Zusammenhänge zwischen metrischen Merkmalen
|
|
- Arthur Färber
- vor 6 Jahren
- Abrufe
Transkript
1 Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl der fest angestellten Mitarbeiter y: Anzahl der freien Mitarbeiter Frage: Gibt es einen Zusammenhang zwischen diesen Merkmalen? Wie lässt sich dieser Zusammenhang beschreiben? Einfachste graphische Darstellung: Streudiagramm. Die Datenpaare entsprechen Punkten in der Ebene ( Punktwolke ) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 266 / 355
2 Beispiel 1: Streudiagramm (mit SPSS) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 267 / 355
3 Beispiel 2 Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 268 / 355
4 Beispiel 3 Punkte in Englisch und Mathematik Gruppe 1 Gruppe 2 Schüler Englisch Mathe Englisch Mathe Mittelwert Standardabweichung Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 269 / 355
5 Beispiel 3 (Streudiagramme) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 270 / 355
6 Kovarianz Maß für den Zusammenhang der beiden Merkmale: Daten: (x i, y i ), i = 1,..., n Beachte: S XY = 1 n 1 n (x i x)(y i ȳ) i=1 Summand i positiv, falls x i und y i relativ zum Mittelwert das gleiche Vorzeichen haben. Für s xx ergibt sich die Varianz von X. Die Kovarianz hängt sowohl von der Streuung als auch von dem Zusammenhang der beiden Merkmale ab. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 271 / 355
7 Bravais-Pearson-Korrelationskoeffizient Der Bravais-Pearson-Korrelationskoeffizient ergibt sich aus den Daten (x i, y i ), i = 1,..., n durch n i=1 r = (x i x)(y i ȳ) n i=1 (x i x) = S xy 2 n i=1 (y i ȳ) 2 ) S x S y Wertebereich: 1 r 1 r > 0 r < 0 r = 0 positive Korrelation, gleichsinniger linearer Zusammenhang, Tendenz: Werte (x i, y i ) um eine Gerade positiver Steigung liegend negative Korrelation, gleichsinniger linearer Zusammenhang, Tendenz: Werte (x i, y i ) um eine Gerade negativer Steigung liegend keine Korrelation, unkorreliert, kein linearer Zusammenhang Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 272 / 355
8 Punkte in Englisch und Mathematik Gruppe 1: Gruppe 2: r xy = S xy S x S y = = 0.65 r xy = S xy S x S y = = 0.56 Gruppe 1: positiver linearer Zusammenhang Gruppe 2: negativer linearer Zusammenhang Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 273 / 355
9 Eigenschaften des Korrelationskoeffizienten Maß für den linearen Zusammenhang Ändert sich nicht bei linearen Transformationen Symmetrisch (Korrelation zwischen x und y = Korrelation zwischen y und x) Positive Korrelation bedeutet: Je größer x, desto größer im Durchschnitt y Korrelation = +1 oder -1, falls die Punkte genau auf einer Geraden liegen Korrelation = 0 bedeutet keinen linearen Zusammenhang, aber nicht Unabhängigkeit Korrelation empfindlich gegenüber Ausreißern Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 274 / 355
10 Eigenschaften von r r misst Stärke des linearen Zusammenhangs. Punktkonfigurationen und Korrelationskoeffizienten (qualitativ) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 275 / 355
11 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 1: Lineare (unverrauschte) Funktion, y = 0.8x + 2.0, 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 276 / 355
12 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 2: Lineare (unverrauschte) Funktion, y = 0.8x + 2.0, 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 277 / 355
13 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 3: Lineare (unverrauschte) Funktion, y = 0.001x + 2.0, 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 278 / 355
14 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 4: Periodische (unverrauschte) Funktion, y = sin(x), 101 equidistante Stützstellen im Intervall [ π, π], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 279 / 355
15 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 5: Periodische (unverrauschte) Funktion, y = cos(x), 101 equidistante Stützstellen im Intervall [ π, π], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 280 / 355
16 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 6: Quadratische (unverrauschte) Funktion, y = x , 101 equidistante Stützstellen im Intervall [ 1, 1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 281 / 355
17 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 7: Kubische (unverrauschte) Funktion, y = x , 101 equidistante Stützstellen im Intervall [ 1, 1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 282 / 355
18 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 8: Abschnittweise definierte (unverrauschte) Funktion y = sin(x), 50 und 51 equidistante Stützstellen in den Intervallen [ π, π 2 ] und [ π 2, π], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 283 / 355
19 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 9: Lineare, schwach verrauschte Funktion, y = 0.8x N(0, 0.1), 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 284 / 355
20 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 10: Lineare, stärker verrauschte Funktion, y = 0.8x N(0, 0.5), 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 285 / 355
