Grundlagen Worum geht es in diesem Modul? Beispiel: Benzinverbrauch eines Autos
|
|
- Elly Dittmar
- vor 6 Jahren
- Abrufe
Transkript
1 Grundlagen Worum geht es in diesem Modul? Beispiel: Benzinverbrauch eines Autos Was versteht man unter Schätzen? Die Punktschätzung Notation Umgangssprachliches vs. statistisches Schätzen Das Urnenmodell Ein Schätzer für den Parameter p Erstes Simulationsexperiment Ergebnisse der Simulation Worum geht es in diesem Modul? Dieses Modul schafft die Grundlagen für eine fundierte Auseinandersetzung mit dem Thema Schätzen. Dazu soll zu Beginn an einigen Beispielen herausgestellt werden, was unter Schätzen (im statistischen Sinne) verstanden wird. Gleichzeitig werden mögliche Anwendungsgebiete skizziert. Nach der Einführung der benötigten Notation macht eine erste Simulation mit der Idee des Schätzens vertraut und zeigt weiterführende Problemstellungen auf. Beispiel: Benzinverbrauch eines Autos Die Nachbarn Herr Janssen und Herr Nielsen unterhalten sich über den Benzinverbrauch ihrer Autos. Herr Janssen, der sich kürzlich eine MittelklasseLimousine zugelegt hat, ist von dem hohen Benzinverbrauch seiner "Neuerwerbung" einigermaßen überrascht. Herr Janssen: Ich bereue den Kauf fast schon wieder. Langsam verstehe ich nämlich, warum der Wagen so günstig war! Der Wagen schluckt ja mehr Benzin als ein Bus! Herr Nielsen: Wieso? Was verbraucht er denn? Herr Janssen: Mit der letzten Tankfüllung habe ich knappe 400 Kilometer geschafft und das für 55! Herr Nielsen: Was fasst denn Ihr Tank? Herr Janssen: 50 Liter ich habe es ausgerechnet, das macht ca. 13 Liter auf 100 Kilometer. Eine Katastrophe! Page 1
2 Herr Nielsen: Das hat doch aber noch nicht viel zu sagen, schließlich waren Sie erst einmal Tanken. Vielleicht haben Sie Pech gehabt... Herr Janssen: Ja, Pech beim Autokauf! Herr Nielsen: Nein, so meine ich das nicht. Sie können doch den durchschnittlichen Verbrauch nicht an einer Messung bestimmen. Es ist im Moment sehr heiß, da haben Sie bestimmt Ihre neue Klimaanlage voll aufgedreht. Außerdem hängt der Benzinverbrauch von sehr vielen Faktoren ab. Wenn Sie z.b. nur in der Hauptverkehrszeit durch die Innenstadt fahren... Herr Janssen:... "Fahren" ist da übertrieben, Herr Nielsen, da geben Staus, rote Ampeln und Baustellen sich ein fröhliches StellDichEin! Herr Nielsen: Eben das meine ich ja, Herr Janssen all diese Faktoren beeinflussen den Benzinverbrauch. (Leise) Von Ihrem Fahrstil mal ganz abgesehen... Herr Janssen (nachdenklich): Ihr Wort in Gottes Ohr! Herr Nielsen: Schauen Sie mal hier. Für meinen Dienstwagen muss ich das alles protokollieren. Mit dieser Tankfüllung bin ich fast 600 Kilometer gefahren und hier mit dieser da waren es gerade mal knapp 400 Kilometer. Und beide Male habe ich etwa 40 Liter getankt. Der Verbrauch schwankt also zwischen 6,7 und 10 Litern auf 100 Kilometer. Im letzten Jahr lag der Durchschnitt immerhin bei 8 Litern auf 100 Kilometer. Was versteht man unter Schätzen? Das einleitende Beispiel verdeutlicht die Idee des Schätzens bereits. Viele Fragestellungen laufen darauf hinaus, eine unbekannte Konstante (z.b. den durchschnittlichen Benzinverbrauch auf 100 Kilometern) zu ermitteln, welche das zu untersuchende Merkmal der Einheiten der Grundgesamtheit charakterisiert. Wir nennen diese unbekannte Konstante "Kenngröße" oder "Parameter der Grundgesamtheit". Beispiel: Verschiedene Schätzprobleme Beispielsweise möchte man wissen, welcher Anteil von Personen einer bestimmten Personengruppe der Partei A angehört, welchem Anteil von Personen einer bestimmten Personengruppe ein Produkt A bekannt ist, wie viele Personen durchschnittlich in einem Haushalt einer bestimmten Haushaltsgruppe leben, welches durchschnittliche Alter ein an einer bestimmten Universität immatrikulierter Studierender hat, welcher Anteil von Studierenden einer bestimmten Universität sich im 12. oder höheren Studiensemester befindet, wie groß die Streuung, ausgedrückt durch die Standardabweichung, der Beschäftigtenzahl von Firmen einer bestimmten Firmengruppe ist, welcher Zusammenhang, ausgedrückt durch den Korrelationskoeffizienten, zwischen Beschäftigtenzahl und Umsatz einer bestimmten Branche besteht,... Die Punktschätzung Ziel des Schätzens ist es, Aussagen über einen unbekannten Parameter zu machen, Page 2
