Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik

Größe: px
Ab Seite anzeigen:

Download "Grundlagen sportwissenschaftlicher Forschung Deskriptive Statistik"

Transkript

1 Grundlagen sportwssenschaftlcher Forschung Deskrptve Statstk Dr. Jan-Peter Brückner R.6 Tel

2 Deskrptve Statstk - Zele Beschreben der Daten Zusammenfassen der Daten Überblck über de Daten Datenanalyse Fehlerprüfung/Plausbltätsprüfung

3 Bespel Ene Stchprobe von =0 Schüler absolvert enen Ftness-Test. De Lestung X wrd mt 0 (schlechte Ftness) bs 0 Punkten (sehr gute Ftness) bewertet Rohdaten (Bespel ): j x j 0 8 sorterte Rohdaten: x 8 0

4 Deskrptve Statstk - Kennwerte Häufgketen und Häufgketsvertelung Maße der zentralen Tendenz Streuungsmaße Zusammenhangsmaße Unterschedsmaße

5 Häufgket Absolute Häufgket h(a) Häufgket für x = a ( =,,, ) Relatve Häufgket f ( a) = h( a)

6 Häufgketsvertelung p h(p) f(p) 0 0 0, 0, 0, , 0, 0, h(p) p: Punkte m Ftness-Test

7 Maße der zentralen Tendenz Modalwert, Medan, Arthmetsches Mttel: Wann welcher Wert? Arthmetsches Mttel: be Intervallskalerung symmetrsche Vertelung be Verallgemenerungen von der Stchprobe auf de Grundgesamthet be Verallgemenerungen von der Stchprobe auf de Grundgesamthet Medan: be Ordnalskalerung be Extremwerten be Abwechungen von der ormalvertelung Modalwert (Modus): be Ordnalskalerung be mehrgpflgen Vertelungen grober Überblck

8 Maße der zentralen Tendenz Arthmetsches Mttel, Mttelwert Medan Modalwert (Modus)

9 Summenzechen n = x = x + x + x x n

10 Arthmetsches Mttel - Mttelwert M = x x = Auch: AM oder x erfordert Intervallskalennveau kene Aussage über de Vertelung/Abwechung der Enzelwerte Bespel: x Mx = 0 *60 = 6 8 0

11 Medan - Modus Medan Md: 50% der Werte legen über, 50% der Werte unter dem Medan. Modus Mo (auch: Mod): Häufgster Wert der Vertelung Wo legen Medan und Modus m Verhältns zum Mttelwert??? Symmetre der Vertelung (Schefe)

12 Md=5 h(p) M=,6 Mo=5 Mo=6

13 Bespel : h(p) Bespel : h(p) M =

14 Streuungsmaße Range Perzentlen Varanz Standardabwechung Varatonskoeffzent

15 Spannwete Range = x max x mn erfordert Intervallskalennveau Anfällg gegenüber Ausreßern Insbesondere angeben be Personendaten (Alter, ) Bespel : x max = 0 x mn = Range = 0 = 8 Bespel : x max = 7 x mn = 5 Range = 7 5 =

16 Varanz ² SDX = = ( x Mx Auch: SD², s², Var(X) SD² st mmer postv Extremwerte haben enen besonders großen Enfluss )² Summe der Abwechungsquadrate

17 Standardabwechung SD = SDX² X SDX = = ( x Mx )² Auch: s Extremwerte haben enen besonders großen Enfluss Achtung: In Statstksoftware wrd häufg durch - getelt! Dese Berechnung st nur snnvoll, wenn de Stchprobe zur Schätzung der Varanz/Standardabwechung auf Populatonsebene genutzt wrd!

