3.1 Häufigkeiten bei diskreten Merkmalen Absolute und relative Häufigkeiten Graphische Darstellungen 40
|
|
- Johannes Glöckner
- vor 7 Jahren
- Abrufe
Transkript
1 3 Häufgketen 3. Häufgketen be dskreten Merkmalen Absolute und relatve Häufgketen Graphsche Darstellungen Häufgketen be stetgen Merkmalen Das Prnzp der Klassenbldung Graphsche Darstellungen De emprsche Vertelungsfunkton dmensonale Häufgketen De Kontngenztafel De Beschrebung ener Assozaton Ausblck auf de nduktve Statstk 52
2 Basswssen Medznsche Statstk Inhaltlche Struktur: klare Glederung durch alle Kaptel Schlüsselbegrffe: snd fett und kursv hervorgehoben 38 Kaptel 3 Häufgketen Letsystem: schnelle Orenterung über alle Kaptel Info: zusätzlche Informatonen zum jewelgen Thema Verwese auf Kaptel, Tabellen, Herletungen und Bespele: deutlch herausgestellt und lecht zu fnden Bespele: zum besseren Verständns des Stoffes Tabellen: klar und überschtlch gegledert 3 3. Häufgketen be dskreten Merkmalen 3.. Absolute und relatve Häufgketen Um sch enen Überblck bezüglch wesentlcher Egenschaften enes Merkmals anzuegnen, begnnt man mt der Häufgketsvertelung. Dese Vertelung beschrebt, we häufg de enzelnen Merkmalsausprägungen n der Stchprobe zu fnden snd. k n = n (3.) = Be dem Summen-Zechen handelt es sch um den grechschen Buchstaben Sgma. Damt werden Summen n verkürzter Schrebwese k dargestellt. Der Ausdruck n entsprcht der Summe n + n nk. = In der Praxs gewnnt man de Häufgketen am enfachsten durch das Erstellen ener Strchlste oder wenger mühsam mttels ener geegneten Software ( Bespel 3.). Bespel 3. Wr betrachten das qualtatve Merkmal Blutgruppe mt den Daten der n Tabelle 2. aufgelsteten Stchprobe von n = 7 Beobachtungsenheten. Es ergeben sch folgende Häufgketen: Ausprägung absolute Häufgketen relatve Häufgketen A =Blutgruppe 0 n = 28 h = 39 % A 2 =Blutgruppe A n 2 = 3 h 2 = 44 % A 3 =Blutgruppe B n 3 = 9 h 3 = 3 % A 4 =Blutgruppe AB n 4 = 3 h 4 = 4 % Summe n = 7 00 %! De relatve Häufgket wrd oft n Prozentwerten angegeben. Da der Ausdruck Prozent von Hundert bedeutet, snd derle Angaben nur be enem hnrechend großen Stchprobenumfang snnvoll. Wenn man be kleneren Stchproben mt wenger als 50 Beobachtungsenheten Prozente berechnet, täuscht man ene höhere Genaugket vor als n Wrklchket vorhanden st. In desen Fällen sollte man anstelle der Prozentangaben enfache Quotenten bevorzugen we z. B.: De relatve Häufgket der Blutgruppe A be den männlchen Studenten beträgt 0/23. Cave: Vorscht Fallstrcke!
3 Navgaton: Setenzahl und Kaptelnummer für de schnelle Orenterung 3. Häufgketen be dskreten Merkmalen 39 3 Abb. 3. Kresdagramm; Darstellung der Häufgketen des Merkmals Blutgruppe (Bespel 3.) Zahlreche Abbldungen: veranschaulchen komplzerte und komplexe Sachverhalte Mathematsche Herletung des Korrelatonskoeffzneten nach Pearson Es st offenkundg, dass de Kovaranz s xy genau dann maxmal wrd, wenn der Zusammenhang funktonal st und durch ene lneare Glechung y = a+ bx exakt beschreben werden kann. Dann erhält man nach den Defntonen der Kovaranz und der Varanz n (5.) und (4.6): n n n xy nxy x( a + bx) nx( a + bx) b( 2 2 x nx ) = = = sxy = = = = bs n n n Für de Varanz s 2 y ergbt sch: n ( y y) n 2 b ( x x) 2 2 = = 2 = bs = = 2 2 y x s n n 2 Für postves b st sy = bsx und sxy = bsx = sx sy. Für negatves b folgt analog: sy = bsx und sxy = sx sy. Da es sch herbe um de beden Extremfälle handelt, folgt für de Kovaranz: sx sy sxy sx sy. Daraus ergbt sch für sxy den Korrelatonskoeffzenten r = : r. sx sy 2 x Herletungen: Logsches Nachvollzehen ener Formel zum besseren Verständns Merke Anhand enes Dagramms lassen sch be quanttatven Merkmalen folgende Egenschaften ablesen: Lage: In welchem Berech konzentreren sch de Werte? Welches st der größte, welches der klenste Wert? Welche Ausprägungen snd häufg, welche selten oder gar ncht vertreten? Streuung: Streuen de Werte wet um den Mttelwert? Gbt es Ausreßer? Form: Hat de Vertelung ene besondere Form? Ist se symmetrsch oder schef? We vele Gpfel snd erkennbar? Merke: das Wchtgste auf den Punkt gebracht Aufzählungen: Lernnhalte überschtlch präsentert Sagen Se uns Ihre Menung!