21 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 11: Lineare, stark verrauschte Funktion, y = 0.8x N(0, 5), 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 286 / 355
22 Einige Beispiele von exakten und verrauschten Zusammenhängen Beispiel 12: Lineare, stärker verrauschte Funktion, y = 0.1x N(0, 0.5), 101 equidistante Stützstellen im Intervall [-1,1], r = Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 287 / 355
23 Lineare Transformationen Bei exakten lineare Zusammenhängen gilt: r = +1 bzw. 1 Y = ax + b mit b > 0 bzw. b < 0 Lineare Transformationen X = a X X + b X, Ỹ = a Y Y + b Y, a X, a Y 0 r Korrelationskoeffizient zwischen X und Y r Korrelationskoeffizient zwischen X und Ỹ r = r a X, a Y > 0 oder a X, a Y < 0 r = r a X > 0, a Y < 0 oder a X < 0, a Y > 0. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 288 / 355
24 Vektor-Darstellung Definiere die zentrierten Datenvektoren r = x Z = (x 1 x,..., x i x,..., x n x) y Z = (y 1 ȳ,..., y i ȳ,..., y n ȳ) x Z y Z x Z ȳ Z, mit. euklidische Norm. Aus der Schwarz-Cauchy-Ungleichung folgt d.h. 1 r +1. x Z y Z x Z y Z, Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 289 / 355
25 Spearmans Korrelationskoeffizient = Rang-Korrelationskoeffizient X, Y (mindestens) ordinal Idee: Gehe von Werten x i, i = 1,..., n und y i, i = 1,..., n über zu ihren Rängen. analog für y (1),..., y (n). x (1)... x (i)... x (n) rg(x (i) ) = i, Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 290 / 355
26 Beispiel bei Bindungen (ties): x i rg(x i ) x i Durchschnittsrang = 3.5 vergeben. Also: Urliste der Größe nach durchsortieren Ranglisten rg(x i ), rg(y i ), i = 1,..., n vergeben (bei ties: Durchschnittsränge) Idee: Berechne den Korrelationskoeffizienten nach Bravais-Pearson für die Ränge statt für die Urliste. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 291 / 355
27 Definition: Spearmans Korrelationskoeffizient Der Korrelationskoeffizient nach Spearman ist definiert durch r SP = (rg(xi ) rg X )(rg(y i ) rg Y ) (rg(xi ) rg X ) 2 (rg(y i ) rg Y ). 2 Wertebereich: 1 r SP 1 Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 292 / 355
28 Interpretation r SP > 0 gleichsinniger monotoner Zusammenhang, Tendenz: x groß y groß, x klein y klein r SP < 0 gegensinniger monotoner Zusammenhang, Tendenz: x groß y klein, x klein y groß r SP 0 kein monotoner Zusammenhang Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 293 / 355
29 Extremfälle Extremfälle für Spearmans Korrelationskoeffizienten, r SP = 1 (oben) und r SP = 1 (unten) Spearmans Korrelationskoeffizient misst monotone (auch nichtlineare) Zusammenhänge! Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 294 / 355
30 Bemerkungen: Rechentechnische Vereinfachungen: rg X = 1 n n i=1 rg(x i) = 1 n n i=1 i = (n + 1)/2, rg Y = 1 n n i=1 rg(y i) = 1 n n i=1 i = (n + 1)/2. Rechentechnisch günstige Version von r SP : Daten: (x i, y i ), i = 1,..., n, x i x j, y i y j für alle i, j Rangdifferenzen: d i = rg(x i ) rg(y i ) r SP = 1 6 di 2 (n 2 1)n Voraussetzung: keine Bindungen Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 295 / 355
31 Monotone Transformationen X = g(x ) Ỹ = h(y ) g streng monoton, h streng monoton r SP ( X, Ỹ ) = r SP (X, Y ), wenn g und h monoton wachsend bzw. g und h monoton fallend sind, r SP ( X, Ỹ ) = r SP (X, Y ), wenn g monoton wachsend und h monoton fallend bzw. g monoton fallend und h monoton wachsend sind. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 296 / 355
32 Kendall s Tau Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt: konkordant, diskordant, falls x i < x j und y i < y j oder x i > x j und y i > y j falls x i < x j und y i > y j oder x i > x j und y i < y j N C : Anzahl der konkordanten Paare N D : Anzahl der diskordanten Paare τ a = N C N D n(n 1)/2 Kendall s Tau Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 297 / 355
33 Andere Varianten Goodman & Kruskal γ-koeffizient γ = N C N D N C + N D Somers D wird typischerweise verwendet wenn Y binär ist T x : Anzahl der Paare mit ungleichem y und gleichem x ( Ties = Bindungen) D xy := N C N D N C + N D + T x = N C N D Anzahl Paare mit ungleichem y Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 298 / 355
34 Kendall s τ, Spearman s r sp Beispiel: τ r sp rg X rg Y rg X rg Y r sp bestraft Abweichung stärker als τ Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 299 / 355
35 Unterschiede Kendall s τ, Spearman s ρ ρ verwendet Abstände auf der Rang-Skala τ orientiert sich an Paarvergleichen τ hat theoretische Entsprechung τ in der Regel kleiner als ρ Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 300 / 355
36 Dichotome und stetige Merkmale: Punktbiseriale Korrelation Korrelations-Koeffizient zwischen dichotomen und metrischem Merkmal X {0, 1} Y metrisch Ȳ 0 Mittelwert bei X = 0, Ȳ 1 Mittelwert bei X = 1 r XY = Ȳ1 Ȳ0 n0 n 1 S Y N 2 Entspricht normiertem Abstand der Gruppenmittelwerte. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 301 / 355