18 Bespel : Summe x M = 6 x -M (x -M)² 6 6 Var(X) =, SDX = Var( X ) =,,

19 Bespel : h(p) SD=, Bespel : h(p) M = 6 SD=0,

20 ormalvertelung SD=5 *SD *SD

21 Varatonskoeffzent Ist de Standardabwechung hoch oder nedrg? Standardserung am Mttelwert: V ( X ) = SD M X X Verglechen der Streuungen von unterschedlch skalerten Varablen

22 z-standardserung We stark wecht en Wert x m Verglech zu anderen Werten vom Mttelwert ab? Standardserung an Mttelwert und Standardabwechung: z = x M X SDX Verglech verschedener Werte x und x j (Person mt Person j) Verglech der Merkmalsausprägungen x und y ener Person auf verschedenen Varablen X und Y

23 Bespel : h(p) z= (5-6)/, = -0, SD=, Bespel : h(p) z= (5-6)/0,8 = -,5 M = 6 SD=0,

24 Kovaranz Gemensame Varanz zweer Varablen X und Y: In wefern st X hoch ausgeprägt, wenn Y hoch (nedrg) ausgeprägt st? Bespel aus der Enhet Untersuchungsplanung : Lebenszufredenhet wöchentlche Sportstunden

25 Kovaranz Gemensame Varanz zweer Varablen X und Y: In wefern st X hoch ausgeprägt, wenn Y hoch (nedrg) ausgeprägt st? Bespel zur Objektvtät enes Tests: Testleter Testleter

26 Kovaranz Gemensame Varanz zweer Varablen X und Y: In wefern st X hoch ausgeprägt, wenn Y hoch (nedrg) ausgeprägt st? Bespel zur Relabltät enes Tests: Retest/ Paralleltest Test

27 Kovaranz Gemensame Varanz zweer Varablen X und Y: In wefern st X hoch ausgeprägt, wenn Y hoch (nedrg) ausgeprägt st? Bespel zur Valdtät enes Tests: Krterum Test

28 Kovaranz Gemensame Varanz zweer Varablen X und Y: COV ( X, Y ) = = ( x M x )( y M y ) COV(X,Y) st von Var(X) und Var(Y) abhängg Interpretaton nur unter Berückschtgung von Var(X) und Var(Y) möglch

29 Korrelatonskoeffzent Standardserung der Kovaranz an der Varanz von X und Y: r, Y X = COV ( X VAR( X ) *, Y ) VAR( Y ) = COV ( X, Y ) SDX * SDY Auch: r oder Kor(X,Y) Werteberech: - r r > 0: postver Zusammenhang r = 0: ken Zusammenhang r < 0: negatver Zusammenhang Voraussetzung: Intervallskalennveau

30 Korrelatonskoeffzent r Y X, = KOR( X, Y ) = COV ( X VAR( X ) *, Y ) VAR( Y ) r X, Y = KOR( X, Y ) = COV SD X ( X, Y ) * SD Y

31 Korrelatonskoeffzent )² ( * )² ( ) )( (, y x y x Y X M y M x M y M x r = = = = ) ( * ) ( ), (, Y VAR X VAR Y X COV r Y X = )² ( * )² ( ) )( (, y x y x Y X M y M x M y M x r = = = =

32 Berechnung des Korrelatonskoeffzenten X Y wöch. Sportstunden Lebenszufredenhet x -M y -M (x -M)² (y -M)² (x -M)* (y-m) -,00 -,7,00,6, -,00 -,7,00,6,7 -,00-0,7,00 0,0 0,7 5,00 0,8,00 0,6 0,8 5,00-0,7,00 0,0-0, ,00,8,00,6,67 Summe 8 5,00 6,8 8,00 M,0,,00,, Wurzel,,07 r = = 0,88,, *,07 SD SD Cov

33 Testgütekrteren Hauptgütekrteren ebengütekrteren Objektvtät (anwenderunabhängg) Durchführung Auswertung Interpretaton Relabltät (zuverlässg) Paralleltest Retest Innere Konsstenz (Testhalberung) ormerung Verglechbarket cht-verfälschbarket Ökonome ützlchket Zumutbarket Valdtät (gültg) nhaltlch / Experten Konstrukt krterenbezogen Farness

