univariate/multivariate Zeitreihenanalyse
|
|
- Lars Bauer
- vor 6 Jahren
- Abrufe
Transkript
1 univariate/multivariate Zeitreihenanalyse lineare Verfahren - statistische Momente - Fourier Transformation - Hilbert Transformation - Wavelet Transformation - Auto- / Kreuzkorrelationsfunktion - ARMA-Modelle -... nichtlineare Verfahren - Phasenraumrekonstruktion - Dimensionen - Lyapunov-Exponenten - Entropien - Determinismus - instabile periodische Orbits - Interdependenzen nichtlineare ARMA-Modelle
2 lineare Verfahren heißen linear, weil Dynamik eines Systems (und damit Zeitreihe) als linear angenommen wird Sei H die Dynamik eines Systems und ( x, x ) zwei Zustandsvektoren H ist linear, wenn (Superpositionsprinzip) 2 H( c x + c x ) = c H( x ) + c H( x ) Zerlegung gilt bei nichtlinearen Systemen nicht!!
3 statistische Datenanalyse modell-unabhängig - Momente von Verteilungen - Gleichheit/Ungleichheit von Verteilungen - lineare Korrelation -... modell-abhängig - Datenanpassung an Modelle - Parameterschätzung - least-squares fit - robuste Schätzung -... deskriptive Statistik
4 statistische Datenanalyse - basiert meist auf Analyse von Verteilungen / Häufigkeiten - keine Information über Dynamik - notwendig für verschiedene Definitionen und Diskriminanz-Tests
5 Momente einer Verteilung. Moment: Mittelwert v = v = v j j= Zentralwert einer Verteilung
6 Momente einer Verteilung 2. Moment: Varianz / Standardabweichung Var( v,..., v ) = ( v j v) j= σ( v,..., v ) = Var( v,..., v ) Breite/Variabilität/Dispersion einer Verteilung um den Zentralwert 2
7 Momente einer Verteilung 3. Moment: Skewness Skew( v,..., v ) = j= v Grad der Asymmetrie einer Verteilung um den Zentralwert (relativ zur ormalverteilung) < 0 Skew= 0 > 0 asymmetrisch, negativere Verteilungsenden j σ symmetrisch, ormalverteilung asymmetrisch, positivere Verteilungsenden v 3
8 Momente einer Verteilung 4. Moment: Kurtosis Kurt( v,..., v ) = j= v j σ v 4 Grad der Flachheit/Steilheit einer Verteilung (relativ zur ormalverteilung) < 0 Kurt = 0 > 0 platokurtisch, flache Verteilung mesokurtisch (ormalverteilung) leptokurtisch, spitze Verteilung 3
9 3. und 4. Moment einer Verteilung
10 Hinweise für ichtlinearität betrachte 3. und 4. Moment und deren Standardabweichungen: σ( Skew) σ( Kurt) = = 6 24 für ormalverteilung Skew( v ) >> σ( Skew) i Kurt( v ) >> σ( Kurt) i
11 Gleichheit/Ungleichheit von Verteilungen Kolmogorov-Smirnov-Test: Abstand von kumulativen Verteilungsfunktionen S D = max S ( v) S ( w) KS < v, w< v w Signifikanz für - Tabellen v + w Freiheitsgrade
12 Gleichheit/Ungleichheit von Verteilungen Kolmogorov-Smirnov-Test: Abstand von kumulativen Verteilungsfunktionen S
13 Gleichheit/Ungleichheit von Verteilungen gleiche Mittelwerte? Student's t-test 2 Zeitreihen über gepoolte Varianzen: s D = v w i= = v( i) i =,..., v w( i) i =,..., w ( vi v ) ( wi w) i v w v w Standardfehler der Mittelwertdifferenzen v w
14 Gleichheit/Ungleichheit von Verteilungen gleiche Mittelwerte? Student's t-test t v = s D w Signifikanz für v + w 2 Freiheitsgrade - Tabellen - unvollständige beta-funktion
15 Gleichheit/Ungleichheit von Verteilungen gleiche Varianzen? F-Test 2 Zeitreihen v( i) i =,..., w( i) i =,..., v w F = Var ( v ) Var( w ) Signifikanz für v + w Freiheitsgrade - Tabellen - unvollständige beta-funktion i i
16 lineare Korrelationen: parametrische Tests - linearer Korrelationskoeffizient (Pearson's r) nichtparametrische Tests - Spearman Rangordnungs Korrelationskoeffizient - Kendall's τ