4
5 3. Häufgketen be dskreten Merkmalen Häufgketen be dskreten Merkmalen 3.. Absolute und relatve Häufgketen Um sch enen Überblck bezüglch wesentlcher Egenschaften enes Merkmals anzuegnen, begnnt man mt der Häufgketsvertelung. Dese Vertelung beschrebt, we häufg de enzelnen Merkmalsausprägungen n der Stchprobe zu fnden snd. Häufgketen lassen sch für jedes Merkmal und jedes Skalennveau ermtteln. In den Abschntten 3. und 3.2 werden getrennt für dskrete und stetge Merkmale Häufgketsbegrffe erörtert und graphsche Darstellungen vorgestellt. Zu den dskreten Merkmalen zählen alle qualtatven sowe de quanttatv-dskreten Merkmale. De Anzahl der Ausprägungen st n der Regel wesentlch klener als der Stchprobenumfang und damt überschaubar. So gehören bespelswese zum qualtatven Merkmal Blutgruppe de ver Ausprägungen 0, A, B und AB. Durch enfaches Abzählen lässt sch ermtteln, we häufg de enzelnen Ausprägungen n der Stchprobe vertreten snd. Allgemen formulert man desen Sachverhalt folgendermaßen: En dskretes Merkmal A habe k verschedene Ausprägungen A,..., A k. De absolute Häufgket ener Ausprägung A wrd mt n bezechnet. Der Buchstabe st der so genannte Laufndex, der zwschen und k varert. De Summe aller absoluten Häufgketen n entsprcht der Anzahl der Beobachtungsenheten n der Stchprobe das st der Stchprobenumfang n: k n = n (3.) = Be dem Summen-Zechen Σ handelt es sch um den grechschen Buchstaben Sgma. Damt werden Summen n verkürzter Schrebwese k dargestellt. Der Ausdruck n entsprcht der Summe n + n nk. = Unter der relatven Häufgket h ener Ausprägung den Quotenten h n n A versteht man = (3.2)
6 40 Kaptel 3 Häufgketen Aus deser Defnton folgt, dass 0 h, und dass sch de relatven Häufgketen aller Ausprägungen zu aufadderen: 3 k = k n = n = = = h (3.3) n n In der Praxs gewnnt man de Häufgketen am enfachsten durch das Erstellen ener Strchlste oder wenger mühsam mttels ener geegneten Software ( Bespel 3.). Bespel 3. Wr betrachten das qualtatve Merkmal Blutgruppe mt den Daten der n Tabelle 2. aufgelsteten Stchprobe von n = 7 Beobachtungsenheten. Es ergeben sch folgende Häufgketen: Ausprägung absolute Häufgketen relatve Häufgketen A =Blutgruppe 0 n = 28 h = 39 % A 2 =Blutgruppe A n 2 = 3 h 2 = 44 % A 3 =Blutgruppe B n 3 = 9 h 3 = 3 % A 4 =Blutgruppe AB n 4 = 3 h 4 = 4 % Summe n = 7 00 %! De relatve Häufgket wrd oft n Prozentwerten angegeben. Da der Ausdruck Prozent von Hundert bedeutet, snd derle Angaben nur be enem hnrechend großen Stchprobenumfang snnvoll. Wenn man be kleneren Stchproben mt wenger als 50 Beobachtungsenheten Prozente berechnet, täuscht man ene höhere Genaugket vor als n Wrklchket vorhanden st. In desen Fällen sollte man anstelle der Prozentangaben enfache Quotenten bevorzugen we z. B.: De relatve Häufgket der Blutgruppe A be den männlchen Studenten beträgt 0/ Graphsche Darstellungen Graphsche Darstellungen brngen de oben beschrebenen Sachverhalte prägnant zum Ausdruck. Kresdagramm. Be deser Darstellung geben de enzelnen Kressektoren de Häufgketen n weder. Anstelle der absoluten Häufgketen n lassen sch auch de relatven Häufgketen h darstellen; dabe ändert sch nur der Maßstab des Dagramms, ncht jedoch dessen Aussehen. Be enem Kresdagramm kommt allerdngs
7 3. Häufgketen be dskreten Merkmalen 4 3 ncht (zumndest ncht auf den ersten Blck) zur Geltung, welches de klenste oder de größte Ausprägung st deshalb egnet sch dese Art der Darstellung nur für nomnal skalerte Merkmale ( Abbldung 3.). Rechteckdagramm (oder Blockdagramm). Her st en Rechteck entsprechend der enzelnen Häufgketen untertelt. Dese Darstellung egnet sch auch für ordnal skalerte Merkmale, da de klenste und de größte Ausprägung zu erkennen snd. Balkendagramm. Dese Art von Dagrammen egnet sch für alle dskreten Merkmale. De Längen der enzelnen Balken entsprechen den Häufgketen n oder h ( Abbldung 3.2). Dabe snd zahlreche Varanten denkbar. De 2-dmensonalen Balken lassen sch durch -dmensonale Strche oder 3-dmensonale Säulen ersetzen. Be senkrechter Anordnung sprcht man auch von enem Säulendagramm; wenn anstelle der Säulen -dmensonale Strche verwendet werden, bezechnet man des als Stabdagramm. Darüber hnaus können de Balken horzontal anstatt vertkal angeordnet werden; bezüglch Farben, Mustern und Hntergründen snd ncht zuletzt dank geegneter Software- und Hardwareprodukte der Phantase kene Grenzen gesetzt. Man sollte jedoch be solchen Darstellungen vor allem darauf achten, dass de wesentlchen Egenschaften der Häufgketsvertelung optmal zur Geltung kommen und ncht zugunsten optscher Effekte n den Hntergrund treten. Abb. 3. Kresdagramm; Darstellung der Häufgketen des Merkmals Blutgruppe (Bespel 3.) Abb. 3.2 Balkendagramm; Darstellung der Häufgketen des Merkmals Anzahl rchtg gelöster Klausuraufgaben