34 Beurtelung von Testkennwerten nedrg mttel hoch Schwergket > <.0 Trennschärfe (korrgert) Objektvtät (Auswerter) < >.50 < >.0 Relabltät < >.0 Valdtät (unkorrgert) < >.60 Echstchprobe <50 50<<00 >00 (Fssen, 7, S. )

35 AUFGABE =5 Schüler werden zu Ihren Sportnoten und zur Enstellung zum Sport (0: sehr negatve Enstellung; 5: sehr postve Enstellung) befragt: 5 Sportnote Enstellung 5 Berechne jewels M, SD, Var, Range und Md sowe Kov und r für den Zusammenhang der beden Varablen! (Enschl. Rechenweg!) Abgabe bs D, , 0:5 h m Fach von J.-P. Brückner mt Angabe des amens, und des Tutors und Tutorums (rechts oben)

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

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

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

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

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

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas

ANOVA (Analysis of Variance) Varianzanalyse. Statistik Methoden. Ausgangssituation ANOVA. Ao.Prof.DI.Dr Josef Haas Ao.Prof.DI.Dr Josef Haas josef.haas@medungraz.at ANOVA (Analyss of Varance) Varanzanalyse Statstk Methoden Verglech von Mttelwerten Ao.Unv.Prof.DI.Dr. Josef Haas josef.haas@medungraz.at Ausgangsstuaton

Mehr

Analyse von Querschnittsdaten. Bivariate Regression

Analyse von Querschnittsdaten. Bivariate Regression Analse von Querschnttsdaten Bvarate Regresson Warum geht es n den folgenden Stzungen? Kontnuerlche Varablen Deskrptve Modelle kategorale Varablen Datum 3.0.2004 20.0.2004 27.0.2004 03..2004 0..2004 7..2004

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

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

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

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

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

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen

Übungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Lösungen. Übungsklausur Wahrscheinlichkeit und Regression Die Lösungen Übungsklausur Wahrschenlchket und Regresson De Lösungen. Welche der folgenden Aussagen treffen auf en Zufallsexperment zu? a) En Zufallsexperment st en emprsches Phänomen, das n stochastschen Modellen

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

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

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

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

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

Multivariate Analysemethoden

Multivariate Analysemethoden Multvarate Analysemethoden q-q-plot Methode zur Prüfung der Multvaraten Normalvertelung Günter Menhardt Johannes Gutenberg Unverstät Manz Prüfung der NV-Annahme Vertelungsanpassung/Prüfung Prüfung der

Mehr

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9

WS 2016/17 Prof. Dr. Horst Peters , Seite 1 von 9 WS 2016/17 Prof. Dr. Horst Peters 06.12.2016, Sete 1 von 9 Lehrveranstaltung Statstk m Modul Quanttatve Methoden des Studengangs Internatonal Management (Korrelaton, Regresson) 1. Überprüfen Se durch Bestmmung

Mehr

Streuungs-, Schiefe und Wölbungsmaße 1

Streuungs-, Schiefe und Wölbungsmaße 1 aptel IV Streuung-, Schefe und Wölbungmaße B... Lagemaße von äufgketvertelungen geben allen weng Aukunft über ene äufgketvertelung. Se bechreben zwar en Zentrum deer Vertelung, geben aber kenen Anhaltpunkt

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

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

Konzept der Chartanalyse bei Chart-Trend.de

Konzept der Chartanalyse bei Chart-Trend.de Dpl.-Phys.,Dpl.-Math. Jürgen Brandes Konzept der Chartanalyse be Chart-Trend.de Konzept der Chartanalyse be Chart-Trend.de... Bewertungsgrundlagen.... Skala und Symbole.... Trendkanalbewertung.... Bewertung

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

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

Auswertung univariater Datenmengen - deskriptiv

Auswertung univariater Datenmengen - deskriptiv Auswertung unvarater Datenengen - deskrptv Bblografe Prof. Dr. Kück; Statstk, Vorlesungsskrpt Abschntt 6.., 6..4, 6..5 Bleyüller/Gehlert/Gülcher; Statstk für Wrtschaftswssenschaftler Verlag Vahlen Bleyüller/Gehlert;

