Die Verteilung dieser Werte y ist eine Normalverteilung. hängt nicht von u ab
|
|
- Greta Kaiser
- vor 8 Jahren
- Abrufe
Transkript
1 Einfache lineare Regression als Beispiel für das ALM ALM : Allgemeines Lineares Modell Y : Kriterium U : Prädiktor Modell : Erwartungswert von Y ist lineare Funktion von U Genauer : Für festes u gilt für den Erwartungswert möglicher Werte y E(y) = βu + α Die Verteilung dieser Werte y ist eine Normalverteilung Die Varianz σ 2 hängt nicht von u ab y E(y) = βu + α u Beachte die gleichen Varianzen α und β sind theoretische Parameter β ist hier nicht der standardisierte Regressionskoeffizient aus der deskriptiven Statistik 51 Modell und Fragestellungen ALM07 1
2 Y und U sind Variablen nur im informellen Sinn und nicht Zufallsvariablen Zunächst : U ist experimentell gesetzt Von einer Verteilung von U und Y sprechen kann man nicht sinnvoll Dagegen : Für einen konkreten Wert von u ist y Zva Hier ist y klein geschrieben ( womöglich besser y u ) y ist noch kein konkreter Wert Untersuchung in Planungsphase Unterschied zur deskriptiven linearen Regression Deskriptive lineare Regression Ziel : Nur optimale Vorhersage Noch keine theoretische Ebene Folglich keine theoretischen Fragen Lineare Regression im ALM Starke Modellannahmen : E(y) ist lineare Funktion von u y ist für jedes feste u normalverteilt Die Varianzen sind für alle u gleich Ohne Gültigkeit der Annahmen : Weitere Rechnungen sinnlos 51 Modell und Fragestellungen ALM07 2
3 Rechtfertigung der Modellannahmen Inhaltliche, keine statistische Aufgabe Optimal : Angabe von Mechanismen, die zur Modellgleichung führen am besten exakt in der linearen Form Wenigstens näherungsweise Gültigkeit sollte plausibel sein Bei nur kleiner Variation von U kann linearer Zusammenhang lokal ungefähr richtig sein, auch wenn er global nicht vorliegt Interpretation : kausal oder deskriptiv? Keine statistische, sondern inhaltliche Frage Beachte Art der Datengewinnung ( Versuchsplan ) Kausalität kann ( auch hier ) nicht statistisch begründet werden Mögliche Fragen Modellgültigkeit muss vorausgesetzt werden! Sonst können Rechenergebnisse nicht interpretiert werden! Wie groß sind α, β, σ 2? Wie groß ist E(y) für u = 1 ( also β + α )? Punktschätzer und Bereichsschätzer Ist β = 0 oder α = 0? Hypothesentesten 51 Modell und Fragestellungen ALM07 3
4 Daten : Nur drei Werte für U : Jeweils ein Wert für Y soll erhoben werden : Bezeichnung : y 1, y 2, y 3 Die y i sind normalverteilt mit Varianz σ 2 Erwartungswerte: E(y 1 ) = 1 α + 3 β E(y 2 ) = 1 α + 5 β E(y 3 ) = 1 α + 8 β Fasse die y i zu Zufallsvektor y zusammen E(y 1 ) 1 3 ( ) α E(y) = E(y 2 ) = 1 5 β E(y 3 ) 1 8 Zweite Spalte : die untersuchten Werte von U E(y) ergibt sich aus (α, β) über eine lineare Abbildung Daher Allgemeines lineares Modell Die Matrix heißt Designmatrix X = Der Vektor (α, β) heißt Parametervektor Traditionelle Bezeichnung : β 51 Modell und Fragestellungen ALM07 4
5 Modellgleichung : E(y) = Xβ E(y) : Modellvorhersage Ergebnis in fehlerfreier Situation Abhängig von Parametern Designmatrix: X = Zeilen Beobachtungskonstellationen Spalten Einflüsse der Parameter Hier : 2 Spalten ( Anzahl der unabhängigen Variablen ) e i = y i E(y i ) heißt Fehler Zu Vektor zusammengefasst : Fehlervektor e e i N(0, σ 2 ) 51 Modell und Fragestellungen ALM07 5
6 Modellgleichungen mit Fehler : y 1 y 2 y 3 = 1 3 ( ) α 1 5 β e 1 e 2 e 3 Kurz y = Xβ + e Voraussetzung für Fehler : Die e i sind (gemeinsam) unabhängig Gleichbedeutend : Die y i sind (gemeinsam) unabhängig Modell insgesamt : y = Xβ + e mit e N 3 (0, σ 2 I) Noch kürzer : y N 3 (Xβ, σ 2 I) Beachte die Voraussetzungen Normalverteiltheit Varianzhomogenität Unabhängigkeit 51 Modell und Fragestellungen ALM07 6
7 Das Allgemeine Lineare Modell Situation : Variable Y soll erhoben werden in mehreren Bedingungskonstellationen Insgesamt n Beobachtungen y i ( n-vektor y ) Die E(y i ) sind lineare Funktionen von k Modellparametern β j Zusammenfassung zu k-parametervektor β Genauer : E(y) = Xβ Die (n k)-matrix X heißt Designmatrix Die y i sind unabhängig normalverteilt mit gleicher Varianz σ 2 Für die Fehler e i = y i E(y i ) ( n-vektor e ) gilt e N n (0, σ 2 I) Modellgleichung : y = Xβ + e mit e N n (0, σ 2 I) noch kürzer : y N n (Xβ, σ 2 I) 51 Modell und Fragestellungen ALM07 7