3 der die Einheiten der Grundgesamtheit charakterisiert. In diesem Lernmodul findet dabei zugunsten einer besseren Verständlichkeit und größeren Anschaulichkeit eine bewusste Beschränkung auf endliche Grundgesamtheiten statt. Eine exakte Erfassung des Parameters wäre daher über eine Totalerhebung möglich (unter Vernachlässigung einschlägiger Validitätsprobleme bei empirischen Erhebungen vgl. ). In der Praxis ist man allerdings aus verschiedenen Gründen (Kosten, Zeitaufwand) auf Stichproben angewiesen, woraus sich die Notwendigkeit zum Schätzen ergibt. Der Schätzwert ist der "möglichst gute Näherungswert" für den Wert des wahren Parameters, der sich aus der Stichprobe ergeben hat. Die folgende Animation beschreibt diesen Zusammenhang genauer. : Flashanimation ' Animation Punktschätzer ' siehe OnlineVersion Beispiel: Die Sonntagsfrage Ein typisches Schätzproblem ist die so genannte "Sonntagsfrage", bei der zufällig ausgewählte wahlberechtigte Bürger gefragt werden, welche Partei sie wählen würden, wenn am kommenden Sonntag Wahlen wären. Das Schätzproblem dahinter besteht darin, aus dem Ergebnis der Befragung von einigen tausend Personen (der Stichprobe) auf das Wahlverhalten der gesamten wahlberechtigten Bevölkerung (ca. 61 Millionen Deutsche) zu schließen. In Deutschland gibt es einige Institute, die sich u.a. auf die Durchführung solcher Befragungen und auf Wahlhochrechnungen spezialisiert haben. Weitere Informationen zu diesem Thema finden sich unter den folgenden Links: Eine Besonderheit von Wahlprognosen und Wahlhochrechnungen besteht darin, dass ex post durch die Wahl selbst der wahre Parameterwert bestimmt wird, so dass sich die Genauigkeit der Schätzung (Prognose bzw. Hochrechnung) überprüfen lässt. Bei fast allen anderen in der Praxis relevanten Schätzproblemen ist eine exakte Bestimmung des Page 3
4 wahren Parameterwertes durch eine vollständige Untersuchung der Grundgesamtheit (auch nachträglich) nicht möglich bzw. aus ökonomischen Gründen nicht sinnvoll. Notation Wir wollen an dieser Stelle noch einmal kurz zusammenfassen, was wir bisher über das Schätzen wissen und die benötige Notation ergänzen: Wir versuchen, Aussagen über einen unbekannten Parameter zu machen, der die Einheiten der Grundgesamtheit charakterisiert. Diesen Parameter bezeichnen wir allgemein als. Da wir den Wert von nicht kennen, versuchen wir ihn zu schätzen. Der verwendete Schätzer ist eine Funktion, die die Informationen aus einer Stichprobe vom Umfang aggregiert. Wir nennen diesen Schätzer allgemein und schreiben. Weil als Schätzung immer einen konkreten Wert liefert, bezeichnet man auch als Punktschätzer. Der Sinn dieser Bezeichnung erschließt sich erst, wenn man weiß, dass es auch Schätzungen gibt, bei denen ein Intervall anstatt eines konkreten Wertes aus einer Stichprobe bestimmt wird diese Schätzungen werden wir an späterer Stelle noch kennenlernen (im ) Beispiel: Notation für die Schätzung des Benzinverbrauchs Gehen wir davon aus, dass der Benzinverbrauch auf 100 Kilometer eines Autos sich durch ein Normalverteilungsmodell (vgl. ) beschreiben lässt. Der unbekannte Parameter, dessen Wert wir schätzen wollen, ist dann der Parameter der Normalverteilung. Wir würden wie Herr Nielsen im einleitenden Beispiel den Benzinverbrauch beobachten. Die gesammelten Messwerte für den durchschnittlichen Benzinverbrauch auf 100 Kilometer,, bilden dann unsere Stichprobe vom Umfang. Herr Nielsen hat als Schätzfunktion einfach den Durchschnitt über alle Beobachtungen gebildet. Formal schreiben wir das so: Die folgende Abbildung veranschaulicht den Zusammenhang noch einmal: Page 4
5 Für den Parameter der Grundgesamtheit (also den tatsächlichen durchschnittlichen Benzinverbrauch) sind verschiedene Werte möglich. Wir könnten alle diese Werte als Punkte auf einer Geraden abtragen. Ebenso ließe sich auf dieser Geraden unser Schätzwert als Punkt eintragen. Die Abbildung veranschaulicht das beispielhaft: Schauen Sie sich noch einmal die Ihnen aus der Wahrscheinlichkeitsrechnung bekannten diskreten und stetigen Verteilungsmodelle an. Identifizieren Sie für drei Verteilungsmodelle praktische Anwendungen, in denen Parameter dieser Verteilung geschätzt werden müssen. Was entspräche jeweils dem unbekannten Parameter der Grundgesamtheit? Wie würde der Schätzer bezeichnet werden? Wenn Sie intuitiv eine Idee für eine geeignete Schätzfunktion haben, geben Sie diese ebenfalls an. In dieser Übung soll im Statistiklabor der durchschnittliche Benzinverbrauch eines Wagens auf 100 Kilometer geschätzt werden. Es steht eine Stichprobe mit 50 Beobachtungen zur Verfügung. Labordatei öffnen ( af6.zmpf ) Umgangssprachliches vs. statistisches Schätzen Das Wort "Schätzen" taucht auch oft in der Umgangssprache auf. So sagen wir z.b., "Ich schätze, morgen wird das Wetter auch nicht besser" oder "Ich kann nicht abschätzen, wie lange es dauern wird", "Ich schätze, es saßen mindestens 200 Studenten in der Vorlesung" oder "Schätz mal, wieviel das gekostet hat". Allerdings gibt es einen Unterschied zwischen "umgangssprachlichem Schätzen" und "statistischem Schätzen". Beim Schätzen im statistischen Sinn wird der Schätzwert unter Einsatz eines objektiven und nachvollziehbaren Verfahrens aus den in