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

Nomenklatur - Übersicht

Nomenklatur - Übersicht Nomenklatur - Überscht Name der synthetschen Varable Wert der synthetschen Varable durch synth. Varable erklärte Gesamt- Streuung durch synth. Varable erkl. Streuung der enzelnen Varablen Korrelaton zwschen

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

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

5. ZWEI ODER MEHRERE METRISCHE MERKMALE

5. ZWEI ODER MEHRERE METRISCHE MERKMALE 5. ZWEI ODER MEHRERE METRISCHE MERKMALE wenn an ener Beobachtungsenhet zwe (oder mehr) metrsche Varablen erhoben wurden wesentlche Problemstellungen: Frage nach Zusammenhang: Bsp.: Duxbury Press (sehe

Mehr

Quantitative Methoden der Psychologie II

Quantitative Methoden der Psychologie II Quanttatve Methoden der Psychologe II DIE KOVARIAZ Be der Berechnung der Varanz hat man das durchschnttlche Abwechungsquadrat der Werte ener Varablen von hrem Mttelwert berechnet. De Kovaranz st nun en

Mehr

4.2 Grundlagen der Testtheorie

4.2 Grundlagen der Testtheorie 4.2 Grundlagen der Testtheore Wntersemester 2008 / 2009 Hochschule Magdeburg-Stendal (FH) Frau Prof. Dr. Gabrele Helga Franke Deskrptve Statstk 4-1 bs 4-2 1 GHF m WSe 2008 / 2009 an der HS MD-SDL(FH) m

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

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

Man unterscheidet zwischen gewichteten und ungewichteten Faktorwerten.

Man unterscheidet zwischen gewichteten und ungewichteten Faktorwerten. Faktorwerte Da es das Zel der Faktorenanalyse st, de Zahl der Kennwerte zu reduzeren (aus velen Items sollen deutlch wenger Faktoren resulteren, st es nötg, Kennwerte für de Ausprägungen der Personen n

Mehr

(Essentiell) τ-äquivalente Tests:

(Essentiell) τ-äquivalente Tests: (Essentell) τ-äquvalente Tests: τ-äquvalenz: Essentelle τ-äquvalenz: τ τ τ τ +λ Repräsentatonstheore (Exstenzsatz): De Tests,..., snd genau dann τ-äquvalent, wenn ene reelle Zufallsvarable η sowereellekonstantenλ,...,

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

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007

Lehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Übung/Tutorate Statistik II: Schließende Statistik SS 2007 Übung/Tutorate Statstk II: Schleßende Statstk SS 7 Ene kurze Enführung n EXCEL Daten snd n Tabellenform gegeben durch de Engabe von FORMELN können mt desen Daten automatserte Berechnungen durchgeführt

Mehr

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF

Alternative Darstellung des 2-Stichprobentests für Anteile. Beobachtete Response No Response Total absolut DCF CF Alternatve Darstellung des -Stchprobentests für Antele DCF CF Total n= 111 11 3 Response 43 6 69 Resp. Rate 0,387 0,3 0,309 Beobachtete Response No Response Total absolut DCF 43 68 111 CF 6 86 11 69 154

Mehr

Mathematische und statistische Methoden II

Mathematische und statistische Methoden II Methodenlehre e e Prof. Dr. G. Menhardt 6. Stock, Wallstr. 3 (Raum 06-206) Sprechstunde jederzet nach Verenbarung und nach der Vorlesung. Mathematsche und statstsche Methoden II Dr. Malte Perske perske@un-manz.de

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

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A

Klausur zur Vorlesung Lineare Modelle SS 2006 Diplom, Klausur A Lneare Modelle m SS 2006, Prof. Dr. W. Zucchn 1 Klausur zur Vorlesung Lneare Modelle SS 2006 Dplom, Klausur A Aufgabe 1 (18 Punkte) a) Welcher grundsätzlche Untersched besteht n der Interpretaton von festen