8 Bemerkungen Unabhängigkeit der e i ist äquivalent zur Unabhängigkeit der y i Designmatrix : j-te Spalte : Wirkung des j-ten Parameters i-te Zeile : Bedingungskonstellation für die i-te Beobachtung Ausführlich : E(y i ) = k x ij β j j=1 Die Einträge x ij in der Designmatrix hängen oft teilweise mit Werten gewisser unabhängiger Variablen zusammen Modellgleichung : Zwei Bedeutungen : Gleichung für Einzelbeobachtungen Beispiel Regression : E(y) = βu + α oder y = βu + α + e Gleichung für den Erwartungswertvektor oder Ergebnisvektor : E(y) = Xβ bzw y = Xβ + e 51 Modell und Fragestellungen ALM07 8
9 Ziele bei der Anwendung des ALM Schätzungen ( Punkt- und Bereichsschätzungen ) von Parametern Funktionen von Parametern Testen von Hypothesen über Parameter Funktionen von Parametern Abschwächungen der Modellannahmen des klassischen ALM Normalverteilungsannahme Struktur der Kovarianzmatrix des Fehlers e X kann teilweise stochastisch sein ( Regression ) 51 Modell und Fragestellungen ALM07 9
10 Beispiel : Polynomiale Regression E(y) ist Polynom der unabhängigen Variable Beispiel : Polynom vom Grad 3 : E(y) = β 0 + β 1 u + β 2 u 2 + β 3 u 3 = 3 β k u k k=0 y u Für u = 1, 0, 1, 2, 3, 4 sollen Daten erhoben werden Beispiel : Erwartungswert von y für u = 2 : 3 β k 2 k = β 0 + β β β = 1 β β β β 3 k=0 Gleichung für den Erwartungswertvektor : E(y) = Xβ = β 0 β 1 β 2 β 3 51 Modell und Fragestellungen ALM07 10
11 Designmatrix : Spalten : Werte der Variablen U 0 = 1, U, U 2 und U 3 Linearität : Modellvorhersage E(y) geht aus Parametervektor β durch Anwendung einer linearen Abbildung ( X ) hervor Nicht etwa : Y ist eine lineare Funktion von U Anzahl der Spalten hat wenig mit Zahl der unabhängigen Variablen zu tun Wie immer : Anwendung nur sinnvoll, wenn Modellannahmen stimmen? Rechtfertigung? Nur deskriptive Interpretation ( wieso ausgerechnet so? ) Besser : Theoretische Begründung : Beispiel : Physiker weiß : s = 1/2gt 2 Frage : g =? Mögliche (Null-)Hypothese : β 3 = 0 51 Modell und Fragestellungen ALM07 11
12 Beispiel : Regression ohne Konstante Beispiel : Aus theoretischen Gründen ist Y proportional zu U Beispiel : Y : Kraftstoffverbrauch U : Kilometerzahl Modellgleichung : y = βu + e Daten : u = 4, 4, 9, 16 Designmatrix : X = Frage : β =? ( Verbrauch pro Kilometer ) 51 Modell und Fragestellungen ALM07 12
13 Beispiel : Multiple lineare Regression Y : Kriterium U 1,, U m : Prädiktoren Modell: y = β j u j + α + e Die β j sind hier Parameter auf theoretischer Ebene Nicht : Standardisierte Regressionsgewichte Unterschied zur deskriptiven Regression Dort : Nur optimale Vorhersage Hier : Voraussetzung eines starken theoretischen Modells Beispiel : 2 Prädiktoren U 1, U 2 : E(y) = β 1 u 1 + β 2 u 2 + α Parallele Geraden, gleiche Abstände bei gleichen U 2 -Differenzen y u 2 = 4 u 2 = 3 u 2 = 2 u 1 51 Modell und Fragestellungen ALM07 13
14 ? Rechtfertigung der Modellannahmen? Mit steigender Zahl von Prädiktoren : Frage wird ebenso dringlicher wie schwieriger Interpretation der Parameter : Nur deskriptiv oder Wiederspiegelung von Mechanismen? Inhaltliche Frage ( Versuchsplanung ) Beispiel : Zwei Prädiktoren Werte : 2, 3, 4, 5, 1 bzw 3, 3, 4, 4, 5 E(y) = β 1 u 1 + β 2 u 2 + α Designmatrix ( Reihenfolge der Parameter : α, β 1, β 2 ) Zweite und dritte Spalte : Werte der Prädiktoren Möglicher Test : Ist ein bestimmtes β j gleich 0? Übersetzung : Hat U j einen Einfluss? (??) Auch signifikante Ergebnisse stützen für sich genommen keine Kausalinterpretationen 51 Modell und Fragestellungen ALM07 14
15 Beispiel : Moderatorvariablen Y : Kriterium U 1 : Prädiktor U 2 : Moderator Erwartungswert von Y ist lineare Funktion von U 1 Einfluss wird durch U 2 moderiert Genauer : Steigung ist von U 2 abhängig Umsetzung in ein hartes Modell : E(y) = β 1 u 1 + β 2 u 2 + β 3 u 1 u 2 + α Umgruppierung : E(y) = ( β 1 + β 3 u 2 ) u 1 + ( β 2 u 2 + α ) Für festes u 2 ist E(y) eine lineare Funktion von u 1 Steigung und Achsenabschnitt sind lineare Funktionen von u 2 Gleiche Änderungen von u 2 gleiche Änderungen in Steigung bzw Achsenabschnitt 51 Modell und Fragestellungen ALM07 15
16 Graphische Illustration der Moderatorwirkung : y u 2 = 7 u 2 = 6 u 1 u 2 = 5 u 2 = 4 Alle Geraden schneiden sich in einem Punkt Interessante Konsequenz ( plausibel?! ) Beispiel : U 1 : 1, 2, 3, 4, 5, 6 U 2 : 1, 1, 3, 3, 5, 5 Designmatrix ( Parameterreihenfolge : α, β 1, β 2, β 3 ) Zweite, dritte, vierte Spalte : U 1, U 2, U 1 U 2 Mögliche Frage : β 3 = 0? ( Moderatorwirkung vorhanden? ) 51 Modell und Fragestellungen ALM07 16