der Stichprobe enthaltenen Informationen gewonnen. Formalisiert wird das genau durch die (Schätz) Funktion, die die Informationen aus der Stichprobe systematisch zusammenfasst. Weiterhin sollten Aussagen zur Genauigkeit der Schätzung möglich sein. Fundierte Aussagen darüber sind nur möglich, wenn die Stichprobe durch eine Zufallsauswahl (vgl. ) gewonnen wurde; im Folgenden wird daher immer davon ausgegangen, dass unsere Stichproben durch eine einfache Zufallsauswahl zu Stande kommen. Das Urnenmodell Wir wollen versuchen, die Sonntagsfrage durch ein statistisches Modell zu veranschaulichen. Im Anschluss werden wir dieses Modell nutzen, um Simulationen durchzuführen, anhand derer wir tiefer in die Materie des Schätzens einsteigen können. Zur Vereinfachung machen wir folgende Annahmen:. Wir betrachten wie in der Realität eine endliche Grundgesamtheit; allerdings Page 5
6 wählen wir eine Grundgesamtheit vom Umfang, die für unsere Zwecke völlig ausreichend ist und im Vergleich zur Grundgesamtheit der wahlberechtigten Deutschen vom Umfang übersichtlicher ist.. Wir interessieren uns nur für die Frage, ob eine wahlberechtigte Person die Partei A wählt oder nicht andere Parteien betrachten wir nicht.. Weiterhin gehen wir von der Unabhängigkeitsvoraussetzung aus, d.h. alle wahlberechtigten Personen treffen ihre Wahlentscheidung unabhängig voneinander. Durch diese Vereinfachungen gelingt es uns, unsere Sonntagsfrage perfekt durch das sog. Urnenmodell (vgl. Modul Einführung Stichprobentheorie) zu veranschaulichen: Eine Urne gefüllt mit Kugeln symbolisiert unsere Grundgesamtheit. Die Kugeln unterscheiden sich lediglich in ihrer Farbe. Die Farbe "schwarz" steht dabei für eine Wahlentscheidung zugunsten von Partei A, die Farbe "weiß" für das Gegenereignis (also Wahl einer anderen Partei, Nichtwahl oder ungültig wählen). Greifen wir nun mal blind in die Urne, um jedes Mal zufällig eine Kugel auszuwählen und zu ziehen (und nach dem Ziehen entweder sofort wieder zurück oder beiseite zu legen), so erhalten wir eine einfache Zufallsstichprobe vom Umfang. Verbindung zum Binomialverteilungsmodell Dieses Urnenmodell bildet die Grundlage für das aus dem Kapitel Wahrscheinlichkeitsrechnung bekannte Binomialverteilungsmodelle (vgl. ) : Zählt die Zufallsvariable die Anzahl der schwarzen Kugeln (bzw. die Anzahl der Stimmen für Partei A) in einer Stichprobe vom Umfang, so gilt näherungsweise: ist dabei der Parameter, den wir allgemein als bezeichnen. Im Urnenmodell ist es der Anteil schwarzer Kugeln in der Urne (der bekannt ist); bei der Sonntagsfrage ist es der Anteil der Wähler von Partei A in der Grundgesamtheit (der unbekannt ist). Beispiel: Eine Zufallsstichprobe aus der Urne Eine zufällig aus der Urne gezogene Stichprobe vom Umfang führte zu folgender Realisation: Sie enthält 7 weiße und 3 schwarze Kugeln. Jede einzelne Ziehung einer Kugel betrachten wir als Zufallsexperiment und ordnen eine entsprechende Zufallsvariable zu. Wir definieren eine Zufallsvariable, die abhängig vom Ergebnis der ten Ziehung zwei Werte annehmen kann:, wenn wir eine schwarze Kugel ziehen, oder, wenn eine weiße Kugel gezogen wird. Im Falle unserer konkreten Stichprobe heißt das also: Page 6
7 Wir bilden die Summe aller und bezeichnen diese mit (ohne Index): ist die Anzahl schwarzer Kugeln in der Stichprobe und fasst somit die in der Stichprobe enthaltenen Informationen sinnvoll zusammen. Ein Schätzer für den Parameter p Wir wollen einen Schätzer konstruieren, mit dem wir schätzen können. Dazu suchen wir entweder in der Literatur nach einem entsprechenden Schätzer für den Parameter bei Binomialverteilung oder was in diesem Fall nicht schwer fällt wir konstruieren selbst einen Schätzer. misst die Zahl schwarzer Kugeln in unserer Stichprobe vom Umfang. Es scheint recht plausibel, als Schätzer für den Anteil schwarzer Kugeln in der Grundgesamtheit den Anteil schwarzer Kugeln in der Stichprobe zu verwenden, also. Der Term ist die Schätzfunktion, die die Informationen aus einer beliebigen Stichprobe vom Umfang zu einem Schätzwert zusammenfasst. Um dies hervorzuheben, können wir auch schreiben:. Nehmen wir an, eine zufällig gezogene Stichprobe aus unserer Urne vom Umfang enthielte 25 schwarze Kugeln. Wir würden erhalten. Wir hätten aber beispielsweise auch 27 schwarze Kugeln in der Stichprobe finden können, was als Schätzwert ergeben hätte. Auf jeden Fall erwarten wir (vgl. ), dass unsere Stichprobe ein Bild ergibt, das nicht zu stark von der Grundgesamtheit abweicht, und damit ein, das nicht zu stark von verschieden ist. Das wollen wir näher untersuchen. Erstes Simulationsexperiment Als "Höhepunkt" unserer bisherigen Bemühungen werden wir jetzt eine erste Simulation anstellen. Als Modell bemühen wir unser Urnenmodell, wobei wir