17 lineare Korrelationen: Pearson's r 2 Zeitreihen v( i) i =,..., v w( i) i =,..., w v w r = i i ( v v)( w w) i ( v v) ( w w) i i 2 2 i i r = 0 + vollständig antikorreliert unkorreliert vollständig korreliert
18 lineare Korrelationen: Pearson's r
19 physikalisches Phänomen Zeitreihe deterministisch stochastisch periodisch nicht-periodisch stationär nichtstationär - Sinusoidal - fast-periodisch (eine Frequenz) - komplexperiodisch (inkommensurable Frequenzen) - Transienten (kommensurable Frequenzen)
20 Auffinden verborgener periodischer Anteile physikalischer Prozeß (Zeitreihe) Zeitbereich v(t) v = Auslenkung, Spannung, etc. Frequenzbereich V(f) V= Amplitude komplexe Zahl (Phase) < f <
21 Autokorrelationsfunktion gibt Hinweise darauf, wie Werte einer Zeitreihe in bestimmten Zeitabständen τ zusammenhängen C vv T ( τ) = lim T v ( t ) v ( t + τ) dt T 0 C C vv vv ( τ) = C ( τ) vv ( 0) C ( τ) vv τ τ = lag
22 Autokorrelationsfunktion periodisches Signal stochastisches Signal Signal mit Gedächtnis
23 Kreuzkorrelationsfunktion gibt Hinweise darauf, wie Werte einer Zeitreihe mit Werten einer anderen Zeitreihe in bestimmten Zeitabständen τ zusammenhängen C vw T ( τ) = lim T v ( t ) w ( t + τ) dt T 0 C vw ( τ ) = C ( τ ) wv
24 Fourieranalysen Approximation einer Funktion durch Summe von Sinusund Kosinustermen (Fourierreihendarstellung). Eindeutig für deterministische Signale. periodischer Prozeß v( t) = k = V e nicht-periodischer Prozeß k ikωt V k T T v t e ik t = ω ( ) dt i t v( t) = V ( ω) e ω dω V v t e iωt ( ω) = ( ) dt 2π ω = 2πf 0
25 Fourieranalysen Approximation einer Funktion durch Summe von Sinusund Kosinustermen (Fourierreihendarstellung). Eindeutig für deterministische Signale. v( t) = a cos( ω t) + b sin( ω t) ω = a b k k 2 = cos( ω kt) k =, 2,..., 2 = 2 2 k= 0 t= t= k v( t)sin( ω t) k k k k 2 iω t k v( t) = cke ck = v( t) e k= 2 k t= iω k t 2πk Bedingung: t = v( t) 2 <
26 Fourieranalysen Problem: üblicherweise nur endlich viele Meßwerte () aus endlichem Zeitintervall (Zeitfenster). Lösung: diskrete Fouriertransformation V k : = v( n t) e n= 0 v( n t) = k = 0 2πink V e k 2πink
27 Fourieranalysen Problem: FT und DFT sind 2 -Algorithmen Lösung: Schnelle Fouriertransformation (FFT) log ()-Algorithmus 2 verschiedene Realisationsmöglichkeiten: vgl. E.O. Brigham: The Fast Fourier Transform. Prentice Hall, Englewood Cliffs, ew Jersey, 974
28 einige nützliche Theoreme: Faltungs-Theorem v( t) * w( t) V ( f ) W( f ) Korrelations-Theorem Cvw V ( f ) W *( f ) Wiener-Khinchin-Theorem C vv V ( f ) 2 Parseval' sches Theorem Gesamtleistung v( t) dt = V ( f ) df 2 2
29 Schätzung des Leistungsspektrum P(f) Probleme: - Varianz der Schätzung ist so groß wie die Schätzung selbst Zeitbereichs- oder Frequenzbereichsmittelung - leakage diskreter Fall: Schätzung des Leistungsspektrum bei diskreten Frequenzen. Einfluß benachbarter Frequenzen? Windowing
30 Schätzung des Leistungsspektrum P(f) Fensterfunktionen
31 Stationarität - wesentliche Voraussetzung für Beschreibung eines Systems - gewährleistet Reproduzierbarkeit eines Meßergebnisses - starke Stationarität / schwache Stationarität
32 Stationarität Definition: starke Stationarität Ein Prozeß wird stationär im strengen oder engeren Sinne genannt, wenn Ψ( Z,..., Z ) Ψ( Z,..., Z ) t t = t + τ t + τ n n mit beliebigen t,..., t, τ, n n. Ψ( Z ) Ψ( Z,..., Z ) = t t t n Verbundverteilungsfunktion (statistischen Momente) Eine Verschiebung des Zeitbeginns um τ hat keinen Einfluß auf die statistischen Momente und Verbundmomente.
