Auswertung univariater Datenmengen - deskriptiv

Größe: px
Ab Seite anzeigen:

Download "Auswertung univariater Datenmengen - deskriptiv"

Transkript

1 Aswertng nvarater Datenmengen - deskrptv Maßzahlen zr Beschrebng der Häfgketsvertelngen Häfgster Wert (Mods) Zentralwert (Medan) Arthmetsches Mttel Bblografe Prof. Dr. Kück; Statstk, Vorlesngsskrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statstk für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert; Formeln, Tabellen nd Programme Verlag Vahlen

2 Beschrebng endmensonaler Datenmengen - Vorgehenswese Tabellarsche nd grafsche Aswertng der Häfgketsvertelng (Abschntt 4.3, 4.4). Maßzahlen oder Parameter zr Beschrebng der Häfgketsvertelngen. 3 Tabellarsche nd grafsche Aswertng ener Vertelng Tabellen nd Grafken geben en anschalches nd mfangreches Bld über de z beschrebende nd z analyserende statstsche Masse. Se snd mt großem Afberetngsafwand verbnden. Se rechen oft ncht as, m endetge zsammenfassende Assagen über de statstsche Masse z gewnnen. 4

3 Maßzahlen zr Beschrebng von Vertelngen Maßzahlen (Parameter) qantfzeren de Vertelngsegenschaften n komprmerter Form mt nmerschen Werten, de sch ach mestens n geegneter Form m Box-Plot vsalseren lassen. Se erlechtern de Verglechbarket nterschedlcher statstscher Massen. Se charakterseren de statstschen Massen nd geben endetge Informatonen über de Lage, Streng nd Form der Vertelng. Se snd jedoch mt enem Informatonsverlst verbnden, der drch das Komprmat gewollt st. 5 Mttelwerte, Lageparameter oder Maßzahlen der zentralen Tendenz Drch enen Mttelwert werden de enzelnen Merkmalsasprägngen af enen Wert redzert. Er fngert als Repräsentant der statstschen Masse. Mttelwerte charakterseren de Lage der Vertelng af der Merkmalsachse. Se beschreben das Zentrm ener Vertelng drch enen nmerschen Wert. 6 3

4 Anforderngen an Mttelwerte Repräsentanz der statstschen Masse, Maßstab für de Bertelng von Grppen von Enzelwerten oder für de Bertelng von Enzelwerten selbst, Maßstab für den Verglech von statstschen Massen (Verglech verschedener Häfgketsvertelngen). Dese Anforderngen werden drch nterschedlche Parameter erfüllt! 7 Altersvertelng der Erwerbstätgen (DESTATIS) - Bespel Alter von bs nter Insgesamt Arthm. Mttel Medan nter nd mehr Männlch ,76 39,46 Weblch ,07 39, Tabelle: Altersvertelng der erwerbstätgen Fraen nd Männer n Detschland per Das Zentrm der Altersvertelng wrd mt den beden Lagemaßen arthmetsches Mttel nd Medan angegeben. Für de Berechnng des arthmetschen Mttels wrde 8 Jahre als ntere Grenze der ersten Klasse nd 70 Jahre als obere Grenze der letzten Klasse verwendet. Unterschedlche Parameter! Was sagen se as? 8 4

5 Temperatrmttel - Bespel Für Moska nd Dbln wrd de gleche Jahresdrchschnttstemperatr von 0 C asgewesen. Der Verglech der gemessenen Enzelwerte zegt folgendes Bld: J F M A M J J A S O N D J F M A M J J A S O N D Das Temperatrmttel erfüllt ncht de Repräsentanzanforderng! 9 Drchschnttsstdent - Bespel Gesehen als Poster n der Mensa der Unverstät Rostock! Deser Drchschnttsstdent st nreal, als Sbjekt ncht exstent. Es gbt andere Lageparameter, welche z. B. de Natonaltät der Stderenden (m Mttel) real aswesen. Im Kontext ener Unterschng können aber ach nreale Werte snnvoll sen, we zm Bespel n der Assage, dass das gegenwärtge Fertltätsnvea n Detschland,4 Knder pro Fra beträgt. 0 5

6 Trügersche Mtte - Bespel Bewertng von Mttelwerten Mt welchem Lagemaß de Mtte angegeben werden soll, hängt ab: vom Kontext ener analytschen Fragestellng, von der Datenstaton, vom Skalennvea des z analyserenden Merkmals. Denken Se an de bekannte Assage: Im Drchschntt war der Graben enen halben Meter tef, trotzdem st de Kh ersoffen. 6

7 Typen von Mttelwerten Es gbt nterschedlche Möglchketen, Mttelwerte für de statstsche Aswertng z defneren. De m Abschntt 6.. vermttelten Mttelwerte snd: Häfgster Wert (Mods) Zentralwert (Medan) Arthmetsches Mttel Harmonsches Mttel Chronologsches Mttel Geometrsches Mttel 3 Egnng nach Skalennvea De jewelgen Mttelwerte snd für nterschedlche Datenarten entsprechend hrer Skalerng mehr oder wenger gt () oder ach gar ncht geegnet. Nomnalskala Ordnalskala Kardnalskala Häfgketen aszählen Asprägngen anordnen Dfferenzen/ Qotenten blden Zr Ernnerng, Abschntt.. 4 7

8 Mttelwerte nach Skalennvea De nterschedlchen Mttelwerte können nr snnvoll () für bestmmte Skalen verwendet werden: Nomnalskala Ordnalskala Kardnalskala Modalwert (Mods) Medan Arthmetsches Mttel 5 Egnng nach Datenstaton Neben der Skalerng der Merkmale st ach der Datenstaton Rechnng z tragen. Grndsätzlch können de Daten als Enzelwerte (n Urlsten) oder aggregert (n Tabellen afberetet) vorlegen. Ene sehr häfg vorlegende Form von aggregerten Daten snd Regonaldaten. Af se wrd besonders engegangen, da se für Wrtschafts- nd Bevölkerngsangaben typsch snd. Dabe nterschedet man: Gehäfte Daten Klasserte Daten 6 8

9 Enzeldaten oder Urlsten - Bespel De Messngen der z nterschenden Egenschaften (Merkmale) legen für jedes Objekt (Merkmalsträger) vor. De Lste enthält alle Merkmalsasprägngen. Bespel: Körpergewcht n kg (Merkmal) von 0 etwa glechaltrgen Personen (Merkmalsträger): Name Lsa Anna Antje Mare Dörte Sven Uwe Ka Jan Nls Nr a Gehäfte Daten - Bespel Be gehäften Daten snd exakt gleche Merkmalsasprägngen z Klassen n ener Häfgketstabelle ohne Informatonsverlst zsammengefasst. In der Tabelle werden de nterschedlchen Asprägngen mt den entsprechenden Häfgketen organsert. Dese Form der Darstellng kommt mest be dskreten Merkmalen vor. Bespel: Anzahl der Personen (Merkmal) m Hashalt (Merkmalsträger) Qelle: Erwerbsstatstk 003 ( DESTATIS) Anzahl der Personen m HH nd mehr Früheres Bndesgebet 36,8 33,6 3,7,4 4,6 Nee Länder nd Berln-Ost 35,6 36,4 6,9 9,7,4 De Asprägngen 5, 6, wrden n ener Klasse zsammengefasst. 8 9

10 Klasserte Daten - Bespel Be klasserten Daten snd ähnlche Merkmalsasprägngen z Klassen zsammengefasst. De ndvdelle Merkmalsasprägng st ncht mehr erschtlch. De Klasserng der Daten bedngt enen gewssen Informatonsverlst. Se kommt mest be stetgen Merkmalen vor. Bespel: Hashaltsnettoenkommen (HHNE) n der BRD. Erwerbsstatstk 003 (DESTATIS) Merkmalsträger snd de befragten Hashalte. HHNE von bs nter Ero Unter Früheres Bndesgebet 7,,7 6,6 4,7 4,7 8, 4,6 Nee Länder nd Berln-Ost,8 6,7 7,6 7,3 6,0 5,3 8, , 5,4 9 Häfgster Wert (Mods) Der häfgste Wert wrd oft ach als dchtester Wert, Modalwert oder Mods bezechnet. Er gbt de Merkmalsasprägng an, de am häfgsten aftrtt. Ene Vertelng kann en, zwe oder mehrere Modalwerte haben, se wrd entsprechend als n-, b- oder mltmodale Vertelng bezechnet. Der Mods st der enzge zlässge Mttelwert be nomnalskalerten Merkmalen. 0 0