17 Beispiel : Eine Stichprobe Mehrfaches unabhängiges Ziehen aus einer Population Oder : Mehrfache unabhängige Replikationen eines Experiments Modellgleichung : y i = µ + e i Parameter µ : Erwartungswert in der Population Beispiel : Drei Beobachtungen Modellgleichung ausführlich : y 1 y 2 y 3 = 1 1 (µ) + 1 e 1 e 2 e 3 Designmatrix : Mögliche Fragestellungen : Schätzung von µ Test : µ = 0? 51 Modell und Fragestellungen ALM07 17
18 Beispiel : Zwei Stichproben Mehrfaches unabhängiges Ziehen aus zwei Populationen Oder: Replikationen eines Experiments unter zwei Bedingungen µ 1, µ 2 : Erwartungswerte Modellgleichung für Beobachtung i in Gruppe j : y ij = µ j + e ij Beispiel : 2 Werte aus der ersten, 3 aus der zweiten Population Modellgleichung ausführlich : y y ( ) µ 1 y 12 = 0 1 µ y y e 11 e 21 e 12 e 22 e 32 Designmatrix ( Reihenfolge der Parameter : µ 1, µ 2 ) Mögliche Fragestellungen : Schätzung von µ 1, µ 1 µ 2 Test : µ 1 = µ 2? 51 Modell und Fragestellungen ALM07 18
19 Beispiel : Varianzanalyse µ j : Erwartungswerte der Zellen Modellgleichung : y ij = µ j + e ij Beispiel : 3 Zellen mit 2, 2, 1 Beobachtungen Modellgleichung ausführlich : y y y 12 = y y µ 1 µ 2 µ 3 + e 11 e 21 e 12 e 22 e 13 Designmatrix : Mögliche Fragenstellungen : Kontraste Globalhypothese : µ 1 = µ 2 = = µ J? 51 Modell und Fragestellungen ALM07 19
20 Beispiel : Kovarianzanalyse Varianzanalytische Situation Zusätzlicher Einfluss auf AV durch quantitative Variable U U : Kovariate Beispiel : Leistung beeinflusst durch Lehrmethode und Intelligenz Kovariate : Intelligenz Annahme : In jeder Zelle ist Einfluss von U linear Dabei : Gleiche Steigung β Ziel : Einfluss von U herausrechnen Illustration : ( drei Stufen B j der UV ) y B 2 B 1 B 3 u Unterschiedliche Wirkung der treatments in B 1, B 2 und B 3 zeigt sich in unterschiedlichen Achsenabschnitten α j Modellgleichung : y ij = β u + α j + e ij 51 Modell und Fragestellungen ALM07 20
21 Zu rechtfertigende Modellannahmen : Linearer Einfluss in jeder Zelle Gleiche Steigung β in allen Zellen Beispiel : Drei Zellen, mit 3, 2, 2 Beobachtungen Werte der Kovariate : 1, 2, 3, 2, 4, 3, 2 Modellgleichung ausführlich : y y β y y 12 = α 1 y α 2 + α 3 y y 23 e 11 e 21 e 31 e 12 e 22 e 13 e 23 Designmatrix ( Reihenfolge der Parameter : β, α 1, α 2, α 3 ) Erste Spalte: Werte der Kovariate Mögliche Fragestellungen : Kontraste der α j Hypothese : α 1 = = α J? 51 Modell und Fragestellungen ALM07 21
22 Beispiel : Das allgemeine Entwicklungsmodell von Schaie Y : Entwicklungspsychologisch interessante Variable Modell : Y beeinflusst durch Kohorte Messzeitpunkt Alter Einflüsse additiv, keine Interaktion Verteilungsannahmen : wie üblich? Unabhängigkeit bei Untersuchung über mehrere Jahre? Annahme : Jedes Jahr neue Stichprobe aus jeder Kohorte Sinnvoll beispielsweise zur Vermeidung von Lerneffekten Beispiel : Kohorten : 1980, 1981, 1982, 1983 Messzeitpunkte: 1990, 1991, 1992, 1993 α, β, γ Parameter für Kohorte, Zeitpunkt, Alter Beispiel : α 80 : Einfluss des Geburtsjahres 1980 Beispiel : E(y 83,91 ) = α 83 + β 91 + γ 8 Einflussvariablen nicht unabhängig! 51 Modell und Fragestellungen ALM07 22
23 Modellgleichungen (eine Beobachtung für jede Kombination) : E(y 80,90 ) = α 80 + β 90 + γ 10 E(y 81,90 ) = α 81 + β 90 + γ 9 E(y 82,90 ) = α 82 + β 90 + γ 8 E(y 83,90 ) = α 83 + β 90 + γ 7 E(y 80,91 ) = α 80 + β 91 + γ 11 E(y 81,91 ) = α 81 + β 91 + γ 10 E(y 82,91 ) = α 82 + β 91 + γ 9 E(y 83,91 ) = α 83 + β 91 + γ 8 E(y 80,92 ) = α 80 + β 92 + γ 12 E(y 81,92 ) = α 81 + β 92 + γ 11 E(y 82,92 ) = α 82 + β 92 + γ 10 E(y 83,92 ) = α 83 + β 92 + γ 9 E(y 80,93 ) = α 80 + β 93 + γ 13 E(y 81,93 ) = α 81 + β 93 + γ 12 E(y 82,93 ) = α 82 + β 93 + γ 11 E(y 83,93 ) = α 83 + β 93 + γ 10 Mit Designmatrix : E(y 80,90 ) E(y 81,90 ) E(y 82,90 ) E(y 83,90 ) E(y 80,91 ) E(y 81,91 ) E(y 82,91 ) E(y 83,91 ) E(y 80,92 ) E(y 81,92 ) E(y 82,92 ) E(y 83,92 ) E(y 80,93 ) E(y 81,93 ) E(y 82,93 ) E(y 83,93 ) = α 80 α 81 α 82 α 83 β 90 β 91 β 92 β 93 γ 7 γ 8 γ 9 γ 10 γ 11 γ 12 γ 13 Mehr Versuchspersonen : Zeilen vervielfachen Probleme beim Schätzen von Parametern und Parameterdifferenzen ( Beispiel : γ 10 γ 9 ) 51 Modell und Fragestellungen ALM07 23