einfach willkürlich festlegen, dass sich in unserer Urne 2500 schwarze und 7500 weiße Kugeln befinden es gilt also. Wir befinden uns also in der glücklichen Lage, den wahren Parameterwert zu kennen und können so den Erfolg unserer Schätzbemühungen beurteilen. Für unsere erste Simulation lassen wir einen Zufallszahlengenerator Stichproben vom Umfang ziehen. Für jede dieser Stichproben ermitteln wir die Anzahl von schwarzen Kugeln und berechnen den Schätzwert mit. Das Ergebnis visualisieren wir in Form eines Histogramms, das uns einen Eindruck von der Häufigkeitsverteilung unseres Schätzers gibt (vgl. ). Anschließend wiederholen wir die Simulation nach dem gleichen Muster für größere Stichprobenumfänge, z.b. für und. Histogramm und Boxplot für den Schätzer von p; k=1000 Stichproben vom Umfang n=50, n=100 bzw. n=200 Page 7
8 Ergebnisse der Simulation Die folgende Tabelle enthält einige Kennzahlen aus der Simulation ( Stichproben, wahrer Wert ). Stichprobenumfang kleinster Wert Mittelwert größter Wert Wir erkennen, dass unser Schätzer im Mittel dem wahren Wert von sehr nahe kommt. Unsere Schätzwerte variieren allerdings. Dabei hängt der Grad dieser Abweichung Mittelwert bzw. vom wahren Wert offensichtlich vom Stichprobenumfang ab: Je größer, desto geringer die Streuung der Schätzung. Diese interessanten Eigenschaften unseres Schätzers sind es wert, genauer untersucht zu werden... Mithilfe des StatistikLabors können wir auch eigene Simulationen durchführen. Im Folgenden wollen wir die eben angestellte Simulation um den Fall erweitern. Labordatei öffnen ( cdd.zmpf ) In diesem Modul wurde dargestellt, was unter "Schätzen" im statistischen Sinne verstanden wird. Unter Schätzen verstehen wir das Ermitteln einer unbekannten Konstante, die das zu untersuchende Merkmal der Einheiten der Grundgesamtheit charakterisiert. Für jedes Schätzproblem benötigen wir eine Schätzfunktion, mit deren Hilfe wir einen Schätzwert aus einer konkreten Stichprobe vom Umfang auf eine objektive und nachvollziehbare Weise gewinnen können. Um etwas Licht in das Dunkel der Theorie zu bringen, wurde als Beispiel ein Schätzer () für die Schätzung des Parameters der Binomialverteilung betrachtet. Die Eigenschaften dieses Schätzers wurden durch eine Simulation veranschaulicht. Als erste interessante Ergebnisse können wir festhalten, dass die Schätzung im Mittel richtig ist und die Präzision der Schätzung vom Umfang der verwendeten Stichprobe abhängt. Intervallschätzer ErklärungPunktschätzer ErklärungSchätzer Erklärung (c) Projekt Neue Statistik 2003, Freie Universität Berlin, Center für Digitale Systeme Page 8
9 Kontakt: Page 9
5. Schließende Statistik. 5.1. Einführung
5. Schließende Statistik 5.1. Einführung Sollen auf der Basis von empirischen Untersuchungen (Daten) Erkenntnisse gewonnen und Entscheidungen gefällt werden, sind die Methoden der Statistik einzusetzen.
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrStichprobenauslegung. für stetige und binäre Datentypen
Stichprobenauslegung für stetige und binäre Datentypen Roadmap zu Stichproben Hypothese über das interessierende Merkmal aufstellen Stichprobe entnehmen Beobachtete Messwerte abbilden Schluss von der Beobachtung
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrStatistik im Bachelor-Studium der BWL und VWL
Max C. Wewel Statistik im Bachelor-Studium der BWL und VWL Methoden, Anwendung, Interpretation Mit herausnehmbarer Formelsammlung ein Imprint von Pearson Education München Boston San Francisco Harlow,
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
MehrBestimmen der Wahrscheinlichkeiten mithilfe von Zählstrategien
R. Brinmann http://brinmann-du.de Seite 4.0.2007 Bestimmen der Wahrscheinlicheiten mithilfe von Zählstrategien Die bisherigen Aufgaben zur Wahrscheinlicheitsrechnung onnten im Wesentlichen mit übersichtlichen
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehri x k k=1 i u i x i v i 1 0,2 24 24 0,08 2 0,4 30 54 0,18 3 0,6 54 108 0,36 4 0,8 72 180 0,60 5 1,0 120 300 1,00 2,22 G = 1 + 1 n 2 n i=1
1. Aufgabe: Der E-Commerce-Umsatz (in Millionen Euro) der fünf größten Online- Shopping-Clubs liegt wie folgt vor: Club Nr. Umsatz 1 120 2 72 3 54 4 30 5 24 a) Bestimmen Sie den Ginikoeffizienten. b) Zeichnen
MehrVeranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME):
Veranstaltung Statistik (BWL) an der FH Frankfurt/Main im WS 2004/05 (Dr. Faik) Klausur 09.02.2005 - GRUPPE A - BEARBEITER/IN (NAME, VORNAME): MATRIKELNUMMER: Alte Prüfungsordnung/Neue Prüfungsordnung
Mehr6 Mehrstufige zufällige Vorgänge Lösungshinweise
6 Mehrstufige zufällige Vorgänge Lösungshinweise Aufgabe 6.: Begründen Sie, warum die stochastische Unabhängigkeit zweier Ereignisse bzw. zufälliger Vorgänge nur ein Modell der Realität darstellen kann.