Mehr

2.1 Einfache lineare Regression 31

2.1 Einfache lineare Regression 31 .1 Enfache lneare Regresson 31 Regressonsanalyse De Regressonsanalyse gehört zu den am häufgsten engesetzten multvaraten statstschen Auswertungsverfahren. Besonders de multple Regressonsanalyse hat große

Mehr

Schätzfehler in der linearen Regression (1) Einführung

Schätzfehler in der linearen Regression (1) Einführung Schätzfehler ( Reduum: Schätzfehler n der lnearen Regreon ( e Enführung Zel der Regreontattk t e, Schätzglechungen nach dem Krterum der klenten Quadrate aufzutellen und anzugeben, we groß der jewelge Schätzfehler

Mehr

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008.

Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler, Eidgenössische Technische Hochschule, ETH Zürich. 1. Teilprüfung FS 2008. Dr. Jochen Köhler, Edgenösssche Technsche Hochschule, ETH Zürch. Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Lösungen Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 0BTel : Multple

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

Statistische Methoden für Bauingenieure WS 13/14

Statistische Methoden für Bauingenieure WS 13/14 Statstsche Methoden ür Baungeneure WS 3/4 Enhet 3: Bvarate Zuallsvarablen Unv.Pro. Dr. Günter Blöschl Bezechnungen... Zuallsvarable... Realsaton konkrete Werte Momente Grundgesamthet Mttelwert,Varanz Stchprobe

Mehr

8 Logistische Regressionsanalyse

8 Logistische Regressionsanalyse wwwstatstkpaketde 8 Logstsche Regressonsanalyse De logstsche Regressonsanalyse dent der Untersuchung des Enflusses ener quanttatven Varable auf ene qualtatve (n unserem Fall dchotomen Varable Wr gehen

Mehr

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung

Fallstudie 4 Qualitätsregelkarten (SPC) und Versuchsplanung Fallstude 4 Qualtätsregelkarten (SPC) und Versuchsplanung Abgabe: Lösen Se de Aufgabe 1 aus Abschntt I und ene der beden Aufgaben aus Abschntt II! Aufgabentext und Lösungen schrftlch bs zum 31.10.2012

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

Empirische Wirtschaftsforschung

Empirische Wirtschaftsforschung Emprsche Wrtschaftsforschung Prof. Dr. Bernd Süßmuth Unverstät Lepzg Insttut für Emprsche Wrtschaftsforschung Volkswrtschaftslehre, nsbesondere Ökonometre 5. Enfaches OLS-Regressonsmodell 5.1. Herletung

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

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

Ursache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen.

Ursache der Ungewissheit kann dabei z.b. unvollständige Information sein oder unbekannte bzw. nicht beeinflussbare Bedingungen. SS 2013 Prof. Dr. J. Schütze/ J. Puhl/ FB GW Deskr.1 1 Warum Stochastk? Stochastk: Kunst des Mutmaßens (grech.) Mathematsche Stochastk beschäftgt sch mt der Beschrebung und Untersuchung von Erschenungen,

Mehr

3.1 Häufigkeiten bei diskreten Merkmalen Absolute und relative Häufigkeiten Graphische Darstellungen 40

3.1 Häufigkeiten bei diskreten Merkmalen Absolute und relative Häufigkeiten Graphische Darstellungen 40 3 Häufgketen 3. Häufgketen be dskreten Merkmalen 39 3.. Absolute und relatve Häufgketen 39 3..2 Graphsche Darstellungen 40 3.2 Häufgketen be stetgen Merkmalen 42 3.2. Das Prnzp der Klassenbldung 42 3.2.2

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

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

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 8. Übung (08.01.2008) Agenda Agenda Verglech Rasch-Modell vs. 2-parametrsches logstsches Modell nach Brnbaum 2PL-Modelle n Mplus Verglech

Mehr

Statistik. M. Kriener. 15. September 2017

Statistik. M. Kriener. 15. September 2017 Statstk M. Krener 15. September 2017 Inhaltsverzechns 1 Lage und Streuung von Daten 3 1.1 Der Mttelwert - das arthmetsche Mttel......................... 3 1.2 Noch en Mttelwert - der Medan.............................