33 Stationarität Definition: schwache Stationarität Ein Prozeß heißt schwach stationär, wenn seine Verbundmomente bis zur Ordnung 2 zeitunabhängig, also konstant sind. z( t) = z( t) = z = konstant σ ( z( t)) = σ = konstant (mittelwertstationär) (varianzstationär)
34 stochastische Prozesse - geordnete Menge von Zufallsvariablen { Z t T} t, {T} Menge der Zeitpunkte, bei denen der Prozeß definiert ist - Zeitreihe zt Zt ist Realisation eines stochastischen Prozesses
35 stochastische Prozesse Grundmodell: weißes Rauschen - identisch verteilt - v(t) unabhängig ---> unkorreliert - Autokorrelationsfunktion: t C = σ 2 = 0 vv 0 t 0 Im Leistungsspektrum sind alle Frequenzen gleichwertig vertreten (Analogie: weißes Licht)
36 -0,4-0,2 0 0,2 0,4 0,6 0,8, time lag AKF 0 0, 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0, data points Amplitude [a.u] weißes Rauschen Zeitreihe Autokorrelationsfunktion
37 stochastische Prozesse Autoregressive (AR) Prozesse p-ter Ordnung p l= v( t) = a v( t l) + ε( t) l ε(t) ist reiner Zufallsprozess mit Mittelwert 0 und Varianz σ ist der Antrieb des Systems v(t) hängt von seiner Vergangenheit bis zur Ordnung p ab (autoregressiv) 2
38 stochastische Prozesse Autoregressive (AR) Prozesse -ter Ordnung (Markov-Prozeß) v( t) = av( t ) + ε( t) - bei AR()-Prozessen nimmt die Autokorrelationsfunktion Cvv exponentiell ab - Korrelationszeit ist die Zeit, nach der Cvv auf ihren e-ten Teil abgefallen ist - für AR() Prozesse gilt: - Prozeß identifizierbar τ corr = lna
39 AR()-Prozess: v(t) = 0,8 v(t-) + ε(t) 4,5 4 3,5 3 2,5 2,5 0,5 0 AKF,2 0,8 0,6 0,4 0,2 0-0, Zeitreihe Amplitude [a.u.] data points Autokorrelationsfunktion ,4 time lag
40 stochastische Prozesse Autoregressive (AR) Prozesse 2-ter Ordnung v( t) = a v( t ) + a v( t 2) + ε( t) 2 - bei AR-Prozessen höherer Ordnung kann die Autokorrelationsfunktion Cvv eine Mischung von gedämpfter Exponential- und sinusförmigen Funktionen sein. - Prozeß schwer zu identifizieren - rekursive Schätzung der Prozeßparameter a und p
41 AR(2)-Prozess: v(t) = 0,85 v(t-)-0,2 v(t-2) + ε(t) 3 2,5 2,5 0, Zeitreihe Amplitude [a.u.] 507 data points Autokorrelationsfunktion AKF,2 0,8 0,6 0,4 0,2 0-0, ,4 time lag
42 stochastische Prozesse Erweiterung: Autoregressive (AR) Moving Average (MA) Prozesse p,q-ter Ordnung p q l l= k = v( t) = a v( t l) + b ε( t k) Leistungsspektrum von ARMA-Prozessen wird durch 2πif rationale Funktionen von e beschrieben: V ( f ) = const. ARMA --> Anwendung als Schätzer k 2πif b( e ) 2πif a( e ) 2
Bivariate Zeitreihenanalyseverfahren Tests auf Nichtlinearität
Bivariate Zeitreihenanalseverahren Tests au Nichtlinearität Skewness, Kurtosis ür zirkuläre Maße z.b. Phasenkohärenz R Problem: nur statische Nichtlinearitäten Statistik Ansatz: transormiere Phasen Phasendierenzen
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrFourier - Transformation
Fourier - Transformation Kurzversion 2. Sem. Prof. Dr. Karlheinz Blankenbach Hochschule Pforzheim, Tiefenbronner Str. 65 75175 Pforzheim Überblick / Anwendungen / Motivation: Die Fourier-Transformation
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrLab3 - Fourieranalyse von Signalen
1 Einleitung Lab3 - Fourieranalyse von Signalen M. Brandner, C. Wallinger Die spektrale Analyse deterministischer und zufälliger Signale ist von zentraler Bedeutung in der Messtechnik, da sehr viele interessante
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
MehrLongitudinale und transversale Relaxationszeit
Longitudinale und transversale Relaxationszeit Longitudinale Relaxationszeit T 1 (Zeit, die das System benötigt, um nach dem rf- Puls zurück ins Gleichgewicht zu kommen) Transversale Relaxationszeit T
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
MehrFourier-Zerlegung, Fourier-Synthese
Fourier-Zerlegung, Fourier-Synthese Periodische Funktionen wiederholen sich nach einer Zeit T, der Periode. Eine periodische Funktion f(t) mit der Periode T genügt der Beziehung: f( t+ n T) = f( t) für
MehrInhaltsverzeichnis Determinierte Signale in linearen zeitinvarianten Systemen Fourier-Transformation
Inhaltsverzeichnis 1. Determinierte Signale in linearen zeitinvarianten Systemen 1 1.1 Elementarsignale... 1 1.2 ZumBegriffdesSystems... 5 1.3 LinearezeitinvarianteSysteme... 6 1.4 DasFaltungsintegral...
