Regressionsrechnung: Die Methode der kleinsten Quadrate
|
|
- Maria Maya Schmidt
- vor 7 Jahren
- Abrufe
Transkript
1 Universität Basel Wirtschaftswissenschaftliches Zentrum Regressionsrechnung: Die Methode der kleinsten Quadrate Dr. Thomas Zehrt Inhalt: 1. Einstimmung 2. Problemstellung 3. Die Methode der kleinsten Quadrate 4. Lineare Regression 5. Quadratische Regression
2 Teil 1 Einstimmung
3 Aufgabe: Untersuchung des Zusammenhangs zwischen Werbungskosten und Absatz Daten einer Stichprobe: x i y i x i - Werbungskosten je Kunde (in ) y i - Absatz je Kunde (in ) Frage: Welcher Absatz ist bei Werbungskosten von zu erwarten???
4 Darstellung in einem Streuungsdiagramm (Punktwolke) y x
5 Mathematische Modellbildung: Es scheint zwischen beiden Merkmalen einen linearen Zusammenhang zu geben, der durch verschiedene Einflüsse leicht verfälscht ist. Linearer Modellansatz: y = f(x) = a + b x Problem: Wie sollen die Zahlen a und b gewählt werden, d.h. welche Gerade kommt unserer Punktwolke am nächsten?
6 Welche Gerade ist die Beste? y x
7 Methode der kleinsten Quadrate Für jede Gerade y = f(x;a,b) = a + b x führen wir in zwei Schritten ein Strafmass für deren Abweichung von der Punktwolke ein. Dieses Strafmass wird eine Funktion F(a,b) sein, die von den beiden Parametern a und b abhängt. Wir minimieren diese Funktion F, d.h. wir suchen die Werte â und ˆb die die Funktion (global) minimieren.
8 1. Schritt Abweichung der Geraden im Punkt x i : e i = y i (a + b x i ) }{{} f(x i ;a,b) R y a + b x 1 e 1 e 2 e 3 y 1 y = a + bx x 1 x 2 x 3 x e 1 = 2 (a + b) = 2 a b e 2 = 3 (a + b2) = 3 a 2b e 3 = 4.5 (a + b3) = 4.5 a 3b
9 2. Schritt Gesamtstrafe für die Gerade y = a + b x F(a,b) }{{} 0 = e 2 i }{{} 0 Für unser Beispiel: F(a,b) = (2 a b) 2 + (3 a 2b) 2 + (4.5 a 3b) 2 = 3a b ab 19a 43b
10 3. Schritt Bestimmung der Extremalstellen der Funktion F(a, b) Notwendige Bedingungen: 0 = a F(a,b) und 0 = b F(a,b)
11 Für unser Beispiel: 0 = 6a + 12b 19 und 0 = 12a + 28b 43 oder ( )( a b ) = ( ) Lösung: â = 2 3 und ˆb = 5 4 Das sind die Koordinaten des einzigen lokalen (und globalen) Minimums der Funktion F(a,b)! Optimale Gerade: y = x Antwort: Bei Werbungskosten von ist ein Absatz von also zu erwarten!
12 Teil 2 Problemstellung
13 Seien X und Y (bzw. X 1,...,X n und Y ) zwei (bzw. n + 1) quantitative Merkmale. Die Regressionsrechnung untersucht die Form des Zusammenhangs dieser Merkmale. Wir benötigen eine Modellgleichung zwischen den Merkmalen: y = f(x;a,b,c,...) y = f(x 1,...,x n ;a,b,c,...) mit einer (an das Problem angepassten) Funktion f, mit noch zu bestimmenden Parametern a,b,c,... X bzw. X 1,...,X n heissen Ursache und Y Wirkung.