Mehr

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3)

P[bk t c se(b k) k bk t c se(b k)] 1 (5.1.3) Kaptel 5: Inferenz m multplen Modell 5 Inferenz m multplen Modell 5. Intervallschätzung m multplen Regressonsmodell Analog zum enfachen Regressonsmodell glt: Dem Intervallschätzer der Parameter legt zugrunde,

Mehr

Hausübung 1 Lösungsvorschlag

Hausübung 1 Lösungsvorschlag Hydrologe und Wasserwrtschaft Hausübung Lösungsvorschlag NIDRSCHLAG Hnwes: Be dem vorlegenden Dokument handelt es sch ledglch um enen Lösungsvorschlag und ncht um ene Musterlösung. s besteht ken Anspruch

Mehr

Statistik. von Univ.-Prof. Dr. Karl Mosler Universität zu Köln

Statistik. von Univ.-Prof. Dr. Karl Mosler Universität zu Köln Statstk von Unv.-Prof. Dr. Karl Mosler Unverstät zu Köln Der Begrff Statstk hat m Deutschen mehrere Bedeutungen: Erstens das Ergebns ener Datenerhebung und -auswertung, zwetens de entsprechende Aktvtät,

Mehr

Hydrologie und Flussgebietsmanagement

Hydrologie und Flussgebietsmanagement 13.11.010 Hydrologe und Flussgebetsmanagement o.unv.prof. DI Dr. H.P. Nachtnebel Insttut für Wasserwrtschaft, Hydrologe und konstruktver Wasserbau Glederung der Vorlesung Statstsche Grundlagen Extremwertstatstk

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

Statistik und Wahrscheinlichkeit

Statistik und Wahrscheinlichkeit Regeln der Wahrschenlchketsrechnung tatstk und Wahrschenlchket Regeln der Wahrschenlchketsrechnung Relatve Häufgket n nt := Eregnsalgebra Eregnsraum oder scheres Eregns und n := 00 Wahrschenlchket Eregnsse

Mehr

Grundlagen der psychologischen Testtheorie

Grundlagen der psychologischen Testtheorie Grundlagen der psychologschen Testtheore WS 2016 Dr. Mchael Weber Enführung 1 Defnton enes (psychologschen) Tests En Test st en wssenschaftlches Routneverfahren zur Erfassung enes oder mehrerer emprsch

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

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE

VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE VERGLEICH VON TESTVERFAHREN FÜR DIE DEFORMATIONSANALYSE Karl Rudolf KOCH Knut RIESMEIER In: WELSCH, Walter (Hrsg.) [1983]: Deformatonsanalysen 83 Geometrsche Analyse und Interpretaton von Deformatonen

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

Aufgaben zur Einführung in die Messtechnik Die ISO/BIPM-GUM Sicht: Schätzwert & Messunsicherheit

Aufgaben zur Einführung in die Messtechnik Die ISO/BIPM-GUM Sicht: Schätzwert & Messunsicherheit F Aufgaben zur Enführung n de Messtechnk De ISO/BIPM-GUM Scht: Schätzwert & Messunscherhet Wolfgang Kessel Braunschweg Copyrght 004 Dr.Wolfgang Kessel Braunschweg UPROB0.PPT/F/004--/Ke Messfehler/Enführung

Mehr

1. Teilprüfung FS 2008

1. Teilprüfung FS 2008 . Telprüfung Statstk und Wahrschenlchketsrechnung FS 2008 Dr. J. Köhler ETH Zürch Donnerstag 0. Aprl 2008 08:5 09:45 Vorname:... Name:... Stud. Nr.:... Studenrchtung:... . Telprüfung: Statstk und Wahrschenlchketsrechnung