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
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
MehrSignalverarbeitung - Filterung, PSD, Korrelationen
9. Dezember 2010 1 Signalverarbeitung - Filterung, PSD, Korrelationen Messtechnik Vorlesung 9. Dezember 2010 9. Dezember 2010 2 Zurück zur Schnellen Fourier-Transformation (FFT) Ein FFT-Beispiel mit zwei
MehrSignale und ihre Spektren
Einleitung Signale und ihre Spektren Fourier zeigte, dass man jedes in der Praxis vorkommende periodische Signal in eine Reihe von Sinus- und Cosinusfunktionen unterschiedlicher Frequenz zerlegt werden
Mehr2. Eigenschaften digitaler Nachrichtensignale
FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale
MehrFormelsammlung für Automatisierungstechnik 1 & 2
Formelsammlung für Automatisierungstechnik & 2 Aus Gründen der Vereinheitlichung, der gleichen Chancen bw. um etwaigen Diskussionen vorubeugen, sind als Prüfungsunterlagen für die Vorlesungsklausuren aus
MehrWirtschaftsmathematik Wirtschaftsstatistik
Wirtschaftsmathematik Wirtschaftsstatistik Ökonometrie ARMA-Prozesse Prof. Dr. Franz Seitz, Weiden / Dr. Benjamin R. Auer, Leipzig Neben den formalen Grundlagen von ARMA-Prozessen (Autoregressive Moving
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
MehrZeitreihenanalyse. Teil III: Nichtlineare Zeitreihenmodelle. Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel. Göttingen, Januar 2008 DAX
Zeitreihenanalyse Teil III: Nichtlineare Zeitreihenmodelle Prof. Dr. W. Zucchini, Dr. O. Nenadić, A. Schlegel DAX -10-5 0 5 10 0 200 400 600 800 1000 trading day Göttingen, Januar 2008 Inhaltsverzeichnis
MehrZeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT)
Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Inhaltsverzeichnis 1 Allgemeines Filter... 2 2 Filter auf dem Signalprozessor... 2 3 Zusammenhang Zeitsignal und Frequenzspektrum...
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
MehrBroadband EMI Noise Measurement in Time Domain
Broadband EMI Noise Measurement in Time Domain Florian Krug, Peter Russer Institute for High-Frequency Engineering Technische Universität München fkrug@ieee.org 1 Inhalt Einführung Time-Domain Electromagnetic
Mehr3. Einführung in die Zeitreihenanalyse
3. Einführung in die Zeitreihenanalyse Dr. Johann Burgstaller Finance Department, JKU Linz (Dieser Foliensatz wurde zuletzt aktualisiert am 25. Dezember 2007.) Dr. Johann Burgstaller IK Empirische Kapitalmarktforschung
MehrStatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha. Vorgetragen von Matthias Altmann
StatStream : Statistical Monitoring of Thousands of Data Streams in Real Time Yunyue Zhu,Dennis Sasha Vorgetragen von Matthias Altmann Mehrfache Datenströme Beispiel Luft und Raumfahrttechnik: Space Shuttle
MehrKategoriale abhängige Variablen:
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell Statistik II
MehrÜberblick über die Verfahren für Ordinaldaten
Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische
MehrDFT / FFT der Titel der Präsentation wiederholt (Ansicht >Folienmaster) Dipl.-Ing. Armin Rohnen, Fakultät 03, rohnen@hm.edu
1 Grundlagen Abtasttheorem Fenster Zeit - Frequenzauflösung Pegelgenauigkeit Overlap Mittelung 2 2 volle Schwingungen 32 Abtastwerte Amplitude = 1 Pascal Signallänge = 1 Sekunde Eine Frequenzline bei 2
MehrKybernetik Systemidentifikation
Kberneti Sstemidentifiation Mohamed Oubbati Institut für euroinformati Tel.: +49 73 / 50 2453 mohamed.oubbati@uni-ulm.de 2. 06. 202 Was ist Sstemidentifiation? Der Begriff Sstemidentifiation beschreibt
MehrArgumente für die diskrete Realisierung der Fourierintegrale
Argumente für die diskrete Realisierung der Fourierintegrale Die Fouriertransformation gemäß der Beschreibung in Kapitel 3.1 weist aufgrund der unbegrenzten Ausdehnung des Integrationsintervalls eine unendlich