37 Dichotome und stetige Merkmale Beispiel 1 Kredit Scoring: Die Kreditwürdigkeit wird mit einem Scorewert gemessen (Schufa score) Dieser Scorewert soll auf seine Prognosegüte geprüft werden Variable : Y=1 (Eintrag nach 1.5 Jahren (Default) Y=0 kein Eintrag Beispiel 2: Blutserum Konzentration und stress-induzierte Herzinfarkte X: Marker für Herzinfarkt und Y: Infarkt während der WM (Gruppen) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 302 / 355
38 ROC-Kurve Jetzt Y dichotome Zielgröße und X metrische Einflussgröße: Y = 1 Ausfall (krank) Y = 0 kein Ausfall (gesund) In der medizinischen Literatur ist das Testergebnis m: Ŷ i = 1 x i c Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 303 / 355
39 Sensitivität und Spezifität Richtig Positiv = Sensitivität: f (Ŷ = 1 Y = 1) = f (x c Y = 1) = S 1(c) S 1 (c) stellt die Survivorfunktion dar. Richtig negativ = Spezifität: f (Ŷ = 0 Y = 0) = 1 f (x c Y = 0) = 1 S 0 (c) Falsch Positiv = 1- Spezifität: f (Ŷ = 1 Y = 0) = f (x c Y = 0) = S 0 (c) Die ROC-Kurve besteht aus den Punkten (S 0 (c), S 1 (c)) Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 304 / 355
40 Beispiel für ROC-Kurve x = Sensitivity Sens: 100.0% Spec: 66.7% PV+: 66.7% PV : 100.0% Variable est. (s.e.) (Intercept) (3.324) test (7.297) Model: y ~ x Area under the curve: Specificity Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 305 / 355
41 Beispiel für ROC-Kurve mit Bindung Sensitivity Variable est. (s.e.) (Intercept) (2.127) test (4.418) Model: y ~ x Area under the curve: Specificity Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 306 / 355
42 Maß zur Bewertung der Kurve: AUC AUC = 1 t=0 Dies stellt die Fläche unter der Kurve dar. Es gilt: ROC(t)dt (3.7) AUC = N C N E (3.8) N Dabei bezeichnet N C die Anzahl der konkordanten Paare, N E die Anzahl der identischen Paare, und N die Anzahl der Paare mit unterschiedlichem Y. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 307 / 355
43 GINI- Koeffizient Normierte Fläche zwischen Winkelhalbierender und ROC- Kurve GINI = 2 (AUC 1 ) = 2 AUC 1 (3.9) 2 GINI = N C N D N N C : Anzahl der konkordanten Paare N D : Anzahl der diskordanten Paare N: Anzahl der Paare mit ungleichem Y N = n 0 n 1 mit n i Anzahl der Daten mit Y=i. (3.10) Der GINI entspricht dem Somers D. Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 308 / 355
44 Figure 4 Beispiel: Stress induzierter Herzinfarkt Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 309 / 355
45 Korrelationsmatrix Bei mehr als zwei Merkmalen werden die Korrelationen häufig in Form einer Matrix dargestellt. Auf der Hauptdiagonalen stehen 1er. Die Matrix ist symmetrisch. 1 r xy r xz r xy 1 r yz r xz r yz 1 Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut für Statistik, LMU) 310 / 355
Kendall s Tau. Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt:
Kendall s Tau Betrachte Paare von Beobachtungen (x i, y i ) und (x j, y j ) Ein Paar heißt: konkordant, diskordant, falls x i < x j und y i < y j oder x i > x j und y i > y j falls x i < x j und y i >
MehrZusammenhänge zwischen metrischen Merkmalen
Zusammenhänge zwischen metrischen Merkmalen Darstellung des Zusammenhangs, Korrelation und Regression Daten liegen zu zwei metrischen Merkmalen vor: Datenpaare (x i, y i ), i = 1,..., n Beispiel: x: Anzahl
MehrEigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße
Eigene MC-Fragen (Teil II) "Kap. 9 Zusammenhangsmaße 1. Kreuze die richtige Aussage an! positiv sind, ist r stets identisch mit s xy. negativ sind, ist r stets identisch mit s xy. positiv sind, ist das
Mehr1 x 1 y 1 2 x 2 y 2 3 x 3 y 3... n x n y n
3.2. Bivariate Verteilungen zwei Variablen X, Y werden gemeinsam betrachtet (an jedem Objekt werden gleichzeitig zwei Merkmale beobachtet) Beobachtungswerte sind Paare von Merkmalsausprägungen (x, y) Beispiele:
MehrKarl Entacher. FH-Salzburg
Ahorn Versteinert Bernhard.Zimmer@fh-salzburg.ac.at Statistik @ HTK Karl Entacher FH-Salzburg karl.entacher@fh-salzburg.ac.at Beispiel 3 Gegeben sind 241 NIR Spektren (Vektoren der Länge 223) zu Holzproben
MehrStatistische Methoden in den Umweltwissenschaften
Statistische Methoden in den Umweltwissenschaften Korrelationsanalysen Kreuztabellen und χ²-test Themen Korrelation oder Lineare Regression? Korrelationsanalysen - Pearson, Spearman-Rang, Kendall s Tau
MehrDeskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS Lösung Aufgabe 27. f X Y (a i b j ) = f i j = f ij f j
1 Deskriptive Statistik Lösungen zu Blatt 5 Christian Heumann, Susanne Konrath SS 2011 Lösung Aufgabe 27 (a) Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a 2 }, S Y {ja, nein} {b
MehrDeskription, Statistische Testverfahren und Regression. Seminar: Planung und Auswertung klinischer und experimenteller Studien
Deskription, Statistische Testverfahren und Regression Seminar: Planung und Auswertung klinischer und experimenteller Studien Deskriptive Statistik Deskriptive Statistik: beschreibende Statistik, empirische
MehrStatistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt 6 Gerhard Tutz, Jan Ulbricht WS 05/06.