24 Modellverträgliche Erwartungswertvektoren Modell : y = Xβ + e Erwartungswertvektor von y : Xβ Ein modellverträglicher Erwartungswertvektor ist ein Vektor v, der die Form v = Xβ hat für ein geeignetes β Modellverträgliche Erwartungswertvektoren v = Xβ sind genau die Vektoren, die bei Modellgültigkeit als Erwartungswertvektoren von y in Frage kommen Xβ = E(y), falls β der wahre Parameter ist Die Menge der modellverträglichen Erwartungswertvektoren ist die Menge aller v = Xβ für beliebige β Bezeichnung : V V = Bild(X) Bild(X) ist Unterraum des Personenraums R n Die Dimension von Bild(X) ist Rang(X) Alternative Kennzeichnung : Modellverträgliche Erwartungswertvektoren sind die möglichen Modellvorhersagen Mögliche fehlerfreie Werte von y 52 Geometrische Veranschaulichung ALM07 24
25 Beispiel : Eine Stichprobe Stichprobenumfang : 2 Personenraum ist R 2 Gleichungen für Erwartungswerte : E(y) = Xβ = ( ) 1 ( ) µ 1 E(y 1 ) = 1 µ = µ E(y 2 ) = 1 µ = µ ( 1, 2) ist kein möglicher Erwartungswertvektor (3, 3) ist möglicher Erwartungswertvektor ( µ = 3 ) Die modellverträglichen Erwartungswertvektoren sind alle Vielfachen von (1, 1) Zusammen : Gerade V, die durch x = (1, 1) aufgespannt wird Koordinate eines modellverträglichen Erwartungswertvektors bezüglich der Basis x von V : µ 52 Geometrische Veranschaulichung ALM07 25
26 Illustration : E(y) = Xβ = ( ) 1 ( ) µ 1 ( ) 1 v = 2 ( ) 0 v =, µ = 0 0 Y 2 1 x 1 V Y 1 v = ( ) 3, µ = 3 3 ( ) 2 v =, µ = Geometrische Veranschaulichung ALM07 26
27 Beispiel : Einfache lineare Regression U : Prädiktorvariable Drei Y -Werte, nämlich zu u = 2, 1, 0 Gleichungen für die Erwartungswerte : 1 2 E(y) = Xβ = ( ) α β E(y 1 ) = 1 α + 2 β = β 2 + α E(y 2 ) = 1 α + ( 1) β = β ( 1) + α E(y 3 ) = 1 α + 0 β = β 0 + α Koordinaten eines Punktes y im Personenraum : die zu den U-Werten 2, 1 und 0 gehörenden Y -Werte v = (v 1, v 2, v 3 ) ist modellverträglicher Erwartungswertvektor, wenn (2, v 1 ), ( 1, v 2 ) und (0, v 3 ) auf einer Geraden im (U, Y ) Variablenraum liegen Bedingung dafür, dass v modellverträglicher Erwartungswertvektor ist : Es gibt ein β mit v = Xβ Komponenten von β : Achsenabschnitt α, Steigung β Modellverträgliche Erwartungswertvektoren : α x 1 + β x 2 ( x 1, x 2 : Spalten von X ) Zusammen : Ebene V, die von x 1 und x 2 aufgespannt wird Koordinaten in V : Achsenabschnitt α und Steigung β 52 Geometrische Veranschaulichung ALM07 27
28 Illustration : E(y) = Xβ = ( ) α β v = v = α = 5 β = x 2 y y u Y 3 u x 1 v = v = α = 2 α = 25 β = 0 β = Y 2 Y 1 y V u y u Punkte in V entsprechen Geraden im (U, Y )-Variablenraum 52 Geometrische Veranschaulichung ALM07 28
29 Parametrische Funktionen Parameter heißen die k Komponenten von β Gelegentlich zählt man auch σ 2 zu den Parametern Linearkombinationen ψ = c j β j der Parameter heißen parametrische Funktionen Eine parametrische Funktion ist gegeben durch ihren Koeffizientenvektor c R k Bezeichnung dann auch : ψ c Es gilt also ψ c = c β = c j β j Gelegentlich lässt man noch eine additive Konstante zu Parametrische Funktionen sind von großer Bedeutung für die Formulierung inhaltlicher Fragestellungen Beispiele Die Komponenten β j von β selbst ( c = e j ) Beispiele : Erwartungswerte µ j bei der Varianzanalyse Regressionsgewichte β j und Achsenabschnitt α der Regression 53 Parameter ALM07 29
30 Weitere Beispiele Differenzen von Parametern Beispiel : Differenz der Erwartungswerte von Gruppe 1 und 3 bei Varianzanalyse mit 4 Gruppen ψ = µ 3 µ 1 c = ( 1, 0, 1, 0 ) Kontraste in der Varianzanalyse Erwartungswert von y für ein bestimmtes u in der einfachen linearen Regression ( Parametervektor : β = ( α, β ) ) E(y) = β u + α Beispiel : u = 2 ψ = β 2 + α = α + 2β c = (1, 2) Nullhypothese der Varianzanalyse : Alle Kontraste sind 0 Beispiel einer Funktion, die nicht parametrisch ist Quadratische Regression : E(y) = β 0 + β 1 u + β 2 u 2? Wo liegt das Extremum ( Hochpunkt oder Tiefpunkt )? Differenzieren : Bei u = β 1 /(2β 2 ) β 1 /(2β 2 ) ist keine parametrische Funktion 53 Parameter ALM07 30
31 Identifizierbarkeit Ein Beispiel : Wirksamkeit von zwei Therapiemaßnahmen Zwei Gruppen mit 2 bzw 3 Vpn, Kontrollgruppe vergessen Abhängige Variable : Wohlbefinden Modellvorstellung : Erwartungwert µ ohne Maßnahmen wird durch die Interventionen modifiziert Veränderungen : α 1 und α 2 Erwartungswerte der Gruppen : µ 1 = µ + α 1 µ 2 = µ + α 2 Parametervektor : ( µ, α 1, α 2 ) Designmatrix : Rang ist nur 2 Hauptfrage nach Wirksamkeit der Maßnahmen Formal : α j =? Experiment versagt 53 Parameter ALM07 31