MehrVersuch 35: Speckle. F-Praktikum Versuch 35: Speckle N. Lindlein
Versuch 35: Speckle Norbert Lindlein nstitut für Optik, nformation und Photonik (Max-Planck-Forschungsgruppe) Universität Erlangen-Nürnberg Staudtstr. 7/B, D-958 Erlangen E-mail: norbert.lindlein@optik.uni-erlangen.de
MehrSkriptum zur 4. Laborübung. Spektren
Elektrotechnische Grundlagen der Informatik (LU 182.085) Skriptum zur 4. Laborübung Spektren Christof Pitter Wolfgang Puffitsch Technische Universität Wien Institut für Technische Informatik (182) 1040,
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,
MehrMonte-Carlo-Simulationen mit Copulas. Kevin Schellkes und Christian Hendricks 29.08.2011
Kevin Schellkes und Christian Hendricks 29.08.2011 Inhalt Der herkömmliche Ansatz zur Simulation logarithmischer Renditen Ansatz zur Simulation mit Copulas Test und Vergleich der beiden Verfahren Fazit
Mehr2. Korrelation, lineare Regression und multiple Regression
multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig
MehrVAD - Voice Activity Detection -
VAD - - erstellt: Robert Schaar s63012 erstellt: Robert Schaar s63012 Mensch-Maschine-Robotik 1. Einleitung 2. Aufbau des Algorithmus 2.1. allgemeiner Aufbau 2.2. Fourier-Transformation 2.3. Short-Time
MehrKategoriale abhängige Variablen: Logit- und Probit -Modelle. Statistik II
Kategoriale abhängige Variablen: Logit- und Probit -Modelle Statistik II Wiederholung Literatur Annahmen und Annahmeverletzungen Funktionen Exponenten, Wurzeln usw. Das Problem Das binäre Logit-Modell
MehrEchtzeit-Analyse/Synthese von Sprachsignalen unter Berücksichtigung des Sprachverständlichkeitsindex (SII)
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer Echtzeit-Analyse/Synthese von Sprachsignalen unter Berücksichtigung des Sprachverständlichkeitsindex (SII) Von Sayak Ghosh Choudhury Prof. Dr.-Ing.
MehrDie Fourier Transformation und ihre Anwendungen in der Nachrichtentechnik
A FT I Anwendungen der Fourier-Transformation Die Fourier Transformation und ihre Anwendungen in der Nachrichtentechnik Die Fourier Transformation und damit der Zusammenhang zwischen Zeit und Frequenzbereich
MehrKorrelation - Regression. Berghold, IMI
Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines
MehrSignale und Systeme. A1 A2 A3 Summe
Signale und Systeme - Prof. Dr.-Ing. Thomas Sikora - Name:............................... Vorname:.......................... Matr.Nr:.............................. Ergebnis im Web mit verkürzter Matr.Nr?
Mehr1 Statistische Grundlagen
Konzepte in Empirische Ökonomie 1 (Winter) Hier findest Du ein paar Tipps zu den Konzepten in Empirische 1. Wenn Du aber noch etwas Unterstützung kurz vor der Klausur brauchst, schreib uns eine kurze Email.
MehrFrequenzanalyse. Der Abstand der diskreten Frequenzlinien ist der Kehrwert der Periodendauer:
WS 0 Fourier-Reihe: Jede einigrermaßen gutartige 1 periodishe reelle Zeitfuntion x(t) ann mittels einer Fourier-Reihe dargestellt werden als eine Summe omplexer Amplituden (Fourier-Synthese): xt () e n
MehrPraktikum 3: Zeitreihenanalyse
Vorlesung Astronomische Datenanalyse Praktikum 3: Zeitreihenanalyse Version vom 11. Juli 00 AIT Das Praktikum findet im Institut für Astronomie und Astrophysik, Abt. Astronomie im Gebäude Sand 1 statt.
MehrLösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1
LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel
MehrIn konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert.
Konstante Modelle: In konstanten Modellen wird davon ausgegangen, dass die zu prognostizierende Größe sich über die Zeit hinweg nicht verändert. Der prognostizierte Wert für die Periode T+i entspricht
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..............................