14 Modell 1: Merkmal Y : Absatz(menge) eines Produktes Merkmal X: Werbungskosten Zusammenhangsmodell: y = a + bx gesucht: a,b
15 Modell 2: Merkmal Y : Nachfrage nach einem Gut (y = q d ) Merkmal X: Preis (x = p) Zusammenhangsmodell: }{{} q d = a b }{{} p y x gesucht: a,b > 0
16 Modell 3: Merkmal Y : Angebot eines Gutes (y = q s ) Merkmal X: Preis (x = p) Zusammenhangsmodell: }{{} q s = c + d }{{} p y x gesucht: a,b > 0
17 Modell 4: Merkmal Y : Nachfrage nach einem Gut (y = q) Merkmal X: persönliches Einkommen (x = E) Zusammenhangsmodell(Engel-Funktion für ein normales Gut): ( q = q(e) = s 1 E ) 0 E gesucht: s,e
18 Modell 5: Merkmal Y : Nachfrage nach einem Gut (y = q) Merkmal X: persönliches Einkommen (x = E) Zusammenhangsmodell(Engel-Funktion für ein inferiores Gut): q = q(e) = a E gesucht: a
19 Modell 6: Merkmal Y : Nachfrage nach einem Gut (y = q) Merkmal X: persönliches Einkommen (x = E) Zusammenhangsmodell: q = q(e) = A e b/e gesucht: A,b
20 Modell 7: Merkmal Y : Produktionskosten (y = K) Merkmal X: Output (x) Zusammenhangsmodell: K = K(x) = k 0 + k 1 x + k 2 x 2 + k 3 x 3 gesucht: k 0,k 1,k 2,k 3
21 Modell 8: Merkmal Y : Konsum (y = C) Merkmal X: Volkseinkommen (x = Y ) Zusammenhangsmodelle: C = C(Y ) = C 0 + cy C = C(Y ) = C 0 + b(1 e ay ) gesucht: C 0,c bzw. C 0,b,a
22 Modell 9: Merkmal Y : Nachfrage nach Gut G 1 (y = q 1 ) Merkmal X 1 : Preis von Gut G 1 (x 1 = p 1 ) Merkmal X 2 : Preis von Gut G 2 (x 2 = p 2 ) Zusammenhangsmodelle: Konkurrierende Güter q 1 = q 1 (p 1,p 2 ) = a bp 1 + cp 2 q 1 = q 1 (p 1,p 2 ) = k pβ 2 p α 1 gesucht: a,b,c bzw. k,α,β
23 Modell 10: Merkmal Y : Nachfrage nach Gut G 1 (y = q 1 ) Merkmal X 1 : Preis von Gut G 1 (x 1 = p 1 ) Merkmal X 2 : Preis von Gut G 2 (x 2 = p 2 ) Zusammenhangsmodelle: Komplementäre Güter q 1 = q 1 (p 1,p 2 ) = a bp 1 cp 2 q 1 = q 1 (p 1,p 2 ) = k 1 p α 1 pβ 2 gesucht: a,b,c bzw. k,α,β
24 Modell 11: Merkmal Y : Kosten für die Produktion von 2 Gütern G 1 und G 2 (y = C) Merkmal X 1 : Menge von G 1 (x 1 = q 1 ) Merkmal X 2 : Menge von G 2 (x 2 = q 2 ) Zusammenhangsmodelle: C = C(q 1,q 2 ) = aq 2 1 +bq 1q 2 +cq 2 2 +dq 1+eq 2 +f gesucht: a,b,c,d,e,f
25 Modell 12: Merkmal Y : Produktionsergebnis (y = Q) Merkmal X 1 : 1. Produktionsfaktor (x 1 = K) Merkmal X 2 : 2. Produktionsfaktor (x 2 = A) Zusammenhangsmodelle: Q = Q(K,A) = c K α A β gesucht: c,α,β
26 Modell 13: Merkmal Y : Produktionsergebnis (y = Q) Merkmal X 1 : 1. Produktionsfaktor (x 1 = K) Merkmal X 2 : 2. Produktionsfaktor (x 2 = A) Zusammenhangsmodelle: Q = Q(K,A) = (a K ρ + b A ρ ) 1/ρ gesucht: a,b,ρ
27 Nun werden n Messungen beider Merkmale durchgeführt. Ergebnis: n Messwertepaare (-tripel,...) (x 1,y 1 ), (x 2,y 2 ),...,(x n,y n ) die (z.b. auf Grund von Messfehlern) nicht genau auf einer dem Modell entsprechenden Kurve (Fläche) liegen werden. Ziel der Regressionsrechnung: Aus der Vielzahl aller möglichen Modellkurven (Modellflächen) soll die,,beste ausgewählt werden. Weg: Die Methode der kleinsten Quadrate
28 Teil 3 Die Methode der kleinsten Quadrate
29 gegeben Modellgleichung zwischen den Merkmalen X und Y n Messwertpaare y = f(x;a,b,c,...) (x 1,y 1 ), (x 2,y 2 ),...,(x n,y n ) Problem: Für jede (erlaubte) Wahl der Parameter a,b,c,... entsteht eine Funktion, die in das Modell passt. Welche approximiert meine Messwerte am Besten?
30 Lösung: Jeder möglichen Modellkurve (d.h. jeder Wahl der Parameter) wird das Strafmass F(a,b,c,...) = (y } i f(x i {{ ;a,b,c,...) } ) 2 e i zugeordnet, dessen Grösse die Abweichung dieser Kurve von den Messwerten ausdrückt. Dann suchen wir die Parameter â,ˆb,ĉ,... die diese Straffunktion minimieren. Notwendige Bedingungen: 0 = a F(a,b,c,...) 0 = b F(a,b,c,...) 0 = c F(a,b,c,...)....