32 Voraussetzung für die weiteren Überlegungen : Erwartungswerte µ 1 und µ 2 sind bekannt Nicht erreichbares Ideal Immerhin fast erreichbar bei vielen Replikationen Gleichungen für die µ j : µ 1 = µ + α 1 µ 2 = µ + α 2 Gegebene µ j sind mit ( unendlich ) vielen α j kompatibel Beispiel : µ 1 = 5, µ 2 = 3 ist kompatibel mit β = (µ, α 1, α 2 ) = (0, 5, 3), (1, 4, 2), (2, 3, 1), Auch im denkbar besten Fall bekannter Erwartungswerte von y kann man nicht auf die α j zurückschließen Die α j sind nicht identifizierbar Problem wäre mit Kontrollgruppe vermieden worden Obwohl die α j auch theoretisch nicht zugänglich sind, kann ihre Differenz ψ (theoretisch) ermittelt werden : ψ = α 2 α 1 = (µ + α 2 ) (µ + α 1 ) = µ 2 µ 1 Im Beispiel mit µ 1 = 5 und µ 2 = 3 ist ψ = 2 53 Parameter ALM07 32
33 Eine parametrische Funktion ψ heißt identifizierbar, wenn mit jedem möglichen modellverträglichen Wert von E(y) nur ein einziger Wert von ψ kompatibel ist Im anderen Fall heißt ψ nicht identifizierbar Beispiel der beiden Therapiegruppen : µ, α 1, α 2 sind nicht identifizierbar ψ = α 2 α 1 ist identifizierbar Entsprechend : Identifizierbarkeit eines Vektors ψ parametrischer Funktionen Beispiel : β selber Kenntnis von E(y) ist der beste denkbare Idealfall Wenigstens näherungsweise erreichbar? Kann man über nicht identifizierbare Parameter sinnvoll reden?? Ist ein Modell mit nicht identifizierbaren Parametern sinnvoll? 53 Parameter ALM07 33
34 Identifizierbarkeit von β Es gilt E(y) = Xβ Frage: Gibt es zu einem modellverträglichen Erwartungswertvektor v nur ein passendes β? Kurz : Ist Xβ = v eindeutig lösbar? Der Parametervektor β ist genau dann identifizierbar, wenn die (n k)-matrix X den vollen Rang k besitzt Gleichbedeutend : X X ist regulär X besitzt vollen Rang heißt : Rang gleich Spaltenzahl Wenn X vollen Rang besitzt sind die Spalten von X eine Basis von Bild(X) können Parameter als Koordinaten abgelesen werden 53 Parameter ALM07 34
35 Identifizierbarkeit einer parametrischen Funktion ψ c ψc ist genau dann identifizierbar, wenn c Linearkombination der Zeilen von X ist ψc ist genau dann identifizierbar, wenn es sich berechnen lässt als Linearkombination der Komponenten von E(y) Ein Vektor aus parametrischen Funktionen ist identifizierbar genau dann, wenn alle seine Komponenten identifizierbar sind Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : (0, 1, 0) ist keine Linearkombination der Zeilen α 1 ist nicht identifizierbar (0, 1, 1) ist Linearkombination der Zeilen α 2 α 1 ist identifizierbar Beispielsweise gilt α 2 α 1 = a E(y) mit a = ( 1, 0, 1, 0, 0) 53 Parameter ALM07 35
36 Identifizierbarmachen Ein Modell mit nicht identifizierbaren Parametern ist unbefriedigend Häufige Lösung : Erzwingen der Eindeutigkeit durch Nebenbedingungen Auswahl eines Parametervektors aus vielen möglichen Übliche Form der Nebenbedingungen im ALM : Nβ = 0? Bedingungen, damit N die gewünschte Funktion erfüllt? Ist Rang(X) = r < k und k r = q, so muss gelten : ( ) X Rang( ) = k und Rang(N) = q N Die Zeilen von N erhöhen den Rang gerade auf k 53 Parameter ALM07 36
37 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Der Rang von X ist 2 Eine Nebenbedingung ist ausreichend Koeffizientenvektor muss Zeilenrang zu 3 ergänzen Möglicher Koeffizientenvektor : (0, 1, 1) Zugehörige Nebenbedingung : α 1 + α 2 = 0 Bedeutung der α j dann : Abweichung vom Durchschnitt µ Weiterer möglicher Koeffizientenvektor : (0, 2, 3) Zugehörige Nebenbedingung : 2α 1 + 3α 2 = 0 Bekannte Nebenbedingung der Varianzanalyse 53 Parameter ALM07 37
38 Wichtiger Spezialfall möglicher Nebenbedingungen : Alle Zeilen von N sind Einheitsvektoren Dies ist stets möglich Staffelform, Einheitsvektoren zu Nicht-Einser-Spalten Beispiel Nur eine Nebenbedingung ist nötig Alle drei Einheitsvektoren kommen in Frage Nebenbedingung für e j : β j = 0 Entsprechender Parameter wird auf 0 gesetzt Parameter kann weggelassen werden Ebenso zugehörigen Spalte von X Rang und Bild der Designmatrix ändern sich nicht 53 Parameter ALM07 38
39 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Alle drei Parameter können Null gesetzt werden Beispiel : α 2 = 0 Änderung der Designmatrix : Jetzt besitzt die Matrix vollen Rang Praktisch für Rechnungen Interpretation der verbliebenen Parameter µ und α 1 µ ist der Erwartungswert µ 2 der zweiten Gruppe α 1 ist die Differenz µ 1 µ 2 53 Parameter ALM07 39