11 Mods be gehäften Daten -Bespel Be gehäften Daten st der Mods jede Asprägng x k, für de glt: h(x k ) = max h(x ) bzw. f(x k ) = max f(x ). Bespel: Anzahl der Personen (Merkmal) m Hashalt (Merkmalsträger). Erwerbsstatstk 003 (DESTATIS) Anzahl der Personen m HH Früheres Bndesgebet 36,8 33,6 3 3,7 4,4 5 nd mehr 4,6 Nee Länder nd Berln-Ost 35,6 36,4 6,9 9,7,4 Früheres Bndesgebet Nee Länder nd Berln-Ost Modalwert Person Personen f(x k ) f()=36,8 f()=36,4 Mods be klasserten Daten Der Mods be klasserten Daten st de Klassemtte, für de das Hstogramm en Maxmm bestzt (Modalklasse). Man nterschedet folgende Fälle: gleche Klassenbrete: Der Mods st n desem Fall de Klassemtte x k, für de glt: h(x k ) = max h(x ) bzw. f(x k ) = max f(x ) nterschedlche Klassenbrete: Der Mods st n desem Fall de Klassemtte x k, für de glt: h (x k ) = max h(x )/c bzw. f (x k ) = max f(x )/c, de c snd de entsprechenden Klassenbreten

12 Mods be glech breten Klassen - Bespel Bespel: Für de n Lestngsklassen (Klassenbrete = 0 PS) ntertelten 50 Fahrzege der Bespeldate ato_50.sav ergbt sch: Absolte Werte Lestng [PS] Am häfgsten st de Klasse 90 bs nter 0 PS besetzt. Der Modalwert beträgt 00 PS. 3 Mods be nterschedlch breten Klassen. Afgabe der Klasr Febrar 005 In der Verkehrsstatstk werden de Straßenverkehrsnfälle mt Personenschaden nach dem Alter nd nach dem Geschlecht der Verrsacher erfasst. Für ene Regon gelten für en Jahr folgende Angaben: Altersgrppe n Jahren Von bs nter 8 - Männer.00 Fraen 840 Klassenbrete 3 Afgabenstellng.3 : Bestmmen Se für Fraen den Modalwert des Alters Lösng.3: De Altersgrppe 8 bs nter Jährger Fraen kommt am häfgsten vor. Der Mods der Vertelng st 9,5 Jahre. 4

13 Mehrgpfelge Vertelngen Dese Vertelng hat zwe Modalwerte, es legt ene zwegpfelge Häfgketsvertelng vor. f(x) x 5 Mods für kategorale Merkmale -Bespel Der Modalwert st de enzge Möglchket, für kategorale, qaltatve Merkmale enen Mttelwert anzgeben. Bespel: Das arthmetsche Mttel as enem nomnalskalerten Merkmal st ncht snnvoll, ncht möglch. Das glt ach dann, wenn das Merkmal nmersch erfasst wrd. Arthmetsches Mttel as Ja nd Nen Jen? Man kann ledglch sagen, we oft Ja oder Nen aftreten. De häfgste Asprägng wrd als Repräsentant der Masse, als Mttelwert gentzt. 6 3

14 Mods für ordnale Merkmale - Bespel Be dem Modalwert handelt es sch m den am häfgsten vorkommenden nd damt m enen realserten Wert, mt dem man de Vorstellng von Normaltät verbndet. Her wrd de Ordnngsegenschaft der Skala ncht gebracht. Bespel: Af de Frage der benrhgten Eltern, Welche Noten haben denn de Mtschüler, wrd der Spross zr Entschldgng sener Lestng den Modalwert angeben. De mesten haben ach ene 4. 7 Mods für kardnale Merkmale -Bespel Be kardnalskalerten Merkmalen kann der Modalwert de geegnete Redkton lefern, wenn kene genaeren Informatonen über den Mttelwert erforderlch snd. Bespel:Fragt man nach der mttleren Damenschhgröße n Detschland, lefert der häfgste Wert ene snnvolle Assage. De von Fraen am häfgsten gekafte Schhgröße st de Größe

15 Zentralwert oder Medan Der Medan st derjenge Wert der nach der Rangfolge geordneten Merkmalswerte, der glech vele größere Werte über sch we klenere nter sch hat. (Ernnerng: p 0,5 -Qantl) Sene Bestmmng setzt mndestens Ordnalskalennvea voras. Der Zentralwert st der wchtgste Lageparameter für ordnalskalerte Merkmale. 9 Zentralwert für geordnete Enzelwerte Be ngerader Anzahl der Beobachtngswerte gbt es gena enen zentralen Wert. Der legt an der N/. Poston. Es glt: Me = a N+ Be gerader Anzahl der Beobachtngswerte gbt es zwe mttlere Werte: den N/-ten nd (N/+)-ten. De Bestmmng des Medan erfolgt n desem Fall als arthmetsches Mttel as den beden mttleren Werten: Me = a N + a N + De Asprägngen sollen kardnalskalert sen, sonst macht das Mttel kenen Snn. 30 5

16 Zentralwert für Enzeldaten - Bespel Bespel: Körpergewcht n kg von 9 Personen: Name Lsa Anna Antje Mare Dörte Sven Uwe Ka Jan Nr a [] Me = a = a = a [ 5 ] 56 = N + 9+ Bespel: Körpergewcht n kg von 0 Personen: Name Lsa Anna Antje Mare Dörte Sven Uwe Ka Jan Nls Nr a [] Me = a 6 + ( ) ( ) 6,5 + a = a [ 5] + a [ ] = = N N 3 Zentralwert für gehäfte Daten - Bespel Bespel: Anzahl der Personen (Merkmal) m Hashalt (Merkmalsträger). Erwerbsstatstk 003 von DESTATIS Anzahl der Personen je HH nd mehr Früheres Bndesgebet 36,8 33,6 3,7,4 4,6 Nee Länder nd Berln-Ost 35,6 35,4 6,9 9,7,4 Kmlerte Häfgketen ABL NBL 36,8 35,6 70,4 7,0 84, 87,9 95,5 97,6 00, 00,0 Früheres Bndesgebet Nee Länder nd Berln-Ost Medan Personen Personen 3 6

17 Mods, Zentralwert nd Symmetre Früheres Bndesgebet Nee Länder nd Berln-Ost Prozent ,8 33,6 3,7,4 4, nd mehr Prozent ,6 35,4 6,9 9,7, nd mehr Personen m HH Personen m HH Früheres Bndesgebet Nee Länder nd Berln-Ost Mods Medan Bede Vertelngen snd lnksstel (rechtsschef). Mods nd Medan nterscheden sch m nmerschen Wert. 33 Mods, Zentralwert nd Symmetre Be asymmetrschen Vertelngen stmmen Mods nd Medan ncht überen. f(x) Lnksstele bzw. rechtsschefe Vertelng f(x) Lnksschefe bzw. rechtsstele Vertelng häfgster Wert Zentralwert Zentralwert häfgster Wert f(x) Symmetrsche Vertelng Me=Mo Be symmetrschen Vertelngen stmmen Mods nd Medan überen. 34 7

18 Zentralwert für klasserte Daten Um den Medan be klasserten Daten z berechnen, bracht man de kmlerte Häfgketsvertelng. Der Medan st dann der Wert der Merkmalsachse, für den F(x)=0,5 glt. Wenn der Medan ncht af ene Klassengrenze sondern n ene bestmmte Klasse (Enfallsklasse) fällt, wrd sen nmerscher Wert approxmatv bestmmt. f F(x) = F(x) = 0,5 Me x Me x 35 Lneare Interpolaton zr Berechnng des Zentralwertes Drch Unterstellng ener Glechvertelng nnerhalb der Enfallsklasse des Medan erfolgt de Bestmmng des nmerschen Wertes drch lneare Interpolaton: F(x o ) p F p F(x ) o F(x ) F(x ) ) F(x Me x x Me o x gescht x = x x o Klassenbrete 36 8