31 Vektorschreibweise x = x 1 x 2. x n y = y 1 y 2. y n u = e = e 1 e 2. e n = y 1 f(x 1,a,b,c, ) y 2 f(x 2,a,b,c, ). y n f(x n,a,b,c, )
32 Teil 4 Lineare Regression
33 gegeben lineare Modellgleichung zwischen den Merkmalen X und Y n Messwertpaare y = f(x;a,b) = a + bx (x 1,y 1 ), (x 2,y 2 ),...,(x n,y n ) oder x = x 1 x 2. x n y = y 1 y 2. y n u = e = e 1 e 2. e n = y 1 a bx 1 y 2 a bx 2. y n a bx n = y au bx
34 Straffunktion F(a,b) = e 2 i = e e = (y au bx) (y au bx) = y y 2a u y 2b x y +a 2 u u + 2ab u x + b 2 x x
35 Notwendige Bedingungen für ein Extrema 0 = F(a,b) = 2a u u + 2b u x 2u y a 0 = F(a,b) = 2a u x + 2b x x 2x y b Als lineares Gleichungssystem ( u u u x u x x x ) ( a b ) = ( u y x y ) Nach Berechnung der Skalarprodukte n x i x i x 2 i ( a b ) = y i x i y i
36 Lösung mittels Cramerscher Regel: â = y i n n x 2 i n x 2 i ( x i x i ) 2 x i y i ˆb = n n n x i y i n x 2 i ( x i x i ) 2 y i
37 Aufgabe: Finden Sie eine einfache Bedingung dafür, dass das lineare Regressionsproblem ( ) ( ) ( ) u u u x a u y = u x x x b x y für jede rechte Seite eindeutig lösbar ist. Hinweis: Erinnern Sie sich zunächst unter welchen Bedingungen ein lineares Gleichungssystem eindeutig lösbar ist. Berechnen Sie dann det ( u u ) u x u x x x
38 Aufgabe 1: Die Werte x i y i liegen ungefähr auf einer Geraden. Bestimmen Sie die Gerade, die diese Daten bestmöglich approximiert ,0 1,5 2,0 2,5 3,0 3,5 4,0
39 Aufgabe 2: Gegeben sind die Daten x i y i Bestimmen Sie mit den Techniken der linearen Regression eine Funktion der Form f(x) = ae bx, die diese Daten gut approximiert. 3,0 2,5 2,0 1,5 1,0 0,5 0,
40 Teil 5 Quadratische Regression
41 gegeben quadratische Modellgleichung zwischen den Merkmalen X und Y y = f(x;a,b,c) = a + bx + cx 2 n Messwertpaare (x 1,y 1 ), (x 2,y 2 ),...,(x n,y n ) oder x = x 1 x 2. x n y = y 1 y 2. y n u = e = e 1 e 2. e n = y 1 a bx 1 cx 2 1 y 2 a bx 2 cx 2 2. y n a bx n cx 2 n
42 Straffunktion F(a,b,c) = (y i a bx i cx 2 i )2 Notwendige Bedingungen für ein Extrema 0 = a F(a,b,c) = 2 n 0 = b F(a,b,c) = 2 n 0 = c F(a,b,c) = 2 n (y i a bx i cx 2 i ) x i (y i a bx i cx 2 i ) x 2 i (y i a bx i cx 2 i )
43 Als lineares Gleichungssystem n x i x 2 i x i x 2 i x 3 i x 2 i x 3 i x 4 i a b c = y i x i y i x 2 i y i
44 Aufgabe 3: Gegeben sind die Daten x i y i Bestimmen Sie eine quadratische Funktion, die diese Daten gut approximiert
45 Lösung: Daten x i y i Arbeitstabelle: x i y i x 2 i x 3 i x 4 i x i y i x 2 i y i
46 Lösung: Daten x i y i Arbeitstabelle: x i y i x 2 i x 3 i x 4 i x i y i x 2 i y i Als lineares Gleichungssystem a b c =
47 Lösungen des linearen Gleichungssystems â = 1.2 ˆb = 2.1 ĉ = 4.5 Die quadratische Funktion f(x) = x + 4.5x 2 approximiert die Datenmenge bestmöglich! x
Eine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie zunächst eine Stichprobe dieser beiden Merkmale
Wirtschaftswissenschaftliches Zentrum 4 Universität Basel Statistik Dr. Thomas Zehrt Regression Motivation Eine Firma will den Zusammenhang zwischen Werbungskosten und Absatz untersuchen. Dazu nimmt sie
MehrFunktionen in zwei (und mehreren) Veränderlichen
Mathematik für Ökonomen 1 Dr. Thomas Zehrt Wirtschaftswissenschaftliches Zentrum Universität Basel Herbstsemester 8 Funktionen in zwei (und mehreren) Veränderlichen Inhalt: 1. Definition und Beispiele.
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrExtrema von Funktionen mit Nebenbedingung
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Extrema von Funktionen mit Nebenbedingung Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen,
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrInhaltsverzeichnis. Universität Basel 7 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden. Mathematik 1
Universität Basel 7 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Produktionsfunktionen Inhaltsverzeichnis 1 Homogene Funktionen 2 1.1 Definition und
MehrÜber- und unterbestimmte Systeme
Über- und unterbestimmte Systeme Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,
MehrÜberbestimmte lineare Gleichungssysteme
Überbestimmte lineare Gleichungssysteme Fakultät Grundlagen September 2009 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme Übersicht 1 2 Fakultät Grundlagen Überbestimmte lineare Gleichungssysteme
MehrUntersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. x y
Aufgabe 1 Untersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. (( )) 3x x (a) Sei f : R 2 R 3 mit f = 2y + x y x y ( ) 4 (b) Sei f : R R 2 mit f(x) = x + 1 (( )) ( ) x x y (c) Sei
MehrNichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
MehrElementare Regressionsrechnung
Elementare Regressionsrechnung Motivation: Streudiagramm zweier metrisch skalierter Merkmale X und Y Y X Dr. Karsten Webel 107 Ziel: Erfassung des Zusammenhangs zwischen X und Y durch eine Gerade der Form
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
Mehrd) Produkte orthogonaler Matrizen sind wieder orthogonal.