MehrStatistische Verfahren für das Data Mining in einem Industrieprojekt
Statistische Verfahren für das Data Mining in einem Industrieprojekt Thorsten Dickhaus Forschungszentrum Jülich GmbH Zentralinstitut für Angewandte Mathematik Telefon: 02461/61-4193 E-Mail: th.dickhaus@fz-juelich.de
MehrDas GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010
Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen Seminararbeit von Frauke Heuermann Juni 2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Der ARCH-Prozess 1 1.1 Das ARCH(1)-Modell........................
MehrInhaltsverzeichnis. Regressionsanalyse. http://mesosworld.ch - Stand vom: 20.1.2010 1
Inhaltsverzeichnis Regressionsanalyse... 2 Lernhinweise... 2 Einführung... 2 Theorie (1-8)... 2 1. Allgemeine Beziehungen... 3 2. 'Best Fit'... 3 3. 'Ordinary Least Squares'... 4 4. Formel der Regressionskoeffizienten...
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
MehrWave-Datei-Analyse via FFT
Wave-Datei-Analyse via FFT Wave-Dateien enthalten gesampelte Daten, die in bestimmten Zeitabständen gespeichert wurden. Eine Fourier-Transformation über diesen Daten verrät das Frequenz-Spektrum der zugrunde
Mehr-Oktavanalyse Wavelet. FFT 1 / n. -Oktavanalyse Wavelet. Fast Fourier Transformation
11/13 FFT 1 / n -Oktavanalyse Wavelet FFT 1 / n -Oktavanalyse Wavelet Für die meisten akustischen Untersuchungen ist eine reine Pegelanalyse unzureichend, denn nicht nur der Pegel, sondern auch die frequenzabhängige
MehrEine computergestützte Einführung mit
Thomas Cleff Deskriptive Statistik und Explorative Datenanalyse Eine computergestützte Einführung mit Excel, SPSS und STATA 3., überarbeitete und erweiterte Auflage ^ Springer Inhaltsverzeichnis 1 Statistik
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrProzeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik
Slide 1 Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik Postdoktorandenprogramm der DFG Zusammenarbeit mit Dantec MT Betreuung durch Universität Rostock Slide Postdoktorandenprogramm Ziel
MehrARCH- und GARCH-Modelle
ARCH- und GARCH-Modelle Thomas Simon Analyse und Modellierung komplexer Systeme 04.11.2009 homas Simon (Analyse und Modellierung komplexerarch- Systeme) und GARCH-Modelle 04.11.2009 1 / 27 Ausgangssituation
MehrVon den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren
Von den Grundlagen der Monte-Carlo-Methode zur Simulation von Teilchenreaktionen und Teilchendetektoren Michael Unrau HS WS 08/09 14 November 2008 HS 08/09 Monte-Carlo Methoden 14 November 2008 1 / 24
MehrMessung der Ausgangsspannung an einem FU
Messung der Ausgangsspannung an einem FU Referent: Werner Käsmann Fluke Deutschland GmbH w.kaesmann@fluke.com D 79286 Glottertal Leider gibt es heute noch Motoren, welche ohne Drehzahlregelung betrieben
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrEinführung in die Statistik mit EXCEL und SPSS
Christine Duller Einführung in die Statistik mit EXCEL und SPSS Ein anwendungsorientiertes Lehr- und Arbeitsbuch Zweite, überarbeitete Auflage Mit 71 Abbildungen und 26 Tabellen Physica-Verlag Ein Unternehmen
MehrDigitale Regelung. Vorlesung: Seminarübungen: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr
Vorlesung: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr Seminarübungen: Dozent: Alexander Weber Ort: 33/1101 Zeit: Mo 9.45 11.15 Uhr (Beginn: 20.04.2015) Vorlesungsskript:
MehrAnaloge CMOS-Schaltungen
Analoge CMOS-Schaltungen PSPICE: Fourier-Analyse 12. Vorlesung Einführung 1. Vorlesung 8. Vorlesung: Inverter-Verstärker, einige Differenzverstärker, Miller-Verstärker 9. Vorlesung: Miller-Verstärker als
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Reression Zweck: Vorhersae Dimensionsreduktion Klassifizierun Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eienschaften: nicht-linear verteilunsfrei
MehrStrategien der Schwingungsanalyse
1 Strategien der Schwingungsanalyse (Grundlagen) 1. Prolog Approximation einer Zeitfunktion Zur Einführung in das Thema soll die Approximation einer Zeitfunktion x( durch einen Satz von Basisfunktionen
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrInstitut für Leistungselektronik und Elektrische Antriebe. Übungen Regelungstechnik 2
Institut für Leistungselektronik und Elektrische Antriebe Prof. Dr.-Ing. J. Roth-Stielow Übungen Regelungstechnik 2 Inhalt der Übungen: 1. Grundlagen (Wiederholung RT1) 2. Störgrößenaufschaltung 3. Störgrößennachbildung
MehrElektrische Mess- und Prüftechnik Laborpraktikum. Signale im Zeit- und Frequenzbereich (FFT) USB-Oszilloskop. Testat:
Fachbereich Elektrotechnik / Informationstechnik Elektrische Mess- und Prüftechnik Laborpraktikum Versuch 2016-E ET(BA) SS 2016 Signale im Zeit- und Frequenzbereich (FFT) USB-Oszilloskop Set:... Studienrichtung:...