19 Medan für klasserte Daten p F(x ) o F(x ) F(x ) a c b d a = b c d Me x x = x x o Klassenbrete Me x x = p F(x ) F(x 0 o 0 ) x F(x p F(x ) o Me = (x x ) + x F(x ) F(x ) ) 0,5 F(x F(x ) ) F(x ) o Für p=0,5 glt: Me = x + (x x ) 0 37 Berechnng des Medan - Bespel Bespel: Hashaltnettoenkommen (HHNE) m früheren Bndesgebet. Erwerbsstatstk 003 ( DESTATIS) HHNE von bs nter Ero Unter Früheres Bndesgebet 7,,7 6,6 F(x) 0,07 0,89 0,55 Der Medan legt n der Klasse von 000 bs nter 600 Ero. An der Grenze deser Klasse kennt man de Werte der Vertelngsfnkton: 0,40 nd 0,549. Daras folgt: ,7 0, ,7 8, 4,6, 0,549 0,730 0,876 0,998 0,5 F(x ) o Me = x + (x x ) 0 F(x ) F(x ) 0,5 0,40 Me = ( ) = 400 Ero 0,549 0,

20 Berechnng des Medan - Bespel Bespel: Hashaltnettoenkommen (HHNE) n den Neen Ländern nd Berln-Ost. Erwerbsstatstk 003 (DESTATIS) HHNE von bs nter Ero Unter Nee Länder nd Berln-Ost,8 6,7 7,6 7,3 F(x) 0,8 0,95 0,37 0,544 Der Medan legt n der Klasse von 500 bs nter 000 Ero. An der Grenze deser Klasse kennt man de Werte der Vertelngsfnkton: 0,37 nd 0,544. Daras folgt: ,0 5,3 8,8 5,4 0,704 0,857 0,945 0,999 0,5 F(x ) o Me = x + (x x ) 0 F(x ) F(x ) 0,5 0,37 Me = ( ) = 87,83 Ero 0,544 0,37 39 Verglech des HHNE n der BRD - Bespel HHNE von bs nter Ero Unter 900 Früheres Bndesgebet 7, Nee Länder nd Berln- Ost,8,0 Verglech ,7 6,6 6,7 7,6 0, ,7 7,3 F 0, ,7 8, 6,0 5,3 0, ,6, 8,8 5,4 0, Hashaltnettoenkommen Nee Länder nd Berln-Ost Früheres Bndesgebet Me=87,83 Ero Me=400 Ero 40 0

21 Bertelng des Zentralwertes De Rehe der geordneten Beobachtngswerte wrd drch den Zentralwert n zwe gleche Tele zerlegt. De Smme der Abstände zwschen Zentralwert nd allen Enzelwerten st mnmal (lneare Mnmmsegenschaft, de be Standortbestmmngen gentzt wrd). Der Zentralwert egnet sch besonders für ordnalskalerte Daten. Für kardnalskalerte Daten st sene Ermttlng möglch, allerdngs mt Verlst der metrschen Egenschaften der Skala. Für kategorale Daten st sene Ermttlng ncht möglch. Der Zentralwert reagert ncht af Verschebngen der Extremwerte, wenn de verschobenen Werte af der selben Sete des Zentralwertes bleben. 4 Arthmetsches Mttel Sene Berechnng st nr für kardnalskalerte Merkmale snnvoll. Man benötgt de metrsche Egenschaft deser Skala. Dese Forderng wrd oft ncht engehalten, we z. B. be der Berechnng von Drchschnttsnoten. Zensren coderen de Rangstfen sehr gt, gt Se egnen sch ncht für ene snnvolle arthmetsche Mttelwertberechnng, da sch en nmerscher Wert ergeben kann, der selbst kene vergebene Bewertng st. Legen N Enzelwerte a des Merkmals vor, so glt: µ = N N a = 4

22 Arthmetsches Mttel as Enzelwerten - Bespel Bespel: Das drchschnttlche Körpergewcht n Kg der 0 Personen beträgt: Name Lsa Anna Antje Mare Dörte Sven Uwe Ka Jan Nls Nr a N µ = a N = µ = ( ) = 65kg 0 Da jede Merkmalsasprägng glechberechtgt, d.h. mt glechem Gewcht n de Berechnng engeht, sprcht man vom ngewogenen oder enfachen arthmetschen Mttel. 43 Arthmetsches Mttel für gehäfte Daten Kommen bestmmte Merkmalsasprägngen x mehrmals vor, glt: Anzahl der verschedenen Merkmalsasprägngen µ = N k ( x h ) = ( x f ) = = -te Merkmalsasprägng Smme aller abs. Häfgketen Abs. Häfgket der -ten Merkmalsasprägng k Desen Wert bezechnet man als gewogenes arthmetsches Mttel. De Häfgketen der Merkmalsasprägngen fngeren als Gewchte. f = h N Rel. Häfgket der -ten Merkmalsasprägng 44

23 Arthmetsches Mtte für gehäfte Daten - Bespel Bespel: Anzahl der Personen (Merkmal) m Hashalt (Merkmalsträger). Erwerbsstatstk 003 ( DESTATIS) Anzahl der Personen m HH nd mehr Früheres Bndesgebet Nee Länder nd Berln-Ost 36,8 35,6 33,6 35,4 3,7 6,9,4 9,7 4,6,4 Um de drchschnttlche Anzahl der Personen m Hashalt z berechnen, mss man enen geegneten Repräsentanten für de letzte Klasse festlegen. Unter Annahme von 7 Personen für de obere Randklasse ergbt sch: k µ ABL = xf = 0, , , , ,046 =,9 = k µ NBL = xf = 0, , , , ,04 =,7 = 45 Arthmetsches Mttel für klasserte Daten Für klasserte Daten erfolgt de Berechnng des arthmetschen Mttels n ener ähnlchen Form we für gehäfte Daten. Unterstellt man Glechvertelng nnerhalb der Klassen, repräsentert x, de Klassenmtte, alle Beobachtngen, de z der Klasse gehören. Anzahl der Klassen µ = N Smme aller abs. Häfgketen k x h = k = = Abs. Häfgket der -ten Klasse x Mtte der -ten Klasse f o (x + x ) x = f = h N Rel. Häfgket der -ten Klasse 46 3

24 Arthmetsches Mttel für klasserte Daten -Bespel Bespel: Hashaltnettoenkommen (HHNE) n der BRD. Erwerbsstatstk 003 (DESTATIS) HHNE von bs nter Ero Unter Smme Arthmetsches Mttel Klassemtte Verwendete Formeln: Früheres Bndesgebet 7,,7 6,6 4,7 4,7 8, 4,6, 00 x = ,95 (x + x Nee Länder nd Berln-Ost,8 6,7 7,6 7,3 6,0 5,3 8,8 5,4 00 o ,95 ) nd Es werden 450 Ero als ntere Grenze der ersten Klasse nterstellt. De Smmen müssen drch 00 dvdert werden, da de relatven Häfgketen als Prozentwerte angegeben snd. µ = k = x f 47 Arthmetsches Mttel as Regonaldaten -Bespel Bespel: As den Regonaldaten soll das arthmetsche Mttel des prvaten Verbrachs für Bremen nd Hambrg bestmmt werden: Land Prvater Verbrach Verbrachsantel des Landes n % Enwohnerantel des Landes n % T je Enwohner Bayern 5,6 7 5 Bremen 3,6 Hambrg 8, 3 Mecklenbrg-V. 8, Sachsen 9,6 4 6 : Zr Ernnerng: De ndvdellen Merkmalsasprägngen snd ncht erhoben, ledglch de Smme aller Merkmalsasprägngen legt vor sowe de Zahl der Enheten (Enwohner). Daras wrd de Pro-Kopf-Größe berechnet. Prvater Verbrach je Enwohner (HH,HB): (3,6 ) + (8, ) µ = = 6,7 3 Tsd. De Länderwerte snd für sch berets als arthmetsches Mttel nterpreterbar. 48 4