Die orthogonale Matrizen Definition: Eine Matrix Q R n n heißt orthogonal, falls QQ T = Q T Q = I gilt. Die Eigenschaften orthogonaler Matrizen: a) det(q) = ±1; b) Qx 2 = x 2 für alle x R n, also Q 2 =
MehrKapitel 19 Partialbruchzerlegung
Kapitel 19 Partialbruchzerlegung Mathematischer Vorkurs TU Dortmund Seite 1 / 15 Zur Erinnerung wiederholen wir Definition 4.5 [part] Es sei n N 0 und a 0, a 1,..., a n R mit a n 0. Dann heißt die Funktion
MehrStatistische Methoden
Modeling of Data / Maximum Likelyhood methods Institut für Experimentelle und Angewandte Physik Christian-Albrechts-Universität zu Kiel 22.05.2006 Datenmodellierung Messung vs Modell Optimierungsproblem:
Mehr1 Singulärwertzerlegung und Pseudoinverse
Singulärwertzerlegung und Pseudoinverse Singulärwertzerlegung A sei eine Matrix mit n Spalten und m Zeilen. Zunächst sei n m. Bilde B = A A. Dies ist eine n n-matrix. Berechne die Eigenwerte von B. Diese
Mehr3 Anwendungen der Differentialrechnung. (x 1, x 2,..., x n 1, x n ) f xn (x 1, x 2,..., x n 1, x n ), 1 i n 1. y + cos z
R Es sei f : R n D R eine einmal stetig differenzierbare Funktion, für die in einer Umgebung eines Punkte a = a 1, a,, a n D gilt: fa 1, a,, a n = 0, f xn a 1, a,, a n 0 Dann gibt es eines Umgebung U des
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrStatistik II für Betriebswirte Vorlesung 12
Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 12 11. Januar 2013 7.3. Multiple parameterlineare Regression Im Folgenden soll die
MehrQuadratische Formen und Definitheit
Universität Basel Wirtschaftswissenschaftliches Zentrum Quadratische Formen und Definitheit Dr. Thomas Zehrt Inhalt: 1. Quadratische Formen 2. Quadratische Approximation von Funktionen 3. Definitheit von
Mehr3 *Flächenkurven und partielle Ableitungen* Flächenkurven Flächenkurven und partielle Ableitungen... 18
Universität Basel 5 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Funktionen in zwei oder mehreren Veränderlichen I Inhaltsverzeichnis 1 Einleitung
MehrDie Funktion f wird als Regressionsfunktion bezeichnet.
Regressionsanalyse Mit Hilfe der Techniken der klassischen Regressionsanalyse kann die Abhängigkeit metrischer (intervallskalierter) Zielgrößen von metrischen (intervallskalierten) Einflussgrößen untersucht
Mehr3. Lineare Ausgleichsrechnung
3 Lineare Ausgleichsrechnung 1 Ausgleichsrechnung (1) Definition 31 (Ausgleichsproblem) Gegeben sind n Wertepaare (x i,y i ), i = 1,,n mit x i x j für i j Gesucht ist eine stetige Funktion f, die in einem
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
Mehr( ) Lineare Gleichungssysteme
102 III. LINEARE ALGEBRA Aufgabe 13.37 Berechne die Eigenwerte der folgenden Matrizen: ( ) 1 1 0 1 1 2 0 3 0 0, 2 1 1 1 2 1. 1 1 0 3 Aufgabe 13.38 Überprüfe, ob die folgenden symmetrischen Matrizen positiv
Mehrf(x) = 1 5 ex c Roolfs
Krümmung Die lineare Näherung von Funktionen durch Geraden (Tangenten) bildet die Grundlage der Differentialrechnung. Quadratische Näherungen durch Parabeln werden bei Reihenentwicklungen betrachtet. Durch
MehrMathematik 2 SS 2016
Mathematik 2 SS 2016 2. Übungsblatt Gruppe 1 18. Man zeige, dass die Gleichung f(x, y) = y 5 e y (2x 2 + 3) sin y + x 2 y 2 x cos x = 0 in einer Umgebung des Punktes P (0, 0) nach y aufgelöst werden kann,
MehrLineare Algebra und Numerische Mathematik für D-BAUG. Sommer 2016
P. Grohs T. Welti F. Weber Herbstsemester 2015 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Name a a Note Vorname Leginummer Datum 19.08.2016 1 2 3 4 5 6 Total 7P 11P 10P 11P
MehrAusgleichsproblem. Definition (1.0.3)
Ausgleichsproblem Definition (1.0.3) Gegeben sind n Wertepaare (x i, y i ), i = 1,..., n mit x i x j für i j. Gesucht ist eine stetige Funktion f, die die Wertepaare bestmöglich annähert, d.h. dass möglichst
MehrBericht zur Mathematischen Zulassungsprüfung im Oktober 2013
Bericht zur Mathematischen Zulassungsprüfung im Oktober 03 Heinz-Willi Goelden, Wolfgang Lauf, Martin Pohl Am. Oktober 03 fand die Mathematische Zulassungsprüfung statt. Die Prüfung bestand aus einer 90-minütigen
MehrKapitel X - Lineare Regression