8 42 Kaptel 3 Häufgketen 3 Punktedagramm. Des st ene Darstellung enfachster Art für quanttatve Merkmale. De Stchprobenwerte werden entlang ener Achse (de waagrecht oder senkrecht angeordnet sen kann) als enzelne Punkte engetragen. Dese Art der Darstellung egnet sch wenger zu Präsentatonszwecken als velmehr dazu, schnell und enfach enen Überblck über de Häufgketsvertelung zu gewnnen. 3.2 Häufgketen be stetgen Merkmalen 3.2. Das Prnzp der Klassenbldung Be der Erfassung enes stetgen Merkmals (z. B. der Körpergröße) werden bedngt durch de begrenzte Messgenaugket de gemessenen Werte m Enzelfall auf- oder abgerundet. Im Verglech zum Stchprobenumfang ergeben sch zahlreche Ausprägungen, deren Häufgketen mest gerng und daher weng nformatv snd. So schwankt bespelswese de Körpergröße der Studenten n Tabelle 2. zwschen 56 cm und 96 cm des snd 4 verschedene Werte für 7 Beobachtungsenheten. Davon haben 4 Ausprägungen de Häufgket 0, neun snd nur enmal vertreten. Es erwest sch n solchen Fällen als snnvoll, mehrere nebenenander legende Ausprägungen zusammenzufassen und Klassen zu blden. Des st auch be enem quanttatv-dskreten Merkmal mt extrem velen, fen abgestuften Ausprägungen gerechtfertgt (z. B. de Leukozytenanzahl). En solches Merkmal kann für praktsche Analysen we en stetges Merkmal behandelt werden. Damt verbndet sch de Frage, we de Anzahl der Klassen und deren Breten festzulegen snd. Be sehr velen, schmalen Klassen st de Darstellung unüberschtlch und der Vertelungstyp schwer erkennbar. Dagegen st ene gernge Anzahl von breten Klassen mt enem hohen Informatonsverlust verbunden; charakterstsche Egenschaften der Vertelung werden eventuell verdeckt. Es gbt bezüglch der Klassenbldung zwar kene strengen Vorschrften, jedoch enge Faustregeln, de enen Kompromss zwschen ener überschtlchen Darstellung enersets und enem gerngen Informatonsverlust anderersets benhalten: De Klassenanzahl k rchtet sch nach dem Stchprobenumfang n. Als Anhaltspunkt glt: k n. Für größere Stchprobenumfänge n 000 verwendet man k 0 lg n (wobe lg der Zehnerlogarthmus bedeutet), damt de Klassenanzahl ncht zu groß wrd.
9 3.2 Häufgketen be stetgen Merkmalen 43 3 Wenger als dre Klassen snd generell ncht snnvoll. Am überschtlchsten st de Darstellung, wenn de Klassenbreten glech snd. Wenn jedoch Ausreßer vorhanden snd, st es eventuell snnvoll, am jewelgen Rand ene brete Klasse zu blden. Klassen mt den Grenzen - oder + snd zu vermeden. Es muss endeutg geklärt sen, welcher Klasse en Datum zugeordnet wrd, das auf ene Klassengrenze fällt. Man umgeht deses Problem, ndem man de Grenzen so defnert, dass se ncht mt Werten der Stchprobe zusammenfallen. Ansonsten muss man de Klassen als halboffene Intervalle festlegen (mest benutzt man Intervalle, de lnks offen und rechts abgeschlossen snd). Be klasserten Daten ermttelt man de absolute Häufgket oder de Besetzungszahl ener Klasse und bezechnet dese als n. Der Laufndex kennzechnet de Klassen n aufstegender Rehenfolge ( = bezechnet also de erste Klasse mt den klensten Messwerten, = k de letzte Klasse mt den größten Werten). Baserend auf den absoluten Häufgketen n berechnet man de relatven Klassenhäufgketen h ebenso we be dskreten Merkmalen. Bespel 3.2 De Messwerte für de Körpergröße der 7 Studenten n Tabelle 2. vareren zwschen 56 und 96 cm. Das Intervall (52,5 cm; 97,5 cm) wrd n 9 Klassen der Klassenbrete 5 cm engetelt. Dadurch st gewährlestet, dass ken Messwert auf ene Klassengrenze fällt. Laufndex Klassengrenzen n cm absolute Häufgket n relatve Häufgket h absolute Summenh. N relatve Summenh. (52,5 ; 57,5) 5 0,07 5 0,07 2 (57,5 ; 62,5) 2 0,03 7 0,0 3 (62,5 ; 67,5) 0 0,4 7 0,24 4 (67,5 ; 72,5) 8 0, ,49 5 (72,5 ; 77,5) 2 0,7 47 0,66 6 (77,5 ; 82,5) 7 0, ,90 7 (82,5 ; 87,5) 3 0, ,94 8 (87,5 ; 92,5) 0,0 68 0,96 9 (92,5 ; 97,5) 3 0,04 7 Um de Häufgketsbegrffe zu verdeutlchen, betrachten wr de 4. Klasse. De absolute und de relatve Häufgket n 4 bzw. h 4 bedeuten: 8 Studenten (das entsprcht 25 %) haben ene Körpergröße zwschen 67,5 cm und 72,5 cm. De absolute und de relatve Summenhäufgket ( Abschntt 3.3) N 4 bzw. H 4 besagen, dass 35 nsgesamt Studenten bzw. 49 % klener als 72,5 cm snd. H