25 Arthmetsches Mttel as Regonaldaten Bespel Bespel: Klasrafgabe 3 vom Febrar 003 In Norddetschland lebten m Jahr 00 5 Mll. Enwohner. Für de 5 Bndesländer legen für 00 folgende Eckdaten über Bevölkerng, Erwerb, Arbetslosgket nd Brttonlandsprodkt vor: Bndesland Bevölkerngsantel (%) Erwerbstätge (Tsd.) Erwerbsqote (%) Arbetslosenzahl (Tsd.) Arbetslosenqote (%) Brttonlandprodkt (Mrd: ) HB 4, ,5 40 3,6 3,4 HH, , 7 9,3 75,5 MV, , 68 9,6 9,7 NI 53, , ,0 80,4 SH 8, ,6 6 9,4 66,0 49 Arthmetsches Mttel as Regonaldaten Bespel Klasrafgabe 3 vom Febrar 003, Afgabenstellng: 3. Berechnen Se de Erwerbsqote (Erwerbstätge je Bevölkerng) für Norddetschland nd wesen Se den Prozentwert as. 3. Berechnen Se de Arbetslosenqote (Arbetslosenzahl je Arbetskräftepotenzal) als Prozentwert für Norddetschland. 3.3 Geben Se für de 5 Bndesländer nd Norddetschland gesamt de Qote des Brttonlandsprodktes n Tsd. Ero je Enwohner an. Lösng 3. Unter Verwendng der Gesamtgrößen ergbt sch als (mttleres) Verhältns der Erwerbsqote für Norddetschland 45,8%. We st deser Wert z berechnen, wenn de angegebenen Landeswerte der Erwerbsqote verwendet werden? 3. Es st znächst das Arbetskräftepotenzal z berechnen, m nter Verwendng der Gesamtgrößen das (mttlere) Verhältns der Arbetslosenqote für Norddetschland bestmmen z können. De Qote beträgt,%. 3.3 Unter Verwendng der Gesamtgrößen ergbt sch en (mttleres) Verhältns von 5000 BIP je Enwohner für Norddetschland. Für de Berechnng der Landeswerte mss zerst de Bevölkerngszahl nach Bndesländern berechnet werden. 50 5

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Aswertng nvarater Datenmengen - desrptv Lageparameter ener Vertelng Häfgster Wert (Mods) Zentralwert (Medan) Mttelwert (Arthmetsches Mttel) Prof. Küc / Dr. Rcabal Lage- nd Strengsparameter I Bblografe

Mehr

Datenaufbereitung und -darstellung III

Datenaufbereitung und -darstellung III Datenafberetng nd Darstellng 1 Glederng: Zel der Datenafberetng nd Darstellng Datenverdchtng Tabellen nd grafsche Darstellngen Darstellng nvarater Datenmengen (Abschntt 4.4 Darstellng mltvarater Daten

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

FORMELSAMMLUNG STATISTIK (I)

FORMELSAMMLUNG STATISTIK (I) Statst I / B. Zegler Formelsammlng FORMELSAMMLUG STATISTIK (I) Statstsche Formeln, Defntonen nd Erläterngen A a X n qaltatves Mermal Mermalsasprägng qanttatves Mermal Mermalswert Anzahl der statstschen

Mehr

Gliederung des Kurses:

Gliederung des Kurses: Endmensonale Häfgketsvertelng Sete 1 Glederng des Krses: I II Allgemene Grndlagen Statstsche Analyse enes enzelnen Merkmals Analyse/Beschrebng enes enzelnen Merkmals Zel: Verdchtng (Komprmerng) ener nüberschabaren

Mehr

Darstellung univariater Datenmengen

Darstellung univariater Datenmengen Darstellng nvarater Datenmengen Häfgketstabellen/ Häfgketsvertelngen Grafsche Darstellng Emprsche Vertelngsfnktn Endmensnale Häfgketstabelle bzw. Häfgketsvertelng Ene Häfgketstabelle st ene besndere Verdchtngsfrm

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - desrptv Bblografe Prof. Dr. Küc; Statst, Vorlesungssrpt Abschntt 6.. Bleymüller/Gehlert/Gülcher; Statst für Wrtschaftswssenschaftler Verlag Vahlen Bleymüller/Gehlert;

Mehr

ÜbungsaufgabeN mit Lösungen

ÜbungsaufgabeN mit Lösungen ÜbngsafgabeN mt Lösngen Statstk / Grndstdm Statstk I G - 3. Fachhochschle der Detschen Bndesbank Dr. Detmar Hbrch Dr. Detmar Hbrch Statstk I Afgaben nd Lösngen Fachhochschle der G 3. Detschen Bndesbank

Mehr

Streuungs-, Schiefe und Wölbungsmaße

Streuungs-, Schiefe und Wölbungsmaße aptel IV Streuungs-, Schefe und Wölbungsmaße B... Lagemaße von äufgketsvertelungen geben allen weng Auskunft über ene äufgketsvertelung. Se beschreben zwar en Zentrum deser Vertelung, geben aber kenen

Mehr

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel)

In der beschreibenden Statistik werden Daten erhoben, aufbereitet und analysiert. Beispiel einer Datenerhebung mit Begriffserklärungen (Vokabel) Rudolf Brnkmann http://brnkmann-du.de Sete.. Datenerhebung, Datenaufberetung und Darstellung. In der beschrebenden Statstk werden Daten erhoben, aufberetet und analysert. Bespel ener Datenerhebung mt Begrffserklärungen

Mehr

Entscheidungstheorie Teil 3. Thomas Kämpke

Entscheidungstheorie Teil 3. Thomas Kämpke Entschedngstheore Tel 3 Thomas Kämpke Sete Entschedngstheore Tel 3 Inhalt St. Petersbrg Paradoon (Bernoll 73) Präferenzfnktonen ttelpnktsmethode zr Bestmmng von Wertfnktonen über Intervallen (endmensonal)

Mehr

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e

Funktionsgleichungen folgende Funktionsgleichungen aus der Vorlesung erhält. = e Andere Darstellungsformen für de Ausfall- bzw. Überlebens-Wahrschenlchket der Webull-Vertelung snd we folgt: Ausfallwahrschenlchket: F ( t ) Überlebenswahrschenlchket: ( t ) = R = e e t t Dabe haben de

Mehr

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung:

wird auch Spannweite bzw. Variationsbreite genannt ist definiert als die Differenz zwischen dem größten und kleinsten Messwert einer Verteilung: Streuungswerte: 1) Range (R) ab metrschem Messnveau ) Quartlabstand (QA) und mttlere Quartlabstand (MQA) ab metrschem Messnveau 3) Durchschnttlche Abwechung (AD) ab metrschem Messnveau 4) Varanz (s ) ab

Mehr

Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich

Item-response Theorie (Probablistiche Testtheorie) Grundidee der item-response Theorie ist, dass die Antworten auf die Testitems lediglich Item-response Theore (Probablstche Testtheore Grnddee der tem-response Theore st, dass de Antworten af de Testtems ledglch Indatoren für ene z messende latente Varable (Trats, Klassen snd. Je nach Asprägng

Mehr

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung)

Sind die nachfolgenden Aussagen richtig oder falsch? (1 Punkt pro korrekter Beantwortung) LÖSUNG KLAUSUR STATISTIK I Berufsbegletender Studengang Betrebswrtschaftslehre Sommersemester 016 Aufgabentel I: Theore (10 Punkte) Snd de nachfolgenden Aussagen rchtg oder falsch? (1 Punkt pro korrekter

Mehr

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenmengen - deskrptv Egenschaften des arthmetschen Mttels Enfache Streuungsmaße Spannwete Quartlabstand Das Dagramm enes Boplots Prof. Kück / Dr. Rcabal Lage- und Streuungsparameter

Mehr

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2

Arbeitsgruppe Radiochemie Radiochemisches Praktikum P 06. Einführung in die Statistik. 1. Zählung von radioaktiven Zerfällen und Statistik 2 ETH Arbetsgruppe Radocheme Radochemsches Praktkum P 06 Enführung n de Statstk INHALTSVERZEICHNIS Sete 1. Zählung von radoaktven Zerfällen und Statstk 2 2. Mttelwert und Varanz 2 3. Momente ener Vertelung

Mehr

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07

Auswertung von Umfragen und Experimenten. Umgang mit Statistiken in Maturaarbeiten Realisierung der Auswertung mit Excel 07 Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 3.Auflage Dese Broschüre hlft bem Verfassen und Betreuen von Maturaarbeten. De 3.Auflage