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel X - Lineare Regression Deskriptive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Agenda 1 Untersuchung
MehrKapitel 1. Matrizen und lineare Gleichungssysteme. 1.1 Matrizenkalkül (Vektorraum M(n,m); Matrixmultiplikation;
Kapitel 1 Matrizen und lineare Gleichungssysteme 11 Matrizenkalkül (Vektorraum M(n,m; Matrixmultiplikation; Transposition; Spalten- und Zeilenvektoren Matrizen sind im Prinzip schon bei der schematischen
MehrKreis - Kreisgleichung (+ Lagebeziehung Punkt / Kreis)
Kreis - Kreisgleichung (+ Lagebeziehung Punkt / Kreis. Kreisgleichung. Kreis durch 3 Punkte 3. Lage Punkt / Kreis. Kreisgleichung Ein Kreis mit dem Mittelpunkt M - Ortsvektor m - und dem Radius r ist beschrieben
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrÜber- und unterbestimmte
Über- und unterbestimmte Systeme (verallgemeinerte Lösungen) Über- und unterbestimmte Systeme Ax = b ist genau dann für alle b R m eindeutig lösbar, wenn m = n und rk A = n. Falls m n oder rk A < min{m,
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R Käppeli L Herrmann W Wu Herbstsemester 26 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 2 Aufgabe 2 Welche der folgenden Aussagen sind korrekt? (i) Jedes
MehrDeskriptive Beschreibung linearer Zusammenhänge
9 Mittelwert- und Varianzvergleiche Mittelwertvergleiche bei k > 2 unabhängigen Stichproben 9.4 Beispiel: p-wert bei Varianzanalyse (Grafik) Bedienungszeiten-Beispiel, realisierte Teststatistik F = 3.89,
MehrKapitel 10. Maschinelles Lernen Lineare Regression. Welche Gerade? Problemstellung. Th. Jahn. Sommersemester 2017
10.1 Sommersemester 2017 Problemstellung Welche Gerade? Gegeben sind folgende Messungen: Masse (kg) 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Kraft (N) 1.6 2.2 3.2 3.0 4.9 5.7 7.1 7.3 8.1 Annahme: Es gibt eine Funktion
Mehr3. Übung zum G8-Vorkurs Mathematik (WiSe 2011/12)
Technische Universität München Zentrum Mathematik PD Dr. Christian Karpfinger http://www.ma.tum.de/mathematik/g8vorkurs 3. Übung zum G8-Vorkurs Mathematik (WiSe 0/) Aufgabe 3.: Gehen Sie die Inhalte der
Mehr10 Extremwerte mit Nebenbedingungen
10 Extremwerte mit Nebenbedingungen 49 10 Extremwerte mit Nebenbedingungen Wir betrachten nun Extremwertaufgaben, bei denen nach dem Extremwert einer fx 1,, x n gesucht wird, aber die Menge der zulässigen
Mehr6.2. Prüfungsaufgaben zur Lösbarkeit von LGS
6.. Prüfungsaufgaben zur Lösbarkeit von LGS Aufgabe : Lösbarkeit von LGS () Berechne mit Hilfe des Gauß-Verfahrens die Lösungsmengen der drei folgenden inhomogenen Gleichungssysteme. Gib außerdem die Lösungsmengen
Mehr3. Approximation von Funktionen und Extremwertprobleme im R n
3. Approximation von Funktionen und Extremwertprobleme im R n Wie in D ist es wichtig Funktionen mit mehreren Variablen durch Polynome lokal approximieren zu können. Polynome lassen sich im Gegensatz zu
MehrKlausur DI/LA F 2006 LA : 1
Klausur DI/LA F 26 LA : Aufgabe (4+2=6 Punkte): Gegeben seien die Matrix A und der Vektor b mit λ A = λ und b = λ a) Bestimmen Sie die Werte λ R, für welche das Gleichungssystem Ax = b genau eine, keine
Mehr16. FUNKTIONEN VON MEHREREN VARIABLEN
16. FUNKTIONEN VON MEHREREN VARIABLEN 1 Reelle Funktionen auf dem R 2 Wir betrachten Funktionen f(x 1, x 2 ) von zwei reellen Variablen x 1, x 2, z.b. f(x 1, x 2 ) = x 2 1 + x2 2, g(x 1, x 2 ) = x 2 1
MehrName: Matr.-Nr.: 2. Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: b a 2 3a 1
Name: Matr.-Nr.: 2 Aufgabe 1. Gegeben sei das folgende lineare Gleichungssystem: 1 1 0 2 b 1 1 2 4 1 1 4 6 x = 1 1. 2 2 2a 2 3a 1 (a) Bringen Sie das lineare Gleichungssystem auf Treppenform. (b) Für welche
MehrKLAUSUR. Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.:
KLAUSUR Lineare Algebra (E-Techniker/Mechatroniker/W-Ingenieure/Informatiker).3. (W. Koepf) Name: Vorname: Matr. Nr./Studiengang: Versuch Nr.: Für jede Aufgabe gibt es Punkte. Zum Bestehen der Klausur
MehrQUADRATISCHE FUNKTIONEN
QUADRATISCHE FUNKTION DARSTELLUNG MIT DER FUNKTIONSGLEICHUNG Allgemeine Form - Vorzeichen von a gibt an, ob die Funktion nach oben (+) oder unten (-) geöffnet ist. Der Wert (Betrag) von gibt an, ob die