40 Weiteres Beispiel : µ = 0 Änderung der Designmatrix : Interpretation der verbliebenen Parameter α 1 und α 2 : Erwartungswerte der beiden Gruppen Designmatrizen vor und nach Identifizierbarmachen : Drei verschiedene Matrizen Eigentlich gleiches Modell Neue Parameter haben unterschiedliche Bedeutung ( auch bei gleicher zugehöriger Spalte ) Die drei Matrizen haben dasselbe Bild 53 Parameter ALM07 40
41 Offensichtlich: Inhaltliche Interpretation der Parameter ändert sich mit Nebenbedingungen Eigentlich bekommen die Parameter erst durch die Nebenbedingungen überhaupt Bedeutung Vorher hatten sie keine Bedeutung, wenn es auch für den naiven Betrachter so ausgesehen haben mag Mögliche Gesichtspunkte bei der Wahl der Nebenbedingungen Inhaltlich brauchbare Interpretation Aussicht auf bequeme weitere Rechnungen ( besonders beim Weglassen von Parametern ) Problem : Umrechnen der Parameter bei unterschiedlicher Wahl der Nebenbedingungen Beispiel : Inhaltlich ist ein Satz von Nebenbedingungen erwünscht Rechentechnisch ist ein anderer praktischer Erstmal : Rechnen mit dem bequemeren Satz Ist danach Umrechnung zu interpretierbaren Parametern möglich? 53 Parameter ALM07 41
42 Umrechnen von Parametern Situation : Designmatrix X mit Rangdefekt Zwei mögliche Nebenbedingungen, gegeben durch N 1 und N 2 Zugehörige Parametervektoren : β 1 und β 2 Umrechnungsformel : β 2 = (X X + N 2N 2 ) 1 X X β 1 Umrechnung durch eine lineare Abbildung Komponenten von β 2 sind parametrische Funktionen von β 1 Fazit: Man kann ohne Gefahr die Nebenbedingungen entsprechend rechentechnischen Erfordernissen wählen Alternative Parameter zu inhaltlich sinnvollen Nebenbedingungen sind parametrische Funktionen der rechnerisch bequemeren Parameter 53 Parameter ALM07 42
43 Beispiel mit zwei Therapiemaßnahmen : µ j = µ + α j Parameter : µ, α 1, α 2 Designmatrix : Mögliche Nebenbedingungen Inhaltlich sinnvoll vielleicht : 2 α α 2 = 0 (vgl Varianzanalyse) Technisch sinnvoll vielleicht : α 2 = 0 Zur Unterscheidung : Technische Parameter γ 1, γ 2 ( γ 3 = 0 ) Umrechnung : µ = γ 1 + (2/5) γ 2 α 1 = (3/5) γ 2 α 2 = (2/5) γ 2 µ, α 1, α 2 sind parametrische Funktionen von γ 1, γ 2 53 Parameter ALM07 43
44 Parametertransformationen Nebenbedingungen können die Designmatrix ändern ( Streichen von Spalten ) Rang und Bild bleiben dabei gleich Oberflächlich unterschiedliche Beschreibung desselben Modells Verallgemeinerung : Zwei Designmatrizen X 1 und X 2 heißen äquivalent, falls Bild(X 1 ) = Bild(X 2 ) Auch die zugehörigen Modelle heißen dann äquivalent Die modellverträglichen Erwartungswertvektoren sind genau die gleichen Empirisch sind bestenfalls die Erwartungswerte der y i zugänglich, also die Erwartungswertvektoren Empirisch kann nicht zwischen äquivalenten Modellen unterschieden werden Man kann diese Modelle als eigentlich gleich betrachten 53 Parameter ALM07 44
45 Umrechnung von Parametervektoren Situation : X 1 und X 2 sind äquivalent Beide Designmatrizen haben vollen Rang k Parametervektoren : β 1 und β 2 Wegen Bild(X 1 ) = Bild(X 2 ) gibt es T mit X 1 = X 2 T Problem : Umrechnung von einander entsprechenden Parametervektoren Entsprechend : Gleiche zugehörige Erwartungswertvektoren Also : X 1 β 1 = X 2 β 2 Setze β 2 = Tβ 1 Dann : X 1 β 1 = (X 2 T)β 1 = X 2 (Tβ 1 ) = X 2 β 2 Lösung also : β 2 = Tβ 1 53 Parameter ALM07 45
46 Parameter in äquivalenten Modellen lassen sich mit geeigneten linearen Abbildungen ineinander umrechnen Transformationen von Parametervektoren von zwei äquivalenten Modellen heißen Parametertransformationen Die Parametertransformation von β 1 zu β 2 ist β 2 = Tβ 1 Dabei ist T gegeben durch die Gleichung X 1 = X 2 T Die neuen Parameter sind parametrische Funktionen der alten Übergang ist Koordinatenwechsel auf Bild(X 1 ) = Bild(X 2 ) Umrechnung von X 1 -Koordinaten in X 2 -Koordinaten Motivationen für Parametertransformationen : Bequemere Rechnung Bessere inhaltliche Interpretation Verständlichere Formeln 53 Parameter ALM07 46
47 Beispiel : Einfache lineare Regression Modell : E(y) = β u + α Werte für U : 3, 7, 8 Designmatrix : X 1 = Rechentechnisch praktisch : Orthogonale Spalten Mache die zweite Spalte zur ersten orthogonal ( Zentrieren ) ( Äquivalentes ) Ergebnis : X 2 = Es gilt X 1 = X 2 T mit T = ( ) Parametertransformation ( neue Parameter : γ 1, γ 2 ) γ 1 γ 2 = α + 6 β = β Bedeutung von γ 1 = β 6 + α Erwartungswert von Y für U = 6 (Mittelwert von U) 53 Parameter ALM07 47