Statistik I für Statistiker, Mathematiker und Informatiker Lösungen zu Blatt Gerhard Tutz, Jan Ulbricht WS 05/0 Lösung Aufgabe 4 Notation: X: Rauchen, Y : chronische Bronchitis S X {ja, nein} {a 1, a },
Mehr2. Zusammenhangsmaße
2. Zusammenhangsmaße Signifikante χ²-werte von Kreuztabellen weisen auf die Existenz von Zusammenhängen zwischen den zwei untersuchten Variablen X und Y hin. Für die Interpretation interessieren jedoch
MehrStatistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II
Statistik II Lineare Regressionsrechnung Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II - 09.06.2006 1 Mit der Kovarianz und dem Korrelationskoeffizienten können wir den statistischen
MehrDer Mittelwert (arithmetisches Mittel)
Der Mittelwert (arithmetisches Mittel) x = 1 n n x i bekanntestes Lagemaß instabil gegen extreme Werte geeignet für intervallskalierte Daten Deskriptive Statistik WiSe 2015/2016 Helmut Küchenhoff (Institut
MehrDas harmonische Mittel
Das harmonische Mittel x H := 1 1 n n 1 x i Das harmonische Mittel entspricht dem Mittel durch Transformation t 1 t Beispiel: x 1,..., x n Geschwindigkeiten, mit denen konstante Wegstrecken l zurückgelegt
MehrBeschreibende Statistik Zweidimensionale (bivariate) Daten
Mathematik II für Biologen Beschreibende Statistik Zweidimensionale (bivariate) Daten 26. April 2013 Prolog Lineare Regression Transformationen Produktmomenten-Korrelation Rangkorrelation Warnung Artensterben
MehrStatistik I. Zusammenfassung und wichtiges zur Prüfungsvorbereitung. Malte Wissmann. 9. Dezember Universität Basel.
Zusammenfassung und wichtiges zur Prüfungsvorbereitung 9. Dezember 2008 Begriffe Kenntnis der wichtigen Begriffe und Unterscheidung dieser. Beispiele: Merkmal, Merkmalsraum, etc. Skalierung: Nominal etc
MehrDeskriptive Statistik
Deskriptive Statistik Deskriptive Statistik: Ziele Daten zusammenfassen durch numerische Kennzahlen. Grafische Darstellung der Daten. Quelle: Ursus Wehrli, Kunst aufräumen 1 Modell vs. Daten Bis jetzt
MehrStatistik I. 1. Klausur Wintersemester 2010/2011 Hamburg, Art der Anmeldung: STiNE FlexNow Zulassung unter Vorbehalt
Statistik I 1. Klausur Wintersemester 2010/2011 Hamburg, 11.02.2011 BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrVorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik. Regression. Einfache lineare Regression
Vorlesung: Statistik I für Studierende der Statistik, Mathematik & Informatik Regression Dozent: Fabian Scheipl Material: H. Küchenhoff LMU München 39 Einfache lineare Regression Bestimmung der Regressionsgerade
MehrSkalenniveaus =,!=, >, <, +, -
ZUSAMMENHANGSMAßE Skalenniveaus Nominalskala Ordinalskala Intervallskala Verhältnisskala =,!= =,!=, >, < =,!=, >, ,
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9.
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 7.-9. Januar 2011 BOOTDATA11.GDT: 250 Beobachtungen für die Variablen...
MehrLösungen zur Klausur zur Statistik Übung am
Lösungen zur Klausur zur Statistik Übung am 28.06.2013 Fabian Kleine Staatswissenschaftliche Fakultät Aufgabe 1 Gegeben sei die folgende geordneten Urliste des Merkmals Y. 30 Punkte Y : 5 5 5 5 10 10 10
MehrInhaltsverzeichnis. 1 Über dieses Buch Zum Inhalt dieses Buches Danksagung Zur Relevanz der Statistik...
Inhaltsverzeichnis 1 Über dieses Buch... 11 1.1 Zum Inhalt dieses Buches... 13 1.2 Danksagung... 15 2 Zur Relevanz der Statistik... 17 2.1 Beispiel 1: Die Wahrscheinlichkeit, krank zu sein, bei einer positiven
MehrML-Schätzung. Likelihood Quotienten-Test. Zusammenhang Reparametrisierung und Modell unter linearer Restriktion. Es gilt: β = Bγ + d (3.