MehrM U = {x U f 1 =... = f n k (x) = 0}, (1)
Aufgabe 11. a) Es sei M = {(x, y, z) R 3 f 1 = xy = 0; f = yz = 0}. Der Tangentialraum T x M muss in jedem Punkt x M ein R-Vektorraum sein und die Dimension 1 besitzen, damit diese Menge M eine Untermannigfaltigkeit
MehrFunktionen in zwei Variablen
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen 1 Dr. Thomas Zehrt Funktionen in zwei Variablen Literatur: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band 1,
MehrP AP 1 = D. A k = P 1 D k P. = D k. mit P 0 3
Matrixpotenzen In Anwendungen müssen oft hohe Potenzen einer quadratischen Matrix berechnet werden Ist die Matrix diagonalisierbar, dann kann diese Berechnung wie folgt vereinfacht werden Sei A eine diagonalisierbare
Mehr1993 III Aufgabe. In einem kartesischen Koordinatensystem sind die Gerade
993 III Aufgabe In einem kartesischen Koordinatensystem sind die Gerade = g : X mit R sowie die beiden Punkte A( -) und C(- 2 ) gegeben. A und C bestimmen die Gerade h..a) Begründen Sie, dass der Mittelpunkt
MehrEinführung und Überblick
Einführung und Überblick Thomas Zehrt Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Thomas Zehrt (Universität Basel) Einführung und Überblick 1 / 33 Outline 1
MehrSatz 142 (Partialbruchzerlegung)
Satz 142 (Partialbruchzerlegung) Seien f, g K[x] (K = Q, R, C) Polynome mit grad(g) < grad(f), und es gelte f(x) = (x α 1 ) m1 (x α r ) mr mit N m i 1 und paarweise verschiedenen α i K (i = 1,, r) Dann
MehrEinführung in Quantitative Methoden
in Quantitative Methoden Mag. Dipl.Ing. Dr. Pantelis Christodoulides & Mag. Dr. Karin Waldherr SS 2011 Christodoulides / Waldherr in Quantitative Methoden- 2.VO 1/47 Historisches Regression geht auf Galton
MehrC. Eicher Analysis Study Center ETH Zürich HS Extremwerte
C. Eicher Analysis Study Center ETH Zürich HS 05 Extremwerte Gelöste Aufgabenbeispiele:. Bestimme die lokalen und globalen Extrema der Funktion f(x) = x x + x auf dem Intervall [ 4, ]. a. Bestimmung der
MehrEinführung. Ablesen von einander zugeordneten Werten
Einführung Zusammenhänge zwischen Größen wie Temperatur, Geschwindigkeit, Lautstärke, Fahrstrecke, Preis, Einkommen, Steuer etc. werden mit beschrieben. Eine Zuordnung f, die jedem x A genau ein y B zuweist,
MehrKlausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 1 1.1 (Herbst 2005, Thema 1, Aufgabe 1) Bestimmen Sie alle reellen Lösungen des folgenden linearen
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
MehrAnalysis 2. f(x) = x2 6x + 8 x 2 6x + 5 a) Ermitteln Sie den Definitionsbereich der Funktion f. Weisen Sie nach, dass gilt:
Analysis 2 www.schulmathe.npage.de Aufgaben 1. Gegeben ist die Funktion f durch f(x) = x2 6x + 8 x 2 6x + 5 a) Ermitteln Sie den Definitionsbereich der Funktion f. Weisen Sie nach, dass gilt: f (x) = 6(x
MehrÜbungsblatt
Übungsblatt 3 3.5.27 ) Die folgenden vier Matrizen bilden eine Darstellung der Gruppe C 4 : E =, A =, B =, C = Zeigen Sie einige Gruppeneigenschaften: a) Abgeschlossenheit: Berechnen Sie alle möglichen
MehrStroppel Musterlösung , 180min. Aufgabe 1 (3 Punkte) Bestimmen Sie die Determinante der Matrix
Stroppel Musterlösung 7.., 8min Aufgabe Punkte Bestimmen Sie die Determinante der Matrix A =. Geben Sie alle Lösungen x des homogenen Gleichungssystems Ax = an. Entwicklung nach der ersten Spalte: deta
MehrLUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN. 13. Übung/Lösung Mathematik für Studierende der Biologie
LUDWIG-MAXIMILIANS-UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR BIOLOGIE Prof. Andreas Herz, Dr. Stefan Häusler email: haeusler@biologie.uni-muenchen.de Department Biologie II Telefon: 89-8-748 Großhadernerstr. Fax:
MehrKlausurenkurs zum Staatsexamen (WS 2014/15): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 204/5): Lineare Algebra und analytische Geometrie. (Herbst 2005, Thema, Aufgabe ) Bestimmen Sie alle reellen Lösungen des folgenden linearen Gleichungssystems:.2
MehrStatistik II. Regressionsrechnung+ Regressionsanalyse. Statistik II