Mehr

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen

nonparametrische Tests werden auch verteilungsfreie Tests genannt, da sie keine spezielle Verteilung der Daten in der Population voraussetzen arametrsche vs. nonparametrsche Testverfahren Verfahren zur Analyse nomnalskalerten Daten Thomas Schäfer SS 009 1 arametrsche vs. nonparametrsche Testverfahren nonparametrsche Tests werden auch vertelungsfree

Mehr

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung

Die Annäherung der Binomialverteilung durch die Normalverteilung am Beispiel eines Modells der Schadenversicherung am Bespel enes Modells der chadenverscherung Für das Modell ener chadenverscherung se gegeben: s w s. n 4 chaden enes Verscherungsnehmers, wenn der chadenfall entrtt Wahrschenlchket dafür, dass der chadenfall

Mehr

Die Schnittstellenmatrix Autor: Jürgen P. Bläsing

Die Schnittstellenmatrix Autor: Jürgen P. Bläsing QUALITY-APPs Applkatonen für das Qaltätsmanagement Prozessmanagement De Schnttstellenmatrx Ator: Jürgen P. Bläsng Schnttstellen (Übergangsstellen, Verbndngsstellen) n betreblchen Prozessen ergeben sch

Mehr

2 Zufallsvariable und Verteilungen

2 Zufallsvariable und Verteilungen Zufallsvarable und Vertelungen 7 Zufallsvarable und Vertelungen Wr wollen uns jetzt mt Zufallsexpermenten beschäftgen, deren Ausgänge durch (reelle) Zahlen beschreben werden können, oder be denen man jedem

Mehr

Statistische Kennzahlen für die Lage

Statistische Kennzahlen für die Lage Statstsche Kennzahlen für de Lage Bsher: gernge Informatonsverdchtung durch Vertelungsbeschrebung Jetzt: stärere Zusammenfassung der Daten auf hr Zentrum ls Raabe: Wahrschenlchetsrechnung und Statstsche

Mehr

Definition des linearen Korrelationskoeffizienten

Definition des linearen Korrelationskoeffizienten Defnton des lnearen Korrelatonskoeffzenten r xy x y y r x xy y 1 x x y y x Der Korrelatonskoeffzent st en Indkator dafür, we gut de Punkte (X,Y) zu ener Geraden passen. Sen Wert legt zwschen -1 und +1.

Mehr

Verteilungen eindimensionaler diskreter Zufallsvariablen

Verteilungen eindimensionaler diskreter Zufallsvariablen Vertelungen endmensonaler dskreter Zufallsvarablen Enführung Dskrete Vertelungen Dskrete Glechvertelung Bernoull-Vertelung Bnomalvertelung Bblografe: Prof. Dr. Kück Unverstät Rostock Statstk, Vorlesungsskrpt,

Mehr

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm):

Beim Wiegen von 50 Reispaketen ergaben sich folgende Gewichte X(in Gramm): Aufgabe 1 (4 + 2 + 3 Punkte) Bem Wegen von 0 Respaketen ergaben sch folgende Gewchte X(n Gramm): 1 2 3 4 K = (x u, x o ] (98,99] (99, 1000] (1000,100] (100,1020] n 1 20 10 a) Erstellen Se das Hstogramm.

Mehr

Lösungen zum 3. Aufgabenblock

Lösungen zum 3. Aufgabenblock Lösungen zum 3. Aufgabenblock 3. Aufgabenblock ewerber haben n enem Test zur sozalen Kompetenz folgende ntervallskalerte Werte erhalten: 96 131 11 1 85 113 91 73 7 a) Zegen Se für desen Datensatz, dass

Mehr

Maße der zentralen Tendenz (10)

Maße der zentralen Tendenz (10) Maße der zentralen Tendenz (10) - De Berechnung der zentralen Tendenz be ategorserten Daten mt offenen Endlassen I - Bespel 1: offene Endlasse Alter x f x f p x p p cum bs 20 1? 3? 6? 6 21-25 2 23 20 460

Mehr

Statistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes

Statistik. 1. Vorbereitung / Planung - präzise Formulierung der Ziele - detaillierte Definition des Untersuchungsgegenstandes Statstk Defnton: Entwcklung und Anwendung von Methoden zur Erhebung, Aufberetung, Analyse und Interpretaton von Daten. Telgebete der Statstk: - Beschrebende (deskrptve) Statstk - Wahrschenlchketsrechnung

Mehr

Kapitel V. Parameter der Verteilungen

Kapitel V. Parameter der Verteilungen Kaptel V Parameter der Vertelungen D. 5.. (Erwartungswert) Als Erwartungswert ener Zufallsvarablen X bezechnet man: E( X ) : Dabe se vorausgesetzt: = = + p falls X dskret f d falls X stetg und = + p

Mehr

Zur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen.

Zur Interpretation einer Beobachtungsreihe kann man neben der grafischen Darstellung weitere charakteristische Größen heranziehen. Rudolf Brkma http://brkma-du.de Sete 0.0.008 Lagemaße der beschrebede Statstk. Zur Iterpretato eer Beobachtugsrehe ka ma ebe der grafsche Darstellug wetere charakterstsche Größe herazehe. Mttelwert ud

Mehr

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x)

Die hierzu formulierte Nullhypothese H lautet: X wird durch die Verteilungsdichtefunktion h(x) ZZ Lösung zu Aufgabe : Ch²-Test Häufg wrd be der Bearbetung statstscher Daten ene bestmmte Vertelung vorausgesetzt. Um zu überprüfen ob de Daten tatsächlch der Vertelung entsprechen, wrd en durchgeführt.

Mehr

Dynamisches Programmieren

Dynamisches Programmieren Marco Thomas - IOI 99 -. Treffen n Bonn - Dynamsches Programmeren - Unverstät Potsdam - 8.02.999 Dynamsches Programmeren 957 R. Bellmann: Dynamc Programmng für math. Optmerungsprobleme Methode für Probleme,.

Mehr

F E R N U N I V E R S I T Ä T

F E R N U N I V E R S I T Ä T Matrkelnmmer Name: Vorname: F E R N U N I V E R S I T Ä T Fakltät für Wrtschaftswssenschaft Klasr: Modl 7 Markt nd Staat (6 SWS) Termn:.0.0, 9.00.00 Uhr Prüfer: Unv.-Prof. Dr. Thomas Echner Afgabe Smme

Mehr

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2

12 LK Ph / Gr Elektrische Leistung im Wechselstromkreis 1/5 31.01.2007. ω Additionstheorem: 2 sin 2 2 1 K Ph / Gr Elektrsche estng m Wechselstromkres 1/5 3101007 estng m Wechselstromkres a) Ohmscher Wderstand = ˆ ( ω ) ( t) = sn ( ω t) t sn t ˆ ˆ P t = t t = sn ω t Momentane estng 1 cos ( t) ˆ ω = Addtonstheorem:

Mehr

Man erkennt, dass an der Induktivität die Spannung unendlich groß wird, wenn der Strom einen Sprung

Man erkennt, dass an der Induktivität die Spannung unendlich groß wird, wenn der Strom einen Sprung nverät Stttgart Intt für engselektronk nd Elektrsche Antrebe Abt. Elektrsche Energewandlng Prof. Dr.-Ing. N. Parspor Enschwngvorgänge Wenn n enem elektrschen Netzwerk en oder mehrere Energe spechernde

Mehr

Prof. Dr. Roland Füss Statistik II SS 2008

Prof. Dr. Roland Füss Statistik II SS 2008 5. Spezelle Testverfahren Zahlreche parametrsche und nchtparametrsche Testverfahren, de nach Testvertelung (Bnomal, t-test etc.), Analysezel (Anpassungs- und Unabhänggketstest) oder Konstrukton der Prüfgröße

Mehr

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)).