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

-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

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell

-2 Das einfache Regressionsmodell 2.1 Ein ökonomisches Modell Kaptel : Das enfache Regressonsmodell - Das enfache Regressonsmodell. En ökonomsches Modell Bespel: De Bezehung zwschen Haushaltsenkommen und Leensmttelausgaen Befragung zufällg ausgewählter Haushalte

Mehr

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren

Mehrfachregression: Einfluss mehrerer Merkmale auf ein metrisches Merkmal. Designmatrix Bestimmtheitsmaß F-Test T-Test für einzelne Regressoren Mehrfachregresson: Enfluss mehrerer Merkmale auf en metrsches Merkmal Desgnmatrx Bestmmthetsmaß F-Test T-Test für enzelne Regressoren Mehrfachregresson Bvarat: x b b y + = 0 ˆ k k x b x b x b b y + + +

Mehr

Schiefe- und Konzentrationsmaße

Schiefe- und Konzentrationsmaße Statstk für SozologIe Schefe- ud Kozetratosmaße Uv.Prof. Dr. Marcus Hudec Höhere Vertelugsmaßzahle E stetges Merkmal wurde 3 Gruppe beobachtet ud Form der folgede Häufgketstabelle berchtet: Klasse m Gruppe

Mehr

Klausuren zum Üben. Gesamtdauer der Anrufe in [Min]: bis 20 bis 40 bis 60 bis 90 bis 120 Anzahl der Schüler/innen:

Klausuren zum Üben. Gesamtdauer der Anrufe in [Min]: bis 20 bis 40 bis 60 bis 90 bis 120 Anzahl der Schüler/innen: Klausuren zum Üben Aufgabentyp I. Unter den Schülernnen und Schülern der Klassenstufe 5 ener Realschule bestzen 40 en Handy. Unter desen wurde ene Erhebung durchgeführt über de Anzahl von Anrufen (Merkmal

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

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

18. Dynamisches Programmieren

18. Dynamisches Programmieren 8. Dynamsches Programmeren Dynamsche Programmerung we gerge Algorthmen ene Algorthmenmethode, um Optmerungsprobleme zu lösen. We Dvde&Conquer berechnet Dynamsche Programmerung Lösung enes Problems aus

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

Übung zu Erwartungswert und Standardabweichung

Übung zu Erwartungswert und Standardabweichung Aufgabe Übung zu Erwartungswert und Standardabwechung In ener Lottere gewnnen 5 % der Lose 5, 0 % der Lose 0 und 5 % der Lose. En Los kostet 2,50. a)berechnen Se den Erwartungswert für den Gewnn! b)der

Mehr

Teil E: Qualitative abhängige Variable in Regressionsmodellen

Teil E: Qualitative abhängige Variable in Regressionsmodellen Tel E: Qualtatve abhängge Varable n Regressonsmodellen 1. Qualtatve abhängge Varable Grundlegendes Problem: In velen Fällen st de abhängge Varable nur über enen bestmmten Werteberech beobachtbar. Bsp.

Mehr

Übung zur Vorlesung - Theorien Psychometrischer Tests II

Übung zur Vorlesung - Theorien Psychometrischer Tests II Übung zur Vorlesung - Theoren Psychometrscher Tests II N. Rose 9. Übung (15.01.2009) Agenda Agenda 3-parametrsches logstsches Modell nach Brnbaum Lnkfunktonen 3PL-Modell nach Brnbaum Modellglechung ( =

Mehr

Carlton, M., Devore, J. Probability with Applications in Engineering, Science, and Technology, Springer 2014

Carlton, M., Devore, J. Probability with Applications in Engineering, Science, and Technology, Springer 2014 Lteratur Moon Jung Cho, Wendy L. Martnez Statstcs n MATLAB: A Prmer, Chapman and Hall/CRC 2014 Carlton, M., Devore, J. Probablty wth Applcatons n Engneerng, Scence, and Technology, Sprnger 2014 Sheldon