Reparametrisierung des Modells Gegeben sei das Modell (2.1) mit (2.5) unter der linearen Restriktion Aβ = c mit A R a p, rg(a) = a, c R a. Wir betrachten die lineare Restriktion als Gleichungssystem. Die
MehrZusammenhangsmaße II
Sommersemester 2009 Wiederholung/ Eine nominale und eine intervallskalierte Variable χ 2 =?!? Übung von Simone Reutzel Heute im HS1, altes ReWi-Haus Zum Nachlesen Agresti/Finlay: Kapitel 8.5, 9.4 Gehring/Weins:
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrBivariate Verteilungen [bivariate data]
Bivariate Verteilungen [bivariate data] Zwei Variablen X, Y werden gemeinsam betrachtet, d.h. an jedem Objekt i werden zwei Merkmale beobachtet. Beobachtungswerte sind Paare/Kombinationen von Merkmalsausprägungen
Mehr5 Beschreibung und Analyse empirischer Zusammenhänge
5 Beschreibung und Analyse empirischer Zusammenhänge 132 5 Beschreibung und Analyse empirischer Zusammenhänge 5.1 Zusammenhänge zwischen kategorialen Merkmalen 137 5.1.1 Kontingenztabellen 137 Verteilungen
MehrEmpirische Verteilungsfunktion
Empirische Verteilungsfunktion H(x) := Anzahl der Werte x ist. Deskriptive
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrHerzlich Willkommen zur Vorlesung Statistik
Herzlich Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Kovarianz und Korrelation Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
Mehr5 Erwartungswerte, Varianzen und Kovarianzen
47 5 Erwartungswerte, Varianzen und Kovarianzen Zur Charakterisierung von Verteilungen unterscheidet man Lageparameter, wie z. B. Erwartungswert ( mittlerer Wert ) Modus (Maximum der Wahrscheinlichkeitsfunktion,
MehrKorrelation Regression. Wenn Daten nicht ohne einander können Korrelation
DAS THEMA: KORRELATION UND REGRESSION Korrelation Regression Wenn Daten nicht ohne einander können Korrelation Korrelation Kovarianz Pearson-Korrelation Voraussetzungen für die Berechnung die Höhe der
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrEinführung in die Korrelationsrechnung
Einführung in die Korrelationsrechnung Sven Garbade Fakultät für Angewandte Psychologie SRH Hochschule Heidelberg sven.garbade@hochschule-heidelberg.de Statistik 1 S. Garbade (SRH Heidelberg) Korrelationsrechnung
MehrCharakterisierung der Daten: Sind es genug? Sind alle notwendig? Was ist naturgegeben, was von Menschen beeinflusst (beeinflussbar)?
3 Beschreibende Statistik 3.1. Daten, Datentypen, Skalen Daten Datum, Daten (data) das Gegebene Fragen über Daten Datenerhebung: Was wurde gemessen, erfragt? Warum? Wie wurden die Daten erhalten? Versuchsplanung:
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
Mehr3 Bivariate Deskription und Exploration von Daten
3 Bivariate Deskription und Exploration von Daten In diesem Kapitel werden Methoden zur Darstellung der gemeinsamen Verteilung von zwei (oder mehreren) verschiedenen Merkmalen behandelt. Von besonderer
MehrKlausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008. Aufgabe 1
Lehrstuhl für Statistik und Ökonometrie der Otto-Friedrich-Universität Bamberg Prof. Dr. Susanne Rässler Klausur zu Methoden der Statistik I (mit Kurzlösung) Wintersemester 2007/2008 Aufgabe 1 Ihnen liegt
Mehr3.1 Zusammenhang zwischen einem qualitativen und einem quantitativen Merkmal
Kapitel 3 Bivariate Analyse In Kapitel 2 haben wir gesehen, wie man ein Merkmal auswertet. Mit Hilfe statistischer Verfahren kann man aber auch untersuchen, ob zwischen mehreren Merkmalen Abhängigkeiten
MehrModul G.1 WS 07/08: Statistik
Modul G.1 WS 07/08: Statistik 10.01.2008 1 2 Test Anwendungen Der 2 Test ist eine Klasse von Verfahren für Nominaldaten, wobei die Verteilung der beobachteten Häufigkeiten auf zwei mehrfach gestufte Variablen
MehrParametrische vs. Non-Parametrische Testverfahren
Parametrische vs. Non-Parametrische Testverfahren Parametrische Verfahren haben die Besonderheit, dass sie auf Annahmen zur Verteilung der Messwerte in der Population beruhen: die Messwerte sollten einer
MehrZusammenhangsanalyse mit SPSS. Messung der Intensität und/oder der Richtung des Zusammenhangs zwischen 2 oder mehr Variablen
- nominal, ordinal, metrisch In SPSS: - Einfache -> Mittelwerte vergleichen -> Einfaktorielle - Mehrfaktorielle -> Allgemeines lineares Modell -> Univariat In SPSS: -> Nichtparametrische Tests -> K unabhängige
MehrMusterlösung zur Aufgabensammlung Statistik I Teil 3
Musterlösung zur Aufgabensammlung Statistik I Teil 3 2008, Malte Wissmann 1 Zusammenhang zwischen zwei Merkmalen Nominale, Ordinale Merkmale und Mischungen Aufgabe 12 a) x\ y 1.Klasse 2.Klasse 3.Klasse
MehrProf. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006
Empirische Softwaretechnik Prof. Dr. Walter F. Tichy Dr. Matthias Müller Sommersemester 2006 1 Experiment zur Vererbungstiefe Softwaretechnik: die Vererbungstiefe ist kein guter Schätzer für den Wartungsaufwand
MehrWISTA WIRTSCHAFTSSTATISTIK
WISTA WIRTSCHAFTSSTATISTIK PROF. DR. ROLF HÜPEN FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFT Seminar für Theoretische Wirtschaftslehre Vorlesungsprogramm 04.06.2013 Zweidimensionale Datensätze 1. Kontingenztabelle
MehrKreisdiagramm, Tortendiagramm
Kreisdiagramm, Tortendiagramm Darstellung der relativen (absoluten) Häufigkeiten als Fläche eines Kreises Anwendung: Nominale Merkmale Ordinale Merkmale (Problem: Ordnung nicht korrekt wiedergegeben) Gruppierte