10 44 Kaptel 3 Häufgketen Wenn ene Intervallgrenze durch ene runde Klammer angegeben wrd, bedeutet des, dass der Grenzwert ncht m Intervall enthalten st. Ene eckge Klammer ([ oder ]) zegt an, dass der Grenzwert zum Intervall gehört. 3! In früheren Zeten als man enen Mttelwert noch per Hand oder mt enem Taschenrechner ermttelte erlechterte man sch be umfangrechem Datenmateral de Arbet, ndem man de Daten n ene überschaubare Anzahl von Klassen zusammenfasste und den Mttelwert und andere Kenngrößen aus den Klassenmtten ermttelte. Deshalb legte man Wert darauf, dass de Klassenmtten rechentechnsch günstge Werte waren. Heute m Zetalter benutzerfreundlcher Statstksoftware st deses Argument obsolet. De Entelung n Klassen wrd hauptsächlch vorgenommen, um de Daten überschtlch graphsch darzustellen Graphsche Darstellungen Hstogramm. Be deser Darstellung wrd jede Klasse durch en Rechteck repräsentert, dessen Flächen proportonal zu den jewelgen Klassenhäufgketen snd. Am überschtlchsten st en Hstogramm mt glechen Klassenbreten ( Abbldung 3.3); dann snd auch de Höhen der Rechtecke proportonal zu den Häufgketen. Falls Daten auf ene Klassengrenze fallen, muss gekennzechnet werden, welcher Klasse dese Daten zugerechnet werden (üblcherwese wählt man de untere Klasse). De mathematsche Funkton, de en Hstogramm beschrebt, bezechnet man als emprsche Dchte. Se st defnert als: 0 für x a0 h f x = a < x a = k 0 für x > ak ( ) für (,..., ) a a (3.4) Dabe snd a und a de untere bzw. de obere Grenze der. Klasse, k st de Klassenanzahl. Deses Hstogramm besteht aus k Rechtecken der Fläche h. De Gesamtfläche hat den Wert. Häufgketspolygon. Dese Darstellung erhält man, ndem man senkrecht auf de Klassenmtten Strecken n Höhe der entsprechenden Häufgketen aufträgt und deren Endpunkte mtenander verbndet ( Abbldung 3.4).
11 3.2 Häufgketen be stetgen Merkmalen 45 3 Stamm-und-Blatt-Dagramm. Her werden de Daten zunächst nach hrer Größe geordnet und dann von unten nach oben aufgetragen. Der Stamm besteht aus den ersten Stellen der Stchprobenwerte, de Blätter stellen de folgenden Zffern dar ( Abbldung 3.5). Dese Darstellung benutzt man, um sch enen schnellen Überblck über de Häufgketsvertelung zu verschaffen. Für Präsentatonszwecke st se wenger geegnet. Ene graphsche Darstellung lefert zwar auf enen Blck wesentlche Informatonen; se allen st jedoch für ene statstsche Datenanalyse unzurechend. Kenngrößen, de de oben genannten Egenschaften quanttatv beschreben, snd Gegenstand des Kaptels 4. Abb. 3.3 Hstogramm für das Merkmal Körpergröße (Bespel 3.2), Entelung n 9 Klassen Abb. 3.4 Häufgketspolygon für das Merkmal Körpergröße (Bespel 3.2) Abb. 3.5 Stamm- und Blattdagramm; Darstellung der Körpergewchte der männlchen Studenten
12 46 Kaptel 3 Häufgketen 3 Merke Anhand enes Dagramms lassen sch be quanttatven Merkmalen folgende Egenschaften ablesen: Lage: In welchem Berech konzentreren sch de Werte? Welches st der größte, welches der klenste Wert? Welche Ausprägungen snd häufg, welche selten oder gar ncht vertreten? Streuung: Streuen de Werte wet um den Mttelwert? Gbt es Ausreßer? Form: Hat de Vertelung ene besondere Form? Ist se symmetrsch oder schef? We vele Gpfel snd erkennbar? 3.3 De emprsche Vertelungsfunkton Be quanttatven oder ordnal skalerten Merkmalen mag es snnvoll sen, de Häufgketen begnnend be der klensten Ausprägung n aufstegender Rehenfolge aufzuadderen. Dadurch erhält man de Anzahl der Daten, de ene bestmmte obere Grenze ncht überschreten. Dese Häufgketen nennt man kumulatve oder Summenhäufgketen. Unter der Annahme, dass de Ausprägungen sortert snd mt A < A <... < A k, glt für de absoluten Summenhäufgketen: 2 N = n (für =,..., k ) (3.5) j= j De relatven Summenhäufgketen snd entsprechend defnert als: H = h (für =,..., k ) (3.6) j= j De zu den enzelnen Ausprägungen gehörenden relatven Summenhäufgketen H werden durch de emprsche Vertelungsfunkton F (x) mathematsch beschreben: 0 für x < A F( x) = H für A x < A+ ( =,..., k ) für x Ak (3.7)
13 3.3 De emprsche Vertelungsfunkton 47 3 Bespel 3.3 Für de Körpergrößen der Studenten ergeben sch mt den Daten aus Tabelle 2. folgende Summenhäufgketen, auf denen de emprsche Vertelungsfunkton basert ( Abbldung 3.6). Angegeben snd de absoluten und relatven Häufgketen n und h sowe de Summenhäufgketen N und H. Ausprägung Körpergröße n h N H A ,04 3 0,04 A ,03 5 0,07 A3 60 0,0 6 0,08 A4 62 0,0 7 0,0 A ,03 9 0,3 A ,03 0,5 A ,06 5 0,2 A8 66 0,0 6 0,23 A9 67 0,0 7 0,24 A , ,32 A , ,35 A , ,4 A , ,49 A , ,54 A ,04 4 0,58 A , ,6 A , ,65 A8 77 0,0 47 0,66 A , ,73 A , ,77 A , 63 0,89 A ,0 64 0,90 A ,0 65 0,92 A , ,94 A ,0 68 0,96 A , ,99 A ,0 7 F (x) gbt de relatven Häufgketen an, mt der n der Stchprobe Werte vorhanden snd, de glech x oder klener als x snd. Für das obge Bespel 3.3 glt etwa: F ( 72) = 0, 49. Das bedeutet: Knapp de Hälfte der Studenten st 72 cm groß oder klener; 5 % snd größer als 72 cm.