Abbildung 3.1: Besetzungszahlen eines Fermigases im Grundzustand (a)) und für eine angeregte Konfiguration (b)). 44 n n F F a) b) Abbldung 3.: Besetzungszahlen enes Fermgases m Grundzustand (a)) und für ene angeregte Konfguraton (b)). 3.3 Ferm Drac Statstk In desem Abschntt wollen wr de thermodynamschen Egenschaften

Mehr

Lernsituation: Eine Leuchtstofflampe an Wechselspannung untersuchen. Arbeitsauftrag 1: Errechnen von Spannungswerten und Zeichnen einer Sinuslinie

Lernsituation: Eine Leuchtstofflampe an Wechselspannung untersuchen. Arbeitsauftrag 1: Errechnen von Spannungswerten und Zeichnen einer Sinuslinie 8 Elektroenergeversorgng nd cherhet von Betrebsmtteln gewährlesten ernstaton: Ene echtstofflampe an Wechselspannng nterschen Ihr Betreb soll n ener chle de veraltete Deckenbelechtng enger Unterrchtsräme

Mehr

1 Definition und Grundbegriffe

1 Definition und Grundbegriffe 1 Defnton und Grundbegrffe Defnton: Ene Glechung n der ene unbekannte Funkton y y und deren Abletungen bs zur n-ten Ordnung auftreten heßt gewöhnlche Dfferentalglechung n-ter Ordnung Möglche Formen snd:

Mehr

Aspekte zur Approximation von Quadratwurzeln

Aspekte zur Approximation von Quadratwurzeln Aspete zur Approxmaton von Quadratwurzeln Intervallschachtelung Intervallhalberungsverfahren Heron-Verfahren Rechnersche und anschaulche Herletung Zusammenhang mt Newtonverfahren Monotone und Beschränthet

Mehr

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen

6.5. Rückgewinnung des Zeitvorgangs: Rolle der Pole und Nullstellen 196 6.5. Rückgewnnung des Zetvorgangs: Rolle der Pole und Nullstellen We n 6.2. und 6.. gezegt wurde, st de Übertragungsfunkton G( enes lnearen zetnvaranten Systems mt n unabhänggen Spechern ene gebrochen

Mehr

Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik

Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner jpbrueckner@emal.un-kel.de R.6 Tel. 880 77 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck

Mehr

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel!

z.b. Münzwurf: Kopf = 1 Zahl = 2 oder z.b. 2 Würfel: Merkmal = Summe der Augenzahlen, also hier: Bilde die Summe der Augenzahlen der beiden Würfel! Aufgabe : Vorbemerkung: Ene Zufallsvarable st ene endeutge Funkton bzw. ene Abbldungsvorschrft, de angbt, auf welche Art aus enem Elementareregns ene reelle Zahl gewonnen wrd. x 4 (, ) z.b. Münzwurf: Kopf

Mehr

U Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen

U Test (Rangsummentest) Parameterfreie Tests. U -Test. U -Test. χ ²- Unabhängigkeitstest Test auf Unabhängigkeit von zwei Zufallsgrößen Parameterfree Tests U Test (Rangsummentest) Verglech der Mttelwerte (Medane) be ncht normalvertelten Größen U - Test Mttelwertverglech von zwe ncht verbundenen Zugrößen Wlcoxon - Vorzechenrangtest Mttelwertverglech

Mehr

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014

4. Indexzahlen. 5.1 Grundlagen 5.2 Preisindizes 5.3 Indexzahlenumrechnungen. Dr. Rebecca Schmitt, WS 2013/2014 4. ndexzahlen 5.1 Grundlagen 5.2 Presndzes 5.3 ndexzahlenumrechnungen 1 4.1 Grundlagen Als Messzahlen werden de Quotenten bezechnet, de aus den Beobachtungswerten bzw. den Maßzahlen zweer Telmengen derselben

Mehr

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i

Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte. Itemanalyse und Itemkennwerte: Itemschwierigkeit P i Itemanalyse und Itemkennwerte De Methoden der Analyse der Itemegenschaften st ncht m engeren Snne Bestandtel der Klassschen Testtheore Im Rahmen ener auf der KTT baserenden Testkonstrukton und -revson

Mehr

Statistik und Wahrscheinlichkeitsrechnung

Statistik und Wahrscheinlichkeitsrechnung Statstk und Wahrschenlchketsrechnung Statstk und Wahrschenlchketsrechnung 5. Vorlesung Dr. Jochen Köhler.03.0 Statstk und Wahrschenlchketsrechnung Wchtg!!! Vorlesung Do 4.03.0 HCI G3 Übung 5 D 9.03.0 Fnk

Mehr

Unsicherheit und Vergleichbarkeit von Prüfergebnissen A. Subaric-Leitis Bundesanstalt für Materialforschung und -prüfung, Berlin

Unsicherheit und Vergleichbarkeit von Prüfergebnissen A. Subaric-Leitis Bundesanstalt für Materialforschung und -prüfung, Berlin nscherhet nd Verglechbarket von Prüfergebnssen A. Sbarc-Lets Bndesanstalt für Materalforschng nd -prüfng, 00 Berln a. sbarc-lets@ba.de BAM 8. Sbarc-Lets DAkkS PB BAM Senar (66.PB Senar) Berechnng der Messnscherhet

Mehr

Lineare Regression (1) - Einführung I -

Lineare Regression (1) - Einführung I - Lneare Regresson (1) - Enführung I - Mttels Regressonsanalysen und kompleeren, auf Regressonsanalysen aserenden Verfahren können schenar verschedene, jedoch nenander üerführare Fragen untersucht werden:

Mehr

6. Modelle mit binären abhängigen Variablen

6. Modelle mit binären abhängigen Variablen 6. Modelle mt bnären abhänggen Varablen 6.1 Lneare Wahrschenlchketsmodelle Qualtatve Varablen: Bnäre Varablen: Dese Varablen haben genau zwe möglche Kategoren und nehmen deshalb genau zwe Werte an, nämlch

Mehr

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression

Beschreibung des Zusammenhangs zweier metrischer Merkmale. Streudiagramme Korrelationskoeffizienten Regression Beschrebung des Zusammenhangs zweer metrscher Merkmale Streudagramme Korrelatonskoeffzenten Regresson Alter und Gewcht be Kndern bs 36 Monaten Knd Monate Gewcht 9 9 5 8 3 4 7.5 4 3 6 5 3 6 4 3.5 7 35 5

Mehr

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ).

Sei T( x ) die Tangente an den Graphen der Funktion f(x) im Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Taylorentwcklung (Approxmaton durch Polynome). Problemstellung Se T( x ) de Tangente an den Graphen der Funkton f(x) m Punkt ( x 0, f(x 0 ) ) : T( x ) = f(x 0 ) + f (x 0 ) ( x - x 0 ). Dann kann man de

Mehr

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten

Klasse : Name1 : Name 2 : Datum : Nachweis des Hookeschen Gesetzes und Bestimmung der Federkonstanten Versuch r. 1: achwes des Hook schen Gesetzes und Bestmmung der Federkonstanten achwes des Hookeschen Gesetzes und Bestmmung der Federkonstanten Klasse : ame1 : ame 2 : Versuchszel: In der Technk erfüllen

Mehr

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY)

Bedingte Entropie. Bedingte Entropie. Bedingte Entropie. Kapitel 4: Bedingte Entropie I(X;Y) H(X Y) H(Y) H(X) H(XY) Bedngte Entrope Kaptel : Bedngte Entrope Das vorherge Theorem kann durch mehrfache Anwendung drekt verallgemenert werden H (... H ( = Ebenso kann de bedngt Entrope defnert werden Defnton: De bedngte Entrope

Mehr

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel

Multilineare Algebra und ihre Anwendungen. Nr. 6: Normalformen. Verfasser: Yee Song Ko Adrian Jenni Rebecca Huber Damian Hodel ultlneare Algebra und hre Anwendungen Nr. : Normalformen Verfasser: Yee Song Ko Adran Jenn Rebecca Huber Daman Hodel 9.5.7 - - ultlneare Algebra und hre Anwendungen Jordan sche Normalform Allgemene heore

Mehr

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum

Fallstudie 1 Diskrete Verteilungen Abgabe: Aufgabentext und Lösungen schriftlich bis zum Abgabe: Aufgabentext und Lösungen schrftlch bs zum 15. 6. 2012 I. Thema: Zehen mt und ohne Zurücklegen Lesen Se sch zunächst folgenden Text durch! Wr haben bsher Stchprobenzehungen aus Grundgesamtheten

Mehr

Verteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert.