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
Mehr90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft
Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte
MehrFAKTORIELLE VERSUCHSPLÄNE. Andreas Handl
FAKTORIELLE VERSUCHSPLÄNE Andreas Handl 1 Inhaltsverzeichnis 1 Versuchsplanung 4 2 Einfaktorielle Varianzanalyse 6 2.1 DieAnnahmen... 6 2.2 Die ANOVA-Tabelle und der F -Test... 6 2.3 Versuche mit zwei
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
Mehr1 Von den Ereignissen U und V eines Zufallsexperiments kennt man die Eigenschaften (1) bis (3) :
Prof. Dr. E. Mammen SEMINAR FÜR STATISTIK Prof. Dr. H. Stenger UNIVERSITÄT MANNHEIM Vierstündige Klausur in statistischer Methodenlehre 9. Juli 003; 8:30 - :30 Zulässige Hilfsmittel: keine, insbesondere
MehrRegelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall
Wahrscheinlichkeitstheorie Was will die Sozialwissenschaft damit? Regelmäßigkeit (Erkennen von Mustern und Zusammenhängen) versus Zufall Auch im Alltagsleben arbeiten wir mit Wahrscheinlichkeiten, besteigen
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
MehrUniversität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip. KLAUSUR Statistik B
Universität Bonn 28. Juli 2010 Fachbereich Rechts- und Wirtschaftswissenschaften Statistische Abteilung Prof. Dr. A. Kneip Sommersemester 2010 KLAUSUR Statistik B Hinweise zur Bearbeitung: Bei allen Teilaufgaben
MehrÜbungsaufgaben zu Kapitel 5. Aufgabe 101. Inhaltsverzeichnis:
Inhaltsverzeichnis: Übungsaufgaben zu Kapitel 5... 1 Aufgabe 101... 1 Aufgabe 102... 2 Aufgabe 103... 2 Aufgabe 104... 2 Aufgabe 105... 3 Aufgabe 106... 3 Aufgabe 107... 3 Aufgabe 108... 4 Aufgabe 109...
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrEine Einführung in R: Statistische Tests
Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/
MehrVariationen Permutationen Kombinationen
Variationen Permutationen Kombinationen Mit diesen Rechenregeln lässt sich die Wahrscheinlichkeit bestimmter Ereigniskombinationen von gleichwahrscheinlichen Elementarereignissen ermitteln, und erleichtert
MehrRisiko und Symmetrie. Prof. Dr. Andrea Wirth
Risiko und Symmetrie Prof. Dr. Andrea Wirth Gliederung 1. Einleitung Was ist eigentlich Risiko? 2. Risiko Mathematische Grundlagen 3. Anwendungsbeispiele Wo genau liegt der Schmerz des Risikos? 4. Sie
MehrZufallsgrößen. Vorlesung Statistik für KW 29.04.2008 Helmut Küchenhoff
Zufallsgrößen 2.5 Zufallsgrößen 2.5.1 Verteilungsfunktion einer Zufallsgröße 2.5.2 Wahrscheinlichkeits- und Dichtefunktion Wahrscheinlichkeitsfunktion einer diskreten Zufallsgröße Dichtefunktion einer
Mehr9. StatistischeTests. 9.1 Konzeption
9. StatistischeTests 9.1 Konzeption Statistische Tests dienen zur Überprüfung von Hypothesen über einen Parameter der Grundgesamtheit (bei einem Ein-Stichproben-Test) oder über die Verteilung einer Zufallsvariablen
MehrEinführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.
Einführung in die Geostatistik (7) Fred Hattermann (Vorlesung), hattermann@pik-potsdam.de Michael Roers (Übung), roers@pik-potsdam.de 1 Gliederung 7 Weitere Krigingverfahren 7.1 Simple-Kriging 7.2 Indikator-Kriging
MehrTeil II: Einführung in die Statistik
Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu
MehrBei vielen Zufallsexperimenten interessiert man sich lediglich für das Eintreten bzw. das Nichteintreten eines bestimmten Ereignisses.
XI. Binomialverteilung ================================================================== 11.1 Definitionen -----------------------------------------------------------------------------------------------------------------
MehrVerteilungsmodelle. Verteilungsfunktion und Dichte von T
Verteilungsmodelle Verteilungsfunktion und Dichte von T Survivalfunktion von T Hazardrate von T Beziehungen zwischen F(t), S(t), f(t) und h(t) Vorüberlegung zu Lebensdauerverteilungen Die Exponentialverteilung
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
MehrDiskrete Verteilungsmodelle
Diskrete Verteilungsmodelle Worum geht es in diesem Modul? Die hypergeometrische Verteilung Die Binomialverteilung Approximation der hypergeometrischen Verteilung durch die Binomialverteilung Poisson-Verteilung
Mehr, dt. $+ f(x) = , - + < x < +, " > 0. " 2# Für die zugehörige Verteilungsfunktion F(x) ergibt sich dann: F(x) =
38 6..7.4 Normalverteilung Die Gauß-Verteilung oder Normal-Verteilung ist eine stetige Verteilung, d.h. ihre Zufallsvariablen können beliebige reelle Zahlenwerte annehmen. Wir definieren sie durch die
MehrB 2. " Zeigen Sie, dass die Wahrscheinlichkeit, dass eine Leiterplatte akzeptiert wird, 0,93 beträgt. (genauerer Wert: 0,933).!:!!