14 48 Kaptel 3 Häufgketen 3 Abb. 3.6 emprsche Vertelungsfunkton F( x ) für das Merkmal Körpergröße (Bespel 3.3) De Abbldung 3.6 verdeutlcht wesentlche Egenschaften der Vertelungsfunkton F (x) : F (x) st ene Treppenfunkton; F ( x) = 0 für alle x, de klener als der klenste Stchprobenwert x mn snd; F(x) wächst ab x mn monoton von 0 bs ; F ( x) = ab dem größten Wert x max. Ene Funkton heßt monoton wachsend, wenn für zwe x-werte mt x < x2 glt: F( x) F( x2). Falls sogar glt: F( x) < F( x2) für x < x2, heßt de Funkton streng monoton wachsend. De emprsche Vertelungsfunkton F( x ) st demnach monoton, aber ncht streng monoton wachsend. Be fen abgestuften Ausprägungen st de Anzahl der Treppen zahlrech und de Stufen snd entsprechend nedrg; de Treppenfunkton nähert sch ener glatten Kurve. In der Pharmakologe werden Vertelungsfunktonen zur Analyse der dossabhänggen Wrksamket enes Pharmakons verwendet. Dabe beschrebt de emprsche Funkton F (x) den relatven Antel der Untersuchungsenheten, be denen en Effekt der Doss x erkennbar st. De graphsche Darstellung von F (x) bezechnet man als Dosswrkungskurve. Auch n der Labormedzn arbetet man häufg mt der Vertelungsfunkton. Wenn etwa für enen Cholesternwert x glt F ( x) = 0, 98, nformert dese Angabe darüber, dass deser Wert m oberen 2%-Berech legt.
15
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
MehrAuswertung 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;
MehrFORMELSAMMLUNG 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
MehrDaten 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
MehrFunktionsgleichungen 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
Mehrwird 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
MehrAuswertung 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;
Mehr6. 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
MehrItemanalyse 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
MehrErwartungswert, 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
MehrUrsache 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,
MehrLehrstuhl 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
MehrKursthemen 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)
MehrKonkave 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
MehrBeschreibung 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
MehrLösungen 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
Mehr3. 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
MehrMusterklausur 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
Mehrnonparametrische 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
MehrGrundlagen 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
MehrStandardnormalverteilung / 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
MehrFlußnetzwerke - Strukturbildung in der natürlichen Umwelt -
Flußnetzwerke - Strukturbldung n der natürlchen Umwelt - Volkhard Nordmeer, Claus Zeger und Hans Joachm Schlchtng Unverstät - Gesamthochschule Essen Das wohl bekannteste und größte exsterende natürlche
MehrZufallsvariable, 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
MehrKlasse : 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
Mehr6.5. 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
Mehr3.3 Lineare Abbildungen und Matrizen
33 LINEARE ABBILDUNGEN UND MATRIZEN 87 33 Lneare Abbldungen und Matrzen Wr wollen jetzt de numersche Behandlung lnearer Abbldungen zwschen Vektorräumen beschreben be der vorgegebene Basen de Hauptrolle
MehrPolygonalisierung 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
MehrBeschreibende 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 )
MehrMathematik 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
MehrLineare 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:
MehrIonenselektive Elektroden (Potentiometrie)
III.4.1 Ionenselektve Elektroden (otentometre) Zelstellung des Versuches Ionenselektve Elektroden gestatten ene verhältnsmäßg enfache und schnelle Bestmmung von Ionenkonzentratonen n verschedenen Meden,
MehrDiskrete Mathematik 1 WS 2008/09
Ruhr-Unverstät Bochum Lehrstuhl für Kryptologe und IT-Scherhet Prof. Dr. Alexander May M. Rtzenhofen, M. Mansour Al Sawad, A. Meurer Lösungsblatt zur Vorlesung Dskrete Mathematk 1 WS 2008/09 Blatt 7 /
MehrQuantitatives Prognosemodell für die Anwendung des Black-Litterman-Verfahrens
Quanttatves Prognosemodell für de Anwendung des Black-Ltterman-Verfahrens Franzska Felke* und Marc Gürtler** Abstract: De chätzung erwarteter Wertpaperrendten stellt ene der zentralen Aufgaben n der praktschen
MehrAnalyse 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
Mehr3.2 Die Kennzeichnung von Partikeln 3.2.1 Partikelmerkmale
3. De Kennzechnung von Patkeln 3..1 Patkelmekmale De Kennzechnung von Patkeln efolgt duch bestmmte, an dem Patkel mess bae und deses endeutg beschebende physka lsche Gößen (z.b. Masse, Volumen, chaaktestsche
MehrStatistik 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
Mehr1 Mehrdimensionale Analysis
1 Mehrdmensonale Analyss Bespel: De Gesamtmasse der Erde st ene Funton der Erddchte ρ Erde und des Erdradus r Erde De Gesamtmasse der Erde st dann m Erde = V Erde ρ Erde Das Volumen ener Kugel mt Radus
Mehr5. 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
MehrDatenaufbereitung und Darstellung
Datenaufberetung und Darstellung 1 Glederung: Zel der Datenaufberetung und Darstellung Datenverdchtung Tabellen und grafsche Darstellungen Darstellung unvarater Datenmengen Darstellung multvarater Daten
Mehr6 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.