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten Von Prof. Dr. Rainer Schlittgen 4., überarbeitete und erweiterte Auflage Fachbereich Materialwissenschaft! der Techn. Hochschule Darmstadt
MehrInstitut für Biometrie und klinische Forschung. WiSe 2012/2013
Klinische Forschung WWU Münster Pflichtvorlesung zum Querschnittsfach Epidemiologie, Biometrie und Med. Informatik Praktikum der Medizinischen Biometrie () WiSe /3 Univariate und bivariate Verfahren Univariate
Mehr5.4.2 Kovarianz und Korrelation
102 5.4. Zusammenhangsanalyse bivariater quasi-stetiger Merkmale 5.4.2 Kovarianz und Korrelation Wie misst man den Zusammenhang zwischen metrischen Merkmalen? Betrachte den Mittelpunkt der Daten ( x, ȳ)
MehrDr. Maike M. Burda. Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp
Dr. Maike M. Burda Welchen Einfluss hat die Körperhöhe auf das Körpergewicht? Eine Regressionsanalyse. HU Berlin, Econ Bootcamp 8.-10. Januar 2010 BOOTDATA.GDT: 250 Beobachtungen für die Variablen... cm:
MehrDeskriptive Statistik Winfried Zinn
Deskriptive Statistik Winfried Zinn Inhalte Statistik 1 1. Themenblock: Grundlagen der beschreibenden Statistik: Skalenniveaus Häufigkeitsverteilungen Mittelwerte (Lagemaße) Standardabweichung und Varianzen
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrInhaltsverzeichnis. II. Statistische Modelle und sozialwissenschaftliche Meßniveaus 16
Vorwort 1 1. Kapitel: Der Stellenwert der Statistik für die sozialwissenschaflliche Forschung 1 1. Zur Logik (sozial-)wissenschaftlicher Forschung 1 1. Alltagswissen und wissenschaftliches Wissen 1 2.
MehrMerkmalstypen Univ.-Prof. Dr. rer. nat. et med. habil. Andreas Faldum
1 Merkmalstypen Quantitativ: Geordnete Werte, Vielfache einer Einheit Stetig: Prinzipiell sind alle Zwischenwerte beobachtbar Beispiele: Gewicht, Größe, Blutdruck Diskret: Nicht alle Zwischenwerte sind
MehrInhaltsverzeichnis Grundlagen aufigkeitsverteilungen Maßzahlen und Grafiken f ur eindimensionale Merkmale
1. Grundlagen... 1 1.1 Grundgesamtheit und Untersuchungseinheit................ 1 1.2 Merkmal oder statistische Variable........................ 2 1.3 Datenerhebung.........................................
Mehrhtw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK
htw saar 1 EINFÜHRUNG IN DIE STATISTIK: BESCHREIBENDE STATISTIK htw saar 2 Grundbegriffe htw saar 3 Grundgesamtheit und Stichprobe Ziel: Über eine Grundgesamtheit (Population) soll eine Aussage über ein
MehrDeskriptive Statistik
Markus Wirtz, Christof Nachtigall Deskriptive Statistik 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Statistische
MehrErmitteln Sie auf 2 Dezimalstellen genau die folgenden Kenngrößen der bivariaten Verteilung der Merkmale Weite und Zeit:
1. Welche der folgenden Kenngrößen, Statistiken bzw. Grafiken sind zur Beschreibung der Werteverteilung des Merkmals Konfessionszugehörigkeit sinnvoll einsetzbar? A. Der Modalwert. B. Der Median. C. Das
MehrHeinz Holling & Günther Gediga. Statistik - Deskriptive Verfahren. Internetsupplement
Heinz Holling & Günther Gediga Statistik - Deskriptive Verfahren Internetsupplement Version 15.12.2010 Inhaltsverzeichnis 1 Kap 4.1.2, S. 46: Lineare vs. Affine Funktionen 5 2 Kap 6.1, S. 91: Das Summenzeichen
MehrMusterlösung zur Übungsklausur Statistik
Musterlösung zur Übungsklausur Statistik WMS15B Oettinger 9/216 Aufgabe 1 (a) Falsch: der Modus ist die am häufigsten auftretende Merkmalsausprägung in einer Stichprobe. (b) Falsch: die beiden Größen sind
MehrName Vorname Matrikelnummer Unterschrift
Dr. Hans-Otfried Müller Institut für Mathematische Stochastik Fachrichtung Mathematik Technische Universität Dresden Klausur Statistik II (Sozialwissenschaft, Nach- und Wiederholer) am 26.10.2007 Gruppe
MehrStatistik. Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz. Der Weg zur Datenanalyse. Springer. Zweite, verbesserte Auflage
Ludwig Fahrmeir Rita Künstler Iris Pigeot Gerhard Tutz Statistik Der Weg zur Datenanalyse Zweite, verbesserte Auflage Mit 165 Abbildungen und 34 Tabellen Springer Inhaltsverzeichnis Vorwort v 1 Einführung
MehrWiederholung. Statistik I. Sommersemester 2009
Statistik I Sommersemester 2009 Statistik I (1/21) Daten/graphische Darstellungen Lage- und Streuungsmaße Zusammenhangsmaße Lineare Regression Wahrscheinlichkeitsrechnung Zentraler Grenzwertsatz Konfidenzintervalle
MehrEinführung in die Statistik für Politikwissenschaftler Sommersemester 2013
Einführung in die Statistik für Politikwissenschaftler Sommersemester 2013 1. Welche Aussage zur Statistik (in den Sozialwissenschaften) sind richtig? (2 Punkte) ( ) Statistik ist die Lehre von Methoden
MehrStreuungsmaße von Stichproben
Streuungsmaße von Stichproben S P A N N W E I T E, V A R I A N Z, S T A N D A R D A B W E I C H U N G, Q U A R T I L E, K O V A R I A N Z, K O R R E L A T I O N S K O E F F I Z I E N T Zentrale Methodenlehre,
MehrGünther Bourier. Beschreibende Statistik. Praxisorientierte Einführung - Mit. Aufgaben und Lösungen. 12., überarbeitete und aktualisierte Auflage
i Günther Bourier Beschreibende Statistik Praxisorientierte Einführung - Mit Aufgaben und Lösungen 12., überarbeitete und aktualisierte Auflage 4^ Springer Gabler Inhaltsverzeichnis Vorwort V 1 Einführung
Mehr3.2 Streuungsmaße. 3 Lage- und Streuungsmaße 133. mittlere Variabilität. geringe Variabilität. große Variabilität 0.0 0.1 0.2 0.3 0.4 0.