48 Beispiel zur Parameterschätzung Situation : Eine Stichprobe mit 2 Beobachtungen Personenraum : R 2 Erwartungswertvektor : E(y) = Xβ = ( ) 1 ( ) µ 1 Unterraum der modellverträglichen Erwartungswertvektoren : Erzeugnis V von x = (1, 1) µ kann als Koordinate abgelesen werden Konkretes Beispiel : Daten sind 1 und 3 Y 2 1 y x s 1 V Y 1 Modell : y = µ x + e Deutung : Erwartungswertvektor µ x ist Modellvorhersage 53 Parameter ALM07 48
49 Modell : y = µ x + e µ x : Modellvorhersage Idee : Schätze die Parameter und damit die Modellvorhersage so, dass die tatsächlichen Daten möglichst gut dazu passen Die geschätzte Modellvorhersage soll möglichst nahe bei dem beobachteten Datenvektor y liegen ŷ : geschätzte Modellvorhersage ê = y ŷ : geschätzter Fehler Schätzung : Y 2 1 s y sŷ x 1 V Y 1 Y 2 y 1 1 ê ŷ V Y 1 ŷ ist orthogonale Projektion von y auf V Rechts : y = ŷ + ê ( theoretisch : y = E(y) + e ) Ziel also : ê soll möglichst klein werden Äquivalent ê 2 soll minimal werden ê 2 ist Summe der quadrierten ( geschätzten ) Fehler Methode der kleinsten Quadrate 53 Parameter ALM07 49
50 Parameterschätzung Ausgangspunkt : Modell y = Xβ + e Ziel Schätzung des Parametervektors β ( ˆβ ) Der zu ˆβ gehörende Erwartungswertvektor ŷ = X ˆβ heißt geschätzter Erwartungswertvektor oder geschätzte Modellvorhersage ê = y ŷ heißt geschätzter Fehler y = ŷ + ê Prinzip der Schätzung : Die geschätzte Modellvorhersage ŷ soll möglichst gut zu den beobachteten Daten y passen Geometrisch : ê 2 soll möglichst klein sein ŷ soll möglichst nahe bei y liegen Methode der kleinsten Quadrate Ziel : Finde zu y den nächsten Punkt ŷ aus V = Bild(X) Lösung : Orthogonale Projektion auf V 53 Parameter ALM07 50
51 Ziel : Finde zu y den nächsten Punkt ŷ aus V = Bild(X) Bedingung dafür, dass Xβ Bild(X) Projektion von y ist : (y Xβ) V = Bild(X) Gleichbedeutend : (y Xβ) ist zu allen Spalten von X X (y Xβ) = 0 Normalengleichungen X Xβ = X y Die Normalengleichungen besitzen eine Lösung, da das Projektionsproblem eine Lösung besitzt Lösung ist nur eindeutig, wenn X vollen Rang hat Der optimale modellverträgliche Erwartungswertvektor ŷ ist immer eindeutig ( Projektion ) Lösungen für β sind gerade die, die zu ŷ führen, für die also Xβ = ŷ gilt Auswahl mit Nebenbedingungen 53 Parameter ALM07 51
52 Parameterschätzung bei vollem Rang von X Voraussetzung : X besitzt vollen Rang Normalengleichungen : X Xβ = X y Lösung : ˆβ = (X X) 1 X y Geschätzter Erwartungswertvektor : ŷ = X(X X) 1 X y X(X X) 1 X ist orthogonale Projektion auf Bild(X) = V Verteilung von ˆβ : Wegen y N n (Xβ, σ 2 I) ist ˆβ = (X X) 1 X y multinormal Erwartungswert : (X X) 1 X (Xβ) = β Kovarianzmatrix : ( (X X) 1 X ) (σ 2 I) ( (X X) 1 X ) = σ 2 (X X) 1 X X (X X) 1 = σ 2 (X X) 1 Insgesamt : ˆβ N k ( β, σ 2 (X X) 1 ) ˆβ ist erwartungstreu 53 Parameter ALM07 52
9. 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,
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
MehrLineare Gleichungssysteme I (Matrixgleichungen)
Lineare Gleichungssysteme I (Matrigleichungen) Eine lineare Gleichung mit einer Variable hat bei Zahlen a, b, die Form a b. Falls hierbei der Kehrwert von a gebildet werden darf (a 0), kann eindeutig aufgelöst
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
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
MehrVarianzanalyse (ANOVA: analysis of variance)
Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
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:
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
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
MehrBachelorabschlussseminar Dipl.-Kfm. Daniel Cracau
1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
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,
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
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
MehrMelanie Kaspar, Prof. Dr. B. Grabowski 1
7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen
MehrLineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrStatistik II für Betriebswirte Vorlesung 2
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander
MehrQuantitative Methoden der Bildungsforschung
Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang
MehrAufgabe 1. Zunächst wird die allgemeine Tangentengleichung in Abhängigkeit von a aufgestellt:
Aufgabe 1 1.1. Bestimmung von D max : 1. Bedingung: x >0 ; da ln(x) nur für x > 0 definiert ist. 2. Bedingung: Somit ist die Funktion f a nur für x > 0 definiert und sie besitzt eine Definitionslücke an
MehrWelche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen?