MehrKybernetik Laplace Transformation
Kybernetik Laplace Transformation Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 08. 05. 202 Laplace Transformation Was ist eine Transformation? Was ist
Mehrε heteroskedastisch BINARY CHOICE MODELS Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS?
BINARY CHOICE MODELS 1 mit Pr( Y = 1) = P Y = 0 mit Pr( Y = 0) = 1 P Beispiele: Wahlentscheidung Kauf langlebiger Konsumgüter Arbeitslosigkeit Schätzung mit OLS? Y i = X i β + ε i Probleme: Nonsense Predictions
MehrWENDEPUNKTE IN FINANZMÄRKTEN Prognose und Asset Allocation
Reihe Financial Research, Band 3: WENDEPUNKTE IN FINANZMÄRKTEN Prognose und Asset Allocation von Claus Huber 619 Seiten, Uhlenbruch Verlag, 2000 EUR 59.- inkl. MwSt. und Versand ISBN 3-933207-11-8 - -
MehrDie Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB
Die Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB Wie kommen die Bits überhaupt vom Sender zum Empfänger? (und welche Mathematik steckt dahinter) Vergleichende Einblicke in digitale Übertragungsverfahren
MehrMultiple Regression. Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren)
Multiple Regression 1 Was ist multiple lineare Regression? Ziel: Vorhersage der Werte einer Variable (Kriterium) bei Kenntnis der Werte von zwei oder mehr anderen Variablen (Prädiktoren) Annahme: Der Zusammenhang
Mehr3. Übungsblatt zu Computersimulationen WS 2015/2016. Simulation des Ising-Modells
3. Übungsblatt zu Computersimulationen WS 2015/2016 Abgabe: 19.(20.) November bis 3.(4.) Dezember. Bitte tragen Sie sich in die Liste auf der Webseite der Vorlesung ein. Diese Übungsaufgabe steht exemplarisch
MehrVergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko
Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrStandardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.
Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall
MehrV 322 Überlagerung und Modulation /AD-Wandler
V 322 Überlagerung und Modulation /AD-Wandler 1. Aufgaben 1.1 Digitalisieren Sie ein analoges Signal und experimentieren mit der Abtastrate und Sampleanzahl. 1.2 Überlagern Sie 2 Frequenzen und beobachten
MehrMesstechnik. Gedächnisprotokoll Klausur 2012 24. März 2012. Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen:
Messtechnik Gedächnisprotokoll Klausur 2012 24. März 2012 Dokument erstellt von: mailto:snooozer@gmx.de Aufgaben Es wurde die Kapazität von 10 Kondensatoren gleicher Bauart gemessen: Index k 1 2 3 4 5
MehrAUSWERTUNG: LASER B TOBIAS FREY, FREYA GNAM
AUSWERTUNG: LASER B TOBIAS FREY, FREYA GNAM 6. FOURIER-TRANSFORMATION In diesem Versuch ging es darum, mittels Fouriertransformation aus dem Beugungsbild eines Einfachspaltes auf dessen Breite zu schließen.