Statistik II Regressionsrechnung+ Regressionsanalyse Statistik II - 16.06.2006 1 Regressionsrechnung Nichtlineare Ansätze In einigen Situation könnte man einen nichtlinearen Zusammenhang vermuten. Bekannte
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. In dieser Aufgabe wollen wir die Parameter einer gewissen Modellfunktion aus ein paar gemessenen Werten bestimmen. Das Modell
Mehrdie täglichen Schlusskurse eines börsengehandelten Wertpapiers,
Wirtschaftswissenschaftliches Zentrum 5 Universität Basel Statistik Dr. Thomas Zehrt Zeitreihen Motivation Typische Beispiele für Zeitreihen sind die täglichen Schlusskurse des SMI Nummer 1 2 3 4 5 Datum
MehrLänge eines Vektors und Abstand von zwei Punkten 2. 4 = 6. Skalarprodukt und Winkel zwischen Vektoren
Länge eines Vektors und Abstand von zwei Punkten Aufgabe Bestimme die Länge des Vektors x. Die Länge beträgt: x ( ) =. Skalarprodukt und Winkel zwischen Vektoren Aufgabe Es sind die Eckpunkte A(; ), B(
Mehr(3D-)Extrema unter Nebenbedingungen. Problemstellung (lokale Optimierung)
(3D-)Extrema unter Nebenbedingungen Wir beschränken uns wieder (meistens) auf Funktionen von zwei Variablen x, y. Bei drei oder mehr Variablen x 1,..., x n sind die gleichen Techniken analog anwendbar,
Mehr1 Höhere Ableitungen 2. 2 Mittelwertsatz und Monotonie 3. 3 Konvexe und konkave Funktionen 5. 4 Lokale und globale Extremalstellen 7
Universität Basel 4 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Kurvendiskussionen Inhaltsverzeichnis 1 Höhere Ableitungen 2 2 Mittelwertsatz und
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 9. Aufgabe 9.1. Herbstsemester Dr. V. Gradinaru D. Devaud A.
Dr V Gradinaru D Devaud A Hiltebrand Herbstsemester 2014 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie 9 Aufgabe 91 91a) Sei A eine n n-matrix Das Gleichungssystem Ax
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrMathematischer Vorkurs Lösungen zum Übungsblatt 5
Mathematischer Vorkurs Lösungen zum Übungsblatt 5 Prof. Dr. Norbert Pietralla/Sommersemester 2012 c.v.meister@skmail.ikp.physik.tu-darmstadt.de Aufgabe 1: Berechnen Sie den Abstand d der Punkte P 1 und
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
MehrProbe-Klausur 1 Mathematik f. Bau-Ing + Chem. Modul1
Probe-Klausur 1 Mathematik f. Bau-Ing + Chem. Modul1 1. (a) Lösen Sie das lineare Gleichungssystem für die Werte a = 1, b = 2. x + 3y + 2z = 0 2x + ay + 3z = 1 3x + 4y + z = b (b) Für welche Werte von
MehrKlausur Mathematik I
Klausur Mathematik I E-Techniker/Mechatroniker/Informatiker/W-Ingenieure). März 007 Hans-Georg Rück) Aufgabe 6 Punkte): a) Berechnen Sie alle komplexen Zahlen z mit der Eigenschaft z z = und z ) z ) =.
MehrAufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung. x = x 2 e x 1.
Name: Matrikel-Nr.: 1 Aufgabe 1. Berechnen Sie die absolute und die relative Kondition des Problems x f(x) für die Abbildung R 3 R 2, x 1 f : x 1 + e x2 2 sin(x3 ) x = x 2 e x 1 (1 + x 2 1 + x, 2x 3 )
Mehr1 Die Strahlensätze 2. 2 Winkel 3. 3 Rechtwinklige Dreiecke 3. 4 Kreise 6. 5 Trigonometrische Funktionen 8. 6 Kurven in Parameterdarstellung 10
Universität Basel Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematischer Vorkurs Dr. Thomas Zehrt Geometrie Inhaltsverzeichnis 1 Die Strahlensätze 2 2 Winkel 3 3 Rechtwinklige
MehrAufgaben / Lösungen der Klausur Nr. 4 vom Juni 2002 im LK 12. nx ln(x)dx
Aufgaben / Lösungen der Klausur Nr. 4 vom Juni 2002 im LK 2 Aufgabe ) a) Berechne für alle natürlichen Zahlen n N das Integral e nx ln(x)dx. Mit Hilfe der partiellen Integration für f (x) = nx, somit f(x)
MehrVermischte Aufgaben zu Mathematische Grundlagen der Ökonomie
Aufgabe : Vermischte Aufgaben zu Mathematische Grundlagen der Ökonomie Bilden die Lösungsmengen der folgenden linearen Gleichungssysteme jeweils einen Unterraum des IR 3? Begründen Sie. (i) (ii) + 3 =
MehrÜbung 3: Unternehmenstheorie
Übung 3: Unternehmenstheorie Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Intermediate Microeconomics HS 11 Unternehmenstheorie 1 / 42 Produktion Zur Erinnerung: Grenzprodukt
MehrÜbungen zur Analysis II Blatt 27 - Lösungen