Mehr

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n

Regressionsgerade. x x 1 x 2 x 3... x n y y 1 y 2 y 3... y n Regressonsgerade x x x x 3... x n y y y y 3... y n Bem Auswerten von Messrehen wrd häufg ene durch theoretsche Überlegungen nahegelegte lneare Bezehung zwschen den x- und y- Werten gesucht, d.h. ene Gerade

Mehr

1 - Prüfungsvorbereitungsseminar

1 - Prüfungsvorbereitungsseminar 1 - Prüfungsvorberetungssemnar Kaptel 1 Grundlagen der Buchführung Inventur Inventar Blanz Inventur st de Tätgket des mengenmäßgen Erfassens und Bewertens aller Vermögenstele und Schulden zu enem bestmmten

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

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

1.1 Grundbegriffe und Grundgesetze 29

1.1 Grundbegriffe und Grundgesetze 29 1.1 Grundbegrffe und Grundgesetze 9 mt dem udrtschen Temperturkoeffzenten 0 (Enhet: K - ) T 1 d 0. (1.60) 0 dt T 93 K Betrchtet mn nun den elektrschen Wderstnd enes von enem homogenen elektrschen Feld

Mehr

1 BWL 4 Tutorium V vom 15.05.02

1 BWL 4 Tutorium V vom 15.05.02 1 BWL 4 Tutorum V vom 15.05.02 1.1 Der Tlgungsfaktor Der Tlgungsfaktor st der Kehrwert des Endwertfaktors (EWF). EW F (n; ) = (1 + )n 1 T F (n; ) = 1 BWL 4 TUTORIUM V VOM 15.05.02 (1 ) n 1 Mt dem Tlgungsfaktor(TF)

Mehr

Deskriptive Statistik2 Durchschnittswert (der arithmetische Mittelwert)

Deskriptive Statistik2 Durchschnittswert (der arithmetische Mittelwert) Lagemasse, Lokatosmasse Lageparameter. Charakterserug das Zetrum der Date Deskrptve Statstk Durchschttswert (der arthmetsche Mttelwert) average(...) Mttelwert(...) K (Modalwert, Dchtemttel): der Wert mt

Mehr

Übung zur Vorlesung. Informationstheorie und Codierung

Übung zur Vorlesung. Informationstheorie und Codierung Übung zur Vorlesung Informatonstheore und Coderung Prof. Dr. Lla Lajm März 25 Ostfala Hochschule für angewandte Wssenschaften Hochschule Braunschweg/Wolfenbüttel Postanschrft: Salzdahlumer Str. 46/48 3832

Mehr

Regression und Korrelation

Regression und Korrelation Regresson und Korrelaton von Ac Enstegsaufgabe lneare Regresson: Durch de 3 Punkte P/, P4/5, P39/6 st ene Mn-Punktwolke gegeben. Gesucht st dejenge Gerade g, welche n der Nähe der Punkte verläuft und de

Mehr

Statistik mit Excel und SPSS

Statistik mit Excel und SPSS Stattk mt Excel ud SPSS G. Kargl Grudbegrffe Grudgeamthet Erhebugehet Merkmale Werteberech Stchprobe Telbereche der Stattk: Dekrtpve Stattk Iduktve Stattk Exploratve Stattk U- / B- / Multvarate Stattk

Mehr

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen

Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayessches Lernen Unverstät Potsdam Insttut für Informatk Lehrstuhl Maschnelles Lernen Bayessches Lernen Chrstoph Sawade/Nels Landwehr Jules Rasetaharson Tobas Scheffer Überblck Wahrschenlchketen, Erwartungswerte, Varanz

Mehr

Institut für Technische Chemie Technische Universität Clausthal

Institut für Technische Chemie Technische Universität Clausthal Insttut für Technsche Cheme Technsche Unverstät Clusthl Technsch-chemsches Prktkum TCB Versuch: Wärmeübertrgung: Doppelrohrwärmeustuscher m Glechstrom- und Gegenstrombetreb Enletung ür de Auslegung von

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