Verteilungen, sondern nur, wenn ein. Eignet sich nicht bei flachen. Bei starker Streuung wenig. Wert eindeutig dominiert. Auswertung von Umfragen und Expermenten Umgang mt Statstken n Maturaarbeten Realserung der Auswertung mt Excel 07 Kenngrössen der Statstk Für de Auswertung von Datenrehen werden verschedene Kenngrössen

Mehr

Elemente der Mathematik - Sommer 2016

Elemente der Mathematik - Sommer 2016 Elemente der Mathematk - Sommer 2016 Prof Dr Matthas Lesch, Regula Krapf Lösungen Übungsblatt 3 Aufgabe 9 (10 Punkte) Das Horner-Schema st ene Methode zum Auswerten enes Polynoms n a0 x an der Stelle s

Mehr

-70- Anhang: -Lineare Regression-

-70- Anhang: -Lineare Regression- -70- Anhang: -Lneare Regressn- Für ene Messgröße y f(x) gelte flgender mathematsche Zusammenhang: y a+ b x () In der Regel läßt sch durch enen Satz vn Messwerten (x, y ) aber kene Gerade zechnen, da de

Mehr

Statistik. Finanzmathematik 1-15

Statistik. Finanzmathematik 1-15 Prüfungsdauer: Hlfsmttel: 90 Mnuten Taschenrechner (ncht grafkfähg und ncht programmerbar) und Formelsammlung De Klausur besteht aus dem 16 Aufgaben m Pflchttel, de alle bearbetet werden müssen. Auf de

Mehr

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden.

Daten sind in Tabellenform gegeben durch die Eingabe von FORMELN können mit diesen Daten automatisierte Berechnungen durchgeführt werden. Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt werden. Menüleste Symbolleste Bearbetungszele aktve

Mehr

Hochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen

Hochschule Heilbronn Technik Wirtschaft Informatik Heilbronn University Institut für math.-naturw. Grundlagen Versuch : Messung von Glechspannung und Glechstrom mt Multmetern 1. Aufgabenstellung Messung von Glechspannung u. Glechstrom mt analogen und dgtalen Messgeräten Verglech verschedener Messgeräte, Messgenaugket

Mehr

Spannweite, Median Quartilsabstand, Varianz und Standardabweichung.

Spannweite, Median Quartilsabstand, Varianz und Standardabweichung. Rudolf Brkma http://brkma-du.de Sete 06.0.008 Spawete, Meda Quartlsabstad, Varaz ud Stadardabwechug. Streuug um de Mttelwert. I de folgede Säuledagramme st de Notevertelug zweer Schülergruppe (Mädche,

Mehr

Lineare Optimierung Dualität

Lineare Optimierung Dualität Kaptel Lneare Optmerung Dualtät D.. : (Dualtät ) Folgende Aufgaben der lnearen Optmerung heßen symmetrsch dual zuenander: und { z = c x Ax b x } max, 0 { Z b A c } mn =, 0. Folgende Aufgaben der lnearen

Mehr

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage

Für wen ist dieses Buch? Was ist dieses Buch? Besonderheiten. Neu in dieser Auflage Für wen st deses Bch? Das Taschenbch der Elektrotechnk rchtet sch an Stdentnnen nd Stdenten an nverstäten nd Fachhochschlen n den Berechen Elektrotechnk Nachrchtentechnk Technsche Informatk allgemene Ingenerwssenschaften

Mehr

Gruppe. Lineare Block-Codes

Gruppe. Lineare Block-Codes Thema: Lneare Block-Codes Lneare Block-Codes Zele Mt desen rechnerschen und expermentellen Übungen wrd de prnzpelle Vorgehenswese zur Kanalcoderung mt lnearen Block-Codes erarbetet. De konkrete Anwendung

Mehr

Statistik Exponentialfunktion

Statistik Exponentialfunktion ! " Statstk " Eponentalfunkton # $ % & ' $ ( )&* +, - +. / $ 00, 1 +, + ) Ensemble von radoaktven Atomkernen Zerfallskonstante λ [1/s] Lebensdauer τ 1/λ [s] Anzahl der pro Zetenhet zerfallenden Kerne:

Mehr

3. Lineare Algebra (Teil 2)

3. Lineare Algebra (Teil 2) Mathematk I und II für Ingeneure (FB 8) Verson /704004 Lneare Algebra (Tel ) Parameterdarstellung ener Geraden Im folgenden betrachten wr Geraden m eukldschen Raum n, wobe uns hauptsächlch de Fälle n bzw

Mehr

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher.

NSt. Der Wert für: x= +1 liegt, erkennbar an dem zugehörigen Funktionswert, der gesuchten Nullstelle näher. PV - Hausaugabe Nr. 7.. Berechnen Se eakt und verglechen Se de Werte ür de Nullstelle, de mttels dem Verahren von Newton, der Regula als und ener Mttelung zu erhalten snd von der! Funkton: ( ) Lösungs

Mehr

Konkave und Konvexe Funktionen

Konkave und Konvexe Funktionen Konkave und Konvexe Funktonen Auch wenn es n der Wrtschaftstheore mest ncht möglch st, de Form enes funktonalen Zusammenhangs explzt anzugeben, so kann man doch n velen Stuatonen de Klasse der n Frage

Mehr

Netzwerkstrukturen. Entfernung in Kilometer:

Netzwerkstrukturen. Entfernung in Kilometer: Netzwerkstrukturen 1) Nehmen wr an, n enem Neubaugebet soll für 10.000 Haushalte en Telefonnetz nstallert werden. Herzu muss von jedem Haushalt en Kabel zur nächstgelegenen Vermttlungsstelle gezogen werden.

Mehr

Spule, Induktivität und Gegeninduktivität

Spule, Induktivität und Gegeninduktivität .7. Sple, ndktvtät nd Gegenndktvtät Bldqelle: Doglas C. Gancol, Physk, Pearson-Stdm, 006 - das Magnetfeld Glechnamge Pole enes Magneten stoßen enander ab; nglechnamge Pole zehen sch gegensetg an. Wenn

Mehr

Erwartungswert, Varianz, Standardabweichung

Erwartungswert, Varianz, Standardabweichung RS 24.2.2005 Erwartungswert_Varanz_.mcd 4) Erwartungswert Erwartungswert, Varanz, Standardabwechung Be jedem Glücksspel nteresseren den Speler vor allem de Gewnnchancen. 1. Bespel: Setzen auf 1. Dutzend

Mehr

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines

6 Wandtafeln. 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln. 6.3.1 Allgemeines 6 Wandtafeln 6.3 Berechnung der Kräfte und des Schubflusses auf Wandtafeln 6.3.1 Allgemenes Be der Berechnung der auf de enzelnen Wandtafeln entfallenden Horzontalkräfte wrd ene starre Deckenschebe angenommen.

Mehr

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt:

(Theoretische) Konfidenzintervalle für die beobachteten Werte: Die Standardabweichung des Messfehlers wird Standardmessfehler genannt: (Theoretsche Konfdenzntervalle für de beobachteten Werte: De Standardabwechung des Messfehlers wrd Standardmessfehler genannt: ( ε ( 1- REL( Mt Hlfe der Tschebyscheff schen Unglechung lassen sch be bekanntem

Mehr

6. Übung zur Linearen Algebra II

6. Übung zur Linearen Algebra II Unverstät Würzburg Mathematsches Insttut Prof. Dr. Peter Müller Dr. Peter Fleschmann SS 2006 30.05.2006 6. Übung zur Lnearen Algebra II Abgabe: Bs Mttwoch, 14.06.2006, 11:00 Uhr n de Brefkästen vor der

Mehr

Protokoll zu Versuch C1-Mischungsvolumina

Protokoll zu Versuch C1-Mischungsvolumina Protokoll zu Prnz: De sezfschen Mschungsvolumna ener Lösung werden durch auswegen fester Flüssgketsvolumna bekannter Lösungszusammensetzungen mt Hlfe von Pyknometern bestmmt. Theoretsche Grundlagen: Um

Mehr

Resultate / "states of nature" / mögliche Zustände / möglicheentwicklungen

Resultate / states of nature / mögliche Zustände / möglicheentwicklungen Pay-off-Matrzen und Entschedung unter Rsko Es stehen verschedene Alternatven (Strategen) zur Wahl. Jede Stratege führt zu bestmmten Resultaten (outcomes). Man schätzt dese Resultate für jede Stratege und