Das folgende System besteht aus 4 Schraubenfedern. Die Federn A ; B funktionieren unabhängig von einander. Die Ausfallzeit T (in Monaten) der Federn sei eine weibullverteilte Zufallsvariable mit den folgenden
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrEinführung in die Methoden der empirischen Sozialforschung
Einführung in die Methoden der empirischen Sozialforschung Überblick Population - nauswahl Definition der Begriffe Quantitative Studien: Ziehen von n (= Sampling) Qualitative Studien: Ziehen von n (= Sampling)
MehrKlausur: Einführung in die Statistik
1 Lösungen immer unter die jeweiligen Aufgaben schreiben. Bei Platzmangel auf die Rückseite schreiben (dann Nummer der bearbeiteten Aufgabe mit anmerken!!!). Lösungen, die nicht auf den Aufgabenblättern
MehrMessgeräte: Mess-System-Analyse und Messmittelfähigkeit
Messgeräte: Mess-System-Analyse und Messmittelfähigkeit Andreas Berlin 14. Juli 2009 Bachelor-Seminar: Messen und Statistik Inhalt: 1 Aspekte einer Messung 2 Mess-System-Analyse 2.1 ANOVA-Methode 2.2 Maße
MehrMusteraufgaben für das Fach Mathematik
Musteraufgaben für das Fach Mathematik zur Vorbereitung der Einführung länderübergreifender gemeinsamer Aufgabenteile in den Abiturprüfungen ab dem Schuljahr 013/14 Impressum Das vorliegende Material wurde
Mehrcrossmedia quanitfied self Marvin Wilhelm imd ws 11 fh-trier Crossmedia Dozent: Christopher Ledwig
crossmedia quanitfied self Marvin Wilhelm imd ws 11 fh-trier Crossmedia Dozent: Christopher Ledwig crossmedia quanitfied self Konzepte Marvin Wilhelm imd ws 11 fh-trier Crossmedia Dozent: Christopher
MehrControlling mit Excel 2013. Themen-Special. Peter Wies. 1. Ausgabe, Februar 2014 W-EX2013C
Controlling mit Excel 2013 Peter Wies Themen-Special 1. Ausgabe, Februar 2014 W-EX2013C 3 Controlling mit Excel 2013 - Themen-Special 3 Trendberechnungen durchführen In diesem Kapitel erfahren Sie was
MehrHinweise zur. Auswertung. Markus Scholz Michael Wagner Version 1.0
Hinweise zur Auswertung Markus Scholz Michael Wagner Version 1.0 Struktur der Auswertung Die Auswertung der Ergebnisse und somit der Vergleich der Einschätzungen verschiedener Personen erfolgt mittels
MehrNachholklausur STATISTIK II
Nachholklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrDer Auto Report. Der Auto-Report. Prozent Rechnen. Autozählen Verbrauch - Abschreibung. Copyright by ILV-H
Der Auto-Report Prozent Rechnen Autozählen Verbrauch - Abschreibung 1. Thematik: Autozählung auf der Autobahn Der Staatsrat gibt im Auftrag der Umweltkommission eine Autozählung in Auftrag. Das Ziel dieser
MehrWahrscheinlichkeit Klasse 8 7
7 Wahrscheinlichkeit Klasse 8 Ereignisse Seite 8 a) Ω {Herz 7; Herz 8; Herz 9; Herz 0; Herz Unter; Herz Ober; Herz König; Herz Ass; Eichel 7; Eichel 8; Eichel 9; Eichel 0; Eichel Unter; Eichel Ober; Eichel
MehrStatistik im Versicherungs- und Finanzwesen
Springer Gabler PLUS Zusatzinformationen zu Medien von Springer Gabler Grimmer Statistik im Versicherungs- und Finanzwesen Eine anwendungsorientierte Einführung 2014 1. Auflage Übungsaufgaben zu Kapitel
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrSchätzer (vgl. Kapitel 1): Stichprobenmittel X N. Stichprobenmedian X N
Prof. Dr. J. Franke Statistik II für Wirtschaftswissenschaftler 8.1 Schätzer für Lage- und Skalenparameter und Verteilungsmodellwahl Lageparameter (l(x + a) = l(x) + a): Erwartungswert EX Median von X
MehrComputational Finance
Computational Finance Kapitel 2.2: Monte Carlo Simulation Prof. Dr. Thorsten Poddig Lehrstuhl für Allgemeine Betriebswirtschaftslehre, insbes. Finanzwirtschaft Universität Bremen Hochschulring 4 / WiWi-Gebäude
MehrStatistik II für Betriebswirte Vorlesung 3
PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 3 5. November 2013 Beispiel: Aktiensplit (Aczel & Sounderpandan, Aufg. 14-28) Ein Börsenanalyst
MehrGrundlagen der Inferenzstatistik
Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrWillkommen zur Vorlesung Statistik
Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang
Mehr1. Einführung und statistische Grundbegriffe. Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik:
. Einführung und statistische Grundbegriffe Grundsätzlich unterscheidet man zwei Bedeutungen des Begriffs Statistik: Quantitative Information Graphische oder tabellarische Darstellung von Datenmaterial
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrEinfache Statistiken in Excel
Einfache Statistiken in Excel Dipl.-Volkswirtin Anna Miller Bergische Universität Wuppertal Schumpeter School of Business and Economics Lehrstuhl für Internationale Wirtschaft und Regionalökonomik Raum
MehrPlanung und Ablauf einer empirischen Marktforschung
Planung und Ablauf einer empirischen Marktforschung Für die Lehrveranstaltung Marktforschung WS 2012/13 in 5 grobe Phasen teilbar: 1 1. Forschungsproblem muss formuliert und ggf. präzisiert werden 2. Erhebung
MehrAnalog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.
Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit
MehrSkript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik)
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Skript zur Statistik II (Wahrscheinlickeitsrechnung und induktive Statistik) 1. Einleitung Deskriptive Statistik: Allgemeine und spezielle
MehrMaristengymnasium Fürstenzell zuletzt geändert am 10.03.2001 Aufgaben zur Kombinatorik (mit Lösungen)
Maristengymnasium Fürstenzell zuletzt geändert am 0.0.00 Aufgaben zur Kombinatorik (mit Lösungen) 0.. Wieviele Möglichkeiten gibt es für Kinder, sich auf einen Schlitten zu setzen, wenn ihn nur davon steuern
MehrÜbungsaufgaben Wahrscheinlichkeit
Übungsaufgaben Wahrscheinlichkeit Aufgabe 1 (mdb500405): In einer Urne befinden sich gelbe (g), rote (r), blaue (b) und weiße (w) Kugel (s. Bild). Ohne Hinsehen sollen aus der Urne in einem Zug Kugeln
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrVarianzanalyse ANOVA
Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für
Mehr4 Szene. Alle hatten Grün oder wie mich eine Ampel zum Tanzen brachte
Alle hatten Grün oder wie mich eine Ampel zum Tanzen brachte Die Straße ist kein guter Ort zum Tanzen - zu viel Verkehr, kein guter Sound, klar? Aber ich habe auf der Straße einen echten Tanz hingelegt
MehrNINA DEISSLER. Flirten. Wie wirke ich? Was kann ich sagen? Wie spiele ich meine Stärken aus?
NINA DEISSLER Flirten Wie wirke ich? Was kann ich sagen? Wie spiele ich meine Stärken aus? Die Steinzeit lässt grüßen 19 es sonst zu erklären, dass Männer bei einer Möglichkeit zum One-Night-Stand mit
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik Name, Vorname:... verteilung Teil 1: Beschreibende Statistik Aufgaben
MehrPrüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik)
2 3 Klausur-Nr = Sitzplatz-Nr Prüfung zu Modul 26 (BA Bw) bzw. 10 (BA IB) (Wirtschaftsstatistik) Klausurteil 1: Beschreibende Statistik BeStat-1 (7 ) n = 400 Personen wurden gefragt, wie viele Stück eines
MehrAUSGANGSEVALUATION Seite 1 1. TEIL
Seite 1 1. TEIL Adrian, der beste Freund Ihres ältesten Bruder, arbeitet in einer Fernsehwerkstatt. Sie suchen nach einem Praktikum als Büroangestellter und Adrian stellt Sie dem Leiter, Herr Berger vor,
Mehr1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18
3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen
MehrGibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero?
Gibt es einen Geschmacksunterschied zwischen Coca Cola und Cola Zero? Manche sagen: Ja, manche sagen: Nein Wie soll man das objektiv feststellen? Kann man Geschmack objektiv messen? - Geschmack ist subjektiv
Mehr4. Erstellen von Klassen
Statistik mit Tabellenkalkulation 4. Erstellen von Klassen Mit einem einfachen Befehl lässt sich eine Liste von Zahlen auf die Häufigkeit der einzelnen Werte untersuchen. Verwenden Sie dazu den Befehl
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrEinführung in die Stochastik
Einführung in die Stochastik Josef G. Steinebach Köln, WS 2009/10 I Wahrscheinlichkeitsrechnung 1 Wahrscheinlichkeitsräume, Urnenmodelle Stochastik : Lehre von den Gesetzmäßigkeiten des Zufalls, Analyse
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
Mehr(für Grund- und Leistungskurse Mathematik) 26W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP
.RPELQDWRULN (für Grund- und Leistungsurse Mathemati) 6W55DLQHU0DUWLQ(KUHQE UJ*\PQDVLXP)RUFKKHLP Nach dem Studium dieses Sripts sollten folgende Begriffe beannt sein: n-menge, Kreuzprodut, n-tupel Zählprinzip
MehrMINT-Circle-Schülerakademie
1 Einführung MINT-Circle-Schülerakademie Kurze Einführung, was Maple ist, wozu es dienen kann, wo es verwendet wird. Zur Einführung die folgenden Aufgaben bearbeiten lassen. Aufgabe 1. Gib unter Maple
MehrIst Ihre persönliche Visitenkarte am Telefon und bestimmt den Grundeindruck durch:
Telefon-Marketing Ist Ihre persönliche Visitenkarte am Telefon und bestimmt den Grundeindruck durch: Ihre Stimme - Ihre Sprache - Ihre Sprechweise Grundregeln für das aktive Telefongespräch Gesprächsvorbereitung:
MehrStatistische Auswertung der Daten von Blatt 13
Statistische Auswertung der Daten von Blatt 13 Problemstellung 1 Graphische Darstellung der Daten 1 Diskussion der Normalverteilung 3 Mittelwerte und deren Konfidenzbereiche 3 Signifikanz der Behandlung
MehrP X =3 = 2 36 P X =5 = 4 P X =6 = 5 36 P X =8 = 5 36 P X =9 = 4 P X =10 = 3 36 P X =11 = 2 36 P X =12 = 1
Übungen zur Stochastik - Lösungen 1. Ein Glücksrad ist in 3 kongruente Segmente aufgeteilt. Jedes Segment wird mit genau einer Zahl beschriftet, zwei Segmente mit der Zahl 0 und ein Segment mit der Zahl