Prof. Dr. Torsten Wedhorn SoSe 22 Daniel Wortmann Übungen zur Analysis II Blatt 27 - Lösungen Aufgabe 5: 6+6+6* Punkte Bestimme alle lokalen Extrema der folgenden Funktionen: a b c* f : R 3 R g : R 2 R
MehrELEMENTE. Grundkompetenzen DER MATHEMATIK. für die neue Reifeprüfung. Mit Lösungen
5 ELEMENTE DER MATHEMATIK GK Grundkompetenzen für die neue Reifeprüfung Mit Lösungen Die Formulierung der Grundkompetenzen (GK) bezieht sich auf den Stand von August 2010. 1. Auflage, 2010 Gesamtherstellung:
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
MehrHauptprüfung Fachhochschulreife Baden-Württemberg
Hauptprüfung Fachhochschulreife 01 Baden-Württemberg Aufgabe 7 Mathematik in der Praxis Hilfsmittel: grafikfähiger Taschenrechner Berufskolleg Alexander Schwarz www.mathe-aufgaben.com Februar 015 1 7.1
MehrKlausurenkurs zum Staatsexamen (WS 2016/17): Lineare Algebra und analytische Geometrie 1
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 206/7): Lineare Algebra und analytische Geometrie. (Herbst 2005, Thema, Aufgabe ) Bestimmen Sie alle reellen Lösungen des folgenden linearen Gleichungssystems:.2
MehrDeterminanten. I. Permutationen
Determinanten Durch Bildung der Determinante wird einer quadratischen (! Matrix eine gewisse Zahl zuordnet. Die Determinante tritt besonders bei Fragen der Flächen- bzw. Volumsberechnung auf (siehe auch
MehrOptimieren unter Nebenbedingungen
Optimieren unter Nebenbedingungen Hier sucht man die lokalen Extrema einer Funktion f(x 1,, x n ) unter der Nebenbedingung dass g(x 1,, x n ) = 0 gilt Die Funktion f heißt Zielfunktion Beispiel: Gesucht
Mehr1 Einstimmung 2. 2 Die Reduktionsmethode 5. 3 Die Methode der Lagrange-Multiplikatoren 6. 4 *Ergänzungen und Verallgemeinerungen* 10
Universität Basel 9 Wirtschaftswissenschaftliches Zentrum Abteilung Quantitative Methoden Mathematik 1 Dr. Thomas Zehrt Extremwertprobleme mit Nebenbedingung Inhaltsverzeichnis 1 Einstimmung 2 2 Die Reduktionsmethode
MehrFolgerungen aus dem Auflösungsatz
Folgerungen aus dem Auflösungsatz Wir haben in der Vorlesung den Satz über implizite Funktionen (Auflösungssatz) kennen gelernt. In unserer Formulierung lauten die Resultate: Seien x 0 R m, y 0 R n und
MehrLineare Algebra und Numerische Mathematik für D-BAUG
R. Käppeli L. Herrmann W. Wu Herbstsemester 2016 Lineare Algebra und Numerische Mathematik für D-BAUG ETH Zürich D-MATH Beispiellösung für Serie 6 Aufgabe 6.1 Berechnen Sie die Determinanten der beiden
Mehr4x 1 + 2x 2 + 3x 3 = 1, x 2 + ax 3 = 1, ax 2 + x 3 = a 1. 0 a 1 1 Wir führen nun den Gauÿalgorithmus durch:
Aufgabe 8 Punkte Bestimmen Sie die Lösungsmenge in R in Abhängigkeit von a R des folgenden linearen Gleichungssystems: 4x + x + 3x 3 =, x + ax 3 =, ax + x 3 =. Lösung. Wir schreiben das lineare Gleichungssystem
MehrMathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie und Erziehungswissenschaften Blatt 2
Fakultät Mathematik WS 27/8 Institut für Mathematische Stochastik / Institut für Analysis Dr. W. Kuhlisch, Dr. F. Morherr Mathematik für Studierende der Fachrichtungen Biologie, Chemie, Lebensmittelchemie
MehrVorkurs Mathematik (Allgemein) Übungsaufgaben
Justus-Liebig-Universität Gießen Fachbereich 07 Mathematisches Institut Vorkurs Mathematik (Allgemein) Übungsaufgaben PD Dr. Elena Berdysheva Aufgabe. a) Schreiben Sie die folgenden periodischen Dezimalzahlen
MehrÖffnen Sie den Klausurbogen erst nach Aufforderung! Mathematische Grundlagen II (CES) SS 2017 Klausur
Prof. Dr. Manuel Torrilhon Prof. Dr. Sebastian Noelle Öffnen Sie den Klausurbogen erst nach Aufforderung! Zugelassene Hilfsmittel: Mathematische Grundlagen II (CES) SS 2017 Klausur 07.08.2017 Dokumentenechtes
MehrProbeklausur xj = 3x
Probeklausur.) (4P) Bestimmen Sie die Lösungen von j4 xj = 3x.) (3P) Berechnen Sie mittels Horner-Schema die Polynomdivision f(x) : (x+) mit Rest, wobei f(x) = x 3 +x 5 ist. Welchen Funktionswert können
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler. (a) Bestimmen Sie die kartesische Form von Wintersemester 7/8 (..8) z = ( + i)( i) + ( + i). (b) Bestimmen Sie sämtliche komplexen Lösungen
Mehr