Mehr

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur

Musterklausur Wirtschaftsmathematik und Statistik. Zusatzstudium für Wirtschaftsingenieur Musterklausur Wrtschaftsmathematk und Statstk Zusatzstudum für Wrtschaftsngeneur Telnehmer (Name, Vorname): Datum:.2006 Prüfer: Böhm-Retg Matrkelnummer: REGELN 1. Zum Bestehen der Klausur snd mndestens

Mehr

Grundgedanke der Regressionsanalyse

Grundgedanke der Regressionsanalyse Grundgedanke der Regressonsanalse Bsher wurden durch Koeffzenten de Stärke von Zusammenhängen beschreben Mt der Regressonsrechnung können für ntervallskalerte Varablen darüber hnaus Modelle geschätzt werden

Mehr

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz

Prof. Dr. P. Kischka WS 2012/13 Lehrstuhl für Wirtschafts- und Sozialstatistik. Klausur Statistische Inferenz Prof. Dr. P. Kschka WS 2012/13 Lehrstuhl für Wrtschafts- und Sozalstatstk Klausur Statstsche Inferenz 15.02.2013 Name: Matrkelnummer: Studengang: Aufgabe 1 2 3 4 5 6 7 8 Summe Punkte 6 5 5 5 5 4 4 6 40

Mehr

Lösungen der Aufgaben zu Kapitel 2

Lösungen der Aufgaben zu Kapitel 2 Lösungen der Aufgaben zu Kaptel Abschntt 1 Aufgabe 1 Wr benutzen de Potenzrechenregeln, um ene Potenz von mt geradem Eponenten n oder mt ungeradem Eponenten n + 1 we folgt darzustellen: n n und n+1 n n

Mehr

Kursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten

Kursthemen 2. Sitzung. Tabellarische und graphische Darstellung diskreter Daten. Tabellarische und graphische Darstellung diskreter Daten Kursthemen 2. Stzung Fole I - 2-1 Tabellarsche und graphsche Darstellung dskreter Daten Tabellarsche und graphsche Darstellung dskreter Daten A) Nomnalskalen (Fole 2 bs 7) A) Nomnalskalen (Fole 2 bs 7)

Mehr

Mathematik für MolekularbiologInnen. Vorlesung VII Block III: Wahrscheinlichkeit und Statistik Verteilungen und Lagemaßzahlen

Mathematik für MolekularbiologInnen. Vorlesung VII Block III: Wahrscheinlichkeit und Statistik Verteilungen und Lagemaßzahlen Mathematk für MolekularbologInnen Vorlesung VII Block III: Wahrschenlchket und Statstk Vertelungen und Lagemaßzahlen Überscht Allgemene Defntonen Bezehung und Vsualserung von Daten Regresson, Fehlerbetrachtung

Mehr

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007 Lehrstuhl für Emprsche Wrtschaftsforschung und Ökonometre Dr Roland Füss Statstk II: Schleßende Statstk SS 007 5 Mehrdmensonale Zufallsvarablen Be velen Problemstellungen st ene solerte Betrachtung enzelnen

Mehr

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert

Zufallsvariable, Wahrscheinlichkeitsverteilungen und Erwartungswert R. Brnkmann http://brnkmann-du.de Sete..8 Zufallsvarable, Wahrschenlchketsvertelungen und Erwartungswert Enführungsbespel: Zwe Würfel (en blauer und en grüner) werden 4 mal zusammen geworfen. De Häufgketen

Mehr

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com.

Polygonalisierung einer Kugel. Verfahren für die Polygonalisierung einer Kugel. Eldar Sultanow, Universität Potsdam, sultanow@gmail.com. Verfahren für de Polygonalserung ener Kugel Eldar Sultanow, Unverstät Potsdam, sultanow@gmal.com Abstract Ene Kugel kann durch mathematsche Funktonen beschreben werden. Man sprcht n desem Falle von ener

Mehr

Standardnormalverteilung / z-transformation

Standardnormalverteilung / z-transformation Standardnormalvertelung / -Transformaton Unter den unendlch velen Normalvertelungen gbt es ene Normalvertelung, de sch dadurch ausgeechnet st, dass se enen Erwartungswert von µ 0 und ene Streuung von σ

Mehr

Teil IV: Drei Musterklausuren

Teil IV: Drei Musterklausuren Tel IV: Dre Musterklausuren Hauptklausur SS 97 Aufgabe : 5 Schwmmer verschedenen Alters erbrachten n Wettkämpfen über 50 m Brustschwmmen de folgenden Zeten: Alter Zeten n sec. 8 37.00 40.00 4.00 30 39.00

Mehr

Beschreibende Statistik Mittelwert

Beschreibende Statistik Mittelwert Beschrebende Statstk Mttelwert Unter dem arthmetschen Mttel (Mttelwert) x von n Zahlen verstehen wr: x = n = x = n (x +x +...+x n ) Desen Mttelwert untersuchen wr etwas genauer.. Zege für n = 3: (x x )

Mehr

Weitere NP-vollständige Probleme

Weitere NP-vollständige Probleme Wetere NP-vollständge Probleme Prosemnar Theoretsche Informatk Marten Tlgner December 10, 2014 Wr haben letzte Woche gesehen, dass 3SAT NP-vollständg st. Heute werden wr für enge wetere Probleme n NP zegen,

Mehr

Zweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper

Zweck. Radiometrische Kalibrierung. Traditioneller Ansatz. Kalibrierung ohne Kalibrierkörper Raometrsche Kalbrerung Tratoneller Ansatz Kalbrerung aus mehreren Blern Behanlung von übersteuerten Blern Zweck Das Antwortverhalten es Systems Kamera Framegrabber st ncht mmer lnear Grauwerte sn ncht

Mehr

Ein metrisches Merkmal

Ein metrisches Merkmal En metrsches Merkmal 170 171 Bespel Ntratbelastung n NÖ-Trnkwasser Quelle NösWAG/WWF 1998 526 Meßstellen, Angaben n mg/l, Grenzwert st 50mg/l 23 23 32 32 32 12 12 12 12 12 12 12 23 12 12 12 12 23 23 23

Mehr

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz):

Aufgabe 8 (Gewinnmaximierung bei vollständiger Konkurrenz): LÖSUNG AUFGABE 8 ZUR INDUSTRIEÖKONOMIK SEITE 1 VON 6 Aufgabe 8 (Gewnnmaxmerung be vollständger Konkurrenz): Betrachtet wrd en Unternehmen, das ausschleßlch das Gut x produzert. De m Unternehmen verwendete

Mehr

Die Jordansche Normalform

Die Jordansche Normalform De Jordansche Normalform Danel Hug 29. Aprl 211 KIT Unverstät des Landes Baden-Württemberg und natonales Forschungszentrum n der Helmholtz-Gemenschaft www.kt.edu 1 Zerlegung n Haupträume 2 Fazt und nächstes

Mehr

Invariantentheorie. Vorlesung 3. Lineare Operationen

Invariantentheorie. Vorlesung 3. Lineare Operationen Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invarantentheore Vorlesung 3 Lneare Operatonen Ene Operaton ener Gruppe G auf ener (geometrschen) Menge M st das gleche we en Gruppenhomomorphsmus der Gruppe

Mehr

Datenaufbereitung und Darstellung

Datenaufbereitung und Darstellung Datenaufberetung und Darstellung 1 Glederung: Zel der Datenaufberetung und Darstellung Datenverdchtung Tabellen und grafsche Darstellungen Darstellung unvarater Datenmengen Darstellung multvarater Daten

Mehr

Grundpraktikum M5 Oberflächenspannung

Grundpraktikum M5 Oberflächenspannung Grundpraktkum M5 Oberflächenspannung Julen Kluge 21. Ma 2015 Student: Julen Kluge (564513) Partner: Emly Albert (564536) Betreuer: Dr. Mykhaylo Semtsv Raum: 314 Messplatz: 2 INHALTSVERZEICHNIS 1 ABSTRACT

Mehr

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1.

9 Komplexe Zahlen ( ) ( ) 9.1 Ziele. 9.2 Warum braucht man komplexe Zahlen? 9.3 Darstellung von komplexen Zahlen. r 2. j 2. j 1. Mathematk I / Komplexe Zahlen 9 Komplexe Zahlen 9. Zele Am Ende deses Kaptels hast Du ene Grundvorstellung was komplexe Zahlen snd. Du kannst se grafsch darstellen und enfache Berechnungen durchführen.

Mehr