Mehrω 0 = Protokoll zu Versuch E6: Elektrische Resonanz
Protokoll zu Versuch E6: Elektrsche esonanz. Enletung En Schwngkres st ene elektrsche Schaltung, de aus Kapaztät, Induktvtät und ohmschen Wderstand besteht. Stmmt de Frequenz der anregenden Wechselspannung
MehrPraktikum Physikalische Chemie I (C-2) Versuch Nr. 6
Praktkum Physkalsche Cheme I (C-2) Versuch Nr. 6 Konduktometrsche Ttratonen von Säuren und Basen sowe Fällungsttratonen Praktkumsaufgaben 1. Ttreren Se konduktometrsch Schwefelsäure mt Natronlauge und
MehrSpiele und Codes. Rafael Mechtel
Spele und Codes Rafael Mechtel Koderungstheore Worum es geht Über enen Kanal werden Informatonen Übertragen. De Informatonen werden dabe n Worte über enem Alphabet Q übertragen, d.h. als Tupel w = (w,,
MehrFür 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
MehrMethoden der innerbetrieblichen Leistungsverrechnung
Methoden der nnerbetreblchen Lestungsverrechnung In der nnerbetreblchen Lestungsverrechnung werden de Gemenosten der Hlfsostenstellen auf de Hauptostenstellen übertragen. Grundlage dafür snd de von den
MehrStatistik. 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
MehrÜbung 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
Mehr4. Musterlösung. Problem 1: Kreuzende Schnitte **
Unverstät Karlsruhe Algorthmentechnk Fakultät für Informatk WS 05/06 ITI Wagner 4. Musterlösung Problem 1: Kreuzende Schntte ** Zwe Schntte (S, V \ S) und (T, V \ T ) n enem Graph G = (V, E) kreuzen sch,
MehrNetzwerkstrukturen. 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.
MehrKlassische Gatter und Logikelemente. Seminarvortrag zu Ausgewählte Kapitel der Quantentheorie Quantenalgorithmen
Klasssche Gatter und Logkelemente Semnarvortrag zu Ausgewählte Kaptel der Quantentheore Quantenalgorthmen Gerd Ch. Krzek WS 2003 I. Grundlagen und Methoden der Logk: Im folgenden soll de Konstrukton und
MehrProtokoll zum Grundversuch Mechanik
Protokoll zum Grundversuch Mechank 3.6. In desem Grundversuch zur Mechank werden dre verschedene Arten von Pendeln untersucht. Das Reversonspendel, das Torsonspendel und gekoppelte Pendel. A. Das Reversonspendel
Mehr1 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:
MehrVersicherungstechnischer Umgang mit Risiko
Verscherungstechnscher Umgang mt Rsko. Denstlestung Verscherung: Schadensdeckung von für de enzelne Person ncht tragbaren Schäden durch den fnanzellen Ausglech n der Zet und m Kollektv. Des st möglch über
MehrBerechnung der Messunsicherheit nach GUM Kurzfassung in 20 min
Berechnung der Messunscherhet nach GUM Kurzfassung n 0 mn MU der Stephan Meke PTB-Insttut Berln Gegenstand Defnton (verkürzt) VIM (Wörterb. d. Metrologe) Bespele / Anmerkungen Größe Größenwert Messwert
MehrSeminar Analysis und Geometrie Professor Dr. Martin Schmidt - Markus Knopf - Jörg Zentgraf. - Fixpunktsatz von Schauder -
Unverstät Mannhem Fakultät für Mathematk und Informatk Lehrstuhl für Mathematk III Semnar Analyss und Geometre Professor Dr. Martn Schmdt - Markus Knopf - Jörg Zentgraf - Fxpunktsatz von Schauder - Ncole
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 2 Prv.-Doz. Dr. D. Kadelka Dpl.-Math. W. Lao Übungen zur Vorlesung Stochastsche Prozesse Musterlösungen Aufgabe 7: (B. Fredmans Urnenmodell)
MehrVorlesung 1. Prof. Dr. Klaus Röder Lehrstuhl für BWL, insb. Finanzdienstleistungen Universität Regensburg. Prof. Dr. Klaus Röder Folie 1
Vorlesung Entschedungslehre h SS 205 Prof. Dr. Klaus Röder Lehrstuhl für BWL, nsb. Fnanzdenstlestungen Unverstät Regensburg Prof. Dr. Klaus Röder Fole Organsatorsches Relevante Informatonen önnen Se stets
MehrAufgabe 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
MehrGliederung 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
MehrZ Z, kurz { } Zählt die Reihenfolge der Buchstaben (ja/nein) Daraus ergeben sich wiederum vier Möglichkeiten, Wörter der Länge k zu bilden.