MehrName:... Matrikel-Nr.:... 3 Aufgabe Handyklingeln in der Vorlesung (9 Punkte) Angenommen, ein Student führt ein Handy mit sich, das mit einer Wahrscheinlichkeit von p während einer Vorlesung zumindest
MehrSozialer Abstieg und Konsum
Sozialer Abstieg und Konsum Auswirkungen finanzieller Verknappung auf das Konsumverhalten Inaugural-Dissertation zur Erlangung des akademischen Grades einer Doktorin der Wirtschaftswissenschaft des Fachbereichs
MehrÜberblick über die Tests
Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt
MehrInhaltsverzeichnis. Teil I Beschreibende Statistik 17
Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind
MehrStochastic Sampling als Messprinzip
Stochastic Sampling als Messprinzip Ehrenkolloquium Frau Prof. Dr.-Ing. habil. Erika Müller 21.09.2012, Universität Rostock Holger Nobach Max-Planck-Institut für Dynamik und Selbstorganisation Göttingen
MehrSpektroskopie. im IR- und UV/VIS-Bereich. Spektrometer. http://www.analytik.ethz.ch
Spektroskopie im IR- und UV/VIS-Bereich Spektrometer Dr. Thomas Schmid HCI D323 schmid@org.chem.ethz.ch http://www.analytik.ethz.ch Allgemeiner Aufbau eines Spektrometers Lichtintensität d I 0 Probe I
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
MehrTeil III: Routing - Inhalt I. Literatur. Geometric Routing. Voraussetzungen. Unit Disk Graph (UDG) Geometric Routing 29
1 29 Teil III: Routing - Inhalt I Literatur Compass & Face Routing Bounded & Adaptive Face Routing Nicht Ω(1) UDG E. Kranakis, H. Singh und Jorge Urrutia: Compass Routing on Geometric Networks. Canadian
MehrFORMELSAMMLUNG. Analyse longitudinaler Daten und Zeitreihen WS 2003/04
FORMELSAMMLUNG Analyse longitudinaler Daten und Zeitreihen WS 2003/04 Inhaltsverzeichnis 1 Zeitreihenanalyse 3 1.1 Grundlagen................................ 3 1.1.1 Notation..............................
MehrMotivation. Jede Messung ist mit einem sogenannten Fehler behaftet, d.h. einer Messungenauigkeit
Fehlerrechnung Inhalt: 1. Motivation 2. Was sind Messfehler, statistische und systematische 3. Verteilung statistischer Fehler 4. Fehlerfortpflanzung 5. Graphische Auswertung und lineare Regression 6.
MehrÜbungen aus den numerischen Methoden der Astronomie SS 2011
Übungen aus den numerischen Methoden der Astronomie SS 2011 1. Fermat Teil I : Berechnen Sie die Fläche eines rechtwinkeligen Dreiecks mit Hilfe des pythagoräischen Lehrsatzes. Die beiden Katheten sollen
MehrKurzbeschreibung des FFT-Moduls und der Netzoberwellenanalyse
Kurzbeschreibung des FFT-Moduls und der Netzoberwellenanalyse Erweiterung der Software SP107 von HAMEG Stand V1.2 1 KURZBESCHREIBUNG DES FFT-MODULS...3 EINLEITUNG:... 3 MERKMALE DES FFT-MODULS... 4 FFT-Fenster...
Mehr8. Übung zur Vorlesung Mathematisches Modellieren Lösung
Universität Duisburg-Essen Essen, den.6. Fakultät für Mathematik S. Bauer C. Hubacsek C. Thiel 8. Übung zur Vorlesung Mathematisches Modellieren Lösung In dieser Übung sollen in Aufgabe und die qualitativ
MehrMagnetische Induktion
Magnetische Induktion 5.3.2.10 In einer langen Spule wird ein Magnetfeld mit variabler Frequenz und veränderlicher Stärke erzeugt. Dünne Spulen werden in der langen Feldspule positioniert. Die dabei in
MehrEntwicklung eines Verfahrens in MATLAB und C zur Schätzung des Spektrums der Hintergrundstörung bei Sprachsignalen
Entwicklung eines Verfahrens in MATLAB und C zur Schätzung des Spektrums der Hintergrundstörung bei Sprachsignalen Diplomarbeit an der Hochschule Niederrhein Fachbereich Elektrotechnik Zur Erlangung des
MehrAllgemeine Beschreibung von Blockcodes
Allgemeine Beschreibung von Blockcodes Bei Blockcodierung wird jeweils eine Sequenz von m q binären Quellensymbolen (M q = 2) durch einen Block von m c Codesymbolen mit dem Symbolumfang M c dargestellt.
Mehr25. Januar 2010. Ruhr-Universität Bochum. Methodenlehre III, WS 2009/2010. Prof. Dr. Holger Dette. 4. Multivariate Mittelwertvergleiche
Ruhr-Universität Bochum 25. Januar 2010 1 / 75 2 / 75 4.1 Beispiel: Vergleich von verschiedenen Unterrichtsmethoden Zwei Zufallsstichproben (A und B) mit je 10 Schülern und 8 Schülern Gruppe A wird nach
MehrCredit Risk+: Eine Einführung
Credit Risk+: Eine Einführung Volkert Paulsen December 9, 2004 Abstract Credit Risk+ ist neben Credit Metrics ein verbreitetes Kreditrisikomodell, dessen Ursprung in der klassischen Risikotheorie liegt.
Mehr