Eine Verteilung ist durch die Angabe von einem oder mehreren Mittelwerten nur unzureichend beschrieben. Beispiel: Häufigkeitsverteilungen mit gleicher zentraler Tendenz: geringe Variabilität mittlere Variabilität
MehrGlossar Statistik 2. Bivariate Verfahren: zwei nummerische Merkmale
Glossar Statistik 2 Bivariate Verfahren: zwei nummerische Merkmale Streudiagramm - Datenpaare (X, Y) als Punkte auf einem zweidimensionale Diagramm (Ordinate: Y, Abszisse: X) Lineare Regression - Optimierungsproblem
MehrDie Korrelation von Merkmalen
Die Korrelation von Merkmalen In der Analse von Datenmaterial ist eines der Hauptziele der Statistik eine Abhängigkeit bzw. einen Zusammenhang zwischen Merkmalen zu erkennen. Die Korrelation ermittelt
MehrUnivariates Datenmaterial
Univariates Datenmaterial 1.6.1 Deskriptive Statistik Zufallstichprobe: Umfang n, d.h. Stichprobe von n Zufallsvariablen o Merkmal/Zufallsvariablen: Y = {Y 1, Y 2,..., Y n } o Realisationen/Daten: x =
Mehr4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR. 4. Empirische Momente von ZR
Im Allgemeinen wird sich das Verhalten einer ZR über die Zeit ändern, z.b. Trend, saisonales Verhalten, sich verändernde Variabilität. Eine ZR wird als stationär bezeichnet, wenn sich ihr Verhalten über
MehrAngewandte Statistik mit R
Reiner Hellbrück Angewandte Statistik mit R Eine Einführung für Ökonomen und Sozialwissenschaftler 2., überarbeitete Auflage B 374545 GABLER Inhaltsverzeichnis Vorwort zur zweiten Auflage Tabellenverzeichnis
MehrVorkurs Mathematik Übungsaufgaben. Dozent Dr. Arne Johannssen
Vorkurs Mathematik Übungsaufgaben 2 Dozent Dr. Arne Johannssen Lehrstuhl für Betriebswirtschaftslehre, insbesondere Mathematik und Statistik in den Wirtschaftswissenschaften Neues Logo: ie gesamte Universität
Mehr1 Einleitung und Grundlagen 1
Inhaltsverzeichnis Vorwort vii 1 Einleitung und Grundlagen 1 1.1 Einführende Beispiele 1 1.2 Statistischer Prozess 2 1.3 Grundlagen 2 1.4 Unterscheidung von Merkmalen 3 1.4.1 Skalenniveaus 3 1.4.2 Stetige
MehrLineare Regression Blockpraktikum zur Statistik mit R 28. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012
Lineare Regression Blockpraktikum zur Statistik mit R 28. März 2012 Sören Gröttrup Institut für Mathematische Statistik Universität Münster SS 2012 Beispiel: Ausgangsfrage Ziel: Wie wirkt sich die eingesetzte
Mehr2 Regressionsgerade und Korrelation
17 2 Regressionsgerade und Korrelation In diesem Kapitel wird gezeigt, wie man üperprüfen kann, ob zwei Datensätze zusammenhängen und wie sich ein allfälliger (linearer) Zusammenhang quantitativ beschreiben
MehrStatistik. Ronald Balestra CH St. Peter
Statistik Ronald Balestra CH - 7028 St. Peter www.ronaldbalestra.ch 17. Januar 2010 Inhaltsverzeichnis 1 Statistik 1 1.1 Beschreibende Statistik....................... 1 1.2 Charakterisierung von Häufigkeitsverteilungen...........
Mehr(f(xi ) y i ) 2. minimal ist: man will also die Summe der quadratischen Abweichungen minimieren ... f(x i ) y i, i=1 (t x i) 2
Mathematik für Biologen, Biotechnologen und Biochemiker Lineare Regression Gegeben seien Datenpaare (, ), (, ),, ( n, n ) Wir stellen die Frage, ob sich die Zahlen i als Werte einer linearen Funktion i
Mehr7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17
7. Lösungen weitere Übungsaufgaben Statistik für Ingenieure WiSe 16/17 1. Aufgabe: a) Grundgesamtheit sind alle Reifen aus der Produktion von Langstone aus dem Monat März der entsprechenden Reifentypen.