Kombnator. Problemstellung Ausgangspunt be ombnatorschen Fragestellungen st mmer ene endlche Menge M, aus deren Elementen man endlche Zusammenstellungen von Elementen aus M bldet. Formal gesprochen bedeutet
MehrFinanzwirtschaft. Kapitel 3: Simultane Investitions- und Finanzplanung. Lehrstuhl für Finanzwirtschaft - Universität Bremen 1
Fnanzwrtschaft Kaptel 3: Smultane Investtons- und Fnanzplanung Prof. Dr. Thorsten Poddg Lehrstuhl für Allgemene Betrebswrtschaftslehre, nsbes. Fnanzwrtschaft Unverstät Bremen Hochschulrng 4 / WW-Gebäude
Mehr18. Vorlesung Sommersemester
8. Vorlesung Sommersemester Der Drehmpuls des starren Körpers Der Drehmpuls des starren Körpers st etwas komplzerter. Wenn weder de Wnkelgeschwndgket um de feste Rotatonsachse st, so wrd mt Hlfe des doppelten
MehrSpannweite, 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,
MehrKonzept 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
MehrSIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT
Smulaton von Hybrdfahrzeugantreben mt optmerter Synchronmaschne 1 SIMULATION VON HYBRIDFAHRZEUGANTRIEBEN MIT OPTIMIERTER SYNCHRONMASCHINE H. Wöhl-Bruhn 1 EINLEITUNG Ene Velzahl von Untersuchungen hat sch
Mehr12 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:
MehrKreditrisikomodellierung und Risikogewichte im Neuen Baseler Accord
1 Kredtrskomodellerung und Rskogewchte m Neuen Baseler Accord erschenen n: Zetschrft für das gesamte Kredtwesen (ZfgK), 54. Jahrgang, 2001, S. 1004-1005. Prvatdozent Dr. Hans Rau-Bredow, Lehrstuhl für
MehrUNIVERSITÄT STUTTGART INSTITUT FÜR THERMODYNAMIK UND WÄRMETECHNIK Professor Dr. Dr.-Ing. habil. H. Müller-Steinhagen P R A K T I K U M.
UNIVERSITÄT STUTTGART INSTITUT FÜR THERMODYNAMIK UND WÄRMETECHNIK Professor Dr. Dr.-Ing. habl. H. Müller-Stenhagen P R A K T I K U M Versuch 9 Lestungsmessung an enem Wärmeübertrager m Glech- und Gegenstrombetreb
Mehr12 UMPU Tests ( UMP unbiased )
89 1 UMPU Tests ( UMP unbased ) Nach Bemerkung 11.8(b) exstert m Allgemenen ken zwesetger UMP- Test zu enem Nveau α. Deshalb Enschränkung auf unverfälschte Tests: ϕ Φ α heßt unverfälscht (unbased) zum
MehrMan 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
MehrF A C H H O C H S C H U L E W E D E L. Seminararbeit Informatik
F A C H H O C H S C H U L E W E D E L Semnararbet Informatk n der Fachrchtung Wrtschaftsnformatk Themenberech Künstlche Intellgenz Thema Nr. 3 Dskrmnanzanalyse Engerecht von: Erarbetet m: Patrck Wolf Wedeler
MehrOperations Research II (Netzplantechnik und Projektmanagement)
Operatons Research II (Netzplantechnk und Projektmanagement). Aprl Frank Köller,, Hans-Jörg von Mettenhem & Mchael H. Bretner.. # // ::: Gute Vorlesung:-) Danke! Feedback.. # Netzplantechnk: Überblck Wchtges
Mehr2πσ. e ax2 dx = x exp. 2πσ. 2σ 2. Die Varianz ergibt sich mit Hilfe eines weiteren bestimmten Integrals: x 2 e ax2 dx = 1 π.
2.5. NORMALVERTEILUNG 27 2.5 Normalvertelung De n der Statstk am häufgsten benutzte Vertelung st de Gauss- oder Normalvertelung. Wr haben berets gesehen, dass dese Vertelung aus den Bnomal- und Posson-Vertelungen
MehrAnalytische Chemie. LD Handblätter Chemie. Bestimmung der chemischen Zusammensetzung. mittels Röntgenfluoreszenz C3.6.5.2
SW-214-3 Analytsche Cheme Angewandte Analytk Materalanalytk LD andblätter Cheme Bestmmung der chemschen Zusammensetzung ener Messngprobe mttels Röntgenfluoreszenz Versuchszele Mt enem Röntgengerät arbeten.
MehrIch habe ein Beispiel ähnlich dem der Ansys-Issue [ansys_advantage_vol2_issue3.pdf] durchgeführt. Es stammt aus dem Dokument Rfatigue.pdf.
Ich habe en Bespel ähnlch dem der Ansys-Issue [ansys_advantage_vol_ssue3.pdf durchgeführt. Es stammt aus dem Dokument Rfatgue.pdf. Abbldung 1: Bespel aus Rfatgue.pdf 1. ch habe es manuell durchgerechnet
MehrBoost-Schaltwandler für Blitzgeräte
jean-claude.feltes@educaton.lu 1 Boost-Schaltwandler für Bltzgeräte In Bltzgeräten wrd en Schaltwandler benutzt um den Bltzkondensator auf ene Spannung von engen 100V zu laden. Oft werden dazu Sperrwandler
MehrNomenklatur - 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
Mehr18. 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
MehrLehrstuhl 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
MehrDer stöchiometrische Luftbedarf einer Reaktion kann aus dem Sauerstoffbedarf der Reaktion und der Zusammensetzung der Luft berechnet werden.
Stoffwerte De Stoffwerte für de enzelnen omponenten raftstoff, Luft und Abgas snd den verschedenen Stellen aus den Lteraturhnwesen zu entnehmen, für enge Stoffe sollen jedoch de grundlegenden Zusammenhänge
Mehrtutorial N o 1a InDesign CS4 Layoutgestaltung Erste Schritte - Anlegen eines Dokumentes I a (Einfache Nutzung) Kompetenzstufe keine Voraussetzung
Software Oberkategore Unterkategore Kompetenzstufe Voraussetzung Kompetenzerwerb / Zele: InDesgn CS4 Layoutgestaltung Erste Schrtte - Anlegen enes Dokumentes I a (Enfache Nutzung) kene N o 1a Umgang mt
MehrPortfoliothorie (Markowitz) Separationstheorem (Tobin) Kapitamarkttheorie (Sharpe
Portfolothore (Markowtz) Separatonstheore (Tobn) Kaptaarkttheore (Sharpe Ene Enführung n das Werk von dre Nobelpresträgern zu ene Thea U3L-Vorlesung R.H. Schdt, 3.12.2015 Wozu braucht an Theoren oder Modelle?
