an, wobei z die Einwohnerzahl ist und
Mehr«Eine Person ist funktional gesund, wenn sie möglichst kompetent mit einem möglichst gesunden Körper an möglichst normalisierten Lebensbereichen
18 «Eine Person ist funktional gesund, wenn sie möglichst kompetent mit einem möglichst gesunden Körper an möglichst normalisierten Lebensbereichen teilnimmt und teilhat.» 3Das Konzept der Funktionalen
MehrBasis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.
Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren
MehrWas ist clevere Altersvorsorge?
Was ist clevere Altersvorsorge? Um eine gute Altersvorsorge zu erreichen, ist es clever einen unabhängigen Berater auszuwählen Angestellte bzw. Berater von Banken, Versicherungen, Fondsgesellschaften und
MehrExcel-Anwendung Wartungsplan
Excel-Anwendung Wartungsplan 1. Eigenschaften 2. Installation 3. Makros in Excel 2010 aktivieren 4. Hinweise zur Eingabe der Daten 5. Dateneingabe 6. Suchblatt 7. Autor 1. Eigenschaften (zurück) Wartungsplan
Mehr