Welche Lagen können zwei Geraden (im Raum) zueinander haben? Welche Lagen können zwei Ebenen (im Raum) zueinander haben? Welche Lagen kann eine Gerade bezüglich einer Ebene im Raum einnehmen? Wie heiÿt
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
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
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrStatistik I für Betriebswirte Vorlesung 11
Statistik I für Betriebswirte Vorlesung 11 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 22. Juni 2012 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
Mehrx 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt
- 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +
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
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
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
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
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
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
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
MehrDas Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":
Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur
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
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
Mehr(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu
Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die
Mehr4 Vorlesung: 21.11. 2005 Matrix und Determinante
4 Vorlesung: 2111 2005 Matrix und Determinante 41 Matrix und Determinante Zur Lösung von m Gleichungen mit n Unbekannten kann man alle Parameter der Gleichungen in einem rechteckigen Zahlenschema, einer
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
MehrEinfache Varianzanalyse für abhängige
Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese
MehrMotivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen
Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
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
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.
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
MehrKlausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min
Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe
Mehr5 Eigenwerte und die Jordansche Normalform
Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n
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
MehrDivision Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema
Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrÜbungen zum Ferienkurs Lineare Algebra WS 14/15
Übungen zum Ferienkurs Lineare Algebra WS 14/15 Linearkombinationen, Basen, Lineare Abbildungen 2.1 Lineare Unabhängigkeit Sind die folgenden Vektoren linear unabhängig? (a) 1, 2, 3 im Q Vektorraum R (b)
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
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
MehrGrundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen
Grundlagen der höheren Mathematik Einige Hinweise zum Lösen von Gleichungen 1. Quadratische Gleichungen Quadratische Gleichungen lassen sich immer auf die sog. normierte Form x 2 + px + = 0 bringen, in
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
Mehr3.1. Die komplexen Zahlen
3.1. Die komplexen Zahlen Es gibt viele Wege, um komplexe Zahlen einzuführen. Wir gehen hier den wohl einfachsten, indem wir C R als komplexe Zahlenebene und die Punkte dieser Ebene als komplexe Zahlen
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
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
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.
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
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
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
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für die optimale Vorbereitung in Analysis, Geometrie und Stochastik mit verständlichen Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
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
MehrForschungsstatistik I
Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich
MehrRente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren Rentenperiode = Zeitabstand zwischen zwei Rentenzahlungen
5.2. entenrechnung Definition: ente = laufende Zahlungen, die in regelmäßigen Zeitabschnitten (periodisch) wiederkehren entenperiode = Zeitabstand zwischen zwei entenzahlungen Finanzmathematisch sind zwei
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
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:
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
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.
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrEinfache statistische Auswertungen mit dem Programm SPSS
Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...
MehrMETHODENLEHRE I WS 2013/14 THOMAS SCHÄFER
METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
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
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Zwei Gleichungen mit zwei Unbekannten Es kommt häufig vor, dass man nicht mit einer Variablen alleine auskommt, um ein Problem zu lösen. Das folgende Beispiel soll dies verdeutlichen
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
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrEinführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)
Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff
Mehr5 Das Allgemeine Lineare Modell
ALM07 1 5 Das Allgemeine Lineare Modell 51 Modell und Fragestellungen Das Allgemeine Lineare Modell (ALM) ist ein abstraktes statistisches Modell, das als Spezialfälle viele wichtige Modelle enthält, wie
MehrAbituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR)
Abituraufgabe zur Stochastik, Hessen 2009, Grundkurs (TR) Eine Firma stellt USB-Sticks her. Sie werden in der Fabrik ungeprüft in Packungen zu je 20 Stück verpackt und an Händler ausgeliefert. 1 Ein Händler
Mehr4. Übungsblatt Matrikelnr.: 6423043
Lineare Algebra I 1. Name: Bleeck, Christian 4. Übungsblatt Matrikelnr.: 6423043 Abgabe: 15.11.06 12 Uhr (Kasten D1 320) Übungsgruppe: 03 Patrick Schützdeller 2. Name: Niemann, Philipp Matrikelnr.: 6388613
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
Mehr5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Sei K ein Körper, a ij K für 1 i m, 1 j n. Weiters seien b 1,..., b m K. Dann heißt a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2... a m1
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrMatrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.
Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik 008 Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe 1: ( VP) x Gegeben ist die Funktion f mit f(x). x Bilden Sie die Ableitung von f und fassen Sie diese so weit wie
Mehr