MehrH I HEIZUNG I 1 GRUNDLAGEN 1.1 ANFORDERUNGEN. 1 GRUNDLAGEN 1.1 Anforderungen H 5
1 GRUNDLAGEN 1.1 Anforderungen 1.1.1 Raumklma und Behaglchket Snn der Wärmeversorgung von Gebäuden st es, de Raumtemperatur n der kälteren Jahreszet, das snd n unseren Breten etwa 250 bs 0 Tage m Jahr,
MehrBeim 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.
MehrWir betrachten in diesem Abschnitt Matrixspiele in der Maximierungsform, also endliche 2 Personen Nullsummenspiele der Gestalt
Kaptel 3 Zwe Personen Spele 3.1 Matrxspele 3.2 Matrxspele n gemschten Strategen 3.3 B Matrxspele und quadratsche Programme 3.4 B Matrxspele und lneare Komplementartätsprobleme 3.1 Matrxspele Wr betrachten
MehrTransistor als Schalter
Elektrotechnsches Grundlagen-Labor II Transstor als Schalter Versuch Nr. 5 Erforderlche Geräte Anzahl Bezechnung, Daten GL-Nr. 1 Doppelnetzgerät 198 1 Oszllograph 178 1 Impulsgenerator 153 1 NF-Transstor
MehrEntscheidungsprobleme der Marktforschung (1)
Prof. Dr. Danel Baer. Enführung 2. Informatonsbedarf 3. Datengewnnung 2. Informatonsbedarf Entschedungsprobleme der () Informatonsbedarf Art Qualtät Menge Informatonsbeschaffung Methodk Umfang Häufgket
MehrRisikomanagement. Vortrag in der Seminarreihe Statistische Mechanik der Finanzmärkte im WS 07/08. Simon Hertenberger
Rskomanagement Vortrag n der Semnarrehe Statstsche Mechank der Fnanzmärkte m WS 07/08 Smon Hertenberger Inhaltsverzechns Grundlagen Was st Rsko? 3 Gründe des Rskomanagements 3 Rskomanagement als Prozess
MehrKapitel 1. Grundlagen der Fehleranalyse
Kaptel Grundlagen der Fehleranalyse B... (Fehlerarten): Von den Fehlerquellen ausgehend unterscheden wr dre unterschedlche Fehlerarten: () Engangsehler Dese entstehen durch a) Modellerungsehler (Z.B. wenn
MehrFür jeden reinen, ideal kristallisierten Stoff ist die Entropie am absoluten Nullpunkt gleich
Drtter Hauptsatz der Thermodynamk Rückblck auf vorherge Vorlesung Methoden zur Erzeugung tefer Temperaturen: - umgekehrt laufende WKM (Wärmepumpe) - Joule-Thomson Effekt bs 4 K - Verdampfen von flüssgem
Mehr1 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)
MehrDie Zahl i phantastisch, praktisch, anschaulich
Unverstät Würzburg 977 Würzburg Telefon: (91 888 5598 De Zahl phantastsch, praktsch, anschaulch De Geschchte der Zahl war dre Jahrhunderte lang dadurch geprägt, dass se und damt de kompleen Zahlen n Mathematkerkresen
MehrEinführung in die Wahrscheinlichkeitsrechnung. Wahrscheinlichkeitsrechnung. Übersicht. Wahrscheinlichkeitsrechnung. bedinge Wahrscheinlichkeit
Enführung n de bednge Wahrschenlchket Laplace-Wahrschenlchket p 0.56??? Zufallsexperment Randwahrschenlchket Überscht Was st Wahrschenlchket? Rechenregeln Der Multplkatonssatz Axomatsche Herletung Unabhänggket
MehrKapitel 7: Ensemble Methoden. Maschinelles Lernen und Neural Computation
Kaptel 7: Ensemble Methoden 133 Komtees Mehrere Netze haben bessere Performanz als enzelne Enfachstes Bespel: Komtee von Netzen aus der n-fachen Kreuzvalderung (verrngert Varanz) De Computatonal Learnng
Mehr9 Diskriminanzanalyse
9 Dskrmnanzanalyse Zel ener Dskrmnanzanalyse: Berets bekannte Objektgruppen (Klassen/Cluster) anhand hrer Merkmale charakterseren und unterscheden sowe neue Objekte n de Klassen enordnen. Nötg: Lernstchprobe
MehrHat die Wahl des Performancemaßes einen Einfluss auf die Beurteilung von Hedgefonds-Indizes?
Hat de Wahl des Performancemaßes enen Enfluss auf de Beurtelung von Hedgefonds-Indzes? Von Martn Elng, St. Gallen, und Frank Schuhmacher, Lepzg Ene zentrale Fragestellung n der wssenschaftlchen Ausenandersetzung
MehrGruppe. 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"Zukunft der Arbeit" Arbeiten bis 70 - Utopie - oder bald Realität? Die Arbeitnehmer der Zukunft
"Zukunft der Arbet" Arbeten bs 70 - Utope - oder bald Realtät? De Arbetnehmer der Zukunft Saldo - das Wrtschaftsmagazn Gestaltung: Astrd Petermann Moderaton: Volker Obermayr Sendedatum: 7. Dezember 2012
MehrOrdered Response Models (ORM)
Handout: Mkroökonometre Ordered Response Models Domnk Hanglberger - SS 28 Ordered Response Models (ORM) Ist de abhängge Varable ordnal skalert (d.h. hre Kategoren lassen sch n ene Rangrehenfolge brngen,
Mehr