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrDer Korrelationskoezient nach Pearson
Der Korrelationskoezient nach Pearson 1 Motivation In der Statistik werden wir uns häug mit empirisch erfassten Daten beschäftigen. Um diese auszuwerten, ist es oftmals notwendig einen Zusammenhang zwischen
MehrEs können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden.
Teil III: Statistik Alle Fragen sind zu beantworten. Es können keine oder mehrere Antworten richtig sein. Eine Frage ist NUR dann richtig beantwortet, wenn ALLE richtigen Antworten angekreuzt wurden. Wird
Mehr1. Datei Informationen
1. Datei Informationen Datei vorbereiten (Daten, Variablen, Bezeichnungen und Skalentypen) > Datei Dateiinformation anzeigen Arbeitsdatei 2. Häufigkeiten Analysieren Deskriptive Statistik Häufigkeiten
MehrEinführung in die Statistik
Einführung in die Statistik Analyse und Modellierung von Daten von Prof. Dr. Rainer Schlittgen Universität Hamburg 12., korrigierte Auflage Oldenbourg Verlag München Inhaltsverzeichnis 1 Statistische Daten
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von 2 Merkmalen stellt sich die Frage, ob es systematische Zusammenhänge oder Abhängigkeiten
MehrLösungen zur deskriptiven Statistik
Lösungen zur deskriptiven Statistik Aufgabe 1. Bei einer Stichprobe von n = Studenten wurden folgende jährliche Ausgaben (in e) für Urlaubszwecke ermittelt. 1 58 5 35 6 8 1 6 55 4 47 56 48 1 6 115 8 5
MehrInterpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression
Interpolation, lineare Gleichungen (mit und ohne Lösungen) und lineare Regression Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-6020 Innsbruck, Österreich franz.pauer@uibk.ac.at
MehrKapitel 3. Konvergenz von Folgen und Reihen
Kapitel 3. Konvergenz von Folgen und Reihen 3.1. Normierte Vektorräume Definition: Sei V ein Vektorraum (oder linearer Raum) über (dem Körper) R. Eine Abbildung : V [0, ) heißt Norm auf V, falls die folgenden
MehrInhaltsverzeichnis. Über die Autoren Einleitung... 21
Inhaltsverzeichnis Über die Autoren.... 7 Einleitung... 21 Über dieses Buch... 21 Was Sie nicht lesen müssen... 22 Törichte Annahmen über den Leser... 22 Wie dieses Buch aufgebaut ist... 23 Symbole, die
MehrKapitel 6. Verteilungsparameter. 6.1 Der Erwartungswert Diskrete Zufallsvariablen
Kapitel 6 Verteilungsparameter Wie bei einem Merkmal wollen wir nun die Lage und die Streuung der Verteilung einer diskreten Zufallsvariablen durch geeignete Maßzahlen beschreiben. Beginnen wir mit Maßzahlen
MehrStatistik. Von Dr. Günter Bamberg. o. Professor für Statistik und Dr. habil. Franz Baur. Universität Augsburg. 12., überarbeitete Auflage
Statistik Von Dr. Günter Bamberg o. Professor für Statistik und Dr. habil. Franz Baur Universität Augsburg 12., überarbeitete Auflage R.01denbourg Verlag München Wien V INHALTSVERZEICHNIS Vorwort Liste
MehrMusterlösung. Modulklausur Multivariate Verfahren
Musterlösung Modulklausur 31821 Multivariate Verfahren 25. September 2015 Aufgabe 1 (15 Punkte) Kennzeichnen Sie die folgenden Aussagen zur Regressionsanalyse mit R für richtig oder F für falsch. F Wenn
MehrAssoziation & Korrelation
Statistik 1 für SoziologInnen Assoziation & Korrelation Univ.Prof. Dr. Marcus Hudec Einleitung Bei Beobachtung von Merkmalen stellt sich die Frage, ob es Zusammenhänge oder Abhängigkeiten zwischen den
MehrÜbung 1: Wiederholung Wahrscheinlichkeitstheorie
Übung 1: Wiederholung Wahrscheinlichkeitstheorie Ü1.1 Zufallsvariablen Eine Zufallsvariable ist eine Variable, deren numerischer Wert solange unbekannt ist, bis er beobachtet wird. Der Wert einer Zufallsvariable
MehrTeil VI. Gemeinsame Verteilungen. Lernziele. Beispiel: Zwei Würfel. Gemeinsame Verteilung
Zusammenfassung: diskrete und stetige Verteilungen Woche 4: Verteilungen Patric Müller diskret Wahrscheinlichkeitsverteilung p() stetig Wahrscheinlichkeitsdichte f ()
MehrTeil: lineare Regression
Teil: lineare Regression 1 Einführung 2 Prüfung der Regressionsfunktion 3 Die Modellannahmen zur Durchführung einer linearen Regression 4 Dummyvariablen 1 Einführung o Eine statistische Methode um Zusammenhänge
MehrEinführung in die Test- und Fragebogenkonstruktion
Markus Bühner 1 Einführung in die Test- und Fragebogenkonstruktion 2., aktualisierte und erweiterte Auflage PEARSON Studium ein Imprint von Pearson Education München Boston San Francisco Harlow, England
Mehr