MehrGrundkursabitur 2011 Stochastik Aufgabe III
Grundkursabitur 011 Stochastik Aufgabe III An einem Musikwettbewerb, der aus einer Messehalle bundesweit live im Fernsehen übertragenwird, nehmen zwölf Nachwuchsbands aus ganz Deutschland teil. Genau zwei
MehrInhalt. Kundenbindung langfristig Erfolge sichern 5 Kundenbindung als Teil Ihrer Unternehmensstrategie 6 Was Kundenorientierung wirklich bedeutet 11
2 Inhalt Kundenbindung langfristig Erfolge sichern 5 Kundenbindung als Teil Ihrer Unternehmensstrategie 6 Was Kundenorientierung wirklich bedeutet 11 Die Erfolgsfaktoren für Ihre Kundenbindung 17 Diese
MehrDas erwartet Sie in jedem Vorstellungsgespräch
Das erwartet Sie in jedem Vorstellungsgespräch 1 In diesem Kapitel Das A und O ist Ihr Lebenslauf Kennen Sie die Firma, bei der Sie vorstellig werden Informiert sein gehört dazu Wenn Sie nicht zu den absolut
MehrKlausur Wirtschaftsmathematik Lösungshinweise
Klausur Wirtschaftsmathematik Lösungshinweise Prüfungsdatum: 27. Juni 2015 Prüfer: Etschberger Studiengang: Wirtschaftsingenieurwesen Aufgabe 1 16 Punkte Anton Arglos hat von seiner Großmutter 30 000 geschenkt
MehrEs werden etwa 135 Teile benötigt, um mit einer Sicherheit von 90 % eine Streuung
Dieses White Paper ist Teil einer Reihe von Veröffentlichungen, welche die Forschungsarbeiten der Minitab-Statistiker erläutern, in deren Rahmen die im Assistenten der Minitab 17 Statistical Software verwendeten
Mehr1. Einfuhrung zur Statistik
Philipps-Universitat Marburg Was ist Statistik? Statistik = Wissenschaft vom Umgang mit Daten Phasen einer statistischen Studie 1 Studiendesign Welche Daten sollen erhoben werden? Wie sollen diese erhoben
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrStatistik I für Betriebswirte Vorlesung 5
Statistik I für Betriebswirte Vorlesung 5 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik 07. Mai 2015 PD Dr. Frank Heyde Statistik I für Betriebswirte Vorlesung 5 1 Klassische Wahrscheinlichkeitsdefinition
MehrSchritt 1: Schulung vorbereiten
Themen auswählen Jede Ausbildung am Arbeitsplatz sollte gründlich vorbereitet werden. Je besser die Vorbereitung, desto erfolgreicher wird die Schulung selbst sein. Außerdem hat die Vorbereitung auch die
MehrKurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre
Grundlagen der Betriebswirtschaftslehre, Kurs 00091, KE 4, 5 und 6, SS 2008 1 Kurs 00091: Finanzierungs- und entscheidungstheoretische Grundlagen der Betriebswirtschaftslehre Lösungshinweise zur Einsendearbeit
MehrModul G.1 WS 07/08: Statistik 17.01.2008 1. Die Korrelation ist ein standardisiertes Maß für den linearen Zusammenhangzwischen zwei Variablen.
Modul G.1 WS 07/08: Statistik 17.01.2008 1 Wiederholung Kovarianz und Korrelation Kovarianz = Maß für den linearen Zusammenhang zwischen zwei Variablen x und y Korrelation Die Korrelation ist ein standardisiertes
MehrProbleme beim Arbeiten mit Variablen, Termen und Gleichungen
Probleme beim Arbeiten mit Variablen, Termen und Gleichungen Tage des Unterrichts in Mathematik, Naturwissenschaften und Technik Rostock 2010 Prof. Dr. Hans-Dieter Sill, Universität Rostock, http://www.math.uni-rostock.de/~sill/
MehrKonfidenzintervalle so einfach wie möglich erklärt
Konfidenzintervalle so einfach wie möglich erklärt Wolfgang Ludwig-Mayerhofer, Universität Siegen, Philosophische Fakultät, Seminar für Sozialwissenschaften Vorbemerkung: Es handelt sich um die Anfang
MehrFelix Klug SS 2011. 2. Tutorium Deskriptive Statistik
2. Tutorium Deskriptive Statistik Felix Klug SS 2011 Skalenniveus Weitere Beispiele für Skalenniveus (Entnommen aus Wiederholungsblatt 1.): Skalenniveu Nominalskala Ordinalskala Intervallskala Verhältnisskala
MehrDas Bandtagebuch mit EINSHOCH6 Folge 32: BIN ICH PARANOID?
MANUSKRIPT Manchmal haben wir das Gefühl, dass wir von allen Seiten überwacht und beobachtet werden. Bilden wir uns das ein oder ist es wirklich so? Weiß der Staat, was wir tagtäglich machen, oder sind
MehrInformatik Aufgaben. 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100.
Informatik Aufgaben 1. Erstelle ein Programm zur Berechnung der Summe der Zahlen von 1 bis n, z.b. n = 100. 2. Erstelle ein Programm, das die ersten 20 (z.b.) ungeraden Zahlen 1, 3, 5,... ausgibt und deren
Mehr1 Wiederholung einiger Grundlagen
TUTORIAL MODELLEIGENSCHAFTEN Im vorliegenden Tutorial werden einige der bisher eingeführten Begriffe mit dem in der Elektrotechnik üblichen Modell für elektrische Netzwerke formalisiert. Außerdem soll
Mehr